ĐỀ CƯƠNG ÔN TẬP GIỮA KỲ XÁC SUẤT THỐNG KÊ

HỌC KỲ 4, 2020-2021
1. Xác suất
a) Xác suất biến cố bù (Complement Rule)
P( Ac )  1  P( A)
b) Công thức cộng (Addition Rule)
P ( A  B )  P ( A)  P ( B )  P ( A  B )
c) Xác suất có điều kiện (Conditional Probability)
P( A  B)
P( B | A) 
P( A)
d) Công thức nhân (Multiplication Rule)
P ( A  B )  P ( A) P ( B | A)
e) Tính độc lập (Independent Events)
A và B độc lập  P ( A  B )  P ( A) P ( B ) or P ( B | A)  P ( B )

2. Biến ngẫu nhiên

2.1 Hàm mật độ xác suất (probability mass(density) function)
 Biến ngẫu nhiên rời rạc:
f ( x)  P( X  xi ), xi  RX   x1 , x2 ,...
Tính chất:
(i) f ( xi )  0

(ii)  f (x )  1
i 1
i

 Biến ngẫu nhiên liên tục:

(i) f ( x )  0, x  

(ii) 

f ( x)dx  1
b
(iii) P ( a  X  b)   f ( x) dx, a, b  , a  b
a

2.2 Hàm phân phối tích lũy (Cumulative Distribution Function)

 Biến ngẫu nhiên rời rạc:
F :   [0,1]
F ( x )  P ( X  x)   f (xi )
xi  x

 Biến ngẫu nhiên liên tục:

F :   [0,1]
x
F ( x)  P( X  x)   f (u )du, x  


Tính chất:
  b
  f (k ) (discrete random variable)
 k  a 1
(i) P(a  X  b)  F (b)  F (a )   b
 f ( x)dx (continuous random variable)
 a
(ii) f ( x )  F '( x ) (X- liên tục)
(iii) lim F ( x )  0, lim F ( x )  1
x  x 

a) Kỳ vọng (Expected Values)

  xi P( X  xi )   xi f ( xi ) if X is discrete
 xi RX xi RX
  E( X )   
  xf ( x)dx if X is continuous
 

  g ( xi )P ( X  xi )   g ( xi ) f ( xi ) if X is discrete
 xi RX xi RX
g ( X )  E[ g ( X )]   
  g ( x) f ( x)dx if X is continuous
 

b) Phương sai (Variance)

  ( xi   ) 2 f ( xi ) if X is discrete
 xi RX
 2  V ( X )  E[( X   ) 2 ]   
  ( x   ) 2 f ( x )dx if X is continuous
 
V ( X )  E( X 2 )   2
c) Độ lệch chuẩn (Standard deviation)
  V (X )
3. Phân phối xác suất
a) Phân phối nhị thức (Binomial Distribution): X  B (n, p )
n
f (k )  P( X  k )    p k (1  p)n  k , k  0,1, 2,...
k 
  E ( X )  np,  2  np(1  p)

b) Phân phối Poisson (Poisson Distribution): X  P ( )

k
f (k )  P ( X  k )  e   , k  0,1, 2,...
k!
  E ( X )   , 2  V ( X )  
Tính chất:
n x  
x
nx
lim   p (1  p )  e
x
p  0, np    
n  x!
 B (n, p )  P ( ), n  
 Ứng dụng: Ta có thể sử dụng phân phối Poisson để tính xác suất thay vì phân
phối nhị thức khi n lớn.
Ví dụ: Giả sử có a % sản phẩm được sản xuất bởi một nhà máy là bị lổi. Tìm xác
suất P để có x sản phẩm bị lổi trong một mẫu gồm 120 sản phẩm.
Với n khá lớn n  120 ta có thể sử dụng phân phối Poisson để tính xác suất thay
vì dùng phân phối nhị thức B (120, 0.0a ) tính.
c) Phân phối đều (Uniform Distribution)

 1
 , x  [ a , b]
f ( x)   b  a
0, x  [a, b]
ab 2 (b  a) 2
  E( X )  ,  V ( X ) 
2 12