a:

Periset menggunakan beberapa pengaman untuk memastikan bahwa sampel acak sederhana secara akurat mewakili populasi yang lebih besar. Mereka menggunakan proses seleksi yang membuat randomisasi sangat penting dan dengan demikian menghilangkan bias seleksi. Peneliti memastikan bahwa mereka memiliki daftar lengkap dan lengkap dari keseluruhan populasi yang dipelajari sebelum memilih untuk menggunakan sampel acak sederhana; Jika tidak, mereka memilih metode pengambilan sampel yang tidak memerlukan syarat ini untuk dipenuhi. Mereka memastikan sampel mereka cukup besar untuk menghilangkan kesalahan sampling yang berasal dari ukuran sampel yang terlalu kecil.

Sampel acak sederhana menyediakan cara untuk melakukan analisis statistik pada populasi besar tanpa harus mempelajari setiap anggota populasi. Misalnya, anggap seorang peneliti ingin melakukan studi yang melibatkan semua siswa laki-laki di UCLA. Ini menyajikan tantangan yang melekat, karena UCLA adalah sekolah yang besar dan mengevaluasi semua pria di sana sangat menyita waktu, belum lagi tidak perlu mengingat banyak metode pengambilan sampel yang tersedia.

Dengan simple random sampling, jumlah pria UCLA yang telah ditentukan diekstraksi secara acak dari populasi yang lebih besar dan digunakan sebagai subyek penelitian. Agar metode ini berhasil, sampel acak harus mewakili populasi yang lebih besar. Langkah pertama yang dilakukan peneliti untuk memastikan hal ini adalah dengan menggunakan proses seleksi yang menekankan keacakan. Satu proses yang layak adalah sistem undian manual, di mana peneliti menugaskan setiap anggota populasi yang lebih besar dengan nomor unik dan kemudian menarik angka secara acak untuk menghasilkan sampel penelitian. Pilihan lain adalah bagi peneliti untuk mengotomatisasi proses menggunakan program komputer yang secara acak memilih subjek uji dari populasi yang lebih besar.

Untuk kedua metode seleksi untuk bekerja, para periset harus bisa mendapatkan daftar lengkap dan akurat dari keseluruhan populasi. Jika ini tidak memungkinkan, pengambilan sampel acak sederhana tidak layak dan metode pengambilan sampel lain harus dipilih. Bagi banyak populasi, seperti contoh pria UCLA, daftar lengkap bisa didapat. Bila ini masalahnya, peneliti sering memilih simple random sampling karena kemudahan penggunaannya.

Kesalahan sampling menjadi lebih banyak masalah dengan ukuran sampel yang sangat kecil dibandingkan populasi yang lebih besar. Agar sampel UCLA dapat mewakili, jurusan perguruan tinggi subjek harus proporsional sama dengan populasi yang lebih besar. Namun, jika ukuran sampel hanya 20, mungkin berakhir dengan 15 atau lebih jurusan humaniora - serupa dengan 20 slip koin bisa menghasilkan 15 atau lebih kepala.Kesalahan sampling ini menurun dengan ukuran sampel yang lebih besar. Tiga ratus kilo koin bisa menghasilkan lebih dari 50% kepala, sementara ukuran sampel 300 orang perguruan tinggi pasti menghasilkan campuran beragam jurusan. Ukuran sampel yang besar membantu memastikan sampel yang representatif.