Miskolci Egyetem Gazdasgtudomnyi Kar zleti Informcigazdlkodsi s Mdszertani

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Mintavételes eljárások

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Kontrollált kísérletek • végtelen sokaságról való informálódás eszköze • arra ad választ, hogy a kísérlet végzője által megtervezett feltétel együttesek (kezelések) milyen eredményre vezetnek.

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Reprezentatív megfigyelés • A mintavételből származó eredményeket a sokaság egészének jellemzésére használják, azaz általánosítanak a teljes sokaságra. • A reprezentatív minta: tükrözi az alapsokaságot, annak tulajdonságait, összetételét. • Mindig megadható a mintavételi hiba, azaz, hogy a mintavétel tényéből mekkora hiba fakad.

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Nem reprezentatív megfigyelés (egyéb részleges megfigyelés) • Nincs benne az általánosításra való törekvés, a következtetések kizárólag megfigyelt egyedekre vonatkoznak.

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Véletlenen alapuló kiválasztás módjai

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet FAE - független, azonos eloszlású minta • Homogén és végtelen (nagyon nagy) számosságú sokaságból veszünk mintát visszatevéssel vagy visszatevés nélkül. • Hasonló eredményre vezet, ha véges sokaságból egyenlő valószínűséggel visszatevéses mintát veszünk. • Gyakorlati alkalmazása: elsősorban a tömegtermelés minőségellenőrzésénél.

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet EV - egyszerű véletlen minta • Homogén és véges elemszámú sokaság esetén alkalmazható. • A mintát visszatevés nélkül választjuk ki. • Minden lehetséges n elemű minta kiválasztásának a valószínűsége azonos. • Hasonló a FAE mintához, de véges és kisebb elemszámú sokaságok esetén inkább ez használatos.

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet R - rétegzett mintavétel • Heterogén sokaság esetén alkalmazható. • A fősokaságot valamilyen ismérv szerint átfedésmentesen homogén rétegekre osztjuk. • Az egyes rétegeken belül egymástól függetlenül EV (ritkábban FAE) mintát veszünk. • Azonos mintanagyság esetén a vizsgált jellemzőkre ( , ) kisebb hibát kapunk, mint az EV mintavétellel feltéve, hogy a rétegezés jó volt.

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet egyenletes rétegzés

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet arányos rétegzés

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Neyman-féle optimális rétegzés • – nagyobb rétegekből nagyobb mintát vesz • – a változékonyabb, heterogénebb rétegekből szintén nagyobb mintát vesz

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet költség-optimális rétegzés • az egyes rétegek szórása mellett figyelembe vesszük az egyes rétegek megfigyelésének költségét is • adott költségkeret mellett minimális hibát eredményez

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet CS - csoportos (egylépcsős) mintavétel • Homogén, véges sokaság esetén, ha nem áll rendelkezésre a sokasági elemek teljes listája, de nagyobb csoportokra rendelkezünk listával. • Ha a csoportok a koncentráltságuk miatt könnyebben, olcsóbban figyelhetők meg, mint az egyedek. • Először a csoportok halmazából EV mintát veszünk, majd az így kiválasztott csoportokat teljes körűen megfigyeljük (pl: iskolások drogfogyasztási szokásai).

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet TL - többlépcsős mintavétel • hasonló esetekben használjuk, mint a csoportos mintavételt • itt több lépcsőben jutunk el a végső megfigyelési egységhez • leggyakoribb a kétlépcsős • először EV mintavétellel kiválasztjuk a csoportokat, majd a csoporton belül is EV mintavételt végzünk

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Grafikusan ábrázolva

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Nem véletlen mintavételi eljárások 1. Szisztematikus kiválasztás • ha n elemű mintát akarunk venni egy N elemű sokaságból, akkor meghatározva a k=N/n lépésközt a k 0 véletlen kezdőpontból kiindulva minden k-adik elemet figyeljük meg: k 0, k 0+k, k 0 +2 k; … • A minta gyorsan és mechanikusan kiválasztható. • Egybeeshet az EV megfigyeléssel, ha az elemek felsorolása független a megfigyelés tárgyától.

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Nem véletlen mintavételi eljárások • • 2. ) Kvótás kiválasztás 3. ) Koncentrált kiválasztás 4. ) Hólabda kiválasztás 5. ) Önkényes (szubjektív) kiválasztás

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Ismételt vagy másodlagos mintavételi eljárások jellemzői • Speciális csoport a gyakorlatban alkalmazott mintavételi módok között. • Elvi alapja az a felismerés, hogy a tényleges mintavétel igen költséges, míg a számítógép használata egyre olcsóbb! → a meglévő kisebb és olcsóbb mintákat számítógépes módszerekkel megtöbbszörözik. • A meglévő mintából újabb mintákat képeznek azért, hogy a mintában lévő információkat jobban kihasználják.

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Ismételt vagy másodlagos mintavételi eljárások • • 1. ) Független részminták módszere 2. ) Kiegyensúlyozott ismétlések 3. ) Jackknife módszer 4. ) Bootstrap módszer

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Az alapsokaság adatai

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Az egyszerű véletlen és a rétegzett minták paramétereinek összehasonlítása

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet STATISZTIKAI BECSLÉS

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Statisztikai becslés rétegzett minta alapján • Az átlag pontbecslése rétegzett mintából a rétegenként becsült átlagoknak a sokaság nagyságával súlyozott átlaga.

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Hányados-becslés • A „h” mintabeli hányados nem torzítatlan becslő függvénye a sokasági jellemzőnek. Azonban a torzítás mértéke nagy minta esetén elhanyagolható. • A becsült érték (hányados) eloszlása nagy minta esetén megközelítőleg normális eloszlást követ.

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Független részminták alkalmazása • A módszer alapja egy „n” elemű véletlen módszerrel választott minta „k” egyenlő nagyságú részmintára történő felosztása. • A már kiválasztott minta utólagos felosztása helyett célszerűbb az ún. ismételt mintavételt alkalmazni. • Egy „m” elemű minta kiválasztását hajtjuk végre valamely véletlen módszer alkalmazásával. • Ezután függetlenül az előzőtől, azonos módszerekkel újabb és újabb mintát vételezünk egészen addig, amíg „k” darab egymástól független „m” elemszámú mintánk lesz.