Bài tập khoảng tin cậy và ước lượng khoảng (tự chấm)
Bài 6/6 · Chương 8
Ước lượng
- 6 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 8
Năm bài tập khoảng tin cậy và ước lượng dưới đây được chấm ngay trên trang, mỗi bài viết thân một hàm Python trả về đúng con số cần tìm. Chúng ôn lại cả chương: ước lượng điểm, cỡ mẫu, khoảng tin cậy cho trung bình và cho tỉ lệ. Bài cuối mô phỏng để kiểm chữ 95% của khoảng t.
Cần biết trước: ước lượng điểm, khoảng tin cậy cho trung bình và khoảng tin cậy cho tỉ lệ.
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, nên hàm không cần làm tròn; riêng cỡ mẫu là số nguyên và phải làm tròn lên.
Mỗi hàm có năm dòng kiểm tra. Có ví dụ trong đề, một trường hợp biên, một dòng kiểm kiểu trả về hay kiểm hàm không sửa bảng của nơi gọi. Dòng cuối gọi hàm với hàng chục bộ số sinh tự động rồi so với một cách tính khác. Các bảng trong bài dùng cùng cột với khao_sat_hai_long.csv: kenh và các câu Likert từ 1 đến 5 như chat_luong.
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: ước lượng điểm và cỡ mẫu
Hai bài đầu mỗi bài một công thức: một tỉ lệ đếm trên bảng, một cỡ mẫu tính từ σ và sai số biên.
Tỉ lệ khách hài lòng từ bảng khảo sát
bang là một DataFrame khảo sát, cot là tên một câu Likert từ 1 đến 5, nguong là một số nguyên. Khách "hài lòng" khi điểm ở câu đó từ nguong trở lên. Viết thân hàm ti_le_hai_long(bang, cot, nguong) tính tỉ lệ khách hài lòng p̂, ước lượng điểm cho tỉ lệ của tổng thể. Hàm không sửa bang của nơi gọi.
Trả về: tỉ lệ từ 0 đến 1, một float.
Ví dụ với cột chat_luong là 5, 4, 3, 2, 4 và nguong = 4, hàm cho 0.6. Ôn lại: ước lượng điểm.
import pandas as pd
def ti_le_hai_long(bang, cot, nguong):
pass # Viết thân hàm thay cho dòng nàyCỡ mẫu để ước lượng một trung bình
Muốn ước lượng trung bình μ với sai số biên ±e và độ tin cậy do_tin_cay, biết trước độ lệch chuẩn tổng thể khoảng sigma (cùng đơn vị với e). Viết thân hàm co_mau_trung_binh(sigma, e, do_tin_cay) tính cỡ mẫu n = (z·σ/E)², với z để lại (1 − do_tin_cay)/2 ở mỗi đuôi, rồi làm tròn lên.
Trả về: cỡ mẫu, một int.
Ví dụ co_mau_trung_binh(5.5, 1, 0.95) cho 117. Ôn lại: cỡ mẫu.
import math
from scipy.stats import norm
def co_mau_trung_binh(sigma, e, do_tin_cay):
pass # Viết thân hàm thay cho dòng nàyMức vừa: khoảng t theo nhóm và khoảng Wilson
Hai bài giữa dựng khoảng tin cậy thật: một bài cho trung bình từng kênh bán hàng, một bài cho tỉ lệ.
Khoảng tin cậy 95% của điểm trung bình theo kênh
bang là một DataFrame khảo sát có cột kenh (như Cửa hàng, Trực tuyến) và cột điểm cot; mỗi kênh có ít nhất hai phiếu. Viết thân hàm khoang_t_theo_kenh(bang, cot) tính khoảng tin cậy 95% của điểm trung bình cho từng kênh, theo công thức x̄ ± t·s/√n với s chia n − 1 và t của phân phối Student với n − 1 bậc tự do, n là số phiếu của kênh đó. Hàm không sửa bang của nơi gọi.
Điểm Likert là dữ liệu thứ bậc; trung bình của nó chỉ là một con số tóm tắt thô, ở đây dùng để luyện công thức.
Trả về: mỗi kênh một cặp (đầu dưới, đầu trên), một dict từ tên kênh tới tuple hai float.
Ví dụ với Cửa hàng chấm 4, 5, 3 và Trực tuyến chấm 2, 3, 2, hàm cho khoảng (1.52, 6.48) cho Cửa hàng. Ôn lại: khoảng tin cậy cho trung bình.
import numpy as np
import pandas as pd
from scipy import stats
def khoang_t_theo_kenh(bang, cot):
pass # Viết thân hàm thay cho dòng nàyKhoảng Wilson cho tỉ lệ khách giới thiệu
Một khảo sát có n phiếu, so_co phiếu chấm câu gioi_thieu từ 4 trở lên. Viết thân hàm khoang_wilson(so_co, n, do_tin_cay) tính khoảng Wilson hai phía cho tỉ lệ khách sẵn lòng giới thiệu, với độ tin cậy do_tin_cay.
Trả về: cặp (đầu dưới, đầu trên) dạng tỉ lệ từ 0 đến 1, một tuple hai float.
Ví dụ khoang_wilson(38, 50, 0.95) cho khoảng (0.626, 0.857). Ôn lại: khoảng tin cậy cho tỉ lệ.
from scipy import stats
def khoang_wilson(so_co, n, do_tin_cay):
pass # Viết thân hàm thay cho dòng nàyMức khó: mô phỏng độ phủ của khoảng t
Bài cuối không có đáp số cố định: hàm rút số ngẫu nhiên từ rng của nơi gọi, và trình chấm so tỉ lệ khoảng chứa μ với 0,95 trong bốn sai số chuẩn.
Mô phỏng: khoảng t 95% chứa μ bao nhiêu lần
Tổng thể là phân phối chuẩn có μ = 50 và σ = 10. Rút so_lan mẫu, mỗi mẫu n giá trị (n ≥ 2), bằng rng.normal(50, 10, size=...). Với mỗi mẫu, tính khoảng tin cậy 95% x̄ ± t·s/√n (s chia n − 1, t với n − 1 bậc tự do); trả về tỉ lệ số khoảng chứa 50. Viết thân hàm do_phu_khoang_t(n, so_lan, rng).
rng do nơi gọi tạo: không gọi np.random.seed(), không tạo bộ sinh số mới bằng np.random.default_rng() trong hàm. Chỉ rút số bằng rng.normal(), một lần cho cả bảng hay từng mẫu một: trình chấm có một lần gọi với rng giả trả về bảng số định sẵn và so đúng tỉ lệ.
Trả về: tỉ lệ khoảng chứa μ, một float từ 0 đến 1.
Ví dụ do_phu_khoang_t(4, 20000, np.random.default_rng(1)) cho một số gần 0.95. Ôn lại: khoảng tin cậy.
import numpy as np
from scipy import stats
def do_phu_khoang_t(n, so_lan, rng):
pass # Viết thân hàm thay cho dòng nàyCâu hỏi thường gặp
Bài khoảng Wilson có cần tự viết công thức không?
Không bắt buộc. binomtest().proportion_ci(method="wilson") cho đúng khoảng; dòng kiểm cuối so với công thức Wilson viết tay, nên tự viết công thức cũng được nhận. Điều cần nhớ là mặc định của hàm là "exact".
Bài mô phỏng của tôi đúng mà ra số khác lời giải, có sao không?
Không sao. Rút bảng theo hình khác, như (n, so_lan) thay cho (so_lan, n), cho dãy số khác nên kết quả lệch ở chữ số thứ ba. Trình chấm nhận kết quả nào nằm trong bốn sai số chuẩn quanh 0,95.
Làm xong năm bài này thì học tiếp gì?
Chương kiểm định dùng lại đúng các công cụ ở đây: sai số chuẩn, phân phối t và tỉ lệ. Khoảng tin cậy và p-value là hai mặt của cùng một phép tính.
Chủ đề
Dữ liệu của bài
- Tải xuống
khao_sat_hai_long.csv
CSV · 15.74 KB
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.