AP Statistics

kiểm định z hai mẫu cho hiệu hai tỉ lệtwo-sample z-test for a difference in proportions

two-sample z-test for a difference in proportionsVietnamese: kiểm định z hai mẫu cho hiệu hai tỉ lệ

Còn gọi:Also called: two-sample z-test for a difference in proportions

Định nghĩaIn short

Kiểm định z hai mẫu cho hiệu hai tỉ lệ là phép kiểm định giả thuyết dùng thống kê z để xét xem hai tỉ lệ tổng thể có bằng nhau hay không.A two-sample z-test for a difference in proportions is a hypothesis test that uses a z statistic to decide whether two population proportions are equal.

Trực giác: Giống như trộn phiếu bầu của hai nhóm cử tri lại để tính tỉ lệ ủng hộ chung, rồi xem hai nhóm ban đầu lệch khỏi con số chung đó bao xa.Intuition: It's like pooling the ballots of two groups of voters to find one overall level of support, then asking how far each group's own result sits from that common figure.

Công thức chínhKey formula

z=(p^1−p^2)p^(1−p^)(1n1+1n2)z=\frac{(\hat{p}_1-\hat{p}_2)}{\sqrt{\hat{p}(1-\hat{p})\left(\frac{1}{n_1}+\frac{1}{n_2}\right)}}
Định nghĩa đầy đủFull definition1 phút đọc1 min read

Kiểm định z hai mẫu cho hiệu hai tỉ lệ xét, từ hai mẫu độc lập, liệu hai tỉ lệ tổng thể p1p_1 và p2p_2 có bằng nhau. Dưới H0:p1=p2H_0:p_1=p_2, phép kiểm định gộp số thành công để ước lượng tỉ lệ chung, rồi chuẩn hóa hiệu hai tỉ lệ mẫu thành thống kê z.

Cần mẫu ngẫu nhiên độc lập và bốn số đếm kỳ vọng từ tỉ lệ gộp đều ít nhất 10. Giá trị p được so với mức ý nghĩa. Khác với kiểm định, khoảng tin cậy dùng hai tỉ lệ mẫu riêng trong sai số chuẩn.

The two-sample z-test for a difference in proportions uses two independent samples to test whether the population proportions p1p_1 and p2p_2 are equal. Under H0:p1=p2H_0:p_1=p_2, the test combines the successes from both samples into a pooled estimate of the common proportion, then standardizes the difference in sample proportions into a z statistic.

The samples must be independent random samples, and all four expected counts computed from the pooled proportion must be at least 10. The resulting p-value is compared with the significance level. A confidence interval, by contrast, keeps the two sample proportions separate in its standard error.

Ký hiệuNotation
p^c\hat{p}_c, zz, H0:p1=p2H_0: p_1 = p_2
p^c\hat{p}_c, zz, H0:p1=p2H_0: p_1 = p_2
Công thức chi tiếtFormula details2 công thức2 formulas
z=(p^1−p^2)p^(1−p^)(1n1+1n2)z=\htmlClass{fp-4}{\frac{\htmlClass{fp-0}{(\hat{p}_1-\hat{p}_2)}}{\htmlClass{fp-3}{\sqrt{\htmlClass{fp-1}{\hat{p}(1-\hat{p})}\htmlClass{fp-2}{\left(\frac{1}{n_1}+\frac{1}{n_2}\right)}}}}}
z=(p^1−p^2)p^(1−p^)(1n1+1n2)z=\htmlClass{fp-4}{\frac{\htmlClass{fp-0}{(\hat{p}_1-\hat{p}_2)}}{\htmlClass{fp-3}{\sqrt{\htmlClass{fp-1}{\hat{p}(1-\hat{p})}\htmlClass{fp-2}{\left(\frac{1}{n_1}+\frac{1}{n_2}\right)}}}}}

Dùng để kiểm định H0:p1=p2H_0:p_1=p_2 sau khi xác nhận hai mẫu độc lập và điều kiện xấp xỉ chuẩn.Use this to test H0:p1=p2H_0:p_1=p_2 once you have confirmed that the samples are independent and the normal approximation conditions hold.

Trong đóWhere

p^1\hat{p}_1tỉ lệ thành công quan sát được trong mẫu thứ nhấtobserved proportion of successes in the first samplep^2\hat{p}_2tỉ lệ thành công quan sát được trong mẫu thứ haiobserved proportion of successes in the second samplen1n_1cỡ mẫu thứ nhấtsize of the first samplen2n_2cỡ mẫu thứ haisize of the second samplep^\hat{p}tỉ lệ gộp, ước lượng tỉ lệ chung dưới giả thuyết H0H_0pooled proportion, the estimate of the common proportion under H0H_0
p^=x1+x2n1+n2\hat{p}=\frac{x_1+x_2}{n_1+n_2}

Dùng để ước lượng tỉ lệ chung dưới H0:p1=p2H_0:p_1=p_2 trước khi tính thống kê z.Use this to estimate the common proportion under H0:p1=p2H_0:p_1=p_2 before computing the z statistic.

Trong đóWhere

x1x_1số trường hợp thành công trong mẫu thứ nhấtnumber of successes in the first samplex2x_2số trường hợp thành công trong mẫu thứ hainumber of successes in the second samplen1n_1cỡ mẫu thứ nhấtsize of the first samplen2n_2cỡ mẫu thứ haisize of the second sample
Hay hiểu saiCommon misconceptions3 ý, 1 phút đọc3 points, 1 min read

Trong bài toán này, tỉ lệ gộp không dùng cho khoảng tin cậy.

Dưới giả thuyết hai tỉ lệ bằng nhau, kiểm định dùng tỉ lệ gộp; khoảng tin cậy cho hiệu dùng hai tỉ lệ mẫu riêng.

Giả thuyết phải dùng tham số tổng thể.

Tỉ lệ mẫu đã được quan sát nên không phải đối tượng kiểm định; hãy viết H0:p1−p2=0H_0:p_1-p_2=0 và đối thuyết phù hợp.

Dữ liệu cặp không phù hợp với kiểm định này.

Đo lặp hoặc ghép đôi làm hai nhóm không độc lập, vi phạm điều kiện của kiểm định hai mẫu.

The pooled proportion belongs in the test, not in the confidence interval.

The test assumes the two proportions are equal, so pooling is justified; an interval for the difference uses each sample proportion separately.

Hypotheses must be written about population parameters.

Sample proportions are already observed, so there is nothing to test about them; state H0:p1−p2=0H_0:p_1-p_2=0 with an appropriate alternative.

Paired data do not belong in this test.

Repeated measurements or matched pairs make the two groups dependent, violating the independence condition for a two-sample test.

Mẹo phòng thiExam tips2 mẹo2 tips

Phân biệt kiểm định với khoảng tin cậy trước khi tính.

Kiểm định H0:p1=p2H_0:p_1=p_2 dùng tỉ lệ gộp; khoảng tin cậy cho hiệu dùng hai tỉ lệ mẫu riêng.

Giữ nguyên thứ tự trừ và chọn đúng phía.

Nếu Ha:pA−pB>0H_a:p_A-p_B>0, dùng đuôi phải; đảo thứ tự làm z đổi dấu và đổi phía của giá trị p.

Decide whether the question asks for a test or an interval before computing.

Testing H0:p1=p2H_0:p_1=p_2 calls for the pooled proportion; an interval for the difference uses the two sample proportions separately.

Keep the order of subtraction fixed and match the tail to it.

If Ha:pA−pB>0H_a:p_A-p_B>0, use the right tail; reversing the order flips the sign of z and moves the p-value to the other tail.

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 from2 phút đọc1 min read

thập niên 1730 (nền móng) — hoàn chỉnh trong thế kỷ 19–20Abraham de Moivre

Thập niên 1730, Abraham de Moivre đặt nền móng khi chỉ ra phân phối nhị thức có thể xấp xỉ bằng đường cong chuẩn.
In the 1730s, Abraham de Moivre laid the groundwork by showing that the binomial distribution can be approximated by a normal curve.

Vì sao mang đúng cái tên này? Tên gọi của kiểm định này mô tả gần như đầy đủ cấu trúc của nó, nên đọc kỹ từng mảnh là hiểu ngay công thức. "Hai mẫu" (two-sample) nhắc rằng dữ liệu đến từ hai nhóm lấy mẫu độc lập chứ không phải hai lần đo trên cùng một nhóm; "hiệu hai tỉ lệ" chỉ rõ đại lượng được quan tâm là p1−p2p_1-p_2, tức khoảng cách giữa hai tỉ lệ tổng thể. Giả thuyết không vì vậy luôn có dạng H0:p1=p2H_0: p_1=p_2, nghĩa là ta khởi đầu bằng niềm tin rằng hai tỉ lệ thật sự bằng nhau và chỉ từ bỏ niềm tin ấy khi dữ liệu đủ mâu thuẫn. Chữ "z" mới là phần có lịch sử đằng sau. Mỗi tỉ lệ mẫu thực chất là trung bình của các quan sát nhận giá trị 0 hoặc 1, nên khi cỡ mẫu đủ lớn, định lý giới hạn trung tâm (central limit theorem) bảo đảm nó xấp xỉ phân phối chuẩn — đúng như ý tưởng xấp xỉ phân phối nhị thức (binomial distribution) bằng đường cong chuẩn đã được phát hiện từ thế kỷ 18. Do đó hiệu hai tỉ lệ mẫu cũng xấp xỉ chuẩn, và khi chia cho sai số chuẩn (standard error) ước lượng, ta thu được một đại lượng so sánh được với phân phối chuẩn tắc. Đại lượng chuẩn hóa ấy theo truyền thống ký hiệu là zz, và kiểm định mang luôn tên của nó. Một chi tiết nữa giải thích vì sao công thức trong đề thi trông cồng kềnh hơn dự đoán. Vì giả thuyết không khẳng định hai tỉ lệ bằng nhau, hai mẫu được gộp lại thành một tỉ lệ gộp (pooled proportion) để ước lượng giá trị chung đó, rồi mới dùng nó tính sai số chuẩn. Đây không phải quy ước tùy tiện mà là hệ quả trực tiếp của việc tin vào H0H_0 khi tính toán; nhờ đó thống kê zz phản ánh đúng mức dao động lẽ ra phải có nếu hai tỉ lệ quả thật không khác nhau.

Ví dụ có lời giảiWorked example3 phút đọc3 min read
Một trường trung học muốn biết thói quen ăn sáng có khác nhau giữa hai khối lớp hay không. Ban khảo sát chọn ngẫu nhiên 150 học sinh khối 10 và 180 học sinh khối 12 (hai mẫu độc lập, mỗi mẫu chiếm chưa tới 10% số học sinh của khối). Kết quả cho thấy 96 học sinh khối 10 và 99 học sinh khối 12 nói rằng mình ăn sáng đều đặn mỗi ngày. Nhà trường tiến hành kiểm định ở mức ý nghĩa α=0,05\alpha = 0{,}05.
  1. aNêu cặp giả thuyết và kiểm tra các điều kiện cần thiết cho kiểm định.
  2. bTính thống kê kiểm định và giá trị p tương ứng.
  3. cĐưa ra kết luận trong ngữ cảnh bài toán ở mức ý nghĩa 5%.
1Bước 1: Gọi p1p_1 là tỉ lệ học sinh khối 10 ăn sáng đều đặn và p2p_2 là tỉ lệ tương ứng của khối 12, cả hai đều là tỉ lệ của toàn khối chứ không phải của mẫu. Vì đề chỉ hỏi hai khối "có khác nhau hay không" mà không chỉ rõ khối nào cao hơn, ta dùng giả thuyết đối (alternative hypothesis) hai phía: H0:p1=p2H_0: p_1 = p_2 và Ha:p1≠p2H_a: p_1 \neq p_2. Cách viết tương đương thường gặp trong đề là H0:p1−p2=0H_0: p_1 - p_2 = 0, nhấn mạnh rằng đại lượng đang được kiểm định chính là hiệu hai tỉ lệ.
2Bước 2: Điều kiện ngẫu nhiên được thỏa vì hai mẫu đều được chọn ngẫu nhiên và độc lập với nhau, đồng thời mỗi mẫu chiếm chưa tới 10% khối của mình nên các quan sát trong cùng một mẫu cũng xem như độc lập. Điều kiện số đếm lớn đòi hỏi cả bốn số thành công và thất bại đều từ 10 trở lên: ở khối 10 có 9696 và 150−96=54150 - 96 = 54, ở khối 12 có 9999 và 180−99=81180 - 99 = 81. Bốn số này đều vượt xa 10, do đó phân phối mẫu của hiệu p^1−p^2\hat p_1 - \hat p_2 xấp xỉ chuẩn và ta được phép dùng mô hình zz.
3Bước 3: Hai tỉ lệ mẫu là p^1=96/150=0,64\hat p_1 = 96/150 = 0{,}64 và p^2=99/180=0,55\hat p_2 = 99/180 = 0{,}55, nên hiệu quan sát được là p^1−p^2=0,09\hat p_1 - \hat p_2 = 0{,}09. Vì H0H_0 giả định hai tỉ lệ bằng nhau, ta gộp toàn bộ dữ liệu lại để ước lượng cái tỉ lệ chung đó, gọi là tỉ lệ gộp (pooled proportion): p^c=96+99150+180=195330≈0,5909.\hat p_c = \frac{96 + 99}{150 + 180} = \frac{195}{330} \approx 0{,}5909. Con số này nói rằng nếu quả thật hai khối giống nhau thì tỉ lệ chung vào khoảng 59,09%, và chính nó sẽ được dùng để đo độ dao động của hiệu hai tỉ lệ.
4Bước 4: Sai số chuẩn (standard error) của hiệu hai tỉ lệ được tính từ tỉ lệ gộp theo công thức SE=p^c(1−p^c)(1n1+1n2).SE = \sqrt{\hat p_c(1-\hat p_c)\left(\frac{1}{n_1}+\frac{1}{n_2}\right)}. Thay số, p^c(1−p^c)=0,5909×0,4091≈0,2417\hat p_c(1-\hat p_c) = 0{,}5909 \times 0{,}4091 \approx 0{,}2417 và 1150+1180≈0,012222\frac{1}{150}+\frac{1}{180} \approx 0{,}012222, nên SE≈0,0029545≈0,05436SE \approx \sqrt{0{,}0029545} \approx 0{,}05436. Đây là mức chênh lệch "bình thường" mà ta có thể gặp giữa hai tỉ lệ mẫu ngay cả khi hai khối thật sự giống hệt nhau.
5Bước 5: Thống kê kiểm định đo xem hiệu quan sát được cách 0 bao nhiêu lần sai số chuẩn: z=0,64−0,550,05436≈1,656.z = \frac{0{,}64 - 0{,}55}{0{,}05436} \approx 1{,}656. Vì giả thuyết đối là hai phía, giá trị p (p-value) gộp cả hai đuôi: p=2P(Z>1,656)≈2(0,0489)≈0,098p = 2P(Z > 1{,}656) \approx 2(0{,}0489) \approx 0{,}098. Nói cách khác, nếu hai khối thật sự có cùng tỉ lệ ăn sáng thì vẫn có gần 10% khả năng ta bắt gặp chênh lệch mẫu từ 9 điểm phần trăm trở lên, một mức không hiếm đến mức đáng ngờ.
6Bước 6: So sánh p≈0,098p \approx 0{,}098 với α=0,05\alpha = 0{,}05, ta thấy 0,098>0,050{,}098 > 0{,}05 nên không bác bỏ H0H_0. Cần cẩn thận với cách diễn đạt: không bác bỏ không có nghĩa là đã chứng minh hai tỉ lệ bằng nhau, mà chỉ là dữ liệu chưa đủ mạnh để khẳng định chúng khác nhau. Nếu cỡ mẫu lớn hơn mà hiệu vẫn giữ ở mức 9 điểm phần trăm, SESE sẽ nhỏ đi, zz sẽ lớn lên và kết luận rất có thể sẽ đảo chiều.

Với z≈1,656z \approx 1{,}656 và giá trị p xấp xỉ 0,098>0,050{,}098 > 0{,}05, ta không bác bỏ giả thuyết không. Dữ liệu không cung cấp bằng chứng thuyết phục cho thấy tỉ lệ học sinh ăn sáng đều đặn ở khối 10 khác với tỉ lệ đó ở khối 12 của trường này.

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 hiệu hai tỉ lệSuy luận cho tỉ lệ (dữ liệu phân loại), khoácourse AP Statistics
Bài học chứa thuật ngữ nàyLesson that uses this termThực hiện kiểm định cho hiệu hai tỉ lệSuy luận cho tỉ lệ (dữ liệu phân loại), khoácourse AP Statistics
Bài học chứa thuật ngữ nàyLesson that uses this termPhân phối mẫu của hiệu hai tỉ lệ mẫuSuy luận cho tỉ lệ (dữ liệu phân loại), khoácourse AP Statistics
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

Khác nhau ở đâuHow they differKiểm định một mẫu so tỉ lệ của một nhóm với một giá trị cho trước. Kiểm định hai mẫu so tỉ lệ của hai nhóm độc lập với nhau.
Hay nhầm khiMixed up whenĐề cho hai nhóm nhưng nêu sẵn một con số mục tiêu, thí sinh dễ chọn nhầm loại kiểm định và dùng sai sai số chuẩn.
Khác nhau ở đâuHow they differKiểm định z hai mẫu cho biết chiều của hiệu và dùng được đối thuyết một phía. Kiểm định chi bình phương chỉ xét có liên hệ hay không, luôn hai phía.
Hay nhầm khiMixed up whenVới bảng hai chiều cỡ 2×2, hai kiểm định cho cùng kết luận nên thí sinh hay chọn nhầm khi đề hỏi về chiều của hiệu.

Biên soạn bởi DucklingStudy, bản quyền thuộc DucklingStudy.Written by DucklingStudy. © DucklingStudy. Xuất bảnPublished .