抽样的类型是从总数的一部分中提取数据的各种方法，这是一种功能强大的统计工具，其功能是确定需要检查的人口或宇宙中的哪个部分，进行推断并获取有关它的信息。
当您无法或不想分析整个人口时，抽样非常重要。注意，“人口”一词不仅指大批人或生物，而且通常指在给定问题中将要研究的全部要素。
图1.采样对于从Universe中选择代表性样本很重要。资料来源：
根据选择的抽样类型，始终根据目标选择被认为最具代表性的那部分人口。
当然，当仅获取一部分数据时，可能会遗漏一些细节并忽略信息，这就是为什么结果将不如应有的那样准确的原因。这称为采样误差。
我们的想法是尽可能简化数据的范围，选择能够提供最大信息的最具代表性的样本，以确保结果的有效性。
概率或随机抽样的类型
概率采样基于必须选择样本主题的概率。这样，将为人口中的每个元素提供一个已知的选择机会，当然，该机会必须大于0。
这是非常重要的，因为有可能从大量数据中选择了一个样本，该样本不能充分代表整体。
如果是这样，结果将是有偏见的，因为人口的某些部分将比其他部分更受青睐。为了避免偏见，其中有几种类别，一种选择是让机会选择样本，从而为每个元素选择的可能性为非零。
简单随机抽样
这是确保机会发挥作用的简单方法。例如，如果您要选择班上的一些孩子参加学校的艺术活动，则所有孩子的名字都放在相同的折叠选票上，混在帽子里，并随机绘制几把。
班上所有的孩子组成了总人口，从帽子里掏出的几张选票就是样本。
该程序的成功在于列出所有孩子的完整列表，这样就不会遗漏任何人。在很小的过程中，这不是问题。但是，当您要从更大的总体中选择一个样本时，您必须改进该方法。
可以通过替换或替换进行简单的随机采样。例如，如果我们从总体中提取某些元素并在选择和检查后将其返回，则在整个研究过程中，我们的元素范围始终保持不变。
相反，如果对所选元素进行了研究，则没有返回更多，则它是采样而不替换。在计算选择元素的可能性时必须考虑到这一点。
系统随机抽样
为了进行此采样，还需要列出N个元素并确定样本的大小，我们将其称为n。该列表称为采样帧。
现在定义了跳转间隔，用字母k表示，其计算如下：
在1到k之间随机选择一个随机数，称为ro随机起始。这是列表上的第一个要选择的人，然后从列表中选择以下元素。
例如：假设您有一个大学的2000名学生的清单，并且想要获得100名学生的样本以参加大会。
首先要做的是找到k的值：
一旦我们将学生总数划分为20个学生的100个片段，就取其中一个片段，并在1到20之间选择一个随机数，例如12。因此，我们列表中的第12个学生是随机启动。
下一个要选择的学生必须是12 + 20 = 22，然后是42，然后是62，依此类推，直到完成所有100个学生。
如您所见，这是一种快速应用的方法，通常会产生非常好的结果，而不必在帽中没有周期性的情况下戴上2000个名字并使用100个名字，只要这不会引起偏见。 。
分层随机抽样
图2.在分层随机抽样中，总体被分为称为“阶层”的部分。资料来源：
在简单的随机抽样中，总体中的每个项目都具有相同的被选择概率。但这可能并不总是正确的，尤其是当要考虑更多复杂性时。
要执行分层随机抽样方案，必须将总体分为具有相似特征的组。这些是阶层。然后获取分层，并从每个样本中选择简单的随机样本，然后将其合并以形成最终样本。
在采样之前确定层，研究数据宇宙的特征。
这些特征可以是婚姻状况，年龄，居住地点，例如城市，郊区和农村人口，职业，教育水平，性别等等。
在任何情况下，期望每个层的特征将是非常独特的，即，每个层是均质的。
在分层抽样中，根据每个层次的样本大小是否与其大小成正比，我们将其分为两类。
随机聚类抽样
上述方法直接选择样本的元素，但是在聚类采样中，从总体中选择一组元素，这些元素将成为采样单位，称为聚类。
集群的示例是大学的部门，地理实体（例如省，市，县或市），所有这些实体具有相同的被选择概率。在选择地理实体的情况下，我们说的是按区域抽样。
一旦选择了簇，就从那里选择要分析的元素。因此，该过程可以分为几个阶段。
该方法与分层随机方法有一些相似之处，只是这里从总数中选择了一些聚类，而在以前的方法中，研究了人口的所有阶层。
非概率抽样类型
在某些情况下，概率采样可能会非常昂贵，因为必须投入时间和资源来找到真正具有代表性的样本。
还经常发生没有完整的采样框（列表）的情况，因此无法确定选择元素的可能性。
对于这些情况，使用了非概率采样类型，尽管无法保证结果的准确性，但也可以通过该类型获取信息。
当使用这种类型的采样时，在选择时仍必须遵循一些标准，以寻求尽可能的采样。
简单采样
这是一种相当基本的抽样类型，其中根据要获取的样本来选择样本的要素，即选择最接近的个体。由于其速度和便利性，它具有成本非常低廉的优点。
但是，正如所说的那样，不确定获得有关结果的可靠信息。有时，它用于在选举前进行快速的简短民意测验，或用于查询客户对某些产品的偏好。
例如，民意测验人员可以前往距离他家最近的三个购物中心的出口，并询问那些离开的人将投票给哪个候选人。或者老师可以调查自己的学生，因为他们可以立即访问他们。
尽管看起来这种程序的结果似乎毫无价值，但只要有充分的理由假设偏差不是很大，就可能很好地反映了总体情况。
但是，它不是那么简单，因为某个老师的学生可能无法构成其余学生的代表样本。在大多数情况下，大型购物中心的民意测验人员往往会采访最漂亮的人。
配额抽样
要按配额抽样，必须对人口阶层有一个很好的先验知识，以便对最有代表性的要素有一个认识。但这不受分层抽样的随机性准则支配。
在这种类型的采样中，必须设置“配额”，因此需要设置方法的名称。这些配额包括在一定条件下收集许多要素，例如15名年龄在25至50岁之间，不吸烟并且还拥有汽车的妇女。
确定配额后，将选择符合条件的第一批人员。这最后一步的标准可能是在研究人员方便时进行的。在这里，您可以看到分层抽样方法的差异，这是随机的。
但是，如果如我们所说，所研究的人群是众所周知的，则这是一种低成本的方法，将是有利的。
雪球采样
这种抽样方式遵循的程序是选择一些领导他人的人，然后由其他人领导，直到样本达到研究人员所需的规模为止。
这是一个有用的程序，可用于表征具有特定特征的某些种群。例如：监狱中的囚犯或患有某些疾病的人。
全权抽样
最后，由研究者根据自己的知识决定选择样本的标准。当有必要将某些无法使用的个人添加到研究中时，此方法很有用。
参考文献
- Berenson，M.1985。《管理与经济学，概念和应用统计》。社论Interamericana。
- 统计。采样。摘自：encyclopediaeconomica.com。
- 统计。采样。从以下位置恢复：Estadistica.mat.uson.mx。
- 可探索的。整群抽样。从以下地址恢复：explorable.com。
- Moore，D.，2005年。《应用基本统计》。2号 版。
- Netquest。概率抽样：分层抽样。从以下网站恢复：netquest.com。
- 维基百科。采样。从以下网站恢复：es.wikipedia.org