Bỏ qua đến nội dung chính
Mục lục

Ước lượng điểm là gì: x̄, p̂, s² và ước lượng không chệch

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 1/6 · Chương 8

Ước lượng

  • 8 phút
  • Cơ bản
  • Python 3.14
  • Cập nhật

Ước lượng điểm là dùng một con số tính từ mẫu để đoán một tham số của tổng thể: x̄ đoán trung bình μ, p̂ đoán tỉ lệ p, s² đoán phương sai σ². Cách tính chính là các công thức thống kê mô tả quen thuộc; điều mới là câu hỏi con số đó đoán có lệch về một phía hay không.

Cần biết trước: ký hiệu thống kê, phương sai và phân phối mẫu.

Ước lượng điểm là gì

Tham số là con số của cả tổng thể, thường không biết. Ước lượng (estimator) là công thức tính trên mẫu để đoán nó; con số ra từ một mẫu cụ thể gọi là một ước lượng điểm (point estimate):

Tham số

Ước lượng điểm

Tính trên mẫu

Trung bình μ

x̄

np.mean(x)

Tỉ lệ p

p̂

np.mean(co_dung) với cột 0 và 1

Phương sai σ²

s²

np.var(x, ddof=1)

Mỗi mẫu cho một ước lượng điểm khác nhau, như bài phân phối mẫu đã thấy. Độ chệch (bias) đo xem trung bình của các ước lượng đó, qua nhiều mẫu, lệch tham số bao nhiêu:

Bias(θ^)=E(θ^)−θ\text{Bias}(\hat{\theta}) = E(\hat{\theta}) - \theta

Trong đó:

  • θ (tham_so): tham số thật của tổng thể, như μ hay σ².

  • θ̂ (uoc_luong): ước lượng tính từ một mẫu, như x̄ hay s².

  • E(θ̂) (uoc_luong.mean() qua nhiều mẫu mô phỏng): trung bình của ước lượng khi lấy mẫu lại nhiều lần.

Ước lượng có độ chệch bằng 0 gọi là ước lượng không chệch: nó không đoán lệch về phía nào một cách có hệ thống.

Tính tay ba ước lượng điểm

Một tiệm trà sữa hỏi tám khách: mỗi người mua mấy ly trong tuần, và có đặt qua ứng dụng không. Kết quả số ly: 2, 1, 3, 1, 2, 4, 1, 2; có đặt qua ứng dụng: khách thứ 2, 5 và 6.

  1. x̄ = (2 + 1 + 3 + 1 + 2 + 4 + 1 + 2) / 8 = 16 / 8 = 2 ly.

  2. Độ lệch so với 2: 0, −1, 1, −1, 0, 2, −1, 0; tổng bình phương 0 + 1 + 1 + 1 + 0 + 4 + 1 + 0 = 8. Vậy s² = 8 / (8 − 1) ≈ 1,143 ly².

  3. p̂ = 3 / 8 = 0,375.

Với NumPy, cột "có đặt qua ứng dụng" ghi 1 và 0, nên p̂ là trung bình của cột đó:

python
import numpy as np

so_ly = np.array([2, 1, 3, 1, 2, 4, 1, 2])
dung_app = np.array([0, 1, 0, 0, 1, 1, 0, 0])
print("x̄  =", so_ly.mean())
print("s² =", round(float(so_ly.var(ddof=1)), 3))
print("p̂  =", dung_app.mean())

KẾT QUẢ

x̄  = 2.0
s² = 1.143
p̂  = 0.375

Ba con số khớp phép tính tay. Chúng là dự đoán hợp lý bạn có từ tám khách, nhưng với tám khách khác thì cả ba sẽ đổi.

Mô phỏng 10.000 mẫu để đo độ chệch

Để đo độ chệch cần biết tham số thật, nên bạn tự dựng tổng thể: số ly mỗi khách theo phân phối Poisson với trung bình μ = 2, và phân phối này có phương sai σ² = 2. Rút 10.000 mẫu tám khách, tính ước lượng trên từng mẫu rồi lấy trung bình:

python
import numpy as np

rng = np.random.default_rng(61)
mau = rng.poisson(lam=2, size=(10_000, 8))
x_tb = mau.mean(axis=1)
s2 = mau.var(axis=1, ddof=1)
v0 = mau.var(axis=1, ddof=0)
print("Trung bình của x̄:", round(float(x_tb.mean()), 3))
print("Trung bình của s² (ddof=1):", round(float(s2.mean()), 3))
print("Trung bình của chia n (ddof=0):", round(float(v0.mean()), 3))

KẾT QUẢ

Trung bình của x̄: 2.0
Trung bình của s² (ddof=1): 1.987
Trung bình của chia n (ddof=0): 1.739

Lần chạy này: trung bình của x̄ là 2,0 và của s² là 1,987, đều sát tham số thật 2: hai ước lượng không chệch. Chia n thì ra 1,739, thấp hơn 2 một cách có hệ thống; độ chệch khoảng −0,26, đúng bằng −σ²/n = −2/8 = −0,25 trong sai số mô phỏng. Bài phương sai giải thích vì sao chia n − 1 sửa được độ chệch này.

Đổi size=(10_000, 8) thành size=(10_000, 40) rồi chạy lại: dòng cuối in Trung bình của chia n (ddof=0): 1.946, vì độ chệch −2/40 = −0,05 nhỏ đi khi mẫu lớn.

Không chệch chưa phải là tất cả

Một ước lượng kỳ quặc: chỉ lấy trung bình của hai khách đầu trong mẫu tám khách. Nó cũng không chệch, vì mỗi khách có kỳ vọng μ. Nhưng nó dao động thế nào so với x̄ của cả tám người?

python
import numpy as np

rng = np.random.default_rng(61)
mau = rng.poisson(lam=2, size=(10_000, 8))
hai_dau = mau[:, :2].mean(axis=1)
ca_tam = mau.mean(axis=1)
print("Trung bình:", round(float(hai_dau.mean()), 3),
      round(float(ca_tam.mean()), 3))
print("Độ lệch chuẩn:", round(float(hai_dau.std(ddof=1)), 3),
      round(float(ca_tam.std(ddof=1)), 3))

KẾT QUẢ

Trung bình: 2.012 2.0
Độ lệch chuẩn: 1.01 0.5

Cả hai đều có trung bình sát 2, nhưng ước lượng hai khách đầu dao động 1,01 ly, gấp đôi 0,5 ly của x̄. Không chệch chỉ nói ước lượng đúng trung bình qua nhiều mẫu; với một mẫu cụ thể, ước lượng có độ lệch chuẩn nhỏ hơn mới thường gần tham số hơn. Độ lệch chuẩn của một ước lượng là sai số chuẩn của nó.

Vì vậy một ước lượng điểm đứng một mình, như "khách mua trung bình 2 ly mỗi tuần", chưa đủ: người đọc không biết con số tính từ tám khách hay tám nghìn khách. Hãy kèm sai số chuẩn, hoặc một khoảng tin cậy có ghi độ tin cậy và đơn vị.

Kiểm tra nhanh

  1. Sau import numpy as np, print(np.array([1, 0, 1, 1, 0]).mean(), np.array([4, 6, 8]).var(ddof=1)) in ra gì?

    • 0.6 4.0
    • 0.6 2.6666666666666665
    • 3 4.0
  2. Muốn đo độ chệch của một ước lượng bằng mô phỏng, bạn cần làm gì?

    • Tính ước lượng trên một mẫu thật rồi trừ cho tham số
    • Dựng tổng thể với tham số đã biết, tính ước lượng trên nhiều mẫu, lấy trung bình rồi trừ tham số
    • Lấy độ lệch chuẩn của các ước lượng qua nhiều mẫu
  3. Những câu nào đúng với mô phỏng 10.000 mẫu tám khách ở bài?

    • var(ddof=1) cho trung bình sát σ² = 2
    • var(ddof=0) chệch thấp, khoảng −σ²/n
    • std(ddof=1) là ước lượng không chệch của σ
    • Độ chệch của var(ddof=0) không đổi khi tăng cỡ mẫu
  4. Ước lượng "trung bình hai khách đầu" không chệch. Vì sao bài vẫn chọn x̄ của cả tám khách?

    • Vì ước lượng hai khách đầu chệch cao
    • Vì x̄ có độ lệch chuẩn nhỏ hơn, nên một mẫu cụ thể thường cho số gần μ hơn
    • Vì hai khách đầu luôn mua ít hơn
Đúng hết lần đầu +15 XP

Bài tập

Đo độ chệch của phương sai mẫu bằng mô phỏng

Tổng thể là phân phối chuẩn có σ = 2, tức σ² = 4. Viết thân hàm do_chech_phuong_sai(n, ddof, so_lan, rng): rút so_lan mẫu, mỗi mẫu n giá trị bằng rng.normal(0, 2, size=...); tính phương sai của từng mẫu với tham số ddof (0 hoặc 1); trả về trung bình của các phương sai đó trừ 4.

rng do nơi gọi tạo: không gọi np.random.seed(), không tạo bộ sinh số mới bằng np.random.default_rng() trong hàm.

Trả về: độ chệch ước lượng được, một float.

Ví dụ do_chech_phuong_sai(5, 0, 20000, np.random.default_rng(1)) cho một số gần -0.8, tức −σ²/n = −4/5.

python
import numpy as np


def do_chech_phuong_sai(n, ddof, so_lan, rng):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • Ước lượng điểm là một con số tính từ mẫu để đoán tham số: x̄ cho μ, p̂ cho p, s² cho σ².

  • Độ chệch là E(θ̂) − θ; đo bằng mô phỏng trên một tổng thể có tham số đã biết.

  • x̄, p̂ và s² (ddof=1) là ước lượng không chệch; chia n (ddof=0) chệch thấp khoảng σ²/n.

  • s chệch thấp một chút dù s² không chệch, vì phép lấy căn.

  • Không chệch chưa đủ: ước lượng có độ lệch chuẩn nhỏ hơn thường gần tham số hơn trên một mẫu cụ thể.

Câu hỏi thường gặp

Point estimate và ước lượng khoảng khác nhau thế nào?

Point estimate là một con số, như 2 ly. Ước lượng khoảng cho một đoạn, như 1,6 đến 2,4 ly, kèm độ tin cậy. Bài khoảng tin cậy dựng khoảng quanh chính ước lượng điểm.

Vì sao phải dựng tổng thể giả để đo độ chệch?

Với dữ liệu thật, bạn không biết tham số nên không trừ được. Bài mô phỏng Monte Carlo dùng cách này: tự chọn tham số, tự rút mẫu, rồi xem ước lượng đoán trúng tới đâu.

Trung vị có phải ước lượng không chệch của μ?

Với phân phối đối xứng như phân phối chuẩn thì có. Với dữ liệu lệch phải, như thời gian giao hàng, trung vị mẫu đoán trung vị tổng thể chứ không đoán μ, và hai con số đó khác nhau.

Chủ đề

ước lượng điểm

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