ONE is preparing: 01 / INITIALIZING MODEL ROUTER. Evaluating routing across providers.
Current state
01 / INITIALIZING MODEL ROUTER.

Evaluating routing across providers.

Start learning
← Nền tảng toán

AI Foundation

Xác suất và thống kê

Vietnamese onlyThe learning content is available in Vietnamese only. The surrounding interface follows your language.

Tung đồng xu, đếm kết quả, đoán xem điều gì xảy ra. Xác suất thực ra chỉ là tần số dài hạn — và thống kê là cách bạn mô tả tần số đó.

lesson53 minNền tảng toánAI Foundation

Thử đoán

Bạn tung xu ba lần liên tiếp ra đầu cả ba. Đồng xu có bị lệch không?

Bài hôm nay, bạn sẽ tự tay tung đồng xu hàng trăm lần ngay trong trình duyệt, vẽ histogram, và thấy xác suất tự động hiện ra như thế nào. Không công thức khó — chỉ đếm và quan sát.

Hiểu bằng hình ảnh

Xác suất = tần số dài hạn

Bạn không cần biết công thức trước. Hãy tưởng tượng bạn ngồi ở quán trà sữa, lôi ra một đồng xu, tung 1000 lần. Bạn ghi tổng số mặt ngửa và chia cho 1000. Con số đó sẽ tiến gần đến một giá trị cố định — chính là xác suất ra ngửa của đồng xu này.

Xác suất không phải một ý niệm huyền bí. Nó là tỷ lệ bạn quan sát được khi thí nghiệm đủ lâu. Tiếng Anh gọi đó là frequentist view (góc nhìn tần suất). Cả một ngành thống kê đặt nền trên điều đơn giản này.

Số lần tungĐiều bạn quan sát được
10Có thể ra 7 ngửa, 3 sấp. Kết luận gì cũng liều.
100Tỷ lệ bắt đầu ổn định quanh giá trị thật. Vẫn dao động vài phần trăm.
1.000Tỷ lệ cực gần giá trị thật. Đây là luật số lớn.

Thử nghiệm: mean, variance, std

Ba con số này nghe to tát nhưng chỉ là ba cách mô tả cùng một thứ. Chúng đều tính từ cùng một dãy kết quả tung xu.

Ba con số mô tả dữ liệu

1 / 3
  1. 1. Mean (trung bình)

    Chuyển mỗi lần ngửa thành số 1, mỗi lần sấp thành số 0, rồi lấy trung bình. Chú ý: giá trị này chính là **tỷ lệ mặt ngửa** bạn đã quan sát. Trong trường hợp xu 0/1, mean = xác suất thực nghiệm.

Khoảnh khắc hiểu

Xác suất không phải là một con số huyền bí đến từ trời cao — nó là tần số bạn quan sát được khi thí nghiệm đủ nhiều. Mean, variance, std đều là ba cách khác nhau để mô tả cùng một đám dữ liệu: điểm giữa ở đâu, và dữ liệu có tản mác không.

Toàn bộ thống kê đứng trên hai ý đơn giản đó. Từ thăm dò dư luận đến huấn luyện AI — tất cả chỉ là đếm, chia, rồi rút kết luận.

Thử thách

Một hộp có 70 bi đỏ và 30 bi xanh. Bạn bốc 1 bi (không nhìn màu), rồi bốc thêm 1 bi nữa (không trả viên đầu lại). Xác suất viên THỨ HAI là đỏ bằng bao nhiêu?

Giải thích

Ở trên bạn đã nhìn luật số lớn và ba con số mô tả dữ liệu bằng mắt. Phần này là tên gọi chính thức và công thức tối thiểu — để lần sau bạn nhìn thấy chúng trong sách giáo khoa vẫn nhận ra.

Công thức 1 — Trung bình

μ=1n∑i=1nxi\mu = \frac{1}{n}\sum_{i=1}^{n} x_i

Bằng lời: cộng tất cả các giá trị lại, chia cho số lượng. Đây là con số “điểm giữa” của cả đám dữ liệu — ký hiệu bằng chữ Hy Lạp μ (đọc là “mu”). Trong ví dụ xu 0/1, trung bình chính là tỷ lệ mặt ngửa bạn quan sát được.

Công thức 2 — Định lý Bayes

P(A∣B)=P(B∣A)⋅P(A)P(B)P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}

Bằng lời: xác suất A xảy ra khi biết B đã xảy ra = “xác suất thấy B nếu A đúng” × “niềm tin ban đầu vào A”, chia cho “xác suất B xảy ra nói chung”. Nghe rắc rối nhưng bản chất chỉ là cập nhật niềm tin khi có bằng chứng mới.

Khi bạn tăng tỷ lệ spam ban đầu (prior), P(spam | có từ đó) cũng tăng. Khi bạn nâng P(từ | email thật) (nhiều email thật cũng có từ đó), P(spam | có từ đó) giảm — dù likelihood trong spam không đổi. Đây là sức mạnh của Bayes: cả prior lẫn likelihood đều quan trọng. Trực giác hay quên prior, nên thường sai.

Phân phối thường gặp — chỉ cần biết tên

Phân phốiKhi nào gặpVí dụ
Chuẩn (Gaussian)Hình chuông đối xứng quanh meanChiều cao con người, điểm thi SAT, sai số đo đạc
Nhị thức (Binomial)Đếm số lần thành công trong n thử nghiệm độc lậpSố mặt ngửa khi tung xu — chính là histogram bạn vừa thấy
Đều (Uniform)Mọi giá trị có cơ hội như nhauBốc số trúng thưởng từ trống quay, tung xúc xắc 6 mặt
PoissonĐếm số sự kiện hiếm trong một khoảng thời gian cố địnhSố cuộc gọi đến tổng đài trong 1 giờ

Quy tắc 68-95-99.7 của phân phối chuẩn: 68% nằm trong 1 std, 95% trong 2 std, 99.7% trong 3 std. Khi n lớn, binomial trông gần giống Gaussian.

Vì sao phải bình phương khi tính variance?

Variance đo độ lan. Cách tự nhiên nhất: lấy trung bình của (x − mean). Vấn đề: các giá trị nằm bên trái mean đóng góp âm, bên phải đóng góp dương — triệt tiêu, kết quả luôn bằng 0. Để khắc phục, người ta bình phương trước khi cộng: (x − mean)². Mọi đóng góp bây giờ đều dương. Sau khi cộng xong, lấy căn để đưa đơn vị về lại như ban đầu — đó chính là std.

Vì sao trực giác con người sai về xác suất?

Tiến hoá không thiết kế não bộ cho xác suất. Tổ tiên cần phản ứng nhanh với hổ trong bụi cỏ, không cần tính xác suất chính xác. Nhà tâm lý học Daniel Kahneman và Amos Tversky đã liệt kê hàng loạt “lối tắt” mà não dùng — rất hữu dụng trong đời thường, nhưng sai bét khi gặp bài toán xác suất.

Hai ví dụ kinh điển: base rate neglect (quên tỷ lệ nền — đã gặp ở thử thách trên) và gambler's fallacy (ảo tưởng người cờ bạc: tin rằng sau 5 lần đỏ, lần tiếp theo “phải” là đen). Cả hai đều là lý do tại sao học xác suất chính thống là kỹ năng quan trọng — nó sửa sai cho trực giác của bạn.

Tóm tắt

5 điều cần nhớ

  • Xác suất = tần số dài hạn. Nếu bạn tung đủ nhiều lần, tỷ lệ quan sát sẽ tiến đến xác suất thật.
  • Mean = điểm giữa của dữ liệu. Median = giá trị nằm chính giữa. Khi có giá trị cực đoan, median ổn định hơn.
  • Variance và std đo độ lan. Std cùng đơn vị với dữ liệu gốc, dễ dùng hơn variance.
  • Bayes: cả prior (tỷ lệ nền) và likelihood (bằng chứng mới) đều quan trọng. Quên một cái, kết luận sai.
  • Phân phối chuẩn, nhị thức, đều, Poisson — bốn người bạn thường gặp. Chưa cần nhớ công thức, chỉ cần nhớ tình huống nào dùng phân phối nào.

Continue the path

Lesson 22 of 106