Populacja — co to jest?
W statystyce i metodologii badań populacja (populacja generalna, zbiorowość generalna) to pełny zbiór jednostek, o których chcemy wyciągnąć wnioski. Jednostkami mogą być osoby, ale też klasy szkolne, szpitale, firmy, teksty czy pojedyncze pomiary. Populację wyznaczają kryteria przynależności, np.:
- dorośli mieszkańcy Polski w 2026 roku;
- studenci psychologii Uniwersytetu X w roku akademickim 2026/2027;
- pacjenci po udarze leczeni w szpitalach województwa Y w 2025 roku;
- wszystkie lekcje matematyki prowadzone w szkołach podstawowych danej gminy w semestrze.
Badanie całej populacji to badanie pełne (spis). Najczęściej jest to niemożliwe lub zbyt kosztowne, dlatego bada się próbę i na jej podstawie szacuje wartości dla populacji. O tym, czy takie wnioskowanie jest uprawnione, decyduje reprezentatywność próby. Każde badanie zaczyna się więc od pytania, jaka jest populacja docelowa, bo dopiero znając ją, czytelnik może ocenić, na kogo da się uogólnić wyniki (Banerjee i Chaudhury, 2010).
Populacja docelowa, dostępna i próba
W praktyce warto odróżniać trzy poziomy:
| Poziom | Co to jest | Przykład |
|---|---|---|
| Populacja docelowa | Wszystkie jednostki, na które chcemy uogólnić wnioski | Studenci psychologii w Polsce w roku akademickim 2026/2027 |
| Populacja dostępna (operat) | Ta część populacji, do której mamy dostęp i z której losujemy | Studenci psychologii trzech uczelni, które udostępniły listy |
| Próba | Osoby faktycznie zbadane | 300 studentów wylosowanych z list, z których 240 wypełniło kwestionariusz |
Różnica między populacją docelową a dostępną to błąd pokrycia. Jeśli listy udostępniły tylko uczelnie z dużych miast, wyniki dotyczą przede wszystkim studentów z dużych miast, a uogólnienie na całą Polskę wymaga dodatkowego uzasadnienia. Shadish, Cook i Campbell (2002) wiążą ten problem z trafnością zewnętrzną: na ile wyniki można przenieść na inne osoby, miejsca i czasy. Sposób przejścia od populacji do próby — losowy lub nielosowy — opisują przystępnie Martínez-Mesa i in. (2016) oraz Elfil i Negida (2017).
Warto przy tym odróżnić dwa cele. W sondażach i badaniach zdrowia publicznego chodzi o oszacowanie wartości w konkretnej populacji (np. odsetka osób z depresją), więc reprezentatywność próby jest kluczowa. W badaniach wyjaśniających, np. eksperymentach, celem jest poznanie mechanizmu, a uogólnienie opiera się na zrozumieniu, od jakich czynników zależy efekt — tu ścisła reprezentatywność bywa zbędna (Rothman i in., 2013; Kukull i Ganguli, 2012).
Parametr a statystyka
Liczby opisujące populację to parametry. Liczby policzone w próbie to statystyki, które służą jako oszacowania parametrów (estymacja punktowa). Zwyczajowo parametry oznacza się literami greckimi, a statystyki — łacińskimi:
| Wielkość | Parametr populacji | Statystyka z próby (oszacowanie) |
|---|---|---|
| Liczebność | N | n |
| Średnia | μ (mi) | M lub x̄ |
| Odchylenie standardowe | σ (sigma) | SD lub s |
| Proporcja (odsetek) | π lub P | p |
| Korelacja | ρ (ro) | r |
| Współczynnik regresji | β | b |
Statystyka z próby niemal nigdy nie jest dokładnie równa parametrowi. Różnicę między nimi nazywa się błędem próby, a jego wielkość opisuje przedział ufności.
Populacja skończona i nieskończona
Populacja skończona ma określoną liczbę jednostek N, np. 2000 studentów jednej uczelni. Populacja nieskończona lub hipotetyczna to np. wszystkie możliwe powtórzenia eksperymentu albo przyszli pacjenci, którzy otrzymają daną terapię. W eksperymentach psychologicznych wnioskujemy zwykle o takiej właśnie populacji hipotetycznej.
Przy populacji skończonej, gdy próba stanowi jej znaczną część, błąd standardowy średniej jest mniejszy, niż wynika z podstawowego wzoru. Uwzględnia to poprawka na skończoną populację (Cochran, 1977; Kish, 1965; Lohr, 2021):
Sprawdziłem to w R na populacji N = 2000 studentów z wynikiem skali stresu (μ = 17,99, S = 5,88), losując po 10 000 prób bez zwracania:
| Liczebność próby n | Ułamek populacji n/N | Średnia ze średnich | Rzeczywisty błąd standardowy | Wzór bez poprawki | Wzór z poprawką (FPC) |
|---|---|---|---|---|---|
| 100 | 5% | 17,99 | 0,577 | 0,588 | 0,573 |
| 500 | 25% | 17,99 | 0,229 | 0,263 | 0,228 |
Przy próbie stanowiącej 5% populacji poprawka zmienia niewiele. Gdy próba to 25% populacji, wzór bez poprawki zawyża błąd standardowy (0,263 zamiast rzeczywistych 0,229), a wzór z poprawką trafia niemal dokładnie (0,228). Średnia ze średnich jest w obu przypadkach praktycznie równa μ, bo losowanie daje oszacowania nieobciążone.
Przykładowa pojedyncza próba 100 studentów dała średnią M = 18,02 (SD = 6,39) i 95% przedział ufności [16,78; 19,26], który obejmuje prawdziwy parametr μ = 17,99.
Jak zdefiniować populację w pracy badawczej?
Dobra definicja populacji odpowiada na pytania:
- Kto? Kryteria włączenia (np. wiek 18–25 lat, diagnoza, kierunek studiów) i wyłączenia (np. przyjmowanie określonych leków).
- Gdzie? Zasięg geograficzny lub instytucjonalny.
- Kiedy? Okres, którego dotyczy badanie.
- Jaka jest jednostka analizy? Osoba, para, klasa, szkoła, pomiar.
Wytyczne APA dotyczące raportowania badań ilościowych wymagają opisu kryteriów włączenia, sposobu doboru i charakterystyki uczestników (Appelbaum i in., 2018). Jak przedstawić charakterystykę zbadanej grupy, pokazuje poradnik jak opisać charakterystykę próby.
Populacja w badaniach psychologicznych
W psychologii populacja docelowa bywa szersza niż ta, z której faktycznie pochodzą badani. Wiele badań prowadzi się na studentach, a wnioski formułuje się o „ludziach”. Henrich i in. (2010) pokazali, że osoby z zachodnich, wykształconych i zamożnych społeczeństw odbiegają od reszty świata w wielu zadaniach, od percepcji po decyzje moralne. Analiza artykułów w czasopiśmie Psychological Science wykazała, że niemal wszystkie badania opierały się na próbach z krajów zachodnich, choć wnioski formułowano o ludziach w ogóle (Rad i in., 2018). Simons, Shoda i Lindsay (2017) proponują więc, by każdy artykuł zawierał deklarację ograniczeń ogólności (ang. constraints on generality): jawne wskazanie populacji, na którą autorzy uogólniają wyniki, i uzasadnienie tego wyboru. Dlatego w pracy warto jasno napisać, jakiej populacji dotyczą wyniki, i nie rozciągać wniosków poza nią bez uzasadnienia.
Przykład w R
Kod tworzy populację skończoną, porównuje błąd standardowy z prób z wzorami i pokazuje jedną przykładową próbę. Wyniki poniżej to dokładny wydruk z R.
1. Rozkład średnich z prób i poprawka na skończoną populację
R
set.seed(2026)
N <- 2000 # wszyscy studenci psychologii na uczelni
stres <- pmin(40, pmax(0, round(rnorm(N, 18, 6)))) # wynik PSS-10 (0–40)
mu <- mean(stres); S <- sd(stres) # parametry populacji
sym <- function(n, R = 10000) {
m <- replicate(R, mean(sample(stres, n))) # losowanie bez zwracania
c(n = n, ulamek = n / N, srednia_srednich = mean(m), se_empiryczny = sd(m),
se_bez_fpc = S / sqrt(n), se_z_fpc = S / sqrt(n) * sqrt(1 - n / N))
}
tab <- as.data.frame(rbind(sym(100), sym(500)))
cat("mu =", mu, " S =", S, "\n"); print(tab, digits = 5)Wynik w R
mu = 17.991 S = 5.879898
n ulamek srednia_srednich se_empiryczny se_bez_fpc se_z_fpc
1 100 0.05 17.994 0.57687 0.58799 0.57310
2 500 0.25 17.990 0.22907 0.26296 0.227732. Jedna próba i przedział ufności dla średniej populacji
R
set.seed(5)
proba <- sample(stres, 100) # jedna próba 100 studentów
c(srednia = mean(proba), sd = sd(proba))
mean(proba) + c(-1, 1) * qt(.975, 99) * sd(proba) / sqrt(100) * sqrt(1 - 100 / N) # 95% CI z FPCWynik w R
srednia sd
18.020000 6.388089
[1] 16.78456 19.25544Bibliografia oprogramowania
Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
Najczęstsze błędy
- Zbyt szeroka definicja populacji, np. „Polacy” przy próbie studentów jednej uczelni.
- Mylenie populacji z próbą — np. „populację badaną stanowiło 120 osób” zamiast „próbę stanowiło 120 osób”.
- Podawanie statystyk z próby jako faktów o populacji bez przedziału ufności.
- Brak kryteriów włączenia i wyłączenia, przez co nie wiadomo, kogo dotyczą wnioski.
- Pomijanie różnicy między populacją docelową a dostępną, czyli błędu pokrycia.
Najczęstsze pytania
Co to jest populacja w statystyce?
To pełny zbiór jednostek — osób, obiektów lub zdarzeń — o których chcemy wyciągnąć wnioski. Populację określa się przez kryteria: kto do niej należy, gdzie i kiedy. Jej cechy liczbowe nazywa się parametrami.
Czym różni się populacja od próby?
Populacja to wszyscy, o których chcemy wnioskować, a próba — ta część populacji, którą faktycznie badamy. Wyniki z próby (statystyki) służą do szacowania wartości w populacji (parametrów), a różnica między nimi to błąd próby.
Co to jest populacja generalna?
To inne określenie populacji badanej w całości, używane głównie w polskich podręcznikach statystyki. Podkreśla, że chodzi o całą zbiorowość, z której pobiera się próbę, w przeciwieństwie do próby (zbiorowości próbnej).
Co to jest parametr populacji?
To liczba opisująca populację, np. średnia μ, odchylenie standardowe σ, odsetek π czy korelacja ρ. Parametry zwykle są nieznane i szacuje się je na podstawie statystyk z próby, podając przedział ufności.
Czy populacja musi składać się z ludzi?
Nie. Populację mogą tworzyć klasy szkolne, szpitale, firmy, teksty, sesje terapeutyczne czy pomiary. W eksperymentach mówi się też o populacji hipotetycznej — wszystkich możliwych powtórzeń danego badania.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Jak opisać charakterystykę próby badawczej?
Co uwzględnić w tekście i tabeli, jak dobrać miary opisowe oraz jak nie ukryć problemów z selekcją i brakami danych.
Czytaj →PoradnikDobór liczebności próby: moc, precyzja i uzasadnienie badania
Jak dobrać liczebność próby? Moc testu, precyzja, symulacja, przewidywane braki danych i zasady rzetelnego uzasadnienia liczby uczestników.
Czytaj →PoradnikPo co statystyka jest potrzebna studentowi?
Nie po to, by wybrać przycisk w SPSS, lecz by ułożyć pytanie, sprawdzić jakość danych i obronić wniosek przed recenzentem.
Czytaj →PoradnikGdzie znaleźć respondentów do ankiety?
Uczelnia, grupy tematyczne, kula śnieżna, panele i wymiana ankiet – porównanie kanałów, wzór zaproszenia, liczba zaproszeń i opis próby w pracy.
Czytaj →PoradnikJak sprawdzić, czy AI nie zmyśliło bibliografii
Ile odwołań zmyślają modele językowe i jak w sześciu krokach sprawdzić każdą pozycję: DOI, Crossref, OpenAlex, abstrakt. Z przykładem, kodem R i checklistą.
Czytaj →PoradnikSyntetyczni respondenci (LLM) w badaniach
Co potrafią modele językowe odgrywające respondentów, gdzie zawodzą i do czego warto ich używać: dowody z badań, tabela „tak/nie” i wzór opisu w pracy.
Czytaj →PoradnikJak napisać dyskusję wyników – wzory zdań
Osiem elementów dyskusji z gotowymi zdaniami: interpretacja, wyniki nieistotne, konkretne ograniczenia, granice uogólniania, implikacje i wnioski.
Czytaj →PoradnikCentralne twierdzenie graniczne
Co mówi CTG, dlaczego dotyczy średnich, a nie danych, ile osób naprawdę potrzeba i kiedy twierdzenie zawodzi – z symulacjami w R.
Czytaj →PoradnikRodzaje badań ankietowych
Czas, dobór, kanał i cel badania ankietowego oraz ich konsekwencje dla wniosków – z symulacją autoselekcji w R i wzorem opisu schematu.
Czytaj →PoradnikKalkulator liczebności próby
Ile osób do testu t, korelacji albo ankiety z marginesem błędu? Kalkulator zgodny z R, wzory, przykład i gotowy opis analizy mocy.
Czytaj →PoradnikHipotezy H0 i H1 – jak je zapisać?
Od hipotezy badawczej do H0 i H1: parametr populacji, zapis jedno- i dwustronny, tabela dla popularnych analiz i pułapka testu Manna–Whitneya.
Czytaj →PoradnikDobór próby w pracy dyplomowej
Metody losowe i nielosowe, co wolno wnioskować z próby wygodnej, symulacja w R, kryteria włączenia i gotowy opis doboru do rozdziału metodologicznego.
Czytaj →PoradnikAnkieta wśród personelu jednego szpitala
Populacja czy próba, odsetek odpowiedzi w oddziałach, poprawka na skończoną populację w przedziale ufności, liczebność przy małej kadrze i anonimowość małych oddziałów – z przykładem w R.
Czytaj →PoradnikJak napisać pracę z socjologii
Pytanie o zjawisko, koncept–wymiar–wskaźnik, populacja i operat, próba z internetu, wagi, dane wtórne i gotowe fragmenty pracy – na przykładzie zaufania i aktywności sąsiedzkiej.
Czytaj →PoradnikSchematy losowania w obrazkach
Sześć schematów losowania na mapach jednej populacji, 1000 symulowanych badań, efekt schematu i efektywna liczebność – pięć rysunków z kodem R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
- Banerjee, A., & Chaudhury, S. (2010). Statistics without tears: Populations and samples. Industrial Psychiatry Journal, 19(1), 60–65. https://doi.org/10.4103/0972-6748.77642 ● Otwarty dostęp: pełny tekst
- Cochran, W. G. (1977). Sampling techniques (3rd ed.). Wiley.
- Elfil, M., & Negida, A. (2017). Sampling methods in clinical research; an educational review. Emergency, 5(1), Article e52. https://doi.org/10.22037/aaem.v5i1.177 ● Otwarty dostęp: pełny tekst
- Henrich, J., Heine, S. J., & Norenzayan, A. (2010). The weirdest people in the world? Behavioral and Brain Sciences, 33(2–3), 61–83. https://doi.org/10.1017/S0140525X0999152X
- Kish, L. (1965). Survey sampling. Wiley.
- Kukull, W. A., & Ganguli, M. (2012). Generalizability: The trees, the forest, and the low-hanging fruit. Neurology, 78(23), 1886–1891. https://doi.org/10.1212/WNL.0b013e318258f812 ● Otwarty dostęp
- Lohr, S. L. (2021). Sampling: Design and analysis (3rd ed.). CRC Press. https://doi.org/10.1201/9780429298899
- Martínez-Mesa, J., González-Chica, D. A., Duquia, R. P., Bonamigo, R. R., & Bastos, J. L. (2016). Sampling: How to select participants in my research study?. Anais Brasileiros de Dermatologia, 91(3), 326–330. https://doi.org/10.1590/abd1806-4841.20165254 ● Otwarty dostęp: pełny tekst
- Rad, M. S., Martingano, A. J., & Ginges, J. (2018). Toward a psychology of Homo sapiens: Making psychological science more representative of the human population. Proceedings of the National Academy of Sciences, 115(45), 11401–11405. https://doi.org/10.1073/pnas.1721165115 ● Otwarty dostęp: pełny tekst
- Rothman, K. J., Gallacher, J. E., & Hatch, E. E. (2013). Why representativeness should be avoided. International Journal of Epidemiology, 42(4), 1012–1014. https://doi.org/10.1093/ije/dys223 ● Otwarty dostęp
- Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.
- Simons, D. J., Shoda, Y., & Lindsay, D. S. (2017). Constraints on generality (COG): A proposed addition to all empirical papers. Perspectives on Psychological Science, 12(6), 1123–1128. https://doi.org/10.1177/1745691617708630 ● Otwarty dostęp: pełny tekst
Cytowania BibTeX
@article{appelbaum2018journal, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology: The {APA} Publications and Communications Board task force report}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}@article{banerjee2010statistics, author={Banerjee, Amitav and Chaudhury, Suprakash}, title={Statistics without tears: Populations and samples}, journal={Industrial Psychiatry Journal}, year={2010}, volume={19}, number={1}, pages={60--65}, doi={10.4103/0972-6748.77642}}@book{cochran1977sampling, author={Cochran, William G.}, title={Sampling Techniques}, edition={3}, publisher={Wiley}, address={New York}, year={1977}}@article{elfil2017sampling, author={Elfil, Mohamed and Negida, Ahmed}, title={Sampling methods in clinical research; an educational review}, journal={Emergency}, year={2017}, volume={5}, number={1}, eid={e52}, doi={10.22037/aaem.v5i1.177}}@article{henrich2010weirdest, author={Henrich, Joseph and Heine, Steven J. and Norenzayan, Ara}, title={The weirdest people in the world?}, journal={Behavioral and Brain Sciences}, year={2010}, volume={33}, number={2--3}, pages={61--83}, doi={10.1017/S0140525X0999152X}}@book{kish1965survey, author={Kish, Leslie}, title={Survey Sampling}, publisher={Wiley}, address={New York}, year={1965}}@article{kukull2012generalizability, author={Kukull, Walter A. and Ganguli, Mary}, title={Generalizability: The trees, the forest, and the low-hanging fruit}, journal={Neurology}, year={2012}, volume={78}, number={23}, pages={1886--1891}, doi={10.1212/WNL.0b013e318258f812}}@book{lohr2021sampling, author={Lohr, Sharon L.}, title={Sampling: Design and Analysis}, edition={3}, publisher={CRC Press}, year={2021}, doi={10.1201/9780429298899}}@article{martinezmesa2016sampling, author={Mart{\'\i}nez-Mesa, Jeovany and Gonz{\'a}lez-Chica, David Alejandro and Duquia, Rodrigo Pereira and Bonamigo, Renan Rangel and Bastos, Jo{\~a}o Luiz}, title={Sampling: How to select participants in my research study?}, journal={Anais Brasileiros de Dermatologia}, year={2016}, volume={91}, number={3}, pages={326--330}, doi={10.1590/abd1806-4841.20165254}}@article{rad2018toward, author={Rad, Mostafa Salari and Martingano, Alison Jane and Ginges, Jeremy}, title={Toward a psychology of Homo sapiens: Making psychological science more representative of the human population}, journal={Proceedings of the National Academy of Sciences}, year={2018}, volume={115}, number={45}, pages={11401--11405}, doi={10.1073/pnas.1721165115}}@article{rothman2013why, author={Rothman, Kenneth J. and Gallacher, John E. J. and Hatch, Elizabeth E.}, title={Why representativeness should be avoided}, journal={International Journal of Epidemiology}, year={2013}, volume={42}, number={4}, pages={1012--1014}, doi={10.1093/ije/dys223}}@book{shadish2002experimental, author={Shadish, William R. and Cook, Thomas D. and Campbell, Donald T.}, title={Experimental and Quasi-Experimental Designs for Generalized Causal Inference}, publisher={Houghton Mifflin}, address={Boston}, year={2002}}@article{simons2017constraints, author={Simons, Daniel J. and Shoda, Yuichi and Lindsay, D. Stephen}, title={Constraints on generality (COG): A proposed addition to all empirical papers}, journal={Perspectives on Psychological Science}, year={2017}, volume={12}, number={6}, pages={1123--1128}, doi={10.1177/1745691617708630}}