Máy Tính Phân Phối Mẫu của Tỷ Lệ Mẫu

Máy Tính Phân Phối Mẫu của Tỷ Lệ Mẫu

Đang tăng trưởng AI Skill PRO

Nhập phép tính

Công thức

μp^=p,σp^=p(1−p)n\mu_{\hat{p}} = \text{p}, \qquad \sigma_{\hat{p}} = \sqrt{\frac{\text{p}\,(1 - \text{p})}{\text{n}}}
Thống kê sử dụng

Quảng cáo

Kết quả

Sai số chuẩn của tỷ lệ mẫu
0,05
SE của p̂
Trung bình của phân phối mẫu (μ_p̂ = p) 0,5
Phương sai (p(1−p)/n) 0,0025
Sai số chuẩn 0,05

Báo lỗi nội dung trang này

Công Cụ Này Làm Gì

Công cụ này mô tả phân phối mẫu của tỷ lệ mẫu (p̂). Khi bạn liên tục lấy ra các mẫu ngẫu nhiên cùng cỡ n từ một tổng thể có tỷ lệ thực p, các tỷ lệ mẫu thu được sẽ tạo thành một phân phối riêng. Máy tính trả về trung bình và sai số chuẩn của phân phối này, giúp bạn xây dựng khoảng tin cậy, thực hiện kiểm định giả thuyết hoặc đánh giá độ biến thiên do lấy mẫu.

Cách Sử Dụng

Nhập tỷ lệ tổng thể p dưới dạng số thập phân nằm trong khoảng 0 đến 1 (ví dụ, 0,4 tương ứng với 40%), sau đó nhập cỡ mẫu n. Máy tính sẽ lập tức cho ra trung bình (bằng đúng p), phương sai và sai số chuẩn (SE) của phân phối mẫu.

Giải Thích Công Thức

Trung bình của phân phối mẫu bằng tỷ lệ tổng thể: $$\mu_{\hat{p}} = \text{p}, \qquad \sigma_{\hat{p}} = \sqrt{\frac{\text{p}\,(1 - \text{p})}{\text{n}}}$$ Sai số chuẩn đo mức độ dao động của các tỷ lệ mẫu quanh giá trị p và được tính bằng \(\text{SE} = \sqrt{\frac{\text{p}(1-\text{p})}{\text{n}}}\). Mẫu càng lớn thì sai số chuẩn càng nhỏ, khiến ước lượng của bạn chính xác hơn. Theo Định lý Giới hạn Trung tâm, phân phối xấp xỉ chuẩn khi đồng thời \(n p \ge 10\) và \(n(1-p) \ge 10\).

Quảng cáo
Đường cong phân phối mẫu hình chuông có tâm tại p với độ phân tán bằng sai số chuẩn
Phân phối mẫu của tỷ lệ mẫu có tâm tại p với độ phân tán bằng sai số chuẩn.

Ví Dụ Cụ Thể

Giả sử \(p = 0{,}5\) và \(n = 100\). Trung bình là \(0{,}5\). Phương sai là $$0{,}5 \times 0{,}5 / 100 = 0{,}0025$$ và sai số chuẩn là $$\sqrt{0{,}0025} = 0{,}05$$ Như vậy, các tỷ lệ mẫu thường nằm trong khoảng \(\pm 0{,}05\) quanh giá trị \(0{,}5\).

Cỡ mẫu và tỷ lệ ảnh hưởng thế nào đến sai số chuẩn

Sai số chuẩn của tỷ lệ mẫu là \(SE = \sqrt{\frac{p(1-p)}{n} }\). Bảng hiển thị SE với bốn tỷ lệ tổng thể và bốn cỡ mẫu. Dấu hoa thị (*) đánh dấu tổ hợp có \(np < 10\) hoặc \(n(1-p) < 10\), do đó không nên dùng phép xấp xỉ chuẩn.

p n = 25 n = 100 n = 400 n = 1000
0.1 0.0600* 0.0300 0.0150 0.0095
0.3 0.0917* 0.0458 0.0229 0.0145
0.5 0.1000 0.0500 0.0250 0.0158
0.7 0.0917* 0.0458 0.0229 0.0145

Các giá trị được làm tròn đến bốn chữ số thập phân. Các ô được đánh dấu là:

  • p = 0.1, n = 25: \(np = 2.5\)
  • p = 0.3, n = 25: \(np = 7.5\)
  • p = 0.7, n = 25: \(n(1-p) = 7.5\)

Với p = 0.1 và n = 100, \(np = 10\) chính xác, vừa đủ đạt ngưỡng.

Bảng cho thấy điều gì

  • Nhân n lên bốn lần thì SE giảm một nửa. Từ n = 25 đến 100 rồi đến 400, mỗi bước nhân n với 4 và chia SE cho 2. Với p = 0.5: 0.1000, 0.0500, 0.0250.
  • SE lớn nhất khi p = 0.5, vì \(p(1-p)\) đạt cực đại 0.25. Các giá trị ứng với p và 1 − p là giống hệt nhau (so sánh p = 0.3 và p = 0.7).
Quảng cáo

Thuật ngữ và ký hiệu chính

Tỷ lệ tổng thể (p)
Tỷ lệ thực sự của toàn bộ tổng thể có đặc điểm đang quan tâm. Thường không biết trước và nằm trong khoảng từ 0 đến 1.
Tỷ lệ mẫu (\(\hat{p}\))
Tỷ lệ số lần thành công trong mẫu: \(\hat{p} = X/n\), trong đó X là số lần thành công.
Cỡ mẫu (n)
Số quan sát độc lập trong mỗi mẫu.
Phân phối lấy mẫu
Phân phối của \(\hat{p}\) trên tất cả các mẫu có thể có cỡ n từ cùng một tổng thể. Trung bình của nó là p và độ lệch chuẩn là \(\sqrt{p(1-p)/n}\).
Sai số chuẩn so với độ lệch chuẩn
Độ lệch chuẩn đo độ phân tán của các giá trị riêng lẻ (với một quan sát 0/1, nó bằng \(\sqrt{p(1-p)}\)). Sai số chuẩn là độ lệch chuẩn của một thống kê như \(\hat{p}\), và nó giảm khi n tăng.
Ước lượng không chệch
Một thống kê có trung bình qua các mẫu lặp lại bằng tham số mà nó ước lượng. Vì \(\mu_{\hat{p}} = p\), tỷ lệ mẫu là ước lượng không chệch của p.
Định lý giới hạn trung tâm và điều kiện thành công-thất bại
Khi n đủ lớn, phân phối lấy mẫu của \(\hat{p}\) xấp xỉ phân phối chuẩn. Quy tắc kinh nghiệm thường gặp yêu cầu \(np \ge 10\) và \(n(1-p) \ge 10\) (một số giáo trình dùng 5), đồng thời các quan sát phải độc lập. Dưới các ngưỡng này, phân phối bị lệch đáng kể và xác suất dựa trên phân phối chuẩn có thể không chính xác.

Câu Hỏi Thường Gặp

Vì sao trung bình lại bằng p? Vì tỷ lệ mẫu là ước lượng không chệch của tỷ lệ tổng thể — trung bình thì nó trúng đúng giá trị thực.

Điều gì xảy ra khi n tăng lên? Sai số chuẩn giảm tỷ lệ với \(1/\sqrt{n}\), nên mẫu càng lớn thì ước lượng càng chính xác.

Khi nào có thể dùng xấp xỉ chuẩn? Một quy tắc phổ biến là \(n p \ge 10\) và \(n(1-p) \ge 10\); nếu không đạt, bạn nên cân nhắc dùng phương pháp nhị thức chính xác.

Cập nhật lần cuối:

Phổ biến nhất trong Toán học và Thống kê

Xem tất cả máy tính Toán học và Thống kê