概率和非概率抽样

在这项工作中，将解释分为两个主要类别的抽样技术：概率抽样和非概率抽样，这对于成功进行或适当选择样本进行调查非常有帮助，既可以用于大型工作室，也可以用于小型工作室。

为了对人群进行调查（例如检查人群以确定疾病的流行或不存在），我们可以分析整个有问题的人群，即进行普查或对人群进行调查。仅通过抽样的一部分人口。

概率抽样非概率瓜德罗普岛

通过检查整个人口，有可能确切地知道人口中所研究变量的分布。但是，这将花费更多时间，或者成本很高，因为需要在普查中检查大量人口，这需要时间和金钱。如果您想学习大量的个人，则必须拥有训练有素的人员和设备齐全的设施。

最好的选择是仅使用一部分人口，即进行抽样，因为这样可以更快，更便宜，而且如果正确选择了样本，结果也可以更加准确。

重新进行这项工作的目的是要了解两种采样类型，以及每个概率和非概率采样中发现的技术类型，以及选择每个采样的优缺点。

概率和非概率抽样

要开始并理解概率抽样和非概率抽样的主题，重要的是要了解抽样的含义。

什么是采样？

抽样是从人口中选择一组个体以便对其进行研究并能够表征总人口的过程。（奥乔亚（Ochoa），2015年）。也就是说，它包括选择一组被认为具有代表性的个人，以便于研究或确定人群特征。

例如，假设我们想知道一个城市中有多少居民在日常生活中饮酒。知道此数据的一种方法是研究整个人口，但这将非常困难，因为城市中的居民数量非常多，因此，选择了一个样本（例如800人）为了知道期望的百分比。选择总体的方式称为抽样。

采样技术的分类

根据Malhotra（2008），他将抽样技术分类如下：在非概率抽样和概率抽样中。（见图1）

概率抽样

概率抽样是一种抽样技术，其中从总体中随机选择个体，每个个体都有相同的正概率被选择并成为样本的一部分。因此，这是一种更推荐用于研究的抽样类型，因为它更有效，更准确并且可以确保提取的样本具有代表性，此外，研究人员还必须保证人口中的每个人都有相同的机会。在概率抽样中，可以找到以下类型：

简单随机抽样系统随机抽样分层随机抽样集群随机抽样混合/多阶段随机抽样。

简单的随机采样

在这种采样技术中，将通过随机浪潮选择将要为样本选择的总体中的所有元素，以相同的方式，每个元素被选择的可能性相同，为这些元素分配一个唯一的编号以进行识别。

属于确定的样本的元素将独立于任何其他元素进行选择。也就是说，如果选择一个元素，则对选择另一个元素不会有任何影响。

要执行选择程序，必须首先将数字分配给总体中的所有元素，然后通过某种机械方式（水晶球中的纸条，随机数表，弹子球）进行选择。并在袋中分配一个数字，计算机生成的随机数字等），这取决于所建立样本的大小，与通过机械手段获得的数字相关的元素将成为研究样本。

简单随机采样的优势

组装研究样本非常容易。由于所有元素具有相同的选择概率，因此可以公平地选择总体元素。每个元素选择均独立于其他选择。分析数据和计算误差所需的统计程序为比其他概率抽样程序所要求的更容易。往往会产生有代表性的样本快速计算均值和方差。

简单随机采样的缺点

如果要将此方法应用于非常大的总体，则必须始终具有总体的所有元素的列表，制作此列表以及始终对其进行更新将非常耗时。适用于大量人口。

系统随机抽样

与简单的随机抽样一样，此过程列出了总体的所有元素，但与以前的方法不同，仅抽取了总体的一个元素，这是随机进行的。

起点将是元素？组成样本的元素就是那些占据位置的元素？+？，？+ 2？，？+ 3？，…,? +（？-1）？，即？在哪它是通过将总体大小除以样本大小而获得的结果。数字？用作起始点的是1之间的随机数？？

当种群很大时，建议将其放大到整个种群。不存在代数计算问题。这种类型的抽样所需的时间更少，而且成本较低

它提出了总体中存在周期性的情况，因为当选择具有恒定周期性的样本成员时，我们可以引入总体中不发生的同质性如果总体中具有周期性，则可能会增加方差由于在每个区域中选择的元素取决于在第一区域中选择的元素，因此不同区域中的元素具有独立性。

分层随机抽样

在分层随机抽样中，总体元素分为亚组或层次，其中每个元素只能属于一个层次。也就是说，每个要素都将按照特征，例如性别，年龄，职业，婚姻状况等分阶段进行分组。

这种采样的目的是确保在每个样本中适当表示每个感兴趣的层次。阶层必须是互斥的并且是集体穷举的，因此，人口的每个要素都必须属于一个阶层，而不能忽略人口的任何要素。

样本根据不同层次的分布称为分配，分配的类型可以是：

简单分配：每个层次对应于相同数量的样本元素。比例分配：根据每个阶层的人口规模进行分配。最佳分配：考虑结果的可预见分散，因此考虑比例和标准偏差。

在定义层之后，创建样本，以获得所述样本，使用用于各个层的任何采样技术分别选择个体，通常是最常用于获得样本的技术。层次的简单随机抽样。

在阶层中，可以有同质的个体组，而它们又在不同的群体之间是异质的，也就是说，在每个阶层组中，个体具有共同的特征，但同时又与其他阶层不同，因为每个阶层都有公正的行为。例如，在某项研究中，期望发现男人和女人之间的行为不同，第一个阶层是男人，第二个阶层是女人，因此男人的行为彼此相似，而女人的行为他们的行为方式彼此相似，因此男人和女人的行为会有所不同。如果各层之间通常在内部均质且异质，使用这种采样技术时，将减少采样误差。

分层随机抽样的优势

当您对种群有先验知识时，建议使用这种采样技术获得更精确的估计值这种类型的采样的目的是确保每个样本中适当地代表每个感兴趣的层次，每个样本可以使用不同的采样方法。如果各层之间通常内部均质且异质，则在使用这种采样技术时，它将减少采样误差。

分层采样的缺点

必须有一个具有辅助信息的框架。通常很难形成每个层次。

企业随机抽样

当将人口分组到自然集群中时，使用此方法，我们通过聚集来理解呈现与整个人口相似的特征的元素的分组，这与分层随机抽样不同，此过程根据要研究的变量进行分组并准确识别对人口。集群必须互斥且集体穷举，就像它们被选择的可能性一样。

使用此方法的过程如下：

随机选择聚类，每个聚类的元素将成为样本的一部分。这些元素将形成组或集团，随后，将随机选择要在每个组中研究的元素，或者观察组成选定组的所有元素。

混合/多阶段随机抽样

这种采样方法将两种或多种上述采样技术结合在一起，通常在进行调查时，不强烈建议仅使用概率采样方法，因为在调查过程中会进行不同的阶段。研究，如果在每个阶段都使用此方法，则将应用不同的随机采样技术。

非概率抽样

当难以通过概率采样方法获取样本时，使用非概率采样。该方法是一种采样技术，它不执行随机选择程序，而是基于研究人员的个人判断来选择将属于样本的元素。在这种技术中，选择总体中每个元素的概率是未知的，并且并非所有样本都具有相同的概率。

尽管此方法在研究人员的标准下不是很有代表性，但不能保证代表性。在非概率方法中，最常用的是：

配额采样有意或便利采样雪球采样判断采样。

报价抽样

这是一种非概率抽样技术，包括在将总体划分为多个层次之后选择样本。配额抽样方法和分层抽样方法之间的区别在于，样本的总体元素的选择是由研究人员决定的，而不是像分层抽样那样随机进行的。从样本中进行选择的程序？人口的要素？，下一个

人口分为什么？阶层或群体（按年龄，性别，职业，居住地等）。如果地层有？₁，？₂，…，？_？元素，例如： =？₁ +？₂ +⋯+？_？随后，研究人员选择配额（可以根据自己的判断或通过适合样本的标准来选择这些配额），即元素的数量。₁，？_2，…，？_？将在每个层中获取，总和将是元素的总数？样本？ =？₁ +？₂ +⋯+？_？。

在每个层中选择的元素是使用概率n方法执行的。

选择配额的标准

如前所述，可以根据研究人员的判断来选择配额，也可以根据统计标准来选择配额，其中一些标准是：

简单的选择：几率相等吗？将在每个阶层中选择个人。当每个阶层具有不同数量的个人时，不建议使用此标准。选择与层大小成正比：每个组中的配额与该组中的元素成比例。在地层会采取？_？用以下公式计算。

在哪人口中的元素数量是多少？样品和？_？那个阶层的？

与层的变化成正比的选择：如果已知我们在层中考虑的特征的可变性。在每个组中，配额与之成正比。如果组中的差异更大，则配额也将更大。

？=？？_？？_？

_？ ∑ _？？？

？= 1 ？

其中n是样本中的元素数？_？那个阶层呢？_？地层的标准偏差？

有意或方便抽样

这是一种非概率抽样方法，该方法包括选择便于调查样本的元素，之所以如此，是因为研究人员发现更容易通过地理位置来检查对象。它的特点是努力获得具有代表性的样品，方法是在样品中包括典型的组。

这种技术是最便宜的一种，并且花费更少的时间，因为它不需要花费很多精力或使用某种方法来选择样品的元素，因此该部分由研究人员自行决定。

雪球采样

之所以称为“雪球采样”，是因为它包括每个研究对象都提出其他建议，也就是说，某些人位于另一个人的领导下，然后又导致其他人直到获得足够的样本为止。

因此产生类似于雪球的累积效果。此技术是一种非概率抽样方法，在不认识或无法访问个人的人群中进行，例如，教派，贫困人群，少数群体，罪犯，某些患者群体，等等

试用版抽样

非概率抽样方法，包括根据研究者的知识和判断来选择主题。也就是说，研究人员会根据自己的判断或经验来选择属于样本的元素，因为他认为这些元素更能代表所研究的人群。

当进行研究的负责人知道以前的研究相似或相同，并且确切地知道样本对研究有用时，建议使用此方法，就像人口少时一样，因此研究者知道人口。

结论

根据这些信息，可以得出结论，提供最大利益的方法是概率抽样，因为其结果通常更具代表性，而非概率抽样则努力获得有效代表的数据。

在非概率采样中，它们必须表现出其原始特征，如果充分利用它们的结果将很有用。在概率抽样方法中，他们的理论方法非常苛刻。

这些采样方法对于在特定人群中进行调查非常重要，因为如果您希望在结果方面取得更大的成功，那么您就必须以这两种技术相同的方式选择这两种技术中的一种更少的时间和资源。

因此，抽样是一种研究工具，其功能是确定应检查人口的哪一部分，以便得出有关该人口的结论。

样本必须获得足够的人口代表性，其中以最佳方式代表了对调查重要的人口总体特征。为了使样本具有代表性并因此有用，它必须反映出总体中的相似之处和不同之处，即体现其特征。

词汇表

E采样误差

它们是由于从样本而不是整个种群中获取信息而引起的错误。它们是由于一个样本与另一个样本之间的差异

M样本

选择研究他们的是宇宙中的个体

P人口

它是您要观察的现象或属性的所有值的集合。

参考资料

ARQHYS体系结构。（sf）。于2017年1月2日从ARQHYS ARQUITECTURA检索：需要一个具有辅助信息的框架。难以创建或形成图层。 BlogsPost。（sf）。于2016年12月30日从BlogsPost检索：http：//metodologia02.blogspot.mx/p/tipos-de-muestreo.html统计信息。（sf）。取自2016年12月29日的统计信息：http：//www.estadistica.mat.uson.mx/Material/elmuestreo.pdf可探索。（sf）。于2016年12月30日从Explorable检索：https：//explorable.com/es/muestreo-probabilistico Explorable。（sf）。于2016年12月30日从Explorable检索：https://explorable.com/es/muestreo-aleatorioFormulas，U.（sf）。宇宙公式。于2017年1月2日从http：//www.universoformulas检索。com /统计数据/推论/系统抽样/ Malhotra，NK（2008）。采样;设计和程序。在NK Malhotra市场研究中（第332-360页）。墨西哥：Pearson Education，Prentice Hall。数学。（sf）。于2017年1月2日从数学中检索：http：//matematicas.unex.es/~inmatorres/teaching/muestreo/assets/cap_5.pd.Fochoa，C.（2015年8月8日开放）。净任务。于2016年12月30日从Net Quest检索：http://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreoaleatorio-simplepd fOchoa，C.（2015年8月开放）。净任务。于2016年12月30日从Net Quest检索：http://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreoaleatorio-simplepd fOchoa，C.（2015年8月公开）。净任务。于2016年12月30日从Net Quest检索：http://www.netquest.com/blog/es/blog/es/muestreo-probabilistico-muestreoaleatorio-simple

奥乔亚（2014年2月19日）。净任务。于2016年12月30日从Net Quest检索：http://www.netquest.com/blog/es/blog/es/muestreo-que-es-porque-funciona

Ochoa，C.（2015年4月16日）。净任务。于2017年1月2日从http://www.netquest.com/blog/es/blog/es/muestreo-probabilisticomuestreo-estratificado ua.es检索。（sf）。于2016年12月30日从Personal.ua.es检索：https://personal.ua.es/es/francisco-frances/materiales/tema3/tipos_de_muestreo_probabilstico.html

洛杉矶拉莫斯（2011年9月22日）。幻灯片共享。于2017年1月2日从Slide Share检索：

里斯科（Jies）（nd）。统计的基本概念。于2017年1月2日从基本统计概念中检索：http：//www.jorgegalbiati.cl/ejercicios_4/ConceptosBasicos.pdf Universo公式。（sf）。于2017年1月4日从Universo公式中检索：http：//www.universoformulas.com/estadistica/inferencia/muestreo-noprobabilistico/ Universo公式。（sf）。于2017年1月2日从http://www.universoformulas.com/estadistica/inferencia/muestreo-cuotas/ UniversoFórmula检索。（sf）。于2017年1月2日从https://www.netquest.com/blog/es/blog/es/muestreo-bola-nieve UniversoFórmula检索。（sf）。于2017年1月2日从https://www.netquest.com/blog/es/blog/es/muestreo-por-conveniencia UniversoFórmula检索。（sf）。于2017年1月2日从http：//www.universoformulas检索。com /统计信息/推论/自由抽样/

下载原始文件