Dobór próby · Wykresy

Wielkość próby a wielkość populacji w obrazkach

Ta sama próba na trzech mapach populacji, krzywe marginesu błędu dla populacji 200, 1000, 10 000 i 38 mln osób, 1000 sondaży w mieście i w kraju, kadra 120 pielęgniarek, reguła „10% populacji” oraz efektywne n – sześć rysunków z kodem R, podpisem APA i zdaniem do Metody.

Strona główna / Blog / Wielkość próby a wielkość populacji
W skrócie: Przy losowaniu precyzja zależy od liczby zbadanych osób, a nie od wielkości populacji: 1000 osób daje margines ±3.01 pp w mieście liczącym 50 000 mieszkańców i ±3.04 pp w kraju liczącym 38 mln. Wielkość populacji ma znaczenie dopiero wtedy, gdy próba to jej spora część – w kadrze 120 pielęgniarek margines ±5 pp wymaga 92 osób (77%), więc lepiej zbadać wszystkich. Żaden stały procent populacji nie gwarantuje precyzji, a odsetek odpowiedzi i efekt schematu zmniejszają prawdziwe n bardziej niż poprawka na skończoną populację.

Duża populacja, duża próba?

„Uczelnia ma 30 tysięcy studentów, a ja tylko 200 ankiet – to chyba za mało?” Intuicja podpowiada, że próba powinna stanowić „przyzwoity procent” populacji. Rachunek mówi co innego: przy losowaniu precyzja zależy prawie wyłącznie od liczby zbadanych osób, a wielkość populacji ma znaczenie dopiero wtedy, gdy próba obejmuje jej sporą część. Pokazujemy to na sześciu rysunkach: od „mapy” populacji, przez krzywe marginesu błędu, po 1000 sondaży w mieście i w kraju.

Populacje są fikcyjne, więc prawdziwe wartości znamy. Wzory na liczebność są we wpisie dobór liczebności próby i w haśle liczebność próby w ankiecie. Tu zajmujemy się obrazem: kiedy wielkość populacji zmienia wynik, a kiedy nie.

Zastrzeżenie: wszystko poniżej dotyczy doboru losowego, czyli sytuacji, w której znasz listę populacji (operat losowania) i losujesz z niej osoby. W pracy dyplomowej zwykle masz próbę dostępną (ankieta na grupach studenckich, wśród znajomych). Wtedy margines z poniższych wzorów jest tylko orientacyjny, a o wnioskach decyduje to, kto odpowiedział. Co wolno napisać o takiej próbie, wyjaśnia wpis dobór próby w pracy dyplomowej.

Rysunek 1: ta sama próba na trzech mapach

Trzy prostokątne mapy kratek. A: 200 kratek, połowa ciemna (n = 100 to 50% populacji, margines ±7.0 pp). B: 1000 kratek, co dziesiąta ciemna (10%, ±9.3 pp). C: 10 000 drobnych kratek, nieliczne ciemne punkty (1%, ±9.8 pp). D: tekst – dla kraju 38 mln próba 100 osób to 0.00026% populacji, margines ±9.8 pp, tak jak w C
Rysunek 1. Ta sama liczebność próby (n = 100) w populacjach 200, 1000 i 10 000 osób. Obliczenia: R (dane fikcyjne, set.seed(589)).

Co widać. Kratka to osoba z fikcyjnej populacji, ciemne kratki – 100 osób wylosowanych bez zwracania. Próba zajmuje połowę mapy A, co dziesiątą kratkę mapy B i co setną mapy C. Mimo to margines błędu dla odsetka 50% (95% przedział ufności) wynosi odpowiednio ±6.95, ±9.30 i ±9.75 punktu procentowego (pp). Dla kraju liczącego 38 mln mieszkańców 100 osób to 0.00026% populacji, a margines to ±9.80 pp – praktycznie tyle samo co dla populacji 10 000 osób. Wyraźnie mniejszy margines daje tylko mapa A, bo tam zbadaliśmy połowę wszystkich.

Czego ten wykres nie pokazuje. Precyzja zależy od liczby ciemnych kratek, nie od ich gęstości na mapie. Rysunek nie pokazuje też, czy wylosowane osoby odpowiedziały – w realnym badaniu część ciemnych kratek zostałaby pusta (rysunek 6).

Podpis do pracy:

Rysunek 1. Próba losowa 100 osób w populacjach liczących 200, 1000 i 10 000 osób. Uwaga. Dane fikcyjne. Każdy kwadrat oznacza jedną osobę; ciemne kwadraty – osoby wylosowane bez zwracania. Marginesy błędu dotyczą odsetka 50% przy 95% poziomie ufności i uwzględniają poprawkę na skończoną populację.

Zdanie do Metody:

Z listy 1000 studentów wylosowano bez zwracania 100 osób (10% populacji); dla odsetka 50% daje to margines błędu ±9.3 punktu procentowego (95% CI, z poprawką na skończoną populację).

Rysunek 2: margines błędu a liczebność próby

Wykres liniowy: oś pozioma liczebność próby od 30 do 10 000 w skali logarytmicznej, oś pionowa margines błędu w punktach procentowych. Cztery krzywe malejące od około 17 pp. Krzywe dla N = 1000, 10 000 i 38 mln biegną razem do około 200 osób; krzywa N = 200 opada do zera przy n = 200, N = 1000 przy n = 1000, N = 10 000 przy n = 10 000, a krzywa 38 mln kończy się przy około 1 pp. Kropkowane linie poziome przy ±5 i ±3 pp
Rysunek 2. Margines błędu odsetka 50% w funkcji liczebności próby dla czterech wielkości populacji. Obliczenia: R (wzór z poprawką na skończoną populację).

Co widać. Cztery krzywe pokazują margines błędu dla odsetka 50% w zależności od liczebności próby n, przy populacji N = 200, 1000, 10 000 i 38 mln. Na początku krzywe biegną razem: przy n = 200 margines dla populacji 1000, 10 000 i 38 mln wynosi ±6.2, ±6.9 i ±6.9 pp. Rozchodzą się dopiero wtedy, gdy próba staje się sporą częścią populacji. Wtedy każda opada do zera w punkcie n = N, bo po zbadaniu wszystkich nie ma już błędu losowania. Odpowiada za to poprawka na skończoną populację (ang. finite population correction, FPC), opisywana w podręcznikach doboru próby (Lohr, 2021): błąd standardowy mnożymy przez √[(N − n)/(N − 1)]. Dla kraju poprawka jest praktycznie równa 1. Krzywa dla 38 mln jest więc zwykłą krzywą „bez poprawki”: przy n = 400 daje ±4.9 pp, a przy n = 1000 ±3.1 pp.

Jak może zmylić. Oś pozioma jest logarytmiczna. Margines maleje z pierwiastkiem z n: żeby go zmniejszyć o połowę, trzeba mniej więcej czterokrotnie zwiększyć próbę (więcej we wpisie przedział ufności w obrazkach). Krzywe dotyczą najgorszego przypadku – odsetka 50%.

Podpis do pracy:

Rysunek 2. Margines błędu oszacowania odsetka w zależności od liczebności próby dla czterech wielkości populacji. Uwaga. Odsetek 50%, 95% poziom ufności, dobór losowy prosty bez zwracania z poprawką na skończoną populację. Oś pozioma w skali logarytmicznej.

Zdanie do Metody:

Przy próbie 400 osób wylosowanych z populacji liczącej około 10 000 osób margines błędu dla odsetka 50% wynosi ±4.8 punktu procentowego (95% CI); poprawka na skończoną populację zmienia go o 0.1 punktu, więc jej uwzględnienie nie wpływa na wnioski.

Rysunek 3: 1000 sondaży w mieście i w kraju

Panel A: trzy histogramy jeden pod drugim, każdy z 1000 oszacowań odsetka wokół prawdziwych 40% (pionowa linia). Dla populacji 2000 osób histogram jest węższy (mniej więcej 37–43%), dla miasta 50 000 i kraju 38 mln szerszy i niemal identyczny (około 35–45%). Panel B: margines błędu w funkcji wielkości populacji od 1 tysiąca do 38 mln (skala logarytmiczna) – linia ciągła dla n = 1000 rośnie od zera i od kilkudziesięciu tysięcy jest płaska na poziomie około 3 pp, przerywana dla n = 400 płaska na poziomie około 4.8 pp; kółka przy 2000, 50 000 i 38 mln
Rysunek 3. 1000 symulowanych sondaży po 1000 osób w trzech populacjach (A) i margines błędu a wielkość populacji (B). Obliczenia: R (dane fikcyjne, set.seed(589)).

Co widać. Panel A: po 1000 fikcyjnych sondaży na losowych próbach 1000 osób w populacji 2000 osób, w mieście (50 000) i w kraju (38 mln). Prawdziwy odsetek osób uprawiających sport co najmniej raz w tygodniu to 40%. Histogramy dla miasta i kraju są niemal identyczne. Odchylenie standardowe 1000 oszacowań wyniosło 1.539 i 1.540 pp, a wzór daje 1.534 i 1.549 pp. Węższy jest tylko histogram dla 2000 osób (SD = 1.131 pp, wzór z poprawką: 1.096 pp), bo sondaż obejmował połowę populacji. W przedziale ±1.96 błędu standardowego od prawdziwych 40% znalazło się 94.2%, 95.6% i 96.2% sondaży. Błąd Monte Carlo tych odsetków wynosi 0.6–0.7 pp, więc wszystkie trzy są zgodne z nominalnymi 95%.

Panel B pokazuje to samo bez losowania: przy n = 1000 margines rośnie z wielkością populacji tylko do kilkudziesięciu tysięcy osób, a potem jest płaski (miasto ±3.01 pp, kraj ±3.04 pp). Dlatego 1000 losowo wybranych osób daje podobną precyzję dla miasta i dla kraju. Do oceny smaku zupy liczy się wielkość łyżki, a nie garnka – pod warunkiem że zupa jest zamieszana, czyli losowanie jest prawdziwe.

Jak może zmylić. Płaska krzywa obowiązuje tylko dla próby losowej. Meng (2018) pokazał, że błąd średniej z dowolnego zbioru danych zależy od korelacji między badaną cechą a tym, czy osoba trafiła do danych. Dobór losowy utrzymuje tę korelację na znikomym poziomie, ale gdy jej nie kontrolujemy, błąd względem zwykłego 1/√n rośnie z pierwiastkiem z N. Autor nazywa to prawem dużych populacji. Ankietę z samoselekcją pokazują wpisy sondaż w obrazkach i dobór nielosowy w obrazkach.

Podpis do pracy:

Rysunek 3. Rozkład oszacowań odsetka w 1000 symulowanych sondażach (n = 1000) w populacjach różnej wielkości (A) i margines błędu w funkcji wielkości populacji (B). Uwaga. Dane fikcyjne; prawdziwy odsetek 40%. Panel B: 95% poziom ufności, dobór losowy prosty bez zwracania; linia ciągła n = 1000, przerywana n = 400.

Zdanie do Metody:

Próba liczyła 1000 osób wylosowanych z operatu mieszkańców miasta (N ≈ 50 000), co dla odsetka 40% daje margines błędu ±3.0 punktu procentowego (95% CI); przy tej wielkości populacji poprawka na skończoną populację jest pomijalna.

Rysunek 4: 120 pielęgniarek – kiedy zbadać wszystkich

Panel A: margines błędu w funkcji liczby osób w próbie od 10 do 120; linia przerywana bez poprawki spada od 31 do około 9 pp, linia ciągła z poprawką spada do zera przy 120. Kółko przy n = 92 na wysokości 5 pp, pole od 92 do 120 zacienione na pomarańczowo, opis: ±5 pp wymaga 92 z 120 osób (77% kadry). Panel B: histogram 10 000 średnich z prób po 60 osób, wąski, wokół 21.55 pkt; ciągła krzywa normalna z poprawką dopasowana do histogramu, przerywana krzywa bez poprawki wyraźnie szersza i niższa
Rysunek 4. Populacja 120 pielęgniarek: margines błędu z poprawką i bez niej (A) oraz rozkład średnich w 10 000 próbach po 60 osób (B). Obliczenia: R (dane fikcyjne, set.seed(589)).

Co widać. Fikcyjny szpital zatrudnia 120 pielęgniarek. Panel A pokazuje margines błędu dla odsetka 50% bez poprawki (linia przerywana) i z poprawką (ciągła). Przy 60 osobach wzór bez poprawki daje ±12.65 pp, a z poprawką ±8.98 pp. Próba to połowa kadry, więc różnica jest duża. Żeby uzyskać margines ±5 pp, trzeba zbadać 92 z 120 osób, czyli 77% kadry. Wzór bez poprawki „żąda” 385 osób. Jeśli spodziewasz się, że odpowie 60% zaproszonych, trzeba by zaprosić 154 osoby – więcej, niż liczy cała kadra. W pomarańczowym polu losowanie traci sens: zaproś wszystkich i opisz badanie jako pełne. Lakens (2022) wymienia zbadanie (prawie) całej populacji jako pierwszy z sześciu sposobów uzasadnienia liczebności próby.

Panel B: 10 000 razy losowaliśmy bez zwracania 60 osób i liczyliśmy średni wynik fikcyjnej skali wypalenia (0–40 pkt; w całej kadrze M = 21.55, SD = 5.58). Odchylenie standardowe 10 000 średnich wyniosło 0.514. Wzór z poprawką daje 0.510, a bez poprawki 0.721. W kolejnych 10 000 próbach 95% przedział t z poprawką objął prawdziwą średnią w 95.02% przypadków (błąd Monte Carlo 0.22 pp), a bez poprawki w 99.34% (0.08 pp). Przedział bez poprawki jest więc niepotrzebnie szeroki.

Czego ten wykres nie pokazuje. Symulacja zakłada, że wylosowani odpowiadają. Gdy zaprosisz wszystkich, a odpowie część, poprawka zawęża przedział, ale nie usuwa obciążenia, jeśli odpowiedziały głównie osoby zainteresowane tematem. Jak to opisać i czy przy badaniu całej kadry w ogóle liczyć testy, omawia wpis o ankiecie w jednym szpitalu. Berk, Western i Weiss (1995) nazywają takie dane, obejmujące wszystkie istniejące jednostki, populacją pozorną i pytają, jak wtedy rozumieć wnioskowanie. Własne liczby policzysz w kalkulatorze przedziału z poprawką na skończoną populację.

Podpis do pracy:

Rysunek 4. Margines błędu w populacji 120 osób (A) i rozkład średnich w 10 000 próbach po 60 osób losowanych bez zwracania (B). Uwaga. Dane fikcyjne. Panel A: odsetek 50%, 95% poziom ufności; pole zacienione – liczebności, przy których margines z poprawką na skończoną populację nie przekracza ±5 punktów procentowych. Panel B: krzywe – rozkład normalny z błędem standardowym liczonym z poprawką i bez niej; linia pionowa – średnia w populacji.

Zdanie do Metody:

Ze względu na niewielką liczebność populacji (N = 120) do badania zaproszono wszystkie pielęgniarki zatrudnione w szpitalu; dobór losowy nie był uzasadniony, ponieważ margines błędu ±5 punktów procentowych wymagałby zbadania 92 osób (77% populacji).

Rysunek 5: dlaczego nie „10% populacji”

Panel A: potrzebna liczba osób w funkcji wielkości populacji od 100 do 38 mln (skala logarytmiczna); krzywa dla ±5 pp rośnie od około 80 i wypłaszcza się na poziomie około 385, krzywa dla ±3 pp – na poziomie około 1070; cienka szara linia n = N. Panel B: ta sama liczba jako procent populacji – od 80% (±5 pp) i 92% (±3 pp) przy 100 osobach do niemal zera powyżej 100 tysięcy
Rysunek 5. Liczebność próby potrzebna do marginesu ±5 i ±3 pp: liczba osób (A) i procent populacji (B). Obliczenia: R (wzór z poprawką na skończoną populację).

Co widać. Panel A pokazuje, ilu osób potrzeba do marginesu ±5 i ±3 pp (odsetek 50%, 95% CI) w zależności od wielkości populacji. Krzywe szybko się wypłaszczają. Dla ±5 pp potrzeba 132 osób przy N = 200, 278 przy 1000, 370 przy 10 000 i 385 przy 38 mln. Dla ±3 pp potrzeba 517 osób przy 1000 i 1068 przy 38 mln. Z tego samego rachunku (odsetek 50%, ±5 pp, poprawka na skończoną populację) wyliczono znaną tabelę Krejciego i Morgana (1970); dla bardzo dużych populacji podaje ona około 384 osób. Panel B przelicza to na procent populacji. Przy 200 osobach jest to 66%, przy 1000 – 27.8%, przy 10 000 – 3.7%, a przy 38 mln – tysięczna część procenta.

Stąd prosty wniosek: żaden stały procent populacji nie gwarantuje stałej precyzji. Reguła „10% populacji” daje 20 osób i margines ±20.8 pp w populacji 200 osób, ±9.3 pp przy 1000 osób, ±2.9 pp przy 10 000 i ±0.9 pp przy 100 000 (wtedy 10 000 ankiet to marnowanie wysiłku). Liczebność ustalaj z wymaganej precyzji albo z analizy mocy. Pomogą w tym kalkulator liczebności próby i wpis ile osób do ankiety w pracy licencjackiej.

Jak może zmylić. Krzywe dotyczą jednego odsetka w całej próbie. Gdy porównujesz podgrupy, np. wydziały, licz liczebność dla najmniejszej z nich. A 385 osób „wystarcza na każdą populację” tylko przy losowaniu i pełnej realizacji próby.

Podpis do pracy:

Rysunek 5. Liczebność próby potrzebna do uzyskania marginesu błędu ±5 i ±3 punktów procentowych w zależności od wielkości populacji, w liczbie osób (A) i jako procent populacji (B). Uwaga. Odsetek 50%, 95% poziom ufności, dobór losowy prosty z poprawką na skończoną populację. Oś pozioma w skali logarytmicznej.

Zdanie do Metody:

Liczebność próby ustalono z wymaganej precyzji: do oszacowania odsetka z marginesem błędu ±5 punktów procentowych (95% CI, założony odsetek 50%) w populacji 1000 studentów potrzeba 278 osób po uwzględnieniu poprawki na skończoną populację.

Rysunek 6: prawdziwe n jest mniejsze niż liczba zaproszeń

Trzy poziome przedziały wokół 50%: plan 400 osób – ±4.7 pp; odpowiedziało 60%, 240 osób – ±6.2 pp; dobór grupami z efektem schematu 1.43, efektywnie 168 osób – ±7.4 pp. Każdy kolejny przedział jest szerszy
Rysunek 6. Margines błędu przy kolejnych ograniczeniach liczebności: odsetek odpowiedzi i efekt schematu. Obliczenia: R (dane fikcyjne, założenia ustawione ręcznie).

Co widać. Fikcyjna uczelnia ma 5000 studentów. Losujemy 25 całych grup ćwiczeniowych po 16 osób (400 zaproszeń). Gdyby wszyscy odpowiedzieli, a osoby losowano pojedynczo, margines dla odsetka 50% wyniósłby ±4.7 pp. Odpowiada jednak 60%, czyli 240 osób, i margines rośnie do ±6.2 pp. Osoby z jednej grupy są do siebie podobne: przy korelacji wewnątrzgrupowej .05 i średnio 9.6 respondenta w grupie efekt schematu wynosi deff = 1 + (9.6 − 1) × .05 = 1.43. Efektywna liczebność to 240/1.43 ≈ 168 osób, a margines ±7.4 pp. Poprawka na populację 5000 osób zmienia te marginesy tylko o 0.1–0.2 pp.

Czego ten wykres nie pokazuje. Odsetek odpowiedzi zmniejsza tu tylko liczebność. Groves (2006) zwraca uwagę, że brak odpowiedzi może, ale nie musi, powodować obciążenie oszacowań. W syntezie badań obciążenie występowało jednak często, a jego korekta po badaniu wymaga dobrych zmiennych pomocniczych. Tego żaden margines nie pokazuje. O błędzie braku odpowiedzi i ważeniu piszemy w próbie reprezentatywnej w obrazkach, a o losowaniu grup – w schematach losowania w obrazkach. ICC i odsetek odpowiedzi przyjęliśmy ręcznie. Jak zaplanować liczbę zaproszeń przy niepewnym odsetku odpowiedzi, opisuje wpis ile zaproszeń wysłać.

Podpis do pracy:

Rysunek 6. Margines błędu oszacowania odsetka przy kolejnych ograniczeniach liczebności próby. Uwaga. Dane fikcyjne: populacja 5000 studentów, losowanie 25 grup ćwiczeniowych (400 osób), odsetek odpowiedzi 60%, korelacja wewnątrzgrupowa .05. Odsetek 50%, 95% poziom ufności, z poprawką na skończoną populację.

Zdanie do Metody:

Ankietę wypełniło 240 z 400 studentów 25 wylosowanych grup ćwiczeniowych (60%); przy korelacji wewnątrzgrupowej .05 efekt schematu wynosi 1.43, a efektywna liczebność próby około 168 osób (margines ±7.4 punktu procentowego dla odsetka 50%).

Co z tego przenieść do pracy

  • Nie uzasadniaj próby procentem populacji. Podaj wymaganą precyzję (margines) albo analizę mocy i wynikającą z niej liczbę osób (rysunek 5).
  • Duża populacja nie jest przeszkodą. Przy 400 osobach margines jest prawie taki sam dla 10 000 i 38 mln osób (rysunki 2–3). Poprawkę podawaj, gdy próba to wyraźna część populacji.
  • Mała populacja – zbadaj wszystkich. Gdy potrzebna liczba osób zbliża się do całej populacji albo ją przekracza po uwzględnieniu odsetka odpowiedzi, losowanie nic nie daje (rysunek 4).
  • Licz na efektywne n, nie na liczbę zaproszeń. Odsetek odpowiedzi i losowanie grup zmniejszają liczebność bardziej niż poprawka na populację (rysunek 6).
  • Próba dostępna to inna sytuacja. Jeśli nie losowałeś(-aś), napisz to wprost i nie wnioskuj o całej populacji tylko dlatego, że ankiet jest dużo. Zasady eksportu rysunków są we wpisie wykresy w pracy dyplomowej.
Przykład reprodukowalny

Kod R wszystkich rysunków i liczb

Kod odtwarza wszystkie liczby z tekstu i sześć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 definiuje motyw, paletę i funkcję margines(), z których korzystają następne. Każdy przepis tworzy obiekt wykresu (p1–p6); wpisz jego nazwę, żeby go wyświetlić, a do zapisu użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały dokładnie z tego kodu: motyw to skrócona wersja motywu serwisu, a pliki zapisano w formacie SVG.

Wszystkie populacje są fikcyjne. Ręcznie ustaliliśmy: wielkości populacji (200, 1000, 10 000, 50 000 i 38 mln oraz 120 osób), prawdziwy odsetek 40% w przepisie 3, parametry skali wypalenia (średnia 22 i SD 6 pkt przed zaokrągleniem) w przepisie 4 oraz w przepisie 6 – liczbę grup, odsetek odpowiedzi 60% i korelację wewnątrzgrupową .05. Każdy blok, który losuje (przepisy 1, 3 i 4), zaczyna od set.seed(589); przepis 4 ustawia to ziarno ponownie przed drugą symulacją. Ziarno ustaliliśmy raz i go nie zmienialiśmy. Symulacje mają 1000 powtórzeń (przepis 3) i 2 × 10 000 powtórzeń (przepis 4). Populację 120 pielęgniarek pobierzesz jako plik wielkosc-proby-populacja-120-pielegniarek.csv (kolumny osoba i wynik).

1. Motyw, paleta, funkcja margines() i mapy populacji: Rysunek 1

Dane wejściowe: nic – kod tworzy trzy fikcyjne populacje jako siatki kratek i losuje z każdej 100 osób bez zwracania (set.seed(589)).

Co odczytać: odsetek populacji objęty próbą 100 osób i margines błędu dla odsetka 50% bez poprawki i z poprawką na skończoną populację (także dla N = 38 mln); obiekt p1 to rysunek 1.

R
# Rysunek 1. Ta sama próba (n = 100) w trzech populacjach: 200, 1000 i 10 000 osób
options(width = 100)
library(ggplot2)
library(patchwork)

# Krótki motyw i paleta Okabe–Ito (sprawdzona w symulacji deuteranopii; kolor wspiera rodzaj linii i kształt)
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.05)),
        plot.subtitle = element_text(colour = "grey30"),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        axis.text = element_text(colour = "grey25"), strip.text = element_text(face = "bold", colour = "#0f1d3a"),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA),
        plot.margin = margin(10, 14, 10, 10))
kol_N <- c("N = 200" = "#D55E00", "N = 1000" = "#009E73", "N = 10 000" = "#56B4E9", "N = 38 mln" = "#0f1d3a")
lin_N <- c("N = 200" = "solid", "N = 1000" = "42", "N = 10 000" = "22", "N = 38 mln" = "11")

# Margines błędu (połowa szerokości 95% CI) dla odsetka przy próbie n z populacji N, w punktach procentowych.
# Poprawka na skończoną populację: pierwiastek z (N − n) / (N − 1); przy n = N margines spada do zera.
margines <- function(n, N = Inf, odsetek = 0.5, ufnosc = 0.95) {
  fpc <- sqrt(pmax(N - n, 0) / (N - 1))
  fpc[is.infinite(N)] <- 1                       # N = Inf: bez poprawki
  100 * qnorm(1 - (1 - ufnosc) / 2) * sqrt(odsetek * (1 - odsetek) / n) * fpc
}

# Trzy fikcyjne populacje jako „mapy”: każda kratka to jedna osoba; z każdej losujemy bez zwracania 100 osób
set.seed(589)                                   # ziarno ustalone raz, bez dobierania pod wynik
populacje <- data.frame(N = c(200, 1000, 10000), kolumny = c(20, 40, 100))
n_proby <- 100
mapy <- lapply(seq_len(nrow(populacje)), function(i) {
  N <- populacje$N[i]; k <- populacje$kolumny[i]
  d <- data.frame(osoba = 1:N, x = (0:(N - 1)) %% k + 1, y = (0:(N - 1)) %/% k + 1)
  d$w_probie <- d$osoba %in% sample(N, n_proby)          # losowanie bez zwracania
  d
})
podsum <- data.frame(N = populacje$N, n = n_proby,
                     odsetek_populacji = 100 * n_proby / populacje$N,
                     margines_bez_poprawki = margines(n_proby),
                     margines_z_poprawka = margines(n_proby, populacje$N))
podsum <- rbind(podsum, data.frame(N = 38e6, n = n_proby, odsetek_populacji = 100 * n_proby / 38e6,
                                   margines_bez_poprawki = margines(n_proby), margines_z_poprawka = margines(n_proby, 38e6)))
podsum$odsetek_populacji <- signif(podsum$odsetek_populacji, 3)
podsum$margines_bez_poprawki <- round(podsum$margines_bez_poprawki, 2)
podsum$margines_z_poprawka <- round(podsum$margines_z_poprawka, 2)
format(podsum, scientific = FALSE, big.mark = " ")

rysuj_mape <- function(d, tytul, podtytul) {
  ggplot(d, aes(x, y, fill = w_probie)) +
    geom_raster() +
    scale_fill_manual(values = c("FALSE" = "grey86", "TRUE" = "#0f1d3a"),
                      labels = c("FALSE" = "poza próbą", "TRUE" = "w próbie"), name = NULL) +
    coord_fixed(expand = FALSE) +
    labs(title = tytul, subtitle = podtytul, x = NULL, y = NULL) + motyw +
    theme(axis.text = element_blank(), panel.grid = element_blank(), legend.position = "none")
}
opis_mapy <- function(i) sprintf("n = 100 to %s%% populacji\nmargines ±%.1f pp", format(podsum$odsetek_populacji[i]),
                                 podsum$margines_z_poprawka[i])
pA <- rysuj_mape(mapy[[1]], "A. N = 200", opis_mapy(1))
pB <- rysuj_mape(mapy[[2]], "B. N = 1000", opis_mapy(2))
pC <- rysuj_mape(mapy[[3]], "C. N = 10 000", opis_mapy(3))
pD <- ggplot() +
  annotate("text", x = 0, y = 0.5, hjust = 0, size = 4.4, lineheight = 1.1, colour = "#0f1d3a",
           label = sprintf("D. N = 38 mln (kraj)\n\nn = 100 to %.5f%% populacji –\nza mało, by narysować kratki.\n\nMargines ±%.1f pp:\ntaki sam jak w C.",
                           podsum$odsetek_populacji[4], podsum$margines_z_poprawka[4])) +
  xlim(0, 1) + ylim(0, 1) + theme_void()
p1 <- (pA + pB) / (pC + pD) +
  plot_annotation(title = "Ta sama próba 100 osób w populacjach różnej wielkości",
                  subtitle = "Kratka = osoba; ciemne kratki = osoby wylosowane do próby (odsetek 50%, 95% CI)",
                  theme = motyw)
# p1   # zapis: ggsave("wielkosc-proby-mapa-populacji.svg", p1, width = 10, height = 9)
Wynik w R
           N   n odsetek_populacji margines_bez_poprawki margines_z_poprawka
1        200 100         50.000000                   9.8                6.95
2      1 000 100         10.000000                   9.8                9.30
3     10 000 100          1.000000                   9.8                9.75
4 38 000 000 100          0.000263                   9.8                9.80

2. Krzywe marginesu błędu: Rysunek 2

Dane wejściowe: funkcja margines(), motyw i paleta z przepisu 1; kod nic nie losuje.

Co odczytać: tabelę marginesów (w punktach procentowych) dla sześciu liczebności próby i czterech populacji; NA oznacza próbę większą niż populacja.

R
# Rysunek 2. Margines błędu odsetka 50% w funkcji liczebności próby dla czterech wielkości populacji
# (kontynuacja: motyw, kol_N, lin_N i margines() z bloku 1)
wielkosci <- c("N = 200" = 200, "N = 1000" = 1000, "N = 10 000" = 1e4, "N = 38 mln" = 38e6)
d2 <- do.call(rbind, lapply(names(wielkosci), function(et) {
  N <- wielkosci[[et]]
  n <- unique(round(10^seq(log10(30), log10(min(N, 1e4)), length.out = 300)))
  data.frame(populacja = et, n = n, margines = margines(n, N))
}))
d2$populacja <- factor(d2$populacja, levels = names(wielkosci))

# Tabela: margines (pp) przy wybranych n; NA = próba większa niż populacja
n_tab <- c(50, 100, 200, 400, 1000, 2000)
tab2 <- sapply(wielkosci, function(N) { m <- margines(pmin(n_tab, N), N); m[n_tab > N] <- NA; m })
rownames(tab2) <- paste("n =", n_tab)
round(tab2, 2)

koniec <- do.call(rbind, lapply(split(d2, d2$populacja), function(d) d[nrow(d), ]))   # ostatni punkt linii
p2 <- ggplot(d2, aes(n, margines, colour = populacja, linetype = populacja)) +
  geom_hline(yintercept = c(3, 5), colour = "grey55", linewidth = 0.4, linetype = "dotted") +
  geom_line(linewidth = 1.1) +
  geom_point(data = koniec, size = 2.6) +
  annotate("text", x = 32, y = c(3, 5), label = c("±3 pp", "±5 pp"), vjust = -0.4, hjust = 0, size = 3.6, colour = "grey35") +
  annotate("text", x = 2600, y = 4.2, hjust = 0.5, size = 3.6, lineheight = 0.95, colour = "grey25",
           label = "kropka na końcu linii:\nn = N, zbadano wszystkich\n(dla 38 mln: n = 10 000)") +
  scale_x_log10(breaks = c(30, 100, 200, 400, 1000, 2000, 1e4), labels = scales::label_number(big.mark = " ")) +
  scale_y_continuous(limits = c(0, 18), breaks = seq(0, 18, 3)) +
  scale_colour_manual(values = kol_N, name = NULL) + scale_linetype_manual(values = lin_N, name = NULL) +
  guides(colour = guide_legend(nrow = 2), linetype = guide_legend(nrow = 2)) +
  labs(x = "Liczebność próby n (skala logarytmiczna)", y = "Margines błędu (± punkty procentowe)",
       title = "Margines błędu zależy od n; od N – dopiero gdy próba to duża część populacji",
       subtitle = "Odsetek 50%, 95% CI, losowanie bez zwracania z poprawką na skończoną populację") + motyw
# p2   # zapis: ggsave("wielkosc-proby-margines-a-n.svg", p2, width = 10, height = 6.4)
Wynik w R
         N = 200 N = 1000 N = 10 000 N = 38 mln
n = 50     12.03    13.51      13.83      13.86
n = 100     6.95     9.30       9.75       9.80
n = 200     0.00     6.20       6.86       6.93
n = 400       NA     3.80       4.80       4.90
n = 1000      NA     0.00       2.94       3.10
n = 2000      NA       NA       1.96       2.19

3. 1000 sondaży w trzech populacjach: Rysunek 3

Dane wejściowe: funkcja margines() i motyw; kod losuje 3 × 1000 sondaży funkcją rhyper() (losowanie bez zwracania, set.seed(589)).

Co odczytać: średnią i odchylenie standardowe 1000 oszacowań, błąd standardowy ze wzoru bez poprawki i z poprawką, odsetek sondaży w granicach ±1.96 SE z błędem Monte Carlo oraz marginesy dla kółek z panelu B.

R
# Rysunek 3. 1000 sondaży po n = 1000 osób: populacja 2000 osób, miasto 50 000 i kraj 38 mln
# (kontynuacja: motyw, margines() z bloku 1)
set.seed(589)                                   # ziarno ustalone raz, bez dobierania pod wynik
p_prawdziwe <- 0.40                             # fikcyjnie: 40% osób uprawia sport co najmniej raz w tygodniu
n_sondazu <- 1000; R <- 1000
miejsca <- c("2000 osób (n/N = 50%)" = 2000, "miasto: 50 000 (n/N = 2%)" = 5e4, "kraj: 38 mln (n/N = 0.003%)" = 38e6)
# rhyper() losuje liczbę osób „tak” w próbie bez zwracania z populacji o N osobach, w tym 40% „tak”
d3 <- do.call(rbind, lapply(names(miejsca), function(et) {
  N <- miejsca[[et]]; tak <- round(p_prawdziwe * N)
  data.frame(populacja = et, N = N, odsetek = 100 * rhyper(R, m = tak, n = N - tak, k = n_sondazu) / n_sondazu)
}))
d3$populacja <- factor(d3$populacja, levels = names(miejsca))

# Rozrzut 1000 oszacowań (SD) i margines z symulacji (1.96 × SD) vs wzór bez poprawki i z poprawką
wyn3 <- do.call(rbind, lapply(split(d3, d3$populacja), function(d) {
  N <- d$N[1]; se_bez <- 100 * sqrt(p_prawdziwe * (1 - p_prawdziwe) / n_sondazu)
  data.frame(N = N, srednia = mean(d$odsetek), SD_symulacja = sd(d$odsetek),
             SE_wzor_bez_poprawki = se_bez, SE_wzor_z_poprawka = se_bez * sqrt((N - n_sondazu) / (N - 1)),
             margines_symulacja = 1.96 * sd(d$odsetek),
             w_przedziale_95 = mean(abs(d$odsetek - 100 * p_prawdziwe) <= qnorm(.975) * se_bez * sqrt((N - n_sondazu) / (N - 1))))
}))
wyn3$blad_MC_pp <- 100 * sqrt(wyn3$w_przedziale_95 * (1 - wyn3$w_przedziale_95) / R)   # błąd Monte Carlo odsetka
round(wyn3[, -1], 3)

# Panel B: margines dla n = 1000 (i n = 400) w funkcji wielkości populacji N
dB <- expand.grid(N = round(10^seq(log10(1000), log10(38e6), length.out = 400)), n = c(400, 1000))
dB <- dB[dB$N >= dB$n, ]
dB$margines <- margines(dB$n, dB$N, odsetek = p_prawdziwe)
dB$proba <- factor(paste("n =", dB$n), levels = c("n = 400", "n = 1000"))
punkty3 <- data.frame(N = unname(miejsca), margines = margines(n_sondazu, unname(miejsca), odsetek = p_prawdziwe))
format(transform(punkty3, margines = round(margines, 2)), scientific = FALSE, big.mark = " ")

p3a <- ggplot(d3, aes(odsetek)) +
  geom_histogram(binwidth = 0.5, boundary = 0, fill = "#9FD3F2", colour = "white", linewidth = 0.2) +
  geom_vline(xintercept = 100 * p_prawdziwe, colour = "#D55E00", linewidth = 1) +
  facet_wrap(~ populacja, ncol = 1) +
  scale_x_continuous(limits = c(34, 46), breaks = seq(34, 46, 2)) +
  labs(x = "Odsetek „tak” w sondażu (%)", y = "Liczba sondaży",
       title = "A. 1000 sondaży po 1000 osób",
       subtitle = "Pionowa linia: prawdziwe 40%") + motyw
p3b <- ggplot(dB, aes(N, margines, linetype = proba)) +
  geom_line(colour = "#0072B2", linewidth = 1.1) +
  geom_point(data = punkty3, aes(N, margines), inherit.aes = FALSE, shape = 21, size = 3.2,
             fill = "#D55E00", colour = "grey10") +
  scale_x_log10(breaks = c(1e3, 1e4, 1e5, 1e6, 1e7), labels = c("1 tys.", "10 tys.", "100 tys.", "1 mln", "10 mln")) +
  scale_y_continuous(limits = c(0, 5.2), breaks = 0:5) +
  scale_linetype_manual(values = c("n = 400" = "22", "n = 1000" = "solid"), name = NULL) +
  labs(x = "Wielkość populacji N (skala logarytmiczna)", y = "Margines błędu (± pp)",
       title = "B. Margines a wielkość populacji",
       subtitle = "Odsetek 40%; kółka: populacje z A") + motyw
p3 <- p3a + p3b
# p3   # zapis: ggsave("wielkosc-proby-miasto-i-kraj.svg", p3, width = 10, height = 7)
Wynik w R
                            srednia SD_symulacja SE_wzor_bez_poprawki SE_wzor_z_poprawka
2000 osób (n/N = 50%)        39.888        1.131                1.549              1.096
miasto: 50 000 (n/N = 2%)    40.054        1.539                1.549              1.534
kraj: 38 mln (n/N = 0.003%)  39.959        1.540                1.549              1.549
                            margines_symulacja w_przedziale_95 blad_MC_pp
2000 osób (n/N = 50%)                    2.218           0.942      0.739
miasto: 50 000 (n/N = 2%)                3.016           0.956      0.649
kraj: 38 mln (n/N = 0.003%)              3.018           0.962      0.605
           N margines
1      2 000     2.15
2     50 000     3.01
3 38 000 000     3.04

4. Populacja 120 osób: poprawka i symulacja: Rysunek 4

Dane wejściowe: funkcja margines() i motyw; kod tworzy fikcyjną kadrę 120 osób (te same dane co w pliku CSV) i dwa razy losuje po 10 000 prób (set.seed(589) przed każdą symulacją).

Co odczytać: średnią i SD w populacji, liczbę osób potrzebną do ±5 pp z poprawką i bez, liczbę zaproszeń przy 60% odpowiedzi, marginesy przy 60 i 100 osobach, SD 10 000 średnich wobec dwóch wzorów oraz pokrycie przedziałów z błędem Monte Carlo.

R
# Rysunek 4. Mała populacja: 120 pielęgniarek jednego szpitala
# (kontynuacja: motyw, margines() z bloku 1)
set.seed(589)                                   # ziarno ustalone raz, bez dobierania pod wynik
N_mala <- 120
# Fikcyjna populacja: wynik skali wypalenia 0–40 pkt (parametry 22 i 6 pkt ustawione ręcznie)
kadra <- data.frame(osoba = 1:N_mala, wynik = pmin(pmax(round(rnorm(N_mala, mean = 22, sd = 6)), 0), 40))
# write.csv(kadra, "wielkosc-proby-populacja-120-pielegniarek.csv", row.names = FALSE)   # ten sam plik CSV
mu <- mean(kadra$wynik); S <- sd(kadra$wynik)    # prawdziwa średnia i SD populacji (znane, bo dane są fikcyjne)
round(c(N = N_mala, srednia_populacji = mu, SD_populacji = S), 3)

# Panel A: ile osób potrzeba do marginesu ±5 pp (odsetek 50%) z poprawką i bez niej
n0 <- qnorm(.975)^2 * 0.25 / 0.05^2              # wzór dla bardzo dużej populacji
n_fpc <- ceiling(n0 / (1 + (n0 - 1) / N_mala))   # z poprawką na skończoną populację
c(n_bez_poprawki = ceiling(n0), n_z_poprawka = n_fpc, odsetek_kadry = round(100 * n_fpc / N_mala, 1),
  zaproszenia_przy_60_proc_odpowiedzi = ceiling(n_fpc / 0.60))
round(c(margines_n60_bez = margines(60), margines_n60_z = margines(60, N_mala),
        margines_n100_z = margines(100, N_mala)), 2)

# Panel B: 10 000 prób po 60 osób losowanych bez zwracania; rozkład średnich vs dwa wzory na błąd standardowy
n_mala <- 60; R4 <- 10000
srednie <- replicate(R4, mean(sample(kadra$wynik, n_mala)))
se_bez <- S / sqrt(n_mala)
se_z <- S / sqrt(n_mala) * sqrt(1 - n_mala / N_mala)   # to samo co SD_N/√n × √[(N − n)/(N − 1)]
round(c(SD_srednich_symulacja = sd(srednie), SE_wzor_bez_poprawki = se_bez, SE_wzor_z_poprawka = se_z), 3)

# Pokrycie 95% przedziału t (z próby) bez poprawki i z poprawką – 10 000 nowych prób, błąd Monte Carlo
set.seed(589)
trafienia <- replicate(R4, {
  x <- sample(kadra$wynik, n_mala); se <- sd(x) / sqrt(n_mala); t <- qt(.975, n_mala - 1)
  c(bez = abs(mean(x) - mu) <= t * se, z = abs(mean(x) - mu) <= t * se * sqrt(1 - n_mala / N_mala))
})
pokrycie <- rowMeans(trafienia)
round(rbind(pokrycie_proc = 100 * pokrycie, blad_MC_pp = 100 * sqrt(pokrycie * (1 - pokrycie) / R4)), 2)

dA <- data.frame(n = rep(10:N_mala, 2), rodzaj = rep(c("bez poprawki", "z poprawką (N = 120)"), each = N_mala - 9))
dA$margines <- ifelse(dA$rodzaj == "bez poprawki", margines(dA$n), margines(dA$n, N_mala))
p4a <- ggplot(dA, aes(n, margines, linetype = rodzaj, colour = rodzaj)) +
  annotate("rect", xmin = n_fpc, xmax = N_mala, ymin = -Inf, ymax = Inf, fill = "#E69F00", alpha = 0.15) +
  geom_hline(yintercept = 5, colour = "grey55", linetype = "dotted") +
  geom_line(linewidth = 1.1) +
  annotate("point", x = n_fpc, y = margines(n_fpc, N_mala), size = 3.2, shape = 21, fill = "#D55E00", colour = "grey10") +
  annotate("text", x = n_fpc - 2, y = 22, hjust = 1, size = 3.7, lineheight = 0.95,
           label = sprintf("±5 pp wymaga\n%d z 120 osób\n(%.0f%% kadry)", n_fpc, 100 * n_fpc / N_mala)) +
  scale_colour_manual(values = c("bez poprawki" = "grey45", "z poprawką (N = 120)" = "#0072B2"), name = NULL) +
  scale_linetype_manual(values = c("bez poprawki" = "22", "z poprawką (N = 120)" = "solid"), name = NULL) +
  scale_x_continuous(breaks = seq(0, 120, 20)) + scale_y_continuous(limits = c(0, 32), breaks = seq(0, 30, 5)) +
  labs(x = "Liczba osób w próbie n", y = "Margines błędu (± pp)", title = "A. Margines dla odsetka 50%",
       subtitle = "Pole pomarańczowe: zbadaj wszystkich") + motyw +
  guides(colour = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1))
siatka4 <- seq(mu - 4 * se_bez, mu + 4 * se_bez, length.out = 300)
krzywe4 <- data.frame(x = rep(siatka4, 2), wzor = rep(c("bez poprawki", "z poprawką"), each = 300),
                      y = c(dnorm(siatka4, mu, se_bez), dnorm(siatka4, mu, se_z)))
p4b <- ggplot(data.frame(srednia = srednie), aes(srednia)) +
  geom_histogram(aes(y = after_stat(density)), binwidth = 0.1, fill = "#9FD3F2", colour = NA) +
  geom_line(data = krzywe4, aes(x, y, linetype = wzor, colour = wzor), linewidth = 1) +
  geom_vline(xintercept = mu, colour = "#D55E00", linewidth = 0.9) +
  scale_colour_manual(values = c("bez poprawki" = "grey45", "z poprawką" = "#0072B2"), name = "Wzór na SE:") +
  scale_linetype_manual(values = c("bez poprawki" = "22", "z poprawką" = "solid"), name = "Wzór na SE:") +
  labs(x = "Średnia w próbie 60 osób (pkt)", y = "Gęstość",
       title = "B. 10 000 prób po 60 osób",
       subtitle = sprintf("SD średnich %.2f; SE ze wzoru %.2f / %.2f", sd(srednie), se_z, se_bez)) + motyw +
  guides(colour = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1))
p4 <- p4a + p4b
# p4   # zapis: ggsave("wielkosc-proby-mala-populacja.svg", p4, width = 10, height = 6)
Wynik w R
                N srednia_populacji      SD_populacji 
          120.000            21.550             5.583 
                     n_bez_poprawki                        n_z_poprawka 
                              385.0                                92.0 
                      odsetek_kadry zaproszenia_przy_60_proc_odpowiedzi 
                               76.7                               154.0 
margines_n60_bez   margines_n60_z  margines_n100_z 
           12.65             8.98             4.02 
SD_srednich_symulacja  SE_wzor_bez_poprawki    SE_wzor_z_poprawka 
                0.514                 0.721                 0.510 
                bez     z
pokrycie_proc 99.34 95.02
blad_MC_pp     0.08  0.22

5. Potrzebne n i procent populacji: Rysunek 5

Dane wejściowe: funkcja margines() i motyw; kod nic nie losuje.

Co odczytać: liczbę osób i procent populacji potrzebne do marginesu ±5 i ±3 pp dla dziesięciu wielkości populacji oraz margines przy regule „10% populacji”.

R
# Rysunek 5. Ile osób potrzeba do marginesu ±5 i ±3 pp – w liczbach i jako procent populacji
# (kontynuacja: motyw, margines() z bloku 1)
potrzebne_n <- function(N, e, odsetek = 0.5) {         # n0 dla dużej populacji, potem poprawka na skończoną populację
  n0 <- qnorm(.975)^2 * odsetek * (1 - odsetek) / e^2
  ceiling(n0 / (1 + (n0 - 1) / N))
}
N_tab <- c(120, 200, 500, 1000, 2000, 5000, 10000, 1e5, 1e6, 38e6)
tab5 <- data.frame(N = N_tab, n_5pp = potrzebne_n(N_tab, 0.05), n_3pp = potrzebne_n(N_tab, 0.03))
tab5$proc_5pp <- round(100 * tab5$n_5pp / tab5$N, 3); tab5$proc_3pp <- round(100 * tab5$n_3pp / tab5$N, 3)
format(tab5, scientific = FALSE, big.mark = " ")

# Reguła „10% populacji” – jaki margines daje w populacjach różnej wielkości?
N_10 <- c(200, 1000, 10000, 1e5)
format(data.frame(N = N_10, n = N_10 / 10, margines_pp = round(margines(N_10 / 10, N_10), 2)), scientific = FALSE, big.mark = " ")

d5 <- expand.grid(N = round(10^seq(log10(100), log10(38e6), length.out = 400)), e = c(0.05, 0.03))
d5$n <- potrzebne_n(d5$N, d5$e)
d5$procent <- 100 * d5$n / d5$N
d5$margines <- factor(ifelse(d5$e == 0.05, "±5 pp", "±3 pp"), levels = c("±5 pp", "±3 pp"))
osx <- scale_x_log10(breaks = c(100, 1e3, 1e4, 1e5, 1e6, 1e7),
                     labels = c("100", "1 tys.", "10 tys.", "100 tys.", "1 mln", "10 mln"))
kol5 <- c("±5 pp" = "#0072B2", "±3 pp" = "#D55E00"); lin5 <- c("±5 pp" = "solid", "±3 pp" = "22")
p5a <- ggplot(d5, aes(N, n, colour = margines, linetype = margines)) +
  geom_line(data = data.frame(N = 100:1100, n = 100:1100), aes(N, n), inherit.aes = FALSE,
            colour = "grey60", linewidth = 0.5) +
  geom_line(linewidth = 1.1) +
  annotate("text", x = 1300, y = 1050, label = "n = N\n(cała populacja)", hjust = 0, vjust = 1, size = 3.5, colour = "grey40") +
  osx + scale_y_continuous(limits = c(0, 1100), breaks = seq(0, 1000, 200)) +
  scale_colour_manual(values = kol5, name = "Margines:") + scale_linetype_manual(values = lin5, name = "Margines:") +
  coord_cartesian(clip = "off") +
  labs(x = "Wielkość populacji N (log)", y = "Potrzebna liczba osób n",
       title = "A. Liczba osób", subtitle = "Rośnie, ale szybko przestaje") + motyw
p5b <- ggplot(d5, aes(N, procent, colour = margines, linetype = margines)) +
  geom_line(linewidth = 1.1) +
  osx + scale_y_continuous(limits = c(0, 100), breaks = seq(0, 100, 20), labels = function(x) paste0(x, "%")) +
  scale_colour_manual(values = kol5, name = "Margines:") + scale_linetype_manual(values = lin5, name = "Margines:") +
  labs(x = "Wielkość populacji N (log)", y = "n jako procent populacji",
       title = "B. Procent populacji", subtitle = "Spada niemal do zera") + motyw
p5 <- (p5a + p5b) + plot_layout(guides = "collect") & theme(legend.position = "bottom")
# p5   # zapis: ggsave("wielkosc-proby-procent-populacji.svg", p5, width = 10, height = 6)
Wynik w R
            N n_5pp n_3pp proc_5pp proc_3pp
1         120    92   108   76.667   90.000
2         200   132   169   66.000   84.500
3         500   218   341   43.600   68.200
4       1 000   278   517   27.800   51.700
5       2 000   323   697   16.150   34.850
6       5 000   357   880    7.140   17.600
7      10 000   370   965    3.700    9.650
8     100 000   383 1 056    0.383    1.056
9   1 000 000   384 1 066    0.038    0.107
10 38 000 000   385 1 068    0.001    0.003
        N      n margines_pp
1     200     20       20.84
2   1 000    100        9.30
3  10 000  1 000        2.94
4 100 000 10 000        0.93

6. Odsetek odpowiedzi i efekt schematu: Rysunek 6

Dane wejściowe: funkcja margines() i motyw; założenia (25 grup, 400 zaproszeń, 60% odpowiedzi, ICC = .05) ustawione ręcznie; kod nic nie losuje.

Co odczytać: średnią liczbę respondentów w grupie, efekt schematu, efektywną liczebność i marginesy bez poprawki i z poprawką na skończoną populację 5000 osób.

R
# Rysunek 6. Od liczby zaproszonych do efektywnej liczebności: braki odpowiedzi i efekt schematu
# (kontynuacja: motyw, margines() z bloku 1; ten blok nic nie losuje – same rachunki)
N_uczelnia <- 5000                               # fikcyjna uczelnia: 5000 studentów
grupy <- 25; zaproszeni <- 400                   # wylosowane całe grupy ćwiczeniowe (25 grup po 16 osób)
odsetek_odp <- 0.60; ICC <- 0.05                 # założenia ustawione ręcznie: 60% odpowiedzi, ICC = .05
odpowiedzi <- zaproszeni * odsetek_odp
m <- odpowiedzi / grupy                          # średnio respondentów w grupie
deff <- 1 + (m - 1) * ICC                        # efekt schematu dla doboru zespołowego (przybliżenie)
n_eff <- odpowiedzi / deff
etapy <- data.frame(
  etap = c("1. Plan: 400 osób, wszyscy odpowiadają", "2. Odpowiedziało 60%: 240 osób",
           sprintf("3. Dobór grupami (deff = %.2f): efektywnie %.0f", deff, n_eff)),
  n = c(zaproszeni, odpowiedzi, n_eff))
etapy$margines_bez_poprawki <- margines(etapy$n)
etapy$margines_z_poprawka <- margines(etapy$n, N_uczelnia)
round(c(m = m, deff = deff, n_eff = n_eff), 2)
etapy[, -1] <- round(etapy[, -1], 2); etapy

etapy$etap <- factor(etapy$etap, levels = rev(etapy$etap))
p6 <- ggplot(etapy, aes(y = etap)) +
  geom_vline(xintercept = 50, colour = "grey60", linewidth = 0.4) +
  geom_errorbar(aes(xmin = 50 - margines_z_poprawka, xmax = 50 + margines_z_poprawka),
                width = 0.25, linewidth = 1.1, colour = "#0072B2", orientation = "y") +
  geom_point(aes(x = 50), shape = 21, size = 3.4, fill = "#D55E00", colour = "grey10") +
  geom_text(aes(x = 50 + margines_z_poprawka, label = sprintf("±%.1f pp", margines_z_poprawka)),
            hjust = -0.25, size = 4, colour = "#0f1d3a") +
  scale_x_continuous(limits = c(38, 62), breaks = seq(40, 60, 5), labels = function(x) paste0(x, "%")) +
  labs(x = "Odsetek 50% z 95% przedziałem ufności", y = NULL,
       title = "Prawdziwe n jest mniejsze niż liczba zaproszeń",
       subtitle = "Uczelnia 5000 studentów; 95% CI z poprawką na skończoną populację") +
  motyw + theme(plot.title.position = "plot", panel.grid.major.y = element_blank(), axis.text.y = element_text(size = 12, colour = "grey15"))
# p6   # zapis: ggsave("wielkosc-proby-efektywne-n.svg", p6, width = 10, height = 4.6)
Wynik w R
     m   deff  n_eff 
  9.60   1.43 167.83 
                                            etap      n margines_bez_poprawki margines_z_poprawka
1         1. Plan: 400 osób, wszyscy odpowiadają 400.00                  4.90                4.70
2                 2. Odpowiedziało 60%: 240 osób 240.00                  6.33                6.17
3 3. Dobór grupami (deff = 1.43): efektywnie 168 167.83                  7.56                7.44

7. Kontrola palety: symulacja zaburzeń widzenia barw

Dane wejściowe: kolory użyte na rysunkach i – dla porównania – para czerwony–zielony.

Co odczytać: najmniejszą odległość barw ΔE w przestrzeni CIELAB w każdym zestawie przy typowym widzeniu oraz po symulacji deuteranopii i protanopii; im mniejsza, tym trudniej odróżnić kolory.

R
# Czy kolory rysunków przetrwają zaburzenia widzenia barw? Symulacja w pakiecie colorspace
library(colorspace)
roznica <- function(k) {                        # najmniejsza odległość ΔE (CIELAB) między kolorami zestawu
  lab <- coords(as(hex2RGB(k), "LAB")); min(dist(lab))
}
zestawy <- list("mapa: w próbie / poza próbą (rysunek 1)" = c("#0f1d3a", "grey86"),
                "4 populacje (rysunek 2)" = c("#D55E00", "#009E73", "#56B4E9", "#0f1d3a"),
                "histogram, prawda, krzywa (rysunki 3–4)" = c("#9FD3F2", "#D55E00", "#0072B2", "grey45"),
                "±5 i ±3 pp (rysunek 5)" = c("#0072B2", "#D55E00"),
                "czerwony – zielony (dla porównania)" = c("#E41A1C", "#4DAF4A"))
zestawy <- lapply(zestawy, function(k) rgb(t(col2rgb(k)), maxColorValue = 255))
round(t(sapply(zestawy, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(k)),
                                      protanopia = roznica(protan(k))))), 1)
Wynik w R
                                        widzenie_typowe deuteranopia protanopia
mapa: w próbie / poza próbą (rysunek 1)            79.2         79.9       77.6
4 populacje (rysunek 2)                            59.5         48.8       37.3
histogram, prawda, krzywa (rysunki 3–4)            40.5         39.5       38.2
±5 i ±3 pp (rysunek 5)                            114.6        108.3       91.9
czerwony – zielony (dla porównania)               121.7         21.1       31.6

Bibliografia oprogramowania

Liczby na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (losowanie bez zwracania, rozkład hipergeometryczny i kwantyle – pakiety base i stats). Rysunki wykonano w ggplot2 z opisami osi z pakietu scales, panele złożono pakietem patchwork i zapisano pakietem svglite; paletę sprawdzono pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  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/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. scales (wersja 1.4.0): Wickham, H., Pedersen, T. L., & Seidel, D. (2025). scales: Scale functions for visualization [R package]. https://doi.org/10.32614/CRAN.package.scales
  4. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  5. colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1), 1–49. https://doi.org/10.18637/jss.v096.i01
  6. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze błędy

  • „Próba stanowi X% populacji, więc jest wystarczająca”. Procent populacji nie mówi o precyzji (rysunek 5).
  • Pominięcie poprawki, gdy zbadano połowę populacji. Przedział wychodzi wtedy niepotrzebnie szeroki (rysunek 4).
  • Margines policzony z liczby zaproszeń zamiast z liczby odpowiedzi i bez efektu schematu (rysunek 6).

Najczęstsze pytania

Czy większa populacja wymaga większej próby?

Przy doborze losowym – prawie nie, gdy populacja liczy kilkadziesiąt tysięcy osób lub więcej. Dla odsetka 50% i 95% CI margines ±5 pp wymaga 370 osób przy populacji 10 000 i 385 przy 38 mln. Liczebność rośnie wyraźnie tylko w małych populacjach: 132 osoby przy 200 i 278 przy 1000. W 1000 symulowanych sondaży po 1000 osób rozrzut wyników był niemal taki sam w mieście 50 000 osób i w kraju 38 mln (SD 1.539 i 1.540 pp).

Czy próba stanowiąca 10% populacji wystarczy?

Stały procent populacji nie gwarantuje precyzji. Przy populacji 200 osób 10% to 20 osób i margines ±20.8 pp, przy 1000 osób – ±9.3 pp, przy 10 000 – ±2.9 pp, a przy 100 000 – ±0.9 pp. Liczebność ustalaj z wymaganej precyzji albo z analizy mocy, a nie z procentu populacji.

Od jakiego odsetka populacji w próbie warto uwzględnić poprawkę na skończoną populację?

Poprawka mnoży błąd standardowy przez √[(N − n)/(N − 1)], więc liczy się, gdy próba to wyraźna część populacji. Przy 100 osobach z 10 000 (1%) zmienia margines z ±9.80 na ±9.75 pp, przy 100 z 1000 (10%) – na ±9.30 pp, a przy 100 z 200 (50%) – na ±6.95 pp. W symulacji z populacją 120 osób przedział t bez poprawki objął średnią w 99.34% prób zamiast 95%, a z poprawką – w 95.02%.

Czy w małej populacji lepiej losować próbę, czy zbadać wszystkich?

Gdy potrzebna liczba osób zbliża się do wielkości populacji, losowanie traci sens. W kadrze 120 pielęgniarek margines ±5 pp wymaga 92 osób (77%), a przy oczekiwanych 60% odpowiedzi trzeba by zaprosić 154 osoby – więcej, niż liczy kadra. Zaproś wtedy wszystkich i opisz badanie jako pełne; zbadanie (prawie) całej populacji to jeden z uznanych sposobów uzasadnienia liczebności (Lakens, 2022).

Dlaczego efektywna liczebność próby jest mniejsza niż liczba ankiet?

Bo precyzję obniżają braki odpowiedzi i efekt schematu. W przykładzie z 400 zaproszeń w 25 grupach ćwiczeniowych odpowiedziało 240 osób (60%), a przy korelacji wewnątrzgrupowej .05 efekt schematu wyniósł 1.43, więc efektywnie zostało około 168 osób. Margines dla odsetka 50% wzrósł z ±4.7 do ±7.4 pp. Brak odpowiedzi może też obciążyć wynik, czego margines nie pokazuje.

Powiązane hasła

Przeczytaj też

Nie wiesz, ile osób zbadać w swojej populacji?

Pomożemy ustalić liczebność próby z wymaganej precyzji lub analizy mocy, policzyć margines błędu z poprawką na skończoną populację i opisać dobór próby w rozdziale Metoda – tak, żebyś umiał(a) to obronić.

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. 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
  4. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), Article 33267. https://doi.org/10.1525/collabra.33267 ● Otwarty dostęp
  5. Lohr, S. L. (2021). Sampling: Design and analysis (3rd ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9780429298899
  6. Meng, X.-L. (2018). Statistical paradises and paradoxes in big data (I): Law of large populations, big data paradox, and the 2016 US presidential election. The Annals of Applied Statistics, 12(2), 685–726. https://doi.org/10.1214/18-aoas1161sf ● Otwarty dostęp

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{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}}
@article{lakens2022sample, author={Lakens, Daniël}, title={{Sample size justification}}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, eid={33267}, doi={10.1525/collabra.33267}}
@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{meng2018statistical, author={Meng, Xiao-Li}, title={{Statistical paradises and paradoxes in big data (I): Law of large populations, big data paradox, and the 2016 US presidential election}}, journal={The Annals of Applied Statistics}, year={2018}, volume={12}, number={2}, pages={685--726}, doi={10.1214/18-aoas1161sf}}
R