Phân phối mẫu của trung bình mẫu là gì?
Khi bạn liên tục rút các mẫu ngẫu nhiên có cỡ n từ một tổng thể và tính trung bình của từng mẫu, tập hợp các giá trị trung bình ấy sẽ tạo nên một phân phối riêng — gọi là phân phối mẫu của trung bình mẫu. Máy tính này xác định tâm (trung bình) và độ phân tán (sai số chuẩn) của phân phối đó dựa trên ba đại lượng đầu vào: trung bình tổng thể μ, độ lệch chuẩn tổng thể σ và cỡ mẫu n.
Cách sử dụng máy tính
Hãy nhập trung bình tổng thể (μ), độ lệch chuẩn tổng thể (σ) và cỡ mẫu (n) của bạn. Công cụ sẽ trả về trung bình của phân phối mẫu (μx̄), sai số chuẩn (σx̄) và phương sai của trung bình mẫu (σx̄²). Sai số chuẩn cho biết các trung bình mẫu thường dao động bao nhiêu quanh trung bình thực của tổng thể.
Giải thích công thức
Trung bình của phân phối mẫu luôn bằng trung bình tổng thể: \(\mu_{\bar{x}} = \mu\). Độ phân tán giảm dần khi mẫu lớn hơn:
$$\sigma_{\bar{x}} = \frac{\sigma}{\sqrt{n}}$$Vì ta chia cho căn bậc hai của \(n\) nên việc tăng gấp đôi cỡ mẫu không làm giảm một nửa sai số chuẩn — muốn giảm sai số chuẩn đi một nửa, bạn phải tăng \(n\) lên gấp bốn lần. Theo Định lý Giới hạn Trung tâm, với \(n\) đủ lớn thì phân phối này xấp xỉ phân phối chuẩn, bất kể tổng thể ban đầu có dạng phân phối nào.
Ví dụ minh họa
Giả sử \(\mu = 100\), \(\sigma = 15\) và \(n = 25\). Khi đó \(\mu_{\bar{x}} = 100\), và
$$\sigma_{\bar{x}} = \frac{15}{\sqrt{25}} = \frac{15}{5} = 3$$Phương sai là \(\sigma_{\bar{x}}^{2} = 3^{2} = 9\). Như vậy, trung bình của các mẫu gồm 25 quan sát sẽ tập trung quanh giá trị 100 với sai số chuẩn bằng 3.
Kích thước mẫu ảnh hưởng đến sai số chuẩn như thế nào
Bảng cố định trung bình tổng thể ở \(\mu = 100\) và độ lệch chuẩn tổng thể ở \(\sigma = 15\), rồi thay đổi kích thước mẫu \(n\). Trung bình của phân phối lấy mẫu giữ nguyên ở 100 trong mọi hàng. Chỉ có độ phân tán thay đổi.
| Kích thước mẫu n | Sai số chuẩn \(\sigma/\sqrt{n}\) | Phương sai \(\sigma^2/n\) | SE theo tỷ lệ với σ |
|---|---|---|---|
| 1 | 15 | 225 | 1 |
| 4 | 7.5 | 56.25 | 0.5 |
| 9 | 5 | 25 | 0.3333 |
| 25 | 3 | 9 | 0.2 |
| 100 | 1.5 | 2.25 | 0.1 |
| 400 | 0.75 | 0.5625 | 0.05 |
Tỷ số giữa sai số chuẩn và σ bằng \(1/\sqrt{n}\). Do có căn bậc hai, tăng gấp bốn lần kích thước mẫu thì sai số chuẩn giảm một nửa: khi đi từ n = 1 lên 4, từ 4 lên 16 (hoặc từ 25 lên 100, từ 100 lên 400), sai số chuẩn mỗi lần giảm còn một nửa. Muốn giảm nó xuống còn một phần mười thì cần số quan sát gấp 100 lần, vì vậy việc thu thập thêm dữ liệu ngày càng kém hiệu quả.
Diễn giải sai số chuẩn
Sai số chuẩn \(\sigma_{\bar{x}} = \sigma/\sqrt{n}\) đo lường mức độ dao động của các trung bình mẫu từ mẫu này sang mẫu khác. Nếu phân phối lấy mẫu của \(\bar{x}\) xấp xỉ chuẩn (theo Định lý Giới hạn Trung tâm, hoặc vì bản thân tổng thể có phân phối chuẩn), thì khoảng:
- 68% trung bình mẫu nằm trong phạm vi 1 sai số chuẩn tính từ μ,
- 95% nằm trong phạm vi 2 sai số chuẩn (chính xác hơn là 1,96),
- 99,7% nằm trong phạm vi 3 sai số chuẩn.
Ví dụ: với \(\mu = 100\) và \(\sigma_{\bar{x}} = 3\) (chẳng hạn σ = 15 và n = 25):
| Mức bao phủ | Khoảng | Phạm vi của trung bình mẫu |
|---|---|---|
| ≈ 68% | \(100 \pm 1(3)\) | từ 97 đến 103 |
| ≈ 95% | \(100 \pm 2(3)\) | từ 94 đến 106 |
| ≈ 99,7% | \(100 \pm 3(3)\) | từ 91 đến 109 |
Sai số chuẩn so với độ lệch chuẩn. Độ lệch chuẩn tổng thể σ mô tả mức độ dao động của các giá trị riêng lẻ quanh μ. Sai số chuẩn mô tả mức độ dao động của các trung bình mẫu quanh μ. Nó luôn nhỏ hơn σ khi n > 1, và giảm dần khi n tăng.
Tính chuẩn và kích thước mẫu. Một quy tắc kinh nghiệm phổ biến cho rằng n ≥ 30 là đủ để phân phối lấy mẫu của trung bình xấp xỉ chuẩn. Đây chỉ là một hướng dẫn: với các tổng thể gần đối xứng, n nhỏ hơn có thể đủ, trong khi với tổng thể lệch mạnh hoặc có đuôi dày, bạn có thể cần nhiều hơn đáng kể.
Tổng thể hữu hạn. Công thức σ/√n giả định lấy mẫu có hoàn lại hoặc tổng thể rất lớn. Khi lấy mẫu không hoàn lại và mẫu chiếm hơn khoảng 5% của tổng thể có kích thước N, sai số chuẩn được nhân với hệ số hiệu chỉnh tổng thể hữu hạn \(\sqrt{\frac{N-n}{N-1}}\), làm nó nhỏ đi. Máy tính này không áp dụng hiệu chỉnh đó.
Thuật ngữ và ký hiệu chính
- Trung bình tổng thể (μ): giá trị trung bình của tất cả các giá trị trong tổng thể.
- Độ lệch chuẩn tổng thể (σ): khoảng cách điển hình của các giá trị riêng lẻ so với μ trong tổng thể.
- Kích thước mẫu (n): số quan sát trong mỗi mẫu.
- Trung bình mẫu (x̄): giá trị trung bình của n quan sát trong một mẫu; nó thay đổi từ mẫu này sang mẫu khác.
- Phân phối lấy mẫu: phân phối xác suất của một thống kê (ở đây là x̄) trên tất cả các mẫu có kích thước n có thể lấy từ tổng thể.
- Trung bình của phân phối lấy mẫu (\(\mu_{\bar{x}}\)): giá trị kỳ vọng của x̄, bằng μ, nên trung bình mẫu là ước lượng không chệch của μ.
- Sai số chuẩn (\(\sigma_{\bar{x}}\)): độ lệch chuẩn của phân phối lấy mẫu của x̄, bằng \(\sigma/\sqrt{n}\).
- Phương sai của trung bình mẫu (\(\sigma_{\bar{x}}^2\)): bình phương của sai số chuẩn, tức \(\sigma^2/n\).
- Định lý Giới hạn Trung tâm: với các quan sát độc lập từ một tổng thể có phương sai hữu hạn, phân phối lấy mẫu của x̄ tiến tới phân phối chuẩn khi n tăng, bất kể hình dạng của tổng thể.
Câu hỏi thường gặp
Vì sao sai số chuẩn nhỏ đi khi mẫu lớn hơn? Mẫu càng lớn càng giúp triệt tiêu các dao động ngẫu nhiên, nên trung bình của chúng bám sát hơn quanh trung bình thực.
Tổng thể có bắt buộc phải tuân theo phân phối chuẩn không? Không cần đối với các công thức ở đây. Trung bình và sai số chuẩn là chính xác với mọi tổng thể. Còn tính chuẩn của phân phối mẫu chỉ đúng một cách xấp xỉ khi \(n\) lớn, dựa theo Định lý Giới hạn Trung tâm.
Nếu tôi chỉ có độ lệch chuẩn của mẫu thì sao? Khi chưa biết \(\sigma\), hãy dùng độ lệch chuẩn mẫu \(s\) để ước lượng; khi đó sai số chuẩn trở thành \(s/\sqrt{n}\) và thường được dùng kèm với phân phối t (t-distribution).