Araştırmacılar, basit rasgele bir örneklemin daha büyük bir popülasyonu doğru bir şekilde temsil etmesini sağlamak için çeşitli güvenlik önlemleri uygularlar. Rasgeleliği en üst düzeyde tutan ve seçim yanlılığını ortadan kaldıran bir seçim süreci kullanıyorlar. Araştırmacılar, basit bir rasgele örnek kullanmayı seçmeden önce incelenen tüm popülasyonun detaylı ve doğru bir listesine sahip olduklarından emin olduklarını; Aksi halde, bu koşulun yerine getirilmesini gerektirmeyen bir örnekleme yöntemi seçerler. Örneklerinin çok küçük bir örneklem boyutundan kaynaklanan örnekleme hatasını giderecek kadar büyük olmasını sağlarlar.
Basit bir rasgele örnek, nüfusun her bir üyesinin gerçek anlamda incelenmesine gerek kalmadan geniş bir nüfusta istatistiksel analiz yapmanın bir yolunu sağlar. Örneğin, bir araştırmacı UCLA'daki tüm erkek öğrencileri kapsayan bir çalışma yapmak istiyor varsayalım. UCLA büyük bir okul ve tüm erkekleri değerlendirmek için çok fazla zaman harcıyor, çünkü mevcut çok sayıdaki örnekleme yöntemi göz önüne alındığında gereksiz.
Basit rastgele örneklemeyle, önceden belirlenmiş sayıda UCLA erkeği, daha büyük popülasyondan rasgele çıkarılır ve araştırma konuları olarak kullanılır. Bu yöntemin çalışması için, rasgele numunenin daha büyük popülasyonu temsil etmesi gerekir. Araştırmacıların, rasgeleliği vurgulayan bir seçim süreci kullanmak için ilk adımı atmaları sağlanır. Uygun bir süreç, manuel piyango sistemidir; araştırmacıların büyük nüfusun her üyesine benzersiz bir numara atadıktan sonra, bir çalışma örneği oluşturmak için rasgele sayılar çizmeleri gerekir. Başka bir seçenek, araştırmacıların, büyük popülasyondan test konularını rasgele seçen bir bilgisayar programı kullanarak süreci otomatikleştirmektir.
Çalışmak için her iki seçim metodu için araştırmacılar tüm popülasyonun doğru ve kapsamlı bir listesini elde edebilmelidir. Eğer bu mümkün değilse, basit rasgele örnekleme uygulanamaz ve başka bir örnekleme yöntemi seçilmelidir. UCLA erkek örnekleri gibi birçok popülasyon için tam bir liste elde edilebilir. Durum böyle olduğunda, araştırmacıların çoğu, kullanımı kolay olması nedeniyle basit rasgele örnekleme yöntemini tercih etmektedir.
Örnekleme hatası, daha büyük nüfusa kıyasla çok küçük bir örneklem boyutu ile daha fazla sorun haline gelir. UCLA erkeklerinin temsilcisi olabilmesi için, öğrencilerin kolej ana dalları, daha büyük nüfusunkine oranla orantılı olmalıdır. Bununla birlikte, örnek büyüklüğü 20 ise, 15 maddenin veya daha fazla beşeri bilimler dalının olması mümkündür - 20 madeni paranın, 15 veya daha fazla kafa üretebileceği gibi.Bu örnekleme hataları, daha büyük numune boyutlarıyla azalmaktadır. 300 üniversite öğrencisinden oluşan bir örneklemin, çeşitli bölümlerin karışımını üretmeye emindiği halde, üç yüz para cezası% 50 başlara çok daha yakın olabilir. Büyük bir örnek büyüklüğü temsil eden bir örnek sağlamaya yardımcı olur.
Basit bir rasgele örneklem kullanarak daha büyük bir popülasyona yaklaşmanın dezavantajları nelerdir?
Basit rastgele bir örneği, araştırmacıların istatistiksel bir araç olarak nasıl kullandıklarını ve büyük bir gruba yaklaşırken taşıdığı dezavantajları öğrenirler.
Basit bir rasgele örnek oluşturmak için en iyi seçim yöntemleri nelerdir?
, Bir araştırmacı için bir popülasyon grubundan basit rastgele bir örnek seçmek için araştırmacıların ve araştırmacıların kullandığı yöntemlerden bazılarını keşfederler.
Yüksek P / E oranlarına sahip hisse senetleri aşırı fiyatlandırılabilir. Daha düşük bir P / E'ye sahip bir hisse senedi, daha yüksek olanı olan bir hisse senedinden daha iyi bir yatırım mıdır?
Kısa cevap mı? Hayır. Uzun cevap mı? Değişir. Fiyat / kazanç oranı (K / E oranı), on iki aylık dönem için (genellikle son 12 ay ya da on iki ay sonra (TTM) 12 aylık dönem için hisse başına kazanç (EPS) ile bölünen hisse senedinin mevcut hisse fiyatı olarak hesaplanır. ).