a:

Les chercheurs emploient plusieurs mesures de protection pour s'assurer qu'un échantillon aléatoire simple représente précisément une population plus grande. Ils utilisent un processus de sélection qui rend la randomisation primordiale et élimine ainsi le biais de sélection. Les chercheurs s'assurent d'avoir une liste exhaustive et précise de la population étudiée avant de choisir d'utiliser un échantillon aléatoire simple; sinon, ils optent pour une méthode d'échantillonnage qui n'exige pas que cette condition soit remplie. Ils s'assurent que leur échantillon est assez grand pour éliminer l'erreur d'échantillonnage due à la taille trop petite de l'échantillon.

Un échantillon aléatoire simple permet d'effectuer des analyses statistiques sur une population nombreuse sans avoir à étudier tous les membres de la population. Par exemple, supposons qu'un chercheur souhaite mener une étude impliquant tous les étudiants masculins de l'UCLA. Cela représente un défi inhérent, car l'UCLA est une école énorme et évaluer tous les hommes là-bas prend énormément de temps, pour ne pas dire inutile étant donné les nombreuses méthodes d'échantillonnage disponibles.

Avec un échantillonnage aléatoire simple, un nombre prédéterminé d'hommes UCLA sont extraits au hasard de la population plus large et utilisés comme sujets de recherche. Pour que cette méthode fonctionne, l'échantillon aléatoire doit être représentatif de la plus grande population. La première étape que prennent les chercheurs consiste à utiliser un processus de sélection qui met l'accent sur le caractère aléatoire. Un processus viable est un système de loterie manuelle, dans lequel les chercheurs attribuent un numéro unique à chaque membre de la grande population, puis tirent des nombres au hasard pour générer un échantillon d'étude. Une autre option consiste pour les chercheurs à automatiser le processus à l'aide d'un programme informatique qui sélectionne de manière aléatoire des sujets de test parmi la population plus large.

Pour que l'une ou l'autre des méthodes de sélection fonctionne, les chercheurs doivent être en mesure d'obtenir une liste précise et exhaustive de l'ensemble de la population. Si cela n'est pas possible, un échantillonnage aléatoire simple n'est pas réalisable et une autre méthode d'échantillonnage doit être choisie. Pour de nombreuses populations, telles que l'exemple des hommes UCLA, une liste complète peut être obtenue. Lorsque c'est le cas, les chercheurs choisissent souvent l'échantillonnage aléatoire simple en raison de sa facilité d'utilisation.

L'erreur d'échantillonnage devient plus problématique lorsque la taille de l'échantillon est extrêmement petite par rapport à la population générale. Pour que l'échantillon d'hommes de l'UCLA soit représentatif, les majors collégiales de ses sujets devraient être proportionnées de la même manière que celles de l'ensemble de la population. Cependant, si la taille de l'échantillon est seulement de 20, il est possible de se retrouver avec 15 majeures ou plus en sciences humaines - de la même manière que 20 retournements de pièces peuvent produire 15 têtes ou plus.Ces erreurs d'échantillonnage diminuent avec des tailles d'échantillon plus grandes. Trois cents flips de pièces peuvent produire beaucoup plus près de 50% des têtes, alors qu'un échantillon de 300 hommes universitaires est sûr de produire un mélange diversifié de majors. Un échantillon de grande taille aide à garantir un échantillon représentatif.