Phân phối nhị thức mô tả số lần "thành công" trong một số lần thử cố định, độc lập, cùng xác suất; phân phối Poisson mô tả số sự kiện xảy ra trong một khoảng thời gian hay không gian khi các sự kiện đến ngẫu nhiên với tốc độ trung bình ổn định. Hai phân phối rời rạc này xuất hiện trong kiểm tra chất lượng, bố trí nhân sự, đếm lỗi, đếm cuộc gọi, và là bài tập chuẩn của mọi giáo trình xác suất.
Bài này giúp bạn nhận ra khi nào dùng phân phối nào, tính tay đúng với vài ví dụ giả định, hiểu vì sao Poisson xấp xỉ được nhị thức, và cách kiểm xem dữ liệu thật có hợp với mô hình không. Phần cuối là cách dùng AI để kiểm bài mà không bỏ qua bước hiểu.
Bốn điều kiện của phân phối nhị thức
Một biến đếm có phân phối nhị thức khi thoả đủ bốn điều kiện. Kiểm từng điều kiện trước khi áp công thức là thói quen tránh được phần lớn lỗi.
- Số lần thử n cố định trước: kiểm 50 sản phẩm, hỏi 20 người, tung 10 lần. Nếu đếm đến khi gặp thành công đầu tiên, số lần thử không cố định, đó là phân phối hình học.
- Mỗi lần chỉ có hai kết quả: lỗi hoặc không lỗi, có hoặc không. Các tình huống nhiều kết quả có thể gộp về hai nếu câu hỏi chỉ quan tâm một loại.
- Xác suất thành công p như nhau mọi lần: nếu máy càng chạy càng nóng và tỉ lệ lỗi tăng dần, điều kiện này bị phá.
- Các lần thử độc lập: lấy mẫu không hoàn lại từ một lô nhỏ phá điều kiện này; khi đó dùng phân phối siêu bội. Nếu lô rất lớn so với mẫu, nhị thức vẫn là xấp xỉ tốt.
Khi thoả đủ, xác suất có đúng k lần thành công là: C(n, k) × p^k × (1 − p)^(n − k), trong đó C(n, k) là số tổ hợp chập k của n, ký hiệu ^ là luỹ thừa. Kỳ vọng bằng n × p, phương sai bằng n × p × (1 − p).
Cách đọc công thức: p^k × (1 − p)^(n − k) là xác suất của một thứ tự cụ thể có k thành công, còn C(n, k) đếm có bao nhiêu thứ tự như vậy. Nếu hiểu được hai vế này, bạn không cần thuộc công thức.
Hai họ hàng gần: phân phối hình học và siêu bội
Khi một trong bốn điều kiện của nhị thức không thoả, thường có một phân phối khác phù hợp hơn. Hai trường hợp gặp nhiều nhất trong giáo trình là phân phối hình học và phân phối siêu bội.
Phân phối hình học đếm số lần thử cho đến khi gặp thành công đầu tiên. Xác suất thành công đầu tiên ở lần thứ k là (1 − p)^(k − 1) × p, kỳ vọng bằng 1 / p. Với tỉ lệ lỗi 2%, trung bình phải kiểm 50 sản phẩm mới gặp sản phẩm lỗi đầu tiên. Phân phối này có tính chất "không nhớ": đã kiểm 30 sản phẩm tốt thì số sản phẩm cần kiểm thêm vẫn có cùng phân phối như lúc bắt đầu.
Phân phối siêu bội dùng khi lấy mẫu không hoàn lại từ một lô nhỏ. Ví dụ giả định: lô 20 sản phẩm có 2 sản phẩm lỗi, lấy ngẫu nhiên 5 sản phẩm để kiểm. Xác suất không lấy trúng sản phẩm lỗi nào bằng C(18, 5) / C(20, 5) = 8.568 / 15.504, khoảng 0,553. Nếu dùng nhầm nhị thức với p = 0,1, kết quả là 0,9^5 ≈ 0,590, lệch gần 4 điểm phần trăm, vì sau mỗi lần lấy ra sản phẩm tốt, tỉ lệ lỗi trong phần còn lại tăng lên.
Tính tay: hộp 50 sản phẩm, tỉ lệ lỗi 2%
Ví dụ giả định: một dây chuyền có tỉ lệ lỗi 2%, mỗi hộp 50 sản phẩm, các sản phẩm lỗi độc lập với nhau. Gọi X là số sản phẩm lỗi trong một hộp. Kỳ vọng n × p = 1 sản phẩm, phương sai 50 × 0,02 × 0,98 = 0,98.
| Số lỗi k | Cách tính | Xác suất (làm tròn) |
|---|---|---|
| 0 | 0,98^50 | khoảng 0,364 |
| 1 | 50 × 0,02 × 0,98^49 | khoảng 0,372 |
| 2 | C(50, 2) = 1.225, nhân 0,02² × 0,98^48 | khoảng 0,186 |
| 3 | C(50, 3) = 19.600, nhân 0,02³ × 0,98^47 | khoảng 0,061 |
| Từ 2 trở lên | 1 trừ hai dòng đầu | khoảng 0,264 |
Điều đáng chú ý: dù tỉ lệ lỗi chỉ 2%, khoảng 64% số hộp có ít nhất một sản phẩm lỗi (1 − 0,364). Nếu cam kết "hộp không có sản phẩm lỗi", dây chuyền này vi phạm với gần hai phần ba số hộp. Đây là ví dụ quen thuộc cho thấy trực giác về tỉ lệ nhỏ nhân với số lượng lớn hay bị đánh giá thấp.
Mẹo tính: dùng máy tính cầm tay cho luỹ thừa, và với "ít nhất một" thì luôn tính qua phần bù 1 − P(X = 0).
Phân phối Poisson: đếm sự kiện trong một khoảng
Nhiều câu hỏi không có "số lần thử" rõ ràng: số cuộc gọi đến tổng đài trong 10 phút, số lỗi chính tả trên một trang, số khách vào cửa hàng trong một giờ. Sự kiện có thể xảy ra bất kỳ lúc nào, và ta chỉ biết tốc độ trung bình. Đó là chỗ của phân phối Poisson, đặt theo tên nhà toán học Pháp Siméon Denis Poisson.
Phân phối Poisson có một tham số duy nhất, λ (đọc là lam-đa), là số sự kiện trung bình trong khoảng đang xét. Xác suất có đúng k sự kiện bằng e^(−λ) × λ^k / k!, với e khoảng 2,718 và k! là giai thừa. Một tính chất đặc trưng: kỳ vọng và phương sai đều bằng λ.
Điều kiện dùng: các sự kiện xảy ra độc lập với nhau, tốc độ trung bình ổn định trong khoảng đang xét, và hai sự kiện gần như không xảy ra cùng một lúc. Nếu khách thường đến theo nhóm, hay giờ cao điểm trộn lẫn giờ vắng trong cùng khoảng đếm, Poisson không còn phù hợp.
Lưu ý λ phải khớp với độ dài khoảng. Nếu trung bình 3 cuộc gọi mỗi 10 phút, thì với khoảng 1 giờ, λ là 18, không phải 3. Đổi khoảng mà quên đổi λ là lỗi rất hay gặp trong bài thi.
Ví dụ tổng đài: trung bình 3 cuộc gọi mỗi 10 phút
Ví dụ giả định: một tổng đài nhỏ nhận trung bình 3 cuộc gọi mỗi 10 phút, λ = 3. Bảng dưới cho xác suất từng số cuộc gọi và xác suất tích luỹ, làm tròn ba chữ số.
| Số cuộc gọi k | P(X = k) | P(X ≤ k) | P(X > k) |
|---|---|---|---|
| 0 | 0,050 | 0,050 | 0,950 |
| 1 | 0,149 | 0,199 | 0,801 |
| 2 | 0,224 | 0,423 | 0,577 |
| 3 | 0,224 | 0,647 | 0,353 |
| 4 | 0,168 | 0,815 | 0,185 |
| 5 | 0,101 | 0,916 | 0,084 |
| 6 | 0,050 | 0,967 | 0,034 |
Đọc bảng: dù trung bình chỉ 3 cuộc, khoảng 18,5% số khoảng 10 phút có từ 5 cuộc gọi trở lên, và khoảng 3,4% có từ 7 cuộc trở lên. Nếu mỗi nhân viên xử lý thoải mái được 2 cuộc trong 10 phút, bố trí 2 người chỉ đủ khi có tối đa 4 cuộc, tức khoảng 81,5% số khoảng thời gian. Người quản lý chọn số nhân viên dựa trên mức chấp nhận rủi ro bị quá tải, không chỉ dựa trên trung bình.
Bài toán bố trí nhân sự thật còn phải tính thời gian xử lý mỗi cuộc gọi và hàng chờ, thuộc về lý thuyết xếp hàng, nhưng Poisson là viên gạch đầu tiên.
Poisson xấp xỉ nhị thức khi n lớn, p nhỏ
Quay lại hộp 50 sản phẩm với tỉ lệ lỗi 2%. Kỳ vọng n × p = 1. Thử dùng Poisson với λ = 1: P(0) = e^(−1) ≈ 0,368; P(1) ≈ 0,368; P(2) ≈ 0,184; P(3) ≈ 0,061. So với giá trị nhị thức chính xác 0,364; 0,372; 0,186; 0,061, sai lệch chỉ ở chữ số thứ ba.
Đây không phải trùng hợp. Khi số lần thử n rất lớn, xác suất p rất nhỏ, và tích n × p giữ ở mức vừa phải, phân phối nhị thức tiến về Poisson với λ = n × p. Quy tắc kinh nghiệm thường gặp trong giáo trình là n từ 20 trở lên và p không quá 0,05, dù các sách nêu ngưỡng hơi khác nhau.
Ý nghĩa thực tế: với những sự kiện hiếm trên một số lượng lớn, như lỗi in trên hàng nghìn trang, sự cố trên hàng vạn giao dịch, bạn không cần biết chính xác n và p mà chỉ cần biết số trung bình. Đây cũng là lý do Poisson được gọi là "phân phối của sự kiện hiếm".
Một ví dụ lịch sử hay được nhắc là nghiên cứu của Ladislaus Bortkiewicz cuối thế kỷ 19 về số binh sĩ kỵ binh Phổ tử vong do bị ngựa đá mỗi năm theo từng đơn vị, số liệu khớp phân phối Poisson rất sát và trở thành ví dụ kinh điển trong giáo trình.
Kiểm xem dữ liệu thật có hợp với mô hình không
So kỳ vọng với phương sai. Với Poisson, hai số này bằng nhau. Nếu phương sai của dữ liệu đếm lớn hơn trung bình nhiều, gọi là quá phân tán, thường do sự kiện đến theo cụm hoặc tốc độ thay đổi theo thời gian. Khi đó các mô hình như nhị thức âm phù hợp hơn.
So tần suất quan sát với tần suất lý thuyết. Đếm bao nhiêu khoảng có 0, 1, 2… sự kiện, rồi đặt cạnh số dự đoán từ Poisson với λ bằng trung bình mẫu. Chênh lệch lớn có hệ thống là dấu hiệu sai mô hình; kiểm định khi bình phương cho phép đánh giá chặt hơn.
Tách các khoảng khác nhau về bản chất. Giờ cao điểm và giờ thấp điểm nên mô hình riêng, mỗi khoảng một λ.
Với nhị thức, kiểm tính độc lập. Lỗi trên dây chuyền thường đến theo đợt khi máy trục trặc; nếu sản phẩm lỗi hay nằm liền nhau, giả định độc lập không đứng vững và xác suất "hộp có nhiều lỗi" sẽ cao hơn mô hình dự đoán.
Dùng AI để luyện và kiểm
Phần này nhiều luỹ thừa và giai thừa, rất dễ bấm máy sai. AI giúp kiểm nhanh, với điều kiện bạn biết nó đang làm gì.
- Tự xác định phân phối và tham số trước: nhị thức với n, p bao nhiêu, hay Poisson với λ bao nhiêu, và vì sao.
- Yêu cầu chatbot: "Kiểm lời giải này. Nêu rõ điều kiện của phân phối em chọn có thoả không, rồi tính lại từng xác suất, ghi cả công thức đã thay số." Nếu nó chọn phân phối khác bạn, đòi nó giải thích, đừng đổi theo ngay.
- Đối chiếu các con số với hàm phân phối nhị thức và Poisson có sẵn trong bảng tính; hỏi chatbot tên hàm cho đúng phần mềm và phiên bản bạn đang dùng.
- Nhờ ra bài tập biến thể, như đổi khoảng thời gian để luyện việc đổi λ, hoặc lấy mẫu không hoàn lại từ lô nhỏ để thấy khi nào nhị thức không còn dùng được.
- Nếu dùng số liệu thật của đơn vị, như số khiếu nại theo giờ, chỉ dán bảng đếm tổng hợp; không dán nội dung khiếu nại hay thông tin khách hàng.
Câu hỏi thường gặp
Làm sao phân biệt bài nên dùng nhị thức hay Poisson?
Nếu có số lần thử cố định và đếm số lần thành công trong đó, dùng nhị thức. Nếu chỉ có một khoảng thời gian hoặc không gian và tốc độ trung bình, không có số lần thử rõ ràng, dùng Poisson.
Kỳ vọng của phân phối nhị thức là bao nhiêu?
Kỳ vọng bằng n nhân p, phương sai bằng n nhân p nhân 1 trừ p. Ví dụ 50 sản phẩm với tỉ lệ lỗi 2% có kỳ vọng 1 sản phẩm lỗi mỗi hộp và phương sai 0,98.
Vì sao Poisson có kỳ vọng bằng phương sai?
Đây là tính chất toán học suy ra từ công thức, có thể kiểm bằng cách lấy giới hạn của nhị thức: phương sai n nhân p nhân 1 trừ p tiến về n nhân p khi p rất nhỏ. Tính chất này cũng là công cụ để kiểm dữ liệu có hợp Poisson không.
Lấy mẫu không hoàn lại có dùng nhị thức được không?
Nếu lô hàng lớn hơn mẫu nhiều lần, thường lấy ngưỡng mẫu không quá khoảng 5% lô, nhị thức vẫn là xấp xỉ tốt. Nếu lô nhỏ, nên dùng phân phối siêu bội vì xác suất thay đổi sau mỗi lần lấy.
λ trong Poisson lấy ở đâu ra?
Thường ước lượng bằng trung bình số sự kiện quan sát được trong nhiều khoảng cùng độ dài trước đó. Khi đổi độ dài khoảng thì nhân chia λ theo tỉ lệ, với điều kiện tốc độ ổn định trong toàn khoảng.
Có cần thuộc bảng tra nhị thức và Poisson không?
Không cần. Hiểu công thức và biết tính bằng máy tính cầm tay hoặc hàm bảng tính là đủ. Bảng tra trong giáo trình chủ yếu hữu ích khi thi không được dùng thiết bị.