Bỏ qua đến nội dung chính
Mục lục

Công thức tính cỡ mẫu: cần khảo sát bao nhiêu người

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 5/6 · Chương 8

Ước lượng

  • 6 phút
  • Cơ bản
  • Python 3.14
  • Cập nhật

Công thức tính cỡ mẫu cho tỉ lệ là n = z²·p(1 − p)/E², còn cho trung bình là n = (z·σ/E)², rồi làm tròn lên. Với độ tin cậy 95% (z = 1,96), sai số ±3% và chưa biết p, cần khảo sát 1.068 người. Bài này tính cả hai công thức bằng norm.ppf() và math.ceil(), rồi mô phỏng để kiểm sai số thật.

Cần biết trước: khoảng tin cậy cho tỉ lệ, khoảng tin cậy cho trung bình và module math.

Công thức tính cỡ mẫu cho tỉ lệ

Bài khoảng tin cậy cho tỉ lệ có sai số biên E = z·√(p(1 − p)/n). Muốn E không vượt một mức cho trước, giải phương trình đó theo n:

n=z2 p(1−p)E2n = \frac{z^2 \, p(1-p)}{E^2}

Trong đó:

  • e (E): sai số biên mong muốn, dạng tỉ lệ; ±3% viết là 0.03.

  • z (norm.ppf((1 + do_tin_cay) / 2)): điểm của phân phối chuẩn tắc, 1,96 cho 95%.

  • p: tỉ lệ dự đoán trước; chưa biết thì lấy 0.5, giá trị cho p(1 − p) lớn nhất bằng 0,25 nên cỡ mẫu an toàn.

  • n (math.ceil(...)): cỡ mẫu, làm tròn lên số nguyên.

Với trung bình, sai số biên là z·σ/√n, nên cỡ mẫu là n = (z·σ/E)², với σ là độ lệch chuẩn dự đoán trước của tổng thể và E cùng đơn vị với dữ liệu.

Tính tay cỡ mẫu

Khảo sát tỉ lệ. Một chuỗi cửa hàng muốn biết tỉ lệ khách dùng thẻ thành viên, sai số ±3% với độ tin cậy 95%, chưa có số liệu cũ nên lấy p = 0,5:

n = 1,96² · 0,5 · 0,5 / 0,03² = 3,8416 · 0,25 / 0,0009 ≈ 1.067,1. Làm tròn lên: 1.068 khách.

Nếu đợt khảo sát năm trước cho tỉ lệ khoảng 20%, lấy p = 0,2: n = 3,8416 · 0,16 / 0,0009 ≈ 682,9, làm tròn lên 683 khách.

Ước lượng trung bình. Một trường muốn ước lượng chiều cao trung bình học sinh nam, sai số ±1 cm, 95%, biết từ các đợt đo trước σ ≈ 5,5 cm: n = (1,96 · 5,5 / 1)² ≈ 116,2, làm tròn lên 117 em.

Khối dưới tính lại cả ba bằng scipy và math.ceil():

python
import math
from scipy.stats import norm

z = norm.ppf(0.975)
for p in [0.5, 0.2]:
    n = z ** 2 * p * (1 - p) / 0.03 ** 2
    print("Tỉ lệ, p =", p, ":", round(float(n), 1), "->", math.ceil(n))
n_tb = (z * 5.5 / 1) ** 2
print("Trung bình, σ = 5,5 cm:", round(float(n_tb), 1), "->", math.ceil(n_tb))

KẾT QUẢ

Tỉ lệ, p = 0.5 : 1067.1 -> 1068
Tỉ lệ, p = 0.2 : 682.9 -> 683
Trung bình, σ = 5,5 cm: 116.2 -> 117

Đổi 0.03 ** 2 thành 0.05 ** 2 rồi chạy lại: dòng đầu in Tỉ lệ, p = 0.5 : 384.1 -> 385; nới sai số từ ±3% lên ±5% giảm cỡ mẫu gần ba lần, vì n tỉ lệ với 1/E².

Lỗi hay gặp thứ hai nằm ở đơn vị của E.

Mô phỏng: 1.068 khách có cho sai số ±3%?

Lấy tỉ lệ thật p = 0,5, rút 10.000 khảo sát 1.068 khách, rồi đếm bao nhiêu khảo sát có p̂ lệch p không quá 0,03. So với 683 khách, cỡ mẫu tính theo dự đoán p = 0,2 bị sai:

python
import numpy as np

rng = np.random.default_rng(65)
p = 0.5
for n in [1068, 683]:
    p_mu = rng.binomial(n, p, size=10_000) / n
    trong = (np.abs(p_mu - p) <= 0.03).mean()
    print(n, "khách: sai số trong ±3% ở", float(trong), "số khảo sát")

KẾT QUẢ

1068 khách: sai số trong ±3% ở 0.9509 số khảo sát
683 khách: sai số trong ±3% ở 0.8742 số khảo sát

Lần chạy này: 1.068 khách cho sai số trong ±3% ở 95,09% số khảo sát, đúng mức 95% đã đặt. Nếu dự đoán p = 0,2 mà tỉ lệ thật là 0,5, 683 khách chỉ giữ được ±3% ở 87,42% số khảo sát. Khi không chắc về p, lấy p = 0,5.

Kiểm tra nhanh

  1. Sau import math, print(math.ceil(1.96 ** 2 * 0.1 * 0.9 / 0.02 ** 2)) in ra gì?

    • 865
    • 864
    • 2401
  2. Muốn ước lượng trung bình với sai số ±2 cm, 95%, σ dự đoán 8 cm, cần bao nhiêu người?

    • 31
    • 62
    • 8
  3. Những cách tính nào cho cỡ mẫu sai với yêu cầu ±3%, 95%, p = 0,5?

    • round(1.96 ** 2 * 0.25 / 0.03 ** 2)
    • math.ceil(norm.ppf(0.95) ** 2 * 0.25 / 0.03 ** 2)
    • math.ceil(1.96 ** 2 * 0.25 / 3 ** 2)
    • math.ceil(1.96 ** 2 * 0.25 / 0.03 ** 2)
  4. Trong mô phỏng của bài, vì sao 683 khách chỉ giữ ±3% ở khoảng 87% số khảo sát?

    • Vì 10.000 khảo sát là quá ít
    • Vì 683 tính với p = 0,2, trong khi tỉ lệ thật 0,5 có p(1 − p) lớn hơn, cần nhiều khách hơn
    • Vì rng.binomial() không phù hợp cho khảo sát
Đúng hết lần đầu +15 XP

Bài tập

Cỡ mẫu cho một khảo sát tỉ lệ

Viết thân hàm co_mau_ti_le(e, do_tin_cay, p) tính cỡ mẫu n = z²·p(1 − p)/E² cho khoảng tin cậy hai phía của một tỉ lệ. e là sai số biên dạng tỉ lệ (0.03 là ±3%), do_tin_cay là số như 0.95, p là tỉ lệ dự đoán trước; z để lại (1 − do_tin_cay)/2 ở mỗi đuôi. Làm tròn lên.

Trả về: cỡ mẫu, một int.

Ví dụ co_mau_ti_le(0.03, 0.95, 0.5) cho 1068.

python
import math
from scipy.stats import norm


def co_mau_ti_le(e, do_tin_cay, p):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • Cỡ mẫu cho tỉ lệ: n = z²·p(1 − p)/E²; cho trung bình: n = (z·σ/E)².

  • Làm tròn lên bằng math.ceil(); round() và int() có thể cho thiếu một người.

  • Chưa biết p thì lấy 0,5: ±3% với 95% cần 1.068 người, ±5% cần 385 người.

  • E và p viết dạng tỉ lệ từ 0 đến 1; z = norm.ppf(0.975) cho 95%.

  • Mô phỏng 10.000 khảo sát 1.068 khách cho sai số trong ±3% ở khoảng 95% số lần.

Câu hỏi thường gặp

Sample size calculator trên mạng tính khác thì sao?

Nhiều công cụ dùng đúng công thức này, nhưng có thể thêm hệ số hiệu chỉnh tổng thể hữu hạn khi tổng thể nhỏ (vài nghìn người), hoặc dùng độ tin cậy mặc định khác 95%. Kiểm lại z, E và p mà công cụ đang dùng.

Tổng thể chỉ có 2.000 khách thì vẫn cần 1.068 người?

Công thức ở bài coi tổng thể rất lớn. Khi mẫu chiếm phần đáng kể của tổng thể, có một hệ số hiệu chỉnh làm n nhỏ đi; với 2.000 khách, khảo sát khoảng 700 người là đủ cho ±3%. Ngoài ra, mô phỏng như bài mô phỏng Monte Carlo kiểm được cả trường hợp này.

Cỡ mẫu cho trung bình cần σ, mà chưa có dữ liệu thì lấy σ ở đâu?

Từ một đợt khảo sát thử nhỏ, từ số liệu năm trước, hoặc ước lượng thô bằng khoảng biến thiên chia 4. Với σ chỉ là ước lượng, nên cộng thêm một ít vào n, rồi tính khoảng tin cậy cho trung bình bằng t sau khi có dữ liệu.

Chủ đề

công thức tính cỡ mẫu

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập