Hai lớp cùng điểm trung bình 7 nhưng một lớp điểm ai cũng gần 7, lớp kia có người 3 người 10, và độ lệch chuẩn là con số đo sự khác biệt đó.
Cập nhật lần cuối: 2026-09-18
Chuyên mục: research-methods
Độ lệch chuẩn là gì?
Trả lời thẳng: Độ lệch chuẩn (standard deviation) là số đo mức độ các giá trị trong một tập dữ liệu phân tán quanh giá trị trung bình, và luôn là một số không âm. Độ lệch chuẩn nhỏ nghĩa là các quan sát tập trung sát trung bình, còn độ lệch chuẩn lớn nghĩa là các quan sát trải rộng, có cả giá trị rất cao lẫn rất thấp.
Bằng chứng: Illowsky và Dean (2025), trong giáo trình mở Introduction to Statistics của eCampusOntario, định nghĩa độ lệch chuẩn ở mục "Measures of Variability" là thước đo mức độ phân tán của dữ liệu quanh trung bình, và độ lệch của mỗi giá trị được tính bằng cách lấy giá trị đó trừ đi trung bình.
Ví dụ: Nếu lớp A có độ lệch chuẩn 0,5 và lớp B có độ lệch chuẩn 2,0 dù cùng điểm trung bình 7, phần lớn học sinh lớp A đều nằm quanh mức 7, còn lớp B có người điểm rất thấp lẫn người điểm gần tuyệt đối, dù trung bình cả lớp bằng nhau.
Công thức tính độ lệch chuẩn thế nào, và vì sao mẫu chia cho n−1 còn tổng thể chia cho N?
Trả lời thẳng: Độ lệch chuẩn là căn bậc hai của phương sai, và phương sai là trung bình của bình phương các độ lệch so với trung bình. Với mẫu, công thức là s bằng căn bậc hai của tổng bình phương độ lệch chia cho (n−1), còn với tổng thể, công thức là σ bằng căn bậc hai của tổng đó chia cho N, không trừ 1. Ký hiệu s dùng cho mẫu, σ dùng cho tổng thể.
Bằng chứng: El Omda và Sergent (2024), trong tài liệu do StatPearls Publishing đăng trên NCBI Bookshelf, minh hoạ năm bước tính độ lệch chuẩn mẫu trên một bộ dữ liệu cụ thể, trong đó tổng bình phương độ lệch bằng 36,9 và cỡ mẫu bằng 10, cho ra phương sai mẫu 36,9 chia cho 9 bằng 4,1 và độ lệch chuẩn mẫu là 2,02 sau khi làm tròn. Cùng bộ dữ liệu đó, nếu tính theo công thức tổng thể tức chia cho N thay vì N trừ 1, độ lệch chuẩn tổng thể là 1,92. Nguồn này ghi rõ điểm khác biệt duy nhất giữa hai công thức nằm ở bước chia cuối cùng: mẫu số của phương sai mẫu không trừ đi 1 khi tính cho toàn bộ tổng thể.
Ví dụ: Khi bạn chỉ khảo sát một mẫu 10 sinh viên trong một khoa 500 người, việc chia cho n−1 thay vì n giúp con số bạn tính ra không bị lệch thấp một cách hệ thống khi dùng để ước lượng độ phân tán thật của cả 500 sinh viên đó. Nếu đề bài chỉ đưa ra dữ liệu của toàn bộ tổng thể chứ không phải một mẫu rút ra từ tổng thể lớn hơn, công thức chia cho N mới là phù hợp.
Độ lệch chuẩn nhỏ hay lớn thì nói lên điều gì?
Trả lời thẳng: Với dữ liệu có phân phối chuẩn hình chuông, khoảng cách một độ lệch chuẩn quanh trung bình chứa khoảng 68% số quan sát, hai độ lệch chuẩn chứa khoảng 95%, và ba độ lệch chuẩn chứa khoảng 99,7%. Đây gọi là quy tắc thực nghiệm (empirical rule), và nó chỉ áp dụng đáng tin khi dữ liệu thật sự gần với phân phối chuẩn.
Bằng chứng: El Omda và Sergent (2024) nêu rõ quy tắc gồm ba mốc 68%, 95% và 99,7% này khi bàn về cách dùng độ lệch chuẩn để có cái nhìn tổng quan nhanh về một tổng thể. Illowsky và Dean (2025) bổ sung một điểm quan trọng: trong phân phối lệch (skewed), độ lệch chuẩn có thể kém hữu ích hơn vì hai phía của phân phối có độ phân tán khác nhau, và khi đó nên chuyển sang xem tứ phân vị gồm phân vị thứ nhất, trung vị, phân vị thứ ba, cùng giá trị nhỏ nhất và lớn nhất.
Ví dụ: Nếu điểm số một môn học phân phối khá đối xứng quanh trung bình, một sinh viên đạt điểm cao hơn trung bình đúng hai độ lệch chuẩn thường thuộc nhóm khoảng 2,5% cao nhất lớp, tính theo phần đuôi trên của phân phối chuẩn. Nhưng nếu phân phối điểm bị lệch hẳn về một phía, ví dụ phần lớn sinh viên đạt điểm cao còn một số ít bị điểm rất thấp, quy tắc 68-95-99,7% không còn áp dụng chính xác, và nhìn vào trung vị cùng tứ phân vị sẽ mô tả dữ liệu đúng hơn.
Độ lệch chuẩn khác gì sai số chuẩn của trung bình (SE hay SEM)?
Trả lời thẳng: Độ lệch chuẩn mô tả mức độ phân tán của các giá trị dữ liệu bạn đang có, còn sai số chuẩn của trung bình đo mức độ chính xác khi dùng trung bình của mẫu để ước lượng trung bình của cả tổng thể. Hai chỉ số này trả lời hai câu hỏi khác nhau, và nhầm lẫn giữa chúng là lỗi phổ biến ngay cả trong các nghiên cứu đã xuất bản.
Bằng chứng: Andrade (2020, p. 409) viết nguyên văn "the SEM is always smaller than the SD", trong bài đăng trên Indian Journal of Psychological Medicine, và giải thích đây là một trong những lý do khiến một số tác giả nhầm lẫn hoặc cố ý báo cáo sai số chuẩn thay vì độ lệch chuẩn, vì con số trông có vẻ chính xác hơn thực tế, một hành vi tác giả gọi thẳng là gây hiểu lầm. Lee và cộng sự (2015) nêu công thức liên hệ: sai số chuẩn của trung bình bằng độ lệch chuẩn chia cho căn bậc hai của cỡ mẫu, đồng thời khẳng định độ lệch chuẩn phục vụ mục đích mô tả còn sai số chuẩn phục vụ mục đích suy luận thống kê, chẳng hạn khi tính khoảng tin cậy.
| So sánh | Đo cái gì | Dùng để làm gì |
|---|---|---|
| Độ lệch chuẩn (SD) | Mức phân tán của các giá trị dữ liệu quan sát được quanh trung bình mẫu | Mô tả đặc điểm của mẫu hoặc tổng thể đang có |
| Sai số chuẩn của trung bình (SE/SEM) | Mức chính xác của trung bình mẫu khi dùng để ước lượng trung bình tổng thể | Suy luận thống kê, ví dụ tính khoảng tin cậy 95% |
Ví dụ: Nếu bạn tăng cỡ mẫu khảo sát từ 50 lên 200 người mà mức độ đa dạng thật sự của tổng thể không đổi, độ lệch chuẩn của dữ liệu gần như giữ nguyên, nhưng sai số chuẩn của trung bình sẽ giảm xuống vì mẫu lớn hơn cho một ước lượng trung bình đáng tin cậy hơn. Trong chương kết quả luận văn, viết nhầm "độ lệch chuẩn (SEM)" là gộp hai khái niệm vào một ký hiệu, và đây chính là điểm hội đồng có thể hỏi lại. Trước khi diễn giải độ lệch chuẩn theo hướng này, bạn cũng nên phân biệt rõ biến độc lập và biến phụ thuộc trong bộ dữ liệu, xem biến độc lập và biến phụ thuộc trong SPSS là gì để xác định đúng vai trò từng biến trước khi chọn kiểm định.
Làm sao lấy độ lệch chuẩn trong SPSS?
Trả lời thẳng: Trong SPSS, cách nhanh nhất để lấy độ lệch chuẩn của một biến định lượng là vào Analyze, Descriptive Statistics, Frequencies, chọn biến cần xem, bấm nút Statistics rồi tick vào Std. deviation. Bảng kết quả hiện ra trong cửa sổ Viewer dưới dạng bảng thống kê tần suất, và thủ tục Explore cho một bộ chỉ số cố định rộng hơn nếu bạn cần kiểm tra phân phối kỹ hơn.
Bằng chứng: IBM (2024a), trong tài liệu hướng dẫn chính thức IBM SPSS Statistics 29 Brief Guide, mô tả các bước này trong phần hướng dẫn xem thống kê tóm tắt cho từng biến. Cùng năm đó, tài liệu SPSS Statistics của IBM (2024b) về thủ tục Explore cho biết thủ tục này mặc định xuất một bộ chỉ số cố định gồm cả sai số chuẩn, phương sai, độ lệch chuẩn, giá trị nhỏ nhất và lớn nhất, khoảng biến thiên, khoảng tứ phân vị, cùng độ xiên và độ nhọn.
Ví dụ: Nếu bạn chỉ cần báo cáo tuổi trung bình và độ lệch chuẩn của mẫu khảo sát trong phần mô tả mẫu nghiên cứu, thủ tục Frequencies với tuỳ chọn Statistics là đủ và nhanh gọn. Muốn đọc chi tiết cách SPSS trình bày kết quả trong bảng Descriptives và các bẫy diễn giải thường gặp khi đọc bảng đó, xem độ lệch chuẩn trong SPSS là gì và đọc thế nào cho đúng.
Khi nào so sánh trực tiếp hai độ lệch chuẩn là sai?
Trả lời thẳng: So sánh trực tiếp độ lệch chuẩn giữa hai bộ dữ liệu chỉ chắc chắn có ý nghĩa khi hai bộ dữ liệu đó dùng cùng đơn vị đo. Khi đơn vị khác nhau, so sánh trực tiếp con số độ lệch chuẩn dễ dẫn tới kết luận sai, và khi trung bình của hai nhóm chênh lệch quá lớn, con số tuyệt đối cũng dễ gây hiểu lầm.
Bằng chứng: Illowsky và Dean (2025) và Lee và cộng sự (2015) đều nhấn mạnh độ lệch chuẩn mang đơn vị giống hệt đơn vị của dữ liệu gốc, khác với phương sai mang đơn vị bình phương, và chính vì lý do đó, so sánh độ lệch chuẩn giữa hai biến khác đơn vị không cho một phép so sánh có nghĩa. Kết luận về trường hợp trung bình chênh lệch lớn là suy luận rút ra từ nguyên tắc đơn vị đó, không phải trích trực tiếp từ hai nguồn này.
Ví dụ: So trực tiếp độ lệch chuẩn của biến chiều cao đo bằng centimet với biến thu nhập đo bằng triệu đồng không mang lại thông tin gì hữu ích, vì hai đơn vị hoàn toàn khác nhau. Ngay cả khi cùng đơn vị, nếu nhóm A có trung bình 7 và độ lệch chuẩn 1, còn nhóm B có trung bình 70 và độ lệch chuẩn 5, độ lệch chuẩn của nhóm B lớn hơn về số tuyệt đối nhưng chưa chắc nhóm B phân tán "hơn" nhóm A một cách tương đối. Trước khi so sánh mức phân tán giữa các nhóm bằng một kiểm định như ANOVA, biết đọc đúng độ lệch chuẩn của từng nhóm giúp đánh giá xem dữ liệu có đủ đồng nhất để chạy kiểm định đó hay không, xem thêm ở ANOVA là gì.
Câu hỏi thường gặp
Độ lệch chuẩn là gì, nói ngắn gọn?
Nói ngắn gọn, đây là con số cho biết một quan sát điển hình trong tập dữ liệu cách xa trung bình chung bao nhiêu. Số càng nhỏ, dữ liệu càng tập trung, còn số càng lớn, dữ liệu càng trải rộng.
Độ lệch chuẩn bằng 0 nghĩa là gì?
Độ lệch chuẩn bằng 0 nghĩa là mọi giá trị trong tập dữ liệu đều bằng nhau, không có sự khác biệt nào giữa các quan sát. Trường hợp này rất hiếm gặp với dữ liệu khảo sát thật và thường là dấu hiệu cần kiểm tra lại khâu nhập liệu.
Độ lệch chuẩn âm có tồn tại không?
Không. Phương sai được tính từ tổng các số đã bình phương nên luôn không âm, và lấy căn bậc hai của một số không âm cũng cho ra một số không âm, nên độ lệch chuẩn không bao giờ mang dấu trừ.
Độ lệch chuẩn và phương sai khác nhau thế nào?
Hai chỉ số này liên hệ trực tiếp qua một phép tính: lấy căn bậc hai của phương sai thì ra độ lệch chuẩn. Độ lệch chuẩn được dùng phổ biến hơn khi báo cáo vì đơn vị của nó trùng với đơn vị của dữ liệu gốc, trong khi đơn vị của phương sai là bình phương của đơn vị gốc nên khó hình dung trực tiếp.
Độ lệch chuẩn cao có phải lúc nào cũng xấu không?
Không. Độ lệch chuẩn cao chỉ có nghĩa là dữ liệu phân tán rộng, và điều đó có thể phản ánh đúng sự đa dạng thật của mẫu nghiên cứu, chẳng hạn khi khảo sát trải rộng trên nhiều nhóm tuổi hoặc nhiều khu vực khác nhau, chứ không tự động là dấu hiệu của lỗi thu thập dữ liệu.
MAAS có giúp soát lại độ lệch chuẩn mình tự tính trong bài phân tích không?
Có. Bạn gửi dữ liệu và cách bạn đang tính, chuyên gia MAAS chỉ ra lệnh nào trong SPSS cho đúng con số, đồng thời xem lại câu chữ bạn dùng để diễn giải độ lệch chuẩn đó có khớp với dữ liệu hay không. Việc phân tích và viết kết luận vẫn thuộc về bạn, MAAS không đứng tên hay làm thay phần đó ở bất kỳ bài đánh giá nào. Buổi đầu tiên kéo dài 15 phút, miễn phí. Chi tiết dịch vụ ở hướng dẫn chạy SPSS và Python, đặt lịch tại đây.
Đọc tiếp
- Độ lệch chuẩn trong SPSS là gì và đọc thế nào cho đúng
- Biến độc lập và biến phụ thuộc trong SPSS là gì
- ANOVA là gì
References
- Andrade, C. (2020). Understanding the difference between standard deviation and standard error of the mean, and knowing when to use which. Indian Journal of Psychological Medicine, 42(4), 409-410. https://doi.org/10.1177/0253717620933419
- El Omda, S., & Sergent, S. R. (2024). Standard deviation. StatPearls Publishing / NCBI Bookshelf. https://www.ncbi.nlm.nih.gov/sites/books/NBK574574/
- IBM. (2024a). IBM SPSS Statistics 29 brief guide [PDF]. https://www.ibm.com/docs/en/SSLVMB_29.0.0/pdf/IBM_SPSS_Statistics_Brief_Guide.pdf
- IBM. (2024b). Explore statistics. IBM SPSS Statistics documentation. https://www.ibm.com/docs/en/spss-statistics/saas?topic=explore-statistics
- Illowsky, B., & Dean, S. (Eds.). (2025). Introduction to statistics (2nd ed.). eCampusOntario Pressbooks. https://ecampusontario.pressbooks.pub/introstats2ed/chapter/2-5-measures-of-variability/
- Lee, D. K., In, J., & Lee, S. (2015). Statistical notes for clinical researchers: Standard deviation and standard error of the mean. Korean Journal of Anesthesiology, 68(3), 220-223. https://pmc.ncbi.nlm.nih.gov/articles/PMC4452664/