WebLab STEM

Toán học · 6. Xác suất và thống kê

Từ ngẫu nhiên đến mô hình, định lý Bayes và xích Markov

Xây không gian mẫu, quy tắc xác suất toàn phần & định lý Bayes, thống kê mẫu ghép nhóm, và xích Markov rời rạc với phân phối dừng trong mô hình hóa thực tế.

40 phútPhiên bản nội dung: 2.1
Bắt đầu lộ trình tương tácMở thí nghiệm mô phỏng

Câu hỏi dẫn đường

Làm thế nào định lý Bayes cập nhật nhận thức từ dữ liệu mới, và xích Markov dự báo trạng thái cân bằng dài hạn?

Phạm vi chương trình

GDPT Toán 6–12; Cambridge IGCSE/A-Level probability, Bayes and Markov chains.

Phạm vi và giới hạn mô hình

Mô phỏng giả ngẫu nhiên minh họa mô hình; một lần chạy hữu hạn không chứng minh phân phối đúng và không thay thế kiểm định thống kê.

Mục tiêu học tập

  • Lập không gian mẫu và tính xác suất biến cố cơ bản, có điều kiện và độc lập.
  • Vận dụng công thức xác suất toàn phần và định lý Bayes cập nhật xác suất hậu nghiệm trong chẩn đoán và phân loại.
  • Tính số đặc trưng mẫu ghép nhóm (trung vị Me, tứ phân vị Q1, Q3) và hệ số tương quan tuyến tính Pearson r.
  • Thiết lập ma trận xác suất chuyển trạng thái xích Markov và giải hệ tìm phân phối dừng π.

Kiến thức cần biết trước

  • Phân số, tổ hợp cơ bản và đọc bảng/đồ thị.
  • Nhân ma trận và giải hệ phương trình tuyến tính.

Kiến thức trọng tâm

Độc lập & Xung khắc

A và B độc lập khi P(A∩B) = P(A)P(B), tương đương P(A|B) = P(A). Hai biến cố xung khắc khi A∩B = ∅ nên P(A∩B) = 0 và P(A∪B) = P(A) + P(B).

Xác suất toàn phần & Định lý Bayes

1. Xác suất toàn phần: Nếu {A₁, ..., Aₙ} là hệ biến cố đầy đủ thì P(B) = ∑ P(Aᵢ)·P(B|Aᵢ). 2. Định lý Bayes: P(Aₖ|B) = [P(Aₖ)·P(B|Aₖ)] / P(B). Cho phép cập nhật xác suất tiên nghiệm (prior) P(Aₖ) thành xác suất hậu nghiệm (posterior) P(Aₖ|B) khi có thông tin quan sát B. Là trụ cột của chẩn đoán y học, bộ lọc spam và học máy Naive Bayes.

Xích Markov rời rạc & Phân phối dừng

Quá trình ngẫu nhiên có tính chất Markov: xác suất bước tương lai chỉ phụ thuộc trạng thái hiện tại (P(X_{n+1}=j | X_n=i) = p_{ij}). Ma trận chuyển P = [p_{ij}] có tổng mỗi hàng bằng 1. Phân phối dừng π = (π₁, ..., π_N) thỏa mãn hệ: π · P = π và ∑ πᵢ = 1. Ứng dụng trong thuật toán Google PageRank, mô hình di cư dân số và thời tiết.

Số đặc trưng mẫu ghép nhóm & Hồi quy

Mẫu ghép nhóm cho trung vị Me = um + ((n/2 − C)/nm)·h và tứ phân vị Q1, Q3. Khoảng tứ phân vị ΔQ = Q3 − Q1 đo độ phân tán. Hệ số tương quan Pearson r (−1 ≤ r ≤ 1) đánh giá mức độ liên hệ tuyến tính giữa hai biến x và y.

Phân phối Poisson & Bất đẳng thức Chebyshev

Biến ngẫu nhiên Poisson P(X = k) = λ^k·e^(−λ)/k! có E(X) = Var(X) = λ. Bất đẳng thức Chebyshev P(|X − μ| ≥ kσ) ≤ 1/k² cho biết xác suất lệch quá k độ lệch chuẩn không vượt quá 1/k² đối với mọi phân phối xác suất bất kỳ.

Luật số lớn

Khi số phép thử tăng, tần suất tương đối có xu hướng gần xác suất nhưng không bắt buộc tiến đều.

Ví dụ mẫu có giải thích

Ví dụ 1 (Định lý Bayes): Một căn bệnh hiếm gặp có tỉ lệ nền trong dân số là 0,1% (P(Bệnh) = 0,001). Xét nghiệm có độ nhạy 99% (P(+|Bệnh) = 0,99) và độ đặc hiệu 98% (P(−|Khỏe) = 0,98 ⇒ P(+|Khỏe) = 0,02). Khi một người có kết quả dương tính (+), xác suất thực sự mắc bệnh là: P(Bệnh|+) = (0,001 × 0,99) / (0,001 × 0,99 + 0,999 × 0,02) = 0,00099 / (0,00099 + 0,01998) ≈ 4,7%. Kết quả cho thấy dù xét nghiệm rất chính xác, phần lớn người dương tính vẫn là dương tính giả do tỉ lệ nền cực thấp. Ví dụ 2 (Xích Markov): Thời tiết có ma trận chuyển P = [[0,8, 0,2], [0,4, 0,6]]. Phân phối dừng thỏa π₁ = 0,8π₁ + 0,4π₂ ⇔ 0,2π₁ = 0,4π₂ ⇔ π₁ = 2π₂. Với π₁ + π₂ = 1 ⇒ π = (2/3, 1/3).

Ngộ nhận cần tránh

  • Nghịch lý tỉ lệ nền (Base Rate Fallacy): Nhầm lẫn giữa P(Dương tính | Bệnh) và P(Bệnh | Dương tính); khi bệnh rất hiếm, phần lớn người nhận kết quả xét nghiệm dương tính thực chất là dương tính giả.
  • Trong ma trận chuyển xác suất xích Markov P, tổng các phần tử trên MỖI HÀNG bắt buộc bằng 1 (∑_j p_ij = 1), không phải tổng mỗi cột.
  • Sau năm lần sấp, lần tiếp theo của đồng xu công bằng vẫn có P(ngửa)=1/2; quá khứ không “bù” kết quả.
  • Tương quan không chứng minh quan hệ nhân quả; biến gây nhiễu có thể tạo liên hệ.

Quy trình thí nghiệm mô phỏng: Bảng Galton và phân phối nhị thức

  1. Nêu mô hình, giả định công bằng/độc lập và dự đoán phân phối trước khi chạy.
  2. Chạy theo các cỡ mẫu tăng dần, lưu tần số chứ không chỉ ảnh cuối.
  3. So sánh tần suất với xác suất bằng sai lệch tuyệt đối và giải thích biến thiên.

An toàn và lưu ý

  • Không diễn giải kết quả xác suất nhỏ như “không thể”; và không dùng mô phỏng giáo dục để đưa quyết định y tế/tài chính.

Bằng chứng cần thu thập

  • Bảng cỡ mẫu–tần suất, đồ thị phân phối và nhận xét về xu hướng lẫn dao động.
Mở thí nghiệm mô phỏng
📋 Nhúng thí nghiệm này vào bài giảng điện tử (Dành cho Giáo viên & LMS)

Sao chép đoạn mã iframe dưới đây để nhúng mô phỏng tương tác này vào Google Sites, LMS Moodle, Canvas, Microsoft Teams hoặc blog học tập:

<iframe src="https://visuallab.win/math-lab/?module=galton_board&lang=vi" width="100%" height="560" frameborder="0" allow="fullscreen" loading="lazy"></iframe>

Kiểm tra đầu vào

1. Hai biến cố xung khắc A, B có P(A∩B)=?

  1. 0
  2. 1
  3. P(A)+P(B)
Xem đáp án và giải thích

Đáp án đúng: 0

Chúng không thể cùng xảy ra.

2. Xác suất có điều kiện P(A|B) bằng?

  1. P(A∩B)/P(B)
  2. P(A)+P(B)
  3. P(B)/P(A∩B)
Xem đáp án và giải thích

Đáp án đúng: P(A∩B)/P(B)

Giới hạn không gian mẫu vào B nên chia cho P(B).

3. Định lý Bayes cho phép ta tính toán đại lượng nào sau đây?

  1. Xác suất hậu nghiệm P(A|B) từ xác suất tiên nghiệm P(A) và xác suất điều kiện P(B|A)
  2. Xác suất của biến cố hợp P(A ∪ B)
  3. Kỳ vọng toán học của biến ngẫu nhiên
Xem đáp án và giải thích

Đáp án đúng: Xác suất hậu nghiệm P(A|B) từ xác suất tiên nghiệm P(A) và xác suất điều kiện P(B|A)

Định lý Bayes cho phép đảo ngược điều kiện, cập nhật xác suất tiên nghiệm khi thu nhận thêm bằng chứng mới B.

4. Trong ma trận xác suất chuyển trạng thái P của một xích Markov rời rạc, điều kiện chuẩn hóa bắt buộc là gì?

  1. Tổng các phần tử trên mỗi hàng bằng 1
  2. Tổng các phần tử trên mỗi cột bằng 1
  3. Định thức det(P) = 1
Xem đáp án và giải thích

Đáp án đúng: Tổng các phần tử trên mỗi hàng bằng 1

Từ trạng thái i, tổng xác suất chuyển sang tất cả các trạng thái j khả dĩ phải bằng 1, nghĩa là ∑_j p_ij = 1 trên từng hàng.

Luyện tập vận dụng

1. Theo Bất đẳng thức Chebyshev, xác suất giá trị lệch khỏi trung bình từ 3 độ lệch chuẩn trở lên (k = 3) tối đa là bao nhiêu?

  1. 1/9 (khoảng 11,1%)
  2. 5%
  3. 1/3 (khoảng 33,3%)
Xem đáp án và giải thích

Đáp án đúng: 1/9 (khoảng 11,1%)

Theo bất đẳng thức Chebyshev, P(|X − μ| ≥ 3σ) ≤ 1/3² = 1/9 ≈ 11,1% đối với mọi phân phối xác suất bất kỳ.

2. Nếu A, B độc lập với P(A)=0,4, P(B)=0,5 thì P(A∩B)=?

  1. 0,2
  2. 0,9
  3. 0,45
Xem đáp án và giải thích

Đáp án đúng: 0,2

Độc lập nên nhân: 0,4×0,5 = 0,2.

3. Khoảng tứ phân vị ΔQ = Q3 − Q1 của mẫu số liệu dùng để đo điều gì?

  1. Độ phân tán của nửa giữa dữ liệu
  2. Giá trị trung bình của toàn mẫu
  3. Giá trị xuất hiện nhiều nhất
Xem đáp án và giải thích

Đáp án đúng: Độ phân tán của nửa giữa dữ liệu

Khoảng tứ phân vị ΔQ = Q3 − Q1 đo độ biến thiên của 50% số liệu trung tâm và không bị ảnh hưởng bởi giá trị ngoại lai.

4. Một xích Markov có 2 trạng thái với ma trận chuyển P = [[0,7, 0,3], [0,2, 0,8]]. Phân phối dừng π = (π₁, π₂) bằng bao nhiêu?

  1. π = (0,4; 0,6)
  2. π = (0,5; 0,5)
  3. π = (0,7; 0,3)
Xem đáp án và giải thích

Đáp án đúng: π = (0,4; 0,6)

Giải hệ π = π·P: π₁ = 0,7π₁ + 0,2π₂ ⇔ 0,3π₁ = 0,2π₂ ⇔ 3π₁ = 2π₂. Kết hợp với π₁ + π₂ = 1 ta được π₁ = 2/5 = 0,4 và π₂ = 3/5 = 0,6.

5. Một phân xưởng có Máy 1 sản xuất 60% sản phẩm (tỉ lệ lỗi 1%), Máy 2 sản xuất 40% sản phẩm (tỉ lệ lỗi 2%). Lấy ngẫu nhiên 1 sản phẩm thấy bị lỗi. Xác suất sản phẩm này do Máy 1 sản xuất bằng bao nhiêu?

  1. 42,9% (3/7)
  2. 60%
  3. 50%
Xem đáp án và giải thích

Đáp án đúng: 42,9% (3/7)

Xác suất toàn phần sản phẩm lỗi: P(Lỗi) = 0,6·0,01 + 0,4·0,02 = 0,006 + 0,008 = 0,014. Theo Bayes: P(Máy 1 | Lỗi) = 0,006 / 0,014 = 6/14 = 3/7 ≈ 42,9%.

Nguồn kiểm tra chuyên môn

  1. Cambridge IGCSE Mathematics 0580 — đề cương và tài liệu chính thức
  2. Cambridge AS & A Level Mathematics 9709 — đề cương chính thức
  3. OpenStax Precalculus 2e — hàm số, hình học và xác suất

Nội dung được duy trì theo các nguồn trích dẫn bên dưới. Mô phỏng là mô hình học tập và không thay thế quy trình an toàn của phòng thí nghiệm thực.

Đơn vị xuất bản nội dung
WebLab STEM
Phụ trách kỹ thuật
Đức Tiến — Kỹ sư Điều khiển và Tự động hóa