AP Statistics

giả thuyết khôngnull hypothesis

null hypothesisVietnamese: giả thuyết không

Còn gọi:Also called: H0 · giả thuyết H0 · null hypothesis p1 = p2 · H₀ · giả thuyết vô hiệu · giả thuyết gốc · null · μ1 − μ2 = 0 · μ1 = μ2 · giả thuyết không (hiệu hai trung bình) · giả thuyết rỗng

Giả thuyết không (null hypothesis) là phát biểu mặc định rằng không có hiệu ứng, khác biệt hay liên hệ giữa các tham số tổng thể đang xét.The null hypothesis is the default claim that there is no effect, no difference, or no association among the population parameters being studied.

Trực giác: Giả thuyết không giống như nguyên tắc 'vô tội cho đến khi bị chứng minh có tội' — tòa án mặc định bị cáo không phạm tội, và chỉ kết tội khi bằng chứng đủ nặng để lật ngược giả định đó.Intuition: The null hypothesis works like the principle of "innocent until proven guilty": the court starts by assuming the defendant did not commit the crime and convicts only when the evidence is strong enough to overturn that assumption.

Định nghĩa đầy đủFull definition1 phút đọc1 min read

Trong kiểm định thống kê, giả thuyết không ( $H_0$ ) là mốc giả định về tổng thể, thường biểu diễn trạng thái không có hiệu ứng, khác biệt hay liên hệ, như $\mu_1=\mu_2$ hoặc $p_1=p_2$ .

Kiểm định giả sử $H_0$ đúng và tính xác suất thu được dữ liệu ít nhất cực đoan như quan sát, tức giá trị p. Nếu p nhỏ hơn $\alpha$ , ta bác bỏ $H_0$ ; nếu không, ta chỉ không bác bỏ, chứ không chứng minh nó đúng.

In a statistical test, the null hypothesis ( $H_0$ ) is the baseline assumption about the population, usually a statement of no effect, no difference, or no association, such as $\mu_1=\mu_2$ or $p_1=p_2$ .

The test assumes $H_0$ is true and computes the probability of getting data at least as extreme as what was observed — the p-value. If the p-value is less than $\alpha$ , we reject $H_0$ ; if not, we simply fail to reject it, which is not proof that it is true.

Ký hiệuNotation

• $H_0$
•các dạng phổ biến: $\mu_1 = \mu_2$ , $\mu_1 - \mu_2 = 0$ , $p_1 = p_2$

• $H_0$
•common forms: $\mu_1 = \mu_2$ , $\mu_1 - \mu_2 = 0$ , $p_1 = p_2$

Hay hiểu saiCommon misconceptions3 ý · 1 phút đọc3 points · 1 min read

Không bác bỏ $H_0$ không chứng minh $H_0$ đúng.

Dữ liệu chỉ chưa đủ mâu thuẫn với giả thuyết này, nhất là khi mẫu nhỏ. Vì vậy, không viết “chấp nhận $H_0$ ”.

Sai lầm loại I và II gắn với hai quyết định khác nhau.

Loại I là bác bỏ $H_0$ đúng; loại II là không bác bỏ $H_0$ sai.

Trong kiểm định chi-square, $H_0$ không phải là các tần số kỳ vọng.

Kiểm định tính độc lập xét hai biến có độc lập trong tổng thể không; kiểm định tính đồng nhất xét các nhóm có cùng phân bố không.

Failing to reject $H_0$ does not prove that $H_0$ is true.

The data simply do not contradict it strongly enough, which often happens with small samples. Never write "accept $H_0$ ."

Type I and Type II errors attach to two different decisions.

A Type I error is rejecting a true $H_0$ ; a Type II error is failing to reject a false $H_0$ .

In a chi-square test, $H_0$ is not a statement about the expected counts.

A test for independence asks whether two variables are independent in the population; a test for homogeneity asks whether the groups share the same distribution.

Mẹo phòng thiExam tips2 mẹo2 tips

Viết cả $H_0$ và $H_a$ trước khi tính.

Kèm ký hiệu, định nghĩa tham số, tên kiểm định và mức $\alpha$ .

So sánh giá trị p với $\alpha$ , rồi kết luận theo ngữ cảnh.

Nếu $p>\alpha$ , viết “không bác bỏ $H_0$ , không đủ bằng chứng”; đừng chỉ ghi “bác bỏ”.

State both $H_0$ and $H_a$ before doing any calculation.

Include symbols, a definition of the parameter, the name of the test, and the value of $\alpha$ .

Compare the p-value to $\alpha$ , then write the conclusion in context.

If $p>\alpha$ , say "fail to reject $H_0$ ; there is not enough evidence" rather than just "reject."

Tần suất trong đề AP StatisticsHow often it shows up on AP StatisticsThường xuyênVery common

Khái niệm này sinh ra từ đâuWhere the concept comes from1 phút đọc1 min read

thập niên 1920–1930Ronald FisherJerzy NeymanEgon PearsonJohn ArbuthnotPierre-Simon Laplace

Giữa thập niên 1920, Ronald Fisher xây dựng kiểm định ý nghĩa để phân biệt kết quả thật với ngẫu nhiên; Neyman và Pearson bổ sung khung quyết định.

In the mid-1920s, Ronald Fisher developed significance testing to separate real results from chance; Neyman and Pearson later added a decision-making framework.

Vì sao mang đúng cái tên này? Chữ "null" ở đây mang nghĩa "không có gì": đó là mô tả thế giới khi hiệu ứng cần tìm hoàn toàn vắng mặt, khi mọi số liệu quan sát được đều do cùng một cơ chế sinh ra và mọi chênh lệch chỉ là dao động ngẫu nhiên. Vì vậy tên gọi không hề ám chỉ "giả thuyết sai" hay "giả thuyết đối lập với niềm tin của nhà nghiên cứu" — nó chỉ đơn giản là giả thuyết "không hiệu ứng, không khác biệt, không liên hệ", đóng vai trò mốc nền để đem dữ liệu ra so. Cách đặt tên này gắn với lối làm việc của Fisher: ông chỉ cần một giả thuyết duy nhất để tính xem dữ liệu quan sát được có thể sinh ra từ may rủi hay không, và ông phản đối việc thêm giả thuyết đối (alternative hypothesis). Khái niệm đối lập ấy là đóng góp của Neyman và Pearson, những người đưa thêm miền bác bỏ (critical region) và việc kiểm soát tỉ lệ sai lầm dài hạn. Hai truyền thống này về sau bị các sách giáo khoa tâm lý học trộn lại thành một quy trình chung mà ngày nay gọi là kiểm định ý nghĩa giả thuyết không (null hypothesis significance testing).

Nguồn đối chiếuSources

Thử nghiệm tương tácInteractive explorer

Thả thẻ x̄₁−x̄₂ vào ô — nhìn cả câu chuyển đỏ

Kéo tham số, thấy khái niệm chuyển động — đăng nhập để mở.Drag the parameters and watch the concept move — sign in to open.

Tạo tài khoảnCreate an account

Bạn nắm chắc chưa?Check your understanding

Quiz câu thật từ ngân hàng đềReal exam questions from our question bank

Vài câu thật gắn đúng khái niệm này, chấm ngay kèm giải thích từng đáp án — hệ thống ghi nhớ bạn nắm tới đâu.A few real questions on exactly this concept, graded instantly with an explanation for every choice — the system remembers how well you know it.

Tạo tài khoảnCreate an account

Học tiếp từ đâyKeep learning

Bài học chứa thuật ngữ nàyLesson that uses this termThiết lập kiểm định cho tỉ lệ tổng thểSuy luận cho tỉ lệ (dữ liệu phân loại) · khoácourse AP Statistics

Bài học chứa thuật ngữ nàyLesson that uses this termThiết lập kiểm định trung bình và trung bình của hiệuSuy luận cho trung bình (dữ liệu định lượng) · khoácourse AP Statistics

Bài học chứa thuật ngữ nàyLesson that uses this termSai lầm loại I & II khi kiểm địnhSuy luận cho tỉ lệ (dữ liệu phân loại) · khoácourse AP Statistics

Cần trướcLearn firsttham sốparameter thống kê kiểm địnhtest statistic

Dẫn tớiLeads tokiểm định giả thuyếthypothesis testing

Mục tiêu và lộ trình unit ai cũng xem được — làm bài tập và lưu tiến độ thì cần đăng nhập.Anyone can view a unit's goals and roadmap — sign in to do the exercises and save your progress.

Hay nhầm vớiOften confused with

Thuật ngữTermKhác nhau ở đâuHow they differHay nhầm khiMixed up when

giả thuyết đốialternative hypothesis

Khác nhau ở đâuHow they differGiả thuyết không luôn chứa dấu bằng (=, ≤, hoặc ≥) và phát biểu 'không có hiệu ứng'; giả thuyết đối dùng dấu bất đẳng thức (≠, <, >) và thể hiện điều nhà nghiên cứu muốn tìm bằng chứng.

Hay nhầm khiMixed up whenKhi đề cho một claim như 'μ > 100', học sinh hay nhầm nên đặt nó vào giả thuyết không hay giả thuyết đối; quy tắc là dấu bằng luôn nằm ở giả thuyết không, nên H₀: μ = 100 và Hₐ: μ > 100.

Cùng chủ đềSame topic

Nguồn tham khảoReferences

[1]Barron_AP_Stat_2026. tr. 59–60, 62.