Slide XSTK ForWeb 190828 PDF

ĐẠI HỌC KINH TẾ QUỐC DÂN
KHOA TOÁN KINH TẾ

Bộ môn Toán kinh tế
Bài giảng
LÝ THUYẾT XÁC SUẤT
&
THỐNG KÊ TOÁN
www.mfe.neu.edu.vn
2019
1
Thông tin học phần
▪ Tiếng Anh: Probability and Mathematical Statistics
▪ Số tín chỉ: 3 Thời lượng: 45 tiết
▪ Đánh giá:
• Điểm do giảng viên đánh giá: 10%
• Điểm kiểm tra giữa kỳ: 20%
• Điểm kiểm tra cuối kỳ (90 phút): 70%
▪ Không tham gia quá 20% số tiết không được thi
LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 2

Thông tin học phần
▪ Thông tin chi tiết về Giảng dạy và học tập học phần:
▪ www.mfe.edu.vn  Thông tin  Hướng dẫn học tập
 “Hướng dẫn giảng dạy học tập học phần Lý thuyết
xác suất và Thống kê toán”
• Đề cương chi tiết
• Hướng dẫn thực hành Excel
• Bảng số và công thức cơ bản
• Một số bài tập bổ sung
• Nội dung giảng dạy học tập cụ thể

Thông tin giảng viên
▪ Giảng viên:
▪ Giảng viên Bộ môn Toán kinh tế - Khoa Toán kinh tế -
ĐH Kinh tế quốc dân
▪ Email: @neu.edu.vn
▪ Phone:
▪ Group:
▪ Trang web: www.mfe.neu.edu.vn/

Tài liệu
▪ [1] Nguyễn Cao Văn, Trần Thái
Ninh, Ngô Văn Thứ (2015), Giáo
trình Lý thuyết xác suất và Thống
kê toán, NXB ĐHKTQD.
▪ [2] Paul Newbold, William L.
Carlson, Betty Thorne (2013),
Statistics for Business and
Economics, 8th edition, Pearson.
▪ [3] Anderson, Sweeney, Willams,
Camm, Cochran (2017), Statistics
for Business and Economics, 12th
edition, South-Western.
▪ Website: www.mfe.neu.edu.vn

Nhà khoa học
▪ Thế kỉ 16: Galilei O Galile (Italia)
▪ Thế kỉ 17: Blaise Pascal, Piere de Fermat (Pháp),
Christian Huygens (Hà Lan), Jakob Bernoulli (Thụy Sĩ)
▪ Thế kỉ 18: Nicolaus Bernoulli (Thụy Sĩ), Thomas Bayes
(Anh), Pierre Simon Laplace (Pháp)
▪ Thế kỉ 19: Carl Friedrich Gauss (Đức), Simeon Denis
Poisson (Pháp), Pafuni Chebyshev (Nga), Francis
Galton, Karl Pearson (Anh)
▪ Thế kỉ 20: Charles Spearman, Royal Aylmer Fisher
(Anh), Andrei Kolmogorov (Nga)

NỘI DUNG
BÀI 1: MỞ ĐẦU
BÀI 2: BIẾN CỐ VÀ XÁC SUẤT
BÀI 3: BIẾN NGẪU NHIÊN RỜI RẠC VÀ QUY LUẬT PHÂN PHỐI
XÁC SUẤT
BÀI 4: BIẾN NGẪU NHIÊN LIÊN TỤC VÀ QUY LUẬT PHÂN PHỐI
XÁC SUẤT
BÀI 5: BIẾN NGẪU NHIÊN HAI CHIỀU
BÀI 6: LUẬT SỐ LỚN
BÀI 7: MẪU NGẪU NHIÊN
BÀI 8: ƯỚC LƯỢNG THAM SỐ
BÀI 9: KIỂM ĐỊNH GIẢ THUYẾT

BÀI 1 – MỞ ĐẦU
▪ 1.1. Các khái niệm cơ bản
• Thống kê – Xác suất
• Tổng thể, mẫu, quan sát, biến
▪ 1.2. Bảng biểu – Đồ thị
• Bảng tần số, tần suất
• Đồ thị tròn, cột, phân phối giá trị
▪ 1.3. Thống kê mô tả
• Nhóm xu thế trung tâm
• Nhóm đo độ phân tán
• Nhóm hình dáng phân phối, mối quan hệ

1.1. CÁC KHÁI NIỆM CƠ BẢN
THỐNG KÊ (STATISTICS)
▪ Thu thập dữ liệu
▪ Xử lý dữ liệu
▪ Trình bày, biểu diễn dữ liệu
▪ Phân tích dữ liệu để có được thông tin ở mức cao hơn
▪ Suy diễn về thông tin
Thông tin Thông tin

ban đầu Thống kê cao cấp hơn
(Dữ liệu) (Kết quả)

Thống kê và Xác suất
▪ Thống kê có hai nhánh chính
▪ Thống kê mô tả (Descriptive Statistics): sắp xếp, tổng
hợp, trình bày dữ liệu theo những cách hợp lý, thuận
tiện nhất.
▪ Thống kê suy diễn (Inferential Statistics): dự đoán,
kiểm chứng, phân tích dữ liệu để có các kết luận tổng
quát.
▪ Kết nối là Lý thuyết xác suất
▪ Thống kê mô tả là thông tin cơ bản cho thống kê suy
diễn

Tổng thể và Mẫu
▪ Tổng thể (Population): tất cả các phần tử cần quan

tâm
• Kích thước tổng thể: N, có thể vô hạn
• Giá trị tính từ tổng thể: Tham số (parameter)
▪ Mẫu (Sample): tập con rút ra từ tổng thể
• Kích thước mẫu: n, hữu hạn
• Giá trị tính từ mẫu: Thống kê (statistic)

Cấu trúc dữ liệu truyền thống
▪ Gồm: Quan sát / bản ghi – Biến / trường – Giá trị
▪ (Observation / record – Variable / field – Value)
Biến
Điểm Điểm
TT Họ tên Giới Tuổi …
T.Anh Toán
1 Nguyễn A M 19 A 8 …
Quan sát
2 Trần T. F 20 C 9 …
3 Lê …. M 20 B 7
… … … … … …. ….

Phân loại biến
▪ Định tính (Qualitative) và Định lượng (Quantitative)
▪ Biến định tính: Định danh và Thứ bậc
• Định danh (Nominal): VD: Tên, địa chỉ, ngành học
• Thứ bậc (Ordinal): VD: Thứ hạng, cỡ giày,…
• Riêng: Nhị phân (binary): Đúng / Sai, Nam / Nữ…
▪ Biến Định lượng (Quantitative): có đơn vị đo lường
• Rời rạc (Discrete): VD: tuổi, số buổi học,…
• Liên tục (Continuous): VD: thời gian, cân nặng
• Biến định lượng có thể sử dụng để xác định biến
định tính

Phân loại biến
Định tính Định lượng
Định danh Thứ bậc Rời rạc Liên tục

Liệt kê Liệt kê, nhóm Liệt kê, nhóm, gộp
Nhóm, gộp Sắp xếp thứ Sắp xếp thứ tự, so sánh
tự, so sánh Tính toán, +, -, × , ÷ ,…
Mã hóa bởi con số Sử dụng để xếp hạng

Thang đo Likert
▪ Sử dụng trong các bảng hỏi đánh giá, nhận xét
▪ Thang Likert 5 bậc, 7 bậc
Rất không Không Không Đồng ý Rất đồng ý
đồng ý đồng ý ý kiến
1 2 3 4 5
Hoàn Rất Không Không Đồng ý Rất Hoàn

toàn không đồng ý ý kiến đồng ý toàn
không đồng ý đồng ý
đồng ý
1 2 3 4 5 6 7
1.2. BẢNG BIỂU & ĐỒ THỊ
▪ Bảng tần số, tần suất, tần suất tích lũy
▪ Đồ thị tròn (pie chart), cột (column chart, bar chart)
▪ Đồ thị phân phối giá trị (histogram)
▪ Đồ thị rải điểm (scatter plot)
▪ [1] Chương 6, trang 312 – 323.

▪ [2] Chapter 1, pp. 8 – 38.
▪ [3] Chapter 2, pp. 33 – 98.

Ví dụ: Dữ liệu VHLSS 2012
▪ Dữ liệu hộ gia đình ở Hà Nội, n = 420 quan sát
No. Khu vực Số Thu nhập So với toàn

người (triệu VND) quốc
1 Thành thị 3 130,8 Cao
2 Thành thị 5 133,1 TB cao
3 Nông thôn 4 104,3 TB thấp
…
420 Nông thôn 7 25,7 Thấp

Tần số & Tần suất (tỷ lệ)
▪ Bảng tần số (frequency table) của biến Khu vực
Khu vực Thành thị Nông thôn
Tần số 183 237
▪ Bảng tần suất (relative frequency) hay tỷ lệ
(proportion)
Tần số
Tần suất =
Tổng số phần tử
Khu vực Thành thị Nông thôn

Tần suất 0,436 0,564
Tỷ lệ, phần trăm 43,6 % 56,4 %

Đồ thị tròn (pie chart)
Khu vực
Khu Thành Nông Thành
vực thị thôn thị
183
Nông 237
Tần số 183 237 44%
thôn 56%
Tỷ lệ 43,6% 56,4%
So sánh với toàn quốc
So với Cao
TB TB
toàn Cao Thấp TB cao 33
cao thấp 8%
quốc TB thấp 78
18% 205
Thấp
Tần số 205 104 78 33 49%
104
25%
% 49% 25% 19% 8%

Đồ thị cột (column chart)
So với toàn quốc
So với 250
Tần số %
toàn quốc 205
200
Cao 205 49%
TB cao 104 25% 150
TB thấp 78 19% 104

100
Thấp 33 8% 78
Tổng 420 100% 50

33
0
Cao TB cao TB thấp Thấp

Đồ thị cột: phân phối giá trị (histogram)
SN 1 2 3 4 5 6 7 8 9 Tổng
Tần số 22 54 78 139 74 33 12 4 4 420
% 5% 13% 19% 33% 18% 8% 3% 1% 1% 100%
Quy mô hộ gia đình

33%
19% 18%
13%
8%
5% 3% 1% 1%
1 2 3 4 5 6 7 8 9

Hình dạng của phân phối giá trị
▪ Phân phối đối xứng và bất đối xứng
Lệch trái (lệch âm) Đối xứng, Lệch phải (lệch dương)
Negatively skewed dạng chuông Positively skewed
Left skewed Right skewed
(Symmertrical)
Bất đối xứng / phân phối lệch

Đồ thị rải điểm (scatter plot)
▪ Sử dụng với số liệu hai chiều
Labor Output Labor Output Output – Labor relationship

300
11 80 15 250
250
11 130 16 220
200
12 150 17 210
Output
150
13 110 18 240
100
13 150 18 200
50
13 200 17 260
0
15 170 19 240 10 12 14 16 18 20
Labor
14 180 19 280
Tương quan giữa hai biến định lượng
▪ Dạng cơ bản của đồ thị điểm hai biến định lượng
r = 0,5 Tương quan
Dương
Yếu
Mạnh r = 0,8
Tương quan r=0

Âm
Không
r = – 0,5 Tương quan

1.3. THỐNG KÊ MÔ TẢ
▪ Xu thế trung tâm: Trung bình, trung vị, mốt
▪ Các vị trí: tứ phân vị, các phân vị
▪ Đo độ phân tán: Phương sai, độ lệch chuẩn, hệ số biến
thiên, khoảng biến thiên, khoảng tứ phân vị
▪ Hình dáng phân phối: Hệ số bất đối xứng, hệ số nhọn
▪ Đo độ liên hệ: Hiệp phương sai, hệ số tương quan
▪ [1] Chương 6

Nhóm xu thế trung tâm
▪ Dùng một giá trị đại diện cho bộ số liệu
▪ Ba thống kê xu thế trung tâm thường sử dụng:
• Trung bình (mean)
• Trung vị (median)
• Mốt (mode)

Trung bình (mean)
▪ Trung bình =
Tổng thể Mẫu

Dữ liệu: {𝑥1 , 𝑥2 , … , 𝑥𝑁 } Dữ liệu: {𝑥1 , 𝑥2 , … , 𝑥𝑛 }
𝒙𝟏 + 𝒙𝟐 + ⋯ + 𝒙𝑵 𝒙𝟏 + 𝒙𝟐 + ⋯ + 𝒙𝒏
𝝁= ഥ=
𝒙
𝑵 𝒏
▪ Dùng cho biến định lượng

▪ Có cùng đơn vị với biến

Trung bình có trọng số
▪ Nếu số liệu dạng có trọng số (weighted data)
▪ Giá trị 𝑥𝑖 có trọng số là 𝑤𝑖
▪ Trung bình có trọng số (weighted mean):
𝒘𝟏 𝒙𝟏 + 𝒘𝟐 𝒙𝟐 + ⋯ + 𝒘𝒌 𝒙𝒌 ∑𝒘𝒊 𝒙𝒊
ഥ=
𝒙 =
𝒘𝟏 + 𝒘𝟐 + ⋯ + 𝒘𝒌 ∑𝒘𝒊
▪ Ví dụ:
Giá bán (triệu / kg) 10 12 14 16
Số lượng (kg) 3 10 5 2

Trung vị (median)
▪ Là giá trị trung tâm của bộ dữ liệu khi dữ liệu được
sắp xếp từ nhỏ nhất đến lớn nhất
▪ Sử dụng số liệu về số lần mua hàng: 5, 2, 7, 4, 2
• Sắp xếp theo thứ tự tăng dần: 2,2,4,5,7 → 𝑚𝑑 = 4
𝑛+1
▪ Khi n lẻ, 𝑚𝑑 nhận giá trị tại quan sát thứ
2
▪ Khi n chẵn, 𝑚𝑑 nhận giá trị là trung bình cộng của 2
giá trị đứng giữa.
▪ Ví dụ với dữ liệu: 3, 8, 12, 14

Mốt (mode)
▪ Là giá trị xuất hiện ít nhất 2 lần và xuất hiện thường
xuyên nhất trong bộ dữ liệu
▪ Sử dụng số liệu về số lần mua hàng:
• Dữ liệu : 2, 5, 7, 4, 2 → 𝑚0 = 𝟐
Các thống kê Các loại biến
Xu thế Định danh Thứ bậc Định tính
Trung tâm (Nomial) (Ordinal) (Interval)
Trung bình 
Trung vị  
Mốt   

Nhóm thống kê đo độ phân tán
Đo độ phân tán hoặc mức độ “đồng đều” (homogeneity)
của biến định lượng
▪ Khoảng biến thiên (Range)
▪ Phương sai (Variance)
▪ Độ lệch chuẩn (Standard Deviation)
▪ Hệ số biến thiên (Coefficient of Variation)
▪ Khoảng tứ phân vị (Interquartile Range)

Khoảng biến thiên
▪ Thống kê đơn giản nhất đo độ biến động của bộ dữ
liệu là khoảng biến thiên:
▪ Range = Giá trị lớn nhất – Giá trị nhỏ nhất
▪ Ví dụ:
Khoảng biến thiên thu nhập 5 lao động:
12, 10, 8, 20, 21

Phương sai và độ lệch chuẩn
Tổng thể Mẫu
Số liệu {𝑥1 , 𝑥2 , … , 𝑥𝑁 } {𝑥1 , 𝑥2 , … , 𝑥𝑛 }
∑𝒙𝒊 ∑𝒙𝒊
Trung bình 𝝁= ഥ=
𝒙
𝑵 𝒏
Tổng bình 𝑆𝑆 = ∑ 𝑥𝑖 − 𝜇 2 𝑆𝑆 = ∑ 𝑥𝑖 − 𝑥ҧ 2
phương
Phương 𝑆𝑆 𝑆𝑆
𝝈𝟐 = 𝒔𝟐 =
sai 𝑵 𝒏−𝟏
Độ lệch 𝜎= 𝜎2 𝑠= 𝑠2
chuẩn
Phương sai và độ lệch chuẩn
▪ Ví dụ: Tính các thống kê phương sai, độ lệch chuẩn
Tổng thể Mẫu

Số liệu 10, 12, 15, 10, 12, 10, 12, 14, 15,
13, 18, 19, 14, 15 19
Trung bình 𝝁= ഥ=
𝒙
Tổng bình phương 𝑆𝑆 = 𝑆𝑆 =
Phương sai 𝝈𝟐 = 𝒔𝟐 =
Độ lệch chuẩn 𝜎= 𝑠=
Hệ số biến thiên
▪ Phương sai, độ lệch chuẩn đo độ biến động tuyệt đối
▪ Hệ số biến thiên đo độ biến động tương đối
𝜎 𝑠
𝐶𝑉𝑡ổ𝑛𝑔 𝑡ℎể = × 100% 𝐶𝑉𝑚ẫ𝑢 = × 100%
𝜇 𝑥ҧ
▪ Ví dụ: Tính hệ số biến thiên của hai số liệu trong ví dụ

trước

Tứ phân vị (Quartile)
▪ 𝑄1 , 𝑄2 , 𝑄3 chia bộ dữ liệu thành 4 phần với số lượng
phần tử bằng nhau
▪ Tứ phân vị thứ hai chính là trung vị
▪ Khoảng tứ phân vị:
𝐼𝑄𝑅 = 𝑄3 − 𝑄1
▪ IQR cũng dùng để đánh giá độ phân tán của bộ dữ liệu
▪ Sử dụng khoảng (𝑄1 − 1,5 ⋅ 𝐼𝑄𝑅 ; 𝑄3 + 1,5 ⋅ 𝐼𝑄𝑅) là 1
tiêu chuẩn để xác định giá trị ngoại lai (outlier)

Giá trị chuẩn hóa
▪ Giá trị chuẩn hóa còn gọi là Z-score, dùng để xác định
vị trí tương đối của 1 giá trị cụ thể so với trung bình
của tập dữ liệu
𝑥𝑖 − 𝜇 𝑥𝑖 − 𝑥ҧ
𝑧𝑖 (tổng thể) = 𝑧𝑖 (mẫu) =
𝜎 𝑠
▪ Z-score có trung bình bằng 0, phương sai bằng 1
▪ Ví dụ: Tính Z-score của các giá trị của mẫu sau
𝒙𝒊 5 8 9 10 15
𝑧𝑖

Thống kê mô tả hình dạng phân phối
▪ Tính cho mẫu
▪ Hệ số bất đối xứng (Skewness) 𝑎3 :
∑ 𝑥𝑖 − 𝑥ҧ 3 /𝑛
𝑎3 =
𝑠3
▪ Hệ số nhọn 𝑎4 :
∑ 𝑥𝑖 − 𝑥ҧ 4 /𝑛
𝑎4 =
𝑠4
▪ Lưu ý: trong một số phần mềm như Excel, hệ số bất
đối xứng Kurtosis = 𝑎4 − 3

Thống kê mô tả mức độ liên hệ
▪ Hai biến 𝑋 và 𝑌 là số liệu theo cặp (𝑥𝑖 , 𝑦𝑖 )
Tổng thể Mẫu

Hiệp 𝐶𝑜𝑣 𝑋, 𝑌 𝑐𝑜𝑣 𝑋, 𝑌
phương sai ∑ 𝑥𝑖 − 𝜇𝑋 𝑦𝑖 − 𝜇𝑌 ∑ 𝑥𝑖 − 𝑥ҧ 𝑦𝑖 − 𝑦ത
= =
Covariance 𝑁 𝑛−1
Hệ số 𝐶𝑜𝑣 𝑋, 𝑌 𝐶𝑜𝑣 𝑋, 𝑌
tương quan 𝜌𝑋,𝑌 = 𝑟𝑋,𝑌 =
𝜎𝑋 𝜎𝑌 𝑠𝑋 𝑠𝑌
Correlation

Hiệp phương sai - hệ số tương quan
▪ Hệ số tương quan nằm trong đoạn [−1,1]
▪ Hệ số tương quan càng gần 0: càng yếu, lỏng
▪ Hệ số tương quan càng gần ±1: càng mạnh, chặt
▪ Ví dụ: Tính hiệp phương sai và hệ số tương quan của
mẫu sau
𝒙𝒊 𝒚𝒊
2 4
5 5
8 7
7 8
9 10
BÀI 2 – BIẾN CỐ VÀ XÁC SUẤT
2.1. Phép thử và biến cố
2.2. Xác suất của biến cố
2.3. Các công thức xác suất
[1] Chương 1, trang 5-77

[2] Chapter 3, pp. 73-125
[3] Chapter 4, pp.170-214

2.1. PHÉP THỬ VÀ BIẾN CỐ
▪ Thực hiện một nhóm các điều kiện cơ bản để quan sát
một hiện tượng nào đó có thể xảy ra hay không gọi là
một phép thử (experiment)
▪ Hiện tượng có thể xảy ra → biến cố (event)
▪ Phân loại biến cố:
• Biến cố chắc chắn (certain): 
• Biến cố không thể có (impossible): 
• Biến cố ngẫu nhiên (random): 𝐴, 𝐵, … hay 𝐴1 , 𝐴2 , …

2.2. XÁC SUẤT CỦA BIẾN CỐ
▪ Khái niệm xác suất
▪ Định nghĩa cổ điển về xác suất
▪ Định nghĩa thống kê về xác suất
▪ Nguyên lý xác suất lớn và nguyên lý xác suất nhỏ

[2] Chapter 3, pp. 81-90
[3] Chapter 4, pp.181-185

Xác suất của biến cố
▪ Xác suất (probability) của một biến cố là một con số
đặc trưng khả năng khách quan xuất hiện biến cố đó
khi thực hiện một phép thử.
▪ 𝑷 𝑨 : Xác suất xảy ra biến cố 𝐴
▪ Các tính chất của xác suất:
• 0 ≤ 𝑃 Biến cố ≤ 1
• Ω là biến cố chắc chắn, 𝑃 Ω = 1
• ∅ là biến cố không thể, 𝑃 ∅ = 0
• 𝐴 là biến cố ngẫu nhiên, 0 < 𝑃 𝐴 < 1
Định nghĩa cổ điển về xác suất
▪ Định nghĩa cổ điển về xác suất
• Giả thiết: khả năng xảy ra các biến cố sơ cấp đều
bằng nhau
• Số biến cố sơ cấp thuận lợi cho biến cố 𝐴: 𝑁𝐴
• Số biến cố sơ cấp của phép thử: 𝑁
• Xác suất xảy ra biến cố 𝐴:
𝑁𝐴
𝑃 𝐴 =
𝑁

Ví dụ
▪ Ví dụ 2.1. Tung một đồng xu cân đối đồng chất. Hãy
tính xác suất xuất hiện mặt sấp?
▪ Ví dụ 2.2. Tung một đồng xu hai lần liên tiếp. Hãy tính
xác suất:
a) “Hai lần xuất hiện mặt sấp”
b) “Xuất hiện 1 lần mặt sấp, 1 lần mặt ngửa”
c) “Hai lần xuất hiện mặt ngửa”

Định nghĩa thống kê về xác suất
▪ Định nghĩa thống kê về xác suất
• Thực hiện 𝑛 phép thử
• Số lần xuất hiện biến cố 𝐴: 𝑛𝐴
𝑛𝐴
• Tần suất xuất hiện biến cố 𝐴:
𝑛
𝑛𝐴
• Khi số phép thử 𝑛 đủ lớn: 𝑃 𝐴 ≈
𝑛
▪ Ví dụ:
• Trong 100.000 trẻ mới sinh, có 51.000 bé trai. Xác
suất “sinh bé trai” là khoảng 0,51.

Nguyên lý xác suất lớn và nhỏ
▪ Nguyên lý xác suất lớn: Nếu biến cố ngẫu nhiên có xác

suất rất lớn thì thực tế có thể cho rằng trong một
phép thử biến cố đó sẽ xảy ra.
▪ Nguyên lý xác suất nhỏ: Nếu một biến cố có xác suất
rất nhỏ thì thực tế có thể cho rằng trong một phép
thử, biến cố đó sẽ không xảy ra.

2.3. CÁC CÔNG THỨC XÁC SUẤT
▪ Xác suất của biến cố tích
▪ Xác suất của biến cố tổng
▪ Công thức Bernoulli
▪ Công thức xác suất đầy đủ - Bayes

[2] Chapter 3, pp. 91-118
[3] Chapter 4, pp. 185-204

Xác suất biến cố tích
▪ Biến cố C là tích (intersection) của hai biến cố A và B
nếu C xảy ra khi và chỉ khi cả hai biến cố A và B cùng
đồng thời xảy ra.
▪ Ký hiệu: C = (𝐴 ∙ 𝐵)
𝐴 𝐴∙𝐵 𝐵

▪ Xác suất của biến cố 𝐴 được tính với điều kiện biến cố
𝐵 đã xảy ra gọi là xác suất có điều kiện của 𝐴, hay xác
suất của 𝐴 trong điều kiện 𝐵
▪ Ký hiệu: 𝑷(𝑨 | 𝑩)
▪ Hai biến cố 𝐴 và 𝐵 là độc lập (independent) với nhau
nếu việc xảy ra hay không xảy ra của biến cố này không
làm thay đổi xác suất xảy ra của biến cố kia và ngược
lại.
▪ Nếu 𝐴 và 𝐵 là hai biến cố độc lập thì
𝑃 𝐵𝐴 =𝑃 𝐵
và 𝑃 𝐴 𝐵 = 𝑃(𝐴)
▪ Công thức nhân xác suất
𝑃 𝐴∙𝐵 =𝑃 𝐴 ∙𝑃 𝐵 𝐴 =𝑃 𝐵 ∙𝑃 𝐴 𝐵
• 𝐴 và 𝐵 là hai biến cố độc lập
⇔ 𝑃 𝐴 ∙ 𝐵 = 𝑃(𝐴) ∙ 𝑃(𝐵)
• Công thức tính xác suất có điều kiện
𝑃 𝐴∙𝐵
𝑃 𝐴𝐵 =
𝑃 𝐵

▪ Biến cố 𝐴 là tích của 𝒏 biến cố 𝐴1 , 𝐴2 , … , 𝐴𝑛 nếu 𝐴 xảy
ra khi và chỉ khi cả 𝑛 biến cố trên đồng thời xảy ra.
▪ Ký hiệu 𝐴 = ς𝑛𝑖=1 𝐴𝑖
▪ Ví dụ. Lấy lần lượt 5 quả bóng từ trong hộp gồm 6
bóng trắng và 4 bóng đen.
𝐴𝑖 = “Lấy được bóng trắng ở lần lấy thứ 𝑖”,
𝑖 = 1,2, … 5.
𝐴 = “Cả 5 lần đều lấy được bóng trắng”
𝐴 = 𝐴1 ∙ 𝐴2 ∙ 𝐴3 ∙ 𝐴4 ∙ 𝐴5

▪ Các biến cố 𝐴1, 𝐴2, … , 𝐴𝑛 gọi là độc lập từng đôi với
nhau nếu mỗi cặp hai trong n biến cố đó độc lập nhau.
▪ Các biến cố 𝐴1, 𝐴2, … , 𝐴𝑛 gọi là độc lập toàn phần nếu
mỗi biến cố độc lập với mọi tổ hợp bất kỳ của các biến
cố còn lại.

▪ Nếu 𝐴1 , 𝐴2 , … 𝐴𝑛 là các biến cố độc lập toàn phần thì
𝑃 𝐴1 ∙ 𝐴2 ∙ … ∙ 𝐴𝑛 = 𝑃 𝐴1 ∙ 𝑃 𝐴2 ∙ … ∙ 𝑃 𝐴𝑛
▪ Ví dụ. Lấy lần lượt 5 quả bóng từ hộp gồm 6 bóng

trắng và 4 bóng đen theo phương thức lấy có hoàn lại.
Xác suất để 5 quả bóng lấy ra đều có màu trắng là:
6 6 6 6 6
∙ ∙ ∙ ∙ = 0,65
10 10 10 10 10

4.4.suất
Xác Mốibiến
quancốhệtổng
giữa các biến cố
▪ Biến cố 𝐶 được gọi là tổng (union) của hai biến cố 𝐴
và 𝐵, nếu 𝐶 chỉ xảy ra khi có ít nhất một trong hai biến
cố 𝐴 và 𝐵 xảy ra.
▪ Ký hiệu: 𝐶 = 𝐴 + 𝐵
𝐴 𝐵
Ω
▪ 𝐴 + 𝐵 là tổng của các biến cố:
𝐴 ∙ 𝐵, 𝐴ҧ ∙ 𝐵 và 𝐴 ∙ 𝐵ത

Xác suất biến cố tổng
▪ Ví dụ. Lấy lần lượt 2 quả bóng từ hộp 6 bóng trắng và
4 bóng đen
𝐴 = “Lần 1 lấy được bóng trắng”,
𝐵 = “Lần 2 lấy được bóng trắng”
𝐴 + 𝐵 = “Có ít nhất 1 lần lấy được bóng trắng”
▪ Biến cố 𝐴 được gọi là tổng của n biến cố

𝐴1 , 𝐴2 , … , 𝐴𝑛 nếu 𝐴 xảy ra khi có ít nhất một trong 𝑛
biến cố ấy xảy ra.
▪ Ký hiệu: 𝐴 = ∑𝑛𝑖=1 𝐴𝑛

▪ Hai biến cố 𝐴 và 𝐵 gọi là xung khắc (mutually
exclusive) với nhau nếu chúng không thể đồng thời
xảy ra trong một phép thử.
▪ 𝐴∙𝐵 =∅
▪ 𝐴 và 𝐴ҧ ?
A B
▪ Ví dụ. Lấy ngẫu nhiên hai
quả bóng từ trong hộp. Ω
𝐴 = “Hai trắng”, 𝐵 = “Hai đen”
𝐶 = “Có ít nhất một quả trắng”
Nhận xét về tính xung khắc của các biến cố 𝐴, 𝐵 và 𝐶.

▪ Nhóm n biến cố 𝐴1, 𝐴2, … , 𝐴𝑛 được gọi là xung khắc
từng đôi nếu bất kỳ hai biến cố nào trong nhóm này
cũng xung khắc với nhau.
▪ Các biến cố 𝐴1, 𝐴2, … , 𝐴𝑛 được gọi là một nhóm đầy

đủ (universal set, partitions) các biến cố nếu trong kết
quả phép thử sẽ xảy ra một và chỉ một trong các biến
cố đó
▪ Nhóm đầy đủ ⇒ Nhóm xung khắc từng đôi?

▪ Hai biến cố 𝐴 và 𝐴ҧ là hai biến cố đối lập với nhau nếu
chúng tạo nên một nhóm đầy đủ.
▪ Ký hiệu: 𝐴ҧ là biến cố đối lập
với biến cố 𝐴.
▪ 𝑃 𝐴 = 1 − 𝑃 𝐴ҧ 𝐴
𝐴ҧ
Ω
▪ Ví dụ: Tìm biến cố đối lập của các biến cố sau:

• 𝐴 = “hai lần tung đồng xu đều xuất hiện mặt sấp”
• 𝐵 = “cả hai quả bóng lấy ra đều màu trắng”
• 𝐶 = “tất cả các sinh viên đều thi qua môn xác suất”
▪ Công thức cộng xác suất
𝑃 𝐴+𝐵 =𝑃 𝐴 +𝑃 𝐵 −𝑃 𝐴∙𝐵
▪ 𝐴 và 𝐵 là hai biến cố xung khắc
⟺ 𝑃 𝐴 + 𝐵 = 𝑃 𝐴 + 𝑃(𝐵)
▪ Nếu 𝐴 và 𝐵 là hai biến cố độc lập thì
𝑃 𝐴 + 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴) ∙ 𝑃(𝐵)

▪ Nếu nhóm 𝐴1, 𝐴2, … , 𝐴𝑛 là nhóm các biến cố xung
khắc từng đôi thì
𝑃 𝐴1 + 𝐴2 + ⋯ +𝐴𝑛 = 𝑃 𝐴1 + 𝑃 𝐴2 + ⋯ + 𝑃 𝐴𝑛
▪ Nếu nhóm 𝐴1, 𝐴2, … , 𝐴𝑛 là một nhóm đầy đủ thì
𝑃 𝐴1 + ⋯ +𝐴𝑛 = 𝑃 𝐴1 + ⋯ + 𝑃 𝐴𝑛 = 1
▪ Hai biến cố 𝐴 và 𝐴ҧ luôn lập thành một nhóm đầy đủ
▪ Ví dụ. Tung một đồng xu 2 lần, 𝐴1 = “2 lần sấp”, 𝐴2 =
“2 lần ngửa”, 𝐴3 = “1 lần sấp, 1 lần ngửa”, 𝐴4 = “có ít
nhất 1 lần sấp”. Hãy tìm các nhóm đầy đủ.

Công thức Bernoulli
Ví dụ 2.9. : Một người đi bán hàng ở 3 nơi độc lập, xác
suất bán được ở mỗi nơi đều bằng 0,8. Tính xác suất
người đó:
a) Bán được ở đúng 1 nơi
b) Bán được ở đúng 2 nơi
c) Bán được ở ít nhất 1 nơi

Công thức Bernoulii
▪ Giả sử có 𝑛 phép thử độc lập
▪ Trong mỗi phép thử, xác suất xảy ra biến cố 𝐴 là như
nhau và là 𝑝, xác suất không xảy ra 𝐴 là 1 − 𝑝
⟹ Lược đồ Bernoulli
▪ Xác suất để trong 𝑛 phép thử đó, biến cố 𝐴 xảy ra
đúng 𝑥 lần được ký hiệu 𝑃 𝑥 𝑛, 𝑝
▪ Công thức Bernoulli
𝑃 𝑥 𝑛, 𝑝 = 𝐶𝑛𝑥 𝑝 𝑥 1 − 𝑝 𝑛−𝑥

Công thức xác suất đầy đủ - Bayes
Ví dụ 2.10. Có hai hộp giống nhau: hộp loại I chứa 6
chính phẩm và 4 phế phẩm; hộp loại II chứa 8 chính
phẩm và 2 phế phẩm.
a) Chọn ngẫu nhiên một hộp và từ đó chọn 1 sản
phẩm. Tính xác suất để đó là chính phẩm.
b) Nếu chọn được chính phẩm, xác suất để hộp
được chọn là hộp loại I bằng bao nhiêu?

Công thức xác suất đầy đủ - Bayes
▪ 𝐴1, 𝐴2, … , 𝐴𝑛 : nhóm đầy đủ các biến cố.
▪ 𝐵: xảy ra đồng thời với một trong các biến cố
𝐴1, 𝐴2, … , 𝐴𝑛
▪ Công thức xác suất đầy đủ:
n
P( A) =  P( Hi ).P( A | Hi )
▪ Công thức Bayes i =1
P( Hi ).P( A | Hi )
P( Hi | A) = n
 P(Hi ).P( A | Hi )
i =1
BÀI 3 – BIẾN NGẪU NHIÊN RỜI RẠC VÀ
QUY LUẬT PHÂN PHỐI XÁC SUẤT CỦA
BIẾN NGẪU NHIÊN
▪ 3.1. Khái niệm biến ngẫu nhiên
▪ 3.2. Bảng phân phối xác suất
▪ 3.3. Hàm phân phối xác suất
▪ 3.4. Các tham số đặc trưng
▪ 3.5. Phân phối Không-Một
▪ 3.6. Phân phối Nhị thức
▪ 3.7. Phân phối Poisson

3.1. KHÁI NIỆM BIẾN NGẪU NHIÊN
▪ Ví dụ: Tung 1 con xúc xắc. Gọi 𝑋 là số chấm xuất hiện
𝑋 có thể nhận 1, 2, 3, 4, 5, 6
▪ Ví dụ: Gọi 𝑌 là điểm kiểm tra môn xác suất
𝑌 nhận các giá trị 0, 1, 2, …,10
▪ Ví dụ: Gọi 𝑍 là năng suất lúa
𝑍 nhận các giá trị trong khoảng (0; 10)

Khái niệm biến ngẫu nhiên
▪ Một biến số là biến ngẫu nhiên nếu trong kết quả của
phép thử nó chỉ nhận 1 và chỉ 1 trong các giá trị có thể
có của nó .
▪ Kí hiệu biến ngẫu nhiên: 𝑋, 𝑌, 𝑍, 𝑋1, 𝑋2, …
▪ Giá trị có thể có của 𝑋: 𝑋 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 )
• (𝑋 = 𝑥𝑖 ) là các biến cố 𝑋 nhận giá trị 𝑥𝑖
• 𝑃(𝑋 = 𝑥𝑖 ) là xác suất 𝑋 nhận giá trị 𝑥𝑖
▪ Biến ngẫu nhiên rời rạc: Nếu các giá trị có thể có của
nó lập nên một tập hợp hữu hạn hoặc đếm được.
▪ Biến ngẫu nhiên liên tục: Nếu các giá trị có thể có của
nó lấp đầy một khoảng trên trục số.
3.2. BẢNG PHÂN PHỐI XÁC SUẤT
Quy luật phân phối xác suất của biến ngẫu
nhiên là sự tương ứng giữa các giá trị có thể có và
các xác suất tương ứng.
Các phương pháp mô tả quy luật phân phối
xác suất: Bảng phân phối xác suất, hàm phân phối
xác suất và hàm mật độ xác suất

Bảng phân phối xác suất
Cho biến ngẫu nhiên rời rạc 𝑋 nhận các giá trị
𝑥1 , 𝑥2 , … , 𝑥𝑛 với xác suất tương ứng 𝑝1 , 𝑝2 , … , 𝑝𝑛
𝑋 𝑥1 𝑥2 … 𝑥𝑘 … 𝑥𝑛
𝑃 𝑝1 𝑝2 … 𝑝𝑘 … 𝑝𝑛
n
0  pi  1, p
i =1
i =1
Bảng trên gọi là bảng phân phối xác suất của biến ngẫu
nhiên rời rạc

Bảng phân phối xác suất
Ví dụ 3.1. Hộp có 6 sản phẩm tốt và 4 sản phẩm xấu. Lấy
đồng thời 2 sản phẩm. Gọi 𝑋 số sản phẩm tốt lấy được.
Lập bảng phân phối xác suất của 𝑋
▪ Gọi 𝑋 là số chính phẩm lấy được; 𝑋 = 0, 1, 2
𝑋 0 1 2
𝑃 ? ? ?

3.3. HÀM PHÂN PHỐI XÁC SUẤT
Hàm phân phối xác suất của biến ngẫu nhiên, kí hiệu
𝐹(𝑥), là xác suất để biến ngẫu nhiên 𝑋 nhận giá trị nhỏ
hơn 𝑥, với 𝑥 là số thực bất kì
𝐹(𝑥) = 𝑃(𝑋 < 𝑥)
▪ Ý nghĩa: Hàm phân bố xác suất 𝐹(𝑥) phản ánh mức

độ tập trung xác suất ở bên trái điểm x.

Tính chất hàm phân phối xác suất
▪ Tính chất 1: 0 ≤ 𝐹(𝑥) ≤ 1
▪ Tính chất 2: 𝐹(𝑥) là hàm không giảm
𝑃(𝑎 ≤ 𝑋 < 𝑏) = 𝐹(𝑏) – 𝐹(𝑎)
▪ Tính chất 3: 𝐹 𝑥 = 0 𝑛ế𝑢 𝑥 < 𝑥𝑚𝑖𝑛
𝐹(𝑥) = 1 𝑛ế𝑢 𝑥 > 𝑥𝑚𝑎𝑥

3.4. CÁC THAM SỐ ĐẶC TRƯNG
▪ KÌ VỌNG (EXPECTED VALUE)
▪ Kì vọng của biến ngẫu nhiên 𝑋, kí hiệu 𝐸(𝑋)
▪ 𝑬 𝑿 = ∑𝒊 𝒙𝒊 𝒑𝒊
▪ Ví dụ: Tính kì vọng của biến ngẫu nhiên có bảng phân
phối xác suất sau
𝑋 1 2 3 4 5
𝑃 0,1 0,4 0,25 0,2 0,05

Kì vọng
▪ Kì vọng phản ánh giá trị trung bình của biến ngẫu
nhiên.
▪ 𝐸(𝑋) đơn vị trùng với đơn vị của 𝑋
▪ Tính chất:
𝐸 𝐶 =0, 𝐶: hằng số
𝐸 𝐶 + 𝑋 = 𝐶 + 𝐸(𝑋)
𝐸 𝐶. 𝑋 = 𝐶. 𝐸(𝑋)
𝐸 𝑋 ± 𝑌 = 𝐸(𝑋) ± 𝐸(𝑌)
𝐸 𝑋. 𝑌 = 𝐸 𝑋 . 𝐸 𝑌
nếu 𝑋, 𝑌 độc lập
Phương sai
▪ Ví dụ:
Điểm lớp A 6 7 8
Số SV 40 20 40
Xác suất 0,4 0,2 0,4
Điểm lớp B 5 7 9
Số SV 40 20 40
Xác suất 0,4 0,2 0,4
▪ So sánh điểm số giữa 2 lớp

Phương sai
𝑉(𝑋) = 𝐸 𝑋 – 𝐸 𝑋 2
2
Biến đổi ta có: 𝑉(𝑋) = 𝐸(𝑋2) – 𝐸 𝑋
Trong đó: 𝐸 𝑋 2 = ∑𝑥𝑖2 𝑝𝑖
▪ Chú ý: 𝑉(𝑋) ≥ 0
▪ Tính chất
𝑉 𝐶 =0, 𝐶: hằng số
𝑉 𝑋+𝐶 =𝑉 𝑋
𝑉 𝐶 × 𝑋 = 𝐶2 × 𝑉 𝑋
𝑉 𝑋 ± 𝑌 = 𝑉 𝑋 + 𝑉 𝑌 với 𝑋 và 𝑌 độc lập
Phương sai
▪ Ý nghĩa: Phương sai phản ánh độ phân tán của
biếngẫu nhiên. Phương sai lớn thì độ phân tán lớn.
Phương sai phản ánh độ rủi ro, độ ổn định, độ đồng
đều
▪ Đơn vị của phương sai?

Độ lệch chuẩn
▪ Độ lệch chuẩn của biến ngẫu nhiên 𝑋, kí hiệu 𝜎(𝑋), là
căn bậc hai của phương sai:
𝜎𝑋 = 𝑉 𝑋
▪ Ý nghĩa: Phương sai và độ lệch chuẩn phản ánh độ

phân tán của biến ngẫu nhiên.
▪ Đơn vị của phương sai là bình phương đơn vị của 𝑋
▪ Đơn vị của độ lệch chuẩn là đơn vị của 𝑋

3.5. PHÂN PHỐI KHÔNG – MỘT
▪ Biến ngẫu nhiên rời rạc 𝑋 chỉ nhận 2 giá trị 0 và 1 với
xác suất được tính bằng công thức
P( X = x) = p x (1 − p)1− x ; x = 0,1
▪ Bảng phân phối xác suất
𝑋 0 1
𝑃 1−𝑝 𝑝
▪ Kí hiệu: 𝑋 ~ 𝐴(𝑝)
▪ Tham số đặc trưng: 𝐸(𝑋) = 𝑝; 𝑉(𝑋) = 𝑝(1 − 𝑝)

3.6. PHÂN PHỐI NHỊ THỨC
▪ Xét n phép thử độc lập
▪ Xác suất xảy ra biến cố A trong mỗi phép thử là p
▪ 𝑋 là số lần A xảy ra trong 𝑛 lần thử
▪ 𝑋 có thể nhận các giá trị 0, 1, 2,…, n với các xác suất
tương ứng được tính theo công thức:
𝑃 𝑋 = 𝑥 = 𝐶𝑛𝑥 𝑝 𝑥 1 − 𝑝 𝑛−𝑥 ; 𝑥 = 0,1, … , 𝑛
▪ 𝑋 gọi là phân phối Nhị thức với tham số 𝑛 và 𝑝.
▪ Kí hiệu: 𝑋 ~ 𝐵(𝑛; 𝑝)

Phân phối Nhị thức
Các tham số đặc trưng:
▪ Kì vọng 𝐸(𝑋) = 𝑛𝑝;
▪ Phương sai 𝑉(𝑋) = 𝑛𝑝(1 − 𝑝).
▪ Mốt 𝑚0 (giá trị có xác suất lớn nhất) thỏa mãn
𝑛𝑝 + 𝑝 – 1 ≤ 𝑚0 ≤ 𝑛𝑝 + 𝑝
Ví dụ: Một người đi chào hàng ở 10 địa điểm độc lập nhau.
Xác suất bán được hàng ở mỗi đại điểm đều bằng 0,2.
a) Tính xác suất bán được hàng ở đúng 3 địa điểm.
b) Tính xác suất bán được hàng ở ít nhất 2 địa điểm.
c) Tính kì vọng, phương sai, mốt của số địa điểm bán được

3.7. PHÂN PHỐI POISSON
▪ Biến ngẫu nhiên rời rạc 𝑋 nhận một trong các giá trị có
thể có là 0, 1,2,… với các xác suất tương ứng được
tính theo công thức
 x
Px = P( X = x) = e−  ; x = 0,1, 2,...
x!
gọi là phân phối theo quy luật Poisson với tham số 𝜆.
▪ Kí hiệu: 𝑋 ~ 𝑃(𝜆)
▪ Nếu 𝑋 ~ 𝐵(𝑛; 𝑝) với 𝑛 khá lớn, 𝑝 khá nhỏ và
𝑛𝑝 ≈ 𝑛𝑝𝑞 thì coi như 𝑋 ~ 𝑃(𝜆)
• Các tham số đặc trưng
𝐸(𝑋) = 𝜆; 𝑉(𝑋) = 𝜆; 𝜆 − 1 ≤ 𝑚0 ≤ 𝜆

BÀI 4 – BIẾN NGẪU NHIÊN LIÊN TỤC
VÀ QUY LUẬT PHÂN PHỐI XÁC SUẤT
4.1. Biến ngẫu nhiên liên tục
4.2. Hàm phân phối xác suất
4.3. Hàm mật độ xác suất
4.4. Các tham số đặc trưng
4.5. Phân phối Đều
4.6. Phân phối Chuẩn
4.7. Phân phối khác
▪ [1] Chương 2, trang 79 – 128. Chương 3, tr 167 – 196.

▪ [2] Chapter 1, pp. 177 – 223.
▪ [3] Chapter 6, pp. 265 – 297.
4.1. BIẾN NGẪU NHIÊN LIÊN TỤC
▪ Biến ngẫu nhiên liên tục (Continuous Random Variable)
là biến ngẫu nhiên có thể nhận mọi giá trị trong một
khoảng 𝑎; 𝑏 , 𝑎, 𝑏 ∈ ℝ.
Ví dụ
▪ Thời gian đi từ nhà đến trường của sinh viên
▪ Lợi nhuận của nhà đầu tư cổ phiếu sau một năm
▪ Cân nặng của trẻ sơ sinh ở Việt Nam

4.2. HÀM PHÂN PHỐI XÁC SUẤT
▪ Hàm phân phối xác suất( hàm tích lũy xác suất -
Cumulative Distribution Function) của biến ngẫu nhiên
𝑋 là: 𝐹 𝑥 = 𝑃 𝑋 < 𝑥 ,𝑥 ∈ ℝ

Tính chất
▪ 𝑃 𝑎 < 𝑋 <𝑏 =𝐹 𝑏 −𝐹 𝑎
▪ Nếu X là biến ngẫu nhiên liên tục thì: 𝑃 𝑋 = 𝑥𝑜 = 0

⇒𝑃 𝑎 <𝑋 <𝑏 =𝑃 𝑎 ≤𝑋 ≤𝑏 =𝐹 𝑏 −𝐹 𝑎

Hàm mật độ xác suất
• 𝑋 là biến ngẫu nhiên liên tục, hàm mật độ xác suất
(Density Function) của 𝑋, ký hiệu 𝑓 𝑥 , là:
𝑓 𝑥 = 𝐹′(𝑥)

Tính chất
▪ 𝑓 𝑥 ≥ 0 ∀𝑥
x
▪ 𝐹 𝑥 = ‫׬‬−∞ f(t) 𝑑𝑡
+∞
▪ ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = 1
𝑏
▪ 𝑃 𝑎<𝑋<𝑏 = ‫𝑓 𝑎׬‬ 𝑥 𝑑𝑥

4.4. CÁC THAM SỐ ĐẶC TRƯNG
▪ Kỳ vọng:
+∞
𝐸 𝑋 =න 𝑥. 𝑓 𝑥 𝑑𝑥
−∞
▪ Phương sai:
𝑉 𝑋 = 𝐸 𝑋2 − 𝐸 𝑋 2
+∞
𝐸 𝑋2 = න 𝑥 2 . 𝑓 𝑥 𝑑𝑥
−∞
▪ Độ lệch chuẩn:
𝜎= 𝑉 𝑋

Trung vị và Mốt
▪ Trung vị
Trung vị, ký hiệu 𝑚𝑑 , là giá trị chia phân phối xác suất của
biến ngẫu nhiên thành hai phần bằng nhau.
𝑚𝑑
‫׬‬−∞ 𝑓(𝑥) 𝑑𝑥 = 0,5
▪ Mốt
Mốt, ký hiệu 𝑚𝑜 , là giá trị mà tại đó hàm mật độ xác suất
𝑓 𝑥 đạt giá trị cực đại.

Giá trị tới hạn
Giá trị tới hạn mức 𝛼 của biến ngẫu nhiên X, ký hiệu 𝑥𝛼 , là
giá trị của 𝑋 thỏa mãn:
𝑃 𝑋 > 𝑥𝛼 = 𝛼

4.5. PHÂN PHỐI ĐỀU
▪ Biến ngẫu nhiên liên tục X có phân phối Đều (Uniform
Distribution) trên khoảng 𝑎; 𝑏 nếu hàm mật độ xác
suất của 𝑋 có dạng:
1
𝑥 ∈ (𝑎; 𝑏)
𝑓 𝑥 = ቐ𝑏 − 𝑎
0 𝑥 ∉ (𝑎; 𝑏)
▪ Ký hiệu: 𝑋 ∼ 𝑈 𝑎; 𝑏

Phân phối đều
𝑎+𝑏
▪ 𝐸 𝑋 =
2
𝑏−𝑎 2
▪ 𝑉 𝑋 =
12
𝑑−𝑐
▪ 𝑃 𝑐<𝑋<𝑑 =
𝑏−𝑎
a c d b

4.6. QUY LUẬT CHUẨN
▪ 𝐵 (𝑛; 𝑝 = 0,5) với 𝑛 = 10; 20; 100
0.25 0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
0.025 0.025
0.02 0.02
0.015 0.015
0.01 0.01
0.005 0.005
0 0
1 7 131925313743495561677379859197 0 20 40 60 80 100

Phân phối Chuẩn
▪ Biến ngẫu nhiên liên tục 𝑋 có phân phối Chuẩn
(Normal Distribution) nếu hàm mật độ xác suất của 𝑋
có dạng:
𝑥−𝜇 2
1 −
𝑓 𝑥 = 𝑒 2𝜎2
𝜎 2𝜋
▪ Đồ thị của 𝑓 𝑥 có dạng
quả chuông và đối xứng
qua đường thẳng 𝑥 = 𝜇
▪ Ký hiệu: 𝑋 ∼ 𝑁 𝜇, 𝜎 2

Các tham số
𝑋 ∼ 𝑁 𝜇, 𝜎 2
▪ 𝐸 𝑋 =𝜇
▪ 𝑉 𝑋 = 𝜎2
Khi  tăng thì đồ thị của Khi 𝜎 tăng thì đồ thị của 𝑓(𝑥)
𝑓(𝑥) dịch sang phải thấp xuống và rộng ra
Phân phối Chuẩn hóa
▪ Biến ngẫu nhiên liên tục 𝑍 được gọi là có phân phối
Chuẩn hóa (Standardzied Normal Distribution), nếu 𝑍
có phân phối Chuẩn với 𝜇 = 0 và 𝜎 2 = 1.
𝑍 ∼ 𝑁 0; 1
▪ Hàm mật độ xác suất của 𝑍 có dạng:
𝑧2
1 −
𝜑 𝑧 = 𝑒 2
2𝜋
▪ Đồ thị hàm mật độ có dạng hình
quả chuông đối xứng qua trục tung.

▪ Hàm phân phối 𝑥xác suất 𝑥
1 𝑧2
−2
Φ 𝑥 = න 𝜑 𝑧 𝑑𝑧 = න 𝑒 𝑑𝑧
2𝜋
−∞ −∞
▪ Tính chất: Φ −𝑥 + Φ 𝑥 = 1
▪ Cho 𝑋 ∼ 𝑁 𝜇; 𝜎 2
𝑋−𝜇
Đặt 𝑍 =
𝜎
Khi đó: 𝑍 ∼ 𝑁 0; 1
• 𝑃 𝑍<𝑏 =Φ 𝑏
• 𝑃 𝑍 >𝑎 =1−Φ 𝑎
• 𝑃 𝑍 > −𝑎 = 𝑃 𝑍 < 𝑎 = Φ 𝑎
• 𝑃 𝑎 < 𝑍 < 𝑏 = Φ 𝑏 − Φ(𝑎)
▪ Ví dụ Tính
𝑃 𝑍 > 1,96
𝑃 −2 ≤ 𝑍 ≤ 2
Công thức tính xác suất
𝑋 ∼ 𝑁 𝜇; 𝜎 2
𝑋−𝑏 𝑏−𝜇
• 𝑃 𝑋<𝑏 =𝑃 <
𝜎 𝜎
𝑏−𝜇 𝑏−𝜇
=𝑃 𝑍< =Φ
𝜎 𝜎
𝑎−𝜇
• 𝑃 𝑋 >𝑎 =1−Φ
𝜎
𝑏−𝜇 𝑎−𝜇
• 𝑃 𝑎<𝑋<𝑏 =Φ −Φ
𝜎 𝜎
Ví dụ
Ví dụ 4.6: Lợi nhuận (đv: triệu) của một dự án là biến
ngẫu nhiên có phân phối Chuẩn, với trung bình bằng
500, phương sai bằng 400. Tính xác suất để:
a) Lợi nhuận cao hơn 540.
b) Lợi nhuận thấp hơn 570.
c) Lợi nhuận từ 480 đến 550.
Xác suất biến ngẫu nhiên sai lệch so với kì vọng
𝑋 ∼ 𝑁 𝜇; 𝜎 2
𝜀
𝑃 𝑋 –  <  = 2Φ −1
𝜎
Ba trường hợp riêng:
• Quy tắc 1-sigma:

𝑃(|𝑋 –  | < 𝜎) = 0,6826
𝑃 𝑋 –  < 2𝜎 = 0,9544
𝑃 𝑋 –  < 3𝜎 = 0,9974
Tổ hợp của các BNN phân phối chuẩn
▪ 𝑋1 , 𝑋2 , … , 𝑋𝑛 độc lập
▪ 𝑋𝑖 ∼ 𝑁 𝜇𝑖 , 𝜎𝑖2 , 𝑖 = 1,2, … , 𝑛 thì:
▪ Thì: 𝑌 = ∑𝑛𝑖=1 𝑎𝑖 𝑋𝑖 ∼ 𝑁 𝜇𝑌 , 𝜎𝑌2
Trong đó:
𝑛 𝑛
𝜇 𝑌 = ෍ 𝑎𝑖 𝜇 𝑖 ; 𝜎𝑌2 = ෍ 𝑎𝑖2 𝜎𝑖2

𝑖=1 𝑖=1
Hội tụ của phân phối B(n;p) về Chuẩn
𝑋 ~ 𝐵 𝑛; 𝑝
▪ Khi n  100 thì 𝑋 ~ 𝑁 , 𝜎2
▪ Với  = np và 𝜎 2 = 𝑛𝑝 1 – 𝑝
Ví dụ
Xác suất để một khách hàng vào siêu thị mua sản
phẩm của hãng A là 0,3. Tính xác suất để trong 200
khách vào siêu thị có:
a) Nhiều hơn 70 khách mua hàng của hãng A.
b) Từ 40 đến 50 khách mua hàng của hãng A.
Giá trị tới hạn chuẩn
▪ Giá trị tới hạn Chuẩn mức 𝛼, ký kiệu là 𝑧𝛼 , được xác
định bởi:
𝑃 𝑍 > 𝑧𝛼 = 𝛼
▪ Ví dụ
𝑃 𝑍 > 1,96 = 0.025
⇒ 𝑧0,025 = 1,96
▪ Tính chất:
𝑧1−𝛼 = −𝑧𝛼
4.7. PHÂN PHỐI KHÁC
▪ Phân phối Khi bình phương
▪ Phân phối Student
▪ Phân phối Fissher
Phân phối Khi bình phương
▪ BNN liên tục 𝜒 2 tuân theo quy luật Khi bình phương với
n bậc tự do (degree of freedom: df)
▪ Ký hiệu: 𝜒 2 ~𝜒 2 (𝑛)
▪ Tham số: 𝐸(𝜒 2 ) = 𝑛; 𝑉 𝜒 2 = 2𝑛
2(𝑛)
▪ Giá trị tới hạn mức 𝛼, kí hiệu 𝜒𝛼
2(𝑛)
𝑃 𝜒 2 (𝑛) > 𝜒𝛼 =𝛼
LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - NEU – www.mfe.edu.vn 109
Phân phối Khi bình phương
▪ Bảng đầy đủ: phụ lục 7 giáo trình
▪ Bảng giản lược
α α
0.975 0.95 0.05 0.025 0.975 0.95 0.05 0.025
n n
1 0.001 0.004 3.841 5.024 20 9.591 10.85 31.41 34.17
2 0.051 0.103 5.991 7.378 24 12.40 13.85 36.42 39.36
3 0.216 0.352 7.815 9.348 30 16.79 18.49 43.77 46.98
4 0.484 0.711 9.488 11.14 39 23.65 25.70 54.57 58.12
5 0.831 1.145 11.07 12.83 50 32.36 34.76 67.50 71.42
10 3.247 3.940 18.31 20.48 99 73.36 77.05 123.2 128.4
15 6.262 7.261 25.00 27.49 120 91.57 95.70 146.6 152.2
Phân phối Student
▪ BNN liên tục T tuân theo quy luật Student với 𝑛 bậc tự
do, ký hiệu: 𝑇 ~ 𝑇(𝑛)
𝑛
▪ Tham số: 𝐸(𝑇) = 0; 𝑉 𝑇 =
𝑛−2
(𝑛)
▪ Giá trị tới hạn mức , kí hiệu: 𝑡𝛼
(𝑛)
𝑃 𝑇(𝑛) > 𝑡𝛼 = 𝛼
▪ Tính chất:
𝑛 (𝑛)
• 𝑡1−𝛼 = −𝑡𝛼
(𝑛)
• Với n > 30 thì 𝑡𝛼 ≈ 𝑢𝛼
Phân phối Student
▪ Bảng đầy đủ: phụ lục 8 giáo trình
▪ Bảng giản lược
α α
0.1 0.05 0.025 0.1 0.05 0.025
n n
10 1.372 1.812 2.228 17 1.333 1.740 2.110
11 1.363 1.796 2.201 18 1.330 1.734 2.101
12 1.356 1.782 2.179 19 1.328 1.729 2.093
13 1.350 1.771 2.160 20 1.325 1.725 2.086
14 1.345 1.761 2.145 24 1.318 1.711 2.064
15 1.341 1.753 2.131 30 1.310 1.697 2.042
16 1.337 1.746 2.120  1.282 1.645 1.960
Phân phối Fisher
▪ BNN liên tục F tuân theo quy luật Fisher-Snedecor (gọi
tắt là Fisher) với hai bậc tự do n1 và n2
▪ Ký hiệu: 𝐹 ~ 𝐹(𝑛1, 𝑛2)
(𝑛1 ,𝑛2 )
▪ Giá trị tới hạn mức 𝛼, kí hiệu: 𝑓𝛼
(𝑛1 ,𝑛2 )
𝑃 𝐹 𝑛1 , 𝑛2 > 𝑓𝛼 =𝛼
▪ Tính chất:
(𝑛 ,𝑛 ) 1
𝑓1−𝛼1 2 = (𝑛 ,𝑛 )
𝑓𝛼 2 1
Phân phối Fisher
▪ Bảng đầy đủ: phụ lục 9 giáo trình; Bảng giản lược:
n1
n2 24 39 59 99 120
α
0.025 2.27 2.15 2.08 2.03 2.01
24
0.05 1.98 1.90 1.84 1.80 1.79
0.025 2.02 1.89 1.82 1.75 1.74
39
0.05 1.80 1.70 1.65 1.60 1.58
0.025 1.94 1.81 1.73 1.66 1.65
49
0.05 1.74 1.64 1.58 1.53 1.52
0.025 1.89 1.75 1.67 1.60 1.59
59
0.05 1.70 1.60 1.54 1.49 1.47
0.025 1.79 1.65 1.56 1.49 1.46
99
0.05 1.63 1.52 1.45 1.39 1.38
BÀI 5 – BIẾN NGẪU NHIÊN HAI CHIỀU
▪ 5.1. Khái niệm biến ngẫu nhiên nhiều chiều
▪ 5.2. Bảng phân phối xác suất hai chiều
▪ 5.3. Tham số đặc trưng
5.1. KHÁI NIỆM BNN NHIỀU CHIỀU
▪Chiều cao nữ sinh viên VN (m): 𝑋 là biến ngẫu nhiên 1

chiều
𝑃 𝑋 = 1,5 = 0,25
▪ Điểm 10%, 20%, 70% của môn LT Xác suất &TKT:
(𝑋, 𝑌, 𝑍) là biến ngẫu nhiên 3 chiều
𝑃 𝑋 = 9, 𝑌 = 9, 𝑍 = 9 = 0,01
𝑃 𝑋 = 9 = 0,3
Hệ 𝑛 biến ngẫu nhiên 1 chiều được xét một cách đồng
thời tạo nên biến ngẫu nhiên 𝑛 chiều.
Kí hiệu: (𝑋1, 𝑋2, … . 𝑋𝑛)
Biến ngẫu nhiên hai chiều
▪ Hệ hai biến ngẫu nhiên 1 chiều được xét một cách
đồng thời tạo nên biến ngẫu nhiên 2 chiều.
▪ Kí hiệu: (𝑋, 𝑌)
▪ Ví dụ: Thu nhập và tiêu dùng của hộ gia đình; chiều dài
và chiều rộng của 1 sản phẩm.
▪ Phân loại
• BNN 2 chiều rời rạc: nếu 𝑋, 𝑌 đều rời rạc
• BNN 2 chiều liên tục: nếu 𝑋, 𝑌 đều liên tục
Ví dụ
▪ Ví dụ 5.1. Cho các biến ngẫu nhiên:
▪ 𝑋: Doanh thu (triệu), 𝑌: Chi quảng cáo (triệu)
𝑌 3 6 9
𝑋
100 0,1 0,02 0.01
200 0,16 0,12 0,08
300 0,2 0,17 ?
a) 𝑃(𝑋 = 200, 𝑌 = 6) =
b) 𝑃 𝑋 = 300 𝑌 = 9) =
5.2. BẢNG PHÂN PHỐI XÁC SUẤT
Y
y1 y2 … ym
X
x1 p11 p12 … p1m
x2 p21 p22 … p2m
… … … … …
xn pn1 pn2 … pnm
1
Bảng phân phối xác suất đồng thời
Y
y1 y2 … ym P(X)
X
x1 p11 p12 … p1m P(x1)
x2 p21 p22 … p2m P(x2)
… … … … … …
xn pn1 pn2 … pnm P(xn)
P(Y) P(y1) P(y2) … P(ym) 1
Bảng phân phối xác suất biên
▪ Bảng phân phối xác suất biên của 𝑋
𝑋 𝑥1 … 𝑥𝑖 … 𝑥𝑛
𝑃 𝑃(𝑥1) … 𝑃(𝑥𝑖) … 𝑃(𝑥𝑛)
▪ Bảng phân phối xác suất biên của 𝑌
𝑌 𝑦1 … 𝑦𝑗 … 𝑦𝑚
𝑃 𝑃(𝑦1) … 𝑃(𝑦𝑗) … 𝑃(𝑦𝑚)
Bảng phân phối xác suất có điều kiện
▪ Bảng phân phối của (𝑋 | 𝑌 = 𝑦𝑗):
P ( xi , y j )
P ( xi | y j ) =
P( y j )
(𝑋 | 𝑌 = 𝑦𝑗) 𝑥1 𝑥2 … 𝑥𝑛
𝑃 𝑃(𝑥1 | 𝑦𝑗 ) 𝑃(𝑥2| 𝑦𝑗) … 𝑃(𝑥𝑛 | 𝑦𝑗)
▪ Bảng phân phối của (𝑌 | 𝑋 = 𝑥𝑖 )
(𝑌 | 𝑋 = 𝑥𝑖) 𝑦1 𝑦2 … 𝑦𝑚
𝑃 𝑃(𝑦1 | 𝑥𝑖) 𝑃(𝑦2| 𝑥𝑖) … 𝑃(𝑦𝑚 | 𝑥𝑖)
5.3. THAM SỐ ĐẶC TRƯNG
▪ 5.3.1. Kì vọng
n n m
E ( X ) =  xi P( xi ) =  xi P( xi , y j )
i =1 i =1 j =1
m m n
E (Y ) =  y j P( y j ) =  y j P( xi , y j )
j =1 j =1 i =1
▪ 5.3.2. Phương sai

n m
V ( X ) =  xi2 P( xi , y j ) − [E ( X )]2
i =1 j =1
m n
V (Y ) =  y 2j P( xi , y j ) − [E (Y )]2
j =1 i =1
Kì vọng có điều kiện và tính độc lập BNN
▪ Từ bảng phân phối có điều kiện, ta có
E (Y / X = xi ) =  y j P( y j / xi )
j
E ( X / Y = y j ) =  xi P( xi / y j )
i
▪ Tính độc lập: 𝑋, 𝑌 độc lập nếu

P (Y = y j / X = xi ) = P (Y = y j ) i, j
𝑃(𝑋 = 𝑥𝑖 , 𝑌 = 𝑦𝑗 ) = 𝑃(𝑋 = 𝑥𝑖 ). 𝑃(𝑌 = 𝑦𝑗 )∀𝑖, 𝑗
Hiệp phương sai và hệ số tương quan
▪ Hiệp phương sai (covariance): 𝐶𝑜𝑣(𝑋, 𝑌)
Cov ( X ,Y ) = E ( X − E ( X ) Y − E (Y ) )
n m
=  xi y j P ( x i , y j ) − E ( X ).E (Y )
i =1 j =1
▪ Hệ số tương quan (correlation) của 𝑋 và 𝑌: X,Y

Cov ( X ,Y )
ρX ,Y =
σ X . σY
Hiệp phương sai
▪ Tính chất của hiệp phương sai
• 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐶𝑜𝑣(𝑌, 𝑋)
• 𝑋, 𝑌 độc lập  𝐶𝑜𝑣(𝑋, 𝑌) = 0
• 𝐶𝑜𝑣(𝑋, 𝑌) > 0 thì 𝑋, 𝑌 có “tương quan dương”
• 𝐶𝑜𝑣(𝑋, 𝑌) < 0 thì 𝑋, 𝑌 có “tương quan âm”
▪ Phương sai tổng hiệu tổng quát
• 𝑉(𝑎𝑋  𝑏𝑌) = 𝑎2 𝑉(𝑋) + 𝑏2 𝑉(𝑌)  2𝑎𝑏𝐶𝑜𝑣(𝑋, 𝑌)
Hệ số tương quan
Tính chất của hệ số tương quan
▪ X,Y = Y,X
▪ –1  X,Y  1
▪ X,Y > 0: tương quan cùng chiều, X,Y < 0: ngược chiều
▪ X,Y = 0: không tương quan
▪ 𝑋, 𝑌 độc lập  X,Y = 0
▪ X,Y =  1: 𝑋, 𝑌 có quan hệ hàm số bậc 1 với nhau
BÀI 6. LUẬT SỐ LỚN
▪ Tập trung Định lý giới hạn trung tâm
▪ Bất đẳng thức Trebusep (Chebyshev)
▪ Định lý Trebusep
▪ Định lý Bernoulli
▪ Định lý giới hạn trung tâm
Định lý giới hạn trung tâm
▪ Xét X1, X2,…, Xn là các BNN độc lập có cùng quy luật
phân phối xác suất, kỳ vọng và phương sai hữu hạn
n
Y − E (Y )
▪ Đặt Y =  X i và U =
i =1 V (Y )
▪ Thì U sẽ hội tụ về quy luật N(0, 1) khi n → 
▪ Trong ứng dụng, n ≥ 30 được coi là đủ lớn để áp dụng
quy luật Chuẩn (dù biến ngẫu nhiên gốc không phân
phối chuẩn)
BÀI 7 – MẪU NGẪU NHIÊN
▪ 7.1. Các khái niệm
▪ 7.2. Trung bình mẫu
▪ 7.3. Phương sai mẫu
▪ 7.4. Tần suất mẫu
▪ [1] Chương 6, trang 295 – 347, 361 – 363, 367 – 369

▪ [2] Chapter 7, pp.298 – 306, 310 – 328, 337 – 339
7.1. CÁC KHÁI NIỆM
▪ Tổng thể
▪ Tham số đặc trưng của tổng thể
▪ Mẫu ngẫu nhiên
▪ Mẫu cụ thể
▪ Thống kê (tham số đặc trưng mẫu)
Tổng thể
▪ Tập hợp toàn bộ các phần tử đồng nhất theo một dấu
hiệu nghiên cứu định tính hay định lượng nào đó
được gọi là tổng thể (population)
▪ Kích thước tổng thể (population size): là số phần tử 𝑵
▪ Dấu hiệu lượng hóa được: 𝑿- Biến ngẫu nhiên gốc
▪ 𝑋 = {𝑥1, 𝑥2, … , 𝑥𝑁 }
▪ Các tham số đặc trưng của 𝑋 là tham số đặc trưng của
tổng thể
Mô tả tổng thể
▪ Nếu 𝑋 chỉ gồm k giá trị khác nhau: 𝑥1, 𝑥2, … , 𝑥𝑘
▪ Số lượng tương ứng là 𝑁1, 𝑁2, … , 𝑁𝑘
▪ 𝑁𝑖 gọi là tần số tổng thể của 𝑥𝑖
▪ Đặt 𝑝𝑖 = 𝑁𝑖 / 𝑁 gọi là tần suất tổng thể

0  N i  N
Giá trị 𝑥1 𝑥2 … 𝑥𝑘  k
Tần số 𝑁1 𝑁2 … 𝑁𝑘  i =1 Ni = N

Tần suất 𝑝1 𝑝2 … 𝑝𝑘 0  pi  1

 k
 i =1 pi = 1

Tham số đặc trưng của tổng thể
▪ Trung bình tổng thể (population mean): m
1 N
m =  xi
N i =1
• Chứng minh được: 𝑚 = 𝐸(𝑋)
▪ Phương sai tổng thể (population variance): σ2
1 N
σ =  ( xi − m)2
2
N i =1
• Chứng minh được: 𝜎2 = 𝑉(𝑋)
Tham số đặc trưng của tổng thể
▪ Độ lệch chuẩn tổng thể: σ
σ= σ 2
▪ Tần suất tổng thể (population proportion): p

• Số phần tử chứa dấu hiệu (hay biến cố) A là MA
MA
p=
N
• Dễ thấy: 𝑝 = 𝑃(𝐴)
Nhận xét
▪ Nghiên cứu Tổng thể: nghiên cứu về tham số đặc
trưng tổng thể, nghiên cứu toàn bộ các phần tử: gặp
nhiều khó khăn:
• Chi phí lớn, có thể không khả thi
• Sai sót khi thu thập, có thể phá hủy tập hợp
▪ Nghiên cứu một số phần tử đại diện: Mẫu
• Từ tổng thể rút n phần tử (mẫu kích thước n)
• Xác định tham số đặc trưng mẫu (thống kê)
• Rút ra kết luận liên quan đến tổng thể
Mẫu ngẫu nhiên
▪ Mẫu ngẫu nhiên kích thước n là tập hợp của n biến
ngẫu nhiên độc lập 𝑋1, 𝑋2, … , 𝑋𝑛 được thành lập từ
biến ngẫu nhiên gốc 𝑋 và có cùng quy luật phân phối
xác suất với 𝑋.
▪ Ký hiệu: 𝑊 = (𝑋1, 𝑋2, … , 𝑋𝑛)
▪ 𝐸(𝑋𝑖 ) = 𝐸(𝑋) = 𝑚
▪ 𝑉(𝑋𝑖 ) = 𝑉(𝑋) = 𝜎2 𝑖 = 1, 2, … , 𝑛
Mẫu cụ thể
▪ Gồm n quan sát (n con số): 𝑤 = (𝑥1, 𝑥2, … , 𝑥𝑛)
▪ Nếu chỉ gồm k giá trị khác nhau: 𝑥1, 𝑥2, … , 𝑥𝑘 với số lần
xuất hiện tương ứng : 𝑛1, 𝑛2, … , 𝑛𝑘
▪ 𝑛𝑖 là tần số mẫu của 𝑥𝑖 (frequency)
▪ Đặt pො i = 𝑛𝑖 / 𝑛 : tần suất mẫu (sample proportion)
Giá trị …
i =1 ni = n
𝑥1 𝑥2 𝑥𝑘 k
Tần số 𝑛1 𝑛2 … 𝑛𝑘 𝑘
Tần suất pො 1 pො 2 … pො k ෍ 𝑝Ƹ 𝑖 = 1
𝑖=1
Ví dụ
▪ Nghiên cứu về khối lượng sản phẩm (𝑋)
▪ Mẫu ngẫu nhiên kích thước n=10,
▪ 𝑊 = (𝑋1, 𝑋2, … , 𝑋10)
• 𝐸(𝑋1) = 𝐸(𝑋2) = ⋯ = 𝐸(𝑋10) = 𝐸(𝑋)
• 𝑉(𝑋1) = 𝑉(𝑋2) = ⋯ . = 𝑉(𝑋10) = 𝑉(𝑋)
▪ Mẫu cụ thể 𝑤 = ( 20,21,20,23,23,24,22,24,22,22)
Khối lượng (g) 20 21 22 23 24
Số sản phẩm 2 1 3 2 2
Thống kê đặc trưng mẫu
▪ Một hàm của các biến ngẫu nhiên Xi trong mẫu là một
thống kê (statistic)
𝐺 = 𝑓(𝑋1, 𝑋2, … , 𝑋𝑛)
▪ Vì mẫu ngẫu nhiên nên 𝐺 là ngẫu nhiên với phân phối
xác suất xác định
▪ Mẫu cụ thể: thống kê là số cụ thể, giá trị quan sát
𝐺𝑞𝑠 = 𝑔 = 𝑓(𝑥1, 𝑥2, … , 𝑥𝑛)
▪ Thống kê trong mẫu thường tương ứng với một tham
số trong tổng thể
7.2. TRUNG BÌNH MẪU
▪ Trung bình mẫu ngẫu nhiên (sample mean)
1 n
X =  Xi
n i =1
▪ 𝑋ത là biến ngẫu nhiên:
2
σ σ
E(X ) = m; V (X ) = ; σX =
n n
𝜎2
▪ Nếu 𝑋 ~ 𝑁(𝜇, 𝜎2) thì: ሜ
𝑋~𝑁 𝜇,
𝑛
(𝑋ሜ − 𝜇) 𝑛
𝑍= ~𝑁(0,1)
𝜎
7.3. PHƯƠNG SAI MẪU
▪ Độ lệch bình phương trung bình (mean of squares)
𝑛
1
ሜ 2
𝑀𝑆 = ෍(𝑋𝑖 − 𝑋)
𝑛
𝑖=1
▪ Phương sai mẫu (sample variance) S2
𝑛
1 n
𝑆2 = ሜ 2
෍(𝑋𝑖 − 𝑋) Hay S =2
MS
𝑛−1
𝑖=1
n−1
▪ Độ lệch chuẩn mẫu: 𝑺 = 𝑺𝟐
n−1 2
▪ Ta có : 𝐸(𝑆2) = 2 và E (MS ) = σ
n
7.4. TẦN SUẤT MẪU
▪ Trong mẫu kích thước n có XA phần tử có dấu hiệu
(biến cố) A
𝑋𝐴
▪ Tần suất mẫu: pො =
𝑛
𝑝(1 − 𝑝)
▪ Nếu 𝑃(𝐴) = 𝑝 thì: 𝐸 pො = 𝑝 𝑉(ොp) =
𝑛
▪ 𝑋 ~ 𝐴(𝑝), mẫu kích thước n  100, tần suất mẫu pො

Thì:
(ොp − 𝑝) 𝑛
𝑍 = ~𝑁(0,1)
𝑝(1 − 𝑝)
BÀI 8 - ƯỚC LƯỢNG THAM SỐ
8.1. Ước lượng tham số tổng thể
8.2. Ước lượng điểm
8.3. Ước lượng bằng khoảng tin cậy
▪ 1] Chương 7, trang 389 – 420, 431 – 437, 440 – 445

▪ [2] Chapter 7, pp. 306 – 309, 328 – 330
▪ [3] Chapter 8, pp. 342 – 365
8.1. ƯỚC LƯỢNG THAM SỐ TỔNG THỂ
▪ Trong tổng thể, X đã biết qui luật nhưng tham số 
(tham số tổng thể) là chưa biết.
▪ Sử dụng thông tin từ mẫu ̶˃ ước lượng tham số 
(parameter estimate) ̶˃ước lượng tham số tổng thể
▪ Mẫu ngẫu nhiên: xây dựng ước lượng ngẫu nhiên
(estimator)
▪ Mẫu cụ thể: tính được ước lượng cụ thể (estimate),
hay giá trị quan sát (observed value)
8.2. ƯỚC LƯỢNG ĐIỂM
▪ Khái niệm
▪ Tính chất của ước lượng điểm
▪ Ước lượng hợp lý tối đa
Khái niệm
▪ Tham số tổng thể ( ) là chưa biết ̶˃ Cần ước lượng
▪ Sử dụng mẫu 𝑊 = (𝑋1, 𝑋2, … , 𝑋𝑛 ) ̶˃ xác định thống
kê 𝜃መ trên mẫu
▪ Dùng một giá trị của thống kê 𝜃መ để thay thế cho tham
መ là ước lượng điểm của 𝜽
số 𝜃, giá trị kí kiệu là 𝜃,
Tính chất của ước lượng điểm
▪ Tính không chệch (unbiased)
• 𝜃መ là ước lượng không chệch của   𝐸(𝜃) መ =
• Nếu 𝐸(𝜃) መ   : ước lượng chệch
▪ Tính hiệu quả (efficient)
• 𝜃መ1 , 𝜃መ2 là ước lượng không chệch
• 𝑉(𝜃መ1 ) < 𝑉(𝜃መ2 ) thì 𝜃መ1 là ước lượng hiệu quả hơn 𝜃መ2
• 𝑉(𝜃መ1 ) là nhỏ nhất thì 𝜃መ1 là ước lượng hiệu quả
▪ Ước lượng không chệch, hiệu quả → ước lượng tốtnhất
▪ Tính vững (consistent): khi 𝑛 tiến đến vô cùng thì ước
lượng hội tụ đến tham số (theo nghĩa xác suất)
Ví dụ
▪ Ví dụ 8.1.
▪ Tổng thể X có trung bình là m, phương sai là 2
▪ Với mẫu kích thước n = 3, trong các thống kê sau, đâu
là ước lượng không chệch, hiệu quả hơn cho m:
1 1 1 1 1 1
G1 = X 1 + X 2 + X 3 ; G2 = X 1 + X 2 + X 3
2 2 2 2 3 6
1 1 1 1 1 1
G3 = X 1 + X 2 + X 3 ; G4 = X 1 + X 2 + X 3
2 4 4 3 3 3
Bất đẳng thức Cramer - Rao
▪ Nếu BNN X có công thức tính xác suất hoặc hàm mật
độ là f(x,  ) thì với mọi 𝜃መ là ước lượng không chệch
của , luôn có:
1
V (θˆ)  2
  ln f ( x , θ ) 
nE  
 θ 
▪ Do đó nếu 𝜃መ là ước lượng không chệch và có phương
∗
sai bằng vế phải bất đẳng thức thì nó là ước lượng
hiệu quả nhất
Một số kết luận
▪ Khi 𝑋~𝑁(𝜇, 𝜎2) thì
• 𝑋ത là ước lượng không chệch, hiệu quả của 
• 𝑆2 là ước lượng không chệch của σ2
• 𝑀𝑆 là ước lượng chệch của σ2
▪ Khi 𝑋 ~ 𝐴(𝑝) thì 𝑝Ƹ là ước lượng không chệch, hiệu
quả của p.
▪ Cách thay thế tham số đặc trưng tổng thể , p, σ2 bởi
ഥ, 𝒑
thống kê 𝑿 ෝ, S2 tương ứng như trên là tìm ước
lượng điểm theo hàm ước lượng.
Ước lượng hợp lý tối đa
▪ Mẫu 𝑊 = (𝑋1, 𝑋2, … , 𝑋𝑛), tại giá trị cụ thể
(𝑥1, 𝑥2, … , 𝑥𝑛)
▪ Hàm hợp lý:
𝐿(𝑥1, 𝑥2, … , 𝑥𝑛,  ) = 𝑓(𝑥1,  ). 𝑓(𝑥2,  ) … 𝑓(𝑥𝑛,  )
▪ 𝐿 gọi là hàm hợp lý (likelihood function) của 
▪ Giá trị 𝜃መ làm L đạt max gọi là ước lượng hợp lý tối đa
của  (maximum likelihood estimator: MLE)
▪ Nếu hàm L không dễ tìm cực đại thì tính thông qua
hàm logarit của L (maximum log-likelihood)
Một số kết luận
▪ Khi 𝑋 ~ 𝑁(𝜇, 𝜎2) thì
• 𝑋ത là ước lượng hợp lý tối đa của 
• MS là ước lượng hợp lý tối đa của σ2
▪ Khi 𝑋 ~ 𝐴(𝑝) thì pො là ước lượng hợp lý tối đa của p
8.3. ƯỚC LƯỢNG BẰNG KHOẢNG TIN CẬY
▪ Các khái niệm
▪ Ước lượng trung bình tổng thể
▪ Ước lượng phương sai tổng thể
▪ Ước lượng tần suất tổng thể
Các khái niệm
▪ Với mẫu ngẫu nhiên, tìm khoảng ngẫu nhiên
(𝐺1, 𝐺2) để khả năng khoảng đó chứa  bằng một
mức xác suất cho trước:
𝑃(𝐺1 <  < 𝐺2) = 1 – 
▪ Mức xác suất (1 – ) là độ tin cậy (confidence level)
▪ (𝐺1, 𝐺2) là khoảng tin cậy (confidence interval)
▪ 𝐼 = 𝐺2 – 𝐺1 là độ dài khoảng tin cậy
Xây dựng khoảng tin cậy
▪ Xét thống kê G liên kết giữa tham số và thống kê trong
mẫu, G có quy luật phân phối xác suất xác định
▪ Với 1 − 𝛼 ̶˃ xác định 𝛼1 và 𝛼2 : 𝛼1 + 𝛼2 = 𝛼
▪ Xác định giá trị tới hạn 𝑔𝛼1 và 𝑔𝛼2 sao cho:
𝑃 𝑔1−𝛼1 < 𝐺 < 𝑔𝛼2 = 1 − 𝛼
▪ Biến đổi sẽ thu được khoảng 𝐺1 , 𝐺2 thỏa mãn:
𝑃(𝐺1 <  < 𝐺2) = 1 – 
Ước lượng trung bình tổng thể
▪ 𝑋 ~ 𝑁(𝜇, 𝜎2) với  chưa biết
▪ Ước lượng khoảng cho  với độ tin cậy (1 − 𝛼)
▪ Ước lượng  cũng là ước lượng trung bình tổng thể
trong qui luật chuẩn.
▪ Mẫu 𝑊 = (𝑋1, 𝑋2, … , 𝑋𝑛)
▪ Chia hai trường hợp:
• Khi 𝜎 là đã biết  dùng thống kê 𝑍
• Khi 𝜎 là chưa biết  Sử dụng S để thay, và dùng
thống kê ( X − μ) n
T= ~ T (n − 1)
S
Ước lượng  khi biết σ2
𝑋ሜ − 𝜇
▪ Do 𝑍= ~𝑁(0,1) với 𝛼1 + 𝛼2 = 𝛼
𝜎/ 𝑛
ሜ
𝑋−𝜇
𝑃 𝑧1−𝛼1 < < 𝑧𝛼2 = 1-α
𝜎/ 𝑛
𝜎 𝜎
𝑃 𝑋ሜ − 𝑧𝛼2 < 𝜇 < 𝑋ሜ + 𝑧𝛼1 =1−𝛼
𝑛 𝑛
▪ Có 3 khoảng tin cậy thông dụng tương ứng với:
• (1) 𝛼1 = 𝛼, 𝛼2 = 0
• (2) 𝛼1 = 0, 𝛼2 = 𝛼
• (3) 𝛼1 = 𝛼2 = 𝛼/2
▪ Khoảng tin cậy tối đa (phía trái: left-tail)

𝜎
𝜇 < 𝑋ሜ + 𝑧𝛼
𝑛
▪ Khoảng tin cậy tối thiểu (phía phải: right-tail)
𝜎
𝑋ሜ − 𝑧𝛼 <𝜇
𝑛
▪ Khoảng tin cậy hai phía (đối xứng: two-tail)

𝜎 𝜎
𝑋ሜ − 𝑧𝛼/2 ሜ
< 𝜇 < 𝑋 + 𝑧𝛼/2
𝑛 𝑛
▪ Khoảng tin cậy đối xứng có dạng: 𝑋ത ± 𝜀 hay 𝑋ത ± 𝑀𝐸
▪ 𝜀 là sai số biên (ME: marginal error): 𝜀 = 𝑧𝛼/2 𝜎/ 𝑛
▪ Độ dài khoảng tin cậy: I = 2𝜀 = 2𝑧𝛼/2 𝜎/ 𝑛
▪ Xác định kích thước mẫu n0 thỏa mãn yêu cầu về sai
số hoặc độ dài khoảng tin cậy:
2
𝜎 2 𝑧𝛼/2
𝜀 ≤ 𝜀0 ⇔ 𝑛0 ≥
𝜀02
2
4𝜎 2 𝑧𝛼/2
𝐼 ≤ 𝐼0 ⇔ 𝑛0 ≥
𝐼02
Ước lượng  khi không biết σ2
▪ Khoảng tin cậy tối đa

(𝑛−1) 𝑆
𝜇 < 𝑋ሜ + 𝑡𝛼
𝑛
▪ Khoảng tin cậy tối thiểu

S
X − t α(n−1) μ
n
▪ Khoảng tin cậy hai phía (đối xứng)
S ( n−1) S
X − t α(n/2−1)  μ  X + t α /2
n n
Ước lượng  khi không biết σ2
▪ Khoảng tin cậy đối xứng: 𝑋ത ± 𝜀 hay : 𝑋ത ± 𝑀𝐸
(𝑛−1)
▪ Với 𝜀 = 𝑀𝐸 = 𝑡𝛼/2 𝑆/ 𝑛
(𝑛−1)
▪ Độ dài khoảng tin cậy: I = 2𝜀 = 𝑛 2𝑡𝛼/2 𝑆/
▪ Xác định kích thước mẫu n0 (đáp ứng yêu cầu về sai số
hoặc độ dài khoảng tin cậy) dựa vào mẫu sơ bộ kích
thước 𝑛 cho trước 2 ( n−1) 2
S (t α / 2 )
ε  ε0  n0  2
ε0
4S 2 (t α(n/−21) )2
I  I0  n0 
I02
Ước lượng phương sai tổng thể
▪ 𝑋 ~ 𝑁(𝜇, 𝜎2), với tham số σ2 là chưa biết
▪ Ước lượng khoảng cho σ2 với độ tin cậy (1 − 𝛼)
▪ Ước lượng σ2 cũng là ước lượng phương sai tổng
thể, độ phân tán trong phân phối chuẩn.
▪ Sử dụng thống kê Khi bình phương
(n − 1)S 2
χ = 2
~ 2
χ 2
(n − 1)
σ
▪ Với 𝛼1 + 𝛼2 = 𝛼
 2(n−1) (n − 1)S 2 2( n−1) 
P  χ1−α1  2
 χ α2  =1−α
 σ 
Ước lượng tham số σ2
(n − 1 ) S 2
σ2 
χ12−(nα−1)
(n − 1)S 2
 σ 2
χ α2(n−1)
▪ Khoảng tin cậy hai phía
(n − 1)S 2 (n − 1 ) S 2
2( n−1)
 σ 2

χ α /2 χ12−(nα−/21)
Ước lượng tần suất tổng thể
▪ 𝑋 𝐴(𝑝) với p chưa biết
~
▪ Ước lượng khoảng cho p với độ tin cậy (1 − 𝛼)
▪ Ước lượng p cũng là ước lượng tần suất tổng thể.
▪ Sử dụng thống kê (ොp − 𝑝) 𝑛
𝑍= ~𝑁(0,1)
𝑝(1 − 𝑝)
▪ Với 𝛼1 + 𝛼2 = 𝛼
(ෝ
p−𝑝) 𝑛
P( 𝑧1−𝛼1 < < 𝑧𝛼2 ) = 1 − 𝛼
𝑝(1−𝑝)
▪ n ≥ 100 đủ lớn thì thay p trong căn bởi p

ො
Ước lượng tham số p

pො (1 − pො )
𝑝 < pො + 𝑧𝛼
𝑛
pො (1 − pො )
pො − 𝑧𝛼 <𝑝
𝑛
▪ Khoảng tin cậy hai phía (đối xứng)
pො (1 − pො ) pො (1 − pො )
pො − 𝑧𝛼/2 < 𝑝 < pො + 𝑧𝛼/2
𝑛 𝑛
Ước lượng tham số p
▪ Khoảng tin cậy đối xứng: pො  ME hay pො  
𝑀𝐸 = 𝜀 = 𝑧𝛼/2 pො (1 − pො )/ 𝑛
▪ Độ dài khoảng tin cậy:
𝐼 = 2𝑀𝐸 = 2𝜀 = 2𝑧𝛼/2 pො (1 − pො )/ 𝑛
▪ Xác định kích thước mẫu n0 thỏa mãn yêu cầu về sai
số hoặc độ dài KTC: 2
pො (1 − pො )𝑧𝛼/2
𝜀 ≤ 𝜀0 ⇔ 𝑛0 ≥
𝜀02
2
4ොp(1 − pො )𝑧𝛼/2
𝐼 ≤ 𝐼0 ⇔ 𝑛0 ≥
𝐼02
BÀI 9. KIỂM ĐỊNH GIẢ THUYẾT
▪ 9.1. Khái niệm

▪ 9.2. Kiểm định tham số một tổng thể
▪ 9.3. Kiểm định tham số hai tổng thể
▪ 9.4. Kiểm định phi tham số
9.1. KIỂM ĐỊNH THAM SỐ TỔNG THỂ
▪ Cặp giả thuyết, tiêu chuẩn kiểm định
▪ Các loại sai lầm
▪ Mức ý nghĩa và miền bác bỏ
▪ P-Value
▪ [1] Chương 8, trang 465-470, trang 479

▪ [2] Chapter 9, pp.346-352, 354-355
▪ [3] Chapter 9, pp.382-389; 392-394
Cặp giả thuyết, tiêu chuẩn kiểm định
▪ Giả thuyết thống kê: Mệnh đề về một vấn đề thống kê
nào đó về tổng thể.
▪ Kiểm định tham số: Kết luận về tính đúng / sai của một
giả thuyết thống kê đối với tham số tổng thể dựa vào
các bằng chứng thực nghiệm.
▪ Ví dụ:
➢ Thu nhập trung bình của người lao động là trên
2000 USD/năm
➢ Tỷ lệ khách quay lại mua hàng lần hai là 50%
➢ Độ dao động của giá vàng trên thị trường tư nhân
trong năm qua là chưa đến 30 USD
Cặp giả thuyết, tiêu chuẩn kiểm định
▪ Bài toán kiểm định giả thuyết thống kê so sánh giá trị
tham số  (của tổng thể) và giá trị thực 0 cho trước:
H0 : θ = θ0 H0 : θ = θ0 H0 : θ = θ0
ቊ ቊ ቊ
H1 : θ > θ 0 H1 : θ < θ 0 H1 : θ ≠ θ 0
▪ Với mỗi cặp giả thuyết ta có một tiêu chuẩn kiểm định,
ký hiệu là 𝐺.
▪ Giá trị của tiêu chuẩn kiểm định G tính trên mẫu là 𝐺𝑞𝑠
Ví dụ
Viết cặp giả thuyết phù hợp cho các bài toán kiểm
định giả thuyết thống kê đối với các nhận định sau:
(a) Thu nhập trung bình của người lao động là trên
2000 USD/năm.
(a) Tỷ lệ khách quay lại mua hàng lần hai là 50%.
(b) Độ dao động của giá vàng trên thị trường trong
năm qua là chưa đến 30 USD phải không?
(c) Tỷ lệ nữ khách hàng trong ngày của một cửa hàng
là ít hơn nam.
(d) Mức độ biến động của giá vàng là quá 500 USD2.
Các sai lầm
▪ Sai lầm loại I: bác bỏ một điều đúng (type I error)
▪ Sai lầm loại II: chấp nhận một điều sai (type II error)
Quyết định Tình trạng trên tổng thể
𝐻0 đúng 𝐻0 sai
Chấp nhận 𝐻0 Đúng Sai lầm loại II
Xác suất=1-α Xác suất=β
Bác bỏ 𝐻0 Sai lầm loại I Đúng
Xác suất=α Xác suất=1-β
▪ α và β thay đổi trái chiều nhau.

Mức ý nghĩa và miền bác bỏ
▪ Xác định một miền 𝑊 sao cho nếu 𝐻0 đúng thì xác suất 𝐺
thuộc miền đó là một mức  đủ nhỏ:
𝑃(𝐺  𝑊 | 𝐻0 đú𝑛𝑔) = 
▪ 𝑊 gọi là miền bác bỏ (reject area)
▪ 𝑊 được xác định bởi các giá trị tới hạn (critical value)
▪  gọi là mức ý nghĩa (significant level)
▪ Mức  hay dùng là  =0,01; 0,05; 0,1
Quy tắc kiểm định
▪ Cặp giả thuyết 𝐻0 và 𝐻1
▪ Mẫu cụ thể thì tiêu chuẩn 𝐺 nhận giá trị cụ thể: 𝐺𝑞𝑠
▪ Mức ý nghĩa  cho trước, tìm được miền bác bỏ 𝑊
❖ Nếu 𝐺𝑞𝑠  𝑊: bác bỏ 𝐻0 (reject 𝐻0), 𝐻0 là sai, 𝐻1 là
đúng
❖ Nếu 𝐺𝑞𝑠  𝑊: chưa có cơ sở bác bỏ 𝐻0 (not reject
𝐻0), 𝐻0 là đúng, 𝐻1 là sai
▪ Kết luận về mệnh đề đã nêu ra.
P-value
▪ P-value là “mức xác suất thấp nhất để bác bỏ 𝐻0”
▪ P-value thường được tính sẵn qua các phần mềm
chuyên dụng
▪ Quy tắc kiểm định theo P-value

Với mức ý nghĩa  cho trước:
❖ Nếu P-value <  thì bác bỏ 𝐻0 , nhận 𝐻1
❖ Nếu P-value ≥  thì chưa bác bỏ 𝐻0
9.2. KIỂM ĐỊNH THAM SỐ MỘT TỔNG THỂ
▪ Kiểm định trung bình tổng thể
▪ Kiểm định phương sai tổng thể
▪ Kiểm định tần suất tổng thể
▪ [1] Chương 8, trang 471-491, 512-519, 524-527

▪ [2] Chapter 9, pp. 353-384
▪ [3] Chapter 9, pp. 390-440; 481-493
Kiểm định trung bình tổng thể
▪ Tổng thể phân phối chuẩn 𝑋 ~ 𝑁 (  , 𝜎 2 )
▪ Tham số  chưa biết, kiểm định so sánh  với số 0
Ba cặp giả thuyết
H0 : μ = μ0 H0 : μ = μ0 H0 : μ = μ0
(1)ቊ (2) ൜ 3 ቊ
H1 : μ > μ 0 H1 : μ < μ 0 H1 : μ ≠ μ 0
Xét hai trường hợp:

❖ Phương sai tổng thể σ2 đã biết (lý thuyết)
❖ Phương sai tổng thể σ2 chưa biết (thực tế)
Kiểm định  khi biết σ2 (tự đọc)
ഥ −μ
X n
▪ Tiêu chuẩn chung 𝑍 = ~ N 0,1
σ
H0 : μ = μ0
(1) ቊ
H1 : μ > μ 0
Nếu 𝐻0 đúng thì

ഥ −μ 0 ) n
(X
𝑍= ~ N 0,1
σ
𝑃(𝑍 > 𝑧 𝛼 ) = 𝛼
Miền bác bỏ Wα = Z: Z > z α
ഥ −μ
X n
σ
H0 : μ = μ0
(2) ቊ
H1 : μ < μ 0
Tiêu chuẩn kiểm định

ഥ −μ 0 ) n
(X
𝑍= ~ N 0,1
σ
𝑃(𝑍 < −𝑧 𝛼 ) = 𝛼
Miền bác bỏ Wα = Z: Z < −z α
ഥ −μ
X n
σ
H0 : μ = μ0
(3) ቊ
H1 : μ ≠ μ 0
ഥ −μ 0 ) n
(X
𝑍= ~N 0,1
σ
𝑃( Z > z α/2 )=
Miền bác bỏ Wα = Z: Z > z α/2
P - value
▪ Với cặp giả thuyết cho trước, mẫu cụ thể
▪ Giá trị quan sát: 𝑍𝑞𝑠
▪ 𝑃- value của các cặp giả thuyết tính như sau:
H0 : μ = μ0
(1) ቊ 𝑃 = 𝑃(𝑍 > 𝑍 𝑞𝑠 )
H1 : μ > μ 0
H0 : μ = μ0
(2) ቊ 𝑃 = 𝑃(𝑍 < 𝑍 𝑞𝑠 )
H1 : μ < μ 0
H0 : μ = μ0
(3) ቊ 𝑃 = 2𝑃(𝑍 >∣ 𝑍 𝑞𝑠 ∣)
H1 : μ ≠ μ 0
Ví dụ
▪ Ví dụ 9.1. Biết kích thước sản phẩm là biến ngẫu
nhiên phân phối chuẩn với phương sai là 36mm2. Đo
ngẫu nhiên 50 sản phẩm tính được trung bình mẫu là
122mm. Với mức ý nghĩa 5%
a) Kiểm định giả thuyết kích thước trung bình là trên
120mm
b)* Tìm P-value của cặp giả thuyết trong câu (a)
c) Kiểm định giả thuyết kích thước trung bình chưa đến
123mm
Kiểm định  khi chưa biết σ2
𝑋 ~ 𝑁( , 𝜎2) Cặp Miền bác bỏ
Tiêu chuẩn giả thuyết 𝑊
𝐻0:  = 0
𝐻1:  > 0
𝐻0:  = 0
𝐻1:  < 0
𝐻0:  = 0
𝐻1:   0
Ví dụ
▪ Ví dụ 9.2. Cân ngẫu nhiên 25 sản phẩm khối lượng trung
bình là 25,32g và phương sai là 5,28g2. Giả sử khối lượng
phân phối chuẩn. Với mức ý nghĩa 5%
a) Kiểm định giả thuyết trung bình tổng thể lớn hơn 24g
b) Có thể nói khối lượng trung bình là chưa đến 26g hay
không? Nếu mức ý nghĩa là 10% thì sao?
c) Nhận xét ý kiến cho rằng khối lượng trung bình là khác
26,5g
Kiểm định phương sai tổng thể
𝑋 ~ 𝑁( , 𝜎2) Cặp Miền bác bỏ
Tiêu chuẩn giả thuyết 𝑊
Ví dụ
▪ Ví dụ 9.3. Tiêu chuẩn cho độ dao động của
khối lượng một loai quả đóng hộp là không
được vượt quá 5g. Kiểm tra ngẫu nhiên 50 quả
thu hoạch tại một vườn thấy phương sai mẫu
của khối lượng quả là 30g2.
Với mức ý nghĩa 5%, cho biết mức dao động của
khối lượng loại quả tại vườn này là đạt tiêu
chuẩn hay không? Giả thiết rằng khối lượng quả
là biến ngẫu nhiên phân phối chuẩn.
Kiểm định tần suất tổng thể
Tiêu chuẩn Cặp Miền bác bỏ
giả thuyết 𝑊
kiểm định: 𝐻 0: 𝑝 = 𝑝 0
p
ෝ − p0 n 𝐻 1: 𝑝 > 𝑝 0 Z: Z > z α
Z=
p0 1 − p0 𝐻 0: 𝑝 = 𝑝 0
𝑍~N 0,1 , 𝐻 1: 𝑝 < 𝑝 0 Z: Z < −z α
n ≥100 𝐻 0: 𝑝 = 𝑝 0
𝐻 1: 𝑝 ≠ 𝑝 0 Z: Z > z α/2
Ví dụ
▪ Ví dụ 9.4. Trong số 400 người vào cửa hàng thì có 224
nữ và 176 nam.
Trong 224 nữ có 108 người mua hàng; trong 176 nam có 94
người mua hàng. Với mức ý nghĩa 5%:
a) Có thể nói tỷ lệ nữ chiếm trên một nửa số người vào
cửa hàng hay không?
b) Có thể cho rằng tỷ lệ mua hàng của nữ là ít hơn của
nam hay không?
9.3. KIỂM ĐỊNH THAM SỐ HAI TỔNG THỂ
▪ Khái niệm mẫu độc lập và mẫu phụ thuộc
▪ Kiểm định trung bình hai tổng thể
▪ Kiểm định phương sai hai tổng thể
▪ Kiểm định tần suất hai tổng thể
▪ [1] Chương 8
▪ [2] Chapter 10
▪ [3] Chapter 10, 11, 12
Khái niệm mẫu độc lập – mẫu phụ thuộc
▪ Mẫu độc lập: quan sát thu được từ các đối tượng độc
lập hay khác nhau.
• Số quan sát có thể khác nhau
• Không quan trọng thứ tự các quan sát
▪ Mẫu phụ thuộc: là hai mẫu được chọn theo cách một
quan sát bất kì ở mẫu thứ nhất tương ứng duy nhất
với một quan sát ở mẫu thứ hai (quan hệ theo cặp)
• Số quan sát phải bằng nhau
• Thứ tự của các quan sát là cố định
Ví dụ
▪ Hai mẫu phụ thuộc ▪ Hai mẫu độc lập
Cửa Trước Sau Công ty A Công ty B
hàng quảng cáo quảng cáo 76 90
1 72 76 79 82
2 75 79 77 85
3 70 77 80 90
4 82 80 75 80
5 70 75 89 79
6 83 89 87
Quảng cáo thành công? 88
Doanh số của A và B có
sự khác biệt?
Kiểm định về trung bình hai tổng thể
▪ Hai tổng thể phân phối chuẩn:
𝑋1 ~𝑁 𝜇1 , 𝜎12 ; 𝑋2 ~𝑁(𝜇2 , 𝜎22 )
▪ Các tham số đều chưa biết
▪ Với X1, lấy mẫu W1, kích thước n1, có 𝑋ത1 và 𝑆12
▪ Với X2, lấy mẫu W2, kích thước n2, có 𝑋ത2 và 𝑆22
▪ Với mức ý nghĩa , kiểm định so sánh 1 và 2
▪ Hai trường hợp:
• Giả sử 𝜎12 ≠ 𝜎22
• Giả sử 𝜎12 = 𝜎22 : tự đọc trong giáo trình
Kiểm định trung bình hai tổng thể

kiểm định giả thuyết W
H0: 1 = 2 𝑇: 𝑇 > 𝑍𝛼
𝑋ത1 − 𝑋ത2 H1: 1 > 2
𝑇=
𝑆12 𝑆22 H0: 1 = 2 𝑇: 𝑇 < −𝑍𝛼
+
𝑛1 𝑛2 H1: 1 < 2
H0: 1 = 2 𝑇: |𝑇| > 𝑍𝛼/2
n1, n2 > 30 thì H1: 1  2
(𝑑𝑓)
𝑡𝛼 = 𝑧𝛼
Kiểm định phương sai hai tổng thể

kiểm định giả thuyết W
H0: 𝜎12 = 𝜎22 𝐹: 𝐹 > 𝑓𝛼
(𝑛1 −1,𝑛2 −1)
𝑆12 H1: 𝜎12 > 𝜎22

𝐹= 2
𝑆2 H0: 𝜎12 = 𝜎22 𝐹: 𝐹 <
(𝑛1 −1,𝑛2 −1)
𝑓1−𝛼
H1: 𝜎12 < 𝜎22
(𝑑𝑓1 ,𝑑𝑓)
𝑓1−𝛼 H0: 𝜎12 = 𝜎22 𝐹>
(𝑛1 −1,𝑛2 −1)
𝑓𝛼/2
1 H1: 𝜎12 ≠ 𝜎22 𝐹: [
= (𝑑𝑓2 ,𝑑𝑓1 ) 𝐹<
(𝑛1 −1,𝑛2 −1)
𝑓1−𝛼/2
𝑓𝛼
Kiểm định phương sai hai tổng thể
▪ Giả thuyết 𝜎12 < 𝜎22 hoán vị thành 𝜎22 > 𝜎12
▪ Chỉ xét với 𝑆12 > 𝑆22 thì bảng quyết định:
𝑋1 ~𝑁 𝜇1 , 𝜎12 Cặp Miền bác bỏ
𝑋2 ~𝑁(𝜇2 , 𝜎22 ) giả thuyết W
𝑺𝟐𝟏 > 𝑺𝟐𝟐 H0: 𝜎12 = 𝜎22 𝐹: 𝐹 > 𝑓𝛼
(𝑛1 −1,𝑛2 −1)
𝑆12 H1: 𝜎12 > 𝜎22

𝐹= 2
𝑆2 H0: 𝜎12 = 𝜎22 (𝑛1 −1,𝑛2 −1)
𝐹: 𝐹 > 𝑓𝛼/2
H1: 𝜎12 ≠ 𝜎22
Ví dụ
▪ Ví dụ 9.5. Khảo sát ngẫu nhiên 40 khách hàng nam
và 40 khách hàng nữ thấy khách nam chi trung bình
là 230 nghìn và độ lệch chuẩn là 50 nghìn; khách nữ
chi trung bình là 205 nghìn và độ lệch chuẩn là 60
nghìn. Giả sử chi tiêu phân phối chuẩn.
▪ Với mức ý nghĩa 5%, kiểm định giả thuyết mức chi
trung bình của nam nhiều hơn nữ
▪ Với mức ý nghĩa 10%, mức chi của nam có đồng đều
như nữ không?
Kiểm định tần suất hai tổng thể
Tiêu chuẩn kiểm định Cặp Miền bác bỏ

𝑛1 , 𝑛2 ≥ 100 giả thuyết W
𝐻0: 𝑝1 = 𝑝2 𝑍: 𝑧 > 𝑧𝛼
𝑝Ƹ1 − 𝑝Ƹ 2 𝐻1: 𝑝1 > 𝑝2
z=
1 1 𝐻0: 𝑝1 = 𝑝2 𝑍: 𝑧 < −𝑧𝛼
𝑝(1
ҧ − 𝑝)ҧ +
𝑛1 𝑛1
𝐻1: 𝑝1 < 𝑝2
𝑛1 𝑝Ƹ1 + 𝑛2 𝑝Ƹ 2 𝐻0: 𝑝1 = 𝑝2 𝑍: |𝑧| > 𝑧𝛼/2
𝑝ҧ =
𝑛1 + 𝑛2 𝐻1: 𝑝1 ≠ 𝑝2
Ví dụ
▪ Ví dụ 9.6. Quan sát số khách hàng vào ba cửa hàng
A, B, C
A B C
Nữ 55 115 85
Nam 45 55 35
Tổng 100 170 120
a) Với mức ý nghĩa 5%, kiểm định giả thuyết “tỷ lệ khách
hàng là nữ ở hai cửa hàng A và B là như nhau”
b) Với mức ý nghĩa là 1% thì tỷ lệ khách hàng là nữ ở cửa
hàng B nhỏ hơn tỷ lệ khách hàng là nữ ở cửa hàng C?
9.4. KIỂM ĐỊNH PHI THAM SỐ
Kiểm định phi tham số được sử dụng trong những
trường hợp dữ liệu không có phân phối chuẩn hoặc
cho các mẫu nhỏ có ít quan sát.
▪ Kiểm định Jarques Berra (JB)
▪ Kiểm định tính độc lập
Tham khảo
▪ [1] Chương 9
▪ [3] Chapter 12
Kiểm định Jarques – Berra (JB)
𝐻0: Biến 𝑋 phân phối chuẩn
𝐻1: Biến 𝑋 không phân phối chuẩn
n
▪ Hệ số bất đối xứng: a3 =
 i =1
( X i − X )3
/n
S3
n
▪ Hệ số nhọn: a4 =
 i =1
( X i − X ) 4
/n
S4
 a32 (a4 − 3)2 
▪ Tiêu chuẩn: JB = n  + 
 6 24 
▪ Miền bác bỏ: 
Wα = JB : JB  χ α2(2) 
Ví dụ
▪ Ví dụ 9.7. Với số liệu sau:
▪ Tính được: 𝑥ҧ = 25,32 và 𝑠 = 2,286

▪ ∑ 𝑥𝑖 − 𝑥ҧ 3 = −38,56; ∑ 𝑥𝑖 − 𝑥ഥ 4 = 568,63
▪ Với mức ý nghĩa 5%, kiểm định giả thuyết khối lượng
sản phẩm là biến ngẫu nhiên phân phối chuẩn.
Kiểm định tính độc lập
▪ Hai dấu hiệu định tính A và B và bảng tiếp liên
• A gồm h phạm trù: 𝐴1, 𝐴2, … , 𝐴ℎ
• B gồm k phạm trù: 𝐵1, 𝐵2, … , 𝐵𝑘
Kiểm định tính độc lập
▪ Kiểm định cặp giả thuyết
• 𝐻0: A và B độc lập
• 𝐻1: A và B không độc lập
 h k n 2

▪ Tiêu chuẩn χ = n  
2 ij
− 1
 i =1 j =1 ni m j 
 
2((ℎ−1)×(𝑘−1))
▪ Miền bác bỏ: 𝑊𝛼 = 2 : 2 > 𝛼
Ví dụ
▪ Ví dụ 9.7. Với mức ý nghĩa 5%, kiểm định tính độc lập
giới tính và loại tốt nghiệp của các cử nhân
Loại
Trung
TN Khá Giỏi ∑
bình
Giới
Nữ 90 150 40
Nam 100 100 20
∑

Slide XSTK ForWeb 190828 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Slide XSTK ForWeb 190828 PDF

Uploaded by

Copyright:

Available Formats

ĐẠI HỌC KINH TẾ QUỐC DÂN

KHOA TOÁN KINH TẾ

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 2

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 3

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 4

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 5

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 6

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 7

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 8

Thông tin Thông tin

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 9

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 10

▪ Tổng thể (Population): tất cả các phần tử cần quan

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 11

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 12

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 13

Định tính Định lượng

Định danh Thứ bậc Rời rạc Liên tục

Mã hóa bởi con số Sử dụng để xếp hạng

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 14

Hoàn Rất Không Không Đồng ý Rất Hoàn

▪ [1] Chương 6, trang 312 – 323.

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 16

No. Khu vực Số Thu nhập So với toàn

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 17

Khu vực Thành thị Nông thôn

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 18

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 19

TB thấp 78 19% 104

Tổng 420 100% 50

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 20

Quy mô hộ gia đình

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 21

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 22

Labor Output Labor Output Output – Labor relationship

Tương quan r=0

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 24

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 25

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 26

Tổng thể Mẫu

▪ Dùng cho biến định lượng

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 27

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 28

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 29

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 30

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 31

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 32

Tổng thể Mẫu

▪ Ví dụ: Tính hệ số biến thiên của hai số liệu trong ví dụ

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 35

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 36

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 37

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 38

Tổng thể Mẫu

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 39

[1] Chương 1, trang 5-77

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 41

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 42

[1] Chương 1, trang 7-22

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 43

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 45

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 46

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 47