Hàm khối xác suất: Hướng dẫn về các phân phối rời rạc

Trong xác suất và thống kê, khả năng xảy ra của một kết quả đối với biến ngẫu nhiên rời rạc được định lượng bằng hàm khối xác suất (PMF), trong khi với biến liên tục, chúng ta dùng hàm mật độ xác suất (PDF).

Dù là mô hình hóa tung đồng xu, hỏng hóc thiết bị hay lượt nhấp của người dùng trên trang web, PMF giúp chúng ta định lượng khả năng của các kết quả khác nhau.

Tìm hiểu về Hàm khối xác suất

Công thức của hàm khối xác suất

Về mặt toán học, hàm khối xác suất của một biến ngẫu nhiên rời rạc X được định nghĩa là:

Trong đó:

• X là một biến ngẫu nhiên rời rạc,
• x là một giá trị mà X có thể nhận,
• p(x) là xác suất để X bằng x.

Hai điều kiện then chốt phải được thỏa mãn để PMF hợp lệ:

1. Không âm

2. Tổng xác suất phải bằng một

Các điều kiện này đảm bảo mọi xác suất được gán đều hợp lý về mặt logic và toán học. PMF cung cấp mô tả đầy đủ về phân phối của X, giúp tính được kỳ vọng, phương sai và các thước đo thống kê khác.

Định nghĩa và các tính chất chính

PMF có một số tính chất xác định nổi bật:

• Tính rời rạc: PMF chỉ áp dụng cho các biến ngẫu nhiên rời rạc, tức biến có thể nhận các giá trị đếm được (như 0, 1, 2, ...).
• Chuẩn hóa: Tổng PMF trên mọi giá trị có thể của X phải đúng bằng 1.
• Gán xác suất riêng lẻ: Mỗi giá trị khả dĩ x được gán một xác suất cụ thể p(x), thể hiện mức độ khả dĩ của kết quả đó.

Ví dụ, PMF khi gieo một con xúc xắc công bằng sáu mặt là:

Ở đây, mỗi giá trị từ 1 đến 6 có xác suất xuất hiện như nhau, và tổng mọi xác suất bằng 1.

Hàm khối xác suất so với Hàm mật độ xác suất

Hãy tìm hiểu chi tiết sự khác nhau giữa PMF và PDF và cách chúng lần lượt mô hình hóa phân phối rời rạc d và liên tục:

Ví dụ về PMF

Hãy xét một ví dụ PMF kinh điển: tung đồng xu công bằng (thử nghiệm Bernoulli):

Hãy thực hiện một thử nghiệm Bernoulli trong Python để hiểu rõ hơn.

import matplotlib.pyplot as plt
from scipy.stats import bernoulli
# Parameters
p = 0.5  # Probability of Heads
# PMF for a fair coin
x = [0, 1]  # 0 = Tails, 1 = Heads
pmf_values = bernoulli.pmf(x, p)

# Plotting
plt.bar(x, pmf_values, tick_label=['Tails (0)', 'Heads (1)'])
plt.title('PMF of a Fair Coin Toss (Bernoulli Trial)')
plt.ylabel('Probability')
plt.xlabel('Outcome')
plt.grid(axis='y', linestyle='--')
plt.show()Được hỗ trợ bởi

Ví dụ về PDF

Đây là một ví dụ về PDF: đo chiều cao của một người (biến liên tục).

PDF có thể cho thấy mật độ xác suất cao nhất quanh 170 cm, nhưng xác suất của bất kỳ chiều cao chính xác nào về mặt kỹ thuật đều bằng 0.

Một lần nữa, hãy hiểu điều này bằng ví dụ mã.

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

# Parameters
mu = 170   # mean height
sigma = 10  # standard deviation

# Continuous range of heights
x = np.linspace(130, 210, 500)

pdf_values = norm.pdf(x, mu, sigma)

# Plotting
plt.plot(x, pdf_values, label='PDF')
plt.title('PDF of Human Height (Normal Distribution)')
plt.xlabel('Height (cm)')
plt.ylabel('Probability Density')
plt.grid(True)
plt.axvline(mu, color='red', linestyle='--', label='Mean (170 cm)')
plt.legend()
plt.show()Được hỗ trợ bởi

Trong khi PMF gán xác suất thực cho các kết quả cụ thể, PDF mô tả mức độ khả dĩ tương đối của các kết quả trong một khoảng.

Các phân phối rời rạc thường gặp dùng PMF

Các ví dụ phổ biến về phân phối xác suất rời rạc là phân phối Bernoulli, nhị thức, hình học và Poisson. Hãy cùng xem từng loại.

PMF của phân phối Bernoulli

Phân phối Bernoulli mô hình hóa một thí nghiệm đơn với chỉ hai kết quả có thể: thành công (1) và thất bại (0).

Trong đó p là xác suất thành công.

Ví dụ: tung đồng xu công bằng với thành công = ngửa:

PMF của phân phối nhị thức

Phân phối Nhị thức khái quát phân phối Bernoulli cho nhiều lần thử:

Trong đó:

• n là số lần thử độc lập,
• p là xác suất thành công ở mỗi lần thử,
• x là số lần thành công.

Một ví dụ là đếm số sản phẩm lỗi trong một lô hàng.

PMF của phân phối hình học

Phân phối hình học dùng để mô hình hóa số lần thất bại trước lần thành công đầu tiên trong các thử nghiệm Bernoulli độc lập lặp lại:

Một ví dụ thường gặp là số lần tung đồng xu cho đến khi xuất hiện mặt ngửa đầu tiên.

PMF của phân phối Poisson

Phân phối Poisson mô hình hóa số lượng sự kiện trong một khoảng thời gian hoặc không gian cố định:

Trong đó λ là số sự kiện kỳ vọng trên mỗi khoảng.

Ví dụ: số lượt khách đến một trung tâm dịch vụ mỗi giờ.

Trực quan hóa Hàm khối xác suất

PMF thường được trực quan hóa bằng biểu đồ cột, trong đó:

• Trục x biểu diễn các giá trị có thể của biến ngẫu nhiên.
• Trục y biểu diễn xác suất được PMF gán.

Dưới đây là một bảng ví dụ: gieo một con xúc xắc công bằng

Các trực quan hóa như vậy giúp dễ dàng hơn để:

• Diễn giải phân phối một cách trực quan,
• So sánh các xác suất tương đối,
• Nhận biết phân phối lệch hay đối xứng.

Ứng dụng của Hàm khối xác suất

PMF được dùng trong nhiều lĩnh vực:

Thống kê

Để tính giá trị kỳ vọng:

và phương sai:

.

Học máy

Trong các thuật toán phân loại (ví dụ, Naive Bayes), PMF mô tả khả năng của các đặc trưng dạng phân loại. Các mô hình xác suất như Mô hình Markov ẩn cũng phụ thuộc vào PMF cho chuyển trạng thái và phát xạ.

Kỹ thuật độ tin cậy

PMF giúp xác định xác suất một hệ thống hoặc thành phần hỏng tại một bước thời gian cụ thể.

Kinh tế và tài chính

Mô hình hóa các kịch bản thị trường hoặc kết quả đầu tư nơi số kết quả là hữu hạn và phân biệt.

Suy luận Bayes

PMF đóng vai trò là phân phối tiên nghiệm trong các mô hình Bayes rời rạc. Khi có bằng chứng mới, PMF tiên nghiệm được cập nhật thành PMF hậu nghiệm, giúp cập nhật Bayes khả thi cho các bài toán rời rạc.

Nếu bạn muốn tìm hiểu cách xác suất có điều kiện hoạt động, hãy xem hướng dẫn Xác suất có điều kiện: Góc nhìn cận cảnh của chúng tôi.

Mô phỏng Monte Carlo

PMF cũng rất quan trọng trong mô phỏng Monte Carlo, đặc biệt cho các hệ thống có kết quả rời rạc và ngẫu nhiên. Các mô phỏng này sử dụng lấy mẫu ngẫu nhiên từ PMF để ước lượng hành vi hoặc hiệu năng của mô hình qua nhiều lần lặp.

Kết luận

Hàm khối xác suất cung cấp cấu trúc toán học để mô hình hóa các biến ngẫu nhiên rời rạc, khác với PDF xử lý các biến liên tục. Chúng cho phép mô hình hóa mạnh mẽ trên nhiều lĩnh vực, từ tung đồng xu cơ bản đến các hệ thống học máy phức tạp.

Điểm chính:

• PMF không âm và có tổng bằng 1 trên mọi giá trị có thể.
• Chúng xác định hình dạng và đặc trưng của các phân phối xác suất rời rạc.
• PMF thiết yếu trong nhiều ứng dụng, từ thống kê cổ điển đến AI hiện đại và tài chính.
• Trong suy luận Bayes và các phương pháp Monte Carlo, PMF giữ vai trò trung tâm trong việc cập nhật niềm tin và mô phỏng các hệ thống bất định.

Nếu bạn muốn tìm hiểu sâu hơn về lý thuyết xác suất, việc khám phá hàm phân phối tích lũy (CDF) và các phép tính kỳ vọng sẽ làm phong phú thêm hiểu biết về cách định lượng và tận dụng bất định trong ra quyết định. Khám phá các khóa học của chúng tôi:

• Mô phỏng Monte Carlo bằng Python
• Nền tảng Xác suất trong Python