Độ lệch chuẩn

Độ lệch chuẩn là gì? Ý nghĩa trong thống kê

Trong thống kê, độ lệch chuẩn (Standard Deviation) là một trong những đại lượng phổ biến nhất được sử dụng để mô tả đặc tính của một tập dữ liệu. Nói một cách đơn giản, độ lệch chuẩn là thước đo mức độ phân tán của dữ liệu. Bằng cách tính toán chỉ số này, bạn có thể đánh giá được các giá trị trong tập dữ liệu đang nằm sát hay cách xa so với giá trị trung bình.

Nếu các điểm dữ liệu cách xa giá trị trung bình, điều đó đồng nghĩa với việc dữ liệu có độ lệch lớn. Do đó, mức độ phân tán của dữ liệu càng cao thì độ lệch chuẩn càng lớn.

Công cụ máy tính độ lệch chuẩn của chúng tôi sẽ giúp bạn xác định nhanh chóng chỉ số này cho bất kỳ tập dữ liệu nào, đồng thời hiển thị chi tiết từng bước giải thuật liên quan đến quá trình tính toán.

Hướng dẫn sử dụng máy tính độ lệch chuẩn

Máy tính này hỗ trợ dữ liệu đầu vào dưới dạng một danh sách các số được phân tách bằng các dấu phân cách thông dụng. Bạn có thể tham khảo một vài ví dụ về định dạng đầu vào hợp lệ trong bảng dưới đây:

Bạn có thể phân tách các số bằng dấu phẩy, khoảng trắng, dấu xuống dòng hoặc kết hợp nhiều loại dấu với nhau. Dữ liệu có thể được nhập theo dạng hàng ngang hoặc cột dọc. Đối với tất cả các định dạng minh họa trong bảng trên, máy tính đều sẽ hiểu và xử lý tập dữ liệu đầu vào bao gồm các giá trị: 44, 63, 72, 75, 80, 86, 87 và 89.

Sau khi nhập dữ liệu, bạn chỉ cần chọn loại dữ liệu là mẫu (Sample) hay tổng thể (Population) và nhấn Enter. Máy tính sẽ tự động xử lý và trả về năm tham số thống kê quan trọng của tập dữ liệu: số lượng phần tử, giá trị trung bình, tổng bình phương các độ lệch, phương sai và độ lệch chuẩn.

Tính năng và ưu điểm của công cụ

Công cụ máy tính thống kê này được thiết kế tối ưu để tính toán độ lệch chuẩn của một tập dữ liệu rời rạc, đồng thời cung cấp lời giải thích cặn kẽ sau mỗi phép tính.

Dữ liệu có thể là một tổng thể – bao gồm tất cả các đối tượng của một cuộc thử nghiệm trong những điều kiện nhất định. Tuy nhiên, trong thực tế, việc thu thập dữ liệu từ từng cá thể trong một tổng thể lớn thường là bất khả thi hoặc tốn quá nhiều nguồn lực.

Do đó, trong thống kê, chúng ta thường làm việc với một tập hợp con của tổng thể được gọi là 'mẫu'. Chúng ta sẽ dựa vào các thông tin thu thập được từ mẫu này để đưa ra các ước lượng và suy luận cho toàn bộ tổng thể.

Công thức tính độ lệch chuẩn sẽ thay đổi tùy thuộc vào việc bạn đang xử lý dữ liệu của một mẫu hay của toàn bộ tổng thể. Sự điều chỉnh này được thực hiện thông qua một tham số gọi là 'bậc tự do' (degrees of freedom). Khi tính phương sai cho một mẫu, chúng ta sẽ chia tổng bình phương độ lệch cho n - 1 (với n là kích thước mẫu) thay vì chia cho n, sau đó mới lấy căn bậc hai để tìm ra độ lệch chuẩn. Việc hiệu chỉnh này (hiệu chỉnh Bessel) nhằm bù đắp sai số khi dùng dữ liệu mẫu để ước lượng cho tổng thể, đảm bảo ước lượng của chúng ta là không chệch (unbiased).

Độ lệch chuẩn đo lường sự phân tán, mức chênh lệch, hay độ biến động trung bình của dữ liệu so với giá trị trung bình. Trong toán học, độ lệch chuẩn thường được ký hiệu bằng chữ cái Hy Lạp σ (sigma) đối với tổng thể, hoặc s đối với mẫu. Một giá trị σ hoặc s lớn cho thấy các điểm dữ liệu phân tán rộng ra xa giá trị trung bình, và ngược lại.

Hãy xem xét hai ví dụ về tập dữ liệu sau:

(Tập dữ liệu I)

11, 3, 5, 21, 10, 15, 20, 25, 13, 26, 27

(Tập dữ liệu II)

12, 14, 14, 15, 15, 16, 16, 17, 18, 19, 20

Khi nhập các tập dữ liệu này vào máy tính, chúng ta nhận được kết quả như sau: Tập dữ liệu I:

• x̄ = 16 (Giá trị trung bình)
• s = 8,3904708 (Độ lệch chuẩn)

Tập dữ liệu II:

• x̄ = 16 (Giá trị trung bình)
• s = 2,3664319 (Độ lệch chuẩn)

Có thể thấy, trong Tập dữ liệu I, các giá trị lệch khá xa so với mức trung bình của mẫu (s = 8,39). Ngược lại, ở Tập dữ liệu II, mức độ biến động thấp hơn nhiều (s = 2,36), các giá trị nằm sát với mức trung bình hơn.

Công thức tính độ lệch chuẩn

Công thức dưới đây được áp dụng khi bạn phân tích dữ liệu của toàn bộ tổng thể.

$$σ = \sqrt{\frac{\sum_{i=1}^{N}(x_i-μ)^2}{N}}$$

• σ: Độ lệch chuẩn của tổng thể.
• xᵢ: Giá trị của từng phần tử trong tổng thể.
• μ: Giá trị trung bình của tổng thể.
• N: Kích thước của tổng thể.

Khi tổng thể có kích thước quá lớn và bạn chỉ lấy ra một mẫu đại diện để phân tích, hãy sử dụng công thức sau:

$$s = \sqrt{\frac{\sum_{i=1}^{n}(x_i-\bar{x})^2}{n-1}}$$

• s: Độ lệch chuẩn của mẫu.
• xᵢ: Giá trị của từng phần tử trong mẫu.
• x̄: Giá trị trung bình của mẫu.
• n: Kích thước của mẫu.

Các bước tính độ lệch chuẩn chi tiết

Máy tính của chúng tôi tuân theo trình tự các bước tiêu chuẩn sau đây để tìm ra kết quả chính xác nhất.

Bước 1: Tính giá trị trung bình cộng của mẫu hoặc tổng thể. Đây là tổng của tất cả các điểm dữ liệu chia cho số lượng N (hoặc n).

Trung bình cộng của mẫu:

$$\bar{x}=\frac{x₁+x₂+x₃+........+x_n}{n}$$

Trung bình cộng của tổng thể:

$$\mu=\frac{x₁+x₂+x₃+........+x_N}{N}$$

Bước 2: Tính độ lệch (mức chênh lệch) bằng cách lấy từng điểm dữ liệu trừ đi giá trị trung bình cộng vừa tìm được.

Độ lệch của mẫu:

$$(x₁-\bar{x}), (x₂-\bar{x}), (x₃-\bar{x})…………………… (x_n-\bar{x})$$

Độ lệch của tổng thể:

$$(x₁-\ \mu), (x₂-\ \mu), (x₃-\ \mu)……………….. (x_N-\ \mu)$$

Bước 3: Tính bình phương độ lệch cho từng phần tử.

Bình phương độ lệch của mẫu:

$$(x₁-\bar{x})^2, (x₂-\bar{x})^2, (x₃-\bar{x})^2…………………… (x_n-\bar{x})^2$$

Bình phương độ lệch của tổng thể:

$$(x₁-\ \mu)^2, (x₂-\ \mu)^2, (x₃-\ \mu)^2……………….. (x_N-\ \mu)^2$$

Bước 4: Tính tổng các bình phương độ lệch bằng cách cộng tất cả các giá trị ở Bước 3 lại với nhau.

Tổng các bình phương độ lệch của mẫu (SS):

$$SS=(x₁-\bar{x})^2+ (x₂-\bar{x})^2+(x₃-\bar{x})^2……………………+(x_n-\bar{x})^2$$

Tổng các bình phương độ lệch của tổng thể (SS):

$$SS=(x₁-\ \mu)^2+ (x₂-\ \mu)^2+(x₃-\ \mu)^2……………….+ (x_N-\ \mu)^2$$

Bước 5: Chia tổng bình phương độ lệch cho số bậc tự do để tìm ra phương sai. Đối với tổng thể, ta chia cho N. Đối với mẫu, ta chia cho n - 1.

Phương sai của mẫu:

$$s^2 = \frac{\sum_{i=1}^{n}(xᵢ - \bar{x})^2}{n - 1}$$

Phương sai của tổng thể:

$$\sigma^2 = \frac{\sum_{i=1}^{N}(xᵢ - \mu)^2}{N}$$

Theo logic thông thường, khi tính phương sai của một mẫu, bạn có thể nghĩ ngay đến việc sử dụng công thức chia cho n như sau:

$$\frac{(x-\bar{x})^2}{n}$$

Trong đó, x̄ là trung bình cộng và n là kích thước mẫu. Tuy nhiên, công thức này không được sử dụng trong thống kê mẫu.

Lý do là vì công thức đó sẽ không mang lại một ước lượng chính xác về phương sai thực sự của tổng thể. Khi tổng thể rất lớn mà mẫu lấy ra lại nhỏ, việc chia cho n sẽ làm phương sai ước lượng bị thấp hơn so với thực tế do dữ liệu chưa đủ độ bao phủ. Vì vậy, bằng cách sử dụng bậc tự do n - 1, chúng ta đã gia tăng giá trị phương sai, giúp bù đắp sự thiếu hụt này.

Thay vì chia cho n, việc chia cho n - 1 sẽ mang lại giá trị phương sai mẫu nhỉnh hơn một chút và sát với phương sai thực tế của tổng thể hơn (đây gọi là ước lượng không chệch).

Bước 6: Lấy căn bậc hai của phương sai để ra kết quả cuối cùng. Độ lệch chuẩn chính là căn bậc hai của phương sai.

Độ lệch chuẩn của mẫu:

$$s=\sqrt{s^2}=\sqrt{\frac{\sum_{i}^{n}{{(x_i-\ \bar{x})}^2\ }}{n-1}}$$

Độ lệch chuẩn của tổng thể:

$$\sigma=\sqrt{\sigma^2}=\sqrt{\frac{\sum_{i}^{N}{{(x_i-\ \mu)}^2\ }}{N}}$$

Ví dụ minh họa: Cách tính độ lệch chuẩn của một mẫu

Hãy cùng xem xét điểm thi môn Vật lý cuối kỳ của một nhóm gồm n = 8 học sinh:

45, 67, 70, 75, 80, 81, 82 và 84

Máy tính sẽ thực hiện tính độ lệch chuẩn cho mẫu này thông qua các bước cụ thể:

Bước 1: Tính giá trị trung bình cộng.

$$\bar{x}=\frac{\sum_{i} x_i}{n}=\frac{45+\ 67+\ 70+\ 75+\ 80+\ 81+\ 82+\ 84}{8}=73$$

Bước 2: Tính các mức chênh lệch (độ lệch).

Bước 3: Tính bình phương của các độ lệch.

Bước 4: Tính tổng tất cả các bình phương chênh lệch.

$$SS=\sum_{i}^{n}{{(x_i-\ \bar{x})}^2=784+36+9+4+49+64+81+121}=1148$$

Bước 5: Tính phương sai bằng cách chia tổng bình phương độ lệch cho bậc tự do (n - 1). Lưu ý, nếu đây là dữ liệu của một tổng thể, ta sẽ chia cho N. Nhưng vì đây chỉ là một mẫu (một nhóm học sinh nhỏ trích từ toàn trường), ta phải chia cho n - 1.

$$s^2=\ \frac{\sum_{i}^{n}{{(x_i-\ \bar{x})}^2\ }}{n-1}=\frac{1148}{8-1}=164$$

Bước 6: Lấy căn bậc hai của phương sai để thu được độ lệch chuẩn.

$$s=\sqrt{s^2}=\ \sqrt{164}=12,80$$

Ứng dụng thực tế của độ lệch chuẩn

Độ lệch chuẩn và phương sai là hai công cụ đắc lực để đánh giá mức độ biến động của dữ liệu. Nếu phương sai hoặc độ lệch chuẩn lớn, dữ liệu đó có độ phân tán cao. Thông tin này cực kỳ hữu ích khi bạn cần so sánh hai hoặc nhiều tập dữ liệu để xem tập nào có sự biến động lớn nhất.

Trong lĩnh vực sản xuất và công nghiệp, độ lệch chuẩn được ứng dụng rộng rãi trong quy trình kiểm soát chất lượng (Quality Control). Khi sản xuất hàng loạt, các thông số kỹ thuật của sản phẩm phải nằm trong một biên độ sai số cho phép. Ví dụ, khi sản xuất đai ốc và bu lông, sự sai lệch về đường kính (độ lệch chuẩn) phải cực kỳ nhỏ, nếu không các chi tiết sẽ không thể lắp ráp khớp với nhau.

Trong tài chính và đầu tư, độ lệch chuẩn là thước đo tiêu chuẩn cho rủi ro và biến động giá. Trong phân tích kỹ thuật của thị trường chứng khoán, độ lệch chuẩn là cốt lõi để xây dựng chỉ báo Dải Bollinger (Bollinger Bands) giúp nhà đầu tư dự báo sự biến động của giá tài sản.

Ngoài ra, trong xã hội học và nghiên cứu thị trường, đại lượng này được dùng trong các cuộc thăm dò dư luận để xác định sai số và tính toán các yếu tố không chắc chắn.

Phương sai và độ lệch chuẩn còn giúp chúng ta biết được có bao nhiêu phần trăm dữ liệu đang nằm trong một khoảng phân phối nhất định. Chẳng hạn, theo Định lý Chebyshev, đối với bất kỳ hình dạng phân phối dữ liệu nào, luôn có ít nhất 75% giá trị dữ liệu nằm trong khoảng 2 độ lệch chuẩn tính từ giá trị trung bình.

Hãy lấy một ví dụ dễ hiểu về khí hậu. Giả sử chúng ta đang nghiên cứu nhiệt độ hàng ngày của hai thành phố: một thành phố ven biển và một thành phố nằm sâu trong đất liền. Cả hai thành phố đều có mức nhiệt độ tối đa trung bình hàng ngày là như nhau. Tuy nhiên, độ lệch chuẩn (sự chênh lệch nhiệt độ) của thành phố trong đất liền sẽ lớn hơn rất nhiều so với thành phố ven biển.

Điều này phản ánh một thực tế: thành phố trong đất liền sẽ có những ngày cực kỳ nóng hoặc cực kỳ lạnh, mức độ biến động nhiệt độ trong năm là rất lớn. Ngược lại, độ lệch chuẩn nhỏ ở thành phố ven biển cho thấy nhiệt độ tại đây luôn dao động ổn định quanh mức trung bình, minh chứng cho một kiểu khí hậu ôn hòa và dễ chịu hơn.