Słownik metodologiczny · Dobór próby

Dobór losowy prosty – jak wylosować próbę z listy?

Dobór losowy prosty daje każdej osobie z operatu tę samą szansę wyboru. Pokazujemy definicję, błąd standardowy z poprawką na skończoną populację, przykład losowania w R i różnicę między losowym doborem a losowym przydziałem.

Strona główna / Słownik / Dobór losowy prosty
W skrócie: Dobór losowy prosty to losowanie n osób z listy N osób tak, że każdy zestaw n osób ma tę samą szansę zostać próbą, a każda osoba – prawdopodobieństwo n/N. Jest punktem odniesienia dla innych schematów; błąd standardowy liczy się z poprawką 1 − n/N, gdy próba obejmuje dużą część populacji.

Co to jest dobór losowy prosty?

Dobór losowy prosty (prosta próba losowa, ang. simple random sampling, SRS) to losowanie n jednostek z operatu liczącego N jednostek tak, że każdy możliwy zestaw n osób ma tę samą szansę zostać próbą. Każda osoba ma wtedy prawdopodobieństwo wyboru n/N. Zwykle losuje się bez zwracania: ta sama osoba nie trafia do próby dwa razy. Berndt (2020) zalicza ten schemat do podstawowych technik probabilistycznych, obok doboru systematycznego, warstwowego i zespołowego.

Prosty dobór losowy jest punktem odniesienia dla innych schematów. Efekt schematu to właśnie stosunek wariancji w danym schemacie do wariancji w prostej próbie losowej tej samej liczebności. Elliott i Valliant (2017) przypominają, że przy losowaniu wnioskowanie wynika z samego mechanizmu wyboru, a nie z założeń o populacji.

Błąd standardowy i poprawka na skończoną populację

Dla odsetka p z próby błąd standardowy wynosi SE = √[p(1 − p)/(n − 1) × (1 − n/N)]. Czynnik 1 − n/N to poprawka na skończoną populację: gdy próba obejmuje dużą część populacji, niepewność maleje. Gdy próba to niewielki ułamek populacji, np. 400 osób z całego kraju, poprawka jest bliska 1 i można ją pominąć.

Przykład w R

Operat to lista 800 uczniów szkoły, a badana cecha to doświadczenie cyberprzemocy (w populacji 21.9%). Funkcja sample() wylosowała 200 uczniów, wśród których odsetek wyniósł 22.5%. Poprawka wynosi 1 − 200/800 = 0.75, więc SE = 0.026 zamiast 0.030 bez poprawki, a 95% przedział ufności to [17.5%; 27.5%]. W 5000 powtórzeniach średnia oszacowań wyniosła 21.9%, a empiryczny błąd standardowy 0.026, zgodnie ze wzorem.

Na rysunku

Rysunek korzysta z tego samego operatu co przykład (800 uczniów, set.seed(5141), odsetek w populacji 21.9%) i losuje z niego po 5000 prób o liczebności 50, 200 i 400.

Trzy histogramy jeden pod drugim, na wspólnej osi odsetka od 5% do 40%. Każdy pokazuje odsetek uczniów z doświadczeniem cyberprzemocy w 5000 prostych próbach losowych z operatu 800 uczniów: dla n = 50 (pomarańczowy, najszerszy, od około 8% do 38%), n = 200 (niebieski, węższy) i n = 400 (zielony, najwęższy, od około 18% do 26%). Wszystkie są wyśrodkowane na przerywanej linii prawdziwego odsetka 21.9%, a czarna krzywa normalna dobrze do nich pasuje. Opisy w panelach: SE = 0.057 i 1914 z 5000 prób dalej niż 5 punktów procentowych od prawdy; SE = 0.026 i 253 próby; SE = 0.015 i 1 próba
Rysunek 1. Rozkład odsetka z 5000 prostych prób losowych o liczebności 50, 200 i 400 z operatu 800 uczniów. Obliczenia: R, pakiet ggplot2 (dane symulowane, set.seed(5141)).

Co widać. Każdy histogram to rozkład odsetka z 5000 prób jednej liczebności. Czarna krzywa to rozkład normalny z błędem standardowym liczonym z poprawką na skończoną populację. Wszystkie trzy rozkłady są wyśrodkowane na prawdziwym odsetku (średnie 22.0%, 21.9% i 21.9%), bo dobór losowy prosty nie jest obciążony. Zmienia się tylko rozrzut: SE wynosi 0.057, 0.026 i 0.015. Przy n = 50 aż 1914 z 5000 prób minęło się z prawdą o więcej niż 5 punktów procentowych, przy n = 200 – 253, a przy n = 400 – jedna. Przejście z 200 do 400 osób zmniejszyło SE bardziej niż √2 razy, bo 400 osób to połowa operatu: wzór bez poprawki dałby 0.021, z poprawką 0.015, tyle samo co symulacja.

Na co uważać. Rysunek pokazuje wyłącznie błąd losowania. Nie widać na nim braków odpowiedzi ani błędów operatu, które w prawdziwym badaniu przesuwają cały rozkład, a nie tylko go poszerzają. W jednym badaniu masz jeden punkt z takiego histogramu, a nie cały rozkład; jego szerokość szacujesz z próby. O marginesie błędu w sondażach piszemy we wpisie sondaż w obrazkach, a o tym, kiedy wielkość populacji ma znaczenie – we wpisie wielkość próby a wielkość populacji w obrazkach.

Podpis do pracy:

Rysunek 1. Rozkład odsetka uczniów, którzy doświadczyli cyberprzemocy, w 5000 prostych próbach losowych o liczebności 50, 200 i 400 z operatu 800 uczniów. Uwaga. Linia przerywana oznacza odsetek w populacji (21.9%), krzywa – rozkład normalny z błędem standardowym z poprawką na skończoną populację. Dane symulowane.

Kod rysunku jest samowystarczalny. Rysunek na stronie powstał z tego samego kodu, w którym podmieniono tylko motyw (krój czcionki, siatka).

Kod R rysunku 1
# Rysunek 1. Rozkład odsetka z 5000 prostych prób losowych o różnej liczebności z operatu 800 uczniów
library(ggplot2)

kol <- c("n = 50" = "#E69F00", "n = 200" = "#0072B2", "n = 400" = "#009E73")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), legend.position = "bottom",
        plot.title = element_text(face = "bold", size = rel(0.95)))

set.seed(5141)                                   # ten sam operat co w przykładzie w haśle
N <- 800
operat <- data.frame(id = 1:N, cyber = rbinom(N, 1, 0.22))
P <- mean(operat$cyber)
ns <- c(50, 200, 400)
# 5000 prób bez zwracania dla każdej liczebności
wyniki <- do.call(rbind, lapply(ns, function(n)
  data.frame(n = n, p = replicate(5000, mean(operat$cyber[sample(N, n)])))))
# błąd standardowy: empiryczny, ze wzoru z poprawką na skończoną populację i bez niej
tab <- t(sapply(ns, function(n) {
  p_n <- wyniki$p[wyniki$n == n]
  c(n = n, srednia_p = mean(p_n), SE_empiryczny = sd(p_n),
    SE_z_fpc = sqrt(P * (1 - P) / n * (N - n) / (N - 1)), SE_bez_fpc = sqrt(P * (1 - P) / n),
    poza_5pp = sum(abs(p_n - P) > 0.05))
}))
round(tab, 3)

wyniki$n <- factor(paste("n =", wyniki$n), levels = names(kol))
krzywe <- do.call(rbind, lapply(ns, function(n) {
  x <- seq(0.05, 0.40, by = 0.002)
  data.frame(n = paste("n =", n), x = x, gestosc = dnorm(x, P, sqrt(P * (1 - P) / n * (N - n) / (N - 1))))
}))
krzywe$n <- factor(krzywe$n, levels = names(kol))
opis <- data.frame(n = factor(names(kol), levels = names(kol)),
                   tekst = sprintf("SE = %.3f\npoza ±5 pp: %d z 5000", tab[, "SE_empiryczny"], tab[, "poza_5pp"]))
# szerokość słupka = krok, o jaki może zmienić się odsetek (1/50; przy n = 200 i 400 – 0.005)
p1 <- ggplot(wyniki, aes(p)) +
  geom_histogram(data = subset(wyniki, n == "n = 50"), aes(y = after_stat(density), fill = n),
                 binwidth = 0.02, boundary = 0.01, colour = "white", linewidth = 0.2) +
  geom_histogram(data = subset(wyniki, n != "n = 50"), aes(y = after_stat(density), fill = n),
                 binwidth = 0.005, boundary = 0.0025, colour = "white", linewidth = 0.2) +
  geom_line(data = krzywe, aes(x, gestosc), colour = "grey20", linewidth = 0.6) +
  geom_vline(xintercept = P, linetype = "22", colour = "grey20") +
  geom_text(data = opis, aes(x = 0.40, y = 22, label = tekst), hjust = 1, size = 3.5, lineheight = 0.9) +
  facet_wrap(~ n, ncol = 1) +
  scale_fill_manual(values = kol, guide = "none") +
  scale_x_continuous("Odsetek uczniów z doświadczeniem cyberprzemocy w próbie",
                     labels = function(x) paste0(100 * x, "%")) +
  coord_cartesian(xlim = c(0.05, 0.40)) +
  scale_y_continuous("Gęstość") +
  labs(title = "5000 prostych prób losowych z operatu 800 uczniów") + motyw
p1
Wynik w R
       n srednia_p SE_empiryczny SE_z_fpc SE_bez_fpc poza_5pp
[1,]  50     0.220         0.057    0.057      0.058     1914
[2,] 200     0.219         0.026    0.025      0.029      253
[3,] 400     0.219         0.015    0.015      0.021        1

Jak opisać w pracy

Z listy 800 uczniów szkoły X wylosowano bez zwracania 200 osób (dobór losowy prosty, funkcja sample() w R, ziarno 5141). Odsetek uczniów, którzy doświadczyli cyberprzemocy, wyniósł 22.5%, 95% CI [17.5%; 27.5%]; błąd standardowy obliczono z poprawką na skończoną populację.

Na co uważać

  • Losowy dobór to nie losowy przydział. Dobór decyduje, kogo badasz; randomizacja – do której grupy trafia już zbadana osoba.
  • „Losowo” to nie „przypadkowo”. Zaczepianie przechodniów czy ankieta w mediach społecznościowych nie jest doborem losowym prostym, bo prawdopodobieństwa wyboru są nieznane.
  • Brak odpowiedzi. Próba zrealizowana jest losowa tylko wtedy, gdy odmowy nie zależą od badanej cechy. Podaj odsetek realizacji.
Przykład reprodukowalny

Dobór losowy prosty w R

Kod tworzy operat 800 uczniów, losuje prostą próbę 200 osób, liczy odsetek, błąd standardowy z poprawką na skończoną populację i bez niej, przedział ufności oraz porównuje wzór z empirycznym błędem standardowym z 5000 powtórzeń.

Losowanie, błąd standardowy i poprawka

Dane wejściowe: symulowany operat 800 uczniów z cechą 0/1 (cyberprzemoc), próba n = 200 bez zwracania; set.seed(5141).

Co odczytać: odsetek w populacji (0.219) i w próbie (0.225), poprawkę 0.750, SE 0.026 (bez poprawki 0.030), 95% przedział [0.175; 0.275] oraz empiryczny SE 0.026 wobec wzoru 0.025.

R
# Operat: lista 800 uczniów jednej szkoły; cecha: doświadczenie cyberprzemocy (0/1)
set.seed(5141)
N <- 800
operat <- data.frame(id = 1:N, cyber = rbinom(N, 1, 0.22))
P <- mean(operat$cyber)                          # prawdziwy odsetek w populacji
n <- 200
proba <- operat[sample(N, n), ]                  # losowanie bez zwracania
p <- mean(proba$cyber)
fpc <- 1 - n / N                                 # poprawka na skończoną populację
se <- sqrt(p * (1 - p) / (n - 1) * fpc)
round(c(P = P, p = p, fpc = fpc, SE = se, SE_bez_fpc = sqrt(p * (1 - p) / (n - 1))), 3)
round(p + c(-1, 1) * qnorm(.975) * se, 3)        # 95% przedział ufności
# 5000 powtórzeń: empiryczny błąd standardowy a wzór
p_rep <- replicate(5000, mean(operat$cyber[sample(N, n)]))
round(c(srednia_p = mean(p_rep), SE_empiryczny = sd(p_rep),
        SE_wzor = sqrt(P * (1 - P) / n * (N - n) / (N - 1))), 3)
Wynik w R
         P          p        fpc         SE SE_bez_fpc
     0.219      0.225      0.750      0.026      0.030
[1] 0.175 0.275
    srednia_p SE_empiryczny       SE_wzor
        0.219         0.026         0.025 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (przykład bez dodatkowych pakietów; rysunek: ggplot2 4.0.2). 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

Najczęstsze pytania

Losowanie ze zwracaniem czy bez zwracania?

W badaniach ankietowych losuje się bez zwracania, żeby ta sama osoba nie trafiła do próby dwa razy; w R to domyślne działanie sample(N, n). Losowanie ze zwracaniem (replace = TRUE) daje nieco większy błąd standardowy i stosuje się je głównie w symulacjach, np. w bootstrapie.

Kiedy stosować poprawkę na skończoną populację?

Gdy próba obejmuje wyraźną część populacji, np. 200 z 800 uczniów szkoły. Wtedy mnożysz wariancję przez 1 − n/N, tutaj 0.75, i błąd standardowy maleje z 0.030 do 0.026. Gdy próba to niewielki ułamek populacji, poprawka jest bliska 1.

Czy dobór losowy prosty zawsze jest najlepszy?

Nie. Jest najprostszy i stanowi punkt odniesienia, ale losowanie warstwowe bywa precyzyjniejsze przy tej samej liczebności, a dobór systematyczny lub wielostopniowy – tańszy w realizacji. Wybór zależy od dostępnego operatu i kosztu dotarcia do osób.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Berndt, A. E. (2020). Sampling methods. Journal of Human Lactation, 36(2), 224–226. https://doi.org/10.1177/0890334420906850
  2. Elliott, M. R., & Valliant, R. (2017). Inference for nonprobability samples. Statistical Science, 32(2), 249–264. https://doi.org/10.1214/16-sts598 ● Otwarty dostęp

Cytowania BibTeX

@article{berndt2020sampling, author={Berndt, Andrea E.}, title={{Sampling methods}}, journal={Journal of Human Lactation}, year={2020}, volume={36}, number={2}, pages={224--226}, doi={10.1177/0890334420906850}}
@article{elliott2017inference, author={Elliott, Michael R. and Valliant, Richard}, title={{Inference for nonprobability samples}}, journal={Statistical Science}, year={2017}, volume={32}, number={2}, pages={249--264}, doi={10.1214/16-sts598}}
R