3.4 ਕੌਣ ਪੁੱਛਣ ਲਈ

ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਹੈ, ਜੋ ਕਿ ਅਭਿਆਸ ਵਿਚ ਵੱਖ-ਵੱਖ ਨਹੀ ਹਨ; ਦੋਨੋ ਕੇਸ ਵਿੱਚ, ਇਸ ਨੂੰ ਸਭ ਵਜ਼ਨ ਦੇ ਬਾਰੇ ਹੈ.

ਨਮੂਨਾ ਸਰਵੇਖਣ ਕਰਨ ਲਈ ਖੋਜ ਬੁਨਿਆਦੀ ਹੈ. ਖੋਜਕਾਰ ਲਗਭਗ ਕਦੇ ਆਪਣੇ ਟੀਚੇ ਨੂੰ ਆਬਾਦੀ ਵਿੱਚ ਹਰ ਕਿਸੇ ਨੂੰ ਆਪਣੇ ਸਵਾਲ ਪੁੱਛੋ. ਇਸ ਦੇ ਸੰਬੰਧ ਵਿਚ, ਸਰਵੇਖਣ ਵਿਲੱਖਣ ਨਹੀ ਹਨ. ਜ਼ਿਆਦਾਤਰ ਖੋਜ, ਇਕ ਤਰੀਕਾ ਹੈ ਜ ਇਕ ਹੋਰ ਵਿਚ, ਨਮੂਨੇ ਸ਼ਾਮਲ ਹੈ. ਕਈ ਵਾਰੀ ਇਸ ਨੂੰ ਨਮੂਨੇ ਖੋਜਕਾਰ ਨੇ ਸਪਸ਼ਟ ਕੀਤਾ ਗਿਆ ਹੈ; ਹੋਰ ਵਾਰ ਇਸ ਨੂੰ ਪੂਰਾ ਹੁੰਦਾ ਹੈ. ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਖੋਜਕਾਰ, ਜੋ ਕਿ ਉਸ ਨੂੰ ਯੂਨੀਵਰਸਿਟੀ ਵਿਚ ਅੰਡਰ ਵਿਦਿਆਰਥੀ 'ਤੇ ਇੱਕ ਲੈਬਾਰਟਰੀ ਤਜਰਬੇ ਚੱਲਦਾ ਹੈ ਨੂੰ ਵੀ ਇੱਕ ਨਮੂਨਾ ਲਿਆ ਗਿਆ ਹੈ. ਇਸ ਲਈ, ਨਮੂਨੇ ਇੱਕ ਸਮੱਸਿਆ ਹੈ, ਜੋ ਕਿ ਇਸ ਪੁਸਤਕ ਵਿੱਚ ਆ ਗਿਆ ਹੈ. ਅਸਲ ਵਿਚ, ਸਭ ਆਮ ਚਿੰਤਾ ਹੈ ਕਿ ਮੈਨੂੰ ਡਾਟਾ ਦੇ ਡਿਜ਼ੀਟਲ ਦੀ ਉਮਰ ਸਰੋਤ ਬਾਰੇ ਸੁਣ ਦੇ ਇੱਕ ਹੈ, ਇਸ ਚਿੰਤਾ ਦੋਨੋ ਘੱਟ ਗੰਭੀਰ ਅਤੇ ਹੋਰ ਸੂਖਮ ਵੱਧ ਬਹੁਤ ਸਾਰੇ ਸਨਕੀ ਨੂੰ ਅਹਿਸਾਸ ਹੁੰਦਾ ਹੈ, "ਉਹ ਦੇ ਨੁਮਾਇੰਦੇ ਹਨ." ਸਾਨੂੰ ਇਸ ਭਾਗ ਵਿੱਚ ਵੇਖ ਸਕਦੇ ਹੋ ਦੇ ਨਾਤੇ. ਅਸਲ ਵਿਚ, ਮੈਨੂੰ ਬਹਿਸ ਕਰੇਗਾ ਕਿ "representativeness" ਦੀ ਸਾਰੀ ਧਾਰਨਾ ਸੰਭਾਵਨਾ ਹੈ ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਬਾਰੇ ਸੋਚ ਲਈ ਮਦਦਗਾਰ ਨਹੀ ਹੈ. ਇਸ ਦੀ ਬਜਾਇ, ਕੁੰਜੀ ਨੂੰ ਡਾਟਾ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ ਇਹ ਹੈ ਜੋ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਵਿੱਚ ਕਿਸੇ ਵੀ ੳੱੁਪਰ ਜਦ ਅਨੁਮਾਨ ਬਣਾਉਣ ਨੂੰ ਵਾਪਸ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਬਾਰੇ ਸੋਚਣ ਦੀ ਹੈ.

ਹੁਣ, ਨੁਮਾਇੰਦਗੀ ਕਰਨ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਲਿਖਤੀ ਪਹੁੰਚ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਹੈ. ਡਾਟਾ ਨੂੰ ਇੱਕ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦਾ ਢੰਗ ਬਿਲਕੁਲ ਚਲਾਉਣ ਨੂੰ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਨਾਲ ਇਕੱਠੇ ਕੀਤੇ ਹਨ, ਜਦ, ਖੋਜਕਾਰ ਹੈ ਕਿ ਉਹ ਟੀਚੇ ਦਾ ਆਬਾਦੀ ਬਾਰੇ ਨਿਰਪੱਖ ਅਨੁਮਾਨ ਕਰਨ ਲਈ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਸਨ ਤੇ ਆਧਾਰਿਤ ਆਪਣੇ ਡਾਟਾ ਿਜ਼ਨ ਕਰਨ ਦੇ ਯੋਗ ਹਨ. ਪਰ, ਸੰਪੂਰਣ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਅਸਲ ਕਦੇ ਵੀ ਅਸਲ ਸੰਸਾਰ ਵਿਚ ਵਾਪਰਦਾ ਹੈ. ਇੱਥੇ ਖਾਸ ਤੌਰ ਦੋ ਮੁੱਖ ਸਮੱਸਿਆ 1) ਟੀਚੇ ਦਾ ਆਬਾਦੀ ਅਤੇ ਫਰੇਮ ਆਬਾਦੀ ਅਤੇ 2 ਵਿੱਚ ਅੰਤਰ) ਗੈਰ-ਜਵਾਬ (ਇਹ ਬਿਲਕੁਲ ਸਮੱਸਿਆ ਹੈ, ਜੋ ਕਿ ਸਾਹਿਤਕ ਡਾਇਜੈਸਟ ਚੋਣ ਟੁੱਟ ਹਨ) ਹਨ. ਇਸ ਲਈ, ਨਾ ਕਿ ਕੀ ਹੈ ਅਸਲ ਵਿੱਚ ਸੰਸਾਰ ਵਿੱਚ ਵਾਪਰਦਾ ਹੈ ਦੇ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਮਾਡਲ ਦੇ ਤੌਰ ਸੰਭਾਵਨਾ ਨਮੂਨਾ ਦੀ ਸੋਚ ਵੱਧ ਹੈ, ਇਸ ਨੂੰ ਬਿਹਤਰ ਇੱਕ ਸਹਾਇਕ, ਵੱਖਰਾ ਮਾਡਲ ਦੇ ਤੌਰ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੀ ਸੋਚਣ ਦੀ ਹੈ, ਬਹੁਤ ਕੁਝ ਵਰਗੇ ਤਰੀਕੇ ਨਾਲ ਭੌਤਿਕ ਇੱਕ ਅਨੰਤ ਲੰਬੇ ਕੇ ਰੋਲਿੰਗ ਨੂੰ ਇੱਕ frictionless ਬਾਲ ਬਾਰੇ ਸੋਚਦੇ ਢਾਲ.

ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਨੂੰ ਬਦਲ ਨਾ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਹੈ. ਸੰਭਾਵਨਾ ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨਾ ਦੇ ਵਿਚਕਾਰ ਮੁੱਖ ਅੰਤਰ ਸ਼ਾਮਲ ਦੀ ਇੱਕ ਜਾਣਿਆ ਸੰਭਾਵਨਾ ਹੈ, ਜੋ ਕਿ ਸੰਭਾਵਨਾ ਆਬਾਦੀ ਵਿੱਚ ਹਰ ਚਖਣ ਦੇ ਨਾਲ ਹੈ. ਉੱਥੇ ਅਸਲ ਵਿਚ, ਹਨ, ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨਾ ਦੇ ਕਈ ਕਿਸਮ ਹੈ, ਅਤੇ ਡਾਟਾ ਇਕੱਠਾ ਦੇ ਇਹ ਢੰਗ ਡਿਜ਼ੀਟਲ ਦੀ ਉਮਰ ਵਿਚ ਵਧਦੀ ਆਮ ਬਣ ਰਹੇ ਹਨ. ਪਰ, ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਸਮਾਜਿਕ ਵਿਗਿਆਨੀ ਅਤੇ statisticians ਆਪਸ ਵਿੱਚ ਇੱਕ ਭਿਆਨਕ ਨੇਕਨਾਮੀ ਹੈ. ਅਸਲ ਵਿਚ, ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨਾ ਅਜਿਹੇ ਸਾਹਿਤਕ ਡਾਇਜੈਸਟ fiasco (ਪਿਛਲੇ ਚਰਚਾ ਕੀਤੀ) ਅਤੇ ਦੇ 1948 ( "Dewey ਹਰਾਇਆ Truman") ਅਮਰੀਕਾ ਦੇ ਰਾਸ਼ਟਰਪਤੀ ਦੀ ਚੋਣ ਬਾਰੇ ਗਲਤ ਭਵਿੱਖਬਾਣੀ ਦੇ ਤੌਰ ਤੇ ਸਰਵੇਖਣ ਖੋਜਕਾਰ ਦੀ ਸਭ ਨਾਟਕੀ ਅਸਫਲਤਾ, ਦੇ ਕੁਝ ਦੇ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ, (Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007) .

ਪਰ, ਵਾਰ ਦੇ ਦੋ ਕਾਰਨ ਲਈ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨਾ ਮੁੜ ਵਿਚਾਰ ਕਰਨ ਦਾ ਹੱਕ ਹੈ. ਪਹਿਲੀ, ਦੇ ਤੌਰ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਅਭਿਆਸ ਵਿੱਚ ਕੀ ਕਰਨ ਲਈ ਮੁਸ਼ਕਲ ਬਣ ਗਏ ਹਨ, ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੇ ਵਿਚਕਾਰ ਲਾਈਨ ਬਲਰ ਹੈ. ਜਦ ਉਥੇ ਇਸ ਗੈਰ-ਜਵਾਬ ਦੀ ਉੱਚੀ ਦਰ (ਉਥੇ ਹੁਣ ਅਸਲੀ ਸਰਵੇਖਣ ਵਿੱਚ ਹਨ), ਉੱਤਰਦਾਤਾ ਲਈ ਸੰਮਿਲਨ ਦੀ ਅਸਲ ਸੰਭਾਵਨਾ ਦਾ ਪਤਾ ਨਹੀ ਕਰ ਰਹੇ ਹਨ, ਅਤੇ, ਸੰਭਾਵਨਾ ਦੇ ਨਮੂਨੇ ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਹਨ, ਦੇ ਰੂਪ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਬਹੁਤ ਸਾਰੇ ਖੋਜਕਾਰ ਤੇ ਵਿਸ਼ਵਾਸ ਦੇ ਰੂਪ ਵਿੱਚ ਨਹੀ ਹਨ. ਪੋਸਟ-stratification: ਅਸਲ ਵਿਚ, ਦੇ ਰੂਪ ਵਿੱਚ ਸਾਨੂੰ ਹੇਠ ਦੇਖਣ ਜਾਵੇਗਾ, ਦੋਨੋ ਤਰੀਕੇ ਅਸਲ ਇੱਕੋ ਹੀ ਅੰਦਾਜ਼ੇ ਢੰਗ ਨੂੰ 'ਤੇ ਭਰੋਸਾ. ਦੂਜਾ, ਉੱਥੇ ਭੰਡਾਰ ਅਤੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਦੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਵਿਕਾਸ ਕੀਤਾ ਗਿਆ ਹੈ. ਇਹ ਢੰਗ ਢੰਗ ਹੈ, ਜੋ ਕਿ ਪਿਛਲੇ ਵਿੱਚ ਸਮੱਸਿਆ ਕਾਰਨ ਤੱਕ ਕਾਫ਼ੀ ਵੱਖ ਵੱਖ ਮੈਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਇਹ ਬਣਦੀ ਹੈ ਦੇ ਤੌਰ ਤੇ ਉਹ ਦੀ ਸੋਚਦੇ ਹਨ, "ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨਾ 2.0." ਸਾਨੂੰ, ਕਿਉਕਿ ਗਲਤੀ ਹੈ, ਜੋ ਕਿ ਕੀ ਹੋਇਆ ਸੀ ਦੇ ਗੈਰ-ਸੰਭਾਵਨਾ ਢੰਗ ਨੂੰ ਇੱਕ ਅਮਾਪ aversion ਹੈ, ਨਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਬਹੁਤ ਚਿਰ ਪਹਿਲਾਂ.

ਅੱਗੇ, ਇਸ ਦਲੀਲ ਨੂੰ ਹੋਰ ਠੋਸ ਬਣਾਉਣ ਲਈ, ਮੈਨੂੰ ਮਿਆਰੀ ਸੰਭਾਵਨਾ ਨਮੂਨੇ ਅਤੇ ਮੱਧਮਾਨ (ਹਿੱਸਾ 3.4.1) ਦੀ ਸਮੀਖਿਆ ਹੋਵੋਗੇ. ਕੁੰਜੀ ਇਹ ਵਿਚਾਰ ਤੁਹਾਨੂੰ ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਇਕੱਠਾ ਕੀਤਾ ਅਸਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਤੁਹਾਨੂੰ ਅਨੁਮਾਨ ਕਰ ਰਿਹਾ ਹੈ. ਖਾਸ ਕਰਕੇ, ਜੇ ਹਰ ਕੋਈ ਸ਼ਾਮਿਲ ਦੇ ਉਸੇ ਸੰਭਾਵਨਾ ਹੈ, ਨਾ ਹੈ, ਫਿਰ ਹਰ ਕੋਈ ਉਸੇ ਹੀ ਭਾਰ ਹੈ, ਨਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ. ਹੋਰ ਸ਼ਬਦ ਵਿੱਚ, ਜੇ ਤੁਹਾਡੇ ਨਮੂਨੇ ਜਮਹੂਰੀ ਨਹੀ ਹੈ, ਫਿਰ ਆਪਣੇ estimations ਨਾ ਜਮਹੂਰੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ. ਮੱਧਮਾਨ ਦੀ ਸਮੀਖਿਆ ਦੇ ਬਾਅਦ, ਮੈਨੂੰ ਗੈਰ-ਸੰਭਾਵਨਾ ਨਮੂਨਾ ਕਰਨ ਲਈ ਦੋ ਤਰੀਕੇ ਦਾ ਵਰਣਨ ਲੱਗੇਗਾ: ਇੱਕ ਹੈ, ਜੋ ਕਿ ਤਰਤੀਬੇ ਇਕੱਠੇ ਕੀਤੇ ਡਾਟਾ ਦੀ ਸਮੱਸਿਆ ਹੈ (ਹਿੱਸਾ 3.4.2) ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਮੱਧਮਾਨ 'ਤੇ ਜ਼ੋਰ ਹੈ, ਅਤੇ ਇੱਕ ਨੂੰ ਡਾਟਾ ਹੈ ਉੱਤੇ ਵੱਧ ਕੰਟਰੋਲ ਰੱਖਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਇਕੱਠੀ ਕੀਤੀ ਹੈ (ਹਿੱਸਾ 3.4.3). ਮੁੱਖ ਪਾਠ ਵਿਚ ਬਹਿਸ ਸ਼ਬਦ ਅਤੇ ਤਸਵੀਰ ਦੇ ਨਾਲ ਹੇਠ ਸਮਝਾਇਆ ਜਾਵੇਗਾ; ਪਾਠਕ ਨੂੰ ਇੱਕ ਹੋਰ ਗਣਿਤ ਦੇ ਇਲਾਜ ਚਾਹੁੰਦੇ ਹੋ, ਜੋ ਵੀ ਹੈ ਤਕਨੀਕੀ ਅੰਤਿਕਾ ਵੇਖ ਚਾਹੀਦਾ ਹੈ.