Bỏ qua đến nội dung chính
Mục lục

Công thức xác suất toàn phần và cây xác suất

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 6/11 · Chương 4

Xác suất

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

Công thức xác suất toàn phần tính xác suất của biến cố A bằng cách chia mọi khả năng thành các trường hợp B₁, …, Bₙ không chồng nhau, rồi cộng P(Bᵢ) · P(A|Bᵢ). Bạn dùng nó khi biết tỉ lệ của từng nhóm nhưng cần tỉ lệ chung, như tỉ lệ hàng lỗi của cả xưởng khi mỗi ca lỗi một mức khác nhau.

Cần biết trước: xác suất có điều kiện, np.dot() và mô phỏng bằng NumPy.

Hệ biến cố đầy đủ và công thức xác suất toàn phần

Một xưởng chạy ba ca nối nhau: ca sáng làm 45% sản phẩm của tháng, ca chiều 35%, ca đêm 20%; tỉ lệ lỗi của ba ca là 3%, 4% và 6%. Lấy ngẫu nhiên một sản phẩm trong kho: B₁, B₂, B₃ là "sản phẩm của ca sáng, ca chiều, ca đêm", A là "sản phẩm lỗi". Ba biến cố Bᵢ đôi một xung khắc (một sản phẩm chỉ do một ca làm) và hợp lại là cả Ω (sản phẩm nào cũng do một ca làm). Đó là một hệ biến cố đầy đủ (partition), và P(B₁) + P(B₂) + P(B₃) = 1.

A chia thành ba phần không chồng nhau, A ∩ B₁, A ∩ B₂, A ∩ B₃, và mỗi phần tính bằng công thức nhân của xác suất có điều kiện, P(A ∩ Bᵢ) = P(Bᵢ) · P(A|Bᵢ). Cộng lại được công thức xác suất toàn phần (law of total probability):

P(A)=∑i=1nP(Bi) P(A∣Bi)P(A) = \sum_{i=1}^{n} P(B_i) \, P(A \mid B_i)

Trong đó:

  • B₁, …, Bₙ (p_b[i]): hệ biến cố đầy đủ, xác suất cộng bằng 1.

  • P(A|Bᵢ) (p_a_khi_b[i]): xác suất của A trong trường hợp thứ i.

  • P(A) (np.dot(p_b, p_a_khi_b)): xác suất toàn phần của A.

SGK Toán 12 (Kết nối tri thức) viết công thức với hệ hai biến cố A, Ā và biến cố cần tính B: P(B) = P(A) · P(B|A) + P(Ā) · P(B|Ā). Bài này đặt tên ngược lại (Bᵢ là các trường hợp, A là biến cố cần tính), như phần lớn sách tiếng Anh; khi đối chiếu với sách, đổi vai hai chữ cái. Công thức của sách là trường hợp n = 2 của công thức trên, vì một biến cố và biến cố đối của nó luôn là một hệ đầy đủ.

Tính tay trên cây xác suất

Cây xác suất (probability tree) vẽ phép thử thành hai tầng: tầng đầu chọn ca, tầng sau chọn lỗi hay tốt. Xác suất ở cuối một nhánh là tích các xác suất dọc nhánh, và P(A) là tổng các nhánh kết thúc ở "lỗi":

Nhánh

P(Bᵢ)

P(lỗi | Bᵢ)

Cuối nhánh lỗi

Sáng

0,45

0,03

0,0135

Chiều

0,35

0,04

0,0140

Đêm

0,20

0,06

0,0120

Cộng

1

P(A) = 0,0395

Khối dưới in đúng cây đó và cộng các nhánh lỗi bằng vòng lặp. Sửa các list ở đầu khối cho xưởng của bạn rồi bấm Chạy.

python
ca = ["Sáng", "Chiều", "Đêm"]
p_b = [0.45, 0.35, 0.2]
p_a_khi_b = [0.03, 0.04, 0.06]
p_a = 0
for i in range(len(p_b)):
    nhanh_loi = p_b[i] * p_a_khi_b[i]
    nhanh_tot = p_b[i] * (1 - p_a_khi_b[i])
    print(f"{ca[i]} ({p_b[i]})")
    print(f"  ├─ lỗi ({p_a_khi_b[i]}): {nhanh_loi:.4f}")
    p_tot = 1 - p_a_khi_b[i]
    print(f"  └─ tốt ({p_tot:.2f}): {nhanh_tot:.4f}")
    p_a += nhanh_loi
print("P(lỗi) =", round(p_a, 4))

KẾT QUẢ

Sáng (0.45)
  ├─ lỗi (0.03): 0.0135
  └─ tốt (0.97): 0.4365
Chiều (0.35)
  ├─ lỗi (0.04): 0.0140
  └─ tốt (0.96): 0.3360
Đêm (0.2)
  ├─ lỗi (0.06): 0.0120
  └─ tốt (0.94): 0.1880
P(lỗi) = 0.0395

Sáu số ở cuối nhánh cộng lại bằng 1, vì mỗi sản phẩm đi đúng một nhánh. Đổi p_a_khi_b = [0.03, 0.04, 0.06] thành p_a_khi_b = [0.03, 0.04, 0.03] rồi chạy lại: dòng cuối in P(lỗi) = 0.0335.

Tính bằng np.dot()

Tổng các tích từng cặp là tích vô hướng của hai vectơ, nên np.dot(p_b, p_a_khi_b) cho đúng P(A) trong một lời gọi. Khi dữ liệu là sản lượng thay cho tỉ trọng, chia sản lượng cho tổng trước để được P(Bᵢ):

python
import numpy as np

san_luong = np.array([4500, 3500, 2000])
p_a_khi_b = np.array([0.03, 0.04, 0.06])
p_b = san_luong / san_luong.sum()
print("P(B):", p_b)
print("Tổng P(B):", p_b.sum())
print("P(lỗi) =", round(float(np.dot(p_b, p_a_khi_b)), 4))
so_loi = float(np.dot(san_luong, p_a_khi_b))
print("Số sản phẩm lỗi:", round(so_loi))

KẾT QUẢ

P(B): [0.45 0.35 0.2 ]
Tổng P(B): 1.0
P(lỗi) = 0.0395
Số sản phẩm lỗi: 395

Số 0,0395 khớp cây ở trên. Dòng cuối là cùng phép nhân trên sản lượng: khoảng 395 sản phẩm lỗi trong 10.000, và 395 / 10.000 = 0,0395. Dòng "Tổng P(B)" là phép kiểm hệ đầy đủ: khác 1 thì các trường hợp chồng nhau hay thiếu.

Mô phỏng 100.000 sản phẩm

Khối dưới làm ra 100.000 sản phẩm: mỗi sản phẩm chọn ca theo P(Bᵢ) bằng rng.choice(..., p=...), rồi lỗi với xác suất của ca đó. Bước hai là cây xác suất đi từng tầng: p_a_khi_b[nhom] lấy tỉ lệ lỗi theo ca của từng sản phẩm, còn loi[nhom == i] là lọc bằng mask theo ca.

python
import numpy as np

ca = ["Sáng", "Chiều", "Đêm"]
rng = np.random.default_rng(32)
p_b = np.array([0.45, 0.35, 0.2])
p_a_khi_b = np.array([0.03, 0.04, 0.06])
nhom = rng.choice(3, size=100_000, p=p_b)
loi = rng.random(100_000) < p_a_khi_b[nhom]
print("Tần suất lỗi:", round(loi.mean(), 4))
print("Công thức:", round(float(np.dot(p_b, p_a_khi_b)), 4))
for i in range(3):
    print(f"{ca[i]}: lỗi {loi[nhom == i].mean():.4f}")

KẾT QUẢ

Tần suất lỗi: 0.0404
Công thức: 0.0395
Sáng: lỗi 0.0300
Chiều: lỗi 0.0412
Đêm: lỗi 0.0626

Lần chạy này cho tần suất lỗi chung lệch công thức chưa tới một phần nghìn, và tỉ lệ lỗi trong từng ca gần 3%, 4%, 6% đã cài. Đổi default_rng(32) thành default_rng(9) để thấy các số đổi chút ít. Câu hỏi ngược lại, "một sản phẩm lỗi thì do ca nào làm", là việc của bài công thức Bayes.

Kiểm tra nhanh

  1. Sau import numpy as np, print(round(float(np.dot([0.45, 0.35, 0.2], [0.03, 0.04, 0.06])), 4)) in ra gì?

    • 0.0433
    • 0.0395
    • 0.13
  2. Trong khung bẫy, vì sao 0,0433 cao hơn tỉ lệ lỗi chung 0,0395?

    • Vì trung bình cộng coi ca đêm, ca lỗi nhiều nhất, làm ra một phần ba số hàng thay cho 20%
    • Vì sum() cộng thiếu một ca
    • Vì tỉ lệ lỗi phải nhân với nhau
    • Vì ba ca không phải hệ biến cố đầy đủ
  3. Những bộ biến cố nào là hệ biến cố đầy đủ khi lấy một sản phẩm trong kho?

    • "Của ca sáng", "của ca chiều", "của ca đêm"
    • "Lỗi" và "không lỗi"
    • "Của ca sáng" và "lỗi"
    • "Của ca sáng hoặc chiều" và "của ca chiều hoặc đêm"
  4. Trong cây xác suất ba ca, xác suất ở cuối nhánh ca chiều rồi lỗi bằng bao nhiêu?

    • 0,04
    • 0,014
    • 0,35
    • 0,0395
Đúng hết lần đầu +15 XP

Bài tập

Tính tỉ lệ lỗi chung của nhiều ca sản xuất

Phòng chất lượng có sản lượng và tỉ lệ lỗi của từng ca, cần tỉ lệ lỗi của cả kho. san_luong là list số sản phẩm mỗi ca (tổng lớn hơn 0), ty_le_loi là list P(lỗi | ca) cùng độ dài. Viết thân hàm ty_le_loi_chung(san_luong, ty_le_loi): đổi sản lượng thành P(Bᵢ), rồi áp công thức xác suất toàn phần.

Hàm không sửa hai list của nơi gọi.

Trả về: P(lỗi) của một sản phẩm lấy ngẫu nhiên trong kho, một float.

Ví dụ ty_le_loi_chung([4500, 3500, 2000], [0.03, 0.04, 0.06]) cho khoảng 0.0395.

python
import numpy as np


def ty_le_loi_chung(san_luong, ty_le_loi):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • Hệ biến cố đầy đủ là các biến cố đôi một xung khắc, hợp lại là Ω; xác suất của chúng cộng bằng 1.

  • Công thức xác suất toàn phần: P(A) = Σ P(Bᵢ) · P(A|Bᵢ); SGK Toán 12 (Kết nối tri thức) viết bản hai biến cố với chữ đổi vai: P(B) = P(A) · P(B|A) + P(Ā) · P(B|Ā).

  • Trên cây xác suất, cuối mỗi nhánh là tích dọc nhánh; P(A) là tổng các nhánh kết thúc ở A.

  • Trung bình cộng các P(A|Bᵢ) bỏ qua trọng số P(Bᵢ) và cho số sai mà Python không báo.

  • np.dot(p_b, p_a_khi_b) tính tổng các tích; sản lượng phải chia cho tổng trước để thành P(Bᵢ).

Câu hỏi thường gặp

Xác suất toàn phần là gì nói theo cách dễ hiểu?

Đó là trung bình có trọng số của các tỉ lệ con: mỗi nhóm góp tỉ lệ của nó theo phần nó chiếm trong tổng thể. Tỉ lệ lỗi của kho nằm giữa tỉ lệ lỗi thấp nhất và cao nhất của các ca, gần ca làm ra nhiều hàng hơn.

Khi nào dùng công thức xác suất toàn phần, khi nào dùng công thức Bayes?

Toàn phần đi xuôi cây: biết từng nhánh, hỏi xác suất chung của A. Bayes đi ngược: biết A đã xảy ra, hỏi nó đến từ nhánh nào; mẫu số của Bayes chính là P(A) toàn phần. Bài công thức Bayes dùng lại đúng ba ca ở đây.

Cây xác suất có bắt buộc khi làm bài không?

Không bắt buộc, nhưng nó giúp không quên nhánh và không nhân nhầm: mỗi tầng cộng bằng 1, cuối nhánh là tích dọc nhánh. Với nhiều nhánh, một bảng như bảng tính tay ở trên, hay hai mảng và np.dot(), gọn hơn hình vẽ.

Chủ đề

công thức xác suất toàn phần

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