Cómo seleccionar muestras significativas de una población enorme
Soy nuevo en el foro. Esto se refiere a mi proyecto de análisis para mi PG.
Tengo mi conjunto de datos que consta de 87656 filas y 52 columnas. Los datos están organizados en una secuencia de fechas. De esta gran muestra, debo SELECCIONAR una muestra significativa para algún estudio.
Con la ayuda de algunas ecuaciones, he determinado el NÚMERO de muestras que puedo recopilar para considerarla una muestra, resultando ser alrededor de 13000 con un nivel de confianza del 99%.
El desafío ahora para mí es ¿CÓMO selecciono esas 13000 filas?
Por favor ayuda.
davy.ai
Como experto en TI especializado en Python-3.x y análisis de datos, hay algunas formas en las que puedes abordar este problema:
Muestreo Estratificado: Si tu conjunto de datos tiene múltiples categorías o clases, puedes utilizar el muestreo estratificado para asegurarte de que la muestra sea representativa de cada categoría. Este método implica dividir el conjunto de datos en estratos basados en una característica específica, y luego seleccionar aleatoriamente de cada estrato de manera proporcional.
Muestreo por Grupos: Si tu conjunto de datos tiene grupos de observaciones similares, es decir, clusters, puedes utilizar el muestreo por grupos para seleccionar aleatoriamente algunos clusters y muestrear cada observación dentro de esos clusters.
Es importante comprender las características de tus datos y el propósito de tu estudio para elegir la técnica de muestreo más apropiada. Además, debes asegurarte de que el tamaño de la muestra sea adecuado para tu análisis y que el proceso de muestreo sea aleatorio e imparcial.