Bỏ qua đến nội dung chính
Mục lục

Bài tập xác suất có điều kiện, toàn phần, Bayes (tự chấm)

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 10/11 · Chương 4

Xác suất

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

Sáu bài tập xác suất có điều kiện, toàn phần, Bayes và xác suất cổ điển 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. Bài cuối mô phỏng lại một bài trước bằng bộ sinh số có hạt giống cố định.

Cần biết trước: xác suất có điều kiện, công thức Bayes và bảng công thức xác suất.

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.

Mỗi hàm có năm dòng kiểm tra: ví dụ trong đề, vài trường hợp biên (xác suất 0 hay 1, hộp không có bi đỏ) và một dòng gọi hàm với hàng chục bộ số sinh ngẫu nhiên. Bài mô phỏng được chấm trong bốn sai số chuẩn quanh đáp số lý thuyết.

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: xác suất cổ điển và biến cố đối

Hai bài đầu đếm kết quả đồng khả năng, hoặc đi qua biến cố đối của nhiều lần thử độc lập.

Bốc bi: xác suất mọi bi đều đỏ

Một hộp có do bi đỏ và xanh bi xanh (tổng ít nhất 1). Bốc ngẫu nhiên cùng lúc k bi (1 ≤ k ≤ do + xanh). Viết thân hàm p_toan_do(do, xanh, k): xác suất cả k bi đều đỏ, theo xác suất cổ điển với số tổ hợp.

Trả về: xác suất, một float.

Ví dụ p_toan_do(5, 3, 2) cho C(5, 2) / C(8, 2) = 10 / 28, khoảng 0.3571. Ôn lại: quy tắc đếm.

python
from math import comb


def p_toan_do(do, xanh, k):
    pass  # Viết thân hàm thay cho dòng này

Ít nhất một lần thành công trong n lần thử

Mỗi lần gửi một mã giảm giá, khách dùng nó với xác suất p, độc lập giữa các lần. Viết thân hàm p_it_nhat_mot(p, n): xác suất có ít nhất một lần khách dùng mã trong n lần gửi (n ≥ 0; n = 0 nghĩa là chưa gửi lần nào).

Trả về: xác suất, một float.

Ví dụ p_it_nhat_mot(0.1, 5) cho 1 − 0,9⁵ = 0.40951. Ôn lại: biến cố độc lập.

python
def p_it_nhat_mot(p, n):
    pass  # Viết thân hàm thay cho dòng này

Mức vừa: có điều kiện trên bảng và xác suất toàn phần

Hai bài này cần chọn đúng nhóm làm mẫu số: nhóm của điều kiện, hay từng nhánh của cây.

Khách một nhóm tuổi, một khung giờ: bao nhiêu phần gọi một món

ly là DataFrame có cột khung_gio, nhom_tuoi và do_uong, như file lua_chon_do_uong.csv (số giả lập của AIDev, 1.500 ly); cặp nhóm tuổi nhom và khung giờ gio có ít nhất một dòng. Viết thân hàm p_mon_khi(ly, nhom, gio, mon): xác suất có điều kiện P(do_uong = mon | nhom_tuoi = nhom và khung_gio = gio), tức trong số ly của khách nhóm nhom gọi vào khung giờ gio, bao nhiêu phần là món mon.

Hàm không sửa ly của nơi gọi.

Trả về: xác suất, một float.

Ví dụ trên file, p_mon_khi(ly, "Trên 40", "Sáng", "Cà phê sữa") cho 64 / 110, khoảng 0.5818. Ôn lại: xác suất có điều kiện.

python
import pandas as pd


def p_mon_khi(ly, nhom, gio, mon):
    pass  # Viết thân hàm thay cho dòng này

Hai hộp bi: xác suất bốc được bi đỏ

Có hai hộp. hop1 và hop2 là cặp (do, xanh), mỗi hộp có ít nhất một bi. Chọn hộp 1 với xác suất p_hop1, hộp 2 với xác suất còn lại, rồi bốc ngẫu nhiên một bi trong hộp đã chọn. Viết thân hàm p_bi_do(p_hop1, hop1, hop2): xác suất bốc được bi đỏ, theo công thức xác suất toàn phần.

Trả về: xác suất, một float.

Ví dụ p_bi_do(0.5, (3, 2), (1, 4)) cho 0.5 · 3/5 + 0.5 · 1/5 = 0.4. Ôn lại: xác suất toàn phần.

python
def p_bi_do(p_hop1, hop1, hop2):
    pass  # Viết thân hàm thay cho dòng này

Mức khó: Bayes và mô phỏng có hạt giống

Bài đầu đi ngược cây của bài hai hộp. Bài sau mô phỏng lại bài hai hộp: hàm rút số từ rng của nơi gọi, và trình chấm so kết quả với đáp số lý thuyết trong một dung sai.

Bốc được bi đỏ: khả năng nó từ hộp 1

Cùng trò chơi hai hộp của bài trước. Người chơi bốc được bi đỏ nhưng không nói đã chọn hộp nào. Viết thân hàm p_hop1_khi_do(p_hop1, hop1, hop2): xác suất hậu nghiệm P(hộp 1 | đỏ) theo công thức Bayes. Đầu vào luôn cho P(đỏ) > 0.

Trả về: xác suất, một float.

Ví dụ p_hop1_khi_do(0.5, (3, 2), (1, 4)) cho 0.3 / 0.4 = 0.75. Ôn lại: công thức Bayes.

python
def p_hop1_khi_do(p_hop1, hop1, hop2):
    pass  # Viết thân hàm thay cho dòng này

Mô phỏng: tần suất bi đỏ của trò chơi hai hộp

Mô phỏng so_lan lượt của trò chơi hai hộp. Mỗi lượt rút hai số rng.random(): chọn hộp 1 khi số thứ nhất nhỏ hơn p_hop1, rồi ra bi đỏ khi số thứ hai nhỏ hơn tỉ lệ bi đỏ của hộp đã chọn. Không tính sẵn đáp số bằng công thức toàn phần rồi rút thẳng số bi đỏ bằng rng.binomial(). Viết thân hàm mo_phong_bi_do(p_hop1, hop1, hop2, 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: tần suất bi đỏ trong so_lan lượt, một float từ 0 đến 1.

Ví dụ mo_phong_bi_do(0.5, (3, 2), (1, 4), 20000, np.random.default_rng(1)) cho một số gần 0,4, đáp số của bài hai hộp. Ôn lại: mô phỏng bằng NumPy.

python
import numpy as np


def mo_phong_bi_do(p_hop1, hop1, hop2, 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. Rút số theo thứ tự 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 đáp số lý thuyết, và chỉ đòi cùng hạt giống thì ra cùng số. Bài nghịch lý xác suất dùng cùng cách để kiểm bài toán Monty Hall.

Bài tập xác suất có điều kiện trên giấy khác gì bài trên bảng dữ liệu?

Trên giấy, đề cho sẵn P(A ∩ B) và P(B); trên bảng dữ liệu, bạn đếm hai số đó bằng cách lọc dòng. Công thức là một: P(A|B) = P(A ∩ B) / P(B). Bài pd.crosstab() tính cả bảng xác suất có điều kiện trong một lời gọi.

Làm xong sáu bài này thì luyện tiếp ở đâu?

Dự án kiểm tra lô hàng đứng ngay sau trang này: bạn dùng xác suất toàn phần và Bayes trên số liệu giả lập của ba ca sản xuất. Sau đó chương biến ngẫu nhiên bắt đầu ở bài biến ngẫu nhiên.

Chủ đề

bài tập xác suất có điều kiện

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