Bỏ qua đến nội dung chính
Mục lục

Phân phối mũ: thời gian chờ và scipy.stats.expon

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 7/12 · Chương 6

Các phân phối xác suất

  • 7 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

Phân phối mũ (exponential distribution) mô tả thời gian chờ tới sự kiện kế tiếp khi các sự kiện đến độc lập với tốc độ trung bình λ không đổi. Ví dụ là khoảng cách giữa hai cuộc gọi tới tổng đài, hay thời gian tới lần hỏng tiếp theo của một linh kiện không bị mòn. Nó là mặt kia của phân phối Poisson: Poisson đếm số sự kiện, phân phối mũ đo khoảng giữa chúng.

Cần biết trước: phân phối Poisson, PMF, PDF, CDF và hàm toán học của NumPy.

Công thức phân phối mũ

Thời gian chờ T có phân phối mũ với tốc độ λ > 0 khi xác suất phải chờ không quá t là:

F(t)=1−e−λt,t≥0F(t) = 1 - e^{-\lambda t}, \quad t \ge 0

Trong đó:

  • t (t): thời gian chờ, cùng đơn vị với λ (phút, giờ).

  • λ (lam): số sự kiện trung bình trong một đơn vị thời gian.

  • e^(−λt) (np.exp(-lam * t)): xác suất còn phải chờ quá t, tức P(T > t).

Hàm mật độ là f(t) = λe^(−λt), cao nhất ở t = 0 rồi giảm dần: chờ ngắn hay gặp hơn chờ lâu. Kỳ vọng E(T) = 1/λ và độ lệch chuẩn cũng bằng 1/λ. Trung vị là ln 2/λ ≈ 0,693/λ, nhỏ hơn trung bình, vì đuôi phải dài kéo trung bình lên.

Tính tay: chờ cuộc gọi kế tiếp ở tổng đài

Một tổng đài nhận trung bình 12 cuộc gọi mỗi giờ, tức λ = 0,2 cuộc mỗi phút, thời gian chờ trung bình 1/0,2 = 5 phút. Xác suất chờ quá 10 phút là e^(−0,2 × 10) = e⁻² ≈ 0,1353. Khối dưới tính bằng math.exp(); sửa t rồi bấm Chạy:

python
import math

lam = 0.2
t = 10
print("P(T > t): ", round(math.exp(-lam * t), 4))
print("P(T ≤ 2): ", round(1 - math.exp(-lam * 2), 4))
print("Trung bình:", 1 / lam)
print("Trung vị:", round(math.log(2) / lam, 2))

KẾT QUẢ

P(T > t):  0.1353
P(T ≤ 2):  0.3297
Trung bình: 5.0
Trung vị: 3.47

Một phần ba số lần, cuộc gọi kế tiếp đến trong vòng 2 phút. Đổi t = 10 thành t = 5 rồi chạy lại: dòng đầu in P(T > t): 0.3679. Chờ quá đúng trung bình có xác suất e⁻¹, ở mọi phân phối mũ.

scipy.stats.expon: scale = 1/λ

stats.expon không nhận λ. Tham số scale là thời gian chờ trung bình 1/λ:

python
from scipy import stats

cho = stats.expon(scale=1 / 0.2)
print("P(T > 10):", round(cho.sf(10), 4))
print("P(T ≤ 2): ", round(cho.cdf(2), 4))
print("mean, std:", cho.mean(), cho.std())
print("Trung vị: ", round(cho.ppf(0.5), 2))

KẾT QUẢ

P(T > 10): 0.1353
P(T ≤ 2):  0.3297
mean, std: 5.0 5.0
Trung vị:  3.47

Bốn số khớp bảng tay; trung bình và độ lệch chuẩn cùng bằng 5 phút.

Tính không nhớ

Phân phối mũ "không nhớ" đã chờ bao lâu: đã chờ s phút mà chưa có cuộc gọi, xác suất phải chờ thêm quá t phút vẫn đúng bằng P(T > t) lúc mới bắt đầu. Viết bằng xác suất có điều kiện: P(T > s + t | T > s) = e^(−λ(s+t))/e^(−λs) = e^(−λt). Mô phỏng 200.000 lần chờ bằng rng.exponential() để kiểm:

python
import numpy as np

rng = np.random.default_rng(49)
T = rng.exponential(scale=5, size=200_000)
da_cho = T[T > 10]
print(len(da_cho), "lần đã chờ quá 10 phút")
print(round(np.mean(da_cho > 10 + 3), 4), round(np.mean(T > 3), 4))
print(round(np.exp(-0.2 * 3), 4))

KẾT QUẢ

26796 lần đã chờ quá 10 phút
0.5475 0.5484
0.5488

Lần chạy này cho 0,5475 và 0,5484, cả hai sát e^(−0,6) ≈ 0,5488: đã chờ 10 phút không làm cuộc gọi đến sớm hơn. Đổi size=200_000 thành size=2_000 rồi chạy lại: dòng đầu in 278 lần đã chờ quá 10 phút, và tỉ lệ thứ nhất lệch xa hơn vì chỉ tính trên 278 lần.

Nối với Poisson: đếm cuộc gọi trong một giờ

Nếu khoảng cách giữa các cuộc gọi là mũ với trung bình 5 phút thì số cuộc gọi trong 60 phút theo Poisson với λ = 12. Cộng dồn các khoảng chờ bằng np.cumsum() rồi đếm bao nhiêu mốc rơi trong giờ đầu, như bài mô phỏng bằng NumPy:

python
import numpy as np

rng = np.random.default_rng(49)
cho = rng.exponential(scale=5, size=(20_000, 40))
moc = np.cumsum(cho, axis=1)
so_cuoc = (moc <= 60).sum(axis=1)
print(round(so_cuoc.mean(), 3), round(np.var(so_cuoc, ddof=0), 3))

KẾT QUẢ

12.009 11.994

Lần chạy này cho trung bình 12,009 và phương sai 11,994, cùng sát 12, dấu hiệu của Poisson với λ = 12. Mỗi hàng 40 khoảng chờ dài trung bình 200 phút, đủ để không hàng nào hết khoảng trước phút thứ 60.

Không phải thời gian nào cũng theo phân phối mũ

File giao_hang.csv là số giả lập của AIDev: thời gian giao 800 đơn hàng, tính bằng giờ. Phân phối mũ có độ lệch chuẩn bằng trung bình và mật độ cao nhất ở 0. Kiểm hai điều đó:

python
import pandas as pd
from scipy import stats

don = pd.read_csv("giao_hang.csv")
t = don["thoi_gian_gio"]
print(round(t.mean(), 1), round(t.std(ddof=0), 1))
mu_moi = stats.expon(scale=t.mean())
print(round((t <= 10).mean(), 3), round(mu_moi.cdf(10), 3))

KẾT QUẢ

31.2 19.6
0.031 0.274

Độ lệch chuẩn chỉ bằng khoảng 0,63 lần trung bình. Phân phối mũ cùng trung bình 31,2 giờ hứa 27,4% đơn giao xong trong 10 giờ; dữ liệu chỉ có 3,1%.

Kiểm tra nhanh

  1. Sau from scipy import stats, print(round(stats.expon(scale=5).sf(5), 4)) in ra gì?

    • 0.5
    • 0.3679
    • 0.6321
  2. Những câu nào đúng về thời gian chờ T có phân phối mũ?

    • Đã chờ 10 phút, xác suất chờ thêm quá 3 phút bằng P(T > 3)
    • Trung bình và độ lệch chuẩn bằng nhau
    • Mật độ cao nhất ở đúng trung bình
    • Trung vị nhỏ hơn trung bình
  3. Trong khung bẫy, vì sao stats.expon(scale=0.2).mean() cho 0,2?

    • Vì scipy đổi phút sang giờ
    • Vì scale là thời gian chờ trung bình 1/λ, nên truyền λ = 0,2 là nói trung bình 0,2 phút
    • Vì mean() của phân phối mũ luôn bằng λ
  4. Một cửa hàng có trung bình 30 khách mỗi giờ, đến theo Poisson. Thời gian trung bình giữa hai khách là bao nhiêu?

    • 30 phút
    • 2 phút
    • 0,5 phút
Đúng hết lần đầu +15 XP

Bài tập

Tìm thời gian chờ ứng với một phân vị

Một quầy dịch vụ muốn hứa với khách: "q phần trăm số lần, bạn được phục vụ trong vòng t phút". Thời gian chờ có phân phối mũ với trung bình trung_binh (phút). Viết thân hàm thoi_gian_phan_vi(trung_binh, q) trả về t sao cho P(T ≤ t) = q, với 0 ≤ q < 1. Dùng stats.expon đã nhập sẵn, hoặc công thức.

Trả về: thời gian t, cùng đơn vị với trung bình, một float.

Ví dụ thoi_gian_phan_vi(5, 0.5) cho khoảng 3.4657, trung vị của thời gian chờ trung bình 5 phút.

python
from scipy import stats


def thoi_gian_phan_vi(trung_binh, q):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • Phân phối mũ mô tả thời gian chờ tới sự kiện kế tiếp khi sự kiện đến với tốc độ λ không đổi.

  • F(t) = 1 − e^(−λt); P(T > t) = e^(−λt); E(T) = độ lệch chuẩn = 1/λ; trung vị ln 2/λ.

  • stats.expon(scale=1 / lam): scale là thời gian chờ trung bình 1/λ.

  • Tính không nhớ: đã chờ s, phần chờ thêm vẫn có cùng phân phối mũ.

  • Khoảng cách mũ với trung bình 1/λ thì số sự kiện mỗi đơn vị thời gian là Poisson(λ).

  • Thời gian do nhiều khâu cộng lại, như giao hàng, thường không theo phân phối mũ.

Câu hỏi thường gặp

Phân phối mũ là gì, nói gọn?

Là phân phối của thời gian chờ khi sự kiện đến ngẫu nhiên, đều đặn về lâu dài, và việc đã chờ bao lâu không ảnh hưởng tới phần chờ còn lại. Một tham số duy nhất, tốc độ λ hay trung bình 1/λ, quyết định toàn bộ phân phối.

Tính không nhớ có đúng với thời gian sống của máy móc không?

Chỉ với linh kiện hỏng do sự cố ngẫu nhiên, không bị mòn, như một số linh kiện điện tử trong giai đoạn giữa đời. Máy có hao mòn thì càng chạy lâu càng dễ hỏng, nên không còn tính không nhớ và cần phân phối khác.

Phân phối mũ liên quan gì tới phân phối chuẩn?

Hầu như không về dáng: mũ lệch phải, mật độ cao nhất ở 0, còn phân phối chuẩn đối xứng. Nhưng trung bình của rất nhiều thời gian chờ mũ độc lập lại có dáng gần chuẩn, điều mà định lý giới hạn trung tâm của chương sau giải thích.

Chủ đề

phân phối mũ

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