A煤n no tienes acceso a esta clase

Crea una cuenta y contin煤a viendo este curso

Prejuicio en el muestreo

10/24
Recursos

Aportes 97

Preguntas 4

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesi贸n.

Es como esas encuestas de Twitter donde todos los de X ideolog铆a le dan a compartir lo mas posible, y al final quienes respondieron la encuesta fue un grupo homog茅neo( precisamente quienes adhieren a esas ideas )

Y despu茅s, esa encuesta la usan como argumento para validar su creencia, es como un circulo de auto regocijo y validaci贸n .__.

Un ejemplo de esto es cuando quieres emprender. Haces un 鈥渆studio de mercado鈥 y compartes una encuesta en todas tus redes sociales y con tus amigos. Casi todos responden que s铆 comprar铆an tu producto. El error aqu铆 est谩 en que son tus amigos y de cierta forma ya estaban pre-interesados en el producto.

Los peri贸dicos en mi ciudad suelen hacer encuestas en facebook y las publican como una investigaci贸n representativa, pienso que nos son v谩lidas por que muchas personas no tiene celular o cuenta en facebook, y este grupo es importante cuando definen temas como ser salud, educaci贸n o inclusive orientaci贸n pol铆tica.

Los cl谩sicos estudios que hacen las universidades, y paginas y programas de televisi贸n difunden, as铆 como tu lo mencionas

Estudios cient铆ficos en la universidad de **** muestran que:
*Si te gusta el caf茅 amargo tienes m谩s probabilidades de ser un psic贸pata
*Si eres impuntual tienes alto IQ
etc, etc鈥

En mi pais hacen encuestas de solo 100 personas a gente de clase alta sobre problematicas de clase media : v .

Se podr铆a decir, en el caso del coronavirus, las personas estudiadas no es una muestra representativa ya que solo se estudian a las personas que muestran s铆ntomas, sin embargo, hay personas que no presentan s铆ntomas y entonces en ese caso en los datos que muestra cada naci贸n sobre las personas infectadas no es representativa.

En pocas palabras Una muestra proveniente de una 谩rea solo sirve para obtener conclusiones de esa 谩rea.

Las encuestas de noticias caracol.

Un video de Freddy en el canal de Platzi, para terminar de cerrar conceptos de probabilidad y estad铆stica: Link

Les comparto algunos sesgos que se generan en la elecci贸n de la muestra
Sesgo por elecci贸n de la muestra

  • Sesgo por conveniencia: no hay una muestra variada

  • Sesgo por personal: Ejemplo, un pol铆tico le pregunta al encuestado quien va a ganar las elecciones

  • Sesgo por respuesta voluntaria: si hay respuesta voluntaria hay sesgo, se elige a quien se le va a preguntar

yo no tengo ninguna pero quiero puntos xs

Un error que puede ser que en los estudios socioecon贸micos de hace unos a帽os, preguntaban siempre por el n煤mero de lamparas o focos que ten铆as en casa y asum铆an que el tener muchos focos era porque viv铆as en una determinada situaci贸n socioecon贸mica pero creo que estaba mal dado que en muchas ocasiones hay muchas personas de la misma familia viviendo en una sola casa y aunque tomen en cuenta el numero de habitantes, o si se cuenta con ciertos equipos electrodom茅sticos, 茅stos pueden ser compartidos por muchos.

En la universidad nos tocaba hacer un estudio de las personas que usaban bicicleta vs otros medios de transporte. La encuesta fue publicada en el grupo de las personas que se mov铆an en bicicleta con el fin de tener mas datos.

Nos dio que la mayor铆a de las personas usaban bicicleta, lo cual no era correcto por que se hizo la encuesta en el grupo incorrecto.

Prejuicio de muestreo
No podemos realizar inferencia estad铆stica si nuestros datos no son aleatorios. Si tenemos una muestra aleatoria de un grupo especifico de la poblaci贸n no podemos generalizar nuestros resultados a toda la poblaci贸n. Esto pasa muy a menudo puesto que muchas veces es dif铆cil conseguir muestras de toda la poblaci贸n as铆 que tomamos muestras de un subgrupo m谩s accesible:

Ejemplos:

  • En la mayor铆a de estudios sociales los experimentos se realizan con estudiantes universitarios puesto que son un grupo muy accesible 鈫 esto nos da una muy buena muestra de los estudiantes universitarios, no as铆 de la poblaci贸n en general
  • Todo lo que sabemos de nuestros antepasados (antes de la construcci贸n de ciudades y la escritura) proviene de las muestras encontradas en las cavernas, sin embargo la mayor parte de la poblaci贸n viv铆a al aire libre donde es m谩s dif铆cil conservar la evidencia

hace muy poco se presento un estudio en donde el resultado arrojo que la mayor铆a de los habitantes con edad laboral en Chile ganaban casi mil d贸lares al mes como sueldo base o sueldo m铆nimo; es evidente que el estudio estuvo sesgado desde el comienzo ya que solo se realizo al 30% de los ciudadanos con mayor ingreso鈥 un ejemplo claro de un error garrafal de muestreo

En las pruebas saber pro que realizan a los estudiantes en bachillerato, muchas de estas encuestan las hacen y var铆an mucho por que cuando se termina la secundaria le dicen al estudiante algo como, y ahora cual es tu camino a seguir, y en realidad muy pocos estudiantes lo tienen claro, varia mucho.

Por eso en industrias como la minera o la petrolera la fase de exploraci贸n y muestreo es muy costosa. Tanto si se concluye que la veta o la reserva es rentable como si no.

Creer que por que tengas pareja extranjera tendras un canal de YT y te ira bien鈥 porque hay algunos con esas caracter铆sticas鈥 cuando existen MUCHAS personas con pareja extranjera sin un canal de YT

Sesgos en el razonamiento probabil铆stico:



  • <h3>Heur铆stica de la representatividad</h3>
  • <h3>Insensibilidad al tama帽o de la muestra:</h3>
  • <h3>Concepciones err贸neas sobre las secuencias aleatorias:</h3>
  • <h3>El sesgo de equiprobabilidad</h3>
  • <h3>Enfoque en el resultado aislado</h3>
Las encuestas sobre si llega el Internet a todas partes, pero la encuesta es en facebook
Yo veo esos ejemplos de prejuicios muestrales cuando rankean universidades, si bien hay muchos factores que influyen en el resultado o puntaje de cada universidad los test no son claros en estos factores o variables (al menos en la prensa digital e impresa), en la mayor铆a de los casos no queda claro qu茅 toman en cuenta, pues en cada instituci贸n se manejan de maneras particulares los campos de investigaci贸n, avances en an谩lisis social, desarrollos tecnol贸gicos, etc. cuando en realidad a nivel general una universidad implica mucho m谩s que instalaciones, matriculados, pol铆ticas, tradici贸n, grados, y un largo etc茅tera de trasfondo.

un ejemplo de esto puede ser la manera en que vena a LA desde US, porque algunos latinoamericanos sean criminales creen que eso nos representa a todos.

Tengo dos:

  1. He visto en noticieros algunos casos donde expresan los resultados de una encuestas como lo que opina 鈥渢odo un pa铆s o ciudad鈥 cuando la muestra es de mil personas xd
  2. Una investigaci贸n de mercado realizada a s贸lo personas que compraron tu producto, si el objetivo es conocer m谩s tu p煤blico potencial se debe extender la muestra a quienes tengan caracter铆sticas similares a tu segmento as铆 no hayan consumido lo que vendes

Voy a jugar un poco al conspiranoico.
Un ejemplo son las encuestas en 茅poca electoral. Los 煤ltimos a帽os ganan candidatos 鈥渄e la nada鈥. Entonces, uno se pregunta si realmente entrevistan y/o env铆an las encuestas a una variedad suficiente de personas. Adem谩s, es posible que se cometa el error adrede justamente tomando en cuenta que muchas personas votan de forma 煤til, 鈥減ara que no gane X voto por Y鈥, y es posible que medios afines a alg煤[email protected] [email protected] pretender hacer esta influencia sobre la elecci贸n.

Creo que los mayores errores los identifico en Twitter, cuando la gente cree que x tema de su preferencia es de la preferencia de todos. No entienden qu茅 adem谩s del funcionamiento del algoritmo la gente que ellos siguen no puede ser representativa para afirmar lo que afirman. A lo anterior sumen que por ejemplo en Colombia solo el 2% m谩ximo el 3% de la poblaci贸n usa Twitter, eso no puede ser representativo de nada ni podemos llegar a conclusiones con esa 鈥渕uestra鈥. Saludos.

Las encuentas de los mercaderistas en grandes almacenes de cadena para ofrecerte una tarjeta de cr茅dito

Es muy com煤n ver a los noticieros partidistas haciendo encuestas pol铆ticas en las redes y luego presentando los resultados con gr谩ficas y todo. Pareciera que ignoraran el hecho de que cierto tipo de personas son las que siguen a ese noticiero (los que comparten tal ideolog铆a pol铆tica) y al mismo tiempo, olvidaran que las redes sociales no son tan utilizadas por personas mayores de 50-60 a帽os.

Sin entrar en controversia, evidentemente no es lo que busco pero suena un poco al tema de la brecha salarial. Hay muchas particularidades que no se toman en cuenta, simplemente se toma el grueso de la poblaci贸n, se divide por g茅nero y se saca un promedio

Para corregir esta falacia del prejuicio en el muestreo o de que la muestra tenga una parte demasiado grande de una caracter铆stica en la poblaci贸n, se usan t茅cnicas de calibraci贸n de datos, donde a partir de una muestra de referencia se ajusta la muestra tomada para el experimento.

Cuando se pregunta por la popularidad de un pol铆tico y la encuesta se hace en una instituci贸n educativa.

Necesitas aleatoriedad y representaci贸n, solo eso y ya tienes buenos datos.

Un ejemplo de mala persepci贸n, es cuando nos imaginamos que todos nuestros antepasados, vienen de las cavernas, cuando estos viv铆an en diversos sitios, sin embargo, este prejucio est谩 hecho, debido a que la mayor铆a de la evidencia que hemos encontrado, est谩 en las cavernas. Conclusiones mal hechas.

Los errores de muestreo, pueden tambi茅n deverse a la dificultad para tomar muestras de una poblaci贸n, por lo que se utiliza la t茅cnica de la navaja de Ockham, la m谩s f谩cil es.

Para que un muestreo pueda servur como base para la inferencia estad铆stica tiene que ser aleatorio y representativo.

El prejucio en el muestro, elimina la representatividad.

Otro de los errores m谩s comunes, son los prejucios en los muestreos.

Los medios o los pol铆ticos pueden mostrar datos como los de la brecha salarial por sexos, sin entender la diferencia entre un 铆ndice ajustado (comparamos salarios dentro de los mismos sectores, niveles de cualificaci贸n, etc鈥) y uno no ajustado (comparamos salarios ignorando cualquier otra variable). Ambos datos son 煤tiles para entender la distribuci贸n de nuestras poblaciones y poder llegar a una situaci贸n m谩s equitativa, pero en ocasiones se mal usan estos datos, que, siendo ver铆dicos, hacen que generemos conclusiones err贸neas. Estas conclusiones sesgadas pueden materializarse en leyes in煤tiles o incluso contraproducentes, ya que los legisladores no suelen ser estadistas. Menos David. David es todo.

Prejuicio en el muestreo


  • Para que un muestreo pueda servir como base para la inferencia estad铆stica tiene que ser aleatorio y representativo.
  • El prejuicio de muestreo ELIMINA la representatividad de las muestras. Esto es muy com煤n en los estudios de las ciencias sociales, ya que generalizan los resultados de las muestras a la poblaci贸n en general, haciendo la muestra no representativa.
  • A veces conseguir muestras es dif铆cil, por lo que se utiliza a la poblaci贸n de m谩s f谩cil acceso (casos de estudios universitarios).

Este video de Hernan Casciari explica de manera muy divertida este fenomeno:

https://www.youtube.com/watch?v=_wHXjs7PPTw

Supongamos que est谩s haciendo un estudio de mercado para saber cuanto estar铆a alguien dispuesto a pagar en maquillaje鈥 si le preguntas a la persona que no usa estos productos鈥 obtendr谩s una valoraci贸n incorrecta del producto.
Es muy importante elaborar pasos o filtros al momento de segmentar a fin de no sesgar el muestreo.

No tengo un ejemplo, pero es muy interesante la clase .

Un ejemplo que se ve mucho, son las encuestas politicas que realizan. Para las elecciones presidenciales de colombia por all谩 en el a帽o 2014, era curioso ver todas las paginas en facebook de cada candidato donde mostraban resultados de intenci贸n de voto, y ponian al candidato como ganador a la presidencia, o el que pasaba a segunda ronda. En el ejemplo anterior, se ejemplifica de una manera genial el prejuicio de muestreo, dado que generalizaban a toda la poblaci贸n, al realizar una encuesta a las personas simpatizantes de un candidato.

Encuentro simitud cuando nuestro Sistema de activaci贸n reticular reconoce patrones de algo que estamos estudiando o haciendo y ya aparece en todos lados.

Un ejemplo que veo es cuando canales de televisi贸n o radios (asociados a un movimiento pol铆tico) hacen encuestas. Y como sus Televidentes/Radioyentes tienen la misma ideolog铆a la encuesta se ve y utiliza como argumentos de lo que le pasa o piensa toda la sociedad

Un ejemplo seria que todos los colombianos sean criminales/narcos. No es as铆 ya que eso no es representativo de toda la poblaci贸n colombiana.

Tengo conocidos que basa sus investigaciones en an谩lisis estad铆sticos donde ajustan su poblaci贸n a exclusivamente estudiantes universitarios para evitar estos errores. Claro que esto hace que sus investigaciones sean un poco menos representativas pero al menos lo especifican que trabajaran con cierto sector en especifico.

Para entender mejor esto. les recomiendo una p谩gina que muestra "correlaciones espurias". Aqu铆 muestran muchas graficas con dos variables superpuestas que siguen la misma tendencia pero que no tienen relaci贸n entre ellas. p. ej n煤mero de gente que se ahog贸 al caer en un pozo y el n煤mero de pel铆culas donde Nicolas Cage. Siguen el mismo patr贸n pero obviamente no est谩n relacionadas. https://www.tylervigen.com/spurious-correlations

en la uni tuve un proyecto en el que se necesitaba hacer encuestas a los usuarios finales, pero por culpa de un paro, la indiferencia de nuestros clientes y el covid solo se obtuvo la informaci贸n de 4~5 personas

Notas:
El prejuicio de muestreo ocurre cuando generalizamos una estad铆stica.
En un muestreo debemos hacer que este sea aleatorio y representativo en nuestra inferencia estad铆stica.
Recuerda:
NO generalices tu poblaci贸n.

El muestreo de o por conveniencia es una t茅cnica de muestreo no probabil铆stico donde los sujetos son seleccionados dada la conveniente accesibilidad y proximidad de los sujetos para el investigador.

Un error com煤n son las encuestas telef贸nicas porque dejan de lado diferentes tipos de poblaci贸n

Un error frecuente en el 谩rea m茅dica es pretender extrapolar los resultados de una investigaci贸n a enfermos que acuden a hospitales, ya que ellos representan 煤nicamente a aquellos que tienen una forma m谩s grave de la enfermedad.

Los se帽ores de INVAMER deber铆an pegarse una pasada por este curso.

Esto tiene mucho que ver con el antes visto Teorema de Bayes.

Encuestas en redes sociales, encuestas electorales, discursos politicos, prehuicios. El machismo, ideologias radicales, religiones, deporte鈥

Inferencia estadistica valida:

  • Los datos se deben tomar de forma aleatoria.
  • Deben ser datos representativos.

Al hacer un estudio de mercado que va dirigido a cierto grupo con un poder adquisitivo medio y que la encuesta la est谩s dirigiendo a tus amigos de fb y se comparte con gente que tiene un poder adquisivo m谩s bajo

Con los feeds y recomendaciones de facebook, twitter, youtube, instagram, debido a la informaci贸n que se nos presenta asumimos que esas son tendencias generales en vez de pensar que los datos presentados son de acuerdo a nuestros gustos e intereses

Un ejemplo sencillo y recurrente, las encuestas de algunas firmas de consultoria y encuestas en elecciones para cargos publicos en el pais de Colombia, se selecciona con prejuicio a las personas para este proceso y al final se tienen encuestas distorsionadas de la realidad, ej: Popularidad o imagen favorable de un presidente y/o representante politico.

Para la exposici贸n de mi tesis, yo estaba analizando la rentabilidad de las empresas bancarias de Per煤. Un profesor me mencion贸 que hab铆a cometido un error al elegir a la muestra porque inclu铆 a bancos que generaban rentabilidades por otros m茅todos (no por pr茅stamos comerciales, sino corporativos), pero yo le refute que hac铆a un an谩lisis del mercado desde la perspectiva de empresa reguladora que busca un indicador 煤nico para medir la rentabilidad general del sector. El profesor se qued贸 pensando un rato y dijo que todo ok jajaaja

Y el prejuicio puede pasar al rev茅s? por ejemplo si se sacan conclusiones de los estudiantes de platzi a partir de una muestra a todos los estudiantes en linea? 馃

Creo que un error de muestreo a prop贸sito es el gerrymandering. Donde se definen los distritos electorales de formas especificas que beneficien a un partido politico u otro.

Comprendo, lo m谩s importante es la Aleatoriedad y la Representatividad

la maravilla del muestreo radica en que el estimador de la muestra para poblaciones grandes arroja un numero peque帽o, pero si la poblaci贸n es peque帽a se necesita un porcentaje mayor de muestras para que sea representativo.

Por ejemplo saber cu谩ntos hinchas de un equipo u otro existen en el pa铆s. Y m谩s en un pa铆s donde los sensadores tambi茅n son fan谩ticos, y que pueden alterar los resultados a su favor.

El ejemplo ser铆a en las encuestas realizadas para determinar la posibilidad de que un candidato gane las elecciones. En la mayor铆a de los casos no se toma en cuenta la muestra que se encuentra en la parte urbana de una regi贸n, ademas de haber m谩s factores; por ende no me parece que pueda ser representativa.

Lo he visto en mi trabajo al intentar llegar a conclusiones sobre el nivel educativo tomando como muestra s贸lo una sub-regi贸n o solo el sistema p煤blico.

Podr铆an ser los estudios que miden los 铆ndices de felicidad,ya que al ser algo a煤n subjetivo, no se contemplan todas las variables ni se sabe qu茅 tan representativa puede ser la muestra pues el concepto var铆a mucho incluso dentro del mismo nivel socio econ贸mico

Excelente la historia de los hombres de las cavernas. Asi es que una idea err贸nea llega a volverse pensamiento generalizado.

Esos erorres se presentaban mucho en los trabajos de universidad de Estadistica, por pereza de ir a otros lugares a encuestar se conformaba uno con la poblaci贸n de la Universidad y lo peor de todo se iventaban datos.

En las pruebas de COVID realizadas en M茅xico, donde la muestra de la poblaci贸n a quienes se realzan test no son proporcionales y por lo tanto arrojan falsos resultados

un caso muy com煤n, se presenta en la industria, donde se hacen muestreos para identificar un problema de calidad, pero solo se monitorean las variables que se piensa que est谩n generando el problema, y se ignoran las est谩n funcionando bien. Esto sesga el resultado, y casi siempre las conclusiones apuntan en la direcci贸n equivocada.

Recuerdo que en la Universidad en la carrera nos pidieron que invent谩ramos un producto, y deferentes formas de venderlo, hici茅ramos una encuesta de los diferentes precios del producto y sali茅ramos a las diferentes carreras a realizar las encuestas.

Comparto mis NOTAS:
Un error com煤n es el prejuicio de muestreo, este prejuicio elimina la representatividad de la muestra.
A veces conseguir una muestra es muy dif铆cil por lo que se utiliza a la poblaci贸n de m谩s f谩cil acceso.
Lo importante es recordar que para generar una inferencia estad铆stica v谩lida, se necesita aleatoriedad, pero tambi茅n es igual de importante la representatividad.

Siempre dije que el INDEC no necesariamente ment铆a, sino que alcanzaba con elegir mal la muestra.

Es f谩cil enga帽ar con estad铆stica haciendo bien todos los c谩lculos鈥 eleg铆 mal la muestra: fin!

En Espa帽a en los casos de denuncias falsas de violencia de genero, en el cual solo el 0.0001% de los casos se afirma que son falsas, dejando en el otro 99% como verdaderas, pero el muestreo esta manipulado, dejo link https://www.youtube.com/watch?v=4mt4ELjDOKE&t=307s

Esto pasa t铆picamente en banca cuando se construyen modelos de admisi贸n (para realizarle un pr茅stamo o aprobar una tarjeta de cr茅dito). Se suele modelar con las personas que lograron la aprobaci贸n del pr茅stamo y se analiza a 12 meses como les fue con sus pagos. El error esta en que suelen ignorar a todas las personas que no lograron obtener el pr茅stamo as铆 que ese modelo no es del todo adecuado para predecir la probabilidad que alguien cumpla o no con sus obligaciones. Sin embargo, en banca se usa algo que se llama inferencia de denegados que son algunos m茅todos para tratar de remediar este tipo de sesgos.

En ocasiones la muestra no se escoge sesgada deliberadamente pero en otras s铆. Tambi茅n se conoce como cherry picking, es decir, tomas muestras de toda la poblaci贸n pero las que no concuerdan con los resultados que quieres o con tu ideolog铆a las escondes en el caj贸n.
Un ejemplo de esto es el famoso estudio de los 7 pa铆ses de Ancel Keys, donde se seleccionaron convenientemente 7 de 22 pa铆ses para culpar a las grasas de las enfermedades cardiovasculares.

Soy economista y la verdad es que cuando encontramos relaciones causales se suele mirar casos muy espec铆ficos. Extrapolar los resultados a cosas m谩s generales suele ser complicado - estudiando fen贸menos econ贸micos - , en otros campos como la medicina no pasa tanto. Sin embargo, hay un m茅todo que quiz谩s nos da los mejores indicios de si hay causalidad que pueda ser extrapolada a un conjunto m谩s grande de la poblaci贸n que son los meta-an谩lisis. Sin embargo, sacar conclusiones generalizadas es complicado.

tengo uno y es sobre la idea que tenemos de cristobal colon

Para establecer Inferencias estad铆sticas v谩lidas, debemos asegurar que la muestra es aleatoria y representativa.

Todo esto se traduce en que tenemos un sesgo cognitivo llamado SESGO DE CONFIRMACI脫N. les dejo un video muy interesante que lo explica con un juego:
https://www.youtube.com/watch?v=lWg7aXjv0sM

鈥淢illones de moscas no pueden estar equivocadas: coma m鈥︹

Me disculpo por lo fuerte de la frase, pero es uno de mis ejemplos favoritos porque as铆 de fuerte es el facepalm que me doy al ver cosas como el terraplanismo, en su 茅poca cuando era cre铆do por muchos, los dem谩s tambi茅n se guiaban porque era lo que la mayor铆a cre铆a, as铆 pues, hay una frase atribuida a Mahatma Ghandi: 鈥渓a verdad, es la verdad, as铆 sea que solo uno la crea鈥 Es importante alimentar nuestro pensamiento cr铆tico, y en pol铆tica, ni les digo lo 煤til que es.

Lo he encontrado muchas veces en trabajos acad茅micos. Por ejemplo, en uno de estos se apuntaba a estudiar el comportamiento en general de toda la poblaci贸n de la ciudad, en relaci贸n a un determinado tema; como puede ser inclinaci贸n cultural, pero al momento de revisar la informaci贸n recopilada, la mayor铆a de las personas de las que se obtuvieron datos, se encontraban dentro de la universidad o en sus cercan铆as. Por lo tanto, claramente podemos ver que si bien la muestra pudo ser aleatoria, no era representativa de la poblaci贸n a la que se apuntaba.

En mi pa铆s no hay muchas ciclov铆as, y la manera para justificar su falta es contar cuantas personas en bicicleta son divisadas por tal zona. Adem谩s hacen encuestas donde preguntan cual es el medio de transporte usado por la poblaci贸n. Obviamente estos estudios arrojan que casi nadie usa bicicleta y que la ciclov铆a seria una gatos innecesario.
Esto en si es falso, porque la mayor铆a de personas de personas si usa y le gusta movilizarse en bicicleta, solo que obviamente no lo hacen debido a la falta de infraestructura y a la inseguridad que se siente.

Un ejemplo en particular es el feed de inicio de las redes sociales de cada persona, ya que es una muestra no representativa de toda la red social, esto porque est谩 completamente adaptada (o sesgada) a lo que nosotros vemos o nos interesa. Por ejemplo, a mi me interesa la ciencia, por ello mis redes est谩n llenas de contenido al respecto; ser铆a err贸neo concluir (o asumir impl铆citamente) que todas las personas est谩n interesadas en la ciencia 馃槸.

Notas 馃槃
Prejuicio en el muestreo.

  • Para tener inferencia estad铆stica valida debemos tener muestras aleatorias y representativas. En caso contrario, no podemos concluir de la poblaci贸n en general 馃З.
  • El prejuicio en el muestreo elimina la representatividad de las muestras. A veces conseguir muestras es dif铆cil, por lo que se utiliza a la poblaci贸n de m谩s f谩cil acceso (un ejemplo es el caso de estudio a universitarios 馃彨).
  • Un error com煤n es pensar que nuestros antepasados es que todos eran hombres de las cavernas (no hay manera de que haya evidencia fuera de una cueva) 馃暢锔.
  • La aleatoriedad no es suficiente, debemos asegurar representatividad (esta 煤ltima es m谩s complicada de asegurar, ya que se pueden crear sesgos) 馃幉.

Se me ocurren 2 ejemplos

  1. Altura media de un pa铆s, pero todos los encuestados son jugadores de B谩squetbol , obviamente la altura est谩 sesgada

  2. Porcentaje de personas que consume alcohol en el pa铆s y los lugares seleccionado para tomar la muestra son bares

Tambi茅n el prejuicio vive en la mayor铆a de las personas cuando se habla de vacunas, un estudio realizado por la OMS demostr贸 que por cada vacuna que se aplica contra el sarampi贸n en estados unidos, se ahorran 16 dolares en costos de salud, el 80% de las personas est谩n vacunadas lo que permite un ahorro de 3.000 millones de dolares cada a帽o.

Lo que serviria para grabar todas las peliculas de marvel 2 veces xd

Un prejuicio de muestreo en la actualidad, ser铆a el caso de las vacunas contra la covid-19, ya que hubieron unos cuantos casos en los que la vacuna tuvo algunas reacciones severas, pero no tomaron en cuenta las alergias y condiciones de los pacientes a quienes las aplicaron.

Un maestro una vez nos cont贸 que pidi贸 a sus alumnos obtener la altura promedio en chicos de una edad en espec铆fico y muy sabiamente fueron a registrar a los que eran parte del equipo de basketball

  • Si eres impuntual tienes un IQ mas alto.
  • Vestir lo mismo todos los d铆as suele ser com煤n entre personas con IQ mas alto
  • Los matem谩ticos no suelen ser buenos haciendo c谩lculos mentales.

Hoy en d铆a con el tema del coronavirus han salido diferentes remedios caseros para evitarlo o combatirlo. En mi regi贸n por ejemplo, se habla mucho del interfer贸n, un f谩rmaco en gotas que hay que ponerse debajo de la lengua para evitar contagiarse 驴Por qu茅 funciona? La respuesta suele ser, porque tengo varios amigos y conocidos que se lo est谩n tomando, tienen frecuente contacto con la gente, y no se han contagiado.

As铆 mismo pasa con la moringa; las g谩rgaras con agua, lim贸n y bicarbonato de sodio; y hasta con ba帽os de 鈥渓a sangre de cristo鈥

Las encuestas en elecciones

Estudio econom铆a y ya entiendo gran parte de los conceptos de las clases porque los vi en estad铆stica, pero los contextos hist贸ricos y ejemplos del curso suman mucho para un entendimiento general y que queden grabados.

En un an谩lisis de laboratorio no puedes esperar tener muestras significativas de un compuesto X si muestreas donde hay grandes cantidades de un compuesto Y. Creo que a eso se refiere el prejuicio del muestreo.

Errores de muestro suceden mucho y la razon puede ser impericia u otros son agrede

Un otro ejemplo podr铆a ser una encuesta sobre conocimientos de matem谩tica avanzada en la facultad de humanidades de alguna universidad, y generalizar a todo el espectro de estudiantes universitarios, con dichos resultados.