- संभाव्यता या यादृच्छिक नमूने के प्रकार
- सामान्य उद्देश्यरहित नमूना
- व्यवस्थित यादृच्छिक नमूनाकरण
- स्तरीय अनियमित नमूने का चुनाव
- रैंडम क्लस्टर नमूना
- गैर-संभाव्यता नमूने के प्रकार
- आराम नमूना
- कोटा नमूना
- व्यापक नमूने लेना
- विवेकाधीन नमूना
- संदर्भ
नमूने के प्रकार कुल का एक हिस्सा से डेटा निकालने की विभिन्न तरीके हैं, एक शक्तिशाली सांख्यिकीय उपकरण जिसका कार्य निर्धारित करने के लिए जनसंख्या का क्या हिस्सा है या ब्रह्मांड की जांच करने के लिए आवश्यक है, निष्कर्ष निकाल सकेंगे और इसके बारे में जानकारी प्राप्त करने के लिए है।
नमूनाकरण बहुत महत्वपूर्ण है जब आप पूरी आबादी का विश्लेषण नहीं कर सकते हैं या नहीं करना चाहते हैं। ध्यान दें कि शब्द "जनसंख्या" केवल लोगों या जीवित प्राणियों के एक बड़े समूह के लिए ही नहीं है, बल्कि सामान्य रूप से कुल तत्वों के लिए भी है जो किसी समस्या का अध्ययन करने जा रहे हैं।
चित्र 1. किसी ब्रह्मांड से प्रतिनिधि नमूने का चयन करने के लिए नमूनाकरण महत्वपूर्ण है। स्रोत: पिक्साबे
चुने गए नमूने के प्रकार के अनुसार, आबादी का वह हिस्सा जिसे सबसे प्रतिनिधि माना जाता है, हमेशा उद्देश्यों के अनुसार चुना जाता है।
बेशक, जब डेटा के ब्रह्मांड का केवल एक हिस्सा लिया जाता है, तो कुछ विवरणों को छोड़ना और जानकारी को छोड़ना संभव है, यही वजह है कि परिणाम उतने सटीक नहीं होंगे जितना उन्हें होना चाहिए। इसे नमूनाकरण त्रुटि के रूप में जाना जाता है।
यह विचार जितना संभव हो उतना डेटा के ब्रह्मांड को सरल बनाना है, सबसे प्रतिनिधि नमूना चुनना जो परिणामों की वैधता सुनिश्चित करने के लिए, अधिकतम जानकारी प्रदान करने में सक्षम है।
संभाव्यता या यादृच्छिक नमूने के प्रकार
एक संभावना नमूनाकरण इस संभावना पर आधारित है कि नमूने के विषयों का चयन करना है। इस तरह, आबादी के प्रत्येक तत्व को चुने जाने का एक ज्ञात मौका दिया जाता है, जो निश्चित रूप से 0 से अधिक होना चाहिए।
यह अत्यंत महत्वपूर्ण है, क्योंकि ऐसा हो सकता है कि डेटा के एक ब्रह्मांड से, एक नमूना चुना गया है जो पूरे के पर्याप्त प्रतिनिधि नहीं है।
यदि ऐसा है, तो परिणाम पक्षपाती होंगे, क्योंकि आबादी के कुछ हिस्से दूसरों पर अधिक पसंदीदा होंगे। पूर्वाग्रह से बचने के लिए, जिनमें से कई श्रेणियां हैं, एक विकल्प यह है कि नमूने का चयन करने का मौका दें और इस प्रकार प्रत्येक तत्व को चुने जाने की गैर-शून्य संभावना दें।
सामान्य उद्देश्यरहित नमूना
यह सुनिश्चित करने का एक सरल तरीका है कि मौका अपना काम करता है। उदाहरण के लिए, यदि यह एक स्कूल कला कार्यक्रम में भाग लेने के लिए एक कक्षा में कुछ बच्चों का चयन करने का सवाल है, तो सभी बच्चों के नाम समान रूप से मुड़े हुए मतपत्रों पर रखे जाते हैं, जो एक टोपी में मिश्रित होते हैं, और एक मुट्ठी भर यादृच्छिक रूप से तैयार किए जाते हैं।
कक्षा के सभी बच्चे आबादी बनाते हैं, और मुट्ठी भर मतपत्रों को टोपी से बाहर निकाला जाता है।
प्रक्रिया की सफलता सभी बच्चों की एक पूरी सूची बनाने में निहित है, ताकि कोई भी बचा न रहे। एक छोटे से पाठ्यक्रम में यह कोई समस्या नहीं है; लेकिन जब आप बड़ी आबादी से एक नमूना का चयन करना चाहते हैं, तो आपको विधि को परिष्कृत करना होगा।
साधारण यादृच्छिक नमूने को प्रतिस्थापन या प्रतिस्थापन के साथ किया जा सकता है। उदाहरण के लिए, यदि हम आबादी से कुछ तत्व निकालते हैं और इसे चुनने और जांचने के बाद वापस लौटाते हैं, तो हमारे तत्वों का ब्रह्मांड हमेशा पूरे अध्ययन में समान रहता है।
यदि, इसके विपरीत, चुने हुए तत्व का अध्ययन किया जाता है, तो अधिक वापस नहीं किया जाता है, यह प्रतिस्थापन के बिना नमूना है। चयनित होने के एक तत्व की संभावना की गणना करते समय इसे ध्यान में रखा जाना चाहिए।
व्यवस्थित यादृच्छिक नमूनाकरण
इस नमूने को ले जाने के लिए, एन तत्वों को सूचीबद्ध करना और नमूने के आकार को भी निर्धारित करना आवश्यक है, जिसे हम एन कहेंगे। सूची को एक नमूना फ्रेम कहा जाता है।
अब जंप अंतराल को परिभाषित किया गया है, जिसे अक्षर k से दर्शाया जाता है और इस तरह से गणना की जाती है:
एक यादृच्छिक संख्या को चुना जाता है - यादृच्छिक पर - 1 और के बीच, जिसे आरओ यादृच्छिक शुरुआत कहा जाता है। यह चयनित होने वाली सूची का पहला व्यक्ति है और वहाँ से सूची में निम्नलिखित तत्वों को चुना गया है।
एक उदाहरण: मान लीजिए कि आपके पास एक विश्वविद्यालय से 2000 छात्रों की सूची है और आप कांग्रेस में भाग लेने के लिए 100 छात्रों का एक नमूना प्राप्त करना चाहते हैं।
पहली चीज़ को k का मान ज्ञात करना है:
एक बार जब हमने छात्रों की कुल संख्या को 20 छात्रों के 100 टुकड़ों में विभाजित किया है, तो उनमें से एक टुकड़े को लिया जाता है और एक यादृच्छिक संख्या 1 और 20 के बीच चुनी जाती है, उदाहरण के लिए 12. इसलिए हमारी सूची में बारहवीं का छात्र है यादृच्छिक बूट।
चयनित होने वाले अगले छात्र को 12 + 20 = 22, फिर 42, फिर 62 और इतने पर होना चाहिए, जब तक कि सभी 100 पूरे न हो जाएं।
जैसा कि आप देख सकते हैं, यह लागू करने के लिए एक त्वरित तरीका है और यह आमतौर पर बहुत अच्छे परिणाम देता है, 2000 नामों को एक टोपी में रखने और उनमें से 100 लेने की आवश्यकता के बिना, जब तक कि आबादी में कोई आवधिकता नहीं होती है, जो पक्षपात को जन्म देती हैं। ।
स्तरीय अनियमित नमूने का चुनाव
चित्रा 2. स्तरीकृत यादृच्छिक नमूनाकरण में, जनसंख्या को खंडों में विभाजित किया जाता है जिसे स्ट्रेटा कहा जाता है। स्रोत: पिक्साबे
सरल यादृच्छिक नमूनाकरण में, जनसंख्या में प्रत्येक वस्तु को चयनित होने की समान संभावना है। लेकिन यह हमेशा सच नहीं हो सकता है, खासकर जब विचार करने के लिए अधिक जटिलताएं हों।
एक स्तरीकृत यादृच्छिक नमूना योजना को पूरा करने के लिए, जनसंख्या को समान विशेषताओं वाले समूहों में विभाजित किया जाना चाहिए। ये स्ट्रैट हैं। तब तब लिया जाता है और प्रत्येक से सरल यादृच्छिक नमूने चुने जाते हैं, जिन्हें तब अंतिम नमूने के रूप में संयोजित किया जाता है।
डेटा ब्रह्माण्ड की विशेषताओं का अध्ययन करते हुए, नमूने को नमूना लेने से पहले निर्धारित किया जाता है।
ये विशेषताएँ वैवाहिक स्थिति, आयु, स्थान, जहाँ आप रहती हैं, उदाहरण के लिए शहरी, उपनगरीय और ग्रामीण जनसंख्या, पेशे, शैक्षिक स्तर, लिंग और कई हो सकते हैं।
किसी भी मामले में, यह उम्मीद की जाती है कि प्रत्येक स्ट्रैटम की विशेषताएं बहुत विशिष्ट होंगी, अर्थात प्रत्येक स्ट्रेटम सजातीय है।
स्तरीकृत नमूने के भीतर हम दो श्रेणियों को अलग-अलग करते हैं, इसके अनुसार कि प्रत्येक स्ट्रैटम का नमूना आकार अपने आकार के लिए आनुपातिक नहीं है या नहीं।
रैंडम क्लस्टर नमूना
ऊपर वर्णित तरीके सीधे नमूने के तत्वों का चयन करते हैं, लेकिन क्लस्टर नमूनाकरण में, तत्वों का एक समूह आबादी से चुना जाता है और ये नमूना इकाई होगी, जिसे क्लस्टर कहा जाता है।
समूहों के उदाहरण एक विश्वविद्यालय के विभाग हैं, भौगोलिक संस्थाएं जैसे प्रांत, शहर, काउंटी या नगरपालिका, जिनमें से सभी का चयन होने की समान संभावना है। भौगोलिक इकाई चुनने के मामले में, हम क्षेत्रों द्वारा नमूने की बात करते हैं।
एक बार क्लस्टर चुने जाने के बाद, विश्लेषण किए जाने वाले तत्वों को वहां से चुना जाता है। इसलिए, प्रक्रिया के कई चरण हो सकते हैं।
इस पद्धति में स्तरीकृत यादृच्छिक विधि के साथ कुछ समानताएं हैं, सिवाय इसके कि यहां कुछ समूहों को कुल में से चुना गया है, जबकि पिछली पद्धति में सभी आबादी का अध्ययन किया गया था।
गैर-संभाव्यता नमूने के प्रकार
कुछ स्थितियों में संभाव्यता नमूनाकरण बहुत महंगा हो सकता है, क्योंकि समय और संसाधनों को उन नमूनों को खोजने के लिए निवेश किया जाना चाहिए जो वास्तव में प्रतिनिधि हैं।
यह अक्सर ऐसा भी होता है कि एक पूर्ण नमूना फ्रेम नहीं होता है - सूची में, इसलिए किसी तत्व के चयन की संभावना निर्धारित करना संभव नहीं है।
इन मामलों के लिए, गैर-संभाव्यता नमूने प्रकार का उपयोग किया जाता है, जिसके साथ जानकारी भी प्राप्त की जाती है, हालांकि परिणामों में सटीकता की कोई गारंटी नहीं है।
जब इस प्रकार का नमूना लागू किया जाता है, तो चयन के समय कुछ मानदंडों का पालन किया जाना चाहिए, यह मांग करते हुए कि नमूना यथासंभव पर्याप्त है।
आराम नमूना
यह एक काफी प्राथमिक प्रकार का नमूना है, जिसमें नमूने के तत्वों को उनकी उपलब्धता के अनुसार चुना जाता है, अर्थात्, उन व्यक्तियों का चयन किया जाता है जो हाथ में सबसे अधिक हैं। इसकी गति और सुविधा के कारण, यह बहुत कम लागत वाली विधि होने का लाभ है।
लेकिन जैसा कि कहा गया है, आपके परिणामों पर विश्वसनीय जानकारी प्राप्त करने की कोई निश्चितता नहीं है। इसका उपयोग कभी-कभी चुनाव से पहले त्वरित, छोटे चुनाव करने या कुछ उत्पादों के लिए ग्राहकों की वरीयताओं के बारे में पूछताछ करने के लिए किया जाता है।
उदाहरण के लिए, एक मतदानकर्ता उन तीन शॉपिंग सेंटरों में से बाहर निकल सकता है जो उसके घर के सबसे करीब हैं और जो लोग उस उम्मीदवार को वोट देंगे, उससे पूछते हैं। या एक शिक्षक अपने स्वयं के छात्रों का सर्वेक्षण कर सकता है, क्योंकि उनके पास तत्काल पहुंच है।
यद्यपि ऐसा लगता है कि इस तरह की प्रक्रिया के परिणाम बेकार हैं, ऐसा होता है कि वे आबादी का एक अच्छा प्रतिबिंब हो सकते हैं, जब तक कि यह मानने के अच्छे कारण हैं कि पूर्वाग्रह बहुत बड़ा नहीं है।
हालांकि, यह इतना सरल नहीं है, क्योंकि एक निश्चित शिक्षक के छात्र शेष छात्र के शरीर का प्रतिनिधि नमूना नहीं बना सकते हैं। और अधिकांश समय, शॉपिंग मॉल में प्रदूषण सबसे आकर्षक दिखने वाले लोगों का साक्षात्कार करते हैं।
कोटा नमूना
कोटा का नमूना लेने के लिए, जनसंख्या के स्तर का एक अच्छा पूर्व ज्ञान होना चाहिए, ताकि यह पता चल सके कि सबसे अधिक प्रतिनिधि तत्व कौन से हैं। लेकिन यह स्तरीकृत नमूने के यादृच्छिकता मानदंड से नियंत्रित नहीं होता है।
इस प्रकार के नमूने में "कोटा" सेट करना आवश्यक है, इसलिए विधि का नाम। इन कोटा में कुछ शर्तों के साथ कई तत्वों को इकट्ठा करना शामिल है, उदाहरण के लिए 15 महिलाएं जिनकी उम्र 25 से 50 वर्ष के बीच है, जो धूम्रपान नहीं करती हैं और एक कार के मालिक भी हैं।
कोटा निर्धारित होने के बाद, पहले लोग जो स्थापित शर्तों को पूरा करते हैं, उन्हें चुना जाता है। इस अंतिम चरण के लिए मानदंड अन्वेषक की सुविधा पर हो सकते हैं। यहां आप स्तरीकृत नमूनाकरण विधि के साथ अंतर देख सकते हैं, जो यादृच्छिक है।
हालांकि, यह एक कम लागत वाली विधि है जो लाभप्रद है, जैसा कि हमने कहा, अध्ययन के तहत आबादी अच्छी तरह से जानी जाती है।
व्यापक नमूने लेना
नमूना लेने की इस शैली में पालन करने की प्रक्रिया कुछ लोगों का चयन करना है जो दूसरों का नेतृत्व करते हैं, और ये बदले में दूसरों को देते हैं, जब तक कि नमूना आकार है जो शोधकर्ता की आवश्यकता है।
यह एक ऐसी प्रक्रिया है जो काफी विशिष्ट लक्षणों के साथ कुछ आबादी को चिह्नित करने के लिए उपयोगी हो सकती है। उदाहरण: जेल में कैदी या कुछ बीमारियों वाले लोग।
विवेकाधीन नमूना
अंत में यहाँ यह शोधकर्ता है जो अपने ज्ञान के अनुसार, अपने नमूने को चुनने के लिए उपयोग किए जाने वाले मानदंड तय करता है। यह उपयोगी हो सकता है जब अध्ययन में कुछ व्यक्तियों को जोड़ना आवश्यक हो, जो एक यादृच्छिक विधि का उपयोग कर रहे हों, भाग नहीं ले सकते थे।
संदर्भ
- बेरेनसन, एम। 1985. सांख्यिकी प्रबंधन और अर्थशास्त्र, अवधारणाओं और अनुप्रयोगों के लिए। संपादकीय Interamericana।
- सांख्यिकी। सैम्पलिंग। से पुनर्प्राप्त: encyclopediaeconomica.com।
- सांख्यिकी। सैम्पलिंग। से पुनर्प्राप्त: एस्टाडिस्टिका.माट.सून। एमएक्स।
- Explorable। चुननेवाली मेडिकल जांच। से पुनर्प्राप्त: explorable.com।
- मूर, डी। 2005. एप्लाइड बेसिक स्टैटिस्टिक्स। 2। संस्करण।
- Netquest। संभाव्यता नमूनाकरण: स्तरीकृत नमूनाकरण। से पुनर्प्राप्त: netquest.com।
- विकिपीडिया। सैम्पलिंग। से पुनर्प्राप्त: es.wikipedia.org