Xác suất và thống kê: suy nghĩ cho đúng khi không có gì chắc chắn
Vì sao người học khoa học máy tính cần xác suất và thống kê: kỳ vọng, mô phỏng Monte Carlo, định lý Bayes, phân phối chuẩn, kiểm định A/B — và nên bắt đầu học từ đâu.
Ban biên tập OpenER
Cập nhật 09/11/2026 · 17 phút đọc · CC BY 4.0
Hộp thư của bạn tự gạt thư rác sang một bên, dù chưa ai dạy nó từng bức thư cụ thể. Ứng dụng bản đồ nói "khoảng 25 phút" và thường đúng, dù không biết trước đèn đỏ nào sẽ bật. Một công ty đổi màu nút "Mua ngay" rồi tuyên bố doanh thu tăng 3% — và câu hỏi đáng giá nhất là: tăng thật, hay chỉ là may?
Máy tính được xây để làm những việc chắc chắn: cùng đầu vào, cùng kết quả. Nhưng thế giới mà phần mềm phải làm việc cùng thì đầy bất định — người dùng bấm gì, gói tin nào bị mất, câu nào là thư rác, ảnh nào là con mèo. Xác suất (probability) là ngôn ngữ để nói chính xác về điều chưa chắc chắn; thống kê (statistics) là cách học được điều gì đó từ dữ liệu có nhiễu. Cùng với đại số tuyến tính, đây là hai trụ cột toán học của khoa học dữ liệu và trí tuệ nhân tạo.
Trước khi có xác suất và thống kê
Con người chơi xúc xắc từ hàng nghìn năm trước, nhưng mãi tới thế kỷ XVII mới có ai tính toán nghiêm túc về may rủi. Năm 1654, Pascal và Fermat trao đổi thư từ về cách chia tiền cược khi một ván bài bị bỏ dở — chuyện đã kể trong bài Toán rời rạc, logic và chứng minh. Trước đó, may rủi được coi là ý trời, không phải thứ đo được.
Thống kê có một gốc khác: đếm dân. Chữ "statistics" bắt nguồn từ việc ghi chép số liệu của nhà nước. Năm 1662, John Graunt, một người bán vải ở London, ngồi đọc những bản ghi số người chết hằng tuần của thành phố và nhận ra những quy luật không ai để ý: tỷ lệ bé trai sinh ra nhỉnh hơn bé gái, và số người chết theo từng nguyên nhân khá ổn định qua các năm. Ông đã biến một đống giấy tờ hành chính thành tri thức.
Rồi các công cụ ra đời lần lượt:
- Luật số lớn — Jacob Bernoulli, công bố năm 1713: tung đồng xu càng nhiều lần, tỷ lệ mặt ngửa càng gần một nửa. Lần đầu tiên có lời giải thích vì sao quan sát nhiều thì đoán đúng hơn.
- Định lý Bayes — Thomas Bayes, công bố năm 1763 sau khi ông mất: cách cập nhật niềm tin khi có bằng chứng mới. Laplace phát triển nó thành một phương pháp lập luận hoàn chỉnh.
- Phân phối chuẩn — Gauss và Laplace, đầu thế kỷ XIX: hình chuông xuất hiện ở khắp nơi, từ sai số đo đạc tới chiều cao con người.
- Thống kê suy luận — đầu thế kỷ XX. Năm 1908, William Gosset, một nhà hóa học làm cho hãng bia Guinness, cần biết lô lúa mạch nào tốt nhất mà chỉ có vài mẫu thử. Công ty không cho nhân viên công bố, nên ông ký bài báo bằng bút danh "Student" — và phép kiểm định ông tìm ra đến nay vẫn mang tên kiểm định t của Student. Ronald Fisher sau đó xây nền cho cách thiết kế thí nghiệm mà khoa học hiện đại dùng.
- Mô phỏng Monte Carlo — cuối thập niên 1940, Stanislaw Ulam và John von Neumann ở Los Alamos dùng những máy tính đầu tiên để giải bài toán quá khó tính bằng công thức, bằng cách thử ngẫu nhiên thật nhiều lần. Cái tên lấy từ sòng bạc nổi tiếng ở Monaco.
Đặt cạnh nhau:
Không có xác suất và thống kê | Có xác suất và thống kê | |
|---|---|---|
May rủi | Ý trời, không đo được | Một con số, tính được và so sánh được |
Quyết định từ dữ liệu | Theo vài trường hợp nhớ được, theo cảm giác | Theo toàn bộ dữ liệu, biết được độ tin cậy |
"Thuốc mới có hiệu quả không?" | Hỏi vài bệnh nhân khỏi bệnh | Thử nghiệm có nhóm đối chứng, tính khả năng kết quả chỉ do ngẫu nhiên |
Bài toán quá phức tạp để tính | Bỏ cuộc | Mô phỏng hàng triệu lần trên máy |
Phần mềm gặp dữ liệu nhiễu | Viết luật cứng, sai khi gặp trường hợp lạ | Học quy luật từ dữ liệu, kèm mức chắc chắn |
Ngày nay, thiếu cách nghĩ này vẫn dẫn tới những quyết định sai rất đắt. Một ví dụ kinh điển: trong Thế chiến II, quân đội muốn gia cố những chỗ trên máy bay ném bom có nhiều vết đạn nhất khi bay về. Nhà thống kê Abraham Wald chỉ ra điều ngược lại: hãy gia cố những chỗ không có vết đạn — vì máy bay trúng đạn ở đó đã không bay về được để được đếm. Đó là thiên kiến người sống sót (survivorship bias), và nó vẫn xuất hiện mỗi ngày: "những người bỏ học đại học đều thành tỷ phú" chỉ vì ta không nghe chuyện của hàng triệu người bỏ học không thành tỷ phú.
Môn này trả lời câu hỏi gì
Môn Xác suất và thống kê trả lời hai câu hỏi đi ngược chiều nhau:
- Xác suất: biết cơ chế sinh ra ngẫu nhiên — đồng xu cân, mỗi gói tin mất với khả năng 1% — thì kết quả sẽ trông thế nào?
- Thống kê: nhìn thấy kết quả — dữ liệu, mẫu khảo sát, số đo — thì suy ra được gì về cơ chế bên dưới, và chắc chắn tới mức nào?
Vì sao người học khoa học máy tính cần nó? Vì gần như mọi phần mềm hiện đại phải đối mặt với bất định:
- Học máy về bản chất là thống kê chạy trên máy tính: mô hình đưa ra xác suất "ảnh này là mèo", và học bằng cách làm cho dữ liệu thật trở nên có khả năng nhất.
- Thuật toán ngẫu nhiên — sắp xếp nhanh chọn mốc ngẫu nhiên, bảng băm, kiểm tra số nguyên tố — chạy nhanh hơn và đơn giản hơn thuật toán tất định.
- Hệ thống và mạng cần hiểu hàng đợi, độ trễ, tỷ lệ lỗi.
- Sản phẩm quyết định dựa trên thí nghiệm A/B, và cần biết khi nào kết quả là thật.
Năm ý tưởng cốt lõi
1. Xác suất và kỳ vọng: đo giá trị trung bình của sự may rủi
Xác suất của một sự kiện là một con số từ 0 (không bao giờ) tới 1 (chắc chắn). Khi các kết quả có khả năng như nhau, xác suất là số kết quả thuận lợi chia cho tổng số kết quả — và việc đếm đó dùng đúng công cụ tổ hợp của toán rời rạc.
Ví dụ: một vé xổ số Vietlott Mega 6/45 chọn 6 số trong 45 số. Số cách chọn là tổ hợp chập 6 của 45:
from math import comb
so_cach = comb(45, 6)
print(so_cach) # 8145060
print(1 / so_cach) # khoảng 0,000000123Khả năng trúng giải đặc biệt với một vé là 1 trên hơn 8 triệu. Nếu mỗi tuần mua một vé, trung bình phải chờ khoảng 150.000 năm.
Khái niệm quan trọng hơn là kỳ vọng (expected value): giá trị trung bình nếu lặp lại một việc ngẫu nhiên rất nhiều lần — mỗi kết quả nhân với xác suất của nó, rồi cộng lại. Kỳ vọng tiền lời của một vé xổ số luôn âm: đó là cách nhà phát hành có lãi. Kỳ vọng cũng là cách đo một thuật toán ngẫu nhiên chạy trung bình mất bao lâu, và là thứ mà một mô hình học máy cố làm cho nhỏ nhất khi nó học: sai số kỳ vọng.
2. Luật số lớn và mô phỏng Monte Carlo
Tung một đồng xu mười lần, có thể ra bảy lần ngửa. Tung một triệu lần, tỷ lệ ngửa sẽ rất gần một nửa. Đó là luật số lớn: trung bình của nhiều lần thử ngẫu nhiên tiến dần tới kỳ vọng.
Điều tuyệt vời là luật này chạy ngược được: muốn biết một con số khó tính, hãy thử ngẫu nhiên thật nhiều lần và lấy trung bình. Ví dụ, ước lượng số π bằng cách ném phi tiêu ngẫu nhiên vào một hình vuông cạnh 1 rồi đếm xem bao nhiêu phi tiêu rơi vào phần tư hình tròn bán kính 1 bên trong:
import random
random.seed(2026)
so_lan, trung = 1_000_000, 0
for _ in range(so_lan):
x, y = random.random(), random.random()
if x * x + y * y <= 1:
trung += 1
print(4 * trung / so_lan) # gần 3,14 — mỗi lần chạy lệch một chútDiện tích phần tư hình tròn là π/4, nên tỷ lệ phi tiêu rơi vào trong, nhân 4, xấp xỉ π. Đây là phương pháp Monte Carlo: thay một công thức khó bằng hàng triệu lần thử dễ. Máy tính sinh ra để làm việc này. Monte Carlo được dùng để định giá sản phẩm tài chính, mô phỏng ánh sáng trong phim hoạt hình, tính rủi ro của một dự án, và cả trong những chương trình chơi cờ vây mạnh nhất.
Một bài học đi kèm: mỗi lần chạy cho kết quả hơi khác nhau. Muốn chính xác thêm một chữ số thập phân, cần thử nhiều gấp khoảng một trăm lần. Biết được sai số đó lớn tới đâu chính là việc của thống kê.
3. Định lý Bayes: cập nhật niềm tin khi có bằng chứng
Một căn bệnh có ở 1% dân số. Một xét nghiệm phát hiện đúng 99% người có bệnh, và chỉ báo nhầm 5% người khỏe. Bạn xét nghiệm và nhận kết quả dương tính. Khả năng bạn thật sự có bệnh là bao nhiêu?
Hầu hết mọi người — kể cả nhiều bác sĩ trong các nghiên cứu — đoán khoảng 95%. Câu trả lời đúng là khoảng 17%:
co_benh = 0.01 # 1% dân số có bệnh
bat_dung = 0.99 # người có bệnh: xét nghiệm dương tính 99%
bao_nham = 0.05 # người khỏe: xét nghiệm vẫn dương tính 5%
duong_tinh = co_benh * bat_dung + (1 - co_benh) * bao_nham
print(round(co_benh * bat_dung / duong_tinh, 3)) # 0.167Lý do: trong 10.000 người, chỉ có 100 người bệnh (99 người dương tính), nhưng có 9.900 người khỏe, và 5% của họ — 495 người — cũng dương tính. Trong 594 người dương tính, chỉ 99 người thật sự có bệnh. Bỏ qua tỷ lệ gốc ban đầu (1%) là lỗi suy luận phổ biến nhất, có tên bỏ qua xác suất nền (base rate fallacy).
Định lý Bayes là công thức chính xác cho phép tính trên: niềm tin sau khi thấy bằng chứng = niềm tin trước đó × mức độ bằng chứng ủng hộ, rồi chuẩn hóa lại. Nó là trái tim của rất nhiều hệ thống:
- Lọc thư rác: mỗi từ trong thư là một bằng chứng — chữ "trúng thưởng" làm xác suất thư rác tăng, tên một đồng nghiệp làm nó giảm. Bộ lọc kiểu Bayes phổ biến từ đầu thập niên 2000 và vẫn là nền của nhiều bộ lọc hôm nay.
- Chẩn đoán, nhận dạng, dự báo: kết hợp kiến thức có sẵn với dữ liệu mới.
- Học máy: chủ đề Probabilistic Graphical Models trong lộ trình này là cả một môn về cách lập luận Bayes trên nhiều biến cùng lúc.
4. Phân phối chuẩn và định lý giới hạn trung tâm
Tung một con xúc xắc, mỗi mặt từ 1 tới 6 có khả năng như nhau — biểu đồ phẳng. Nhưng tung mười con rồi cộng lại, tổng gần 35 xuất hiện nhiều nhất, tổng rất nhỏ hay rất lớn hiếm dần — biểu đồ thành hình chuông:
import random
from collections import Counter
random.seed(7)
tong = Counter(sum(random.randint(1, 6) for _ in range(10)) for _ in range(100_000))
for t in range(20, 51, 3):
print(f"{t:3d} {'#' * (tong[t] // 150)}")Chạy thử, bạn sẽ thấy những thanh # dài nhất ở giữa và ngắn dần về hai phía. Đây là định lý giới hạn trung tâm (central limit theorem): cộng nhiều đại lượng ngẫu nhiên độc lập, dù từng cái có phân phối thế nào, tổng gần như luôn có dạng hình chuông — phân phối chuẩn (normal distribution). Đó là lý do hình chuông xuất hiện ở khắp nơi: chiều cao người là tổng của rất nhiều yếu tố nhỏ, sai số đo là tổng của nhiều nguồn nhiễu nhỏ, điểm trung bình của một lớp là trung bình của nhiều bài thi.
Định lý này cũng là lý do thống kê làm được việc: trung bình của một mẫu đủ lớn cũng tuân theo hình chuông quanh giá trị thật, nên ta tính được nó lệch tối đa bao nhiêu — đó là nền của khoảng tin cậy ở ý tiếp theo.
5. Suy luận thống kê: khi nào kết quả là thật
Quay lại công ty đổi màu nút. Trong một tuần, 10.000 người thấy nút cũ, 10.000 người thấy nút mới — đó là thí nghiệm A/B. Nút mới có tỷ lệ mua cao hơn một chút. Câu hỏi của thống kê: nếu hai nút thật ra như nhau, thì chênh lệch cỡ này xảy ra do ngẫu nhiên thường tới mức nào?
- Nếu rất hiếm, ta có bằng chứng nút mới tốt hơn thật. Con số đo "hiếm tới mức nào" là giá trị p (p-value).
- Nếu không hiếm, chênh lệch có thể chỉ là may — và đổi nút dựa trên đó là quyết định theo cảm giác khoác áo số liệu.
Đi cùng là khoảng tin cậy (confidence interval): thay vì nói "tỷ lệ mua là 3,2%", ta nói "tỷ lệ mua nằm trong khoảng 2,9% đến 3,5%, với mức tin cậy 95%". Một con số không kèm sai số là một con số chưa đủ thông tin.
Môn học cũng dạy những cái bẫy mà ngay cả người làm dữ liệu lâu năm vẫn rơi vào:
- Tương quan không phải nhân quả: số vụ đuối nước và số kem bán ra cùng tăng vào mùa hè, nhưng kem không gây đuối nước — cả hai cùng do trời nóng.
- Thử nhiều lần cho tới khi "có kết quả": thử 20 màu nút, thế nào cũng có một màu trông "tốt hơn" chỉ do may.
- Nghịch lý Simpson: một xu hướng thấy trong từng nhóm có thể đảo ngược khi gộp các nhóm lại. Một ví dụ nổi tiếng là số liệu tuyển sinh cao học của Đại học California, Berkeley năm 1973: tính chung thì nữ có vẻ bị nhận ít hơn, nhưng xét từng khoa thì phần lớn các khoa không thiên vị — nữ nộp đơn nhiều hơn vào những khoa khó vào.
Học thống kê là học khiêm tốn có phương pháp: biết kết luận được gì, không kết luận được gì, và chắc chắn tới đâu.
Xác suất và thống kê nằm ở đâu trong chồng tầng
Trong chồng tầng của bài Từ electron đến ứng dụng, xác suất và thống kê không thuộc một tầng nào — chúng là công cụ để làm việc với bất định ở mọi tầng:
- Ở tầng vật lý: nhiễu nhiệt, tia vũ trụ lật một bit trong bộ nhớ — đo bằng xác suất lỗi.
- Ở tầng hệ thống: mạng máy tính mất gói theo xác suất; hàng đợi trong máy chủ được phân tích bằng lý thuyết xác suất.
- Ở tầng thuật toán: thuật toán ngẫu nhiên, hàm băm, phân tích độ phức tạp trung bình — nối với bài Thiết kế và phân tích thuật toán.
- Ở tầng ứng dụng: học máy, khoa học dữ liệu, thí nghiệm sản phẩm.
Đưa lên
Một cách nói chính xác về điều chưa chắc chắn — xác suất, kỳ vọng, phân phối, khoảng tin cậy — để tầng trên ra quyết định và đo được mức rủi ro của quyết định đó.
Giấu đi
Từng lần tung, từng người dùng, từng gói tin riêng lẻ. Thống kê chỉ giữ lại quy luật của số đông.
Học trước và học sau
· 6 mônToán rời rạc, logic và chứng minh
Mathematics for Computer Science
Đếm, tổ hợp, chứng minh — nền để tính xác suất trên các tập hữu hạn. Nên học trước hoặc song song.
Đại số tuyến tính
Linear Algebra
Vector và ma trận để làm việc với dữ liệu nhiều chiều. Hai môn này đi cùng nhau trong mọi thứ liên quan tới dữ liệu.
Học máy
Machine Learning
Mô hình học máy là thống kê chạy trên máy: ước lượng, sai số kỳ vọng, quá khớp, đánh giá trên dữ liệu chưa thấy.
Mô hình đồ thị xác suất
Probabilistic Graphical Models
Lập luận Bayes trên rất nhiều biến cùng lúc — chẩn đoán, nhận dạng, dịch máy thời trước học sâu.
Thiết kế và phân tích thuật toán
Design and Analysis of Algorithms
Thuật toán ngẫu nhiên và phân tích trung bình dùng trực tiếp kỳ vọng và các bất đẳng thức xác suất.
Nhập môn trí tuệ nhân tạo
Introduction to Artificial Intelligence
Lập luận khi không chắc chắn, ra quyết định có rủi ro — những chương dùng xác suất nhiều nhất của môn AI.
Xem chủ đề trên OpenER: Introduction to Artificial Intelligence
Ứng dụng thật và nghề nghiệp
- Khoa học dữ liệu và phân tích: đọc dữ liệu, thiết kế và đánh giá thí nghiệm A/B, báo cáo con số kèm độ tin cậy.
- Kỹ sư học máy và AI: chọn mô hình, đánh giá mô hình, hiểu vì sao mô hình đúng trên dữ liệu huấn luyện mà sai ngoài đời.
- Kỹ sư phần mềm và hệ thống: đo độ trễ (không chỉ trung bình mà cả phân vị 99%), thuật toán ngẫu nhiên, theo dõi hệ thống và phát hiện bất thường.
- Tài chính, bảo hiểm, rủi ro: định giá, mô phỏng Monte Carlo, đo rủi ro danh mục.
- Y tế, sinh học, khoa học xã hội: thử nghiệm lâm sàng, dịch tễ học, khảo sát.
- Bảo mật: đo độ ngẫu nhiên của khóa, phát hiện gian lận và xâm nhập.
Học xong làm được gì, bắt đầu từ đâu
Sau môn này bạn có thể:
- tính xác suất và kỳ vọng của các tình huống thực tế, từ trò chơi tới thuật toán;
- dùng mô phỏng Monte Carlo để ước lượng những gì khó tính bằng công thức;
- lập luận đúng với định lý Bayes và tránh bẫy bỏ qua xác suất nền;
- tính khoảng tin cậy, đọc giá trị p, và biết khi nào một kết quả A/B đáng tin;
- nhận ra những lỗi thống kê phổ biến — tương quan và nhân quả, thiên kiến người sống sót, nghịch lý Simpson — trong báo cáo, trong tin tức và trong chính dữ liệu của mình.
Nên biết trước: đại số phổ thông và tổ hợp cơ bản. Phần xác suất liên tục (hàm mật độ, phân phối chuẩn) dùng thêm một chút tích phân; nếu chưa vững, đi qua chủ đề Calculus song song. Biết một chút Python giúp rất nhiều — thống kê hiện đại được học tốt nhất bằng cách mô phỏng.
Bắt đầu trên OpenER: trang chủ đề Probability and Statistics có các khóa học đã chọn lọc, và hướng dẫn học gợi ý thứ tự đi qua chúng. Lời khuyên cho môn này: mô phỏng trước, chứng minh sau. Mỗi khi trực giác và công thức cho hai đáp án khác nhau — như bài xét nghiệm hay nghịch lý ngày sinh — viết vài dòng code thử một triệu lần. Bạn sẽ tin công thức hơn, và hiểu vì sao trực giác sai.
Tài liệu tham khảo
- MIT 18.05 Introduction to Probability and Statistics — bài giảng mở trên MIT OpenCourseWare.
- Joseph K. Blitzstein, Jessica Hwang — Introduction to Probability, cùng khóa Harvard Stat 110 với video bài giảng miễn phí.
- Dimitri P. Bertsekas, John N. Tsitsiklis — Introduction to Probability, giáo trình của khóa MIT 6.041.
- Ani Adhikari, John DeNero, David Wagner — Computational and Inferential Thinking, sách mở của khóa UC Berkeley Data 8: học thống kê bằng mô phỏng và Python.
- David Diez và cộng sự — OpenIntro Statistics, sách mở đọc miễn phí.
- Seeing Theory (Đại học Brown) — mô phỏng trực quan các khái niệm xác suất và thống kê.