Ampliando la respuesta de @Scortchi. . .
Suponga que la población tiene 5 miembros y usted tiene un presupuesto para muestrear 5 individuos. Usted está interesado en la media poblacional de una variable X, una característica de los individuos en esta población. Puede hacerlo a su manera y tomar muestras al azar con reemplazo. La varianza de la media muestral será V (X) / 5.
Por otro lado, suponga que toma una muestra de las cinco personas sin reemplazo. Entonces, la varianza de la media muestral es 0. Usted ha muestreado la población completa, cada individuo exactamente una vez, por lo que no hay distinción entre "media muestral" y "media poblacional". Ellos son la misma cosa.
En el mundo real, debe saltar de alegría cada vez que tiene que hacer la corrección de población finita porque (redoble de batería ...) hace que la varianza de su estimador disminuya sin tener que recopilar más datos. Casi nada hace esto. Es como magia: buena magia.
Decir exactamente lo mismo en matemáticas (preste atención a <, y suponga que el tamaño de la muestra es mayor que 1):
finite sample correction=N−nN−1<N−1N−1=1
Corrección <1 significa que aplicar la corrección hace que la varianza baje, porque aplica la corrección multiplicándola contra la varianza. Varianza ABAJO == bueno.
Moviéndose en la dirección opuesta, completamente lejos de las matemáticas, piense en lo que está preguntando. Si desea aprender sobre la población y puede muestrear a 5 personas de ella, ¿parece probable que aprenda más al tomar la oportunidad de probar al mismo tipo 5 veces o parece más probable que aprenda más al asegurar que muestras 5 tipos diferentes?
El caso del mundo real es casi lo contrario de lo que estás diciendo. Casi nunca muestras con reemplazo, solo cuando haces cosas especiales como bootstrapping. En ese caso, en realidad estás tratando de arruinar el estimador y darle una variación "demasiado grande".