Araştırmalarda Örnekleme: Bütünü Anlamak İçin Bir Parçayı İncelemek

Kerem Aydın·8 Temmuz 2026·⏱6 dk

Örnekleme, geniş bir gruptan (ana kitle) seçilen sınırlı sayıda nesnedir; tüm grup hakkında sonuçlar çıkarmak için incelenir. Bu yaklaşım, her bir katılımcıyı tek tek sorgulamadan veya test etmeden zaman ve kaynak tasarrufu sağlar ve doğru seçim yapıldığında sonuçların yüksek doğruluğunu korur.

Örneğin, cumhurbaşkanının onay oranını öğrenmek için sosyologlar 140 milyon vatandaşı tek tek sorgulamaz; bunun yerine 1–2 bin kişiden oluşan temsilci bir grup seçerler. Örnekleme doğru şekilde oluşturulduğunda, bu grubun görüşleri toplumun genel ruh halini yüksek doğrulukla yansıtır.

Temel terimler: İstatistiğin dili

Yöntemlere geçmeden önce terimler üzerinde anlaşmak önemlidir. İstatistikte "tüm" ile "bazıları" arasında net bir ayrım vardır:

Ana Kitle (Population) — incelemek istediğiniz tüm nesne grubu (örneğin, uygulamanızın tüm kullanıcıları).
Gözlem birimi — kitlenin tek bir öğesi (tek bir kullanıcı).
Örneklem (Sample) — araştırma için seçilen birimlerin alt kümesi.
Parametre — tüm kitledeki gösterge değeri (genellikle tam olarak bilinmez).
İstatistik — yalnızca örneklem üzerinden hesaplanan gösterge değeri (parametrenin tahmini olarak hizmet eder).

Temel kural: Çıkarımın kalitesi, örneklem büyüklüğünden çok onun nasıl oluşturulduğuna bağlıdır. 500 kişinin rastgele seçilmesi, bir forumdan 5000 gönüllünün anketlenmesinden daha güvenilirdir; çünkü ikinci durumda sistematik bir sapma bulunur.

Temel örnekleme türleri

Seçim yöntemi, sonuçların tüm kitleye genellenip genellenemeyeceğini belirler. Tüm yöntemler olasılıklı (rastgele) ve olasılıksız olarak ikiye ayrılır.

Olasılıklı (rastgele) örneklemeler

Burada her öğenin araştırmaya dahil olma olasılığı bilinir ve sıfırdan farklıdır. Bu, ciddi araştırmalar için "altın standart"tır.

Basit rastgele örnekleme (SRS). Her katılımcı, çekiliş bileti gibi rastgele seçilir. Tüm kitlenin tam listesini gerektirir.
Sistematik örnekleme. Listeden her $k$-inci öğe seçilir (örneğin, veritabanındaki her 10. müşteri). Uygulaması daha kolaydır, ancak listede gizli bir periyodiklik varsa risklidir.
Tabakalı örnekleme. Kitle önemli gruplara (tabakalara) ayrılır — örneğin cinsiyete veya yaşa göre — ve ardından her grup içinde rastgele seçim yapılır. Küçük ama önemli grupların kaybolmamasını garanti eder.
Küme örnekleme. Nüfus kümelerine (bölgeler, okullar, ofisler) ayrılır. Rastgele birkaç küme seçilir ve içlerindeki tüm (veya çoğu) birey incelenir. Lojistik açıdan daha ucuzdur, ancak daha az hassas olabilir.

Olasılıksız örneklemeler

Rastgele seçimin mümkün olmadığı veya gerekli olmadığı durumlarda kullanılır (örneğin, nitel mülakatlar veya hızlı hipotezler için). Bu tür örneklemelerin sonuçları tüm kitleye kesinlikle genellenemez.

Kolaylık örneklemi (Convenience): El altında bulunanların anketlenmesi (yoldan geçenler, sosyal medya takipçileri).
Kar topu örnekleme: Katılımcılar diğer katılımcıları getirir. Nadir veya kapalı grupları bulmak için faydalıdır.
Kota örneklemi: Araştırmacı, oranları korumak için respondentleri kendisi seçer (örneğin, %50 erkek ve %50 kadın), ancak kota içindeki seçim rastgele değildir.

Seçim yöntemlerinin karşılaştırılması

Yöntem	Ne zaman uygulanır	Ana avantaj	Ana dezavantaj
Basit rastgele	Tam iletişim listesi mevcut	Maksimum nesnellik	Tam listeyi toplamak zordur
Tabakalı	Gruplar arası farklılıklar önemlidir	Alt gruplar için hassasiyet	Hesaplama ve organizasyon daha karmaşıktır
Küme	Coğrafi olarak dağılmış nesneler	Lojistik tasarrufu	Daha yüksek örnekleme hatası
Kolaylık / Kota	Hızlı testler, MVP, nitel mülakatlar	Ucuz ve hızlı	Tüm kitleye genellenemez

Örneklem büyüklüğü nasıl hesaplanır

Birçok kişi "ne kadar büyükse o kadar iyi" diye düşünür. Pratikte belirli bir eşiğin ardından hassasiyet artışı maliyet açısından haklı çıkarılamaz hale gelir. Büyüklük üç faktöre bağlıdır:

Kabul edilebilir hata payı ($E$): Ne kadar hata yapabileceğimiz (genellikle %3–5).
Güven düzeyi: Doğru aralığa isabet etme olasılığımız (standart %95'tir).
Veri dağılımı (varyans): Yanıtların ne kadar heterojen olduğu.

Büyük bir kitlede bir oranı (örneğin, "% hizmeti memnun kalan müşteriler") tahmin etmek için şu formül kullanılır:

$$ n = \frac{Z^2 \cdot p \cdot (1-p)}{E^2} $$

Burada:

$Z$ — güven katsayısı (%95 için 1.96).
$p$ — beklenen oran (bilinmiyorsa 0.5 alınır — bu maksimum örneklem büyüklüğünü verir).
$E$ — hata payı (birim kesir olarak, %5 için 0.05).

Hatırlama ipucu: ±%5 hata payı ve %95 güvenilirlik ile sonuç elde etmek için, kitleniz 10 bin mi yoksa 10 milyon mu olduğundan bağımsız olarak yaklaşık 384–400 respondente ihtiyacınız vardır.

Daha yüksek hassasiyet gerekirse (±%3), hacim yaklaşık 1000–1100 kişiye çıkar. Örneklemi daha da artırmak, maliyetlerde önemli bir artışa neden olurken hassasiyette çok küçük bir iyileştirme sağlar.

Uygulama örnekleri

Fabrikada kalite kontrol. Üretilen her parçanın dayanıklılığını kontrol etmek imkansızdır (bu ürünü yok ederdi). Mühendisler partiden rastgele bir örneklem alır (örneğin, 50 adet) ve bunları test eder. Örneklemdeki kusur oranı normun altındaysa, tüm parti kabul edilir.
IT'de A/B testi. Sitedeki yeni bir düğmeyi test etmek için trafik rastgele bölünür: %50 eski tasarımı görür, %50 yeniyi görür. Bu, kullanıcı akışından alınan klasik bir basit rastgele örneklemedir.
Sosyolojik anket. Büyük şehir sakinlerinin tercihlerini öğrenmek için çok aşamalı küme örnekleme kullanılır: önce bölgeler rastgele seçilir, ardından sokaklar, sonra hanehalkları.

Örnekleme çalışmasında yaygın hatalar

Metodolojik hatalar yapıldığında, büyük veri hacmi bile kurtaramaz.

Hayatta kalan hatası (Survivorship bias). Yalnızca "hayatta kalanların" analizi. Örneğin, şirket başarısını yalnızca mevcut pazar liderlerine göre incelemek, iflas edenleri göz ardı eder.
Seçim yanlılığı (Selection bias). Örneklem nüfus yapısını yansıtmaz. Klasik örnek: Instagram üzerinden gelir anketi yapmak, platformun kitlesi spesifik olduğu için abartılı rakamlar gösterecektir.
Yanıtsızlık hatası (Non-response bias). Ankete yalnızca en memnuniyetsiz veya en sadık müşteriler cevap verirse, tablo bozulur. Talebi görmezden gelenlerin özelliklerini analiz etmek önemlidir.
**Küçük grupların ihmal edilmesi. Basit rastgele örneklemede, küçük ama önemli segmentler (örneğin, VIP tarifeli kullanıcılar) sayıca az oldukları için örnekleme girmeyebilir. Burada tabakalandırma gerekir.

Temsilci olmayan bir örneklemi, aynı kaynaktan gelen respondent sayısını artırarak "düzeltmeye" asla çalışmayın. Bu yalnızca rastgele hatayı azaltır, ancak sistematik yanlılığı dokunulmamış bırakır.

SSS: Örneklemler hakkında sık sorulan sorular

30 kişilik bir örneklem üzerinden sonuç çıkarılabilir mi? Nitel araştırmalar için (mülakatlar, UX testleri) evet, 30 kişi genellikle temel sorun kalıplarını ortaya çıkarmak için yeterlidir. Nicel istatistiksel çıkarımlar için (yüzdelikler, ortalama değerler) böyle bir örneklem büyük hata payı verir ve güvenilmezdir.

Rastgele seçim için tüm kitlenin listesi yoksa ne yapılmalı? Yarı rastgele yöntemler kullanın (örneğin, site ziyaretçi akışından sistematik seçim) veya dikkatli çıkarımlarla kota örneklemi kullanarak araştırmanın sınırlamalarını kabul edin.

Şehrin büyüklüğü örneklem büyüklüğünü etkiler mi? Şehir büyükse (100 binin üzerinde nüfus) pratikte hayır. Hesaplama formülleri, belirli bir eşikten sonra ana kitle büyüklüğünün gerekli örneklem hacmini etkilemediği şekilde çalışır. Moskova'nın (13 milyon) anketlenmesi ile bir milyonluk bir şehrin anketlenmesi arasındaki fark minimal olacaktır.

Örneklemimin temsilci olup olmadığını nasıl kontrol edebilirim? Örneklemizin temel sosyo-demografik özelliklerini (cinsiyet, yaş, coğrafya) ana kitleye ait bilinen verilerle (örneğin, Rosstat'tan) karşılaştırın. Oranlar uyuyorsa, örneklem bu özellikler açısından temsilci kabul edilebilir.