Phân phối đều rời rạc, liên tục và scipy.stats.uniform
Bài 4/12 · Chương 6
Các phân phối xác suất
- 7 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 12
Phân phối đều (uniform distribution) là phân phối mà mọi giá trị trong một khoảng có khả năng như nhau: mặt xúc xắc cân đối, thời điểm người giao hàng đến trong khung giờ hẹn. Bạn dùng nó khi chỉ biết biến nằm giữa hai mốc và không có lý do nào để nghiêng về chỗ nào, và nó là điểm xuất phát của hầu hết cách sinh số ngẫu nhiên theo phân phối khác.
Cần biết trước: PMF, PDF, CDF và kỳ vọng và phương sai.
Phân phối đều liên tục: hàm mật độ, kỳ vọng, phương sai
Biến X có phân phối đều liên tục trên đoạn [a, b], viết U(a, b), khi mật độ của nó là một đường nằm ngang. Diện tích dưới đường phải bằng 1, nên chiều cao là 1/(b − a):
Trong đó:
a (
a) và b (b): hai mốc của đoạn, a < b; ngoài đoạn, mật độ bằng 0.f(x) (
d.pdf(x)): mật độ tại x, như nhau ở mọi điểm trong đoạn.b − a (
scale): độ rộng của đoạn.
Xác suất rơi vào một khoảng con là độ dài khoảng đó chia b − a. Kỳ vọng nằm giữa đoạn, E(X) = (a + b)/2, và phương sai Var(X) = (b − a)²/12. Hàm phân phối F(x) = (x − a)/(b − a) tăng thẳng từ 0 ở a lên 1 ở b.
Phân phối đều rời rạc gán cùng xác suất 1/m cho m giá trị, như sáu mặt xúc xắc. Với các số nguyên liên tiếp từ a tới b, m = b − a + 1, kỳ vọng vẫn là (a + b)/2 và phương sai là (m² − 1)/12.
Tính tay: chờ người giao hàng
Cửa hàng hẹn giao từ 14:00 tới 14:30, người giao đến lúc nào trong khung đó cũng như nhau. Gọi X là số phút sau 14:00, X ~ U(0, 30). Xác suất phải chờ quá 20 phút là (30 − 20)/30 = 1/3. Khối dưới tính bằng Python thuần; sửa x1, x2 rồi bấm Chạy:
a, b = 0, 30
x1, x2 = 10, 20
print("Mật độ:", round(1 / (b - a), 4))
print("P(x1 ≤ X ≤ x2):", round((x2 - x1) / (b - a), 4))
print("P(X > 20):", round((b - 20) / (b - a), 4))
print("E(X):", (a + b) / 2)
print("Var(X):", (b - a) ** 2 / 12)
print("σ:", round((b - a) / 12 ** 0.5, 4))KẾT QUẢ
Mật độ: 0.0333
P(x1 ≤ X ≤ x2): 0.3333
P(X > 20): 0.3333
E(X): 15.0
Var(X): 75.0
σ: 8.6603Trung bình người giao đến lúc 14:15, độ lệch chuẩn khoảng 8,7 phút. Đổi x1, x2 = 10, 20 thành x1, x2 = 0, 5 rồi chạy lại: dòng thứ hai in P(x1 ≤ X ≤ x2): 0.1667, vì năm phút đầu là một phần sáu khung giờ.
scipy.stats.uniform: loc và scale
stats.uniform không nhận a và b. Nó nhận loc là mốc trái và scale là độ rộng, nên đoạn là [loc, loc + scale]:
from scipy import stats
cho = stats.uniform(loc=0, scale=30)
print("P(X > 20):", round(cho.sf(20), 4))
print("P(10 ≤ X ≤ 20):", round(cho.cdf(20) - cho.cdf(10), 4))
print("ppf(0.9):", round(cho.ppf(0.9), 4))
print("mean, var:", cho.mean(), cho.var())KẾT QUẢ
P(X > 20): 0.3333
P(10 ≤ X ≤ 20): 0.3333
ppf(0.9): 27.0
mean, var: 15.0 75.0ppf(0.9) cho 27: 90% số lần người giao đến trước 14:27. Hai số cuối khớp (a + b)/2 = 15 và 30²/12 = 75.
Phân phối đều rời rạc: scipy.stats.randint
stats.randint(low, high) là phân phối đều trên các số nguyên từ low tới high − 1: cận trên không được lấy, giống rng.integers() và khác random.randint() của module random. Một xúc xắc là randint(1, 7):
from scipy import stats
xx = stats.randint(1, 7)
print("pmf(6):", round(xx.pmf(6), 4), " pmf(7):", xx.pmf(7))
print("mean, var:", xx.mean(), round(xx.var(), 4))
print("(m² − 1)/12:", round((6 ** 2 - 1) / 12, 4))KẾT QUẢ
pmf(6): 0.1667 pmf(7): 0.0
mean, var: 3.5 2.9167
(m² − 1)/12: 2.9167pmf(7) bằng 0, đúng như mong đợi. Phương sai 35/12 ≈ 2,9167 khớp công thức (m² − 1)/12 với m = 6 mặt.
Mô phỏng: histogram của rng.uniform()
rng.uniform(a, b, size=m) rút m số đều trên [a, b): ở NumPy hai tham số chính là hai mốc a và b. Rút 100.000 lần giao hàng, vẽ histogram mật độ chồng lên đường f(x) = 1/30:
import numpy as np
import matplotlib.pyplot as plt
rng = np.random.default_rng(46)
x = rng.uniform(0, 30, size=100_000)
print(round(x.mean(), 3), round(np.var(x, ddof=0), 2))
print(round(np.mean(x > 20), 4))
fig, ax = plt.subplots(figsize=(6.4, 4), layout="constrained")
ax.hist(x, bins=30, density=True, label="Mô phỏng 100.000 lần")
ax.hlines(1 / 30, 0, 30, colors="black", linestyles="--",
label="f(x) = 1/30")
ax.set(title="Số phút sau 14:00 khi người giao đến",
xlabel="Phút", ylabel="Mật độ")
ax.legend(loc="lower center")
plt.show()KẾT QUẢ
15.017 74.8
0.334Lần chạy này cho trung bình 15,017, phương sai 74,8 và tỉ lệ chờ quá 20 phút 0,334, sát 15, 75 và 1/3 của công thức. Các cột không cao bằng nhau tuyệt đối: mỗi cột có khoảng 3.300 lần, nên chiều cao dao động khoảng hai phần trăm.
Kiểm tra nhanh
Sau
from scipy import stats,print(stats.uniform(loc=2, scale=4).mean())in ra gì?3.04.02.0
Những câu nào đúng về X ~ U(0, 30)?
- P(5 ≤ X ≤ 10) bằng P(20 ≤ X ≤ 25)
- Mật độ tại mọi điểm trong đoạn bằng 1/30
- P(X = 15) bằng 1/30
- Var(X) = 30²/12 = 75
Trong khung bẫy về uniform, vì sao
stats.uniform(10, 30).mean()cho 25?- Vì scipy làm tròn kết quả
- Vì số thứ hai là độ rộng, đoạn thành [10, 40] với điểm giữa 25
- Vì
mean()của phân phối đều luôn bằng loc + 15
stats.randint(1, 7)nhận những giá trị nào?- 1 đến 7
- 1 đến 6
- 0 đến 6
Bài tập
Tính xác suất biến đều rơi vào một khoảng
Một app đặt xe báo tài xế đến trong khoảng từ phút a tới phút b, mỗi thời điểm như nhau. Viết thân hàm p_khoang(a, b, x1, x2) tính P(x1 ≤ X ≤ x2) với X ~ U(a, b), a < b, x1 ≤ x2. Khoảng [x1, x2] có thể tràn ra ngoài [a, b], một phần hay toàn bộ. Dùng stats.uniform đã nhập sẵn.
Trả về: xác suất X rơi vào [x1, x2], một float.
Ví dụ p_khoang(0, 30, 20, 40) cho khoảng 0.3333: phần từ 30 tới 40 nằm ngoài khung nên không tính.
from scipy import stats
def p_khoang(a, b, x1, x2):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
Phân phối đều liên tục U(a, b) có mật độ 1/(b − a) trên đoạn; xác suất của khoảng con là độ dài chia b − a.
E(X) = (a + b)/2, Var(X) = (b − a)²/12.
Phân phối đều rời rạc gán 1/m cho m giá trị; với số nguyên liên tiếp, Var = (m² − 1)/12.
stats.uniform(loc=a, scale=b - a): tham số thứ hai là độ rộng.stats.randint(low, high)không lấyhigh; xúc xắc làrandint(1, 7).rng.uniform(a, b, size=m)thì nhận đúng hai mốc a và b.
Câu hỏi thường gặp
Phân phối đều là gì, nói gọn?
Là phân phối mà mọi giá trị trong một khoảng có cùng khả năng. Bản liên tục có mật độ phẳng 1/(b − a); bản rời rạc có xác suất 1/m cho mỗi giá trị, như xúc xắc trong bài biến ngẫu nhiên.
Vì sao phân phối đều quan trọng với mô phỏng?
Hầu hết bộ sinh số ngẫu nhiên bắt đầu từ số đều trên [0, 1), rồi biến đổi nó thành phân phối khác. Đưa số đều u vào hàm ppf của một phân phối cho ra một số theo đúng phân phối đó; bài PMF, PDF, CDF giới thiệu ppf.
random.uniform() của Python khác rng.uniform() thế nào?
Cả hai nhận hai mốc a và b. random.uniform(a, b) của module random trả một số; rng.uniform(a, b, size=m) của NumPy trả cả mảng, nhanh hơn nhiều khi cần hàng nghìn số, và có hạt giống riêng cho từng rng.
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.