Bỏ qua đến nội dung chính
Mục lục

Bài tập mô phỏng Monte Carlo, định lý giới hạn trung tâm

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 6/6 · Chương 7

Mô phỏng: luật số lớn và định lý giới hạn trung tâm

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

Sáu bài tập mô phỏng Monte Carlo dưới đây được chấm ngay trên trang, mỗi bài viết thân một hàm Python nhỏ. Chúng ôn lại cả nhóm bài lấy mẫu: luật số lớn, phân phối mẫu, định lý giới hạn trung tâm, sai số chuẩn và bootstrap. Hai bài khó rút số ngẫu nhiên từ bộ sinh số có hạt giống, nên cùng hạt giống cho cùng kết quả.

Cần biết trước: luật số lớn, định lý giới hạn trung tâm và bootstrap.

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.

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 dữ liệu của nơi gọi. Dòng cuối gọi hàm với hàng chục bộ số sinh tự động. Hai bài mô phỏng ở mức khó không có đáp số đúng từng chữ số: kết quả được nhận khi nằm trong bốn sai số chuẩn quanh giá trị lý thuyết. Cùng hạt giống phải ra cùng kết quả, hạt giống khác phải ra kết quả khác.

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: tần suất tích lũy và sai số chuẩn

Hai bài đầu không có gì ngẫu nhiên: hàm nhận một dãy kết quả đã có và tính đúng theo định nghĩa.

Tần suất tích lũy của một mặt xúc xắc

ket_qua là list các mặt xúc xắc đã tung (ít nhất một lần), mat là một mặt từ 1 đến 6. Viết thân hàm tan_suat_tich_luy(ket_qua, mat): phần tử thứ i của kết quả là tỉ lệ số lần ra đúng mặt mat trong i + 1 lần tung đầu. Hàm không sửa list của nơi gọi.

Trả về: dãy tần suất tích lũy, cùng độ dài với ket_qua, một ndarray.

Ví dụ tan_suat_tich_luy([6, 2, 6, 6, 1], 6) cho [1.0, 0.5, 0.6667, 0.75, 0.6]. Ôn lại: luật số lớn.

python
import numpy as np


def tan_suat_tich_luy(ket_qua, mat):
    pass  # Viết thân hàm thay cho dòng này

Sai số chuẩn của trung bình, tự tính

x là list số đo của một mẫu, có ít nhất hai giá trị. Viết thân hàm se_trung_binh(x): tính độ lệch chuẩn mẫu s (chia n − 1) rồi chia cho căn bậc hai của n.

Không dùng stats.sem(), .std(), .var(), np.cov(), np.nanstd(), np.nanvar(), describe(), agg(), aggregate() hay module statistics. Hàm không sửa x của nơi gọi.

Trả về: sai số chuẩn của trung bình, một float.

Ví dụ se_trung_binh([160, 165, 158, 171, 166]) cho khoảng 2.302. Ôn lại: sai số chuẩn.

python
import math


def se_trung_binh(x):
    pass  # Viết thân hàm thay cho dòng này

Mức vừa: định lý giới hạn trung tâm và tỉ lệ theo lô

Hai bài giữa dùng phân phối mẫu: một bài tính xác suất bằng xấp xỉ chuẩn, một bài chia cột đúng hẹn của bảng giao hàng thành các lô để thấy tỉ lệ mẫu dao động.

Xác suất tổng khối lượng vượt tải

Mỗi kiện hàng có khối lượng độc lập, trung bình mu kg, độ lệch chuẩn sigma kg (số dương). Một xe chở n kiện. Theo định lý giới hạn trung tâm, tổng khối lượng xấp xỉ chuẩn với trung bình n·mu và độ lệch chuẩn sigma·√n. Viết thân hàm xac_suat_tong_vuot(mu, sigma, n, nguong) tính xác suất tổng lớn hơn nguong kg.

Trả về: xác suất tổng lớn hơn nguong, một float.

Ví dụ xac_suat_tong_vuot(2.5, 0.8, 100, 260) cho khoảng 0.1056. Ôn lại: định lý giới hạn trung tâm.

python
import math
from scipy.stats import norm


def xac_suat_tong_vuot(mu, sigma, n, nguong):
    pass  # Viết thân hàm thay cho dòng này

Tỉ lệ đúng hẹn của từng lô đơn

bang là một DataFrame cùng cột với giao_hang.csv, trong đó cột dung_hen là 1 khi đơn giao đúng hẹn và 0 khi trễ. Chia các dòng theo thứ tự thành các lô liên tiếp, mỗi lô co_lo đơn; bỏ các dòng thừa cuối bảng không đủ một lô (bảng có ít nhất co_lo dòng). Viết thân hàm ti_le_theo_lo(bang, co_lo) tính tỉ lệ đúng hẹn p̂ của từng lô. Hàm không sửa bang của nơi gọi.

Trả về: tỉ lệ đúng hẹn của các lô theo thứ tự, một ndarray.

Ví dụ với cột dung_hen là 1, 1, 0, 0, 1, 0, 1 và co_lo = 3, hàm cho [0.6667, 0.3333]; dòng thứ bảy bị bỏ. Ôn lại: phân phối mẫu.

python
import numpy as np
import pandas as pd


def ti_le_theo_lo(bang, co_lo):
    pass  # Viết thân hàm thay cho dòng này

Mức khó: mô phỏng có hạt giống

Hai bài cuối rút số ngẫu nhiên từ rng của nơi gọi. Bài đầu đo luật số lớn bằng những loạt tung đồng xu, bài sau ước lượng sai số chuẩn bằng bootstrap.

Mô phỏng: số lần sấp lệch xa một nửa

Tung một đồng xu cân đối n lần (n chẵn) là một loạt; S là số lần sấp của loạt đó. Chạy so_lan loạt, rồi tính tỉ lệ số loạt có S lệch n/2 nhiều hơn d lần, tức |S − n/2| > d. Tung bằng rng.integers(0, 2, size=...) hoặc rng.random(). Viết thân hàm ty_le_lech_xa(n, d, so_lan, rng).

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

Trả về: tỉ lệ số loạt lệch xa, một float từ 0 đến 1.

Ví dụ ty_le_lech_xa(40, 4, 5000, np.random.default_rng(1)) cho một số gần 0.154. Ôn lại: luật số lớn.

python
import numpy as np


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

Bootstrap: sai số chuẩn của tỉ lệ đúng hẹn

x là list kết quả của một mẫu, như cột dung_hen của 20 đơn. Viết thân hàm se_bootstrap_trung_binh(x, so_lan, rng): rút so_lan mẫu lại, mỗi mẫu lại len(x) giá trị có hoàn lại từ x bằng rng.choice(), tính trung bình từng mẫu lại, rồi trả về độ lệch chuẩn của các trung bình đó với ddof=1.

rng do nơi gọi tạo: không gọi np.random.seed(), không tạo bộ sinh số mới bằng np.random.default_rng(), không dùng scipy.stats.bootstrap(). Chỉ rút bằng rng.choice(), một lần cho cả bảng (so_lan, len(x)) hay từng mẫu lại một: trình chấm có một lần gọi với rng giả trả về các mẫu lại định sẵn và so đúng kết quả. Hàm không sửa x của nơi gọi.

Trả về: sai số chuẩn bootstrap của trung bình, một float.

Ví dụ với 14 đơn đúng hẹn và 6 đơn trễ, se_bootstrap_trung_binh([1] * 14 + [0] * 6, 4000, np.random.default_rng(1)) cho một số gần 0.102. Ôn lại: bootstrap.

python
import numpy as np


def se_bootstrap_trung_binh(x, so_lan, rng):
    pass  # Viết thân hàm thay cho dòng này

Câu hỏi thường gặp

Bài mô phỏng của tôi đúng mà ra số khác lời giải, có sao không?

Không sao. Tung bằng rng.random() < 0.5 thay cho rng.integers(0, 2), hay xếp bảng (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 giá trị lý thuyết.

Bài bootstrap so với giá trị lý thuyết nào?

Trung bình của một mẫu lại có độ lệch chuẩn đúng bằng độ lệch chuẩn của x tính với ddof=0, chia √n, vì bootstrap coi chính x là tổng thể. Với 14 đơn đúng hẹn trên 20, con số đó là √(0,7 · 0,3 / 20) ≈ 0,102.

Làm xong sáu bài này thì học tiếp gì?

Chương ước lượng dùng ngay các con số ở đây: x̄ cộng trừ vài lần sai số chuẩn là một khoảng tin cậy. Bài ước lượng điểm mở đầu chương.

Chủ đề

bài tập mô phỏng monte carlo

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