AP Statistics

kiểm định z một mẫu cho tỉ lệone-sample z-test for a proportion

one-sample z-test for a proportionVietnamese: kiểm định z một mẫu cho tỉ lệ

Còn gọi:Also called: one-sample z-test for a proportion

Định nghĩaIn short

Kiểm định z một mẫu cho tỉ lệ là thủ tục dùng tỉ lệ mẫu để kiểm tra một giả thuyết về tỉ lệ tổng thể chưa biết.A one-sample z-test for a proportion uses a sample proportion to test a claim about an unknown population proportion.

Trực giác: Giống như đo xem một đồng xu nghi ngờ bị lệch có thực sự khác đồng xu công bằng hay chỉ là dao động ngẫu nhiên khi tung nhiều lần.Intuition: It is like testing whether a suspicious coin really is biased or whether the lopsided results are just the random bounce you get from many flips.

Công thức chínhKey formula

z=p^−p0p0(1−p0)nz=\frac{\hat{p}-p_0}{\sqrt{\frac{p_0(1-p_0)}{n}}}
Định nghĩa đầy đủFull definition1 phút đọc1 min read

Kiểm định z một mẫu cho tỉ lệ so sánh p^\hat p từ một mẫu ngẫu nhiên với tỉ lệ giả định p0p_0, rồi chuẩn hoá chênh lệch bằng sai số chuẩn tính dưới H0:p=p0H_0:p=p_0. Giá trị z được dùng để tìm giá trị p trên phân phối chuẩn.

Nếu lấy mẫu không hoàn lại, cỡ mẫu nn không vượt 10% tổng thể; đồng thời np0≥10np_0\ge10 và n(1−p0)≥10n(1-p_0)\ge10. Khác khoảng tin cậy, sai số chuẩn ở đây dùng p0p_0, không dùng p^\hat p.

The one-sample z-test for a proportion compares p^\hat p from a random sample with a hypothesized proportion p0p_0, standardizing the difference by the standard error computed under H0:p=p0H_0:p=p_0. The resulting z-score is then referred to the normal distribution to find a p-value.

When sampling without replacement, the sample size nn must be no more than 10% of the population, and both np0≥10np_0\ge10 and n(1−p0)≥10n(1-p_0)\ge10 must hold. Unlike a confidence interval, this standard error is built from p0p_0 rather than from p^\hat p.

Ký hiệuNotation
z, p̂, p₀, n
z, p̂, p₀, n
Giải nghĩa công thứcFormula breakdown1 công thức1 formula
z=p^−p0p0(1−p0)nz=\htmlClass{fp-4}{\frac{\htmlClass{fp-0}{\hat{p}-p_0}}{\htmlClass{fp-3}{\sqrt{\htmlClass{fp-2}{\frac{\htmlClass{fp-1}{p_0(1-p_0)}}{n}}}}}}
z=p^−p0p0(1−p0)nz=\htmlClass{fp-4}{\frac{\htmlClass{fp-0}{\hat{p}-p_0}}{\htmlClass{fp-3}{\sqrt{\htmlClass{fp-2}{\frac{\htmlClass{fp-1}{p_0(1-p_0)}}{n}}}}}}

Dùng để kiểm định một tỉ lệ tổng thể khi mẫu ngẫu nhiên và np0≥10np_0\ge10, n(1−p0)≥10n(1-p_0)\ge10.Use this to test a single population proportion when the sample is random and np0≥10np_0\ge10, n(1−p0)≥10n(1-p_0)\ge10.

Trong đóWhere

p^\hat{p}tỉ lệ thành công quan sát được trong mẫuobserved proportion of successes in the samplep0p_0tỉ lệ giả thuyết cần kiểm định, lấy từ H0H_0hypothesized proportion being tested, taken from H0H_0nncỡ mẫusample sizezzthống kê kiểm định, so sánh với phân phối chuẩn tắctest statistic, compared with the standard normal distribution
Hay hiểu saiCommon misconceptions3 ý, 1 phút đọc3 points, 1 min read

Sai số chuẩn của kiểm định không dùng p^\hat p.

Dưới H0H_0, độ dao động của tỉ lệ mẫu được tính từ p0p_0; p^\hat p dùng cho sai số chuẩn của khoảng tin cậy.

Điều kiện số đếm lớn phải dùng p0p_0, không dùng p^\hat p.

Trong kiểm định này, cần np0≥10np_0\ge10 và n(1−p0)≥10n(1-p_0)\ge10 để dùng xấp xỉ chuẩn.

Giả thuyết đối quyết định phần đuôi của giá trị p.

Với Ha:p≠p0H_a:p\neq p_0, dùng hai đuôi; với Ha:p>p0H_a:p>p_0 hoặc Ha:p<p0H_a:p<p_0, dùng đuôi tương ứng.

The standard error for this test does not use p^\hat p.

Under H0H_0, the variability of the sample proportion comes from p0p_0; p^\hat p belongs in the standard error for a confidence interval.

The large-counts condition uses p0p_0, not p^\hat p.

For this test you must check np0≥10np_0\ge10 and n(1−p0)≥10n(1-p_0)\ge10 before trusting the normal approximation.

The alternative hypothesis determines which tail gives the p-value.

Use both tails for Ha:p≠p0H_a:p\neq p_0, and the matching single tail for Ha:p>p0H_a:p>p_0 or Ha:p<p0H_a:p<p_0.

Mẹo phòng thiExam tips2 mẹo2 tips

Trình bày đủ bốn bước của kiểm định.

Nêu giả thuyết và định nghĩa pp theo bối cảnh; chọn kiểm định, kiểm tra điều kiện; tính toán; rồi so sánh giá trị p với α\alpha và kết luận theo đề.

Đổi số đếm thành tỉ lệ trước khi thay công thức.

Nếu có xx thành công trong mẫu cỡ nn, tính p^=x/n\hat p=x/n; thay thẳng xx vào tử số sẽ cho zz sai.

Show all four steps of the test.

State the hypotheses and define pp in context; name the test and check the conditions; compute the statistic; then compare the p-value with α\alpha and answer the question asked.

Convert counts to a proportion before substituting into the formula.

With xx successes in a sample of size nn, compute p^=x/n\hat p=x/n; putting xx straight into the numerator gives the wrong zz.

Tần suất trong đề AP StatisticsHow often it shows up on AP StatisticsHay gặpCommon
Khái niệm này sinh ra từ đâuWhere the concept comes from1 phút đọc1 min read

1933Jerzy NeymanEgon Pearson

Năm 1933, Jerzy Neyman và Egon Pearson xây dựng khung lý thuyết để phân biệt chênh lệch tỉ lệ do ngẫu nhiên với chênh lệch thực sự.
In 1933, Jerzy Neyman and Egon Pearson developed the theoretical framework for distinguishing differences in proportions caused by chance from genuine differences.

Vì sao mang đúng cái tên này? Cái tên nghe rườm rà nhưng mỗi mảnh đều chỉ một chi tiết của bài toán. "Một mẫu" cho biết ta chỉ có duy nhất một nhóm dữ liệu đem so với một con số cho trước, khác với kiểm định hai mẫu vốn đặt hai tỉ lệ cạnh nhau. "Tỉ lệ" cho biết dữ liệu gốc là biến phân loại hai kết quả, nên đại lượng quan tâm là phần trăm "thành công" chứ không phải trung bình. Chữ "z" mới là phần đáng nói. Vì số lần thành công tuân theo phân phối nhị thức, mà phân phối này lại xấp xỉ được bằng phân phối chuẩn khi cỡ mẫu đủ lớn, nên thống kê kiểm định (test statistic) được chuẩn hoá về thang của phân phối chuẩn tắc — thang vẫn quen được ký hiệu bằng chữ zz: z=p^−p0p0(1−p0)/nz=\frac{\hat p-p_0}{\sqrt{p_0(1-p_0)/n}} Tử số là khoảng cách giữa tỉ lệ mẫu p^\hat p và tỉ lệ giả định p0p_0, còn mẫu số là độ lệch chuẩn của p^\hat p khi giả thuyết không đúng. Vì vậy zz đo xem khoảng cách ấy bằng bao nhiêu lần dao động thường thấy. Tên gọi, nói cách khác, chính là bản tóm tắt của công thức: một mẫu, dữ liệu tỉ lệ, kết luận đọc trên thang chuẩn.

Thử nghiệm tương tácInteractive explorer

Giữ nguyên p̂ = 0,58 rồi kéo cỡ mẫu lên — đếm xem còn mẫu nào xa hơn

Giữ nguyên p̂ = 0,58 rồi kéo cỡ mẫu lên — đếm xem còn mẫu nào xa hơn

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
Ví dụ có lời giảiWorked example3 phút đọc3 min read
Một hãng nước giải khát tin rằng chỉ 35% người tiêu dùng trong thành phố nhận ra được logo mới của hãng. Sau một chiến dịch quảng cáo kéo dài ba tháng, bộ phận tiếp thị lấy một mẫu ngẫu nhiên gồm 200 người tiêu dùng trong thành phố và thấy có 82 người nhận ra logo. Thành phố có hơn 500 000 người tiêu dùng. Hãng muốn biết liệu chiến dịch có làm tỉ lệ nhận diện tăng lên trên 35% hay không, với 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.
  3. cĐưa ra kết luận trong ngữ cảnh bài toán.
  4. dTrong tình huống này, sai lầm loại I nghĩa là gì và hậu quả thực tế của nó ra sao?
1Bước 1: Gọi pp là tỉ lệ thật của toàn bộ người tiêu dùng trong thành phố nhận ra logo mới sau chiến dịch. Giả thuyết không (null hypothesis) giữ nguyên con số cũ, còn giả thuyết đối nêu điều hãng nghi ngờ, nên ta viết H0:p=0,35H_0: p = 0{,}35 và Ha:p>0,35H_a: p > 0{,}35. Đây là kiểm định một phía vì hãng chỉ quan tâm đến khả năng tỉ lệ tăng; nếu tỉ lệ giảm thì chiến dịch cũng coi như thất bại và không cần bằng chứng thống kê để kết luận.
2Bước 2: Ba điều kiện phải được kiểm tra rõ ràng trước khi tính toán. Thứ nhất, mẫu gồm 200 người được chọn ngẫu nhiên nên thoả điều kiện ngẫu nhiên. Thứ hai, 200≤0,10×500 000200 \le 0{,}10 \times 500\,000 nên điều kiện 10% được thoả và các quan sát xem như độc lập. Thứ ba, ta kiểm tra điều kiện xấp xỉ chuẩn bằng chính p0p_0 của giả thuyết không: np0=200(0,35)=70np_0 = 200(0{,}35) = 70 và n(1−p0)=200(0,65)=130n(1-p_0) = 200(0{,}65) = 130, cả hai đều lớn hơn 10. Nhờ đó phân bố mẫu của p^\hat{p} xấp xỉ chuẩn và ta được phép dùng phân phối zz.
3Bước 3: Tỉ lệ mẫu là p^=82200=0,41\hat{p} = \dfrac{82}{200} = 0{,}41. Độ lệch chuẩn (standard deviation) của phân bố mẫu được tính với p0=0,35p_0 = 0{,}35 chứ không phải với p^\hat{p}, vì trong kiểm định ta luôn làm việc trong "thế giới giả định H0H_0 đúng": SE=p0(1−p0)n=0,35×0,65200=0,0011375≈0,0337.SE = \sqrt{\frac{p_0(1-p_0)}{n}} = \sqrt{\frac{0{,}35 \times 0{,}65}{200}} = \sqrt{0{,}0011375} \approx 0{,}0337. Con số này cho biết nếu H0H_0 đúng thì các tỉ lệ mẫu cỡ 200 sẽ dao động quanh 0,35 với biên độ điển hình khoảng 3,37 điểm phần trăm.
4Bước 4: Thống kê kiểm định (test statistic) đo xem p^\hat{p} cách p0p_0 bao nhiêu lần độ lệch chuẩn đó: z=p^−p0SE=0,41−0,350,0337≈1,78.z = \frac{\hat{p} - p_0}{SE} = \frac{0{,}41 - 0{,}35}{0{,}0337} \approx 1{,}78. Vậy tỉ lệ quan sát được nằm cao hơn giá trị giả định khoảng 1,78 độ lệch chuẩn. Vì giả thuyết đối có dạng "lớn hơn", giá trị p (p-value) là diện tích đuôi phải: P(Z>1,78)≈0,0375P(Z > 1{,}78) \approx 0{,}0375.
5Bước 5: So sánh 0,0375<0,050{,}0375 < 0{,}05, ta bác bỏ H0H_0. Cách diễn đạt an toàn trong bài thi là gắn con số với ý nghĩa của nó: nếu tỉ lệ nhận diện thật sự vẫn chỉ là 35%, thì xác suất thu được một mẫu 200 người có tỉ lệ từ 0,41 trở lên chỉ khoảng 3,75%. Một kết quả hiếm đến mức đó khiến ta nghi ngờ chính giả định ban đầu chứ không xem là may rủi.
6Bước 6: Sai lầm loại I (Type I error) xảy ra khi ta bác bỏ H0H_0 trong lúc H0H_0 thật sự đúng, tức là hãng kết luận chiến dịch đã nâng tỉ lệ nhận diện trong khi thực tế tỉ lệ vẫn đứng yên ở 35%. Hậu quả là hãng sẽ đổ thêm ngân sách vào một chiến dịch không hiệu quả. Xác suất mắc sai lầm này bằng đúng mức ý nghĩa đã chọn, tức 0,05.

Với z≈1,78z \approx 1{,}78 và giá trị p ≈0,0375<α=0,05\approx 0{,}0375 < \alpha = 0{,}05, ta bác bỏ H0H_0. Có đủ bằng chứng thống kê để kết luận rằng tỉ lệ người tiêu dùng trong thành phố nhận ra logo mới sau chiến dịch quảng cáo lớn hơn 35%.

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 một 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 một tỉ lệSuy luận cho tỉ lệ (dữ liệu phân loại), khoácourse AP Statistics
Bài học chứa thuật ngữ nàyLesson that uses this termGiá trị pSuy luận cho tỉ lệ (dữ liệu phân loại), khoácourse AP Statistics
Liên quanRelatedp-valuep-value
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 con số 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 chỉ hỏi về một nhóm so với chuẩn công bố, thí sinh vội dùng công thức hai mẫu.
Khác nhau ở đâuHow they differKiểm định z cho tỉ lệ dùng với dữ liệu phân loại đếm số lần thành công. Kiểm định t dùng với dữ liệu định lượng khi suy luận về trung bình.
Hay nhầm khiMixed up whenĐề cho phần trăm người trả lời 'có', thí sinh nhầm thành số liệu trung bình và chọn kiểm định t.

Cùng chủ đềSame topic

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