Ngưỡng được chọn như vậy mà nó đảm bảo sự hội tụ của các phân phối hypergeometric ( là SD của nó), thay vì phân phối nhị thức (để lấy mẫu thay thế), cho phân phối bình thường (đây là Định lý giới hạn trung tâm, xem, ví dụ:Đường cong bình thường, Định lý giới hạn trung tâm, và Bất đẳng thức của Markov và Chithchev cho Biến ngẫu nhiên). Nói cách khác, khin/N≤0,05(nghĩa lànkhông quá lớn so vớiN), FPC có thể bị bỏ qua một cách an toàn; thật dễ dàng để thấy hệ số hiệu chỉnh phát triển như thế nào vớinkhác nhaucho mộtNcố định: vớiN=10,000, chúng ta cóFPC=N−nN−1−−−−√n/N≤0.05nNnNN=10,000 khi n = 10 trong khi FPC = .3162 khi n = 9 , 000 . Khi N → ∞ , các phương pháp tiếp cận FPC 1 và chúng tôi rất gần với tình hình lấy mẫu với thay thế (ví dụ như với một dân số vô hạn).FPC=.9995n=10FPC=.3162n=9,000N→∞
Để hiểu kết quả này, một điểm khởi đầu tốt là đọc một số hướng dẫn trực tuyến về lý thuyết lấy mẫu trong đó lấy mẫu được thực hiện mà không cần thay thế ( lấy mẫu ngẫu nhiên đơn giản ). Hướng dẫn trực tuyến này về thống kê Nonparametric có một minh họa về tính toán kỳ vọng và phương sai cho tổng số.
Bạn sẽ nhận thấy rằng một số tác giả sử dụng thay vì N - 1 trong mẫu số của FPC; trên thực tế, nó phụ thuộc vào việc bạn làm việc với các mẫu hoặc dân số thống kê: cho phương sai, nó sẽ được N thay vì N - 1 nếu bạn đang quan tâm đến S 2 chứ không phải là σ 2 .NN−1NN−1S2σ2
Đối với tài liệu tham khảo trực tuyến, tôi có thể đề nghị bạn