El tamaño de la muestra representa el número de observaciones realizadas para realizar un análisis estadístico. Los tamaños de muestra pueden estar compuestos por personas, animales, lotes de alimentos, máquinas, baterías o cualquier población que se evalúe.

Muestreo aleatorio

El muestreo aleatorio es un método mediante el cual se recolectan muestras aleatorias de un población para estimar información sobre la población sin ser parcial. Por ejemplo, si desea saber qué tipo de personas viven en una determinada ciudad, debe entrevistar /medir a diferentes personas al azar. Sin embargo, si acaba de utilizar a todos en la biblioteca, no obtendría una estimación imparcial o imparcial de cómo es la población en general que ocupa la ciudad, solo las personas que van a la biblioteca.

Precisión

A medida que aumenta el tamaño de las muestras, las estimaciones se vuelven más precisas. Por ejemplo, si seleccionamos al azar a 10 humanos adultos, podríamos encontrar que su altura promedio es de 6 pies y 3 pulgadas de alto, tal vez porque hay un jugador de baloncesto que infla nuestra estimación. Sin embargo, si medimos dos millones de humanos varones adultos, tendremos un mejor pronosticador de la altura media de los hombres porque los extremos se equilibrarían y el promedio real eclipsaría cualquier desviación de la media.

Intervalos de confianza

Cuando un estadístico hace una predicción sobre un resultado, a menudo construye un intervalo alrededor de su estimación. Por ejemplo, si medimos el peso de 100 mujeres, podríamos decir que tenemos un 90 por ciento de confianza en que el peso real y promedio de las mujeres está en el intervalo de 103 a 129 libras. (Esto, por supuesto, también depende de otros factores, como la variabilidad en las mediciones). A medida que aumenta el tamaño de la muestra, confiamos más en nuestra estimación y nuestros intervalos se vuelven más pequeños. Por ejemplo, con un millón de mujeres, podríamos decir que tenemos un 98 por ciento de confianza en que el peso real y promedio de las mujeres está entre 115 y 117 libras. En otras palabras, a medida que aumenta el tamaño de la muestra, nuestra confianza en nuestras mediciones aumenta y el tamaño de nuestros intervalos de confianza disminuye.

Error estándar

La variación es una medida de la diseminación de datos alrededor de la media . La desviación estándar es la raíz cuadrada de la variación y ayuda a aproximar qué porcentaje de la población se encuentra entre un rango de valores relativo a la media. A medida que aumenta el tamaño de la muestra, disminuye el error estándar, que depende de la desviación estándar y el tamaño de la muestra. En consecuencia, las estimaciones aumentan en precisión y la investigación basada en estas estimaciones se considera más confiable (con menos riesgo de error).

Dificultad en el uso de tamaños de muestra más grandes

Los tamaños de muestra más grandes obviamente producen mejor, más estimaciones precisas sobre las poblaciones, pero hay varios problemas con los investigadores que usan tamaños de muestra más grandes. En primer lugar, puede ser difícil encontrar una muestra aleatoria de personas dispuestas a probar un nuevo medicamento. Cuando lo hace, se vuelve más costoso proporcionar el medicamento a más personas y monitorear a más personas a lo largo del tiempo. Además, se necesita más esfuerzo para obtener y mantener un tamaño de muestra más grande. Incluso si los tamaños de muestra más grandes producen estadísticas más precisas, el costo y el esfuerzo adicionales no siempre son necesarios, ya que los tamaños de muestra más pequeños también pueden producir resultados significativos.