Soorten bemonstering en hun kenmerken (met voorbeelden)

De Soorten bemonstering Het zijn de verschillende manieren om gegevens uit een deel van het totaal te extraheren, een krachtig statistisch hulpmiddel waarvan de functie is om te bepalen welk deel van de bevolking of het universum nodig is om te onderzoeken, om conclusies uit te voeren en informatie over hetzelfde te verkrijgen.

Bemonstering is erg belangrijk als u de volledige populatie niet kunt of niet wilt analyseren. Merk op dat de term "bevolking" niet alleen verwijst naar een grote reeks mensen of levende wezens, maar in het algemeen naar de totale elementen die in een bepaald probleem zullen worden bestudeerd.

Volgens het gekozen type bemonstering is het deel van de bevolking dat als meer representatief wordt beschouwd, altijd volgens de doelstellingen.

Natuurlijk, wanneer slechts een deel van het gegevensuniversum wordt genomen, is het mogelijk om enkele details door te geven en informatie weg te laten, daarom zullen de resultaten niet zo nauwkeurig zijn als ze zouden moeten. Dit staat bekend als bemonsteringsfout.

Het idee is om het gegevensuniversum zoveel mogelijk te vereenvoudigen, het kiezen van de meest representatieve steekproef die in staat is om maximale informatie te verstrekken, om de geldigheid van de resultaten te waarborgen.

Probabilistische bemonstering	Niet -probabilistische steekproef
Kwantitatief.	Kwalitatief.
Grotere investering van tijd en middelen.	Zeer lage kosten.
Elk element van de populatie heeft dezelfde kans om geselecteerd te worden.	De elementen worden geselecteerd volgens de belangen van het onderzoek.
Kan worden uitgevoerd met vervanging of vervanging.	De onderzoeker moet de kenmerken van de bevolking kennen.

[TOC]

Soorten probabilistische of willekeurige steekproeven

Een probabilistische steekproef is gebaseerd op de kans dat de steekproef proefpersonen moeten worden geselecteerd. Op deze manier krijgt elk element van de bevolking een bekende mogelijkheid om gekozen te worden, wat natuurlijk groter moet zijn dan 0.

Dit is uiterst belangrijk, omdat het kan gebeuren dat uit een gegevensuniversum een ​​monster dat niet representatief is voor de set is geselecteerd.

Als dat zo is, zullen de resultaten zijn bevooroordeeld, Aangezien sommige delen van de bevolking meer de voorkeur zullen hebben in vergelijking met anderen. Om vooringenomenheid te voorkomen, waaruit er verschillende categorieën zijn, is een optie om de kans verantwoordelijk te laten zijn voor het selecteren van het monster en dus elk element te geven, een niet -nul waarschijnlijkheid om geselecteerd te worden.

Eenvoudige willekeurige bemonstering

Dit is een eenvoudige manier om ervoor te zorgen dat de kans zijn werk doet. Als het bijvoorbeeld gaat om het selecteren van sommige kinderen in een cursus om deel te nemen aan een artistiek evenement van de school, worden alle namen van de kinderen op identieke gevouwen stembiljetten geplaatst, ze zijn gemengd in een hoed en een handvol wordt gerandomiseerd.

Alle kinderen in de cursus vormen de bevolking, En het handvol stembiljetten dat uit de hoed is genomen, is de steekproef.

Het succes van de procedure ligt in het maken van een volledige lijst van alle kinderen, zodat niemand aan de buitenkant is. In een klein cursus is dit geen probleem; Maar wanneer u een steekproef wilt selecteren bij een populatie met meer grootte, moet u de methode verfijnen.

Kan u van dienst zijn: 7 destructieve manifestaties tijdens de jeugd 

Eenvoudige willekeurige bemonstering kan worden uitgevoerd Door vervanging of vervanging. Als we bijvoorbeeld een element uit de populatie halen en terugstappen na het selecteren en onderzoeken van het, blijft het universum van onze elementen altijd hetzelfde tijdens de studie.

Als integendeel het gekozen element wordt bestudeerd, maar het niet wordt geretourneerd, gaat het erom Bemonstering zonder vervanging. Hiermee moet rekening worden gehouden bij het berekenen van de kansen die een geselecteerde element heeft.

Systematische willekeurige bemonstering

Om deze samplering uit te voeren, een lijst met N Elementen en bepalen ook de steekproefomvang, die we zullen aanroepen N. De lijst wordt aangeroepen Bemonsteringsframe.

Nu de Springinterval, dat wordt aangeduid met de teksten k En het wordt zo berekend:

K = N/N

Een willekeurig getal wordt gekozen - door 1 en k, genoemd R of Willekeurige start. Dit is de eerste persoon in de lijst die moet worden geselecteerd en daaruit worden de volgende elementen gekozen.

Een voorbeeld: Stel dat u de lijst hebt van 2000 studenten van een universiteit en dat u een steekproef van 100 studenten wilt krijgen om deel te nemen aan een congres.

Het eerste wat u moet doen, is de waarde van K vinden:

K = 2000/100 = 20

Zodra we het totale aantal studenten hebben verdeeld in 100 fragmenten van 20 studenten, wordt een van de fragmenten genomen en wordt een willekeurig getal tussen 1 en 20 gekozen, bijvoorbeeld 12. Daarom is de twaalf student van onze lijst de willekeurige start.

De volgende geselecteerde student moet 12+20 = 22 zijn, dan 42, dan 62 enzovoort, tot de 100.

Zoals u kunt zien, is het een snelle methode om toe te passen en dat geeft meestal zeer goede resultaten, zonder de noodzaak om de 2000 -namen in een hoed te plaatsen en er 100 uit te schakelen, zolang er geen periodieke in de bevolking is, vooroordelen aanleiding geven.

Gestratificeerde willekeurige steekproeven

Bij gestratificeerde willekeurige steekproef is de populatie verdeeld in segmenten genaamd Strata

In eenvoudige willekeurige steekproef heeft elk element van de populatie dezelfde kans om geselecteerd te worden. Maar dit kan niet altijd waar zijn, vooral als er meer complexiteiten zijn om rekening mee te houden.

Om een ​​gestratificeerd willekeurig bemonsteringsschema uit te voeren, moet de populatie worden onderverdeeld in groepen met vergelijkbare kenmerken. Dit zijn de lagen. Vervolgens worden de lagen genomen en worden eenvoudige willekeurige monsters van elk gekozen, die vervolgens worden gecombineerd om het uiteindelijke monster te vormen.

Kan je van dienst zijn: de 30 beroemdste Jehovah -getuigen

De lagen worden bepaald vóór bemonstering, waarbij de kenmerken van het gegevensuniversum worden bestudeerd.

Deze kenmerken kunnen een burgerlijke status zijn, leeftijd, de plaats waar bijvoorbeeld stedelijke, voorstedelijke en plattelandsbevolking, het beroep, de mate van instructie, seks en nog veel meer is.

In elk geval wordt verwacht dat de kenmerken van elk stratum zeer onderscheidend zijn, dat wil zeggen dat elke stratum homogeen zal zijn.

Binnen de gestratificeerde bemonstering onderscheiden we twee categorieën, afhankelijk van of de steekproefgrootte van elke stratum al dan niet evenredig is met de grootte hiervan.

Willekeurige bemonstering door conglomeraten

De beschreven eerdere methoden selecteren de elementen van het monster rechtstreeks, maar in conglomeraat bemonstering, a Groep elementen van de bevolking en deze zullen de steekproefeenheid zijn, die wordt genoemd conglomeraat.

Voorbeelden van conglomeraten zijn de afdelingen van een universiteit, geografische entiteiten zoals provincies, steden, provincies of gemeenten, die allemaal een identieke kans hebben om te worden geselecteerd. In het geval van het kiezen van een geografische entiteit, praten we over Bemonstering per gebieden.

Zodra de conglomeraten zijn gekozen, worden de te geanalyseerde elementen daaruit gekozen. Daarom kan de procedure verschillende fasen hebben.

Deze methode heeft enkele overeenkomsten met de gestratificeerde willekeurige methode, alleen dat sommige conglomeraten van het totaal hier worden geselecteerd, terwijl in de vorige methode alle lagen van de bevolking werden bestudeerd.

Soorten niet -probabilistische steekproeven

Voor sommige situaties is probabilistische bemonstering erg duur, omdat tijd en middelen moeten worden geïnvesteerd om monsters te vinden die echt representatief zijn.

Het gebeurt meestal ook dat u geen compleet voorbeeldframe hebt -de lijst -, daarom is het niet mogelijk om de kans te bepalen om een ​​element te selecteren.

Voor deze gevallen worden soorten niet -probabilistische bemonstering gebruikt, waarmee ook informatie wordt verkregen, hoewel er geen precisie -garantie is in de resultaten.

Wanneer dit type bemonstering wordt toegepast, moet u enkele criteria volgen op het moment van de selectie, op zoek dat het monster zo ver mogelijk is.

Gemaksproef

Het is een nogal elementair type bemonstering, waarin de elementen van het monster worden gekozen volgens hun beschikbaarheid, dat wil zeggen het selecteren van de personen die meer bij de hand zijn. Het heeft het voordeel dat het een zeer goedkope methode is, vanwege de snelheid en comfort.

Maar zoals vermeld, is er geen zekerheid om betrouwbare informatie uit de resultaten te verkrijgen. Soms wordt het gebruikt om korte en snelle peilingen te maken voor een keuze, of ook de voorkeuren van de klant op bepaalde producten te onderzoeken.

Het kan u van dienst zijn: 50 nieuwsgierige en interessante gegevens over de wereld

Bijvoorbeeld een peiling. Of een leraar kan zijn eigen studenten onderzoeken, omdat hij onmiddellijk toegang heeft tot hen.

Hoewel het lijkt alsof de resultaten van een dergelijke procedure geen waarde hebben, gebeurt het dat ze een goede weerspiegeling van de bevolking kunnen zijn, zolang er goede redenen zijn om aan te nemen dat bias niet erg groot is.

Het is echter niet zo eenvoudig, omdat de studenten van een bepaalde leraar mogelijk geen representatieve steekproef vormen van de rest van de studenten. En bijna altijd Surveyrs in winkelcentra interviewt meestal mensen met aantrekkelijkere uitstraling.

Quotasteekproef

Om quota -steekproef te maken, moet u een goede eerdere kennis hebben van de lagen van de bevolking, om een ​​idee te hebben van wat de meest representatieve elementen zijn. Maar het wordt niet bepaald door de willekeurige criteria van de gestratificeerde bemonstering.

In dit type bemonstering is het noodzakelijk om enkele "quota" in te stellen, vandaar de naam van de methode. Deze vergoedingen bestaan ​​uit het verzamelen van een aantal elementen met bepaalde voorwaarden, bijvoorbeeld 15 vrouwen wier leeftijd tussen de 25 en 50 jaar ligt, die niet roken en ook een auto hebben.

Zodra de vergoeding is bepaald, worden de eerste mensen die aan de vastgestelde voorwaarden voldoen gekozen. Het criterium voor deze laatste stap kan handig zijn voor de onderzoeker. Hier kunt u het verschil zien met de gestratificeerde bemonsteringsmethode, die willekeurig is.

Het is echter een methode voor lage kosten die voordelig is als, zoals we al zeiden, de onderzochte populatie bekend is.

Proef "Snowball"

De procedure die in deze steekproefstijl moet worden gevolgd, is om een ​​paar mensen te selecteren die naar anderen leiden, en deze op hun beurt, totdat de steekproef de grootte heeft die de onderzoeker nodig heeft.

Het is een procedure die nuttig kan zijn om sommige populaties te karakteriseren met vrij specifieke functies. Voorbeelden: gevangenen in een penalty of mensen met bepaalde ziekten.

Discretionaire bemonstering

Eindelijk is het hier de onderzoeker die de criteria bepaalt die hij zal gebruiken om zijn steekproef te kiezen, volgens zijn kennis. Het kan nuttig zijn als het nodig is om bepaalde personen aan de studie toe te voegen, wat als ze een willekeurige methode gebruiken, kunnen blijven zonder deel te nemen.

Referenties

1. Berenson, m. 1985.Statistieken voor administratie en economie, concepten en toepassingen. Inter -Amerikaans redactioneel.
2. Statistieken. Bemonstering. Hersteld van: encyclopediaeconomica.com.
3. Statistieken. Bemonstering. Hersteld van: statistieken.Mat.Ons op.mx.
4. Verkennenbaar. Conglomeraat bemonstering. Hersteld van: Exploreerbaar.com.
5. Moore, D. 2005. Basisstatistieken toegepast. 2e. Editie.
6. Netquest. Probabilistische bemonstering: gestratificeerde bemonstering. Hersteld van: Netquest.com.
7. Wikipedia. Bemonstering. Hersteld van: is.Wikipedia.borg