Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Podemos centrar nuestro interés en las categorías de sexo y analizarlas por separado, como
veremos en la tabla:
Como vemos, en este caso, tanto el grupo de mujeres como el de hombres, se hacen
equivalentes al 100%. Así, las frecuencias relativas cambian, manteniéndose siempre la
frecuencia absoluta. Se puede decir entonces que del total de mujeres, un 45,7% tienen
entre 4 y 5 hijos y del total de hombres, un 37, 1% tiene entre 4 y 5 hijos.
Finalmente, podemos centrar el análisis en los valores de la variable “Número de hijos”, caso
en el que también variarán las frecuencias relativas:
Como vemos, en este caso cada categoría del número de hijos se hace equivalente al 100%.
Al observar esta tabla, podemos decir que del total de personas que tienen entre 4 y 5 ijos,
un 55,2% son mujeres y un 44,8% son hombres.
La comparación de proporciones es útil para determinar si la distribución de la muestra en
función de dos variables se debe a alguna asociación entre ellas o si se debe meramente al
azar. Para comprobarlo, se procede a una prueba conocida como Chi cuadrado, que se verá
en detalle más adelante.
En el caso que veíamos, tanto hombres como mujeres coinciden en agruparse en las
categorías de dos y tres hijos, por lo tanto no existiría una distribución explicada por la
asociación de estas dos variables. Si, por el contrario, las mujeres se hubiesen acumulado
en las categorías de 4 - 5, 6 - 7 o más de 8 hijos, y los hombres en 0 - 1, 2 - 3 o 4 - 5 hijos,
podríamos decir que existe una asociación, es decir, que los hombres tienden a tener menos
hijos que las mujeres, en esta muestra.
Probabilidad
Por ejemplo, si lanzamos una moneda al aire, la posibilidad de que salga cara o sello es de 0,5,
es decir, la mitad, puesto que tenemos dos alternativas. En el caso de un dado, la posibilidad de
que salga la cara con el tres, es de 1/6, es decir, 0,1667. De esta manera, mientras más
alternativas tengamos, menor es la probabilidad de que una de ellas ocurra.
Es lo que ocurre en los casos de los juegos de lotería, donde son tantas las posibilidades y
combinaciones, que la probabilidad de ganar un premio es mínima. Si estamos jugando una rifa,
y sabemos que hay 100 números, de los cuales tenemos 1, nuestra probabilidad de ganar es de
0,01. Si queremos aumentar nuestra probabilidad de ganar, debemos adquirir más números.
Como decíamos anteriormente, las muestras estudiadas se comparan con una distribución
muestral (la curva normal), como un parámetro teórico que ejemplifica una situación “ideal”. En
este sentido, nos interesa que nuestra muestra tenga una distribución similar a la curva normal,
de modo de poder generalizar nuestros resultados a la población (o universo)
De esta forma, podemos comparar, por ejemplo, la media de C.I. de la muestra, con la media
estimada para una curva normal, de modo de establecer cuál es la probabilidad de que ambas
medias sean similares. Si tenemos una probabilidad cercana a 1 de que ambas medias sean
similares, entonces podemos asegurarnos de que los resultados de la muestra son
generalizables a la población. En el caso contrario, no podremos generalizarlos y nuestra
investigación tendrá resultados negativos.
En la práctica, nunca la media de una muestra (o cualquier otra medida) será igual a la media de
la curva normal, por lo que se opta por establecer un “porcentaje de confianza” que reduzca el
error al mínimo.
Veámoslo con un ejemplo anterior. Si nos interesa ganar el premio de la rifa, mientras más
números tengamos, mejor. Suponiendo que no los podemos tener todos (Probabilidad =1),
podríamos adquirir 95, con lo cual tenemos un 95% de confianza de poder ganar el premio
(Probabilidad = 0,95). Si queremos disminuir aún más la posibilidad de perder (error), entonces
compraremos 99 números, con lo cual sólo hay una posibilidad de perder (probabilidad = 0,99).
Como vemos, mientras más cercana a 1, menor es la probabilidad de equivocarse.
Si llevamos esto a la curva normal y a nuestra muestra, para poder generalizar nuestros
resultados debemos disminuir la probabilidad de error. Es decir, asegurarnos en un alto
porcentaje que las medidas obtenidas en la muestra tienen un alto porcentaje de confianza de
acercarse a la medida de la curva normal.
Se pueden establecer niveles de menor porcentaje de error, pero en ciencias sociales es difícil
obtener resultados generalizables con tanta certeza, debido a la diversidad de la población. En
este sentido, al estudiar seres humanos, nuestras probabilidades de error siempre estarán
presentes.