कोटा नमूना

द्वारा डॉ. बेंजामिन एंडरसन अगस्त 5, 2023 आंकड़े शून्य टिप्पणियां

इस लेख में हम बताते हैं कि कोटा नमूनाकरण क्या है और इसे कैसे किया जाता है। आपको कोटा नमूनाकरण का एक उदाहरण मिलेगा और साथ ही दूसरों की तुलना में इस प्रकार के नमूने का उपयोग करने के फायदे और नुकसान भी मिलेंगे।

कोटा नमूनाकरण क्या है?

कोटा नमूनाकरण उन व्यक्तियों को चुनने की एक विधि है जो सांख्यिकीय अध्ययन के लिए नमूने का हिस्सा होंगे।

कोटा नमूने में, कम से कम एक विशेषता साझा करने वाले व्यक्तियों के समूह (या स्तर) पहले स्थापित किए जाते हैं, और फिर प्रत्येक समूह से एक कोटा चुना जाता है, इस प्रकार अध्ययन नमूना बनता है।

कोटा नमूनाकरण एक प्रकार का गैर-संभाव्यता नमूनाकरण है, जिसका अर्थ है कि नमूना तत्वों को यादृच्छिक रूप से नहीं चुना जाता है, बल्कि शोधकर्ता द्वारा चुना जाता है। इसके अलावा, जनसंख्या को समूहों में विभाजित करने के लिए उपयोग किए जाने वाले व्यक्तियों की विशेषता भी शोधकर्ता द्वारा तय की जाती है, इसलिए, अनुसंधान के संचालन के लिए जिम्मेदार व्यक्ति का प्राप्त परिणामों पर बहुत प्रभाव पड़ता है।

कोटा सैम्पलिंग कैसे करें

कोटा नमूनाकरण चरण इस प्रकार हैं:

लक्षित जनसंख्या को परिभाषित करें।
सांख्यिकीय अध्ययन के समूहों (या स्तरों) को परिभाषित करें। ऐसा करने के लिए, उन मानदंडों पर निर्णय लेना आवश्यक है जिनके अनुसार जनसंख्या को समूहों में विभाजित किया जाएगा।
कोटा आकार निर्धारित करें , यानी तय करें कि प्रत्येक समूह से कितने लोग नमूने में होंगे।
प्रत्येक समूह से उन व्यक्तियों का चयन करें जो सांख्यिकीय अध्ययन में भाग लेंगे।

यह चुनते समय कि प्रत्येक समूह से कितने लोगों को नमूने में शामिल किया जाए, शोधकर्ताओं के मानदंड का सीधे उपयोग किया जा सकता है, लेकिन निम्नलिखित जैसे सांख्यिकीय मानदंड का भी उपयोग किया जा सकता है:

सरल विकल्प : कोटा का आकार सभी समूहों के लिए समान होगा, अर्थात सभी समूहों से समान संख्या में लोगों को चुना जाएगा। कोटा आकार की गणना वांछित नमूना आकार को समूहों की कुल संख्या से विभाजित करके की जाती है:

$\displaystyle n_i=\cfrac{n}{k} \qquad \begin{array}{l}n=\text{tama\~no muestral deseado} \\[2ex]k=\text{n\'umero de cuotas}\end{array}$

आनुपातिक विकल्प : कोटा का आकार पूल के आकार के समानुपाती होता है, इसलिए पूल जितना बड़ा होगा, कोटा उतना ही अधिक होगा। प्रत्येक भुगतान की राशि की गणना करने का सूत्र इस प्रकार है:

$\displaystyle n_i=n\cdot \cfrac{N_i}{N} \qquad \begin{array}{l}n=\text{tama\~no muestral deseado} \\[2ex]N_i=\text{tama\~no del grupo }i \\[2ex]N=\text{tama\~no de la población}\end{array}$

परिवर्तनशीलता के लिए आनुपातिक विकल्प : जब कोटा का आकार विशेषता की परिवर्तनशीलता के लिए आनुपातिक होता है जो जनसंख्या को समूहों में विभाजित करने का कार्य करता है। किसी समूह का मानक विचलन जितना बड़ा होगा कोटा का आकार उतना ही बड़ा होगा और इसकी गणना निम्न सूत्र का उपयोग करके की जाती है:

$\displaystyle n_i=n\cdot \cfrac{\sigma_i\cdot N_i}{\displaystyle \sum_{j=1}^k\sigma_j\cdot N_j} \qquad \begin{array}{l}n=\text{tama\~no muestral deseado}\\[2ex]\sigma_i=\text{desviaci\'on tipica del grupo }i \\[2ex]N_i=\text{tama\~no del grupo }i \end{array}$

कोटा नमूनाकरण उदाहरण

कोटा सैंपलिंग की परिभाषा देखने के बाद, आइए चरण दर चरण समझाए गए उदाहरण की सहायता से देखें कि यह कैसे किया जाता है।

औद्योगिक क्षेत्र के लिए समर्पित एक कंपनी एक नए उत्पाद की संभावित बिक्री पर बाजार विश्लेषण करना चाहती है। ऐसा करने के लिए, उन्होंने जनता की राय जानने और नए उत्पाद की सफलता की भविष्यवाणी करने का प्रयास करने के लिए उम्र के आधार पर एक सांख्यिकीय अध्ययन शुरू किया। कंपनी ने सबसे पहले संभावित ग्राहकों का अनुमान लगाया, यहां डेटा है:

हालाँकि, 1,000 लोगों का सर्वेक्षण करना कंपनी के लिए बहुत अधिक लागत का प्रतिनिधित्व करेगा, यही कारण है कि केवल 200 लोगों के साक्षात्कार के लिए कोटा नमूना लेने का निर्णय लिया गया।

इस मामले में, जनसांख्यिकीय डेटा को पहले से ही व्यक्ति की उम्र के अनुसार समूहों (या स्तरों) द्वारा वर्गीकृत किया गया है। इसके अलावा, हम प्रत्येक समूह की राशि और कुल की तुलना में उसका प्रतिशत जानते हैं, इसलिए हम प्रत्येक भुगतान की राशि के अनुपात में चुनाव करेंगे।

अंत में, एक बार जब प्रत्येक कोटा से अध्ययन में भाग लेने वाले व्यक्तियों की संख्या तय हो जाती है, तो शोधकर्ताओं को केवल प्रत्येक कोटा से उतने ही लोगों का चयन करना होता है, जितना उसके आकार से संकेत मिलता है और प्रत्येक विषय से उत्पादित नए पर सर्वेक्षण करना होता है।

कोटा नमूनाकरण और स्तरीकृत नमूनाकरण के बीच अंतर

कोटा नमूनाकरण और स्तरीकृत नमूनाकरण के बीच अंतर नमूने में व्यक्तियों की पसंद में निहित है। कोटा नमूने में, शोधकर्ता नमूने में व्यक्तियों का चयन करता है, जबकि स्तरीकृत नमूने में, नमूने में व्यक्तियों को यादृच्छिक रूप से चुना जाता है।

हालाँकि, कोटा नमूनाकरण और स्तरीकृत नमूनाकरण में एक विशेषता समान है: वे जनसंख्या को समूहों (या स्तरों) में विभाजित करते हैं। यही कारण है कि इन दो प्रकार के नमूने को भ्रमित करना काफी आम है।

यदि आप स्तरीकृत नमूने में अधिक रुचि रखते हैं, तो आप इसके सभी फायदे और नुकसान यहां देख सकते हैं:

➤ देखें: स्तरीकृत नमूने के फायदे और नुकसान

कोटा सैंपलिंग के फायदे और नुकसान

कोटा सैंपलिंग के फायदे और नुकसान हैं:

फ़ायदा	नुकसान
कोटा सैंपलिंग में प्राप्त परिणामों की व्याख्या बहुत सरल है।	इस प्रकार के नमूने से हुई त्रुटि का अनुमान लगाना असंभव है।
कोटा नमूनाकरण काफी त्वरित और आसान है।	यदि हम कोटा निर्धारित करने में विफल रहते हैं, तो परिणाम अविश्वसनीय होंगे।
यह एक प्रकार का आर्थिक नमूनाकरण है।	प्रत्येक जोड़े गए कोटा के लिए परियोजना लागत बढ़ जाती है।
इससे संपूर्ण जनसंख्या और विशेष रूप से प्रत्येक वर्ग का अध्ययन करना संभव हो जाता है।	समूह बनाने में सक्षम होने के लिए जानकारी के उदाहरण होना आवश्यक है।

जाहिर है, कोटा सैंपलिंग का मुख्य लाभ यह है कि यह अन्य प्रकार के सैंपलिंग की तुलना में जल्दी और आसानी से किया जाता है।

इस विशेषता का तात्पर्य है कि कोटा नमूनाकरण करने की लागत काफी कम है, क्योंकि इसमें कई संसाधनों का उपयोग करना आवश्यक नहीं है। दूसरी ओर, यदि कोटा जोड़ा जाता है, तो सांख्यिकीय विश्लेषण की कुल लागत तेजी से बढ़ जाती है।

कोटा नमूनाकरण का एक अन्य लाभ यह है कि डेटा समूहों में एकत्र किया जाता है और इसलिए प्रत्येक विशेष समूह के बारे में जानकारी प्राप्त करने की अनुमति भी मिलती है।

अन्य कारणों से, संग्रहालय के कुओटा का मुख्य नुकसान यह है कि इसके लिए आवश्यक है कि अन्वेषक के पास जनसंख्या का प्रारंभिक ज्ञान हो ताकि वह कुओटा को सही तरीके से परिभाषित कर सके, क्योंकि कुओटा स्थापित करने का मानदंड पर्याप्त और सीमा होना चाहिए। प्रत्येक कोटा का भी.

तार्किक रूप से, यदि कोटा द्वारा नमूना लेते समय हम कोटा शामिल करना भूल जाते हैं, तो परिणाम विषम हो जाएंगे और इसलिए, हम गलत निष्कर्ष निकालेंगे।

लेखक के बारे में

डॉ. बेंजामिन एंडरसन

नमस्ते, मैं बेंजामिन हूं, एक सेवानिवृत्त सांख्यिकी प्रोफेसर जो अब समर्पित Statorials शिक्षक बन गया है। सांख्यिकी के क्षेत्र में व्यापक अनुभव और विशेषज्ञता के साथ, मैं Statorials के माध्यम से छात्रों को सशक्त बनाने के लिए अपना ज्ञान साझा करने के लिए उत्सुक हूं। अधिक जाने