Professional Documents
Culture Documents
∞ '
1 ' p 1
¿p
( ) ( )
∑q
k=0
k
=p
1−q
= 2
( 1−q ) p
= ;
Từ tính chất của phương sai Var X=E X 2−( EX )2 ; Ta sẽ thu được
1− p
Var X= ;
p2
Đối với phân phối hình học ta sẽ có hàm sinh momen tương ứng là
p et
M X ( t )= t
; t ←ln ( 1− p ) ;
1−( 1− p ) e
Từ hàm sinh momen ta cũng có thể thu được kỳ vọng theo tính chất
1
EX=M 'X ( 0 )=
p
Và phương sai của nó có thể tính bởi
' 1− p
Var X=M 'X' ( 0 )−[ M 'X ( 0 ) ] = ;
p2
3) Phân phối nhị thức (Binomial Distribution)
Miền giá trị của biến ngẫu nhiên X 4 có phân phối nhị thức là { 0,1,2 , … , n } với các
xác suất tương ứng bằng
1
n!
pi=P ( X =i )=Cin pi (1− p )n−i= p i ( 1−p )n−i ; i=0,1,2 , … , n .
i ! ( n−i ) !
Nếu xét đến hàm sinh momen ta sẽ có
n n
n−i i n−i
M X ( t )=E ( e tX ) =∑ e t i C in p i ( 1− p ) =∑ Cin ( e t p ) ( 1− p )
i=1 i=1
n
¿ ( e t p+1− p ) ;
Từ đó sẽ suy ra: EX=M 'X ( 0 )=np ;
k 0 1 … k … n
C C nN −M
0
C C n−1
1
C C n−2
2
C C 0N −M
n
P ( X=k ) M M
N −M
… M N −M
… M
CnN n n
CN CN CnN
2
Trong bài tập này nều gọi X là số thiết bị tốt trong số 2 thiết bị người đó mua tại cửa
hàng, ta sẽ gặp phân phối siêu bội, với N=100 ; M =95 ; n=2 ; k =2; vậy áp dụng công
thức (7) ta sẽ có kết quả là
C 295 C 05 94.95
P ( X=2 )= = ≈ 0,9.
C 2100 99.100
Các xấp xỉ tương đương cho phân phối rời rạc một chiều
Từ các định lý giới hạn trong lý thuyết xác suất ta sẽ thu được các xấp xỉ tương đương lý
thú và có nhiều ứng dụng thực tế sau:
Xấp xỉ Poisson cho phân phối nhị thức
Với n đủ lớn và p đủ nhỏ, sao cho λ=np , ta sẽ có
i
i i n−i λ −λ
C n p ( 1− p ) ≈ e ; n=0,1 ,…
i!
Theo quy tắc chung, áp dụng xấp xỉ Piosson nếu
np< 10; và n>1500 p .
Xấp xỉ nhị thức cho phân phối siêu bội
1 m n−m
n
C M C N −M ≈C mn p m ( 1− p )n−m
CN
Theo quy tắc chung, xấp xỉ nhị thức cho phân phối siêu bội có thể áp dụng nếu
3
M n
0,1< <0,9 ; n>10 ; < 0,05.
N N
5) Phân phối đều (Uniform Distribution - thường ký hiệu là U[a, b]; (a<b))
Biến ngẫu nhiên ξ được gọi là có phân phối đều trên đoạn [a,b] nếu nó có hàm mật độ:
0 ; nếu x< a ,
{
0 khi x ∉[c , d ]
f ( x )= 1
b−a
khi x ∈[c , d ]
⇔ F ( x )=
{
x−c
d−c
; nếu x ∈ [ a , b ] ,
1 ; nếu x ≥ b .
Hình 2.3 Hàm phân phối đều Hình 2.4 Hàm mật độ đều
2
a+b ( b−a )
Eξ= ;Var ξ=
2 12
b k+1−ak+1
E ξ k= ; k=1,2 , …
( b−a)( k +1)
4
Biến ngẫu nhiên ξđược gọi là có phân phối mũ (thường được ký hiệu là G(1 , λ)¿ ,
với λ> 0, nếu nó có hàm mật độ:
0 khi x <0 ,
f ( x )= { λ e− λ. x khi x ≥0.
λ λ
M ξ ( t )= ; Φ ( t )= ;
λ−t ξ λ−it
1 1
Eξ= ; Var ξ= 2
λ λ
n!
Eξn = ; n=1,2, …
λn
1
Trung vị bằng: ln 2.
λ
Biến ngẫu nhiên ξ có phân phối chuẩn với các tham số( μ , σ 2 ) ¿ N ( μ , σ 2 )¿ , nếu nó có
hàm mật độ là
1 −1
f ( x )=
σ √2 π
exp
2σ 2 { }
( x−μ )2 −∞< x <∞.
1 1
( ) (
M ξ ( t )=exp μt + σ 2 t 2 ; Φξ ( t )=exp μt − σ 2 t 2
2 2 )
Eξ=μ ;Var ξ=σ 2 ;
Eξn =μ Eξ n−1+ ( n−1 ) σ 2 Eξn−1 ;
μ2 k+1 =E ( ξ−μ )2 k+1=0 ; ∀ k ∈ N
μ2 k =E ( ξ −μ )2 k =1.3 .5 … (2 k −1 ) σ 2 k ; ∀ k ∈ N ; k ≥ 2.
Trung vị với mod đều trùng với μ.
Các quy tắc kσ :
5
0,6827 với k=1
{
P {|ξ−μ|≤ kσ }= 0,9545 với k=2
0,9973 với k =3
Ta ký hiệu hàm phân phối của biến chuẩn tắc N ( 0,1 ) bởi :
x
1 2
ϕ ( x )= ∫ e−t / 2 dt ,
2 π −∞
2 2 2 π −∞
x
1 −t /2
2
Để tính giá trị của ϕ ( x ) với x nhỏ, ta có thể dùng công thức:
1 1 x3 x5 x 2 n+1
ϕ ( x )= +
2 √2 π
x− +
2.3 2 ! .22 .5 (
+…+ ( −1 )
n
n ! ( 2n+ 1 ) 2n
+… .
)
Tính chất tự dẫn xuất
m
Tổng η=∑ ξ i các biến ngẫu nhiên độc lập ξ i (i=1,2 , … , m) có phân phối chuẩn
i=1
khi và chỉ khi tất cả cácbiến ngẫu nhiên ξ i đều có phân phối chuẩn N ( μ , σ ), trong
m m
2 2
đó: μ=∑ μ i và σ =∑ σ i .
i=1 i=1
Nếu các biến ngẫu nhiên độc lập ξ i (i=1,2 , … , m) có phân phối chuẩn N ( μi , σ 2i )
m
(không nhất thiết phải độc lập với nhau) thì biến ngẫu nhiên ϕ=∑ α i ξi sẽ có
i=1
m
Eθ=∑ α i μi
i=1
m m m ❑
Var θ=∑ ∑ α i α j σ i σ j ρij =∑ α 2k σ 2k +2 ∑ αi α j k ij
i=1 j=1 k=1 i . j=1
6
trong đó:
ξi−μ i ξ j−μ j
ρij =E ( σi )( σj )
; k ij =E ( ξ i−μi ) ( ξ j −μ j ) =cov ξ i ξ j .
0 khi x ≤0
f ( x )=
{ α
1
β Γ(α)
x α −1 . e
−x
β
khi x >0
∞
α −1 − x
trong đó Γ ( α )=∫ x e dx ; α >0 , (Γ ( α )là hàm Gamma).
0
m
G ( α , β i ) khi đó, tổng θ=∑ ξ j , cũng sẽ có phân phối gamma G ( α , β ) trong đó
j=1
m
β=∑ β j.
j=1
7
Hình 2…. : Hàm mật độ của phân phối gamma với tham số dương.
0 ; khi x< 0.
Hình 2.13 : Hàm mật độ phân phối Erlang theo các tham số n ∈ N , β >0
8
10) Phân phối Weibull (Weibull Distribution)
Biến ngẫu nhiên ξđược gọi là có phân phối Vâybul với các tham số dương α , β nếu
nó có hàm mật độ:
0 khi x ≤ 0
{
f ( x )= α α −1
βα
x exp −
β
x α
{ ( )}khi x >0
Eξ=β . Γ 1+ ( α1 )
2
22
{(
Var ξ=β Γ 1+ − Γ 1+
α
1
α ) [ ( )] }
Khi α =2 ta có phân phối Rayleigh.
1
Khi α =1 ta có phân phối mũ với λ= .
β
Không tồn tại hàm sinh momen và cũng không tồn tại hàm đặc trưng.
Một số phân phối xác suất liên tục quan trọng trong sử lý dữ liệu thống kê
0 ; k h i x ≤0 ,
f ( x )=
{ n
2
2 Γ
n
2
1
()
n
x2 e
−1
−x
2
; k h i x >0.
u
N (0,1), khi đó, ξ=∑ ξ2i sẽ có phân phối “Chi bình phương” với n bậc tự do χ 2 (n).
i =1
Hình 2.17: Hàm mật độ phân phối chi bình phương với n ∈ N .
12) Phân phối Student hay còn gọi là phân phối t (T- Phân phối - Student
Distribution)
Biến ngẫu nhiên ξđược gọi là có phân phối Student với n bậc tự do - T (n) nếu nó có
hàm mật độ:
n+1
(
Γ
2 ) x 2 −(n+ 1)
f ( x )=
n
√ nπ Γ ( )
( 1+ )
n
2
−∞< x <∞
2
Các số đặc trưng
10
n
Eξ=0 ; Var ξ= n−2
khi n>2
∞ khi n ≤2 {
E ξ 2 k−1=0
1
Eξ2 k = . nk Γ ( n2 −k ) Γ ( k + 12 ); 2 k < n
√n Γ ( n2 )
Nếu ξ 1 và ξ 2 là các biến ngẫu nhiên độc lập; ξ 1 có phân phối chuẩn N (0,1), còn ξ 2
n
có phân phối χ 2 (n), khi đó: ξ=ξ1
√ ξ2
sẽ có phân phối Student với n bậc tự do.
( n +n2 ) . n .n . x( n1
{
n1 n2
Γ 1 2
2 2 2
−1 )
1 2
; nếu x ≥0 ,
f ( x )= n n (n1 +n2)
Γ ( ) Γ ( ) ( n +n x )
1 2 2
2 1
2 2
0 ; nếu x <0 ,
ta ký hiệu nó bởi F ( n1 , n2 ) .
11
Các số đặc trưng
n2
+ Nếu n2 >2 : Eξ=
n 2−2
n n
k
+ Nếu n2 >2 k : Eξ =
Γ ( )(
2
+ k Γ 2 −k n k2
2 )
n n
( )( )
Γ 1 Γ 2 nk1
2 2
n2 ( n1−2 )
+ Nếu n1 >2 : Mod ξ= ;
n1 ( n2 +2 )
Nếu η1 và η2 là các biến ngẫu nhiên độc lập có phân phối χ 2 với các bậc tự
do tương ứng là n1 và n2 , khi đó đại lượng:
η1 . n 2
ξ=
η2 . n 1
12
13