Bỏ qua đến nội dung chính
Mục lục

T test là gì: kiểm định t một mẫu và ttest_1samp()

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 2/14 · Chương 10

Các kiểm định thường dùng

  • 7 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

T test là gì? Kiểm định t (t-test) so trung bình của mẫu với một con số, hay so trung bình của hai nhóm, khi độ lệch chuẩn của tổng thể không biết và phải ước từ chính mẫu. Bản một mẫu tính t = (x̄ − μ₀)/(s/√n), rồi đọc p-value từ phân phối Student t với n − 1 bậc tự do; trong Python là một lệnh stats.ttest_1samp(x, mu0).

Cần biết trước: kiểm định z, phân phối Student t, sai số chuẩn và p-value.

Công thức t test và tính tay

Một xưởng đóng gói cà phê 500 g. Bạn cân thử 8 gói từ một ca: 497,8; 501,2; 498,5; 499,0; 496,9; 500,4; 498,1; 497,6 g. Câu hỏi đặt trước: khối lượng trung bình của ca này có khác 500 g không? H₀: μ = 500, H₁: μ ≠ 500, α = 0,05.

Khác bài kiểm định z, ở đây không ai cho biết σ, nên ta thay σ bằng độ lệch chuẩn mẫu s:

t=xˉ−μ0s/n,df=n−1t = \frac{\bar{x} - \mu_0}{s / \sqrt{n}}, \quad df = n - 1

Trong đó:

  • x̄ (x.mean()): trung bình mẫu.

  • μ₀ (mu0): trung bình theo H₀.

  • s (x.std(ddof=1)): độ lệch chuẩn mẫu, chia n − 1.

  • n (len(x)): cỡ mẫu; s/√n là sai số chuẩn ước lượng.

  • df: bậc tự do của phân phối t dùng để tra p.

Bước

Việc

Kết quả

1

x̄ = 3.989,5 / 8

498,69 g

2

s (chia 7)

1,458 g

3

Sai số chuẩn s/√8

0,516 g

4

t = (498,69 − 500)/0,516

−2,55

5

p = 2 · P(T₇ ≥ 2,55)

0,038

python
import numpy as np
from scipy import stats

x = np.array([497.8, 501.2, 498.5, 499.0,
              496.9, 500.4, 498.1, 497.6])
n, mu0 = len(x), 500
s = x.std(ddof=1)
t = (x.mean() - mu0) / (s / np.sqrt(n))
p = 2 * stats.t.sf(abs(t), df=n - 1)
print(f"x̄ = {x.mean():.2f}, s = {s:.3f}, t = {t:.2f}, p = {p:.3f}")

KẾT QUẢ

x̄ = 498.69, s = 1.458, t = -2.55, p = 0.038

stats.t.sf(abs(t), df) là đuôi phải của phân phối t; nhân đôi cho hai phía. Đổi len(x), 500 thành len(x), 499 rồi chạy lại: dòng cuối in x̄ = 498.69, s = 1.458, t = -0.61, p = 0.564.

scipy.stats.ttest_1samp()

stats.ttest_1samp(x, popmean) làm cả năm bước và trả về một đối tượng có statistic, pvalue và df. Mặc định alternative="two-sided":

python
import numpy as np
from scipy import stats

x = np.array([497.8, 501.2, 498.5, 499.0,
              496.9, 500.4, 498.1, 497.6])
kq = stats.ttest_1samp(x, popmean=500)
ktc = kq.confidence_interval(confidence_level=0.95)
d = (x.mean() - 500) / x.std(ddof=1)
print(f"t = {kq.statistic:.2f}, df = {kq.df}, p = {kq.pvalue:.3f}")
print(f"KTC 95% của μ: {ktc.low:.2f} đến {ktc.high:.2f} g")
print(f"Cohen's d = {d:.2f}")

KẾT QUẢ

t = -2.55, df = 7, p = 0.038
KTC 95% của μ: 497.47 đến 499.91 g
Cohen's d = -0.90

Đọc kết quả: nếu trung bình của ca thật là 500 g, xác suất có trung bình 8 gói lệch ít nhất như 498,69 g là 0,038. p ≤ 0,05 nên bác bỏ H₀ ở mức 5% (t = −2,55, df = 7, p = 0,038): dữ liệu là bằng chứng ca này đóng thiếu, khoảng 1,3 g mỗi gói, khoảng tin cậy 95% của trung bình từ 497,47 đến 499,91 g, không chứa 500. kq.confidence_interval() cho khoảng đó, tức x̄ ± 2,365 · s/√n với ngưỡng t của 7 bậc tự do, như bài khoảng tin cậy. Độ lớn hiệu ứng (effect size) Cohen's d = (x̄ − μ₀)/s = −0,90: trung bình lệch khỏi 500 g gần một độ lệch chuẩn của các gói. Giả định: các gói độc lập, khối lượng gần chuẩn (với 8 gói, xem Q-Q plot trước).

File khoi_luong_goi.csv là số giả lập của AIDev: 180 gói từ ba máy, cột may và khoi_luong_g. Câu hỏi về Máy 2 có hướng từ trước: nó có đóng thiếu không? H₁: μ < 500, nên alternative="less":

python
import pandas as pd
from scipy import stats

df = pd.read_csv("khoi_luong_goi.csv")
x = df.loc[df["may"] == "Máy 2", "khoi_luong_g"]
kq = stats.ttest_1samp(x, popmean=500, alternative="less")
s = x.std(ddof=1)
print(f"n = {len(x)}, x̄ = {x.mean():.2f} g, s = {s:.2f} g")
print(f"t = {kq.statistic:.2f}, p = {kq.pvalue:.3f}")

KẾT QUẢ

n = 60, x̄ = 499.21 g, s = 2.48 g
t = -2.47, p = 0.008

Nếu Máy 2 đóng đúng 500 g trung bình, xác suất có trung bình 60 gói thấp ít nhất như vậy là 0,008. Bác bỏ H₀ ở mức 5%: Máy 2 đóng thiếu khoảng 0,8 g mỗi gói. Độ thiếu nhỏ so với độ lệch chuẩn 2,5 g; có đáng sửa máy không là câu hỏi của xưởng, không phải của p-value.

Vì sao cần phân phối t: mô phỏng

Dùng 1,96 của phân phối chuẩn cho t có sao không? Mô phỏng 20.000 mẫu 8 gói khi H₀ đúng (μ = 500), tính t của từng mẫu, rồi đếm tỉ lệ |t| vượt ngưỡng:

python
import numpy as np
from scipy import stats

rng = np.random.default_rng(75)
mau = rng.normal(500, 2, size=(20_000, 8))
s = mau.std(axis=1, ddof=1)
t = (mau.mean(axis=1) - 500) / (s / np.sqrt(8))
nguong_t = stats.t.ppf(0.975, df=7)
print(f"Ngưỡng t: {nguong_t:.3f}")
print("Bác bỏ nhầm với 1,96:", (np.abs(t) >= 1.96).mean())
print("Bác bỏ nhầm với ngưỡng t:", (np.abs(t) >= nguong_t).mean())

KẾT QUẢ

Ngưỡng t: 2.365
Bác bỏ nhầm với 1,96: 0.0901
Bác bỏ nhầm với ngưỡng t: 0.05305

s của mẫu nhỏ dao động nhiều, nên t có đuôi dày hơn phân phối chuẩn. Dùng 1,96 thì lần chạy này bác bỏ nhầm khoảng 9%, gần gấp đôi α; ngưỡng 2,365 của t với 7 bậc tự do giữ được khoảng 5%. Khi n lớn, s ổn định và hai ngưỡng gần nhau.

Kiểm tra nhanh

  1. Sau from scipy import stats, print(round(stats.t.ppf(0.975, 7), 3)) in ra gì?

    • 1.96
    • 2.365
    • 1.895
  2. Một ứng dụng hứa pin dùng được trung bình 10 giờ. Bạn nghi pin dùng được ít hơn và viết câu hỏi trước khi đo 15 máy. Gọi lệnh nào?

    • stats.ttest_1samp(gio, 10)
    • stats.ttest_1samp(gio, 10, alternative="less")
    • stats.ttest_1samp(gio, 10, alternative="greater")
    • stats.ttest_ind(gio, 10)
  3. Vì sao t-test một mẫu dùng phân phối t thay cho phân phối chuẩn?

    • Vì dữ liệu không bao giờ chuẩn
    • Vì s ước từ mẫu cũng dao động, làm t có đuôi dày hơn z
    • Vì phân phối t luôn cho p nhỏ hơn
    • Vì scipy không có phân phối chuẩn
  4. Máy 2 cho p = 0,008 với trung bình thấp hơn 500 g khoảng 0,8 g. Những câu nào đúng?

    • Dữ liệu là bằng chứng Máy 2 đóng thiếu trung bình
    • Máy 2 thiếu nhiều vì p rất nhỏ
    • Độ thiếu khoảng 0,8 g mỗi gói; đáng sửa hay không là chuyện khác với p
    • Xác suất Máy 2 đóng đúng 500 g là 0,008
Đúng hết lần đầu +15 XP

Bài tập

Tự viết kiểm định t một mẫu

Viết thân hàm t_mot_mau(x, mu0): với danh sách số đo x và trung bình theo H₀ mu0, tính thống kê t của kiểm định t một mẫu (s chia n − 1) và p-value hai phía từ phân phối t với n − 1 bậc tự do.

Dùng stats.t. Không dùng ttest_1samp(), ttest_rel() hay ttest_ind(). Không sửa x của nơi gọi.

Trả về: cặp (t, p), hai float.

Ví dụ t_mot_mau([497.8, 501.2, 498.5, 499.0, 496.9, 500.4, 498.1, 497.6], 500) cho khoảng (-2.5454, 0.0384).

python
import numpy as np
from scipy import stats


def t_mot_mau(x, mu0):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • T-test một mẫu so trung bình mẫu với μ₀ khi σ không biết: t = (x̄ − μ₀)/(s/√n), bậc tự do n − 1.

  • stats.ttest_1samp(x, popmean) trả về statistic, pvalue, df; mặc định hai phía, đổi bằng alternative=.

  • s phải chia n − 1: ghi ddof=1 với NumPy.

  • Phân phối t có đuôi dày hơn chuẩn; dùng 1,96 cho mẫu nhỏ làm tỉ lệ bác bỏ nhầm vượt α.

  • Báo kèm x̄, s, n và độ chênh so với μ₀; giả định độc lập và gần chuẩn.

Câu hỏi thường gặp

One sample t test dùng khi nào?

Khi có một nhóm số đo và một con số để so: khối lượng ghi trên bao bì, mức chuẩn, giá trị cam kết. Hai nhóm độc lập dùng t-test hai mẫu.

Mẫu bao nhiêu thì dùng được t-test?

Không có ngưỡng cứng. Mẫu nhỏ cần dữ liệu gần chuẩn; mẫu từ vài chục trở lên chịu được lệch vừa phải nhờ định lý giới hạn trung tâm. Ngoại lai lớn thì mẫu nào cũng nên xem lại.

Bậc tự do trong t-test là gì?

Là số giá trị còn "tự do" sau khi đã dùng x̄ để tính s: n − 1. Nó chọn đúng đường phân phối t để tra p; df nhỏ thì đuôi dày hơn.

Chủ đề

t test là gì

Dữ liệu của bài

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

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.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập