TA的首页样本量到底怎么算？一文讲透公式、步骤与在线计算工具
样本量到底怎么算？一文讲透公式、步骤与在线计算工具
做质量改进、市场调研或临床研究时，你几乎总会遇到同一个问题：到底该收集多少数据才够？ 样本量太小，结论站不住脚；样本量太大，浪费人力物力。本文基于公开的统计推断原理（均数/比例估计）与 ISO 2859 抽样标准的思想，为你讲清样本量计算的逻辑、公式与实操步骤，并附上一个可直接套用的演示算例。
一、样本量计算是什么？
样本量（Sample Size）是指从总体中抽取的个体数量。它的核心目的是：在给定的置信水平与允许误差下，让统计估计（如均值、合格率）足够可靠，或让假设检验具备足够的“功效”（Power，即正确拒绝原假设的概率）。
在质量管理中，ISO 2859（计数抽样检验程序）规定了按批次大小与检验水平确定抽样方案的表格，其底层逻辑同样涉及“可接受质量水平（AQL）”与“风险”的权衡。而更通用的样本量公式，则基于正态近似原理——当样本量足够大时，样本均值的分布近似正态分布，从而可用 z 值（如 95% 置信对应 z=1.96）来计算所需样本量。
二、怎么做：两个核心公式与步骤
场景 A：估计总体均值（连续型数据）
若你想估计某质量特性的平均值 μ，并希望误差不超过 ε（绝对精度），在置信水平 1-α 下，所需样本量公式为：
n = ( (z_(1-α/2) · σ)/(ε) )^2
步骤：
1. 确定置信水平（常用 95%）。
2. 确定允许误差 ε（如均值 ± 0.5 mm）。
3. 获取 σ 的估计值（历史数据、文献或预实验）。
4. 代入公式，向上取整。
场景 B：估计总体比例（计数型数据）
若你想估计合格率 p（或缺陷率），允许误差为 ε，则公式为：
n = (z_(1-α/2)^2 · p(1-p))/(ε^2)
步骤：
1. 设定置信水平（如 95%，z=1.96）。
2. 设定允许误差 ε（如 ±3%）。
3. 若对 p 无先验信息，取 p=0.5。
4. 代入公式并向上取整。
三、一个演示算例（仅供演示）
背景：某电子厂想估计一批电阻的阻值均值 μ，要求 95% 置信水平下，误差不超过 ±1 Ω。根据历史数据，阻值标准差 σ≈5 Ω。
计算：
代入公式：
n = ( (1.96 × 5)/(1) )^2 = (9.8)^2 = 96.04
向上取整，n=97。
解读：示例数据（仅供演示）表明，若 σ 确为 5 Ω，抽取 97 个样品测阻值，其均值落在真实均值 ±1 Ω 范围内的置信度为 95%。
若改为估计合格率：假设想估计合格率 p，允许误差 ±5%，无先验信息取 p=0.5：
n = (1.96^2 × 0.5 × 0.5)/(0.05^2) = (0.9604)/(0.0025) = 384.16
向上取整，n=385。示例数据（仅供演示）——这说明比例估计通常需要比均值估计更大的样本量。
四、常见误区（务必避开）
1. 把“样本量”等同于“总体比例”：当总体很大时，总体大小对样本量影响可忽略（除非总体很小，需用有限总体校正）。不要以为总体 100 万就必须抽 1 万。
2. σ 拍脑袋：σ 是公式里最敏感的参数。若 σ 低估，实际误差会大于预期。建议用保守估计（偏大值）。
3. 忽略功效：若你做假设检验（如比较两组均值），仅用上述估计公式会低估所需样本量。此时需额外考虑功效（通常设 80% 或 90%），公式更复杂，建议用专业软件。
4. ISO 2859 与估计公式混用：ISO 2859 的抽样表基于 AQL 和批次风险，不直接给出“估计均值的精度”。请先明确你的目标是“验收”还是“估计”。
五、在线工具，一步到位
手动算公式容易出错，尤其当你需要调整 ε、σ 或置信水平反复试算时。推荐使用在线工具：
? 样本量计算工具（6SQ 质量网）
该工具支持均值与比例两种模式，输入置信水平、允许误差、标准差（或预期比例）即可秒出结果，并自动向上取整。无需安装，浏览器打开即用，适合质量工程师、研发与数据分析人员日常参考。
做质量改进、市场调研或临床研究时，你几乎总会遇到同一个问题：到底该收集多少数据才够？ 样本量太小，结论站不住脚；样本量太大，浪费人力物力。本文基于公开的统计推断原理（均数/比例估计）与 ISO 2859 抽样标准的思想，为你讲清样本量计算的逻辑、公式与实操步骤，并附上一个可直接套用的演示算例。
一、样本量计算是什么？
样本量（Sample Size）是指从总体中抽取的个体数量。它的核心目的是：在给定的置信水平与允许误差下，让统计估计（如均值、合格率）足够可靠，或让假设检验具备足够的“功效”（Power，即正确拒绝原假设的概率）。
在质量管理中，ISO 2859（计数抽样检验程序）规定了按批次大小与检验水平确定抽样方案的表格，其底层逻辑同样涉及“可接受质量水平（AQL）”与“风险”的权衡。而更通用的样本量公式，则基于正态近似原理——当样本量足够大时，样本均值的分布近似正态分布，从而可用 z 值（如 95% 置信对应 z=1.96）来计算所需样本量。
关键区别：ISO 2859 用于批次验收（按 AQL 决定抽多少件），而本文的公式用于参数估计或假设检验（如估计某工序的合格率）。两者目标不同，但都回答“抽多少”的问题。
二、怎么做：两个核心公式与步骤
场景 A：估计总体均值（连续型数据）
若你想估计某质量特性的平均值 μ，并希望误差不超过 ε（绝对精度），在置信水平 1-α 下，所需样本量公式为：
n = ( (z_(1-α/2) · σ)/(ε) )^2
- z_(1-α/2)：标准正态分布双侧分位数。95% 置信时，z=1.96（公开公认值）。
- σ：总体标准差（通常用历史数据或小样本预估值代替）。
- ε：允许的最大绝对误差（即估计值 ± ε）。
步骤：
1. 确定置信水平（常用 95%）。
2. 确定允许误差 ε（如均值 ± 0.5 mm）。
3. 获取 σ 的估计值（历史数据、文献或预实验）。
4. 代入公式，向上取整。
场景 B：估计总体比例（计数型数据）
若你想估计合格率 p（或缺陷率），允许误差为 ε，则公式为：
n = (z_(1-α/2)^2 · p(1-p))/(ε^2)
- p 未知时，最保守取 p=0.5（此时 p(1-p) 最大，样本量最保险）。
- 其他符号同上。
步骤：
1. 设定置信水平（如 95%，z=1.96）。
2. 设定允许误差 ε（如 ±3%）。
3. 若对 p 无先验信息，取 p=0.5。
4. 代入公式并向上取整。
注意：以上公式基于正态近似，适用于 np≥5 且 n(1-p)≥5 的情形。若 p 极小或极大，建议用精确方法（如 Clopper-Pearson）或增大样本量。
三、一个演示算例（仅供演示）
背景：某电子厂想估计一批电阻的阻值均值 μ，要求 95% 置信水平下，误差不超过 ±1 Ω。根据历史数据，阻值标准差 σ≈5 Ω。
计算：
- z=1.96（95% 置信）
- ε=1 Ω
- σ=5 Ω
代入公式：
n = ( (1.96 × 5)/(1) )^2 = (9.8)^2 = 96.04
向上取整，n=97。
解读：示例数据（仅供演示）表明，若 σ 确为 5 Ω，抽取 97 个样品测阻值，其均值落在真实均值 ±1 Ω 范围内的置信度为 95%。
若改为估计合格率：假设想估计合格率 p，允许误差 ±5%，无先验信息取 p=0.5：
n = (1.96^2 × 0.5 × 0.5)/(0.05^2) = (0.9604)/(0.0025) = 384.16
向上取整，n=385。示例数据（仅供演示）——这说明比例估计通常需要比均值估计更大的样本量。
四、常见误区（务必避开）
1. 把“样本量”等同于“总体比例”：当总体很大时，总体大小对样本量影响可忽略（除非总体很小，需用有限总体校正）。不要以为总体 100 万就必须抽 1 万。
2. σ 拍脑袋：σ 是公式里最敏感的参数。若 σ 低估，实际误差会大于预期。建议用保守估计（偏大值）。
3. 忽略功效：若你做假设检验（如比较两组均值），仅用上述估计公式会低估所需样本量。此时需额外考虑功效（通常设 80% 或 90%），公式更复杂，建议用专业软件。
4. ISO 2859 与估计公式混用：ISO 2859 的抽样表基于 AQL 和批次风险，不直接给出“估计均值的精度”。请先明确你的目标是“验收”还是“估计”。
五、在线工具，一步到位
手动算公式容易出错，尤其当你需要调整 ε、σ 或置信水平反复试算时。推荐使用在线工具：
? 样本量计算工具（6SQ 质量网）
下图是 6SQ 在线工具一键生成的结果效果：
该工具支持均值与比例两种模式，输入置信水平、允许误差、标准差（或预期比例）即可秒出结果，并自动向上取整。无需安装，浏览器打开即用，适合质量工程师、研发与数据分析人员日常参考。
提示：工具结果基于正态近似公式，与本文方法一致；若用于法规提交或高风险决策，建议同时咨询统计专家。
