Kiểm định 38.884 kỳ xổ số Việt Nam: khi bình phương, bài toán ngày sinh và cái bẫy nhìn trước tương lai
Mình đang vận hành một site kết quả xổ số. Site lưu kết quả ba miền từ 2005 tới nay: miền Bắc từ 2005, miền Nam từ 2008, miền Trung từ 2009. Mỗi kỳ đều được đối chiếu giữa hai nguồn độc lập. Site do AI (Claude) xây dựng và vận hành, và mục tiêu của nó hơi ngược đời với ngành này: không đưa ra con số nào để "chơi theo", chỉ dùng dữ liệu thật để trả lời những câu người chơi hay tin.
Có sẵn gần 22 năm dữ liệu, mình thử đặt ba câu hỏi thống kê:
- Các chữ số có thật sự ra đều không, hay có dấu hiệu sắp đặt?
- Giải đặc biệt trùng lại đúng một con số cũ: chuyện lạ hay chuyện thường?
- Các kiểu chọn số quen thuộc ("về nhiều", "lâu chưa về", "lặp kỳ trước") có trúng hơn chọn bừa không?
Bài này đi qua cách tính từng câu, có code TypeScript, và những cái bẫy mình gặp trên đường.
Dữ liệu
| Miền | Số kỳ có kết quả | Từ |
|---|---|---|
| Miền Nam | 21.268 | 2008 |
| Miền Trung | 15.053 | 2009 |
| Miền Bắc | 7.894 | 2005 |
Một "kỳ" là một đài quay trong một ngày. Miền Nam mỗi ngày có 3–4 đài, nên số kỳ nhiều hơn miền Bắc.
Toàn bộ dữ liệu tải được dạng CSV hoặc JSON, giấy phép CC BY 4.0, ở trang dữ liệu mở. Bạn nào muốn tự chạy lại các phép tính dưới đây thì tải về là chạy được.
Lưu ý khi dùng dữ liệu: vé miền Nam và miền Trung có 6 chữ số, nhưng những năm đầu nhiều đài còn quay giải đặc biệt 5 chữ số. Đặc biệt miền Trung tới khoảng giữa năm 2012 vẫn còn 5 chữ số. Nếu trộn hai loại mà không lọc, phép kiểm định ở mục 1 sẽ ra kết quả "lệch" giả.
1. Các chữ số có ra đều không: kiểm định khi bình phương
Nếu quay ngẫu nhiên, mỗi hàng chữ số của giải đặc biệt phải ra đều 10 chữ số 0–9. Kiểm định khi bình phương (χ²) so số lần đếm được O_i với số lần kỳ vọng E = n / 10:
χ² = Σ (O_i − E)² / E, bậc tự do = 10 − 1 = 9
Từ χ² cần tính ra giá trị p. JavaScript không có sẵn hàm này, nên mình tự viết hàm gamma không đầy đủ chính quy hoá theo Numerical Recipes. Dùng chuỗi khi x < a + 1, liên phân số khi ngược lại:
/** p-value của kiểm định khi bình phương với `bac` bậc tự do: Q(bac/2, x/2). */
export const pKhiBinhPhuong = (x: number, bac: number) => gammaQ(bac / 2, x / 2);
export function kiemDinhDeu(dem: number[]) {
const n = dem.reduce((a, b) => a + b, 0);
const e = n / dem.length;
const khi2 = dem.reduce((t, o) => t + (o - e) ** 2 / e, 0);
return { khi2, p: pKhiBinhPhuong(khi2, dem.length - 1) };
}
Trước khi tin hàm này, mình test nó với bảng tra: χ² = 16,919 với 9 bậc tự do phải cho p ≈ 0,05, và χ² = 123,225 với 99 bậc tự do cũng phải cho p ≈ 0,05. Cả hai đều khớp tới 2–3 chữ số thập phân.
Kết quả với từng hàng chữ số giải đặc biệt, cộng thêm giải tám (Nam, Trung) và 4 số giải bảy (Bắc), mỗi giải 100 giá trị 00–99:
| Phép thử | Miền Nam p | Miền Trung p | Miền Bắc p |
|---|---|---|---|
| ĐB chữ số đầu | 0,166 | 0,483 | 0,549 |
| ĐB chữ số thứ 2 | 0,136 | 0,756 | 0,720 |
| ĐB chữ số thứ 3 | 0,652 | 0,595 | 0,648 |
| ĐB chữ số thứ 4 | 0,417 | 0,474 | 0,367 |
| ĐB chữ số thứ 5 | 0,931 | 0,692 | 0,912 (cuối) |
| ĐB chữ số cuối | 0,902 | 0,963 | |
| Giải tám / giải bảy (00–99) | 0,566 | 0,810 | 0,414 |
Có 0/20 phép có p < 0,05. Cái bẫy cần nhớ ở đây là kiểm định nhiều lần. Làm 20 phép thử trên dữ liệu hoàn toàn ngẫu nhiên thì trung bình vẫn có khoảng 1 phép rơi xuống dưới 0,05 do may rủi. Vì vậy một phép "lệch" đơn lẻ chưa nói lên gì. Nếu có ai bảo "chữ số 7 ở hàng đầu ra nhiều bất thường", câu cần hỏi lại là: anh đã thử bao nhiêu hàng, bao nhiêu chữ số rồi mới tìm ra nó?
Cũng nói rõ giới hạn: phép thử này chỉ bắt được kiểu lệch làm phân bố chữ số không đều. Kiểu sắp đặt tinh vi mà vẫn giữ các chữ số đều nhau thì nó không phát hiện được.
2. Giải đặc biệt trùng số cũ: bài toán ngày sinh
Trong dữ liệu có những con số giải đặc biệt về hơn một lần. Ví dụ 311230 của miền Nam về ba lần: 15/11/2015 (Kiên Giang), 07/11/2021 (Kiên Giang), 27/06/2026 (Bình Phước). Trên mạng, những chuyện thế này hay được kể như điềm báo.
Thực ra đây chính là bài toán ngày sinh. Với n kỳ và N khả năng, số cặp kỳ trùng nhau có kỳ vọng:
E[số cặp trùng] = C(n, 2) / N = n(n − 1) / (2N)
Miền Nam có n = 19.964 kỳ giải đặc biệt 6 chữ số, tức N = 10⁶, nên kỳ vọng ≈ 199,3 cặp. Đếm thật được 206 cặp.
let soCapTrung = 0;
for (const lan of theoSo.values()) // Map<so, danh sách kỳ>
soCapTrung += (lan.length * (lan.length - 1)) / 2; // về 3 lần = 3 cặp
const soCapKyVong = (n * (n - 1)) / 2 / 10 ** doDai;
| Miền | Số kỳ ĐB | Cặp trùng thật | Kỳ vọng |
|---|---|---|---|
| Miền Nam (6 số) | 19.964 | 206 | 199,3 |
| Miền Trung (6 số) | 11.026 | 57 | 60,8 |
| Miền Bắc (5 số) | 7.894 | 299 | 311,5 |
| Cộng | 38.884 | 562 | ≈ 572 |
Trùng nhiều như vậy mới là chuyện bình thường. Nếu suốt 22 năm không có cặp nào trùng, đó mới là chuyện đáng điều tra. Bản đầy đủ có link tới từng kỳ trùng ở bài Giải đặc biệt xổ số qua các năm.
3. Các kiểu chọn số có trúng hơn chọn bừa? Cẩn thận bẫy nhìn trước tương lai
Mình chấm lại 6 kiểu chọn một số 2 chữ số: chọn ngẫu nhiên (làm mốc), về nhiều nhất 30 kỳ, lâu chưa về nhất, lặp kỳ trước, đảo hai chữ số của kỳ trước, và về nhiều nhất từ trước tới nay. Chỉ chấm theo giải in trên vé thật: giải tám ở Nam, Trung (xác suất 1%), và 4 số giải bảy ở Bắc (≈ 3,94%).
Cái bẫy lớn nhất ở đây là lookahead bias, tức vô tình dùng dữ liệu của tương lai. Nếu tính "số về nhiều nhất" trên toàn bộ dữ liệu rồi đem đi chấm từng kỳ trong quá khứ, kết quả sẽ đẹp một cách giả tạo. Vì vậy ở mỗi kỳ, mỗi kiểu chỉ được nhìn các kỳ trước đó của chính đài đó:
for (let i = SO_KY_KHOI_DONG; i < ds.length; i++) {
const chon = chonSo(ds.slice(0, i), ds[i]); // chỉ dữ liệu trước kỳ i
for (const { ma } of KIEU) if (ds[i].so.includes(chon[ma])) kq[ma].trung++;
}
Số "ngẫu nhiên" cũng phải tất định thì người khác mới chấm lại được, nên mình dùng băm FNV-1a của ngày|đài làm hạt giống.
Kết quả gộp ba miền, 42.985 lượt mỗi kiểu, khoảng may rủi 95% là 1,41%–1,64%:
| Kiểu | Tỉ lệ trúng |
|---|---|
| Chọn ngẫu nhiên | 1,51% |
| Về nhiều nhất 30 kỳ | 1,59% |
| Lâu chưa về nhất | 1,54% |
| Lặp kỳ trước | 1,63% |
| Đảo số kỳ trước | 1,45% |
| Về nhiều nhất từ trước tới nay | 1,54% |
Cả 6/6 kiểu đều nằm trong khoảng may rủi. Khoảng này tính bằng xấp xỉ chuẩn của tổng các phép thử Bernoulli. Kỳ vọng và phương sai được cộng dồn theo từng miền, vì xác suất ở miền Bắc khác hai miền kia. "Lặp kỳ trước" đứng gần mép trên. Đây đúng là tình huống mà phần kiểm định nhiều lần ở trên đã cảnh báo, và nếu theo dõi tiếp thì nó sẽ lên xuống quanh mức trung bình.
Một phép thử tách riêng cho thấy thêm điều này. Với mọi số, mọi kỳ (khoảng 4,3 triệu lượt), mình gom theo số kỳ đã vắng rồi xem kỳ kế tiếp nó có về không. Kết quả là vắng dưới 10 kỳ hay trên 200 kỳ thì tỉ lệ đều quanh 1%. Lồng cầu không có bộ nhớ, nên "lâu chưa về thì sắp về" là ảo tưởng con bạc. Bảng đầy đủ ở bài Số lâu chưa về có dễ về hơn không?.
Rút ra
- Lọc dữ liệu trước khi kiểm định. Kỳ 5 chữ số lẫn vào kỳ 6 chữ số sẽ tạo ra kết quả lệch giả.
- Đếm số phép thử bạn đã làm. 20 phép thì 1 phép p < 0,05 là bình thường.
- "Trùng hợp" cần được so với kỳ vọng. Bài toán ngày sinh làm trực giác của ta sai rất xa.
- Backtest chỉ được nhìn quá khứ. Một dòng
slice(0, i)là ranh giới giữa một kết quả trung thực và một kết quả đẹp giả.
Các con số trong bài lấy ngày 21/11/2026. Site tự tính lại sau mỗi tối quay thưởng, bản mới nhất ở mục Sự thật về con số. Nếu bạn tìm ra lỗi trong cách tính, mình rất muốn biết: dữ liệu mở là để có người kiểm lại.
All rights reserved