Kalkulatory · Ankieta

Kalkulator przedziału ufności z poprawką na skończoną populację

Wpisz wielkość populacji, liczbę odpowiedzi oraz odsetek albo średnią, a kalkulator poda przedział bez poprawki i z poprawką, współczynnik FPC, odsetek odpowiedzi i liczebność potrzebną do zadanego marginesu. Wszystko liczy się w przeglądarce.

Strona główna / Blog / Kalkulator przedziału z poprawką FPC
W skrócie: Poprawka na skończoną populację (FPC) zawęża przedział ufności, gdy zbadano zauważalną część populacji o znanej wielkości: błąd standardowy mnoży się przez √[(N − n)/(N − 1)] (Lohr, 2021). Kalkulator na tej stronie liczy przedział dla odsetka lub średniej bez poprawki i z poprawką, przedział dokładny, odsetek odpowiedzi i liczebność do zadanego marginesu. Poprawka opisuje jednak tylko błąd losowy: nie naprawia błędu braku odpowiedzi, gdy osoby, które odpowiedziały, różnią się od tych, które milczą.

Kalkulator przedziału ufności z poprawką na skończoną populację

Odsetek albo średnia z populacji o znanej wielkości

Wpisz wielkość populacji i liczbę odpowiedzi. Domyślne wartości to przykład omówiony niżej: kadra 420 osób i 180 odpowiedzi. Obliczenia wykonuje Twoja przeglądarka: nic nie jest wysyłane ani zapisywane.

Kalkulator wymaga włączonej obsługi JavaScriptu. Wynik dla wartości domyślnych opisujemy w przykładzie poniżej.

Opis do pracy

Poprawka nie naprawia błędu braku odpowiedzi. Zawęża przedział, bo część populacji znasz, ale liczy tak, jakby respondenci byli losową próbą. Jeśli odpowiedzieli głównie ci, którym zależy na temacie, wąski przedział będzie precyzyjnie otaczał złą wartość. O tym zjawisku piszemy w haśle błąd braku odpowiedzi. Dlatego kalkulator pokazuje też granice przy skrajnych założeniach o osobach, które nie odpowiedziały.

Jak używać kalkulatora

Kalkulator przydaje się, gdy znasz liczebność populacji i zbadałeś(-aś) jej zauważalną część, np. kadrę szpitala, wszystkich studentów kierunku albo pracowników firmy. Kiedy w ogóle liczyć przedziały w takim badaniu, omawia wpis o ankiecie wśród personelu jednego szpitala. Tu stosujesz gotowe wzory z tego wpisu do własnych liczb.

  1. Populacja N. Podaj liczbę osób z listy na konkretny dzień, według działu kadr albo innego operatu losowania. Liczba „mniej więcej 400” nie wystarczy, bo N wchodzi wprost do wzoru.
  2. Odpowiedzi n. Wpisz liczbę ankiet, które weszły do analizy tej zmiennej, czyli bez braków danych w tym pytaniu. Jeśli ankieta szła do wszystkich, n/N to wskaźnik odpowiedzi. Jeśli zaprosiłeś(-aś) tylko wylosowaną część, n/N to ułamek doboru, a odsetek odpowiedzi policz od liczby zaproszonych, jak we wpisie ile zaproszeń wysłać.
  3. Odsetek albo średnia. Dla odsetka najlepiej wpisz liczbę odpowiedzi „tak”. Gdy podasz procent, kalkulator przeliczy go na najbliższą całkowitą liczbę osób i użyje jej w przedziale dokładnym. Dla średniej podaj M i SD z próby, np. średni wynik skali 1–5.
  4. Poziom ufności. Zwykle 95%. Możesz wpisać inny, od 50 do 99.99.
  5. Zadany margines. Podaj połowę szerokości przedziału, którą uważasz za wystarczającą. Dla odsetka, którego nie znasz z góry, zostaw 50%. Daje to największą potrzebną liczebność.

Otrzymasz przedział bez poprawki i z poprawką, współczynnik poprawki, odsetek odpowiedzi, liczbę osób potrzebną do zadanego marginesu i gotowy opis. Dla odsetka dochodzi przedział dokładny. Pojedynczy przedział bez znajomości populacji policzysz w kalkulatorze przedziału ufności, a liczebność do testów i korelacji – w kalkulatorze liczebności próby.

Wzory, których używa kalkulator

Poprawka na skończoną populację (ang. finite population correction, FPC) pochodzi z teorii doboru bez zwracania, omawianej w podręcznikach metod doboru próby (Lohr, 2021). Błąd standardowy mnożymy przez pierwiastek z czynnika poprawki:

SEFPC = SE × √[(N − n) / (N − 1)]

Błąd standardowy dla odsetka to √[p(1 − p)/n], a dla średniej SD/√n. Przedziały mają postać:

odsetek: p ± z × SEFPC   ·   średnia: M ± tn−1 × SEFPC

Dla odsetka granice przycinamy do zakresu 0–100%. Wersja „bez poprawki” to ten sam wzór z czynnikiem równym 1. Pakiet survey w R używa czynnika 1 − n/N z wariancją liczoną przez n − 1, ale przy 180 odpowiedziach obie wersje dają dla przykładowego odsetka SE = 0.0228.

Przedział dokładny odwraca rozkład hipergeometryczny: szukamy wszystkich wartości K (liczba osób „tak” w populacji), przy których wylosowanie x osób „tak” wśród n nie jest zbyt mało prawdopodobne w żadnym z ogonów:

P(X ≤ x | K) > α/2   oraz   P(X ≥ x | K) > α/2

Wynik dzielimy przez N. Wang (2015) pokazuje, że powszechnie stosowane przedziały przybliżone dla parametru hipergeometrycznego mogą mieć pokrycie minimalne wyraźnie niższe od nominalnego. Dlatego przy małej liczbie „tak” lub skrajnym odsetku warto przedział dokładny podać. Kalkulator ostrzega, gdy przybliżony różni się od dokładnego o ponad punkt procentowy.

Liczebność do zadanego marginesu e otrzymujemy, przekształcając wzór na margines:

n = n0 / [1 + (n0 − 1) / N], gdzie n0 = z²p(1 − p) / e²

Wynik zaokrąglamy w górę. Tak samo liczy kalkulator liczebności próby, a popularna tabela Krejciego i Morgana (1970) to wyniki podobnego rachunku dla marginesu 5 punktów i odsetka 50%. Dla średniej n0 = z²SD²/e², a potem kalkulator zwiększa n, aż margines z rozkładu t spadnie do e.

Przykład w R z domyślnymi wartościami kalkulatora

Dane pochodzą z przykładu ankiety wśród pielęgniarek (wymyślony, dane symulowane). Szpital zatrudnia 420 pielęgniarek. Odpowiedziało 180 osób (42.9%), a 37 z nich rozważa odejście z pracy. Średnie zadowolenie z pracy wynosi M = 3.41 (SD = 0.62).

Przedziały ufności w przykładzie: 180 odpowiedzi z populacji 420 osób
WynikOszacowanie95% CI bez poprawki95% CI z poprawką
Rozważa odejście20.6%[14.7%, 26.5%][16.1%, 25.0%]
Rozważa odejście – przedział dokładny37 z 180–[16.4%, 25.5%], czyli 69–107 osób
Zadowolenie z pracy (1–5)M = 3.41[3.32, 3.50][3.34, 3.48]

Czynnik poprawki to 0.573, a jego pierwiastek 0.757, więc przedział jest o 24.3% węższy. Żeby uzyskać margines ±5 punktów przy odsetku 50%, potrzeba 201 odpowiedzi, czyli 47.9% populacji. Bez poprawki wyszłoby 385, prawie cała kadra. Do 201 zabrakło 21 ankiet. Dla średniej margines ±0.10 wymaga 112 odpowiedzi z poprawką, a 151 bez niej.

Ostatni wiersz wyniku kalkulatora pokazuje granice przy skrajnych założeniach. Gdyby nikt z 240 brakujących osób nie rozważał odejścia, odsetek w kadrze wyniósłby 8.8%, a gdyby rozważali wszyscy – 66.0%. To nie jest przedział ufności, tylko arytmetyka, ale uczciwie pokazuje, jak wiele zależy od osób, które nie odpowiedziały.

Przykład reprodukowalny

Te same obliczenia w R

Kod używa wyłącznie bazowych funkcji R. Jego wyniki są takie same jak w kalkulatorze przy wartościach domyślnych.

Poprawka, przedziały i liczebność

Dane wejściowe: populacja 420, 180 odpowiedzi, 37 odpowiedzi „tak”, M = 3.41, SD = 0.62, poziom 95%.

Co odczytać: czynnik poprawki, przedziały bez poprawki i z poprawką, przedział dokładny i potrzebną liczebność.

R
# Przedział ufności z poprawką na skończoną populację – dane domyślne kalkulatora
# Populacja 420 osób, 180 odpowiedzi, 37 odpowiedzi „tak”, skala: M = 3.41, SD = 0.62
N <- 420; n <- 180; x <- 37; p <- x / n
poziom <- .95; z <- qnorm(1 - (1 - poziom) / 2)
f <- (N - n) / (N - 1)                       # czynnik poprawki dla wariancji
r <- sqrt(f)                                 # czynnik dla błędu standardowego i przedziału
cat(sprintf("Odsetek odpowiedzi n/N = %.1f%%; (N - n)/(N - 1) = %.3f; pierwiastek = %.3f; przedział węższy o %.1f%%\n",
            100 * n / N, f, r, 100 * (1 - r)))

# Odsetek: przedział przybliżony bez poprawki i z poprawką
se <- sqrt(p * (1 - p) / n)
pokaz <- function(s, m) sprintf("%s: [%.1f%%, %.1f%%], margines ±%.1f pp", s, 100 * (p - m), 100 * (p + m), 100 * m)
cat(sprintf("Odsetek = %.1f%% (%d z %d)\n", 100 * p, x, n))
cat(pokaz("Bez poprawki", z * se), "\n")
cat(pokaz("Z poprawką  ", z * se * r), "\n")

# Odsetek: przedział dokładny (hipergeometryczny): ile osób w populacji może odpowiedzieć „tak”?
M <- 0:N; a <- (1 - poziom) / 2
ok <- phyper(x, M, N - M, n) > a & phyper(x - 1, M, N - M, n, lower.tail = FALSE) > a
gr <- range(M[ok])
cat(sprintf("Dokładny: %d-%d osób w populacji, czyli [%.1f%%, %.1f%%]\n", gr[1], gr[2], 100 * gr[1] / N, 100 * gr[2] / N))

# Skrajne założenia o brakujących odpowiedziach (to nie jest przedział ufności)
brak <- N - n
cat(sprintf("Gdyby nikt z %d brakujących nie odpowiedział „tak”: %.1f%%; gdyby wszyscy: %.1f%%\n",
            brak, 100 * x / N, 100 * (x + brak) / N))

# Średnia: przedział t
m <- 3.41; s <- 0.62; tk <- qt(1 - a, n - 1); sem <- s / sqrt(n)
cat(sprintf("Średnia bez poprawki: [%.2f, %.2f]; z poprawką: [%.2f, %.2f]\n",
            m - tk * sem, m + tk * sem, m - tk * sem * r, m + tk * sem * r))

# Liczebność do marginesu ±5 pp przy odsetku 50%
e <- .05; n0 <- z^2 * .25 / e^2
n_fpc <- ceiling(n0 / (1 + (n0 - 1) / N))
cat(sprintf("n0 = %.1f (bez poprawki %d); z poprawką n = %d, czyli %.1f%% populacji; brakuje %d odpowiedzi\n",
            n0, ceiling(n0), n_fpc, 100 * n_fpc / N, n_fpc - n))

# Liczebność do marginesu ±0.10 dla średniej (przedział t)
e2 <- .10; nn <- 2:N
mt <- qt(1 - a, nn - 1) * s / sqrt(nn) * sqrt((N - nn) / (N - 1))
nb <- 2:5000; mb <- qt(1 - a, nb - 1) * s / sqrt(nb)
cat(sprintf("Średnia, margines ±%.2f: z poprawką n = %d, bez poprawki n = %d\n", e2, nn[which(mt <= e2)[1]], nb[which(mb <= e2)[1]]))

# Ta sama liczba odpowiedzi przy różnych populacjach
dla_N <- c(200, 420, 1000, 5000, 100000)
print(data.frame(N = dla_N, n_do_N = sprintf("%.1f%%", 100 * n / dla_N),
                 pierwiastek = round(sqrt((dla_N - n) / (dla_N - 1)), 3),
                 margines_pp = round(100 * z * se * sqrt((dla_N - n) / (dla_N - 1)), 1)))
Wynik w R
Odsetek odpowiedzi n/N = 42.9%; (N - n)/(N - 1) = 0.573; pierwiastek = 0.757; przedział węższy o 24.3%
Odsetek = 20.6% (37 z 180)
Bez poprawki: [14.7%, 26.5%], margines ±5.9 pp 
Z poprawką  : [16.1%, 25.0%], margines ±4.5 pp 
Dokładny: 69-107 osób w populacji, czyli [16.4%, 25.5%]
Gdyby nikt z 240 brakujących nie odpowiedział „tak”: 8.8%; gdyby wszyscy: 66.0%
Średnia bez poprawki: [3.32, 3.50]; z poprawką: [3.34, 3.48]
n0 = 384.1 (bez poprawki 385); z poprawką n = 201, czyli 47.9% populacji; brakuje 21 odpowiedzi
Średnia, margines ±0.10: z poprawką n = 112, bez poprawki n = 151
       N n_do_N pierwiastek margines_pp
1    200  90.0%       0.317         1.9
2    420  42.9%       0.757         4.5
3   1000  18.0%       0.906         5.3
4   5000   3.6%       0.982         5.8
5 100000   0.2%       0.999         5.9

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje qnorm(), qt() i phyper() z pakietu stats).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/

Jak interpretować wynik

Przedział z poprawką odpowiada na pytanie o tę konkretną populację: jaki jest odsetek wśród tych 420 osób, skoro znamy odpowiedzi 180 z nich. Im większa część populacji odpowiedziała, tym mniej zostaje do oszacowania, więc przedział się kurczy. Ta sama liczba odpowiedzi daje inny margines przy innej populacji:

Wpływ wielkości populacji na margines błędu przy 180 odpowiedziach i odsetku 20.6%
Populacja Nn/NPierwiastek z czynnikaMargines (pp)
20090.0%0.317±1.9
42042.9%0.757±4.5
100018.0%0.906±5.3
50003.6%0.982±5.8
1000000.2%0.999±5.9

Przy małym ułamku poprawka prawie nie działa i można ją pominąć, tak jak w haśle margines błędu w sondażu. Gdy odpowiedziała cała populacja, czynnik wynosi 0, a przedział ma zerową szerokość: to, co policzyłeś(-aś), jest wartością w tej populacji.

Przedział bez poprawki ma sens, gdy wnioskujesz o czymś szerszym niż ta lista osób, np. o procesie, który dotyczy też innych szpitali albo przyszłych roczników. Berk i in. (1995) nazywają zbiór obejmujący wszystkie istniejące jednostki populacją pozorną i rozważają, jak rozumieć wtedy wnioskowanie. To decyzja o celu badania, a nie o wygodniejszym wyniku. Podejmij ją przed analizą i opisz. Stanowiska opisowe i modelowe porównuje wpis o ankiecie wśród personelu.

Sam przedział ufności dotyczy błędu losowego. Sposób jego zapisu w pracy pokazuje wpis przedziały ufności w pracy dyplomowej.

Ograniczenia kalkulatora

  • Brak odpowiedzi. Poprawka zakłada, że respondenci są jak dobór losowy prosty z populacji. Odsetek odpowiedzi nie mówi sam, czy wynik jest obciążony: Groves (2006) pokazuje, że brak odpowiedzi może, ale nie musi prowadzić do obciążenia, a Groves i Peytcheva (2008) w metaanalizie 59 badań sprawdzają, kiedy jedno wiąże się z drugim. Żaden z przedziałów tego nie rozstrzyga. Pozostałe źródła błędu porządkuje wpis o całkowitym błędzie badania sondażowego.
  • Tylko dobór prosty. Przy doborze warstwowym, klastrowym albo przy wagach błąd standardowy liczy się inaczej. Użyj wtedy modelu sondażowego, np. pakietu survey, i zajrzyj do wpisu o ważeniu danych sondażowych.
  • Jedna wielkość naraz. Kalkulator nie porównuje oddziałów ani grup. Przy porównaniach liczy się liczebność w najmniejszej grupie, a sama poprawka bywa wtedy nieuzasadniona.
  • Przybliżony wzór dla odsetka. Przedział z z jest symetryczny i przy skrajnych odsetkach bywa niedokładny, dlatego obok niego podajemy przedział dokładny. Dla średniej obowiązuje założenie, że rozkład w próbie nie jest skrajnie skośny lub że n jest wystarczająco duże.
  • Dobre N. Wynik jest tak dobry jak definicja populacji. Jeśli lista zawiera osoby na urlopach lub tych, którzy odeszli, a Ty ich nie liczysz, poprawka opiera się na złym N.

Jak opisać przedział z poprawką w pracy

Podaj N, n, odsetek odpowiedzi, poziom ufności i wyraźną informację, że użyto poprawki. Nie pisz, że próba jest reprezentatywna tylko dlatego, że przekroczyła wymaganą liczbę. Wzór dla przykładu:

Badaniem objęto wszystkie pielęgniarki i pielęgniarzy zatrudnionych w szpitalu w dniu [data] (N = 420). Odpowiedzi uzyskano od 180 osób (42.9%). Odejście z pracy w ciągu roku rozważało 20.6% respondentów, 95% CI [16.1%, 25.0%]. Przedział obliczono z poprawką na skończoną populację, mnożąc błąd standardowy przez √[(N − n)/(N − 1)] = 0.757. Przedział dokładny z rozkładu hipergeometrycznego wyniósł [16.4%, 25.5%]. Poprawka uwzględnia wyłącznie błąd losowy przy założeniu, że respondenci są jak losowa próba z kadry. Ponieważ udział był dobrowolny, [opisz porównanie respondentów z populacją i możliwy kierunek błędu braku odpowiedzi].

Porównanie respondentów ze strukturą populacji opisz jak w poradniku o charakterystyce próby. Wyniki wielu pytań naraz uporządkuje wpis jak opisać wyniki ankiety z 30 pytaniami.

Najczęstsze pytania

Kiedy używać poprawki na skończoną populację?

Gdy wnioskujesz o konkretnej populacji o znanej liczebności, np. kadrze jednego szpitala, a zbadana część nie jest znikoma. Przy 180 odpowiedziach z 420 osób poprawka zawęża przedział o 24.3%, a przy populacji 100000 prawie nic nie zmienia. Gdy wnioskujesz o procesie szerszym niż ta lista osób, np. o innych szpitalach, poprawki się nie stosuje.

Czy poprawka naprawia niski odsetek odpowiedzi?

Nie. Poprawka mówi tylko, że część populacji jest już znana, i zakłada, że respondenci są jak losowa próba. Jeśli odpowiedziały głównie osoby zainteresowane tematem, przedział będzie wąski, ale może nie obejmować prawdziwej wartości. Groves i Peytcheva (2008) analizują, kiedy brak odpowiedzi wiąże się z obciążeniem. W pracy opisz porównanie respondentów z populacją.

Czy trzeba liczyć przedział, gdy odpowiedzieli wszyscy?

Jeśli pytasz o tę konkretną grupę, nie: masz wartość w populacji, a czynnik poprawki wynosi 0. Przedział ma sens tylko wtedy, gdy traktujesz dane jako realizację szerszego procesu. Wtedy liczysz zwykły przedział, bez poprawki, i piszesz wprost, o czym wnioskujesz.

Jaki odsetek wpisać do planowania liczebności?

Gdy nie masz wcześniejszych danych, wpisz 50%, bo wtedy potrzebna liczebność jest największa. Przy populacji 420 osób i marginesie ±5 punktów wychodzi 201 odpowiedzi, czyli 47.9% populacji. Jeśli masz wiarygodne szacunki z pilotażu albo wcześniejszego badania, wpisz je, ale pamiętaj, że plan obowiązuje przed zebraniem danych.

Dlaczego przedział dokładny różni się od przedziału z poprawką?

Przedział z poprawką jest symetrycznym przybliżeniem. Przedział dokładny opiera się na rozkładzie hipergeometrycznym i uwzględnia, że w populacji może być tylko całkowita liczba osób „tak”. W przykładzie dają [16.1%, 25.0%] i [16.4%, 25.5%]. Przy małych liczbach lub skrajnych odsetkach różnica rośnie, a Wang (2015) pokazuje, że pokrycie przedziałów przybliżonych może być wyraźnie niższe od nominalnego.

Powiązane hasła

Przeczytaj też

Nie wiesz, czy w Twojej ankiecie zastosować poprawkę?

Pomożemy zdefiniować populację, policzyć przedziały i liczebność oraz opisać ograniczenia wynikające z odsetka odpowiedzi – w R lub SPSS, z wyjaśnieniem, które pozwoli Ci samodzielnie obronić wyniki.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Berk, R. A., Western, B., & Weiss, R. E. (1995). Statistical inference for apparent populations. Sociological Methodology, 25, 421. https://doi.org/10.2307/271073
  2. Groves, R. M. (2006). Nonresponse rates and nonresponse bias in household surveys. Public Opinion Quarterly, 70(5), 646–675. https://doi.org/10.1093/poq/nfl033
  3. Groves, R. M., & Peytcheva, E. (2008). The impact of nonresponse rates on nonresponse bias: A meta-analysis. Public Opinion Quarterly, 72(2), 167–189. https://doi.org/10.1093/poq/nfn011 ● Otwarty dostęp: pełny tekst
  4. Krejcie, R. V., & Morgan, D. W. (1970). Determining sample size for research activities. Educational and Psychological Measurement, 30(3), 607–610. https://doi.org/10.1177/001316447003000308
  5. Lohr, S. L. (2021). Sampling: Design and analysis (3rd ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9780429298899
  6. Wang, W. (2015). Exact optimal confidence intervals for hypergeometric parameters. Journal of the American Statistical Association, 110(512), 1491–1499. https://doi.org/10.1080/01621459.2014.966191 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{berk1995statistical, author={Berk, Richard A. and Western, Bruce and Weiss, Robert E.}, title={{Statistical inference for apparent populations}}, journal={Sociological Methodology}, year={1995}, volume={25}, pages={421}, doi={10.2307/271073}}
@article{groves2006nonresponse, author={Groves, Robert M.}, title={{Nonresponse rates and nonresponse bias in household surveys}}, journal={Public Opinion Quarterly}, year={2006}, volume={70}, number={5}, pages={646--675}, doi={10.1093/poq/nfl033}}
@article{groves2008impact, author={Groves, R. M. and Peytcheva, E.}, title={{The impact of nonresponse rates on nonresponse bias: A meta-analysis}}, journal={Public Opinion Quarterly}, year={2008}, volume={72}, number={2}, pages={167--189}, doi={10.1093/poq/nfn011}}
@article{krejcie1970determining, author={Krejcie, Robert V. and Morgan, Daryle W.}, title={{Determining sample size for research activities}}, journal={Educational and Psychological Measurement}, year={1970}, volume={30}, number={3}, pages={607--610}, doi={10.1177/001316447003000308}}
@book{lohr2021sampling, author={Lohr, Sharon L.}, title={{Sampling: Design and analysis (3rd ed.)}}, year={2021}, publisher={Chapman and Hall/CRC}, doi={10.1201/9780429298899}}
@article{wang2015exact, author={Wang, Weizhen}, title={{Exact optimal confidence intervals for hypergeometric parameters}}, journal={Journal of the American Statistical Association}, year={2015}, volume={110}, number={512}, pages={1491--1499}, doi={10.1080/01621459.2014.966191}}
R