Variable - Web del Profesor

Metodología II
Tema 2: El Proyecto de Investigación,su
Estructura, Fases y Componentes
OPERACIONALIZACION Y MUESTREO
Prof. Reinaldo Mayol
OPERACIONALIZACIÓN
Operacionalización

La operacionalización de conceptos es el
proceso que va de la definición de un
concepto al instrumento de medida.

Ej.



Concepto: Ausentismo escolar
Definición Teórica: Ausencia de un estudiante de la
escuela en horario escolar.
Definición Operacional: Número de días al mes que el
alumno falta a la escuela.
Pasos para la operacionalización




Representación teórica del concepto
Especificación del concepto
descomponiéndolo en distintas dimensiones
Seleccionar indicadores ( o variables
empíricas ) que “indiquen” la extensión que
alcanza la dimensión
Sintetizar los indicadores mediante la
elaboración de índices. A cada indicador se
le asigna un peso según su importancia.
Selección de indicadores



La selección de los indicadores ES CRÍTICA
para la investigación y se realiza según los
objetivos de esta.
Debe realizarse una lista con la mayor
cantidad de indicadores posibles y luego
eliminar aquellos que sean menos
significativos.
De ser posible utilizar indicadores
previamente validados en otra investigación.
Creación de Índices
Que es medir?

Medir es contar, comparar una unidad con
otra, dar una valoración numérica, asignar un
valor, asignar números a los objetos.
Que es medir?


Todo lo que existe está en una cierta cantidad y se
puede medir. Estos no se asignan de forma
arbitraria sino que se rigen por ciertas reglas, se
establece un sistema empírico y éste da lugar a un
sistema formal..
La medición nos permite alejarnos de la realidad
para formarla a partir de números. Las propiedades
del sistema numérico y del sistema empírico han de
ser iguales. El sistema formal, tiene que reunir dos
criterios:


Igualdad.
Formal.
Que es una variable?


Variable es cualquier característica del
objeto de investigación que puede cambiar
de valor y expresarse en diferentes
categorías.
En todo proyecto de investigación se trabaja
con variables.
Tipos de Variables

Nominal.


Ordinal.


Determinación de mayor a menor.
Intervalo.


Determinación de igualdad.
Determinación de igualdad entre intervalos.
Razón.

Determinación de la igualdad de razón.
Variables Nominales

En este nivel de medición se establecen
categorías distintivas que no implican un
orden especifico.

Por ejemplo, si la unidad de análisis es un grupo
de personas, para clasificarlas se puede
establecer la categoría sexo con dos niveles:
masculino (M) y femenino (F), los participantes en
el experimento solo tienen que señalar su género,
no se requiere de un orden real.
Variables Nominales


Si se asignan números a estos niveles solo
sirven para identificación y puede ser
indistinto: 1=M, 2=F o bien, se pueden
invertir los números sin que afecte la
medición: 1=F y 2=M.
En resumen en la escala nominal se asignan
números a eventos con el propósito de
identificarlos. No existe ningún referente
cuantitativo.
Variables Ordinales


Se establecen categorías con dos o mas niveles
que implican un orden inherente entre si.
La escala de medición ordinal es cuantitativa
porque permite ordenar a los eventos en función de
la mayor o menor posesión de un atributo o
característica.


Por ejemplo, en las instituciones escolares de nivel básico
suelen formar por estatura a los estudiantes, se desarrolla
un orden cuantitativo pero no suministra medidas de los
sujetos.
La relación lógica que expresa esta escala es A > B (A es
mayor que B).
Variables Ordinales

Una forma común de variables ordinales
son ítems (reactivos) actitudinales
estableciendo una serie de niveles que
expresan una actitud de acuerdo o
desacuerdo con respecto a algún referente.
Variables Ordinales

Por ejemplo, ante el ítem: La economía
venezolana debe dolarizarse, el respondiente
puede marcar su respuesta de acuerdo a las
siguientes alternativas:
___ Totalmente de acuerdo
___ De acuerdo
___ Indiferente
___ En desacuerdo
___ Totalmente en desacuerdo
Variables Ordinales


Las anteriores alternativas de respuesta
pueden codificarse con números que van del
uno al cinco que sugieren un orden
preestablecido pero no implican una
distancia entre un número y otro.
Las escalas de actitudes son ordinales pero
son tratadas como variables continuas
(Therese L. Baker, 1997).
Variables de Intervalos



La medición de intervalo posee las características
de la medición nominal y ordinal.
Establece la distancia entre una medida y otra.
La escala de intervalo se aplica a variables
continuas pero carece de un punto cero absoluto.

Un ejemplo representativo de este tipo de medición es la
medición de la temperatura, cuando registra cero grados
centígrados de temperatura indica el nivel de congelación del
agua y cuando registra 100 grados centígrados indica el nivel
de ebullición, el punto cero es arbitrario no real, lo que
significa que en este punto no hay ausencia de temperatura.
Variables de Razón

Una escala de medición de razón incluye las
características de los tres anteriores niveles
de medición anteriores (nominal, ordinal e
intervalo). Determina la distancia exacta
entre los intervalos de una categoría.
Variables de Razón


Adicionalmente tiene un punto cero absoluto,
es decir, en el punto cero no existe la
característica o atributo que se mide.
Las variables de ingreso, edad, número de
hijos, etc. son ejemplos de este tipo de
escala. El nivel de medición de razón se
aplica tanto a variables continuas como
discretas.
Validez de la medición


Hace referencia a la relación que ha de
existir entre el concepto teórico y el
indicador.
El investigador ha de comprobar si los
indicadores elegidos realmente “retratan” lo
que se pretende que indiquen.

Ej. Si se emplea la variable “nivel de ingreso”
como indicador de “status social” habría que
comprobar si efectivamente es válido hacerlo.
Validez de la medición


Depende de cómo se haya definido y
operacionalizado el concepto que se analiza.
Existen 3 modalidades básicas de validez de
la medición:



Validez del Criterio
Validez del Contenido
Validez del Constructo
Validez de Criterio

La validez se comprueba comparando los
resultados con algún criterio ( o medida
anteriormente aceptada) que se haya
empleado para medir el mismo concepto.

Ej. Comparar datos socioeconómicos obtenidos
mediante encuesta con los del último censo. Si
ambos coinciden, los datos de la encuesta se
consideran válidos.
Críticas a la validez de criterio


Se asumen que el criterio de referencia es
válido y puede no serlo.
Puede no existir un criterio de referencia.
Validez de contenido.

Concierne al grado en que una medición
empírica cubre la variedad de significados
incluidos en un concepto.

Ej. Si el concepto que se mide es racismo habría
que considerar si se han comprendido las
diversas manifestaciones del mismo o si por el
contrario la medición solo se circunscribe a pocos
aspectos del mismo.
Validez del constructo

Cuando se compara una medida particular
con aquellas que teóricamente habría de
esperar.


Si se mide “delincuencia” por los datos policiales
es probable que estos corroboren las teorías que
enfatizan que la mayor comisión de delitos se
realizan en las clases desfavorecidas.
Si se mide por encuestas de autodenuncia el
resultado puede variar.
En resumen

Si no existe ningún acuerdo de cómo medir
un concepto, mídelo de varias formas
distintas. Si el concepto tiene dimensiones
diferentes mídelas todas. Y, por encima de
todo, tienes que saber que el concepto no
tiene ningún significado distinto del que le
dimos. (Babbie, 1992)
Fiabilidad de la medición


Se refiere a la capacidad de obtener
resultados consistentes en mediciones
sucesivas del mismo fenómeno.
Una forma de medir la fiabilidad consiste en
aplicar el mismo procedimiento en diferentes
momentos para, posteriormente, observar si
se obtienen los mismos resultados.
EL DISEÑO DE LA
MUESTRA
Una vez definido el problema a investigar,
formulados los objetivos y delimitadas las
variables se hace necesario determinar los
elementos o individuos con quienes se va a
llevar a cabo el estudio o investigación.
Conceptos Iniciales

Población: Conjunto de unidades de las que
se desea obtener cierta información.


Unidades: Personas, Familias, Viviendas,
Escuelas, Organizaciones, Artículos de Prensa
Muestra: Selección de unas unidades
concretas de la población que representen la
característica que se quiere medir.
Población vs. Universo

“El término universo designa a todos los
posibles sujetos o medidas de un cierto tipo...
La parte del universo a la que el investigador
tiene acceso se denomina población”. (Fox,
1981: 368)
Criterios importantes para la selección de
la muestra
1.
2.
3.
No importa el tamaño de la población, por
razones económicas rara vez se observan a
todas las unidades de la población.
Se debe diseñar una muestra que
constituya una representación a pequeña
escala de la población a la que pertenece
Cualquier diseño muestral comienza con la
búsqueda de la información que ayude a la
identificación de la población bajo estudio.
Importancia de la utilización de muestras


La importancia del muestreo radica en que
no es necesario trabajar con todos elementos
de una población para comprender con un
nivel “razonable” de exactitud la naturaleza
del fenómeno estudiado.
Este conocimiento se puede obtener a partir
de una muestra que se considere
representativa de aquella población
Condiciones que debe cumplir una
“buena” muestra


“Que comprendan parte de la población y
no la totalidad de ésta.
Que su amplitud sea estadísticamente
proporcionada a la magnitud de la
población. Esta condición se halla en
relación con el punto práctico de
determinación del tamaño de la muestra y
sirve para decidir si, según las unidades
que comprende respecto a la población,
una muestra es o no admisible.
Condiciones que debe cumplir una
“buena” muestra


La ausencia de distorsión en la elección de los elementos de la
muestra. Si esta elección presenta alguna anomalía, la
muestra resultará por este mismo hecho viciada.
Que sea representativa o reflejo fiel del universo, de tal modo
que reproduzca sus características básicas en orden a la
investigación. Esto quiere decir que si hay sectores
diferenciados en la población que se supone ofrecen
características especiales, a efectos de los objetivos de la
investigación, la muestra también deberá comprenderlos y
precisamente en la misma proporción, es decir, deberá estar
estratificada como el universo”. (Sierra Bravo, 1988: 175)
Tamaño de la muestra


Es el número de unidades a incluir en la
muestra.
Existen varios factores que influyen en el:






Tiempo y recursos disponibles
Modalidad de muestreo
Tipo de Análisis Previsto
Varianza o heterogeneidad de la población
Margen de Error máximo admisible
Nivel de confianza de la estimación muestral
Modalidad de Muestreo Seleccionada


La selección de las modalidades de
muestreo ( probabilísticos y no
probabilísticos) se halla determinada por la
confluencia de 3 factores: los objetivos, los
recursos y el tiempo.
Los diseños no probabilísticos demandan un
tamaño muestral menor.
Diversidad de los análisis de datos prevista

La técnica de análisis influye en el tamaño de
la muestra,

Ej. Técnicas multivariables implican tamaños de
muestras mayores, pues implica reducción de
errores y por lo tanto aumento del poder
predictivo del modelo obtenido.
Varianza o heterogeneidad poblacional


Cuanto mas heterogénea sea la población
mayor será su varianza poblacional lo que
implicará mayores tamaños muestrales.
Cuando se desconoce el valor de la varianza
poblacional se recurre al supuesto mas
desfavorable, asumiendo una varianza
poblacional igual a 0,5.
Errores, Errores, ERRORES



Aleatorio
Muestral
Sistemático
Error Aleatorio

El error aleatorio no se suele ajustar a
ninguna pauta, varía normalmente, en cada
caso distinto, en su sentido y magnitud, y por
ello tiende a anularse cuando se trata de un
número elevado de casos
Error Muestral



Cuando se extrae una muestra de una
población es frecuente que los resultados
obtenidos de la muestra no sean
exactamente los valores reales de la
población.
El error de muestreo ocurre al estudiar una
muestra en lugar de la población total.
La diferencia entre el valor del parámetro de
una población y el obtenido de una muestra
recibe el nombre de error muestral.
Error Muestral


Por muy perfecta que sea la muestra siempre
habrá grado de divergencia entre los
parámetros estimados usándola y los de la
verdadera población.
En el cálculo del error intervienen:




Tamaño de la muestra
Varianza poblacional
Nivel de confianza
Tipo de muestreo
Margen de error admisible



Los incrementos en el tamaño de la muestra
repercuten en una mayor precisión y por
consiguiente en menor error muestral.
El error muestral interviene en el cálculo del
tamaño de la muestra solo si el diseño es
probabilístico.
En el MP el investigador fija el error máximo
admisible a priori y sobre esa base realiza el
cálculo del tamaño de la muestra.
Errores Sistemáticos


Modo de elección defectuoso de una muestra que
hace que ésta no sea representativa.
La dependencia del método de muestreo de una
característica de las unidades del universo a elegir.

Ej. Ello puede llevar a una hiper/sub-representatividad de
la muestra. Este sería el caso de un muestreo aleatorio
sistemático realizado cada cinco elementos, cuando en la
base de la muestra también uno de cada cinco son
individuos con una característica determinada.
Errores Sistemáticos



Las tendencias subjetivas conscientes o
inconscientes del investigador.
Sustituciones, según criterio propio del
investigador, de unidades de la muestra que
habían sido elegidas al azar.
Insuficiente observación del conjunto de la
muestra, que lleva a atenerse a los primeros
resultados.
Tamaño de la muestra vs. Error muestral
Nivel de Confianza en la estimación

Expresa el grado de probabilidad que el
investigador tiene en que su estimación se
ajuste a la realidad.
Cálculo del Tamaño de la Muestra *

n=Z2 pq/ e2

Z2 = puntuación
correspondiente al nivel de
confianza elegido. Por
ejemplo, para un riesgo de 5%
(Z = 1.96)
Probabilidad de que la
característica buscada se
encuentre en la muestra
Q: Probabilidad de que la
característica buscada NO se
encuentre en la muestra
P:
* Para poblaciones infinitas (mas de 100.000 elementos)
Ejemplo del cálculo del tamaño de la
muestra (población infinita)

Estimando qué proporción de sujetos poseen
una característica al nivel de confianza del
99.7% (Z=3) y un error de admitido del 2%,
será:
32*50*50
n = ------------------- = 5625
22
POR QUÉ P y Q valen 50 % ?
Calculo de Tamaño de la Muestra para
poblaciones finitas.
Z2 * p * q * N
n = -------------------------e2 (N-1) + Z2 p q

Ej. El número óptimo para un
estudio de 60.000 personas
estableciendo un nivel de
confianza de 95.5%, y el
margen de error en el 3%,
sería

4 * 50 * 50 * 60.0
n = --------------------------------9 (60.000-1) + 4 * 50 * 50

n= 1091
Tipos de Muestreos
PROBABILÍSTICOS
•Cada unidad tiene igual
probabilidad de participar en
la muestra.
•La elección de cada unidad
muestral es independiente de las
demas
•Se puede calcular el error muestral
NO PROBABILISTICOS
•Cada unidad NO tiene igual
probabilidad de participar en
la muestra.
•No se puede calcular el error
muestral
•Alto riesgo de invalidez
producido por la introducción de
sesgos
•Mas fácil de ejecutar
•No precisa de un marco muestral
Usos de cada tipo de muestreo
Muestreo Probabilísticos


Estimación de
Parámetros
Comprobación de
Hipótesis
Muestreos No
Probabilísticos
 Estudios Pilotos
 Estudios Cualitativos
 Investigaciones en
poblaciones de difícil
registro y localización
( Ej. Marginales,
prostitutas, enfermos
de VIH, etc…)
Tipos de muestreos Probabilísticos





Simple
Sistemático
Estratificado
Por Conglomerados
De rutas aleatorias
Tipos de muestreos NO Probabilísticos




Por Cuotas
Estratégicos
“Bola de Nieve”
ES ESTE CURSO NOS DEDICAREMOS A
LOS MUSTREOS PROBABILÍSTICOS, POR
RAZONES DE TIEMPO!
Muestreos Probabilísticos: Simple


Se realiza utilizando un generador de
números aleatorios.
Supone que cada miembro de la población
tiene un número que lo identifique y mediante
el cual puede ser elegido si ese número
“sale” en el generador de números aleatorios.
Muestreos Probabilísticos: Simple

Ventajas


Facilidad en los cálculos
estadísticos
Elevada probabilidad de
lograr equiparidad entre
las características de la
muestra y las
correspondientes a la
población




Desventajas
Cada que cada
miembro de la
población pueda ser
identificado
complicado en
poblaciones elevadas
Alto costo
Muestreos Probabilísticos: Muestreo
Aleatorio Sistemático
Similar al muestro simple salvo que:

Solo la primera unidad de la muestra se elige al azar
siempre que el número seleccionado sea mayor que el
coeficiente de elevación.
1.

Coeficiente de Elevación = N/ n

2.
Donde

N: Tamaño de la población

n : Tamaño de la muestra
Los restantes elementos de la muestra se hayan
sumando, sucesivamente el coeficiente de elevación.
Muestreos Probabilísticos: Muestreo
Aleatorio Estratificado


Presupone el conocimiento de las
características de las unidades que forman la
población para poder dividirla en grupos
( estratos)
Se eligen los miembros de la muestra en
cada estrato creado siguiendo algún tipo de
muestreo de los vistos anteriormente.
Muestreos Probabilísticos: Muestreo
Aleatorio Estratificado cont…


El objetivo de este tipo de muestreo es garantizar la
representatividad equitativa de los estratos ( que
implica representación equitativa de las
características de la población).
Se logra si:



Son máximas las diferencias entre los estratos
Son mínimas las diferencias entre los miembros de un
mismo estrato.
Los criterios de división de la población en estratos se
hallen relacionadas con los objetivos de la investigación.
Muestreos Probabilísticos: Muestreo
Aleatorio Estratificado cont…


Los criterios de estratificación más comunes
son: edad y sexo.
Otros criterios pueden ser : nivel
educacional, nivel socioeconómico, raza, etc.
Muestreos Probabilísticos: Muestreo
Aleatorio Estratificado cont…

Los tamaños de cada estrato pueden ser:



Los mismos ( Afiliación simple)
Proporcional al peso relativo del estrato dentro de
la población (Proporcional)
En función de la heterogeneidad de cada estrato (
Optima)
Representatividad de la Muestra


La representatividad es la característica más
importante de una muestra.
El muestreo adquiere todo su sentido en
cuanto que garantiza que las características
que se quieren observar en la población
quedan reflejadas adecuadamente en la
muestra
Problemas de Representatividad

Si no se ha logrado representatividad en una
o varias variables, el investigador tiene dos
opciones:


a) trabajar con la muestra no representativa y
contar con ese límite
b) seleccionar más elementos de la población,
con la esperanza de que una muestra mayor sí
sea representativa, aunque el estudio tenga una
muestra mayor de buscada inicialmente.