Đang tải bài học…

AP Statistics

thống kê suy luận

inferential statistics

Thống kê suy luận (inferential statistics) là nhánh thống kê dùng số liệu từ mẫu để rút ra kết luận về tổng thể mà ta không khảo sát toàn bộ.

Mục đích chính của thống kê suy luận là đưa ra những phát biểu về tham số (parameter) tổng thể dựa trên các đại lượng tính được từ mẫu. Chẳng hạn, từ tỉ lệ mẫu $\hat{p}$ hay trung bình mẫu $\bar{x}$ , người ta ước lượng giá trị tương ứng $p$ hoặc $\mu$ trong cả tổng thể. Do đó, thống kê suy luận đóng vai trò cầu nối giữa dữ liệu cụ thể và kết luận mang tính khái quát.

Quy trình suy luận thường xoay quanh hai công cụ chính. Công cụ thứ nhất là khoảng tin cậy, cho phép ta ước lượng tham số bằng một khoảng giá trị thay vì một con số duy nhất. Công cụ thứ hai là kiểm định giả thuyết, trong đó ta dùng giá trị $p$ để đánh giá mức độ bất thường của mẫu so với giả thuyết ban đầu. Ví dụ, thống kê kiểm định thường được chuẩn hóa theo dạng: $\frac{\text{ước lượng} - \text{tham số}}{\text{sai số chuẩn (standard error) của ước lượng}}$ Công thức này đo khoảng cách giữa giá trị quan sát và giá trị giả định, tính theo đơn vị sai số chuẩn, nhờ đó ta có thể so sánh các kết quả từ nhiều mẫu khác nhau trên cùng một thang đo.

Tuy nhiên, các kết luận suy luận luôn đi kèm với độ không chắc chắn. Ngược lại với thống kê mô tả (descriptive statistics) chỉ tóm tắt những gì đã quan sát, thống kê suy luận phải đối mặt với sai số mẫu, sai lầm loại I (type I error) và sai lầm loại II (type II error). Vì vậy, khi trình bày kết luận trong đề thi AP Statistics, thí sinh cần nêu rõ ngữ cảnh, định nghĩa tham số, kiểm tra các giả định tiên quyết, và diễn giải ý nghĩa thực tiễn thay vì chỉ đưa ra các con số khô khan.

Trực giác: Như khi nếm một muỗng canh để đoán cả nồi có mặn hay không: ta không cần uống hết nồi canh mà vẫn có thể kết luận, nhưng phải chấp nhận rủi ro nếm nhầm chỗ quá mặn hoặc quá nhạt.

Công thức

z = \frac{\hat{p} - p_0}{\sqrt{\frac{p_0(1-p_0)}{n}}}

Dùng khi kiểm định giả thuyết về một tỉ lệ tổng thể: tính xem tỉ lệ quan sát từ mẫu cách xa giá trị giả định bao nhiêu độ lệch chuẩn, rồi đối chiếu với phân phối chuẩn để tìm trị số p (p-value).

Trong đó

z

thống kê kiểm định chuẩn hóa — số độ lệch chuẩn tính từ giá trị giả thuyết

\hat{p}

tỉ lệ quan sát trong mẫu

p_0

tỉ lệ giả định theo giả thuyết không (null hypothesis)

n

cỡ mẫu

\htmlClass{fp-0}{\bar{x}} \pm \htmlClass{fp-1}{t^*} \cdot \htmlClass{fp-2}{\frac{s}{\sqrt{n}}}

Khái niệm này sinh ra từ đâu

thế kỷ 17–19Francis GaltonJohn GrauntGottfried AchenwallJohn SinclairPierre-Simon Laplace

Thử nghiệm tương tác

Rút mẫu, nêu khẳng định về tổng thể — rồi đếm xem bao nhiêu lần bạn trúng

Hay hiểu sai

Thống kê suy luận không phải là việc mô tả lại số liệu đã thu được.

Kết luận phải nói về tổng thể, không phải về mẫu đã đo.

Không có chọn mẫu ngẫu nhiên thì không được suy rộng ra tổng thể.

Khi đã đo được cả tổng thể thì không cần suy luận nữa.

Ví dụ có lời giải

1Ví dụ 1/2

Một trường trung học có 1800 học sinh. Ban giám hiệu chọn ngẫu nhiên 150 học sinh và ghi lại số giờ tự học ở nhà trong một tuần. Mẫu này cho trung bình 12,4 giờ với độ lệch chuẩn (standard deviation) 3,6 giờ. Trong bản báo cáo, ban giám hiệu viết hai câu: (I) "150 học sinh được khảo sát tự học trung bình 12,4 giờ mỗi tuần"; (II) "Học sinh toàn trường tự học trung bình khoảng 12,4 giờ mỗi tuần".

aCâu nào thuộc thống kê mô tả (descriptive statistics) và câu nào thuộc thống kê suy luận? Giải thích.
bXác định tham số (parameter) và thống kê mẫu (statistic) trong bối cảnh này, kèm ký hiệu.
cƯớc lượng số giờ tự học trung bình của toàn trường bằng một khoảng tin cậy (confidence interval) 95%, nêu kết luận trong ngữ cảnh.

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 “Khoảng tin cậy cho tỉ lệ tổng thể” — khoá AP Statistics

Cần trướcthống kê mô tả mẫu

Hay nhầm với

Thuật ngữKhác nhau ở đâuHay nhầm khi

thống kê mô tảdescriptive statistics

Khác nhau ở đâuThống kê mô tả chỉ tóm tắt dữ liệu đã có trong tay, còn thống kê suy luận dùng dữ liệu đó để đưa ra kết luận vượt ra ngoài mẫu

Hay nhầm khiđề hỏi "loại thống kê nào được dùng khi nhà nghiên cứu muốn kết luận về toàn bộ học sinh toàn quốc dựa trên một mẫu" — thí sinh hay chọn nhầm mô tả

Nguồn tham khảo

[1]Barron_AP_Stat_2026. tr. 27, 431, 830.

Dùng để ước lượng trung bình tổng thể $\mu$ khi độ lệch chuẩn tổng thể chưa biết: xây dựng một khoảng giá trị mà ta tin tưởng ở mức độ cho trước rằng $\mu$ nằm trong đó.

Trong đó

\bar{x}

trung bình mẫu — ước lượng điểm cho

\mu

t^*

giá trị tới hạn (critical value) lấy từ phân phối

t

với bậc tự do

n-1

s

độ lệch chuẩn mẫu

n

cỡ mẫu

Ngành suy luận thống kê (statistical inference) hình thành dần từ thế kỷ 17–19: bắt đầu bằng việc phân tích các sổ đăng ký của nhà nước, và trở thành một lĩnh vực riêng biệt với Francis Galton (1822–1911) ở nước Anh thế kỷ 19.

Từ xa xưa con người đã đếm và ghi chép, nhưng lịch sử chính thức của thống kê chỉ bắt đầu khi các sổ đăng ký chính thức của nhà nước được phân tích một cách hệ thống vào thế kỷ 17; năm 1663 John Graunt cho xuất bản các quan sát về bảng khai tử ở London. Ban đầu công việc này chỉ dừng ở mô tả dân số và kinh tế để nhà nước hoạch định chính sách. Sang thế kỷ 19, cách tiếp cận dùng xác suất lan từ sai số đo đạc trong thiên văn sang các hiện tượng xã hội, vật lý rồi sinh học. Chính khi Galton đo đạc sự biến thiên của các đặc điểm di truyền ở người, ông đã xây dựng hồi quy (regression) và tương quan (correlation) — những kỹ thuật cho phép đi từ mẫu ra kết luận rộng hơn.

Vì sao mang đúng cái tên này? Cái tên nghe có vẻ chẳng liên quan gì tới toán, và đó là vì gốc gác của nó nằm ở chính trị chứ không phải ở số liệu. Chữ "statistics" bắt nguồn từ tiếng Latinh mới statisticum collegium ("hội đồng nhà nước") và tiếng Ý statista ("chính khách"); năm 1749 Gottfried Achenwall dùng chữ Statistik trong tiếng Đức để chỉ việc phân tích dữ liệu về nhà nước, tức "khoa học về quốc gia", mà tiếng Anh khi ấy gọi là số học chính trị (political arithmetic). Từ này vào tiếng Anh năm 1791 khi Sir John Sinclair xuất bản tập đầu trong bộ 21 quyển Statistical Account of Scotland, và chỉ đến đầu thế kỷ 19 nó mới mang nghĩa thu thập và phân loại dữ liệu nói chung. Tính từ "inferential" được ghép thêm về sau để tách nhánh này khỏi thống kê mô tả (descriptive statistics): thay vì chỉ tóm tắt những gì đã đo, nó suy ra (infer) điều gì đó về tổng thể từ một mẫu đại diện. Vì vậy, tên gọi ngày nay giữ lại dấu vết của một ngành sinh ra để phục vụ nhà nước, còn phần "suy luận" mới là thứ làm nên nội dung toán học của nó.

Rút mẫu, nêu khẳng định về tổng thể — rồi đếm xem bao nhiêu lần bạn trúng

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

Tạo tài khoản miễn phí

Mẹo phòng thi

Mỗi kết luận suy luận phải có đủ ba phần mới được trọn điểm.

Không bao giờ viết "accept the null hypothesis" trong bài thi.

Viết ra tên thủ tục và kiểm tra điều kiện trước khi bấm máy.

Tần suất trong đề AP StatisticsThường xuyên

Bước 1 — Ý (a): Câu (I) chỉ tóm tắt lại đúng 150 học sinh đã được đo, không nói gì về những em ngoài mẫu, nên đó là thống kê mô tả. Ngược lại, câu (II) nói về cả 1800 học sinh trong khi ta chỉ đo 150 em, tức là đã dùng dữ liệu mẫu để rút ra phát biểu cho toàn thể; đó chính là thống kê suy luận. Dấu hiệu nhận biết nằm ở phạm vi của câu kết luận: mô tả thì dừng lại trong mẫu, suy luận thì vượt ra khỏi mẫu.

2Bước 2 — Ý (b): Đại lượng ta muốn biết nhưng không đo được là số giờ tự học trung bình của toàn bộ 1800 học sinh, ký hiệu

\mu

; đây là tham số. Đại lượng ta thực sự tính được từ 150 em là

\bar{x} = 12{,}4

giờ, kèm

s = 3{,}6

giờ; đây là các thống kê mẫu. Toàn bộ thống kê suy luận là chiếc cầu nối từ

\bar{x}

sang

\mu

, và vì mỗi mẫu cho một

\bar{x}

khác nhau nên kết luận bắt buộc phải kèm một mức sai số, không thể nói chắc chắn.

3Bước 3 — Kiểm tra điều kiện cho ý (c): Mẫu được chọn ngẫu nhiên nên tính độc lập giữa các quan sát được bảo đảm, và

150 < 0{,}1 \times 1800 = 180

nên điều kiện mẫu nhỏ hơn 10% tổng thể cũng đạt. Vì

n = 150 \ge 30

, định lý giới hạn trung tâm (central limit theorem) cho phép xem phân phối mẫu của

\bar{x}

là xấp xỉ chuẩn dù ta không biết dạng phân phối gốc. Do đó dùng được thủ tục

t

một mẫu.

4Bước 4 — Tính toán: Sai số chuẩn là

s/\sqrt{n} = 3{,}6/\sqrt{150} = 3{,}6/12{,}247 = 0{,}2939

. Với

df = 149

và độ tin cậy 95%, giá trị tới hạn là

t^{*} \approx 1{,}976

, nên biên sai số bằng

1{,}976 \times 0{,}2939 = 0{,}581

. Khoảng tin cậy là

12{,}4 \pm 0{,}581

, tức

(11{,}82;\ 12{,}98)

giờ.

Câu (I) là thống kê mô tả còn câu (II) là thống kê suy luận, vì (II) phát biểu về toàn trường dựa trên một mẫu. Tham số cần ước lượng là $\mu$ — số giờ tự học trung bình của cả 1800 học sinh — và thống kê mẫu là $\bar{x} = 12{,}4$ giờ. Ta tin cậy 95% rằng số giờ tự học trung bình mỗi tuần của học sinh toàn trường nằm trong khoảng từ 11,82 đến 12,98 giờ. Lưu ý rằng câu (II) trong báo cáo nói "khoảng 12,4 giờ" mà không kèm sai số nào là cách trình bày thiếu chặt chẽ: kết luận suy luận luôn phải đi cùng một mức không chắc chắn.

2Ví dụ 2/2

Một công ty giống cây trồng in trên bao bì rằng tỉ lệ hạt nảy mầm của lô hạt cải là 90%. Một trung tâm kiểm định chất lượng nghi ngờ con số này bị thổi phồng, nên lấy ngẫu nhiên 200 hạt từ lô hàng lớn gồm hàng trăm nghìn hạt và gieo trong điều kiện chuẩn. Kết quả có 168 hạt nảy mầm. Dùng mức ý nghĩa

\alpha = 0{,}05

aThực hiện một kiểm định giả thuyết (significance test) phù hợp và nêu kết luận trong ngữ cảnh.
bLập khoảng tin cậy 95% cho tỉ lệ nảy mầm thật của lô hạt và giải thích vì sao kết quả này nhất quán với ý (a).

1Bước 1 — Gọi tên thủ tục và đặt giả thuyết: Đây là kiểm định

z

một mẫu cho tỉ lệ tổng thể. Gọi

p

là tỉ lệ nảy mầm thật của toàn bộ lô hạt, ta viết

H_0: p = 0{,}90

và

H_a: p < 0{,}90

, dùng đối thuyết một phía vì mối nghi ngờ đặt ra là tỉ lệ thực thấp hơn quảng cáo.

2Bước 2 — Kiểm tra điều kiện: 200 hạt được lấy ngẫu nhiên, và 200 nhỏ hơn 10% kích thước lô hàng nên các hạt xem như độc lập. Điều kiện xấp xỉ chuẩn cũng đạt vì

np_0 = 200 \times 0{,}90 = 180 \ge 10

và

n(1-p_0) = 200 \times 0{,}10 = 20 \ge 10

. Vì vậy phân phối mẫu của

\hat{p}

dưới

H_0

xấp xỉ chuẩn.

3Bước 3 — Tính thống kê kiểm định và giá trị P: Tỉ lệ mẫu là

\hat{p} = 168/200 = 0{,}84

. Sai số chuẩn dưới

H_0

bằng

\sqrt{(0{,}90)(0{,}10)/200} = \sqrt{0{,}00045} = 0{,}02121

, nên

z = \frac{0{,}84 - 0{,}90}{0{,}02121} = -2{,}83.

Tử số đo khoảng cách giữa tỉ lệ quan sát và tỉ lệ được tuyên bố, còn mẫu số quy khoảng cách đó về đơn vị sai số chuẩn. Tra bảng chuẩn được

P = P(Z < -2{,}83) \approx 0{,}0023

4Bước 4 — Ý (b): khoảng tin cậy: Với khoảng tin cậy ta dùng chính

\hat{p}

để kiểm tra điều kiện:

n\hat{p} = 168 \ge 10

và

n(1-\hat{p}) = 32 \ge 10

. Sai số chuẩn là

\sqrt{(0{,}84)(0{,}16)/200} = \sqrt{0{,}000672} = 0{,}02592

, và với

z^{*} = 1{,}96

biên sai số bằng

1{,}96 \times 0{,}02592 = 0{,}0508

. Khoảng tin cậy là

0{,}84 \pm 0{,}0508

, tức

(0{,}789;\ 0{,}891)

Vì $P = 0{,}0023 < 0{,}05$ , ta bác bỏ $H_0$ : có bằng chứng thuyết phục rằng tỉ lệ nảy mầm thật của lô hạt cải thấp hơn 90% như công ty công bố. Khoảng tin cậy 95% cho biết ta tin cậy 95% rằng tỉ lệ nảy mầm thật nằm giữa 78,9% và 89,1%. Hai kết quả nhất quán với nhau vì giá trị 0,90 nằm ngoài khoảng này, cùng chỉ về một kết luận rằng lô hạt không đạt mức quảng cáo. Cả hai đều là thống kê suy luận: từ 200 hạt được gieo, ta phát biểu về cả lô hàng hàng trăm nghìn hạt mà mình chưa hề gieo.

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