Evren ve Örnekleme Yöntemleri

Evren ve Örnekleme Yöntemleri

Evren ve Örnekleme Yöntemleri

✅ Yüksek Lisans Eğitim İstatistiği 2. hafta ders notları

Evren: Araştırmacının genelleme yapmak istediği insanlar veya objelerdir. Arıcı (1981) evreni, herhangi bir gözlem alanına giren obje ya da bireylerin tümü olarak tanımlar. Element: Evrendeki tek bir kişi, nesne veya olay kastedilir. Örneklem: Herhangi bir evrenden belli bir yolla seçilmiş daha küçük sayıdaki obje ya da bireylerin oluşturduğu gruba örneklem denir.

✍️ Ahmet Yesevi Üniversitesindeki öğrenciler üzerinde araştırma yapmak istiyoruz. Ahmet Yesevi Üniversitesine halen devam eden aktif öğrencilerin tamamı bizim evrenimizdir. Bu evrendeki her bir kişi bizim elementimizdir. Ahmet Yesevi Üniversitesindeki her öğrenciye ulaşmak imkansız olabilir ama zorlanırsa ulaşılabilir. Ahmet Yesevi Üniversitesini temsil eden farklı bölümlerdeki öğrencilerden seçilen küçük bir grup örneklemdir.

Örnekleme Yöntemleri:

  • Basit tesadüfi örnekleme
  • Sistematik örnekleme
  • Tabakalı örnekleme
  • Amaçlı örnekleme
  • Kartopu örnekleme
  • Eleman örnekleme
  • Küme örnekleme

İstatistik: örneklem üzerinden elde edilen ölçümlerdir. Parametre: evrene ait ölçülerdir.

Random (seçkisiz, tesadüfi) örneklem

Vardamsal istatistiğin merkezi random örneklemlerdir.

❗ Bir örneklemin random olabilmesi için her bir elementin örnekleme seçilme şansının eşit olması gerekir.

❗ Evrendeki her bir elementin örnekleme girme şansı birbiri ile aynı olacak. Evrendeki her bir elementin örnekleme girmiş olması ya da girmemiş olması bir başkasını olumlu ya da olumsuz etkilememeli. Biri diğerinden bağımsız olmalıdır.

Random örneklemin bilinmesi gereken 2 temel özelliği vardır:

  1. Bir evrenden birkaç örneklem seçildiğinde, örneklemi oluşturan elemanlar farklı olur. Bunun bir sonucu olarak örneklemden örnekleme istatistikler farklılık gösterir.
  2. Örneklem genişliği (n) arttıkça, örneklemden elde edilecek olan istatistikler arasındaki farklar azalır. Dolayısıyla geniş örneklemler, evrene ait parametrelerin daha doğru tahminlerini elde etmemizi sağlar. Yani <n> arttıkça örnekleme hatası azalır.

❗ Pek çok durumda, asıl amacımız örneklem grubunu tanımak değil, evreni tanımaktır. Yani evrenle ilgili sonuçlar çıkararak kararlar vermektir.

Evrene genelleme yaparken en az hataya sahip olmak için, örneklemin evreni temsil etmesi gerekir. Bunun içinde örneklemin yansız olması gerekir.