Convenience sampling | EPFL Graph Search

Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?

Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur GraphSearch.

Découvrez-en plus sur les applications Graph.

Convenience sampling (also known as grab sampling, accidental sampling, or opportunity sampling) is a type of non-probability sampling that involves the sample being drawn from that part of the population that is close to hand. This type of sampling is most useful for pilot testing. Convenience sampling is not often recommended for research due to the possibility of sampling error and lack of representation of the population. But it can be handy depending on the situation. In some situations, convenience sampling is the only possible option. For example, a college student who is doing a term project and wants to know the average consumption of soda in that college town on Friday night will most probably call some of his friends and ask them how many cans of soda they drink, or go to a nearby party to do an easy survey. There is always a trade-off between this method of quick sampling and accuracy. Collected samples may not represent the population of interest and therefore be a source of bias. In the example above, if said college town has a small population and mostly consists of students, and that particular student chooses a graduation party for survey, then his sample has a fair chance to represent the population. Larger sample size will reduce the chance of sampling error occurring. Another example would be a gaming company that wants to know how one of its games is doing in the market one day after its release. Its analyst may choose to create an online survey on Facebook to rate that game. The major challenge of this approach will be reaching to the people who play games. As social media is a vast place, it's always difficult to collect samples from the population of interest. Most people may not be interested or take the survey seriously while completing it, which results in sampling error. The survey may be improved greatly if the analyst posts it to fan pages dedicated to game lovers. He may find a lot more people in that group who would be inclined to judge and rate the game critically.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (1)

Concepts associés (2)

Cours associés (42)

Séances de cours associées (353)

Convenience sampling

Échantillonnage (statistiques)

thumb|Exemple d'échantillonnage aléatoire En statistique, l'échantillonnage désigne les méthodes de sélection d'un sous-ensemble d'individus (un échantillon) à l'intérieur d'une population pour estimer les caractéristiques de l'ensemble de la population. Cette méthode présente plusieurs avantages : une étude restreinte sur une partie de la population, un moindre coût, une collecte des données plus rapide que si l'étude avait été réalisé sur l'ensemble de la population, la réalisation de contrôles destructifs Les résultats obtenus constituent un échantillon.

Resonant inelastic X-ray scattering (RIXS) is an extremely valuable tool for the study of elementary, including magnetic, excitations in matter. The latest developments of this technique have mostly been aimed at improving the energy resolution and performing polarization analysis of the scattered radiation, with a great impact on the interpretation and applicability of RIXS. Instead, this article focuses on the sample environment and presents a setup for high-pressure low-temperature RIXS measurements of low-energy excitations. The feasibility of these experiments is proved by probing the magnetic excitations of the bilayer iridate Sr3Ir2O7 at pressures up to 12GPa.

2019

EE-205: Signals and systems (for EL)

Ce cours pose les bases d'un concept essentiel en ingénierie : la notion de système. Plus spécifiquement, le cours présente la théorie des systèmes linéaires invariants dans le temps (SLIT), qui sont

DH-406: Machine learning for DH

This course aims to introduce the basic principles of machine learning in the context of the digital humanities. We will cover both supervised and unsupervised learning techniques, and study and imple

CS-119(g): Information, Computation, Communication

L'objectif de ce cours est d'initier les étudiants à la pensée algorithmique, de les familiariser avec les fondamentaux de l'informatique et des communications et de développer une première compétence

Renseignements quantitatifs PHYS-758: Advanced Course on Quantum Communication

Explore l'opérateur CHSH, l'auto-test, les eigenstates et la quantification du hasard dans les systèmes quantiques.

Boltzmann Machine PHYS-467: Machine learning for physicists

Introduit la machine Boltzmann, couvrant la cohérence d'attente, le regroupement des données, et les fonctions de distribution de probabilité.

Méthodes numériques stochastiques efficaces

Explore des méthodes numériques stochastiques efficaces pour la modélisation et l'apprentissage, couvrant des sujets comme le moteur d'analyse et les inhibiteurs de la kinase.