Bài tập phân phối xác suất: nhị thức, Poisson, chuẩn
Bài 12/12 · Chương 6
Các phân phối xác suất
- 6 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 8
Bảy bài tập phân phối chuẩn, nhị thức và Poisson dưới đây được chấm ngay trên trang: mỗi bài bạn viết thân một hàm Python nhỏ, bấm Chạy, và từng dòng kiểm tra báo đạt hay chưa. Các bài dùng lại cdf, sf, ppf của scipy.stats với phân phối nhị thức, Poisson, chuẩn và Student t, rồi mô phỏng bằng bộ sinh số có hạt giống.
Cần biết trước: phân phối nhị thức, phân phối Poisson, phân phối chuẩn và bảng chọn phân phối.
Cách làm các bài tập
Mỗi bài cho sẵn 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 bằng math.isclose(), nên hàm không cần làm tròn.
Mỗi hàm có năm tới sáu dòng kiểm tra: ví dụ trong đề, một trường hợp biên, một trường hợp hay nhầm. Dòng cuối gọi hàm với hàng chục bộ số sinh tự động rồi so với một cách tính khác. Bài Poisson đọc khach_theo_gio.csv, số giả lập của AIDev: số khách mỗi giờ của một quán cà phê trong 6 tuần. 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, và cùng hạt giống phải cho cùng kết quả.
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: cdf và sf của ba phân phối
Ba bài đầu mỗi bài một phân phối, và mỗi bài hỏi một phía khác nhau của nó.
Nhị thức: xác suất số thành công nằm trong một đoạn
Một nhân viên gọi n cuộc điện thoại chào hàng; mỗi cuộc thành công với xác suất p, độc lập. Viết thân hàm p_trong_doan(n, p, a, b) trả về P(a ≤ X ≤ b), với X ~ B(n, p) và 0 ≤ a ≤ b ≤ n là số nguyên. Cả hai đầu mút đều được tính.
Trả về: xác suất, một float.
Ví dụ p_trong_doan(10, 0.3, 2, 4) cho khoảng 0.7004. Ôn lại: phân phối nhị thức.
from scipy import stats
def p_trong_doan(n, p, a, b):
pass # Viết thân hàm thay cho dòng nàyPoisson: xác suất vượt quá k sự kiện
Một tiệm sửa xe nhận trung bình lam xe mỗi giờ, theo phân phối Poisson. Viết thân hàm p_qua(lam, k) trả về P(X > k): xác suất trong một giờ có nhiều hơn k xe, với k ≥ 0 là số nguyên.
Trả về: xác suất, một float.
Ví dụ p_qua(2, 5) cho khoảng 0.0166. Ôn lại: phân phối Poisson.
from scipy import stats
def p_qua(lam, k):
pass # Viết thân hàm thay cho dòng nàyChuẩn: tỉ lệ vượt một mốc
Khối lượng một loại bao gạo theo phân phối chuẩn, trung bình mu, độ lệch chuẩn sigma. Viết thân hàm ty_le_vuot(mu, sigma, x) trả về P(X > x), tỉ lệ bao nặng hơn x.
Trả về: xác suất, một float.
Ví dụ bao 25 kg, ty_le_vuot(25, 0.2, 25.4) cho khoảng 0.0228. Ôn lại: phân phối chuẩn.
from scipy import stats
def ty_le_vuot(mu, sigma, x):
pass # Viết thân hàm thay cho dòng nàyMức vừa: ngưỡng, p-value và dữ liệu thật
Ba bài sau đi ngược từ xác suất về ngưỡng, đọc một p-value hai phía, và ước lượng λ từ file.
Chuẩn: điểm tối thiểu để vào nhóm đầu
Điểm một kỳ thi theo phân phối chuẩn, trung bình mu, độ lệch chuẩn sigma. Nhà trường trao học bổng cho ty_le phần thí sinh điểm cao nhất (0 < ty_le < 1). Viết thân hàm nguong_top(mu, sigma, ty_le) trả về điểm x sao cho P(X > x) = ty_le.
Trả về: điểm ngưỡng, một float.
Ví dụ nguong_top(500, 100, 0.05) cho khoảng 664.49. Ôn lại: bảng phân phối chuẩn tắc.
from scipy import stats
def nguong_top(mu, sigma, ty_le):
pass # Viết thân hàm thay cho dòng nàyStudent t: xác suất hai phía của một giá trị t
Một phép đo cho giá trị t (âm hay dương) với df bậc tự do. Viết thân hàm p_hai_phia(t, df) trả về P(|T| ≥ |t|) với T theo Student t có df bậc tự do: diện tích cả hai đuôi xa hơn t.
Trả về: xác suất hai phía, một float từ 0 tới 1.
Ví dụ p_hai_phia(2.0925, 4) cho khoảng 0.1045, và p_hai_phia(-2.0925, 4) cho cùng số đó. Ôn lại: phân phối Student t.
from scipy import stats
def p_hai_phia(t, df):
pass # Viết thân hàm thay cho dòng nàyPoisson từ dữ liệu: xác suất có ít nhất k khách
bang là DataFrame có cột gio (số nguyên) và so_khach, như file khach_theo_gio.csv; giờ gio có ít nhất một dòng. Viết thân hàm p_it_nhat_khach(bang, gio, k): ước lượng λ bằng số khách trung bình của các dòng giờ gio, rồi trả về P(X ≥ k) với X theo Poisson(λ).
Hàm không sửa bang của nơi gọi.
Trả về: xác suất, một float.
Đây là bài luyện công thức: dữ liệu thật nên tách ngày thường và cuối tuần trước khi coi là Poisson, vì gộp lại thì phương sai (khoảng 20,9) lớn hơn hẳn trung bình. Ví dụ trên file, giờ 8 có trung bình 587/42 ≈ 13,98 khách, và p_it_nhat_khach(bang, 8, 20) cho khoảng 0.0755. Ôn lại: phân phối Poisson.
import pandas as pd
from scipy import stats
def p_it_nhat_khach(bang, gio, k):
pass # Viết thân hàm thay cho dòng nàyMức khó: mô phỏng có hạt giống
Bài cuối rút số từ rng của nơi gọi; trình chấm so kết quả với giá trị lý thuyết trong bốn sai số chuẩn.
Mô phỏng: tỉ lệ lượt có ít nhất k thành công
Kiểm lại một xác suất nhị thức bằng mô phỏng. Rút so_lan giá trị của X ~ B(n, p) bằng rng.binomial(n, p, size=so_lan), rồi đếm tỉ lệ giá trị từ k trở lên. Viết thân hàm ty_le_it_nhat(n, p, k, so_lan, rng).
rng do nơi gọi tạo: không dùng np.random.seed(), không tạo bộ sinh số mới bằng np.random.default_rng() trong hàm.
Trả về: tỉ lệ lượt có X ≥ k, một float.
Ví dụ ty_le_it_nhat(10, 0.3, 5, 20000, np.random.default_rng(1)) cho một số gần 0.1503, giá trị của stats.binom.sf(4, 10, 0.3). Ôn lại: phân phối nhị thức.
import numpy as np
def ty_le_it_nhat(n, p, k, so_lan, rng):
pass # Viết thân hàm thay cho dòng nàyCâu hỏi thường gặp
Bài mô phỏng của tôi đúng mà ra số khác lời giải, có sao không?
Không sao. Rút số theo cách khác cho dãy số khác, nên kết quả lệch ở chữ số thứ ba. Trình chấm nhận mọi kết quả nằm trong bốn sai số chuẩn quanh stats.binom.sf(k - 1, n, p), và chỉ đòi cùng hạt giống thì ra cùng số.
Vì sao bài "Poisson từ dữ liệu" dùng sf(k − 1) mà bài "tiệm sửa xe" dùng sf(k)?
Vì hai đề hỏi hai phía khác nhau. sf(k) là P(X > k), không gồm k; "ít nhất k" là P(X ≥ k) = P(X > k − 1), nên dùng sf(k - 1). Với biến liên tục như phân phối chuẩn thì không cần phân biệt, vì P(X = x) = 0.
Làm xong bảy bài này thì học tiếp gì?
Chương sau dùng các phân phối này để đi từ mẫu tới tổng thể, bắt đầu với phân phối của trung bình mẫu. Muốn ôn lại hàm nào hợp với tình huống nào thì mở bảng chọn phân phối.
Chủ đề
Dữ liệu của bài
- Tải xuống
khach_theo_gio.csv
CSV · 14.26 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.