Spiegazione di 4 tipi di tecniche di campionamento casuale

"Perché dovrebbe interessarmi il campionamento casuale?"

Ecco perché: se sei un data scientist e desideri sviluppare modelli, hai bisogno di dati. E se hai bisogno di dati, qualcuno deve raccoglierli. E se qualcuno raccoglie dati, deve assicurarsi che non siano distorti, altrimenti sarà estremamente costosoa lungo termine.

Pertanto, se vuoi raccogliere in modo imparzialedati, è necessario conoscere il campionamento casuale.

Altro da Terence Shin10 Concetti SQL avanzati che dovresti conoscere per le interviste di data science

Il campionamento casuale descrive semplicemente uno stato in cui ogni elemento di una popolazione ha la stessa probabilità di essere scelto per il campione. Sembra semplice, vero? Bene, è molto più facile a dirsi che a farsi perché è necessario considerare molti aspetti logistici per ridurre al minimo gli errori. Questi quattro tipi di tecniche di campionamento casuale ti permetteranno di fare proprio questo.

Il campionamento casuale semplice richiede l'uso di numeri generati casualmente per scegliere un campione. Più specificamente, richiede inizialmente un quadro di campionamento, che è un elenco o un database di tutti i membri di una popolazione. È quindi possibile generare in modo casuale un numero per ciascun elemento, utilizzando ad esempio Excel, e prendere il primo n numero di campioni richiesti.

Per fare un esempio, immagina che la tabella a destra sia la tua cornice di campionamento. Utilizzando software come Excel, è quindi possibile generare numeri casuali per ciascun elemento nel fotogramma di campionamento. Se hai bisogno di una dimensione del campione pari a tre, prendi i campioni con i numeri casuali da uno a tre.

Il campionamento casuale stratificato prevede la divisione di una popolazione in gruppi con attributi simili e il campionamento casuale di ciascun gruppo.

Questo metodo garantisce che i diversi segmenti di una popolazione siano equamente rappresentati. Per fare un esempio, immagina che venga condotto un sondaggio in una scuola per determinare la soddisfazione generale. In questo caso, il campionamento casuale stratificato può rappresentare equamente le opinioni degli studenti in ciascun dipartimento.

Il campionamento a grappolo inizia dividendo una popolazione in gruppi o cluster. Ciò che lo differenzia dal campionamento stratificato è che ciascun cluster deve essere rappresentativo della popolazione più ampia. Quindi, selezioni casualmente interi cluster da campionare.

Ad esempio, se una scuola avesse cinque diverse classi dell'ottavo anno, il campionamento casuale a grappolo significa che qualsiasi classe fungerebbe da campione.

Campionamento casuale sistematico è una tecnica comune in cui si campiona ogni k-esimo elemento. Ad esempio, se dovessi condurre sondaggi in un centro commerciale, potresti intervistare ogni 100 persone che entrano.

Se si dispone di un fotogramma di campionamento, dividere la dimensione del fotogramma, N, per la dimensione del campione desiderata, n, per ottenere il numero indice, k. Dovresti quindi scegliere ogni kesimo elemento della cornice per creare il tuo campione.

Utilizzando gli stessi grafici del primo esempio, se questa volta volessimo una dimensione del campione pari a due, prenderemmo una riga ogni tre nel fotogramma di campionamento.

Altro in Data ScienceCome creare un motore di ricerca con Python e Laravel

Ora dovresti avere una comprensione di cosa sia il campionamento casuale e di diverse tecniche comuni per condurlo. Padroneggiare questo concetto è estremamente importante per ridurre al minimo i pregiudizi e creare modelli migliori.