सरल यादृच्छिक नमूना
एक साधारण यादृच्छिक नमूना एक सांख्यिकीय आबादी का एक सबसेट होता है, जिसमें सबसेट के प्रत्येक सदस्य को चुने जाने की समान संभावना होती है। एक साधारण यादृच्छिक नमूना एक समूह का निष्पक्ष प्रतिनिधित्व करने के लिए होता है।
एक साधारण रैंडम सैंपल का एक उदाहरण 250 कर्मचारियों की कंपनी से 25 कर्मचारियों के नाम एक टोपी से चुना जाएगा। इस मामले में, जनसंख्या सभी 250 कर्मचारी है, और नमूना यादृच्छिक है क्योंकि प्रत्येक कर्मचारी के पास चुने जाने की समान संभावना है। रैंडम सैंपलिंग का उपयोग विज्ञान में रैंडमाइज्ड कंट्रोल टेस्ट या अंधी प्रयोगों के लिए किया जाता है।
सरल यादृच्छिक नमूने की तुलना में बड़ी आबादी से एक शोध नमूना निकालने के लिए कोई आसान तरीका मौजूद नहीं है। बड़ी आबादी से यादृच्छिक पर पूरी तरह से विषयों का चयन भी एक नमूना है कि अध्ययन किया जा रहा है समूह के प्रतिनिधि है।
1:16सरल यादृच्छिक नमूना
सरल यादृच्छिक नमूना समझना
शोधकर्ता कुछ तरीकों का उपयोग करके एक सरल यादृच्छिक नमूना बना सकते हैं। लॉटरी पद्धति के साथ, जनसंख्या के प्रत्येक सदस्य को एक संख्या सौंपी जाती है, जिसके बाद संख्याओं को यादृच्छिक पर चुना जाता है।
वह उदाहरण जिसमें 250 में से 25 कर्मचारियों के नाम एक टोपी से चुने गए हैं, काम पर लॉटरी विधि का एक उदाहरण है। 250 कर्मचारियों में से प्रत्येक को 1 और 250 के बीच एक संख्या सौंपी जाएगी, जिसके बाद उन संख्याओं में से 25 को यादृच्छिक पर चुना जाएगा।
क्योंकि बड़े समूह का सबसेट बनाने वाले व्यक्तियों को यादृच्छिक रूप से चुना जाता है, बड़ी आबादी के सेट में प्रत्येक व्यक्ति को चुने जाने की समान संभावना होती है। यह, ज्यादातर मामलों में, एक संतुलित सबसेट जो किसी भी पूर्वाग्रह से मुक्त, एक पूरे के रूप में बड़े समूह का प्रतिनिधित्व करने के लिए सबसे बड़ी क्षमता रखता है।
बड़ी आबादी के लिए, एक मैनुअल लॉटरी विधि काफी खतरनाक हो सकती है। एक बड़ी आबादी से यादृच्छिक नमूने का चयन करने के लिए आमतौर पर एक कंप्यूटर-जनरेटेड प्रक्रिया की आवश्यकता होती है, जिसके द्वारा लॉटरी पद्धति के समान पद्धति का उपयोग किया जाता है, केवल संख्या असाइनमेंट और बाद के चयन कंप्यूटर द्वारा किए जाते हैं, मनुष्य नहीं।
त्रुटि के लिए कमरा
एक साधारण यादृच्छिक नमूने के साथ, प्लस और माइनस विचरण (सैंपलिंग त्रुटि) द्वारा दर्शाई गई त्रुटि के लिए जगह होनी चाहिए। उदाहरण के लिए, यदि उसी हाई स्कूल में यह निर्धारित करने के लिए एक सर्वेक्षण लिया जाना था कि कितने छात्र बाएं हाथ के हैं, तो एक यादृच्छिक नमूना यह निर्धारित कर सकता है कि 100 में से आठ नमूने बाएं हाथ के हैं। निष्कर्ष यह होगा कि हाई स्कूल की 8% छात्र आबादी बाएं हाथ की है, जब वास्तव में वैश्विक औसत 10% के करीब होगा।
विषय वस्तु की परवाह किए बिना वही सत्य है। छात्र की आबादी के प्रतिशत पर एक सर्वेक्षण जिसमें हरे रंग की आँखें हैं या शारीरिक रूप से अक्षम हैं, एक उच्च यादृच्छिक संभावना के आधार पर एक उच्च गणितीय संभावना होगी, लेकिन हमेशा एक प्लस या माइनस विचरण के साथ। 100% सटीकता की दर का एकमात्र तरीका सभी 1, 000 छात्रों का सर्वेक्षण करना होगा, जो संभव हो, अव्यवहारिक होगा।
चाबी छीन लेना
- एक साधारण यादृच्छिक नमूना पूरे डेटा सेट का प्रतिनिधित्व करने के लिए पूरी आबादी का एक छोटा, यादृच्छिक हिस्सा लेता है, जहां प्रत्येक सदस्य को चुने जाने की समान संभावना होती है।
- शोधकर्ता लॉटरी या यादृच्छिक ड्रॉ जैसी विधियों का उपयोग करके एक सरल यादृच्छिक नमूना बना सकते हैं।
- एक नमूना त्रुटि एक साधारण यादृच्छिक नमूने के साथ हो सकती है यदि नमूना उस आबादी को सही ढंग से प्रतिबिंबित नहीं करता है जिसका प्रतिनिधित्व करना चाहिए।
सरल रैंडम वर्सेस स्तरीकृत रैंडम नमूना
सरल यादृच्छिक नमूने और स्तरीकृत यादृच्छिक नमूने दोनों सांख्यिकीय माप उपकरण हैं। संपूर्ण डेटा आबादी का प्रतिनिधित्व करने के लिए एक सरल यादृच्छिक नमूना का उपयोग किया जाता है। एक स्तरीकृत यादृच्छिक नमूना साझा विशेषताओं के आधार पर जनसंख्या को छोटे समूहों या वर्गों में विभाजित करता है।
सरल यादृच्छिक नमूनों के विपरीत, स्तरीकृत यादृच्छिक नमूनों का उपयोग आबादी के साथ किया जाता है जो आसानी से अलग-अलग उपसमूहों या सबसेट में टूट सकते हैं। ये समूह कुछ मानदंडों पर आधारित होते हैं, फिर समूह के आकार बनाम जनसंख्या के अनुपात में प्रत्येक से यादृच्छिक रूप से तत्वों का चयन करते हैं।
नमूना लेने की इस विधि का अर्थ है कि प्रत्येक अलग समूह से चयन होंगे - जिसका आकार पूरी आबादी के अनुपात पर आधारित है। लेकिन शोधकर्ताओं को यह सुनिश्चित करना चाहिए कि स्ट्रैट ओवरलैप न करें। जनसंख्या में प्रत्येक बिंदु को केवल एक स्ट्रैटम से संबंधित होना चाहिए ताकि प्रत्येक बिंदु पारस्परिक रूप से अनन्य हो। ओवरलैपिंग स्ट्रैटा की संभावना बढ़ जाती है कि कुछ डेटा शामिल हैं, इस प्रकार नमूना तिरछा करना।
सरल यादृच्छिक नमूने के लाभ
उपयोग में आसानी सरल यादृच्छिक नमूने का सबसे बड़ा लाभ का प्रतिनिधित्व करता है। अधिक जटिल नमूनाकरण विधियों के विपरीत, जैसे कि स्तरीकृत यादृच्छिक नमूनाकरण और संभाव्यता नमूनाकरण, जनसंख्या को उप-आबादी में विभाजित करने या यादृच्छिक पर जनसंख्या के सदस्यों का चयन करने से पहले कोई अन्य अतिरिक्त कदम उठाने की कोई आवश्यकता नहीं है।
एक साधारण यादृच्छिक नमूना एक समूह का निष्पक्ष प्रतिनिधित्व करने के लिए होता है। यह एक बड़ी आबादी से एक नमूना का चयन करने का एक उचित तरीका माना जाता है क्योंकि जनसंख्या के प्रत्येक सदस्य के पास चयनित होने की समान संभावना है।
हालांकि सरल यादृच्छिक नमूने का सर्वेक्षण करने के लिए एक निष्पक्ष दृष्टिकोण होना चाहिए, नमूना चयन पूर्वाग्रह हो सकता है। जब बड़ी आबादी का एक नमूना सेट पर्याप्त रूप से समावेशी नहीं होता है, तो पूरी आबादी का प्रतिनिधित्व तिरछा होता है और इसके लिए अतिरिक्त नमूने तकनीक की आवश्यकता होती है।
सरल यादृच्छिक नमूने के नुकसान
एक नमूना त्रुटि एक साधारण यादृच्छिक नमूने के साथ हो सकती है यदि नमूना उस आबादी को सही ढंग से प्रतिबिंबित नहीं करता है जिसका प्रतिनिधित्व करना चाहिए। उदाहरण के लिए, 25 कर्मचारियों के हमारे सरल यादृच्छिक नमूने में, 25 पुरुषों को खींचना संभव होगा, भले ही जनसंख्या में 125 महिलाएं और 125 पुरुष शामिल हों।
इस कारण से, साधारण यादृच्छिक नमूने का अधिक उपयोग किया जाता है जब शोधकर्ता आबादी के बारे में कम जानता है। यदि शोधकर्ता अधिक जानता था, तो एक अलग नमूनाकरण तकनीक का उपयोग करना बेहतर होगा, जैसे कि स्तरीकृत यादृच्छिक नमूना, जो आबादी के भीतर के मतभेदों, जैसे कि उम्र, नस्ल या लिंग के बारे में जानकारी देने में मदद करता है। अन्य नुकसानों में यह तथ्य शामिल है कि बड़ी आबादी से नमूना लेने के लिए, प्रक्रिया अन्य तरीकों की तुलना में समय लेने वाली और महंगी हो सकती है।
इन्वेस्टमेंट अकाउंट्स प्रोवाइडर नाम की तुलना करें। विज्ञापनदाता का विवरण × इस तालिका में दिखाई देने वाले प्रस्ताव उन साझेदारियों से हैं जिनसे इन्वेस्टोपेडिया को मुआवजा मिलता है।