Bài tập phương sai, độ lệch chuẩn, tứ phân vị (tự chấm)
Bài 11/12 · Chương 3
Thống kê mô tả: độ phân tán và vị trí
- 10 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 8
Mười bài tập phương sai, độ lệch chuẩn, tứ phân vị và các số đo mô tả khác dưới đây được chấm ngay trên trang. Mỗi bài bạn viết thân một hàm Python nhỏ, bấm Chạy, và từng dòng kiểm tra báo đạt hay chưa. Các bài dùng lại nhóm số đo trung tâm và độ phân tán: trung bình có trọng số, trung vị, mốt, bảng tần số, n hay n − 1, tứ phân vị, phân vị, z-score và mô phỏng.
Cần biết trước: phương sai, tứ phân vị và bảng tra thống kê mô tả.
Cách làm các bài tập
Mỗi bài cho sẵn dòng import và dòng def với thân là pass. Bạn thay pass bằng thân hàm. Trình chấm không đọc những gì bạn in ra: nó gọi hàm với nhiều bộ số khác nhau rồi so giá trị trả về, nên hàm phải return. Số thực được so gần đúng bằng math.isclose(), nên hàm không cần làm tròn; đừng làm tròn, vì số làm tròn lệch khỏi đáp số thật.
Mỗi hàm có năm dòng kiểm tra. Có ví dụ trong đề, một trường hợp biên (một giá trị, mọi giá trị bằng nhau, phân vị 0 và 100) và một dòng kiểm hàm không sửa list của nơi gọi. Dòng cuối gọi hàm với hàng chục dãy sinh tự động rồi so với cách tính của thư viện. Hai bài mô phỏng ở mức khó không có đáp số đúng từng chữ số: kết quả được nhận khi nằm trong bốn sai số chuẩn quanh giá trị lý thuyết, và cùng hạt giống phải cho cùng kết quả.
Bí thì mở gợi ý theo thứ tự: gợi ý một chỉ chỗ cần nhìn, gợi ý hai nêu cách làm, gợi ý ba gần như là lời giải. Mỗi đề kết thúc bằng một link "Ôn lại" về bài dạy đúng kỹ thuật đó.
Mức dễ: trung bình, trung vị, mốt, bảng tần số
Bốn bài đầu mỗi bài một số đo, tính theo đúng định nghĩa trên một list nhỏ.
Tính điểm trung bình môn có hệ số
Điểm trung bình môn học kỳ là một trung bình có trọng số: mỗi điểm thường xuyên hệ số 1, điểm giữa kỳ hệ số 2, điểm cuối kỳ hệ số 3. thuong_xuyen là list các điểm thường xuyên (ít nhất một điểm), giua_ky và cuoi_ky là hai số. Viết thân hàm diem_trung_binh_mon(thuong_xuyen, giua_ky, cuoi_ky): tổng các điểm nhân hệ số, chia cho tổng các hệ số.
Không dùng np.average() hay module statistics. Hàm không sửa list của nơi gọi.
Trả về: điểm trung bình môn, một float, không làm tròn.
Ví dụ diem_trung_binh_mon([8, 7, 9], 7.5, 8) cho 7.875. Ôn lại: trung bình có trọng số.
def diem_trung_binh_mon(thuong_xuyen, giua_ky, cuoi_ky):
pass # Viết thân hàm thay cho dòng nàyTìm trung vị của một dãy điểm
x là list các điểm, có ít nhất một giá trị, chưa sắp xếp. Viết thân hàm trung_vi(x): sắp xếp, lấy giá trị đứng giữa khi số giá trị lẻ, trung bình hai giá trị giữa khi số giá trị chẵn.
Không dùng np.median(), .median(), np.percentile(), np.quantile(), .quantile(), các bản np.nanmedian(), np.nanpercentile(), np.nanquantile() hay module statistics. Hàm không sửa x của nơi gọi.
Trả về: trung vị, một float.
Ví dụ trung_vi([7, 3, 9, 5, 8]) cho 7.0. Ôn lại: trung vị.
import numpy as np
def trung_vi(x):
pass # Viết thân hàm thay cho dòng nàyTìm mọi mốt của một dãy
Một dãy có thể có nhiều mốt: mọi giá trị có tần số lớn nhất đều là mốt. x là list các số, có ít nhất một giá trị. Viết thân hàm cac_mot(x).
Không dùng statistics.multimode(), statistics.mode() hay .mode() của pandas. Hàm không sửa x của nơi gọi.
Trả về: các mốt xếp từ nhỏ tới lớn, một list.
Ví dụ cac_mot([5, 8, 6, 8, 5, 9]) cho [5, 8]. Ôn lại: mốt.
import numpy as np
def cac_mot(x):
pass # Viết thân hàm thay cho dòng nàyTính phương sai từ bảng tần số
Kết quả một bài kiểm tra được ghi thành bảng tần số: gia_tri[i] là một mức điểm, tan_so[i] là số học sinh được mức đó (có thể bằng 0). Viết thân hàm phuong_sai_tan_so(gia_tri, tan_so): phương sai chia n, với n là tổng tần số.
Không dùng np.var(), .var(), np.std(), .std(), np.cov(), các bản np.nanvar(), np.nanstd(), np.repeat() hay module statistics. Hàm không sửa hai list của nơi gọi.
Trả về: phương sai chia n, một float.
Ví dụ phuong_sai_tan_so([4, 10], [3, 3]) cho 9.0. Ôn lại: phương sai.
import numpy as np
def phuong_sai_tan_so(gia_tri, tan_so):
pass # Viết thân hàm thay cho dòng nàyMức vừa: mẫu số, tứ phân vị, phân vị, z-score
Bốn bài này cần chọn đúng mẫu số, đúng cách chia hai nửa hay đúng cách đặt vị trí, đúng chỗ người học hay nhầm.
Tính độ lệch chuẩn cho tổng thể hay mẫu
x là list các số, có ít nhất hai giá trị. mau là True khi x chỉ là một mẫu (chia n − 1), False khi x là cả tổng thể (chia n). Viết thân hàm do_lech_chuan(x, mau).
Không dùng np.std(), .std(), np.var(), .var(), các bản np.nanstd(), np.nanvar() hay module statistics. Hàm không sửa x của nơi gọi.
Trả về: độ lệch chuẩn, một float.
Ví dụ do_lech_chuan([6, 8, 5, 9, 7, 7], True) cho khoảng 1.4142. Ôn lại: phương sai mẫu chia n − 1.
import numpy as np
def do_lech_chuan(x, mau):
pass # Viết thân hàm thay cho dòng nàyTính khoảng tứ phân vị từ bảng tần số theo SGK
Kết quả một bài kiểm tra được ghi thành bảng tần số: gia_tri là các mức điểm xếp tăng dần, tan_so[i] là số học sinh được gia_tri[i] (có thể bằng 0), tổng tần số ít nhất 4. Viết thân hàm khoang_tu_phan_vi(gia_tri, tan_so) theo cách SGK: Q1 và Q3 là trung vị của nửa dưới và nửa trên của dãy điểm đã xếp, bỏ giá trị đứng giữa khi số học sinh lẻ; khoảng tứ phân vị là Q3 − Q1.
Không dùng np.percentile(), np.quantile(), .quantile(), các bản np.nanpercentile(), np.nanquantile() hay statistics.quantiles(); được dùng np.median(). Hàm không sửa hai list của nơi gọi.
Trả về: khoảng tứ phân vị, một float.
Ví dụ khoang_tu_phan_vi([5, 6, 7, 8, 9, 10], [1, 3, 4, 2, 1, 1]) cho 2.0. Ôn lại: tứ phân vị.
import numpy as np
def khoang_tu_phan_vi(gia_tri, tan_so):
pass # Viết thân hàm thay cho dòng nàyTính phân vị bằng nội suy như NumPy
Viết lại cách mặc định của np.percentile(): sắp xếp x, đặt vị trí h = (n − 1) · p / 100 (đếm từ 0), rồi nội suy giữa giá trị ở vị trí phần nguyên của h và giá trị kế tiếp. x là list có ít nhất một số, p từ 0 đến 100. Viết thân hàm phan_vi(x, p).
Không dùng np.percentile(), np.quantile(), .quantile(), các bản np.nanpercentile(), np.nanquantile() hay statistics.quantiles(). Hàm không sửa x của nơi gọi.
Trả về: phân vị thứ p, một float.
Ví dụ phan_vi([21, 15, 44, 18, 26, 12, 20, 31, 17, 23], 25) cho 17.25. Ôn lại: tứ phân vị và percentile.
import math
def phan_vi(x, p):
pass # Viết thân hàm thay cho dòng nàyChuẩn hóa điểm thành z-score
Muốn so điểm của học sinh giữa hai đề khác độ khó, bạn đổi mỗi điểm thành z-score: z = (x − x̄) / s, với s là độ lệch chuẩn mẫu (chia n − 1). x là list hay mảng có ít nhất hai giá trị không bằng nhau hết. Viết thân hàm diem_z(x).
Không dùng vòng lặp for. Hàm không sửa x của nơi gọi.
Trả về: z-score của từng điểm theo đúng thứ tự, một ndarray.
Ví dụ diem_z([150, 160, 170]) cho [-1. 0. 1.]. Ôn lại: z-score.
import numpy as np
def diem_z(x):
pass # Viết thân hàm thay cho dòng nàyMức khó: mô phỏng có hạt giống
Hai bài cuối không có đáp số cố định: hàm rút số ngẫu nhiên từ rng của nơi gọi, và trình chấm so kết quả với giá trị lý thuyết trong một dung sai. Bài đầu đếm một tỉ lệ, bài sau lấy trung bình một số đo.
Mô phỏng: khoảng [min, max] của mẫu chứa trung vị bao nhiêu lần
Tổng thể là phân phối chuẩn có trung vị 0. Rút so_lan mẫu, mỗi mẫu n giá trị, bằng rng.normal(0, 1, size=...); đếm tỉ lệ số mẫu có giá trị nhỏ nhất dưới 0 và giá trị lớn nhất trên 0, tức đoạn từ min tới max của mẫu chứa trung vị của tổng thể. Viết thân hàm ty_le_chua_trung_vi(n, so_lan, rng).
rng do nơi gọi tạo: không dùng np.random.seed(), không tạo bộ sinh số mới bằng np.random.default_rng() trong hàm.
Trả về: tỉ lệ số mẫu có đoạn [min, max] chứa 0, một float từ 0 đến 1.
Ví dụ ty_le_chua_trung_vi(5, 20000, np.random.default_rng(1)) cho một số gần 0,94: mỗi giá trị nằm trên trung vị với xác suất một nửa, nên đoạn chỉ trượt khi cả năm giá trị cùng một phía, xác suất 2 × 0,5⁵. Ôn lại: khoảng biến thiên.
import numpy as np
def ty_le_chua_trung_vi(n, so_lan, rng):
pass # Viết thân hàm thay cho dòng nàyMô phỏng: độ lệch chuẩn mẫu có trúng σ không
Chia n − 1 làm phương sai mẫu trúng σ² ở mức trung bình (bài phương sai đã mô phỏng điều đó). Còn s, căn bậc hai của nó, thì sao? Tổng thể là phân phối chuẩn có σ = 1. Rút so_lan mẫu, mỗi mẫu n giá trị, bằng rng.normal(0, 1, size=...); tính độ lệch chuẩn mẫu s (chia n − 1) của từng mẫu, rồi lấy trung bình. Viết thân hàm trung_binh_s(n, so_lan, rng).
rng do nơi gọi tạo: không dùng np.random.seed(), không tạo bộ sinh số mới bằng np.random.default_rng() trong hàm.
Trả về: trung bình của các s, một float.
Ví dụ trung_binh_s(5, 20000, np.random.default_rng(1)) cho một số gần 0,94: vẫn thấp hơn σ một chút. Ôn lại: phương sai mẫu chia n − 1.
import numpy as np
def trung_binh_s(n, so_lan, rng):
pass # Viết thân hàm thay cho dòng nàyCâu hỏi thường gặp
Bài mô phỏng của tôi đúng mà lần chạy ra số khác lời giải, có sao không?
Không sao. Rút số theo thứ tự khác (bảng (n, so_lan) thay cho (so_lan, n)) cho dãy số khác, nên kết quả lệch ở chữ số thứ ba. Trình chấm nhận mọi kết quả nằm trong bốn sai số chuẩn quanh giá trị lý thuyết, và chỉ đòi cùng hạt giống thì ra cùng số. Bài phương sai dùng cùng cách mô phỏng để so chia n với chia n − 1.
Vì sao chia n − 1 rồi mà s vẫn thấp hơn σ?
Chia n − 1 làm phương sai trúng σ² ở mức trung bình, nhưng căn bậc hai của trung bình không bằng trung bình của căn bậc hai. Độ lệch đó nhỏ dần khi n tăng và thường được bỏ qua trong thực hành. Bài phương sai mẫu chia n − 1 giải thích vì sao chọn n − 1.
Làm xong mười bài này thì luyện tiếp ở đâu?
Dự án phổ điểm thi đứng ngay sau trang này: bạn dùng trung bình, độ lệch chuẩn, phân vị và z-score trên điểm thi của cả một tỉnh rồi viết năm câu kết luận. Sau đó chương xác suất bắt đầu ở bài xác suất là gì.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.