Phân phối Hình học: Nghịch lý 'Đập Hộp' và Ý nghĩa thực sự của E[X]

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.

Gọi $X$ là số lượng hộp bạn phải mở cho đến khi trúng được bé Secret đầu tiên. Khả năng bạn phải mở đúng $k$ hộp được tính bằng công thức của Phân phối Hình học:

Ý nghĩa rất hiển nhiên: Để trúng ở hộp thứ $k$, bạn buộc phải mở “trượt” $k-1$ hộp trước đó (xác suất $1-p$), và mở “trúng” đúng vào hộp cuối cùng (xác suất $p$).

$$ p, \quad (1-p)p, \quad (1-p)^2p, \quad (1-p)^3p, \dots $$

Bạn có thể thấy mỗi xác suất tiếp theo đều bằng xác suất trước đó nhân với một tỷ lệ không đổi là $(1-p)$. Vì các xác suất này tạo thành một cấp số nhân (chuỗi hình học), nên phân phối này mới được đặt tên là Phân phối Hình học. (Xem thêm biểu đồ tương tác tại bài viết: Tại sao Cấp số nhân lại gọi là chuỗi “Hình học”?)

2. Ảo giác “Chắc chắn trúng” và Kỳ vọng E[X]

Rất nhiều người lầm tưởng: “Xác suất 10% nghĩa là mua 10 hộp thì kiểu gì cũng trúng!”

Toán học không hoạt động như vậy. 10 hộp trượt liên tiếp là chuyện cực kỳ bình thường (xác suất $0.9^{10} \approx 34.8%$). Vậy con số 10 ở đây mang ý nghĩa gì?

Nếu $p = 10\% = 0.1$, thì $E[X] = \frac{1}{0.1} = 10$ hộp.

Trực giác sư phạm: Hãy tưởng tượng mỗi hộp mù chứa chính xác “10% sự thành công”. Khui hộp 1, bạn có 10% thành công. Khui hộp 2, bạn tích cóp thêm 10%. Vậy để gom đủ “100% sự thành công” (đại diện cho 1 lần trúng trọn vẹn), trung bình bạn phải gom $1 / 10\% = 10$ hộp! Đây là một cách hiểu cực kỳ trực quan về nghịch đảo của xác suất.

3. Mô phỏng Thực tế (Interactive)

Để thấy tận mắt sự tàn khốc (hoặc may mắn) của xác suất và cách mà trung bình $E[X]$ thành hình, hãy tự tay chạy mô phỏng dưới đây.

Bạn hãy thử mô phỏng 1 người chơi vài lần để thấy cảm giác “nhân phẩm” (có người trúng ở hộp 1, có người xui xẻo đến hộp 40). Sau đó, hãy bấm Mô phỏng 500 người chơi để thấy trung bình của họ hội tụ hoàn hảo về đúng công thức lý thuyết $E[X] = \frac{1}{p}$.

<div style="display: flex; gap: 10px; margin-bottom: 15px;">
  <button id="btn-play-1" style="flex: 1; padding: 10px; background: #28a745; color: white; border: none; border-radius: 4px; font-weight: bold; cursor: pointer; transition: 0.2s;">▶ Mô phỏng 1 Người chơi</button>
  <button id="btn-play-500" style="flex: 1; padding: 10px; background: #ff7f0e; color: white; border: none; border-radius: 4px; font-weight: bold; cursor: pointer; transition: 0.2s;">▶ Mô phỏng 500 Người chơi</button>
</div>

<div id="single-play-res" style="min-height: 50px; padding: 10px; background: white; border: 1px dashed #ccc; border-radius: 4px; font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif; display: flex; flex-wrap: wrap; gap: 5px; align-items: center;">
  <em style="color: #777;">Bấm "Mô phỏng 1 Người chơi" để bắt đầu bóc hộp...</em>
</div>

Tổng kết

Phân phối Hình học dạy cho chúng ta một bài học cay đắng nhưng chính xác: Không bao giờ có sự “chắc chắn” trong từng cá nhân. Một người có thể gặp may ngay lần đầu, một người khác có thể kiệt quệ tài chính mới trúng. Nhưng nếu nhìn ở bình diện vĩ mô (luật số lớn), trung bình số lần thất bại luôn tuân thủ nghiêm ngặt hằng số $1/p$. Đừng lấy $E[X]$ ra làm điểm tựa tài chính cho cá nhân bạn!