Khái niệm
Độ lệch chuẩn của trung bình mẫu — thường được gọi là sai số chuẩn của trung bình (SEM - Standard Error of the Mean) — cho biết giá trị trung bình của một mẫu ngẫu nhiên có thể dao động bao nhiêu so với trung bình thực của tổng thể. Trong khi độ lệch chuẩn tổng thể \(\sigma\) mô tả mức độ phân tán của từng quan sát riêng lẻ, thì sai số chuẩn lại mô tả mức độ phân tán của các giá trị trung bình mẫu. Bạn càng thu thập nhiều quan sát, các trung bình mẫu càng quy tụ sát hơn quanh trung bình tổng thể.
Cách sử dụng máy tính
Hãy nhập độ lệch chuẩn tổng thể (\(\sigma\)) và cỡ mẫu (\(n\)). Máy tính sẽ chia \(\sigma\) cho căn bậc hai của \(n\) để cho ra sai số chuẩn. Bạn có thể dùng kết quả này để xây dựng khoảng tin cậy, kiểm định giả thuyết, hoặc đánh giá xem một giá trị trung bình ước lượng đáng tin đến mức nào.
Giải thích công thức
Mối quan hệ được biểu diễn như sau:
$$\sigma_{\bar{x}} = \frac{\sigma}{\sqrt{n}}$$Vì \(n\) nằm dưới dấu căn, nên muốn giảm sai số chuẩn đi một nửa, bạn phải tăng cỡ mẫu lên gấp bốn lần. Đặc tính "lợi ích giảm dần" này rất quan trọng khi thiết kế nghiên cứu: càng muốn tăng độ chính xác cao, chi phí càng đắt đỏ hơn nhiều.
Ví dụ minh họa
Giả sử một tổng thể có độ lệch chuẩn \(\sigma = 10\) và bạn lấy một mẫu gồm \(n = 25\) quan sát. Khi đó $$\sigma_{\bar{x}} = \frac{10}{\sqrt{25}} = \frac{10}{5} = 2.$$ Như vậy, các trung bình mẫu sẽ dao động khoảng 2 đơn vị quanh trung bình thực của tổng thể.
Câu hỏi thường gặp
\(\sigma\) và sai số chuẩn khác nhau ở điểm nào? \(\sigma\) mô tả độ biến thiên của từng giá trị riêng lẻ; còn sai số chuẩn mô tả độ biến thiên của trung bình mẫu, và nó luôn nhỏ hơn \(\sigma\) (với \(n > 1\)).
Nếu tôi chỉ có độ lệch chuẩn mẫu \(s\) thì sao? Bạn cứ thay \(\sigma\) bằng \(s\) để có sai số chuẩn ước lượng, tức \(s/\sqrt{n}\). Công thức hoàn toàn giống nhau.
Tại sao chia cho \(\sqrt{n}\) mà không phải \(n\)? Phương sai của trung bình mẫu bằng \(\sigma^2/n\); khi lấy căn bậc hai để đưa về đơn vị độ lệch chuẩn, ta được \(\sigma/\sqrt{n}\).
