a:

I ricercatori impiegano diverse garanzie per assicurare che un semplice campione casuale rappresenti esattamente una popolazione maggiore. Essi utilizzano un processo di selezione che rende la priorità casuale e quindi elimina la bias di selezione. I ricercatori assicurano di avere un elenco esauriente e accurato dell'intera popolazione studiata prima di selezionare un semplice campione casuale; altrimenti, optano per un metodo di campionamento che non richiede la condizione di questa condizione. Assicurano che il loro campione sia abbastanza grande per eliminare l'errore di campionamento che proviene da una dimensione del campione troppo piccola.

Un semplice campione casuale fornisce un modo per condurre analisi statistiche su una grande popolazione senza dover studiare ogni singolo membro della popolazione. Ad esempio, supponiamo che un ricercatore desideri condurre uno studio che coinvolga tutti gli studenti maschi di UCLA. Ciò rappresenta una sfida intrinseca, perché UCLA è una scuola enorme e valuta tutti gli uomini che richiede molto tempo, per non parlare di inutile data i numerosi metodi di campionamento disponibili.

Con semplice campionamento casuale, un numero predeterminato di uomini UCLA viene estratto a caso dalla popolazione più grande e utilizzato come soggetti di ricerca. Per funzionare questo metodo, il campione casuale deve essere rappresentativo della popolazione più grande. I ricercatori del primo passo adottano per assicurarsi che questo sia quello di utilizzare un processo di selezione che enfatizza la casualità. Un processo vincente è un sistema manuale di lotteria, in cui i ricercatori assegnano ad ogni membro della popolazione più grande un numero univoco e poi disegnano numeri a caso per generare un campione di studio. Un'altra opzione è che i ricercatori automatizzino il processo utilizzando un programma informatico che seleziona in modo casuale i soggetti di prova della popolazione più grande.

Perché il metodo di selezione funzioni, i ricercatori devono poter ottenere un elenco esatto ed esauriente dell'intera popolazione. Se ciò non è possibile, il campionamento casuale semplice non è fattibile e deve essere scelto un altro metodo di campionamento. Per molte popolazioni, come l'esempio degli UCLA, è possibile ottenere un elenco completo. Quando questo è il caso, i ricercatori spesso scelgono semplici campionamenti casuali a causa della sua facilità d'uso.

L'errore di campionamento diventa più un problema con una dimensione del campione che è estremamente piccola rispetto alla popolazione più grande. Perché il campione degli UCLA sia rappresentativo, i diplomi dei suoi soggetti devono essere proporzionati allo stesso modo della popolazione più grande. Tuttavia, se la dimensione del campione è di soli 20, è possibile finire con 15 o più major umani - simile a come 20 flip di monete potrebbero produrre 15 o più teste.Questi errori di campionamento diminuiscono con grandi dimensioni del campione. Trecento flippi di monete possono produrre molto più vicino alle teste del 50%, mentre una dimensione del campione di 300 uomini universitari è sicura di produrre un mix diversificato di grandi. Una grande dimensione del campione assicura un campione rappresentativo.