सदस्य:Sarah ayman63/प्रयोगपृष्ठ/2
नमूनाकरण (आंकड़े)[संपादित करें]
Something went wrong...अंगूठाकार|नमूनाकरण]] नमूना सिद्धांत सिद्धांतों का क्षेत्र मे एकत्रित डेटा के संग्रह, डेटा का विश्लेषण और व्याख्या शामिल है। आंकड़ों, गुणवत्ता आश्वासन, और सर्वेक्षण पद्धति में नमूनाकरण पूरी आबादी मे से सांख्यिकीय आबादी का चयन कर्ना है और उस आबादी की विशेषताओं का अनुमान लगाने है। नमूनाकरण के पूरी आबादी को मापने की तुलना में दो फायदे है - कम लागत और तेज़ डेटा संग्रह। व्यवसाय और चिकित्सा अनुसंधान में, किसी भी आबादी(जनसंख्या) के बारे में जानकारी इकट्ठा करने के लिए नमूनाकरण का व्यापक रूप से उपयोग किया जाता है।[1]
आबादी(जनसंख्या) परिभाषा[संपादित करें]
सफल सांख्यिकीय अभ्यास, केंद्रित समस्या परिभाषा पर आधारित है। नमूनाकरण में, ये जनसंख्या को परिभाषित करना है जिसमें से हमारा नमूना लिया जाता है। कभी-कभी जनसंख्या को जो परिभाषित करता है वो स्पष्ट है। उदाहरण के लिए, एक निर्माता को यह तय करने की आवश्यकता होती है कि उत्पादन से सामग्री का एक बैच ग्राहक को देने के लिए पर्याप्त गुणवत्ता की है या खराब गुणवत्ता के कारण पुनर्विक्रय के लिए जानी चाहिए। इस मामले में, बैच आबादी है। अन्य मामलों में, हमारी जनसंख्या और भी कम वास्त्विक हो सकती है। कभि कभि जनसंख्या जिस्से नमूना तैयार किया गया है वह और वह जनसंख्या जिसके बारे में हम वास्तव में जानकारी चाहते हैं वह समान नहीं होते। उदाहरण के लिए, हम मानव स्वास्थ्य की बेहतर समझ प्राप्त करने के लिए चूहों का अध्ययन कर सकते हैं, या हम २००९ में पैदा हुए लोगों के बारे में भविष्यवाणियों के लिए २००८ में पैदा हुए लोगों के रिकॉर्ड का अध्ययन कर सकते हैं। नमूना जनसंख्या और चिंता की आबादी को सटीक बनाने में व्यतीत समय अक्सर खर्च किया जाता है, क्योंकि इससे कई मुद्दों, अस्पष्टताएं और प्रश्न उठते हैं जिन्हें अकसर अनदेखा कर दिया जाएगा।
नमूना फ्रेम[संपादित करें]
सबसे सरल मामले में, जैसे उत्पादन से सामग्री के बैच का नमूना, जनसंख्या में प्रत्येक आइटम को पहचानने और मापने और हमारे नमूने में उनमें से किसी एक को शामिल करने के लिए सबसे वांछनीय होगा। हालांकि, अधिक सामान्य मामले में यह आमतौर पर संभव या व्यावहारिक नहीं होता है। सभी चूहों के सेट में सभी चूहों की पहचान करने का कोई तरीका नहीं है। एक उपाय के रूप में, हम एक नमूना फ्रेम बना सक्ते है जिसे हम प्रत्येक तत्व की पहचान कर सकते हैं और हमारे नमूने में शामिल कर सकते हैं। उदाहरण के लिए, एक राय सर्वेक्षण में , संभावित नमूना फ्रेम में एक चुनावी रजिस्टर और एक टेलीफोन निर्देशिका शामिल है। संभाव्यता नमूना एक नमूना है जिसमें जनसंख्या में प्रत्येक इकाई को नमूना में चयनित होने का मौका (शून्य से अधिक) होता है, और यह संभावना सटीक रूप से निर्धारित की जा सकती है।
संभाव्यता नमूनाकरण में सरल रैंडम नमूनाकरण, व्यवस्थित नमूनाकरण, स्ट्रैटिफाइड नमूनाकरण, आकार नमूनाकरण के अनुपात आनुपातिक, और क्लस्टर या मल्टीस्टेज नमूनाकरण शामिल है। संभाव्यता नमूने के इन विभिन्न तरीकों में दो चीजें आम हैं: १) प्रत्येक तत्व में नमूना होने की एक ज्ञात अशून्य संभावना है २) कुछ बिंदु पर यादृच्छिक चयन शामिल है।
गैर-प्रयोज्य नमूनाकरण[संपादित करें]
गैर-प्रयोज्य नमूनाकरण वो नमूना पद्धति है जहां जनसंख्या के कुछ तत्वों को चयन का कोई मौका नहीं है, या जहां चयन की संभावना सटीक रूप से निर्धारित नहीं की जा सकती है। तत्वों का चयन nonrandom (नान रान्डोम) है, इस्लिए गैर-प्रयोज्य नमूनाकरण नमूना त्रुटियों के आकलन की अनुमति नहीं देता है। गैर-प्रयोज्य नमूनाकरण विधियों में सुविधा नमूनाकरण , कोटा नमूनाकरण और जानबूझकर नमूना शामिल है।
नमूने लेने के तरीके[संपादित करें]
ऊपर बताए गए किसी भी प्रकार के फ्रेम के भीतर,कयी किस्म के नमूने के तरिके में नियोजित किया जा सकता है। आमतौर पर इन डिजाइनों के बीच चयन को प्रभावित करने वाले कारणो में शामिल हैं: १) फ्रेम की गुणवत्ता २) फ्रेम पर इकाइयों के बारे में सहायक जानकारी की उपलब्धता ३) सटीकता की आवश्यकताएं, और सटीकता को मापने की आवश्यकता ४) नमूने के विस्तृत विश्लेषण की उम्मीद है या नहीं ५) लागत / परिचालन संबंधी चिंताएँ
सरल यादृच्छिक नमूनाकरण[संपादित करें]
सरल यादृच्छिक नमूनाकरण में किसी भी दिए गए आकार का एसाधारण यादृच्छिक नमूने में , फ्रेम के सभी सबसेट को एक समान मोका दीया जाती है। इस प्रकार फ्रेम के प्रत्येक तत्व में चयन की एक समान संभावना है: फ्रेम को विभाजित नहीं किया गया है। यह पूर्वाग्रह को कम करता है और परिणामों के विश्लेषण को सरल बनाता है। विशेष रूप से, नमूना के भीतर व्यक्तिगत परिणामों के बीच विचरण, समग्र आबादी में विचरण का एक अच्छा संकेतक है, जो परिणामों की सटीकता का अनुमान लगाना अपेक्षाकृत आसान बनाता है। एसआरएस सैंपलिंग त्रुटि के लिए कमजोर हो सकता है क्योंकि चयन की यादृच्छिकता के परिणामस्वरूप एसा नमूना हो सकता है जो आबादी के मेकअप को प्रतिबिंबित नहीं करता है। व्यवस्थित और स्तरीकृत तकनीक अधिक "प्रतिनिधि" नमूना चुनने के लिए ,"आबादी के बारे में जानकारी का उपयोग करके" इस समस्या को दूर करने का प्रयास करती है।
व्यवस्थित नमूनाकरण[संपादित करें]
व्यवस्थित नमूनाकरण (जिसे अंतराल नमूनाकरण भी कहा जाता है) कुछ आदेश देने वाली योजना के अनुसार अध्ययन आबादी की व्यवस्था करने और फिर उस आदेशित सूची के माध्यम से नियमित अंतराल पर तत्वों का चयन करने पर निर्भर करता है। व्यवस्थित नमूनाकरण में एक यादृच्छिक शुरुआत शामिल होती है और फिर उसके बाद से प्रत्येक k वें तत्व के चयन के साथ आगे बढ़ता है। इस मामले में, k = (जनसंख्या आकार / नमूना आकार)। यह महत्वपूर्ण है कि सूची में शुरुआती बिंदु स्वचालित रूप से पहला नहीं है, लेकिन इसके बजाय सूची में पहले से k वें तत्व के बीच यादृच्छिक रूप से चुना गया है। जब तक शुरुआती बिंदु यादृच्छिक होता है , तब तक व्यवस्थित नमूना एक प्रकार का संभाव्यता नमूना होता है। हालांकि, सूची में व्यवस्थित नमूने विशेष रूप से आवधिकता के लिए कमजोर हैं।
स्तरीकृत नमूनाकरण[संपादित करें]
स्तरीकृत नमूनाकरण तकनीक का उपयोग कर एक यादृच्छिक नमूने का चयन करने का एक दृश्य प्रतिनिधित्व जब जनसंख्या कई अलग-अलग श्रेणियों को अपना लेती है, तो फ्रेम को इन श्रेणियों द्वारा अलग-अलग "स्ट्रैट" में व्यवस्थित किया जा सकता है। प्रत्येक स्ट्रैटम को तब एक स्वतंत्र उप-जनसंख्या के रूप में देखा जाता है, जिसमें से व्यक्तिगत तत्वों को यादृच्छिक रूप से चुना जा सकता है। जनसंख्या के आकार और नमूने के आकार के अनुपात को नमूना अंश कहा जाता है।
स्तरीकृत नमूनाकरण का अन्य नमूने तरीकों पर लाभ: १) महत्वपूर्ण उप-केंद्रों पर ध्यान केंद्रित करता है और अप्रासंगिक लोगों की उपेक्षा करता है। २) अलग-अलग उप-योगों के लिए अलग-अलग नमूनाकरण तकनीकों के उपयोग की अनुमति देता है। ३) अनुमान की सटीकता / दक्षता में सुधार करता है।
नुकसान: १) प्रासंगिक स्तरीकरण चर का चयन आवश्यक है जो मुश्किल हो सकता है। २) उपयोगी नहीं है जब कोई सजातीय उपसमूह नहीं होते हैं। ३) लागू करने के लिए महंगा हो सकता है।
नमूने के अनुप्रयोग[संपादित करें]
नमूनाकरण संपूर्ण डेटा की विशेषताओं का अनुमान लगाने के लिए बड़े डेटा सेट के भीतर से सही डेटा बिंदुओं के चयन को सक्षम करता है। भविष्यवाणी करने के लिए सभी डेटा को देखने के लिए आवश्यक नहीं हो सकता है लेकिन एक नमूना पर्याप्त हो सकता है।