这是从特定人群中选择一组个体以研究他们并表征总人口的过程。这是采样的两个基本术语：
- 宇宙或人口：这是我希望研究或表征的个体总数样本：这是我选择研究（例如通过调查）的宇宙中的个体集合。
在无法或不方便进行人口普查（分析人口的所有要素）的情况下，应选择一个样本，并将其理解为人口的代表性部分。
因此，抽样是科学研究的一种工具，其基本功能是确定应检查人口的哪一部分，以便推断出该人口。
样本必须获得足够的人口代表性，其中以最佳方式再现了对研究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。
抽样误差：
- 从仅一部分人口的观察得出非常笼统的结论称为抽样误差，对总体的结论要比最初抽样的人口大得多。推断错误。
优点
- 除了减少了使用的资源之外，它还大大地总结了研究的时间和成本，数据的操作更加简单。
缺点
- 由于抽样的本质和对结果的概括性需求，我们在结果中引入（受控）误差，由于样本选择不当，存在引入偏差的风险。（2009年1月）
概率抽样方法
1.-简单随机抽样：
使用的程序如下：1）为人口中的每个人分配一个数字，2）通过某种机械手段（袋中的球，随机数表，由计算器或计算机生成的随机数等）分配一个数字。 。）选择尽可能多的主题以完成所需的样本量。
当我们管理的人口很大时，此过程以其简单性而吸引人，几乎没有或没有实际用途。
2.-系统随机抽样：
与前一个步骤一样，此过程要求对总体中的所有元素进行编号，但不是提取n个随机数，而是仅提取一个。我们从随机数i开始，该随机数是一个随机选择的数字，组成样本的元素是占据i，i + k，i + 2k，i + 3k，…，i +（n-1 ）k，也就是说，将k中的个体计入k，其中k是将人口规模除以样本数量的结果：k = N / n。我们用作起点的数字i将是1到k之间的一个随机数。
这种采样的风险是在总体中存在周期性的情况下，因为通过选择具有恒定周期性（k）的样本成员，我们可以引入总体中不存在的同质性。
想象一下，我们正在从10个人的列表中选择一个样本，其中前5个是男性，后5个是女性，如果我们使用k = 10的系统随机抽样，那么我们将总是只选择男性或仅女性，就不可能代表两性。
3.-分层随机抽样：
它由考虑互不相同（阶层）的典型类别组成，这些类别在某些特征方面是高度一致的（例如，可以根据职业，居住城市，性别，婚姻状况等进行分层）。
此类采样的目的是确保所有感兴趣的层次都可以在样本中得到充分体现。每个层次均独立工作，可以在其中应用简单或分层的随机抽样，以选择将成为样本一部分的特定元素。
样本根据不同层次的分布称为分配，它可以是不同的类型：
简单分配：每个层次对应于相同数量的样本元素。
比例分配：根据每个层中人口的体重（大小）进行分配。
最佳分配：考虑到结果的可预见分散，因此要考虑比例和标准偏差。由于偏差通常是未知的，因此应用很少。
4.-随机聚类采样：
到目前为止介绍的方法旨在直接选择总体元素，即样本单位就是总体元素。
在聚类抽样中，抽样单位是构成一个单位的一组总体元素，我们称其为聚类。医院单位，大学部门，某种产品的包装盒等是天然的大企业。在其他情况下，可以使用非天然集团公司，例如投票箱。当群集是地理区域时，通常称为“区域采样”。
聚类抽样包括随机选择一定数量的聚类（达到确定的样本量所需的数量），然后调查属于所选聚类的所有元素。
非概率采样方法
1.-配额采样：
有时也称为“意外”。为了研究的目的，它通常基于对人群和/或最“代表性”或“合适”个人的阶层的充分了解。因此，它与分层随机抽样保持相似性，但不具有随机性。
在这种类型的采样中，设置“配额”由满足一定条件的许多个人组成，例如：20名年龄在25至40岁之间的女性，女性，居住在希洪。确定配额后，将选择符合这些特征的第一个配额。此方法广泛用于民意调查。
2.-有意或方便抽样：
这种类型的采样的特征在于，通过在样本中包含所谓的典型组来刻意获得“代表性”样本。它在选举前民意测验中非常频繁地用于以前的选票中已标明投票趋势的地区。研究人员还可能直接有意从人口中选择个人。此过程最常见的情况是使用一个易于访问的个人作为样本（大学教授经常雇用自己的学生）。
3.-雪球：
找到了一些个体，这导致了其他人，而这些又导致了其他人，依此类推，直到获得足够的样本。在研究“边缘”人口，罪犯，教派，某些类型的患者等时，非常经常使用这种类型。
参考：
www.estadistica.mat.uson.mx/Material/elmuestreo.pdf
下载原始文件
