Bước Ngẫu Nhiên Theo Từng Nhịp: Khám phá mô hình Random Walk

Trong khóa học thống kê đầu tiên dựa trên lập trình ở đại học, thầy tôi đặt một câu hỏi: làm thế nào chúng ta có thể mô hình hóa chuyển động Brown của một hạt phấn hoa đơn lẻ trong một đĩa nước? Sau vài lần thử sai, tôi và các bạn cùng lớp cuối cùng cũng tìm ra câu trả lời đúng: random walk (bước đi ngẫu nhiên). Sau này tôi biết rằng mô hình đơn giản này được dùng để mô tả đủ loại hiện tượng, từ chuyển động của động vật đến biến động giá cổ phiếu.

Trong bài viết này, chúng ta sẽ khám phá nền tảng toán học của random walk, xem xét các biến thể khác nhau và thảo luận về ứng dụng của chúng. Một phần khiến random walk thú vị là nó được dùng trong rất nhiều lĩnh vực. Bên cạnh ví dụ của tôi, trong vật lý, nó giúp mô tả chuyển động hạt; trong tài chính, nó mô hình hóa biến động giá cổ phiếu; và trong sinh học, nó giải thích các kiểu di chuyển của động vật. Random walk nắm bắt tính ngẫu nhiên của thế giới thực, điều then chốt để mô phỏng các quá trình ngẫu nhiên.

Với những ai muốn xây dựng nền tảng vững chắc về thống kê làm cơ sở cho lý thuyết random walk, chúng tôi khuyến nghị bắt đầu với khóa học Introduction to Statistics in R hoặc khóa học Introduction to Statistics in Python.

Random Walk là gì?

Trong lý thuyết xác suất, random walk là một mô hình mô tả một chuỗi các bước ngẫu nhiên tạo thành một quỹ đạo. Hay nói cách khác, random walk là một mô hình toán học mô tả một đường đi được tạo bởi một chuỗi bước, mỗi bước được xác định độc lập với một xác suất nhất định. Tính ngẫu nhiên này khiến random walk vốn dĩ khó dự đoán.

Hãy tưởng tượng một người ở mỗi thời điểm bước theo một hướng ngẫu nhiên. Theo thời gian, quỹ đạo của họ tạo thành một vệt quanh co, khó đoán. Dù đơn giản, khái niệm này lại có chiều sâu và tính linh hoạt đáng ngạc nhiên, mô phỏng nhiều kịch bản đời thực có yếu tố ngẫu nhiên.

Một diễn giải khái niệm về random walk. Hình ảnh do napkin.ai cung cấp.

Ý tưởng về random walk có từ những nghiên cứu xác suất ban đầu. Một ví dụ sớm, thường gọi là bước đi của người say, minh họa rằng một người bước ngẫu nhiên sẽ đi chệch choạc thay vì tiến có định hướng đến đích. Tính ngẫu nhiên này, cùng giả định rằng mỗi bước độc lập với các bước trước đó, đã đặt nền tảng cho các mô hình random walk hiện đại.

Hiểu Toán học đằng sau Random Walk

Để hiểu random walk, hãy bắt đầu với trường hợp đơn giản: random walk một chiều (1D). Hãy tưởng tượng một hạt trên trục số. Mỗi bước, nó có thể di chuyển +1 hoặc -1 trên trục số. Mỗi lần di chuyển được quyết định với xác suất bằng nhau giữa phải và trái. Theo thời gian, vị trí của hạt tạo thành một phân phối xác suất lan rộng, biểu thị khả năng tìm thấy nó tại các vị trí khác nhau.

Nguyên lý này có thể mở rộng sang hai hoặc ba chiều. Trong random walk hai chiều (2D), hạt di chuyển trên mặt phẳng và có thể bước theo bốn hướng chính (lên, xuống, trái, phải) với xác suất bằng nhau. Tương tự, trong random walk ba chiều (3D), hạt di chuyển trong không gian và có thể bước theo sáu hướng (lên, xuống, trái, phải, tiến, lùi) với xác suất bằng nhau. Những random walk ở chiều cao hơn này nắm bắt các kịch bản phức tạp và thực tế hơn.

Một đặc trưng của random walk là tính ngẫu nhiên theo nghĩa hẹp: mỗi bước chỉ phụ thuộc vào vị trí hiện tại chứ không phụ thuộc vào những bước trước đó. Điều này khiến chúng trở thành một dạng quá trình Markov—một khái niệm toán học trong đó trạng thái tương lai chỉ phụ thuộc vào trạng thái hiện tại, không phụ thuộc vào chuỗi sự kiện đã xảy ra. Sự “không nhớ” này, kết hợp với các phân phối xác suất mô tả vị trí có thể có, cung cấp nền tảng toán học vững chắc để hiểu random walk.

Chúng ta có thể phân tích random walk bằng các thuộc tính thống kê để hiểu hành vi của nó theo thời gian. Điều này bao gồm xem xét các khía cạnh như khoảng cách kỳ vọng từ điểm xuất phát, phân phối xác suất của các vị trí có thể, và khả năng quay về gốc. Những phân tích này giúp định lượng tính ngẫu nhiên và khả năng dự đoán, cung cấp hiểu biết về các mẫu và đưa ra dự báo.

Các Thuộc tính Chính của Random Walk

Random walk có một số thuộc tính quan trọng giúp chúng ta hiểu hành vi và ứng dụng của chúng. Dưới đây là một số điểm then chốt cần xem xét:

Kỳ vọng và phương sai

Trong random walk một chiều, chúng ta có thể tính khoảng cách kỳ vọng (hoặc vị trí trung bình) so với điểm xuất phát theo thời gian. Nếu mỗi bước có xác suất bằng nhau để đi trái hoặc phải, vị trí kỳ vọng sau nhiều bước vẫn là 0, ngụ ý rằng trung bình người đi sẽ ở gần điểm xuất phát.

Tuy nhiên, phương sai của vị trí, đo độ phân tán của các vị trí có thể, tăng theo mỗi bước. Cụ thể, trong một random walk đối xứng, phương sai tăng tuyến tính theo số bước, khiến nó trở thành chỉ báo hữu ích về khoảng cách điển hình so với gốc theo thời gian.

Tự tương quan

Trong khi random walk đơn giản không có tương quan giữa các bước (mỗi bước độc lập với bước trước), một số loại random walk đưa vào tự tương quan, nơi các bước trước có thể ảnh hưởng đến các bước sau. Ví dụ, trong một random walk có thiên lệch, các bước có xu hướng hơi nghiêng về một hướng, khiến vị trí trở nên dễ dự đoán hơn.

Tự tương quan trong random walk ảnh hưởng đến cách chúng ta mô hình hóa và dự đoán sự tiến triển của nó. Điều này đặc biệt liên quan trong các ứng dụng mà hành vi quá khứ ảnh hưởng đến các bước tương lai, như một số mô hình tài chính.

Định lý giới hạn trung tâm

Định lý giới hạn trung tâm (CLT) cho chúng ta biết tổng của một số lượng lớn biến ngẫu nhiên độc lập có xu hướng tuân theo phân phối chuẩn (Gaussian), bất kể phân phối gốc ra sao. Trong bối cảnh random walk, điều này có nghĩa là khi số bước tăng lên, phân phối vị trí có xu hướng giống phân phối chuẩn. Đây là một thuộc tính hữu ích vì nó cho phép chúng ta xấp xỉ xác suất tìm thấy người đi tại các khoảng cách nhất định so với điểm xuất phát.

Luật số lớn

Luật số lớn (LLN) giải thích rằng khi số phép thử hoặc số bước tăng lên, trung bình của các kết quả sẽ hội tụ về giá trị trung bình thực. Với random walk, điều này có nghĩa là trong khi vị trí trung bình vẫn là 0, phương sai và phạm vi vị trí có thể sẽ tăng một cách có quy luật theo mỗi bước bổ sung. Nguyên tắc này giúp nối kết giữa tính ngẫu nhiên thuần túy và các mẫu thống kê có thể dự đoán trong các mẫu lớn.

Các Loại Random Walk

Random walk rất đa dạng tùy thuộc vào quy tắc chi phối mỗi bước. Những loại này ảnh hưởng đến cách random walk hành xử. Một số được thiết kế cho môi trường đơn giản hoặc có cấu trúc, trong khi số khác phù hợp với hiện tượng phức tạp, đời thực. Hãy cùng khám phá một số loại phổ biến nhất.

Random walk 1D, 2D và 3D

Tính chiều của random walk đóng vai trò nền tảng trong hành vi của nó. Trong random walk 1D, mỗi bước là tiến hoặc lùi dọc theo một đường thẳng. Điều này khiến mô hình tương đối dễ xây dựng và dự đoán.

Tuy nhiên, khi chuyển sang 2D (mặt phẳng) và 3D (không gian), số đường đi có thể tăng lên đáng kể, giới thiệu những hành vi mới. Chẳng hạn, trong random walk 2D, xác suất quay về điểm xuất phát vẫn cao, trong khi ở 3D, xác suất này giảm xuống.

Sự thay đổi này quan trọng trong các lĩnh vực như vật lý và hóa học, nơi các hạt có thể khuếch tán khác nhau tùy theo ràng buộc về chiều.

Random walk trên mạng lưới (lattice)

Trong random walk trên mạng lưới, chuyển động bị giới hạn ở các điểm rời rạc trên một lưới. Loại random walk này thường được dùng trong vật lý và lý thuyết mạng, nơi các nút được sắp xếp theo lưới và chỉ có thể di chuyển sang các nút lân cận.

Một ví dụ phổ biến là lưới 2D, nơi mỗi bước cho phép di chuyển đến các điểm kề trên lưới Descartes. Ràng buộc này đơn giản hóa việc mô hình hóa bằng cách giới hạn đường đi, hữu ích khi mô phỏng các mạng phức tạp hoặc cấu trúc phân tử.

Random walk Gaussian

Trong random walk Gaussian, kích thước mỗi bước được xác định bởi một phân phối Gaussian (chuẩn). Thay vì di chuyển một khoảng cố định, độ dài bước thay đổi theo phân phối hình chuông, với đa số là bước nhỏ và đôi khi có bước nhảy lớn. Loại random walk này thường được dùng trong mô hình tài chính để tính đến biến thiên trong thay đổi giá tài sản.

Random walk không đồng nhất và có thiên lệch

Random walk không đồng nhất và có thiên lệch cho phép biến thiên ở hướng và độ dài bước dựa trên một số xác suất. Tính linh hoạt này khiến chúng thích ứng hơn với các kịch bản đời thực.

Trong random walk không đồng nhất, xác suất di chuyển theo mỗi hướng có thể thay đổi tùy vị trí hoặc điều kiện bên ngoài. Ví dụ, động vật tìm kiếm thức ăn có thể ưu tiên khu vực có nguồn tài nguyên đã biết, tạo ra random walk có thiên lệch. Những random walk này hữu ích khi nghiên cứu các hành vi phụ thuộc vào bối cảnh.

Random walk có drift

Trong random walk có drift, có một xu hướng ổn định di chuyển về một hướng. Chẳng hạn, giá cổ phiếu có thể thể hiện xu hướng tăng tổng thể theo thời gian dù biến động hàng ngày. Drift trong các random walk này đại diện cho một lực hoặc xu thế bên ngoài tác động lên quỹ đạo. Loại này thường thấy trong tài chính, nơi các mô hình đưa vào thành phần drift để biểu diễn tăng trưởng hoặc suy giảm, mang lại cách tiếp cận thực tế hơn cho dự báo giá tài sản và xu hướng thị trường.

Mỗi loại random walk trên phục vụ một mục đích riêng, cung cấp các cách khác nhau để mô hình hóa hành vi vừa ngẫu nhiên vừa có cấu trúc. Ràng buộc về chiều, phân phối độ dài bước, và sự hiện diện của drift hoặc thiên lệch khiến random walk cực kỳ linh hoạt cho mô hình hóa dữ liệu và mô phỏng trên nhiều lĩnh vực.

Ứng dụng Thực tế của Random Walk

Random walk không chỉ là cấu trúc lý thuyết; chúng đóng vai trò thiết yếu trong nhiều ứng dụng thực tiễn trên các lĩnh vực. Hãy xem cách random walk hỗ trợ giải quyết vấn đề trong thế giới thực trên nhiều ngành.

Ứng dụng trong khoa học dữ liệu và machine learning

Khoa học máy tính

Random walk là nền tảng của một số thuật toán khoa học máy tính, như lấy mẫu ngẫu nhiên, duyệt đồ thị web và phân đoạn ảnh. Ví dụ, thuật toán PageRank của Google đã dùng random walk để xếp hạng trang web theo mức độ liên quan, mô phỏng cách một người dùng có thể điều hướng ngẫu nhiên giữa các liên kết trên internet.

Trích xuất đặc trưng

Trong machine learning, random walk có thể giúp trích xuất đặc trưng bằng cách làm nổi bật các mối quan hệ giữa các điểm dữ liệu. Ví dụ, trong phân tích mạng, random walk có thể hé lộ các cụm hoặc cộng đồng, hỗ trợ các tác vụ như hệ thống gợi ý và phân tích mạng xã hội.

Phát hiện bất thường

Random walk cũng có thể dùng để phát hiện bất thường trong tập dữ liệu. Chẳng hạn, nếu các điểm dữ liệu lệch đáng kể khỏi quỹ đạo điển hình trong một mô hình random walk, các điểm này có thể chỉ ra sự kiện bất thường hoặc lỗi dữ liệu. Phát hiện bất thường đặc biệt hữu ích trong các lĩnh vực như an ninh mạng và phát hiện gian lận.

Mô phỏng các quá trình ngẫu nhiên

Random walk mô phỏng các quá trình ngẫu nhiên, cho phép nhà khoa học dữ liệu mô hình hóa các hiện tượng đời thực khó dự đoán. Bằng cách mô phỏng random walk, chúng ta có thể hiểu sâu hơn về các hệ thống nơi việc dự báo chính xác là thách thức, như mô hình thời tiết hoặc hành vi khách hàng.

Dự báo chuỗi thời gian

Trong phân tích chuỗi thời gian, random walk là cơ sở cho một số mô hình dự báo, bao gồm giả thuyết random walk trong tài chính. Các mô hình này giả định rằng giá trị tương lai của chuỗi chỉ phụ thuộc vào giá trị gần nhất, không có tương quan với các xu hướng quá khứ. Để tìm hiểu thêm về dự báo chuỗi thời gian, hãy xem ARIMA for Time Series Forecasting: A Complete Guide. Bạn cũng có thể học khóa Forecasting in R với Giáo sư Hyndman, người kết nối các mô hình random walk với phương pháp dự báo ngây thơ và ngây thơ theo mùa.

Ứng dụng trong các lĩnh vực khác

Tài chính

Một trong những ứng dụng đáng chú ý nhất của random walk là trong mô hình tài chính, đặc biệt để dự đoán giá cổ phiếu. Giả thuyết thị trường hiệu quả cho rằng biến động giá cổ phiếu về cơ bản là ngẫu nhiên, vì thông tin mới được hấp thụ ngay lập tức, khiến giá tương lai khó dự đoán. Random walk có thể được dùng để mô hình hóa thay đổi giá theo thời gian, minh họa cách giá biến động không theo một lộ trình có thể dự đoán.

Toán học

Trong toán học thuần túy, random walk cung cấp lời giải cho các bài toán phức tạp. Chẳng hạn, chúng hữu ích trong giải phương trình Laplace, phân tích mạng và tổ hợp.

Vật lý và hóa học

Trong khoa học vật lý, random walk rất quan trọng để mô hình hóa các quá trình khuếch tán, như cách các phân tử lan tỏa qua một môi trường. Chuyển động Brown, nơi các hạt lơ lửng trong chất lỏng di chuyển khó đoán do va chạm với các phân tử xung quanh, là ví dụ kinh điển có thể mô phỏng chính xác bằng random walk. Đây thực ra là cách tôi lần đầu học về random walk.

Sinh học

Random walk hữu ích trong sinh thái học để nghiên cứu kiểu di chuyển của động vật. Động vật tìm kiếm thức ăn có vẻ di chuyển theo random walk, đôi khi thiên về các vùng có nguồn tài nguyên đã biết. Các khái niệm sinh học khác, như sự lan rộng của quần thể hoặc gen, cũng thường có thể được mô hình hóa bằng nguyên lý random walk, giúp dễ hiểu và dự đoán thay đổi trong hệ sinh thái.

Các Trường hợp Đặc biệt và Biến thể của Random Walk

Bên cạnh random walk cổ điển, một số biến thể nâng cao mở rộng khái niệm để phù hợp với các ứng dụng chuyên biệt.

Bước đi tự tránh (self-avoiding)

Self-avoiding walk là random walk trong đó quỹ đạo không đi lại bất kỳ vị trí nào đã đi qua. Biến thể này đặc biệt hữu ích trong các lĩnh vực như hóa học polymer, nơi nó có thể mô hình hóa cách chuỗi polymer hình thành mà không tự cắt nhau. Vì mỗi bước tránh các điểm đã ghé, self-avoiding walk bị ràng buộc nhiều hơn random walk truyền thống. Điều này khiến chúng thách thức về tính toán nhưng hữu ích để hiểu các quỹ đạo không chồng lấn trong không gian hạn chế.

Phân nhánh

Trong random walk phân nhánh, quỹ đạo có thể tách thành nhiều nhánh, mỗi nhánh theo một random walk riêng. Loại này rất quan trọng khi mô hình hóa các quá trình phân nhánh như phân chia tế bào hoặc sự lan truyền thông tin qua mạng. Mỗi “nhánh” đại diện cho một đường ngẫu nhiên độc lập xuất phát từ cùng một nguồn.

Bước đi có tương quan

Bước đi có tương quan tiến thêm một bước, trong đó hướng của mỗi bước bị ảnh hưởng một phần bởi bước trước đó. Biến thể này hữu ích để mô hình hóa quán tính trong các hệ thống mà thay đổi diễn ra dần dần hơn là hoàn toàn ngẫu nhiên. Bước đi có tương quan thường được áp dụng trong tài chính để mô phỏng xu hướng giá hoặc trong sinh thái học chuyển động để hiểu cách động vật điều hướng môi trường với một phần “ký ức” về hướng đã đi.

Bước đi xóa vòng lặp

Loop-erased walk là biến thể trong đó các vòng lặp, hay các quỹ đạo tự cắt, được loại bỏ ngay khi hình thành. Mỗi lần một bước quay lại vị trí đã ghé, vòng lặp ở giữa bị xóa, để lại một đường đi gọn, không lặp lại. Loop-erased walk thường được áp dụng trong phân tích mạng và thuật toán tạo mê cung vì chúng tạo ra đường đi tránh dư thừa.

Triển khai Random Walk bằng Python

Hãy thử triển khai một random walk bằng Python. Để bắt đầu, hãy bảo đảm bạn đã cài Python (chúng ta dùng Python 3.10) và các thư viện cần thiết. Bạn có thể cài các thư viện còn thiếu bằng pip. Dưới đây là những gì chúng ta sẽ dùng:

import numpy as np # for numerical operations and generating random steps
import matplotlib.pyplot as plt # for plotting and visualizing the random walksĐược hỗ trợ bởi

Random walk 1D

Chúng ta sẽ bắt đầu với random walk một chiều đơn giản, trong đó mỗi bước là +1 hoặc -1, được chọn ngẫu nhiên.

# Parameters
n_steps = 100  # Number of steps

# Generate random steps: +1 or -1
steps = np.random.choice([-1, 1], size=n_steps)

# Calculate positions
positions = np.cumsum(steps)

# Plot the random walk
plt.figure(figsize=(10, 6))
plt.plot(positions, marker='o', linestyle='-', markersize=4)
plt.title("1D Random Walk")
plt.xlabel("Step")
plt.ylabel("Position")
plt.grid(True)
plt.show()Được hỗ trợ bởi

Đoạn mã này tạo ra một random walk đơn giản và trực quan hóa sự tiến triển theo thời gian. Dưới đây là đầu ra khi tôi chạy mã:

Hãy nhớ rằng, chúng ta đang chạy một mô hình ngẫu nhiên. Điều này có nghĩa là mỗi lần chạy, đầu ra sẽ trông hơi khác nhau.

Random walk 2D

Giờ hãy mở rộng random walk sang hai chiều. Ở mỗi bước, hướng đi sẽ được chọn ngẫu nhiên.

# Parameters
n_steps = 500

# Generate random steps in x and y directions
x_steps = np.random.choice([-1, 1], size=n_steps)
y_steps = np.random.choice([-1, 1], size=n_steps)

# Calculate positions
x_positions = np.cumsum(x_steps)
y_positions = np.cumsum(y_steps)

# Plot the 2D random walk
plt.figure(figsize=(8, 8))
plt.plot(x_positions, y_positions, marker='o', linestyle='-', markersize=2, label='Random Walk')
plt.plot(x_positions[0], y_positions[0], 'ro', markersize=8, label='Start')  # Red dot for start
plt.plot(x_positions[-1], y_positions[-1], 'ko', markersize=8, label='End')  # Black dot for end
plt.title("2D Random Walk")
plt.xlabel("X Position")
plt.ylabel("Y Position")
plt.grid(True)
plt.axis('equal')  # Ensures equal scaling for both axes
plt.legend()
plt.show()Được hỗ trợ bởi

Đoạn mã này tạo ra một quỹ đạo trực quan sinh động trong hai chiều.

Kiểu random walk hai chiều này có thể được điều chỉnh để phù hợp với các ứng dụng như chuyển động hạt hoặc mô hình không gian.

Random walk có thiên lệch

Cuối cùng, hãy xem một ví dụ phức tạp hơn đôi chút: random walk có thiên lệch. Để đưa vào thiên lệch, chúng ta có thể điều chỉnh xác suất của mỗi hướng bước. Ví dụ, ta có thể khiến bước lên trên có khả năng cao hơn.

# Parameters
n_steps = 100
bias = 0.7  # Probability of stepping +1

# Generate biased random steps in x and y directions
x_steps = np.random.choice([-1, 1], size=n_steps, p=[1-bias, bias])
y_steps = np.random.choice([-1, 1], size=n_steps, p=[1-bias, bias])

# Calculate positions
x_positions = np.cumsum(x_steps)
y_positions = np.cumsum(y_steps)

# Plot the biased 2D random walk
plt.figure(figsize=(8, 8))
plt.plot(x_positions, y_positions, marker='o', linestyle='-', markersize=2, label='Random Walk')
plt.plot(x_positions[0], y_positions[0], 'ro', markersize=8, label='Start')  # Red dot for start
plt.plot(x_positions[-1], y_positions[-1], 'ko', markersize=8, label='End')  # Black dot for end
plt.title("Biased 2D Random Walk")
plt.xlabel("X Position")
plt.ylabel("Y Position")
plt.grid(True)
plt.axis('equal')  # Ensures equal scaling for both axes
plt.legend()
plt.show()Được hỗ trợ bởi

Bằng cách thay đổi thiên lệch, bạn có thể quan sát cách quỹ đạo có xu hướng ưu tiên một hướng nhất định, mô phỏng các kịch bản đời thực như drift trong giá cổ phiếu hoặc kiểu di cư của động vật.

Nếu chúng ta đổi tham số thiên lệch thành 0.55, bạn sẽ thấy sự khác biệt rõ rệt trong cách mô hình hành xử. Dù vẫn ưu tiên đi lên, mức thiên lệch không còn mạnh, dẫn đến nhiều vòng lặp và đường vòng hơn.

Kết luận

Random walk là công cụ mô hình hóa giá trị đối với nhà khoa học dữ liệu, ứng dụng từ vật lý đến tài chính và hơn thế nữa. Khả năng mô hình hóa các quá trình ngẫu nhiên phức tạp khiến chúng không thể thiếu trong nhiều kịch bản đời thực.

Muốn học thêm? Hãy xem hệ thống khóa học về xác suất và thống kê của DataCamp. Bạn sẽ tìm thấy đủ loại khóa học hay cả bằng Python và R. Nếu bạn quan tâm đến nội dung nâng cao, hãy xem khóa Statistical Simulation in Python và bài hướng dẫn Introduction to Machine Learning của DataCamp. Hoặc nếu bạn đã sẵn sàng kiểm tra kiến thức, hãy thử một số câu đố xác suất này.