SESIÓN 14: Universo, población y muestra — Transcript

Sesión 14 del curso sobre universo, población y muestra en investigación, con enfoque en conceptos y errores comunes.

Key Takeaways

La selección adecuada de la muestra es crucial para la validez y la interpretación de los resultados.
No todas las investigaciones buscan generalizar; algunas se enfocan en casos particulares.
La transparencia y claridad en la delimitación de la población y muestra permiten la crítica y réplica.
Los diseños experimentales priorizan la validez interna, mientras que la validez externa suele ser menor.
La muestra debe estar alineada con los objetivos y el tipo de investigación (cuantitativa o cualitativa).

Summary

Introducción a la importancia de entender universo, población y muestra en investigación.
Diferencias conceptuales entre investigación cuantitativa e cualitativa respecto a la muestra.
Errores frecuentes en la selección y reporte de muestras en artículos científicos.
Importancia de delimitar claramente la población y justificar la selección de la muestra.
Discusión sobre validez interna y externa en diseños experimentales y no experimentales.
Ejemplos prácticos y recomendaciones para evitar sesgos en la selección de muestras.
Diferencias en la presentación de la muestra según disciplinas como medicina y psicología.
Relevancia de la muestra en función del objetivo de la investigación, ya sea generalización o estudio de casos particulares.
Explicación de métodos probabilísticos y no probabilísticos para la selección de muestras.
Invitación a la participación activa y resolución de dudas para profundizar en el tema.

Chapters

Full Transcript — Download SRT & Markdown

Speaker A

Entonces, bueno, buenas noches nuevamente para todos. Bienvenidos al encuentro que tendremos hoy, la sesión número 14 del curso que están llevando hasta ahora. En primer lugar, entonces, agradecerles a todos ustedes la comprensión de que hayamos reprogramado el día de ayer a hoy. Eh, y bueno,

Speaker A

esperemos que hoy sea una sesión útil para todos. La sesión que tenemos hoy es una sesión interesante por varios motivos. Creo que la primera y fundamental es que es un tema relativamente sencillo. Si ustedes leen un manual y por ejemplo hoy nos

Speaker A

basaremos mucho en el de Hernández Sampier y colaboradores, que es un texto bastante básico con algunos errorcitos, pero muy útil porque te muestra el esquema, insisto, verán que es un tema relativamente sencillo en términos conceptuales.

Speaker A

No obstante, curiosamente es uno de los temas en donde más errores se suele cometer en investigación y es muy usual verlo en artículos publicados donde la muestra que tienen o no corresponde a los objetivos o no respalda las

Speaker A

interpretaciones, los resultados, la discusión que ofrecen. Entonces, eso es un reto muy interesante y pues, perdón, afortunadamente somos pocos, entonces la verdad me gustaría mucho que sea una sesión no tanto conceptual, que obviamente tendremos que ver y dejar los

Speaker A

conceptos claros para quienes no los tengan, pero ante todo de conversación de las dudas que ustedes tengan sobre este tema, aprovechen a preguntarme que no solo pues llevo tiempo en investigación, sino que es un tema que me ha apasionado, que le he pensado y

Speaker A

que en principio uno puede tener un poquitico más de trayecto para que ustedes entiendan mejor algunas cosas que tal vez no están claras. ¿Listo?

Speaker A

Entonces, la idea es la siguiente. Yo voy a ir avanzando en esta primera parte donde les contaré como a grosso modo eh los conceptos que en principio espero sean comprensibles, pero luego el reto que iremos teniendo es que cuando

Speaker A

ustedes tengan preguntas me pueden detener, levantan la mano para los que conozcan cómo funciona aquí la plataforma, pues ahí ponen participar o pueden activar el micrófono y me preguntan. Yo igual les preguntaré por momento si vamos claros, pero me

Speaker A

interesa mucho, mucho, mucho que piensen en esta sesión más como una conversación que como una presentación magistral, porque de nuevo es un tema relativamente sencillo, pero muy importante. ¿Listo?

Speaker A

Entonces, ¿qué es lo que ustedes llevan hasta ahora? Ustedes ya han recorrido desde el primer momento donde uno tiene una idea sobre un tema que quiere conocer, que quiere investigar, comienza a leer antecedentes, se da cuenta lo que

Speaker A

ha dicho Juanito, lo que ha dicho Pepito, comienzan a organizar todo eso y se dan cuenta de, "Venga, hay un vacío, el problema de investigación, esto no sabemos qué es. Vamos a intentar responderlo." ¿Cómo respondemos? Bueno, construimos un diseño, sea cuanti, sea

Speaker A

cuali, y buscamos la forma de construir, una forma de preguntarle al mundo para entender mejor un pedacito.

Speaker A

Constante no es un trabajo en solitario, exceptuando las veces documentales que en este momento estamos más orientados a las empíricas, la investigación usualmente en la gran mayoría de campos siempre es con otras personas y eso plantea un reto adicional

Speaker A

porque las personas hacen parte tanto del diseño como de los resultados. Y esto es curioso. Si ustedes eh son de diferentes disciplinas, podrán notar que los artículos cuando se publican tienen una estructura diferente con en las muestras. Por ejemplo, tengo entendido

Speaker A

que en medicina la muestra suele reportarse en los resultados, es parte de los resultados con los que se trabajaron, pero por ejemplo en psicología la muestra hace parte del método, lo reportamos, es de primeritas en eh este apartado.

Speaker A

Las razones son variadas, pero en función de la misma con el mismo argumento y es la investigación se hace con personas, no en personas, sino con ellas. Y esto usualmente aplica a la gran mayoría de campos que tengo

Speaker A

entendido pertenecen a ustedes. Está educación, está derecho, está medicina con Agustín, que creo que bien está. Eh, y en ese sentido, ¿con quién vamos a trabajar es fundamental?

Speaker A

Es tan fundamental que te cambie el diseño, que te puede cambiar los resultados, que te cambie la interpretación, que te limita lo que puedes decir, que altera la interpretación. Y en ese sentido, entonces este momento, como les digo, es

Speaker A

muy sencillo en principio, pero tiene mucho valor y hay que aprender a pensarlo. Una de las primeras cosas difíciles para quien se acerca y lee artículos o textos sobre selección de la muestra tiene que ver con que cuando se

Speaker A

habla de selección de la muestra suele hablarse como de un enfoque cuantitativo. Noten, por ejemplo, como Jampier y colaboradores, permite acá afirman lo siguiente sobre la muestra.

Speaker A

Lo que ellos dicen es, mire, toda investigación debe ser transparente, así como estar sujeta a crítica y réplica. Y este ejercicio solamente es posible si el investigador delimita con claridad la población estudiada y hace explícito el proceso de selección de su muestra.

Speaker A

Aquí esa afirmación que uno lee dice, "Sí, pues sí, obvio, ¿cómo no? No es tan así.

Speaker A

Sí, pero no así. ¿Cómo así? Definitivamente una buena investigación va a delimitar con claridad con quién trabajó y por qué trabajó con ellos y cuáles fueron sus criterios. Pero resulta que ustedes ya lo vieron la sesión pasada, no todas las

Speaker A

investigaciones, por ejemplo, están interesadas en replicar o no están interesadas en extender sus resultados a una población. Entonces, mucho de la lógica de selección de la muestra a veces se confunde porque se nos olvidan que podemos tener objetivos

Speaker A

distintos de estudio. Ya lo vieron la sesión antepasada conmigo, la sesión pasada con la doctora Fatia y por tanto voy a necesitar que hoy recuerden justamente la distinción que habíamos hecho entre cuanti y cui. Recuerden, básicamente lo que los diferencia es el

Speaker A

propósito último de conocimiento. En una, el objetivo es conocer el fenómeno, las regularidades, cómo funciona y en el otro es conocer casos puntuales, particularidades. Entonces, claro, si ustedes lo notan, con quienes trabajamos tienen dos propósitos diferentes, si estoy en el ideográfico o si estoy en el

Speaker A

mismo técnico. Si estoy en el ideográfico, la muestra es mi fin último, yo quiero conocer a mi muestra.

Speaker A

Ya. Entonces, el concepto de muestra incluso a veces no tiene sentido porque no estoy muestreando de una población, estoy pensando este caso, esta comunidad, este conjunto de individuos, esta gente que está reunida por una característica particular que amerita

Speaker A

conocerlos a ellos, no para pensar a la población en general, no para pensar las personas que han vivido cosas similares, no es para pensarlos a ellos. Entonces, la muestra no busca ni que sea replicable ni que sea generalizable. Eso

Speaker A

no esos criterios. En el hipotético nos pasa algo parecido. Ahí la cuestión es que vamos a tener las dos divisiones que mencionamos la sesión conmigo. Hay una estrategia experimental y una estrategia no experimental. Curiosamente, la estrategia experimental se parece más a

Speaker A

la idea, la estrategia experimental, como vimos, lo importante es la validez interna, es decir, la confianza que tengo de que lo que estoy viendo sea por lo que yo hice. Y esa confianza muchas veces está en detrimento de otra que es

Speaker A

la validez externa, que es justamente la que vamos a estar hablando en un momento, y es que tanto puedo extender mis resultados a nuevas investigaciones, a nuevas poblaciones, a nuevos escenarios.

Speaker A

Los experimentos suelen tener más bien baja validez externa y aumentan la validez interna. Por lo tanto, la selección de la muestra a veces en esos escenarios suele priorizarse en términos como la investigación ideográfica y eso confunde un montón de gente. Muchas

Speaker A

veces les llama la atención porque la investigación experimental y la idea, comparten mucho. Por ejemplo, seguramente ustedes hablaron la sesión pasada con la doctora Katia de los diseños de caso único, pero hay diseños de caso único cualitativos y hay di...

Speaker A

de caso único experimentales. y en acosarios la muestra puede ser una persona, pero el análisis entonces de ahí es el mismo. Quiero conocer a esta persona y ver qué pasa con esa persona.

Speaker A

Lo que los va a diferenciar es que en el videográfico es por conocer esa persona.

Speaker A

En el experimental va a ser por entender una regularidad con esta persona que pueda extender a otras. Entonces, aquí vamos notando lo retador, también lo chévere, un año año con esos temas de cómo pensar la muestra, con quién voy a

Speaker A

trabajar no es un asunto menor, pero una gran diferencia que va a marcar cómo hago los objetivos, las formas de muestrear tiene que ver con para qué necesitas a estas personas. Entonces, como les digo, curiosamente mucho de la

Speaker A

que es explicación usual de los libros de la la selección de muestras corresponde a la lógica que ustedes tal vez ya conocen de la diferencia entre unidad de análisis, población, muestra.

Speaker A

La unidad de análisis también se llama universo, a veces también se llama población mayor. Hay diferentes formas de llamarlo. Ya vamos a ver de qué trata.

Speaker A

Y esta lógica que estamos viendo, ojo, aplica a la lógica noética, pero ya no ni a la experimental ni a la idea, sino a la no experimental. Resulta que como la investigación no experimental no tiene control sobre la situación, lo que

Speaker A

le apuesta es poder captar la regularidad del fenómeno y para eso suele buscar tener muchos datos.

Speaker A

Entonces, claro, si yo voy a a tomar una foto, quiero tomar una foto con tanto detalle que pueda captar cómo funciona esto, no sea que me equivoque y le tome foto solo un pedacito y ese pedacito no me hable de la totalidad. Entonces, ahí

Speaker A

es una preocupación por la generalización y eso se entiende muy bien con esto que estamos viendo acá.

Speaker A

Esto también es útil para entender las estadísticas descriptiva diferencial que verás más adelante. Entonces, ¿cómo funciona este concepto? y que quede muy claro para todos y ya les pregunto si vamos como claros hasta acá. Primero, una primer concepto clave que en San

Speaker A

colaboradores es con unidad de análisis, pero en otro se llama universo, tiene que ver con lo siguiente y es un criterio más bien conceptual.

Speaker A

Básicamente una primera cosa que uno tiene que definir es con quiénes podría trabajar. Entonces, puede ser que yo esté interesado en estudiantes universitarios. Eso es una un grupo de investigación bastante frecuente. Muchos deben estar acostumbrados a hablar sobre

Speaker A

ellos. Bueno, ¿quién es un estudiante universitario? Pues literalmente una persona que está matriculada en una universidad, sea pública o privada, en una carrera particular.

Speaker A

Eso es mucha gente. Esa definición más bien en abstracto, es muy importante porque va a ir orientando con quién vamos a trabajar y ahorita vamos a profundizar un poquitico en esto, pero la población, como pueden ver en el en el dibujo, es básicamente todas

Speaker A

las personas fácticas reales con las que podría trabajar. Ojo ahí el concepto. Entonces hay una abstracción de las características y la población finalmente es todas las personas que podrían estar ahí. Pero aquí lo interesante entonces es que mientras que el universo suele ser

Speaker A

abstracto, no lo delimito, digo estudiantes universitarios, ya la población me lleva a una delimitación espacial territorial temporal por ejemplo, estudiantes universitarios de la Universidad de Antioquia a la que yo pertenezco, y de 2012 a 2022, mire, pum, ya eso delimita una población fáctica.

Speaker A

La cuestión es la siguiente. Cuando tenemos ya esa población, la pregunta es, ¿será que yo podría hacer una investigación con todos los estudiantes de la Universidad de Antioquia 2010 a 2012 a 2022?

Speaker A

10 años. Es una universidad bastante grande para los que no la conocen. Pucha, sería muy difícil. La gran mayoría de estudios no tienen los recursos ni el objetivo de tratar con la población. No es posible. Las únicas investigaciones que cumplen con ese

Speaker A

criterio son los censos y piensen que eso está a cargo de los estados porque es muy masivo, es un gasto enorme de recursos. Entonces, lo que se ha visto es, no, no, no podemos trabajar con toda la población, sino entonces de todo ese

Speaker A

grupo de gente que cumple con esos criterios, vamos a un pedacito, una muestra que es la que estamos viendo ahí en la imagen. Qué pena que no estaba como señalando, pero creo que me están siguiendo, ¿cierto? Que la imagen es

Speaker A

bastante clara. Entonces, claro, tengo un montón de estudiantes, pero voy a elegir unos cuantos. Esos unos cuantos son muy importantes porque son los que voy yo a ver explícitamente para poder pensar el fenómeno. Ojo que estamos hablando de nunógica, no hipotética,

Speaker A

cuantitativo. Estos que estoy viendo los escojo, no porque me interesen ellos. Creo que alguien tenía micrófono activo, no sé si van a preguntar algo o se activó.

Speaker A

Sí, por ahí hay. Esperen que se le activo el micrófono. Tururu. ¿Quién será? Eh, Harold, te voy a a bajar el micrófono por ahora si hay preguntas. Profesor, ese audio está abajo. No sé si es mi teléfono, pero

Speaker A

está abajo. Se escucha abajo. En mío. Los demás se escuchan bien o como Saúl se está escuchando bajito.

Speaker A

Yo se escucha muy bien. Okay. Saú, puede ser tu tu. Ah, se escucha, profesor. Listo. Perfecto.

Speaker A

Entonces, bueno, vamos. Eh, se escucha fuerte, pero con eco. Permítame, voy a cambiar de micrófono a ver si eso puede mejorar un poquitico la situación.

Speaker A

Listo. Entonces, ya ahí con ese se escucha un poco mejor. Espero que sí y se pierda un poco el eco.

Speaker A

Entonces, bueno, voy avanzando y me confirman. Entonces, para ya redudiar y me cuentan si atendieron o no. En la lógica nomotética, recuerden, me interesa conocer el fenómeno y por tanto cuando quiero enfrentarme a él, lo mejor sería poder ver todo el fenómeno. Pero

Speaker A

es que no nos da la vida, no hay tiempo, no hay recursos, no no y además no es necesario. Entonces, ¿qué hay que hacer?

Speaker A

Cogemos una muestra, cogemos un grupo de todas esas personas que eh pueden cumplir con los criterios. Pero, ¿cuál es la cuestión? que en este caso la muestra no me interesa en sí mismo. La muestra busca ser representativa de la

Speaker A

población y eso implica un reto enorme porque entonces es cómo elijo a las personas que puedan representar a todo el nombre. ¿Cómo hago para que estos sujetos de acá me hablen de todos estos que están por acá que se parecen mucho,

Speaker A

pero también me hable de estos por acá que están solitos, que son muy diferentes del resto, y de estos poquitos que se parecen entre sí, pero son poquitos.

Speaker A

Tengo que buscar una forma de representar el la población y ese es el reto de la muestra. Porque, ¿cuál es el problema? Si yo cojo a estos poquitos, imagínense las conclusiones que saque, solo podría hablar de ellos, pero

Speaker A

usualmente vemos investigaciones que hablan de todo el mundo, como si eso fuera extensible y decimos, "No, tú tienes un grupo muy particular, ellos no te hablan sino de estas personas." Ah, okay, interesante. Pero, ¿qué pasa si cogemos a todos estos y cogemos solo

Speaker A

personas de este grupo de acá? Bueno, puedo hablar de una gran cantidad porque miren que son muchos los que están en este grupo, pero no voy a poder hablar de ninguno de estos otros grupitos chiquitos o incluso de este

Speaker A

otro grupo grande que estamos viendo acá. Entonces, el reto fundamental en este caso de lo importante para que vean el muestreo en la lógica no es cómo hago para que con las personas que yo voy a trabajar me permitan pensar el general a

Speaker A

la población, al fenómeno en sí mismo. Noten que esa lógica y esa pregunta, esa preocupación no es la que le toca a la investigación cualitativa. Ahí es otra.

Speaker A

también tiene un reto muestreo que ya vamos a hablar, pero en este caso, en este primer momento vamos con estos conceptos que son claves, que son parte del objetivo de nuestra sesión y veamos si ha quedado claro. ¿Listo? Entonces

Speaker A

les pregunto, sea por chat o quieran que participar, ¿es claro estos conceptos? ¿Se entiende la lógica entre ellos o hay alguna duda o pregunta?

Speaker A

Por ahora nos dice que se escucha mejor. Perfecto. Eh, sí, sí, está claro. Sí, está claro.

Speaker A

Este, eh, yo quiero participar allí un poco. Este eh considero que la el universo pues eh o población es la totalidad de individuos o fenómenos, situaciones que se presentan y dado que hacer una investigación a nivel tom considerando el universo, la

Speaker A

población implicaría mucho costo, tiempo y pues no no sería y adecuado. Por lo tanto, se recurre a lo que es eh determinar una muestra representativa a partir de la población y considerando que la población es un subconjunto de la población que tiene que tener las

Speaker A

características de la población donde podemos incluir posiblemente allí ciertos criterios de inclusión y exclusión en un momento dado, pero la característica de la muestra representativa sí tiene que ser que eh que esos elementos representen a las características de la población para que

Speaker A

no haya sesgos en en el en la investigación finalmente, ¿verdad? Nada más. Super bien. Ahí vemos que Juan José la tienen bastante clara y nos tienen que mencionar dos conceptos importantes que lo haremos ahorita, que es el criterio

Speaker A

de inclusión y de exclusión. Eso es clave, pero reitero, miren, que toda esta lógica tiene que ver con que queremos representar un general, un montón de gente que no podemos ver un fenómeno más amplio de lo que estamos

Speaker A

viendo acá. Esa preocupación no está en la investigación eh cualitativa. Allá es otra pregunta con el muestreo. Listo, que eso esté claro por ahora, pero bien.

Speaker A

Gracias, Juan por participar. Eh, no sé, los demás vamos claros. Yelmo nos dice que no se escucha bien, pero en principio parece que ya mejoró para la mayoría. No sé si puede ser ya un caso particular de en caso tal de que no nos dice si

Speaker A

miramos. Listo. Entonces, si vamos claros por ahora hasta aquí no tienen dudas. Vamos entonces a comenzar a avanzar un poquitico con esa primera idea como del universo grande que ahora que lo recuerdo también eh Juan José mencionó un concepto importante y es que la

Speaker A

población universo básicamente son subpoblaciones y es ir delimitando. Recuerden lo que decíamos, la unidad de análisis del universo pueden ser estudiantes universitarios ahí hay gente, pero ah venga estudiantes universitarios en la Universidad Antioquia en Colombia, bueno, hay mucha

Speaker A

gente pero hay menos. es una subpoblación, se va delimitando un poquito más. Eso justamente es uno de los retos importantes porque no es lo mismo yo querer investigar con estudiantes universitarios para conocer la dinámica de la Universidad de

Speaker A

Antioquia en Colombia o una universidad particular en Perú o una universidad de Chile. Son poblaciones distintas. a preguntar en general por el efecto de las universidades. Uy, ya eso es mucho más grande, no importa el país.

Speaker A

Entonces, esa delimitación justamente es clave e inicia con con quién vamos a trabajar. Justamente eso es lo que se busca con el concepto de universo o de unidad muestral. Básicamente es preguntarnos quiénes son esas personas que necesitamos pensar, sobre quién yo me

Speaker A

estoy preguntando algo, cuál es la regularidad. el fenómeno, el evento, la situación, como decía ahorita Juan José, que me interesa captar y eso justamente depende de tu planteamiento del problema, del tipo de diseño que hayas elegido, de tu objetivo. Y por tanto,

Speaker A

ojo, acá viene el reto porque es que a una misma pregunta, a un mismo planteamiento, con un mismo diseño, yo puedo elegir unidades muestrales distintas y responder de forma diferente. Entonces, por ejemplo, eh este caso es muy diciente. Uno puede

Speaker A

decir, "Venga, yo quiero estudiar cómo los niños usan la televisión. Quiero conocer ese fenómeno. ¿Cómo es el uso de la televisión en niños?" Entonces, la pregunta es, ¿con quiénes puedo trabajar? ¿Con quiénes podría investigar para ver eso?

Speaker A

Una forma rara e rápida, perdón, de responder es pues con niños. Okay. Sí, claro. Puedo para ver cómo usan los niños la televisión, pues trabajar con niños. ¿Qué tendríamos que hacer ahí? Bueno, resulta que si son niños pequeños de tr a 6 años, tal vez

Speaker A

entrevistarlos, preguntarles, no me sirve mucho. ¿Tú ves mucha televisión? Sí. ¿Cuánto es mucho? Mucho.

Speaker A

Ah, y vamos a ver y ve 2 horas al día. Bueno, está en este nivel, pero no le da para reportar probablemente eso.

Speaker A

Entonces, con los niños tal vez no me sirve hacer encuestas, entrevistas, aplicar instrumentos. Me toca más bien optar por otra lógica. Me toca observar el comportamiento. Tengo que ver los niños cómo se comportan, cómo usan la televisión, cómo se están en la

Speaker A

situación, se vinculan mucho, se dispersan. Qué bien. Ya es la observación en directo, es mucho más informativo con niños.

Speaker A

Pero es que resulta que yo puedo investigar esto no solo con niños, yo puedo investigarlo con los padres y venga a los padres ahora sí le puedo hacer entrevistas y ahora sí les puedo preguntar, les puedo pedir que me

Speaker A

relaten sin tener que ver directamente al niño. No es la misma información, no es la misma investigación, pero como si lo notan finalmente la lógica es diferente y por elegir dos muestras distintas, ya mi diseño, los instrumentos que uso, las mediciones que

Speaker A

realizo, la lógica con la que investigo cambio. Entonces, ah, qué interesante, porque no basta pensar todo lo que hemos pensado hasta ahora, todo lo que han visto en el curso. Cuando elijo a la persona con la que voy a trabajar, ya me

Speaker A

estoy comprometiendo con formas disponibles de investigar y con otras no. Y justamente por eso les decía, es muy fácil hablar de esto. Estos conceptos son muy sencillos, pero en la práctica ya hacerlo es otra cosa porque me puedo confundir. Eso pasa cantidad de

Speaker A

veces. Eh, hace un tiempo con una estudiante que me contaba sobre su trabajo de grado, eh la investigación era sobre el placer sexual en mujeres, era sobre la experiencia que tení las mujeres en el encuentro sexual. Cuando uno piensa una

Speaker A

investigación de ese tipo, pues la unidad muestral es muy clara. ¿A quién quién puede reportarnos sobre la experiencia del placer sexual en mujeres?

Speaker A

mujeres. Curiosamente, la investigación trabajó con hombres, pero ojo, eso no está mal, pero es otra investigación. Ya no es placer sexual en mujeres, es la percepción de los hombres del placer sexual en mujeres. Me cambia radicalmente mi investigación. No es lo

Speaker A

mismo, no es la misma lógica. Pero el investigador en ese caso no se daba cuenta de que la muestra que eligió no correspondía con los objetivos que estaba buscando. Y claro, al final la conclusión de esa investigación fue se

Speaker A

necesita preguntarle a mujeres como su empresa. Claro, si tu objetivo era dar cuenta de esa experiencia era con ellas las que había que trabajar, no al revés.

Speaker A

Entonces, ojo con esto que insisto, es el primer momentico importante con quien decidan trabajar va a delimitar mucho de lo que ustedes van a poder hacer en la investigación. ¿Listo?

Speaker A

Entonces, en ese sentido, ese es el primer paso. Cuando ustedes están imaginándose su investigación, ¿con quiénes están imaginando que pueden trabajar? Y ahí es donde viene lo que les decía con eh el uso de las inteligentes artificiales. Aquí ya el

Speaker A

promp como tal, ahorita les voy a mostrar uno para una cosa concreta que sirve mucho, pero el resto acá el prom es preguntarle que te ayude a pensar con las opciones que tenemos ahora, pero no hay un pron

Speaker A

estás planteando, de los objetivos, de lo que quieres hacer, puedes construir dos investigaciones muy diferentes. Lo importante acá es que entendamos eso, que depende con quién trabajas cambia mucho la cosa. ¿Listo? Entonces, justamente por eso es que veníamos de

Speaker A

esto. El primer paso es elegir el universo o elegir la unidad de análisis. ¿Quiénes son esas personas en abstracto que pueden participar en investigación?

Speaker A

niños, padres, pero no puedo también trabajar con individuos, puedo trabajar con organizaciones, puedo trabajar con comunidades, podemos, como decía Juan José, buscaré situaciones, no me interesa la persona como tal, sino las personas que tuvieron una situación particular. Donde ocurra la situación,

Speaker A

ahí voy yo. Bueno, ¿qué tipo de situación voy a buscar? Por eso, ese es el primer paso. ¿Con quién pienso trabajar?

Speaker A

La cuestión. Entonces, como les decía, el paso del universo a la población tiene que ver con, okay, ya sé con quién, con niños, okay, y cuáles niños son los que me interesan. ¿Cuáles son esos niños que me interesa conocer su

Speaker A

uso de televisión? ¿Cuáles son los estudiantes universitarios que me interesan a mí estudiar? ¿Cuál es el fenómeno? ¿Cuál es el caso concreto? Eso es lo que llamaba Juan José su población. es la deliminación de cuáles son esos casos concretos que me

Speaker A

interesan estudiar, esas características específicas que yo quiero conocer. Ahí es donde aparece el siguiente aspecto clave. Espérenme que aquí no me está avanzando ya. Ahora sí, que tenemos que preguntarnos qué es lo que está pasando aquí con la población, cómo vamos a

Speaker A

lidiar con ella. ¿Listo? Y ya dependiendo de la población pasaremos justamente al muestreo. Entonces ya volveremos acá. Entonces vamos acá. Segundo paso fundamental delimitar esa población.

Speaker A

Como les decía, ya tenemos claro con quién vamos a trabajar. Así miren, queremos estudiar con estas grupo de personas. Perfecto. ¿Sobre quién yo voy a pensar esto de acá? Por eso, de nuevo, la definición más técnica y sencilla que

Speaker A

les puedo dar es justamente esta. Hay muchas, pero creo que esta deja muy claro. Es todos los casos, ojo, que concuerdan con unas características específicas, unas especificaciones. Por eso el concepto de delimitar es tan importante, porque no es lo mismo de

Speaker A

nuevo hablar de estudiantes universitarios que estudiantes universitarios en cierta universidad. O puedo decir estudiantes universitarios en universidades públicas. Ah, okay, eso es distinto. Hago estudiantes universitarios en sus primeros semestres o estudiantes universitarios que estudian y trabajan. Miren que yo puedo

Speaker A

poner muchas características, pero cada una de esas características me constituye un escenario muy diferente, una investigación distinta. Por eso lo que usualmente fallan las investigaciones cuando uno leen los artículos, se lee el método, es que no se explicitan esas características, eso

Speaker A

que está muy ausente en la gran mayoría de investigaciones. Y el problema entonces está que cuando leemos los resultados, cuando leemos las conclusiones, no sabemos hasta dónde vamos a poder extender estos resultados porque la pregunta es, ¿con quién

Speaker A

trabajar? estudiantes de universidad pública privada hombres mujeres trabajadores de una carrera particular, de muchas carreras al inicio, al final, porque dependiendo de eso yo puedo extender a una población o a otra. Ese es el punto clave. Entonces, justamente

Speaker A

esa es la dinámica que ustedes tienen que apoyarse y pensar bien con CHP o con o la inteligencia artificial que ustedes quieran usar. La pregunta de la delimitación, las inteligencias artificiales ayudan muy bien porque te van a hacer preguntas para tú

Speaker A

delimitarlo. Entonces ahí lo útil es que ustedes le cuenten al inteligencia artificial como, mire, a mí me interesa estudiar este fenómeno y puedo estudiarlo en esta población, en esta gente, en los estudiantes de de la escuelita tal. Okay. Lo que le van a

Speaker A

pedir a la inteligencia es, "Hazme preguntas para yo delimitar lo más claro posible la población que me interesa." Y entonces la inteligencia lo hace muy bien. Les pregunta, "Okay, pero a ti te interesa el colegio o los estudiantes."

Speaker A

Ah, no, los estudiantes. Ah, okay, listo. ¿Y te interesa un grado particular? Sí, me interesa. Ah, okay, tal. Ah, no, no me interesa. Y con esas preguntas ustedes van diciendo, "Ah, claro, es que mi pregunta es más específica o mi pregunta es más

Speaker A

general." Ese punto clave es fundamental. Por eso justamente es el proceso que vamos a ver. Pero reitero, la invitación aquí es use la inteligencia artificial como una persona que les va a preguntar a ustedes. No le pidan que delimiten porque ella hará

Speaker A

delimitaciones genéricas bajo como lo que ella encuentre rápidamente, lo que lea, lo que revise, lo del campo, pero la delimitación la hacen ustedes sus objetivos, la pregunta, el planteamiento. Entonces, ¿cómo estamos viendo ahí? Listo. Le digo, "Mi unidad

Speaker A

son los niños, pero ¿cuáles niños? los de todo el mundo, los de Colombia, los de zona rural, los de zona urbana.

Speaker A

Entonces, claro, lo que hay que hacer y lo que un buen artículo hace, una buena investigación hace es delimitar.

Speaker A

Entonces, noten que acá eh en el pel colaboradores hacen esa delimitación, dice, "Miren, me interesa como población o no la muestra, aún estamos allá, todos los niños del área metropolitana de la ciudad de México en cuarto, quinto, sexto grado en escuelas privadas y

Speaker A

públicas, pero ojo, del turno matutino." Ah, okay. Entonces, en Ciudad de México hay muchos niños, esto, pero no todos los niños están estudiando. Le Ah, bueno, y de los que estudian no es que no me interesan todos los que estudian

Speaker A

me interan los que están en cuarto, quinto y sexto. Ah, okay. Pero espere, solo cuarto, quinto y sexto, pero de una tipo de estudio específico, no. Tanto privado, pero como público. Ah, okay. Y nada más. No, no, no, esperen, espera,

Speaker A

esperado y público, pero en el turno de la mañana, porque tal vez lo del turno de la tarde la dinámica es diferente.

Speaker A

Ah, perfecto. Cuando tenemos ya eso tan claro, pues entonces ya sabemos que no vamos a hablar de los que no estén en el área metropolitana, de los que no son estudiantes, de los que van el torno de la tarde o de los que están en grados

Speaker A

más pequeños. Todo eso queda excluido. Mis conclusiones, mi análisis, mi interpretación se va a dirigir a esa este grupo, no a otros.

Speaker A

Eso es fundamental, eso es un aspecto clave y lograrlo entender, lograr la delimitación de nuevo es un proceso difícil. usualmente eh toma tiempo y e implica más bien haber entendido muy bien sus preguntas, su investigación, su planteamiento, sus

Speaker A

objetivos y como les digo, usualmente uno no no la tiene muy clara y por eso es muy útil pedir la inteligencia artificial. Estoy buscando el ejemplo que ya ahorita les voy a mostrar de eh de estos errores. ¿Listo? Entonces acá

Speaker A

de nuevo, no solo el interés artificial, ustedes mismos pueden hacer ejercicio si tienen compañeros, tienen asesores. La pregunta es de de interrogarse y bueno, ¿y a quién te interesa? ¿Cuáles son las características? ¿Hay una en específico o hay una que no te importe? y con ese

Speaker A

juego se va delimitando. Pero en ese juego uno puede cometer varios errores. Hay unos que son muy usuales que vale la pena como advertírselos, que ustedes lo tengan relativamente presentes.

Speaker A

Entonces, ¿cuál es la dinámica de la población? Básicamente, como les decía ahorita con el verbo es delitar. Ah, bueno, pero espérenme un momentico, no sé, antes de de pasar de diapositiva, no, espéren los pongo a ustedes por si

Speaker A

hay alguna pregunta. No sé si vamos bien hasta acá. De nuevo, primero hay una definición conceptual, en la unidad muestral, la el universo, todos los niños pueden ser, pero luego toca delimitar, establecer fácticamente con quién vamos a trabajar y esa

Speaker A

delimitación se establece con las características que me interesan. Es lo que hemos dicho hasta ahora. ¿Es claro para todos? ¿Vamos bien? ¿Alguna duda, pregunta comentario?

Speaker A

Okay, muy bien, muy bien ah, perfecto, todo claro hasta ahora. Perfecto. Gracias, Juan, por la confirmación. Los demás, de nuevo, la idea es que acá sea más conversorio para quienes no lo tengan claro, porque son conceptos sencillitos. Avancemos

Speaker A

entonces. Como les decía, advertencias importantes de tres errores que suelen cometerse y que son frecuentes en investigación.

Speaker A

La dinámica que tenemos es esta. Ustedes tienen que hacer una delimitación, no nos da la vida, como bien conocí ahorita Juan también, para tratar todos los casos. es que es muy difícil, es costoso, es demorado y no es necesario.

Speaker A

Lo que hay que hacer es elegir bien con quién vamos a trabajar para pensar a todo ese mundo. Pero cuando estamos delimitando, cuando establecemos esas características, un primer error que podemos hacer es dejar por fuera casos que necesitábamos tener en cuenta, que

Speaker A

valía la pena estudiar porque me interesaba conocer esa dinámica. Entonces, pucha, venga, ¿cómo? ¿Cómo así? Piensen, por ejemplo, y para un ejemplo sencillo, ya luego lo vamos poniendo en casos, cuando uno les pregunte, ¿qué es una cerveza? Yo les

Speaker A

puedo decir, bueno, ¿qué es una cerveza? Y ustedes me pueden decir, ah, es una bebida alicorada. Ah, okay, sí, de acuerdo. Todas las empresas son bebidas alicoradas.

Speaker A

No necesariamente hay cervezas sin alcohol. Ah, fue pucha. Entonces no tiene alcohol, pero se les llama cerveza.

Speaker A

Tal vez esa no es la característica fundamental de la cerveza, no es que tenga alcohol.

Speaker A

Okay, toca pensar ese otra. Entonces, justamente es lo que está pasando acá. Uno de los errores más comunes es cuando no conozco a mi población. Por ejemplo, eh sucede mucho cuando se estudia, por ejemplo, población universitaria. Ah, quiere estudiar con estudiantes

Speaker A

universitarios de la Universidad de Antioquia. Ah, no, pero es de una sede particular de esta sede. Perfecto. Y van y recogen información y hacen su encuesta, aplican instrumentos, hacen la investigación, cogen los casos y por allá el tiempo se dan cuenta que en esa

Speaker A

sede hay modalidad virtual, pero además hay fines de semana. Pucha, esos también hacen parte de la población y no lo tuve en cuenta. Ya mi investigación no puede hablar de la población universitaria de esa ced porque no capté todos los casos que

Speaker A

debía haber tenido en cuenta. En lío, ahí se me baja la calidad del estudio, se me disminuye sobre quién puedo hablar y perdí el objetivo que quería, que era poder captar toda esta población. ¿Listo? Ese es un primer

Speaker A

escenario. Tengan mucho cuidado porque es frecuente. Que se nos olvide una característica de ojo que ese también va, ese también entra.

Speaker A

Pero al mismo tiempo una segunda dinámica puede ser que cuando estoy delimitando, espérenme, pongo acá el láser, cuando estoy delimitando incluya cosas que no son. Es el caso de la cerveza. Veíamos que decir que es bebida licorada, me deja por fuera cervezas,

Speaker A

pero también me incluye cosas que no son una cerveza, porque la cerveza no es la única bebida licorada que hay. Hay otros tipos de licores que nos observe eso.

Speaker A

Yo no tenía que haber metido esa gente y se me entró. Ah, fue el pucha que él vio porque entonces ya no estoy hablando de esto, estoy hablando de más cosas que tal vez no representé adecuadamente y por tanto

Speaker A

se me están mezclando. Una de las formas usuales tienen que ver cuando hacen estudios de encuestas. ¿Por qué? Ya ustedes lo saben, después de la pandemia realmente los métodos, los entornos virtuales se potenciaron y ya hoy cada día es más común, por ejemplo,

Speaker A

que se lance encuestas masivas para captar gente y que se interese por estudiar. Nosotros en un momento estuvimos haciendo investigación con eh hurto de motos aquí en la ciudad de Medellín y una de las formas que necesitábamos para

Speaker A

captar sobre el fenómeno usamos fueron varias investigaciones, fue una investigación con varios diseños, uno de ellos fue justamente el encuesteo y estamos buscando personas que manejaran moto al menos durante 5 años para diferenciar quiénes habían sido hurtadas sus motos y quiénes y hicimos una

Speaker A

invitación masiva. Pegamos pósters, contactamos universidades, repartimos entre personas conocidas, contactamos gente que tuviera que ver con el sector eh automotriz y tuvimos la precaución de que nuestra primera pregunta fuera una pregunta de filtro y es, ¿ha manejado usted toda la

Speaker A

invitación? A, eres conductor de moto, has conducido moto durante 5 años, los pósters muy claros, muy bonitos, la descripción, el título, todo eso era conductor de moto. Conductor de moto.

Speaker A

Pero ya uno conoce a la gente. Pusimos una primera pregunta y era, "Ey, ¿usted ha conocido moto durante los últimos 5 años en la ciudad de Medellín?

Speaker A

Tuvimos un 12% de unas 800 encuestas más o menos. 12% que decían, "No, era muy raro. ¿Por qué una persona que ve un anuncio de una investigación sobre motos que explícitamente dice si eres conductor de moto entra a responder una

Speaker A

encuesta donde no es conductor de moto. Es raro, pero tampoco tanto. Resulta que pedíamos justificar si no por qué, como llegó a la encuesta. Y parte de las respuestas tenían que ver, por ejemplo, que había gente de Manizales, de una

Speaker A

ciudad distinta a la que queríamos estudiar, pero como vivían estaban pasando por Medellín, vieron la invitación, entraron y luego dijeron, "Ah, pero es Medellín, no, no, no, yo no vané banca." Ahí logramos evitar meter gente que si no uno no presta atención habría

Speaker A

entrado. Pasa, por ejemplo, cuando uno tiene límites de edad. Uno dice, "Bueno, me interesa estudiar estudiantes de 23 a 28 años." Es esa población juvenil porque tiene una dinámica particular.

Speaker A

Pero es que hay estudiantes más jóvenes, hay estudiantes más viejos que pueden terminar interesándose y participar y si yo no veo, no identifico la edad, puedo estar metiendo casos que no son. y ya no puedo hablar de la misma manera con un

Speaker A

caso que con otro. Entonces, noten de nuevo ahí el reto que tiene este punto, pero resulta que es que uno puede cometer un tercer error aún más interesante y es que decimos, "No, claro, es que la cerveza no es eh simplemente una bebida

Speaker A

licorada. Realmente lo que caracteriza las cervezas es que son cebada de trigo. Es un tipo de bebida que se hace a partir de la cebada de trigo. Ah, okay, perfecto. Entonces, cuando definimos eso, resulta que hay otros derivados del

Speaker A

trigo que no son cerveza. Y entonces puedo, si no sigo delimitando con más claridad meter cosas que no son cerveza y que ni siquiera tienen que ver con eso. Puedo terminar eligiendo casos que no debería haber elegido. Entonces,

Speaker A

eso es interesante porque justamente plantea dinámicas que a veces uno se le pasa cosas obvias.

Speaker A

Por ejemplo, una investigación hace un tiempo que acompañamos de política, querían ver como justamente ir notando como qué factores estaban influyendo en la orientación política que tenían las personas al momento de votar, como hacia dónde estaban yendo, a que eran más

Speaker A

sensibles y comenzaron a hacer encuestas, recolectar información en la calle, comenzaban a ir a a diferentes universidades, a diferentes espacios, porque querían hacer como un tanteo muy masivo.

Speaker A

Resulta que cuando fueron a las universidades recolectaron un montón de información y nunca preguntaron la edad de los participantes.

Speaker A

Por allá el tiempo que nos pidieron apoyo porque estaban con dudas con algo, justamente preguntamos, "Okay, ¿y están delimitando por eh el el rango etario, pues las edades?" no no estamos preguntando edades, nos interesa esto.

Speaker A

Okay. Pero están yendo a colegios y universidades. Sí, sí. Ahí, ahí nadie ha ido superb, la gente superamable. Venga, pero ustedes saben que hay estudiantes que no son mayores de edad y si no es mayor de edad no va de parte de la

Speaker A

población porque no puede votar. Y en la investigación era cómo podemos votar, básicamente cuáles son los factores que influyen en el voto, en la perfección, en la preferencia, hacia donde estaban tendiendo y metieron gente que no podía votar, que no puede participar ahí.

Speaker A

El lío no funciona. Entonces, noten que eso es retador. Realmente no es tan sencillo y pasa mucho que uno termine haciendo cosas que no son. Entonces, aquí justamente les pongo ese ejemplo que es de los más dicientes. Entonces, la mejor manera de

Speaker A

evitar todos estos problemas de nuevo es ese momento de elegir adecuadamente cuáles son las características que me interesan y poder razonar el por qué. Si pueden hacer eso solos, genial, pero es que no estamos solos. Para eso la

Speaker A

inteligencia artificial nos puede ayudar y de nuevo nos ayuda en ese primer momento para pensar la población.

Speaker A

¿Listo? Entonces vamos dos momentos clave. Primero hay que elegir la unidad de análisis, el universo. Luego hay que delimitar la población con todas las características que van a permitirme saber hasta dónde puedo extender lo que me interesa. ¿Eso claro? ¿Dudas,

Speaker A

preguntas o vamos bien acá? Paso aquí con ustedes. Por lo vamos, perfecto, Juan. Vamos claros. Gracias por ahí por estar activo y participando.

Speaker A

Los demás espero que vamos bien. Entonces, claro, ya la cuestión es si ya tenemos las características muy bien delimitadas, ya lo que viene es elegir y muestro seleccionar con quiénes vamos a trabajar. Y aquí entonces viene la distinción fundamental que les decía

Speaker A

hace un momento. Ojo, en la investigación novotética cuantitativa, los casos que vamos a seleccionar nos interesa que sean representativos para poder hacer generalizaciones.

Speaker A

Lo que queremos es poder captar personas con ciertas características que nos permitan pensar las hipótesis de trabajo que tenemos para poder extenderlo a una población. Entonces, eso marca dos estrategias fundamentales. ¿Cómo garantizo representatividad y cómo puedo extender lo que veo en la

Speaker A

muestra a la población? Son dos puntos claves porque aquí me interesa la representatividad para poder generalizar, pero y ojo con este, pero en investigación ideográfica cualitativa, recuerden, eso no me interesa. Lo que me interesa acá y se me olvidó ponerle aquí

Speaker A

los rayoncitos, es captar a profundidad un fenómeno particular y aprender de él. Y aquí entonces ya generalizar no me interesa representatividad no funciona igual porque ya lo que me interesa es obtener información representativa del caso, no de la

Speaker A

población, no de un gente que no veo y por tanto la forma en que muestreo va a ser diferente. Entonces noten que aquí justamente se abren dos formas muy distintas. No puedo hacer muestreo de la misma manera si quiero buscar

Speaker A

representatividad para generalizar que si quiero buscar representatividad para profundizar. Ahí es donde se nos marca la diferencia y por tanto hay que pensar dos formas disciplinas de seleccionar la muestra. ¿Alguien se le activó el micrófono? No sé si quiere participar.

Speaker A

Catherine, ¿vas a participar o se te activo? Que pienses de más la manera en la que atacas.

Speaker A

Bueno, parece que se le activó. Ya. Entonces, volvemos acá a el punto. Ya tenemos el reto fundamental de estas son las características que me interesan.

Speaker A

Ahora tengo que un grupo de ese grupo. Entonces, miren que lo que decía finalmente Juan ahorita es el concepto.

Speaker A

Vamos cada vez delimitando es porque universo es una población, la población es una subpoblación y la muestra es una subpoblación de la subpoblación. Vamos cogiendo elementos chiquiticos para poder ver esas características. Pero este es el asunto. Necesitamos que ese

Speaker A

conjunto chiquitico sea lo más representativo de toda la población. De modo que no veo a la población, pero la veo. No sé si se entiende. Por eso es que se dice que las muestras deben ser representativas. Ahí es el esquema que

Speaker A

estábamos viendo. Entonces, noten que esa afirmación es curiosa porque dice deben ser representativas. Y la respuesta, recuerden, es no. En los estudios experimentales, por ejemplo, no necesariamente la representatividad es importante, pero hay que tenerla en cuenta. Entonces, el punto clave por

Speaker A

ahora que espero que quede para todos es con quién vamos a trabajar. ¿Para qué?

Speaker A

Para pensarnos el fenómeno si estamos en la lógica nomotética. Pero ahí entonces se nos abre una primera distinción fundamental que vale la pena que pensemos. Si lo recuerdan, en el en el escenario experimental les contaba, por ejemplo, que uno construye

Speaker A

grupos. Tener grupos de comparación es muy útil para poder hacer control. Tengo un grupo experimental, tengo un grupo control. En el caso de Agustín, por ejemplo, que puede ser que vea la grabación, puede ser que tenga estudiantes que participen en el

Speaker A

laboratorio y estudiantes que no participen para poder compararlos. Pero noten que eso implica que los estudiantes del grupo uno y los estudiantes del grupo dos pertenecen a la misma muestra. Son del mismo su grupo con las mismas características. Son

Speaker A

todos estudiantes de medicina que están haciendo sus prácticas en un hospital particular, que están en cierto nivel de la formación. Ah, okay. Miren, todos son del mismo tipo. Simplemente lo que pasa es que esa muestra los pongo en dos

Speaker A

grupos diferentes. Eso es una cosa y eso no es lo que estamos hablando hoy, porque lo que estamos hablando hoy es yo tengo una población, un grupo muy grande de personas y lo que me interesa es sacar una muestra, elegir un grupito de todo

Speaker A

ese grupo enorme. Miren que son dos cosas distintas. Lo que tenemos sobre la población y lo que tenemos sobre los grupos tienen nombres diferentes. En el caso de los grupos, eso se llama asignación. Lo que hacemos es asignar a

Speaker A

grupos, asigno de mi muestra a grupos. En el caso de la población, de ahí el nombre de nuestra sesión de hoy se llama selección. Selecciono de todo el conjunto de población como construir mi muestra. ¿Okay? ¿Qué es lo interesante

Speaker A

acá para hacer esta aclaración? Que las metodologías para hacer selección se comparten para hacer asignación. Son básicamente las mismas, aunque su propósito es diferente. Es muy importante que no se confundan. Acá selección de todas las personas, todos los casos con las características. Saco

Speaker A

casos representativos. Asignación. Con esos casos puedo conformar grupos si mi investigación me lo pide y tengo que buscar cómo asignar para que esos grupos sean ahora submuestras de la muestra que representen a la muestra que ambos grupos sean iguales. Entonces, miren que

Speaker A

es el mismo mundo solo que a dos escalas diferentes. ¿Listo? Pero como les digo, las estrategias son las mismas.

Speaker A

Básicamente tenemos dos tipos de muestreo. Hay lo que se llaman muestreos probabilísticos y por oposición muestreos no probabilísticos o dirigidos o intencionales. ¿Listo?

Speaker A

La elección de uno u otro depende de lo que hemos venido hablando. Si me interesa es hacer representación de una población más grande, hago un estreo probabilístico.

Speaker A

Si ese no es mi criterio, pues tengo entonces otro criterio que no es probabilístico, que no es representativo. Entonces, noten justamente que se nos separan. La investigación ideográfica cualitativa siempre usa muestreo no probabilístico.

Speaker A

Ahí no hay discusión porque para ellos la representatividad, la generalización no es importante. La investigación puede usar una o la otra, no es necesario, pero en principio tienden a buscarse probabilísticas porque nos interesa la representatividad. ¿Okay?

Speaker A

Con eso, claro, definemos entonces esto conceptualmente para que vean que es relativamente sencillo. Ya aquí empezamos justamente es como a jugar con los tipos. Recuerden, muy importante, estos tipos intenten verlos no como recetas o como camisas de fuerza, es que

Speaker A

toca hacerlo así, sino que es un pasito adelante que ya ha hecho la investigación. Es hemos aprendido que cuando te interesa hacer un estreo de cierto tipo, de ciertas características, puedes hacerlo así. o así y si lo hac

Speaker A

así, te puede servir así, así o así. Y si ha así, así, así o así. Son formas ya organizadas de pensamiento para que ustedes no tengan que hacer todo desde cero. Entonces, véanlo como ayudas de razonamiento.

Speaker A

¿Cómo funciona el concepto de muestreo probabilístico? tiene de base un asunto estadístico. El concepto de probabilidad aquí funciona en términos de la inferencia probabilística de qué tanto puedo yo hablar de que mi muestra tiene las características de la población. Eso

Speaker A

justamente lleva a el segundo concepto que tiene que ver con la probabilidad y es el contrario. Si algo no es probable, si algo es probable o no es probable, implica una configuración de cer o uno.

Speaker A

Pero los eventos pueden ser más o menos probables o pueden ser azarosos. Y cuando es azaroso, justamente entonces aquí viene y vemos que la probabilidad vuelve a parecer muy bonita y cuando resulta que hacemos azar se organiza probabilísticamente.

Speaker A

Eso no sé si me hacen sentido si me siguen fue de las cajas más bonitas de la aleatorización que mencionamos en la unidad de diseños cuantitativos. ¿Qué es lo que pasa? Miren la definición. Cuando hay muestreo probabilístico, ojo, cuando

Speaker A

todos los elementos de la población tienen la misma posibilidad de ser elegidos. Y aquí es que lo cambia todo, porque resulta que lo queramos o no, nuestro comportamiento tiene sesgos. Entonces, por ejemplo, ustedes pueden decir, "Vamos a trabajar con niños y van a un

Speaker A

colegio y le dicen, de rector, mire, necesito su permiso para trabajar con niños de grado primero, ¿por qué me interesa estudiar esto y esto y eso?" El rector dice, "Sí, super bien, pero solo le puedo dar acceso a un grado porque es

Speaker A

que no me da para todos porque estamos ocupados, tá?" Perfecto, me sirve un grado. ¿Cuántos grados de primero hay?

Speaker A

Hay tres. Y el rector le dice, "Mire, ¿sabe que trabajé con estos?" Uno puede preguntarse, rector, ¿por qué?

Speaker A

Y entonces pueden parecer razones como, "No, no es que esos son los juiciosos. Yo sé que eso le van a hacer caso a usted y le van a ayudar un montón." Ajo pucho. Entonces se nos organizó la muestra distinto porque ese grupo tiene

Speaker A

una característica que nosotros no estábamos buscando y es que son un grupo de primero que al parecer tiene individuos juiciosos, atentos, dispuestos.

Speaker A

Ah, pero hay primeros que no tienen niños así. Entonces, si yo cojo ese grupo, ya no puedo leerme resultados a todos los niños de primero, sino los niños de primero que tienen esas características.

Speaker A

Pero también puede ser revés. El rector puede decirnos, "Ey, ¿sabe que coja este grupo?" Rector, ¿por qué? La verdad es que esos son muy vagos, muy desjuiciados. Ah, son un lío. Entonces, el tiempo que pierdan con ustedes la

Speaker A

investigación, pues no les afecta porque igual no van a aprender nada. Coja esos. Misma lógica. Noten que entonces ya hay algo que está sesgando eh mi investigación. El muestro probabilístico tiene que ver con un concepto que no se los pongo en esta

Speaker A

diapositiva. Vamos a ver este espacio a la derecha y es que tiene que ver con el error.

Speaker A

Cuando yo estoy seleccionando mi muestra puedo equivocarme, puedo no representar a mi población. El error básicamente puede ser de dos tipos. Hay uno inevitable, que es el error aleatorio.

Speaker A

Piensen que cuando ustedes cojan y van a trabajar con grupos de de estudiantes, puede ser que ustedes al momento de hacer investigación, uno de los niños ese día no desayunó y está muriéndose de hambre. Entonces, la investigación que prepara con

Speaker A

ustedes, la prueba de matemáticas, la prueba de razonamiento, lo que hagan con ellos, ese niño no le va a ir tan bien porque es que el hambre lo está matando.

Speaker A

Hay otro que está enfermo de gripe, pero fue a clase y hay otro que acaba de salir de la gripe, pero ahí está.

Speaker A

Entonces, vamos a ver. Y hay un montón de variaciones de cositas que pueden alterarme el razonamiento, alterarme resultados. No puede ser que no puedan extenderlo a todos, pero es que son casos, no no es no es tan determinante

Speaker A

porque no me está llevando todos para ese lado. Cuando vemos ese sesgo que estaba describiéndoles, ahí ya hablamos de un error que se llama error sistemático.

Speaker A

¿Cómo así? Pues piensen entonces que ustedes van justamente a trabajar con el grupo y dicen, "Mire, el único espacio que te podemos darle es antes del almuerzo. Le damos media hora antes del almuerzo.

Speaker A

Bueno, pues es el único espacio. Pero, ¿qué va a pasar a esa hora? Esos niños ya tienen hambre, están desconcentrados, ya saben que en el almuerzo y su comportamiento está orientado hacia eso, prestan menos atención, están más dispersos, hablan más, ya no se

Speaker A

concentran. Escucha, ya no era el niño que no almu desayunó ese día porque no había mercado en la casa. Es que ya todos o la gran mayoría están con tanta hambre que eso te está afectando tus resultados, te

Speaker A

está afectando tu análisis. ¿Qué es lo que busca el muestreo probabilístico? Evitar el error sistemático.

Speaker A

Evitar que por alguna razón sea del investigador, de las instituciones que le están ayudando, de los grupos con los que participa, de quien esté orientando la selección, lleve a elegir unas características que no conocemos, como en el caso del rector

Speaker A

que les contaba. ¿Qué buscamos con el muestro probabilístico? No, mire, no puedo el primero que usted me dice, rector. Lo que vamos a hacer es, yo voy a niños de los tres primeros. Voy a sacar un niño, tres

Speaker A

niños de primero de primero A, primero B, primero C. Y yo no le voy a a elegir quién es. Usted páseme la lista y yo asigno aleatoriamente. Selecciono, perdón aleatoriamente.

Speaker A

Así. ni el rector elige, ni los profesores eligen, ni el investigador elige. No hay posibilidad de sesgo porque fue aleatorio. Esa es la definición. Acá para que sea muestreo probabilístico tiene que tener un mecanismo completamente aleatorio. Ojo, ¿qué se refiere eso? que

Speaker A

de nuevo todos los sujetos tienen la misma posibilidad de ser elegidos. No puede ser en un criterio particular que pueda introducirme una característica que yo no estaba pensando. ¿Okay? Entonces, ojo con esto para que me entiendan. Vamos a ver

Speaker A

diferentes opciones de muestreo probabilístico. Les voy a mostrar un escenario para que ustedes me digan si es muestreo probabilístico o no. Piensen que ustedes quieren estudiar justamente con estudiantes universitarios, ¿listo?

Speaker A

Y les han prestado un salón en la universidad, ustedes tienen un stand, llevan incluso un póstercito que invita a las personas a participar. Y lo que ustedes van a hacer para evitar sesgos es que van a estar ahí parados y van a

Speaker A

llamar a las personas en orden que ingresan al edificio. Ustedes no tienen control de quién entra, ustedes no conocen quién va a entrar. ni porque está entrando y por tanto ustedes no tienen control ahí, no habría un sesgo

Speaker A

de su parte. Pero lo que van a hacer entonces es en orden de llegada los van invitando a participar. Te resulta que llegó Julanito, Julanito le dice, "Ey, Julanito, estamos haciendo esto." Y nos dio una autorización para trabajar

Speaker A

contigo, por favor, ingresa. y Julito ingresa a la investigación y luego entra Pendanito y Pendanito lo mismo y así hasta alcanzar, no sé, digamos que vamos a trabajar con 20 estudiantes en este escenario donde el investigador eligió en orden de llegada, que para él

Speaker A

es azaroso porque no conoce, no tiene control sobre quién va a llegar, eso permitiría un muestreo probabilístico.

Speaker A

Estos 20 estudiantes que se eligieron de esta manera aleatoria podrían representar entonces a los estudiantes de esa institución universitaria o ahí no hay muestro probabilístico.

Speaker A

¿Cómo la ven? ¿Quién se anima a pensarlo? ¿Es muestro probabilístico o no? Muchachos. Bueno, yo pienso que sí es un muestreo probabilístico porque pues no se está partiendo de algún fundamento, de alguna característica en común para ni se está preguntando, o

Speaker A

sea, se está seleccionando de forma aleatoria, sin conocer características o ciertos parámetros que debe tener cada uno de ellos. Es es en forma aleatoria porque no hay un no hay antecedentes de características que deben de tomarse en cuenta para su selección.

Speaker A

Qué bien, perfecto. Todos de acuerdo con Juan José Saúl, creo que estás escribiendo. Vamos a darle un momentico solo por añadir como un contraste. Piens por ejemplo, entonces escogimos 20 para pensar, digamos que es una universidad pequeña, 300 estudiantes. ¿Listo? La

Speaker A

pregunta justamente es, ¿seleccionamos aleatoriamente? Por ahora nos dice Juan que sí está de acuerdo. Saúl como que sigue escribiendo. Vamos a esperar un poco a ver si alguien más quiere participar también. Todos de acuerdo con el razonamiento de Juan.

Speaker A

Ahí sigue escribiendo Saúl. Okay, ya lo estoy viendo, no es probabilístico. Vamos a ver por qué.

Speaker A

Mira, ¿por qué se va a aplicar la fórmula para saber realmente cuál va a ser la muestra? Ah, okay, listo. Ya, ya.

Speaker A

Resulta que lo que Saú les está contando, ya les iba justamente a explicar un poco sobre eso, es que cuando conocemos la muestra, la población, perdón, hay una fórmula que me indica la cantidad de personas que necesito para que sea representativo.

Speaker A

¿Listo? Eso es correcto. Ya ahorita justamente vamos a hablar y es el paso que viene, pero la pregunta sería si fueran 20, lo que la fórmula me dice, este método que elegimos fue probabilístico, ¿es un muestro probabilístico?

Speaker A

La respuesta justamente va a ser no. Noten el punto. Recuerden nuestra definición. La muestra probabilística es el escenario donde todos los sujetos de la población tienen la misma posibilidad de ser escogidos.

Speaker A

Pero, ¿qué es lo que pasa? Piensen que el sujeto 21 nunca tuvo la posibilidad de ser escogido, nunca entraría.

Speaker A

y el sujeto 300 lo mismo. Si llega 300 el de último, ya no habría forma de entrar al estudio. No tuvieron la misma posibilidad.

Speaker A

Y uno dice, "Pero no pues mire que el investigador no tiene eh sesgo. Él no decidía quién entraba. suena aleatorio, como bien Juan lo está reconociendo, pero el problema es que puede haber una característica sistemática que no estoy

Speaker A

teniendo en cuenta. Piensen, por ejemplo, que puede ser que los que están llegando esos primeros 20 son de una carrera que tiene la materia al inicio, que tiene sus clases a las 8 de la mañana, pero es el única materia, el

Speaker A

única programa del o carrera de la universidad que tiene horario a esa hora. las otras entran más tarde.

Speaker A

Entonces, pucha, sin querer metí una carrera, un grupo específico que no iba. No, no me funciona.

Speaker A

Oh, listo. No, es que es muy raro que que pueda pasar eso. Hay carreras a diferentes horas, pero en las diferentes carreras hay gente muy puntual, hay estudiantes que llegan muy temprano.

Speaker A

La pregunta es, ¿por qué? Curiosamente, usualmente tiene que ver con dos características. La primera, con una disposición en términos de como disciplina, obediencia, seguimiento de normas. Y piensen que una persona que sigue normas y una que no sigue normas

Speaker A

tiene valores, principios, formas de ver el mundo muy diferentes y eso puede afectar mis resultados.

Speaker A

Eso tan sencillo. Pero la otra opción es también la distancia. Usualmente quienes viven muy lejos suelen llegar más temprano.

Speaker A

Hoy muy tarde están los dos extremos. Entonces miren que hay un montón de características que yo no estaba teniendo en cuenta que determinaban el orden de llegada, que es lo que Saul reconoce al final. al hacer elfila impia,

Speaker A

pues ahí hay un criterio que no sabemos cuál es, pero que puede sistemáticamente introducir características que afecten la representatividad.

Speaker A

jodida la cosa. Listo, ya vamos a ver ahorita una forma muy simple para garantizar esto, que la inteligencia también lo hace, pero me gusta que ustedes lo vean para que ustedes puedan hacerlo. En el caso de la guía es muy

Speaker A

sencillo. Una vez tengamos la fórmula que Saú nos decía y ahorita la vamos a mostrar, es fácil. A la le podemos dar, mire, tengo esta población, selecciona aleatoriamente tantos sujetos y la te saca bajo proceso de aleatorización donde todos tienen la

Speaker A

misma posibilidad. Si ustedes lo quieren hacer así, la está perfecto. La IA lo hace sin problemas y funciona muy bien.

Speaker A

Pero vamos a ver que con Excel es muy fácil hacerlo ustedes y les voy a mostrar también en un momento para que tengan ustedes la herramienta. ¿Listo?

Speaker A

Pero creo que con este ejemplo queda ya más claro el muestreado probabilístico. Solo se garantiza cuando todos los sujetos tenían la misma posibilidad de entrar en la muestra. Y ahí es donde viene un reto para ustedes cuando lean

Speaker A

artículos. o investigaciones. Algunas dicen, "Se usa un muestreo probabilístico, pero cuando describen el muestreo no era probabilística, no había lateralización, había sesgo. Pucha.

Speaker A

Entonces ahí viene el reto de que ustedes como investigadores lean críticamente, porque a veces las investigaciones no hicieron lo que dicen que hacen y eso curiosamente es más frecuente de lo que uno esperaría. Ahí suele pasar mucho como esa confusión.

Speaker A

Listo. Entonces, espero que con esto quede claro para todos. No sé si alguien tiene dudas con el muestro probabilístico. Igual ya lo vamos a ver en un momento. Para que se entienda mejor. Veamos el no probabilístico.

Speaker A

Acá cambia la cosa porque ahora sí pasamos de preocuparnos que nosotros tuviéramos sesgo a literalmente escogerlo intencionalmente por una característica que uno decide. Entonces, aquí ya se elige por características que definimos intencionalmente. Por eso el muestreo no probabilístico también se

Speaker A

entiende como muestreo intencionado o dirigido, porque ya aquí no es una selección, perdón, aleatoria, sino que requiere una proceso de toma de decisiones por parte de el investigador.

Speaker A

¿A quién voy a elegir? Entonces, noten que cambia la lógica, cambia el criterio, porque ya no es cómo garantizo que todos tengan la misma posibilidad de ser elegidos, sino cómo defino las características que me interesan para mis objetivos del estudio.

Speaker A

Son dos cas distintas y si lo notan tiene que ver con los dos retos distintos. En el probabilístico, pues quiero garantizar que todos tengan la misma posibilidad para captar una muestra representativa que hable de todos.

Speaker A

En el no probabilístico para la idea, la cualitativa, me interesa es las mejores características que me permitan entender el caso que me interesa. Por eso son dos diferentes. Okay, creo que esto ayuda con esta diapositiva. Tienen el contraste claro. Es finalmente, reitero,

Speaker A

a veces yo creo que eso suena y peco mucho en eso de decir que es sencillo.

Speaker A

Para quien no lo sea, obviamente puede costar al inicio, pero no sé si ya con esto entendemos nuestro segunda distinción o que era el objetivo de la sesión de hoy. Primero era diferenciar universo, población muestra.

Speaker A

Segundo, diferenciar muestreo probabilístico y no probabilístico. Hasta aquí vamos claros. ¿Se entiende la diferencia entre ellos?

Speaker A

¿Hay alguna duda, pregunta? Sí, sí, sí. Está claro. Perfecto, Juan, muchas gracias ahí nuevamente por la confirmación. Perfecto. Entonces, avancemos un poco para que ustedes puedan ver cómo jugar con esto y tengan ideas. Entonces, en el muestreo probabilístico recuerden nuestro

Speaker A

objetivo es que vamos a una muestra que esperamos tenga las características que me permitan hablar de la población.

Speaker A

Ese es el reto que tenemos, obtener valores muy parecidos en mi muestra que repliquen el de la población. Si logramos eso, goleamos. Si no, tenemos ahí el reto de cómo lo vamos a hacer.

Speaker A

Entonces, para eso, básicamente hay dos pasos fundamentales para lograr el muestreo probabilístico. El primero tiene que ver justamente con lo que nos decía Saúl hace un momento.

Speaker A

Resulta que para poder garantizar representatividad debo primero pensar cuántas personas necesito. ¿Cómo así? Piensen que si tengo cinco personas, pues esas cinco personas varían mucho entre ellas. Sí, pero si cojo tres personas, pues ya estas tres personas seguramente están representando buena

Speaker A

parte del grupo, pero estas tres personas ya no representan bien a CCO si tengo 10, porque pucha ya tres no hablan de todos estos de por acá y tampoco de estos. Entonces, el tamaño de la muestra lo que busca es definir una cantidad

Speaker A

suficiente en términos probabilísticos de que las características de la población aparezcan en la mina. Para que me entiendan esto, vean aquí eh esto de acá les va a mostrar un Excel que uso para esto y eh ya ahorita hablamos un

Speaker A

poquitico de cómo se hace la aleatorización. En este caso de acá, esta columna, he creado una base aleatoria de 400 de 350 sujetos. ¿Listo? Esos 350 sujetos básicamente los diferencié en género eh y eh género, ya femenino o masculino.

Speaker A

¿Listo? En ese sentido, cuando ustedes ven la población, tenemos todas estas características de acá. ¿Listo?

Speaker A

¿Qué estamos viendo? Tengo 350 personas. La pregunta que tengo que hacerme es, ¿cuántas personas tendría que para que mi muestra se parezca en la distribución al de la población? ¿Listo?

Speaker A

Entonces, por ahora ignoren este cuadrito de acá que ahorita les muestro cómo se hace. Entonces, piensen que si yo cojo los primeros 10 sujetos, ahí están esos primeros 10 sujetos, tengo un problema. La gran mayoría son mujeres femenino, se identifican con

Speaker A

género femenino y solo tengo uno masculino. Entonces, pucha, noten que si cojo 10 personas me puedo estar equivocando. Ah, profe, pero es que esos son los que están en orden. Y toca aleatorio. Listo, aquí tengo una fórmula que se llama aleatorio. Si ustedes ven,

Speaker A

cada vez que me muevo asigna un número aleatorio. Yo no tengo control. Y lo que vamos a hacer es ordenarlos. Voy aquí a decirle ordenar y noten que ahora me ha puesto los sujetos aleatoriamente. Yo no elegí estos sujetos y voy a escoger los

Speaker A

primeros 10 sujetos de acá. Noten entonces que tenemos aquí estos 10 sujetos. ¿Qué es lo que nos pasó? Lo mismo. Tengo tres tres mujeres ahora y el resto son hombres. Siete hombres.

Speaker A

Pucha, pero no es que miren que cuando yo veo la población están más o menos casi la misma cantidad de hombres y mujeres femenino masculino. Entonces, claro, si lo notan 10 personas, no me probabiliza que capte la dinámica

Speaker A

de esto. Ah, okay. Entonces, ¿cómo más podemos hacerlo? Bueno, tenemos que pensarlo distinto. Tenemos que buscar una cantidad suficiente que no me exceda porque son recursos limitados, porque estamos buscando no captar toda la población, pero que sea la cantidad

Speaker A

suficiente para poder con probabilidad las mismas características que se nos parezcan. ¿Listo? Eso es el reto de calcular el tamaño de muestra.

Speaker A

Para eso, como bien dice Saú, hay una fórmula específica que usualmente necesita dos datos. El primero es el tamaño de la población.

Speaker A

Calcular este tamaño como lo vamos a hacer, requiere conocer el tamaño de la población.

Speaker A

Si no tenemos la esto, no podemos hacer este procedimiento eh de esta manera. Listo, eso es el primer paso y el segundo tiene que ver con el nivel de error que estamos dispuestos a asumir. Ese nivel de error,

Speaker A

por tradición estadística, suele establecerse al 5%. Esto se lee como porcentaje y es estamos dispuestos a equivocarnos un 5%. de que tal vez los datos que tengo no representen, yo puedo aumentar o disminuir est este este error y eso va

Speaker A

a tener que implicar más muestra o menos muestra. Entonces, el nivel estándar es este y tengo esos dos datos ahí. Eh, lo que tenemos entonces es la muestra queremos que sea tan representativa de manera que limitemos la posibilidad de

Speaker A

equivocarnos. Ese error sistemático que hablamos ahorita. y que maximicemos la confianza de que nuestra muestra tiene las características de la población.

Speaker A

Para eso hay una fórmula. Una de las cosas que más problemático me parece de asesores de investigación, de eh docentes que acompañan, listo, no sé si sea el caso de alguno de ustedes y si sí lo lamento, pero creo que vale la

Speaker A

pena mencionarlo, es que usan estos espacios para explicar la fórmula, para que te la tengas que aprender y la calcules manualmente.

Speaker A

Y eso es en este punto ya innecesario. Ya hoy en día existen una gran cantidad de paquetes. Por ejemplo, acá les dejaré el enlace de uno que es gratuito, que ya calcula esto por ustedes. Usted le pide los datos y se lo calcula manualmente.

Speaker A

Pero también podemos pedírselo a la ahí. A la idea le decimos, "Ey, mira, por favor, ayúdame a calcular el tamaño de la muestra cuando mi población es de tanto y cuando mi nivel de error es de tanto." Y la IA lo hace por ustedes.

Speaker A

Ustedes no tienen que preocuparse por aprenderse la fórmula, por tener que hacerla manualmente. La IA lo va a hacer por ustedes. ¿Qué tienen ustedes?

Speaker A

Primero, tener estos datos. ¿Listo? Ese es el primer gran paso. Pero segundo, finalmente, entender por qué esto es importante. Básicamente tiene que ver con esto. Tiene que ver con preguntarnos si las conclusiones a las que vamos a llegar

Speaker A

pueden coincidir con realmente es el fenómeno. Ese es el reto que estamos intentando evitar. Entonces, claro, si yo cojo una muestra que no me habla del fenómeno, mis conclusiones seguramente van a ser falsas. Yo podré llegar a decir, "Mire, yo vi a los estudiantes de

Speaker A

esa universidad y me di cuenta que la mayoría está en riesgo de deserción." Oh, pucha, qué problema. Yo digo, "Sí, eso está pasando." Y vamos a ver. Y resulta que es que te cogiste a todos los estudiantes que están en el los

Speaker A

horarios de la noche, que suelen ser estudiantes que estudian y trabajan. Y claro, en esa dinámica a veces ya estudiar no es la prioridad y por tanto es más probable que deserte. Pero, ¿cuántos estudiantes son estudiantes trabajadores respecto a toda la

Speaker A

universidad? Más bien pocos. Entonces, ya no tus conclusiones no se extienden, no hablan del fenómeno. Siempre está la posibilidad de equivocarnos. Lo mismo al revés. Puede ser que ustedes hagan su investigación y digan, "No, mire, esto no tiene nada que ver. Esto no está

Speaker A

pasando." Cuando realmente sí pasaba. Ahora es un falso negativo. El anterior, perdón, no lo dije, es falso positivo.

Speaker A

El punto que tenemos, y esto es lo clave, es que nunca sabremos esto. Con certeza no podemos saber cómo es el mundo, pero queremos hacer las investigaciones lo más cercanas a cómo funciona el mundo. Hay que disminuir el

Speaker A

error. ¿Listo? Entonces, en esa dinámica, poder hacer este cálculo es una forma de disminuir esa rafa, pero si no tenemos la posibilidad, bueno, tenemos que pensar otras maneras. ¿Qué otras maneras hay? Bueno, ¿cómo definimos el tamaño de la muestra si no tenemos el total de la

Speaker A

población? Resulta que aquí entra una muy buena respuesta que los psicólogos solemos decir y es depende.

Speaker A

Ya no es tan fácil decirlo, ya no hay una fórmula probabilística que te diga tiene que ser este tamaño. Realmente ahí tiene que ver más que todo con cómo se ha hecho en tu campo de estudio. Ahí lo

Speaker A

mejor es mirar finalmente cómo se suele hacer, cuántos suelen, cuántas, por seguir el ejemplo de es que nos ha contado, aunque no esté presente, ¿cuántas personas su vienen participar en laboratorio de simulación? Ah, bueno, suelen ser ejercicios con cinco

Speaker A

personas. Bueno, si los hospitales suelen trabajar con cinco personas, pues la investigación tiene sentido que sea con cinco para poder extenderlo a otros escenarios.

Speaker A

No, venga, pero es que yo estoy trabajando es con grupos de colegio. Bueno, ¿y cuántos estudiantes suelen tener un grupo de colegio? Pues depende si es una rural, si es una urbana, si es privado, si es público. Entonces

Speaker A

comienza a cambiar y aquí entonces aparecen otros criterios, pero también otros asuntos del diseño. Depende si yo quiero crear grupos, si voy a comparar dos dos grupos de estudiantes universitarios, necesito más.

Speaker A

Necesitaría, por ejemplo, 15 para un grupo, 15 para otro. Pero si tengo solo un grupo, pues me quedo con 15 nada más.

Speaker A

Entonces, aquí viene la dinámica de cómo hacer finalmente para definir el tamaño. Una opción de nuevo para la fórmula es pedirle a la IA eh que nos ayuda a calcular. Aquí les dejo justamente el prom para quien lo

Speaker A

quiera usar. De nuevo, las diapositivas que van a la función de ustedes y es bueno, le pueden pedir esto y la idea dice, "Mire, necesitas tantas personas." Pero, ¿qué pasa si ustedes no tienen claro eh la cantidad de población y por tanto

Speaker A

tienen que buscar otros criterios? Primero, lean sus antecedentes, eso no se los va a definir la pero también San Pier colaboradores usualmente construyeron esto. Muchos somos críticos, no estamos muy de acuerdo con esto, pero les da una idea,

Speaker A

porque lo que él propone es que la cantidad hay que elegirla según el nivel de análisis, usualmente estadístico. Y el asunto entonces es que la estadística, como verán cuando cuando vean el la clase para esto, está basado en grupos. Entonces, para poder captar

Speaker A

la dinámica de los fenómenos, necesitamos gran cantidad de datos. Por eso, usualmente en cuantitativos se dice que necesitan muchos datos, pero no es necesariamente, eso, no lo tiene que definir el aspecto estadístico, sino el aspecto conceptual. Como les contaba,

Speaker A

por ejemplo, en los experimentos podemos tener casos de tres niños. Yo de maestría cogí tres niños por grupo y seguí sistemáticamente esos niños con unas mediciones y eso fue suficiente para captar la relación causal que me interesaba. Entonces, de nuevo, aquí se

Speaker A

los dejo una diapositiva porque son recomendaciones útiles. Usualmente los jurados de tesis, jurados eh en en universidades, a nivel de doctorado, suelen pegarse mucho estos criterios.

Speaker A

Las revistas también lo hacen. Hay revistas que pirolizan y dicen, "Muy interesante tu estudio, pero te faltaron casos." aumente los casos y ya ahora sí le podemos aceptar el estudio.

Speaker A

Eso de nuevo tiene una primera criterio que tiene que ver con el aspecto estadístico. Usualmente un primer escenario es que si tienes varios grupos, al menos tengas 15 por grupo.

Speaker A

Pero de nuevo, eso es un asunto estadístico. Es para que al momento de variar la prueba estadística de diferencia que verán más adelante pueda ser sensible a esa dinámica. no lo garantiza, pero es como el escenario ideal. ¿Listo? Entonces, el primer reto,

Speaker A

reitero, es con cuántas personas necesitamos. Si conocemos la población, ideal usar la fórmula, pero obviamente nos pone un reto grandecito. Perdón que me devuelvo. Miren que acá puede ser que yo quiero ver 4,000 estudiantes.

Speaker A

Si quiero extender a mi población de 4,000 estudiantes, voy a necesitar una muestra considerable. Pero si es una muestra de 500 estudiantes, bueno, baja la cantidad que necesito representar. Si no tenemos esa posibilidad, tienen criterios variados. ¿Listo? No sé si

Speaker A

esto es claro, si funciona. Reitero que me interesa ante todo es responder dudas preguntas eh, pero si no pues les sigo contando para que queden enterados hasta el momento.

Speaker A

Todo bien acá, muchachos. Sí, sí, está claro. Yo yo en lo personal por allí hay una calculadora electrónica que sí nos permite, en este caso nos permite meter el dato de la población y automáticamente nos genera la muestra representativa.

Speaker A

Pero cuando no conocemos la población, pues si también hay este algunos cálculos ahí de fórmulas estadísticas que nos permiten eh obtener la muestra también y y la IA, me imagino que también aquí como nos lo nos lo indicaste, pues

Speaker A

también nos da esa información en un momento dado. Y yo lo que he hecho con los alumnos es que utilizo esa calculadora, pero también hay algunas fórmulas y realizo la fórmula paso por paso y al final contrastamos los resultados de por

Speaker A

un método de calculadora electrónica y por el otro por el desarrollo de la fórmula estadística y y generalmente pues sí hay una coincidencia precisa con coincidencia. Mm.

Speaker A

Sí, lo que te decía, yo creo que ya en este punto hacerlo manual no es necesario porque está muy bien automatizado y con la por ejemplo ya te puede saltar ese paso y es más chévere que uses ese espacio para hablar,

Speaker A

espérame, vamos a esa diapositiva con los estudiantes de esto, del por qué es importante esa este muestreo, que ellos no vean como, "Ah, es que me tocó porque la fórmula lo dice, sino porque, ah, claro, esto me ayuda a probabilizar que

Speaker A

mis conclusiones sean representativas." Entender eso motiva mucho más al estudiante que entender la fórmula. Esa es como una recomendación que yo haría, pero de resto, de acuerdo contigo.

Speaker A

Listo. Bien. Entonces, eh, aquí vamos. La cuestión ahora es, ya una vez tenemos la cantidad de la muestra, tenemos que elegir cómo finalmente vamos a seleccionar los casos, es decir, lo que veíamos ahorita, la selección probabilística, que nuestro método

Speaker A

garantice la posibilidad de que todos puedan estar. Aquí voy a hacer muy rápido porque tenemos poco tiempo y quiero también hablar del otro tipo de muestreo para que no quedemos dispares.

Speaker A

Van a ver que el otro es fácil de entender, ¿eh? Pero vamos eh a ver entonces que una primera forma se llama eh muestreo aleatorio simple. ¿En qué consiste el muestreo aleatorio simple? Es como su nombre lo dice, muy simple. Coges todos

Speaker A

los datos, todos los casos, perdón, y le alatrizas. Buscas que de la población puedas sacar muestras. Ya está. Ese es el punto, es relativamente sencillo, no tiene mucho misterio. Entonces, piensen justamente aquí a volver a nuestro escenario, cómo finalmente eh queremos

Speaker A

captar una dinámica de 350 personas. ¿Cómo lo vamos a hacer? Muy sencillo. Resulta, voy a volver a ordenarlos en el orden que está. Y es que si usamos la fórmula, media dice que necesito 183 personas para que la muestra sea

Speaker A

representativa. Entonces, noten que aquí necesitaría ir hasta 183 casos. ¿Listo? Pero aquí están ordenados por la lista, por el apellido, por el nombre, no me funciona. ¿Cómo aleatorizamos? Entonces, una opción que les dejo en Excel es la que les estoy mostrando, es la fórmula

Speaker A

que se llama aleatorio. En Excel ustedes simplemente van a colocar igual, más, menos, cualquiera de ellos funciona bien y escriben aleatorio. Al darle esto, simplemente dan enter y lo que va a hacer Excel que les va a dar un número

Speaker A

aleatorio entre cer y uno. Nunca toca uno. CER a 0.99. Listo. Miren que son números grandísimos. Yo no tengo control y cada vez que pase algo, que haga algo, que cambie algo, miren que los números cambian. Perfecto. Entonces, aquí ya

Speaker A

estoy garantizando que todos tienen la misma probabilidad porque es un una selección mecánica. ¿Qué hacemos? Voy a simplemente ordenar de mayor a menor, por ejemplo, y ya está. Los primeros 183 casos son los que van a entrar en mi

Speaker A

muestra. Y noten entonces cómo quedó. Yo aquí tengo organizada la fórmula para que capte justamente los primeros 183.

Speaker A

Noten que con esto me quedó 89 femenino, 8 eh 94 masculino, que replica más o menos parecido la proporción de la población. Pero probemos otraiza una vez, otra volvemos a correr y acá noten ya me cambió, tengo 106 mujeres, 77

Speaker A

hombres. Entonces ahí la dinámica va siendo diferente, va funcionando, eh, y aunque son casos muy diferentes y yo no tengo control, estoy logrando que la características de mi muestra se parezcan a la de la población.

Speaker A

Eso es ganadorísimo. Y miren que simplemente lo hago con Excel, lo coloco y ya está. Permítame un momentico, un momentico.

Speaker A

No sale el audio. Buenas noches. Hola. Hola. ¿Me escuchan? Ya. Ya volvió. Hola. Hola. No. Sí se escucha. Sí. Ah, okay.

Speaker A

Qué pena. Si no se cayó el router del internet. Fui a levantarlo y se había desconectado. Lo siento. Entonces, no creí que no no no me estaban escuchando bien. Qué pena. ¿Hasta dónde llegamos?

Speaker A

¿Qué parte fue la que se me perdieron? O o lo lo vimos finalmente el punto era mostrarles como con una simple fórmula aleatorio ya podemos construir y sacar de 350 rápidamente los primeros casos. Y miren que cada vez eh tengo una muestra

Speaker A

muy parecida a mi población. Listo. Eh, si alguien tiene dudas, dale, Juan. Una más no preguntas, sino más bien eh esa tablita eh no nos la puede proporcionar.

Speaker A

Sí, claro. Yo se las puedo compartir eh y pues para que ustedes puedan jugar con esto y y aprender un poquitico, pero sí, claro, es realmente muy sencillo. Listo, pero de yo ahorita que comparte la diapositiva les mando también esto.

Speaker A

Listo. Correcto. Gracias, muy amable. Con gusto, Juan. Har nos pregunta, en los métodos tradicionales lo hacían rifados, por ejemplo, cada seis números seleccionaban a los participantes. Eh, okay, muy bien. Miren que entonces eso sería otro escenario. Entonces, en vez

Speaker A

de eh de aleatorizarlo de esta manera, lo que se hace es escoger cada seis.

Speaker A

Entonces, este caso entra, el caso 12 entra, el caso 18 entra y así. Miren que ahí tampoco hay control, es finalmente va moviéndose, pero tenemos un problema y es que entonces el caso cinco no tiene la misma probabilidad de estar que el

Speaker A

caso seis. Y ahí tenemos un problema porque puede terminar pasando que al final al captarlo de esta forma haya un patrón que yo no vea y que tal vez el caso uno era tan atípico que necesitaba estar en mi muestra para representar a

Speaker A

estos poquitos casos, que es lo que ya vamos a hablar con lo que estás pensando del muestreo estratificado. ¿Listo?

Speaker A

Entonces, de nuevo, hay muchas métodos que en principio no corresponden con eh con una muestre probabilístico. Y lo importante de base, que lo hablamos ahorita con Juan, no es conocer la fórmula, sino entender por qué es importante que sea probabístico.

Speaker A

Entonces, en este escenario, como pueden ver, me funciona muy bien. tengo realmente una distribución bastante pareja, la característica que me interesa y por tanto funciona perfectamente.

Speaker A

Pero, ¿qué pasa cuando y aquí vamos a hacer un ejemplo con una lista de nombres que eh pues que no no que no se invente con la con la inteligencia artificial?

Speaker A

Donde decimos, bueno, tal vez aquí tenemos ya menos casos, 32, tengo hombres y mujeres también, pero acá tengo otra variable que es creencias religiosas. Entonces, a mí me interesa ver las creencias religiosas de este grupo y resulta que acá ya la cosa es

Speaker A

distinta, porque si notan, si los ordenamos, nada más tengo un caso de la variable uno, que podemos decir, por ejemplo, que sean ateístas.

Speaker A

Tengo tres casos de la dos que podemos decir, por ejemplo, que sean musulmanes, islamitas.

Speaker A

Tengo unos que son bastantes, probablemente nuestros contextos son de eh orientación católica y otros cuantos bastanticos cristianos. Ah, perfecto.

Speaker A

Entonces acá simplemente podemos jugar con esto y mirar cómo funciona esa dinámica. ¿Qué tal le va a estos datos si los aleatorizamos? Entonces, ¿qué es lo que pasa? Voy a aleatorizar.

Speaker A

Recuerden que aquí está ya la fórmula funcionando. Aquí tenemos estos. Voy a poner en orden y digamos que vamos a los primeros 12 casos. Son 32. Con 12 podríamos tener. Noten entonces que nos quedemos ya ahora no con sexo, sino

Speaker A

con creencias religiosas. ¿Cuál es el problema? Volvamos a ordenar. No me quedó ninguno de uno. No puedo hablar de los atistas del grupo, aunque hay aunque seleccioné aleatoriamente no quedó. Cogí muchos del tres que se parecen, algunos del cuatro

Speaker A

que se parecen, pero miren que cogí muchos del dos y podría haber cogido realmente este otro en vez de este dos y ahí sí sería representativo. Ah, no, venga, probemos de nuevo. Es que a veces hay que probar varias veces.

Speaker A

Intentémoslo una segunda vez. Listo, ahí moví los valores. Vamos a ordenarlo nuevamente. Voy a borrar estos colores y escojamos nuevamente los primeros 12.

Speaker A

Insisto que aquí voy rápido, es para que vean cómo se juega con esto, porque tenemos poco tiempo. Veamos cómo quedó.

Speaker A

Noten que ahora sí me quedó el ateísta, me quedan estos dos y ya me quedó la misma proporción del tres que del cuatro.

Speaker A

Venga, no meio funciona porque realmente en la población hay más del tres que del cuatro.

Speaker A

Elío, porque entonces ya si yo le llego a meter mano ya no es aleatorio y pierdo el muestro probabilístico.

Speaker A

Ahí es donde aparece justamente el muestreo estratificado que menciona Hall. Cuando ya tenemos casos específicos que tal vez no se distribuyen igual y que yo quiero que estén todos los que me interesan, pues ya no puedo simplemente hacer el muestre

Speaker A

aleatorio, lo que tengo que hacer es estratificar. ¿A qué se refiere estratificar? Muy sencillo.

Speaker A

Ah, lo que vamos a hacer es vamos a todo en la muestra y lo vamos a segmentar en la eh, perdón, la población y la vamos a dividir en las características que me interesan. Vamos.

Speaker A

Entonces, a separar católicos, cristianos, ateístas. Eso es lo que se llama estratificar, porque básicamente es eh que podamos ya tratar no en población, sino en subpoblaciones, a los católicos como una población, a los cristianos como una población, a los ateístas como

Speaker A

una población. Y una vez ya teníamos esto separado, el procedimiento es el mismo antes. Ahora autorizamos a los católicos, ahora autorizamos a los cristianos, ahora los ateistas, ya está. Y sea que pueda sea para conformar muestra o para conformar

Speaker A

grupos, esa sería la estrategia. Lo que estamos haciendo es dividir la población en las subpoblaciones que me interesan para garantizar que todas las subpoblaciones entren en mi muestra, queden representadas. Ojo, así, ojo, esto, la cantidad que se extraen debe ser

Speaker A

proporcional a la población. Entonces, claro, lo que veíamos ahorita, si tengo 40 católicos y tengo 20 cristianos, pues no saco la misma cantidad de estos, saco proporcionalmente cuánto necesito. Lo mismo acá, tres ateístas. Entonces, tal aquí nuevamente es donde aparece el uso de chat GPT.

Speaker A

Tradicionalmente lo que se hacía, siguiendo por ejemplo el ejemplo que nos cuenta Juan, sería hacer la fórmula en cada una de estas, aplicar la fórmula 40, a 20, a 3.

Speaker A

Pero eso es muy tedioso. Es mucho más fácil decirle al chat esto es, "Tengo una subpoblación, divídelos en estas características y dime cuánto necesito de cada uno." Ah, bueno, de católico necesitas 20, de cristianos 12, de ateistas uno. Perfecto. y ya se asigna

Speaker A

aleatoriamente. Entonces, en nuestro Excel que estábamos viendo, ¿cómo se haría? Ya lo que hacemos en este caso es seleccionar, voy a borrarlo acá en orden. Entonces, tengo un ateo. Bueno, ese entra la muestra definitivamente porque o si no, pues no lo tengo

Speaker A

representado. Tengo tres eh eh islamitas. Bueno, necesito nada más uno de ellos. Este entra la muestra. ¿Cuál de estos? No puede ser el primero. Tengo que elegir aleatoriamente entre estos y el que quede me lo quedo. Entonces, vengan cómo lo hacemos. Voy a filtrar y

Speaker A

me voy a quedar solo con los dos. Vamos entonces aizar números y cambio el orden. Ya está. Y miren, me quedé con este primero. Yo no sé por qué se quedó primero es aleatorio. Y ya tengo mis dos

Speaker A

de este caso. Vamos al tres. Aj, pucha, tengo 21 de este grupo. Bueno, necesitábamos, digamos, 10. Misma lógica. Seleccionamos solo esos, asignamos aleatoriamente la fórmula que ya vimos, ordenamos y los primeros 10 hasta aquí van a entrar a mi muestra. El

Speaker A

resto no. Y finalmente los cuatro. Ah, mire, de los cuatro tenemos siete. Bueno, digamos que la fórmula nos dice, "Necesitamos tres nada más." Lo mismo. Ah, la actualizamos, ordenamos según esto y me quedo con los primeros tres. Pare de

Speaker A

contar. Eh, borro aquí. Y noten entonces que ya nos quedamos con nuestra muestra y al haberle hecho de esta manera que es estratificado, he garantizado que mi muestra tiene las características similares a la de toda la población. Esa es la

Speaker A

dinámica. Ya está. Entonces, esa es la estratificación. No sé si es fácil de entender, si no lo dejo aquí más claro.

Speaker A

Básicamente podemos separar en unas características también en otras y garantizar que puedan entrar esas características de manera que no se me queden por fuera ninguno de ellos. Y esto es una manera de captar las características que me interesan cuando

Speaker A

la representación en la población es menor. Y eso pasa mucho con ciertas características de interés, especialmente cuando son características en poblaciones muy grandes, como por ejemplo estudiantes universitarios.

Speaker A

¿Listo? No sé si esto es claro, se entiende o hay dudas o preguntas. Hasta acá.

Speaker A

Está claro. Respondó a otra pregunta. Yo yo la verdad este apartado que está explicando ahí, maestro, este sí sí sí lo desconocía. La verdad que ser honestos y y pues me parece bien importante porque de esta manera hay una

Speaker A

representatividad eh que le corresponde a cada grupo, por así decirlo, o como tiene ahí católicos, cristianos, ateístas. Eh, ahí el ejemplo está muy claro. Exacto. Muy bien. Mira qué es lo que tú dices, como hacemos para que no

Speaker A

perdamos el rigor de la naturalización, pero a la vez no perdamos la representatividad de los casos que nos interesan. Sí, porque yo yo considero que que cuando no se da la representación eh de estos grupos eh la investigación

Speaker A

llegamos a un sesgo y pues no no es correcto eso. Eh, vamos muy bien.

Speaker A

Perdemos el objetivo que teníamos de que con la muestra pudiéramos hablar de la población. Entonces, miren que la dinámica de la de la selección es completa, es compleja, perdón, pero ya hay forma de hacerlo. Entonces, chévere, eh, Juan, que quedes con uno. Eh,

Speaker A

también nos decía que que excelente. Entonces, entiendo que respondimos tu pregunta y queda claro. Perfecto. Ahora, una cosa importante para saltar ya rápidamente en estos 10 minuticos que nos quedan al otro que van a ver que es más sencillo y prefiero como responder

Speaker A

las dudas que tengan respecto a ese otro. Un último que es del probabilístico se llama el porracimos. Y este es muy usual y muy útil y es que usualmente encontrar población es difícil como niños. Bueno, pero y que niños, ¿no? Pues, ¿dónde

Speaker A

busco niños? En colegios. Ah, bueno, y mi amigo es profesor en un colegio, él conoce al rector, seguramente me ayuda.

Speaker A

Bueno, hay que trabajar con lo que tenemos. Es mejor investigar pequeños escenarios que no investigar nada. A eso se le llama justamente búsqueda por racismos. A veces no tenemos tiempo, acceso, hay un montón de obstáculos y por tanto no podemos adquirir

Speaker A

poblaciones muy grandes. Le apostamos a racismos chiquitos y es busquemos dónde están físicamente las unidades con las que me interesa trabajar. Entonces aquí está Samp y les muestra eso. Bueno, ¿dónde encuentro adolescentes? En colegios. ¿Dónde encuentro obreros? ¿En fábricas, en

Speaker A

industrias, amas de casa? Bueno, frecuenta mercados, eh centros comerciales, quiero empresas, bueno, tengo que buscar industriales, niños en colegios. Entonces, ya miren que no tengo que buscar la población, sino que lo defino en un lugar particular. ¿Qué es lo que hay que hacer? Ese lugar que

Speaker A

tengo aleatorizo ahí, hago muestreo aleatorio y ya está. Entonces, si tengo tres grupos, como veíamos ahorita, saco 120 niños aleatoriamente de ese lugar. Sigo haciendo aleatorio, sigo ha siendo muestreo probabilístico, pero ya mi población se es más específica, se definió

Speaker A

físicamente porque en ese lugar se conglomeran los datos. Eso es por racismos. Lo único que cambia es que hay un paso adicional y es que hay que seleccionar el racismo y luego se hace la selección aleatoria. Ya está.

Speaker A

Entonces, bueno, si en la institución hay tres grupos, seleccionemos aleatoriamente uno de los grupos.

Speaker A

¿Listo? para no para evitar el sesgo que hablamos ahorita como del rector. Y ya luego ahí sí aleatizamos y nos vamos a los 120 niños del grupo aleatoriamente elegido. Son dos alaterizaciones para elegir el racismo más adecuado. Ya está.

Speaker A

Muy rápido, insisto, porque creo que ya entendieron la lógica y me interesa que pasemos al siguiente. ¿Listo? Entonces, en esta dinámica espero que ya haya quedado un poquito más claro muestre lo probabilístico, es buscar que garanticemos la representatividad de mi

Speaker A

muestra con la población, que queden muy parecidos para que si hable de la muestra, hable de la población. Ese es el punto. Si eso quedó claro, avancemos en estos, creo que si no les molesta, nos extendemos 5 o 10 minuticos más para

Speaker A

que al menos hablemos un poco de la no probabilística. Lamento mucho pues que quedemos corticos, pero ya ustedes pueden ver es mucho tiempo.

Speaker A

Entonces, ¿qué pasa? Todo esto que estamos haciendo y vimos hace momento tiene sentido si yo quiero representar a la población.

Speaker A

Pero si no me interesa eso, todo lo que acabamos de hablar no es necesario. ¿Para qué vas a seleccionar aleatoriamente? No, no. tú necesitas es un caso específico, un caso concreto que tenga ciertas características para hablar de tu caso,

Speaker A

de tu fenómeno. Ahí es donde entra el muestreo no probabilístico, ese último que ante todo tiene que ver con la investigación cualitativa. Como les digo, no es exclusivamente en ellos, pero ellos no tienen otra acción porque es que su interés no es representar a la

Speaker A

población, es entender el caso concreto. Por eso, justamente aquí la unidad de análisis y de muestreo es diferente, como ustedes vieron hace un momento.

Speaker A

Entonces, el muestreo aleatorio, sea estratificado, sea por racimos, tiene dos momentos fijos de definición.

Speaker A

Primero fijamos la población, que será ya siempre esta, y de ahí fijamos una muestra que será siempre la misma. Esa dinámica, de nuevo, tiene que ver con la representatividad.

Speaker A

En cambio, en la investigación cualitativa cambia la lógica del muestreo. Ya la muestra no es una muestra fija, ellos lo suelen llamar, que me parece muy bonito, una muestra viva. ¿Cómo así? Yo puedo iniciar con una persona, ya está, y comienzo a hacer

Speaker A

la investigación con ella, obtengo información. Supongo que ya en la sesión con la doctora Katia ya vieron lo que es triangulación, lo que es codificación, lo que es extraer categorías y lo que se busca que es la saturación teórica. Se

Speaker A

busca que con esta con cada las personas que tengo tengamos tanta información que ya se está repitiendo y por tanto ya agotamos. Eso lo llama saturar. Entonces que con esa persona comenzamos, comenzamos y pucha, mira, salió este tema y no lo habíamos pensado,

Speaker A

oíste, ¿quién nos sirve para eso? No, necesitamos otra persona, cogemos otra persona y la añadimos y comenzamos a hablar con esa persona y ya comenzamos a tener información sobre ese tema y ya quedamos clarísimos y nos cubrió otro

Speaker A

tema. Cubre otro tema y de repente aparece una nueva categoría. Ah, fue pucho. Entonces, necesitamos otra.

Speaker A

constantemente toca estar mirando cómo las personas con las que hemos trabajado nos dan información sobre el análisis que queremos lograr. Recuerden, el objetivo acá es entender a profundidad un fenómeno.

Speaker A

¿Cuándo es suficientemente profundo? Esa es una pregunta clave que hay que hacer acá. El punto es que la gente con la que trabajamos, la muestra que obtenemos debe tener características que nos permita profundizar.

Speaker A

Entonces, aquí viene un reto enorme. Uno puede, por ejemplo, iniciar acercándose a comunidades y decir, "Bueno, ¿con quién vamos?" Bueno, con el líder político de la zona. Usualmente aquí en Colombia llaman juntas de acción comunal que son unidades por barrios que se que

Speaker A

administran como decisiones de pues como cuidado de zonas verdes, propaganda, zonas de ruidos, espacios públicos.

Speaker A

Entonces esos tienen decisión. Yo puedo decir, "Venga, yo quiero entender esta comunidad que es muy interesante, voy a ir con el líder comunitario." Y empezamos a hablar con el líder y puede ser que en el proceso que hablamos con

Speaker A

él nos damos cuenta que él no es el líder realmente, que sí que fue elegido y que administra eso, pero es don Julio el de la tienda de la esquina que por su carisma, por su historia con la gente,

Speaker A

porque los ha apoyado, es realmente la gente quien lo ve como líder. Entonces, sí, sí, muy bacano, don Jacinto, que nos ayudó, el líder de de la Junta de Acción Comunal, pero es que, hermano, usted no me está dando toda la

Speaker A

información, tengo que volver y voy con esta persona, el de la tienda, que me puede dar más información, me permite profundizar en cosas que el otro no.

Speaker A

O puede ser al revés, puede ser que en el proceso cosas que no conocía del fenómeno se van abriendo porque justamente estoy metiéndome. Piensen la etnografía que entiendo ya la tuvieron que haber visto. Cuando comienza a entrar la dinámica cultural de una

Speaker A

población, puede ser que habían dinámicas que yo no conocía y que tengo que entender. Entonces, resulta que no sé, eh, hay una cosa interesante en un lugar donde yo trabajé mientras estudiaba, era un parque recreativo y había una tradición que siempre me llamó

Speaker A

la atención y es que cuando tú salías a vacaciones y descansabas, al volver tú debías traer dulces para todos. Tu forma de regresar era traerle dulces a todos que si estuvieron trabajando fuertemente mientras tú vacacionabas.

Speaker A

Y es una dinámica que se instaura ahí y que hay que entenderlo y que puede ser que al inicio cuando alguien quisiera conocer cómo funcionaba ese grupo de trabajo no tiene tuviera ni idea y entonces bueno, venga, ¿quiénes son los

Speaker A

que empezaron esa tradición? ¿Por qué se instauró? ¿Qué pasa si alguien no lo hace? Entonces, podríamos buscar a alguien que no haya seguido la tradición y que sintió, qué pasó frente al que sí la siguió. Miren que ya aquí la elección

Speaker A

de con quién voy a trabajar es distinta. la el concepto de representatividad es muy diferente.

Speaker A

Por eso, de nuevo, aquí cambia un poco la lógica y se alinea con lo que habrán hablado la sesión pasada sobre cómo es el análisis en un análisis cualitativo.

Speaker A

¿Listo? constantemente se pueden añadir nuevos casos, se puede reformular, al final puede ser que incluso se saquen nuestras, digamos, venga, es que nos dijeron que esta persona era importante y luego nos dimos cuenta que esa persona no nació en esta comunidad y nuestra

Speaker A

investigación es sobre gente que nació acá y se crió acá. Claro, esta persona nos dio información, pero no es el caso que queremos estudiar, no bajo, sale.

Speaker A

Entonces ahí el concepto de muestra, noten que cambia. Es realmente un grupo de personas, de individuos, de casos, de organizaciones que se necesita obtener datos de ellos, no porque se quiera representar, sino que acá hay un propósito, hay una

Speaker A

intención, hay una característica definida que me interesa. Y así si entienden esta diferencia, miren que la pregunta por el tamaño de la muestra que hacíamos antes de la representatividad acá ya no es necesaria. No tiene sentido, ¿no? Decir cuál es el tamaño de

Speaker A

la comunidad para ver cuántas personas. No, no, no. Es que puede ser que con entrevistar a una ya es que será el duro, el que la memoria viva de la comunidad. O puede ser que no, que necesitemos tres, cuatro, cinco. Aquí el

Speaker A

tamaño ya no es de representar para poder generalizar, sino que lo que necesitamos es profundidad. De manera que el criterio clave en una investigación cualitativa va a seguir otros aspectos que no son de la generalización.

Speaker A

Hay tres que me parecen eh que Sanier Hernab lo mencionan y que con quienes conozco cercanos que hacen verón cualitativa, los he hablado, lo hemos discutido y efectivamente son criterios orientadores. El primero, y esto es muy importante, esto a veces se le olvida a

Speaker A

quien hace por primera vez su estudio cualitativo, es la capacidad operativa. Una de las cosas que siempre me llama mucho la atención es que hay una distorsión muy curiosa de que la investigación cuantitativa es muy difícil y la cualitativa es muy fácil. Y

Speaker A

al revés, que la cualitativa es muy fácil y la cualitativa es muy difícil. Usualmente el difícil lo defiende quién suele ser uno y otro, pero es absurdo.

Speaker A

Si ustedes miran, ambos son difíciles y ambos son fáciles. Hay cosas muy fáciles en uno y cosas muy difíciles y hay cosas muy fáciles en uno y muy difíciles en otro.

Speaker A

Entonces, claro, una cosa que se dice fácil de la cuantitativa es si tú haces una encuesta, ¿cuánto te demoras por persona? Lo que la persona responda, ya está. Y el análisis, si son preguntas cerradas, eso sale de una. Análisis

Speaker A

estadístico y pum. Pero es difícil entender todo ese análisis. Pero acá es otra vez. Es como mientras que operativamente con cuantitativo puedo ver 100 personas rápidamente en un análisis cualitativo, una persona me puede tomar meses, meses.

Speaker A

Y cada sesión con ellos es al menos una hora de entrevista, una hora de transcripción de la entrevista, dos horas de codificación y por ahí 3 cu 5 horas de comenzar a establecer relación con entrevistas.

Speaker A

Ucha. Entonces, entre más gente metas, más se te crece porque tienes que hacer la entrevista, transcribir, codificar, articular, triangular se llama. y luego comenzar ya a redactar eso.

Speaker A

Con tres personas tienes para meses de trabajo, maestro. Buenas entrevistas. Dale, maestro. Yo yo tengo ahí una pequeña duda. Bueno, una duda. Eh, ese método de triangulación, eh, ¿qué qué es en realidad lo que se triangula? ¿Qué qué qué aspectos o qué

Speaker A

dimensiones son las que se triangulan? Dale. Yo recuerden, yo soy investigador cuantitativo, realmente me dedicado a diseños experimentales, pero por mi formación también domino la investigación cualitativa. En investigación cualitativa hay dos usos del concepto de triangulación. La primera, que es la como la correcta, lo

Speaker A

que la mayoría menciona, es que se triangulan fuentes de información. ¿Listo? Entonces, ¿qué puede ser? Tengo las entrevistas, tengo los registros históricos y tengo las noticias políticas.

Speaker A

Son fuentes diferentes, pero si busco articularlas, lo que estoy ganando es confiabilidad. Estoy buscando que lo que las entrevistas me están diciendo coincida con datos objetivos y con registros históricos y al revés, que los datos objetivos históricos puedan eh

Speaker A

significarse en los relatos de las personas de la comunidad. Entonces, un primer uso es las fuentes. ¿Para qué?

Speaker A

para que se gane confiabilidad, validez, que en el en el mundo cualitativo es diferente, ¿no? Sigue siendo investigación, sigue siendo procedimientos científicos, pero los conceptos se usan diferentes, no es la validez, como hablamos, por ejemplo, en los experimentos, donde es la confianza

Speaker A

que tienes de que la manipulación está teniendo efectos sobre lo que estás midiendo. Miren que eso no tiene sentido acá, sino que se entiende de esa manera.

Speaker A

Esa es una, pero yo he visto y por eso lo he usado acá en este caso que el concepto de triangulación también se hace entre fuentes de personas.

Speaker A

Entonces, entreviste a fulanito, entreviste a Penanito y entreviste a este. O cada una de esas experiencias es en sí misma válida y no se cuestiona, pues finalmente no es como esta persona me mintió, no, lo que me reportó me da

Speaker A

categorías, pero puede ser útil comenzar a triangular entre los reportes de las personas sobre eventos específicos relevantes. Entonces, no sé que en una comunidad hubo una inundación tan terrible que articuló a toda la comunidad.

Speaker A

Okay. Lo que me trata Juanito, pendanito y Juan, no sé, Juancito, me puede servir para organizar mejor, para tener más información. La trambulación tiene esta imagen, siempre se hace así porque da la idea de que con más fuentes de

Speaker A

información estás teniendo más cercanía a cómo realmente es la vivencia, el fenómeno, el sentido que tiene.

Speaker A

Entonces, en este caso que les decía es claro, todo ese proceso de triangulación también va al final que tiene que ver también con lo que se llama la codificación axial, selectiva, ¿no?

Speaker A

Abierta, selectiva y axial. La última que estamos hablando acá es la es comenzar a establecer relaciones jerárquicas entre las categorías que han emergido. Eso es un voleo enorme. No sé si tienen boleero, es trabajo, un trabajo enorme. Pero el concepto de

Speaker A

triangulación lo conozco de estas dos formas, para fuentes de información y para datos, para perspectivas distintas para como ganar profundidad sobre uno o aspectos importantes que son relevantes y que van saliendo en el análisis. No sé si respondo Juan.

Speaker A

Excelente. Gracias. Perfecto. Entonces, de nuevo, la inversión cualitativa no es fácil y operativamente toma mucho tiempo, es muy retadora, es de consumirse y por tanto a veces hay que ir puliendo y tomar tiempo. Yo hubo un tiempo que trabajaba

Speaker A

de la mano con una profesora que es de orientación cualitativa fuertemente y estaba haciendo su doctorado y cada que nos veíamos pues hablábamos talent cómo vas, ¿no? transcribiendo al mes que nos veíamos como vas, ya terminé de transcribir y donde yo dijera apenas

Speaker A

sería ofensivo porque ya era muy juiciosa, diario le dedicaba y ahí veíamos si definitivamente toma tiempo.

Speaker A

Entonces eso es un criterio importante. Eh, hay que buscar que sea realista con los recursos que se tiene, con el tiempo, con la capacidad. Usualmente veo que Juan entonces, por ejemplo, acompaña ya estudiantes, estudiantes que están iniciando, meterles a codificar mucho,

Speaker A

los desborda y pierde la posibilidad de aprender a hacerlo bien. Entonces, a veces poco es mejor.

Speaker A

Un segundo criterio es el que estamos hablando de la saturación. ¿Listo? Es cuando ya tenga conocimiento del fenómeno, cuando ya pueda entenderlo. Si logro entenderlo, genial. Si no, si siento que aún me falta, si aún hay información que no me es clara, que

Speaker A

tengo que pensarla mejor, bueno, necesitamos más muestra, necesitamos explorar más. ¿Qué implica más análisis, más codificación, más transcripción? Sí, pero es que tampoco es hacerlo a la guachafita. Hay que hacerlo bien. Cuando logremos ese entendimiento, genial. Eso es lo que llama saturación. ¿Listo? Y

Speaker A

finalmente, el tipo de fenómeno. Hay fenómenos que se pueden captar más fácilmente con unos escenarios que con otros.

Speaker A

Hay muchas dinámicas muy distintas y dependiendo de eso pues cambia la cosa. Esto se adquiere con la práctica, con la sensibilidad del campo, pero de nuevo miren cómo cambió la discusión. Miren todo lo que estuvimos hablando ahorita en nuestro eo probabilístico y miren

Speaker A

ahora lo que estamos hablando en nuestro intencionado, porque es que los objetivos son diferentes. ¿Listo?

Speaker A

Entonces aquí el punto final es de nuevo lograr la satulación y la cantidad. San Pieri también les recomienda algunos casos. Aquí yo sí les digo no conozco con suficiencia. En el caso de los quanti, si es una tabla crítica porque

Speaker A

se crea un criterio estadístico no conceptual. Aquí se me escapa, se los dejo como información porque eh depende, listo, depende mucho como de la experiencia. Yo no sabría qué tan acertado sea esto. Eh, si hay un encuentro más adelante con otro docente

Speaker A

experto en eso, podrían preguntarle este aspecto porque acá sí reconozco como mi limitación, pero es una recomendación que está ahí. De nuevo, creo que estas tablas siempre son sugeridas, son orientaciones, pero lo que veíamos antes conceptualmente es lo importante.

Speaker A

¿Listo? Y bueno, finalmente creo que me a saltar esta diapositiva que les quedará ahí como recomendación. Voy a saltarme esa esta que sí me parece un acierto en San Pier y colaboradores y es que les muestran un montón de estrategias de

Speaker A

cómo intencionar una muestra no probabilística. Hay de muchísimos tipos. Y aquí el punto clave es de nuevo que se está eligiendo por una característica, no por representatividad.

Speaker A

De estos hay varios que son muy útiles. Voy a usar, si ustedes les parece bien, 5 minuticos solo para mencionar al menos los que más me parecen relevantes, pero en la diapositiva les dejo en cada una de ellas la definición y algunas eh

Speaker A

explicaciones adicionales para que queden claros todos estos. ¿Listo? Entonces, acá están las diferentes diapositivas, insisto, para que puedan consultarlas, pero me interesa ante todo que no los vean como algo que hay que aprenderse de memoria, sino más bien

Speaker A

como, ey, tengo esto, ¿qué hago? Una de las más útiles que más se aprovecha tanto en Quanti como en Quali es esta de acá, que él los llama muestra en cadena, pero también en nuestro panorama Latinoamérica se le llama bola de nieve.

Speaker A

¿Cómo así? Puede ser que yo contacté a una persona y esa persona me representa el fenómeno.

Speaker A

Por ejemplo, en la maestría, cuando nos cuando vimos esto, la doctora que estaba a cargo nos contó que ella trabajó con personas con VIHID, que estaban infectados y eh que eran hombres. Por muchas razones encontrar personas que reconozcan esas condiciones es difícil.

Speaker A

Entonces, lo que ella hacía era que una vez contactaba a la persona y tenían toda la experiencia de la investigación para que vieran lo bonito, lo que ella quería lograr, pensar la experiencia de ellos, decía, "Ey, conoces a alguien más

Speaker A

que pudiera participar de esta investigación." ¿Sabes que Julanito, yo no sé si él va a participar, pero mire, aquí le doy el dato. Y ella llamaba a Julanito y le contaba, "Ey, una persona participó en la investigación, me contó

Speaker A

que tú podrías ser parte. Te voy a contar, no estás obligado, te interesaría." La persona puede decir sí de una. Y entonces ya he ganado otra muestra, un caso que de otra manera no habría encontrado o habría sido muy difícil. Y

Speaker A

así se va yendo. Se llama bola de nieve por pues me imagino que lo han visto en caricaturas o en documentales que las bolas de nieve conforme van bajando al inicio son chiquiticas, pero conforme va bajando la daera va creciendo y va

Speaker A

creciendo y va creciendo hasta que se vuele se vuelve una bola enorme. Puedo hacer toda mi muestra, puedo alcanzar la saturación, puedo alcanzar el entendimiento así por referidos. Ese es muy bonito, muy útil y siempre puedo hacer eso, siempre puedo preguntar,

Speaker A

puedo buscar, eso me ayuda un montón, pero hay, no sé, supongo que se entiende. Acabo de ir mencionando algunas. Si no se me entiende, me preguntan. Si alguna de las que están leyendo ahí les llama la atención y

Speaker A

quieren saberla, me preguntan. Listo, yo simplemente voy a mencionar unas cuantas para que vean el mundo que hay. Una que me parece también muy bonita, que les muestra la experiencia en la investigación. Creo que no se los he dicho al inicio, pues no los acompañé

Speaker A

esa primera parte, pero yo soy un fiel creyente de que la mejor manera de entender la investigación es como una forma de vida, de preguntarse por las cosas, de pensar los fenómenos. Y cuando uno se pone como esa forma de vida, esas

Speaker A

gafas para ver el mundo, es un mundo de oportunidades. Eso tiene que ver con la muestra por conveniencia.

Speaker A

Ahí realmente hay que separarlas. Hay una muestra oportunista y una muestra por conveniencia. La por conveniencia es de las más utilizadas y tiene que ver con lo que decíamos ahorita. Entonces, no sé, voy a usar un nombre cualquiera,

Speaker A

Guideón. Gideón quiere estudiar con niños y su esposa justo es profesora de niños. Bueno, aprovéchela, pida la autorización, ella le va ayudar con el rector, con los espacios. Háganle.

Speaker A

Venga, ¿te interesaba ese grupo en particular? No, realmente ese grupo en sí mismo no era lo importante, pero ey, lo tenía a la mano, me permite comenzar a pensar el fenómeno. Es mejor iniciar de una parte que simplemente quedarme a

Speaker A

secas esperando a tener un grupo eh propiamente. Entonces, ey, me sirve el muestreo por conveniencia, se los aseguro, van a verlo en muchos artículos y es muy amplio a lo que se refiere es la selección tiene que ver con un asunto

Speaker A

de accesibilidad, de facilidad, de conocimiento, de red de contactos que permitieron seleccionar ese grupo, no porque fuera un caso específico, no porque fuera eh, por ejemplo, muestra de expertos, no porque tuviera una característica predominante que hacía que ese grupo fuera importante, sino que

Speaker A

estaba a la mano. Eso es útil, pero el otro cuando se llama oportunista, esa es de las más bonitas porque usualmente quien hace eso es alguien que está pensando el fenómeno todo el tiempo. Y nuevamente esta docente de la maestría nos contó un caso

Speaker A

chévere y es que ustedes ya han tomado un taxi, ya han hablado con taxistas o conversadores, ponen charla. Ella un día se montó al taxi, iba para la universidad y el taxista le empieza a preguntar, "Ah, ¿para dónde va?" para la

Speaker A

universidad. Ah, y que es allá, ¿no? Soy eh profesora y además está haciendo mi investigación de doctorado. Sí, de qué la está haciendo. Y comenzó a contarle y el tachista le dijo, "Ay, mi hermano es perfecto para su

Speaker A

investigación. Yo le voy a decir que vaya." Hombre, ¿cómo vas a despreciar un caso representativo que es perfecto de tu fenómeno y que lo encontraste porque te pudiste hablar con el taxista?

Speaker A

va para dentro. Todo eso es posible. Miren lo diferente y lo variado que es, pero lo importante es mencionarlo en el método. Cuando se describe cómo tuviste tu muestra, debes poder darle nombre a eso. Debes poder decir, "Mire,

Speaker A

mi muestra fue así." Y ya uno puede pensar, puede ser que estas nuestras oportunistas son muy brutales, muy chéveres, o también que hay que tomarlo con pinzas porque no sabemos realmente qué pasó. Puede ser que el dentista haya dicho, "Ey, mi

Speaker A

hermano es perfecto. Va y le cuenta al hermano." Y el hermano dice, "¿Usted por qué me expone de esa manera? Yo no quiero participar, ya me tocó." y la persona va obligada y tal vez con reticencia y tal vez la información que

Speaker A

ofrece habría sido muy distinta si el contacto hubiera sido diferente y no hubiera sido por el hermano.

Speaker A

Siempre está esa posibilidad y eso afecta justamente el significado, el captar la dinámica de la persona. Noten de nuevo como la muestra con quien trabajamos no es un asunto menor. Cambia radicalmente cómo podemos pensar las cosas. ¿Listo?

Speaker A

Hay de muchos tipos. Hay muestras que uno busca que sean homogéneas, que sean lo más parecidas posible porque me interesa un grupo concreto o al revés.

Speaker A

Quiero casos extremos, creo que este no es esta, perdón, muestras variadas, que es la opuesta y es que me interesa es que sea lo más variado posible para tener muchas perspectivas.

Speaker A

depende de mi objetivo. Hay muestras que pueden ser más bien conceptuales, que se llaman muestras teóricas o muestras de expertos que básicamente se busca no es gente que haya vivido el fenómeno, sino que lo haya estudiado, que lo haya

Speaker A

conceptualizado, que lo haya pensado. Y comenzamos justamente a ver que finalmente esto es una dinámica de solucionar el mundo de tengo esta pregunta, ¿cómo hago para responderla? ¿De dónde saco gente? ¿Cómo lo tengo? ¿Qué características necesit?

Speaker A

Entonces, todos estos nombres y toda la diapositiva que quedan antes con lo que ustedes pueden justamente ver y leer las que tengan dudas, son formas que tenemos ya para conseguir esa muestra con la que trabajar. El punto clave, de nuevo, es

Speaker A

que la validez aquí no es porque sean representativas, sino porque permitan pensar el caso particular. Ese es el reto y para eso hay muchas formas que es la que se resumen acá. Eso es finalmente como toda la dinámica que tenemos y en

Speaker A

este caso solo como comentario para la IA, porque la idea es que ustedes vean esto también apoyarse en la IA.

Speaker A

Es lo que les decía ayer, que ojalá pudieran ustedes ya tener como una idea de con quién quieren trabajar, como miren, mi interés es estudiar si están inves cualitativa, por ejemplo, la experiencia subjetiva de madres, cabeza de hogar que además estudia.

Speaker A

Okay. ¿Cómo puedo conseguir estas personas? ¿Cómo podría obtenerlas? Le pedís al chatt e mira y él te va y y la mejor una cosa importante es lo que les dije al inicio, ahorita pídanle que les pregunte como qué información necesitas

Speaker A

de mis condiciones para sugerirme la mejor muestra posible. Entonces, bueno, te va a decir, ¿tienes acceso a una población particular? Tú puedes decir, "Sí, tengo una sociedad de madres cabeza de hogar." No, no es con nadie. Eh, ¿cuántas personas necesitas? Bueno,

Speaker A

inicialmente he pensado cuatro personas, pero puede variar porque es una misión cualitativa, tal. Y esas preguntas le dan información, les obliga a ustedes a pensar y ya luego la le dice, "Bueno, yo te recomendaría con lo que me has

Speaker A

contado que puedes hacer esto, puedes rastear de esta manera, yo haría una convocatoria de este tipo, yo buscaría estas formas y eso les da ideas, les da opciones. Lo importante de nuevo es eh que ustedes puedan reconocer de dónde

Speaker A

sacar los datos y cómo porque de nuevo recuerden eso cambia como interpretamos los datos. Okay, no sé si es claro, se entiende, muchachos. Se nosieron 20 minuticos, me disculpo por eso, pero es que es un tema mucho más amplio

Speaker A

realmente y que tiene bastantes matices. No sé si es claro hasta acá, si hay alguna duda, pregunta o funciona nuestra sesión.

Speaker A

Muy claro todo. Gracias, doctor. Muy amable. Perfecto, Juan. Me alegro que haya sido claro. Catherine, también qué bueno que pudiste seguir la presentación. Entiendo que no hay preguntas, no sé los demás. Y no vamos cerrando por acá y hay algunos que están escribiendo.

Speaker A

Ya estamos como despidiéndonos. Perfecto. Ah, dale. Ah, no estaba como despidiendo. Muy bien. Listo, muchachos. Entonces, creo que vamos a cerrar aquí la sesión. Yo ya le enviaré la grabación, las diapositivas y el Excel para que puedan jugar con él a Miguel para que se los

Speaker A

monte al Classroom. Listo. Recuerden que ya mañana siguen con su próxima sesión. Nuevamente, muchas gracias a todos por la compañía, por estar atentos y por haber permitido el cambio de fecha. Eh, disfruten el resto del curso que les

Speaker A

queda. Hasta luego a todos.

Topics:universopoblaciónmuestrainvestigacióncuantitativocualitativovalidez internavalidez externadiseño experimentalselección de muestra

Frequently Asked Questions

¿Por qué es importante delimitar claramente la población en una investigación?

Delimitar la población permite que la investigación sea transparente, sujeta a crítica y réplica, y asegura que la muestra seleccionada sea adecuada para responder a los objetivos del estudio.

¿Cuál es la diferencia entre la muestra en investigación cuantitativa y cualitativa?

En investigación cuantitativa la muestra busca representar una población para generalizar resultados, mientras que en cualitativa la muestra se enfoca en casos particulares para entender fenómenos específicos sin buscar generalización.

¿Qué significa validez interna y validez externa en un diseño experimental?

La validez interna se refiere a la confianza de que los resultados se deben a la intervención realizada, mientras que la validez externa indica qué tan generalizables son esos resultados a otras poblaciones o contextos.

Get More with the Söz AI App

Transcribe recordings, audio files, and YouTube videos — with AI summaries, speaker detection, and unlimited transcriptions.

App Store Google Play

Or transcribe another YouTube video here →