BÀI 3 MỘT SỐ BIẾN NGẪU NHIÊN THÔNG DỤNG (Một chiều)

3.1 Một số biến ngẫu nhiên một chiều rời rạc

1) Phân phối Bernoulli (Bernoulli Distribution)

Miền giá trị của biến ngẫu nhiên có phân phối Bernoulli là { 0,1 } với các xác suất
tương ứng bằng
p0=P ( X =0 ) =1− p ; p 1=P ( X=1 )= p .
Suy ra: EX= p ; Var X= p ( 1− p ) . (Các giá trị này được tính theo định nghĩa).
2) Phân phối hình học (Geometric Distribution)
Miền giá trị của biến ngẫu nhiênX có phân phối hình học là { 1,2 , … } (vô hạn đếm
được các giá trị) với các xác suất tương ứng bằng
pk =P ( X =k )=p (1−p )k−1= p q k−1 ; q=1− p
Hàm sinh xác suất tương ứng với biến hình học sẽ là
∞ ∞ ∞
k−1
EX=∑ k P ( X =k )=∑ k p q =p ∑ k q k−1
k=0 k=0 k=0

∞ '
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 ;

E ( X 2) =M 'X' ( 0 )=n ( n−1 ) p 2+ np .

Var X=E X 2−( EX )2=np ( 1− p ) .
4) Phân phối siêu bội (Hypergeometric Distribution)
Định nghĩa: Đại lượng ngẫu nhiên rời rạc X nhận các giá trị: k = 0,1,2,…,n với xác
suất tương ứng:
C kM Cn−k
N− M
P ( X=k )= n (7)
CN
được gọi là có phối siêu bội với các tham số nguyên, dương: N ; M ; n ; M < N ; n< N. Ta
ký hiệu phối siêu bội bởi H ( N , M , n )

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

Kỳ vọng của phân phối siêu bội:

M M
EX=n =np ; với p= ;
N N
Phương sai của phân phối siêu bội:
M N −M N −n N −n
Var X=n
N N −1 N−1 ( )(
=np ( 1− p ) )
N −1
. ( )

Bài tập áp dụng 1.

Trong cửa hàng có bán 100 thiết bị điện cùng chủng loại, trong đó có 5 thiết bị hỏng. Một
người khách chọn ngẫu nhiên 2 thiết bị. Tìm xác suất để người đó mua ngẫu nhiên được
2 thiết bị đều tốt.

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

Bài tập áp dụng 2.

Một nhà máy sản xuất khẩu trang phòng dịch ta thấy trong 5000 cái có 1000 cái có lỗi.
Tính xác suất trong 10 khẩu trang mua ngẫu nhiên từ nhà máy đó cỏ 3 cái bị lỗi.
Trong bài tập này ta có:
1000
N=5000 ; M =1000 ; n=10 ; k=3; p= =0,2;
5000
n 10
Trong bài tập này vì = =0.002 (đủ nhỏ); ta có thể xấp xỉ phân phối siêu bội bằng
N 5000
phân phối nhị thức theo công thức (11), ta sẽ có kết quả là
P ( X=3 ) ≈ C 310 0,23 . 0,87=0,2013.

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

 Xấp xỉ Poisson cho phân phối siêu bội

M
Nếu n là số đủ lớn và p= là số đủ nhỏ, khi đó ta có
N
1 m n−m λm − λ M
n
C M C N −M ≈ e ; với λ=n . ;
CN m! N
Theo quy tắc chung, xấp xỉ Poisson có thể áp dụng nếu
M n
≤0,1 ; n>30 ; ≤ 0,05.
N N

2.1 Một số biến ngẫu nhiên một chiều liên tục

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

 Các số đặc trưng

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)

6) Phân phối mũ (Exponenntial Distribution)

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.

Các hàm và số đặc trưng

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

7) Phân phối chuẩn (Normal Distribution - Phân phối Gauss )

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 <∞.

Các hàm và số đặc trưng

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 −∞

và hàm ϕ ( x ) thường được xét dưới dạng

x
1 1
ϕ ( x )= + ϕ0 ( x ) = +¿ 1 ∫ e−t /2 dt ,
2

2 2 2 π −∞
x
1 −t /2
2

trong đó ϕ 0 ( x )= ∫ e dt được gọi là hàm Laplace.

2π 0

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

phân phối chuẩn với kì vọng và phương sai bằng: 

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 .

8) Phân phối Gamma ( Gamma Distribution )

Biến ngẫu nhiên ξ có phân phối gamma với các tham số ( a , β ) , nếu nó có hàm mật độ:

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

 Các hàm và số đặc trưng

M ξ ( t )=( 1−βt )−α ; Φξ (t )= (1−iβt )−α

Eξ=αβ ; Var ξ=α β 2 ;

 Các trường hợp đặc biệt
1
+ Khi α =1 ; β= > 0 , ta có phân phối mũ với tham số λ.
λ
+ Khi α =n ; β >0 , ta có phân phối Erlang với 2 tham số n và β .
 Tính chất tự dẫn xuất
Cho ξ i (i=1,2 , … , m) là các đại lượng ngẫu nhiên độc lập có phân phối Gamma

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.

9) Phân phối Erlang (Erlang Distribution)

Biến ngẫu nhiên ξcó phân phối Erlang với các tham số n ∈ N , β >0nếu nó có hàm
mật độ:
−x
1
( )
{
f x = β n!
n
x n−1 e β ; khi x ≥ 0 ,

0 ; khi x< 0.

Các hàm và số đặc trưng

 M ξ ( t )=( 1−βt )−n ; Φξ ( t ) =( 1−βit )−n
 Eξ=nβ ; Var ξ=n β 2

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

Hình 2….: Hàm mật độ phân phối Weibull với β=1.

Các số đặc trưng

 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

11) Phân phối Chi bình phương, χ 2(Chi square- Distribution)

Biến ngẫu nhiên ξđược gọi là có phân phối χ 2 ( n ) chi bình phương với n bậc tự do
9
 nếu nó có hàm mật độ:

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.

Các số đặc trưng:

E ξ k =n ( n+ 2 ) … [n+2 ( k−1 ) ]
Var ξ=2 n.
Cho ξ 1 ,ξ 2 , … , ξn là các biến ngẫu nhiên độc lập và cùng phân phối chuẩn tiêu chuẩn

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.

Hình 2.18 : Hàm mật độ phân phối Student t ( n ), với n ∈ N .

13) Phân phối F (F- Phân phối - Fisher - Snedecor Distribution)
Biến ngẫu nhiên ξđược gọi là có phân phối F với các bậc tự do ( n 1 , n2 ) nếu nó có

hàm mật độ:

( 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

2 n22 (n1 +n2 −2)

+ Nếu n2 > 4: Var ξ= 2
n1 ( n2−2 ) (n 2−4 )

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

sẽ có phân phối Fisher – Snedecor F (n1 , n2) với các bậc tự do là ( n 1 , n2 ) .

Hình 2.19 : Hàm mật độ phân phối F ( n1 , n2 ), với n2 =30.

12
13