什么是均值的标准误差？
均值的标准误差（英文缩写 SEM 或 SE，中文常称"标准误"）用来衡量样本均值与真实总体均值之间可能存在多大的偏差。标准差描述的是单个数据点的离散程度，而标准误反映的则是你对均值这一估计值的精确度。样本量越大，标准误越小，也就意味着你得到的均值估计越可靠。
如何使用本计算器
只需输入两个数值：样本标准差（s）和样本量（n）。计算器会用标准差除以样本量的平方根，得出均值的标准误差。这是一条通用的统计学公式，适用于各个领域——生物学、金融、心理学、工程学等等都能用到。
公式解析
计算公式为 $$\text{SE} = \frac{\text{Standard Deviation }(s)}{\sqrt{\text{Sample Size }(n)}}$$ 其中，s 表示样本标准差，n 表示观测值的数量。由于 \(n\) 位于平方根之下，因此若想把标准误缩小一半，就必须把样本量扩大到原来的四倍——这一点在设计研究方案时非常有参考价值。
实例演算
假设某个样本的标准差为 15，包含 25 个观测值。那么标准误为 $$15 \div \sqrt{25} = 15 \div 5 = 3$$ 也就是说，样本均值与真实总体均值之间的估计偏差大约在 3 个单位以内（即一个标准误的范围）。
常见问题
标准差和标准误有什么区别？ 标准差衡量的是各个数据点之间的离散程度；而标准误衡量的是样本均值这一估计值的精确程度。
样本量越大，标准误就越小吗？ 是的。随着 \(n\) 增大，\(\sqrt{n}\) 也随之增大，标准误便会缩小，从而让均值的估计更加精确。
可以改用总体标准差吗？ 如果你已知真实的总体标准差（σ），那么可以用 \(\text{SE} = \sigma / \sqrt{n}\) 来计算。不过在大多数情况下，我们手头只有样本标准差 \(s\)。
