| http://dbpedia.org/ontology/abstract
|
El muestreo sistemático es un método estad … El muestreo sistemático es un método estadístico que implica la selección de elementos de un ordenado. La forma más común de muestreo sistemático es un método de equiprobabilidad. En este enfoque, la progresión a través de la lista se trata de forma circular, con un regreso al principio una vez que se pasa el final de la lista. El muestreo comienza seleccionando un elemento de la lista al azar y luego se selecciona cada elemento k th en el marco, donde k , es el intervalo de muestreo (a veces conocido como the skip ): esto se calcula como: donde n es el tamaño de la muestra y N es el tamaño de la población. Usando este procedimiento, cada elemento de la población tiene una probabilidad de selección conocida e igual. Esto hace que el muestreo sistemático sea funcionalmente similar al por sus siglas en ingles.(SRS). Sin embargo, no es lo mismo que SRS porque no todas las muestras posibles de un cierto tamaño tienen la misma probabilidad de ser elegidas (por ejemplo, muestras con al menos dos elementos adyacentes entre sí nunca se elegirán mediante muestreo sistemático). Sin embargo, es mucho más eficiente (si la varianza dentro de la muestra sistemática es mayor que la varianza de la población). [cita requerida] El muestreo sistemático se aplicará solo si la población dada es lógicamente homogénea, porque las unidades de muestreo sistemáticas se distribuyen uniformemente entre la población. El investigador debe asegurarse de que el intervalo de muestreo elegido no oculte un patrón. Cualquier patrón amenazaría con la aleatoriedad. Ejemplo: Suponga que un supermercado quiere estudiar los hábitos de compra de sus clientes, luego, utilizando un muestreo sistemático, puede elegir cada décimo o decimoquinto cliente que ingresa al supermercado y realizar el estudio en esta muestra. Este es un muestreo aleatorio con un sistema. A partir del marco de muestreo, se elige un punto de partida al azar, y las opciones posteriores son a intervalos regulares. Por ejemplo, suponga que desea muestrear 8 casas de una calle de 120 casas. 120/8 = 15, por lo que cada casa 15 se elige después de un punto de partida aleatorio entre 1 y 15. Si el punto de partida aleatorio es 11, entonces las casas seleccionadas son 11, 26, 41, 56, 71, 86, 101 y 116. Como acotación al margen, si cada casa 15 fuera una "casa de esquina", entonces este patrón de esquina podría destruir la aleatoriedad de la muestra. Si, como es más frecuente, la población no es divisible uniformemente (suponga que desea muestrear 8 casas de 125, donde 125/8 = 15,625), ¿debería tomar cada 15 o cada 16 casas? Si toma cada casa 16, 8 * 16 = 128, existe el riesgo de que la última casa elegida no exista. Por otro lado, si toma cada 15 casas, 8 * 15 = 120, entonces las últimas cinco casas nunca serán seleccionadas. En su lugar, el punto de partida aleatorio debe seleccionarse como un número no entero entre 0 y 15,625 (incluido solo en un punto final) para garantizar que todas las casas tengan las mismas posibilidades de ser seleccionadas; el intervalo ahora debería ser no integral (15.625); y cada número no entero seleccionado debe redondearse al siguiente número entero. Si el punto de partida aleatorio es 3.6, entonces las casas seleccionadas son 4, 20, 35, 50, 66, 82, 98 y 113, donde hay 3 intervalos cíclicos de 15 y 4 intervalos de 16. Para ilustrar el peligro de una omisión sistemática que oculta un patrón, supongamos que tuviéramos que muestrear un vecindario planificado donde cada calle tiene diez casas en cada cuadra. Esto coloca las casas No. 1, 10, 11, 20, 21, 30 ... en las esquinas de los bloques; Los bloques de esquina pueden ser menos valiosos, ya que una mayor parte de su área está ocupada por el frente de la calle, etc., que no está disponible para fines de construcción. Si luego tomamos muestras de cada décimo hogar, nuestra muestra estará compuesta solo por casas de esquina (si comenzamos en 1 o 10) o no tenemos casas de esquina (cualquier otro comienzo); de cualquier manera, no será representativo. El muestreo sistemático también se puede utilizar con probabilidades de selección no iguales. En este caso, en lugar de simplemente contar los elementos de la población y seleccionar cada k th unidad, asignamos a cada elemento un espacio a lo largo de una recta numérica de acuerdo con su probabilidad de selección . Luego generamos un comienzo aleatorio a partir de una distribución uniforme entre 0 y 1, y nos movemos a lo largo de la recta numérica en pasos de 1. Ejemplo: tenemos una población de 5 unidades (A a E). Queremos darle a la unidad A un 20% de probabilidad de selección, a la unidad B un 40% de probabilidad, y así sucesivamente hasta la unidad E (100%). Suponiendo que mantenemos el orden alfabético, asignamos cada unidad al siguiente intervalo: A: 0 a 0,2B: 0,2 a 0,6 (= 0,2 + 0,4)C: 0,6 a 1,2 (= 0,6 + 0,6)D: 1,2 a 2,0 (= 1,2 + 0,8)E: 2.0 a 3.0 (= 2.0 + 1.0) Si nuestro inicio aleatorio fue 0.156, primero seleccionaríamos la unidad cuyo intervalo contiene este número (es decir, A). A continuación, seleccionaríamos el intervalo que contiene 1.156 (elemento C), luego 2.156 (elemento E). Si, en cambio, nuestro inicio aleatorio fuera 0.350, seleccionaríamos entre los puntos 0.350 (B), 1.350 (D) y 2.350 (E).s puntos 0.350 (B), 1.350 (D) y 2.350 (E).
, Als Systematische Stichprobe (auch Bewusst … Als Systematische Stichprobe (auch Bewusste Auswahl) bezeichnet man Auswahlverfahren, bei denen subjektive Erwägungen die Auswahl der Zielpersonen bestimmen. Beispiel: alle Mitarbeiter mit mehr als 10 Jahren Betriebszugehörigkeit. Es werden Vorinformationen über die auszuwählenden Fälle genutzt. Verallgemeinerungen sind auf der Basis mathematisch-statistischer Modelle bei bewussten Auswahlen nicht möglich. Typen bewusster Auswahlverfahren:
* Theoretical Sampling,
* Auswahl typischer Fälle/Typische Auswahl: Auswahl solcher Elemente, die als besonders typisch oder charakteristisch erachtet werden.
* Schneeballauswahl und
* Quotenauswahl (Quotenstichprobe): Wie bei der geschichteten Zufallsstichprobe erfolgt zuerst eine Einteilung der Elemente der Grundgesamtheit in Gruppen. Danach wird der Anteil der einzelnen Gruppen an der Grundgesamtheit bestimmt. Die Stichprobe ist nun so zu ziehen, dass dieses Gruppenverhältnis in der Stichprobe möglichst genau so aussieht wie in der Grundgesamtheit.
* Cut-off-Verfahren (Konzentrationsprinzip): Auswahl solcher Elemente, denen eine besondere Bedeutung zukommt z. B. in der Investitionsgüter-Marktforschung wie die Befragung führender Großbetriebe, ermöglicht die Zahl der Befragten/Untersuchungseinheiten ohne großen Informationsverlust bezüglich des Untersuchungsgegenstands dadurch zu reduzieren, dass nur solche Elemente in die Auswahl aufgenommen werden, die im Hinblick auf das Untersuchungsziel relevant sind.k auf das Untersuchungsziel relevant sind.
, Il campionamento sistematico è una tecnica … Il campionamento sistematico è una tecnica di campionamento da popolazioni finite utilizzata in statistica. Differisce dal campionamento casuale semplice soprattutto dal punto di vista della tecnica di estrazione dei soggetti: infatti essi non vengono più estratti uno per uno in maniera casuale, ma una volta estratta un'unità, il campione estratto è determinato secondo un criterio ragionato, in generale scegliendo un'unità ogni intervallo k=N/n.scegliendo un'unità ogni intervallo k=N/n.
, Losowanie systematyczne – rodzaj losowania … Losowanie systematyczne – rodzaj losowania stosowany w eksperymentach naukowych. Polega ono na wyborze do próby elementów populacji oddalonych od siebie o stałą wartość k, zwaną interwałem losowania. Stosując losowanie systematyczne, należy określić: interwał losowania gdzie: – liczebność populacji – żądana liczebność próby
* pierwszą jednostkę do próby, którą wybiera się losowo np. przy pomocy tablic losowych;
* te jednostki z operatu losowania, których numery są oddalone od pierwszej jednostki i każdej następnej o wartość interwału losowania
* jeśli interwał losowania nie jest liczbą całkowitą, to zaokrąglamy go zawsze w dół (bierzemy część całkowitą danej liczby)ół (bierzemy część całkowitą danej liczby)
, 계통표집은 체계적 표집, 체계적 추출법(systematic sampling) … 계통표집은 체계적 표집, 체계적 추출법(systematic sampling)이라고도 하며, 첫 번째 요소는 무작위로 선정한 후 목록의 매번 k번째 요소를 표본으로 선정하는 표집방법이다. 모집단의 크기를 원하는 표본의 크기로 나누어 k를 계산한다. 여기서 k는 표집간격이라고 불린다. 계통추출법은 실질적으로 단순 임의 표집과 거의 동일하다. 만약 요소들의 목록이 표본이 추출되기 전에 무작위로 되어 있다면, 그 목록에서 계통추출법을 통해 추출된 표본은 실제로는 단순임의 표본과 같다고 주장할 수 있다. 따라서 좀 더 간단한 방법인 계통추출법이 선호되어 왔고, 경험적으로 봤을 때 결과는 실질적으로 동일하다. 하지만, 그와 반대로 만약 표본이 추출되기 전 요소들의 목록이 무작위로 되어 있지 않고 주기성(periodicity)을 띄고 있다면, 계통추출법을 통해 추출된 표본은 매우 어긋난 표본이 될 수 있으며 모집단을 전혀 반영하지 못하게 된다표본은 매우 어긋난 표본이 될 수 있으며 모집단을 전혀 반영하지 못하게 된다
, In survey methodology, systematic sampling … In survey methodology, systematic sampling is a statistical method involving the selection of elements from an ordered sampling frame. The most common form of systematic sampling is an equiprobability method. In this approach, progression through the list is treated circularly, with a return to the top once the list ends. The sampling starts by selecting an element from the list at random and then every kth element in the frame is selected, where k, is the sampling interval (sometimes known as the skip): this is calculated as: where n is the sample size, and N is the population size. Using this procedure each element in the population has a known and equal probability of selection (also known as epsem). This makes systematic sampling functionally similar to simple random sampling (SRS). However, it is not the same as SRS because not every possible sample of a certain size has an equal chance of being chosen (e.g. samples with at least two elements adjacent to each other will never be chosen by systematic sampling). It is, however, much more efficient (if the variance within a systematic sample is more than the variance of the population). Systematic sampling is to be applied only if the given population is logically homogeneous, because systematic sample units are uniformly distributed over the population. The researcher must ensure that the chosen sampling interval does not hide a pattern. Any pattern would threaten randomness. Example: Suppose a supermarket wants to study buying habits of their customers, then using systematic sampling they can choose every 10th or 15th customer entering the supermarket and conduct the study on this sample. This is random sampling with a system. From the sampling frame, a starting point is chosen at random, and choices thereafter are at regular intervals. For example, suppose you want to sample 8 houses from a street of 120 houses. 120/8=15, so every 15th house is chosen after a random starting point between 1 and 15. If the random starting point is 11, then the houses selected are 11, 26, 41, 56, 71, 86, 101, and 116. As an aside, if every 15th house was a "corner house" then this corner pattern could destroy the randomness of the sample. If, more frequently, the population is not evenly divisible (suppose you want to sample 8 houses out of 125, where 125/8=15.625), should you take every 15th house or every 16th house? If you take every 16th house, 8*16=128, there is a risk that the last house chosen does not exist. On the other hand, if you take every 15th house, 8*15=120, so the last five houses will never be selected. The random starting point should instead be selected as a non-integer between 0 and 15.625 (inclusive on one endpoint only) to ensure that every house has an equal chance of being selected; the interval should now be non-integral (15.625); and each non-integer selected should be rounded up to the next integer. If the random starting point is 3.6, then the houses selected are 4, 20, 35, 50, 66, 82, 98, and 113, where there are 3 cyclic intervals of 15 and 4 intervals of 16. To illustrate the danger of systematic skip concealing a pattern, suppose we were to sample a planned neighborhood where each street has ten houses on each block. This places houses No. 1, 10, 11, 20, 21, 30... on block corners; corner blocks may be less valuable, since more of their area is taken up by street front etc. that is unavailable for building purposes. If we then sample every 10th household, our sample will either be made up only of corner houses (if we start at 1 or 10) or have no corner houses (any other start); either way, it will not be representative. Systematic sampling may also be used with non-equal selection probabilities. In this case, rather than simply counting through elements of the population and selecting every kth unit, we allocate each element a space along a number line according to its selection probability. We then generate a random start from a uniform distribution between 0 and 1, and move along the number line in steps of 1. Example: We have a population of 5 units (A to E). We want to give unit A a 20% probability of selection, unit B a 40% probability, and so on up to unit E (100%). Assuming we maintain alphabetical order, we allocate each unit to the following interval: A: 0 to 0.2B: 0.2 to 0.6 (= 0.2 + 0.4)C: 0.6 to 1.2 (= 0.6 + 0.6)D: 1.2 to 2.0 (= 1.2 + 0.8)E: 2.0 to 3.0 (= 2.0 + 1.0) If our random start was 0.156, we would first select the unit whose interval contains this number (i.e. A). Next, we would select the interval containing 1.156 (element C), then 2.156 (element E). If instead our random start was 0.350, we would select from points 0.350 (B), 1.350 (D), and 2.350 (E).oints 0.350 (B), 1.350 (D), and 2.350 (E).
|
