LỜI NÓI ðẦU

Trong khoa học thực nghiệm, các thí nghiệm ñóng vai trò rất quan trọng. Có những
thí nghiệm phải kéo dài hàng tháng, hàng năm, thậm chí hàng thiên niên kỉ. Có những thí
nghiệm lại ñòi hỏi thiết bị kĩ thuật máy móc ñồ sộ và các biện pháp ñảm bảo an toàn tuyệt
ñối. Thậm chí có những thí nghiệm phức tạp ñến nỗi các nhà khoa học chỉ dám mơ tưởng
ñến chứ không ñủ can ñảm thực hiện vì thời gian và cơ sở vật chất không cho phép.
ðể khắc phục người ta thường dùng một phương pháp tiến hành thí nghiệm khoa
học, có tên gọi là phương pháp mô phỏng ngẫu nhiên. Với phương pháp mô phỏng ngẫu
nhiên, những vấn ñề phức tạp nói trên có thể ñược giải quyết nhanh chóng.
Một trong những phương pháp mô phỏng ngẫu nhiên phổ biến nhất là phương pháp
mô phỏng Monte Carlo. Phương pháp mô phỏng Monte Carlo có tính hiệu quả cao trong
các phép tính gắn liền với các ñại lượng ngẫu nhiên (như tính ñộ tin cậy của máy, ñộ bền
của máy, sự hỏng một hệ thống) và tính các ñại lượng không ngẫu nhiên (như tính giá trị
của số π , tính các tích phân). Phương pháp mô phỏng Monte Carlo có thể dùng ñể giải các
phương trình ñại số, phương trình vi phân, phương trình tích phân, tính diện tích các hình
phẳng phức tạp, tính ñiểm rơi của các tên lửa, tính ñường bay của các vệ tinh,… Phương
pháp này còn dùng trong các bài toán giao thông vận tải, vật lí ñịa cầu, dự báo thời tiết, dự
báo ñộng ñất, bài toán lâm nghiệp, ñặc biệt nó rất hiệu quả trong nghiên cứu các hệ thống
phục vụ công cộng như ngân hàng, kho bãi hoặc mạng ñiện thoại,… ðặc biệt, từ khi xuất
hiện máy tính ñiện tử thì việc áp dụng phương pháp mô phỏng Monte Carlo trở nên rất
thuận lợi, hiệu quả và ñược sử dụng rất rộng rãi nhờ phép mô hình hoá trên máy tính ñiện
tử.
Số π ñóng vai trò rất quan trọng trong toán học và có nhiều ứng dụng trong thực
tiễn. Nhưng giá trị của con số này thật sự bí ẩn và yêu cầu về ñộ chính xác của số của số
π tăng theo thời gian. Chính vì vậy mà việc ước lượng số π luôn ñược nghiên cứu rộng rãi
bởi nhiều nhà toán học, nhằm mục ñích tìm ra một giá trị thật của số π .

1
 Số π không phải là ñại lượng ngẫu nhiên, nhưng việc tính xấp xỉ nó lại có liên quan
ñến các phương pháp thí nghiệm ngẫu nhiên.
Từ trước tới nay ñã xuất hiện nhiều thuật tóan tính xấp xỉ π bằng việc sử dụng
phương pháp mô phỏng Monte Carlo.
Mục ñích của bài giảng này là tìm hiểu phương pháp Monte Carlo và ứng dụng nó
ñể ước lượng giá trị của số π .
Bài giảng này gồm 4 chương, trong ñó Chương I nhắc lại một số kiến thức của lí
thuyết xác suất liên quan ñến phương pháp mô phỏng Monte Carlo. Nội dung chính của
Chương II là giới thiệu phương pháp mô phỏng Monte Carlo, tác dụng và cơ sở toán học
của nó. Chương III ñã ñưa ra một số minh họa cho phương pháp mô phỏng Monte Carlo.
Cuối cùng, chương IV giới thiệu các mô hình thống kê úng dụng, làm cơ sở cho việc xây
dựng các mô hình mô phỏng.
Bài giảng này sử dụng tư liệu từ các tài liệu tham khảo, Tiểu luận của sinh viên và
học viên cao học ngành Toán và CNTT các khóa 2005, 2006 và 2007, ñặc biệt nhiều phần
soạn thảo của bài giảng có sự ñóng góp của sinh viên Trần Thị Bích Hòa (Toán K27) và
giảng viên Bùi Quang Vũ (Khoa Tóan, Trường ðại học Khoa hoc Huế).

2
 CHƯƠNG I
MỘT SỐ KIẾN THỨC CƠ SỞ

1. Các dạng hội tụ

Giả sử dãy {η n , n ≥ 1} các ñại lượng ngẫu nhiên và ñại lượng ngẫu nhiên η cùng
xác ñịnh trên không gian xác suất (Ω, A, P ) . Hai dạng hội tụ của dãy các biến ngẫu nhiên
ñược sử dụng trong luận văn này là hội tụ theo xác suất và hội tụ hầu chắc chắn.

1.1 Hội tụ theo xác suất

Dãy {η n , n ≥ 1} các ñại lượng ngẫu nhiên hội tụ theo xác suất tới một ñại lượng ngẫu nhiên
η , kí hiệu η n 
→
P
η khi n → ∞ , nếu ∀ε > 0 :

{ }
lim P (ω : η n (ω ) − η (ω ) ≥ ε = 0
n →∞

1.2 Hội tụ hầu chắc chắn

Dãy η n hội tụ hầu chắc chắn tới ñại lượng ngẫu nhiên η , nếu:
{ }
P ω : lim η n (ω ) = η (ω ) = 1 .
n → +∞

Kí hiệu
η n →
hcc
η,

khi n → ∞ hay η n →

a,s
η (almost sure) khi n → ∞ .

2. Luật yếu các số lớn

Một trong những kết quả mạnh của Lý thuyết xác suất là các Luật yếu các số lớn.
ðặc biệt chúng cũng là cơ sở lý thuyết cho một số vấn ñề của Thống kê toán học. Trong
phương pháp mô phỏng Monte Carlo, Luật yếu số lớn Khinchin ñóng vai trò quan trọng.
2.1 Bất ñẳng thức Chebyshev
Giả sử η là ñại lượng ngẫu nhiên có kì vọng Eη và phương sai Dη hữu hạn, khi ñó
bất ñẳng thức

3
 Dη
P{ω : η (ω ) - Eη ≥ ε } ≤ , ∀ε > 0
ε2
ñược gọi là bất ñẳng thức Chebyshev.
Ý nghĩa: Nếu biết phương sai của η thì sẽ khẳng ñịnh ñược “ với xác suất bằng bao nhiêu
ñể η rơi vào lân cận ε của giá trị trung bình Eη ”. Như vậy, ñộ tập trung của η quanh
Eη ñược xác ñịnh.

2.2 Luật yếu các số lớn Chebyshev

Giả sử {η n , n ≥ 1} là một dãy các ñại lượng ngẫu nhiên ñộc lập, có phương sai hữu hạn
bởi cùng một hằng số, D(ηn ) = σ n2 ≤ C < +∞, ∀n ≥ 1.
Khi ñó, ∀ε > 0,
1 n 1 n 
lim P  ∑η k − ∑ E (η k ) ≥ ε  = 0.
n →∞
 n k =1 n k =1 

Ý nghĩa: Khi số các thành phần của tổng ñủ lớn thì có thể coi trung bình cộng các biến
ngẫu nhiên ñộc lập chỉ sai khác trung bình cộng các giá trị kì vọng của chúng một ñại
lương rất bé.
2.3 Luật yếu số lớn Khintchine
Giả sử {η n , n ≥ 1} là một dãy các ñại lượng ngẫu nhiên ñộc lập, cùng phân phối với kì
vọng E (η n ) = µ , ∀n ≥ 1.
Khi ñó
1 n
∑η k →
n k =1
p
µ,

hay
1 n 
lim P  ∑η k − E (η k ) > ε  = 0, ∀ε > 0 .
n →∞
 n k =1 

4
 Như vậy, mặc dầu từng ñại lượng ngẫu nhiên η k có thể nhận các giá trị khác nhiều
so với kì vọng Eη k, song trung bình cộng của một số rất lớn các ñại lượng ngẫu nhiên η k
lại nhận giá trị rất gần với kì vọng.
Luật số lớn Khintchine có thể ñược coi là một hệ quả của luật số lớn Chebyshev.
Một trường hợp riêng của luật yếu số lớn Chebyshev là ñịnh lí Bernoulli.
Xét một phép thử ngẫu nhiên và A là một biến cố xuất hiện trong phép thử ñó với xác suất
p. Tiến hành phép thử N lần ñộc lập và gọi m là số lần xảy ra biến cố A trong N phép thử
m
ñó. Tỉ số f n = ñược gọi là tần suất xuất hiện A trong N phép thử.
N
ðịnh lý (Bernoulli): Tần suất fn hôi tụ về p = P( A) theo xác suất khi n → ∞ ,
tức là ∀ε > 0,
lim P( f n − p ≥ ε ) = 0 .
n →∞

3. Luật mạnh số lớn Borel

Giả sử η 1, η 2 ,…, η n,… là một dãy các ñại lượng ngẫu nhiên ñộc lập, cùng phân
phối với kì vọng η1 = µ .
Khi ñó
1 n
∑
n k =1
η k →
hcc
µ, khi n → ∞ .

4. Hàm ñặc trưng.

Hàm ñặc trưng là một công cụ giải tích rất quan trọng ñể nghiên cứu các ñịnh lí giới
hạn của Lý thuyết xác suất.
4.1 ðịnh nghĩa.
Hàm ñặc trưng của một ñại lượng ngẫu nhiên η ñược gọi là một hàm giá trị phức
+∞
ϕη (t ) = E (e ) = ∫ e itx dFη ( x) ,
itη

−∞

5
ở ñây, t ∈ (−∞,+∞), i 2 = −1.
Nếu η là một ñại lượng ngẫu nhiên rời rạc thì:
ϕη (t ) = ∑ e itxk p k ,
k

ở ñây p k = P{x k = η }.
Nếu hàm phân phối Fη (x) có mật ñộ p ( x) thì hàm ñặc trưng của η có dạng:
+∞
ϕη (t ) = ∫ e itx p ( x)dx .
−∞

4.2 Tính chất.

1. Với mọi ñại lượng ngẫu nhiên η và với mọi t ∈ (−∞,+∞)
ϕη (0) = 1, ϕη (t ) ≤ 1 .

2. ϕ aη +b (t ) = e itbϕη (at ), t ∈ R, a, b là hằng số.

3. Nếu η1 ,η 2 ,...,η n là các ñại lượng ngẫu nhiên ñộc lập thì:
n
ϕ n (t ) = ∏ ϕη (t ) .
∑ηi i =1
i

i =1

4. Hàm ñặc trưng của ϕη (t ) là một hàm liên tục ñều theo t ∈ (−∞,+∞)

5. Nếu E ( η < +∞, k ≥ 1 thì ϕη (t ) ∈ C k ( R) - lớp các hàm liên tục với ñạo hàm bậc k , k > 1 và
k

ϕ ( k ) (0) = i k E (η k ) .

5. Các ñịnh lí giới hạn của Lý thuyết xác suất

5.1 ðịnh lý giới hạn ñịa phương de Moivres-Laplace
Một dãy n phép thử Bernouli với xác suất Pn (k ) ñể biến cố A xảy ra ñúng k lần
trong n phép thử, thỏa mãn:
1
1 − x2
npq Pn (k ) : e 2
→ 1,
2π

khi n → ∞ , ñều với tất cả k , x thuộc khoảng hữu hạn bất kì.
Nhận xét: Khi n lớn, từ ñịnh lý ta có:

6
 x2
1 1 −
Pn (k ) ≈ e 2
,
npq 2π

k − np
với x = .
npq

5.2 ðịnh lí giới hạn tích phân de Moivres- Laplace

Giả sử S n là số thành công trong n phép thử ñộc lập Bernouli với xác suất thành
công p, ( 0 < p < 1 ) trong mỗi phép thử. Khi ñó:
 S − np 
lim P  n < x  = φ ( x) ,
n →∞
 npq 
x 1
1 − t2
với x ∈ (−∞,+∞), φ ( x) =
2π
∫e
−∞
2
dt .

Nhận xét: Số thành công S n có thể viết dưới dạng S n = η1 + η 2 + ... + η n , trong ñó

η i , i = 1, n , là các ñại lượng ngẫu nhiên ñộc lập, nhận hai giá trị 0 và 1 với xác suất tương

ứng p và q = 1 − p .
5.3 ðịnh lí giới hạn trung tâm
Giả sử η1 ,η 2 ,...,η n là một dãy các ñại lượng ngẫu nhiên ñộc lập, cùng phân phối với
E (η1( ) = µ , Var (η1 ) = σ 2 < +∞ . Khi ñó

 S − nµ 
lim sup P  n < x  − φ ( x) = 0 .
n → ∞ x∈ℜ
 σ n 

7
 CHƯƠNG II
PHƯƠNG PHÁP MÔ PHỎNG SỐ MONTE CARLO
1. Khái niệm về mô phỏng.
Mô phỏng là một từ ngày nay ñươc sử dụng khá phổ biến. Tiếng Anh simulate
(ñộng từ) có nghĩa là giả vờ, giả bộ, ñóng vai, làm ra vẻ, ñội lốt, bắt chước,…Simulation
(danh từ) nghĩa là sự mô phỏng, bắt nguồn từ chữ simulo, tiếng Latinh nghĩa là bắt
chước…
Như vậy, mô phỏng là chỉ quá trình phỏng theo, bắt chước, tìm tính chất, trạng
thái …của một hệ (sinh học, hoá học, vật lí,…) bằng việc khảo sát các ñặc trưng của một
hệ tương tự khác mà không cần làm thực nghiêm một cách trực tiếp.
Nói cách khác, mô phỏng là sự thử nghiệm với các mô hình, nhằm tiết kiệm chi phí, thời
gian, hoặc ñể theo dõi diễn tiến của quá trình mà nhiều khi trong thực tế không thể thực
hiện ñược.
Lấy một ví dụ ñơn giản, như muốn biết “tuổi thọ” của radio, xe máy,…ta không
thể sản xuất thử mỗi loại vài trăm chiếc, dùng sau một thời gian ñể lấy số liệu hỏng mà tính
thời gian hỏng trung bình. Trong trường hợp này ta có thể sử dụng máy tính ñể tạo ra hàng
loạt chi tiết giả, tức là tạo ra hàng loạt số biến ñổi theo quy luật ñúng như quy luật biến ñổi
của chi tiết ñó trên thực tế, sau ñó lắp thành chiếc máy giả. Bằng cách này, ta có thể sản
xuất ra hàng loạt chiếc máy và tính ñược “tuổi thọ” trung bình, trên cơ sở ñó mà chọn ra
cách thiết kế tin cậy nhất. ðiếu này rất có ý nghĩa vì sẽ ñỡ mất thời gian kiểm tra và ñỡ tốn
kém tiền bạc.
2. Phương pháp mô phỏng Monte Carlo
2.1 Lịch sử phát triển của phương pháp Monte Carlo
Vào ñầu những năm 40 của thế kỷ 20, sự ra ñời của máy tính ñiện tử (MTðT) ñã
ñảo lộn những quan ñiểm trước ñó về phương pháp số giải mỗi bài toán. Bởi vì, khi tính
toán bằng tay, người ta cần lựa chọn các phương pháp có khối lượng tính toán ít (mặc dầu
nó có thể ñược diễn ñạt bằng các thuật toán khá phức tạp). Nhưng khi sử dụng MTðT ta lại

8
lựa chọn các phương pháp thích hợp với hoạt ñộng của máy, nghĩa là chúng ñuợc diễn ñạt
bằng những thuật toán ñơn giản với ít những “lệnh logic” và tiết kiệm bộ nhớ. Có thể vì lý
do này mà khối lượng tính toán sẽ tăng lên ñôi chút khi giải một bài toán.
Tuy nhiên, với sự cải tiến của các thế hệ máy tính có tốc ñộ ngày càng cao thì vấn
ñề khối lượng tính toán lại là khó khăn có thể khắc phục ñược. Bởi vậy, nếu chọn ñược
những phương pháp số thích hợp với MTðT thì cái “lợi” do thuật toán ñơn giản sẽ lấn át
hẳn cái “lợi” do tăng khối lượng tính toán. Phương pháp Monte Carlo (PPMC) là một trong
những phương pháp như vậy.
Nhờ phương pháp này, ta có thể giải “thô” một cách nhanh chóng các bài toán
nhiều chiều của giải tích số, trong ñó có những bài toán chưa giải ñược hoặc “coi là chưa
giải ñược” (bởi khối lượng tính toán quá lớn) bằng các phương pháp số thông thường.
Ngoài ra, PPMC còn ñược sử dụng ñể tiến hành và quan sát trên MTðT các thí
nghiệm (phép thử thống kê) theo kiểu mô phỏng của việc xuất hiện các hiện tượng nhẫu
nhiên trong nhiều bài toán quan trọng của toán học (lý thuyết thông tin, phục vụ ñám ñông
và ñối sách…) của vật lý (vật lý hạt nhân, ñịa vật lý và quang học khí quyển…) và của
nhiều lĩnh vực khoa học khác như sinh học, hóa học, kĩ thuật, quân sự và kinh tế…
Ngày nay, chúng ta nói ñến PPMC với những ứng dụng kể trên như là một sản
phẩm của cuộc “cách mạng trong toán học tính toán”, khi xuất hiện các MTðT ñầu tiên.
Những công trình nghiên cứu về phương pháp này ñã hình thành khá sớm trong lịch sử. Có
một số tác giả cho rằng phương pháp mô phỏng ñã hình thành vào thời Babylone cổ ñại,
nhưng rõ ràng nhất là vào năm 1873 khi A. Hall ñưa ra một phương pháp thực nghiệm (về
việc tung chiếc kim) ñể tính số π trong “bài toán buffon”. Tiếp ñến, năm 1934, I.G.
Pettrowsky cũng có quan ñiểm tương tự trong bài toán “người say rượu” khi tính gần ñúng
lời giải bài toán Dirichlet ứng với phương trình Laplace thông qua việc bị giữ lại nộp phạt
của một người say ñi ngất ngưởng trên ñường phố.
Vào năm 1944, Von Newmann là người ñề xuất ý tưởng của PPMC và ñề nghị
các ñồng nghiệp của mình khai thác nó trong các công trình liên quan ñến việc chế tạo quả

9
bom hạt nhân ñầu tiên ở Mỹ. ðây là những bài toán bấy giờ vẫn xem là “chưa giải ñược”
theo các phương pháp kinh ñiển trong giải tích số. Chẳng hạn việc tính gần ñúng tích phân
bội. Việc dùng các phép thử ngẫu nhiên trên MTðT ñể tính tích phân bội, cũng như các
phương trình tích phân dịch chuyển (trong không gian nhiều chiều của vật lí hạt nhân) là
những ứng dụng ñầu tiên của PPMC. Những ứng dụng này ñược người Mĩ giữ bí mật cùng
với hàng loạt bí mật khác liên quan ñến việc chế tạo bom hạt nhân.
Mãi ñến năm 1949, người ta mới cho công bố ở Mĩ lần lượt các công trình gắn
với tên gọi “phương pháp Monte Carlo”. Những người khai sinh ra PPMC ñã gọi tên nó
bằng tên của thủ ñô vương quốc Monako, nơi có những sòng bạc nổi tiếng và thịnh hành
những trò chơi may rủi kiểu Rulet (bàn quay Rulet là dụng cụ ñể chế các số ngẫu nhiên có
phân bố ñều trên [0,1]).
Sau người Mĩ, những công trình nghiên cứu và ứng dụng PPMC của người Nga
ñã xuất hiện vào những năm 1955-1956. Nhưng do tầm quan trọng của nó, nên chỉ khoảng
15 năm sau ñã có tới 2000 công trình ñược công bố ở Nga về PPMC. Không chỉ ở Mĩ,
Nga, hàng loạt những cuốn sách chuyên khảo với chủ ñề tương tự cũng ñược xuất bản ở
Anh, Balan, ðức…
Ở nước ta, tuy những công trình nghiên cứu về PPMC sớm ñược bắt ñầu vào
những năm 1963-1964 nhưng mãi ñến năm 1977 phương pháp này mới ñược ñưa ra ứng
dụng. Trước tiên là việc mô phỏng các trận ñộng ñất và giải bài toán thiết kế tối ưu thí
nghiệm cỡ lớn (1977-1978) ñể bổ sung hệ trạm quan sát trên toàn lãnh thổ Việt Nam. Tiếp
theo (1983-1984) là mô phỏng và dự báo lưu lượng nước về các hồ chứa ñể phân bố tối ưu
công suất các nhà máy thuỷ nhiệt ñiện miền Bắc. Từ 1984, bộ chương trình tính trữ lượng
các mỏ dầu khí nước ta bằng PPMC ñã hoàn thành và ñưa vào sử dụng cho tới ngày hôm
nay. Trong những năm 1985-1987, PPMC ñã ñựoc dùng ñể giải các bài toán cỡ lớn trong
việc ñiều khiển tối ưu nhà máy thuỷ ñiện Hoà Bình. Những năm 1994-1997 phương pháp
này ñược sử dụng ñể giải các bài toán quy hoạch và ñiều khiển tối ưu cỡ lớn trong việc
“phủ xanh ñất trống ñồi trọc”.

10
2.2. ðịnh nghĩa
Phương pháp mô phỏng Monte Carlo là một phương pháp sử dụng các số ngẫu
nhiên hoặc các biến ngẫu nhiên có phân phối ñều trên (0,1), ñể giải các bài toán mà sự trôi
qua của thời gian không ñóng vai trò quyết ñịnh.
2.3. Các ví dụ
b
Ví dụ:Giả sử muốn ñánh giá tích phân I = ∫ g ( x)dx , ở ñây g (x) là hàm thực khả tích. Sử
a

dụng mô phỏng Monte Carlo chúng ta có thể giải gần ñúng bài toán này.
Giả sử X là một biến ngẫu nhiên có phân phối ñều trên [a,b] và xét Y = (b − a) g ( X ) .
Khi ñó kì vọng của biến Y có dạng sau:
E ( y ) = E (b − a ) g ( X ) = (b − a ) Eg ( X )

b b
= (b − a) ∫ g ( x) f ( x)dx = ∫ g ( x)dx = I
a a

Ở ñây f ( x) = (b − a ) −1 là hàm mật ñộ xác suất của biến ngẫu nhiên có phân phối ñều trên
[0,1]. Như vậy bài toán ñánh giá tích phân ñược ñưa về ñánh giá kì vọng E (Y ).
Chúng ta sẽ ñánh giá I = E (Y ) bằng trung bình mẫu:
n

∑Y
i =1
i
Y (n) = ,
n
ở ñây X1, X2,…, Xn là các biến ngẫu nhiên ñộc lập cùng phân phối ñều trên (0,1). Chúng
ta sẽ chứng minh rằng E (Y (n)) = I sao cho Y (n) là một ước lượng không chệch của I và
Var (Y (n)) = n −1Var(Y) . Giả sử rằng Var (Y ) là hữu hạn, suy rằng Y (n) sẽ gần tới I khi n ñủ lớn

với xác suất ñơn vị.

Ví dụ: (Tính diện tích). Một mảnh ñất có hình thù phức tạp nằm trên một khu ñất hình chữ
nhật G với diện tích ñã cho là VG .

11
ðể tính diện tích VS của mảnh S người ta tung hú hoạ N lần cùng một hòn sỏi trên khu
ñất G . Trong N lần này có m lần hòn sỏi rơi vào mảnh S . Nếu gọi A là biến cố ñể hòn sỏi
rơi vào mảnh ñất S trong một lần tung hú hoạ, thì với N ñủ lớn ta có thể xấp xỉ xác suất
m
P ( A) của biến cố A bởi tần suất (theo luật số lớn), nghĩa là:
N
m
P(A) ≈ .
N
Mặt khác, vì hòn sỏi ñược tung hú hoạ trên G (nghĩa là nó sẽ rơi vào các vị trí thuộc G
VS
một cách ñồng khả năng), nên từ ñịnh nghĩa của xác suất hình học, ta có P(A) = . Khi
VG

ñó, ta thu ñược công thức tính gần ñúng diện tích mảnh ñất S như sau:
m
VS ≈ VG .
N

Ví dụ: (Bài toán Buffon). Trên măt phẳng của một chiếc bàn ta kẻ các ñường song song
cách ñều, cự ly giữa chúng là 1 ñơn vị. Ở một vị trí khá cao so với mặt bàn, ta tung hú họa
1 chiếc kim AB có ñộ dài là h < 1 . Vấn ñề ñặt ra là tính xác suất P(X ) của biến cố X ñể
chiếc kim AB cắt một trong các ñường ñã kẻ trên mặt bàn.
ðể biểu diễn biến cố X ta gọi :
• η là khoảng cách từ trung ñiểm O của chiếc kim AB (ñã rơi trên mặt

bàn, sau khi tung hú họa) ñến ñường thẳng gần nhất trong các ñường thẳng ñã
kẻ.
• ξ là góc nhỏ nhất trong các góc lập bởi kim AB với hướng trực giao

ñối với các ñường song song.

∧
{
Ta có: η = OA ’’, ξ = AOA , Ω = OA' ' ≤ OA' } (2.1)
h
Vì OA' = OA cos ξ = cos ξ , nên từ (2.1) ta có:
2
 h 
P(Ω ) = P η ≤ cos ξ  .
 2 

12
 1 π
Ta biết rằng 0 ≤ η ≤ , 0 ≤ ξ ≤ và chiếc kim ñược tung hú hoạ từ một vị trí khá cao (so
2 2
với mặt bàn) nên η , ξ là các ñại lưọng ngẫu nhiên ñộc lập và ξ nhận các giá trị trên ñoạn
 π
0, 2  với hàm mật ñộ có dạng:
 

2  π
 π , x ∈ 0, 2 
p( x) =    (2.2)

 0, x ∉ 0, π 
  2
 

Tương tự, ñại lượng ngẫu nhiên η có phân bố ñều trên ñoạn [0,1/2] với hàm mật
ñộ có dạng:

  1
2, y ∈ 0, 2 
ψ ( y) =    (2.3)
0, y ∉ 0, 1 
  2
 

Từ tính ñộc lập của ξ ,η và từ (2.2) và (2.3), ta suy ra hàm mật ñộ ñồng thời của
vectơ ngẫu nhiên (ξ ,η ) có dạng:
4
 , ( x, y ) ∈ G
f ( x, y ) = p( x).ψ ( y ) =  π (2.4)
 0, ( x, y ) ∉ G

π
trong ñó G = ( x, y ),0 ≤ x ≤ ,0 ≤ y ≤  .
1
 2 2

Trên mặt phẳng của hệ toạ ñộ vuông góc xOy ta gọi S là hình giới hạn bởi trục hoành và
cung ñường cong y = h / 2 cos x từ x = 0 ñên x = π / 2 . Nghĩa là
 h π
S = ( x, y ) : y ≤ cos x,0 ≤ x ≤  ⊂ G .
 2 2

Khi ñó từ (2.1) và (2.4) suy ra:

13
 P(Ω) = P{(ξ ,η ) ∈ S}

= ∫∫ f ( x, y ) dxdy
S

π 1 h cos x
2 2
4
= ∫( ∫ dy )dx
0 0
π
π
2
2h 2h
= ∫π
0
cos xdx =
π
. (2.5)

Từ lời giải trên của bài toán Buffon ta có thể thực hiện N (ñủ lớn) lần gieo
chiếc kim AB một cách hú hoạ và dựa vào luật số lớn ta có thể xấp xỉ xác suất P(Ω) bởi
tần suất m / N tương ứng với m là số lần chiếc kim cắt một trong các ñường kẻ trên mặt
bàn (trong N lần tung hú hoạ nói trên). Khi ñó từ (2.5) ta thu ñược công thức gần ñúng ñể
tính số π như sau:
2hN
π≈ .
m
2.4. Giải bài toán tất ñịnh bằng PPMC
Bài toán tất ñịnh là bài toán không có liên quan ñến các phép tính xác suất. Thuộc
loại này là những bài toán trong giải tích số thông thường như tính ñạo hàm, tích phân, xấp
xỉ và tính cực trị hàm nhiều biến, tính giá trị riêng, vectơ riêng và nghịch ñảo, ma trận cỡ
lớn, giải các loại phương trình tuyến tính và phi tuyến…
ðể sử dụng PPMC vào việc giải bằng số các bài toán tất ñịnh nói trên, trước hết
ta cần thiết lập một bài toán xác suất tương ñương (gọi là mô hình xác suất tương ứng) mà
lời giải y của bài toán tất ñịnh ñược xác ñịnh từ lời giải x của bài toán xác suất bởi quan hệ
hàm y = f (x) nào ñó. ðể minh hoạ, ta ñưa ra ví dụ dưới ñây:
Ví dụ: ðể xác ñịnh lời giải y = VS của bài toán tất ñịnh xác ñịnh diện tích của một mảnh
ñất S nằm trong một khu ñất hình chữ nhật G (với diện tích ñã cho là VG ), ta ñã thiết lập ở
trên một mô hình xác suất tương ứng là bài toán tung hú hoạ hòn sỏi trên khu ñất G . Lời

14
giải x của bài toán xác suất này là xác suất P( A) ñể cho hòn sỏi rơi vào mảnh ñất S :
VS
x = P (A) .Vì P(A) = nên ta có thể xác ñịnh y theo x từ quan hệ sau:
VG

y = S G .P( A) = x.S G = x ≡ f ( x) .

Ví dụ: ðể xác ñịnh lời giải y = π của bài toán tất ñịnh tính số π , ta ñã thiết lập trong bài
toán Buffon mô hình xác xuất tương ứng là bài toán tung hú hoạ chiếc kim AB trên mặt
bàn có kẻ sẵn những ñường thẳng song song cách ñều. Lời giải x của bài toán xác xuất này
là xác suất P(Ω) ñể cho chiếc kim cắt một trong các ñường song song x = P (Ω) . Khi ñó có
thể xác ñịnh y theo x từ quan hệ sau:
2h 2h
y= = ≡ f ( x) .
p (Ω) x

Sau ñó, cần phải giải gần ñúng bài toán xác suất tương ñương trong mô hình thông qua
việc tiến hành các phép thử ngẫu nhiên. ðây là quá trình thể hiện mô hình xác suất tương
ứng. Từ kết quả của các phép thử trong quá trình nói trên, có thể thiết lập một vectơ ngẫu
nhiên x ∈ Rn xấp xỉ với lời giải X ∈ R n của mô hình xác suất (theo một nghĩa nào ñó). Nếu
lời giải y ∈ R n của bài toán tất ñịnh ñược xác ñịnh từ x bởi quan hệ hàm tính y = f ( x) (với
f là hàm liên tục) thì ta có thể xấp xỉ nó theo một nghĩa nào ñó, số vectơ (hay ñại lượng)

ngẫu nhiên Y = f ( X ) ∈ R m nghĩa là:

X ≈ x ∈ R , Y = f ( X ) ≈ f ( x) = y ∈ R m

Trong ñó Y và X ñược gọi là ước lượng (UL) hay UL Monte Carlo hoặc phỏng ước ñối
với lời giải y và x của lần lượt các bài toán tất ñịnh và bài toán xác suất tương ñương.
Ví dụ: ðể xét quá trình thể hiện mô hình xác suất trong ví dụ trên, tương ứng với bài toán
h
tính số π = y , ta lưu ý ñến công thức P(Ω) = P (η ≤ cos ξ ) và biễu diễn lời giải x = P (Ω) của
2
mô hình xác suất dưới dạng:

15
 h
x= P(η ≤ cos ξ ) , (2.6)
2
π
trong ñó ξ là ðLNN phân bố ñều trên 0,  ñộc lập với ðLNN η có phân bố ñều trên
 2

 1
0, 2  . Khi ñó quá trình thể hiện mô hình xác suất trở thành quá trình thực hiện N (ñủ lớn)
 

phép thử ngẫu nhiên ñể thu ñược kết quả quan sát (ξ (i ) ,η ( j ) ) (j=1..n)
của VTNN ( ξ ,η ).
h
Gọi m là số lần xuất hiện biến cố η ( j ) ≤cos ξ ( i ) trong N bộ kết quả quan sát nói trên.
2
m
Khi xấp xỉ xác suất (2.6) bằng tần suất ta thu ñược phỏng ước ñối với x là:
N
m h
X = ≈ p (η ≤ cos ξ ) = x .
N 2
2h
Ta biết rằng y = ≡ f ( x) nên ta thu ñược phỏng ước ñối với lời giải y = π của bài toán
x
ban ñầu dưới dạng:
2h 2hN
Y= = ≈ y =π
X m

2.5 ðối với các bài toán xác suất với các hiện tượng ngẫu nhiên không quan sát ñược
Thuộc loại các bài toán này là các bài toán quan trọng của lí thuyết thông tin, phục
vụ ñám ñông, lí thuyết trò chơi, ñịa vật lí, vật lí hạt nhân, quang học khí quyển, kinh tế và
kĩ thuật.
Các bài toán có ñặc ñiểm chung là các hiện tượng ngẫu nhiên xuất hiện trong ñó
“không có khả năng quan sát ñược”, nghĩa là ta không thể tiến hành các thí nghiệm ñể
quan sát chúng trong thực tế vì các thí nghiệm ngẫu nhiên này thuộc vào 1 trong 3 loại
dưới ñây:
1. Loại thí nghiệm diễn biến quá chậm, chẳng hạn như các thí nghiệm có tính chất cơ
học chậm chạp trong việc tung chiếc kim (của bài toán Buffon), diễn biến của quá trình
ñộng ñất trên một vùng lãnh thổ trong một tương lai khá xa, diễn biến của quá trình sinh
học trong sự cân bằng sinh thái…

16
 2. Loại thí nghiệm diễn biến quá nhanh chẳng hạn như các quá trình khuếch tán, quá
trình phân nhánh trong các phản ứng dây chuyền của vật lí hạt nhân, các quá trình bức xạ,
khuếch tán và dịch chuyển trong quang học khí quyển…trong tốc ñộ diễn biến có khi là
“tốc ñộ ánh sáng” và rất phức tạp mà ta không ñủ phương tiện ñể quan sát.
3. Loại thí nghiệm giá ñắt, chẳng hạn như việc bổ sung khá lớn những mũi khoan thăm dò
trữ lượng dầu khí tại một khu mỏ nào ñó … Thuộc vào loại thí nghiệm giá ñắt còn có thể
kể ñến các bài toán dự báo tiên nghiệm như dự báo về lưu lượng nước về các hồ chứa ñể
ñiều khiển các nhà máy thuỷ ñiện, dự báo kết cục của các trận ñấu (quân sự, thể thao). Bởi
ý nghĩa của công việc dự báo tiên nghiệm, ta không thể chờ ñợi các hiện tượng ngẫu nhiên
xảy ra ñể dựa vào ñó phát biểu lời giải của bài toán dự báo.
Tương tự trường hợp của bài toán tất ñịnh, ñể giải bằng số các bài toán xác suất
với các hiện tượng ngẫu nhiên không quan sát ñược như trên, ta cũng thiết lập một bài toán
xác suất tương ñương gọi là mô hình mô phỏng, sao cho tuy nó có cùng lời giải x với bài
toán xác suất ban ñầu nhưng lại có thể mô hình hoá trên máy tính. Nghĩa là ta có thể xác
ñịnh phỏng ước X ñối với lời giải x thông qua quá trình thể hiện một mô hình xác suất cơ
bản nào ñó. Lẽ ñương nhiên, mỗi loại bài toán khác nhau có những mô hình mô phỏng
khác nhau.
Ta có thể minh hoạ bằng ví dụ dưới ñây:
Ví dụ: Trên mặt phẳng uOv của một tấm bản ñồ quân sự lộ thiên của một trạm xăng dầu
có dạng của hình chữ nhật: G = {(u, v) : a ≤ u ≤ b, c ≤ v ≤ d } . Trong ñịa phận này ta dấu một bể
ngầm chứa dầu với thiết diện S có hình thù khá phức tạp (khó xác ñịnh diện tích), nhưng
chu vi của diện tích này ñược xác ñịnh bởi 2 ñường cong ñã cho v = f1 (u ), v = f 2 (u ),
(e ≤ u ≤ f ) trên hệ toạ ñộ uOv.
Gọi x = P ( A) là xác suất ñể ñạn rơi trúng thiết diện S và trạm G bị phá huỷ ngay sau phát
súng cối ñầu tiên của ñối phương bắn thăm dò vào ñịa phận G. ðể mô phỏng số bài toán
tính xác suất P( A) , ta ñồng nhất ñịa phận này và thiết diện S của bể chứa dầu với khu ñất

17
hình chữ nhật và mảnh ñất cần ño diện tích, còn phát súng cối bắn thăm dò ví như hòn sỏi
ñược tung hú họa vào khu ñất G, khi ñó ta có:
SS
P( A) = . (2.7)
SG

Bây giờ ta gọi ( ξ ,η ) là một vectơ ngẫu nhiên có phân bố ñều trên G, nghĩa là hàm mật ñộ
của VTNN này có dạng:
 1
 , (u , v) ∈ G
P(u , v) =  S G
 0, (u, v) ∉ G

Khi ñó, do
1 S
P((ξ ,η ) ∈ S ) = ∫∫ dudv = S , (2.8)
S SG SG

nên từ (2.7) ta suy ra

P( A) = P{(ξ ,η ) ∈ S }. (2.8*)
Nhưng biến cố (ξ ,η ) ∈ S ) tương ñương với biến cố

A' = P( A) = P ( A' ) = P{e ≤ ξ ≤ f , f 2 (ξ ) ≤ η ≤ f1 (ξ )} , (2.9)

nên từ (2.8*) ta có

x = P ( A) = P( A' ) = P{e ≤ ξ ≤ f , f 2 (ξ ) ≤ η ≤ f1 (ξ )}

Nghĩa là lời giải x của bài toán tính xác suất P( A) với hiện tượng ngẫu nhiên (về
việc trạm xăng dầu bị phá huỷ) không có khả năng quan sát ñược lại trùng với lời giải
P ( A' ) của bài toán xác suất tương ñương mà ta có thể mô hình hoá trên máy tính. Cụ thể, ta

thực hiện N (ñủ lớn) phép thử ngẫu nhiên ñể thu ñược các bộ kết quả quan sát (ξ ( j ) ,η ( j ) ) ,
(j=1..N) của VTNN (ξ ,η ) có phân bố ñều trên hình chữ nhật G . Từ mô hình mô phỏng
m
này, ta thu ñược phỏng ước ñối với lời giải x = P ( A) cần tìm là: X = ≈ P ( A) , trong ñó m
N

18
là số bộ (ξ ( j ) ,η ( j ) ) thỏa mãn ñồng thời các bất ñẳng thức trong biến cố (2.9) (trong số N bộ
ñã ñược mô phỏng bằng số nói trên).
Như vậy, ñể giải bằng số một bài toán nào ñó, ta cần thể hiện một số trong các
mô hình xác suất cơ bản trên máy tính. Nghĩa là tạo ra trên máy tính những thể hiện
ñộc lập của ñại lượng ngẫu nhiên có phân bố ñều trên [0,1].
1. Cơ sở toán học và tốc ñộ hội tụ của phương pháp Monte Carlo
3.1 Cơ sở toán học
Mục ñích của phương pháp Monte Carlo là bài toán ước lượng giá trị trung bình
của một ñại lượng ngẫu nhiên X nào ñó tức là tính µ = EX .
Giả sử X1, X2,…, Xn là dãy các ñại lượng ngẫu nhiên ñộc lập của ñại lượng ngẫu nhiên X.
Việc ước lượng µ = EX cần thông qua
1 n
µn = ∑ Xi .
n i =1

Lúc ñó, µ n là ước lượng thử lặp hay ước lượng thử thống kê (ƯLTTK) ñối với µ .
Luật số lớn Khintchine khẳng ñịnh: Nếu E ( X 1 ) < ∞ thì µ n →
p
µ

Do ñó, nếu chúng ta tiến hành với n càng lớn thì µ n sẽ rất gần µ . Như vậy, luật các số lớn
chính là cơ sở toán học cho phương pháp Monte Carlo.
3.2 Tốc ñộ hội tụ
Khi dùng các công thức ñánh giá sai số (bằng bất ñẳng thức Chebyshev hoặc
1
bằng ñịnh lý giới hạn trung tâm) ta nhận thấy rằng ñộ lệch của ƯLTK µ n tỉ lệ với , tức
n

là ứng với cùng một ñộ tin cậy, ñể cho ñộ lệch của ƯLTK µ n giảm 10 lần, thì số lần thử
lặp n tăng 100 lần, ñể sai số giảm 100 lần thì số lần thử lặp tăng 1002=10.000 lần. Nghĩa là
ñộ chính xác của các phỏng ước chỉ khoảng 0,01, nếu số lần thử lặp khoảng N=10.000 lần.

ðây là một tốc ñộ tương ñối chậm, nên PPMC thường kém hiệu quả ñể giải các
bài toán 1 hoặc 2 chiều. Tuy nhiên, nếu kích cỡ bài toán tăng lên, trong ñó lời giải y ∈ R n (n

19
lớn) hoặc nếu n=1 nhưng y=y(x1, x2,…,xn) lời giải này lại phụ thuộc vào các lời giải x1,
x2,.., xn của n bài toán phụ (với n ñủ lớn), ta thấy rằng số tiến hành các phép thử lặp n
không tăng theo kích cỡ của bài toán. Do ñó, khối lượng tính toán sẽ tăng không ñáng kể
theo kích cỡ của bài toán. Bởi vậy người ta thường dùng phương pháp Monte Carlo ñối với
những bài toán nhiều chiều.

20
 CHƯƠNG III
TẠO SỐ NGẪU NHIÊN VÀ TẠO BIẾN NGẪU NHIÊN

Trong hầu hết các trường hợp, chúng ta không chỉ cần một số ngẫu nhiên mà cần
ñến dãy số ngẫu nhiên. Không có cách nào ñể tạo ra các số ngẫu nhiên thực sự từ máy tính,
bởi vì khi ta viết chương trình tạo số ngẫu nhiên thì các số mà chương trình tạo ra chắc
chắn có thể suy luận ñược. Chúng ta chỉ có thể tạo ra các chuỗi số có ñược nhiều thuộc tính
giống như các số ngẫu nhiên. Chúng không thật sự ngẫu nhiên nhưng chúng có thể hữu
dụng như xấp xỉ của các số ngẫu nhiên.
Trong phần này, chúng ta ñề cập ñến một số kĩ thuật phổ biến nhất trong việc tạo ra các số
giả ngẫu nhiên.
1. ðịnh nghĩa.
Dãy số giả ngẫu nhiên là một dãy số xác ñịnh trên [0,1] có cùng tính chất thống kê như một
dãy của các số ngẫu nhiên.
2. Các yêu cầu của bộ tạo số ngẫu nhiên.
1. Các số ñược tạo ra phải tuân theo phân phối ñều, bởi vì thực sự các sự kiện ngẫu
nhiên ñều tuân theo phân phối này. Vì vậy bất cứ một sự mô phỏng các sự kiện ngẫu nhiên
nào cũng tuân theo quy luật này hay ít nhất cũng là xấp xỉ.
2. Các số ñược tạo ra cần phải ñộc lập, nghĩa là giá trị của một trong các dãy số ngẫu
nhiên không ảnh hưởng ñến giá trị của số kế tiếp.
3. Dãy số ngẫu nhiên ñược tạo ra cần phải tái tạo lại ñược. ðiều này cho phép lặp lại thí
nghiệm mô phỏng.
4. Dãy số không ñược lặp lại ñối với bất cứ chiều dài nào. ðiều này, theo lí thuyết thì
không thể có, nhưng vì mục ñích thực tế thì khả năng lặp lại một chu kì dài là phù hợp. Chu
kì lặp lại của một bộ số ngẫu nhiên ñược gọi là giai ñoạn của nó.

21
 5. Việc tạo các số ngẫu nhiên cần phải nhanh chóng vì trong các nghiên cứu mô phỏng
ñòi hỏi cần có nhiều số ngẫu nhiên, nếu việc tạo các số diễn ra chậm thì có thể mất nhiều
thời gian và tăng giá thành các nghiên cứu mô phỏng.
6. Trong việc tạo các số ngẫu nhiên nên sử dụng càng ít bộ nhớ càng tốt. Mô hình mô
phỏng ñòi hỏi bộ nhớ lớn, do bộ nhớ thường có hạn nên việc giảm tối ña việc chiếm dụng bộ
nhớ trở nên cần thiết trong việc tạo ra các số ngẫu nhiên.
3. Thuật toán tạo các số giả ngẫu nhiên
3.1 Phương pháp nửa bình phương
Kĩ thuật này bắt ñầu bằng một vài số ñầu tiên cho trước.
ðầu tiên ta bình phương số ñó lên và số giữa của số bình phương này ñược dùng làm số
thứ 2 của dãy số. Kế tiếp, bình phương số thứ 2 lên và các số giữa của số bình phương này
ñược dùng làm số thứ 3 của dãy số. Thuật toán cứ tiếp tục như vậy.
Ví dụ 1.4.1:
Giả sử số ñầu là 44, khi ñó các số ngẫu nhiên có 2 chữ số gồm:
(44) 2 = 1936 ⇒ x1 = 93
(93) 2 = 8649 ⇒ x 2 = 64
(64) 2 = 4096 ⇒ x3 = 09
(09) 2 = 0081 ⇒ x 4 = 08
(08) 2 = 0064 ⇒ x5 = 06
(06) 2 = 0036 ⇒ x6 = 03
(03) 2 = 0009 ⇒ x7 = 00
(00) 2 = 0000 ⇒ x8 = 00

Quá trình này có thể tiếp tục tạo ra nhiều số nữa…

Phương pháp này có một số tính chất sau:
- Các dãy số tạo ra bằng phương pháp nửa bình phương có chu kì ngắn.
- Bất cứ lúc nào số 0 ñều tạo ra tất cả các số bằng 0.
3.2 Phương pháp ñệ quy tuyến tính
Các số ngẫu nhiên trong dãy ñược tạo ra theo phép ñệ quy tuyến tính

22
 x n +1 = (ax n + c ) mod m, n ≥ 0 ,

ở ñây giá trị khởi ñầu x0 ñược cho trước, hằng số a là số nhân, hằng số c là gia số, và m là
modul.
Ví dụ 1.4.2:
Giả sử a = 2 , c = 3 , m = 10 , và x0 = 0 . Khi ñó
x1 = (2 * 0 + 3) mod 10 = 3
x 2 = (2 * 2 + 3) mod 10 = 9
x3 = (2 * 9 + 3) mod 10 = 1
x 4 = (2 *1 + 3) mod 10 = 5
x5 = (2 * 5 + 3) mod 10 = 3
x6 = (2 * 3 + 3) mod 10 = 9
x7 = (2 * 9 + 3) mod 10 = 1
x8 = (2 *1 + 3) mod 10 = 5

Dãy số ngẫu nhiên U i có ñược bằng cách lấy U i = xi / m .

Các trường hợp ñặc biệt:
1. Nếu a = 1 : Phương pháp này ñược gọi là phương pháp cộng.
2. Nếu c = 0 : Phương pháp này ñược gọi là phương pháp nhân.
3. Nếu c ≠ 0 : Phương pháp này ñược gọi là phương pháp ñệ quy.
Như vậy, ñể tạo ra một dãy số ngẫu nhiên, trước hết cần con số ñầu tiên x0 . Sau ñó, các số
giả ngẫu nhiên kế tiếp ñược tính toán dựa trên các con số ñược phát sinh trước ñó. Vì vậy,
ñể tạo số ngẫu nhiên, chúng ta phải có hai hàm. Một hàm ñể phát sinh con số ñầu tiên x0 ,
và một hàm ñể tính toán số kế tiếp dựa vào con số ñã tính toán trước ñó.
Ngôn ngữ Pascal cung cấp 2 hàm tạo số ngẫu nhiên. Hàm Randomize() ñể sinh con số ñầu
tiên. Hàm Long Random(n:Long) phát sinh một con số ngẫu nhiên từ 0 ñến n-1
Ngôn ngữ C cung cấp 2 hàm tạo số ngẫu nhien. Hàm void randomize() ñể phát sinh con số
ñầu tiên. Hàm int rand() ñể tạo ra một số ngẫu nhiên trong ñoạn từ 0 ñến RAND_MAX
trong ñó RAND_MAX là một hằng số ñã ñược ñịnh nghĩa trước trong thư viện của C.

23
4. Tạo các biến ngẫu nhiên
Trong phần này, chúng ta ñề cập ñến các phương pháp tạo ra các biến ngẫu nhiên ñộc
lập X 1 , X 2 ,..., X n với hàm phân phối xác suất F (x) hay hàm mật ñộ xác suất f(x) cho trước.
Chúng ta giả sử rằng tồn tại một bộ tạo biến ngẫu nhiên tốt cung cấp các các số ngẫu nhiên
ñều U i liên kết với các X i . Thông thường chúng ta sẽ lựa chọn nhiều thuật toán cho việc
làm này, nhưng khó có sự lựa chọn tốt cho tất cả.
4.1 Phương pháp ngược
Mệnh ñề 1: Giả sử biến ngẫu nhiên X có hàm phân phối xác suất F (x) ñều trên (0,1). Ta
thấy rằng nếu giả sử cho biến ngẫu nhiên X liên tục và F (x) liên tục, ñơn ñiệu tăng khi
0 ≤ F ( x ) ≤ 1 . Khi ñó tồn tại hàm ngược F −1 . Như vậy, ñể tạo X có thể dùng thuật toán sau:

(1) Tạo U ~ U (0,1)

(2) Lấy X = F −1 (U ) .
Dễ dàng chứng minh rằng X có phân phối F . Thật vậy, chúng ta thấy rằng bất kì số thực x
nào thì P (X ≤ x) = F(x) và do F có hàm ngược nên ta có
[ ]
P(X ≤ x) = P F −1 (U ) ≤ x = P[U ≤ F(x)] = F ( x) , ở ñây U ~ U (0,1) (số ngấu nhiên xuất phát từ

phân phối ñều trên (0,1)).

Ví dụ:
Giả sử biến ngẫu nhiên X có hàm phân phối mũ với tham số β > 0 .
1 − e − x / β , x ≥ 0
F ( x) = 
 0, x < 0

Cho U = F (x) thì X = F −1 (U ) = − β ln(1 − U ). Vì V = 1 − U nên cũng theo U (0,1) , ñẳng thức trên
có thể ñược viết lại như sau:
X = − β ln V , V ~ U (0,1) .

Do ñó, có thể tạo biến theo phân phối mũ với tham số β , chúng ta tạo V từ U (0,1) và ñặt
X = − β ln V

Mệnh ñề sau phát biểu cho mọi hàm phân phối F (x) .

24
Mệnh ñê 2. Giả sử hàm F ñược ñịnh nghĩa bởi F (u ) = min( x : F ( x) ≥ u ). Khi ñó nếu
U ~ U (0,1) thì X = F (U ) tuân theo ñịnh nghĩa bởi F .

Sử dụng mệnh ñề này chúng ta có thể tạo ra biến số rời rạc rồi chỉ lấy một giá trị xác ñịnh
x1, x2,…với x1 ≤ x 2 ≤ ... Trong trường hợp này:
F ( x) = P(X ≤ x) = ∑ p(x i ),
xi ≤x

ở ñây p( xi ) = P( X = xi ).
Thuật toán ñược mô tả như sau:
(1) Tạo U ~ U (0,1)
(2) Xác ñịnh số nguyên nhỏ nhất I sao cho F ( x1 ) ≥ U
(3) Lấy X = x 1
4.2 Phương pháp chấp nhận và loại bỏ
Phương pháp này ñòi hỏi tồn tại một hàm g mà không nhỏ hơn hàm mật ñộ f , tức là
g ( x) ≥ f ( x ) với mọi x. Nói chung hàm g không phải là hàm mật ñộ, nhưng hàm h ñịnh

nghĩa bởi h( x) = g ( x) / c là hàm mật ñộ. Giả sử các biến ngẫu nhiên có hàm mật ñộ h có thể
ñược tạo ra một cách có hiệu quả. Khi ñó thuật toán ñược mô tả như sau:
(1) Tạo y từ h
(2) Tạo U ~ U (0,1) ñộc lập với y
(3) Nếu U ≤ f ( x) / g ( x) , lấy X = y . Ngược lại chuyển ñến bước 1.
Phương pháp này hiệu quả với c nhỏ.
Ví dụ:
Xét phân phối Beta (4, 3) trong khoảng ñơn vị (0,1) :
f ( x) = 60 x 3 (1 − x) 2 ,0 ≤ x ≤ 1

f(x) ñạt giá trị cực ñại tại x = 0.6 với f (0.6) = 2.0736 . Vì vậy chúng ta có thể lấy f ( x) ≤ g ( x)
với mọi x trong khoảng ñơn vị này.

25
 1
Do c = ∫ g ( x)dx = 2,0376, h( x) = 1 là phân phối ñều nên ñể tạo X từ phân phối Beta(4,3) trên
0

(0,1) chúng ta sử dụng thuật toán sau:

(1) Tạo y ~ U (0,1)

(2) Tạo U ~ U (0,1)
(3) Nếu U ≤ 60 y 3 (1 − y )2 / 2,0376 thì lấy X = y , ngược lại chuyển sang bước 1.
4.3 Phương pháp phức hợp
Phương pháp này thường ñược sử dụng khi hàm phân phối F có thể biểu hiện như một
tổ hợp lồi các hàm phân phối khác mà những biến của chúng có thể ñược tạo ra.
Giả sử:
∞
F ( x) = ∑ a j F j ( x) ,
j =1

∞
ở ñây a j ≥ 0, ∑ a j = 1 và mỗi F j là hàm phân phối. Trong thực tế chỉ có một số hữu hạn các
j =1

aj là dương. Tương tự, hàm mật ñộ f (x) của X có thể ñược biểu diễn như sau:
∞
f ( x) = ∑ a j f j ( x) ,
j =1

ở ñây fj là hàm mật ñộ.

Thuật toán phức hợp tổng quát ñược mô tả như sau:
(1) Tạo một số nguyên dương J sao cho P( J = j ) = a với j = 1,2,...
(2) Gỉa sử rằng J = j , tạo X với phân phối F j và quay lại.

Bước 1 có thể là bước chọn lựa hàm phân phối F j với xác suất a j và có thể ñược hoàn tất
bởi sự biến ñổi ngược lại. Giả sử rằng J = j , việc tao X trong bước 2 là ñộc lập với J . Bằng
việc xác ñịnh giá trị của J tạo ra trong bước 1, chúng ta có thể dễ dàng thấy rằng X có hàm
phân phối F :
∞ ∞
P(X ≤ x) = ∑ P(X ≤ x/J = j)P(J = j) =∑ a j F j ( x) .
j=1 j =1

26
 Ví dụ: Giả sử với 0 < a < 1 , xét hàm phân phối có dạng sau:
a + 2(1 − a) x,0 ≤ x ≤ 1
f ( x) = 
 0, x < 0, x > 1

Chúng ta có thể viết f ( x) = af1 ( x) + (1 − a) f 2 ( x) , ở ñây f1 ( x) = 1, f 2 ( x) = 2 x

ðể tạo X từ hàm phân phối có dạng trên, chúng ta tiến hành theo thuật toán sau:
- Tạo U ~ U (0,1) , nếu U ≤ a , tạo V ~ U (0,1) và ñặt X = V . Nếu U > a , tạo y từ f 2 . Bằng cách
biến ñổi ngược ta nhận ñược:
1
F2 ( y ) = ∫ 2tdt = y 2
0

Vì vậy y = w ~ U (0,1) và ñặt y = w , sau ñó ta lấy X = Y .

4.4 Tạo các biến ngẫu nhiên liên tục
Có nhiều phương pháp tạo các biến ngẫu nhiên liên tục ñược tạo ra ỏ ñây. Hầu hết
các phương pháp ñều ñơn giản và dễ thực hiện.
a. Phân phối ñều
Nếu X biến ngẫu nhiên có phân phối ñều trên [a, b] thì hàm mật ñộ của nó có dạng
f ( x) = 1 /(b − a ), a ≤ x ≤ b. ðể nhận ñược X , ta sử dụng thuật toán sau:

1. Tạo U ~ U (0,1) .
2. ðặt x = a + (b − a)U .
Trong thực tế chúng ta thường tạo nhiều giá trị của X theo phân phối ñều, vì vậy giá trị
của (b − a) nên ñược tính trước và lưu trữ ñể dùng trong thuật toán.
b. Phân phối mũ
Hàm phân phối mũ ñược cho bởi F ( x) = 1 − exp(-x/β ). Bằng cách biến ñổi ngược, sau khi
ñặt U = F ( x) ta có:
x = − β ln(1 − U )

27
Vì U ~ U (0,1) , 1 − U cũng là biến ngẫu nhiên ñều trên (0,1), phương trình nói trên có thể
ñược viết lại như x = − β ln V với V ~ U (0,1) .
ðể tính X ta thực hiện thuật toán sau:
2. Tạo V ~ U (0,1)
3. ðặt X = − β ln V
c. Phân phối chuẩn
Mệnh ñề: Giả sử U và V là 2 số ngẫu nhiên ñều ñộc lập trên U (0,1) , khi ñó
X = (−2 ln U )1 / 4 cos(2vπ )

và
Y = (−2 ln U )1 / 4 sin( 2vπ )

là 2 biến ngẫu nhiên ñộc lập, cùng phân phối. Thuật toán xác ñịnh như sau
(1). Tạo 2 số ñộc lập U 1 , U 2 ~ U (0,1)
(2). Cho Vi = 2U i − 1 với i − 1,2 và ¦ W = V12 + V22
(3). Nếu W > 1 thì chuyển ñến bước 1.
Ngược lại cho Y + [(-2lnW)/W]1 / 2 , X 1 = V1 Y , X 2 = V2 Y .
Khi ñó X − 1 , X 2 là 2 biến ngẫu nhiên ñộc lập, có phân phối chuẩn.
ðể tạo biến ngẫu nhiên chính tắc Z ta có thể dễ dàng tạo từ X ~ N ( µ , σ 2 ) bằng cách sử
dụng phép biến ñổi X = µ + σZ .
4.5 Tạo các biến ngẫu nhiên rời rạc
Phương pháp chung ñể tạo các biến ngẫu nhiên rời rạc ñã ñề cập ñến nhờ phương
pháp biến ñổi ngược. Sau ñây là các thuật toán thích hợp dành cho một vài phân phối ñặc
biệt.
a. Phân phối Bernoulli

28
 Biến ngẫu nhiên Bernoulli ñược lấy các giá trị 1 và 0 với xác suất tương ứng là p
và 1 − p . Một phương pháp ñơn giản ñể tạo ra các biến ngẫu nhiên X theo phân phối
Bernoulli như sau:
(1). Tạo U ~ U (0,1)
(2). Nếu U ≥ p ñặt X = 1 , ngược lại lấy X = 0 .
b. Phân phối nhị thức
Một biến ngẫu nhiên thuộc nhị thức ñược xem như là tổng n biến Bernoulli ñộc
lập với n là các số phép thử. Vì vậy, ñể tạo X ≈ Bin(n, p) , ta sử dụng thuật toán sau:
(1). Tạo các biến Bernoulli ñộc lập Y1 , Y2 ,..., Yn
n
(2) ðặt X = ∑ Yi
i =1

c. Phân phối Posson

Chúng ta có thể sử dụng mối quan hệ giữa phân phôi Poisson và phân phối mũ.
Thuật toán ñể tạo X từ phân phối Poisson với tham số λ ñược mô tả như sau:
(1). Giả sử a = e −γ , P = 1, i = 0.
(2). Tạo U n+1 ~ U (0,1) và lấy P = PU n +1 . Nếu P < a , lấy X = i , ngược lại, tiếp tục bước 3
(3). Thực hiện với i = i + 1 và chuyển sang bước 2.
Trong thực tế, thuật toán này chậm ñối với λ lớn. Có thể tìm ñược thuật toán tốt hơn,
nhưng việc lập trình sẽ phức tạp hơn nhiều.
Chú ý: Có thể tham khảo chương trình tạo số ngẫu nhiên và biến ngẫu nhiên ñược viết
bằng ngôn ngữ lập trình Turbo Pascal trong [1].

29
 CHƯƠNG IV
ỨNG DỤNG PHƯƠNG PHÁP MONTE CARLO ðỂ TÍNH XẤP XỈ GIÁ TRỊ π

1. Số π
Pi ( π ) là mẫu tự thứ 16 trong bảng chữ cái Hi Lạp, nhưng chữ Pi lại là một hằng
số quan trọng trong toán học. Người ta ñã chứng minh ñược rằng π là một số vô tỉ siêu
việt (không phải số vô tỉ ñại số), tức là không phải là nghiệm của một ña thức có các hệ số
hữu tỉ. π biễu diễn cho tỉ số giữa chu vi và ñường kính của một ñường tròn. Mà ñường
kính của một ñường tròn thì ño ñược chính xác, còn chu vi ñường tròn thì không ño ñược
chính xác, vì ñường tròn là ñường cong. Do vậy, việc tính π trở thành rất khó khăn. Từ
1
hàng nghìn năm trước Công Nguyên, người Babylone cổ ñại ñã tìm ra π = 3 = 3.125 .
8
Người Ai Cập lấy π = 3,1604 . Khá nhiều giá trị xấp xỉ khác của π ñược dùng ñến trong
kinh thánh và suốt thời gian dài sau ñó. Trong kinh thánh, giá trị này bằng 3. Sau ñó,
khoảng 240 năm Trước Công Nguyên, ñể tính giá trị của π , nhà toán học Hi Lạp
Archimedes ñã chọn ñường kính bằng ñơn vị, tính chu vi các ña giác ñều nội tiếp và ngoại
223 22
tiếp ñường tròn và ông cho rằng: <π < hoặc 3,1408 < π < 3,1429 . Người ta cho rằng,
71 7
Archimedes là người ñầu tiên ước lượng giá trị của π dựa vào giới hạn dưới 223/71 và giới
hạn trên 22/7. Nếu lấy hai chữ số sau dấu phẩy thì π =3,14. Phương pháp tính giá trị của π
như Archimedes gọi là phương pháp cổ ñiển.
Sau khi máy tính ñiện tử ra ñời, việc tính toán không còn khó khăn nữa nên
người ta luôn phá kỉ lục về chữ số sau dấu phẩy của π , gần ñây nhất, vào cuối năm 1999,
ñã tính ñược số π với hơn 200 tỉ chữ số thập phân. Nhưng như vậy vẫn chưa hết và không
thể hết ñược vì ñây là số vô tỉ!. Tuy nhiên, các kết quả tính toán này không có ứng dụng
trong thực tế, vì chỉ với 30 chữ số chính xác của π ñã ñủ cho người ta làm bất cứ công việc

30
tính toán nào. ðiều này chỉ có ý nghĩa như một tiêu chuẩn ñể ño tính năng của máy tính
ñiện tử.
2. Một số phương pháp tính xấp xỉ giá trị số π
2.1 Phương pháp cổ ñiển
Có rất nhiều phương pháp cổ ñiển ñể tính xấp xỉ giá trị π , ở ñây chỉ nêu ra vài
phương pháp ñược biết ñến nhiều nhất.
a. Phương pháp Archimedes
Archimedes ñã xây dựng một phương pháp ñể tính giá trị của π bằng cách xét
các ña giác ngoại tiếp và nội tiếp của một hình tròn.
Gọi an và bn lần lượt là chu vi của ña giác n-cạnh ngoại tiếp và nội tiếp ñường tròn tâm O
bán kính R.
Gọi a2n và b2n lần lượt là chu vi của ña giác 2n-cạnh ngoại tiếp và nội tiếp ñường tròn tâm
O bán kính R.
Ta có công thức truy hồi sau:
2an bn
a2 n = (3.1)
an + bn

b2 n = a2 n bn (3.2)
Thật vậy, ta có ñộ dài cạnh của các ña giác n-cạnh ngoại tiếp, nội tiếp hình tròn tâm O bán
kính R lần lượt là
π
l a = 2 R tan( )
n
π
l b = 2 R sin( )
n
Từ ñó ta có
π
a n = nl a = 2nR tan( )
n
π
bn = nl b = 2nR sin( )
n

31
Suy ra
π π
2.2nR tan( ).2nR sin( )
2a n bn n n
=
a n + bn π π
2nR tan( ) + 2nR sin( )
n n
π π
tan( ) sin( )
= 4nR. n n
π π
tan( ) + sin( )
n n
π
= 4nR tan( )
2n
 π 
= 2n 2 R tan( ) = 2n.l a = a 2 n
 n 

Như vậy (3.1) ñược chứng minh.

Ta cũng có
π π
a 2 n bn = 4nR tan( ).2nR sin( )
2n n

π π π
= 2nR 2 tan( ).2 sin( ) cos( )
2n 2n 2n

π
= 4nR sin 2 ( )
2n

π  π 
= 4nR sin( ) = 2n 2 R sin( ) = 2n.l ' b = b2 n
2n  2n 

Trong ñó, l’a và l’b lần lượt là chiếu dài cạnh của các ña giác 2n-cạnh ngoại tiếp, nội tiếp
ñường tròn tâm O bán kính R. Như vậy, (3.2) ñược chứng minh.
Dựa vào công thức truy hồi (3.1) và (3.2), và bn < C = 2πR < a n , ta sẽ xấp xỉ giá trị của Pi.
Xét ña giác có cạnh n=6.2k (k=0, 1, 2, 3, 4,…) và hình tròn ñơn vị (R=1).
Ta có

32
 ao = 4 3
b0 = 6
2.6.4 3 24 3
a1 = = = 24(2 − 3 )
6+4 3 3+ 2 3
b1 = 24(2 − 3) .6 = 12 2 − 3 = 24(2 − 3 )
a 2 = (2.24(2 − 3 )6( 6 − 2 )) /(24(2 − 3 ) + 24(2 − 3 )) =

Các vòng lặp tiếp theo không cho kết quả dạng ñơn giản, ta có thể tính xấp
xỉ Pi với k=0, 1, 2, 3, 4 (tương ứng với các ña giác có 6, 12, 24, 48, 96 cạnh) như sau:
3.00000 < π < 3.46410 3.10583 < π < 3.21539
3.13263 < π < 3.15966
3.13935 < π < 3.14609
3.14103 < π < 3.14271
Ta thấy rằng với k=4, Archimedes ñã xấp xỉ khá chính xác số Pi: π ≈ 3.14
Tuy nhiên với phương pháp này, số chữ số sau dấu thập phân không nhiều, và liệu có thể
hình dung ña giác 48, 96 cạnh hoặc lớn hơn.
b. Phương pháp Gregory và Leibniz
Hai nhà toán học này làm việc ñộc lập nhau ñã khám phá ra chuỗi vô hạn ñầu
tiên cho số Pi. Họ ñã tìm ra chuỗi vô hạn cho arctan vào những năm 1970, và bằng cách
triển khai chuỗi ñó với một số lần mong muốn nào ñó thì có thể tìm thấy một giá trị xấp xỉ
của Pi.
∞
x 2 n +1
arctan( x) = ∑ (−1) n ( ).
n =1 2n + 1

Sau khi tìm ra chuỗi vô hạn của arctan, họ cần phải tìm ra cách biễu diễn Pi theo arctan,
ñiều này ñược thực hiện nhờ ñã biết sin và cos của Pi/4 bằng nhau và tan=sin/cos, do ñó
tan(Pi/4)=1 hay arctan(1)=Pi/4. ðiều này dẫn ñến công thức sau:
π ∞
1
arctan(1) = = ∑ (−1) n ( ).
4 n=0 2n + 1

33
c. Phương pháp Newton
Newton tính Pi bằng cách tìm phần diện tích bên dưới ñường cong của một
nửa ñường tròn có bán kính 1/2, tâm C(1/2,0). ðể làm ñiều này, Newton sử dụng tích phân
toàn phần và ñịnh lý nhị thức.

(Hình vẽ)

Trước tiên, Newton tính vùng diện tích bên dưới ñường cong AD, ñể làm ñiều này, cần
giải ñược:
1/ 4
y= ∫
0
x − x 2 dx .

ðể tính tích phân này, cần dựa vào ñịnh lý nhị thức Newton:
m m m m m
( )( − 1) ( )( − 1)( − 2)
m
(1 + x) m / n = 1+ x + n n x2 + n n n x 3 + ...
n 2 3.2
Hay
i −1
m
∞ ∏ ( n − j)
(1 + x) m / n = 1 + ∑
j =0
i
xi
i =1
∏k
k =1

Trở lại tích phân trên

1/ 4 1/ 4
y= ∫ x − x dx = ∫x (1 − x)1 / 2 dx
2 1/ 2

0 0

34
 1/ 4
1 1 1 5 4
= ∫x (1 − x − x2 − x3 − x − ...)dx
1/ 2

0
2 8 16 128
1/ 4
x 3 / 2 x 5 / 2 x 7 / 2 5x 9 / 2
= ∫0
x1 / 2 −
2
−
8
−
16
−
128
− ...dx

2 3/ 2 1 5/ 2 1 7 / 2 1 9/ 2 1/ 4
= x − x − x − x − ...
3 5 28 72 0
≈ 0.0767636
Có ñược vùng diện tích bên dưới ñường cong AD, bây giờ chúng ta cần tìm diện tích của
tam giác vuông BCD.
Ta có:
1 1 3 3
BD = ( ) 2 − ( ) 2 = =
2 4 16 4
1
BC =
4
Suy ra
1 1 1 3 3
S ∆BCD = ( BC )( BD) = ( )( ) = .
2 2 4 4 32
Từ ñó, suy ra diện tích của hình quạt ACD là
3
S ACD = S ABD + S ∆BCD = 0.0767636 + .
32
Nhận xét rằng tam giác BCD là tam giác vuông 30-60-90, góc của hình quạt ACD là 600
nên hình quạt chiếm 1/6 diện tích của toàn bộ hình tròn.
1 1 1 π
S ACD = πr 2 = π ( ) 2 = .
6 6 2 24
Cuối cùng, bằng việc rút Pi ra và thay giá trị diện tích mà ñã tính cho hình quạt, ta thu
ñược giá trị xấp xỉ của Pi
3
π ≈ 24(0.0767636 + ) = 3.14135 .
32
Giá trị xấp xỉ của Pi càng chính xác nếu sử dụng càng nhiều số hạng trong khai triển nhị
thức Newton ñể tính diện tích của hình ABD.

35
Việc tính toán tích phân trên dễ dàng hơn nếu sử dụng Maple 6.0:
[> with(student):
[> I=sum(((product((1/2)-j,j=0..i-
1))/(product(k,k=1..i)))*x^i,i=1..infinity);
x
I=
1+ 1+x
[> J=x^(1/2)*(1+I);
J = (1 + I) x
[> T=Int(x^(1/2)*(1+sum(((product((1/2)-j,j=0..i-
1))/(product(k,k=1..i)))*x^i,i=1..infinity)),x=0..1/4);
1/4
⌠
T= x  1 +  dx
x
 

  1+ 1+x
⌡0  

[> evalf(%);
T = .08932841663
[> P=24*(0.08932841663+sqrt(3)/32);
3
P = 2.143881999 + 3
4
[> evalf(%);
P = 3.442920105
2.2 Phương pháp Monte Carlo
a. Bài toán 1 (bài toán Buffon)
Trong phần trên ñã giới thiệu bài toán Buffon với chiếc kim có chiều dài nhỏ hơn 1, và
khoảng cách giữa các ñường thẳng là 1 ñơn vị. Sau ñây chúng ta sẽ ñưa ra thuật toán tính
xấp xỉ giá trị π dựa trên bài toán Buffon với chiếc kim có chiều dài a, các ñoạn thẳng song
song cách ñều nhau một khoảng cách có ñộ dài b (a<b).
Thuật toán:
i. Chọn các giá trị a, b.
ii. Tạo N cặp ñộc lập, ngẫu nhiên (xi, yi), i=1, 2, …N, sao cho các xi có phân phối ñều trên
π
(0, a/2), các yi có phân phối ñều trên (0, ).
2
Tính số n các cặp thoả mãn: xi ≤ a / 2 cos y i

36
iii. Chọn tỉ số 2aN/bn là ước lượng của Pi
Chương trình mô phỏng:
Chương trình mô phỏng ñược viết bằng ngôn ngữ java, chương trình có giao diện như sau:

b. Bài toán 2
Tung n hạt cát lên hình vuông có diện tích bằng 36cm2, trong ñó có 9 hình tròn
bán kính R=1cm. Những hạt cát ñó sẽ rơi vào trong hình tròn nào ñó hoặc rơi ngoài.
Gọi m là số hat cát rơi vào một trong các hình tròn. Khi ñó, theo ví dụ 2.2.1, ta có thể xấp
xỉ diên tích 9 hình tròn trên là:
36*m/n.

37
Vì diện tích hình tròn có bán kính 1 ñơn vị chính bằng π nên:
m 1
π ≈ 36. . .
n 9
Như vậy, ta có thêm một cách tính giá trị π theo phương pháp Monte Carlo.
Thuật toán:
i. Gán giá trị cho diện tích hình vuông SV, số ñường tròn k
ii. Tạo n vectơ ngẫu nhiên (xi,yi), i=1…n, với xi, yi có phân phối ñều trên [0,1].
Tính m ñiểm ngẫu nhiên vừa tạo nằm trong hình tròn nào ñó.
iii. Xấp xỉ giá trị Pi=SV.m/n.1/k.
Chương trình mô phỏng.
Chương trình mô phỏng ñược viết bằng ngôn ngữ VisualBasic 6.0, chương trình có giao
diện như sau:

38
 CHƯƠNG V
MỘT SỐ MÔ HÌNH THỐNG KÊ ỨNG DỤNG

Trong chương này ñề cập ñến một số mô hình thống kê ứng dụng. Nó mô tả tại
sao và khi nào xuất hiện mô hình. Có hai loại mô hình chính ñó là mô hình thống kê liên
tục và mô hình thống kê rời rạc.

1. Mô hình mũ

1.1 Bài toán

Xét một hệ thống và sự hỏng hóc của hệ thống (biến cố “hệ thống bị hỏng”). Gọi
T là biến ngẫu nhiên chỉ sự hỏng hóc của hệ thống.
Giả sử xác suất xuất hiện sự hỏng tỉ lệ với ñộ dài của khoảng thời gian và tốc ñộ
xuất hiện là hằng trên mọi thời gian. Khi ñó xác suất hỏng trong một khoảng thời gian ñã
cho tỉ lệ với ñộ dài của khoảng.
Với khoảng thời gian càng dài thì khả năng xuất hiện sự hỏng càng lớn. Giả sử hàm
phân phối sự hỏng của hệ thống là F(t) xác ñịnh bởi:
FT (t ) = P{T ≤ t}.
Như vậy, FT(t) là xác suất tại thời ñiểm t, xác suất ñể hệ thống bị hỏng trong khoảng thời
gian với ñộ dài ∆t là:
p ≈ λ∆t + o(∆t ) , (2.1)
với o(∆ (t )) là vô cùng bé bậc cao hơn ∆t . Khi ∆t → 0 thì
o(∆t )
lim =0 (2.2)
∆ t → 0 ∆t

Mặt khác, xác suất hệ thống hỏng trong khoảng thời gian (t, t+ ∆t ) với ñiều kiện
nó ñã làm việc tới thời gian t:
FT (t + ∆t ) − FT (t )
p= (2.3)
1 − FT (t )
Từ (2.1) và (2.3) cho ta:
FT (t + ∆t ) − FT (t )
= λ∆t + o(∆t ) (2.4)
1 − FT (t )
Chia hai vế với (2.4) cho ∆t > 0 và khi ∆t → 0 ta có:
 F (t + ∆t ) − FT (t ) 1 
lim  T × =λ
∆t →0
 ∆t 1 − FT (t ) 
Hay
F 'T (t )
=λ (2.5)
1 − FT (t )
Phương trình (2.5) là phương trình với biến số phân li . Ta có:

39
 dFT (t ) d (1 − FT (t ))
(2.5) ⇔ = λdt ⇔ − ∫ = λ ∫ dt + C
1 − FT (t ) 1 − FT (t )
⇔ − ln (1 − FT (t )) = λt + C
⇔ 1 − FT (t ) = C.e −λt
⇔ FT (t ) = 1 − C.e − λt
ðiều kiện ñầu FT(0) = 0 suy ra C = 1.
Vậy:
1-e-λt ; nếu t >0
FT(t) = (2.6)
0 ; nếu t ≤ 0
(2.6) là mô hình mô tả sự hỏng của hệ thống hay ñược gọi là mô hình mũ.
Mật ñộ hỏng f(t) ñược cho bởi:
λe-λt ; λ >0 , t ≥ 0
f(t) =
0 ; ngược lại.

1.2 Các ñặc trưng của mô hình mũ

1.2.1. Kì vọng :
+∞ +∞ +∞
E (T ) = ∫ tf (t )dt = ∫ tλe dt = λ ∫ te −λt dt
−λt

−∞ 0 0

Bằng phương pháp tích phân từng phân ta có:

1
E (T ) =
λ

1.2.2. Phương sai: Tương tự ta có:

λ−2
E (T ) =
1 ( )
E T2 =
λ 2!
Suy ra:
Var (T ) = E (T 2 ) −
2 1 1
− =
λ 2
λ 2
λ2
1.2.3. Hàm sinh moment MT(t) của T có dạng:
+∞
λ
M T (t ) = E e ( )= ∫e
tT ty
λe −λy dy =
λ −t
với t < λ
0

1.3 Ước lượng tham số của mô hình mũ

Giả sử (t1, t2, …tn) là thời gian hỏng hóc tuân theo mô hình phối mũ.
Trung bình mẫu sinh ra từ các quan sát t1, t2, …tn là:
− t1 + t 2 ... + t n
t=
n

40
 Xác ñịnh ước lượng hợp lí cực ñại cho tham số λ của mô hình mũ
* Xác ñịnh hàm hợp lí:
n
n −λ ∑t j
L(t1 , t 2 ,...t 2 , λ ) = ∏ Ptj (t , λ ) = λn e j =1

j =λ

suy ra:
n
ln[L(t1 , t 2 ,...t n , λ )] = n ln(λ ) − λ ∑ t j
j =1

∂ ln[L(t1 , t 2 ,...t n , λ )] n n − 1 n
* tính = − ∑t j = 0 ⇔ λ = ∑t j = t
∂λ λ j =1 n j =1
∂ 2 ln[L(t1 , t 2 ,...t n , λ )] n
* Nếu =− 2 <0
∂λ 2
λ
− 1 n
Vậy λ = t = ∑ t j là ước lượng hợp lí cực ñại cho tham số λ.
n j =1

1.4 Tính chất của phân phối mũ

ðịnh nghĩa:
ðại lượng ngẫu nhiên X ñược gọi là không có trí nhớ nếu:
P( X > s + t X > t ) = P { X > s} với s, t ≥ 0
Lúc ñó: biến T của mô hình mũ không có trí nhớ
P (T> s+t) = e-λ(s+t)
= e-λs.e-λt
= P (T> s) . P (T> t)
P(T > s + t ) P(T > s + t ) e − λ ( s +t )
P(T> s+t T > t ) = = = −λt = e − λs = P(T > s )
P(T > t ) P(T > t ) e
• Chú ý: Một hệ thống ñược chia thành n hệ thống con (subsystem) ñộc lập, mỗi một
hệ thống con có sự hỏng ñược mô tả bởi các biến T j ; j = 1, 2,..., n ñộc lập. Tổng
n
T = ∑ T j có mô hình Gamma.
j =1

o Hãy tính các ñặc trưng của mô hình Gamma.

o Giả sử N là một biến ngẫu nhiên nhận giá trị nguyên dương, có phân phối xác
n
suất P( N = k ) ≥ 0; ∑ P ( N = k ) = 1 . Hãy tìm các ñặc trưng của mô hình dạng
k =1
N
Gamma xác ñịnh bởi tổng ngẫu nhiên TN = ∑ Tk . (chú ý: biến N có thể có phân
k =1

phối xác suất nhị thức, nhị thức âm, poisson, hình học).

41
2. Mô hình Logistic

2.1 ðặt vấn ñề

Bartlett chứng minh rằng trong thời gian một bệnh dịch, nếu mỗi người từ ñám ñông có
thể ñược phân lớp như ñã bị lây nhiễm hoặc sẽ bị lây nhiễm và nếu tốc ñộ lây nhiễm tỉ lệ
với số người ñã bị lây nhiễm nhân với số người còn có khả năng bị mắc bệnh. Mô hình như
vậy gọi là mô hình Logistic.
Nếu X(t): số người bị bệnh ở thời ñiểm t
n: số người (tổng cỡ của tổng thể)
Ta có:
dX (t )
= λX (t )[n − X (t )] (2.7)
dt
với λ là hệ số tỉ lệ
n
ðiều kiện ban ñầu t = 0: X(0) = (2.8)
2
Từ (2.7) ta có:
dX (t )
= λX (t )[n − X (t )]
dt
dX (t )
⇔ = λdt
X (t )[n − X (t )]

Suy ra
dX (t )
∫ X (t )[n − X (t )] = λ ∫ dt + C
1  1 1 
⇔ ∫  + dX (t ) = ∫ dt + C
n  n − X (t ) X (t ) 
1
⇔ [− ln(n − X (t ))] + ln X (t ) = λt + C
n
1 X (t )
⇔ ln = λt + C
n n − X (t )
X (t )
⇔ ln = nλ t + C
n − X (t )
X (t )
⇔ = Ce nλt
n − X (t )
Từ (2.8) ta có
n
n
X (0) = ⇒ 2 = C ⇒ C ≡1
2 n
n−
2

42
 Vậy
X (t ) n − X (t )
= e nλt ⇔ = e − nλ t λ>0,t≥0
n − X (t ) X (t )
X (t )
⇔ − 1 = e −nλt
n − X (t )
n
⇔ = 1 + e − nλt
X (t )
n
⇔ X (t ) =
1 + e − nλt
Vậy
n
X (t ) = , với λ > 0, t ≥ 0 (2.9)
1 + e − nλ t
Phương trình này ñược gọi là mô hình Logistic.

2.2. ðặc trưng

Giả sử ñại lượng ngẫu nhiên T có phân phối
−2
với tham số α và β; hàm mật ñộ của T là:
1
− (1−α )  − (t −α ) 
1

F(t, α , β ) = β -1e β
 1 + e β

  (2.10)

Nếu (t - α) thay cho t và β-1 thay cho λn, (2.10) suy từ (2.9) bởi phép lấy ñạo hàm, -
∞ < t < +∞
Nếu α = 0, β = 1 ta nói mô hình :logistic chuẩn tắc, hàm mật ñộ là
f(y) = e-y(1+e-y)-2
Hàm phân phối xác suất :
F(y) = 1 – e-y (1+e-y)-1
với - ∞ < y < +∞

3. Mô hình logarit chuẩn (lognormal)

3.1. Bài toán
Giả sử thời gian mà sự phá hủy xuất hiện là T1 < T2 …< Tn, với Tn: là thời gian hỏng
ðặt:
Tj – Tj-1 = Sj Tj-1
với Sj: là biến ngẫu nhiên
T0: là quan sát ñầu tiên
Như vậy, thời gian xuất hiện thứ j và thứ (j-1) của sự phá hủy là tỉ lệ ngẫu nhiên với thời
gian của sự xuất hiện thứ (j-1). Suy ra:
n n T j − T j −1 n δ (T j )
∑Sj = ∑
j =1 j =1 T j −1
=∑
j =1 T j −1
và

43
 T 
n Tn
dT
lim
( )
S T j →0
∑Sj = ∫T = ln TT0n = ln n 
j =1 T0  T0 
Ta có: Sn ~ N (0,1) ⇒ ln (T )`N ⇒ T ~ ln ( N )
với X ~ ln N (µ , δ 2 ) ⇔ ln X ~ N (µ , δ 2 )
F ( x ) = P( X < x ) = P[ln( X ) < ln( x )] = φ (ln(n ))
1
f ( x ) = p X ( x ) = FX' ( x ) = φ ' (ln ( x ))
x
1  ln x − µ  2
1 1 −  
= × e 2 δ 
, δ > 0, x > 0, µ ≠ 0
x δ 2π

3.2. Các ñại lượng ñặc trưng

Cho X ∼ lnN(µ,σ 2)
1.3.2.1. Kì vọng:
1  ln ( x )− µ 
2
+∞ +∞ −  
1
∫ xp(x )dx = ∫ x xσ
σ
E( X ) = e 2 
dx
−∞ −∞ 2π
+ ∞ − 1  ln ( x )− µ 
2
1  

∫e
σ
= 2 
dx
σ 2π 0

ðặt
ln ( x ) − µ
y= ⇔ σy = ln ( x ) − µ ⇔ ln x = σ . y + µ ⇔ x = e σy + µ
σ
Suy ra
dx = σ .e (σy + µ ) dy
ðổi cận:
x = 0 thì y = -∞
x = +∞ thì y = +∞
Suy ra:
1
1 − y2
+∞
e 2
σ .e µ +σy dy
E( X ) = ∫σ
−∞
2π

+∞ 1
1 − y 2 +σy
= eµ ∫ e 2
dy
2π −∞

1
1 µ+ σ 2
= e 2
× 2π
2π
1
µ+ σ 2
=e 2

44
 1
µ+ σ 2
Vậy E(X ) = e 2

1.3.2.2. Phương sai

Var ( X ) = E ( X − E ( X ) ) = E X 2 − (EX )
2
( ) 2

Ta có:
+∞ +∞ 1  ln x − µ 2 
−  
1 2  σ 
E(X ) = ∫ x p(x )dx = ∫ e
2 2 2 
e dx
−∞ 0 xσ 2π
+∞ 1  ln x − µ  2
1 −  

∫ xe
2 σ 
= dx
σ 2π 0

ðặt
ln x − µ
y= ⇒ ln x = σy + µ ⇔ x = e (σy + µ ) ⇒ dx = δe σy + µ dy
σ
ðổi cận
x = 0 thì y = -∞
x = +∞ thì y = +∞
Suy ra:
+∞ 1
( )
E x2 =
1
∫e ×e
σy + µ
− y2
2
× σ × e σy + µ dy
σ 2π −∞
+∞ 1
1 2 (σ + µ )
− y2
=
σ 2π ∫e
−∞
×e 2
dy

+∞ 1
1 2σy − y 2
∫e
µ
= e 2
dy
σ 2π −∞

1
+∞
− (
1 2
y − 4σy + 4σ 2 )
e2µ ∫ e × e 2σ dy
2
= 2

σ 2π −∞

1
+∞
−
1
(
y −σ 2 )2

e2µ ∫ e × e 2σ dy
2
= 2

σ 2π −∞

e 2 (µ +σ ) ( )
2 +∞ 1 2
− y − 2σ 2
= e 2µ
∫e 2
d ( y − 2σ )
2π −∞

e 2 (µ +δ )
2

= × 2π
2π
= e 2 (µ +δ )
2

Suy ra:
 1 
2 µ + σ 2 
Var ( X ) = e 2 ( µ +σ )2
−e  2 

45
 (
= e 2 µ e 2σ − e σ
2
) 2

= e 2 µ +σ
2
(e − 1)
2σ 2

3.3. Xây dựng khoảng ước lượng cho tham số của mô hình logarit chuẩn
Cho X ~ ln N (µ , σ 2 ) ⇔ ln X ~ N (µ , σ 2 )
Ta có ln(X1), ln(X2), …, ln Xn là n – quan sát từ ln(X) ∼N(µ, σ2)
ðặt
(
Yi = ln( X i ) ~ N µ , σ , ∀ i = 1, n
2
)
Xét:
1 n  σ2 
Y= ∑i Y → Y ≈ N  µ , 
n 
n i =1 
Vì:
()
E Y = µ và Var Y = () σ2
n
Suy ra:
Y −µ
n ~ N (0,1)
δ
Thì
Y − µ 
E  n  =
n
E Y −σ = 0 ( )
 σ  σ
Do ñó
Y − µ  n
Var 
n n σ2
n  = 2 × Var Y − µ = 2 × Var Y = 2 × (
=1 ) ()
 σ  σ σ σ n
Tức là:
Y − µ  1
x
−
1
P n < x  = φ ( x ) = ∫ e 2 dy
 σ  2π −∞

Theo tính chất phân phối của xác suất

 Y −µ 
P − x < n < x  = φ ( x ) − φ (− x ) = 2φ 0 ( x )
 σ 
với
x 1
1 − y2
φ0 ( x ) = ∫ e 2 dy
2π 0
Hay
 σ σ 
P Y − x < µ <Y + x  = 2φ 0 ( x )
 n n
Cho trước một xác suất γ ∈ (0,1) ñể

46
  σ σ 
P Y − x < µ <Y + x  = γ
 n n
Suy ra:
γ
2φ0 ( x ) = γ ⇔ φ0 ( x ) =
2
Tra từ bảng Laplace ta có:
γ 
xγ = φ0−1  
2
  σ σ 
P µ ∈  Y − xγ ; Y + xγ   = γ
  n n 
Vậy khoảng ước lượng cho µ với ñộ tin cậy γ là:
σ σ
ln(x j ) − xγ < µ < ∑ ln(X j ) + xγ
1 n 1 n
∑
n j =1 n n j =1 n
Chú ý: Nếu như σ2 chưa xác ñịnh ta thay σ bởi S n'2

Cho X1, X2, …Xn với Xj ∼ N(0. 1, …).Lúc ñó:

X 12 + X 22 + .... X n2 = X 2 ~ χ 2 ( x )
Ta có X∼ lnN(µ, σ2) ⇔ lnX ∼ N(µ, σ2).
Suy ra
 ln X − µ 
  ~ N (0,1)
 δ 
1 n
ðặt lnX1, lnX2, …, lnXn là Y1, Y2, …, Yn ; với Y j = ln X j và Y = ∑Y j
n j =1
Ta có
Y −µ
n ~ N (0,1)
σ
Do
Y j ~ N µ ,σ 2 ( )
Hay
Yj − µ 
  ~ N (0,1)
 σ 
Suy ra
2
n
 Yj − µ 
∑   ~ χ 2 (n )
j =1  σ 
Thì
∑ (Y − µ ) ~ χ 2 (n )
n
1 2

σ 2 j
j =1

47
 Suy ra
∑ (ln (X ) − µ )
1
~ χ 2 (n )
2

σ 2 j

Giả sử γ là xác suất cho trước ñể

2

∑ (ln X − µ ) < χ 22
n
1
χ < 2

σ2
1 j
j =1

1 σ2 1
⇔ < <
χ χ 12
∑ (ln X − µ)
2 n
2 2
j
j =1

∑ (ln X − µ) ∑ (ln X − µ)
n n
2 2
j j
j =1 j =1
⇔ <σ 2 <
χ 2
2 χ 12
 n 2 
 ∑ (ln X j − µ ) ∑ (ln X − µ) 
n
2
j
 j =1 j =1 
Vậy P <σ 2 < =γ
χ2
2
χ1
2
 
 

3.4. Ước lượng cho mô hình logarit chuẩn

Giả sử T có phân phối logarit chuẩn, khi ñó Y = lnT có phân phối chuẩn với trung bình
µ và σ2. Như vậy nếu T1, T2, …, Tn là một mẫu ngẫu nhiên có phân phối logarit chuẩn, Y1,
Y2, …, Yn là một mẫu ngẫu nhiên từ một phân phối chuẩn mà hàm hợp lí cho bởi:
( xi − µ )2
( )
n 1 −
L = µ , σ ; x1 x 2 ,...x n = ∏ (2πσ )
−
2
2 ×e 2σ 2

i =1

Dùng phương pháp ước lượng hợp lí cực ñại suy ra:
1 n  n ln t i  
2
∧ ln t n ∧ 2
µ = y=∑ i và σ = ∑ (ln t i ) − n ∑
2
 
i =1 n n  i =1  i =1 n  
là các ước lượng hợp lí cực ñại của µ và σ2

5. Mô hình Bernoulli

5.1 Bài toán

Quan sát n lần biến cố A: ñộc lập, lặp. Biến cố A xuất hiện (thành công) thì p =P(A) và
−
A không thành công thì q=P( A ), với p ∈ (0,1)
Ta có X số lần thành công, X = {0,1,2,..,n}. Lúc ñó X~Bn(p) suy ra:
P(X=k)=Cnkpk(1-p)n-k (2.11)
Với 0 ≤ k ≤ n, p ∈ (0,1), n ≥ 1

48
Chứng minh
B là biến cố có k lần thành công ở trong n lần quan sát
B = A1 ∩ A2 ∩ ..... ∩ Ak ∩ 
A k +1 ∩ .... ∩ A n











k _ thànhcông n − k _ khôngthànhcông

Do A1 ,....., A n : là ñộc lập nên ta có:

(
P(B ) = P A1 ∩ A2 .... ∩ Ak ∩ Ak +1 ∩ .... ∩ An )
= P( A1 ).P( A2 )......P( An ).P A k +1 .....P A n ( ) ( )
(1− p )....(1− p )
= p. p.... p
= p k .q n−k
Có C nk biến cố dạng B nên P ( X = k ) = C nk p k q n − k

5.2. Các ñặc trưng của mô hình

Kì vọng:
E ( X ) = µ - số thành công trung bình.
Ta có E(X) = np.
Thật vậy ta có
n n
µ = E ( X ) = ∑ xk pk = ∑ kCnk p k q n−k (1-p =q) (2.12)
k =0 k =0

Sử dụng nhị thức Newton

n
( p + q) ∑C p k q n−k (2.13)
n
= k
n
k =0

Do p + q =1
suy ra
n
1n = ( p + q ) = ∑ Cnk p k q n − k
n
(2.14)
k =0

Lấy ñạo hàm hai vế theo q ta có:

n
n( p + q) = ∑ Cnk ( kp k −1.q n − k )
n −1

k =1

Nhân hai vế với p ta có

n
np( p + q ) = ∑ kC nk p k q n− k
n −1

k =0

⇔ np = E ( X ) = µ
Vậy E(X)=np

Phương sai
Ta có Var(X) = npq. Thật vậy
σ 2 = Var ( X ) = E ( X − µ ) 2 = E ( X ) 2 − µ 2

49
Mà
n n
E ( X 2 ) = ∑ xk2 pk = ∑ k 2Cnk p k q n − k
k =0 k =0

Lấy ñạo hàm theo p hai vế của phương trình (2.14), ta có:
n
n(n − 1)( p + q ) = ∑ (k − 1)kC nk p k − 2 q n −k
n −2

k =2

Nhân hai vế của phương trình với p2

n
n(n − 1)( p + q ) p 2 = ∑ (k − 1)kC nk p k q n− k
n −2

k =2
n n
⇔ n(n − 1) p 2 = ∑ k 2 C nk p k q n− k − ∑ kC nk p k q n −k = E ( X 2 ) − µ
k =2 k =0

suy ra
E(X2) = n(n-1)p2+np
Vậy
Var(X)= σ 2 = n(n-1)p2+np-(np)2
= n2p2-np2+np-n2p2
= np(1-p)
= npq
Hàm sinh moment
G x (t ) = E (e xt ), t ∈ ( −∞ ,+∞ )
X1,X2,…,xn là n biến ñộc lập thì
n
G n (t ) = ∏ G X j (t )
∑Xj j =1
j =1

5.3. Khoảng ước lượng cho tham số p

X~Bn(p), xây dựng khoảng ước lượng cho tham số p với xác suất γ
P(T1<p<T2)= γ
n- lớn , tần số thực nghiệm fn=k/n là ước lượng tốt cho p ∈ (0,1)
suy ra
 p(1 − p) 
f n ~ N  p, 
 n 
Suy ra
fn − p
n ~ N (0,1)
f n (1 − f n )

Lúc ñó

50
  fn − p 
P n < x  = φ ( x)
 f n (1 − f n ) 
 
Suy ra
 fn − p 
P − x < n < x  = 2φ ( x)
 f n (1 − f n ) 
 
 f (1 − f n ) f (1 − f n ) 
Hay P f n − x n < p < fn + x n  = 2φ ( x)

 n n 
ðể
 f (1 − f n ) f n (1 − f n ) 
P f n − x n < p < fn + x =γ
 n n 
 
Suy ra
γ
2φ ( x ) = γ ⇔ φ ( x) =
2
Tra từ bảng Laplace cho ta xγ
 f n (1 − f n ) f n (1 − f n ) 
P  f n − xγ < p < f n + xγ =γ
 n n 
 
Vậy khoảng ước lượng cho tham số p là:
 f n (1 − f n ) f n (1 − f n ) 
 f n − xγ , f n + xγ 
 n n 
 
5.4 Bài toán kiểm ñịnh tham số p
So sánh tham số p ∈ (0,1) với p0 ∈ (0,1)
1. Giả thiết
H 0 : p = p0
− (a)
H 0 : p ≠ p0

H 0 : p = p0
− (b)
H 0 : p > p0

H 0 : p = p0
− (c )
H 0 : p < p0
2. Hàm kiểm ñịnh
( f n − p0 ) n ∼N(0, 1)
k=
p 0 (1 − p 0 )
3. Mức ý nghĩa α

51
 α
K α sao cho φ ( K α ) = 1 −
2 2
2

K α sao cho φ (K α ) = 1 − α
2

4. Miền bác bỏ
 
Wα =  K ≥ K α  cho trường hợp a
2  2 

W α = {K ≥ K α } cho trường hợp b

W α = {K ≤ − K α } cho trường hợp c
5. Kết luận

6. Mô hình Poisson

6.1. Bài toán 1

Xét mô hình nhị thức B(n,p)
f ( x, n, p ) = C nk p k q n − k ở ñây x = 0, 1, 2, …, n ; q = 1-p, q < p < 1
Nếu n khá lớn, p nhỏ và λ = np thì f(x,p) có thể xấp xỉ bởi mô hình Poisson sau:
e −λ λx
P ( x, λ ) = , x = 0, 1, 2, …
x!
Chứng minh
Giả sử
n
P( x, λ ) = lim p x q n− x
n→∞ (n − λ )x!
Nếu một quan sát cho thấy
λ n
p= và = n(n − 1)....(n − x + 1) ta suy ra:
n n−x
n− x
λx  1   x − 1  λ 
P ( x, λ ) = lim1 − ....1 − 1 − 
x n →∞  n   n  n 
−x
 1   x −1   λ
Do lim1 − .....1 −  = lim1 −  =1
n →∞
 n  n  n →∞  n 
Do tích các giới hạn bằng giới hạn của tích thì:
n− x
λx  λ λx  λ
n

P ( x, λ ) = lim1 −  = lim1 − 
x n → ∞
 n x n → ∞
 n
Theo kết quả của giải tích:
 λ
n

lim1 −  = e −λ
n →∞
 n

52
 Vậy:
λ x −λ
P ( x, λ ) = e
x!
6.2. Bài toán 2
Giả sử số lần ñiện thoại gọi tới tổng ñài trong (0, t) xuất hiện ngẫu nhiên ñều ∆t (∆t: bé).
P: là xác suất xuất hiện ñúng một cuộc gọi trong khoảng thời gian có ñộ dài ∆t là p =
λ∆t.
Xác suất xuất hiện nhiều hơn một lần gọi trong khoảng thời gian là o(
∆ t ) . T ứ c l à :

o(∆t )
=0
.

lim
∆t →0 ∆t

Px (t ) Khi ñó:
G ọ i ọ i i i
l à x á c s u ấ t c ó đ ú n g x c u ộ c g t ớ t ổ n g đ à t r o n g ( 0 , t ) .

Px ( t + ∆t ) = λ Px −1 ( t ) .∆t + (1 − λ∆t ) .Px ( t ) + o ( ∆t )

x = 0, 1, 2, … (2.15)
P−1 ( t ) = 0
Phương trình trên cho thấy x cuộc gọi xuất hiện tới thời gian t+∆t có thể xảy ra bởi hai
cách:
* Có (x-1) cuộc gọi xuất hiện trong thời gian t và thêm một lần gọi thêm trong thời
gian ∆t.
* Hoặc có x cuộc gọi trong thời gian t và không có cuộc gọi thêm mà trong thời gian
∆ t .

Từ (2.15) ta có:
(2.15) ⇔ Px (t + ∆t ) = Px (t ) + λPx −1 (t ).∆t − λ∆tPx (t ) + o(∆t ) (2.16)
⇔ Px (t + ∆t ) − Px (t ) = λPx −1 (t ).∆t − λ∆tPx (t ) + o(∆t ) (2.17)
Suy ra:
Px (t + ∆t ) − Px (t )
lim = λPx −1 (t ) − λPx (t )
∆t → 0 ∆t
⇔ P' x (t ) = λPx −1 (t ) − λPx (t ) x = 0, 1, 2, … (2.18)
ðiều kiện ban ñầu Po(t) = 1, Px(0) = 0, x = 0, 1, 2,
* Khi x = 0
P'o (t ) = λP−1 (t ) − λPo (t )
⇔ P'o (t ) = −λPo (t )
dPo (t )
Suy ra = −λdt
Po (t )
dP (t )
⇔ ∫ o = −λ ∫ dt + C
Po (t )
⇔ ln Po (t ) = Ce −λt
Khi Po(0) = 1 suy ra C = 1

53
 Vậy khi x = 0 thì Po(t) = e-λt (λ > 0)
* Khi x = 1, từ (2.18) ta có
(2.18) ⇔ P1’(t)= λPo(t) - λp1(t)
= λe-λt - λP1(t)
⇔λ(t) +λP1(t) = λe-λt (2.19)
Phương trình (2.19) là phương trình vi phân không thuần nhất .
* Giải phương trình thuần nhất:
P1’(t) + λP1(t) = 0 (2.20)
Từ (2.10) ta có
dP1 (t )
⇔ = −λP1 (t )
dt
dP (t )
⇔ 1 = −λdt
P1 (t )
dP (t )
⇔ ∫ 1 = λ ∫ dt + C1
P1 (t )
⇔ ln P1 (t ) = −λt + C1
⇔ P1 (t ) = C1e − λt (2.21)
* Nghiệm riêng của phương trình (2.19) là:
P1*(t) = C1(t) e-λt
Suy ra:
P1*(t) = C1’(t)e-λt - λC1(t)e-λt
Thay vào (5) ta có:
C1’(t)e-λt-λC1(t)e-λt + λC1(t)e-λt = λe-λt
⇔ C1(t) = λt
⇔ P1*(t) = λt e-λt
⇔ P1(t) = P1 (t ) + P1* (t) = C1 e-λt + λt e-λt
Từ ñiều kiện Px(0) = 0 suy ra P1() = C1 e-λt+λ0=0 do ñó C1 =0
Vậy
P1(t) = 0. e-λt + λt. e-λt = λt. e-λt
Suy ra:
P1’(t) = λ e-λt - λ2t e-λt
Suy ra x = 1:
P1 (t ) =
(λt )1 e − λt
1!
Bằng phương pháp qui nạp, ta có x = n thì

Pn (t ) =
(λ t )n e − λ t
n!
Vậy:

54
 Px (t ) =
(λt )x e −λt , x = 0, 1, 2, …. với x – số cuộc gọi tới tổng ñài.
x!
là mô hình Poisson với tham số λt.

6.3. Các ñặc trưng

• E ( X ) = Var ( X ) = λ .

7. Mô hình hình học và mô hình nhị thức âm

7.1. Mô hình hình học

Xét một biến cố có thể xảy ra tại một thời ñiểm rời rạc sao cho như là sự hỏng của ñồng
hồ ñược ghi lại tại thời gian nào ñó.
Giả sử p là xác suất xuất hiện biến cố ñó trong phép thử x, p là hằng số không phụ thuộc
vào các phép thử.
Xác suất biến cố xuất hiện trong phép thử thứ x cho thời ñiểm ñầu tiên là:
f ( x, p ) = q x−1 p, x = 1, 2, 3, … (2.22)
q = 1-p
Mô hình (2.22) ñược gọi là mô hình hình học.
Mô hình này có “tính quên” như sau:
P X > x1 + x2 X > x1 = P X > x2
Hàm sinh moment
(
M x (t ) = pe t 1 − e t q )−1

Kì vọng:
E(x) = p-1
Phương sai:
Var(x) = qp-2
1 1 n
Ước lượng hợp lí cực ñại: p = với x = ∑ xi ; và các x1, x2, …, xn là các quan sát theo
x n i −1
mô hình hình học (2.22).

7.2. Mô hình nhị thức âm

Sự phát triển của mô hình hình học là mô hình nhị thức âm.
g ( x; n, p ) = C xn−−11 p n q x − n (2.23)
ở ñây x=n,n+1,…
(2.23) ñược gọi là mô hình nhị thức âm và sự phát triển của mô hình hình học nếu
n
x1,x2,…,xn là các ñại lượng cùng phân phối hình học, thỏa mãn (2.22) và nếu X = ∑ xi
i =1

Khi ñó X có (2.23)

55
 Hàm sinh moment
∞ ∞
M x (t ) = ∑ C xn−−11e tx p n q x − n = ( pe t )∑ C nn+−1x −1 (e t q) x
x =1 x =0

Kỳ vọng
E(X)=np-1
Phương sai
Var(X)=nqp-2
k

∧ ∧ − ∑x i
Ước lượng hợp lý cực ñại p cho p là p =1/x với x = i =1
k
và (ni,xi), i=1,2,..,k là số các
∑ ni
i =1

phép thử và thành công.

TÀI LIỆU THAM KHẢO

[1]. Trần Lộc Hùng, Cơ sở mô phỏng ngẫu nhiên. Nhà xuất bản giáo dục, 1997.
[2]. Trần Lộc Hùng, Lý thuyết xác suất và Thống kê toán học, Nhà xuất bản giáo dục,
1998.
[3]. Trần Lộc Hùng, Bài tập Lý thuyết xác suất và Thống kê toán học, Nhà xuất bản giáo
dục, 1999.
[4]. Nguyễn Quý Hỷ, Phương pháp mô phỏng số Monte Carlo. Nhà xuất bản ðại học
Quốc gia Hà Nội, 2003.
[5]. Nguyễn Viết Phú, Nguyễn Duy Tiến. Cơ sở lý thuyết xác suất. Nhà xuất bản ðại học
quốc gia Hà Nội, 2004.
[4]. http://4u.joisio.com
[5]. http://mathworld.wolfram.com

56
57