XSTK 2019 2020

ĐẠI HỌC KINH TẾ QUỐC DÂN
KHOA TOÁN KINH TẾ

Bộ môn Toán kinh tế
Bài giảng
LÝ THUYẾT XÁC SUẤT
&
THỐNG KÊ TOÁN
www.mfe.neu.edu.vn
1
Thông tin học phần
▪ Tiếng Anh: Probability and Mathematical Statistics
▪ Số tín chỉ: 3 Thời lượng: 45 tiết
▪ Đánh giá:
• Điểm do giảng viên đánh giá: 10%
• Điểm kiểm tra giữa kỳ: 20%
• Điểm thi cuối kỳ (90 phút): 70%
▪ Không tham gia quá 20% số tiết không được thi
LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 2

Thông tin học phần
▪ Thông tin chi tiết về Giảng dạy và học tập học phần:
▪ www.mfe.neu.edu.vn  Thông tin  “Hướng dẫnhọc
tập”  “Hướng dẫn giảng dạy học tập học phần Lý
thuyết xác suất và Thống kê toán”
• Đề cương chi tiết
• Hướng dẫn thực hành Excel
• Bảng số và công thức cơ bản
• Một số đề thi và bài tập
• Nội dung giảng dạy học tập cụ thể

Thông tin giảng viên
▪ TS. Phạm Ngọc Hưng
▪ Bộ môn Toán kinh tế - Khoa Toán kinh tế - ĐH Kinh tế
quốc dân
▪ Email: hungpn@neu.edu.vn
▪ Trang web: www.mfe.neu.edu.vn/phamngochung

Tài liệu
▪ [1] Nguyễn Cao Văn, Trần Thái
Ninh, Ngô Văn Thứ (2015), Giáo
trình Lý thuyết xác suất và Thống
kê toán, NXB ĐHKTQD.
▪ [2] Paul Newbold, William L.
Carlson, Betty Thorne (2013),
Statistics for Business and
Economics, 8th edition, Pearson.
▪ [3] Anderson, Sweeney, Willams,
Camm, Cochran (2017), Statistics
for Business and Economics, 12th
edition, South-Western.
▪ Website: www.mfe.neu.edu.vn

Nhà khoa học
▪ Thế kỉ 16: Galilei O Galile (Italia)
▪ Thế kỉ 17: Blaise Pascal, Piere de Fermat (Pháp),
Christian Huygens (Hà Lan), Jakob Bernoulli (Thụy Sĩ)
▪ Thế kỉ 18: Nicolaus Bernoulli (Thụy Sĩ), Thomas Bayes
(Anh), Pierre Simon Laplace (Pháp)
▪ Thế kỉ 19: Carl Friedrich Gauss (Đức), Simeon Denis
Poisson (Pháp), Pafuni Chebyshev (Nga), Francis
Galton, Karl Pearson (Anh)
▪ Thế kỉ 20: Charles Spearman, Royal Aylmer Fisher
(Anh), Andrei Kolmogorov (Nga)

NỘI DUNG
▪ Bài 1 : MỞ ĐẦU
▪ Bài 2 : BIẾN CỐ VÀ XÁC SUẤT
▪ Bài 3 : BIẾN NGẪU NHIÊN RỜI RẠC VÀ QUY LUẬT PHÂN PHỐI
XÁC SUẤT
▪ Bài 4 : BIẾN NGẪU NHIÊN LIÊN TỤC VÀ QUY LUẬT PHÂN PHỐI
XÁC SUẤT
▪ Bài 5 : BIẾN NGẪU NHIÊN HAI CHIỀU
▪ Bài 6 : LUẬT SỐ LỚN
▪ Bài 7 : MẪU NGẪU NHIÊN
▪ Bài 8 : ƯỚC LƯỢNG THAM SỐ
▪ Bài 9 : KIỂM ĐỊNH GIẢ THUYẾT

BÀI 1 – MỞ ĐẦU
▪ 1.1. Các khái niệm cơ bản
• Thống kê – Xác suất
• Tổng thể, mẫu, quan sát, biến
▪ 1.2. Bảng biểu – Đồ thị
• Bảng tần số, tần suất
• Đồ thị tròn, cột, phân phối giá trị
▪ 1.3. Thống kê mô tả
• Nhóm xu thế trung tâm
• Nhóm đo độ phân tán
• Nhóm hình dáng phân phối, mối quan hệ

1.1. CÁC KHÁI NIỆM CƠ BẢN
THỐNG KÊ (STATISTICS)
▪ Thu thập dữ liệu
▪ Xử lý dữ liệu
▪ Trình bày, biểu diễn dữ liệu
▪ Phân tích dữ liệu để có được thông tin ở mức cao hơn
▪ Suy diễn về thông tin
Thông tin Thông tin

ban đầu Thống kê cao cấp hơn
(Dữ liệu) (Kết quả)

Thống kê và Xác suất
▪ Thống kê có hai nhánh chính
▪ Thống kê mô tả (Descriptive Statistics): sắp xếp, tổng
hợp, trình bày dữ liệu theo những cách hợp lý, thuận
tiện nhất.
▪ Thống kê suy diễn (Inferential Statistics): dự đoán,
kiểm chứng, phân tích dữ liệu để có các kết luận tổng
quát.
▪ Kết nối là Lý thuyết xác suất
▪ Thống kê mô tả là thông tin cơ bản cho thống kê suy
diễn

Tổng thể và Mẫu
▪ Tổng thể (Population): tất cả các phần tử cần quan

tâm
• Kích thước tổng thể: N, có thể vô hạn
• Giá trị tính từ tổng thể: Tham số (parameter)
▪ Mẫu (Sample): tập con rút ra từ tổng thể
• Kích thước mẫu: n, hữu hạn
• Giá trị tính được: Thống kê (statistic)

Cấu trúc dữ liệu truyền thống
▪ Gồm: Quan sát / bản ghi – Biến / trường – Giá trị
▪ (Observation / record – Variable / field – Value)
Biến
Điểm Điểm
TT Họ tên Giới Tuổi …
T.Anh Toán
1 Nguyễn A M 19 A 8 …
Quan sát
2 Trần T. F 20 C 9 …
3 Lê …. M 20 B 7
… … … … … …. ….

Phân loại biến
▪ Định tính (Qualitative) và Định lượng (Quantitative)
▪ Biến định tính: Định danh và Thứ bậc
• Định danh (Nominal): VD: Tên, địa chỉ, ngành học
• Thứ bậc (Ordinal): VD: Thứ hạng, cỡ giày,…
• Nhị phân (binary): Đúng / Sai, Nam / Nữ…
▪ Biến Định lượng (Quantitative): có đơn vị đo lường
• Rời rạc (Discrete): VD: tuổi, số buổi học,…
• Liên tục (Continuous): VD: thời gian, cân nặng
• Biến định lượng có thể sử dụng để xác định biến
định tính

Phân loại biến
Định tính Định lượng
Định danh Thứ bậc Rời rạc Liên tục

Liệt kê Liệt kê, nhóm Liệt kê, nhóm, gộp
Nhóm, gộp Sắp xếp thứ Sắp xếp thứ tự, so sánh
tự, so sánh Tính toán, +, -, × , ÷ ,…
Mã hóa bởi con số Sử dụng để xếp hạng

Thang đo Likert
▪ Sử dụng trong các bảng hỏi đánh giá, nhận xét
▪ Thang Likert 5 bậc, 7 bậc
Rất không Không Không Đồng ý Rất đồng ý
đồng ý đồng ý ý kiến
1 2 3 4 5
Hoàn Rất Không Không Đồng ý Rất Hoàn

toàn không đồng ý ý kiến đồng ý toàn
không đồng ý đồng ý
đồng ý
1 2 3 4 5 6 7
1.2. BẢNG BIỂU & ĐỒ THỊ
▪ Bảng tần số, tần suất, tần suất tích lũy
▪ Đồ thị tròn (pie chart), cột (column chart, bar chart)
▪ Đồ thị phân phối giá trị (histogram)
▪ Đồ thị rải điểm (scatter plot)
▪ [1] Chương 6, trang 312 – 323.

▪ [2] Chapter 1, pp. 8 – 38.
▪ [3] Chapter 2, pp. 33 – 98.

Ví dụ: Dữ liệu VHLSS 2012
▪ Dữ liệu hộ gia đình ở Hà Nội, n = 420 quan sát
Thứ Khu vực Số Thu nhập So với toàn

tự người (triệu VND) quốc
1 Thành thị 3 130,8 Cao
2 Thành thị 5 133,1 TB cao
3 Nông thôn 4 104,3 TB thấp
… … … … …
420 Nông thôn 7 25,7 Thấp

Tần số & Tần suất (tỷ lệ)
▪ Bảng tần số (frequency table) của biến Khu vực
Khu vực Thành thị Nông thôn
Tần số 183 237
▪ Bảng tần suất (relative frequency) hay tỷ lệ
(proportion)
Tần số
Tần suất =
Tổng số phần tử
Khu vực Thành thị Nông thôn

Tần suất 0,436 0,564
Tỷ lệ, phần trăm 43,6 % 56,4 %

Đồ thị tròn (pie chart)
Khu vực
Khu Thành Nông Thành
vực thị thôn thị
183
Nông 237
Tần số 183 237 44%
thôn 56%
Tỷ lệ 43,6% 56,4%
So sánh với toàn quốc
So với Cao
TB TB
toàn Cao Thấp TB cao 33
cao thấp 8%
quốc TB thấp 78
18% 205
Thấp
Tần số 205 104 78 33 49%
104
25%
% 49% 25% 19% 8%

Đồ thị cột (column chart)
So với toàn quốc
So với 250
Tần số %
toàn quốc 205
200
Cao 205 49%
TB cao 104 25% 150
TB thấp 78 19% 104

100
Thấp 33 8% 78
Tổng 420 100% 50

33
0
Cao TB cao TB thấp Thấp

Đồ thị cột: phân phối giá trị (histogram)
SN 1 2 3 4 5 6 7 8 9 Tổng
Tần số 22 54 78 139 74 33 12 4 4 420
% 5% 13% 19% 33% 18% 8% 3% 1% 1% 100%
Quy mô hộ gia đình

33%
19% 18%
13%
8%
5% 3% 1% 1%
1 2 3 4 5 6 7 8 9

Hình dạng của phân phối giá trị
▪ Phân phối đối xứng và bất đối xứng
Lệch trái (lệch âm) Đối xứng, Lệch phải (lệch dương)
Negatively skewed dạng chuông Positively skewed
Left skewed Right skewed
(Symmertrical)
Bất đối xứng / phân phối lệch

Đồ thị rải điểm (scatter plot)
▪ Sử dụng với số liệu hai chiều
Labor Output Labor Output Output – Labor relationship

300
11 80 15 250
250
11 130 16 220
200
12 150 17 210
Output
150
13 110 18 240
100
13 150 18 200
50
13 200 17 260
0
15 170 19 240 10 12 14 16 18 20
Labor
14 180 19 280
Tương quan giữa hai biến định lượng
▪ Dạng cơ bản của đồ thị điểm hai biến định lượng
r = 0,5 Tương quan
Dương
Yếu
Mạnh r = 0,8
Tương quan r=0

Âm
Không
r = – 0,5 Tương quan

1.3. THỐNG KÊ MÔ TẢ
▪ Xu thế trung tâm: Trung bình, trung vị, mốt
▪ Các vị trí: tứ phân vị, các phân vị
▪ Đo độ phân tán: Phương sai, độ lệch chuẩn, hệ số biến
thiên, khoảng biến thiên, khoảng tứ phân vị
▪ Hình dáng phân phối: Hệ số bất đối xứng, hệ số nhọn
▪ Đo độ liên hệ: Hiệp phương sai, hệ số tương quan
▪ [1] Chương 6

Nhóm xu thế trung tâm
▪ Dùng một giá trị đại diện cho bộ số liệu
▪ Ba thống kê xu thế trung tâm thường sử dụng:
• Trung bình (mean)
• Trung vị (median)
• Mốt (mode)

Trung bình (mean)
▪ Trung bình =
Tổng thể Mẫu

Dữ liệu: {𝑥1 , 𝑥2 , … , 𝑥𝑁 } Dữ liệu: {𝑥1 , 𝑥2 , … , 𝑥𝑛 }
𝒙𝟏 + 𝒙𝟐 + ⋯ + 𝒙𝑵 𝒙𝟏 + 𝒙𝟐 + ⋯ + 𝒙𝒏
𝝁= ഥ=
𝒙
𝑵 𝒏
▪ Áp dụng cho biến định lượng

▪ Có cùng đơn vị với biến ngẫu nhiên được mô tả trong
bộ dữ liệu

Trung bình có trọng số
▪ Nếu số liệu dạng có trọng số (weighted data)
▪ Giá trị 𝑥𝑖 có trọng số là 𝑤𝑖
▪ Trung bình có trọng số (weighted mean):
𝒘𝟏 𝒙𝟏 +𝒘𝟐 𝒙𝟐 +⋯+𝒘𝒌 𝒙𝒌 ∑𝒘𝒊 𝒙𝒊
▪ 𝒙
ഥ= =
𝒘𝟏 +𝒘𝟐 +⋯+𝒘𝒌 ∑𝒘𝒊
▪ Ví dụ:
Giá bán (triệu / kg) 10 12 14 16

Số lượng (kg) 3 10 5 2

Trung vị (median)
▪ Là giá trị trung tâm của bộ dữ liệu khi dữ liệu được
sắp xếp từ nhỏ nhất đến lớn nhất
▪ Sử dụng số liệu về số lần mua hàng: 5, 2, 7, 4, 2
• Sắp xếp theo thứ tự tăng dần: 2,2,4,5,7 → 𝑚𝑑 = 4
𝑛+1
▪ Khi n lẻ, 𝑚𝑑 nhận giá trị tại quan sát thứ
2
▪ Khi n chẵn, 𝑚𝑑 nhận giá trị là trung bình cộng của 2
giá trị đứng giữa.
▪ Ví dụ với dữ liệu: 3, 8, 12, 14

Mốt (mode)
▪ Là giá trị xuất hiện ít nhất 2 lần và xuất hiện thường
xuyên nhất trong bộ dữ liệu
▪ Sử dụng số liệu về số lần mua hàng:
• Dữ liệu : 2, 5, 7, 4, 2 → 𝑚0 = 𝟐
▪ Ví dụ với dữ liệu: 4, 8, 7, 6, 9, 8, 10, 5, 8

Nhóm thống kê đo độ phân tán
Đo độ phân tán hoặc mức độ “đồng đều” (homogeneity)
của bộ dữ liệu
▪ Khoảng biến thiên (Range)
▪ Phương sai (Variance)
▪ Độ lệch chuẩn (Standard Deviation)
▪ Hệ số biến thiên (Coefficient of Variation)
▪ Khoảng tứ phân vị (Interquartile Range)

Khoảng biến thiên
▪ Thống kê đơn giản nhất đo độ biến động của bộ dữ
liệu là khoảng biến thiên:
▪ Range = Giá trị lớn nhất – Giá trị nhỏ nhất
▪ Ví dụ:
Khoảng biến thiên thu nhập 5 lao động:
12, 10, 8, 20, 21

Phương sai và độ lệch chuẩn
Tổng thể Mẫu
Số liệu {𝑥1 , 𝑥2 , … , 𝑥𝑁 } {𝑥1 , 𝑥2 , … , 𝑥𝑛 }
∑𝒙𝒊 ∑𝒙𝒊
Trung bình 𝝁= ഥ=
𝒙
𝑵 𝒏
Tổng bình 𝑆𝑆 = ∑ 𝑥𝑖 − 𝜇 2 𝑆𝑆 = ∑ 𝑥𝑖 − 𝑥ҧ 2
phương
Phương 𝑆𝑆 𝑆𝑆
𝝈𝟐 = 𝒔𝟐 =
sai 𝑵 𝒏−𝟏
Độ lệch 𝜎= 𝜎2 𝑠= 𝑠2
chuẩn
▪ Ví dụ: Tính các thống kê phương sai, độ lệch chuẩn
Tổng thể Mẫu

Số liệu 10, 12, 15, 10, 12, 10, 12, 14, 15,
13, 18, 19, 14, 15 19
Trung bình 𝜇= x=
Tổng bình phương 𝑆𝑆 = 𝑆𝑆 =
Phương sai 𝜎2 = 𝑠2 =
Độ lệch chuẩn 𝜎= 𝑠=
▪ Phương sai và độ lệch chuẩn đo mức độ phân tán,
biến động, dao động, đồng đều, ổn định của số liệu
▪ Phương sai lớn hơn → phân tán hơn, biến động hơn
Phương sai nhỏ hơn → đồng đều hơn, ổn định hơn
▪ Phương sai có đơn vị là bình phương đơn vị của biến
▪ Độ lệch chuẩn có đơn vị giống đơn vị của biến

Hệ số biến thiên
▪ Phương sai, độ lệch chuẩn đo độ biến động tuyệt đối
▪ Hệ số biến thiên đo độ biến động tương đối
𝜎 𝑠
CVtổng thể = × 100% CVmẫu = × 100%
𝜇 𝑥ҧ
▪ Ví dụ: Tính hệ số biến thiên của hai số liệu trong ví dụ

trước

Tứ phân vị (Quartile)
▪ 𝑄1 , 𝑄2 , 𝑄3 chia bộ dữ liệu thành 4 phần với số lượng
phần tử bằng nhau
▪ Tứ phân vị thứ hai chính là trung vị
▪ Khoảng tứ phân vị:
𝐼𝑄𝑅 = 𝑄3 − 𝑄1
▪ IQR cũng dùng để đánh giá độ phân tán của bộ dữ liệu
▪ Sử dụng khoảng (𝑄1 − 1,5 ⋅ 𝐼𝑄𝑅 ; 𝑄3 + 1,5 ⋅ 𝐼𝑄𝑅) là
một tiêu chuẩn để xác định giá trị ngoại lai (outlier)

Giá trị chuẩn hóa
▪ Giá trị chuẩn hóa còn gọi là Z-score, dùng để xác định
vị trí tương đối của 1 giá trị cụ thể so với trung bình
của tập dữ liệu
𝑥𝑖 − 𝜇 𝑥𝑖 − 𝑥ҧ
𝑧𝑖 (tổng thể) = 𝑧𝑖 (mẫu) =
𝜎 𝑠
▪ Z-score có trung bình bằng 0, phương sai bằng 1
▪ Ví dụ: Tính Z-score của các giá trị của mẫu sau
𝒙𝒊 5 8 9 10 15
𝑧𝑖

Thống kê mô tả hình dạng phân phối
▪ Tính cho mẫu
▪ Hệ số bất đối xứng (Skewness) 𝑎3 :
∑ 𝑥𝑖 − 𝑥ҧ 3 /𝑛
𝑎3 =
𝑠3
▪ Hệ số nhọn 𝑎4 :
∑ 𝑥𝑖 − 𝑥ҧ 4 /𝑛
𝑎4 =
𝑠4
▪ Lưu ý: trong một số phần mềm như Excel, hệ số nhọn
Kurtosis = 𝑎4 − 3

Thống kê mô tả mức độ liên hệ
▪ Hai biến 𝑋 và 𝑌 là số liệu theo cặp (𝑥𝑖 , 𝑦𝑖 )
Tổng thể Mẫu

Hiệp 𝐶𝑜𝑣 𝑋, 𝑌 𝑐𝑜𝑣 𝑋, 𝑌
phương sai ∑ 𝑥𝑖 − 𝜇𝑋 𝑦𝑖 − 𝜇𝑌 ∑ 𝑥𝑖 − 𝑥ҧ 𝑦𝑖 − 𝑦ത
= =
Covariance 𝑁 𝑛−1
Hệ số 𝐶𝑜𝑣 𝑋, 𝑌 𝐶𝑜𝑣 𝑋, 𝑌
tương quan 𝜌𝑋,𝑌 = 𝑟𝑋,𝑌 =
𝜎𝑋 𝜎𝑌 𝑠𝑋 𝑠𝑌
Correlation

Hiệp phương sai - hệ số tương quan
▪ Hệ số tương quan nằm trong đoạn [−1; 1]
▪ Hệ số tương quan càng gần 0: càng yếu, lỏng
▪ Hệ số tương quan càng gần ±1: càng mạnh, chặt
▪ Ví dụ: Tính hiệp phương sai và hệ số tương quan của
mẫu sau
𝒙𝒊 𝒚𝒊
2 4
5 5
8 7
7 8
9 10
BÀI 2 – BIẾN CỐ VÀ XÁC SUẤT
2.1. Phép thử và biến cố
2.2. Xác suất của biến cố
2.3. Các công thức xác suất
[1] Chương 1, trang 5-77

[2] Chapter 3, pp. 73-125
[3] Chapter 4, pp.170-214

2.1. PHÉP THỬ VÀ BIẾN CỐ
▪ Việc thực hiện một nhóm các điều kiện cơ bản để
quan sát một hiện tượng nào đó có thể xảy ra hay
không xảy ra được gọi là một phép thử (experiment)
▪ Hiện tượng có thể xảy ra → biến cố (event)
▪ Phân loại biến cố:
• Biến cố chắc chắn (certain): 
• Biến cố không thể có (impossible): 
• Biến cố ngẫu nhiên (random): 𝐴, 𝐵, … hay 𝐴1 , 𝐴2 , …

Phép thử và biến cố
Phép thử Kết cục Biến cố
Tung đồng xu Sấp, ngửa ‘sấp’, ‘ngửa’
Tung xúc xắc 1,2,3,4,5,6 chấm ‘lớn hơn 3’
Tham gia 1 kỳ thi Điểm = 0, 1, 2,…, ‘đỗ’;
10 ‘đạt điểm giỏi’
Đầu tư 1 dự án Lợi nhuận: (+), ‘không âm’
(-), 0 ‘có lãi’
Ứng tuyển 1 vị trí Đạt; Bị loại
Làm 1 công việc Lương = …

2.2. XÁC SUẤT CỦA BIẾN CỐ
▪ Khái niệm xác suất
▪ Định nghĩa cổ điển về xác suất
▪ Định nghĩa thống kê về xác suất
▪ Nguyên lý xác suất lớn và nguyên lý xác suất nhỏ

[2] Chapter 3, pp. 81-90
[3] Chapter 4, pp.181-185

Xác suất của biến cố
▪ Xác suất (probability) của một biến cố là một con số
đặc trưng khả năng khách quan xuất hiện biến cố đó
khi thực hiện một phép thử.
▪ 𝑷 𝑨 : Xác suất xảy ra biến cố 𝐴
▪ Các tính chất của xác suất:
• 0 ≤ 𝑃 Biến cố ≤ 1
• Ω là biến cố chắc chắn, 𝑃 Ω = 1
• ∅ là biến cố không thể, 𝑃 ∅ = 0
• 𝐴 là biến cố ngẫu nhiên, 0 < 𝑃 𝐴 < 1
Định nghĩa cổ điển về xác suất
▪ Định nghĩa cổ điển về xác suất
• Số kết cục duy nhất đồng khả năng
• Số kết cục thuận lợi cho biến cố 𝐴: 𝑁𝐴
• Xác suất xảy ra biến cố 𝐴:
𝑁𝐴
𝑃 𝐴 =
𝑁

Ví dụ
Ví dụ 2.1. Tung một đồng xu hai lần liên tiếp. Hãy tính xác
suất:
a) “Hai lần xuất hiện mặt sấp”
b) “Xuất hiện 1 lần mặt sấp, 1 lần mặt ngửa”
c) “Hai lần xuất hiện mặt ngửa”

Ví dụ (tiếp)
Ví dụ 2.2. Một hộp chứa 6 quả bóng trắng và 4 quả bóng
đen. Tính xác suất lấy được 2 quả bóng trắng từ hộp khi
lấy theo các cách sau
a) Lấy có hoàn lại
b) Lấy không hoàn lại
c) Lấy đồng thời

Định nghĩa thống kê về xác suất
▪ Định nghĩa thống kê về xác suất
• Thực hiện 𝑛 phép thử
• Số lần xuất hiện biến cố 𝐴: 𝑛𝐴
𝑛𝐴
• Tần suất xuất hiện biến cố 𝐴:
𝑛
𝑛𝐴
• Khi số phép thử 𝑛 đủ lớn: 𝑃 𝐴 ≈
𝑛
▪ Ví dụ:
• Trong 100.000 trẻ mới sinh, có 51.000 bé trai. Xác
suất “sinh bé trai” là khoảng 0,51.
• Trong 4.000 sinh viên thi hết môn A, có 3.600
người thi qua, xác suất “thi qua môn học A” là
khoảng 0,9.

Nguyên lý xác suất lớn và nhỏ
▪ Nguyên lý xác suất lớn: Nếu biến cố ngẫu nhiên có xác

suất rất lớn thì thực tế có thể cho rằng trong một
phép thử biến cố đó sẽ xảy ra.
▪ Nguyên lý xác suất nhỏ: Nếu một biến cố có xác suất
rất nhỏ thì thực tế có thể cho rằng trong một phép
thử, biến cố đó sẽ không xảy ra.

2.3. CÁC CÔNG THỨC XÁC SUẤT
▪ Xác suất của biến cố tích
▪ Xác suất của biến cố tổng
▪ Công thức Bernoulli
▪ Công thức xác suất đầy đủ - Bayes

[2] Chapter 3, pp. 91-118
[3] Chapter 4, pp. 185-204

Xác suất biến cố tích
▪ Biến cố C là tích (intersection) của hai biến cố A và B
nếu C xảy ra khi và chỉ khi cả hai biến cố A và B cùng
đồng thời xảy ra.
▪ Ký hiệu: C = (𝐴 ∙ 𝐵)
𝐴 𝐴∙𝐵 𝐵
▪ Ví dụ. Lấy lần lượt 2 quả
bóng từ trong hộp gồm bóng Ω
trắng và bóng đen. Ký hiệu:
𝐴 = “Lần 1 lấy được bóng trắng”
B = “Lần 2 lấy được bóng trắng”.
𝐴 ∙ 𝐵 = “Cả hai lần đều lấy được bóng trắng”

▪ Xác suất có điều kiện: Xác suất của biến cố 𝐴 được tính
với điều kiện biến cố 𝐵 đã xảy ra gọi là xác suất có điều
kiện của 𝐴, hay xác suất của 𝐴 trong điều kiện 𝐵
▪ Ký hiệu: 𝑷(𝑨 | 𝑩)
▪ Hai biến cố 𝐴 và 𝐵 là độc lập (independent) với nhau
nếu việc xảy ra hay không xảy ra của biến cố 𝐴 không
làm thay đổi xác suất xảy ra của biến cố 𝐵 và ngược lại.
▪ Nếu 𝐴 và 𝐵 là hai biến cố độc lập thì
𝑃 𝐵𝐴 =𝑃 𝐵
và 𝑃 𝐴 𝐵 = 𝑃(𝐴)

▪ Ví dụ 2.3. Lấy lần lượt 2 quả bóng từ trong hộp gồm 6
quả bóng trắng và 4 quả bóng đen.
𝐴 = “Lần 1 lấy được bóng trắng”
𝐵 = “Lần 2 lấy được bóng trắng”
a) Tìm 𝑃(𝐵|𝐴) trong các trường hợp:
✓ Lấy có hoàn lại
✓ Lấy không hoàn lại
b) Trong hai trường hợp đã nêu ở câu (a), trường hợp
nào hai biến cố 𝐴 và 𝐵 là hai biến cố độc lập

▪ Công thức nhân xác suất với hai biến cố
• 𝐴 và 𝐵 là hai biến cố phụ thuộc ta có
𝑃 𝐴∙𝐵 =𝑃 𝐴 ∙𝑃 𝐵 𝐴 =𝑃 𝐵 ∙𝑃 𝐴 𝐵
• 𝐴 và 𝐵 là hai biến cố độc lập
⇔ 𝑃 𝐴 ∙ 𝐵 = 𝑃(𝐴) ∙ 𝑃(𝐵)
• Công thức tính xác suất có điều kiện
𝑃 𝐴∙𝐵
𝑃 𝐴𝐵 =
𝑃 𝐵

▪ Ví dụ 2.4. Xác suất một sinh viên thi qua hai môn A và
B lần lượt là 0,6 và 0,8. Nếu sinh viên đó thi qua môn
A thì xác suất để anh ta thi qua môn B là 0,9.
a) Tính xác suất thi qua cả hai môn
b) Các biến cố “Thi qua môn A” và “Thi qua môn B” có
phải là các biến cố độc lập
c) Hãy tính xác suất sinh viên đó thi qua môn A, biết
rằng anh ta đã thi qua môn B

▪ Biến cố 𝐴 là tích của 𝒏 biến cố 𝐴1 , 𝐴2 , … , 𝐴𝑛 nếu 𝐴 xảy
ra khi và chỉ khi cả 𝑛 biến cố trên đồng thời xảy ra.
▪ Ký hiệu 𝐴 = ς𝑛𝑖=1 𝐴𝑖
▪ Ví dụ. Lấy lần lượt 5 quả bóng từ trong hộp gồm 6
bóng trắng và 4 bóng đen.
𝐴𝑖 = “Lấy được bóng trắng ở lần lấy thứ 𝑖”,
𝑖 = 1,2, … , 5
𝐴 = “Cả 5 lần đều lấy được bóng trắng”
𝐴 = 𝐴1 ∙ 𝐴2 ∙ 𝐴3 ∙ 𝐴4 ∙ 𝐴5

▪ Các biến cố 𝐴1, 𝐴2, … , 𝐴𝑛 gọi là độc lập từng đôi với
nhau nếu mỗi cặp hai trong n biến cố đó độc lập nhau.
▪ Các biến cố 𝐴1, 𝐴2, … , 𝐴𝑛 gọi là độc lập toàn phần nếu
mỗi biến cố độc lập với mọi tổ hợp bất kỳ của các biến
cố còn lại.

▪ Nếu 𝐴1 , 𝐴2 , … , 𝐴𝑛 là các biến cố độc lập toàn phần thì
𝑃 𝐴1 ∙ 𝐴2 ∙ … ∙ 𝐴𝑛 = 𝑃 𝐴1 ∙ 𝑃 𝐴2 ∙ … ∙ 𝑃 𝐴𝑛
▪ Ví dụ. Lấy lần lượt 5 quả bóng từ hộp gồm 6 bóng

trắng và 4 bóng đen theo phương thức lấy có hoàn lại.
Xác suất để 5 quả bóng lấy ra đều có màu trắng là:
6 6 6 6 6
∙ ∙ ∙ ∙ = 0.65
10 10 10 10 10

▪ Nếu 𝐴1 , 𝐴2 , … , 𝐴𝑛 là các biến cố phụ thuộc thì

𝑃 𝐴1 ∙ 𝐴2 ∙ … ∙ 𝐴𝑛
= 𝑃 𝐴1 ∙ 𝑃 𝐴2 |𝐴1 ∙ … ∙ 𝑃 𝐴𝑛 |𝐴1 ∙ 𝐴2 ∙ ⋯ ∙ 𝐴𝑛−1

4.4.suất
Xác Mốibiến
quancốhệtổng
giữa các biến cố
▪ Biến cố 𝐶 được gọi là tổng (union) của hai biến cố 𝐴
và 𝐵, nếu 𝐶 chỉ xảy ra khi có ít nhất một trong hai biến
cố 𝐴 và 𝐵 xảy ra.
▪ Ký hiệu: 𝐶 = 𝐴 + 𝐵
𝐴 𝐵

Xác suất biến cố tổng
▪ Ví dụ. Lấy lần lượt 2 quả bóng từ hộp 6 bóng trắng và
4 bóng đen
𝐴 = “Lần 1 lấy được bóng trắng”,
𝐵 = “Lần 2 lấy được bóng trắng”
𝐴 + 𝐵 = “Có ít nhất 1 lần lấy được bóng trắng”
▪ Biến cố 𝐴 được gọi là tổng của n biến cố

𝐴1 , 𝐴2 , … , 𝐴𝑛 nếu 𝐴 xảy ra khi có ít nhất một trong 𝑛
biến cố ấy xảy ra.
▪ Ký hiệu: 𝐴 = ∑𝑛𝑖=1 𝐴𝑖

▪ Hai biến cố xung khắc: Hai biến cố 𝐴 và 𝐵 được gọi là
xung khắc (mutually exclusive) với nhau nếu chúng
không cùng xảy ra trong một phép thử.
▪ 𝐴∙𝐵 =∅
▪ 𝐴 và 𝐴ҧ ?
▪ Ví dụ. Lấy ngẫu nhiên hai quả A B
bóng từ trong hộp (6tr, 4đ). Ω

𝐴 = “Hai trắng”, 𝐵 = “Hai đen”
𝐶 = “Có ít nhất một quả trắng”
Nhận xét về tính xung khắc của các biến cố 𝐴, 𝐵 và 𝐶.

▪ Nhóm n biến cố 𝐴1, 𝐴2, … , 𝐴𝑛 được gọi là xung khắc
từng đôi nếu bất kỳ hai biến cố nào trong nhóm này
cũng xung khắc với nhau.
▪ Nhóm đầy đủ các biến cố: Các biến cố 𝐻1, 𝐻2, … , 𝐻𝑛

được gọi là một nhóm đầy đủ (universal set,
partitions) các biến cố nếu trong kết quả của một
phép thử sẽ xảy ra một và chỉ một trong các biến cố
đó
▪ Nhóm đầy đủ ⇒ Nhóm xung khắc từng đôi

Xác suất của biến cố tổng
▪ Hay nói khác đi, các biến cố H1, H2,…, Hn được gọi là
một nhóm đầy đủ các biến cố nếu đồng thời thỏa mãn
2 điều kiện sau:
Hi H j =  i  j i, j = 1  n
n
H
i =1
i =

▪ Biến cố đối lập: Hai biến cố 𝐴 và 𝐴ҧ là hai biến cố đối
lập với nhau nếu chúng tạo nên một nhóm đầy đủ.
▪ Ký hiệu: 𝐴ҧ là biến cố đối lập
với biến cố 𝐴.
▪ 𝑃 𝐴 = 1 − 𝑃 𝐴ҧ
𝐴
𝐴ҧ
Ω
▪ Ví dụ: Tìm biến cố đối lập của các biến cố sau:

• 𝐴 = “hai lần tung đồng xu đều xuất hiện mặt sấp”
• 𝐵 = “cả hai quả bóng lấy ra đều màu trắng”
• 𝐶 = “tất cả các sinh viên đều thi qua môn xác suất”
▪ Ví dụ. Tung một đồng xu 2 lần.

𝐴 = “Có ít nhất 1 lần xuất hiện mặt sấp”
Biến cố đối lập với biến cố 𝐴:
𝐴ҧ = “Không lần nào xuất hiện mặt sấp” hoặc “Cả hai
lần đều xuất hiện mặt ngửa”
1 3
𝑃 𝐴 = 1 − 𝑃 𝐴ҧ = 1 − =
4 4

Công thức cộng xác suất
▪ A và B là hai biến cố không xung khắc thì
𝑃 𝐴+𝐵 =𝑃 𝐴 +𝑃 𝐵 −𝑃 𝐴∙𝐵
▪ 𝐴 và 𝐵 là hai biến cố xung khắc thì
𝑃 𝐴 + 𝐵 = 𝑃 𝐴 + 𝑃(𝐵)

▪ Ví dụ 2.5. Với Ví dụ 2.4, tính xác suất để sinh viên đó:

a) Qua ít nhất một môn
b) Trượt cả hai môn
c) Trượt ít nhất một môn

▪ Từ dữ kiện trong Ví dụ 2.4, lập bảng xác suất đồng thời
Bảng phân phối xác Môn B

suất đồng thời
Đạt Không đạt Tổng
B B
Môn A Đạt A 0,54 0,06 0,6
Không đạt A 0,26 0,14 04
Tổng 0.8 0,2 1

Với A và B là hai biến cố ngẫu nhiên, khi đó ta có một số
công thức sau:
AB + AB + AB + AB = 
A + B = AB + AB + AB
A + B = AB + AB + AB
A+ B = A+ B
AB = A + B

Bài tập 1 (làm tại lớp)
Một người đi bán hàng ở hai nơi độc lập nhau. Xác suất
bán được hàng lần lượt là 0,6 và 0,8.
Đặt A1 và A2 tương ứng với biến cố bán được hàng ở nơi
1 và 2.
Viết biến cố và tính xác suất người đó
(a) Bán được hàng ở cả hai nơi
(b) Bán được hàng ở ít nhất một nơi
(c) Bán được hàng ở đúng một nơi
(d) Không bán được hàng

▪ Bảng xác suất của các biến cố
A2 Ā2 
A1 P(A1A2) = 0,48 P(A1Ā2) = 0,12 P(A1) = 0,6
Ā1 P(Ā1A2) = 0,32 P(Ā1Ā2) = 0,08 P(Ā1) = 0,4
 P(A2) = 0,8 P(Ā2) = 0,2 1
▪ P(A1 + A2) = 0,6 + 0,8 – 0,48

cũng = 0,32 + 0,48 + 0,12

Bài tập 2
Một người đấu thầu hai dự án. Xác suất trúng thầu dự án
thứ nhất và thứ hai lần lượt là 0,5 và 0,4; xác suất trúng
thầu cả hai là 0,1.
Viết biến cố, lập bảng, và tính xác suất:
(a) Trúng thầu ở ít nhất một dự án
(b) Trúng thầu ở đúng một dự án
(c) Trúng thầu dự án thứ hai, biết rằng trúng thầu dự
án thứ nhất
(d) Trúng thầu dự án thứ hai, biết rằng không trúng
thầu ở dự án thứ nhất
Bài tập 3
Một người làm hai bài tập kế tiếp. Xác suất làm đúng bài
thứ nhất là 0,6. Nếu làm đúng bài thứ nhất thì khả năng
làm đúng bài thứ hai là 0,9 nhưng nếu làm sai bài thứ
nhất thì khả năng đúng bài thứ hai còn 0,3. Tính xác suất:
(a) Làm đúng ít nhất một bài
(b) Làm đúng chỉ 1 bài
(c) Làm đúng bài 1 biết rằng làm đúng bài 2
(d) Làm đúng cả hai, biết rằng có làm đúng ít nhất một
bài

▪ Nếu nhóm 𝐴1, 𝐴2, … , 𝐴𝑛 là nhóm các biến cố xung
khắc từng đôi thì
𝑃 𝐴1 + 𝐴2 + ⋯ + 𝐴𝑛 = 𝑃 𝐴1 + 𝑃 𝐴2 + ⋯ + 𝑃 𝐴𝑛
▪ Nếu nhóm 𝐻1, 𝐻2, … , 𝐻𝑛 là một nhóm đầy đủ thì
𝑃 𝐻1 + ⋯ + 𝐻𝑛 = 𝑃 𝐻1 + ⋯ + 𝑃 𝐻𝑛 = 1
▪ Hai biến cố 𝐴 và 𝐴ҧ luôn lập thành một nhóm đầy đủ
▪ Ví dụ. Tung một đồng xu 2 lần, 𝐴1 = “2 lần sấp”, 𝐴2 =
“2 lần ngửa”, 𝐴3 = “1 lần sấp, 1 lần ngửa”, 𝐴4 = “có ít
nhất 1 lần sấp”. Hãy tìm các nhóm đầy đủ.

Công thức Bernoulli
Ví dụ 2.6. : Một người đi bán hàng ở 3 nơi độc lập, xác
suất bán được ở mỗi nơi đều bằng 0,8. Tính xác suất
người đó:
a) Bán được ở đúng 1 nơi
b) Bán được ở đúng 2 nơi
c) Bán được ở ít nhất 1 nơi

Công thức Bernoulii
▪ Giả sử có 𝑛 phép thử độc lập
▪ Trong mỗi phép thử, xác suất xảy ra biến cố 𝐴 là như
nhau và là 𝑝, xác suất không xảy ra 𝐴 là 1 − 𝑝
⟹ Lược đồ Bernoulli
▪ Xác suất để trong 𝑛 phép thử đó, biến cố 𝐴 xảy ra
đúng 𝑥 lần được ký hiệu 𝑃 𝑥 𝑛, 𝑝
▪ Công thức Bernoulli
𝑃 𝑥 𝑛, 𝑝 = 𝐶𝑛𝑥 𝑝 𝑥 1 − 𝑝 𝑛−𝑥

Công thức xác suất đầy đủ - Bayes
▪ 𝐻1, 𝐻2, … , 𝐻𝑛 : nhóm đầy đủ các biến cố.
▪ Biến cố A xảy ra đồng thời với một trong các biến cố
𝐻1, 𝐻2, … , 𝐻𝑛
▪ Công thức xác suất đầy đủ:
n
P( A) =  P( Hi ).P( A | Hi )
▪ Công thức Bayes i =1
P( Hi ).P( A | Hi )
P( Hi | A) = n
 P( Hi ).P( A | Hi )
i =1
Ví dụ 2.7. Có hai hộp giống nhau: hộp loại I chứa 6
chính phẩm và 4 phế phẩm; hộp loại II chứa 8 chính
phẩm và 2 phế phẩm.
a) Chọn ngẫu nhiên một hộp và từ đó chọn 1 sản
phẩm. Tính xác suất để đó là chính phẩm.
b) Nếu chọn được chính phẩm, xác suất để hộp được
chọn là hộp loại I bằng bao nhiêu?

▪ 𝐴1 = “lấy được hộp loại I”, 𝐴2 = “lấy được hộp loại II”
𝐵 = “lấy được chính phẩm”, 𝐵 = 𝐵 ∙ 𝐴1 + 𝐵 ∙ 𝐴2
Lập bảng tính cho câu (a), (b)
𝑃(𝐴𝑖 ) 𝑃(𝐵|𝐴𝑖 ) 𝑃(𝐵 ∙ 𝐴𝑖 ) 𝑃(𝐴𝑖 |𝐵)
𝑨𝟏 0,5 0,6 0,5×0,6 = 0,3 0,3 / 0,7
𝑨𝟐 0,5 0,8 0,5×0,8 = 0,4 0,4 / 0,7
 1 0,7 1
a) 𝑃 𝐵 = 𝑃 𝐵 ∙ 𝐴1 + 𝐵 ∙ 𝐴2
= 𝑃 𝐵 ∙ 𝐴1 + 𝑃 𝐵 ∙ 𝐴2 = 0.7
b) 𝑃 𝐴1 𝐵 = 0,3/0,7
▪ Tiếp Ví dụ 2.7. Nếu có 5 hộp, trong đó có 2 hộp loại I

(gồm 6 chính phẩm và 4 phế phẩm) và 3 hộp loại II
(gồm 8 chính phẩm và 2 phế phẩm), thì các câu (a), (b)
trong Ví dụ 2.7 sẽ có kết quả bao nhiêu?

BÀI 3 – BIẾN NGẪU NHIÊN RỜI RẠC VÀ
PHÂN PHỐI XÁC SUẤT
▪ 3.1. Khái niệm biến ngẫu nhiên

▪ 3.2. Bảng phân phối xác suất
▪ 3.3. Hàm phân phối xác suất
▪ 3.4. Các tham số đặc trưng
▪ 3.5. Phân phối Không-Một
▪ 3.6. Phân phối Nhị thức
▪ 3.7. Phân phối Poisson

3.1. KHÁI NIỆM BIẾN NGẪU NHIÊN
▪ Một biến số được gọi là ngẫu nhiên nếu trong kết quả
của phép thử nó sẽ nhận 1 và chỉ 1 giá trị trong số các
giá trị có thể có của nó, tùy thuộc vào sự tác động của
các nhân tố ngẫu nhiên.
• Kí hiệu biến ngẫu nhiên: 𝑋, 𝑌, 𝑍, … ℎ𝑎𝑦 𝑋1, 𝑋2, …
• Giá trị có thể có của 𝑋 ký hiệu: 𝑥1 , 𝑥2 , … , 𝑥𝑛
• (𝑋 = 𝑥𝑖 ) là các biến cố 𝑋 nhận giá trị 𝑥𝑖

• 𝑃(𝑋 = 𝑥𝑖 ) là xác suất 𝑋 nhận giá trị 𝑥𝑖

3.1. KHÁI NIỆM BIẾN NGẪU NHIÊN
▪ Ví dụ: Tung 1 con xúc xắc. Gọi 𝑋 là số chấm xuất hiện
𝑋 có thể nhận 1, 2, 3, 4, 5, 6
→ 𝑋 chưa biết nhận giá trị nào, nhưng chắc chắn nhận 1
trong các giá trị đó, X gọi là biến ngẫu nhiên
(𝑋 = 2) là biến cố xuất hiện mặt 2 chấm
𝑃(𝑋 = 2) là xác suất xuất hiện mặt 2 chấm
▪ Ví dụ: Gọi 𝑌 là điểm kiểm tra môn xác suất
𝑌 nhận các giá trị 0, 1, 2, …,10
▪ Ví dụ: Gọi 𝑍 là năng suất lúa
𝑍 nhận các giá trị trong khoảng (0; 60)

Phân loại biến ngẫu nhiên
+ Biến ngẫu nhiên rời rạc:
Nếu các giá trị có thể có của nó lập nên một tập hợp hữu
hạn hoặc đếm được.
+ Biến ngẫu nhiên liên tục:

Nếu các giá trị có thể có của nó lấp đầy một khoảng trên
trục số.

3.2. PHÂN PHỐI XÁC SUẤT
Phân phối xác suất của một biến ngẫu nhiên là sự tương
ứng giữa các giá trị có thể có của nó với các xác suất
tương ứng để biến ngẫu nhiên nhận các giá trị đó.
Các phương pháp mô tả phân phối xác suất:
▪ Bảng phân phối xác suất

▪ Hàm phân phối xác suất
▪ Hàm mật độ xác suất

BẢNG PHÂN PHỐI XÁC SUẤT
Cho biến ngẫu nhiên rời rạc 𝑋 nhận các giá trị 𝑥1 , 𝑥2 , … , 𝑥𝑛
với xác suất tương ứng 𝑝1 , 𝑝2 , … , 𝑝𝑛
𝑋 𝑥1 𝑥2 … 𝑥𝑘 … 𝑥𝑛
𝑃 𝑝1 𝑝2 … 𝑝𝑘 … 𝑝𝑛
n
0  pi  1, p
i =1
i =1
Bảng trên gọi là bảng phân phối xác suất của biến ngẫu
nhiên rời rạc X

Bảng phân phối xác suất
Ví dụ 3.1. Một hộp có 6 sản phẩm tốt và 4 sản phẩm xấu.
Lấy đồng thời 2 sản phẩm. Gọi 𝑋 số sản phẩm tốt lấy
được.
Lập bảng phân phối xác suất của 𝑋
▪ Gọi 𝑋 là số sản phẩm tốt lấy được; 𝑋 = 0, 1, 2
𝑋 0 1 2
𝑃 ? ? ?

3.3. HÀM PHÂN PHỐI XÁC SUẤT
Hàm phân phối xác suất của biến ngẫu nhiên, kí hiệu
𝐹(𝑥), là xác suất để biến ngẫu nhiên 𝑋 nhận giá trị nhỏ
hơn 𝑥, với 𝑥 là số thực bất kì
𝐹(𝑥) = 𝑃(𝑋 < 𝑥)
Ý nghĩa: Hàm phân bố xác suất 𝐹(𝑥) phản ánh mức độ

tập trung xác suất ở bên trái điểm x.

Tính chất hàm phân phối xác suất
▪ Tính chất 1: 0 ≤ 𝐹 𝑥 ≤ 1
▪ Tính chất 2: 𝐹(𝑥) là hàm không giảm
Hệ quả : 𝑃(𝑎 ≤ 𝑋 < 𝑏) = 𝐹(𝑏) – 𝐹(𝑎)

3.4. CÁC THAM SỐ ĐẶC TRƯNG
▪ Kì vọng (Expected value)
▪ Phương sai (Variance)
▪ Độ lệch chuẩn (Standard Deviation)
▪ Ví dụ 3.1: X là điểm kiểm tra của sinh viên lớp A
Điểm 7 8 9
Số SV 40 20 40
Tỷ lệ 40% 20% 40%
Xác suất 0,4 0,2 0,4
- Tính điểm kiểm tra trung bình
- Từ điểm kiểm tra trung bình của lớp mong đợi về điểm thi TB
Kì vọng
▪ Kì vọng của biến ngẫu nhiên 𝑋, kí hiệu 𝐸(𝑋)
▪ 𝑬 𝑿 = ∑𝒊 𝒙𝒊 𝒑𝒊
▪ Ví dụ 3.2: Tính kỳ vọng của biến ngẫu nhiên X có bảng
phân phối xác suất sau:
𝑋 1 2 3 4 5
𝑃 0,1 0,4 0,25 0,2 0,05

Kì vọng
▪ Kì vọng phản ánh giá trị trung bình của biến ngẫu
nhiên.
▪ 𝐸(𝑋) đơn vị trùng với đơn vị của 𝑋
▪ Tính chất:
𝐸 𝐶 =𝐶, 𝐶: hằng số
𝐸 𝐶 + 𝑋 = 𝐶 + 𝐸(𝑋)
𝐸 𝐶. 𝑋 = 𝐶. 𝐸(𝑋)
𝐸 𝑋 ± 𝑌 = 𝐸(𝑋) ± 𝐸(𝑌)
𝐸 𝑋. 𝑌 = 𝐸 𝑋 . 𝐸 𝑌
nếu 𝑋, 𝑌 độc lập (xem [1], tr 104)
Kì vọng
▪ Ví dụ 3.3: Mua một vé số loại 2 chữ số hết 10.000
đồng, nếu trúng thì được 70 lần tiền mua vé. Tính kì
vọng tiền lãi
▪ Gọi 𝑋 là tiền lãi (nghìn đồng)
𝑋 +690 -10
𝑃 0,01 0,99
▪ Kì vọng lợi nhuận: 𝐸(𝑋) =

Kì vọng
Ví dụ 3.4: Cho 𝑋 là số sản phẩm bán được trong 1 ngày
𝑋 1 2 3 4 5
𝑃 0,1 0,4 0,25 0,2 0,05
a. Mỗi sp bán được lãi 800 ngàn, tiền thuê cửa hàng mỗi tháng là 5
triệu. Tính trung bình tiền lãi mỗi tháng (30 ngày)
b. Nếu mỗi ngày nhân viên bán được trên 4 sp thì được thưởng 300
ngàn, từ 2 đến 4 sp được 100 ngàn, 1 sp được 50 ngàn.
Nhân viên có 2 phương thức để lựa chọn lương tháng: 1-Nhận
cứng 7 triệu, 2-nhận 4 triệu cộng thưởng.
Nhân viên nên chọn phương thức nào?

Phương sai
▪ Ví dụ 3.5:
Điểm lớp A 6 7 8
Số SV 40 20 40
Xác suất 0,4 0,2 0,4
Điểm lớp B 5 7 9
Số SV 40 20 40
Xác suất 0,4 0,2 0,4
▪ So sánh điểm số giữa 2 lớp

Phương sai
𝑉 𝑋 = 𝐸 𝑋– 𝐸 𝑋 2
Biến đổi ta có: 𝑉(𝑋) = 𝐸(𝑋2) – 𝐸 𝑋 2
n
Trong đó: E ( X ) =  x pi
2 2
i
i =1
Chú ý: 𝑉(𝑋) ≥ 0

Phương sai
▪ Tính chất
𝑉 𝐶 =0, 𝐶: hằng số
𝑉 𝑋+𝐶 =𝑉 𝑋
𝑉 𝐶. 𝑋 = 𝐶 2 . 𝑉 𝑋
𝑉 𝑋±𝑌 =𝑉 𝑋 +𝑉 𝑌
Với 𝑋 và 𝑌 độc lập
Phương sai
▪ Ví dụ 3.6: Tỷ suất lợi nhuận nếu đầu tư vào 2 ngành A
và B có bảng phân phối xác suất như sau
𝑋𝐴 30 40 42
𝑃 0,2 0,6 0,2
𝑋𝐵 -10 40 120
𝑃 0,2 0,6 0,2
▪ So sánh kì vọng tỷ suất lợi nhuận, so sánh phương sai
▪ Nếu chọn 1 ngành, Nhà đầu tư nên đầu tư vào ngành
nào ?
Phương sai
▪ Ý nghĩa: Phương sai phản ánh độ phân tán của biến
ngẫu nhiên. Phương sai lớn thì độ phân tán lớn.
Phương sai phản ánh độ rủi ro, độ ổn định, độ đồng
đều
▪ Đơn vị của phương sai?
Độ lệch chuẩn
Độ lệch chuẩn của biến ngẫu nhiên 𝑋, kí hiệu 𝜎(𝑋),
được định nghĩa là căn bậc hai của phương sai
 X =  (X ) = V (X )
Ý nghĩa: Phương sai và độ lệch chuẩn đều phản ánh độ

phân tán của biến ngẫu nhiên, tuy nhiên
▪ Đơn vị của phương sai là bình phương đơn vị của
bnn
▪ Đơn vị của độ lệch chuẩn là đơn vị của bnn
3.5. PHÂN PHỐI KHÔNG – MỘT
Định nghĩa: Biến ngẫu nhiên rời rạc 𝑋 chỉ nhận một trong hai
giá trị 0 hoặc 1 với xác suất được tính bởi công thức
P( X = x) = p x (1 − p )1− x x = 0, 1
Được gọi là có phân phối 0 – 1 với tham số 𝑝
Kí hiệu: 𝑋 ~ 𝐴(𝑝)
𝑋 có bảng phân phối xác suất
𝑋 0 1
𝑃 1−𝑝 𝑝
Tham số đặc trưng: 𝐸(𝑋) = 𝑝; 𝑉(𝑋) = 𝑝(1 − 𝑝)

Phân phối Không – Một
▪ Ví dụ 3.7: Tỷ lệ sản phẩm tốt trong một kho hàng là
85%. Lấy ngẫu nhiên 1 sản phẩm.
▪ Gọi 𝑋 là số sản phẩm tốt lấy được.
a) Lập bảng phân phối xác suất của 𝑋
b) Tính kì vọng và độ lệch chuẩn của 𝑋
3.6. PHÂN PHỐI NHỊ THỨC
Định nghĩa:
+ Xét n phép thử độc lập
+ Xác suất xảy ra biến cố A trong mỗi phép thử là p
Gọi 𝑋 là số lần xảy ra A trong n lần thử
𝑋 có thể nhận các giá trị 0, 1, 2,…, n với các xác suất tương
ứng được tính theo công thức
𝑃 𝑋 = 𝑥 = 𝐶𝑛𝑥 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑥 = 0, 1, 2, … , 𝑛
𝑋 gọi là có phân phối Nhị thức với tham số 𝑛 và 𝑝.

Kí hiệu: 𝑋 ~ 𝐵(𝑛, 𝑝)
Phân phối nhị thức
Các tham số đặc trưng:
▪ Kì vọng 𝐸(𝑋) = 𝑛𝑝
▪ Phương sai 𝑉(𝑋) = 𝑛𝑝(1 − 𝑝)
▪ Mốt 𝑚0 thỏa mãn
𝑛𝑝 + 𝑝 – 1 ≤ 𝑚0 ≤ 𝑛𝑝 + 𝑝
Ví dụ 3.8: Một người đi chào hàng ở 10 địa điểm. Xác
suất bán được hàng ở mỗi địa điểm đều bằng 0,2.
a) Tính xác suất bán được hàng ở đúng 3 địa điểm.
b) Tính xác suất bán được hàng ở ít nhất 2 địa điểm.
c) Tính kì vọng, phương sai và mốt của số địa điểm bán
được hàng.
Phân phối nhị thức tỉ lệ
Cho 𝑋 ~ 𝐵(𝑛, 𝑝)
𝑋
Đặt 𝑝Ƹ =
𝑛
Khi đó 𝑝Ƹ có phân phối Nhị thức tỉ lệ
▪ Kì vọng 𝐸(𝑝)Ƹ = 𝑝
𝑝(1−𝑝)
▪ Phương sai 𝑉(𝑝)Ƹ =
𝑛
3.7. PHÂN PHỐI POISSON
Định nghĩa: Biến ngẫu nhiên rời rạc 𝑋 nhận một trong các
giá trị có thể có là 0, 1, 2, … với các xác suất tương ứng
được tính theo công thức
−  x
Px = P( X = x) = e x = 0,1, 2,...
x!
gọi là có phân phối Poisson với tham số 𝜆.
Kí hiệu: 𝑋 ~ 𝑃(𝜆)
Chú ý: Nếu 𝑋 ~ 𝐵(𝑛, 𝑝) với n khá lớn, p khá nhỏ và
𝑛𝑝 ≈ 𝑛𝑝(1 − 𝑝) thì coi như 𝑋 ~ 𝑃 𝜆 với 𝜆 = 𝑛𝑝
Các tham số đặc trưng

𝐸(𝑋) = 𝜆; 𝑉(𝑋) = 𝜆; 𝜆 − 1 ≤ 𝑚0 ≤ 𝜆
BÀI 4 – BIẾN NGẪU NHIÊN LIÊN TỤC
VÀ PHÂN PHỐI XÁC SUẤT
4.1. Biến ngẫu nhiên liên tục
4.2. Hàm phân phối xác suất
4.3. Hàm mật độ xác suất
4.4. Các tham số đặc trưng
4.5. Phân phối Đều
4.6. Phân phối Chuẩn
4.7. Phân phối khác
4.1. BIẾN NGẪU NHIÊN LIÊN TỤC
Định nghĩa
Biến ngẫu nhiên liên tục (Continuous Random Variable)
là biến ngẫu nhiên có thể nhận mọi giá trị trong một
khoảng 𝑎; 𝑏 , 𝑎, 𝑏 ∈ ℝ.
Ví dụ
▪ Thời gian đi từ nhà đến trường của sinh viên
▪ Lợi nhuận của nhà đầu tư cổ phiếu sau một năm
▪ Cân nặng của trẻ sơ sinh ở Việt Nam
4.2. HÀM PHÂN PHỐI XÁC SUẤT
Định nghĩa
Hàm phân phối xác suất( hàm tích lũy xác suất -
Cumulative Distribution Function) của biến ngẫu nhiên 𝑋
là: 𝐹 𝑥 = 𝑃 𝑋 < 𝑥 ,𝑥 ∈ ℝ
Tính chất hàm phân phối xác suất
▪ 𝑃 𝑎 < 𝑋 <𝑏 =𝐹 𝑏 −𝐹 𝑎
▪ Nếu X là biến ngẫu nhiên liên tục thì: 𝑃 𝑋 = 𝑥𝑜 = 0

⇒𝑃 𝑎 <𝑋 <𝑏 =𝑃 𝑎 ≤𝑋 ≤𝑏 =𝐹 𝑏 −𝐹 𝑎
Ví dụ
Ví dụ 4.1. Tuổi thọ của một loại sản phẩm là biến ngẫu
nhiên liên tục (đơn vị: năm) có hàm phân phối xác suất:
0 nếu 𝑥 < 0
1 2
𝐹 𝑥 = ൞ 𝑥 nếu 0 ≤ 𝑥 ≤ 2
4
1 nếu 𝑥 > 2
Lấy ngẫu nhiên một sản phẩm.
Tính xác suất để:
a) Sản phẩm có tuổi thọ nhỏ hơn 1 năm.
b) Sản phẩm có tuổi thọ từ 1 đến 2 năm.
Hàm mật độ xác suất
Cho 𝑋 là biến ngẫu nhiên liên tục, hàm mật độ xác suất
(Density Function) của 𝑋, ký hiệu 𝑓 𝑥 , là:
𝑓 𝑥 = 𝐹′(𝑥)
Ví dụ 4.2. Tìm hàm mật độ xác suất của biến ngẫu nhiên
trong ví dụ 4.1
0 nếu 𝑥 < 0
1 2
𝐹 𝑥 = 𝑥 nếu 0 ≤ 𝑥 ≤ 2
4
1 nếu 𝑥 > 2
Tính chất của hàm mật độ xác suất
▪ 𝑓 𝑥 ≥ 0 ∀𝑥
𝑥
▪ 𝐹 𝑥 = ‫׬‬−∞ 𝑓(𝑡) 𝑑𝑡
+∞
▪ ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 = 1
𝑏
▪ 𝑃 𝑎<𝑋<𝑏 = ‫𝑓 𝑎׬‬ 𝑥 𝑑𝑥
Ví dụ
Ví dụ 4.3. Thời gian để công nhân hoàn thành một sản
phẩm là biến ngẫu nhiên liên tục (đơn vị: phút) có hàm
mật độ xác suất:
1
𝑥 nếu 𝑥 ∈ 2; 6
𝑓 𝑥 = ቐ 16
0 nếu 𝑥 ∉ 2; 6
a) Tìm tỷ lệ sản phẩm có thời gian hoàn thành từ 3 đến 5
phút.
b) Tính xác suất để trong 5 sản phẩm có đúng 2 sản
phẩm có thời gian hoàn thành nhiều hơn 4 phút.
4.4. CÁC THAM SỐ ĐẶC TRƯNG
▪ Kỳ vọng:
+∞
𝐸 𝑋 =න 𝑥. 𝑓 𝑥 𝑑𝑥
−∞
▪ Phương sai:
𝑉 𝑋 = 𝐸 𝑋2 − 𝐸 𝑋 2
+∞
𝐸 𝑋2 = න 𝑥 2 . 𝑓 𝑥 𝑑𝑥
−∞
▪ Độ lệch chuẩn:
𝜎𝑋 = 𝑉 𝑋
Ví dụ
Tính thời gian hoàn thành sản phẩm trung bình và độ lệch
chuẩn trong ví dụ 4.3
1
𝑥 nếu 𝑥 ∈ 2; 6
𝑓 𝑥 = ቐ 16
0 nếu 𝑥 ∉ 2; 6
Các tham số
▪ Trung vị
Trung vị, ký hiệu 𝑚𝑑 , là giá trị chia phân phối xác suất của
biến ngẫu nhiên thành hai phần bằng nhau.
𝑚𝑑
න 𝑓(𝑥) 𝑑𝑥 = 0,5
−∞
Các tham số
▪ Mốt
Mốt, ký hiệu 𝑚𝑜 , là giá trị mà tại đó hàm mật độ xác suất
𝑓 𝑥 đạt giá trị cực đại.
Giá trị tới hạn
Giá trị tới hạn mức 𝛼 của biến ngẫu nhiên X, ký hiệu 𝑥𝛼 , là
giá trị của 𝑋 thỏa mãn:
𝑃 𝑋 > 𝑥𝛼 = 𝛼
4.5. PHÂN PHỐI ĐỀU
Định nghĩa: Biến ngẫu nhiên liên tục X có phân phối Đều
(Uniform Distribution) trên khoảng 𝑎; 𝑏 nếu hàm mật
độ xác suất của 𝑋 có dạng:
1
nếu 𝑥 ∈ (𝑎; 𝑏)
𝑓 𝑥 = ቐ𝑏 − 𝑎
0 nếu 𝑥 ∉ (𝑎; 𝑏)
Ký hiệu: 𝑋 ∼ 𝑈 𝑎; 𝑏
Phân phối đều
Đồ thị của hàm mật độ biến ngẫu nhiên có phân phối đều
Các tham số
𝑎+𝑏
▪ 𝐸 𝑋 =
2
𝑏−𝑎 2
▪ 𝑉 𝑋 =
12
𝑑−𝑐
▪ 𝑃 𝑐<𝑋<𝑑 =
𝑏−𝑎 a c d b
4.6. PHÂN PHỐI CHUẨN
▪ 𝐵 (𝑛; 𝑝 = 0,5) với 𝑛 = 10; 20; 100
0.25 0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
0.025 0.025
0.02 0.02
0.015 0.015
0.01 0.01
0.005 0.005
0 0
1 7 131925313743495561677379859197 0 20 40 60 80 100
▪ Khi 𝑛 → ∞, phân phối nhị thức xấp xỉ phân phối Chuẩn

Định nghĩa
Biến ngẫu nhiên liên tục 𝑋 có phân phối Chuẩn (Normal
Distribution) nếu hàm mật độ xác suất của 𝑋 có dạng:
1 𝑥−𝜇 2
−
𝑓 𝑥 = 𝑒 2𝜎2
𝜎 2𝜋
Đồ thị của 𝑓 𝑥 có dạng
quả chuông và đối xứng
qua đường thẳng 𝑥 = 𝜇
Ký hiệu: 𝑋 ∼ 𝑁 𝜇, 𝜎 2
Các tham số
𝑋 ∼ 𝑁 𝜇, 𝜎 2
▪ 𝐸 𝑋 =𝜇
▪ 𝑉 𝑋 = 𝜎2
Khi  tăng thì đồ thị của Khi 𝜎 tăng thì đồ thị của 𝑓(𝑥)
𝑓(𝑥) dịch sang phải thấp xuống và rộng ra
Phân phối Chuẩn hóa
Biến ngẫu nhiên liên tục 𝑍 được gọi là có phân phối
Chuẩn hóa (Standard Normal Distribution), nếu 𝑍 có
phân phối Chuẩn với 𝜇 = 0 và 𝜎 2 = 1.
𝑍 ∼ 𝑁 0; 1
Hàm mật độ xác suất của 𝑍 có dạng:
𝑧2
1 −
𝜑 𝑧 = 𝑒 2
2𝜋
Đồ thị hàm mật độ có dạng hình
quả chuông đối xứng qua trục tung.
Hàm phân phối xác suất
𝑥 𝑥
1 𝑧2
Φ 𝑥 = න 𝜑 𝑧 𝑑𝑧 = න 𝑒 − 2 𝑑𝑧
2𝜋
−∞ −∞
Tính chất: Φ −𝑥 + Φ 𝑥 = 1
Xác suất của biến ngẫu nhiên phân phối chuẩn hóa
Z ∼ 𝑁 0; 1
• 𝑃 𝑍<𝑏 =Φ 𝑏
• 𝑃 𝑍 >𝑎 =1−Φ 𝑎
• 𝑃 𝑍 > −𝑎 = 𝑃 𝑍 < 𝑎 = Φ 𝑎
• 𝑃 𝑎 < 𝑍 < 𝑏 = Φ 𝑏 − Φ(𝑎)
Ví dụ 4.4. Tính
• 𝑃 𝑍 > 1,96 = 1 – P(Z < 1,96) = 1 - Φ(1,96)
=1 – 0,975 = 0,025
𝑃 −2 ≤ 𝑍 ≤ 2 = Φ 2 − Φ(−2) = 2Φ 2 − 1
= 2.0,9772 − 1 =
Biến ngẫu nhiên phân phối chuẩn – chuẩn hóa
Cho 𝑋 ∼ 𝑁 𝜇; 𝜎 2
𝑋−𝜇
Đặt Z =
𝜎
Khi đó: 𝐸 𝑍 = 0, 𝑉 𝑍 = 1
⇒ Z ∼ 𝑁 0; 1
Xác suất của biến ngẫu nhiên phân phối chuẩn
𝑋 ∼ 𝑁 𝜇; 𝜎 2
𝑋−𝜇 𝑏−𝜇
• 𝑃 𝑋<𝑏 =𝑃 <
𝜎 𝜎
𝑏−𝜇 𝑏−𝜇
=𝑃 𝑍< =Φ
𝜎 𝜎
𝑎−𝜇
• 𝑃 𝑋 >𝑎 =1−Φ
𝜎
𝑏−𝜇 𝑎−𝜇
• 𝑃 𝑎<𝑋<𝑏 =Φ −Φ
𝜎 𝜎
Ví dụ
Ví dụ 4.5: Lợi nhuận (đv: triệu đồng) của một dự án là
biến ngẫu nhiên có phân phối Chuẩn, với trung bình
bằng 500, phương sai bằng 400. Tính xác suất để:
a) Lợi nhuận cao hơn 540.
b) Lợi nhuận thấp hơn 570.
c) Lợi nhuận từ 480 đến 550.
Ví dụ
Ví dụ 4.6. Tuổi thọ của một loại sản phẩm là biến ngẫu
nhiên có phân phối chuẩn, tuổi thọ trung bình là 4 năm.
Tỷ lệ sản phẩm có tuổi thọ nhỏ hơn 3 năm là 10%.
a) Tìm tỷ lệ sản phẩm có tuổi thọ lớn hơn 5 năm.
b) Tính xác suất để trong 4 sản phẩm có không quá 2
sản phẩm có tuổi thọ nhỏ hơn 5 năm.
Xác suất biến ngẫu nhiên sai lệch so với kì vọng
𝑋 ∼ 𝑁 𝜇; 𝜎 2
𝜀
𝑃 𝑋 –  <  = 2Φ −1
𝜎
Ba trường hợp riêng:
• Quy tắc 1-sigma:
𝑃(|𝑋 –  | < 𝜎) = 0,6826
𝑃 𝑋 –  < 2𝜎 = 0,9544
𝑃 𝑋 –  < 3𝜎 = 0,9974
Ví dụ
Ví dụ 4.7. Chi tiêu hàng tháng của sinh viên là biến ngẫu
nhiên có phân phối Chuẩn, chi tiêu trung bình là 5 triệu
đồng. Tỷ lệ sinh viên có mức chi tiêu hàng tháng từ 3,5
đến 6,5 triệu đồng là 95,44%. Một sinh viên có mức chi
tiêu bình thường nếu chênh lệch so với chi tiêu trung
bình không quá 2 triệu. Tìm tỷ lệ sinh viên có mức chi
tiêu bình thường.
Tổ hợp của các BNN độc lập cùng có phân phối
chuẩn
Nếu 𝑋1 , 𝑋2 , … , 𝑋𝑛 độc lập và 𝑋𝑖 ∼ 𝑁 𝜇𝑖 , 𝜎𝑖2 , 𝑖 = 1,2, … , 𝑛
thì:
𝑛
𝑌 = ෍ 𝑎𝑖 𝑋𝑖 ∼ 𝑁 𝜇𝑌 , 𝜎𝑌2
𝑖=1
Trong đó:
𝑛
𝜇 𝑌 = ෍ 𝑎𝑖 𝜇 𝑖
𝑖=1
𝜎𝑌2 = ∑𝑛𝑖=1 𝑎𝑖2 𝜎𝑖2
Ví dụ
▪ Ví dụ 4.8. Cho 𝑋𝐴 , 𝑋𝐵 là tỷ suất lợi nhuận (%) trong
một năm của cổ phiếu A, B.
𝑋𝐴 ∼ 𝑁 8; 16 , 𝑋𝐵 ∼ 𝑁 12; 9
Giả sử 𝑋𝐴 , 𝑋𝐵 độc lập.
a) Tính xác suất để tỷ suất lợi nhuận cổ phiếu A cao
hơn cổ phiếu B.
b) Một người đầu tư 60 triệu vào cổ phiếu A và 80
triệu vào cổ phiếu B. Tính xác suất để sau một năm
người đó thu được ít nhất 8,4 triệu tiền lãi.
Hội tụ của phân phối B(n, p) về phân phối Chuẩn
Cho 𝑋 ~ 𝐵 𝑛, 𝑝
▪ Khi n  100 thì 𝑋 ~ 𝑁 , 𝜎2
▪ Với  = np và 𝜎 2 = 𝑛𝑝 1 – 𝑝
Ví dụ 4.9
Xác suất để một khách hàng vào siêu thị mua sản
phẩm của hãng A là 0,3. Tính xác suất để trong 100
khách vào siêu thị có:
a) Nhiều hơn 35 khách mua hàng của hãng A.
b) Từ 25 đến 40 khách mua hàng của hãng A.
Giá trị tới hạn chuẩn
Giá trị tới hạn Chuẩn mức 𝛼, ký kiệu là 𝑧𝛼 , được xác
định bởi:
𝑃 𝑍 > 𝑧𝛼 = 𝛼
Ví dụ
𝑃 𝑍 > 1,96 = 0.025
⇒ 𝑧0,025 = 1,96
Tính chất:
𝑧1−𝛼 = −𝑧𝛼
4.7. PHÂN PHỐI KHI BÌNH PHƯƠNG
▪ BNN liên tục 𝜒 2 có phân phối Khi bình phương với n bậc
tự do (degree of freedom: df)
▪ Ký hiệu: 𝜒 2 ~𝜒 2 (𝑛)
▪ Tham số: 𝐸(𝜒 2 ) = 𝑛; 𝑉 𝜒 2 = 2𝑛
2(𝑛)
▪ Giá trị tới hạn mức 𝛼, kí hiệu 𝜒𝛼
2 2(𝑛)
𝑃 𝜒 (𝑛) > 𝜒𝛼 =𝛼
LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - NEU – www.mfe.edu.vn 143
▪ Bảng đầy đủ: phụ lục 7 giáo trình
▪ Bảng giản lược
α α
0.975 0.95 0.05 0.025 0.975 0.95 0.05 0.025
n n
1 0.001 0.004 3.841 5.024 20 9.591 10.85 31.41 34.17
2 0.051 0.103 5.991 7.378 24 12.40 13.85 36.42 39.36
3 0.216 0.352 7.815 9.348 30 16.79 18.49 43.77 46.98
4 0.484 0.711 9.488 11.14 39 23.65 25.70 54.57 58.12
5 0.831 1.145 11.07 12.83 50 32.36 34.76 67.50 71.42
10 3.247 3.940 18.31 20.48 99 73.36 77.05 123.2 128.4
15 6.262 7.261 25.00 27.49 120 91.57 95.70 146.6 152.2
4.8. PHÂN PHỐI STUDENT
▪ BNN liên tục T có phân phối Student với 𝑛 bậc tự do,
ký hiệu: 𝑇 ~ 𝑇(𝑛)
𝑛
▪ Tham số: 𝐸(𝑇) = 0; 𝑉 𝑇 =
𝑛−2
(𝑛)
▪ Giá trị tới hạn mức , kí hiệu: 𝑡𝛼
(𝑛)
𝑃 𝑇(𝑛) > 𝑡𝛼 = 𝛼
▪ Tính chất:
𝑛 (𝑛)
• 𝑡1−𝛼 = −𝑡𝛼
(𝑛)
• Với n > 30 thì 𝑡𝛼 ≈ 𝑧𝛼
▪ Bảng đầy đủ: phụ lục 8 giáo trình
▪ Bảng giản lược
α α
0.1 0.05 0.025 0.1 0.05 0.025
n n
10 1.372 1.812 2.228 17 1.333 1.740 2.110
11 1.363 1.796 2.201 18 1.330 1.734 2.101
12 1.356 1.782 2.179 19 1.328 1.729 2.093
13 1.350 1.771 2.160 20 1.325 1.725 2.086
14 1.345 1.761 2.145 24 1.318 1.711 2.064
15 1.341 1.753 2.131 30 1.310 1.697 2.042
16 1.337 1.746 2.120  1.282 1.645 1.960
4.9. PHÂN PHỐI FISHER
▪ BNN liên tục F có phân phối Fisher-Snedecor (gọi tắt là
Fisher) với hai bậc tự do n1 và n2 ký hiệu 𝐹 ~ 𝐹(𝑛1, 𝑛2)
(𝑛1 ,𝑛2 )
▪ Giá trị tới hạn mức 𝛼, kí hiệu: 𝑓𝛼
(𝑛1 ,𝑛2 )
𝑃 𝐹 𝑛1 , 𝑛2 > 𝑓𝛼 =𝛼
▪ Tính chất:
(𝑛 ,𝑛 ) 1
𝑓1−𝛼1 2 = (𝑛 ,𝑛 )
𝑓𝛼 2 1
Giá trị tới hạn phân phối Fisher
▪ Bảng đầy đủ: phụ lục 9 giáo trình; Bảng giản lược:
n1
n2 24 39 59 99 120
α
0.025 2.27 2.15 2.08 2.03 2.01
24
0.05 1.98 1.90 1.84 1.80 1.79
0.025 2.02 1.89 1.82 1.75 1.74
39
0.05 1.80 1.70 1.6 1.60 1.58
0.025 1.94 1.81 1.73 1.66 1.65
49
0.05 1.74 1.64 1.58 1.53 1.52
0.025 1.89 1.75 1.67 1.60 1.59
59
0.05 1.70 1.65 1.54 1.49 1.47
0.025 1.79 1.65 1.56 1.49 1.46
99
0.05 1.63 1.52 1.45 1.39 1.38
BÀI 5 – BIẾN NGẪU NHIÊN HAI CHIỀU
▪ 5.1. Khái niệm biến ngẫu nhiên nhiều chiều
▪ 5.2. Bảng phân phối xác suất hai chiều
▪ 5.3. Tham số đặc trưng
5.1. KHÁI NIỆM BNN NHIỀU CHIỀU
Ví dụ
▪ Chiều cao nữ sinh viên VN (m): 𝑋 là biến ngẫu nhiên 1
chiều
𝑃 𝑋 = 1,5 = 0,25
▪ Điểm 10%, 20%, 70% môn LT Xác suất và TKT là biến ngẫu
nhiên 3 chiều (X, Y, Z)
𝑃 𝑋 = 9, 𝑌 = 9, 𝑍 = 9 = 0,01
𝑃 𝑋 = 9 = 0,3
Hệ 𝑛 biến ngẫu nhiên 1 chiều được xét một cách đồng
thời tạo nên biến ngẫu nhiên 𝑛 chiều.
Kí hiệu: (𝑋1, 𝑋2, … , 𝑋𝑛)
Biến ngẫu nhiên hai chiều
▪ Định nghĩa
Hệ hai biến ngẫu nhiên 1 chiều được xét một cách đồng
thời tạo nên biến ngẫu nhiên 2 chiều.
Kí hiệu: (𝑋, 𝑌)
Ví dụ: + Thu nhập và tiêu dùng của 1 người.
+ Số đo hình chữ nhât: chiều dài và chiều rộng của
1 sản phẩm.
▪ Phân loại
+ Biến ngẫu nhiên 2 chiều rời rạc: nếu 𝑋, 𝑌 đều rời rạc
+ Biến ngẫu nhiên 2 chiều liên tục: nếu 𝑋, 𝑌 đều liên tục
Ví dụ
▪ Ví dụ 5.1. Cho các biến ngẫu nhiên:
▪ 𝑋: Doanh thu (triệu), 𝑌: Chi quảng cáo (triệu)
𝑌 3 6 9
𝑋
100 0,1 0,02 0,01
200 0,16 0,12 0,08
300 0,2 0,17 ?
a) 𝑃(𝑋 = 200, 𝑌 = 6) =
b) 𝑃(𝑋 = 300/𝑌 = 9) =
5.2. BẢNG PHÂN PHỐI XÁC SUẤT
Y
y1 y2 … ym
X
x1 p11 p12 … p1m
x2 p21 p22 … p2m
… … … … …
xn pn1 pn2 … pnm
1
Bảng phân phối xác suất đồng thời
Y
y1 y2 … ym P(X)
X
x1 p11 p12 … p1m P(x1)
x2 p21 p22 … p2m P(x2)
… … … … … …
xn pn1 pn2 … pnm P(xn)
P(Y) P(y1) P(y2) … P(ym) 1
Bảng phân phối xác suất biên
▪ Bảng phân phối xác suất biên của 𝑋
𝑋 𝑥1 … 𝑥𝑖 … 𝑥𝑛
𝑃 𝑃(𝑥1) … 𝑃(𝑥𝑖 ) … 𝑃(𝑥𝑛)
▪ Bảng phân phối xác suất biên của 𝑌
𝑌 𝑦1 … 𝑦𝑗 … 𝑦𝑚
𝑃 𝑃(𝑦1) … 𝑃(𝑦𝑗) … 𝑃(𝑦𝑚)
Bảng phân phối xác suất có điều kiện
▪ Bảng phân phối của (𝑋 | 𝑌 = 𝑦𝑗):
P ( xi , y j )
P ( xi | y j ) =
P( y j )
(𝑋 | 𝑌 = 𝑦𝑗) 𝑥1 𝑥2 … 𝑥𝑛
𝑃 𝑃(𝑥1 | 𝑦𝑗 ) 𝑃(𝑥2| 𝑦𝑗) … 𝑃(𝑥𝑛 | 𝑦𝑗)
▪ Bảng phân phối của (𝑌 | 𝑋 = 𝑥𝑖 )
(𝑌 | 𝑋 = 𝑥𝑖 ) 𝑦1 𝑦2 … 𝑦𝑚
𝑃 𝑃(𝑦1 | 𝑥𝑖 ) 𝑃(𝑦2| 𝑥𝑖 ) … 𝑃(𝑦𝑚 | 𝑥𝑖 )
Ví dụ (tiếp)
c) Lập bảng phân phối xác suất của doanh thu
d) Tính xác suất để doanh thu trên 200 triệu
5.3. THAM SỐ ĐẶC TRƯNG
▪ 5.3.1. Kì vọng
n n m
E ( X ) =  xi P ( xi ) =  xi P ( xi , y j )
i =1 i =1 j =1
m m n
E (Y ) =  y j P ( y j ) =  y j P ( xi , y j )
j =1 j =1 i =1
▪ 5.3.2. Phương sai

n m
V ( X ) =  xi2 P( xi , y j ) − [E ( X )]2
i =1 j =1
m n
V (Y ) =  y 2j P ( xi , y j ) − [E (Y )]2
j =1 i =1
Ví dụ (tiếp)
e) Tính doanh thu trung bình
f) Tính phương sai của chi quảng cáo
Kì vọng có điều kiện và tính độc lập BNN
▪ Từ bảng phân phối có điều kiện, ta có
E (Y / X = xi ) =  y j P( y j / xi )
j
E ( X / Y = y j ) =  xi P( xi / y j )
i
▪ Tính độc lập: 𝑋, 𝑌 độc lập nếu

𝑃(𝑌 = 𝑦𝑗 /𝑋 = 𝑥𝑖 ) = 𝑃 𝑌 = 𝑦𝑗 ∀𝑖, 𝑗
𝑃(𝑋 = 𝑥𝑖 , 𝑌 = 𝑦𝑗 ) = 𝑃(𝑋 = 𝑥𝑖 ). 𝑃(𝑌 = 𝑦𝑗 ) ∀𝑖, 𝑗
Ví dụ (tiếp)
g) Tính xác suất doanh thu là 200 triệu biết quảng cáo hết
9 triệu.
h) Lập bảng phân phối xác suất của doanh thu biết quảng
cáo hết 9 triệu.
i) Tính trung bình doanh thu biết quảng cáo hết 9 triệu.
j) Doanh thu và chi quảng cáo có phụ thuộc nhau không.
Hiệp phương sai và hệ số tương quan
▪ Hiệp phương sai (covariance): 𝐶𝑜𝑣(𝑋, 𝑌)
Cov ( X ,Y ) = E ( X − E ( X ) Y − E (Y ) )
n m
=  xi y j P ( xi , y j ) − E ( X ).E (Y )
i =1 j =1
▪ Hệ số tương quan (correlation) của 𝑋 và 𝑌: X,Y

Cov ( X ,Y )
ρX ,Y =
σ X . σY
Hiệp phương sai
▪ Tính chất của hiệp phương sai
• 𝐶𝑜𝑣(𝑋, 𝑌) = 𝐶𝑜𝑣(𝑌, 𝑋)
• 𝑋, 𝑌 độc lập  𝐶𝑜𝑣(𝑋, 𝑌) = 0
• 𝐶𝑜𝑣(𝑋, 𝑌) > 0 thì 𝑋, 𝑌 có “tương quan dương”
• 𝐶𝑜𝑣(𝑋, 𝑌) < 0 thì 𝑋, 𝑌 có “tương quan âm”
▪ Phương sai tổng hiệu tổng quát
• 𝑉(𝑎𝑋  𝑏𝑌) = 𝑎2 𝑉(𝑋) + 𝑏2 𝑉(𝑌)  2𝑎𝑏𝐶𝑜𝑣(𝑋, 𝑌)
Hệ số tương quan
Tính chất của hệ số tương quan
▪ X,Y = Y,X
▪ –1  X,Y  1
▪ X,Y > 0: tương quan cùng chiều, X,Y < 0: ngược chiều
▪ X,Y = 0: không tương quan
▪ 𝑋, 𝑌 độc lập  X,Y = 0
▪ X,Y =  1: 𝑋, 𝑌 có quan hệ hàm số bậc 1 với nhau
Ví dụ (tiếp)
k) Đo mức độ phụ thuộc giữa Doanh thu và Chi quảng
cáo.
l) Tính hệ số tương quan của Doanh thu và Chi phí quảng
cáo. Hệ số này cho biết mối quan hệ như thế nào giữa
Doanh thu và Chi phí quảng cáo.
BÀI 6. CÁC ĐỊNH LÝ GIỚI HẠN
▪ Tập trung Định lý giới hạn trung tâm
▪ Bất đẳng thức Trebusep (Chebyshev)
▪ Định lý Trebusep
▪ Định lý Bernoulli
▪ Định lý giới hạn trung tâm
Định lý giới hạn trung tâm
▪ Xét X1, X2,…, Xn là các BNN độc lập có cùng quy luật
phân phối xác suất, kỳ vọng và phương sai hữu hạn
n
Y − E (Y )
▪ Đặt Y =  X i và U =
i =1 V (Y )
▪ Thì U sẽ hội tụ về quy luật N(0, 1) khi n → 
▪ Trong ứng dụng, n ≥ 30 được coi là đủ lớn để áp dụng
quy luật Chuẩn (dù biến ngẫu nhiên gốc không phân
phối chuẩn)
BÀI 7 – MẪU NGẪU NHIÊN
▪ 7.1. Các khái niệm
▪ 7.2. Trung bình mẫu
▪ 7.3. Phương sai mẫu
▪ 7.4. Tần suất mẫu
▪ [1] Chương 6, trang 295 – 347, 361 – 363, 367 – 369

▪ [2] Chapter 7, pp.298 – 306, 310 – 328, 337 – 339
7.1. CÁC KHÁI NIỆM
▪ Tổng thể
▪ Tham số đặc trưng của tổng thể
▪ Mẫu ngẫu nhiên
▪ Mẫu cụ thể
▪ Thống kê (hay thống kê đặc trưng mẫu)
Tổng thể
▪ Tập hợp toàn bộ các phần tử đồng nhất theo một dấu
hiệu nghiên cứu định tính hay định lượng nào đó
được gọi là tổng thể (population)
▪ Kích thước tổng thể (population size): là số phần tử 𝑵
▪ Dấu hiệu lượng hóa được: 𝑿- Biến ngẫu nhiên gốc
▪ 𝑋 = {𝑥1, 𝑥2, … , 𝑥𝑁 }
▪ Các tham số đặc trưng của 𝑋 là tham số đặc trưng của
tổng thể
Mô tả tổng thể
▪ Nếu 𝑋 chỉ gồm k giá trị khác nhau: 𝑥1, 𝑥2, … , 𝑥𝑘
▪ Số lượng tương ứng là 𝑁1, 𝑁2, … , 𝑁𝑘
▪ 𝑁𝑖 gọi là tần số tổng thể của 𝑥𝑖
▪ Đặt 𝑝𝑖 = 𝑁𝑖 / 𝑁 gọi là tần suất tổng thể

0  N i  N
Giá trị 𝑥1 𝑥2 … 𝑥𝑘  k
Tần số 𝑁1 𝑁2 … 𝑁𝑘  i =1 Ni = N


0  p i  1
Tần suất 𝑝1 𝑝2 … 𝑝𝑘
 k
 i =1 pi = 1

Tham số đặc trưng của tổng thể
▪ Trung bình tổng thể (population mean): m
1 N
m =  xi
N i =1
• Chứng minh được: 𝑚 = 𝐸(𝑋)
▪ Phương sai tổng thể (population variance): σ2
1 N
σ =  ( xi − m)2
2
N i =1
• Chứng minh được: 𝜎2 = 𝑉(𝑋)
Tham số đặc trưng của tổng thể
▪ Độ lệch chuẩn tổng thể: σ
σ= σ 2
▪ Tần suất tổng thể (population proportion): p

• Số phần tử chứa dấu hiệu (hay biến cố) A là MA
MA
p=
N
• Dễ thấy: 𝑝 = 𝑃(𝐴)
Ví dụ
▪ Nghiên cứu về chiều cao của sinh viên một lớp có 50
sinh viên: chiều cao trung bình 160 cm, độ phân tán
3cm, có 30% sinh viên cao hơn 170cm.
• X “ chiều cao”; N=50 ; A“ sinh viên cao hơn 170cm”
• m=160 ; σ =3 ; p= P(A)=0,3
▪ Lấy ngẫu nhiên 10 sinh viên trong lớp tính được chiều
cao trung bình là 162 cm, độ phân tán 2,5 cm và có 2
sinh viên cao trên 170 cm.
• Mẫu kích thước =10
• Trung bình mẫu =162
• Độ lệch chuẩn mẫu =2,5
• Tỉ lệ trên mẫu =0,2
Nhận xét
▪ Nghiên cứu Tổng thể => nghiên cứu về tham số đặc
trưng tổng thể => nghiên cứu toàn bộ các phần tử =>
gặp nhiều khó khăn:
• Chi phí lớn, có thể không khả thi
• Sai sót khi thu thập, có thể phá hủy tập hợp
▪ Do đó nghiên cứu một số phần tử đại diện => Mẫu
• Từ tổng thể rút n phần tử (mẫu kích thước n)
• Xác định các thống kê đặc trưng mẫu
• Rút ra kết luận liên quan đến tổng thể
Mẫu ngẫu nhiên
▪ Mẫu ngẫu nhiên kích thước n là tập hợp của n biến
ngẫu nhiên độc lập 𝑋1, 𝑋2, … , 𝑋𝑛 được thành lập từ
biến ngẫu nhiên gốc 𝑋 và có cùng quy luật phân phối
xác suất với 𝑋.
▪ Ký hiệu: 𝑊 = (𝑋1, 𝑋2, … , 𝑋𝑛)
▪ 𝐸(𝑋𝑖 ) = 𝐸(𝑋) = 𝑚
▪ 𝑉(𝑋𝑖 ) = 𝑉(𝑋) = 𝜎2 𝑖 = 1, 2, … , 𝑛
Mẫu cụ thể
▪ Gồm n quan sát (n con số): 𝑤 = (𝑥1, 𝑥2, … , 𝑥𝑛)
▪ Nếu chỉ gồm k giá trị khác nhau: 𝑥1, 𝑥2, … , 𝑥𝑘 với số lần
xuất hiện tương ứng : 𝑛1, 𝑛2, … , 𝑛𝑘
▪ 𝑛𝑖 là tần số mẫu của 𝑥𝑖 (frequency)
▪ Đặt 𝑝Ƹ i = 𝑛𝑖 / 𝑛 : tần suất mẫu (sample proportion)
Giá trị …
 i =1 ni = n
𝑥1 𝑥2 𝑥𝑘 k
Tần số 𝑛1 𝑛2 … 𝑛𝑘
𝑘
Tần suất 𝑝Ƹ 1 𝑝Ƹ 2 … 𝑝Ƹ k ෍ 𝑝Ƹ 𝑖 = 1
𝑖=1
Ví dụ
▪ Nghiên cứu về khối lượng sản phẩm (𝑋)
▪ Mẫu ngẫu nhiên kích thước n = 10
▪ 𝑊 = (𝑋1, 𝑋2, … , 𝑋10)
• 𝐸(𝑋1) = 𝐸(𝑋2) = ⋯ = 𝐸(𝑋10) = 𝐸(𝑋)
• 𝑉(𝑋1) = 𝑉(𝑋2) = ⋯ = 𝑉(𝑋10) = 𝑉(𝑋)
▪ Mẫu cụ thể 𝑤 = ( 20,21,20,23,23,24,22,24,22,22)
Khối lượng (g) 20 21 22 23 24
Số sản phẩm 2 1 3 2 2
Thống kê mẫu
▪ Một hàm của các biến ngẫu nhiên Xi trong mẫu là một
thống kê (statistic)
𝐺 = 𝑓(𝑋1, 𝑋2, … , 𝑋𝑛)
▪ Vì mẫu ngẫu nhiên nên 𝐺 là ngẫu nhiên với qui luật
phân phối xác suất xác định
▪ Mẫu cụ thể => thống kê là số cụ thể, giá trị quan sát
𝐺𝑞𝑠 = 𝑔 = 𝑓(𝑥1, 𝑥2, … , 𝑥𝑛)
▪ Thống kê trong mẫu thường tương ứng với một tham
số trong tổng thể
7.2. TRUNG BÌNH MẪU
▪ Trung bình mẫu ngẫu nhiên (sample mean)
1 n
X =  Xi
n i =1
▪ 𝑋ത là biến ngẫu nhiên:
2
σ σ
E (X ) = m; V (X ) = ; σX =
n n
𝜎2
▪ Nếu 𝑋 ~ 𝑁(𝜇, 𝜎2) thì: ത
𝑋~𝑁 𝜇;
𝑛
(𝑋ሜ − 𝜇) 𝑛
𝑍= ~𝑁(0,1)
𝜎
Ví dụ
▪ Ví dụ 7.1. Chiều dài của một loại sản phẩm là một biến
ngẫu nhiên phân phối chuẩn với trung bình là 100 cm
và phương sai là 16 cm2 .
Kiểm tra ngẫu nhiên 25 sản phẩm.
a) Tính khả năng để chiều dài trung bình của 25 sản phẩm
này lớn hơn 102 cm.
b) Với xác suất là 0,95 thì chiều dài trung bình của 25 sản
phẩm trên tối đa là bao nhiêu ?
7.3. PHƯƠNG SAI MẪU
▪ Độ lệch bình phương trung bình (mean of squares)
𝑛
1
ሜ 2
𝑀𝑆 = ෍(𝑋𝑖 − 𝑋)
𝑛
𝑖=1
▪ Phương sai mẫu (sample variance): S2
𝑛
1 n
𝑆2 = ሜ 2
෍(𝑋𝑖 − 𝑋) Hay S =2
MS
𝑛−1
𝑖=1
n−1
▪ Độ lệch chuẩn mẫu: 𝑺 = 𝑺𝟐
n−1 2
▪ Ta có : 𝐸(𝑆2) = 2 và E ( MS ) = σ
n
Phương sai mẫu
▪ Với mẫu cụ thể:
1 n
• Trung bình mẫu x =  xi
n i =1
• Phương sai s2 1 n
s =
2

n − 1 i =1
( x i − x ) 2
• Độ lệch chuẩn mẫu cụ thể: : 𝑠 = 𝑠 2
Phương sai mẫu
▪ Nếu mẫu phân thành k nhóm
1 k
x =  ni x i
n i =1
1 k
s =
2

n − 1 i =1
ni ( xi − x ) 2
Hoặc: s =
2 n
n−1
(
x 2 − ( x )2 )
7.4. TẦN SUẤT MẪU
▪ Trong mẫu kích thước n có XA phần tử có dấu hiệu
(biến cố) A
𝑋𝐴
▪ Tần suất mẫu: 𝑝Ƹ =
𝑛
𝑝(1 − 𝑝)
▪ Nếu 𝑃(𝐴) = 𝑝 thì: 𝐸 𝑝Ƹ = 𝑝 𝑉(ොp) =
𝑛
▪ 𝑋 ~ 𝐴(𝑝), mẫu kích thước n  100, tần suất mẫu 𝑝Ƹ

Thì:
(𝑝ො − 𝑝) 𝑛
𝑍 = ~𝑁(0,1)
𝑝(1 − 𝑝)
Ví dụ
▪ Ví dụ 7.2. Tỉ lệ phế phẩm của nhà máy A là 10%. Lấy
ngẫu nhiên 100 sản phẩm của nhà máy này.
a) Tính xác suất để trong số sản phẩm lấy ra có ít nhất là
15% phế phẩm.
b) Với xác suất là 0,9 thì trong mẫu trên có tối đa là bao
nhiêu phế phẩm?
BÀI 8 - ƯỚC LƯỢNG THAM SỐ
8.1. Ước lượng tham số tổng thể
8.2. Ước lượng điểm
8.3. Ước lượng bằng khoảng tin cậy
▪ [1] Chương 7, trang 389 – 420, 431 – 437, 440 – 445

▪ [2] Chapter 7, pp. 306 – 309, 328 – 330
▪ [3] Chapter 8, pp. 342 – 365
8.1. ƯỚC LƯỢNG THAM SỐ TỔNG THỂ
▪ Trong tổng thể, X đã biết qui luật nhưng tham số 
(tham số tổng thể) là chưa biết.
▪ Sử dụng thông tin từ mẫu ̶˃ ước lượng tham số 
(parameter estimate) ̶˃ước lượng tham số tổng thể
▪ Mẫu ngẫu nhiên: xây dựng ước lượng ngẫu nhiên
(estimator)
▪ Mẫu cụ thể: tính được ước lượng cụ thể (estimate),
hay giá trị quan sát (observed value)
8.2. ƯỚC LƯỢNG ĐIỂM
▪ Khái niệm
▪ Tính chất của ước lượng điểm
▪ Ước lượng hợp lý tối đa
Khái niệm
▪ Tham số tổng thể ( ) là chưa biết ̶˃ Cần ước lượng
▪ Sử dụng mẫu 𝑊 = (𝑋1, 𝑋2, … , 𝑋𝑛 ) ̶˃ xác định thống
kê 𝜃መ trên mẫu
▪ Dùng một giá trị của thống kê 𝜃መ để thay thế cho tham
số  ̶˃ 𝜃መ là ước lượng điểm của 
Tính chất của ước lượng điểm
▪ Tính không chệch (unbiased)
• 𝜃መ là ước lượng không chệch của   𝐸(𝜃) መ =
• Nếu 𝐸(𝜃) መ   : ước lượng chệch
▪ Tính hiệu quả (efficient)
• 𝜃መ1 , 𝜃መ2 là ước lượng không chệch
• 𝑉(𝜃መ1 ) < 𝑉(𝜃መ2 ) thì 𝜃መ1 là ước lượng hiệu quả hơn 𝜃መ2
• 𝑉(𝜃መ1 ) là nhỏ nhất thì 𝜃መ1 là ước lượng hiệu quả
▪ Ước lượng không chệch, hiệu quả => ước lượng tốt nhất
▪ Tính vững (consistent): khi n tiến đến vô cùng thì ước
lượng hội tụ đến tham số (theo nghĩa xác suất)
Ví dụ
▪ Ví dụ 8.1.
▪ Tổng thể X có trung bình là m, phương sai là 2
▪ Với mẫu kích thước n = 3, trong các thống kê sau, đâu
là ước lượng không chệch, hiệu quả hơn cho m:
1 1 1 1 1 1
G1 = X 1 + X 2 + X 3 ; G2 = X 1 + X 2 + X 3
2 2 2 2 3 6
1 1 1 1 1 1
G3 = X 1 + X 2 + X 3 ; G4 = X 1 + X 2 + X 3
2 4 4 3 3 3
Bất đẳng thức Cramer - Rao
▪ Nếu BNN X có công thức tính xác suất hoặc hàm mật
độ là f(x,  ) thì với mọi 𝜃መ là ước lượng không chệch
của , luôn có:
1
V (θˆ)  2
  ln f ( x , θ ) 
nE  
 θ 
▪ Do đó nếu 𝜃መ là ước lượng không chệch và có phương
∗
sai bằng vế phải bất đẳng thức thì nó là ước lượng
hiệu quả nhất
Một số kết luận
▪ Khi 𝑋~𝑁(𝜇, 𝜎2) thì
• 𝑋ത là ước lượng không chệch, hiệu quả của 
• 𝑆2 là ước lượng không chệch của σ2
• 𝑀𝑆 là ước lượng chệch của σ2
▪ Khi 𝑋 ~ 𝐴(𝑝) thì 𝑝Ƹ là ước lượng không chệch, hiệu
quả của p.
▪ Cách thay thế tham số tổng thể (, p, σ2) bởi các thống
ത 𝑝,Ƹ S2) tương ứng như trên là tìm ước
kê mẫu (𝑋,
lượng điểm theo hàm ước lượng.
Ước lượng hợp lý tối đa
▪ Mẫu 𝑊 = 𝑋1, 𝑋2, … , 𝑋𝑛 ứng với một phép thử ta có
một mẫu với những giá trị cụ thể (𝑥1, 𝑥2, … , 𝑥𝑛)
▪ Hàm hợp lý:
𝐿(𝑥1, 𝑥2, … , 𝑥𝑛,  ) = 𝑓(𝑥1,  ). 𝑓(𝑥2,  ) … 𝑓(𝑥𝑛,  )
▪ 𝐿 gọi là hàm hợp lý (likelihood function) của 
▪ Giá trị 𝜃መ làm L đạt max gọi là ước lượng hợp lý tối đa
của  (maximum likelihood estimator: MLE)
▪ Nếu hàm L không dễ tìm cực đại thì tính thông qua
hàm logarit của L (maximum log-likelihood)
Ví dụ
Ví dụ 8.2.
Một số kết luận
▪ Khi 𝑋~𝑁(𝜇, 𝜎2) thì
• 𝑋ത là ước lượng hợp lý tối đa của 
• MS là ước lượng hợp lý tối đa của σ2
▪ Khi 𝑋 ~ 𝐴(𝑝) thì 𝑝Ƹ là ước lượng hợp lý tối đa của p
8.3. ƯỚC LƯỢNG BẰNG KHOẢNG TIN CẬY
▪ Các khái niệm
▪ Ước lượng trung bình tổng thể
▪ Ước lượng phương sai tổng thể
▪ Ước lượng tỷ lệ tổng thể
Các khái niệm
▪ Với mẫu ngẫu nhiên, tìm khoảng ngẫu nhiên
(𝐺1, 𝐺2) để khả năng khoảng đó chứa  bằng một
mức xác suất cho trước:
𝑃(𝐺1 <  < 𝐺2) = 1 – 
▪ Mức xác suất (1 – ) là độ tin cậy (confidence level)
▪ (𝐺1, 𝐺2) là khoảng tin cậy (confidence interval)
▪ 𝐼 = 𝐺2 – 𝐺1 là độ dài khoảng tin cậy
Xây dựng khoảng tin cậy
▪ Xét thống kê G liên kết giữa tham số và thống kê trong
mẫu, G có quy luật phân phối xác suất xác định
▪ Với 1 − 𝛼 ̶˃ xác định 𝛼1 và 𝛼2 : 𝛼1 + 𝛼2 = 𝛼
▪ Xác định giá trị tới hạn 𝑔𝛼1 và 𝑔𝛼2 sao cho:
𝑃 𝑔1−𝛼1 < 𝐺 < 𝑔𝛼2 = 1 − 𝛼
▪ Biến đổi sẽ thu được khoảng 𝐺1 , 𝐺2 thỏa mãn:
𝑃(𝐺1 <  < 𝐺2) = 1 – 
Ước lượng trung bình tổng thể
▪ 𝑋~𝑁(𝜇, 𝜎2) với  chưa biết
▪ Ước lượng khoảng cho  với độ tin cậy (1 − 𝛼)
▪ Ước lượng  cũng là ước lượng trung bình tổng thể
với BNN gốc có phân phối chuẩn.
▪ Mẫu 𝑊 = (𝑋1, 𝑋2, … , 𝑋𝑛)
▪ Chia hai trường hợp:
• Khi 𝜎 là đã biết  dùng thống kê 𝑍
• Khi 𝜎 là chưa biết  Sử dụng S để thay, và dùng
thống kê ( X − μ) n
T= ~ T (n − 1)
S
Ước lượng  khi biết σ2
▪ Do 𝑋ሜ − 𝜇 với 𝛼1 + 𝛼 2 = 𝛼
𝑍= ~𝑁(0,1)
𝜎/ 𝑛
ሜ
𝑋−𝜇
𝑃 𝑧1−𝛼1 < < 𝑧𝛼2 = 1 - 𝛼
𝜎/ 𝑛
𝜎 𝜎
𝑃 𝑋ሜ − 𝑧𝛼2 < 𝜇 < 𝑋ሜ + 𝑧𝛼1 =1−𝛼
𝑛 𝑛
▪ Có 3 khoảng tin cậy thông dụng tương ứng với:
• (1) 𝛼1 = 𝛼, 𝛼2 = 0
• (2) 𝛼1 = 0, 𝛼2 = 𝛼
• (3) 𝛼1 = 𝛼2 = 𝛼/2
▪ Khoảng tin cậy tối đa (phía trái: left-tail)

𝜎
𝜇 < 𝑋ሜ + 𝑧𝛼
𝑛
▪ Khoảng tin cậy tối thiểu (phía phải: right-tail)
𝜎
𝑋ሜ − 𝑧𝛼 <𝜇
𝑛
▪ Khoảng tin cậy hai phía (đối xứng: two-tail)

𝜎 𝜎
𝑋ሜ − 𝑧𝛼/2 ሜ
< 𝜇 < 𝑋 + 𝑧𝛼/2
𝑛 𝑛
▪ Khoảng tin cậy đối xứng có dạng: 𝑋ത ± 𝜀 hay 𝑋ത ± 𝑀𝐸
▪ 𝜀 là sai số biên (ME: marginal error): 𝜀 = 𝑧𝛼/2 𝜎/ 𝑛
▪ Độ dài khoảng tin cậy: I = 2𝜀 = 2𝑧𝛼/2 𝜎/ 𝑛
▪ Xác định kích thước mẫu n0 thỏa mãn yêu cầu về sai
số hoặc độ dài khoảng tin cậy:
2
𝜎 2 𝑧𝛼/2
𝜀 ≤ 𝜀0 ⇔ 𝑛0 ≥
𝜀02
2
4𝜎 2 𝑧𝛼/2
𝐼 ≤ 𝐼0 ⇔ 𝑛0 ≥
𝐼02
Ước lượng  khi không biết σ2
▪ Dùng thống kê:
( X − μ) n
T= ~ T (n − 1)
S
▪ Với 𝛼1 +𝛼2 = 𝛼
(𝑛−1) ሜ
𝑋−𝜇 (𝑛−1)
𝑃 𝑡1−𝛼 < < 𝑡𝛼 = 1-α
1 𝑠/ 𝑛 2
▪ Khoảng tin cậy tối đa

(𝑛−1) 𝑆
𝜇 < 𝑋ሜ + 𝑡𝛼
𝑛
▪ Khoảng tin cậy tối thiểu

S
X − t α(n−1) μ
n
▪ Khoảng tin cậy hai phía (đối xứng)
S ( n−1) S
X − t α(n/2−1)  μ  X + t α /2
n n
▪ Khoảng tin cậy đối xứng: 𝑋ത ± 𝜀 hay : 𝑋ത ± 𝑀𝐸
(𝑛−1)
▪ Với 𝜀 = 𝑀𝐸 = 𝑡𝛼/2 𝑆/ 𝑛
(𝑛−1)
▪ Độ dài khoảng tin cậy: I = 2𝜀 = 𝑛 2𝑡𝛼/2 𝑆/
▪ Xác định kích thước mẫu n0 (đáp ứng yêu cầu về sai số
hoặc độ dài khoảng tin cậy) dựa vào mẫu sơ bộ n cho
trước 2 ( n−1) 2
S (t α / 2 )
ε  ε0  n0 
ε02
4S 2 (t α(n/−21) )2
I  I0  n0 
I02
Ví dụ
▪ Ví dụ 8.3. Cân ngẫu nhiên 25 sản phẩm khối lượng
trung bình là 25,32g và phương sai là 5,28g2 . Giả sử
khối lượng phân phối chuẩn. Với độ tin cậy 95%
a) Ước lượng khối lượng trung bình của tất cả các sản
phẩm bằng khoảng tin cậy tối đa
b) Tìm khoảng tin cậy đối xứng cho khối lượng trung bình
c) Muốn sai số trong câu (b) còn không quá 0,5g thì cần
cân thử thêm ít nhất bao nhiêu sản phẩm?
Ước lượng phương sai tổng thể
▪ 𝑋 ~ 𝑁(𝜇, 𝜎2), với tham số σ2 là chưa biết
▪ Ước lượng khoảng cho σ2 với độ tin cậy (1 − 𝛼)
▪ Ước lượng σ2 cũng là ước lượng phương sai tổng
thể, độ phân tán trong qui luật chuẩn.
▪ Sử dụng thống kê Khi bình phương
(n − 1 ) S 2
χ2 = 2
~ χ 2
(n − 1)
σ
▪ Với 𝛼1 + 𝛼2 = 𝛼
 2(n−1) (n − 1) S 2 2( n−1) 
P  χ1−α1  2
 χ α2  =1−α
 σ 
Ước lượng tham số σ2
(n − 1 ) S 2
σ2  2( n−1)
χ1−α
(n − 1)S 2
 σ 2
χ α2(n−1)
▪ Khoảng tin cậy hai phía
(n − 1)S 2 (n − 1 ) S 2
2( n−1)
 σ 2

χ α /2 χ12−(nα−/21)
Ví dụ
Ví dụ 8.4. Cân ngẫu nhiên 25 sản phẩm khối lượng trung
bình là 25,32g và phương sai là 5,28g2. Giả sử khối lượng
của sản phẩm phân phối chuẩn. Với độ tin cậy 95%
a) Độ dao động của khối lượng đo bởi phương sai tối đa
là bao nhiêu?
b) Tìm khoảng tin cậy cho độ lệch chuẩn của khối lượng
sản phẩm
Ước lượng tần suất tổng thể
▪ 𝑋 ~ 𝐴(𝑝) với p chưa biết
▪ Ước lượng khoảng cho p với độ tin cậy (1 − 𝛼)
▪ Ước lượng p cũng là ước lượng tần suất tổng thể.
▪ Sử dụng thống kê (𝑝Ƹ − 𝑝) 𝑛
𝑍= ~𝑁(0,1)
𝑝(1 − 𝑝)
▪ Với 𝛼1 + 𝛼2 = 𝛼
(𝑝ො − 𝑝) 𝑛
P( 𝑧1−𝛼1 < < 𝑧𝛼2 ) = 1 − 𝛼
𝑝(1 − 𝑝)
▪ n ≥ 100 đủ lớn ta có
Ước lượng tham số p

𝑝(1
Ƹ − 𝑝)Ƹ
𝑝 < 𝑝Ƹ + 𝑧𝛼
𝑛
𝑝(1
Ƹ − 𝑝)Ƹ
𝑝Ƹ − 𝑧𝛼 <𝑝
𝑛
▪ Khoảng tin cậy hai phía (đối xứng)
𝑝(1
Ƹ − 𝑝)Ƹ 𝑝(1
Ƹ − 𝑝)Ƹ
𝑝Ƹ − 𝑧𝛼/2 < 𝑝 < 𝑝Ƹ + 𝑧𝛼/2
𝑛 𝑛
Ước lượng tham số p
▪ Khoảng tin cậy đối xứng: 𝑝Ƹ  ME hay 𝑝Ƹ  
𝑀𝐸 = 𝜀 = 𝑧𝛼/2 𝑝(1 Ƹ − 𝑝)/ Ƹ 𝑛
▪ Độ dài khoảng tin cậy:
𝐼 = 2𝑀𝐸 = 2𝜀 = 2𝑧𝛼/2 𝑝(1
Ƹ − 𝑝)/
Ƹ 𝑛
▪ Xác định kích thước mẫu n0 thỏa mãn yêu cầu về sai
số hoặc độ dài KTC: 2
𝑝(1
Ƹ − 𝑝)𝑧
Ƹ 𝛼/2
𝜀 ≤ 𝜀0 ⇔ 𝑛0 ≥
𝜀02
2
4𝑝(1
Ƹ − 𝑝)𝑧Ƹ 𝛼/2
𝐼 ≤ 𝐼0 ⇔ 𝑛0 ≥
𝐼02
Ví dụ
Ví dụ 8.5. Quan sát ngẫu nhiên 400 người vào cửa hàng
thì có 144 người mua hàng. Với độ tin cậy 95%:
(a) Ước lượng tỉ lệ khách mua hàng bằng khoảng tin cậy
đối xứng
(b) Muốn độ dài khoảng tin cậy trong câu (a) giảm xuống
còn một nửa thì cần quan sát tối thiểu bao nhiêu người?
(c) Nếu trong một ngày có 5000 người vào cửa hàng thì
có tối đa bao nhiêu người mua hàng?
BÀI 9 - KIỂM ĐỊNH GIẢ THUYẾT
▪ 9.1. Khái niệm

▪ 9.2. Kiểm định tham số một tổng thể
▪ 9.3. Kiểm định tham số hai tổng thể
▪ 9.4. Kiểm định phi tham số
9.1. KHÁI NIỆM
▪ Cặp giả thuyết, tiêu chuẩn kiểm định
▪ Các loại sai lầm
▪ Mức ý nghĩa và miền bác bỏ
▪ Kiểm định bằng P-Value
▪ [1] Chương 8, trang 465-470, trang 479

▪ [2] Chapter 9, pp.346-352, 354-355
▪ [3] Chapter 9, pp.382-389; 392-394
Cặp giả thuyết, tiêu chuẩn kiểm định
▪ Giả thuyết thống kê: Mệnh đề về một vấn đề thống kê
nào đó của tổng thể.
▪ Kiểm định tham số: Kết luận về tính đúng / sai của một
giả thuyết thống kê đối với tham số tổng thể dựa vào
các bằng chứng thực nghiệm.
▪ Ví dụ:
➢ Thu nhập trung bình của người lao động là trên
2000 USD/năm
➢ Tỷ lệ khách quay lại mua hàng lần hai là 50%
➢ Độ dao động của giá vàng trên thị trường tư nhân
trong năm qua là chưa đến 30 USD
Cặp giả thuyết, tiêu chuẩn kiểm định
▪ Bài toán kiểm định giả thuyết thống kê so sánh giá trị
tham số  (của tổng thể) và giá trị thực 0 cho trước:
H0 : θ = θ0 H0 : θ = θ0 H0 : θ = θ0
ቊ ቊ ቊ
H1 : θ > θ 0 H1 : θ < θ 0 H1 : θ ≠ θ 0
▪ Với mỗi cặp giả thuyết ta có một tiêu chuẩn kiểm định,
ký hiệu là 𝐺.
▪ Giá trị của tiêu chuẩn kiểm định G tính trên mẫu cụ thể
ký hiệu là 𝐺𝑞𝑠
Ví dụ
Viết cặp giả thuyết phù hợp cho các bài toán kiểm
định giả thuyết thống kê đối với các nhận định sau:
(a) Thu nhập trung bình của người lao động là trên
2000 USD/năm.
(b) Tỷ lệ khách quay lại mua hàng lần hai là 50%.
(c) Độ dao động của giá vàng trên thị trường trong năm
qua là chưa đến 30 USD phải không?
(d) Tỷ lệ nữ khách hàng trong ngày của một cửa hàng là
ít hơn nam.
(e) Mức độ biến động của giá vàng là quá 500 USD2.
Các loại sai lầm
▪ Sai lầm loại I: bác bỏ một điều đúng (type I error)
▪ Sai lầm loại II: chấp nhận một điều sai (type II error)
Quyết định Tình trạng trên tổng thể
𝐻0 đúng 𝐻0 sai
Chấp nhận 𝐻0 Đúng Sai lầm loại II
Xác suất = 1 - α Xác suất = β
Bác bỏ 𝐻0 Sai lầm loại I Đúng
Xác suất = α Xác suất = 1 - β
Mức ý nghĩa và miền bác bỏ
▪ Xác định một miền 𝑊 sao cho nếu 𝐻0 đúng thì xác suất 𝐺
thuộc miền đó là một mức  đủ nhỏ:
𝑃(𝐺  𝑊 | 𝐻0 đúng) = 
▪ 𝑊 gọi là miền bác bỏ (reject area)
▪ 𝑊 được xác định bởi các giá trị tới hạn (critical value)
▪  gọi là mức ý nghĩa (significant level)
▪ Mức  hay dùng là  = 0,01; 0,05; 0,1
Quy tắc kiểm định
▪ Cặp giả thuyết 𝐻0 và 𝐻1
▪ Mẫu cụ thể thì tiêu chuẩn 𝐺 nhận giá trị cụ thể: 𝐺𝑞𝑠
▪ Mức ý nghĩa  cho trước, tìm được miền bác bỏ 𝑊
❖ Nếu 𝐺𝑞𝑠  𝑊: bác bỏ 𝐻0 (reject 𝐻0), 𝐻0 là sai, 𝐻1 là
đúng
❖ Nếu 𝐺𝑞𝑠  𝑊: chưa có cơ sở bác bỏ 𝐻0 (not reject
𝐻0), 𝐻0 là đúng, 𝐻1 là sai
▪ Kết luận về mệnh đề đã nêu ra.
Mức ý nghĩa và p-value
▪ P-value là “mức xác suất thấp nhất để bác bỏ 𝐻0”
▪ P-value thường được tính sẵn qua các phần mềm
chuyên dụng
▪ Quy tắc kiểm định theo P-value

Với mức ý nghĩa  cho trước:
❖ Nếu P-value <  thì bác bỏ 𝐻0 , nhận 𝐻1
❖ Nếu P-value ≥  thì chưa bác bỏ 𝐻0
9.2. KIỂM ĐỊNH THAM SỐ MỘT TỔNG THỂ
▪ Kiểm định trung bình tổng thể
▪ Kiểm định phương sai tổng thể
▪ Kiểm định tần suất tổng thể
▪ [1] Chương 8, trang 471-491, 512-519, 524-527

▪ [2] Chapter 9, pp. 353-384
▪ [3] Chapter 9, pp. 390-440; 481-493
Kiểm định trung bình tổng thể
▪ Tổng thể phân phối chuẩn 𝑋 ~ 𝑁 (  , 𝜎 2 )
▪ Tham số  chưa biết nhưng muốn so sánh  với 0
(0 đã biết), khi đó ta có 3 cặp giả thuyết sau:
H0 : μ = μ0 H0 : μ = μ0 H0 : μ = μ0
(1) ቊ (2) ൜ 3 ቊ
H1 : μ > μ 0 H1 : μ < μ 0 H1 : μ ≠ μ 0
Xét hai trường hợp:

❖ Phương sai tổng thể σ2 đã biết (lý thuyết)
❖ Phương sai tổng thể σ2 chưa biết (thực tế)
Kiểm định  khi biết σ2 (tự đọc)
ഥ −μ
X n
Tiêu chuẩn chung 𝑍= ~ N 0,1
σ
H0 : μ = μ0
(1) ቊ
H1 : μ > μ 0
Nếu 𝐻0 đúng thì

ഥ −μ 0 ) n
(X
𝑍= ~ N 0,1
σ
𝑃(𝑍 > 𝑧 𝛼 ) = 𝛼
Miền bác bỏ Wα = Z: Z > z α
ഥ −μ
X n
σ
H0 : μ = μ0
(2) ቊ
H1 : μ < μ 0
Tiêu chuẩn kiểm định

ഥ −μ 0 ) n
(X
𝑍= ~ N 0,1
σ
𝑃(𝑍 < −𝑧 𝛼 ) = 𝛼
Miền bác bỏ Wα = Z: Z < −z α
ഥ −μ
X n
σ
H0 : μ = μ0
(3) ቊ
H1 : μ ≠ μ 0
ഥ −μ 0 ) n
(X
𝑍= ~N 0,1
σ
𝑃( Z > z α/2 )=
Miền bác bỏ Wα = Z: Z > z α/2
P - value
▪ Với cặp giả thuyết cho trước, mẫu cụ thể
▪ Giá trị quan sát: 𝑍𝑞𝑠
▪ 𝑃- value của các cặp giả thuyết tính như sau:
H0 : μ = μ0
(1) ቊ 𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 𝑃(𝑍 > 𝑍 𝑞𝑠 )
H1 : μ > μ 0
H0 : μ = μ0
(2) ቊ 𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 𝑃 (𝑍 < 𝑍 𝑞𝑠 )
H1 : μ < μ 0
H0 : μ = μ0
(3) ቊ 𝑃 − 𝑣𝑎𝑙𝑢𝑒 = 2. 𝑃 𝑍 > 𝑍 𝑞𝑠
H1 : μ ≠ μ 0
Ví dụ
Ví dụ 9.1. Biết kích thước sản phẩm là biến ngẫu nhiên
phân phối chuẩn với phương sai là 36mm2. Đo ngẫu
nhiên 50 sản phẩm tính được trung bình mẫu là
122mm. Với mức ý nghĩa 5%
a) Kiểm định giả thuyết kích thước trung bình là trên
120mm
b)* Tìm P-value của cặp giả thuyết trong câu (a)
c) Kiểm định giả thuyết kích thước trung bình chưa đến
123mm
Kiểm định  khi chưa biết σ2
𝑋 ~ 𝑁( , 𝜎2) Cặp Miền bác bỏ
Tiêu chuẩn giả thuyết 𝑊
𝐻0:  = 0
𝐻1:  > 0
𝐻0:  = 0
𝐻1:  < 0
𝐻0:  = 0
𝐻1:   0
Ví dụ
Ví dụ 9.2. Cân ngẫu nhiên 25 sản phẩm khối lượng trung
bình là 25,32g và phương sai là 5,28g2. Giả sử khối lượng
phân phối chuẩn. Với mức ý nghĩa 5%
a) Kiểm định giả thuyết trung bình tổng thể lớn hơn 24g
b) Có thể nói khối lượng trung bình là chưa đến 26g hay
không? Nếu mức ý nghĩa là 10% thì sao?
c) Nhận xét ý kiến cho rằng khối lượng trung bình là khác
26,5g
Kiểm định phương sai tổng thể
𝑋 ~ 𝑁( , 𝜎2) Cặp Miền bác bỏ
Tiêu chuẩn giả thuyết 𝑊
Ví dụ
Ví dụ 9.3. Tiêu chuẩn cho độ dao động của khối
lượng một loại quả đóng hộp là không được
vượt quá 5g. Kiểm tra ngẫu nhiên 50 quả thu
hoạch tại một vườn thấy phương sai mẫu của
khối lượng quả là 30g2.
Với mức ý nghĩa 5%, cho biết mức dao động của
khối lượng loại quả tại vườn này là đạt tiêu
chuẩn hay không? Giả thiết rằng khối lượng quả
là biến ngẫu nhiên phân phối chuẩn.
Kiểm định tần suất tổng thể
Tiêu chuẩn Cặp Miền bác bỏ
kiểm định giả thuyết 𝑊
𝐻 0: 𝑝 = 𝑝 0
𝑝ො − p 0 n 𝐻 1: 𝑝 > 𝑝 0 Z: Z > z α
Z=
p0 1 − p0 𝐻 0: 𝑝 = 𝑝 0
𝑍~N 0,1 , 𝐻 1: 𝑝 < 𝑝 0 Z: Z < −z α
n ≥100 𝐻 0: 𝑝 = 𝑝 0
𝐻 1: 𝑝 ≠ 𝑝 0 Z: Z > z α/2
Ví dụ
Ví dụ 9.4. Trong số 400 người vào cửa hàng thì có 224 nữ và
176 nam.
Trong 224 nữ có 108 người mua hàng; trong 176 nam có 94
người mua hàng. Với mức ý nghĩa 5%:
a) Có thể nói tỷ lệ nữ chiếm trên một nửa số người vào
cửa hàng hay không?
b) Có thể cho rằng tỷ lệ mua hàng của nữ là ít hơn của
nam hay không?
9.3. KIỂM ĐỊNH THAM SỐ HAI TỔNG THỂ
▪ Khái niệm mẫu độc lập và mẫu phụ thuộc
▪ Kiểm định trung bình hai tổng thể
▪ Kiểm định phương sai hai tổng thể
▪ Kiểm định tần suất hai tổng thể
▪ [1] Chương 8
▪ [2] Chapter 10
▪ [3] Chapter 10, 11, 12
Khái niệm mẫu độc lập – mẫu phụ thuộc
▪ Mẫu độc lập: quan sát thu được từ các đối tượng độc
lập hay khác nhau.
• Số quan sát có thể khác nhau
• Không quan trọng thứ tự các quan sát
▪ Mẫu phụ thuộc: là hai mẫu được chọn theo cách một
quan sát bất kì ở mẫu thứ nhất tương ứng duy nhất
với một quan sát ở mẫu thứ hai (quan hệ theo cặp)
• Số quan sát phải bằng nhau
• Thứ tự của các quan sát là cố định
Ví dụ
▪ Hai mẫu phụ thuộc ▪ Hai mẫu độc lập
Cửa Trước Sau Công ty A Công ty B
hàng quảng cáo quảng cáo 76 90
1 72 76 79 82
2 75 79 77 85
3 70 77 80 90
4 82 80 75 80
5 70 75 89 79
6 83 89 87
Quảng cáo thành công? 88
Doanh số của A và B có
sự khác biệt?
Kiểm định về trung bình hai tổng thể
▪ Hai tổng thể phân phối chuẩn:
𝑋1 ~𝑁 𝜇1 , 𝜎12 ; 𝑋2 ~𝑁(𝜇2 , 𝜎22 )
▪ Các tham số đều chưa biết
▪ Với X1, lấy mẫu W1, kích thước n1, có 𝑋ത1 và 𝑆12
▪ Với X2, lấy mẫu W2, kích thước n2, có 𝑋ത2 và 𝑆22
▪ Với mức ý nghĩa , kiểm định so sánh 1 và 2
▪ Hai trường hợp:
• Giả sử 𝜎12 ≠ 𝜎22
• Giả sử 𝜎12 = 𝜎22 : tự đọc trong giáo trình
Kiểm định trung bình hai tổng thể

kiểm định giả thuyết W
H0: 1 = 2 𝑇: 𝑇 > 𝑍𝛼
𝑋ത1 − 𝑋ത2 H1: 1 > 2
𝑇=
𝑆12 𝑆22 H0: 1 = 2 𝑇: 𝑇 < −𝑍𝛼
+
𝑛1 𝑛2 H1: 1 < 2
H0: 1 = 2 𝑇: |𝑇| > 𝑍𝛼/2
n1, n2 > 30 thì H1: 1  2
(𝑑𝑓)
𝑡𝛼 = 𝑧𝛼
Ví dụ
Ví dụ 9.5. Khảo sát ngẫu nhiên 40 khách hàng nam và
40 khách hàng nữ thấy khách nam chi trung bình là 230
nghìn đồng và độ lệch chuẩn là 50 nghìn đồng; khách
nữ chi trung bình là 205 nghìn đồng và độ lệch chuẩn là
60 nghìn đồng. Giả sử chi tiêu phân phối chuẩn.
(a) Với mức ý nghĩa 5%, kiểm định giả thuyết mức chi
trung bình của nam nhiều hơn nữ
Kiểm định phương sai hai tổng thể

kiểm định giả thuyết W
H0: 𝜎12 = 𝜎22 𝐹: 𝐹 > 𝑓𝛼
(𝑛1 −1,𝑛2 −1)
𝑆12 H1: 𝜎12 > 𝜎22

𝐹= 2
𝑆2 H0: 𝜎12 = 𝜎22 𝐹: 𝐹 <
(𝑛1 −1,𝑛2 −1)
𝑓1−𝛼
H1: 𝜎12 < 𝜎22
(𝑑𝑓1 ,𝑑𝑓2 )
𝑓1−𝛼 H0: 𝜎12 = 𝜎22 𝐹>
(𝑛1 −1,𝑛2 −1)
𝑓𝛼/2
1 H1: 𝜎12 ≠ 𝜎22 𝐹: [
= (𝑑𝑓2 ,𝑑𝑓1 ) 𝐹<
(𝑛1 −1,𝑛2 −1)
𝑓1−𝛼/2
𝑓𝛼
Kiểm định phương sai hai tổng thể
▪ Giả thuyết 𝜎12 < 𝜎22 hoán vị thành 𝜎22 > 𝜎12
▪ Chỉ xét với 𝑆12 > 𝑆22 thì bảng quyết định:
𝑋1 ~𝑁 𝜇1 , 𝜎12 Cặp Miền bác bỏ
𝑋2 ~𝑁(𝜇2 , 𝜎22 ) giả thuyết W
𝑺𝟐𝟏 > 𝑺𝟐𝟐 H0: 𝜎12 = 𝜎22 𝐹: 𝐹 > 𝑓𝛼

(𝑛1 −1,𝑛2 −1)
𝑆12 H1: 𝜎12 > 𝜎22

𝐹= 2
𝑆2
H0: 𝜎12 = 𝜎22 (𝑛 −1, 𝑛2 −1)
𝐹 > 𝑓𝛼ൗ 1
H1: 𝜎12 ≠ 𝜎22 𝐹:
2
(𝑛 −1, 𝑛2 −1)
0<𝐹< 𝑓 𝛼1
1−
2
Ví dụ 9.5 (tiếp): (b) Mức chi của nam có đồng đều hơn nữ không?
Kiểm định tần suất hai tổng thể
Tiêu chuẩn kiểm định Cặp Miền bác bỏ

𝑛1 , 𝑛2 ≥ 100 giả thuyết W
𝐻0: 𝑝1 = 𝑝2 𝑍: 𝑧 > 𝑧𝛼
𝑝Ƹ1 − 𝑝Ƹ 2 𝐻1: 𝑝1 > 𝑝2
z=
1 1 𝐻0: 𝑝1 = 𝑝2 𝑍: 𝑧 < −𝑧𝛼
𝑝(1
ҧ − 𝑝)ҧ +
𝑛1 𝑛1
𝐻1: 𝑝1 < 𝑝2
𝑛1 𝑝Ƹ1 + 𝑛2 𝑝Ƹ 2 𝐻0: 𝑝1 = 𝑝2 𝑍: |𝑧| > 𝑧𝛼/2
𝑝ҧ =
𝑛1 + 𝑛2 𝐻1: 𝑝1 ≠ 𝑝2
Ví dụ
▪ Ví dụ 9.6. Quan sát số khách hàng vào ba cửa hàng
A, B, C
A B C
Nữ 55 115 85
Nam 45 55 35
Tổng 100 170 120
a) Với mức ý nghĩa 5%, kiểm định giả thuyết “tỷ lệ khách
hàng là nữ ở hai cửa hàng A và B là như nhau”
b) Với mức ý nghĩa là 1% thì tỷ lệ khách hàng là nữ ở cửa
hàng B nhỏ hơn tỷ lệ khách hàng là nữ ở cửa hàng C?
Bài tập
▪ [1] Chương 8, 9: 8.16; 8.18; 8.20; 8.41; 8.44; 8.70;
8.77; 9.1; 9.2; 9.5
▪ [2] Chapter 10: 10.1; 10.2; 10.6; 10.7; 10.14; 10.22
▪ [3] Chapter 10 (p. 447- 448): 1, 2, 3
▪ Đọc: Giới thiệu thực hành Excel: Bài 7

▪ Lưu ý: Khi kiểm định hai trung bình, nếu không nói gì
thêm thì chúng ta ngầm định rằng hai phương sai tổng
thể là khác nhau.
9.4. KIỂM ĐỊNH PHI THAM SỐ
Kiểm định phi tham số được sử dụng trong những
trường hợp dữ liệu không có phân phối chuẩn hoặc
cho các mẫu nhỏ có ít quan sát.
▪ Kiểm định Jarques Berra (JB) về dạng phân phối
chuẩn của một biến số
▪ Kiểm định tính độc lập của hai dấu hiệu định tính
Tham khảo
▪ [1] Chương 9
▪ [3] Chapter 12
KIỂM ĐỊNH JARQUES – BERRA (JB)
𝐻0: Biến 𝑋 phân phối chuẩn
𝐻1: Biến 𝑋 không phân phối chuẩn
n
▪ Hệ số bất đối xứng: a3 =
 i =1
( X i − X )3
/n
S3
n
▪ Hệ số nhọn: a4 =
 i =1
( X i − X ) 4
/n
S4
 a32 (a4 − 3)2 
▪ Tiêu chuẩn: JB = n  + 
 6 24 
▪ Miền bác bỏ: 
Wα = JB : JB  χ α2(2) 
Ví dụ
▪ Ví dụ 9.7. Với số liệu sau:
▪ Tính được: 𝑥ҧ = 25,32 và 𝑠 = 2,286

▪ ∑ 𝑥𝑖 − 𝑥ҧ 3 = −38,56; ∑ 𝑥𝑖 − 𝑥ഥ 4 = 568,63
▪ Với mức ý nghĩa 5%, kiểm định giả thuyết khối lượng
sản phẩm là biến ngẫu nhiên phân phối chuẩn.
KIỂM ĐỊNH TÍNH ĐỘC LẬP
▪ Hai dấu hiệu định tính A và B và bảng tiếp liên
• A gồm h phạm trù: 𝐴1, 𝐴2, … , 𝐴ℎ
• B gồm k phạm trù: 𝐵1, 𝐵2, … , 𝐵𝑘
Kiểm định tính độc lập
▪ Kiểm định cặp giả thuyết
• 𝐻0: A và B độc lập
• 𝐻1: A và B không độc lập
 h k n 2

▪ Tiêu chuẩn χ = n  
2 ij
− 1
 i =1 j =1 ni m j 
 
2((ℎ−1)×(𝑘−1))
▪ Miền bác bỏ: 𝑊𝛼 = 2 : 2 > 𝛼
Ví dụ
▪ Ví dụ 9.8. Với mức ý nghĩa 5%, kiểm định tính độc lập
giới tính và loại tốt nghiệp của các cử nhân
Loại
Trung
TN Khá Giỏi ∑
bình
Giới
Nữ 90 150 40
Nam 100 100 20
∑
Bài tập
▪ [1] Chương 9: 9.1; 9.2; 9.5
▪ [3] Chapter 12: 9 – 18 (p.523 – 527)

XSTK 2019 2020

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

XSTK 2019 2020

Uploaded by

Copyright:

Available Formats

ĐẠI HỌC KINH TẾ QUỐC DÂN

KHOA TOÁN KINH TẾ

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 2

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 3

▪ Trang web: www.mfe.neu.edu.vn/phamngochung

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 4

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 5

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 6

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 7

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 8

Thông tin Thông tin

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 9

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 10

▪ Tổng thể (Population): tất cả các phần tử cần quan

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 11

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 12

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 13

Định tính Định lượng

Định danh Thứ bậc Rời rạc Liên tục

Mã hóa bởi con số Sử dụng để xếp hạng

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 14

Hoàn Rất Không Không Đồng ý Rất Hoàn

▪ [1] Chương 6, trang 312 – 323.

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 16

Thứ Khu vực Số Thu nhập So với toàn

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 17

Khu vực Thành thị Nông thôn

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 18

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 19

TB thấp 78 19% 104

Tổng 420 100% 50

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 20

Quy mô hộ gia đình

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 21

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 22

Labor Output Labor Output Output – Labor relationship

Tương quan r=0

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 24

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 25

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 26

Tổng thể Mẫu

▪ Áp dụng cho biến định lượng

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 27

Giá bán (triệu / kg) 10 12 14 16

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 28

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 29

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 30

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 31

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 32

Tổng thể Mẫu

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 35

▪ Ví dụ: Tính hệ số biến thiên của hai số liệu trong ví dụ

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 36

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 37

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 38

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 39

Tổng thể Mẫu

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 40

[1] Chương 1, trang 5-77

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 42

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 43

LÝ THUYẾT XÁC SUẤT VÀ THỐNG KÊ TOÁN – BỘ MÔN TOÁN KINH TẾ - www.mfe.neu.edu.vn 44

[1] Chương 1, trang 7-22