نمونہ سائز کیلکولیٹر

اعتماد کی سطح اور غلطی کے مارجن کے ساتھ سروے اور مطالعہ کے لیے مطلوبہ نمونے کے سائز کا حساب لگائیں۔

سیکھنے اور ہوم ورک میں مدد کے لیے — اہم حسابات کی آزادانہ طور پر تصدیق کریں۔

کی طرف سے جائزہ لیا کیلکولیٹر ڈرائیو ریاضی کا ادارتی بورڈ · آخری بار اپ ڈیٹ کیا گیا۔

کیلکولیٹر

رینج: 0.1% سے 50%

اگر خالی ہو تو، 50% کا قدامت پسند تخمینہ استعمال کرتا ہے

اگر فراہم کی جاتی ہے تو، محدود آبادی کی اصلاح کا اطلاق ہوتا ہے۔

Enter the confidence level, margin of error, and other parameters to calculate the required sample size.

مختصر جواب

مطلوبہ نمونہ کا سائز اس بات کے ساتھ بڑھتا ہے کہ آپ کتنے پر اعتماد ہونا چاہتے ہیں اور جب آپ غلطی کے بڑے مارجن کو قبول کرتے ہیں تو سکڑ جاتا ہے۔ ایک تناسب کے لیے، n = (z² × p × (1−p)) ÷ e²، جہاں z آپ کے اعتماد کی سطح سے آتا ہے، p متوقع تناسب ہے (0.5 اگر نامعلوم ہے)، اور e آپ کی غلطی کا قابل قبول مارجن ہے۔ سخت مارجن اور زیادہ اعتماد دونوں مطلوبہ نمونے کے سائز کو اوپر کرتے ہیں، اکثر ڈرامائی طور پر۔

اہم نکات

  • غلطی کے مارجن کو نصف میں کاٹنے سے نمونے کے مطلوبہ سائز کو تقریباً چار گنا ہو جاتا ہے، کیونکہ e کو ڈینومینیٹر میں مربع کیا جاتا ہے۔
  • p = 0.5 کا استعمال کرنا جب صحیح تناسب نامعلوم ہو، سب سے محفوظ انتخاب ہے، کیونکہ وہاں p(1−p) کو زیادہ سے زیادہ کیا جاتا ہے — کسی دوسرے اندازے کے لیے صرف چھوٹے نمونے کی ضرورت ہوگی اگر آپ نے صحیح اندازہ لگایا ہو۔
  • ایک معلوم، محدود آبادی کا سائز آپ کو ایک ایسی تصحیح کا اطلاق کرنے دیتا ہے جو چھوٹی آبادیوں کے لیے مطلوبہ نمونے کو معنی خیز طور پر کم کر دیتا ہے، لیکن جب آبادی نمونے سے بہت زیادہ ہو جائے تو اس سے بہت کم فرق پڑتا ہے۔
  • اوسط کا تخمینہ لگانے کے لیے آبادی کے معیاری انحراف کا تخمینہ درکار ہوتا ہے، تناسب کی نہیں۔

تناسب نمونہ سائز فارمولہ

n = (z² × p × (1 − p)) / e²

z اعتماد کی سطح سے آتا ہے (95% کے لیے 1.96)، p متوقع آبادی کا تناسب ہے، اور e غلطی کا مارجن ہے جسے اعشاریہ کے طور پر ظاہر کیا گیا ہے (5% = 0.05)۔

غلطی کا مارجن فارمولے پر کیوں غالب ہے۔

غلطی کا مارجن مطلوبہ n (95% اعتماد، p=0.5)
10%97
5%385
2.5%1,537
1%9,604

غلطی کے مارجن کو نصف کرنے سے نمونے کے سائز کو تقریباً چار گنا بڑھ جاتا ہے - یہی وجہ ہے کہ قومی انتخابات عام طور پر ±1% درستگی کا پیچھا کرنے کے بجائے ±3-5% مارجن پر طے پاتے ہیں، جس کے لیے دسیوں ہزار جواب دہندگان کی ضرورت ہوگی۔

کام کی مثال: ایک سروے کی منصوبہ بندی

آپ 95% اعتماد اور 5% غلطی کا مارجن چاہتے ہیں، جس میں تناسب کا کوئی پیشگی تخمینہ نہیں ہے۔

n = (1.96² × 0.5 × 0.5) / 0.05² = 0.9604 / 0.0025 ≈ 384.16

راؤنڈ اپ: n = 385

نمونہ کا سائز ہمیشہ اوپر رہتا ہے، کبھی نیچے نہیں — ایک جزوی جواب دہندہ ممکن نہیں ہے، اور نیچے گول کرنے سے آپ اپنے ہدف کی درستگی سے کم رہ جائیں گے۔

عام غلطیوں سے بچنا ہے۔

  • نمونے کے سائز کو دوگنا کرنے کی غلطی کے آدھے مارجن کی توقع کرنا - یہ اس کی بجائے اسے تقریباً چار گنا کر دیتا ہے، کیونکہ e مربع ہے۔
  • Guessing a proportion far from 50% "to be safe" — that actually shrinks the calculated sample size, the opposite of conservative; 50% is the truly conservative (maximum) choice.
  • محدود آبادی کی اصلاح کو مؤثر طریقے سے لامحدود آبادی (قومی سروے، ویب ٹریفک) پر لاگو کرنا — اصلاح اس پیمانے پر بمشکل کچھ بھی تبدیل کرتی ہے۔
  • تناسب کے فارمولے کو اوسط فارمولے کے ساتھ الجھانا — اوسط ورژن کو معیاری انحراف کا تخمینہ درکار ہوتا ہے، تناسب نہیں۔

متعلقہ کیلکولیٹر

اکثر پوچھے گئے سوالات

اعداد و شمار میں نمونے کا سائز کیوں اہمیت رکھتا ہے؟

بہت چھوٹا نمونہ ناقابل بھروسہ اندازے اور وسیع اعتماد کے وقفے دیتا ہے۔ مناسب سائز حقیقی اثرات کا پتہ لگاتا ہے اور آپ کے ہدف کے اندر غلطی کا مارجن رکھتا ہے۔

کون سے ان پٹ نمونے کے سائز کے فارمولوں کو چلاتے ہیں؟

اعتماد کی سطح، غلطی کا مارجن، آبادی میں تغیر، اور چاہے آپ کسی تناسب کا تخمینہ لگائیں یا کوئی مطلب یہ سب نمونے کے مطلوبہ سائز کو متاثر کرتے ہیں۔

کیا آبادی کا سائز ہمیشہ اہمیت رکھتا ہے؟

بڑی آبادی کے لیے، نمونے کا سائز بنیادی طور پر غلطی کے مارجن اور تغیر پر منحصر ہوتا ہے۔ چھوٹی محدود آبادیوں کے لیے، ایک اصلاحی عنصر مطلوبہ n کو کم کر سکتا ہے۔

شماریاتی طاقت کیا ہے؟

طاقت کسی اثر کا پتہ لگانے کا موقع ہے جب کوئی موجود ہو۔ کم طاقت والے مطالعہ اکثر حقیقی نتائج سے محروم رہتے ہیں۔ نمونے کے سائز کی منصوبہ بندی طاقت، لاگت اور درستگی کو متوازن کرتی ہے۔

میں یہ نمونہ سائز کیلکولیٹر کیسے استعمال کروں؟

Select study type, enter confidence level, margin of error, and estimated variability, then click Calculate for recommended sample size.

جب میں آبادی کا تناسب نہیں جانتا ہوں تو میں p = 0.5 کیوں استعمال کروں؟

جب صحیح تناسب معلوم نہ ہو، 50% محفوظ ترین مفروضہ ہے کیونکہ p × (1 − p) — ڈرائیونگ نمونہ سائز کی اصطلاح — جب p = 0.5 ہو تو زیادہ سے زیادہ ہوتی ہے۔ کوئی بھی دوسری تقسیم، جیسے 20/80 یا 90/10، ایک چھوٹا حساب شدہ نمونہ سائز پیدا کرتا ہے، لہذا 50% کا استعمال اس بات کی ضمانت دیتا ہے کہ آپ کا مطالعہ مناسب طور پر طاقت رکھتا ہے چاہے حقیقی تناسب کچھ بھی ہو۔

More math calculators