Il processo di campionamento statistico comporta la selezione di una raccolta di individui da a popolazione. Il modo in cui facciamo questa selezione è molto importante. Il modo in cui selezioniamo il nostro campione determina il tipo di campione che abbiamo. Tra la grande varietà di tipi di campioni statistici, il tipo più semplice di campione da formare è chiamato campione di convenienza.
UN campione di convenienza si forma quando selezioniamo elementi da una popolazione sulla base di quali elementi sono facili da ottenere. A volte un campione di convenienza viene chiamato campione di acquisizione poiché essenzialmente prendiamo membri dalla popolazione per il nostro campione. Questo è un tipo di tecnica di campionamento che non si basa su un processo casuale, come vediamo in a semplice campione casuale, per generare un campione.
Per illustrare l'idea di un esempio di convenienza, penseremo a diversi esempi. Non è davvero molto difficile farlo. Basti pensare al modo più semplice per trovare rappresentanti per una determinata popolazione. È molto probabile che abbiamo formato un campione di convenienza.
Come indicato dal loro nome, i campioni di convenienza sono sicuramente facili da ottenere. Non c'è praticamente alcuna difficoltà a selezionare i membri della popolazione per un campione di convenienza. Tuttavia, c'è un prezzo da pagare per questa mancanza di sforzo: i campioni di convenienza sono praticamente privi di valore nelle statistiche.
Il motivo per cui un campione di convenienza non può essere utilizzato per applicazioni in statistica è che non ci viene garantito che sia rappresentativo della popolazione da cui è stato selezionato. Se tutti i nostri amici condividono le stesse tendenze politiche, quindi chiedere loro per chi intendono votare alle elezioni non ci dice nulla su come voterebbero le persone in tutto il paese.
Inoltre, se pensiamo al motivo del campionamento casuale, dovremmo vedere un altro motivo per cui i campioni di convenienza non sono buoni come altri progetti di campionamento. Dal momento che non abbiamo una procedura casuale per selezionare gli individui nel nostro campione, anche se è probabile che il nostro campione sia distorto. Un campione selezionato casualmente farà un lavoro migliore nel limitare la distorsione.