Bỏ qua đến nội dung chính
Mục lục

Mô phỏng Monte Carlo với NumPy: tung đồng xu 100.000 lần

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 4/8 · Chương 1

Bắt đầu với thống kê

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

Mô phỏng Monte Carlo là cách tính xác suất bằng cách cho máy lặp một phép thử ngẫu nhiên hàng nghìn lần rồi đếm tần suất kết quả bạn quan tâm. Bạn dùng nó khi công thức khó nhớ hay khó tìm, chẳng hạn hỏi tung bốn con xúc xắc thì khả năng có ít nhất một mặt 6 là bao nhiêu.

Cần biết trước: số ngẫu nhiên với default_rng, boolean mask và ký hiệu thống kê.

Mô phỏng Monte Carlo là gì: đếm tần suất

Các mô phỏng của tutorial này kết thúc bằng một phép chia: số lần biến cố xảy ra chia cho số lần thử. Con số đó là tần suất (relative frequency):

fn=knf_n = \frac{k}{n}

Trong đó:

  • n (len(tung)): số lần thử.

  • k ((tung == 1).sum()): số lần biến cố xảy ra, ví dụ số lần đồng xu ra mặt sấp.

  • f với chỉ số n ((tung == 1).mean()): tần suất sau n lần thử, một số từ 0 tới 1.

Bạn tự tung một đồng xu mười lần và ghi S cho sấp, N cho ngửa. Đếm tay: sáu chữ S, nên tần suất sấp là 6 / 10 = 0,6. Khối dưới đếm đúng như vậy bằng Python thuần. Sửa list thành mười lần tung của bạn rồi bấm Chạy:

python
ket_qua = ["S", "N", "N", "S", "S", "N", "S", "S", "N", "S"]
k = 0
for mat in ket_qua:
    if mat == "S":
        k += 1
n = len(ket_qua)
print("k =", k, "n =", n, "tần suất =", k / n)

KẾT QUẢ

k = 6 n = 10 tần suất = 0.6

Xác suất ra sấp của một đồng xu cân đối là 0,5, nhưng mười lần tung cho 0,6. Tần suất là một con số đo được, xác suất là con số mà tần suất dao động quanh.

Tung đồng xu 100.000 lần trong một dòng

Tung tay 100.000 lần thì mất cả tuần. Với NumPy, một lời gọi rng.integers(0, 2, size=100_000) cho 100.000 số 0 hoặc 1, mỗi số là một lần tung: 1 là sấp, 0 là ngửa. Cận trên 2 không được lấy, nên chỉ có hai giá trị:

python
import numpy as np

rng = np.random.default_rng(4)
tung = rng.integers(0, 2, size=100_000)
sap = tung == 1
print("Số lần sấp:", sap.sum())
print("Tần suất sấp:", sap.mean())

KẾT QUẢ

Số lần sấp: 50057
Tần suất sấp: 0.50057

Phép so sánh tung == 1 cho một mảng True/False. sum() đếm số True, tức k, còn mean() chia thêm cho n, tức tần suất. Đây là vector hóa (vectorization): cả 100.000 phép thử chạy trong một lời gọi thay cho một vòng lặp 100.000 lượt.

Hạt giống 4 trong default_rng(4) làm lần chạy này cho đúng 50.057 lần sấp, ở trang cũng như trên máy của bạn. Đổi tung == 1 thành tung == 0 rồi chạy lại: dòng đầu in Số lần sấp: 49943, lúc này là số lần ngửa, vì 50.057 + 49.943 = 100.000.

Tần suất đến gần xác suất khi số lần thử lớn

Mười lần tung cho 0,6. Khối dưới lấy cùng một rng để tung các loạt dài dần và in tần suất của từng loạt:

python
import numpy as np

rng = np.random.default_rng(4)
for n in [10, 100, 1_000, 10_000, 100_000]:
    tung = rng.integers(0, 2, size=n)
    print(n, round((tung == 1).mean(), 4))

KẾT QUẢ

10 0.8
100 0.51
1000 0.513
10000 0.4923
100000 0.5011

Lần chạy này cho 0,8 với mười lần tung, rồi các loạt dài hơn sát dần 0,5: loạt 100.000 lần chỉ lệch 0,0011. Loạt ngắn dao động mạnh, nên một mô phỏng cần đủ nhiều lần thử thì tần suất mới đáng tin. Hiện tượng này có tên là luật số lớn.

Mô phỏng một xác suất khó tính tay

Tung bốn con xúc xắc một lượt: khả năng có ít nhất một mặt 6 là bao nhiêu? Mỗi lượt là một hàng của mảng 100.000 × 4. Đếm số mặt 6 trên mỗi hàng bằng sum(axis=1), rồi lấy tỉ lệ các hàng có ít nhất một:

python
import numpy as np

rng = np.random.default_rng(4)
xx = rng.integers(1, 7, size=(100_000, 4))
so_6 = (xx == 6).sum(axis=1)
co_6 = so_6 >= 1
print("Mô phỏng:", round(co_6.mean(), 4))
print("Công thức:", round(1 - (5 / 6) ** 4, 4))

KẾT QUẢ

Mô phỏng: 0.5189
Công thức: 0.5177

Dòng công thức đi đường vòng: xác suất không có mặt 6 nào là (5/6)⁴, nên xác suất có ít nhất một là 1 trừ số đó. Lần chạy này cho mô phỏng lệch công thức 0,0012. Khi không nghĩ ra đường vòng đó, mô phỏng vẫn cho một con số đủ gần. Khi nghĩ ra, mô phỏng là cách kiểm công thức của bạn.

Kiểm tra nhanh

  1. Với tung = np.array([1, 0, 1, 1, 0]), print((tung == 1).mean()) in ra gì?

    • 0.6
    • 3
    • 0.4
  2. Trong khung bẫy năm mặt, vì sao rng.integers(1, 6) không bao giờ cho số 6?

    • Vì hạt giống 4 vô tình không rút được số 6
    • Vì cận trên của integers() không được lấy, nên các số chỉ từ 1 tới 5
    • Vì integers() chỉ trả về số chẵn
  3. Những câu nào đúng về tần suất trong ví dụ các loạt tung đồng xu?

    • Với mười lần tung, tần suất có thể lệch xa 0,5, như 0,8 của lần chạy này
    • Cùng hạt giống thì chạy lại cho đúng các số cũ
    • Với 100.000 lần tung, tần suất đúng bằng 0,5 ở lần chạy nào cũng vậy
    • Đổi hạt giống thì xác suất ra sấp của đồng xu đổi theo
  4. Trong khung bẫy tạo lại rng trong vòng lặp, vì sao ba dòng in giống hệt nhau?

    • Vì integers() chỉ rút một lần rồi nhớ kết quả
    • Vì mỗi lượt tạo một rng mới cùng hạt giống 4, nên lại bắt đầu từ đầu cùng một dãy
    • Vì range(3) chỉ chạy một lượt
Đúng hết lần đầu +15 XP

Bài tập

Mô phỏng tỉ lệ có ít nhất một mặt 6

Một lượt chơi tung so_xuc_xac con xúc xắc sáu mặt. Viết thân hàm ty_le_co_6(so_xuc_xac, so_lan, rng): mô phỏng so_lan lượt bằng rng.integers(), rồi trả về tỉ lệ số lượt có ít nhất một mặt 6. Không dùng công thức 1 − (5/6)ⁿ hay rng.binomial().

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 số lượt có ít nhất một mặt 6, một float từ 0 đến 1.

Ví dụ ty_le_co_6(4, 20000, np.random.default_rng(1)) cho một số gần 0,52, sát 1 − (5/6)⁴.

python
import numpy as np


def ty_le_co_6(so_xuc_xac, so_lan, rng):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • Mô phỏng Monte Carlo lặp một phép thử ngẫu nhiên nhiều lần và lấy tần suất k / n làm ước lượng xác suất.

  • Tạo một rng = np.random.default_rng(<số>) ở đầu khối; cùng hạt giống thì cùng kết quả.

  • rng.integers(a, b, size=n) rút n số từ a tới b - 1; cận trên không được lấy.

  • Phép so sánh cho mảng True/False: sum() là k, mean() là tần suất.

  • Mỗi lượt là một hàng của bảng; vector hóa thay vòng lặp bằng một lời gọi.

  • Loạt ngắn dao động mạnh; loạt dài cho tần suất sát xác suất hơn.

Câu hỏi thường gặp

Mô phỏng Monte Carlo là gì, vì sao có tên này?

Đó là tên chung của các phương pháp tính một con số bằng hàng nghìn lần rút ngẫu nhiên. Tên lấy từ sòng bạc Monte Carlo ở Monaco, nơi kết quả của mỗi ván là ngẫu nhiên. Tutorial dùng nó để kiểm lại công thức ở nhiều bài, như bài phương sai.

Xác suất tung đồng xu ra sấp có đúng bằng 0,5 không?

Với đồng xu cân đối, xác suất là 0,5. Tần suất của một loạt tung thật thì dao động quanh đó, như 0,6 sau mười lần. Bài xác suất là gì tính xác suất bằng cách đếm kết quả, không cần tung.

Monte Carlo trong Python cần thư viện nào?

NumPy là đủ: default_rng sinh số ngẫu nhiên, phép so sánh và mean() đếm tần suất. Module random của thư viện chuẩn cũng làm được, nhưng phải lặp từng lần thử, chậm hơn nhiều lần với 100.000 lượt.

Bao nhiêu lần thử là đủ?

Tùy độ chính xác bạn cần. Sai lệch của tần suất co lại theo căn bậc hai của số lần thử: muốn sai lệch nhỏ đi mười lần thì cần gấp trăm lần số lần thử. Với 100.000 lần, tần suất quanh 0,5 thường lệch dưới 0,005, như lần chạy đồng xu ở trên.

Chủ đề

mô phỏng monte carlo

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