Công thức xác suất: bảng tổng hợp cộng, nhân, Bayes, tổ hợp
Bài 9/11 · Chương 4
Xác suất
- 7 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 9
Các công thức xác suất của biến cố ở phổ thông (Toán 10–12) gói trong tám dòng: cổ điển, biến cố đối, đếm tổ hợp, cộng, nhân, có điều kiện, toàn phần và Bayes. Trang này đặt mỗi công thức cạnh một dòng Python chạy được trên cùng một ví dụ, kèm link về bài dạy kỹ công thức đó.
Cần biết trước: công thức Bayes.
Bảng tra nhanh: công thức xác suất
Ví dụ chung là một lần tung xúc xắc, viết bằng phép toán trên set: omega = {1, 2, 3, 4, 5, 6}, a = {2, 4, 6} (ra số chẵn), b = {1, 2} (ra số nhỏ hơn 3), n = len(omega). Hai hàng cuối dùng ba ca sản xuất của bài toàn phần và np.dot(): p_b = np.array([0.45, 0.35, 0.2]) là tỉ trọng sản lượng, p_a_khi_b = np.array([0.03, 0.04, 0.06]) là tỉ lệ lỗi.
Công thức | Viết toán | Một dòng Python | Kết quả | Bài |
|---|---|---|---|---|
Cổ điển | P(A) = |A| / |Ω| |
| 0.5 | |
Biến cố đối | P(Ā) = 1 − P(A) |
| 0.5 | |
Hoán vị, chỉnh hợp, tổ hợp | n!, Aₙᵏ, Cₙᵏ |
| 120 20 10 | |
Cộng | P(A ∪ B) = P(A) + P(B) − P(A ∩ B) |
| 0.6667 | |
Nhân (độc lập) | P(A ∩ B) = P(A) · P(B) |
| 0.1667 0.1667 | |
Có điều kiện | P(A|B) = P(A ∩ B) / P(B) |
| 0.5 | |
Toàn phần | P(A) = Σ P(Bᵢ) P(A|Bᵢ) |
| 0.0395 | |
Bayes | P(Bᵢ|A) = P(Bᵢ) P(A|Bᵢ) / P(A) |
| 0.3418 0.3544 0.3038 |
Chạy khối dưới để in đúng cột kết quả:
from math import comb, factorial, perm
import numpy as np
omega, a, b = {1, 2, 3, 4, 5, 6}, {2, 4, 6}, {1, 2}
n = len(omega)
print(len(a) / n, len(omega - a) / n)
print(factorial(5), perm(5, 2), comb(5, 2))
print(round(len(a | b) / n, 4))
print(round(len(a & b) / n, 4), round(len(a) / n * len(b) / n, 4))
print(len(a & b) / len(b))
p_b = np.array([0.45, 0.35, 0.2])
p_a_khi_b = np.array([0.03, 0.04, 0.06])
print(round(float(np.dot(p_b, p_a_khi_b)), 4))
print((p_b * p_a_khi_b / np.dot(p_b, p_a_khi_b)).round(4))KẾT QUẢ
0.5 0.5
120 20 10
0.6667
0.1667 0.1667
0.5
0.0395
[0.3418 0.3544 0.3038]Đổi b = {1, 2} thành b = {1, 2, 3} rồi chạy lại: dòng thứ tư in 0.1667 0.25, vì "chẵn" và "nhỏ hơn 4" không còn độc lập.
Ba lưu ý khi tra. SGK Toán 11 và 12 (chương trình 2018) viết giao A ∩ B là AB, nên công thức có điều kiện in trong sách là P(A|B) = P(AB) / P(B). Hàng "Nhân" chỉ dùng được khi A và B độc lập; với hai biến cố bất kỳ, công thức nhân là P(A ∩ B) = P(B) · P(A|B). Hàng "Cộng" bỏ được P(A ∩ B) khi A, B xung khắc. Ở hai hàng toàn phần và Bayes, SGK Toán 12 (Kết nối tri thức) đổi vai hai chữ cái: hệ là A, Ā, biến cố cần tính là B, nên sách viết P(B) = P(A) · P(B|A) + P(Ā) · P(B|Ā) và P(A|B) = P(A) · P(B|A) / P(B). Trang mẹ của bảng này là bài công thức Bayes, nơi hai hàng cuối ghép lại thành một phép tính.
Chọn công thức theo câu hỏi
Đề bài xác suất thường lộ công thức qua vài chữ:
"hoặc", "ít nhất một trong hai": công thức cộng; "không", "ít nhất một" trong nhiều lần thử: đi qua biến cố đối.
"và", "cả hai", với hai lần thử không ảnh hưởng nhau: công thức nhân cho biến cố độc lập.
"biết rằng", "trong số", "nếu": xác suất có điều kiện.
Nhiều nhóm, mỗi nhóm một tỉ lệ, hỏi tỉ lệ chung: xác suất toàn phần.
Đã thấy kết quả, hỏi nó đến từ nhóm nào: Bayes.
"chọn k trong n", "xếp", "bao nhiêu cách": quy tắc đếm, rồi chia cho số kết quả của Ω.
Hai câu cuối của danh sách hay đi cùng nhau: P(Bᵢ|A) dùng P(A) toàn phần ở mẫu số. Khối dưới viết cả hai thành một hàm def, gọi lại cho bài xét nghiệm có tỉ lệ nền 1%, độ nhạy 90% và dương tính giả 4%:
import numpy as np
def bayes(p_b, p_a_khi_b):
nhanh = np.array(p_b) * np.array(p_a_khi_b)
return float(nhanh.sum()), (nhanh / nhanh.sum()).round(4)
p_a, hau = bayes([0.01, 0.99], [0.90, 0.04])
print("P(dương) =", round(p_a, 4))
print("P(bệnh | dương), P(khỏe | dương):", hau)KẾT QUẢ
P(dương) = 0.0486
P(bệnh | dương), P(khỏe | dương): [0.1852 0.8148]Kiểm tra nhanh
Sau
omega, a, b = {1, 2, 3, 4, 5, 6}, {2, 4, 6}, {1, 2},print(round(len(a | b) / len(omega), 4))in ra gì?0.83330.66670.5
Đề bài: "Một sản phẩm lấy ra bị lỗi. Tính xác suất nó do ca đêm làm ra." Công thức nào?
- Công thức cộng
- Công thức nhân cho biến cố độc lập
- Xác suất toàn phần
- Công thức Bayes
Những câu nào đúng?
- P(A ∩ B) = P(A) · P(B) chỉ đúng khi A và B độc lập
- P(A ∩ B) = P(B) · P(A|B) đúng với mọi A, B có P(B) > 0
- P(A ∪ B) = P(A) + P(B) với mọi A, B
- Các hậu nghiệm Bayes của một hệ biến cố đầy đủ cộng bằng 1
Bài tập
Tính mọi xác suất hậu nghiệm của một hệ biến cố
Bạn viết hàm dùng chung cho mọi bài Bayes. p_b là list tiên nghiệm P(Bᵢ) của một hệ biến cố đầy đủ (cộng bằng 1), p_a_khi_b là list P(A|Bᵢ) cùng độ dài, và P(A) lớn hơn 0. Viết thân hàm hau_nghiem(p_b, p_a_khi_b): list các P(Bᵢ|A) theo đúng thứ tự.
Hàm không sửa hai list của nơi gọi.
Trả về: các hậu nghiệm, một list số thực.
Ví dụ hau_nghiem([0.45, 0.35, 0.2], [0.03, 0.04, 0.06]) cho xấp xỉ [0.3418, 0.3544, 0.3038].
import numpy as np
def hau_nghiem(p_b, p_a_khi_b):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Cổ điển:
len(a) / len(omega); biến cố đối:1 - p; đếm:math.factorial(),math.perm(),math.comb().Cộng: P(A ∪ B) = P(A) + P(B) − P(A ∩ B), hay đếm thẳng
len(a | b) / n.Nhân P(A)P(B) chỉ cho biến cố độc lập; trường hợp chung là P(B) · P(A|B).
Có điều kiện: P(A|B) = P(A ∩ B) / P(B), đếm được thì
len(a & b) / len(b).Toàn phần là
np.dot(p_b, p_a_khi_b); Bayes chia từng nhánh cho đúng tổng đó.
Câu hỏi thường gặp
Công thức xác suất thống kê đại học có gì thêm so với phổ thông?
Tám dòng trên vẫn là nền. Phần thêm của đại học là biến ngẫu nhiên và phân phối: kỳ vọng, phương sai, nhị thức, Poisson, chuẩn. Bài biến ngẫu nhiên mở chương đó, cũng với một dòng NumPy cho mỗi công thức.
Có cần nhớ hết các công thức xác suất này không?
Nhớ ba công thức là suy ra được phần còn lại: cổ điển, cộng, và có điều kiện P(A|B) = P(A ∩ B) / P(B). Công thức nhân là công thức có điều kiện đổi vế; toàn phần là cộng các nhánh nhân; Bayes là có điều kiện viết hai chiều.
Tổ hợp và chỉnh hợp khác nhau thế nào khi tra bảng?
Chỉnh hợp perm(n, k) đếm cách chọn k trong n có xếp thứ tự, tổ hợp comb(n, k) đếm cách chọn không xếp. Chọn 2 trong 5 bạn làm lớp trưởng và lớp phó là chỉnh hợp (20 cách); chọn 2 bạn đi trực là tổ hợp (10 cách).
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.