Khám Phá Các Phân Phối Xác Suất Rời Rạc
Hướng Dẫn Cho Người Mới Bắt Đầu
1. Lời Mở Đầu: Phân Phối Xác Suất Rời Rạc là gì?
Phân phối xác suất rời rạc là công cụ toán học giúp chúng ta mô tả và tính toán xác suất cho các hiện tượng chỉ có thể nhận các giá trị đếm được (như 0, 1, 2, 3,...).
Các phân phối cốt lõi sẽ được khám phá:
- Phép thử Bernoulli (Nền tảng)
- Phân phối Nhị thức (Đếm thành công trong \(n\) lần)
- Phân phối Hình học (Đếm lần thử đến thành công đầu tiên)
- Phân phối Poisson (Đếm sự kiện trong một khoảng)
2. Nền Tảng - Phép Thử Bernoulli
Đây là khối xây dựng cơ bản: một thử nghiệm chỉ có **hai kết quả** có thể xảy ra ("thành công" (1) hoặc "thất bại" (0)).
Đặc Tính Của Biến Ngẫu Nhiên Bernoulli
| Tham số | \(p\) (xác suất thành công, hay \(P(X=1)\)). |
| Kỳ vọng E(X) | \(p\) (Giá trị trung bình của một lần thử). |
| Phương sai Var(X) | \(p(1-p)\) (Độ phân tán đạt lớn nhất khi \(p=0.5\)). |
Ví dụ: Tung đồng xu, kiểm tra một sản phẩm (lỗi/không lỗi), van đóng/mở.
3. Phân Phối Nhị Thức (\(X \sim B(n, p)\))
Mô hình đếm **tổng số lần thành công** trong một chuỗi **\(n\) lần thử Bernoulli độc lập**.
Điều kiện Cốt lõi
- Số lần thử (\(n\)) cố định.
- Các lần thử độc lập.
- Xác suất thành công (\(p\)) không đổi.
Công thức & Tham số
| PMF | \(P(X=x) = C(n, x) \cdot p^x \cdot (1-p)^{n-x}\) |
| Kỳ vọng | \(E(X) = np\) |
| Phương sai | \(\text{Var}(X) = np(1-p)\) |
Ví dụ Thực tế: Phi đội máy bay
Phi đội có \(n=16\) máy bay. Xác suất cất cánh thành công \(p=0.75\).
- Kỳ vọng \(E(X) = 16 \cdot 0.75 = 12\) máy bay.
- \(P(X=12) \approx 0.225\) (Xác suất có chính xác 12 máy bay cất cánh).
4. Phân Phối Hình Học
Mô hình đếm **số lần thử** cần thiết cho đến khi đạt được **thành công đầu tiên**.
Câu hỏi Cốt lõi
"Xác suất để thành công đầu tiên xảy ra ở lần thử thứ \(x\) là bao nhiêu?"
Công thức & Tham số
| Kỳ vọng | \(E(X) = 1/p\) |
| Phương sai | \(\text{Var}(X) = (1-p)/p^2\) |
Ví dụ Thực tế: Gọi điện thoại
Cơ hội kết nối thành công \(p=0.1\).
- Kỳ vọng \(E(X) = 1/0.1 = 10\) lần gọi (trung bình).
- \(P(X=5) \approx 0.066\) (Thành công ở lần gọi thứ 5).
5. Phân Phối Poisson (\(X \sim P(\lambda)\))
Mô hình đếm **số lần** một sự kiện xảy ra trong một **khoảng** xác định (thời gian, không gian, v.v.).
Tham số Cốt lõi
- \(\lambda\): Số lần xảy ra **trung bình** của sự kiện trong khoảng đó (Tốc độ).
- Đặc điểm nhận dạng: **Kỳ vọng \(E(X)\) = Phương sai \(\text{Var}(X)\) = \(\lambda\)**.
Công thức & Tham số
| PMF | \(P(X = x) = \frac{e^{-\lambda} \cdot \lambda^x}{x!}\) |
| Kỳ vọng | \(\lambda\) |
| Phương sai | \(\lambda\) |
Ví dụ Thực tế: Lỗi phần mềm
Số lỗi trung bình \(\lambda=3\).
- \(P(X=0) \approx 0.050\) (Xác suất không có lỗi nào).
- \(P(X \ge 3) \approx 0.577\) (Xác suất có 3 lỗi trở lên).
6. Tổng Kết và So Sánh
| Phân Phối | Câu Hỏi Cốt Lõi | Tham Số | Ví Dụ Điển Hình |
|---|---|---|---|
| Bernoulli | Kết quả của một lần thử duy nhất? | \(p\) | Tung đồng xu một lần. |
| Nhị thức | Có bao nhiêu lần thành công trong \(n\) lần thử cố định? | \(n, p\) | Số máy bay cất cánh thành công. |
| Hình học | Cần bao nhiêu lần thử để có được thành công đầu tiên? | \(p\) | Cần bao nhiêu cuộc gọi để kết nối được. |
| Poisson | Có bao nhiêu sự kiện xảy ra trong một khoảng nhất định? | \(\lambda\) | Số lỗi trong một phần mềm. |
7. Lời Kết
Mỗi phân phối là một công cụ mạnh mẽ để mô hình hóa một loại kịch bản cụ thể. Nắm vững các khái niệm này là bước đầu tiên quan trọng để tìm hiểu sâu hơn về thống kê, học máy và khoa học dữ liệu.
Chúc bạn thành công trên con đường khám phá tri thức!