Đang tải bài học…

AP Statistics

p-value

Giá trị p (p-value) là xác suất thu được kết quả mẫu ít nhất bằng hoặc cực đoan hơn kết quả quan sát được, giả sử giả thuyết không (null hypothesis) đúng.

Khi thực hiện kiểm định giả thuyết, ta cần một thước đo để đánh giá mức độ bất ngờ của dữ liệu dưới giả định rằng giả thuyết không ( $H_0$ ) đúng. Giá trị p trả lời câu hỏi: nếu $H_0$ thực sự đúng, thì xác suất để quan sát được thống kê kiểm định ( $t$ hoặc $z$ ) bằng hoặc xa hơn giá trị thực tế là bao nhiêu? Nói cách khác, giá trị p đo lường bằng chứng mà dữ liệu cung cấp chống lại $H_0$ .

Giá trị p càng nhỏ thì bằng chứng chống lại $H_0$ càng mạnh. Khi $p \leq \alpha$ , trong đó $\alpha$ là mức ý nghĩa (significance level) đã chọn trước, ta bác bỏ $H_0$ và kết luận có đủ bằng chứng thống kê ủng hộ giả thuyết đối ( $H_a$ ). Ngược lại, khi $p > \alpha$ , ta không đủ cơ sở bác bỏ $H_0$ . Vì vậy, giá trị p hoạt động như một thước đo liên tục: thay vì chỉ nói "bác bỏ" hay "không bác bỏ", nó cho phép người đọc tự đánh giá mức độ thuyết phục của kết quả.

Điều quan trọng cần nhớ là giá trị p không phải là xác suất $H_0$ đúng, cũng không phải là xác suất $H_a$ sai. Nó chỉ là xác suất có điều kiện — điều kiện ở đây là $H_0$ đúng. Do đó, một giá trị p lớn không chứng minh $H_0$ đúng; nó chỉ cho thấy dữ liệu không đủ bất thường để bác bỏ $H_0$ . Ngoài ra, giá trị p phụ thuộc vào cỡ mẫu $n$ : mẫu lớn có thể tạo ra giá trị p rất nhỏ ngay cả khi hiệu ứng thực tế không đáng kể, nên luôn cần kết hợp với khoảng tin cậy hoặc độ lớn hiệu ứng (effect size) để đánh giá ý nghĩa thực tiễn.

Ký hiệup

Trực giác: Hãy tưởng tượng bạn tung một đồng xu 20 lần và thấy 18 lần ngửa; giá trị p cho biết xác suất đồng xu công bằng (không gian lận) lại cho ra kết quả cực đoan đến vậy — nếu xác suất đó quá nhỏ, bạn nghi ngờ đồng xu bị lệch.

Công thức

P = P(T \geq t_{obs} \mid H_0)

Dùng khi kiểm định một phía (phía phải): p-value là xác suất thu được thống kê kiểm định lớn hơn hoặc bằng giá trị quan sát được, giả sử giả thuyết không đúng.

Trong đó

P

p-value: xác suất quan sát được kết quả ít nhất cực đoan như vậy khi giả thuyết không đúng

T

thống kê kiểm định (biến ngẫu nhiên)

t_{obs}

giá trị thống kê kiểm định tính từ mẫu

H_0

giả thuyết không (null hypothesis)

P = 2 \cdot P(T \geq |t_{obs}| \mid H_0)

Dùng khi kiểm định hai phía: p-value nhân đôi vì sự kiện cực đoan có thể xảy ra ở cả hai đuôi của phân phối.

Khái niệm này sinh ra từ đâu

1900Karl PearsonRonald FisherPierre-Simon LaplaceW. Edwards Deming

Đại lượng p-value được Karl Pearson đưa ra năm 1900 cùng với kiểm định chi bình phương (chi-squared test) của ông, rồi được Ronald Fisher phổ biến rộng rãi từ năm 1925 như một thước đo mức độ bằng chứng chống lại giả thuyết không (null hypothesis).

Thử nghiệm tương tác

Rút 1000 mẫu trong thế giới H₀ — rồi đếm xem bao nhiêu mẫu lệch xa như dữ liệu thật

Hay hiểu sai

Sai lầm phổ biến nhất là đọc p-value như "xác suất để giả thuyết không (H₀) đúng".

Nhiều em tính đúng thống kê kiểm định nhưng vẫn mất điểm vì lấy sai phần đuôi diện tích.

Thấy p lớn, nhiều bài viết "chấp nhận H₀" hoặc "hai trung bình bằng nhau" — đều sai.

Học sinh hay tưởng tăng mức ý nghĩa từ $0.05$ lên $0.10$ sẽ làm p-value nhỏ đi.

Ví dụ có lời giải

1Ví dụ 1/2

Một học sinh muốn so sánh thời gian trung bình để tra cứu thông tin chuyến bay trên trang web của hai hãng hàng không. Hai mươi học sinh được chọn ngẫu nhiên truy cập trang của hãng A, thời gian tìm được thông tin có trung bình

\bar{x}_A = 2.5

phút và độ lệch chuẩn

s_A = 0.8

phút. Hai mươi học sinh khác, cũng chọn ngẫu nhiên, truy cập trang của hãng B và cho

\bar{x}_B = 2.1

phút với

s_B = 0.6

phút. Ở mức ý nghĩa

\alpha = 0.05

, dữ liệu có cung cấp bằng chứng thuyết phục rằng thời gian trung bình của hai hãng khác nhau không? Hãy tính p-value và kết luận trong ngữ cảnh.

1Bước 1: Trước hết phải nói rõ ta đang phát biểu điều gì về tổng thể, vì p-value chỉ có nghĩa khi đã có một mệnh đề để bác bỏ. Gọi

\mu_A

và

\mu_B

lần lượt là thời gian trung bình thật sự của toàn bộ người dùng trên hai trang web, giả thuyết không (null hypothesis) là

H_0: \mu_A - \mu_B = 0

và giả thuyết đối (alternative hypothesis) là

H_a: \mu_A - \mu_B \neq 0

. Đề chỉ hỏi hai hãng có "khác nhau" hay không chứ không chỉ rõ hãng nào nhanh hơn, do đó đây là kiểm định hai phía và phần diện tích tính p-value sẽ nằm ở cả hai đuôi.

Bạn nắm chắc chưa?

Quiz câu thật từ ngân hàng đề

Vài câu thật gắn đúng khái niệm này, chấm ngay kèm giải thích từng đáp án — hệ thống ghi nhớ bạn nắm tới đâu.

Tạo tài khoản miễn phí

Học tiếp từ đây

Bài học chứa thuật ngữ nàySuy luận cho tỉ lệ (dữ liệu phân loại) · bài “Giá trị p (p-value)” — khoá AP Statistics

Cần trướcgiả thuyết không

Hay nhầm với

Thuật ngữKhác nhau ở đâuHay nhầm khi

mức ý nghĩasignificance level

Khác nhau ở đâuP-value là xác suất tính được từ dữ liệu mẫu, còn mức ý nghĩa α là ngưỡng do người nghiên cứu chọn trước khi thu thập dữ liệu.

Hay nhầm khiĐề hỏi 'kết luận ở mức ý nghĩa 0,05' mà thí sinh lại so sánh α với α thay vì so sánh p-value với α.

có ý nghĩa thống kêstatistically significant

Khác nhau ở đâuP-value là một con số xác suất cụ thể, còn 'có ý nghĩa thống kê' là nhận định rút ra khi p-value nhỏ hơn α.

Hay nhầm khiThí sinh nhầm khi p-value nhỏ thì tự động kết luận kết quả 'quan trọng' trong thực tế, trong khi ý nghĩa thống kê và ý nghĩa thực tiễn là hai điều khác nhau.

Nguồn tham khảo

[1]Barron_AP_Stat_2026. tr. 14, 50, 54.

P

p-value cho kiểm định hai phía

T

thống kê kiểm định (biến ngẫu nhiên)

|t_{obs}|

giá trị tuyệt đối của thống kê kiểm định tính từ mẫu

H_0

giả thuyết không

Bài toán gốc rất đời thường: khi số liệu quan sát lệch khỏi điều ta chờ đợi, làm sao biết đó là chuyện ngẫu nhiên hay là một hiệu ứng thật? Ngay từ thập niên 1770, Laplace xem xét gần nửa triệu ca sinh và thấy số bé trai trội hơn bé gái; ông tính ra một xác suất kiểu p-value để kết luận rằng phần trội ấy là có thật chứ không do may rủi. Đến năm 1900, Pearson chính thức hóa đại lượng này trong kiểm định chi bình phương, ký hiệu bằng chữ P in hoa. Sau đó Fisher, qua các cuốn sách rất có ảnh hưởng in từ 1925 và 1935, biến nó thành công cụ thường ngày của người làm nghiên cứu.

Vì sao mang đúng cái tên này? Cái tên nghe cụt lủn ấy thật ra chỉ là chữ viết tắt còn sót lại của một ký hiệu. Pearson dùng chữ P in hoa để chỉ xác suất (probability) thu được kết quả cực đoan ít nhất bằng kết quả đã quan sát, giả sử giả thuyết đang kiểm định là đúng; các bảng tra cho phân phối chi bình phương về sau đều ghi cột P như vậy. Vì thế khi cần gọi tên con số nằm ở cột đó, người ta ghép luôn ký hiệu với chữ "value" thành "P value" — thuật ngữ này được ghi nhận lần đầu năm 1943 trong cuốn sách của Deming, tức là ra đời muộn hơn bản thân đại lượng gần nửa thế kỷ. Ý nghĩa của nó có thể viết gọn thành $p = P(T \ge t_{obs} \mid H_0)$ , nghĩa là xác suất để thống kê kiểm định $T$ rơi xa ít nhất bằng giá trị quan sát $t_{obs}$ khi $H_0$ đúng. Một điểm lịch sử đáng nhớ cho học sinh: Fisher không hề coi $0{,}05$ là một luật bất di bất dịch mà chỉ xem đó là một quy ước tiện dụng, nên mức ý nghĩa (significance level) trong đề thi là lựa chọn của người làm nghiên cứu chứ không phải hằng số của tự nhiên.

Rút 1000 mẫu trong thế giới H₀ — rồi đếm xem bao nhiêu mẫu lệch xa như dữ liệu thật

Kéo tham số, thấy khái niệm chuyển động — mở khoá bằng tài khoản 0đ.

Tạo tài khoản miễn phí

Mẹo phòng thi

Giám khảo chấm bốn phần: giả thuyết, kiểm định và điều kiện, thống kê với p-value, kết luận ngữ cảnh.

Với kiểm định t, luôn ghi rõ bậc tự do bên cạnh p-value, ví dụ $df = 33.7$ .

Trắc nghiệm hay bẫy bằng $0.0244$ , $0.0488$ , $0.9756$ — cùng con số nhưng sai đuôi.

Tần suất trong đề AP StatisticsHay gặp

Tiếp theo là kiểm tra điều kiện, bởi vì p-value được đọc từ một phân phối lý thuyết và phân phối ấy chỉ đúng khi điều kiện thỏa mãn. Hai nhóm học sinh được chọn ngẫu nhiên và độc lập với nhau, mỗi mẫu 20 người rõ ràng nhỏ hơn

10\%

số người dùng của mỗi trang. Cỡ mẫu

n_A = n_B = 20

chưa đủ lớn để định lý giới hạn trung tâm (central limit theorem) tự động phát huy tác dụng, nên ta phải giả định phân phối thời gian trong tổng thể xấp xỉ đối xứng, không có giá trị ngoại lai (outlier) rõ rệt. Với giả định đó, ta dùng kiểm định

t

hai mẫu.

3Bước 3: Bây giờ ta quy khoảng cách giữa hai trung bình mẫu về đơn vị sai số chuẩn (standard error), vì chỉ khi đo bằng đơn vị này thì

0.4

phút mới cho biết là nhiều hay ít. Sai số chuẩn của hiệu hai trung bình là

SE = \sqrt{\frac{s_A^2}{n_A} + \frac{s_B^2}{n_B}} = \sqrt{\frac{0.8^2}{20} + \frac{0.6^2}{20}} = \sqrt{0.032 + 0.018} = \sqrt{0.05} \approx 0.2236.

Con số

0.2236

phút là mức dao động tự nhiên của hiệu hai trung bình mẫu khi

H_0

đúng. Thống kê kiểm định (test statistic) do đó bằng

t = \frac{(\bar{x}_A - \bar{x}_B) - 0}{SE} = \frac{2.5 - 2.1}{0.2236} \approx 1.789,

nghĩa là hiệu quan sát được cách giá trị

0

khoảng

1.789

sai số chuẩn.

4Bước 4: p-value là xác suất thu được một hiệu cách xa

0

ít nhất bằng mức đã thấy, với điều kiện

H_0

thật sự đúng. Vì kiểm định hai phía nên

p = 2P(T \geq 1.789).

Dùng bậc tự do thận trọng

df = 20 - 1 = 19

, tra bảng thấy

1.789

nằm giữa

1.729

(ứng với đuôi

0.05

) và

2.093

(ứng với đuôi

0.025

), nên mỗi đuôi khoảng

0.045

và

p \approx 0.090

. Nếu dùng máy tính với công thức Welch thì

df \approx 35.2

và

p \approx 0.082

; hai cách cho kết quả sát nhau và cùng nằm gọn trên

0.05

5Bước 5: Cuối cùng ta so sánh

p

với mức ý nghĩa đã ấn định. Vì

p \approx 0.082 > \alpha = 0.05

, ta không bác bỏ

H_0

. Cách đọc bằng lời là: nếu hai trang web thật sự nhanh như nhau, thì việc hai mẫu 20 người lệch nhau từ

0.4

phút trở lên vẫn xảy ra khoảng

8

lần trong mỗi

100

lần lặp lại nghiên cứu, tức là hoàn toàn có thể do may rủi lấy mẫu. Tuy nhiên, "không bác bỏ" không có nghĩa là đã chứng minh hai hãng giống hệt nhau; nó chỉ nói rằng bằng chứng hiện có chưa đủ mạnh.

$t \approx 1.789$ và p-value $\approx 0.082$ (hoặc $\approx 0.090$ nếu dùng $df = 19$ ). Vì p-value lớn hơn $0.05$ , ta không bác bỏ giả thuyết không: dữ liệu không cung cấp bằng chứng thuyết phục rằng thời gian trung bình để tra cứu thông tin chuyến bay trên hai trang web của hai hãng hàng không là khác nhau.

2Ví dụ 2/2

Chuẩn thể lực khuyến nghị cho học viên nam là 34 lần hít đất. Để kiểm tra xem lứa học viên hiện tại có đạt chuẩn không, người ta chọn ngẫu nhiên 25 học viên và thu được

\bar{x} = 32.4

lần với

s = 4.0

lần; kiểm định

H_0: \mu = 34

đối lại

H_a: \mu < 34

cho một p-value nhất định. So với kiểm định vừa mô tả, thay đổi nào sau đây sẽ cho p-value NHỎ HƠN? (A) Lấy

n = 100

học viên, vẫn thu được

\bar{x} = 32.4

và

s = 4.0

. (B) Vẫn

n = 25

s = 4.0

nhưng

\bar{x} = 33.2

. (C) Vẫn

n = 25

\bar{x} = 32.4

nhưng

s = 6.0

. (D) Vẫn giữ nguyên mọi số liệu nhưng đổi giả thuyết đối thành

H_a: \mu \neq 34

1Bước 1: Muốn so sánh các phương án, trước hết cần một mốc để đối chiếu, nên ta tính p-value của kiểm định gốc. Sai số chuẩn của trung bình mẫu là

s/\sqrt{n} = 4.0/\sqrt{25} = 0.8

, do đó

t = \frac{32.4 - 34}{0.8} = -2.0

với

df = 24

. Vì

H_a

chỉ hướng về phía nhỏ hơn nên p-value là diện tích một đuôi trái:

p = P(T \leq -2.0) \approx 0.029

. Đây là con số ta sẽ dùng làm chuẩn so sánh cho bốn phương án.

2Bước 2: Công thức

t = \dfrac{\bar{x} - \mu_0}{s/\sqrt{n}}

cho thấy p-value nhỏ đi khi và chỉ khi

|t|

lớn lên, vì đuôi phân phối càng ra xa thì diện tích càng bé. Tử số

\bar{x} - \mu_0

càng lệch xa

0

thì

|t|

càng lớn; mẫu số càng nhỏ thì

|t|

cũng càng lớn, mà mẫu số nhỏ đi khi

n

tăng hoặc khi

s

giảm. Ngược lại, nếu

\bar{x}

xích lại gần

34

hay dữ liệu phân tán hơn thì

|t|

co lại và p-value phình ra. Riêng việc chuyển sang giả thuyết đối hai phía thì tính diện tích cả hai đuôi, tức là nhân đôi p-value chứ không làm nó nhỏ đi.

3Bước 3: Áp dụng nhận xét trên vào từng phương án, kết quả hiện ra khá rõ. Với (B),

t = (33.2 - 34)/0.8 = -1.0

nên

p \approx 0.16

, lớn hơn hẳn mốc

0.029

; với (C), sai số chuẩn tăng lên

6.0/5 = 1.2

nên

t \approx -1.33

và

p \approx 0.098

; với (D), p-value trở thành

2 \times 0.029 \approx 0.059

. Trong khi đó phương án (A) giữ nguyên khoảng cách

\bar{x} - \mu_0 = -1.6

nhưng thu nhỏ sai số chuẩn xuống

4.0/\sqrt{100} = 0.4

, cho

t = \frac{32.4 - 34}{0.4} = -4.0, \qquad p \approx 0.0001.

Con số này nhỏ hơn

0.029

hàng trăm lần, nên (A) là đáp án.

4Bước 4: Điều đáng nhớ đằng sau bài này là ý nghĩa của việc tăng cỡ mẫu. Cùng một độ lệch

1.6

lần hít đất so với chuẩn, mẫu 25 người chỉ cho bằng chứng vừa phải, còn mẫu 100 người biến nó thành bằng chứng rất mạnh, bởi trung bình của mẫu lớn dao động ít hơn nên một độ lệch như vậy khó có thể do may rủi. Vì vậy p-value không đo "độ lớn của hiệu ứng" mà đo mức độ hiếm của dữ liệu khi

H_0

đúng, và mức độ hiếm ấy phụ thuộc cả vào hiệu ứng lẫn vào lượng thông tin ta có.

Đáp án (A). Tăng cỡ mẫu từ 25 lên 100 mà vẫn giữ $\bar{x} = 32.4$ và $s = 4.0$ làm sai số chuẩn giảm một nửa, đẩy thống kê kiểm định từ $t = -2.0$ xuống $t = -4.0$ và kéo p-value từ khoảng $0.029$ xuống khoảng $0.0001$ ; ba phương án còn lại đều làm p-value lớn hơn.

Mục tiêu và lộ trình unit xem miễn phí — làm bài tập và lưu tiến độ cần tài khoản 0đ.