- সম্ভাবনা বা এলোমেলো নমুনা প্রকারের
- সাধারণ এলোমেলো নমুনা
- পদ্ধতিগত এলোমেলো নমুনা
- স্তরযুক্ত এলোমেলো নমুনা
- এলোমেলো গুচ্ছ নমুনা
- অ-সম্ভাবনা নমুনা প্রকারের
- সুবিধা নমুনা
- কোটার নমুনা
- স্নোবল নমুনা
- বিচক্ষণ নমুনা
- তথ্যসূত্র
স্যাম্পলিং ধরনের মোট একটি অংশ থেকে তথ্য আহরণের বিভিন্ন উপায় আছে, একটি শক্তিশালী পরিসংখ্যানগত টুল যার ফাংশন নির্ধারণ জনসংখ্যার কি অংশ বা মহাবিশ্ব পরীক্ষা করা প্রয়োজন, মতামতে উপনীত এবং এটি সম্পর্কে তথ্য অর্জন করা।
আপনি যখন পুরো জনসংখ্যা বিশ্লেষণ করতে বা করতে চান না তখন স্যাম্পলিং খুব গুরুত্বপূর্ণ। নোট করুন যে "জনসংখ্যা" শব্দটি কেবলমাত্র একটি বৃহত গোষ্ঠী বা জীবিত প্রাণীকেই বোঝায় না, তবে সাধারণভাবে প্রদত্ত সমস্যায় অধ্যয়ন করতে যাওয়া মোট উপাদানগুলিকে বোঝায়।
চিত্র 1. স্যাম্পলিং একটি মহাবিশ্ব থেকে একটি প্রতিনিধি নমুনা নির্বাচন গুরুত্বপূর্ণ। সূত্র: পিক্সাবে।
নমুনা বেছে নেওয়ার ধরণ অনুসারে, জনসংখ্যার যে অংশটিকে সর্বাধিক প্রতিনিধি মনে করা হয় তা নির্বাচিত হয়, সর্বদা লক্ষ্য অনুসারে।
অবশ্যই, যখন তথ্য মহাবিশ্বের কেবলমাত্র একটি অংশ নেওয়া হবে, তখন কিছু বিবরণ মিস করা এবং তথ্য বাদ দেওয়া সম্ভব হয়, যার কারণে ফলাফলগুলি যেমন হওয়া উচিত ততটা সঠিক হবে না। এটি নমুনা ত্রুটি হিসাবে পরিচিত known
ফলাফলের বৈধতা নিশ্চিত করার জন্য সর্বাধিক প্রতিনিধি নমুনা নির্বাচন করুন যা সর্বাধিক তথ্য সরবরাহ করতে সক্ষম, এটি বেছে নেওয়ার পক্ষে তথ্যটি যথাসম্ভব উপাত্তের মহাবিশ্বকে সহজ করে তুলতে হবে The
সম্ভাবনা বা এলোমেলো নমুনা প্রকারের
নমুনার বিষয়গুলি নির্বাচন করতে হবে এমন সম্ভাবনার উপর ভিত্তি করে একটি সম্ভাবনার নমুনা তৈরি করা হয়। এইভাবে, জনসংখ্যার প্রতিটি উপাদানকে নির্বাচিত হওয়ার একটি পরিচিত সুযোগ দেওয়া হয়, অবশ্যই কোনটি অবশ্যই 0 এর চেয়ে বেশি হওয়া উচিত।
এটি অত্যন্ত গুরুত্বপূর্ণ, কারণ এটি ঘটতে পারে যে কোনও মহাবিশ্বের তথ্য থেকে এমন একটি নমুনা নির্বাচন করা হয়েছে যা পুরোপুরি প্রতিনিধি নয় representative
যদি তা হয় তবে ফলাফল পক্ষপাতদুষ্ট হবে, কারণ জনসংখ্যার কিছু অংশ অন্যদের চেয়ে বেশি পক্ষপাতী হবে। পক্ষপাতদুষ্টতা এড়াতে, যার মধ্যে বেশ কয়েকটি বিভাগ রয়েছে, একটি বিকল্প হ'ল সুযোগটি নমুনাটি নির্বাচন করতে দেওয়া এবং এভাবে প্রতিটি উপাদানকে নির্বাচিত হওয়ার শূন্য-সম্ভাবনা দেওয়া।
সাধারণ এলোমেলো নমুনা
সুযোগটি তার কাজ করে তা নিশ্চিত করার জন্য এটি একটি সহজ উপায়। উদাহরণস্বরূপ, যদি কোনও স্কুল শিল্প ইভেন্টে অংশ নিতে ক্লাসে কিছু বাচ্চাদের বেছে নেওয়ার প্রশ্ন হয় তবে সমস্ত বাচ্চার নাম অভিন্ন ভাঁজযুক্ত ব্যালটে রাখা হবে, একটি টুপি মিশ্রিত হবে এবং এলোমেলোভাবে আঁকা মুঠোয়।
ক্লাসের সমস্ত শিশুরা জনসংখ্যা তৈরি করে এবং টুপি থেকে টানা কয়েক মুখ্য ব্যালট নমুনা is
পদ্ধতির সাফল্য সমস্ত শিশুদের একটি সম্পূর্ণ তালিকা তৈরিতে নিহিত, যাতে কেউ বাদ না পড়ে। একটি ছোট কোর্সে এটি কোনও সমস্যা নয়; আপনি যখন একটি বৃহত জনসংখ্যার থেকে কোনও নমুনা নির্বাচন করতে চান, আপনাকে সেই পদ্ধতিটি পরিমার্জন করতে হবে।
সহজ এলোমেলো নমুনা প্রতিস্থাপন বা প্রতিস্থাপন সঙ্গে বাহিত হতে পারে। উদাহরণস্বরূপ, আমরা যদি জনসংখ্যার থেকে কোনও উপাদান বের করি এবং এটি নির্বাচন করে এবং পরীক্ষা করে তা ফিরিয়ে দিই, আমাদের উপাদানগুলির মহাবিশ্ব সর্বদা অধ্যয়ন জুড়ে একই থাকে।
যদি, বিপরীতে, নির্বাচিত উপাদানটি অধ্যয়ন করা হয়, আরও ফিরে আসে না, এটি প্রতিস্থাপন ছাড়াই নমুনা দিচ্ছে। নির্বাচনের উপাদানটির সম্ভাবনা গণনা করার সময় এটি অবশ্যই বিবেচনায় নেওয়া উচিত।
পদ্ধতিগত এলোমেলো নমুনা
এই নমুনাটি চালিয়ে যাওয়ার জন্য, N উপাদানগুলির তালিকা তৈরি করা এবং নমুনার আকার নির্ধারণ করাও প্রয়োজনীয়, যা আমরা এন কল করব। তালিকাটিকে একটি নমুনা ফ্রেম বলে।
এখন লাফের ব্যবধানটি সংজ্ঞায়িত করা হয়, যা কে অক্ষর দ্বারা চিহ্নিত করা হয় এবং এটির মতো গণনা করা হয়:
এলোমেলোভাবে একটি নম্বর বেছে নেওয়া হয় - এলোমেলোভাবে - 1 এবং কে এর মধ্যে, রো র্যান্ডম স্টার্ট বলে। এটি তালিকার প্রথম ব্যক্তি যা নির্বাচিত হবে এবং সেখান থেকে তালিকার নীচের উপাদানগুলি বেছে নেওয়া হয়েছে।
একটি উদাহরণ: ধরুন যে আপনার কাছে একটি বিশ্ববিদ্যালয় থেকে 2000 শিক্ষার্থীর একটি তালিকা রয়েছে এবং আপনি কংগ্রেসে অংশ নিতে 100 জন শিক্ষার্থীর একটি নমুনা পেতে চান।
প্রথম জিনিসটি হ'ল কে এর মান সন্ধান করুন:
একবার আমরা 20 জন শিক্ষার্থীর মোট 100 টি ভাগে বিভক্ত হয়ে গেলে, খণ্ডগুলির মধ্যে একটি নেওয়া হয় এবং 1 এবং 20 এর মধ্যে একটি এলোমেলো সংখ্যা বেছে নেওয়া হয়, উদাহরণস্বরূপ 12. সুতরাং আমাদের তালিকার দ্বাদশ ছাত্রটি হ'ল এলোমেলো বুট
পরবর্তী 100 শিক্ষার্থী বাছাই করতে হবে সমস্ত 100 শেষ না হওয়া পর্যন্ত 12 + 20 = 22, তারপরে 42, তারপরে 62 এবং আরও অনেক কিছু।
আপনি দেখতে পাচ্ছেন, এটি প্রয়োগের জন্য একটি দ্রুত পদ্ধতি এবং এটি 2000 সালে নাম রাখার প্রয়োজন ছাড়া খুব ভাল ফলাফল দেয়, যতক্ষণ না জনসংখ্যার নির্দিষ্ট সময়সীমা না থাকে, যেগুলি পক্ষপাতিত্বের জন্ম দেয়। ।
স্তরযুক্ত এলোমেলো নমুনা
চিত্র ২. স্তরিত এলোমেলো নমুনায়, জনসংখ্যা স্তরগুলিকে বিভাগে বিভক্ত করা হয়। সূত্র: পিক্সাবে।
সাধারণ এলোমেলো নমুনায়, জনসংখ্যার প্রতিটি আইটেমের নির্বাচিত হওয়ার একই সম্ভাবনা থাকে। তবে এটি সর্বদা সত্য হতে পারে না, বিশেষত যখন আরও বেশি জটিলতা বিবেচনা করা হয়।
একটি স্তরিত এলোমেলো নমুনা স্কিম চালিয়ে যেতে জনসংখ্যাকে একই বৈশিষ্ট্যযুক্ত দলে বিভক্ত করতে হবে। এগুলি হ'ল স্তর। এর পরে স্তরটি নেওয়া হয় এবং প্রতিটি থেকে সাধারণ এলোমেলো নমুনাগুলি বেছে নেওয়া হয়, যা পরে চূড়ান্ত নমুনা গঠনে মিলিত হয়।
স্তরটি নমুনা দেওয়ার আগে নির্ধারিত হয়, ডেটা মহাবিশ্বের বৈশিষ্ট্যগুলি অধ্যয়ন করে।
এই বৈশিষ্ট্যগুলি বৈবাহিক অবস্থা, বয়স, আপনি যেখানে বাস করেন সেখানে উদাহরণস্বরূপ নগর, শহরতলির এবং গ্রামীণ জনসংখ্যা, পেশা, শিক্ষার স্তর, লিঙ্গ এবং আরও অনেক কিছু হতে পারে।
যাইহোক, এটি প্রত্যাশা করা হয় যে প্রতিটি স্তরের বৈশিষ্ট্যগুলি খুব স্বতন্ত্র হবে, এটি হ'ল প্রতিটি স্তর একজাতীয়।
স্তরযুক্ত নমুনাটির মধ্যে আমরা প্রতিটি স্তরগুলির নমুনার আকার তার আকারের সাথে আনুপাতিক না হয় তা অনুসারে দুটি বিভাগ পৃথক করি।
এলোমেলো গুচ্ছ নমুনা
উপরে বর্ণিত পদ্ধতিগুলি নমুনার উপাদানগুলি সরাসরি নির্বাচন করে তবে ক্লাস্টার স্যাম্পলিংয়ে, জনগোষ্ঠী থেকে উপাদানগুলির একটি গ্রুপ বেছে নেওয়া হয় এবং এগুলি স্যাম্পলিং ইউনিট, যাকে একটি ক্লাস্টার বলা হয়।
ক্লাস্টারগুলির উদাহরণ হ'ল একটি বিশ্ববিদ্যালয়ের বিভাগ, ভৌগলিক সত্তা যেমন প্রদেশ, শহর, কাউন্সিল বা পৌরসভা, যার সকলেরই নির্বাচিত হওয়ার একই সম্ভাবনা থাকে। কোনও ভৌগলিক সত্তা চয়ন করার ক্ষেত্রে, আমরা অঞ্চলগুলি দ্বারা নমুনা দেওয়ার কথা বলি।
একবার ক্লাস্টারগুলি বেছে নেওয়া গেলে বিশ্লেষণ করার উপাদানগুলি সেখান থেকে বেছে নেওয়া হয়। অতএব, পদ্ধতিটি বিভিন্ন পর্যায়ে থাকতে পারে।
এই পদ্ধতির স্তরের র্যান্ডম পদ্ধতির সাথে কিছু মিল রয়েছে, এখানে ব্যতীত এখানে কয়েকটি ক্লাস্টার নির্বাচিত হয়, পূর্ববর্তী পদ্ধতিতে জনসংখ্যার সমস্ত স্তরের অধ্যয়ন করা হয়েছিল।
অ-সম্ভাবনা নমুনা প্রকারের
সম্ভাব্য নমুনা স্যাম্পলিং কিছু পরিস্থিতিতে খুব ব্যয়বহুল হতে পারে, কারণ সত্যিকারের প্রতিনিধিত্বকারী নমুনাগুলি সন্ধান করতে সময় এবং সংস্থানগুলি অবশ্যই বিনিয়োগ করতে হবে।
এটি প্রায়শই ঘটে থাকে যে একটি সম্পূর্ণ স্যাম্পলিং ফ্রেম নেই listএই তালিকা-, সুতরাং কোনও উপাদান নির্বাচন করার সম্ভাবনা নির্ধারণ করা সম্ভব নয়।
এই ক্ষেত্রেগুলির জন্য, অ-সম্ভাবনার নমুনা প্রকারগুলি ব্যবহৃত হয়, যার সাথে তথ্যও পাওয়া যায়, যদিও ফলাফলগুলিতে নির্ভুলতার কোনও গ্যারান্টি নেই।
যখন এই ধরণের নমুনা প্রয়োগ করা হয়, তখন নির্বাচনের সময় কিছু মানদণ্ড অনুসরণ করা আবশ্যক, যাতে স্যাম্পলটি যথাসম্ভব পর্যাপ্ত seeking
সুবিধা নমুনা
এটি স্যাম্পলিংয়ের মোটামুটি প্রাথমিক ধরণের, যেখানে নমুনার উপাদানগুলি তাদের প্রাপ্যতা অনুসারে বাছাই করা হয়, যাঁরা সবচেয়ে বেশি হাতের লোকদের নির্বাচন করেন। এটির গতি এবং সুবিধার কারণে এটি খুব স্বল্প ব্যয়ের পদ্ধতি হওয়ার সুবিধা রয়েছে।
তবে যেমনটি বলা হয়েছে, আপনার ফলাফলগুলি সম্পর্কে নির্ভরযোগ্য তথ্য পাওয়ার কোনও নিশ্চয়তা নেই। এটি কখনও কখনও নির্বাচনের আগে দ্রুত, সংক্ষিপ্ত পোল তৈরি করতে বা নির্দিষ্ট পণ্যের গ্রাহকের পছন্দগুলি সম্পর্কে অনুসন্ধান করতে ব্যবহৃত হয়।
উদাহরণস্বরূপ, কোনও পোলস্টার তার বাড়ির নিকটতম যে তিনটি শপিং কেন্দ্রের প্রস্থান করতে যেতে পারেন এবং যারা প্রার্থী রেখেছেন, তাদের ভোট দেওয়ার বিষয়ে জিজ্ঞাসা করতে পারেন। বা কোনও শিক্ষক তাদের নিজস্ব শিক্ষার্থীদের জরিপ করতে পারেন, কারণ তাদের কাছে তাত্ক্ষণিকভাবে তাদের অ্যাক্সেস রয়েছে।
যদিও দেখে মনে হচ্ছে যে এ জাতীয় পদ্ধতির ফলাফলগুলি মূল্যহীন, এমনটি ঘটে যে তারা জনসংখ্যার একটি ভাল প্রতিচ্ছবি হতে পারে, যতক্ষণ না ধরে নেওয়া যায় যে যুক্তিসঙ্গততা খুব বড় নয়।
যাইহোক, এটি এত সহজ নয়, কারণ কোনও নির্দিষ্ট শিক্ষকের শিক্ষার্থীরা বাকি ছাত্র সংস্থার একটি প্রতিনিধি নমুনা গঠন করতে পারে না। এবং বেশিরভাগ সময় শপিংমলগুলিতে পোলস্টাররা সবচেয়ে আকর্ষণীয় চেহারার লোকদের সাক্ষাত্কার দেয়।
কোটার নমুনা
কোটার দ্বারা নমুনা করার জন্য, জনসংখ্যার স্তরগুলির একটি ভাল পূর্ববর্তী জ্ঞান থাকা আবশ্যক, যাতে সর্বাধিক প্রতিনিধি উপাদানগুলির ধারণা পাওয়া যায়। তবে এটি স্তরিত নমুনার এলোমেলো মানদণ্ড দ্বারা পরিচালিত হয় না।
এই ধরণের স্যাম্পলিংয়ে "কোটা" সেট করা প্রয়োজন, সুতরাং পদ্ধতির নাম। এই কোটাগুলিতে কয়েকটি শর্ত সহ বেশ কয়েকটি উপাদান সংগ্রহ করা রয়েছে, উদাহরণস্বরূপ 15 জন মহিলা যাদের বয়স 25 থেকে 50 বছরের মধ্যে, যারা ধূমপান করেন না এবং গাড়িও রাখেন।
একবার কোটা নির্ধারিত হয়ে গেলে, প্রথমে যারা প্রতিষ্ঠিত শর্ত পূরণ করে তাদের বেছে নেওয়া হয়। এই শেষ পদক্ষেপের মানদণ্ড তদন্তকারীর সুবিধার্থে হতে পারে। এখানে আপনি স্ট্র্যাটেড নমুনা পদ্ধতিটির সাথে পার্থক্যটি দেখতে পারেন যা এলোমেলো।
তবে, এটি একটি স্বল্প-ব্যয়বহুল পদ্ধতি যা সুবিধাজনক যদি আমরা বলেছি যে, অধ্যয়নের অধীনে জনসংখ্যা সুপরিচিত।
স্নোবল নমুনা
এই শৈলীর নমুনা অনুসরণ করার পদ্ধতিটি হ'ল কয়েক জনকে বেছে নেওয়া যাঁরা অন্যকে নেতৃত্ব দেয় এবং এগুলি অন্যদের দিকে পরিবর্তিত হয়, যতক্ষণ না গবেষকটির প্রয়োজনীয় আকারটি নমুনা হয়।
এটি এমন একটি প্রক্রিয়া যা বেশ কয়েকটি নির্দিষ্ট বৈশিষ্ট্যের সাথে কিছু জনগোষ্ঠীর বৈশিষ্ট্যযুক্ত করতে কার্যকর হতে পারে। উদাহরণ: কারাগারে বন্দি বা নির্দিষ্ট রোগে আক্রান্ত ব্যক্তিরা।
বিচক্ষণ নমুনা
অবশেষে এখানেই গবেষক তার জ্ঞান অনুযায়ী তাঁর নমুনা বেছে নিতে ব্যবহার করার মানদণ্ডটি স্থির করেন। এটি দরকারী হতে পারে যখন অধ্যয়নের জন্য নির্দিষ্ট ব্যক্তিদের যুক্ত করা প্রয়োজন, যারা এলোমেলো পদ্ধতি ব্যবহার করে অংশ নিতে পারেন নি।
তথ্যসূত্র
- বেরেনসন, এম। 1985. পরিচালনা ও অর্থনীতি, ধারণা এবং অ্যাপ্লিকেশন সম্পর্কিত পরিসংখ্যান। সম্পাদকীয় আন্তঃআমেরিকানা।
- পরিসংখ্যান। নমুনা। পুনরুদ্ধার: এনসাইক্লোপিডিয়াঅনিকোমিকা ডট কম।
- পরিসংখ্যান। নমুনা। থেকে উদ্ধার করা হয়েছে: এস্টাডাস্টিক্যা.ম্যাট.উসন.এমএক্স।
- Explorable। গুচ্ছের আদর্শ. পুনরুদ্ধার করা হয়েছে: exploable.com।
- মুর, ডি 2005. প্রয়োগিত বেসিক পরিসংখ্যান। 2nd। সংস্করণ।
- Netquest। সম্ভাব্য নমুনা: স্তরিত নমুনা। উদ্ধার: নেটকোস্ট.কম।
- উইকিপিডিয়া। নমুনা। উদ্ধার করা হয়েছে: es.wikedia.org থেকে ipedia