Xác suất có điều kiện P(A|B) là xác suất để A xảy ra khi đã biết B xảy ra, tính bằng P(A ∩ B) chia cho P(B). Nói cách khác, biết B đã xảy ra thì không gian mẫu thu hẹp lại chỉ còn những kết quả thuộc B, và ta hỏi trong phần đó, A chiếm bao nhiêu.
Theo chương trình hiện hành, xác suất có điều kiện, công thức xác suất toàn phần và công thức Bayes nằm ở lớp 12, sau phần biến cố độc lập ở lớp 11. Đây là phần khiến nhiều bạn rối nhất vì lỗi sai không nằm ở phép tính mà ở chỗ đọc đề: nhầm "trong số những người có B, tỉ lệ có A" với "trong số những người có A, tỉ lệ có B". Bài này dùng bảng hai chiều và sơ đồ cây để làm rõ chỗ đó, rồi đi tới công thức Bayes qua một ví dụ kiểm tra sản phẩm. Mọi số liệu là ví dụ giả định, đã tính lại.
Bảng hai chiều: cách dễ nhất để thấy xác suất có điều kiện
Ví dụ giả định: một lớp 40 học sinh gồm 18 nam và 22 nữ được hỏi có thích đọc truyện tranh không. Kết quả xếp vào bảng hai chiều như sau.
| Thích truyện tranh | Không thích | Tổng | |
|---|---|---|---|
| Nam | 10 | 8 | 18 |
| Nữ | 12 | 10 | 22 |
| Tổng | 22 | 18 | 40 |
Chọn ngẫu nhiên một bạn trong lớp. Gọi T là biến cố "bạn đó thích truyện tranh", N là biến cố "bạn đó là nam". Xác suất P(T) = 22/40 = 0,55. Nhưng nếu đã biết bạn được chọn là nam, ta chỉ nhìn hàng "Nam": P(T|N) = 10/18 = 5/9, xấp xỉ 0,556. Còn nếu đã biết bạn đó thích truyện tranh, ta chỉ nhìn cột "Thích": P(N|T) = 10/22 = 5/11, xấp xỉ 0,455.
Hai số 5/9 và 5/11 khác nhau vì chúng trả lời hai câu hỏi khác nhau, dù cùng dùng số 10 ở tử. Mẫu số cho biết ta đang đứng trong nhóm nào. Thói quen tốt: mỗi khi gặp P(A|B), đọc thành "trong số những trường hợp có B" rồi tìm đúng hàng hoặc cột của B trong bảng.
Công thức và ý nghĩa của từng thành phần
Công thức P(A|B) = P(A ∩ B)/P(B), với điều kiện P(B) > 0. Kiểm với bảng trên: P(T ∩ N) là xác suất chọn được một bạn vừa nam vừa thích truyện tranh, bằng 10/40. P(N) = 18/40. Chia ra: (10/40)/(18/40) = 10/18, khớp với cách đọc bảng. Khi các kết quả đồng khả năng, công thức này chỉ là cách viết khác của việc "đếm trong nhóm thu hẹp".
Từ công thức suy ra quy tắc nhân xác suất: P(A ∩ B) = P(B) × P(A|B). Quy tắc này rất hữu ích khi phép thử diễn ra theo từng bước. Ví dụ: hộp có 4 viên bi đỏ và 6 viên bi xanh, lấy lần lượt hai viên không hoàn lại. Xác suất viên thứ nhất đỏ là 4/10. Biết viên thứ nhất đỏ, hộp còn 3 đỏ trong 9 viên, nên xác suất viên thứ hai đỏ là 3/9. Xác suất cả hai đỏ là 4/10 × 3/9 = 12/90 = 2/15, trùng với kết quả tính bằng tổ hợp C(4, 2)/C(10, 2) = 6/45.
Hai cách tính, một bằng đếm tổ hợp và một bằng nhân xác suất có điều kiện, ra cùng một đáp số. Đây là phép kiểm rất mạnh: khi giải một bài lấy bi hay chọn người, làm bằng cả hai cách nếu có thể.
Biến cố độc lập: khi biết B không làm thay đổi gì
Hai biến cố A và B gọi là độc lập nếu việc xảy ra của biến cố này không làm thay đổi xác suất của biến cố kia, tức là P(A|B) = P(A). Khi đó quy tắc nhân trở thành P(A ∩ B) = P(A) × P(B). Đây là nội dung lớp 11, và nó giải thích vì sao ở hai lần gieo xúc xắc, xác suất cả hai lần ra mặt 6 là 1/6 × 1/6 = 1/36.
Ở bảng truyện tranh, P(T) = 0,55 còn P(T|N) xấp xỉ 0,556, hai số rất gần nhau nhưng không bằng nhau, nên theo định nghĩa thì T và N không độc lập. Trong thực tế, với một lớp 40 người, chênh lệch nhỏ như vậy rất có thể chỉ là do ngẫu nhiên của mẫu nhỏ, và ở bậc cao hơn người ta có công cụ để quyết định chênh lệch có đáng kể hay không. Ở phổ thông, bài toán thường cho số liệu sao cho kết luận rõ ràng.
Một nhầm lẫn rất phổ biến: coi "độc lập" là "xung khắc". Hai biến cố xung khắc là hai biến cố không thể cùng xảy ra, như "mặt chẵn" và "mặt 3" trong một lần gieo. Chúng không những không độc lập mà còn phụ thuộc rất mạnh: biết một biến cố xảy ra thì biến cố kia chắc chắn không xảy ra. Nếu AI hay một lời giải nào dùng P(A ∩ B) = P(A) × P(B) mà không nói vì sao A, B độc lập, đó là chỗ đáng nghi đầu tiên.
Công thức Bayes qua ví dụ máy kiểm tra sản phẩm
Ví dụ giả định: trong một xưởng, 2% sản phẩm bị lỗi. Máy kiểm tra phát hiện đúng 95% sản phẩm lỗi, nhưng cũng báo nhầm 10% sản phẩm tốt là lỗi. Một sản phẩm bị máy báo lỗi. Xác suất nó thật sự lỗi là bao nhiêu? Nhiều người đoán khoảng 95%. Hãy tính.
- Đặt tên biến cố: L là "sản phẩm lỗi", B là "máy báo lỗi". Dữ kiện: P(L) = 0,02; P(B|L) = 0,95; P(B|không L) = 0,10. Cần tìm P(L|B), tức là chiều ngược với dữ kiện.
- Hình dung 10 000 sản phẩm. Có 200 sản phẩm lỗi và 9800 sản phẩm tốt.
- Trong 200 sản phẩm lỗi, máy báo lỗi 95%, tức 190 sản phẩm.
- Trong 9800 sản phẩm tốt, máy báo nhầm 10%, tức 980 sản phẩm.
- Tổng số sản phẩm bị báo lỗi là 190 + 980 = 1170. Đây chính là công thức xác suất toàn phần: P(B) = P(L) × P(B|L) + P(không L) × P(B|không L) = 0,019 + 0,098 = 0,117.
- Trong 1170 sản phẩm bị báo lỗi, chỉ 190 là lỗi thật. P(L|B) = 190/1170, xấp xỉ 0,162, tức khoảng 16%. Đây là công thức Bayes: P(L|B) = P(L) × P(B|L)/P(B).
Kết quả 16% thay vì 95% gây bất ngờ vì sản phẩm lỗi rất hiếm, nên dù tỉ lệ báo nhầm chỉ 10%, số sản phẩm tốt bị báo nhầm vẫn nhiều gấp năm lần số sản phẩm lỗi thật được phát hiện. Đó là lý do trong thực tế, sản phẩm bị báo lỗi thường được kiểm lần hai. Cách hình dung bằng 10 000 đơn vị giúp bạn thấy điều này mà không cần thuộc công thức.
Xác suất toàn phần khi có nhiều nguồn
Công thức xác suất toàn phần dùng khi một kết quả có thể đến từ nhiều "nguồn" khác nhau, và các nguồn đó tách rời, phủ hết mọi khả năng. Ví dụ giả định: một cửa hàng nhận bóng đèn từ hai xưởng. Xưởng thứ nhất cung cấp 60% số bóng, tỉ lệ bóng hỏng là 3%; xưởng thứ hai cung cấp 40%, tỉ lệ bóng hỏng là 5%. Chọn ngẫu nhiên một bóng trong cửa hàng, xác suất nó hỏng là bao nhiêu?
Không thể lấy trung bình cộng (3% + 5%)/2 = 4%, vì hai xưởng không cung cấp số bóng bằng nhau. Phải tính theo trọng số: P(hỏng) = 0,6 × 0,03 + 0,4 × 0,05 = 0,018 + 0,020 = 0,038, tức 3,8%. Kết quả nằm giữa 3% và 5%, lệch về phía 3% vì xưởng thứ nhất chiếm phần lớn hơn. Đó là một phép kiểm trực giác đáng làm: xác suất toàn phần luôn nằm giữa xác suất nhỏ nhất và lớn nhất của các nguồn.
Bây giờ hỏi chiều ngược bằng Bayes: một bóng bị hỏng, xác suất nó đến từ xưởng thứ nhất là 0,018/0,038 = 18/38 = 9/19, xấp xỉ 0,474. Thú vị là dù xưởng thứ nhất làm bóng tốt hơn, gần một nửa số bóng hỏng vẫn đến từ đó, vì nó cung cấp nhiều bóng hơn. Nếu chỉ nhìn tỉ lệ hỏng mà quên quy mô, bạn sẽ kết luận sai. Hình dung 1000 bóng: 600 từ xưởng thứ nhất, hỏng 18; 400 từ xưởng thứ hai, hỏng 20; tổng 38 bóng hỏng, trong đó 18 của xưởng thứ nhất.
Sơ đồ cây: dựng bài Bayes không cần nhớ công thức
Bài Bayes nào cũng dựng được bằng sơ đồ cây hai tầng. Tầng một tách theo "nguyên nhân": lỗi với xác suất 0,02, tốt với xác suất 0,98. Tầng hai tách theo "kết quả quan sát": từ nhánh lỗi, báo lỗi 0,95 và không báo 0,05; từ nhánh tốt, báo lỗi 0,10 và không báo 0,90. Nhân xác suất dọc mỗi nhánh được xác suất của bốn lá: 0,019; 0,001; 0,098; 0,882. Bốn số này cộng lại bằng 1, một phép kiểm đáng làm.
Muốn tính P(L|B), gom các lá có "báo lỗi" lại: 0,019 và 0,098, tổng 0,117. Trong đó phần đến từ nhánh lỗi là 0,019. Tỉ số 0,019/0,117 chính là đáp số. Câu hỏi chiều ngược nào cũng làm theo đúng ba bước: vẽ cây theo chiều dữ kiện, gom các lá ứng với điều đã quan sát, rồi lấy tỉ lệ của phần cần tìm.
Tương tự, xác suất một sản phẩm thật sự tốt khi máy không báo lỗi bằng 0,882/(0,882 + 0,001), xấp xỉ 0,9989. Tức là máy này rất đáng tin khi nói "tốt", nhưng không đáng tin lắm khi nói "lỗi". Hai câu hỏi trên cùng một cây cho hai câu trả lời rất khác nhau, và hiểu được điều đó quan trọng hơn thuộc công thức.
Nhờ AI học xác suất có điều kiện mà không bị lẫn chiều
Ngôn ngữ tự nhiên của đề bài chính là bẫy, và AI cũng có thể đọc nhầm chiều điều kiện. Những câu lệnh mẫu sau giúp bạn tự giữ lập luận:
- "Em học lớp 12. Trong đề sau, mỗi tỉ lệ được cho là P của cái gì với điều kiện gì? Chỉ viết lại dữ kiện dưới dạng ký hiệu, không giải."
- "Em đã dựng sơ đồ cây với các xác suất như sau. Kiểm giúp tổng các nhánh từ mỗi nút có bằng 1 không, và em có đặt nhầm chiều điều kiện không."
- "Giải thích bằng một ví dụ đời thường, không phải bài của em, vì sao P(A|B) thường khác P(B|A)."
- "Đây là lời giải của em, ra khoảng 16%. Đừng giải lại; nếu có bước sai, chỉ ra bước đó."
Nếu dùng số liệu khảo sát thật của lớp để luyện bảng hai chiều, chỉ dán bảng tổng hợp, không dán danh sách tên, và chọn câu hỏi khảo sát không khiến ai bị so sánh hay ngại. Với bài Bayes, luôn tự làm lại bằng cách hình dung 10 000 đơn vị; nếu con số AI đưa ra lệch với cách đếm này, tin vào phép đếm của bạn và kiểm lại từng bước.
Câu hỏi thường gặp
P(A|B) và P(A ∩ B) khác nhau thế nào?
P(A ∩ B) là xác suất cả A và B cùng xảy ra, tính trên toàn bộ không gian mẫu. P(A|B) là xác suất A xảy ra khi đã biết B xảy ra, tính trên phần không gian mẫu thuộc B. Vì thế P(A|B) luôn lớn hơn hoặc bằng P(A ∩ B).
Làm sao biết đề bài cho P(A|B) hay P(B|A)?
Tìm cụm từ chỉ nhóm được xét. "Trong số sản phẩm lỗi, 95% bị máy báo" là P(báo|lỗi). "Trong số sản phẩm bị báo, bao nhiêu phần trăm lỗi thật" là P(lỗi|báo). Cụm "trong số", "biết rằng", "nếu" thường đứng trước điều kiện.
Vì sao bài Bayes hay cho kết quả trái với trực giác?
Vì trực giác thường bỏ qua tỉ lệ nền, ở đây là chỉ 2% sản phẩm bị lỗi. Khi điều cần tìm rất hiếm, ngay cả một tỉ lệ báo nhầm nhỏ áp lên một nhóm rất lớn cũng tạo ra nhiều báo nhầm hơn số trường hợp đúng.
Có thể giải bài Bayes mà không dùng công thức không?
Có. Hình dung một số lượng tròn như 1000 hay 10 000 đơn vị, chia theo các tỉ lệ đề cho, rồi đếm. Cách này cho cùng kết quả với công thức và ít nhầm chiều hơn. Trong bài kiểm tra, bạn vẫn nên trình bày theo cách sách yêu cầu.
Hai biến cố xung khắc có phải là độc lập không?
Không, trừ trường hợp một trong hai biến cố có xác suất bằng 0. Xung khắc nghĩa là không thể cùng xảy ra, nên biết một biến cố xảy ra thì biến cố kia chắc chắn không xảy ra, tức là thông tin này làm thay đổi xác suất rất mạnh.
Có nên dùng AI để giải hộ bài xác suất có điều kiện không?
Không nên giao cả bài. Phần khó nhất là gán đúng dữ kiện vào đúng ký hiệu, và đó là kỹ năng bài học muốn rèn. Dùng AI để kiểm từng bước sau khi bạn tự làm, và luôn đối chiếu bằng cách đếm trên một số lượng tròn.