이 표본 크기 계산기로 할 수 있는 것
이 계산기는 특정 모집단에서 통계적으로 신뢰할 수 있는 결과를 얻기 위해 몇 명(또는 몇 개)을 조사해야 하는지 알려줍니다. 유한 모집단 보정 공식을 사용하기 때문에, 모집단이 무한히 크다고 가정하지 않고 실제 대상 집단의 규모에 맞춰 정확한 표본 크기를 제시합니다. 설문조사, 여론조사, 시장조사, 학술 연구 등 전 세계에서 두루 쓰이며, 여기에 적용되는 통계 이론은 특정 국가에 국한되지 않는 보편적인 원리입니다.
세 가지 입력값 설명
- 모집단 크기 (N): 결론을 내리고자 하는 전체 대상의 수입니다. 예를 들어 등록 고객 50,000명이 여기에 해당합니다. 기본값은 1,000,000입니다.
- 신뢰수준 (%): 참값이 오차범위 안에 들어온다고 얼마나 확신하고 싶은지를 나타냅니다. 보통 90%, 95%, 99%를 많이 사용합니다. 계산기는 정규분포를 이용해 이 값을 z-점수로 변환합니다(95% → \(z \approx 1.96\)).
- 오차범위 (%): 결과를 중심으로 허용할 수 있는 오차의 폭으로, 예를 들어 ±5%와 같이 표현합니다. 오차범위를 좁힐수록 더 많은 표본이 필요합니다.
계산 공식
이 계산기는 유한 모집단을 보정한 표본 크기 공식을 적용합니다:
$$n = \dfrac{\dfrac{z^{2}\,p\,(1-p)}{e^{2}}}{1 + \dfrac{z^{2}\,p\,(1-p)}{e^{2}\,N}}$$여기서 z는 신뢰수준에서 구한 z-점수, p는 가정한 응답 비율(필요 표본을 최대로 만들어 가장 보수적이고 안전한 추정을 주기 때문에 \(0.5\)로 고정), e는 소수로 환산한 오차범위, N은 모집단 크기입니다. 표본이 부족해지는 일이 없도록 결과는 항상 올림 처리합니다.
계산 예시
모집단이 50,000명이고, 신뢰수준 95%, 오차범위 5%를 원한다고 가정해 봅시다.
- \(z = 1.96\), \(p = 0.5\), \(e = 0.05\), \(N = 50{,}000\)
- 분자: $$\frac{1.96^{2} \times 0.5 \times 0.5}{0.05^{2}} = \frac{0.9604}{0.0025} = 384.16$$
- 분모: $$1 + \frac{384.16}{50{,}000} = 1.00768$$
- $$n = \frac{384.16}{1.00768} \approx 381.2 \rightarrow \text{올림하여 } \mathbf{382}$$
따라서 382명을 조사하면 됩니다.
일반적인 신뢰수준별 Z-점수
계산기는 신뢰수준을 양측 z-점수로 변환합니다. \(z = \Phi^{-1}\left(1 - \alpha/2\right)\), 여기서 \(\alpha = 1 - \text{신뢰수준}\)입니다. 신뢰수준이 높을수록 z-점수가 커지고, 따라서 필요한 표본 크기도 커집니다.
| 신뢰수준 | 알파 (1 − 신뢰수준) | 양측 z-점수 |
|---|---|---|
| 80% | 0.20 | 1.282 |
| 85% | 0.15 | 1.440 |
| 90% | 0.10 | 1.645 |
| 95% | 0.05 | 1.960 |
| 98% | 0.02 | 2.326 |
| 99% | 0.01 | 2.576 |
| 99.9% | 0.001 | 3.291 |
표본 크기 해석하기
- 초대장이 아닌 완료된 응답 기준입니다. 결과는 필요한 완료된 유효 응답의 수입니다. 응답률이 20%로 예상된다면, 약 다섯 배의 사람들에게 연락해야 합니다.
- 무작위 표본추출을 가정합니다. 표본 크기는 응답자가 모집단에서 무작위로 선택된 경우에만 명시된 오차 범위와 신뢰수준을 뒷받침합니다. 편의 표본이나 높은 무응답률은 n이 아무리 커도 결과를 편향시킬 수 있습니다.
- 하위집단의 오차 범위는 더 넓습니다. 오차 범위는 전체 표본에 적용됩니다. 하위집단을 분석하는 경우, 그 오차 범위는 해당 하위집단 자체의 표본 수를 기준으로 합니다. 예를 들어, p = 0.5이고 95% 신뢰수준일 때, 100명인 하위집단의 오차 범위는 약 \(1.96\sqrt{0.25/100} \approx 0.098\), 즉 ±9.8%입니다.
- 체감 수익 감소. \(n \propto 1/e^{2}\)이므로, 오차 범위를 절반으로 줄이면 필요한 표본 크기는 대략 네 배가 됩니다. 95% 신뢰수준이고 모집단이 큰 경우, ±5%에는 약 385명의 응답이 필요하고, ±2.5%에는 약 1,537명이 필요합니다.
- 유한 모집단 보정. 공식의 보정 계수 \(1 + \dfrac{n_0}{N}\)은 주로 표본이 모집단의 약 5%를 넘을 때 중요합니다. 모집단이 매우 큰 경우, 결과는 N에 따라 거의 변하지 않습니다.
예시: N = 10,000, 95% 신뢰수준, 5% 오차 범위일 때, 먼저 \(n_0 = \dfrac{1.96^{2}\cdot 0.5\cdot 0.5}{0.05^{2}} = 384.16\)을 계산합니다. 그다음 \(n = \dfrac{384.16}{1 + 384.16/10000} = \dfrac{384.16}{1.038416} \approx 369.97\)이며, 올림하면 370개의 완료된 응답이 됩니다.
계산기는 가장 보수적인 비율인 p = 0.5를 가정하며, 이는 가장 큰 표본 크기를 산출합니다. 비율에 대한 신뢰할 만한 사전 추정치가 있다면 더 작은 표본으로 충분할 수 있지만, 0.5가 안전한 기본값입니다. 이는 일반적인 통계 정보이며, 재무 또는 의료 조언이 아닙니다.
함께 보면 좋은 계산기
A/B 테스트를 계획 중이라면 A/B 테스트 표본 크기·검정력 계산기로 변형마다 필요한 방문자 수를 구하고, B가 A보다 나을 정확한 베이즈 확률도 확인할 수 있습니다.
테스트가 끝났다면 A/B 테스트 유의성 계산기로 두 전환율의 차이가 통계적으로 유의한지 Z값과 p값으로 확인해 보세요.
자주 묻는 질문
왜 p를 0.5로 설정하나요? 실제 비율을 모를 때 \(0.5\)는 가장 큰 표본 크기를 만들어 냅니다. 덕분에 실제 결과가 어떻게 나오든 충분히 정밀한 조사가 보장됩니다.
모집단이 아주 클 때는 어떻게 되나요? 모집단이 매우 크면 보정 항이 거의 무시할 수준이 되어, 표본 크기는 더 단순한 공식 \(n = z^{2}p(1-p)/e^{2}\)에 가까워집니다(95%/5% 기준 약 385).
필요한 표본을 줄이려면 어떻게 하나요? 오차범위를 넓히거나 신뢰수준을 낮추면 됩니다. 둘 중 하나라도 더 엄격하게 잡으면 필요한 표본 수가 크게 늘어납니다.