IMPORTANCIA DEL MUESTREO Y NIVEL DE SIGNIFICACIÓN

Quiero empezar mi intervención llamando a la reflexión con una casuística. Ante la

creación de las vacunas contra COVID- 19, que se sabía iban a ser destinadas a la
población mundial y que tenía que tener un nivel de efectividad alto ¿cómo se logró
saber que sus efectos iban a ser positivos ante la sintomatología COVID- 19?
Esta simple pregunta hace pensar lo siguientes elementos básicos que habla Condori
(2020). La existencia de un Universo o población objetivo, este universo es la
población mundial, nuestra unidad de análisis, los pobladores de los 195 países que
existen, también prevalece la existencia de una población, siendo más específicos, los
pobladores de cada país es un claro ejemplo ello. Los habitantes nacionales seguramente
no cumplen las características de los habitantes de Centro América, por ejemplo.
Finalmente se acuña el término muestra, refiriéndose a solamente algunos pobladores
representativos del país.
Esta simple interrogante nos lleva a muchas otras más, pero una pregunta común seria:
¿por qué solamente se testó a algunas personas, bajo ciertos estándares? Y la respuesta
a esto es simple: gracias a la teoría del muestreo.
Si queremos ser más científicos, la frase “algunas personas bajo ciertos estándares”
significa: “la muestra, que es representativa de la población”. Obviamente, al tratarse de
una población mundial, no todas las personas son iguales, distinguiendo de edad, sexo,
nivel socioeconómico y hasta características geográficas, entre muchas otras variables,
llamados en la teoría marco muestral, que seguramente se tomaron en consideración
para tener esa muestra representativa que hablan autores como Otzen y Manterola
(2017) al decir:
“La representatividad de una muestra, permite generalizar los resultados
observados en ésta, a la población accesible (conjunto de sujetos que
pertenecen a la población blanco, que están disponibles para la
investigación); y a partir de ésta, a la población blanco”
Otzen y Manterola (2017, pág. 1)
Y este es uno de los principales aportes de la teoría del muestreo: poder inferir
estadísticamente sobre la población y tomar algún criterio de decisión (Asturias,
2008). Y por qué inferir? Porque cuantificamos nuestra incertidumbre, ¿por qué
estadística? Porque tomamos en cuenta la probabilidad del acierto (o error) del suceso.
Volviendo a la casuística, todos sabemos que cualquier vacuna contra el COVID- 19 no
es efectiva al 100%, sino hasta cierta probabilidad de éxito.
Ahora que ya sabemos un poco sobre la importancia del muestreo (principal aporte), sus
elementos y relativizarlos con la realidad. Nos preguntamos ¿cómo seleccionamos a la
muestra?
Y aquí el universo de la selección es magnífico. El más conocido teóricamente es el
aleatorio simple, donde cada elemento tiene la misma probabilidad de ser escogido pero
¿sucede siempre así? La respuesta es no. En la muestra de los testeos para la efectividad
de la vacuna contra COVID- 19 vimos que se presentaban voluntarios para ello, esto
solamente por conveniencia y es uno de los casos más frecuentes en la teoría del
muestreo: la aleatoriedad (probabilidades) y por conveniencia. Naturalmente cada
estudio y diseño de investigación tiene sus propios estándares. En la casuística
planteada, era poco probable realizar un muestreo aleatorio porque los costos sociales y
económicos hubiesen sido muy elevados, en cambio, si estuviésemos averiguando sobre
opinión pública, probablemente sería mejor utilizar un muestreo aleatorio porque se
puede cubrir un mayor espectro poblacional.
Pero entonces, ¿es mejor hacer uso de la población, si es que poseo recursos infinitos?
La respuesta sería depende del tamaño de la población. Si bien un mayor tamaño de
muestra, cuando ésta tiende a la población, es mejor, porque los resultados son más
confiables, muchas veces el factor tiempo y dinero juegan en contra (sobre todo cuando
la población es muy grande y hasta poblaciones infinitas) y, bajo un buen diseño de
investigación, un buen muestreo y buena aplicación de la muestra, los resultados serían
realmente confiables y muy parecidos a la población. Por ejemplo, las encuestas
electorales, no se le consulta a toda la población por la intención de voto, sino a una
parte de la población identificada en el marco muestral, pero no todo acaba ahí, sino
también en el diseño de la investigación y en la consistencia de la información.
Y aquí derivamos una nueva pregunta, ¿cómo saber que los resultados son confiables,
en términos estadísticos?
Y la respuesta es con el nivel de confianza. Según Yáñez (2007), “es la probabilidad a
priori de que el intervalo de confianza a calcular contenga al verdadero valor del
parámetro”. Siguiendo nuestra casuística, incluso antes de empezar la aplicación de la
vacuna – por ejemplo la vacuna Pfizer, se sabía que, según fuentes de Fundación
Femeba (2021) la efectividad estimada de la vacuna para los resultados del estudio entre
los días 14 y 20 después de la primera dosis y 7 o más días después de la segunda dosis
fue- para infección documentada- 46% (IC del 95%, 40 a 51) y 92% (IC del 95%, 88 a
95), donde IC significa intervalo de confianza.
Bajo estos datos, podríamos asegurar que a una máxima probabilidad del 95%, ante
casos documentados de COVID 19, la primera dosis protege entre un 40% y 51%, con
una mediana de 46%. Si es que el nivel de confianza incrementa, a un 99%, ese
intervalo seguramente disminuiría, porque seguramente se trabajaría con una mayor
muestra y con mayores recursos de tiempo y de dinero. Entonces, probablemente con un
mayor nivel de confianza, el espectro del intervalo mediría menos, probablemente 45%
y 49%, con una mediana del 47%. Mejor apuntamiento y menor probabilidad de caer en
el error.
Y, bajo esta casuística y lo expuesto, abro el debate a los lectores a la cuestión, ¿es
probable trabajar con un nivel de confianza del 100%, aunque trabajemos con un
nivel de muestra cercano a la población?
BIBLIOGRAFÍA CONSULTADA

Bibliografía
ASTURIAS. Teoría del Muestreo, sus implicancias e importancia. 2008. https://www.centro-
virtual.com/recursos/biblioteca/pdf/estadistica_ii/unidad1_pdf3.pdf.

Condori- Ojeda, Porfirio. Universo, Población y Muestra. 2020.

https://www.aacademica.org/cporfirio/18.

Fundación Femeba. Vacuna Pzifer para Covid 19 en un entorno de vacunación masiva a nivel
nacional. 2021.
https://www.fundacionfemeba.org.ar/blog/farmacologia-7/post/vacuna-pfizer-
biontech-paracovid-19-en-un-entorno-de-vacunacion-masiva-a-nivel-nacional-48870.

Otzen, Tamara, y Carlos Manterola. Técnicas de Muestreo sobre una Población a Estudio. 2017.
https://scielo.conicyt.cl/scielo.php?pid=s0717-
95022017000100037&script=sci_abstract.

Yánez Canal, Gabriel. Interpretaciones erradas del nivel de confianza en los intervalos de
confianza y algunas explicaciones plausibles. 2007.
https://www.seiem.es/docs/comunicaciones/GruposXIII/depc/Yanez_Behar_R.pdf.