Phân phối Cauchy: Hiểu dữ liệu có đuôi nặng

Phân phối Cauchy đặt ra một câu đố thống kê đầy thú vị. Dù có hình chuông quen thuộc như nhiều phân phối xác suất liên tục khác, nó lại thách thức phân tích thông thường vì không có giá trị trung bình và phương sai xác định. Được đặt theo tên nhà toán học Augustin-Louis Cauchy, phân phối này xuất hiện một cách tự nhiên trong nhiều lĩnh vực, từ mô hình hóa tài chính đến thống kê Bayes.

Với vai trò công cụ giảng dạy, phân phối Cauchy minh họa các khái niệm thống kê nền tảng một cách rõ ràng đáng kinh ngạc. Nó cho thấy sự không hội tụ của trung bình mẫu, nhấn mạnh tầm quan trọng của giả định về phân phối, và cho thấy các bộ ước lượng hoạt động ra sao trong những điều kiện khác nhau.

Bạn muốn làm chủ những khái niệm thống kê này và ứng dụng của chúng trong khoa học dữ liệu? Khám phá lộ trình nghề nghiệp Nhà khoa học Học máy với R của chúng tôi, nơi bạn sẽ học cách triển khai các ý tưởng này bằng ngôn ngữ R.

Phân phối Cauchy là gì?

Phân phối Cauchy là một phân phối xác suất liên tục nổi tiếng với các tính chất độc đáo và đuôi nặng. Nó được đặc trưng bởi hai tham số chính:

1. Tham số vị trí (θ): Tham số này quyết định vị trí đỉnh (hoặc tâm) của phân phối trên trục x. Hãy hình dung nó như việc tịnh tiến toàn bộ phân phối sang trái hoặc phải mà không thay đổi hình dạng.
2. Tham số tỷ lệ (σ): Tham số này kiểm soát mức độ trải rộng của phân phối. Giá trị σ lớn hơn tạo ra phân phối rộng và phẳng hơn với đuôi nặng hơn. Bạn có thể hình dung nó như việc kéo giãn hoặc nén phân phối theo chiều ngang.

Phân phối được định nghĩa toán học bằng hàm mật độ xác suất (PDF):

Khi đặt θ = 0 và σ = 1, ta có cái gọi là phân phối Cauchy chuẩn. Đây là dạng đơn giản nhất của phân phối và đóng vai trò mốc tham chiếu để hiểu các trường hợp phức tạp hơn.

Các đặc điểm chính của phân phối Cauchy

Những tính chất xác định của các phân phối Cauchy

Đuôi nặng

Hãy coi phân phối Cauchy như phân phối của các "sự kiện cực đoan". Trong khi phân phối chuẩn cho rằng các giá trị xa tâm là rất hiếm (như việc tìm thấy một người cao 7 feet), phân phối Cauchy cho biết các giá trị cực đoan xảy ra thường xuyên hơn bạn tưởng. 

Ví dụ, trong lợi suất chứng khoán, những biến động giá khổng lồ trong một ngày (như khi thị trường sụp đổ hoặc bứt phá) xảy ra thường xuyên hơn so với dự đoán của phân phối chuẩn. Đuôi nặng của phân phối Cauchy có thể mô tả tốt hơn những sự kiện "thiên nga đen" này.

Không có trung bình và phương sai xác định

Đây có lẽ là tính chất hấp dẫn nhất của phân phối Cauchy. Không giống hầu hết các phân phối bạn từng gặp, phân phối Cauchy không có giá trị trung bình (mean) hay độ phân tán (phương sai) có ý nghĩa. 

Để hiểu tại sao điều này quan trọng: nếu bạn lặp lại việc lấy mẫu từ phân phối Cauchy và thử tính trung bình của chúng, bạn sẽ không hội tụ về một giá trị cụ thể nào, ngay cả với hàng triệu mẫu. Điều này có hệ quả đối với phân tích thống kê, vì các phương pháp truyền thống dựa trên trung bình và phương sai (như kiểm định t hoặc ANOVA) không áp dụng được cho dữ liệu tuân theo phân phối Cauchy.

Tính đối xứng

Phân phối Cauchy cân bằng hoàn hảo quanh tham số vị trí (θ), như hình ảnh gương ở cả hai phía. Tuy nhiên, sự đối xứng này không có nghĩa là nó cư xử như phân phối chuẩn quen thuộc. Mặc dù cả hai đều đối xứng, phân phối Cauchy phân bổ xác suất rộng hơn nhiều. Điều này có nghĩa là dù có một tâm rõ ràng, các giá trị vẫn có thể lệch rất xa khỏi tâm này với xác suất đáng kể.

Tính ổn định

Phân phối Cauchy có một tính chất đáng chú ý: khi bạn cộng hai biến độc lập tuân theo phân phối Cauchy, bạn lại thu được một phân phối Cauchy khác! Tính chất này, gọi là ổn định (stability), chỉ được chia sẻ với một vài phân phối khác (như phân phối chuẩn). Nó đặc biệt hữu ích trong vật lý và mô hình tài chính, nơi chúng ta thường cần hiểu cách các quá trình ngẫu nhiên kết hợp cư xử theo thời gian.

Những điều cần lưu ý khi dùng phân phối Cauchy

Xử lý ngoại lệ (outlier)

Phân phối Cauchy xử lý ngoại lệ rất tốt vì nó kỳ vọng chúng sẽ xuất hiện. Điều này khiến nó đặc biệt hữu ích trong các kịch bản mà các giá trị cực đoan là phần tự nhiên của dữ liệu, không phải lỗi cần loại bỏ. Trong những trường hợp này, các phương pháp phát hiện ngoại lệ truyền thống có thể quá mạnh tay, gắn cờ sai các điểm dữ liệu hợp lệ để loại bỏ. Phân phối Cauchy cung cấp khung để xây dựng các mô hình vững (robust) không bị ảnh hưởng quá mức bởi các quan sát cực đoan, trở thành công cụ quý giá khi làm việc với các tập dữ liệu mà ngoại lệ là đặc trưng cố hữu chứ không phải bất thường cần loại trừ.

Lựa chọn mô hình

Việc chọn dùng phân phối Cauchy hay không phụ thuộc vào dữ liệu và mục tiêu của bạn. Phân phối Cauchy đặc biệt hữu ích khi dữ liệu của bạn thường xuyên xuất hiện các giá trị cực đoan, khi bạn làm việc với tỷ số của các biến chuẩn, hoặc khi bạn cần một mô hình vững có thể xử lý dữ liệu đuôi nặng. Tuy nhiên, bạn nên thận trọng khi dùng phân phối Cauchy trong một số tình huống: khi bạn cần dựa vào trung bình và phương sai, khi dữ liệu thực sự tuân theo phân phối có đuôi nhẹ hơn, hoặc khi hiệu quả tính toán là mối quan tâm hàng đầu. Hiểu những đánh đổi này sẽ giúp bạn đưa ra quyết định sáng suốt về việc liệu phân phối Cauchy có phù hợp với nhu cầu phân tích cụ thể của bạn hay không.

Hiệu quả tính toán

Dù công thức toán học của phân phối Cauchy khá đơn giản, làm việc với nó về mặt tính toán có thể thách thức. Ước lượng tham số thường cần các kỹ thuật chuyên biệt như Markov Chain Monte Carlo (MCMC), và các phương pháp hợp lý cực đại tiêu chuẩn có thể gặp khó với đuôi nặng. May mắn thay, các phần mềm thống kê hiện đại thường bao gồm công cụ cụ thể để xử lý phân phối Cauchy, giúp việc làm việc với phân phối này khả thi hơn trên thực tế dù có độ phức tạp tính toán.

Các tính chất toán học của phân phối Cauchy

Phân phối Cauchy sở hữu một số tính chất toán học quan trọng khiến nó trở nên độc đáo và hữu ích:

• Một phân phối ổn định với hành vi thú vị: khi cộng hai biến tuân theo phân phối Cauchy, bạn thu được một phân phối Cauchy khác với các tham số được co giãn. Điều này hữu ích khi nghiên cứu các hiệu ứng cộng dồn trong vật lý và tài chính.
• Các moment không xác định, bao gồm trung bình và phương sai, khiến nó trở thành phản ví dụ hấp dẫn trong lý thuyết xác suất. Tính chất này giúp sinh viên hiểu vì sao Định lý Giới hạn Trung tâm yêu cầu phương sai hữu hạn.
• Một dạng toán học đơn giản, thanh nhã, với PDF và hàm đặc trưng dễ viết. Dù hành vi phức tạp, mô tả toán học cơ bản lại khá dễ xử lý.
• Tính chất tỷ số: nếu bạn chia một biến ngẫu nhiên chuẩn cho một biến ngẫu nhiên chuẩn độc lập khác, bạn nhận được phân phối Cauchy. Điều này khiến nó phù hợp tự nhiên để mô hình hóa các tỷ số và tỷ lệ.
• Ứng dụng Bayes mạnh mẽ, đặc biệt là làm phân phối tiên nghiệm trong các mô hình phân cấp. Đuôi nặng khiến nó là lựa chọn tuyệt vời cho các tham số tỷ lệ khi tính vững là quan trọng.

Trực quan hóa phân phối Cauchy trong R và Python

Hành vi của phân phối Cauchy được hiểu rõ nhất qua trực quan hóa. Hãy dùng R để tạo biểu đồ các phân phối Cauchy khác nhau, minh họa cách tham số vị trí (θ) và tỷ lệ (σ) ảnh hưởng đến hình dạng và vị trí của phân phối.

Phân phối Cauchy trong R

R cung cấp các hàm làm việc với phân phối Cauchy thông qua gói stats. Chúng ta cũng sẽ dùng ggplot2 để tạo hình ảnh rõ ràng, chất lượng xuất bản:

# Load required libraries
library(ggplot2)  # for plotting
# Note: dcauchy is from the stats package which is loaded by default in R

# Create a sequence of x values
x <- seq(-10, 10, length.out = 1000)

# Generate different Cauchy distributions using stats::dcauchy
# Standard Cauchy (θ = 0, σ = 1)
standard_cauchy <- dcauchy(x, location = 0, scale = 1)

# Location and Scale Adjusted (θ = 2, σ = 3)
adjusted_cauchy <- dcauchy(x, location = 2, scale = 3)

# Highly Scaled (θ = -1, σ = 5)
scaled_cauchy <- dcauchy(x, location = -1, scale = 5)

# Create a data frame for plotting
plot_data <- data.frame(
  x = rep(x, 3),
  density = c(standard_cauchy, adjusted_cauchy, scaled_cauchy),
  distribution = rep(c("Standard (θ=0, σ=1)", 
                      "Adjusted (θ=2, σ=3)", 
                      "Scaled (θ=-1, σ=5)"), 
                    each = length(x))
)

# Create the plot
ggplot(plot_data, aes(x = x, y = density, color = distribution)) +
  geom_line(size = 1) +
  theme_minimal() +
  labs(title = "Comparison of Cauchy Distributions",
       x = "x",
       y = "Density",
       color = "Parameters") +
  theme(legend.position = "bottom",
        plot.title = element_text(hjust = 0.5)) +
  scale_color_brewer(palette = "Set1")Được hỗ trợ bởi

Đoạn mã này tạo biểu đồ so sánh ba phân phối Cauchy khác nhau:

Phân phối Cauchy trong R. Ảnh do Tác giả thực hiện

1. Cauchy chuẩn (đường màu xanh lá): Với θ = 0 và σ = 1, đây là trường hợp cơ bản. Lưu ý đỉnh nhọn tại x = 0 và các đuôi nặng đối xứng.
2. Cauchy điều chỉnh vị trí (đường màu đỏ): Đặt θ = 2 sẽ tịnh tiến đỉnh sang phải trong khi vẫn giữ nguyên hình dạng. Điều này minh họa cách tham số vị trí ảnh hưởng đến tâm phân phối mà không thay đổi độ trải rộng.
3. Cauchy có tỷ lệ lớn (đường màu xanh dương): Với θ = -1 và σ = 5, đây là phân phối bị tịnh tiến và phẳng hơn nhiều. Tham số tỷ lệ lớn hơn tạo ra đuôi rộng, nặng hơn và giảm chiều cao đỉnh, cho thấy σ kiểm soát độ trải rộng như thế nào.

Biểu đồ cho thấy rõ việc tăng tham số tỷ lệ (σ) dẫn đến phân phối phẳng hơn và trải rộng hơn, trong khi tham số vị trí (θ) chỉ đơn thuần tịnh tiến toàn bộ phân phối sang trái hoặc phải.

Phân phối Cauchy trong Python

Sau khi khám phá các tham số của phân phối Cauchy trong R, hãy dùng Python để so sánh phân phối Cauchy với người họ hàng quen thuộc hơn, phân phối Chuẩn. Ngăn xếp tính toán khoa học của Python, đặc biệt là scipy.stats, cung cấp các công cụ tuyệt vời để làm việc với các phân phối xác suất.

Trong khi gói stats của R cung cấp quyền truy cập trực tiếp vào các hàm của phân phối Cauchy, mô-đun scipy.stats của Python mang lại chức năng tương tự với giao diện hơi khác. Chúng ta sẽ dùng matplotlib, thư viện vẽ chính của Python, để tạo trực quan hóa rõ ràng:

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

# Set style parameters for better visualization
plt.style.use('seaborn')
plt.rcParams.update({
    'font.size': 16,
    'axes.labelsize': 18,
    'axes.titlesize': 24,
    'xtick.labelsize': 16,
    'ytick.labelsize': 16,
    'legend.fontsize': 16,
})

# Create data
x = np.linspace(-10, 10, 1000)
cauchy = stats.cauchy.pdf(x, loc=0, scale=1)
normal = stats.norm.pdf(x, loc=0, scale=1)

# Create the plot
plt.figure(figsize=(12, 8))

# Plot distributions
plt.plot(x, cauchy, 'b-', linewidth=2.5, label='Cauchy(0,1)')
plt.plot(x, normal, 'r--', linewidth=2.5, label='Normal(0,1)')

# Customize the plot
plt.title('Cauchy vs Normal Distribution', pad=20)
plt.xlabel('x', labelpad=10)
plt.ylabel('Density', labelpad=10)

# Customize legend
plt.legend(fontsize=16, bbox_to_anchor=(0.99, 0.99), 
          loc='upper right', borderaxespad=0.)

# Add grid and adjust layout
plt.grid(True, alpha=0.3)
plt.tight_layout()

plt.show()Được hỗ trợ bởi

Đoạn mã trên tạo so sánh giữa phân phối Cauchy chuẩn (đường liền màu xanh) và phân phối Chuẩn chuẩn (đường gạch đỏ), cả hai đều có tâm tại 0 với tham số tỷ lệ bằng 1.

Phân phối Cauchy trong Python. Ảnh do Tác giả thực hiện

Biểu đồ này hé lộ một số điểm then chốt:

1. Chiều cao đỉnh: Phân phối Chuẩn đạt mật độ đỉnh cao hơn (xấp xỉ 0,4) so với phân phối Cauchy (xấp xỉ 0,32), cho thấy các giá trị tập trung quanh tâm nhiều hơn ở phân phối Chuẩn.
2. Đuôi nặng: Hãy để ý đường màu xanh của phân phối Cauchy vẫn cao hơn đường gạch đỏ của phân phối Chuẩn khi rời xa tâm. Những "đuôi nặng" này có nghĩa là các giá trị cực đoan có khả năng xảy ra cao hơn nhiều dưới phân phối Cauchy so với phân phối Chuẩn.
3. Hệ quả thực tiễn: Đuôi nặng hơn của phân phối Cauchy khiến nó phù hợp hơn để mô hình hóa các hiện tượng nơi các sự kiện cực đoan xảy ra thường xuyên hơn so với dự đoán của phân phối Chuẩn, như lợi suất thị trường tài chính hoặc một số hiện tượng vật lý.

So sánh này giúp giải thích tại sao phân phối Cauchy thường được dùng trong các kịch bản mà phân phối Chuẩn đánh giá thấp xác suất của các sự kiện cực đoan. Dù cả hai phân phối đều đối xứng quanh tâm, đuôi nặng của Cauchy khiến nó phù hợp hơn để mô hình hóa các hệ thống nơi ngoại lệ là điều thường gặp chứ không phải ngoại lệ hiếm hoi.

Khi nào phân phối Cauchy hữu ích

Phân phối Cauchy phục vụ những mục đích cụ thể trong phân tích và mô hình hóa dữ liệu. Hãy xem cách nó được dùng hiệu quả trong các lĩnh vực khác nhau.

Tài chính: Quản lý bất định thị trường

Mô hình hóa lợi suất

Thị trường tài chính nổi tiếng với tính khó lường, thường xuyên trải qua những cú biến động giá kịch tính mà theo giả định phân phối chuẩn thì được xem là "không thể xảy ra". Phân phối Cauchy tỏa sáng ở đây vì:

• Nó tự nhiên nắm bắt các sự kiện "thiên nga đen" như sụp đổ hay bứt phá thị trường.
• Nó phản ánh sát thực tế rằng các biến động thị trường cực đoan xảy ra thường xuyên hơn các mô hình truyền thống dự đoán.
• Nó không đánh giá thấp rủi ro của các biến động giá lớn.

Ví dụ, trong khủng hoảng tài chính 2008, nhiều mô hình truyền thống thất bại vì giả định phân phối chuẩn. Một mô hình dựa trên Cauchy sẽ dự liệu tốt hơn khả năng xuất hiện các biến động thị trường cực đoan như vậy.

Đánh giá rủi ro

Khi đánh giá rủi ro đầu tư, phân phối Cauchy mang lại góc nhìn thận trọng và thực tế hơn. Nó giúp nhà quản trị rủi ro đặt mức dự trữ vốn phù hợp hơn bằng cách tính đến các kịch bản cực đoan, ước tính tốt hơn xác suất lỗ/lãi đáng kể, và cung cấp mô hình thực tế hơn để kiểm thử sức chịu đựng danh mục. Cách tiếp cận này giúp các tổ chức tài chính chuẩn bị cho những sự kiện thị trường ít xảy ra nhưng tác động lớn.

Thống kê Bayes: Suy luận thống kê vững

Phân phối tiên nghiệm

Trong phân tích Bayes, chọn phân phối tiên nghiệm phù hợp là rất quan trọng. Phân phối Cauchy đặc biệt có giá trị ở đây vì:

• Đuôi nặng khiến nó ít có khả năng loại trừ vô tình các giá trị tham số quan trọng
• Nó đặc biệt hữu ích cho các tham số tỷ lệ (như độ lệch chuẩn) trong mô hình phân cấp
• Nó giúp ngăn mô hình trở nên quá tự tin vào các ước lượng của mình

Ví dụ, khi phân tích hiệu quả của một phương pháp điều trị y khoa mới, dùng tiên nghiệm Cauchy cho cỡ hiệu ứng giúp đảm bảo chúng ta không đánh giá thấp khả năng xuất hiện hiệu ứng điều trị lớn.

Hồi quy vững

Hồi quy truyền thống có thể bị ảnh hưởng nặng bởi các ngoại lệ. Dùng sai số tuân theo phân phối Cauchy giúp xây dựng các mô hình vững hơn bằng cách khiến mô hình kém nhạy cảm với các quan sát cực đoan. Kết quả vẫn đáng tin cậy ngay cả khi dữ liệu chứa ngoại lệ, và dự báo ổn định hơn khi có các điểm dữ liệu bất thường. Tính vững này khiến sai số phân phối Cauchy đặc biệt hữu ích khi làm việc với dữ liệu thực tế vốn thường có các giá trị bất ngờ hoặc cực đoan.

Học máy và khoa học dữ liệu: Xây dựng mô hình bền bỉ

Thuật toán vững

Học máy hiện đại thường xử lý dữ liệu ồn ào, ngoài đời thực. Phân phối Cauchy giúp xây dựng các thuật toán bền bỉ hơn bằng cách:

• Cung cấp mô hình tốt hơn cho nhiễu trong dữ liệu cảm biến
• Giúp xử lý ngoại lệ trong dữ liệu huấn luyện mà không cần loại bỏ chúng
• Giúp thuật toán học vững hơn trước các điểm dữ liệu bị hỏng

Ví dụ, trong thị giác máy tính, dùng mô hình nhiễu phân phối Cauchy có thể giúp thuật toán xử lý tốt hơn các lỗi ảnh hoặc trục trặc cảm biến.

Mô hình sinh

Trong các ứng dụng học máy nâng cao, phân phối Cauchy giúp tạo ra các mô hình linh hoạt hơn. Nó hữu ích trong bộ tự mã biến phân khi dữ liệu có thể mang đặc trưng đuôi nặng, giúp tạo dữ liệu tổng hợp thực tế hơn có bao gồm đôi khi các giá trị cực đoan, và có giá trị trong mô hình hóa không gian tiềm ẩn nơi các phân phối chuẩn có thể quá ràng buộc. Tính linh hoạt này khiến phân phối Cauchy đặc biệt hữu ích trong các tác vụ mô hình sinh, nơi việc nắm bắt đầy đủ dải biến thiên có thể có của dữ liệu là quan trọng.

Dễ nhầm phân phối Cauchy với các phân phối khác

Việc nhầm lẫn phân phối Cauchy với các phân phối tương tự khác là khá phổ biến. Hãy cùng khám phá những khác biệt chính để giúp bạn chọn đúng cho phân tích của mình.

Phân phối Cauchy so với phân phối chuẩn

Phân phối chuẩn thường là lựa chọn mặc định cho nhiều phân tích, nhưng có những khác biệt quan trọng giữa nó và phân phối Cauchy:

Hành vi đuôi 

Mặc dù cả hai phân phối đều đối xứng, phần đuôi kể những câu chuyện rất khác nhau: Phân phối chuẩn cho rằng các giá trị vượt quá ba độ lệch chuẩn là cực kỳ hiếm. Phân phối Cauchy cho biết các giá trị cực đoan phổ biến hơn nhiều so với bạn tưởng.

Tính chất thống kê 

Hai phân phối này khác nhau một cách căn bản ở cách ta có thể phân tích chúng: Phân phối chuẩn có các moment xác định (trung bình = μ, phương sai = σ²). Phân phối Cauchy không có trung bình hay phương sai xác định, khiến các phương pháp thống kê truyền thống không dùng được.

Hệ quả thực tiễn 

Sự khác biệt này quan trọng trong ứng dụng thực tế: Hãy dùng phân phối chuẩn khi dữ liệu của bạn tụ quanh một giá trị trung tâm với độ phân tán dự đoán được. Hãy dùng phân phối Cauchy khi dữ liệu của bạn thường xuyên có các giá trị cực đoan mà dưới giả định chuẩn sẽ là "không thể".

Cauchy so với phân phối Laplace

Phân phối Laplace thoạt nhìn có thể giống Cauchy, nhưng có những khác biệt then chốt phân biệt chúng:

Hành vi đuôi 

Cả hai đều có đuôi nặng hơn phân phối chuẩn, nhưng khác nhau ở mức độ nặng: Đuôi của phân phối Laplace suy giảm theo hàm mũ. Đuôi của phân phối Cauchy suy giảm chậm hơn (đa thức), khiến các giá trị cực đoan còn có khả năng xảy ra cao hơn.

Tính đối xứng 

Cả hai đều đối xứng quanh tâm, nhưng khác nhau ở cách đuôi cư xử: Phân phối Laplace có đuôi suy giảm theo hàm mũ. Phân phối Cauchy có đuôi suy giảm theo đa thức, nặng hơn Laplace.

Trường hợp sử dụng thực tế 

Hiểu những khác biệt này giúp chọn công cụ phù hợp: Dùng phân phối Laplace khi bạn kỳ vọng đôi khi có ngoại lệ nhưng vẫn cần các moment xác định. Dùng phân phối Cauchy khi bạn kỳ vọng thường xuyên có giá trị cực đoan và không cần tính trung bình.

Kết luận

Phân phối Cauchy, tuy không được ứng dụng rộng rãi như phân phối chuẩn, nhưng lại có ý nghĩa quan trọng ở những lĩnh vực nơi dữ liệu thể hiện hành vi đuôi nặng, cần tính vững trước ngoại lệ, hoặc quan tâm đến các tính chất lý thuyết của phân phối ổn định. Dù trong vật lý, tài chính hay thống kê Bayes, hiểu phân phối Cauchy giúp bạn mô hình hóa và diễn giải dữ liệu có biến thiên lớn và nhiều ngoại lệ tốt hơn.

Để hiểu sâu hơn về các phân phối xác suất liên quan, bạn có thể thấy chuỗi sau hữu ích: Hướng dẫn về Phân phối Gaussian của chúng tôi khám phá phân phối xác suất được dùng rộng rãi nhất, đóng vai trò đối chứng tuyệt vời với hành vi đuôi nặng của Cauchy. Hướng dẫn Phân phối Poisson đi sâu vào mô hình hóa các sự kiện rời rạc theo thời gian hoặc không gian, trong khi hướng dẫn Phân phối Nhị thức giải thích toán học đằng sau các chuỗi thử nghiệm độc lập. Với những ai quan tâm đến nền tảng lý thuyết xác suất, hướng dẫn Phân phối Bernoulli cung cấp góc nhìn về các khối xây dựng của những phân phối phức tạp hơn.