METODOLOGÍA DE LA INVESTIGACIÓN
ROBERTO HERNÁNDEZ SAMPIERI, CARLOS FERNÁNDEZ-COLLADO, PILAR BAPTISTA LUCIO
PROCEDIMIENTOS PARA REALIZAR UNA INVESTIGACIÓN
CUANTITATIVA:
1. Definición de las unidades de análisis para la recolección de datos.
el interés se centra en "qué o quiénes", es decir, en los sujetos, objetos,
sucesos o comunidades de estudio (las unidades de análisis), 1o cual depende
del planteamiento de la investigación. (Hernández, Fernández y Baptista,
2006, p. 236)
EI sobre que o quienes se van a recolectar datos depende del planteamiento
del problema a investigar y de los alcances del estudio. (Hernández,
Fernández y Baptista, 2006, p. 236)
2. Delimitación de la población.
Una vez que se ha definido cuál será la unidad de análisis, se procede a
delimitar la población que va a ser estudiada y sobre la cual se pretende
generalizar los resultados. (Hernández, Fernández y Baptista, 2006, p.
238)
la delimitación de las características de la población no solo depende de los
objetivos del estudio, sino de otras razones prácticas. Un estudio no será
mejor por tener una población más grande; la calidad de un trabajo
investigativo estriba en delimitar claramente la poblaci6n con base en el
planteamiento del problema. (Hernández, Fernández y Baptista, 2006, p.
239)
Al seleccionar la muestra debemos evitar tres errores que pueden
presentarse: 1) no elegir a casos que deberán ser parte de la muestra
(participantes que deberán estar y no fueron seleccionados). 2) incluir a casos
que no deberán estar porque no forman parte de la población y 3) seleccionar
casos que son verdaderamente inelegibles (Mertens, 2005). (Hernández,
Fernández y Baptista, 2006, p. 240)
3. Selección de muestra.
para seleccionar una muestra, 10 primero que hay que hacer es definir la
unidad de análisis (personas, organizaciones, periódicos, comunidades,
situaciones, eventos, etc.). (Hernández, Fernández y Baptista, 2006, p.
236)
EI interés es que la muestra sea estadísticamente representativa.
(Hernández, Fernández y Baptista, 2006, p. 237)
pocas veces es posible medir a toda la población, por 1o que obtenemos o
seleccionamos una muestra y, desde luego, se pretende que este subconjunto
sea un reflejo fiel del conjunto de la población. Todas las muestras -bajo el
enfoque cuantitativo-deben ser representativas (Hernández, Fernández y
Baptista, 2006, p. 240)
DEFINICIÓN DE MUESTRA. –
Para el proceso cuantitativo la muestra es un subgrupo de la población de interés
(sobre el cual se recolectarán datos, y que tiene que definirse 0 delimitarse de
antemano con precisión), este deberá ser representativo de la población.
(Hernández, Fernández y Baptista, 2006, p. 236)
La muestra es, en esencia, un subgrupo de la población. Digamos que es un
subconjunto de elementos que pertenecen a ese conjunto definido en sus
características al que llamamos población. (Hernández, Fernández y Baptista,
2006, p. 240)
DEFINICIÓN DE POBLACIÓN O UNIVERSO. –
una población es el conjunto de todos los casos que concuerdan con una serie de
especificaciones (Selltiz et al., 1980). (Hernández, Fernández y Baptista, 2006,
p. 238)
TIPOS DE MUESTRA:
1. MUESTRAS PROBABILÍSTICAS. –
los elementos de la poblaci6n tienen la misma posibilidad de ser escogidos
y se obtienen definiendo las características de la población y el tamaño de la
muestra. y por medio de una selección aleatoria o mecánica de las unidades
de análisis. (Hernández, Fernández y Baptista, 2006, p. 241)
Las muestras probabilísticas tienen muchas ventajas, quizá la principal sea
que puede medirse el tamaño del error en nuestras predicciones. Se dice
incluso que el principal objetivo en el diseño de una muestra probabilística
es reducir al mínimo este error, al que se le llama error estándar (Kish, 1995).
(Hernández, Fernández y Baptista, 2006, p. 243)
FORMA DE SELECCIÓN DE UNA MUESTRA PROBABILÍSTICA:
Para una muestra probabilística necesitamos principalmente dos cosas:
determinar el tamaño de la muestra (n) y seleccionar los elementos
muestrales, de manera que todos tengan la misma posibilidad de ser elegidos.
Para 1o primero, daremos una fórmula que contiene las expresiones ya
descritas. Para 1o segundo, requerimos un marco de selección adecuado y
un procedimiento que permita la aleatoriedad en la selección. (Hernández,
Fernández y Baptista, 2006, p. 244)
Necesitamos dos elementos:
a. Determinar el tamaño de la muestra. –
Cuando se hace una muestra probabilística, uno debe preguntarse: dado
que una población es de N, ¿cuál es el menor número de unidades
muestrales (personas, organizaciones, capítulos de telenovelas, etc.) que
necesito para conformar una muestra (n) que me asegure un determinado
nivel de error estándar, digamos menor de 0.01?
La respuesta a esta pregunta busca encontrar la probabilidad de
ocurrencia de , así como que mi estimado de se acerque a , el valor
real de la poblaci6n. Si establecemos el error estándar y lo fijamos en
0.01, sugerimos que esta fluctuación promedio de nuestro estimado con
respecto a los valores reales de la población no sea > 0.01, es decir, que
de 100 casos, 99 veces mi predicción sea correcta y que el valor de se
sitúe en un intervalo de confianza que comprenda el valor de .
Resumiendo, para una determinada varianza (V) de Y, ¿qué tan grande
debe ser mi muestra? Ello se determina en dos pasos:
(Hernández, Fernández y Baptista, 2006, p. 244)
en lugar de aplicar formulas, calcular de manera automática un tamaño
de muestra aleatoria simple puede utilizar el programa Stats", que se
inc1uye en el CD anexo,' el cálculo 10 realiza con tan solo teclear cierta
información. (Hernández, Fernández y Baptista, 2006, p. 245)
Formas de determinar el tamaño de muestra:
- Muestras Aleatorias Simples:
A las muestras de los ejemplos (obtenidas por la fórmula o por Stats®)
se les conoce como muestras aleatorias simples (MAS). Su
característica esencial, como ya se mencion6, es que todos los casos
del universo tienen al inicio la misma probabilidad de ser
seleccionados. (Hernández, Fernández y Baptista, 2006, p. 247)
- Muestra Probabilística Estratificadas:
En ocasiones el interés del investigador es comparar sus resultados
entre segmentos, grupos o nichos de la población, porque así 1o señala
el planteamiento del problema. Por ejemplo, efectuar comparaciones
por género (entre hombres y mujeres), si la selección de la muestra es
aleatoria, tendremos unidades 0 elementos de ambos géneros, no hay
problema, la muestra reflejara a la población.
(Hernández, Fernández y Baptista, 2006, p. 247)
una muestra probabilística estratificada (el nombre nos dice que será
probabilística y que se consideraran segmentos 0 grupos de la
población, o 1o que es igual: estratos). (Hernández, Fernández y
Baptista, 2006, p. 248)
La estratificación aumenta la precisión de la muestra e implica el usa
deliberado de diferentes tamaños de muestra para cada estrato, a fin
de lograr reducir la varianza de cada unidad de la media muestral
(Kish, 1995). (Hernández, Fernández y Baptista, 2006, p. 248)
- Muestreo Probabilístico por Racimos:
En algunos casos, en que el investigador se ve limitado por recursos
financieros, por tiempo, por distancias geográficas o por una
combinación de estos y otros obstáculos, se recurre al muestreo por
racimos o clusters. En este tipo de muestreo se reducen costos, tiempo
y energía, al considerar que muchas veces las unidades de análisis se
encuentran encapsuladas o encerradas en determinados lugares físicos
o geográficos, a los que se denomina racimos. (Hernández,
Fernández y Baptista, 2006, p. 249)
Muestrear por racimos implica diferenciar entre la unidad de análisis
y la unidad muestral. La unidad de análisis indica quienes van a ser
medidos, o sea, los participantes o casos a quienes en última instancia
vamos a aplicar el instrumento de medición. La unidad muestral (en
este tipo de muestra) se refiere al racimo por medio del cual se logra
el acceso a la unidad de análisis. EI muestreo por racimos supone una
selección en dos etapas, ambas con procedimientos probabilísticos. En
la primera, se seleccionan los racimos, siguiendo los pasos ya
señalados de una muestra probabilística simple o estratificada. En la
segunda, y dentro de estos racimos, se selecciona a los sujetos u
objetos que van a medirse. Para ello se hace una selección que asegure
que todos los elementos del racimo tienen la misma probabilidad de
ser elegidos. (Hernández, Fernández y Baptista, 2006, p. 249)
b. Seleccionar los elementos muestrales en forma aleatoria. –
Las unidades de análisis o los elementos muestrales se eligen siempre
aleatoriamente para asegurarnos de que cada elemento tenga la misma
probabilidad de ser elegido. (Hernández, Fernández y Baptista, 2006,
p. 252)
Procedimientos de selección:
- Tómbola. –
consiste en numerar todos los elementos muestrales del uno al número
n. Hacer fichas o papeles, uno por cada elemento, revolverlos en una
caja, e ir sacando n número de fichas, según el tamaño de la muestra.
Los números elegidos al azar conformaran la muestra. (Hernández,
Fernández y Baptista, 2006, p. 253)
- Cuadro de números aleatorios o el uso del programa
subprograma de números aleatorios del Stats. –
EI uso de números random no significa la selección azarosa o fortuita,
sino la utilización de una tabla de números que implica un mecanismo
de probabilidad muy bien diseñado. Los números random de la
Corporacion Rand fueron generados con una especie de ruleta
electrónica. Existe una tabla de un millón de dígitos, publicada por
esta corporación, cuyas partes se encuentran en los apéndices de
muchos libros de estadística. (Hernández, Fernández y Baptista,
2006, p. 253)
Una excelente alternativa para generar números aleatorios se
encuentra en el programa Stats®, que contiene un programa para ello
y evita el uso de la tabla de números aleatorios. Es hasta ahora la mejor
forma que hemos encontrado para hacerlo. (Hernández, Fernández
y Baptista, 2006, p. 253)
- Selección sistemática de elementos muestrales. –
Este procedimiento de selección es muy útil e implica elegir dentro de
una población N un numero n de elementos a partir de un intervalo K.
Este último (K) es un intervalo que se va a determinar por el tamaño
de la población y el tamaño de la muestra. De manera que tenemos
que K = Nln, en donde K = un intervalo de selección sistemática, N =
la población y n = la muestra. (Hernández, Fernández y Baptista,
2006, p. 255)
MARCOS MUESTRALES:
algo esencial que precede a la selección de una muestra: el marco muestral. Este
constituye un marco de referencia que nos permita identificar físicamente los
elementos de la poblaci6n, la posibilidad de enumerarlos y, por ende, de proceder
a la selección de los elementos muestrales (los casos de la muestra). Normalmente
se trata de un listado existente o una lista que es necesario confeccionar ad hoc, con
los casos de la población. (Hernández, Fernández y Baptista, 2006, p. 256)
LISTADOS:
Los listados existentes sobre una población son variados: guías telefónicas, listas
de miembros de las asociaciones, directorios especializados, listas oficiales de
escuelas de la zona, bases de datos de los alumnos de una universidad o de los
clientes de una empresa, registros médicos, catastros, nóminas de una organización,
etc. (Hernández, Fernández y Baptista, 2006, p. 256)
No siempre existen listas que permitan identificar a nuestra población. Entonces,
será necesario recurrir a otros marcos de referencia que contengan descripciones
del material, las organizaciones o los casos que serán seleccionados como unidades
de análisis. Ejemplos de algunos de estos marcos de referencia son los archivos,
los mapas y los volúmenes de periódicos empastados en una biblioteca.
(Hernández, Fernández y Baptista, 2006, p. 257) Y, periodos registrados
(sesiones terapéuticas, entrevistas con pacientes o reos, etc.).
TAMAÑO ÓPTIMO DE LA MUESTRA:
Repasemos que lo óptimo de una muestra depende de cuánto se aproxima su
distribución a la distribución de las características de la población. Esta
aproximación mejora al incrementarse el tamaño de la muestra. La "normalidad"
de la distribución en muestras grandes no obedece a la normalidad de la
distribución de una población. La distribución de diversas variables a veces es
"normal" y en ocasiones está lejos de serlo. Sin embargo, la distribución de
muestras de 100 o más elementos tiende a ser normal y esto sirve para el propósito
de hacer estadística inferencial, sobre los valores de una población. A lo anterior
se le llama teorema del límite central. (Hernández, Fernández y Baptista, 2006,
p. 260 - 261)
Distribución normal: Ésta distribución en forma de campana se logra generalmente
con muestras de 100 o más unidades muestrales, y es útil y necesaria cuando se
hacen inferencias de tipo estadístico (ver figura 8.5).
(
Hernández, Fernández y Baptista, 2006, p. 261)
2. MUESTRAS NO PROBABÍLISTICAS O DIRIGIDO. –
Las muestras no probabilísticas, también llamadas muestras dirigidas,
suponen un procedimiento de selección informal. Se utilizan en muchas
investigaciones cuantitativas y cualitativas. (Hernández, Fernández y
Baptista, 2006, p. 262)
En las muestras no probabilísticas, la elección de los elementos no depende
de la probabilidad, sino de causas relacionadas con las características de la
investigación o de quien hace la muestra. Aquí el procedimiento no es
mecánico, ni con base en fórmulas de probabilidad, sino que depende del
proceso de toma de decisiones de una persona o de un grupo de personas y,
desde luego, las muestras seleccionadas obedecen a otros criterios de
investigación. (Hernández, Fernández y Baptista, 2006, p. 241)
La muestra dirigida selecciona sujetos "típicos" con la vaga esperanza de que
sean casos representativos de una población determinada. Por ello, para fines
deductivos-cuantitativos, donde la generalización o extrapolación de
resultados hacia la población es una finalidad en sí misma, las muestras
dirigidas en este sentido implican muchas desventajas. La primera es que, al
no ser probabilísticas, no es posible calcular con precisión el error estándar,
es decir, no podemos calcular con qué nivel de confianza hacemos una
estimación. (Hernández, Fernández y Baptista, 2006, p. 262)
La única ventaja de una muestra no probabilística -desde la visión
cuantitativa- es su utilidad para determinado diseño de estudio que requiere
no tanto una representatividad de elementos de una población, sino una
cuidadosa y controlada elección de sujetos con ciertas características
especificadas previamente en el planteamiento del problema.
Para el enfoque cualitativo, al no interesar tanto la posibilidad de generalizar
los resultados, las muestras no probabilísticas o dirigidas son de gran valor,
pues logran -si se procede cuidadosamente y con una profunda inmersión
inicial en el campo- obtener los casos (personas, contextos, situaciones) que
interesan al investigador y que llegan a ofrecer una gran riqueza para la
recolección y el análisis de los datos. (Hernández, Fernández y Baptista,
2006, p. 262)