Il campionamento Il campionamento Vantaggi per es rispetto
![Il campionamento Il campionamento](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-1.jpg)
![Il campionamento Vantaggi (per es. rispetto a un censimento): • Riduzione dei costi • Il campionamento Vantaggi (per es. rispetto a un censimento): • Riduzione dei costi •](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-2.jpg)
![…qualche definizione • L’universo= la popolazione “teorica” oggetto di indagine • La popolazione = …qualche definizione • L’universo= la popolazione “teorica” oggetto di indagine • La popolazione =](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-3.jpg)
![Universo: i lavoratori atipici della provincia di Genova Popolazione di riferimento: i lavoratori atipici Universo: i lavoratori atipici della provincia di Genova Popolazione di riferimento: i lavoratori atipici](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-4.jpg)
![La rappresentatività (I) Occorre che il campione possegga le caratteristiche della popolazione di origine La rappresentatività (I) Occorre che il campione possegga le caratteristiche della popolazione di origine](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-5.jpg)
![La rappresentatività (II) - Alcuni criteri per un’adeguata rappresentatività: occorre che i dati di La rappresentatività (II) - Alcuni criteri per un’adeguata rappresentatività: occorre che i dati di](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-6.jpg)
![Il campionamento La selezione delle unità di analisi che divengono casi del campione può Il campionamento La selezione delle unità di analisi che divengono casi del campione può](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-7.jpg)
![La numerosità …dove n = la numerosità che si vuole ottenere z = costante La numerosità …dove n = la numerosità che si vuole ottenere z = costante](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-8.jpg)
![Esempio errore di stima dalla media= 0, 2 livello di fiducia del 95% =1, Esempio errore di stima dalla media= 0, 2 livello di fiducia del 95% =1,](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-9.jpg)
![La ponderazione es. da una popolazione di 500 M e 1000 F… …un campione La ponderazione es. da una popolazione di 500 M e 1000 F… …un campione](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-10.jpg)
![La curva normale M, Mo, Me -1 Sq e +1 Sq = 68% dei La curva normale M, Mo, Me -1 Sq e +1 Sq = 68% dei](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-11.jpg)
![](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-12.jpg)
![Campionamenti probabilistici (tipici della ricerca standard) • • • Casuale semplice (con o senza Campionamenti probabilistici (tipici della ricerca standard) • • • Casuale semplice (con o senza](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-13.jpg)
![Probabilistici: Casuale semplice • Estraggo a caso dalla lista di campionamento garantendo a tutte Probabilistici: Casuale semplice • Estraggo a caso dalla lista di campionamento garantendo a tutte](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-14.jpg)
![Probabilistici: sistematico • Estraggo a caso ogni tot dalla lista, ovvero definisco un passo Probabilistici: sistematico • Estraggo a caso ogni tot dalla lista, ovvero definisco un passo](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-15.jpg)
![Probabilistici: Stratificato • Definisco strati su popolazione rispetto a variabili fondamentali • Rispetto alle Probabilistici: Stratificato • Definisco strati su popolazione rispetto a variabili fondamentali • Rispetto alle](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-16.jpg)
![Probabilistici: a grappoli • Suddivido popolazione in sottoinsiemi (grappoli) es. divido una popolazione di Probabilistici: a grappoli • Suddivido popolazione in sottoinsiemi (grappoli) es. divido una popolazione di](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-17.jpg)
![Probabilistici: a stadi (2 o +) • Suddivido popolazione in sottoinsiemi (unità di primo Probabilistici: a stadi (2 o +) • Suddivido popolazione in sottoinsiemi (unità di primo](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-18.jpg)
![Probabilistici …naturalmente, niente e nessuno mi impedisce di poter combinare le tecniche anzidette…es un Probabilistici …naturalmente, niente e nessuno mi impedisce di poter combinare le tecniche anzidette…es un](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-19.jpg)
![Guida alla definizione di un campione • • Definire la popolazione in spazio e Guida alla definizione di un campione • • Definire la popolazione in spazio e](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-20.jpg)
![Campionamenti non probabilistici (tipici della ricerca non standard) • • • A casaccio Per Campionamenti non probabilistici (tipici della ricerca non standard) • • • A casaccio Per](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-21.jpg)
![Non probabilistici: a casaccio è il cosiddetto campionamento accidentale Es. : mi metto all’angolo Non probabilistici: a casaccio è il cosiddetto campionamento accidentale Es. : mi metto all’angolo](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-22.jpg)
![Non probabilistici: per quote • È come uno ovvero definisco delle quote di popolazione Non probabilistici: per quote • È come uno ovvero definisco delle quote di popolazione](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-23.jpg)
![Non probabilistici: autoselezionato …Laddove i casi si selezionano da soli rispondendo alla somministrazione… Esempi: Non probabilistici: autoselezionato …Laddove i casi si selezionano da soli rispondendo alla somministrazione… Esempi:](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-24.jpg)
![Non probabilistici: Testimoni privilegiati • Campione di esperti • Campione sociologico • Si basa Non probabilistici: Testimoni privilegiati • Campione di esperti • Campione sociologico • Si basa](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-25.jpg)
![Non probabilistici: a valanga • Scelgo alcuni casi di partenza (possibilmente “idealtipici” o testimoni Non probabilistici: a valanga • Scelgo alcuni casi di partenza (possibilmente “idealtipici” o testimoni](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-26.jpg)
- Slides: 26
![Il campionamento Il campionamento](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-1.jpg)
Il campionamento
![Il campionamento Vantaggi per es rispetto a un censimento Riduzione dei costi Il campionamento Vantaggi (per es. rispetto a un censimento): • Riduzione dei costi •](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-2.jpg)
Il campionamento Vantaggi (per es. rispetto a un censimento): • Riduzione dei costi • Riduzione dei tempi • Maggiore accuratezza e approfondimento Rischi: • Errori di copertura (es. la lista di campionamento) • Errori di non risposta (rifiuti, mancati contatti, missing o altro) • Errore di campionamento (il campione non riflette adeguatamente la popolazione target, es. autoselezione) • Dimensione campionaria inadeguata (ampiezza)
![qualche definizione Luniverso la popolazione teorica oggetto di indagine La popolazione …qualche definizione • L’universo= la popolazione “teorica” oggetto di indagine • La popolazione =](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-3.jpg)
…qualche definizione • L’universo= la popolazione “teorica” oggetto di indagine • La popolazione = l’insieme dei soggetti sui quali viene effettivamente svolta la ricerca sulla base di una lista di campionamento • Unità di analisi= il singolo caso rilevante per la ricerca, i soggetti dentro la lista di campionamento della popolazione • Il campione = il sottoinsieme della popolazione cui vengono applicati gli strumenti d’indagine • I casi= le unità di analisi scelte che finiscono nel campione • Il campionamento = il procedimento di selezione (nelle intenzioni, rappresentativa) dei casi dalla popolazione al campione
![Universo i lavoratori atipici della provincia di Genova Popolazione di riferimento i lavoratori atipici Universo: i lavoratori atipici della provincia di Genova Popolazione di riferimento: i lavoratori atipici](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-4.jpg)
Universo: i lavoratori atipici della provincia di Genova Popolazione di riferimento: i lavoratori atipici rilevabili nelle liste dei CPI 13 4 23 11 22 18 3 15 1 16 7 14 21 2 24 Stima (procedimento induttivo) 17 5 9 19 6 12 25 20 campione 1 CAMPIONAMENTO 25 11 16 7 10 Inferenza (procedimento deduttivo) 20 8 Unità di analisi casi 91
![La rappresentatività I Occorre che il campione possegga le caratteristiche della popolazione di origine La rappresentatività (I) Occorre che il campione possegga le caratteristiche della popolazione di origine](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-5.jpg)
La rappresentatività (I) Occorre che il campione possegga le caratteristiche della popolazione di origine e le riproduca in piccola scala. 2 fattori: • Numerosità: quante unità di analisi finiscono nel campione, tanto più cresce n avvicinandosi a N, tanto più il campione è rappresentativo • Eterogeneità: quanto le unità di analisi sono diverse tra loro all’origine, tanto più il campione rispecchia l’eterogeneità, tanto più è rappresentativo
![La rappresentatività II Alcuni criteri per unadeguata rappresentatività occorre che i dati di La rappresentatività (II) - Alcuni criteri per un’adeguata rappresentatività: occorre che i dati di](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-6.jpg)
La rappresentatività (II) - Alcuni criteri per un’adeguata rappresentatività: occorre che i dati di partenza siano generalmente validi non si devono verificare effetti di selezione campione e popolazione devono avere distribuzioni simili si rifletta la presenza di possibili caso idealtipici adeguata copertura della popolazione (riflettere le variazioni) usare un campione probabilistico (p>0 e noto)
![Il campionamento La selezione delle unità di analisi che divengono casi del campione può Il campionamento La selezione delle unità di analisi che divengono casi del campione può](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-7.jpg)
Il campionamento La selezione delle unità di analisi che divengono casi del campione può avvenire con 2 metodi • Probabilistico: le unità della popolazione hanno prefissate, medesime e conoscibili probabilità di essere incluse nel campione • Non probabilistico: non si conoscono le probabilità di inclusione
![La numerosità dove n la numerosità che si vuole ottenere z costante La numerosità …dove n = la numerosità che si vuole ottenere z = costante](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-8.jpg)
La numerosità …dove n = la numerosità che si vuole ottenere z = costante (corrispondente al valore della variabile casuale normale standardizzata) che dipende dal livello di fiducia desiderato per la stima es. 1, 96 per un livello di fiducia del 95%; 1 per il 68% = lo scarto quadratico medio (l’indice di variabilità) e= l’errore atteso
![Esempio errore di stima dalla media 0 2 livello di fiducia del 95 1 Esempio errore di stima dalla media= 0, 2 livello di fiducia del 95% =1,](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-9.jpg)
Esempio errore di stima dalla media= 0, 2 livello di fiducia del 95% =1, 96 variabilità = 3 n= 1, 96 * (3/0, 2) = 29, 4 che elevato al quadrato= 864, 36 • non è sensato fare elaborazioni sotto 30 casi per un minimo di descrizione • meglio ancora non andare sotto i 100 per una popolazione estesa • spesso oltre 1000 casi non si aggiunge rappresentatività (per variabili poco eterogenee)
![La ponderazione es da una popolazione di 500 M e 1000 F un campione La ponderazione es. da una popolazione di 500 M e 1000 F… …un campione](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-10.jpg)
La ponderazione es. da una popolazione di 500 M e 1000 F… …un campione stratificato x età di 100 M e 100 F …farà sì che le risposte delle 100 F valgano doppio
![La curva normale M Mo Me 1 Sq e 1 Sq 68 dei La curva normale M, Mo, Me -1 Sq e +1 Sq = 68% dei](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-11.jpg)
La curva normale M, Mo, Me -1 Sq e +1 Sq = 68% dei casi -2 Sq e +2 Sq = 95% dei casi -3 Sq e +3 Sq = 98% dei casi N -3 Sq -2 Sq -1 Sq +2 Sq +3 Sq
![](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-12.jpg)
![Campionamenti probabilistici tipici della ricerca standard Casuale semplice con o senza Campionamenti probabilistici (tipici della ricerca standard) • • • Casuale semplice (con o senza](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-13.jpg)
Campionamenti probabilistici (tipici della ricerca standard) • • • Casuale semplice (con o senza ripetizione) Sistematico Stratificato (proporzionale/non proporzionale) A grappoli A stadi Areale
![Probabilistici Casuale semplice Estraggo a caso dalla lista di campionamento garantendo a tutte Probabilistici: Casuale semplice • Estraggo a caso dalla lista di campionamento garantendo a tutte](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-14.jpg)
Probabilistici: Casuale semplice • Estraggo a caso dalla lista di campionamento garantendo a tutte le unità di analisi la stessa possibilità di entrare a far parte del campione • Con o senza ripetizione, ovvero estraggo e tolgo o estraggo e rimetto (raro)
![Probabilistici sistematico Estraggo a caso ogni tot dalla lista ovvero definisco un passo Probabilistici: sistematico • Estraggo a caso ogni tot dalla lista, ovvero definisco un passo](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-15.jpg)
Probabilistici: sistematico • Estraggo a caso ogni tot dalla lista, ovvero definisco un passo di campionamento, cioè estraggo un caso ogni k, dove k=n/N (*100) • Es. per n=1000 e N=50000, k=50 • Se N non è noto posso usare un k arbitrario • Definito k estraggo a caso un numero tra 1 e k (nel nostro caso 1 tra 1 e 50) e inizio il passo di campionamento (ne prendo 1 ogni 50 a partire dal numero estratto) • …proseguo a estrarre con il passo fino a raggiungere la numerosità • Si può fare anche quando non c’è una lista
![Probabilistici Stratificato Definisco strati su popolazione rispetto a variabili fondamentali Rispetto alle Probabilistici: Stratificato • Definisco strati su popolazione rispetto a variabili fondamentali • Rispetto alle](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-16.jpg)
Probabilistici: Stratificato • Definisco strati su popolazione rispetto a variabili fondamentali • Rispetto alle unità di analisi gli strati devono essere omogenei al loro interno (intra) e eterogenei tra loro (inter) • Posso seguire un criterio di ripartizione proporzionale o non proporzionale all’incidenza degli strati rispetto alla popolazione di origine • Piano fattoriale ovvero definisco a priori delle variabili che ritengo influenzino il fenomeno. Es. genere (2 modalità, M/F), età (2 modalità, under 40/over 40) ; titolo di studio (3 modalità, basso, medio, alto). Si ottengono 2 X 2 X 3=12 combinazioni e in ognuna dovrò selezionare lo stesso numero di casi (in questo modo posso valutare meglio l’influenza delle variabili equiparandone il peso)
![Probabilistici a grappoli Suddivido popolazione in sottoinsiemi grappoli es divido una popolazione di Probabilistici: a grappoli • Suddivido popolazione in sottoinsiemi (grappoli) es. divido una popolazione di](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-17.jpg)
Probabilistici: a grappoli • Suddivido popolazione in sottoinsiemi (grappoli) es. divido una popolazione di scuole per regioni/province/comuni • Scelta casuale sui grappoli es. seleziono casualmente • Rilevo su tutte le unità dei grappoli scelti • Es. scelti a caso 1 e 3, rilevo su tutte le unità di 1 e 3 4 3 1 2
![Probabilistici a stadi 2 o Suddivido popolazione in sottoinsiemi unità di primo Probabilistici: a stadi (2 o +) • Suddivido popolazione in sottoinsiemi (unità di primo](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-18.jpg)
Probabilistici: a stadi (2 o +) • Suddivido popolazione in sottoinsiemi (unità di primo stadio)…es. regioni • Scelta casuale dei sottoinsiemi su unità di primo stadio • Scelta casuale delle unità selezionate in primo stadio (secondo stadio) Es. su 3 stadi per studenti scuole medie italiane: 1. I stadio - scelta casuale tra comuni d’Italia 2. II stadio - scelta casuale tra scuole medie dei comuni scelti 3. III stadio - scelta casuale tra gli studenti delle scuole scelte dei comuni scelti
![Probabilistici naturalmente niente e nessuno mi impedisce di poter combinare le tecniche anzidettees un Probabilistici …naturalmente, niente e nessuno mi impedisce di poter combinare le tecniche anzidette…es un](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-19.jpg)
Probabilistici …naturalmente, niente e nessuno mi impedisce di poter combinare le tecniche anzidette…es un campionamento areale stratificato con passo sistematico
![Guida alla definizione di un campione Definire la popolazione in spazio e Guida alla definizione di un campione • • Definire la popolazione in spazio e](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-20.jpg)
Guida alla definizione di un campione • • Definire la popolazione in spazio e tempo Elencare criteri inclusione/esclusione rispondenti Specificare unità di analisi Costruire lista campionamento Identificare variabili chiave e loro eterogeneità Valutare errore Stabilire numerosità campionaria Definire criterio campionamento
![Campionamenti non probabilistici tipici della ricerca non standard A casaccio Per Campionamenti non probabilistici (tipici della ricerca non standard) • • • A casaccio Per](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-21.jpg)
Campionamenti non probabilistici (tipici della ricerca non standard) • • • A casaccio Per quote Auto-selezionato Testimoni privilegiati A valanga
![Non probabilistici a casaccio è il cosiddetto campionamento accidentale Es mi metto allangolo Non probabilistici: a casaccio è il cosiddetto campionamento accidentale Es. : mi metto all’angolo](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-22.jpg)
Non probabilistici: a casaccio è il cosiddetto campionamento accidentale Es. : mi metto all’angolo di una strada e scelgo il primo caso che capita, senza criteri definiti, ma solo in ragione di praticità e velocità
![Non probabilistici per quote È come uno ovvero definisco delle quote di popolazione Non probabilistici: per quote • È come uno ovvero definisco delle quote di popolazione](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-23.jpg)
Non probabilistici: per quote • È come uno ovvero definisco delle quote di popolazione in base alle variabili che mi interessano Diplomati Laureati • Es: Maschi 50 50 Femmine 50 50 • in genere non è proporzionale, ma può riflettere le caratteristiche della popolazione
![Non probabilistici autoselezionato Laddove i casi si selezionano da soli rispondendo alla somministrazione Esempi Non probabilistici: autoselezionato …Laddove i casi si selezionano da soli rispondendo alla somministrazione… Esempi:](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-24.jpg)
Non probabilistici: autoselezionato …Laddove i casi si selezionano da soli rispondendo alla somministrazione… Esempi: • il televoto • alcune survey online • alcuni questionari di gradimento
![Non probabilistici Testimoni privilegiati Campione di esperti Campione sociologico Si basa Non probabilistici: Testimoni privilegiati • Campione di esperti • Campione sociologico • Si basa](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-25.jpg)
Non probabilistici: Testimoni privilegiati • Campione di esperti • Campione sociologico • Si basa essenzialmente sulle caratteristiche predefinite degli individui • Tipico dei Delphi o dei Focus group
![Non probabilistici a valanga Scelgo alcuni casi di partenza possibilmente idealtipici o testimoni Non probabilistici: a valanga • Scelgo alcuni casi di partenza (possibilmente “idealtipici” o testimoni](https://slidetodoc.com/presentation_image_h/cf9bcb9571a8852b36e88b030331d483/image-26.jpg)
Non probabilistici: a valanga • Scelgo alcuni casi di partenza (possibilmente “idealtipici” o testimoni privilegiati) • Chiedo loro di fornirmi altri conoscenti da intervistare con tali caratteristiche • Più fasi possibili • Rischi di condizionamento sulla base del capitale relazionale delle persone
Campionamento per quote
Grado del polinomio
Il sistema solare
Simmetria bilaterale significato
Punti notevoli triangolo isoscele
Differenze tra scuola italiana e francese
Risultato
Come è fatto un triangolo
I polinomi
Vantaggi associazione carabinieri
Vantaggi e svantaggi franchising
Vantaggi iscrizione snals
Virtual lan
Teoria dei vantaggi comparati
Vantaggi e svantaggi della globalizzazione
Vantaggi e svantaggi della globalizzazione schema
Budget degli acquisti
Trascrizione fonetica convertitore
Campionamento accidentale
Statistica inferenziale
Campionamento snowball
Fac simile verbale di campionamento rifiuti
Autospettro
Campionamento a due stadi
Campionamento e quantizzazione
Energeticals
Il campionamento statistico