Muestreos No probabilisticos: Muestreo de Bola de Nieve y cómo aplicarlo
Universidad Politécnica Territorial de Falcón "Alonso Gamero"
T3T1 Sec 02 PNFI
Unidad Curricular - Matemáticas Aplicadas
Introduciendo un poco en materia, el proceso de recopilación de datos y muestras dentro de la investigación es una herramienta fundamental para obtener información precisa y significativa de lo que se desea estudiar u observar. En este contexto, existen dos enfoques principales, el muestreo probabilístico y el no probabilístico; el primero se basa en la aleatoriedad, mientras que la segunda se caracteriza por la ausencia de esta aleatoriedad, de este último es en el que nos enfocaremos dentro de esta investigación.
Dentro de los muestreos no probabilísticos, existe un muestreo en particular llamado bola de nieve... ¿pero qué es el muestreo bola de nieve o para qué sirve? Pues he aquí la respuesta a esa duda:
Muestreo de Bola de Nieve
El muestreo de bola de nieve, es un muestreo no probabilístico peculiar que se diferencia de los demás muestreos más que todo por el enfoque que obtiene al ser utilizado en poblaciones difíciles de definir o de acceder, como personas con experiencias únicas o grupos sub-culturales, de las cuales el investigador no pudiera llegar a acceder directamente. Es aquí donde cobra esencia este método, la cual se basa en la construcción de una red de participantes, donde el individuo principal ejerce el rol de semilla, puesto que este va reclutando o refiriendo a otros participantes el cual considera que tiene características o rasgos que cumplen para entrar a la muestra, estos participantes van refiriendo a otros más y así sucesivamente, es por esto que se le conoce como nodo semilla; y le hace tributo al propio título del muestreo "bola de nieve", puesto que la bola de nieve empieza desde un inicio pequeña y van construyéndose cada vez más, creciendo como una red continua.
Como es de notar, el muestreo de bola de nieves tiene la gran ventaja referente al acceso a poblaciones ocultas o difíciles de localizar o de estudiar, por lo cual es un método formidable para este tipo de investigaciones. Sin embargo, debemos tener en cuenta que presenta ciertas desventajas o desafíos a enfrentar, como por ejemplo el sesgo en la selección, debido a que los participantes son quienes se seleccionan y refieren, por lo cual puede existir una tendencia a reclutar personar con experiencias o características similares al anterior participante, lo cual puede distorsionar los resultados. Además de ello, este tipo de resultados no son generalizables a toda una población, por lo cual la aplicación del mismo debe ser considerado dentro de un marco específico.
Aplicación:
A continuación, realizamos la misma encuesta que en el anterior muestreo opinático. Sin embargo, esta vez comenzamos seleccionando a un estudiante de ingeniería en sistemas, el cual tiene cierta relación con áreas de la programación, en este caso el participante Oscar. Aquí el modelo de la encuesta:
El muestreo comenzó con Oscar, este respondió a la encuesta y refirió a José, este respondió a la encuesta y refirió a Gabriel, y finalmente este refirió a Franklin. Veamos los resultados:
Interpretación de los resultados:
Como vemos, la encuesta tuvo éxito al menos 3 veces, puesto que se refirió 3 veces a un nuevo participante. Sin embargo, cabe mencionar que, Oscar, quien fue el primer seleccionado tenía conocimientos muy básicos acerca de Python, al siguiente que nos refirió el cual fue José también tenía conocimientos muy básicos, este nos refirió luego a Gabriel, quien por los resultados se notó que tenía conocimientos generales de Python. Ahora bien, el último referido fue Franklin, que para sorpresa de nosotros los investigadores fue el que más conocimiento tenía en Python, se pueden notar varios resultados donde existe un 25% en opciones de conocimiento intermedio, las cuales fueron del participante Franklin, el cual se documenta más que todo de forma autodidacta sobre el lenguaje Python y suele practicarlo frecuentemente con muchos proyectos basados en este mismo lenguaje. Por lo cual se puede decir que existió una gran sesgo en la muestra, puesto que la mayoría conocían de forma general el lenguaje pero no a un nivel alto, pero que al final del todo pudimos acceder a un individuo que contemplaba de una manera más solida sobre el conocimiento de Python como lenguaje de programación, este vendría siendo la población oculta de la que se busca con el muestreo de bola de nieve. Y que a pesar de que el muestreo terminó en dicho punto debido a que Franklin no pudo referir a alguien más, se puede concluir que el muestreo al final cumplió con su objetivo.
Comentarios
Publicar un comentario