Sai số chuẩn của trung bình là gì?
Sai số chuẩn của trung bình (SEM) cho biết giá trị trung bình của một mẫu được kỳ vọng sẽ dao động bao nhiêu so với trung bình thực của tổng thể. Trong khi độ lệch chuẩn mô tả mức độ phân tán của từng điểm dữ liệu, thì SEM lại phản ánh độ chính xác trong ước lượng giá trị trung bình của bạn. Mẫu càng lớn thì sai số chuẩn càng nhỏ, nghĩa là trung bình mẫu càng đáng tin cậy khi dùng để ước lượng trung bình tổng thể.
Cách sử dụng công cụ này
Bạn chỉ cần nhập độ lệch chuẩn mẫu (s) và cỡ mẫu (n), sau đó đọc kết quả. Công cụ sẽ lấy độ lệch chuẩn chia cho căn bậc hai của cỡ mẫu. Nếu bạn chỉ có dữ liệu thô, hãy tính độ lệch chuẩn trước, rồi nhập giá trị đó cùng với số lượng quan sát vào đây.
Giải thích công thức
Công thức là $$\text{SEM} = \frac{\text{Std. Dev. (s)}}{\sqrt{\text{Sample Size (n)}}}$$. Trong đó, \(s\) là độ lệch chuẩn mẫu và \(n\) là số lượng quan sát. Vì n nằm dưới dấu căn, nên muốn giảm sai số chuẩn đi một nửa thì bạn phải tăng cỡ mẫu lên gấp bốn lần — một nguyên tắc thực tế rất hữu ích khi lên kế hoạch cho các nghiên cứu.
Ví dụ minh họa
Giả sử một mẫu gồm 25 phép đo có độ lệch chuẩn bằng 15. Khi đó $$\text{SEM} = \frac{15}{\sqrt{25}} = \frac{15}{5} = 3$$ Như vậy, trung bình mẫu được ước lượng với sai số chuẩn là 3 đơn vị. Một khoảng tin cậy 95% thường gặp sẽ vào khoảng trung bình \(\pm 1{,}96 \times 3\).
Câu hỏi thường gặp
SEM có giống độ lệch chuẩn không? Không. Độ lệch chuẩn đo mức độ biến thiên giữa các điểm dữ liệu; còn SEM đo mức độ biến thiên của trung bình mẫu khi dùng nó để ước lượng trung bình tổng thể.
Vì sao SEM giảm khi mẫu lớn hơn? Khi lấy trung bình của nhiều quan sát hơn, sai số ngẫu nhiên được giảm bớt, nhờ đó giá trị trung bình trở thành một ước lượng ổn định hơn.
Nếu tôi chỉ biết độ lệch chuẩn của tổng thể thì sao? Bạn vẫn có thể dùng nó thay cho s; công thức vẫn giữ nguyên là \(s / \sqrt{n}\).
