Bỏ qua đến nội dung chính
Mục lục

Xác suất là gì: không gian mẫu, biến cố, cách tính xác suất

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 1/11 · Chương 4

Xác suất

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

Xác suất là gì: đó là một số từ 0 đến 1 đo khả năng một biến cố xảy ra khi bạn làm một phép thử, như tung hai con xúc xắc rồi xem tổng. Bạn cần nó mỗi khi muốn biết trước một việc may rủi có hay xảy ra không, chẳng hạn một trò tung hai xúc xắc ở hội chợ trả thưởng khi tổng bằng 7.

Cần biết trước: mô phỏng bằng NumPy, số ngẫu nhiên của NumPy và itertools.

Phép thử, không gian mẫu và biến cố

Tung hai con xúc xắc một lần là một phép thử (random experiment): việc làm được lặp lại, mà trước khi làm bạn không biết kết quả, nhưng biết tập các kết quả có thể. Tập mọi kết quả có thể là không gian mẫu (sample space), ký hiệu Ω. Một biến cố (event) là một tập con của Ω, như A = "tổng hai mặt bằng 7".

Coi hai con xúc xắc là con thứ nhất và con thứ hai, mỗi kết quả là một cặp (mặt con thứ nhất, mặt con thứ hai). itertools.product() liệt kê đủ các cặp đó, rồi một list comprehension lọc ra biến cố:

python
import itertools

mat = range(1, 7)
omega = list(itertools.product(mat, repeat=2))
print("Số kết quả của Ω:", len(omega))
print("Năm kết quả đầu:", omega[:5])
a = [kq for kq in omega if kq[0] + kq[1] == 7]
print("Biến cố A:", a)

KẾT QUẢ

Số kết quả của Ω: 36
Năm kết quả đầu: [(1, 1), (1, 2), (1, 3), (1, 4), (1, 5)]
Biến cố A: [(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)]

Ω có 36 cặp, A có 6 cặp. (1, 6) và (6, 1) là hai kết quả khác nhau.

Công thức tính xác suất cổ điển

Khi mọi kết quả của Ω đồng khả năng (con xúc xắc cân đối), xác suất của A là số kết quả thuận lợi cho A chia cho số kết quả của Ω:

P(A)=∣A∣∣Ω∣P(A) = \frac{|A|}{|\Omega|}

Trong đó:

  • |Ω| (len(omega)): số kết quả của không gian mẫu.

  • |A| (len(a)): số kết quả thuận lợi cho biến cố A.

  • P(A): xác suất của A, luôn từ 0 đến 1.

SGK Toán 10 (chương trình 2018) gọi đây là định nghĩa cổ điển của xác suất và viết n(A), n(Ω) thay cho |A|, |Ω|: P(A) = n(A) / n(Ω). Hai cách viết cùng một phép tính.

Tính tay cho biến cố "tổng bằng 7":

Bước

Việc

Kết quả

1

Đếm Ω: 6 mặt con thứ nhất nhân 6 mặt con thứ hai

|Ω| = 36

2

Liệt kê A: (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)

|A| = 6

3

Chia

P(A) = 6 / 36 = 1/6 ≈ 0,1667

Khối dưới làm đúng ba bước đó bằng hai vòng lặp, không thư viện. Đây là máy tính của trang: sửa muc_tieu ở dòng đầu rồi bấm Chạy.

python
muc_tieu = 7
so_omega = 0
so_a = 0
for x1 in range(1, 7):
    for x2 in range(1, 7):
        so_omega += 1
        if x1 + x2 == muc_tieu:
            so_a += 1
print("|Ω| =", so_omega, " |A| =", so_a)
print(f"P(A) = {so_a}/{so_omega} ≈ {so_a / so_omega:.4f}")

KẾT QUẢ

|Ω| = 36  |A| = 6
P(A) = 6/36 ≈ 0.1667

Đổi muc_tieu = 7 thành muc_tieu = 2 rồi chạy lại: dòng cuối in P(A) = 1/36 ≈ 0.0278. Tổng 2 chỉ có một cách, (1, 1), còn tổng 7 có sáu cách.

Đếm bằng itertools và Fraction

Khi phép thử lớn hơn (ba con xúc xắc, năm lá bài), vòng lặp lồng nhau dài ra. itertools.product(mat, repeat=3) cho đủ 216 bộ ba, và fractions.Fraction giữ xác suất ở dạng phân số đúng như khi tính tay. Cùng biến cố tổng bằng 7 của hai con xúc xắc:

python
import itertools
from fractions import Fraction

omega = list(itertools.product(range(1, 7), repeat=2))
a = [kq for kq in omega if sum(kq) == 7]
print(Fraction(len(a), len(omega)), round(len(a) / len(omega), 4))
omega3 = list(itertools.product(range(1, 7), repeat=3))
a3 = [kq for kq in omega3 if sum(kq) == 10]
print(len(omega3), len(a3), Fraction(len(a3), len(omega3)))

KẾT QUẢ

1/6 0.1667
216 27 1/8

Dòng đầu khớp bảng tính tay. Dòng hai là ba con xúc xắc ra tổng 10: 27 trong 216 bộ, tức 1/8.

Xác suất thực nghiệm: tần suất của nhiều lần thử

Khi không đếm được các kết quả đồng khả năng (một khách hàng có quay lại không), bạn làm phép thử nhiều lần và lấy tần suất (relative frequency): số lần biến cố xảy ra chia cho số lần thử. Đó là xác suất thực nghiệm. Mô phỏng 100.000 lần tung hai xúc xắc:

python
import numpy as np

rng = np.random.default_rng(27)
xuc_xac = rng.integers(1, 7, size=(100_000, 2))
tong = xuc_xac.sum(axis=1)
tan_suat = (tong == 7).mean()
print("Tần suất tổng 7:", round(tan_suat, 4))
print("Xác suất cổ điển:", round(6 / 36, 4))

KẾT QUẢ

Tần suất tổng 7: 0.1678
Xác suất cổ điển: 0.1667

Lần chạy này cho tần suất lệch xác suất cổ điển ở chữ số thứ ba. (tong == 7).mean() là tần suất: trung bình của một mảng True/False là tỉ lệ số True.

Tần suất đổi theo từng lần thử, và dao động ít dần khi số lần thử tăng:

python
import numpy as np

rng = np.random.default_rng(27)
for n in [10, 100, 1_000, 10_000, 100_000]:
    xuc_xac = rng.integers(1, 7, size=(n, 2))
    ts = (xuc_xac.sum(axis=1) == 7).mean()
    print(n, round(ts, 4), "lệch", round(ts - 1 / 6, 4))

KẾT QUẢ

10 0.2 lệch 0.0333
100 0.15 lệch -0.0167
1000 0.185 lệch 0.0183
10000 0.1699 lệch 0.0032
100000 0.1679 lệch 0.0012

Lần chạy này cho thấy với 10 lần tung, tần suất có thể cách xa 1/6; với 100.000 lần, độ lệch chỉ còn khoảng một phần nghìn. Độ lệch không giảm đều từng bước (1.000 lần lệch nhiều hơn 100 lần), vì mỗi lần tung là ngẫu nhiên. Đổi default_rng(27) thành default_rng(3) rồi chạy lại để thấy các số đổi mà xu hướng giữ nguyên. Hiện tượng tần suất tiến gần xác suất khi số lần thử lớn có tên là luật số lớn; bài luật số lớn cho thấy nó kỹ hơn bằng hình.

Kiểm tra nhanh

  1. Sau import itertools, print(len(list(itertools.product(range(1, 7), repeat=2)))) in ra gì?

    • 12
    • 21
    • 36
  2. Trong khung bẫy, vì sao 1/11 là xác suất sai của tổng 7?

    • Vì 11 tổng không đồng khả năng: tổng 7 có sáu cặp, tổng 2 chỉ có một cặp
    • Vì phải chia cho 12, số tổng lớn nhất
    • Vì count() đếm thiếu một lần xuất hiện của 7
    • Vì xác suất của tổng 7 chỉ tính được bằng mô phỏng
  3. Những câu nào đúng về xác suất và tần suất?

    • Xác suất của một biến cố luôn từ 0 đến 1
    • Biến cố tổng hai mặt bằng 13 có xác suất 0
    • Tần suất của 10 lần tung luôn bằng xác suất cổ điển
    • Tần suất của 100.000 lần tung thường gần xác suất cổ điển hơn tần suất của 10 lần tung
  4. Trong mô phỏng 100.000 lần tung, vì sao tần suất tổng 7 không bằng đúng 1/6?

    • Vì rng.integers(1, 7) không bao giờ cho mặt 6
    • Vì tần suất là kết quả của một lần rút ngẫu nhiên, nó dao động quanh 1/6
    • Vì 1/6 là xác suất sai của tổng 7
    • Vì mean() làm tròn mảng trước khi tính
Đúng hết lần đầu +15 XP

Bài tập

Tính xác suất tổng hai xúc xắc nhiều mặt

Trò chơi của bạn dùng hai con xúc xắc giống nhau, mỗi con có so_mat mặt ghi 1 đến so_mat (bốn mặt, sáu mặt, tám mặt…). Viết thân hàm xac_suat_tong(tong, so_mat): liệt kê không gian mẫu gồm các cặp có thứ tự, đếm các cặp có tổng bằng tong, rồi chia.

Trả về: xác suất tổng hai mặt bằng tong, một float (bằng 0.0 khi không cặp nào có tổng đó).

Ví dụ xac_suat_tong(7, 6) cho khoảng 0.1667.

python
import itertools


def xac_suat_tong(tong, so_mat):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • Phép thử là việc chưa biết trước kết quả; không gian mẫu Ω là tập mọi kết quả; biến cố là một tập con của Ω.

  • Xác suất cổ điển P(A) = |A| / |Ω| chỉ đúng khi mọi kết quả của Ω đồng khả năng; SGK viết n(A) / n(Ω).

  • Hai con xúc xắc có 36 kết quả là cặp có thứ tự; tổng 7 có sáu cặp nên P = 1/6.

  • Coi 11 tổng là đồng khả năng cho 1/11, một kết quả sai mà Python không báo.

  • Xác suất thực nghiệm là tần suất: số lần biến cố xảy ra chia số lần thử, (mask).mean() trong NumPy.

  • Tần suất dao động quanh xác suất và dao động ít dần khi số lần thử tăng.

Câu hỏi thường gặp

Cách tính xác suất của một biến cố gồm những bước nào?

Ba bước: liệt kê hay đếm không gian mẫu, đếm số kết quả thuận lợi cho biến cố, rồi chia. Khi đếm tay quá dài, bài quy tắc đếm dạy hoán vị, chỉnh hợp, tổ hợp và math.comb() để đếm mà không liệt kê.

Xác suất thực nghiệm khác xác suất lý thuyết thế nào?

Xác suất lý thuyết (cổ điển) tính bằng đếm trên các kết quả đồng khả năng và là một số cố định. Xác suất thực nghiệm là tần suất đo được sau nhiều lần thử, đổi theo mỗi lần làm. Với nhiều lần thử, hai số gần nhau; bài mô phỏng bằng NumPy dạy cách chạy nhiều lần thử nhanh.

Không gian mẫu khác biến cố ở đâu?

Không gian mẫu là tập mọi kết quả của phép thử, còn biến cố là một phần của tập đó, chọn theo một điều kiện. Biến cố bằng cả Ω là biến cố chắc chắn (xác suất 1), biến cố không chứa kết quả nào là biến cố không thể (xác suất 0).

Xác suất có lớn hơn 1 được không?

Không. Số kết quả thuận lợi không bao giờ vượt số kết quả của không gian mẫu, và tần suất không vượt số lần thử, nên cả hai cách tính đều cho số từ 0 đến 1.

Chủ đề

xác suất là gì

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