Biến ngẫu nhiên rời rạc, liên tục và bảng phân phối xác suất
Bài 1/5 · Chương 5
Biến ngẫu nhiên
- 9 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 11
Biến ngẫu nhiên (random variable) là một quy tắc gán cho mỗi kết quả của một phép thử một con số, như tổng số chấm khi tung hai con xúc xắc. Bạn cần nó khi muốn hỏi về con số chứ không về từng kết quả: tổng bằng 7 có hay gặp không, một giờ quán có quá 10 khách không.
Cần biết trước: xác suất là gì và biến cố độc lập.
Bảng phân phối xác suất của biến ngẫu nhiên rời rạc
Biến ngẫu nhiên rời rạc nhận một danh sách giá trị đếm được: số chấm, số khách, số sản phẩm lỗi. Biến ngẫu nhiên liên tục nhận mọi số trong một khoảng: thời gian giao hàng, chiều cao. Với biến rời rạc X nhận các giá trị x₁, x₂, …, xₖ, bảng phân phối xác suất ghi mỗi giá trị cạnh xác suất của nó, và các xác suất cộng lại phải bằng 1:
Trong đó:
k(len(gia_tri)): số giá trị khác nhau mà X nhận.xᵢ (
gia_tri[i]): giá trị thứ i của X.P(X = xᵢ) (
xac_suat[i]): xác suất để X nhận đúng giá trị đó, một số từ 0 đến 1.
Chuyên đề học tập Toán 12 có bài về biến ngẫu nhiên rời rạc (bộ Kết nối tri thức: "Biến ngẫu nhiên rời rạc và các số đặc trưng") và gọi bảng trên là "bảng phân bố xác suất", dùng chữ "phân bố" thay cho "phân phối". Hai chữ chỉ cùng một khái niệm.
Biến liên tục không lập được bảng như vậy: xác suất để một đơn giao mất đúng 20 giờ, không lệch một phần nghìn giây nào, bằng 0, nên người ta hỏi xác suất rơi vào một khoảng. Bài PMF, PDF, CDF nói tiếp phần đó.
Lập bảng phân phối của tổng hai xúc xắc bằng tay
Tung hai con xúc xắc cân đối, độc lập, có 6 × 6 = 36 cặp mặt đồng khả năng. Gọi X là tổng số chấm. Đếm số cặp cho mỗi tổng rồi chia 36:
Tổng x | Các cặp | Số cặp | P(X = x) |
|---|---|---|---|
2 | (1, 1) | 1 | 1/36 |
3 | (1, 2), (2, 1) | 2 | 2/36 |
4 | (1, 3), (2, 2), (3, 1) | 3 | 3/36 |
7 | sáu cặp, từ (1, 6) tới (6, 1) | 6 | 6/36 |
12 | (6, 6) | 1 | 1/36 |
Khối dưới đếm đủ 11 tổng bằng hai vòng lặp lồng nhau, in số cặp, xác suất, rồi cộng các xác suất. Sửa list mat thành mặt của con xúc xắc khác rồi bấm Chạy.
mat = [1, 2, 3, 4, 5, 6]
dem = {}
for a in mat:
for b in mat:
dem[a + b] = dem.get(a + b, 0) + 1
so_cap = len(mat) ** 2
tong_p = 0
for x in sorted(dem):
p = dem[x] / so_cap
tong_p += p
print(x, dem[x], round(p, 4))
print("Tổng xác suất:", round(tong_p, 10))KẾT QUẢ
2 1 0.0278
3 2 0.0556
4 3 0.0833
5 4 0.1111
6 5 0.1389
7 6 0.1667
8 5 0.1389
9 4 0.1111
10 3 0.0833
11 2 0.0556
12 1 0.0278
Tổng xác suất: 1.0Tổng 7 hay gặp nhất vì có sáu cặp cho ra nó; hai đầu 2 và 12 chỉ một cặp. Hàng cuối kiểm điều kiện của bảng phân phối: cộng đủ 11 xác suất được đúng 1.
Đổi [1, 2, 3, 4, 5, 6] thành [1, 1, 2, 2, 3, 3] rồi chạy lại: dòng cuối vẫn in Tổng xác suất: 1.0, dù chỉ còn năm tổng.
Đếm bằng np.unique()
Khi đã có cả dãy kết quả, np.unique() với return_counts=True trả về các giá trị khác nhau đã sắp và số lần mỗi giá trị xuất hiện. Phép cộng ngoài np.add.outer() dựng bảng 6 × 6 các tổng, mỗi ô một cặp mặt:
import numpy as np
mat = np.arange(1, 7)
cac_tong = np.add.outer(mat, mat).ravel()
gia_tri, so_lan = np.unique(cac_tong, return_counts=True)
xac_suat = so_lan / cac_tong.size
print(gia_tri)
print(so_lan)
print(np.round(xac_suat, 4))
print("Tổng:", round(xac_suat.sum(), 10))KẾT QUẢ
[ 2 3 4 5 6 7 8 9 10 11 12]
[1 2 3 4 5 6 5 4 3 2 1]
[0.0278 0.0556 0.0833 0.1111 0.1389 0.1667 0.1389 0.1111 0.0833
0.0556 0.0278]
Tổng: 1.0Hai dòng đầu là hai cột của bảng tay. Chia cho cac_tong.size, tức 36 ô, cho cột xác suất; ravel() trải bảng 6 × 6 thành một dãy để đếm.
Mô phỏng 10.000 lượt tung và vẽ cột
Bảng lý thuyết nói tổng 7 xảy ra với xác suất 6/36 ≈ 0,167. Mỗi hàng của bảng 10.000 × 2 là một lượt tung hai con. Tung thật 10.000 lượt bằng bộ sinh số rng rồi đếm tần suất, kết quả phải sát bảng. Cận trên của rng.integers() không được lấy, nên integers(1, 7) cho các số 1 đến 6:
import numpy as np
import matplotlib.pyplot as plt
rng = np.random.default_rng(38)
tong = rng.integers(1, 7, size=(10_000, 2)).sum(axis=1)
gia_tri, so_lan = np.unique(tong, return_counts=True)
tan_suat = so_lan / tong.size
print(round(tan_suat[gia_tri == 7][0], 4), round(6 / 36, 4))
fig, ax = plt.subplots(figsize=(6.4, 4), layout="constrained")
ax.bar(gia_tri, tan_suat, label="Mô phỏng 10.000 lượt")
ly_thuyet = (6 - np.abs(gia_tri - 7)) / 36
ax.plot(gia_tri, ly_thuyet, "ko", label="Lý thuyết")
ax.set_title("Tổng số chấm của hai xúc xắc")
ax.set(xlabel="Tổng số chấm", ylabel="Tần suất")
ax.legend()
plt.show()KẾT QUẢ
0.1679 0.1667Lần chạy này cho tần suất của tổng 7 là 0,168, gần như trùng 0,167 của lý thuyết; các cột khác cũng nằm sát chấm đen. Đổi hạt giống 38 thành số khác thì chiều cao các cột nhích chút ít, hình dạng tam giác vẫn giữ. Công thức (6 - |x − 7|)/36 chỉ là cách viết gọn cột xác suất của bảng tay. Vẽ cột theo bài biểu đồ cột.
Kiểm tra nhanh
Sau
import numpy as np,print(np.unique([2, 3, 3, 5, 5, 5], return_counts=True)[1])in ra gì?[2 3 5][1 2 3][3 2 1]
Những đại lượng nào là biến ngẫu nhiên rời rạc?
- Số khách vào quán trong một giờ
- Thời gian một đơn hàng đi từ kho tới khách, tính bằng giờ
- Số mặt 6 khi tung ba con xúc xắc
- Chiều cao của một học sinh chọn ngẫu nhiên
Trong khung bẫy
rng.integers(1, 6), vì sao tổng 12 không bao giờ xuất hiện?- Vì 10.000 lượt chưa đủ để gặp một tổng hiếm như 12
- Vì cận trên 6 không được lấy, mỗi con chỉ ra 1 đến 5
- Vì hạt giống 38 tình cờ không rút được hai mặt 6
- Vì
np.unique()bỏ giá trị lớn nhất
Biến X nhận 0, 1, 2 với xác suất 0,2; 0,5; 0,4. Đây có phải bảng phân phối xác suất không?
- Có, vì mọi xác suất đều nằm giữa 0 và 1
- Có, vì X chỉ nhận ba giá trị
- Không, vì ba xác suất cộng lại bằng 1,1
Bài tập
Lập bảng phân phối của tổng hai xúc xắc
Một cửa hàng đồ chơi bán xúc xắc in số chấm tùy ý. mat_a và mat_b là list số chấm trên các mặt của hai con xúc xắc (có thể trùng, như [1, 1, 2]); mỗi mặt ra với khả năng như nhau, hai con độc lập. Viết thân hàm phan_phoi_tong(mat_a, mat_b) trả về bảng phân phối của tổng số chấm.
Hàm không sửa hai list của nơi gọi.
Trả về: dict có khóa là mỗi tổng có thể, giá trị là xác suất của tổng đó, một dict.
Ví dụ phan_phoi_tong([0, 1], [1, 2, 3]) cho {1: 1/6, 2: 1/3, 3: 1/3, 4: 1/6}.
def phan_phoi_tong(mat_a, mat_b):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Biến ngẫu nhiên gán một con số cho mỗi kết quả của phép thử, như tổng số chấm của hai xúc xắc.
Biến rời rạc nhận các giá trị đếm được; biến liên tục nhận mọi số trong một khoảng.
Bảng phân phối xác suất ghi mỗi giá trị cạnh xác suất của nó; các xác suất cộng lại bằng 1.
Xác suất của một tổng là số cặp đồng khả năng cho ra tổng đó chia cho tổng số cặp.
np.unique(..., return_counts=True)cho cột giá trị và cột số lần; chia cho số kết quả để được xác suất.rng.integers(1, 7)rút 1 đến 6: cận trên không được lấy.
Câu hỏi thường gặp
Biến ngẫu nhiên liên tục khác biến rời rạc ở chỗ nào khi tính xác suất?
Biến rời rạc có xác suất dương cho từng giá trị, nên cộng các xác suất trong bảng. Biến liên tục có xác suất 0 cho từng giá trị, nên tính xác suất rơi vào một khoảng bằng diện tích dưới đường mật độ. Bài PMF, PDF, CDF dạy cả hai cách.
Phân phối xác suất và bảng tần suất khác nhau thế nào?
Bảng phân phối là xác suất lý thuyết, suy ra từ cách phép thử diễn ra. Bảng tần suất đếm từ dữ liệu đã có, như 10.000 lượt tung của bài. Tần suất dao động quanh xác suất và sát dần khi số lượt tăng; bài mô phỏng bằng NumPy cho thấy điều đó.
Có bảng phân phối rồi thì tính số trung bình của X thế nào?
Nhân mỗi giá trị với xác suất của nó rồi cộng lại: đó là kỳ vọng E(X). Tổng hai xúc xắc có kỳ vọng 7. Bài kỳ vọng và phương sai dạy công thức và cách tính bằng np.dot().
Chủ đề
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.