Máy tính phân bố xác suất

Chào mừng bạn đến với Máy tính phân bố xác suất, một công cụ thống kê toàn diện để tính toán xác suất, xác suất tích lũy (CDF) và phân vị (CDF nghịch đảo) cho nhiều phân bố xác suất khác nhau. Cho dù bạn là sinh viên đang học thống kê, nhà nghiên cứu phân tích dữ liệu hay chuyên gia làm việc với các mô hình thống kê, máy tính này cung cấp các giải pháp chi tiết từng bước và trực quan hóa tương tác để giúp bạn hiểu rõ về các phân bố xác suất.

Các phân bố xác suất được hỗ trợ

Máy tính này hỗ trợ bảy phân bố xác suất thường dùng, mỗi loại phù hợp với các loại hiện tượng ngẫu nhiên khác nhau:

Hiểu về PDF, CDF và hàm phân vị

Hàm mật độ/khối xác suất (PDF/PMF)

PDF (cho phân bố liên tục) hoặc PMF (cho phân bố rời rạc) cung cấp khả năng tương đối của một biến ngẫu nhiên nhận một giá trị cụ thể. Đối với phân bố liên tục, giá trị PDF không phải là xác suất mà là mật độ—xác suất được tìm thấy bằng cách tích phân PDF trên một khoảng.

Hàm phân bố tích lũy (CDF)

CDF, ký hiệu là F(x), cho biết xác suất biến ngẫu nhiên X nhỏ hơn hoặc bằng một giá trị x. Điều này được viết là P(X ≤ x). CDF luôn tăng từ 0 đến 1 khi x tăng.

Hàm phân vị (CDF nghịch đảo)

Hàm phân vị (còn được gọi là hàm điểm phần trăm hoặc CDF nghịch đảo) tìm giá trị x mà tại đó P(X ≤ x) = p. Nó trả lời câu hỏi: "Giá trị nào chỉ bị vượt quá bởi (1-p)×100% phân bố?" Điều này rất cần thiết để tìm các giá trị tới hạn trong kiểm định giả thuyết.

Công thức phân bố

Phân bố Chuẩn

Phân bố Chuẩn (Gaussian) đối xứng và có hình chuông, được đặc trưng bởi trung bình μ (tâm) và độ lệch chuẩn σ (độ rộng).

• PDF: \( f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \)
• CDF: \( F(x) = \frac{1}{2}\left[1 + \text{erf}\left(\frac{x-\mu}{\sigma\sqrt{2}}\right)\right] \)
• Phân vị: \( x = \mu + \sigma \cdot \Phi^{-1}(p) \)

Phân bố Nhị thức

Mô hình hóa số lần thành công trong n thử nghiệm độc lập, mỗi thử nghiệm có xác suất thành công p.

• PMF: \( P(X=k) = \binom{n}{k} p^k (1-p)^{n-k} \)
• CDF: \( F(k) = \sum_{i=0}^{k} \binom{n}{i} p^i (1-p)^{n-i} \)

Phân bố Poisson

Mô hình hóa số lượng sự kiện trong một khoảng thời gian cố định khi các sự kiện xảy ra với tốc độ trung bình không đổi λ.

• PMF: \( P(X=k) = \frac{e^{-\lambda} \lambda^k}{k!} \)
• CDF: \( F(k) = e^{-\lambda} \sum_{i=0}^{k} \frac{\lambda^i}{i!} \)

Phân bố Hàm mũ

Mô hình hóa thời gian giữa các sự kiện trong một quá trình Poisson với tỷ lệ λ.

• PDF: \( f(x) = \lambda e^{-\lambda x} \) với x ≥ 0
• CDF: \( F(x) = 1 - e^{-\lambda x} \)
• Phân vị: \( x = -\frac{\ln(1-p)}{\lambda} \)

Phân bố Chi bình phương

Phát sinh trong thống kê dưới dạng tổng bình phương của các biến chuẩn tắc. Được sử dụng trong kiểm định giả thuyết và khoảng tin cậy cho phương sai.

• PDF: \( f(x) = \frac{x^{k/2-1} e^{-x/2}}{2^{k/2} \Gamma(k/2)} \) với x > 0

Phân bố Student's t

Tương tự như phân bố Chuẩn nhưng có đuôi nặng hơn. Được sử dụng để suy luận về trung bình tổng thể khi kích thước mẫu nhỏ hoặc chưa biết phương sai tổng thể.

• PDF: \( f(x) = \frac{\Gamma\left(\frac{\nu+1}{2}\right)}{\sqrt{\nu\pi}\,\Gamma\left(\frac{\nu}{2}\right)} \left(1+\frac{x^2}{\nu}\right)^{-\frac{\nu+1}{2}} \)

Cách sử dụng máy tính này

1. Chọn một phân bố: Nhấp vào thẻ phân bố phù hợp với dữ liệu hoặc bài toán của bạn. Mỗi thẻ hiển thị loại phân bố (liên tục hoặc rời rạc).
2. Chọn loại tính toán: Chọn PDF/PMF cho xác suất tại một điểm, CDF cho xác suất tích lũy, hoặc Quantile để tìm giá trị cho một xác suất cho trước.
3. Nhập tham số: Nhập các tham số của phân bố. Biểu mẫu sẽ hiển thị động các tham số liên quan cho phân bố bạn đã chọn.
4. Nhập giá trị hoặc xác suất: Đối với PDF/CDF, nhập giá trị x (hoặc k cho rời rạc). Đối với Phân vị, nhập xác suất từ 0 đến 1.
5. Xem kết quả: Kiểm tra kết quả tính toán, các bước giải toán học và hình ảnh trực quan hóa phân bố.

Câu hỏi thường gặp

Phân bố xác suất là gì?

Phân bố xác suất là một hàm toán học mô tả khả năng xảy ra của các kết quả khác nhau cho một biến ngẫu nhiên. Nó có thể là rời rạc (như Nhị thức hoặc Poisson) cho các kết quả có thể đếm được, hoặc liên tục (như Chuẩn hoặc Hàm mũ) cho các kết quả có thể nhận bất kỳ giá trị nào trong một phạm vi.

Sự khác biệt giữa PDF và CDF là gì?

PDF (Hàm mật độ xác suất) hoặc PMF (Hàm khối xác suất) cho biết mật độ xác suất tại một điểm cụ thể. Đối với phân bố rời rạc, PMF cho xác suất chính xác P(X=k). CDF (Hàm phân bố tích lũy) cho biết xác suất biến ngẫu nhiên nhỏ hơn hoặc bằng một giá trị: P(X≤x). CDF là tổng tích lũy/tích phân của PDF/PMF.

Khi nào tôi nên sử dụng phân bố Chuẩn?

Phân bố chuẩn phù hợp cho dữ liệu liên tục được phân bố đối xứng quanh giá trị trung bình. Nó thường được sử dụng cho các hiện tượng như chiều cao, điểm kiểm tra, sai số đo lường và nhiều biến số sinh học. Định lý giới hạn trung tâm khẳng định rằng trung bình mẫu có xu hướng tiến tới phân bố chuẩn bất kể phân bố của tổng thể.

Hàm phân vị là gì?

Hàm phân vị (còn gọi là CDF nghịch đảo) tìm giá trị x sao cho P(X≤x) = p với một xác suất p cho trước. Ví dụ, phân vị thứ 95 (p=0.95) là giá trị mà dưới đó có 95% quan sát rơi vào.

Làm thế nào để chọn giữa các phân bố khác nhau?

Chọn dựa trên đặc tính dữ liệu: Chuẩn cho dữ liệu liên tục đối xứng quanh trung bình; Nhị thức cho việc đếm thành công trong thử nghiệm cố định; Poisson cho các sự kiện hiếm trong khoảng cố định; Hàm mũ cho thời gian giữa các sự kiện; Đồng nhất cho xác suất bằng nhau trong một phạm vi; Chi bình phương để kiểm tra phương sai; Student's t cho mẫu nhỏ với phương sai tổng thể chưa biết.

Tài nguyên bổ sung

• Phân bố xác suất - Wikipedia
• Phân bố chuẩn - Wikipedia