6/8/2020

I. GIỚI THIỆU
Lý thuyết xác suất: là quá trình suy luận (diễn dịch) theo
dạng: “Cho trước một không gian xác suất, chúng ta có
Chương 1 thể suy luận gì về các đặc điểm của các kết quả của một
phép thử?”
PHÂN PHỐI MẪU Thống kê toán/ Thống kê suy diễn: là quá trình suy luận
thống kê (quy nạp) theo dạng: “Cho trước các đặc điểm
liên quan đến các kết quả của một phép thử, chúng ta có
thể suy luận gì về không gian xác suất?”
Một thống kê: là một hàm các biến ngẫu nhiên được
quan sát trong một mẫu và các hằng số đã biết.
Ví dụ: Với mẫu NN (X1,…,Xn). Ta có các thống kê sau:
𝑋= ∑ , 𝑆2 = ∑ 𝑋𝑖 − 𝑋 2 , …
1 2

II. TỔNG THỂ VÀ MẪU II. TỔNG THỂ VÀ MẪU

1. Tổng thể: 1. Tổng thể:
 Tổng thể: là tập hợp các phần tử đồng nhất mang thông tin về dấu  Đối với tổng thể, ta sử dụng một số khái niệm sau:
hiệu X* (định tính hay định lượng) cần nghiên cứu.  Tần số của xi (Ni): là số phần tử nhận giá trị xi.
Ví Dụ: Nghiên cứu về năng suất lúa ở đồng bằng sông Cửu Long.  Tần suất của xi (pi): là tỷ số giữa tần số của xi và kích thước tổng
 Dấu hiệu/ Đặc tính X* cần nghiên cứu: năng suất lúa. thể (pi = Ni/N) – Tỉ lệ tổng thể.
Thông tin cần thu thập: số tấn/ha.
Các phần tử mang thông tin: các thửa ruộng trồng lúa. Ta luôn có:
 Tổng thể: tập hợp tất cả các thửa ruộng ở đồng bằng sông Cửu
Long.  Phân phối của tổng thể (= luật phân phối xác suất của biến ngẫu
nhiên X rời rạc):
 Đối với tổng thể, ta sử dụng một số khái niệm sau:
Giá trị của X* (X) x1 x2 … ... … Xk
 Kích thước/lực lượng tổng thể (N): là số phần tử của tổng thể.
Tỉ lệ tổng thể (pi) p1 p2 … … … pk
 Giá trị của tổng thể (xi): là các giá trị của X* đo được
trên các phần tử của tổng thể.  Trung bình tổng thể ():

3 4

1

II. TỔNG THỂ VÀ MẪU
1. Tổng thể:
 Đối với tổng thể, ta sử dụng một số khái niệm sau:
 Phương sai tổng thể (2):
 Độ lệch chuẩn của tổng thể ():
 Tỷ lệ/ tần suất tổng thể (p): p = M/N
Trong đó M là số phần tử có tính chất A.
 p cũng chính là xác suất lấy được phần tử có tính chất A khi
chọn ngẫu nhiên 1 phần tử từ tổng thể.
 Quá trình ngẫu nhiên: là một tập các biến NN được đánh chỉ số:
{Xt, tT}. Ví dụ số sản phẩm do một nhà máy làm ra mỗi ngày.
5 6
II. TỔNG THỂ VÀ MẪU
2. Mẫu:
 Các cách chọn mẫu (X1,X2,…,Xn):
 Chọn mẫu có hoàn lại: Các biến NN Xi độc lập và có cùng quy luật
phân phối xác suất (iid = Independent & identically distributed).
 Chọn mẫu không hoàn lại: Các biến NN Xi không iid.
Ví dụ: Quan sát một khu nhà có 100 hộ gia đình và ghi nhận số em bé
trong mỗi hộ, ta được bảng số liệu sau (phân phối tổng thể):
Số em bé trong mỗi hộ 0 1 2  Trường hợp tổng thể X định tính: X ~ B(p), với p = P(A) = M/N.
Số hộ 20 30 50
Ta chọn có hoàn lại một mẫu gồm 5 hộ gia đình. Gọi Xi là số em bé
trong hộ thứ i (i = 1, 2,…, 5).
• Tiến hành lấy số liệu, ta được 1 mẫu cụ thể: (1, 0, 0, 1, 2).
• Chọn lại mẫu khác gồm 5 hộ gia đình, ta được 1 mẫu cụ
thể khác: (0, 2, 0, 1, 1).
7 8
6/8/2020
II. TỔNG THỂ VÀ MẪU
2. Mẫu:
 Từ tổng thể hoặc từ một quá trình ngẫu nhiên, chọn ra n phần tử,
khi đó ta được một mẫu có kích thước n.
 Mẫu cũng có các khái niệm tương tự như tổng thể: kích thước
mẫu, các giá trị của mẫu, tần số (ni), tần suất (tỉ lệ mẫu), trung bình
mẫu, phương sai mẫu,….
 Mẫu ngẫu nhiên: (X1,X2,…,Xn)
Mẫu ngẫu nhiên là một bộ gồm n biến NN (X1,X2,…,Xn) có phân
phối xác suất tương tự phân phối của tổng thể X.
 Mẫu cụ thể: (x1,x2,…,xn)
Mẫu cụ thể là một bộ gồm n kết quả (số) (x1,x2,…,xn) thu được sau
khi phép thử đã được thực hiện. Có thể xem mẫu cụ thể
(x1,x2,…,xn) là một trong những giá trị có thể có của mẫu ngẫu
nhiên (X1,X2,…,Xn).
II. TỔNG THỂ VÀ MẪU
3. Quan hệ giữa các đặc trưng của tổng thể và mẫu:
 Trường hợp tổng thể X định lượng:
Cho (X1,X2,…,Xn) là mẫu NN rút từ tổng thể X có E(X) = , Var(X) = 2.
 Trung bình mẫu 𝑋 = ∑ 𝑋𝑖 có: E(𝑋) = , Var(𝑋) = 2/n.
 Phương sai mẫu S2 = ∑ (𝑋𝑖 − 𝑋)2 có: E(S2) = 2.
Cho (X1,X2,…,Xn) là mẫu NN rút từ tổng thể X có E(X) = p, Var(X) = pq.
 Trung bình mẫu 𝑋 = = ∑ 𝑋𝑖 có: E(𝑋) = p, Var(𝑋) = pq/n.
Trong đó: q = 1 – p = P(𝐴̅) = (N – M)/N.
Xi là số phần tử có tính chất A xuất hiện ở quan sát thứ i, Xi ~ B(P),
i=1,2,…,n.
2

II. TỔNG THỂ VÀ MẪU
VÍ DỤ 1.1 Một con xúc xắc cân bằng được tung 3 lần. Đặt X1, X2, X3 lần
lượt là số chấm xuất hiện ở lần tung 1, 2, 3. Giả sử ta quan tâm đến
𝑋 = (𝑋1 + 𝑋2 + 𝑋3)/3 là số chấm trung bình xuất hiện trong mẫu có
cỡ n = 3. Hãy tìm trung bình  , phương sai  , của 𝑋. Ta có thể tìm
phân phối mẫu của 𝑋 như thế nào?
Giải: Ta biết rằng  = E(Xi) = 7/2; 2 = Var(Xi) = 35/12, i=1,2,3. Do X1,
X2, X3 là các biến NN độc lập nên E(𝑋) =  = 7/2; Var(𝑋) = 2/3 = 35/36
Để tìm phân phối của 𝑋, ta chú ý: W = X1 + X2 + X3 là biến NN có thể
nhận các giá trị 3, 4, …, 18 và 𝑋 = W/3. Do con xúc xắc là cân bằng nên
biến NN 3 chiều (X1, X2, X3) có 63 = 216 trường hợp sơ cấp và đồng khả
năng có thể xảy ra. Tức là: P(X1=x1,X2=x2,X3=x3) = p(x1,x2,x3) = 1/216,
xi = 1,2,…,6 (i=1,2,3).
Do đó: P(𝑋 = 1) = P(W = 3) = p(1,1,1) = 1/216
P(𝑋 = 4/3) = P(W = 4) = p(1,1,2) + p(1,2,1) + p(2,1,1) = 3/216
...
Các xác suất P(𝑋 = i/3), i=5,6,…,18 được tính tương tự.
9 10
III. PHÂN PHỐI MẪU LIÊN QUAN ĐẾN PHÂN PHỐI CHUẨN
Với  cho trước, người ta có thể xác định z, sao cho:
R command: pnorm(x0,,) = P(X  x0): XS tích lũy/ hàm phân phối XS.
qnorm(p,,) = p: Phân vị thứ p, có: P(X  p) = p.
Excel: NORM.DIST(x0,,) = P(X  x0): XS tích lũy/ hàm phân phối XS.
NORM.INV(p,,) = p: Phân vị thứ p, có: P(X  p) = p.
NORM.S.DIST(z) = 1 – 
NORM.S.INV(1 – ) = z
Scientific Calculator: Trong chế độ STAT\Distr, ta có:
P(x) = P(Z  x): XS tích lũy. Q(x) = (x) = P(0  Z  x): Hàm Laplace.
R(x) = P(Z > x): XS đuôi trên. R(x) = 1 – P(x)
Trong đó: Z ~ N(0,1)
11
6/8/2020
III. PHÂN PHỐI MẪU LIÊN QUAN ĐẾN PHÂN PHỐI CHUẨN
Định lý:
Cho mẫu NN (X1,X2,…,Xn) được rút từ tổng thể phân phối chuẩn
N(,2). Khi đó: 𝑋 = ∑ 𝑋𝑖 ~ 𝑁( = ,  = 2/n).
 
Z= = / ~ 𝑁(0,1)
 
VÍ DỤ 1.2 Một máy đóng chai có thể được điều chỉnh để đổ vào trung
bình  ounce mỗi chai. Biết rằng lượng chất làm đầy mỗi chai có phân
phối chuẩn với  = 1,0 ounce. Một mẫu gồm n = 9 chai được chọn
NN. Tìm XS để TB mẫu nằm trong vòng 0,3 ounce so với TB thực sự .
Giải: Ta có trọng lượng (ounce) của quan sát thứ i: Xi ~ N(,2 = 1),
i=1,…,9  𝑋 ~ 𝑁(,  = 2/n = 1/9)
III. PHÂN PHỐI MẪU LIÊN QUAN ĐẾN PHÂN PHỐI CHUẨN
VÍ DỤ 1.3: Với dữ liệu trong ví dụ 1.1, có bao nhiêu quan sát nên được
đưa vào mẫu để 𝑋 nằm trong vòng 0,3 ounce so với , với XS 0,95?
Giải:
Định lý:
Cho mẫu NN (X1,X2,…,Xn) được rút từ tổng thể phân phối chuẩn
N(,2). Khi đó: Zi = (Xi  )/ là các biến NN chuẩn tắc, độc lập với
nhau, i=1,…,n và:
12
3

III. PHÂN PHỐI MẪU LIÊN QUAN ĐẾN PHÂN PHỐI CHUẨN
Với  cho trước, người ta có thể xác định  (𝑑𝑓), sao cho:
R command: pchisq(x0,df) = P(X  x0): XS tích lũy/ hàm phân phối XS.
qchisq(p,df) = p: Phân vị thứ p, có: P(X  p) = p.
Excel: CHISQ.DIST.RT( ,df) = 
CHISQ.INV(1 – ,df) =  𝑑𝑓
VÍ DỤ 1.4: Cho Z1,Z2,…,Z6 là một mẫu rút từ tổng thể N(0,1), tìm b sao
cho: P(∑ 𝑍  𝑏) = 0,95.
Giải:
Vậy b = 12,592 là phân vị thứ 95 của X = ∑ 𝑍 a1, a2 sao cho: P(a1  X  a2) = 0,90.
13
III. PHÂN PHỐI MẪU LIÊN QUAN ĐẾN PHÂN PHỐI CHUẨN
Giải: (tiếp theo)
Một cách làm là tìm a2 cắt ra một miền 0,05 ở đuôi trên và a1 cắt 0,05
ở đuôi dưới (0,95 ở đuôi trên). Tra bảng 2 ta có: P(X > 16,919) = 0,05;
P(X > 3,325) = 0,95  P(a1 = 3,325  X  a2 = 16,919) = 0,90. Từ đó suy
ra: b1 = 3,325/9 = 0,369 và b2 = 16,919/9 = 1,880.
ĐỊNH NGHĨA
Cho Z ~ N(0,1), W ~ 2(df = k), Z và W độc lập. Khi đó: T = ~𝑇(𝑘)
/
Cho mẫu NN (X1,X2,…,Xn) được rút từ tổng thể phân phối chuẩn
 VÍ DỤ 1.6: Độ bền kéo của một loại dây điện có phân phối chuẩn với 
N(,2). Khi đó: Z = 𝑛  ~ 𝑁 0,1 và W = (n – 1)S2/2 ~ 2(n – 1)
15
6/8/2020
III. PHÂN PHỐI MẪU LIÊN QUAN ĐẾN PHÂN PHỐI CHUẨN
Định lý:
Cho mẫu NN (X1,X2,…,Xn) được rút từ tổng thể phân phối chuẩn
N(,2). Khi đó:
Ngoài ra, 𝑋 và S2 là các biến NN độc lập.
VÍ DỤ 1.5: Trong ví dụ lượng chất làm đầy mỗi chai có phân phối
chuẩn với 2 = 1,0 trên đây. Một mẫu NN gồm 10 chai được chọn. Tìm
b1, b2 sao cho: P(b1  S2  b2) = 0,90.
Giải: Chú ý rằng:
Vì 2 = 1,0 nên X = (n – 1)S2/2 = (n – 1)S2 ~ 2(df = n – 1 = 9). Ta tìm
14
III. PHÂN PHỐI MẪU LIÊN QUAN ĐẾN PHÂN PHỐI CHUẨN
Với  cho trước, người ta có thể xác định t(df), sao cho:
R command: pt(x0,df) = P(X  x0): XS tích lũy/ hàm phân phối XS.
qt(p,df) = p: Phân vị thứ p, có: P(X  p) = p.
Excel: T.DIST.RT(t,df) = 
T.INV(1 – ,df) = t(df)
và 2 không biết. Sáu đoạn dây được chọn NN từ một cuộn lớn; Xi là
độ bền kéo của đoạn thứ i, i=1,2,…,6. Trung bình tổng thể  và
phương sai 2 có thể ước lượng bởi 𝑋 và S2, tương ứng. Vì  = 2/n
nên  có thể ước lượng bởi S2/n. Tìm xác suất để 𝑋 nằm trong
khoảng 2S/ 𝑛 so với trung bình tổng thể đúng .
16
4

III. PHÂN PHỐI MẪU LIÊN QUAN ĐẾN PHÂN PHỐI CHUẨN
Giải: Ta có:
Chú ý rằng, nếu biết  thì:
ĐỊNH NGHĨA
/ F.INV(1 – ,df1,df2) = f(df1,df2)
Cho Wi ~ 2(ki), i=1,2, W1 và W2 độc lập. Khi đó: F = /
~ 𝐹(𝑘1, 𝑘2)
Cho mẫu 2 mẫu NN độc lập được rút từ 2 tổng thể phân phối chuẩn.
Khi đó: W1 = (n1 – 1)𝑆 / ~ 2(n1 – 1), W2 = (n2 – 1)𝑆 / ~ 2(n2 – 1)
và W1, W2 độc lập với nhau. Khi đó:
17
IV. ĐỊNH LÝ GIỚI HẠN TRUNG TÂM
Định lý (CLT = Central Limit Theorem):
Cho X1,X2,…,Xn là các biến NN độc lập và cùng phân phối xác suất nào
đó (iid) với E(Xi) = , Var(Xi) = 2 < . Định nghĩa:
Khi đó hàm phân phối của Un hội tụ về hàm phân phối chuẩn tắc khi
n   (thường n > 30 là thỏa mãn). Tức là:
Ta có thể phát biểu: 𝑋 có phân phối tiệm cận chuẩn với trung bình 
và phương sai 2/n. Tức là: 𝑋 ~ N(,2/n) khi n khá lớn.
19
6/8/2020
III. PHÂN PHỐI MẪU LIÊN QUAN ĐẾN PHÂN PHỐI CHUẨN
Với  cho trước, người ta có thể xác định f(k1,k2), sao cho:
R command: pf(x0,df1,df2) = P(X  x0): XS tích lũy/ hàm phân phối XS.
qf(p,df1,df2) = p: Phân vị thứ p, có: P(X  p) = p.
Excel: F.DIST.RT(f,df1,df2) = 
VÍ DỤ 1.7: Nếu chúng ta lấy các mẫu độc lập có kích thước n1 = 6 và n2
= 10 từ hai tổng thể phân phối chuẩn có các phương sai tổng thể bằng
nhau, hãy tìm b sao cho: P(𝑆 /𝑆  b) = 0,95.
Giải: Ta có n1 = 6, n2 = 10 và phương sai các tổng thể bằng nhau, nên
/
F= = 𝑆 /𝑆 ~ F(k1 = 5,k2 = 9) 
/
P(F = 𝑆 /𝑆  b) = 1 – P(F > b) = 0,95  P(F > b) = 0,05  b = 3,48.
18
IV. ĐỊNH LÝ GIỚI HẠN TRUNG TÂM
VÍ DỤ 1.8 Điểm thi tốt nghiệp của học sinh cả nước có trung bình là
60 và phương sai là 64. Một mẫu NN gồm n = 100 học sinh của một
trường trung học lớn có điểm trung bình là 58. Có thể cho rằng học
sinh trường này học kém hơn không? (Tính XS TB mẫu tối đa là 58).
Giải: Ta có: 𝑋 ~ N(,2/n), với 𝑋 là điểm số TB của mẫu NN cỡ n = 100
được rút từ tổng thể có  = 60, 2 = 64. Do đó:
Do XS này rất nhỏ, nên không chắc rằng mẫu từ trường quan tâm có
thể xem là mẫu NN rút từ tổng thể có  = 60, 2 = 64. Bằng chứng cho
thấy điểm trung bình của trường trung học này là thấp hơn mức điểm
trung bình chứng cả nước  = 60.
Ví dụ trên minh họa việc sử dụng XS trong quá trình kiểm định các giả
thuyết, một kỹ thuật suy luận thống kê phổ biến sẽ được nghiên cứu
kỹ trong các chương sau.
20
5

IV. ĐỊNH LÝ GIỚI HẠN TRUNG TÂM
VÍ DỤ 1.9: Thời gian phục vụ cho khách hàng đến quầy thanh toán
của một cửa hàng bán lẻ là các biến ngẫu nhiên độc lập có trung bình
1,5 phút và phương sai 1,0. Hãy tình xấp xỉ xác suất 100 khách hàng
có thể được phục vụ chưa đầy 2 giờ trong tổng thời gian phục vụ.
Giải: Gọi Xi là thời gian (phút) phục vụ cho khách hàng thứ i, ta tính:
Do n lớn nên theo định lý giới hạn trung tâm 𝑋 có phân phối xấp xỉ
chuẩn với trung bình  =  = 1,5 và phương sai  = 2/n = 1/100.
Từ đó:
Xác suất trên rất nhỏ cho nên hầu như không thể phục vụ được 100
khách hàng chỉ trong vòng 2 giờ.
21
V. XẤP XỈ CHUẨN CHO PHÂN PHỐI NHỊ THỨC
Theo kinh nghiệm, việc xấp xỉ chuẩn cho phân phối nhị thức sẽ thực
hiện được khi p  3 𝑝𝑞/𝑛  (0,1), tức là nếu 0 < p – 3 𝑝𝑞/𝑛 và p +
3 𝑝𝑞/𝑛 < 1, hay n > 9
{ , }
{ , }
VÍ DỤ 1.10: Ứng viên A tin rằng có thể giành chiến thắng trong cuộc
bầu cử thành phố nếu kiếm được ít nhất 55% số phiếu trong khu vực
1. A cũng tin rằng khoảng 50% cử tri thành phố ủng hộ mình. Nếu n =
100 cử tri xuất hiện để bỏ phiếu tại khu vực 1, xác suất mà A nhận
được ít nhất 55% số phiếu bầu của họ là bao nhiêu?
Giải: Gọi X là số cử tri tại khu vực 1 bỏ phiếu cho A. Nếu xem n = 100
cử tri ở khu vực 1 là một mẫu NN từ thành phố, khi đó X ~ B(n=100,
p=0,5). Theo CLT tỷ lệ cử tri ủng hộ A là: 𝑋 = X/n có phân phối xấp xỉ
chuẩn với TB p = 0,5 và phương sai pq/n = 0,52/100 = 0,052. Do đó:
23
6/8/2020
V. XẤP XỈ CHUẨN CHO PHÂN PHỐI NHỊ THỨC
Xét phân phối nhị thức X ~ B(n,p): Số thành công trong dãy n phép
thử độc lập, với XS thành công trong mỗi phép thử là p = P(A). Ta có
thể viết: X = ∑ 𝑋𝑖 . Trong đó: Xi = 1, nếu lần thử thứ i thành công; Xi
= 0, nếu ngược lại. Tức là: Xi ~ B(p), i=1,2,…,n và các Xi độc lập.
Dễ dàng thấy rằng E(Xi) = p, Var(Xi) = pq, i=1,2,…,n (với q = 1 – p). Do
đó khi n lớn, ta có tỷ lệ thành công trong mẫu: = ∑ 𝑋𝑖 = 𝑋 có
phân phối mẫu xấp xỉ chuẩn với trung bình E(Xi) = p và phương sai
Var(Xi)/n = pq/n.
Như vậy, nếu X ~ B(n,p) thì khi n lớn ta có tỷ lệ mẫu X/n có phân phối
xấp xỉ với U, trong đó U có phân phối chuẩn với U = p,  = pq/n.
Hoặc khi n lớn ta có X có phân phối xấp xỉ với W, trong đó W có phân
phối chuẩn với W = np,  = npq. Trong TH xấp xỉ chuẩn, ta có:
22
V. XẤP XỈ CHUẨN CHO PHÂN PHỐI NHỊ THỨC
VÍ DỤ 1.11: Cho X ~ B(n=25, p=0,4). Tìm XS chính xác mà X  8 và X = 8
và so sánh chúng với các giá trị tương ứng bằng cách xấp xỉ chuẩn.
Giải: Tính chính xác:
Ta xét cách tính xấp xỉ chuẩn: X có phân phối xấp xỉ với W, trong đó W
là phân phối chuẩn với W = np = 10,  = npq = 6. Ta có:
Ta thấy các xác suất này rất gần với các giá trị đúng đã tính ở trên.
24
6
 6/8/2020

VI. BÀI TẬP VI. BÀI TẬP

Bài 1. Cho (X1,…,Xn) là mẫu NN có kích thước n từ tổng thểN(,2).
a) Cho n = 25. Tính P   (𝑋 − 2,06σ/ 𝑛; 𝑋 + 2,06σ/ 𝑛) .
b) Cho n = 25; 𝑥̅ = 16,3; 𝑠2 = 0,01. Xác định khoảng tin cậy có xác
suất 0,9 cho .
Bài 2. Cho X và Y là 2 mẫu NN độc lập có kích thước tương ứng là nX
và nY, từ 2 tổng thể phân phối chuẩn.
a) CMR F = 𝑆 /  / 𝑆 /  có phân phối F với bậc tự do của tử số
là (nX – 1) và bậc tự do của mẫu số là (nY – 1).
b) Cho nX = 21, nY = 31.
Tính P  /  (0,49 𝑆 /𝑆 ;1,93 𝑆 /𝑆 ) .
c) Cho nX = 21; nY = 31; 𝑠 = 0,25; 𝑠 = 0,04. Xác định khoảng tin cậy
có xác suất 0,98 cho tỉ lệ phương sai  / .
Cho biết: 𝐹 𝑛1, 𝑛2 = 1/𝐹 𝑛2, 𝑛1
Bài 3. Cho (X1,…,Xn) là mẫu NN có kích thước n từ tổng thể N(,2).
a) CMR khoảng NN  / ;  / chứa giá trị  với xác suất 1-.
2
Trong đó:  thỏa mãn P(X >  ) = , với X ~ 2(n-1).
b) Cho 𝑛 = 20; 𝑠2 = 9. Xác định khoảng tin cậy có xác suất 0,95 cho
2.
Bài 4*. Pin “Failsafe” kết hợp pin chính và pin phụ có tuổi thọ hoạt
động (năm) là các biến NN độc lập tương ứng X1 ~ G(3,1); X2 ~ G(2,1).
a) Đặt Y1 = X1 + X2 là tổng tuổi thọ pin Failsafe, Y2 = X1/(X1 + X2) là tỉ lệ
tuổi thọ pin chính. Hãy rút ra phân phối đồng thời của (Y1,Y2).
b) Y1 và Y2 có phải là các biến NN độc lập?
c) Xác định mật độ biên và dạng phân phối XS của Y1 và Y2.
d) Tính E(Y2) và P[X2 > 0,5(X1 + X2)].
e) Tính E(Y1).

25 26

VI. BÀI TẬP VI. BÀI TẬP

Bài 5*. Giá bán (P: ĐV tính $) và lượng bán (Q: ĐV tính 1.000 pound) Bài 7. Tỷ lệ lực lượng lao động của một công ty lớn phải nghỉ bệnh ít
hàng ngày của thịt bò có mật độ đồng thời: nhất 1 ngày trong một tuần làm việc có PDF phân phối đều trong
f(p,q) = 2pe-pqI[0,5;1].I(0,)(q). khoảng [0; 0,1].
a) Rút ra mật độ xác suất cho doanh thu hàng ngày R = PQ. (Gợi ý: Đặt Tìm xác suất để tổng tất cả 8 quan sát mẫu (tuần làm việc) nằm trong
W = P là biến NN “phụ trợ” và dùng kỹ thuật đổi biến.) khoảng từ 0,25 đến 0,75.
b) Tính E(R) và P(R > 1.000). Bài 8. Một hãng tin muốn thăm dò ý kiến cử tri về ứng viên A. Hãng
Bài 6. Cho (X1,…,X26) và (Y1,…,Y31) là 2 mẫu NN độc lập từ 2 tổng thể lấy mẫu NN có hoàn lại n = 1.000 cử tri. Với cử tri i, gọi Yi = 1 nếu bỏ
phân phối chuẩn. phiếu cho A, và Yi = 0 nếu ngược lại. Biết Yi ~ B(p) và SD trung bình mẫu
𝑌 ước lượng cho p là tỉ lệ cử tri bỏ phiếu cho A. Cho ∑ 𝑦𝑖 = 593.
a) Tìm P 𝑋 − 𝐸 𝑋 /( ) ≤ 1,316 .
a) Giá trị kỳ vọng của 𝑌 là gì?
b) Tìm P 25𝑆 / > 37,652 . b) Độ lệch chuẩn của 𝑌 là gì?
c) Cho  = 4 hãy tìm P 𝑆 > 6,02432 . c) Phân phối xác suất của 𝑌 là gì?
d) Cho  =  hãy tìm P 𝑆 > 1,92𝑆 . d) Tìm P[𝑌  (p  0,03)].
e) Tìm c sao cho: P ≤ 𝑐 = 0,05 e) Xác định cỡ mẫu n sao cho P[𝑌  (p  0,01)] = 0,99.
f) Tìm khoảng tin cậy của p với hệ số tin cậy 95%.

27 28

7
 6/8/2020

VI. BÀI TẬP

Bài 9*. Một quá trình sản xuất có hàm mật độ:
𝑄 = 100𝑙0,25𝑘0,5𝑒𝑉, 𝑉 ~ 𝑁 0; 0,04 .
a) Hàm mật độ xác suất của W = eV là gì?
b) Hàm mật độ xác suất của Q là gì?
c) Xác định E(Q).
d) Xác định Med(Q).
e) Cho mức lao động là 16 và mức vốn là 4, tìm E(Q) và Med(Q).
f) Với lao động và vốn ở câu e), tìm (Q).
g) Với lao động và vốn ở câu e), tìm P(Q > 425.000).

29