Khoảng tin cậy cho tỉ lệ: Wald, Wilson và proportion_ci()
Bài 4/6 · Chương 8
Ước lượng
- 7 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 11
Khoảng tin cậy cho tỉ lệ ước lượng một tỉ lệ p của tổng thể, như tỉ lệ khách hài lòng, từ tỉ lệ mẫu p̂ của một khảo sát. Cách tính đơn giản là khoảng Wald: p̂ ± 1,96 · √(p̂(1 − p̂)/n). Khi p̂ gần 0 hoặc gần 1, hoặc mẫu nhỏ, nên dùng khoảng Wilson qua binomtest().proportion_ci() của scipy.
Cần biết trước: khoảng tin cậy, phân phối nhị thức và phân phối chuẩn tắc.
Công thức Wald
Một câu hỏi có/không, như "khách có hài lòng không", ghi 1 cho có và 0 cho không. Tỉ lệ mẫu p̂ là trung bình của cột 0 và 1, và sai số chuẩn của nó là √(p̂(1 − p̂)/n). Khoảng Wald dựng y như khoảng cho trung bình:
Trong đó:
so_co: số người trả lời "có" trong mẫu.n: cỡ mẫu, tổng số người trả lời.p = so_co / n(p̂): tỉ lệ mẫu, một số từ 0 đến 1 (76% viết là 0,76).z(norm.ppf(0.975)cho 95%): điểm của phân phối chuẩn tắc.math.sqrt(p * (1 - p) / n): sai số chuẩn của p̂.
Tính tay khoảng Wald
Một tiệm bánh hỏi 50 khách, 38 người trả lời hài lòng.
p̂ = 38 / 50 = 0,76.
Sai số chuẩn: √(0,76 · 0,24 / 50) = √0,003648 ≈ 0,0604.
Sai số biên: 1,96 · 0,0604 ≈ 0,1184.
Khoảng: 0,76 − 0,1184 = 0,642 đến 0,76 + 0,1184 = 0,878.
Khoảng tin cậy 95% của tỉ lệ khách hài lòng là từ 64,2% đến 87,8%. Khối dưới làm lại bằng scipy:
import math
from scipy.stats import norm
so_co, n = 38, 50
p = so_co / n
se = math.sqrt(p * (1 - p) / n)
e = norm.ppf(0.975) * se
print("p̂ =", p, "| SE =", round(se, 4), "| E =", round(float(e), 4))
thap, cao = round(float(p - e), 3), round(float(p + e), 3)
print("Wald 95%:", thap, "-", cao)KẾT QUẢ
p̂ = 0.76 | SE = 0.0604 | E = 0.1184
Wald 95%: 0.642 - 0.878Đổi so_co, n = 38, 50 thành so_co, n = 152, 200 rồi chạy lại: p̂ vẫn 0,76 nhưng dòng cuối in Wald 95%: 0.701 - 0.819, hẹp còn một nửa vì n gấp bốn.
Khoảng Wilson với proportion_ci()
stats.binomtest(k, n) là kiểm định nhị thức; kết quả của nó có phương thức proportion_ci() cho khoảng tin cậy của tỉ lệ. Tham số method chọn công thức: "wilson" cho khoảng Wilson, còn mặc định "exact" là khoảng Clopper–Pearson tính thẳng từ phân phối nhị thức:
from scipy import stats
kq = stats.binomtest(38, 50)
for cach in ["wilson", "exact"]:
ci = kq.proportion_ci(confidence_level=0.95, method=cach)
thap, cao = round(float(ci.low), 3), round(float(ci.high), 3)
print(cach, thap, "-", cao)KẾT QUẢ
wilson 0.626 - 0.857
exact 0.618 - 0.869Khoảng Wilson 95% là từ 62,6% đến 85,7%, gần khoảng Wald nhưng dịch nhẹ về phía 0,5 và không đối xứng quanh p̂ = 0,76. Khoảng Wilson tìm mọi giá trị p mà p̂ nằm trong 1,96 sai số chuẩn tính theo chính p đó, thay vì theo p̂; nhờ vậy nó không bao giờ vượt ra ngoài đoạn từ 0 đến 1.
Trên dữ liệu khao_sat_hai_long.csv (số giả lập của AIDev), coi khách chấm câu chat_luong từ 4 trở lên là hài lòng:
import pandas as pd
from scipy import stats
bang = pd.read_csv("khao_sat_hai_long.csv")
hai_long = int((bang["chat_luong"] >= 4).sum())
n = len(bang)
kq = stats.binomtest(hai_long, n)
ci = kq.proportion_ci(0.95, method="wilson")
print(hai_long, "trên", n, "| p̂ =", round(hai_long / n, 3))
thap, cao = round(float(ci.low), 3), round(float(ci.high), 3)
print("Wilson 95%:", thap, "-", cao)KẾT QUẢ
257 trên 420 | p̂ = 0.612
Wilson 95%: 0.564 - 0.657Với 420 phiếu, khoảng Wilson 95% của tỉ lệ hài lòng về chất lượng là từ 56,4% đến 65,7%. Với n lớn và p̂ không sát 0 hay 1, Wald và Wilson gần như trùng nhau.
Vì sao Wald kém khi p nhỏ
Một kho hàng kiểm 40 kiện, thấy 2 kiện hỏng: p̂ = 0,05. Khoảng Wald là 0,05 ± 1,96 · √(0,05 · 0,95 / 40) ≈ 0,05 ± 0,0675, tức từ −1,75% đến 11,75%: đầu dưới âm, một tỉ lệ không thể có. Khoảng Wilson cho 1,38% đến 16,5%.
Đầu dưới âm mới là triệu chứng; bệnh thật là độ phủ. Khối dưới lấy tỉ lệ thật p = 0,03 và n = 50, rút 10.000 khảo sát, rồi đếm bao nhiêu khoảng mỗi loại chứa p:
import numpy as np
from scipy import stats
rng = np.random.default_rng(64)
n, p = 50, 0.03
k = rng.binomial(n, p, size=10_000)
p_mu = k / n
e = 1.96 * np.sqrt(p_mu * (1 - p_mu) / n)
wald = (p_mu - e <= p) & (p <= p_mu + e)
print("Wald chứa p:", float(wald.mean()))
chua = {}
for gt in np.unique(k):
ci = stats.binomtest(int(gt), n).proportion_ci(0.95, "wilson")
chua[gt] = ci.low <= p <= ci.high
print("Wilson chứa p:", float(np.mean([chua[gt] for gt in k])))KẾT QUẢ
Wald chứa p: 0.7741
Wilson chứa p: 0.9395Lần chạy này: khoảng Wald gọi là 95% nhưng chỉ chứa p trong 77,4% số khảo sát; khoảng Wilson chứa p trong 93,95%. Phần lớn thất bại của Wald đến từ các khảo sát có k = 0: p̂ = 0 cho sai số chuẩn bằng 0, và khoảng co về đúng một điểm 0.
Kiểm tra nhanh
Sau
import math,print(round(1.96 * math.sqrt(0.5 * 0.5 / 100), 3))in ra gì?0.0980.0490.0049
Với 38 trên 50 khách hài lòng, câu nào đúng về khoảng Wilson 95% của bài?
- Nó đối xứng quanh p̂ = 0,76
- Nó lệch nhẹ về phía 0,5 so với khoảng Wald
- Nó là mặc định của
proportion_ci()
Những câu nào đúng về mô phỏng độ phủ với p = 0,03 và n = 50?
- Khoảng Wald danh nghĩa 95% chứa p ít hơn nhiều so với 95%
- Khảo sát có p̂ = 0 cho khoảng Wald co về một điểm
- Khoảng Wilson chứa p trong đúng 95,0% số khảo sát
- Wald kém vì 10.000 khảo sát là quá ít
Một bạn tính khoảng 95% với
norm.ppf(0.95). Khoảng đó thật ra là khoảng bao nhiêu phần trăm?- 95%
- 90%
- 97,5%
Bài tập
Khoảng Wald cho một tỉ lệ
Một khảo sát có n người trả lời, so_co người trả lời "có" (0 ≤ so_co ≤ n). Viết thân hàm khoang_wald(so_co, n, do_tin_cay) tính khoảng Wald hai phía p̂ ± z·√(p̂(1 − p̂)/n), với p̂ = so_co / n và z để lại (1 − do_tin_cay)/2 ở mỗi đuôi. Không cắt khoảng về đoạn [0, 1].
Trả về: cặp (đầu dưới, đầu trên) dạng tỉ lệ từ 0 đến 1, một tuple hai float.
Ví dụ khoang_wald(38, 50, 0.95) cho khoảng (0.642, 0.878).
import math
from scipy.stats import norm
def khoang_wald(so_co, n, do_tin_cay):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Khoảng Wald cho tỉ lệ: p̂ ± z·√(p̂(1 − p̂)/n), với p̂ là tỉ lệ từ 0 đến 1.
stats.binomtest(k, n).proportion_ci(0.95, method="wilson")cho khoảng Wilson; mặc định của hàm là"exact".Wilson dịch nhẹ về 0,5 và không vượt ra ngoài [0, 1]; với n lớn và p̂ vừa phải, hai khoảng gần trùng.
Khi p nhỏ hay mẫu nhỏ, Wald cho đầu dưới âm và độ phủ thấp: 77,4% thay cho 95% trong mô phỏng của bài.
Tính trên tỉ lệ từ 0 đến 1, với z =
norm.ppf(0.975)cho 95%; đổi sang phần trăm khi báo cáo, kèm độ tin cậy.
Câu hỏi thường gặp
Ước lượng tỉ lệ cần bao nhiêu người trả lời?
Sai số biên của Wald đạt cực đại khi p̂ = 0,5: với 100 người là khoảng ±9,8 điểm phần trăm, với 1.000 người là khoảng ±3,1. Bài cỡ mẫu đảo ngược công thức để tính n cho một sai số biên mong muốn.
Khi nào dùng Wald, khi nào dùng Wilson?
Wald dễ tính tay và đủ tốt khi n·p̂ và n·(1 − p̂) đều từ khoảng 10 trở lên. Ngoài vùng đó, nhất là khi gần như không gặp ca nào, dùng Wilson.
Khoảng "exact" có tốt hơn Wilson không?
Khoảng Clopper–Pearson ("exact") đảm bảo độ phủ ít nhất 95%, đổi lại thường rộng hơn mức cần. Wilson hẹp hơn và có độ phủ dao động sát 95%, nên thường được chọn cho báo cáo khảo sát.
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.