Khoảng tin cậy cho trung bình: công thức t và t.interval()
Bài 3/6 · Chương 8
Ước lượng
- 7 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 10
Khoảng tin cậy cho trung bình khi chưa biết σ được tính bằng x̄ ± t·s/√n: thay σ bằng độ lệch chuẩn mẫu s, và thay 1,96 bằng điểm t của phân phối Student với n − 1 bậc tự do. Với scipy, một lệnh stats.t.interval() cho cả khoảng; đây là cách ước lượng khoảng dùng nhiều nhất trong thực tế.
Cần biết trước: khoảng tin cậy, phân phối Student t và sai số chuẩn.
Công thức khoảng tin cậy t
Bài khoảng tin cậy cần σ của tổng thể, thứ hiếm khi có. Thay σ bằng s thì thêm một nguồn dao động, vì s cũng đổi theo từng mẫu. Phân phối t có đuôi dày hơn phân phối chuẩn để bù cho điều đó:
Trong đó:
x.mean()(x̄): trung bình mẫu.x.std(ddof=1)(s): độ lệch chuẩn mẫu, chia n − 1.stats.sem(x, ddof=1)(s/√n): sai số chuẩn của x̄.stats.t.ppf(0.975, df=n - 1)(t với chỉ số n − 1): điểm t của khoảng 95% hai phía, n − 1 bậc tự do.
Khi n nhỏ, t lớn hơn 1,96 khá nhiều: với n = 10, t = 2,262. Khi n lớn, t gần 1,96 và khoảng t gần như trùng khoảng z.
Tính tay với bảng t
Mười đơn giao nội thành mất 18, 22, 15, 30, 19, 25, 21, 17, 27, 26 giờ.
x̄ = 220 / 10 = 22 giờ.
Độ lệch: −4, 0, −7, 8, −3, 3, −1, −5, 5, 4; tổng bình phương 214. Vậy s² = 214 / 9 ≈ 23,778 và s ≈ 4,876 giờ.
Sai số chuẩn: s/√10 ≈ 4,876 / 3,162 ≈ 1,542 giờ.
Bảng t, 9 bậc tự do, khoảng 95% hai phía: t = 2,262.
Sai số biên: 2,262 · 1,542 ≈ 3,488 giờ; khoảng từ 22 − 3,488 = 18,51 đến 22 + 3,488 = 25,49 giờ.
Khoảng tin cậy 95% của thời gian giao trung bình là từ 18,51 đến 25,49 giờ. Khối dưới làm lại từng bước với scipy, rồi dùng t.interval() cho cả khoảng:
import numpy as np
from scipy import stats
x = np.array([18, 22, 15, 30, 19, 25, 21, 17, 27, 26])
n = len(x)
se = stats.sem(x, ddof=1)
t = stats.t.ppf(0.975, df=n - 1)
print("SE =", round(float(se), 3), "| t =", round(float(t), 3))
thap, cao = stats.t.interval(0.95, df=n - 1, loc=x.mean(), scale=se)
thap, cao = round(float(thap), 2), round(float(cao), 2)
print("Khoảng 95%:", thap, "-", cao, "giờ")KẾT QUẢ
SE = 1.542 | t = 2.262
Khoảng 95%: 18.51 - 25.49 giờttest_1samp() (kiểm định t một mẫu) trả về một kết quả có sẵn phương thức confidence_interval(), cho cùng khoảng mà không cần tự tính SE:
import numpy as np
from scipy import stats
x = np.array([18, 22, 15, 30, 19, 25, 21, 17, 27, 26])
kq = stats.ttest_1samp(x, popmean=0)
ci = kq.confidence_interval(confidence_level=0.95)
thap, cao = round(float(ci.low), 2), round(float(ci.high), 2)
print("Khoảng 95%:", thap, "-", cao, "giờ")KẾT QUẢ
Khoảng 95%: 18.51 - 25.49 giờTham số popmean chỉ dùng cho kiểm định; khoảng tin cậy không phụ thuộc vào nó. Đổi confidence_level=0.95 thành confidence_level=0.99 rồi chạy lại: khối in Khoảng 95%: 16.99 - 27.01 giờ, rộng hơn vì t = 3,250 với 9 bậc tự do; nhãn "95%" trong print cũng cần đổi.
Một lỗi cùng họ: tính s bằng x.std() của NumPy, mặc định ddof=0. Với mười đơn ở trên, s ra 4,626 thay cho 4,876 giờ và khoảng hẹp đi theo. Viết x.std(ddof=1) hoặc dùng stats.sem(x, ddof=1).
Khoảng tin cậy trên dữ liệu giao hàng
File giao_hang.csv (số giả lập của AIDev) có 400 đơn nội thành của hai hãng. Tính khoảng tin cậy 95% của thời gian giao trung bình cho từng hãng:
import pandas as pd
from scipy import stats
bang = pd.read_csv("giao_hang.csv")
noi_thanh = bang[bang["khu_vuc"] == "Nội thành"]
for hang, nhom in noi_thanh.groupby("hang"):
x = nhom["thoi_gian_gio"]
se = stats.sem(x, ddof=1)
thap, cao = stats.t.interval(0.95, df=len(x) - 1, loc=x.mean(), scale=se)
thap, cao = round(float(thap), 2), round(float(cao), 2)
print(hang, len(x), round(x.mean(), 2), thap, cao)KẾT QUẢ
Hãng A 206 22.0 20.67 23.33
Hãng B 194 20.46 19.23 21.68Hãng A: 206 đơn, trung bình 22,0 giờ, khoảng 95% từ 20,67 đến 23,33 giờ. Hãng B: 194 đơn, trung bình 20,46 giờ, khoảng từ 19,23 đến 21,68 giờ, hẹp hơn chút vì độ lệch chuẩn nhỏ hơn. Hai khoảng chồng lên nhau một đoạn; muốn biết hai hãng có khác nhau thật không thì cần kiểm định hai mẫu, chứ không chỉ nhìn hai khoảng.
Kiểm tra nhanh
Sau
from scipy import stats,print([round(float(v), 2) for v in stats.t.interval(0.95, df=3, loc=10, scale=1)])in ra gì?[6.82, 13.18][8.04, 11.96][7.65, 12.35]
Trong khung bẫy dùng z, vì sao khoảng z với n = 5 chỉ chứa μ khoảng 88% số lần?
- Vì tổng thể không phải phân phối chuẩn
- Vì s cũng dao động theo mẫu; 1,96 không đủ rộng để bù, còn t = 2,776 thì đủ
- Vì 10.000 mẫu là quá ít
Một bạn tính khoảng 95% cho mẫu ba giá trị với
stats.t.ppf(0.975, df=3). Kết quả thế nào?- Đúng, vì df là cỡ mẫu
- Hẹp hơn đúng, vì phải dùng df = n − 1 = 2, với t = 4,303 thay cho 3,182
- Rộng hơn đúng, vì 3 lớn hơn 2
Câu nào báo cáo đúng kết quả của hãng A?
- "Thời gian giao của hãng A nằm trong 20,67 đến 23,33 giờ"
- "Khoảng tin cậy 95% của thời gian giao trung bình hãng A: 20,67 đến 23,33 giờ"
- "Hãng A giao trung bình 22 giờ, sai số 95%"
Bài tập
Khoảng tin cậy t cho trung bình từ một mẫu
x là list số đo của một mẫu, có ít nhất hai giá trị; σ của tổng thể chưa biết. Viết thân hàm khoang_t(x, do_tin_cay) tính khoảng tin cậy hai phía x̄ ± t·s/√n, với s chia n − 1 và t của phân phối Student với n − 1 bậc tự do, để lại (1 − do_tin_cay)/2 ở mỗi đuôi. Hàm không sửa x của nơi gọi.
Trả về: cặp (đầu dưới, đầu trên) của khoảng, một tuple hai float.
Ví dụ khoang_t([18, 22, 15, 30, 19, 25, 21, 17, 27, 26], 0.95) cho khoảng (18.51, 25.49).
import numpy as np
from scipy import stats
def khoang_t(x, do_tin_cay):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Khoảng tin cậy cho trung bình khi chưa biết σ: x̄ ± t·s/√n, t với n − 1 bậc tự do.
stats.t.interval(0.95, df=n - 1, loc=x.mean(), scale=stats.sem(x, ddof=1))cho cả khoảng.stats.ttest_1samp(x, popmean=0).confidence_interval(confidence_level=0.95)cho cùng khoảng.Dùng 1,96 với mẫu nhỏ làm khoảng hẹp: n = 5 chỉ chứa μ khoảng 88% số lần.
s phải tính với
ddof=1; bậc tự do là n − 1.Báo cáo khoảng kèm độ tin cậy, tham số ước lượng và đơn vị.
Câu hỏi thường gặp
Ước lượng khoảng và khoảng tin cậy có khác nhau không?
Ước lượng khoảng là tên chung cho việc dùng một đoạn số để ước lượng tham số; khoảng tin cậy là loại ước lượng khoảng hay gặp, có kèm độ tin cậy. Ước lượng điểm thì chỉ cho một số, như bài ước lượng điểm.
Dữ liệu lệch phải như thời gian giao hàng có dùng khoảng t được không?
Được khi mẫu đủ lớn, vì x̄ gần chuẩn theo định lý giới hạn trung tâm. Với mẫu nhỏ và dữ liệu lệch mạnh, độ phủ thật có thể thấp hơn 95%; khi đó có thể kiểm bằng bootstrap.
Vì sao bậc tự do là n − 1?
Vì s được tính quanh x̄, mà x̄ đã dùng hết một mảnh thông tin của mẫu, như bài phương sai mẫu chia n − 1 giải thích. Cùng lý do đó quyết định hình dạng của phân phối t dùng cho khoảng.
Chủ đề
Dữ liệu của bài
- Tải xuống
giao_hang.csv
CSV · 27.84 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.