Chương 1

VẼ ĐỒ THỊ TRÊN LATEX

Vẽ hình trên latex, đồ thị được mô tả bằng màu xanh (blue).

Ví dụ 1.1. 1. Một bit được truyền qua đường truyền kỹ thuật số kênh nhận được có thể bị
lỗi. Xác suất để một bit được truyền đi bị lỗi là 0,1. Giả sử rằng các lần truyền là độc lập
nhau. Gọi X là số bit bị lỗi trong bốn bit được truyền đi. Phân phối xác suất của X được
xác định bởi các giá trị có thể có cùng với xác suất tương ứng, biểu diễn ở Hình 1.1.

Hình 1.1: Phân phối xác suất của số bit bị lỗi trong Ví dụ 1.1

2. Nếu xác suất để mỗi bit được truyền đi bị lỗi là 0,12 thì kết quả như thế nào?

Ví dụ 1.2. 1. Gọi X là đường kính của lỗ được khoan trên một sản phẩm kim loại. Kích
thước tiêu chuẩn của đường kính được đặt ra là 12,5 mm. Các tác động ngẫu nhiên
trong quá trình khoan dẫn đến đường kính luôn lớn hơn quy định. Dữ liệu lịch sử cho
thấy phân phối của X có thể được mô hình hóa bằng hàm phân phối xác suất

0, x ≤ 12, 5,

FX ( x ) =
1 − e−20( x−12,5) , x > 12, 5.


Đồ thị FX ( x ) mô tả trong Hình 1.2.

1
Suy luận thống kê (2021.1) NGUYỄN THỊ THU THỦY − SAMI

Hình 1.2: Đồ thị hàm phân phối xác suất trong Ví dụ 1.2(1)

2. Mô tả kết quả nếu 

0, x ≤ 13, 5,

FX ( x ) =
1 − e−30( x−13,5) ,
 x > 13, 5.

Ví dụ 1.3. Vẽ đồ thị các hàm sau đây và cho nhận xét:

1.

0, x ≤ 0,




FX ( x ) = 3x2 − 2x3 , 0 < x ≤ 1,



1,
 x > 1.

2.
1 1
FX ( x ) = + arctan x, −∞ < x < +∞.
2 π
Ví dụ 1.4. 1. Gọi biến ngẫu nhiên liên tục X là cường độ dòng điện đo được trong một sợi
dây đồng mỏng tính bằng miliampe (mA). Giả sử X nhận giá trị trong đoạn [0; 20 mA]
và hàm mật độ xác suất của X là

0, x∈
/ [0; 20],

f X (x) =
0, 05,
 x ∈ [0; 20].

Xác suất để phép đo đo được cường độ dòng điện nhỏ hơn 10 miliampe là bao nhiêu?

Hình 1.3: Hàm mật độ xác suất và xác suất trong Ví dụ 1.4

2. Mô tả kết quả khi thay đoạn [0; 20] bằng [0; 30].

2
Suy luận thống kê (2021.1) NGUYỄN THỊ THU THỦY − SAMI

Ví dụ 1.5. 1. Trong Ví dụ 1.2(1), X là biến ngẫu nhiên chỉ đường kính của lỗ được khoan
trên sản phẩm kim loại. Hàm mật độ xác suất của biến ngẫu nhiên X là

0, x ≤ 12, 5,

f X (x) =
20e−20( x−12,5) , x > 12, 5


và
+∞
Z +∞
Z
P( X > 12, 6) = f X ( x )dx = 20e−20( x−12,5) dx = 0, 1353.
12,6 12,6

Hình 1.4: Hàm mật độ và xác suất trong Ví dụ 1.5

2. Mô tả kết quả tương tự cho Ví dụ 1.2(2).

Ví dụ 1.6. Biến ngẫu nhiên liên tục X có hàm mật độ xác suất là

1 −| x|
f X (x) = e − ∞ < x < +∞,
2
suy ra hàm phân phối là 
 1 ex ,

nếu x ≤ 0,
2
FX ( x ) =
1 − 21 e− x ,
 nếu x > 0.

Vẽ đồ thị các hàm f X ( x ) và FX ( x ).

Ví dụ 1.7. Cho X là biến ngẫu nhiên chỉ số lượng ô tô được sử dụng cho mục đích kinh doanh
chính thức trong mỗi ngày làm việc. Phân phối xác suất của công ty A, xem Hình 1.5(a), là

XA 1 2 3
P ( X A = xi ) 0,3 0,4 0,3

và của công ty B, xem Hình 1.5(b), là

XB 0 1 2 3 4
P( XB = y j ) 0,2 0,1 0,3 0,3 0,1

Chỉ ra rằng phương sai của phân phối xác suất của công ty B lớn hơn so với công ty A.

3
Suy luận thống kê (2021.1) NGUYỄN THỊ THU THỦY − SAMI

Hình 1.5: Phân phối rời rạc với kỳ vọng bằng nhau nhưng độ phân tán khác nhau

Ví dụ 1.8. 1. Chữ số đầu tiên của số sê-ri của bộ phận A của một sản phẩm là một trong
các chữ số từ 0 đến 9. Lấy ngẫu nhiên một bộ phận A từ lô hàng chứa nhiều sản phẩm
và gọi X là chữ số đầu tiên của số sê-ri của A. Khi đó, X có phân phối đều rời rạc, bảng
phân phối xác suất là

X 0 1 2 3 4 5 6 7 8 9
P ( X = xi ) 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1

Hàm khối lượng xác suất của X cho trong Hình 1.6.

2. Mở rộng cho bài toán X nhận các giá trị từ 1 đến 15 thì kết quả thế nào?

Hình 1.6: Hàm khối lượng xác suất của biến ngẫu nhiên có phân phối đều rời rạc

Ví dụ 1.9 (Phân phối nhị thức). Biến ngẫu nhiên rời rạc X được gọi là tuân theo luật phân
phối nhị thức (binomial distribution) với tham số n và p, ký hiệu là X ∼ B(n, p), nếu X nhận
các giá trị 0, 1, 2, . . . , n và

P( X = k ) = Cnk pk (1 − p)n−k (1.1)

1. Đồ thị của phân phối nhị thức với n = 20 và p = 0, 5 cho trong Hình 1.7.

2. Kết quả thế nào nếu n = 5, p = 0, 5 và n = 10, p = 0, 5, cho nhận xét.

4
Suy luận thống kê (2021.1) NGUYỄN THỊ THU THỦY − SAMI

Hình 1.7: Phân phối nhị thức với n = 20, p = 0, 5

Ví dụ 1.10 (Phân phối Poa–xông). Biến ngẫu nhiên rời rạc X được gọi là tuân theo luật phân
phối Poa–xông (Poisson distribution) với tham số λ > 0, ký hiệu là X ∼ P (λ), nếu X nhận
các giá trị 0, 1, 2, . . . và

e−λ λk
P( X = k) = , k = 0, 1, 2, . . . (1.2)
k!

với e = 2, 71828 . . .

1. Phân phối Poa–xông với λ = 5 cho trong Hình 1.8.

2. Kết quả thế nào nếu λ = 1, λ = 2, λ = 3.

Ví dụ 1.11 (Xấp xỉ phân phối nhị thức bằng phân phối Poa–xông). Cho X là biến ngẫu nhiên
có phân phối nhị thức B(n, p). Nếu n → ∞, p → 0 và np → λ (λ là một hằng số) thì

B(n, p) → P (λ) khi n → ∞.

Trong thực tế nếu n đủ lớn và λ = np đủ nhỏ (thỏa mãn np < 7) thì ta có thể xấp xỉ phân phối
nhị thức B(n, p) bằng phân phối Poa–xông P (λ) và

n−k (np)k −np

Pn (k ) = Cnk ( p)k (1 − p) ' e (1.3)
k!

Mô tả trên cùng một đồ thị việc xấp xỉ phân phối nhị thức bằng phân phối Poa–xông với
n = 20 và p = 0, 1.

Ví dụ 1.12 (Phân phối đều liên tục). Biến ngẫu nhiên X được gọi là tuân theo luật phân phối
đều liên tục (continuous uniform distribution) trên [ a, b] (a < b), ký hiệu là X ∼ U ([ a, b]), nếu

5
Suy luận thống kê (2021.1) NGUYỄN THỊ THU THỦY − SAMI

Hình 1.8: Phân phối Poa–xông với λ = 5

X có hàm mật độ

 1 ,

x ∈ [ a, b],
f X (x) = b − a (1.4)
0, x∈
/ [ a, b].


Khi đó, hàm phân phối xác suất có dạng


0,


 x ≤ a,
x − a
FX ( x ) = , a < x ≤ b, (1.5)
b − a


1, x > b.


Vẽ đồ thị hàm f X ( x ) và FX ( x ).

Ví dụ 1.13 (Phân phối mũ). Biến ngẫu nhiên X được gọi là tuân theo luật phân phối mũ
(exponential distribution) với tham số λ > 0, ký hiệu là X ∼ Exp(λ), nếu hàm mật độ xác
suất của nó có dạng

λe−λx ,

x≥0
f X (x) = (1.6)
 0,
 x<0

Khi đó, hàm phân phối xác suất là


1 − e−λx ,

x≥0
FX ( x ) = (1.7)
0,
 x<0

6
Suy luận thống kê (2021.1) NGUYỄN THỊ THU THỦY − SAMI

1. Đồ thị của phân phối mũ với λ = 0, 1; 0, 5; 2 được cho trong Hình 1.9.

2. Vẽ trên cùng một hình vẽ với λ = 3; 0, 3; 1, 0.

Hình 1.9: Đồ thị hàm mật độ của biến ngẫu nhiên phân phối mũ

Ví dụ 1.14 (Phân phối chuẩn). Biến ngẫu nhiên liên tục X được gọi là tuân theo luật phân
phối chuẩn (normal distribution) với tham số µ và σ2 , ký hiệu là X ∼ N (µ; σ2 ), nếu hàm mật
độ xác suất của X có dạng

( x − µ )2
1 −
f X (x) = √ e 2σ2 , x∈R (1.8)
σ 2π

ở đây e và π là các số lần lượt là 2, 71828 . . . và 3, 14159 . . . .

Đồ thị của hàm mật độ xác suất f X ( x ) của biến ngẫu nhiên tuân theo luật phân phối chuẩn,
được gọi là đường cong chuẩn, có dạng hình chuông (xem Hình 1.10), mô tả gần đúng nhiều
hiện tượng trong tự nhiên, công nghiệp và nghiên cứu.

Hình 1.11 mô tả hai đường cong chuẩn có cùng độ lệch chuẩn nhưng kỳ vọng khác nhau.
Hai đường cong giống hệt nhau về hình thức nhưng được tập trung tại các vị trí khác nhau
dọc theo trục hoành.

Hình 1.12 mô tả hai đường cong chuẩn có cùng kỳ vọng nhưng độ lệch chuẩn khác nhau.
Hình 1.13 mô tả cho trường hợp kỳ vọng và độ lệch chuẩn khác nhau.

7
Suy luận thống kê (2021.1) NGUYỄN THỊ THU THỦY − SAMI

Hình 1.10: Đường cong chuẩn

Hình 1.11: Đường cong chuẩn với µ1 < µ2 và σ1 = σ2

Hình 1.12: Đường cong chuẩn với µ1 = µ2 và σ1 < σ2

Hình 1.13: Đường cong chuẩn với µ1 < µ2 và σ1 < σ2

8
Suy luận thống kê (2021.1) NGUYỄN THỊ THU THỦY − SAMI

Ví dụ 1.15 (Phân phối chuẩn tắc). Phân phối chuẩn N (µ; σ2 ) với µ = 0 và σ = 1 được gọi là
phân phối chuẩn tắc N (0; 1). Hàm mật độ xác suất của biến ngẫu nhiên có phân phối chuẩn
tắc là
1 x2
ϕ( x ) = √ e− 2 , x∈R (1.9)
2π
Đây là hàm Gau–xơ.

Hình 1.14: Hàm mật độ của biến ngẫu nhiên có phân phối chuẩn tắc N (0; 1)

Một kết quả hữu ích liên quan đến phân phối chuẩn được tóm tắt dưới đây và trong Hình
1.15. Nếu X ∼ N (µ; σ2 ),

P(µ − σ < X < µ + σ) = 0, 6827,

P(µ − 2σ < X < µ + 2σ) = 0, 9545,
P(µ − 3σ < X < µ + 3σ) = 0, 9973.

Hình 1.15: Xác suất liên kết với phân phối chuẩn

Ví dụ 1.16 (Xấp xỉ phân phối nhị thức bằng phân phối chuẩn). Giả sử X là biến ngẫu nhiên
có phân phối nhị thức B(n; p). Nếu np > 5 và n(1 − p) > 5 thì X có phân phối xấp xỉ phân
phối chuẩn với tham số µ = np, σ2 = np(1 − p).
Phân phối chuẩn với kỳ vọng µ = np và phương sai σ2 = np(1 − p) không chỉ xấp xỉ khá
tốt cho phân phối nhị thức khi n khá lớn và xác suất p không quá gần 0 hoặc 1 mà còn cung
cấp một xấp xỉ khá tốt cho phân phối nhị thức ngay cả khi n nhỏ và p gần 1/2.

9
Suy luận thống kê (2021.1) NGUYỄN THỊ THU THỦY − SAMI

1. Hình 1.16 mô tả biểu đồ của phân phối nhị thức B(25; 0, 5) và đường cong chuẩn có kỳ
vọng µ = np = 12, 5 và phương sai σ2 = np(1 − p) = (2, 5)2 .

Hình 1.16: Phân phối nhị thức với n = 25 và p = 0, 5 xấp xỉ bởi phân phối chuẩn với µ = 12, 5
và σ = 2, 5

2. Kết quả thế nào nếu n = 25, p = 0, 1 hoặc n = 25, p = 0, 3?

Ví dụ 1.17 (Xấp xỉ phân phối Poa–xông bằng phân phối chuẩn). Nếu X là biến ngẫu nhiên
tuân theo luật phân phối Poa–xông với E( X ) = λ và V ( X ) = λ,

X−λ
U= √ (1.10)
λ

xấp xỉ phân phối chuẩn tắc. Xấp xỉ sẽ tốt khi λ > 5.

Vẽ hình minh họa trên cùng trục tọa độ khi λ = 7.

10