1. Örnekleme Nedir? Neden Önemlidir?

Diyelim ki Türkiye’deki tüm üniversite öğrencilerinin haftalık ortalama kaç saat ders çalıştığını merak ediyorsunuz. Yaklaşık 8 milyon öğrencinin tamamına ulaşmaya çalışmak — hepsine tek tek anket doldurmak, hepsinden veri toplamak — ne mümkündür ne de gereklidir. Bunun yerine bu büyük gruptan, yani evrenden, daha küçük bir alt küme seçeriz ve bu alt kümeyi inceleyerek evrenin tamamı hakkında çıkarımda bulunuruz. İşte bu alt kümeye örneklem, bu sürece ise örnekleme denir.

Evren (Popülasyon): Araştırmak istediğimiz tüm birey, nesne veya olayların bütünüdür.

Örneklem: Evrenden seçilen ve evreni temsil etmesi beklenen alt kümedir.

Örnekleme: Bu seçimi yaparken izlediğimiz yöntemin adıdır.

Örnekleme Çerçevesi: Listeniz Yoksa Örneklem de Yok

Bu liste nasıl bir şey olabilir? Araştırmanın kapsamına göre değişir:

• Bir üniversitenin öğrenci bilgi sistemi → o üniversitede kayıtlı tüm öğrenciler
• Bir hastanenin hasta kayıtları → belirli bir dönemde başvuran tüm hastalar
• Bir belediyenin adres kayıt sistemi → ilçede ikamet eden tüm haneler
• Bir işletmenin İK veritabanı → şirketteki tüm çalışanlar

Bu Yazı Boyunca Kullanacağımız Senaryo

Evreni R’de Kuralım

Ama önce evreni R’de oluşturalım. Bu kod yazı boyunca değişmeyecek; her yöntemde bu veri setini kullanacağız.

# ── Kütüphaneler ─────────────────────────────────────────────────────
library(dplyr)

# ── Evrenin Oluşturulması ─────────────────────────────────────────────
set.seed(42)  # Aynı sonuçları tekrar üretmek için

evren <- data.frame(
  ogrenci_id     = 1:10000,
  fakulte        = c(
    rep('Muhendislik',  3000),
    rep('IIBF',         2500),
    rep('Tip',          1500),
    rep('Egitim',       3000)
  ),
  sube           = c(
    rep(paste0('M_Sube', 1:10), each = 300),  # Mühendislik şubeleri
    rep(paste0('I_Sube', 1:10), each = 250),  # İİBF şubeleri
    rep(paste0('T_Sube', 1:10), each = 150),  # Tıp şubeleri
    rep(paste0('E_Sube', 1:10), each = 300)   # Eğitim şubeleri
  ),
  # Gerçekçilik için: Tıp öğrencileri daha çok, Eğitim daha az çalışıyor
  calisma_suresi = c(
    rnorm(3000, mean = 28, sd = 6),   # Mühendislik
    rnorm(2500, mean = 22, sd = 5),   # İİBF
    rnorm(1500, mean = 35, sd = 8),   # Tıp
    rnorm(3000, mean = 20, sd = 5)    # Eğitim
  )
)

# Gerçek evren ortalaması — örnekleme yöntemlerimiz bunu tahmin etmeye çalışacak
cat('Gerçek evren ortalaması:', round(mean(evren$calisma_suresi), 2), 'saat/hafta\n')
# Çıktı: Gerçek evren ortalaması: 26.33 saat/hafta

2. Olasılığa Dayalı Örnekleme Yöntemleri

Olasılığa dayalı örnekleme yöntemlerinde evreni oluşturan her birimin seçilme olasılığı sıfırdan büyüktür ve bu olasılık önceden hesaplanabilir. Bu özellik, örneklemden elde edilen sonuçların evrene genellenmesini olanaklı kılar.

1Basit Rastgele Örnekleme

En saf haliyle örnekleme budur: listedeki 10.000 öğrenciden 200’ünü tamamen şansa bırakarak seçeriz. Her öğrencinin seçilme olasılığı birbirine eşittir: 200 / 10.000 = 0,02. Bir piyango gibi düşünebilirsiniz; herkesin biletinin kazanma şansı aynıdır.

Kulağa mükemmel geliyor, değil mi? Ama bir düşünelim.

Evrenimizde dört fakülte var ve bunların büyüklükleri birbirinden oldukça farklı. Tıp fakültesinde yalnızca 1.500 öğrenci bulunurken Mühendislik ve Eğitim’de 3.000’er öğrenci var. Tamamen şansa bırakılan bir seçimde 200 kişilik örnekleme büyük ihtimalle kalabalık fakültelerden çok daha fazla öğrenci girecek, Tıp fakültesi ise örneklemde oldukça az temsil edilecektir.

Bu bir sorun mudur? Araştırma sorunuza bağlıdır. Eğer yalnızca genel ortalamayı tahmin etmek istiyorsanız, bu dengesizlik büyük bir sorun oluşturmayabilir. Ancak “Tıp öğrencileri diğerlerinden ne kadar farklı?” ya da “Fakülteler arasındaki fark nedir?” gibi sorularınız varsa, Tıp fakültesinden örnekleme yeterince öğrenci girmediği için güvenilir bir karşılaştırma yapamayabilirsiniz.

Hemen görelim.

# ── Basit Rastgele Örnekleme ──────────────────────────────────────────
set.seed(42)
n <- 200

bro <- evren %>%
  slice_sample(n = n)

# Fakülte dağılımı
cat('Fakülte dağılımı (basit rastgele):\n')
print(table(bro$fakulte))

# Çıktı (yaklaşık):
# Egitim  IIBF  Muhendislik  Tip
#    60    49           59   32

cat('\nOrtalama çalışma süresi:', round(mean(bro$calisma_suresi), 2), 'saat/hafta\n')
# Karşılaştırma: Gerçek evren ortalaması 26.33 saat/hafta

Çıktıya bakın: 200 kişilik örneklemimizde Tıp’tan yalnızca 32 kişi var. Bu sefer şans nispeten iyi davrandı. Ama şans her zaman bu kadar iyi olmayabilir. Küçük gruplar, basit rastgele örneklemede kolaylıkla yetersiz temsil edilebilir.

Peki basit rastgele örnekleme hiç mi işe yaramaz? Aksine, evreni oluşturan bireyler birbirinden fazla farklılaşmıyorsa mükemmel bir yöntemdir. Birkaç gerçek hayat örneği:

• Kalite kontrol: Bir fabrikadan çıkan binlerce vidanın kalitesini denetliyorsunuz. Vidalar arasında “fakülte” gibi yapısal bir farklılık yok; herhangi 200 vida, tüm üretimi temsil edebilir.
• Homojen çalışan anketi: Aynı fabrikada benzer işleri yapan çalışanların iş tatminini ölçüyorsunuz. Gruplar arasında büyük yapısal farklar yoksa basit rastgele yeterlidir.
• Finansal denetim: Binlerce fatura arasından rastgele seçim yaparak hata oranını tahmin ediyorsunuz.

2Tabakalı Örnekleme

Tam da bu sorunun cevabı tabakalı örneklemedir. Evren önce anlamlı alt gruplara — tabakalara — bölünür; ardından her tabakadan ayrı ayrı örneklem çekilir. Böylece her grubun örneklemde temsili garanti altına alınmış olur.

Bizim senaryomuzda fakülteler doğal tabakaları oluşturuyor. Orantılı tabakalamada her fakülteden, o fakültenin evrendeki ağırlığıyla orantılı sayıda öğrenci alıyoruz:

Tıp fakültesi artık şansa bırakılmıyor: tam olarak 30 kişi bu fakülteden gelecek. Küçük grupların temsili garantilenmiş oluyor. Üstelik fakülteye göre farklılıkları analiz etmek istediğimizde elimizde her gruptan yeterli veri olacak.

Tabakalı örneklemenin bir diğer güzel yanı istatistiksel hassasiyettir. Basit rastgele örneklemede tüm bireyleri tek bir havuza atıp şansa bırakırız; tabakalamada ise homojen gruplar içinden seçim yapıldığı için tahminlerimiz daha isabetli olur. Daha az örneklemle aynı güveni elde edebiliriz — ya da aynı örneklemle daha dar güven aralıkları elde ederiz.

Hemen deneyelim ve basit rastgele ile karşılaştıralım:

# ── Tabakalı Örnekleme (Orantılı) ────────────────────────────────────
set.seed(42)
n_toplam <- 200

tabakali <- evren %>%
  group_by(fakulte) %>%
  # Her fakülteden, evrendeki oranıyla orantılı sayıda kişi seç
  slice_sample(prop = n_toplam / nrow(evren)) %>%
  ungroup()

# Fakülte dağılımı
cat('Fakülte dağılımı (tabakalı):\n')
print(table(tabakali$fakulte))

# Çıktı:
# Egitim  IIBF  Muhendislik  Tip
#    60    50           60   30    ← Her fakülte tam oranında temsil ediliyor

# Fakülteye göre ortalama çalışma süreleri
cat('\nFakülteye göre ortalamalar:\n')
tabakali %>%
  group_by(fakulte) %>%
  summarise(
    n           = n(),
    ort_calisma = round(mean(calisma_suresi), 2),
    std_sapma   = round(sd(calisma_suresi),   2)
  ) %>%
  print()

cat('\nGenel ortalama:', round(mean(tabakali$calisma_suresi), 2), 'saat/hafta\n')

Fakülteye göre ortalamalara bakıldığında Tıp öğrencileri haftada yaklaşık 35 saat çalışırken Eğitim öğrencileri yaklaşık 20 saat çalışıyor. Basit rastgele örneklemede de benzer bir genel ortalama çıkabilir; ancak Tıp’tan az kişi geldiyse bu farklılığı güvenilir biçimde saptayamayız. Tabakalı örnekleme, bu farkı görünür kılıyor.

3Küme Örneklemesi

Bazen evreni oluşturan bireylerin listesine sahip olmak mümkün olmayabilir; ama bu bireylerin doğal olarak ait oldukları grupların listesine sahip olabiliriz. İşte bu durumda küme örneklemesi devreye girer.

Bizim senaryomuzda her fakültede 10’ar şube var; toplam 40 şube. Tüm öğrencilerin listesine erişimimiz olmadığını, ama şubelerin listesine sahip olduğumuzu varsayalım. Ne yapabiliriz? Bu 40 şubenin bir kısmını rastgele seçeriz ve seçilen şubelerdeki tüm öğrencileri çalışmamıza dahil ederiz. Şubelere küme diyoruz.

Küme örneklemesi özellikle coğrafi olarak geniş alanlara yayılmış evrenlerde büyük kolaylık sağlar. Türkiye’deki tüm ilkokul öğrencilerini araştırıyorsanız, önce okulları (küme) rastgele seçip sonra seçilen okullara gitmek, 81 il boyunca dağılmış her öğrenciyi tek tek bulmaktan çok daha pratiktir.

Dezavantajı nedir? Aynı şubedeki öğrenciler, tamamen farklı şubelerden gelen öğrencilere kıyasla birbirlerine daha çok benzeyebilir (aynı hocaları var, aynı sınıfı paylaşıyorlar). Bu durum, sanki bağımsız 200 ayrı kişiden değil de daha az sayıda bağımsız gözlemden veri toplamış gibi bir etki yaratır. İstatistikte buna tasarım etkisi denir.

# ── Küme Örneklemesi ──────────────────────────────────────────────────
# 40 şubeden 8'ini rastgele seçiyoruz.
# Seçilen şubelerdeki TÜM öğrenciler örnekleme giriyor.

set.seed(42)
tum_subeler <- unique(evren$sube)   # 40 şubenin listesi

secilen_subeler <- sample(tum_subeler, size = 8)
cat('Seçilen şubeler:\n')
print(secilen_subeler)

kume <- evren %>%
  filter(sube %in% secilen_subeler)

cat('\nToplam örneklem büyüklüğü:', nrow(kume), 'kişi\n')
# Not: Şube büyüklükleri farklı olduğundan tam 200 olmayabilir.

cat('Fakülte dağılımı (küme):\n')
print(table(kume$fakulte))

cat('\nOrtalama çalışma süresi:', round(mean(kume$calisma_suresi), 2), 'saat/hafta\n')

Dikkat edin: hangi şubelerin seçildiğine bağlı olarak fakülte dağılımı her seferinde farklı çıkabilir. Eğer şans eseri Tıp şubeleri seçilmezse, bu fakülte hiç temsil edilmez. Bu, küme örneklemesinin temel riskidir.

4Sistematik Örnekleme

Sistematik örnekleme, tam da bu durumda işe yarayan basit ve zarif bir yöntemdir. Evren listesini k eşit parçaya bölersiniz; ilk k birim arasından bir başlangıç noktası rastgele seçersiniz; oradan itibaren her k’ıncı birimi alırsınız.

Bizim senaryomuzda: 10.000 öğrenciden 200 seçeceğiz. Adım aralığı: k = 10.000 / 200 = 50. 1 ile 50 arasından rastgele bir başlangıç noktası seçiyoruz, diyelim ki 17 çıktı. O zaman örneklememiz şu kişilerden oluşur: 17, 67, 117, 167, 217… ve böyle devam eder.

# ── Sistematik Örnekleme ──────────────────────────────────────────────
set.seed(42)
N <- nrow(evren)   # 10.000
n <- 200
k <- N / n         # Adım aralığı: 50

baslangic   <- sample(1:k, size = 1)  # 1-50 arasından rastgele
cat('Başlangıç noktası:', baslangic, '\n')

indeksler   <- seq(from = baslangic, to = N, by = k)
sistematik <- evren[indeksler, ]

cat('Örneklem büyüklüğü:', nrow(sistematik), '\n')
cat('Fakülte dağılımı:\n')
print(table(sistematik$fakulte))

cat('\nOrtalama çalışma süresi:',
    round(mean(sistematik$calisma_suresi), 2), 'saat/hafta\n')

Dört Yöntemi Karşılaştıralım

Şimdiye kadar aynı evrenden dört farklı yöntemle 200 kişilik örneklem çektik. Gerçek evren ortalamasının 26,33 saat/hafta olduğunu biliyoruz. Hangi yöntem bu gerçeğe ne kadar yaklaştı?

# ── Dört Yöntemin Karşılaştırması ────────────────────────────────────
gercek_ort <- mean(evren$calisma_suresi)

sonuclar <- data.frame(
  Yontem   = c('Gerçek Evren', 'Basit Rastgele', 'Tabakalı', 'Küme', 'Sistematik'),
  Ortalama = c(
    round(mean(evren$calisma_suresi),     2),
    round(mean(bro$calisma_suresi),       2),
    round(mean(tabakali$calisma_suresi), 2),
    round(mean(kume$calisma_suresi),     2),
    round(mean(sistematik$calisma_suresi), 2)
  ),
  Sapma    = c(
    0,
    round(mean(bro$calisma_suresi)        - gercek_ort, 2),
    round(mean(tabakali$calisma_suresi) - gercek_ort, 2),
    round(mean(kume$calisma_suresi)     - gercek_ort, 2),
    round(mean(sistematik$calisma_suresi) - gercek_ort, 2)
  )
)

print(sonuclar)

Bu tür bir karşılaştırmayı tek bir rastgele çekimde yapmak yanıltıcı olabilir — sonuçta her seferinde farklı öğrenciler seçilecektir. Gerçek fark, yöntemi yüzlerce kez tekrarladığınızda ortaya çıkar: tabakalı örnekleme, evren içinde anlamlı alt gruplar varken tutarlı biçimde daha isabetli sonuçlar verir.

3. Araştırma Grubu Seçimi: Örnekleme Olmayan Yöntemler

Şimdiye kadar anlattığımız yöntemlerin ortak özelliği neydi? Hepsinde bir listemiz vardı; hepsinde her bireyin seçilme olasılığı sıfırdan büyüktü; hepsinde bu olasılığı hesaplayabiliyorduk. Bu özellikler sayesinde bulduğumuz sonuçları evrene genelleyebiliyorduk.

Ya bunların hiçbiri mümkün değilse?

Gerçek hayatta liste her zaman elimizin altında olmayabilir. Ulaşılması güç bir topluluğu araştırıyorsunuz, ya da keşifsel bir çalışma yapıyorsunuz, ya da bütçeniz çok kısıtlı. Bu durumlarda araştırmacılar farklı yöntemlere başvurur. Ancak bu yöntemler, istatistiksel anlamda örnekleme değildir. Bireylerin seçilme olasılığı ya bilinmemekte ya da herkese eşit değildir. Bu nedenle elde edilen bulgular evrene genellenemez.

Bu yöntemlere araştırma grubu seçimi demek daha doğrudur. Kendi amaçları için son derece değerlidirler — ama onları “örnekleme” diye sunmak yanıltıcı olur.

3.1. Kolayda (Uygunluk) Seçimi

En basit ve en yaygın yöntemdir: araştırmacı, en kolay ulaşabileceği bireyleri çalışmaya dahil eder.

Üniversite senaryomuzdaki karşılığı: Üniversitenin kantininde anket dağıtıyorsunuz. Oraya gelen öğrencileri doldurttunuz, hepsi bu. Hızlı, ucuz, pratik. Ama o anda kantinde olmayan, kütüphanede ders çalışan, evde kalan ya da farklı bir kampüste bulunan öğrenciler bu araştırmaya hiç giremeyecek.

Kolayda seçiminin haklı kullanım alanları vardır:

• Pilot çalışmalar: Anketinizin anlaşılıp anlaşılmadığını test etmek için 20 kişiye ihtiyacınız var; temsil kaygısı şu an önemli değil.
• Ön keşif: Konuya ilk kez yaklaşıyorsunuz, neyi araştıracağınızı bile tam bilmiyorsunuz.
• Zaman ve bütçe kısıtı: Küçük ölçekli, keşifsel bir çalışma yapıyorsunuz ve sonuçları genelleme iddiasında olmayacaksınız.

3.2. Kartopu (Zincirleme) Seçimi

Araştırmacı önce küçük bir grupla başlar; bu ilk katılımcılar, araştırmacıya başka bireyleri tanıştırır; onlar da başkalarını… Örneklem bir kartopu gibi büyür.

Ne zaman vazgeçilmezdir? Araştırılması güç, gizli ya da marjinal topluluklar söz konusu olduğunda. Belirli bir kronik hastalığa sahip bireyleri, belirli bir mesleki topluluğu ya da sosyal damgalanma nedeniyle kendini gizleyen grupları araştırıyorsanız, bu bireylerin listesi zaten mevcut değildir. Kartopu yöntemi, bu durumlarda tek gerçekçi seçenek olabilir.

Sınırlılığı: Ağ yapısı homojenliğe yol açar. İnsanlar genellikle kendilerine benzeyen bireyleri tanır ve önerir. Bu nedenle örneklem, evreni değil belirli bir sosyal çevrevi yansıtıyor olabilir.

3.3. Kota Seçimi

Araştırmacı belli kotalar belirler: örneğin 100 kadın, 100 erkek; ya da her fakülteden 50 kişi. Bu kotalara ulaşana dek uygun bireyleri seçer.

Tabakalı örneklemeden farkı nedir? Görünüşte benzer, ama temel bir fark var: tabakalı örneklemede her tabakadan seçim rastgele yapılır. Kota seçiminde ise araştırmacı kotayı doldurana kadar eline geçeni alır. Kantinde karşılaştığı ilk 50 kadını aldıktan sonra “kadın kotam doldu” der ve devam eder. Bu seçim rastgele değildir; dolayısıyla olasılıklı da değildir.

3.4. Amaçlı (Kasıtlı) Seçim

Araştırmacı, araştırma sorusu için en fazla bilgi sağlayacağını bilerek ve isteyerek düşündüğü bireyleri seçer. Bu tamamen araştırmacının yargısına dayanır.

Üniversite senaryomuzdaki karşılığı: Her fakülteden en yüksek not ortalamasına sahip 5 ve en düşük not ortalamasına sahip 5 öğrenciyi seçiyorsunuz; çünkü “çalışma süresi ile akademik başarı arasındaki ilişkiyi derinlemesine anlamak” istiyorsunuz. Bu amaç için mantıklı bir seçim. Ama bu öğrenciler üniversitedeki “ortalama öğrenciyi” temsil etmiyor.

Ne zaman tercih edilir? Nitel araştırmalarda, vaka çalışmalarında, derinlemesine görüşmelerde. Az sayıda katılımcıyla çok derin bilgi elde etmek istediğinizde.

4. Sonuç

Bu yazının en başında sorduğumuz soruyla bitirelim: örnekleme nedir ve ne değildir?

Örnekleme, evreni oluşturan bireylerin listesine sahip olmayı ve bu listeden her bireyin seçilme olasılığının sıfırdan büyük olduğu sistematik bir mekanizma kullanmayı gerektirir. Bu ön koşullar sağlandığında, örneklemden elde edilen bulgular evrene genellenebilir.

Basit rastgele, tabakalı, küme ve sistematik örnekleme — hepsi bu ön koşulları karşılar. Aralarındaki fark, evrene ve araştırma sorusuna göre hangisinin daha uygun olduğuyla ilgilidir: evrende yapısal alt gruplar var mı? Bireysel liste mevcut mu? Saha geniş bir coğrafyaya mı yayılmış?

Kolayda, kartopu, kota ve amaçlı seçim ise bu ön koşulları karşılamaz. Bu onları “kötü yöntemler” yapmaz — araştırmanın amacına, kapsamına ve olanaklarına göre son derece değerli seçenekler olabilirler. Ama bulgularını “evrenin tamamına genellenebilir” olarak sunmak yanıltıcı olur.