1. Ít sự kiện thường đi kèm nhiều bất định
Một hệ thống ghi nhận không có sự cố trong vài tháng có thể vận hành tốt, nhưng dữ liệu đó chưa đủ để khẳng định tần suất thực bằng không. Khi số đếm nhỏ, tỷ số sự kiện trên thời gian dễ dao động mạnh; cần trình bày cả thời gian theo dõi, định nghĩa sự kiện và độ không chắc chắn.
Bài này xây dựng ví dụ về các sự kiện thiết bị giả định, không dùng dữ liệu cá nhân hay số liệu thực của doanh nghiệp. Ký hiệu T là tổng thời gian phơi nhiễm phù hợp, chẳng hạn giờ thiết bị đang trong trạng thái được theo dõi; n là số sự kiện thỏa cùng một quy tắc ghi nhận. Một thiết bị có thể có nhiều sự kiện sau khi được khôi phục.
2. Mô hình Poisson và các điều kiện cần giữ
Giả định cường độ sự kiện λ không đổi, các khoảng thời gian rời nhau độc lập và sự kiện không bị ghi trùng. Số N trong thời gian T được mô hình hóa Poisson với trung bình μ=λT. Tài liệu thống kê của R nêu hàm xác suất và tính chất trung bình bằng phương sai của phân bố Poisson.[1]
P(N=k) = exp(−μ) μ^k/k!, k=0,1,2,...
E(N) = Var(N) = μ
λ_ước_lượng = n/T
Trong tài liệu phần mềm, tham số của phân bố thường cũng được gọi là lambda nhưng mang nghĩa số đếm kỳ vọng μ. Ở bài này λ có đơn vị 1/giờ còn μ không có đơn vị. Phải phân biệt khi nhập vào hàm xác suất: nếu hàm nhận trung bình của số đếm, đầu vào là λT, không phải λ riêng lẻ.
Lão hóa, thay đổi chế độ chạy, nguyên nhân chung hoặc chiến dịch kiểm tra mới có thể làm mô hình không còn phù hợp. Công thức thống kê không khắc phục được danh sách sự kiện thiếu nhất quán.
3. Ba sự kiện trong 240.000 giờ
Giả định ghi nhận n=3 sự kiện trong T=240.000 giờ thiết bị, cùng định nghĩa và điều kiện. Ước lượng điểm là 3/240.000 = 0,0000125 sự kiện/giờ, tương đương 12,5 sự kiện trên một triệu giờ. Đây là cách đổi thang trình bày, không có nghĩa đã quan sát đủ một triệu giờ.
Độ lệch chuẩn ước lượng kiểu căn bậc hai là sqrt(3)/240.000, tương đương 7,216878 trên một triệu giờ. Nếu lập khoảng đối xứng bằng 12,5 ± 1,96×7,216878, cận dưới trở thành âm. Điều đó cho thấy xấp xỉ chuẩn đơn giản không thích hợp ở ví dụ số đếm ít; tần suất vật lý không nhận giá trị âm.
4. Khoảng tin cậy chính xác theo mô hình
Ghi χ²(p,ν) là phân vị p của phân bố chi bình phương với ν bậc tự do. Khoảng hai phía 95% thường dùng cho trung bình Poisson và sau đó chia T là:
λ_L = χ²(0,025;2n)/(2T), với n>0
λ_U = χ²(0,975;2n+2)/(2T)
Với n=0, đặt λ_L=0
Ghi chú của McMaster University trình bày các cận này và giải thích tính bảo thủ do số đếm rời rạc.[2] Với n=3, các cận cho μ lần lượt 0,618672 và 8,767273. Chia 240.000 rồi nhân một triệu cho khoảng từ 2,577801 đến 36,530304 sự kiện trên một triệu giờ.
Có thể kiểm độc lập bằng đuôi Poisson. Tại μ_L=0,618672, xác suất quan sát ít nhất ba sự kiện bằng 0,025; tại μ_U=8,767273, xác suất quan sát không quá ba bằng 0,025. Hai phép kiểm này giúp phát hiện nhầm bậc tự do hoặc đổi chỗ phân vị.
Mức tin cậy 95% nói về khả năng bao phủ của thủ tục khi lặp lại cách quan sát theo mô hình. Nó không có nghĩa 95% sự kiện tương lai sẽ nằm giữa hai cận tần suất, cũng không đồng nhất với một xác suất hậu nghiệm cho tham số nếu chưa xây dựng mô hình Bayes.
5. Không có sự kiện: cận một phía và hai phía khác nhau
Giả định n=0 sau T=500.000 giờ. Trong Poisson, P(N=0)=exp(−λT). Cận trên một phía 95% được tìm từ exp(−λ_U T)=0,05:
λ_U,một_phía = −ln(0,05)/T
λ_U,một_phía = 5,991465 sự kiện/triệu giờ
Nếu báo khoảng hai phía 95% theo công thức mục 4, cận trên dùng −ln(0,025)/T = 7,377759 trên một triệu giờ. Cả hai đều hợp lệ theo lựa chọn đã nêu nhưng trả lời hai cách đặt khoảng khác nhau. Không được lấy hệ số xấp xỉ 3/T rồi ghi nó là cận trên hai phía 95%.
Một kiểm tra trực giác: nếu λ thật là 2 sự kiện/triệu giờ, sau 500.000 giờ số kỳ vọng μ=1, nhưng xác suất vẫn chưa thấy sự kiện nào là exp(−1)=36,79%. Vì thế một giai đoạn không có sự kiện có thể xuất hiện ngay cả khi tần suất thực dương.
6. Dự báo một cửa sổ tương lai không phải khoảng tham số
Tạm dùng ước lượng điểm 12,5/triệu giờ của mục 3 như thể đã biết chính xác λ. Với cửa sổ mới 100.000 giờ, số kỳ vọng là μ_mới=1,25. Xác suất có ít nhất một sự kiện là 1−exp(−1,25)=71,3495%; xác suất ít nhất hai là 1−exp(−1,25)(1+1,25)=35,5364%.
Các con số này chỉ là dự báo cắm giá trị ước lượng vào mô hình, chưa tích hợp bất định của λ. Khoảng rộng ở mục 4 cho thấy giả thiết “đã biết chính xác” là mạnh. Không lấy xác suất 71,35% này làm bằng chứng rằng hệ thống chắc chắn sẽ có sự cố trong kỳ tới, cũng không bỏ qua thay đổi điều kiện vận hành.
7. So hai nhóm có mức phơi nhiễm khác nhau
Nhóm A có 1 sự kiện trong 100.000 giờ; B có 4 trong 900.000 giờ. Tần suất điểm là 10 và 4,444444 trên một triệu giờ, tỷ số 2,25. So số đếm 1 với 4 sẽ cho cảm giác ngược vì bỏ qua mức phơi nhiễm.
Tài liệu R về poisson.test nêu cách so hai tần suất bằng phân bố nhị thức có điều kiện theo tổng số sự kiện.[3] Dưới giả thuyết λ_A=λ_B và hai quá trình độc lập, khi biết tổng N=5, số thuộc A có xác suất thành công p=T_A/(T_A+T_B)=0,10.
Với quan sát A=1, phép thử chính xác hai phía theo quy tắc cộng xác suất các kết quả không lớn hơn xác suất kết quả đã thấy cho p-value=0,40951. Trong ví dụ này, dữ liệu chưa cung cấp bằng chứng mạnh về khác biệt dù tỷ số điểm bằng 2,25. Không bác bỏ giả thuyết bằng nhau cũng không chứng minh hai nhóm tương đương về kỹ thuật.
Nếu mục đích là mô tả toàn bộ hai nhóm, tần suất gộp là (1+4)/(100.000+900.000) = 5 trên một triệu giờ. Trung bình hai tần suất là 7,222222 và không phải tần suất gộp; trọng số đúng ở đây là số giờ.
8. Dữ liệu tụ cụm cần xem lại giả thiết
Giả định sáu khoảng có cùng thời gian phơi nhiễm cho số đếm 0,0,0,0,0,6. Trung bình bằng 1 nhưng phương sai mẫu bằng 6. Thống kê phân tán D=Σ(n_i−n_trung_bình)^2/n_trung_bình bằng 30. NIST trình bày thống kê này để kiểm tra mức phân tán so với Poisson.[4]
Với chỉ sáu khoảng và số đếm nhỏ, bài này không dựa vào xấp xỉ chi bình phương để tuyên bố một mức ý nghĩa chính xác. Dãy số là tín hiệu cần kiểm tra: sáu sự kiện cuối có chung nguyên nhân không, phạm vi ghi nhận có thay đổi không, hoặc năm khoảng đầu có thực sự cùng mức phơi nhiễm không? Trung bình bằng phương sai ở một bộ số khác cũng chưa đủ chứng minh quá trình độc lập và dừng.
9. Báo cáo để không tạo cảm giác chắc chắn giả
Nên trình bày số đếm thô, số giờ tương ứng, định nghĩa sự kiện, thang quy đổi, mô hình và loại khoảng tin cậy. Tách kết quả mô tả quá khứ khỏi dự báo tương lai. Nếu gộp thiết bị khác nhau, cần nói rõ phần khác biệt nào đã được mô hình hóa.
Một tỷ số dễ đọc chỉ có giá trị khi người xem biết mẫu số và giới hạn bằng chứng. Mục tiêu của phân tích số đếm hiếm là thể hiện những gì dữ liệu cho phép kết luận, đồng thời giữ rõ phần bất định còn lớn để tránh biến một chuỗi ngắn thành cam kết an toàn dài hạn.
Nguồn tham khảo
[1] The Poisson Distribution — R stats documentation — R Core Team. Truy cập ngày 09/11/2026.
[2] Confidence Intervals for the Mean of a Poisson Distribution — McMaster University, Statistics743 notes, 1997. Truy cập ngày 09/11/2026.
[3] Exact Poisson tests — poisson.test, R stats documentation — R Core Team. Truy cập ngày 09/11/2026.
[4] Poisson Dispersion Test — Dataplot Reference Manual — National Institute of Standards and Technology. Truy cập ngày 09/11/2026.
Rà soát nội dung: 09/11/2026.
Một hệ thống ghi nhận không có sự cố trong vài tháng có thể vận hành tốt, nhưng dữ liệu đó chưa đủ để khẳng định tần suất thực bằng không. Khi số đếm nhỏ, tỷ số sự kiện trên thời gian dễ dao động mạnh; cần trình bày cả thời gian theo dõi, định nghĩa sự kiện và độ không chắc chắn.
Bài này xây dựng ví dụ về các sự kiện thiết bị giả định, không dùng dữ liệu cá nhân hay số liệu thực của doanh nghiệp. Ký hiệu T là tổng thời gian phơi nhiễm phù hợp, chẳng hạn giờ thiết bị đang trong trạng thái được theo dõi; n là số sự kiện thỏa cùng một quy tắc ghi nhận. Một thiết bị có thể có nhiều sự kiện sau khi được khôi phục.
2. Mô hình Poisson và các điều kiện cần giữ
Giả định cường độ sự kiện λ không đổi, các khoảng thời gian rời nhau độc lập và sự kiện không bị ghi trùng. Số N trong thời gian T được mô hình hóa Poisson với trung bình μ=λT. Tài liệu thống kê của R nêu hàm xác suất và tính chất trung bình bằng phương sai của phân bố Poisson.[1]
P(N=k) = exp(−μ) μ^k/k!, k=0,1,2,...
E(N) = Var(N) = μ
λ_ước_lượng = n/T
Trong tài liệu phần mềm, tham số của phân bố thường cũng được gọi là lambda nhưng mang nghĩa số đếm kỳ vọng μ. Ở bài này λ có đơn vị 1/giờ còn μ không có đơn vị. Phải phân biệt khi nhập vào hàm xác suất: nếu hàm nhận trung bình của số đếm, đầu vào là λT, không phải λ riêng lẻ.
Lão hóa, thay đổi chế độ chạy, nguyên nhân chung hoặc chiến dịch kiểm tra mới có thể làm mô hình không còn phù hợp. Công thức thống kê không khắc phục được danh sách sự kiện thiếu nhất quán.
3. Ba sự kiện trong 240.000 giờ
Giả định ghi nhận n=3 sự kiện trong T=240.000 giờ thiết bị, cùng định nghĩa và điều kiện. Ước lượng điểm là 3/240.000 = 0,0000125 sự kiện/giờ, tương đương 12,5 sự kiện trên một triệu giờ. Đây là cách đổi thang trình bày, không có nghĩa đã quan sát đủ một triệu giờ.
Độ lệch chuẩn ước lượng kiểu căn bậc hai là sqrt(3)/240.000, tương đương 7,216878 trên một triệu giờ. Nếu lập khoảng đối xứng bằng 12,5 ± 1,96×7,216878, cận dưới trở thành âm. Điều đó cho thấy xấp xỉ chuẩn đơn giản không thích hợp ở ví dụ số đếm ít; tần suất vật lý không nhận giá trị âm.
4. Khoảng tin cậy chính xác theo mô hình
Ghi χ²(p,ν) là phân vị p của phân bố chi bình phương với ν bậc tự do. Khoảng hai phía 95% thường dùng cho trung bình Poisson và sau đó chia T là:
λ_L = χ²(0,025;2n)/(2T), với n>0
λ_U = χ²(0,975;2n+2)/(2T)
Với n=0, đặt λ_L=0
Ghi chú của McMaster University trình bày các cận này và giải thích tính bảo thủ do số đếm rời rạc.[2] Với n=3, các cận cho μ lần lượt 0,618672 và 8,767273. Chia 240.000 rồi nhân một triệu cho khoảng từ 2,577801 đến 36,530304 sự kiện trên một triệu giờ.
Có thể kiểm độc lập bằng đuôi Poisson. Tại μ_L=0,618672, xác suất quan sát ít nhất ba sự kiện bằng 0,025; tại μ_U=8,767273, xác suất quan sát không quá ba bằng 0,025. Hai phép kiểm này giúp phát hiện nhầm bậc tự do hoặc đổi chỗ phân vị.
Mức tin cậy 95% nói về khả năng bao phủ của thủ tục khi lặp lại cách quan sát theo mô hình. Nó không có nghĩa 95% sự kiện tương lai sẽ nằm giữa hai cận tần suất, cũng không đồng nhất với một xác suất hậu nghiệm cho tham số nếu chưa xây dựng mô hình Bayes.
5. Không có sự kiện: cận một phía và hai phía khác nhau
Giả định n=0 sau T=500.000 giờ. Trong Poisson, P(N=0)=exp(−λT). Cận trên một phía 95% được tìm từ exp(−λ_U T)=0,05:
λ_U,một_phía = −ln(0,05)/T
λ_U,một_phía = 5,991465 sự kiện/triệu giờ
Nếu báo khoảng hai phía 95% theo công thức mục 4, cận trên dùng −ln(0,025)/T = 7,377759 trên một triệu giờ. Cả hai đều hợp lệ theo lựa chọn đã nêu nhưng trả lời hai cách đặt khoảng khác nhau. Không được lấy hệ số xấp xỉ 3/T rồi ghi nó là cận trên hai phía 95%.
Một kiểm tra trực giác: nếu λ thật là 2 sự kiện/triệu giờ, sau 500.000 giờ số kỳ vọng μ=1, nhưng xác suất vẫn chưa thấy sự kiện nào là exp(−1)=36,79%. Vì thế một giai đoạn không có sự kiện có thể xuất hiện ngay cả khi tần suất thực dương.
6. Dự báo một cửa sổ tương lai không phải khoảng tham số
Tạm dùng ước lượng điểm 12,5/triệu giờ của mục 3 như thể đã biết chính xác λ. Với cửa sổ mới 100.000 giờ, số kỳ vọng là μ_mới=1,25. Xác suất có ít nhất một sự kiện là 1−exp(−1,25)=71,3495%; xác suất ít nhất hai là 1−exp(−1,25)(1+1,25)=35,5364%.
Các con số này chỉ là dự báo cắm giá trị ước lượng vào mô hình, chưa tích hợp bất định của λ. Khoảng rộng ở mục 4 cho thấy giả thiết “đã biết chính xác” là mạnh. Không lấy xác suất 71,35% này làm bằng chứng rằng hệ thống chắc chắn sẽ có sự cố trong kỳ tới, cũng không bỏ qua thay đổi điều kiện vận hành.
7. So hai nhóm có mức phơi nhiễm khác nhau
Nhóm A có 1 sự kiện trong 100.000 giờ; B có 4 trong 900.000 giờ. Tần suất điểm là 10 và 4,444444 trên một triệu giờ, tỷ số 2,25. So số đếm 1 với 4 sẽ cho cảm giác ngược vì bỏ qua mức phơi nhiễm.
Tài liệu R về poisson.test nêu cách so hai tần suất bằng phân bố nhị thức có điều kiện theo tổng số sự kiện.[3] Dưới giả thuyết λ_A=λ_B và hai quá trình độc lập, khi biết tổng N=5, số thuộc A có xác suất thành công p=T_A/(T_A+T_B)=0,10.
Với quan sát A=1, phép thử chính xác hai phía theo quy tắc cộng xác suất các kết quả không lớn hơn xác suất kết quả đã thấy cho p-value=0,40951. Trong ví dụ này, dữ liệu chưa cung cấp bằng chứng mạnh về khác biệt dù tỷ số điểm bằng 2,25. Không bác bỏ giả thuyết bằng nhau cũng không chứng minh hai nhóm tương đương về kỹ thuật.
Nếu mục đích là mô tả toàn bộ hai nhóm, tần suất gộp là (1+4)/(100.000+900.000) = 5 trên một triệu giờ. Trung bình hai tần suất là 7,222222 và không phải tần suất gộp; trọng số đúng ở đây là số giờ.
8. Dữ liệu tụ cụm cần xem lại giả thiết
Giả định sáu khoảng có cùng thời gian phơi nhiễm cho số đếm 0,0,0,0,0,6. Trung bình bằng 1 nhưng phương sai mẫu bằng 6. Thống kê phân tán D=Σ(n_i−n_trung_bình)^2/n_trung_bình bằng 30. NIST trình bày thống kê này để kiểm tra mức phân tán so với Poisson.[4]
Với chỉ sáu khoảng và số đếm nhỏ, bài này không dựa vào xấp xỉ chi bình phương để tuyên bố một mức ý nghĩa chính xác. Dãy số là tín hiệu cần kiểm tra: sáu sự kiện cuối có chung nguyên nhân không, phạm vi ghi nhận có thay đổi không, hoặc năm khoảng đầu có thực sự cùng mức phơi nhiễm không? Trung bình bằng phương sai ở một bộ số khác cũng chưa đủ chứng minh quá trình độc lập và dừng.
9. Báo cáo để không tạo cảm giác chắc chắn giả
Nên trình bày số đếm thô, số giờ tương ứng, định nghĩa sự kiện, thang quy đổi, mô hình và loại khoảng tin cậy. Tách kết quả mô tả quá khứ khỏi dự báo tương lai. Nếu gộp thiết bị khác nhau, cần nói rõ phần khác biệt nào đã được mô hình hóa.
Một tỷ số dễ đọc chỉ có giá trị khi người xem biết mẫu số và giới hạn bằng chứng. Mục tiêu của phân tích số đếm hiếm là thể hiện những gì dữ liệu cho phép kết luận, đồng thời giữ rõ phần bất định còn lớn để tránh biến một chuỗi ngắn thành cam kết an toàn dài hạn.
Nguồn tham khảo
[1] The Poisson Distribution — R stats documentation — R Core Team. Truy cập ngày 09/11/2026.
[2] Confidence Intervals for the Mean of a Poisson Distribution — McMaster University, Statistics743 notes, 1997. Truy cập ngày 09/11/2026.
[3] Exact Poisson tests — poisson.test, R stats documentation — R Core Team. Truy cập ngày 09/11/2026.
[4] Poisson Dispersion Test — Dataplot Reference Manual — National Institute of Standards and Technology. Truy cập ngày 09/11/2026.
Rà soát nội dung: 09/11/2026.
