Probability - Nhãn - NZQIRChttps://nzqirc.xyz/tags/probability/Probability - Nhãn - NZQIRCHugo -- gohugo.ioviThis work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.Fri, 18 Sep 2026 18:00:00 +0700Tại Sao 'Thông Tin' Lại Dùng Logarit?https://nzqirc.xyz/posts/math/stats/why-information-uses-log/Fri, 18 Sep 2026 18:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/why-information-uses-log/Vì log gần như là hàm tự nhiên nhất khi ta muốn một đại lượng gọi là “information”.

1. Trực giác cốt lõi: Xác suất nhân, thông tin cộng

Nếu hai sự kiện độc lập xảy ra với xác suất $p$ và $q$, thì xác suất để cả hai cùng xảy ra là $pq$.

Nhưng ta muốn lượng thông tin thu được phải cộng dồn:

$$ I(pq) = I(p) + I(q). $$

Hàm liên tục thỏa mãn tính chất này có dạng:

]]>Bất đẳng thức Jensen: Trực giác hình học từ hàm lồi đến kỳ vọng xác suấthttps://nzqirc.xyz/posts/math/analysis/jensen-inequality/Sun, 30 Aug 2026 17:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/analysis/jensen-inequality/Trong toán học và xác suất, phép lấy trung bình (hay kỳ vọng toán học $\mathbb{E}$) là một toán tử tuyến tính mẫu mực. Nếu ta có một hàm tuyến tính $f(x) = ax + b$, việc áp dụng hàm trước rồi lấy trung bình hay lấy trung bình trước rồi áp dụng hàm luôn cho cùng một kết quả:

$$ f(\mathbb{E}[X]) = \mathbb{E}[f(X)]. $$

Tuy nhiên, thế giới tự nhiên và các mô hình thống kê hiếm khi tuyến tính. Khi $f$ là một hàm phi tuyến (như $x^2, e^x, \ln x$), câu hỏi căn bản xuất hiện: $f(\mathbb{E}[X])$ và $\mathbb{E}[f(X)]$, đại lượng nào lớn hơn?

]]>Mẹo Phân Loại Nhanh Các Phân Phối Xác Suấthttps://nzqirc.xyz/posts/math/stats/distribution-classification-guide/Fri, 07 Aug 2026 12:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/distribution-classification-guide/Tuyệt chiêu: “X đang đếm cái gì?”

Thay vì cố gắng nhớ thuộc lòng các định nghĩa khô khan, hãy đặt đúng một câu hỏi duy nhất khi đọc đề: Biến ngẫu nhiên X đang dùng để đếm hay đo lường cái gì?

Dưới đây là cẩm nang bỏ túi giúp bạn nhận diện tức thì:

  • Bernoulli: Chỉ khảo sát đúng 1 đối tượng. Trúng hay Trượt? Tốt hay Xấu?
  • Binomial (Nhị thức): Đếm số lần thành công trong đúng $N$ lần thử (với $N$ đã biết trước và cố định).
  • Hypergeometric (Siêu hình học): Giống Nhị thức (đếm số lần thành công trong $N$ lần rút), nhưng là rút không hoàn lại từ một tập hợp hữu hạn. Rút ra là mất đi, xác suất thay đổi theo từng lượt.
  • Geometric (Hình học): Đếm số lần phải thử cho đến khi gặp thành công ĐẦU TIÊN (không biết trước chữ ngờ, cứ thử đến khi trúng thì thôi).
  • Poisson: Liên quan đến yếu tố thời gian hoặc không gian. Đếm số sự kiện xảy ra trong một khoảng đó (ví dụ: số tin nhắn nhận được trong 1 giờ). Phân phối này không có $N$ tổng, chỉ có trung bình $\lambda$.
  • Exponential (Mũ): Không đếm nữa, mà ĐO LƯỜNG thời gian chờ đợi dài bao nhiêu giữa 2 sự kiện Poisson.
  • Normal (Chuẩn): ĐO LƯỜNG một đại lượng liên tục (như chiều cao, sai số) dao động quanh một giá trị trung bình. Dữ liệu đối xứng hai bên tạo thành hình quả chuông “chuẩn mực”.
  • Student-t (Student): Cũng ĐO LƯỜNG liên tục giống phân phối Chuẩn, nhưng dùng khi kích thước mẫu nhỏ hoặc chưa biết phương sai tổng thể. Nó có phần “đuôi dày” hơn để phản ánh rủi ro sai số lớn khi thiếu dữ liệu.

Các bước ra quyết định

Hãy lấy một câu hỏi bất kỳ trong bộ đề của bạn, và thử trả lời lần lượt các câu hỏi trong bảng tương tác này. Bằng phương pháp loại trừ, nó sẽ dẫn bạn đến chính xác tên phân phối cần tìm chỉ trong tối đa 4 bước!

]]>Phân phối Hình học: Nghịch lý 'Đập Hộp' và Ý nghĩa thực sự của E[X]https://nzqirc.xyz/posts/math/stats/geometric-distribution/Fri, 07 Aug 2026 11:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/geometric-distribution/Trong các lớp học thống kê, khi đụng đến Phân phối Hình học (Geometric Distribution), rất nhiều học viên bối rối trước câu hỏi: “Tại sao Kỳ vọng $E[X]$ lại chính là số lần chờ đợi trung bình để gặp thành công lần đầu tiên?”

Để giải mã sự bối rối này, hãy thoát khỏi sách giáo khoa và bước vào một cửa hàng đồ chơi.

1. Bài toán Mở hộp mù (Blind Box)

Giả sử bạn đang săn lùng một mô hình nhân vật “Secret” (Siêu hiếm) trong bộ sưu tập hộp mù Pop Mart. Nhà sản xuất công bố xác suất để mở trúng nhân vật này ở mỗi hộp là $p = 10\%$. Các hộp hoàn toàn độc lập với nhau.

]]>Khoảng tin cậy (Confidence Interval): Sự thật về mức 95%https://nzqirc.xyz/posts/math/stats/confidence-interval/Wed, 05 Aug 2026 14:03:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/confidence-interval/Khi đọc các nghiên cứu khoa học, ta thường xuyên bắt gặp cụm từ: “Khoảng tin cậy 95% (95% CI) của biến số X là [A, B]”. Đa số mọi người (thậm chí cả một số nhà nghiên cứu) sẽ diễn giải điều này rằng: “Có 95% xác suất để giá trị thực sự nằm trong khoảng [A, B]”.

Đó là một sự hiểu lầm căn bản!

Trong thống kê cổ điển (Frequentist), giá trị trung bình thực sự của quần thể (True Population Mean) là một hằng số cố định. Nó đã nằm ở đó rồi, không hề nhúc nhích hay di chuyển ngẫu nhiên. Nó hoặc là nằm trong khoảng [A, B], hoặc là không. Xác suất lúc này chỉ có thể là 100% hoặc 0%, không có khái niệm 95%.

]]>Định lý Giới hạn Trung tâm (CLT): Trái tim của Thống kêhttps://nzqirc.xyz/posts/math/stats/central-limit-theorem/Wed, 05 Aug 2026 13:45:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/central-limit-theorem/Nếu Luật Số Lớn cho ta biết rằng trung bình mẫu sẽ hội tụ về trung bình của quần thể, thì Định lý Giới hạn Trung tâm (Central Limit Theorem - CLT) tiến xa hơn một bước vĩ đại: nó cho ta biết hình dáng của sự phân tán xung quanh điểm hội tụ đó.

Sự kỳ diệu của CLT nằm ở chỗ: Không quan trọng quần thể gốc có hình thù kỳ dị đến mức nào (phân phối đều, lệch phải, hay thậm chí đứt gãy thành nhiều đỉnh), khi cỡ mẫu ($N$) đủ lớn, phân phối của trung bình mẫu sẽ luôn mang hình dáng của một quả chuông hoàn hảo (Phân phối chuẩn - Normal Distribution).

]]>Bước ngẫu nhiên một chiều: Nghịch lý của sự quay về chắc chắnhttps://nzqirc.xyz/posts/math/stats/random-walk-1d/Wed, 05 Aug 2026 11:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/random-walk-1d/Trong bài viết trước về Ngụy biện con bạc, ta đã nhắc đến một kết quả phản trực giác của xác suất: nếu bạn chơi một trò chơi tung đồng xu công bằng, xác suất để bạn gỡ lại toàn bộ số vốn đã thua là 100%, nhưng kỳ vọng thời gian chờ để làm được điều đó lại bằng vô cực.

Đây không phải là một cách nói cường điệu. Nó là hệ quả trực tiếp từ lý thuyết Bước ngẫu nhiên (Random Walk). Bài viết này sẽ đi sâu vào thiết lập toán học chặt chẽ, phát biểu và chứng minh các định lý làm nền tảng cho nghịch lý này.

]]>Ngụy Biện Con Bạc: Lời Nói Dối Của 'Quy Luật Bù Trừ'https://nzqirc.xyz/posts/math/stats/gamblers-fallacy/Wed, 05 Aug 2026 11:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/gamblers-fallacy/

“Luật Số Lớn không có nghĩa là ‘quy luật bù trừ’ (Gambler’s Fallacy). Nếu bạn vừa tung được 10 lần Ngửa liên tiếp, đồng xu không hề ‘ghi nhớ’ điều đó để tự động ra Sấp ở lần tiếp theo nhằm bù lại. Xác suất lần 11 vẫn y nguyên là 50/50. Sự hội tụ xảy ra đơn giản là vì 10 lần Ngửa ban đầu sẽ bị ‘pha loãng’ và chìm nghỉm trong đại dương của 1.000, 10.000 lần tung tiếp theo…”

]]>Luật Số Lớn: Quy luật trong cái ngẫu nhiênhttps://nzqirc.xyz/posts/math/stats/law-of-large-numbers/Tue, 04 Aug 2026 22:00:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/law-of-large-numbers/<p>Hãy tưởng tượng bạn đang tung một đồng xu hoàn toàn cân bằng. Kết quả của mỗi lần tung là ngẫu nhiên, không ai có thể đoán trước. Lần 1 có thể là Ngửa, lần 2 cũng có thể là Ngửa, và không có gì ngăn cản việc bạn tung được 5 lần Ngửa liên tiếp. Sự ngẫu nhiên ở quy mô nhỏ luôn đầy rẫy sự bất ngờ.</p> <p>Nhưng điều gì sẽ xảy ra nếu bạn tung đồng xu đó 1.000 lần, hay 10.000 lần?</p>“Tản mạn ghi chú về các định lý xác suất”https://nzqirc.xyz/posts/math/stats/probability_note/Thu, 14 Aug 2025 23:41:00 +0700Du Mãhttps://nzqirc.xyz/posts/math/stats/probability_note/1. Tại sao người ta thích Định lý Giới hạn Trung tâm (CLT) đến vậy?

Trong thực tế, mỗi loại dữ liệu có thể theo một phân phối khác nhau, khiến việc xây dựng kiểm định hay ước lượng trở nên phức tạp. Vậy làm sao ước lượng và ra quyết định khi không biết rõ phân phối thật sự của dữ liệu?

Trong trường hợp i.i.d. với kỳ vọng và phương sai hữu hạn, CLT cho biết phân phối của trung bình mẫu đã chuẩn hóa hội tụ về phân phối chuẩn. Cỡ mẫu cần thiết để xấp xỉ tốt phụ thuộc vào phân phối gốc; điều kiện “$n$ đủ lớn” không có một ngưỡng chung cho mọi phân phối.

]]>