Chương 5: PHÂN PHỐI XÁC SUẤT ĐỒNG THỜI VÀ MẪU

NGẪU NHIÊN

Nguyễn Hồng Nhung - Lê Thị Mai Trang

Bộ môn Toán, Khoa Khoa học Ứng dụng

Đại học Sư phạm Kỹ thuật Tp. HCM

UTEX
www.hcmute.edu.vn
Chương 5 trang bị cho người học
Phân phối xác suất đồng thời của các biến
ngẫu nhiên
Hàm xác suất đồng thời
Hàm mật độ xác suất đồng thời
Hàm phân phối xác suất đồng thời
Các tham số đặc trưng cho phân phối đồng
thời
Kỳ vọng
Hiệp phương sai
Hệ số tương quan
Chương 5 trang bị cho người học
Thống kê và các phân phối Thống kê

Phân phối của Trung bình mẫu

Phân phối của tổ hợp tuyến tính các biến

ngẫu nhiên
Sau khi học xong chương 5 người học có thể
* Nắm được khái niệm phân phối xác suất đồng
thời. Biết cách xác định các phân phối xác đồng
thời của 2 biến ngẫu nhiên rời rạc, liên tục và
áp dụng vào trong các bài toán xác suất cụ thể.
* Hiểu khái niệm, ý nghĩa và biết cách xác định
các tham số đặc trưng cho phân phối xác đồng
thời.
* Nắm được khái niệm phân phối mẫu, xác định
được phân phối của biến ngẫu nhiên trung bình
mẫu, tính được các tham số đặc trưng cho phân
phối của tổ hợp tuyến tính các biến ngẫu nhiên.
Nội dung
1 Phân phối xác suất đồng thời của các biến ngẫu nhiên
Hàm xác suất đồng thời
Hàm mật độ xác suất đồng thời
Hàm phân phối xác suất đồng thời
Sự độc lập của các biến ngẫu nhiên
2 Các tham số đặc trưng cho phân phối đồng thời
Kỳ vọng
Hệ số hiệp phương sai
Hệ số tương quan
3 Thống kê và các phân phối thống kê
4 Phân phối của trung bình mẫu
5 Phân phối của tổ hợp tuyến tính của các biến ngẫu nhiên
Hàm xác suất đồng thời
Cho X và Y là hai biến rời rạc được định nghĩa
trên không gian mẫu S của một thí nghiệm ngẫu
nhiên. Hàm xác suất đồng thời pX ,Y (u, v ) cho
mỗi cặp số (u, v ) được định nghĩa bởi
pX ,Y (u, v ) = P(X = u và Y = v )
thỏa mãn
pX ,Y (u, v ) ≥ 0
và XX
pX ,Y (u, v ) = 1
u v
Hàm xác suất đồng thời

Giả sử X1 , X2 , . . . , Xn ; n ≥ 2 là các biến ngẫu nhiên cùng rời rạc trên cùng 1
không gian xác suất, hàm xác suất đồng thời của n biến ngẫu nhiên này là
hàm p(u1 , u2 , . . . , un ) thỏa mãn

p(u1 , u2 , . . . , un ) = P(X1 = u1 , X2 = u2 , . . . , Xn = un )
Hàm xác suất đồng thời
Thực hiện n thí nghiệm ngẫu nhiên độc lập, trong đó mỗi thí nghiệm chỉ
xuất hiện một kết quả trong r kết quả có thể xảy ra với xác suất xuất hiện kết
thứ i trong mỗi thí nghiệm là như nhau và bằng pi .
Đặt Xi là số thí nghiệm xuất hiện kết quả i (i = 1, ..., r ). Dãy thí
nghiệm như vậy gọi là dãy thí nghiệm Đa thức và hàm xác suất đồng thời
của X1 , X2 , ..., Xr được gọi là phân phối đa thức - multinomial distribution.
(
n! u1 ur
(u1 !)(u2 !)...(ur !) .p1 ...pr , ui ∈ [0, r ]; u1 + u2 + . . . + ur = n
p(u1 , ..., ur ) =
0, trường hợp khác

Trường hợp r = 2 phân phối đa thức là phân phối nhị thức.

Hàm xác suất biên duyên

Đặc biệt, hàm xác suất của X và Y có thể xác

định lại được từ hàm xác suất đồng thời, bằng
cách sử dụng công thức xác suất đầy đủ:
P
pX (u) = pX ,Y (u, v )
v
P
pY (v ) = pX ,Y (u, v ).
u

pX và pY gọi là các hàm xác suất biên duyên

(marginal pmfs)
Hàm xác suất điều kiện
Hàm xác suất điều kiện của Y cho bởi X , ký
hiệu là pY |X (v |u0 ), được xác định với mọi u0
thỏa mãn pX (u0 ) > 0 như sau:
pX ,Y (u0 , v )
pY |X (v |u0 ) = P(Y = v |X = u0 ) =
pX (u0 )

Nếu pX (u0 ) = 0 thì pY |X (v |u0 ) không xác định.

Tương tự ta có định nghĩa hàm xác suất điều
kiện của X cho bởi Y , ký hiệu là pX |Y (u |v0 )
Hàm xác suất điều kiện

Hàm xác suất điều kiện của X cho bởi Y , ký

hiệu là pX |Y (u |v0 ), được xác định với mọi v0
thỏa mãn pY (v0 ) > 0 như sau:
pX ,Y (u, v0 )
pX |Y (u |v0 ) = P(X = u |Y = v0 ) =
pY (v0 )

Nếu pY (v0 ) = 0 thì pX |Y (u |v0 ) không xác định.

Ví dụ: Cho (X , Y ) có hàm xác suất đồng thời cho trong bảng

Y=3 0,1 0,1 0,1

Y=2 0,2 0,1
Y=1 0,3 0,1
X=1 X=2 X=3

pX ,Y (1; 3) = P(X = 1; Y = 3) = 0, 1 pX ,Y (2; 3) = 0, 1 pX ,Y (3; 3) = 0, 1

pX ,Y (1; 2) = P(X = 1; Y = 2) = 0 pX ,Y (2; 2) = 0, 2 pX ,Y (3; 2) = 0, 1
pX ,Y (1; 1) = P(X = 1; Y = 1) = 0 pX ,Y (2; 1) = 0, 3 pX ,Y (3; 1) = 0, 1

pX (1) = P(X = 1) = P(X = 1; Y = 3) + P(X = 1; Y = 2) + P(X = 1; Y = 1) = 0, 1

pX (2) = P(X = 2) = pX ,Y (2; 3) + pX ,Y (2; 2) + pX ,Y (2; 1) = 0, 6
pX (3) = P(X = 3) = pX ,Y (3; 3) + pX ,Y (3; 2) + pX ,Y (3; 1) = 0, 3
 Y=3 0,1 0,1 0,1
Ví dụ: Cho (X , Y ) có hàm xác suất Y=2 0,2 0,1
đồng thời cho trong bảng Y=1 0,3 0,1
X=1 X=2 X=3

0, 3
 v =3
Tương tự ta có hàm xác suất của Y có dạng: pY (v ) = 0, 3 v =2

0, 4 v =1

pX ,Y (1,1) 0
pX |Y (1 |1 ) = P(X = 1 |Y = 1 ) = pY (1) = 0,4 =0
pX ,Y (2,1) 0,3 3
pX |Y (2 |1 ) = P(X = 2 |Y = 1 ) = pY (1) = 0,4 = 4
pX ,Y (3,1) 0,1 1
pX |Y (3 |1 ) = P(X = 3 |Y = 1 ) = pY (1) = 0,4 = 4 
0
 u=1
Hàm xác suất điều kiện của X khi Y nhận giá trị 1 là pX |Y (u|v = 1) = 3/4 u=2

1/4 u=3

Hàm mật độ xác suất đồng thời
Cho X và Y là các biến ngẫu nhiên cùng liên tục. Một hàm mật độ xác suất
đồng thời fX ,Y (u, v ) cho hai biến này là hàm thỏa mãn fX ,Y (u, v ) ≥ 0 và
Z +∞ Z +∞
fX ,Y (u, v )dudv = 1
−∞ −∞

Khi đó với miền phẳng A ta có:

Z Z
P[(X , Y ) ∈ A] = fX ,Y (u, v )dudv
A

Đặc biệt, nếu A là hình chữ nhật (u, v ) : a ≤ u ≤ b, c ≤ v ≤ d thì

Z bZ d
P[(X , Y ) ∈ A] = P(a ≤ u ≤ b, c ≤ v ≤ d) = fX ,Y (u, v )dvdu
a c
Hàm mật độ xác suất đồng thời

Giả sử X1 , X2 , . . . , Xn ; n ≥ 2 là các là các biến ngẫu nhiên cùng liên tục trên
cùng 1 không gian xác suất, hàm mật độ xác suất đồng thời của n biến ngẫu
nhiên này là hàm f (u1 , u2 , . . . , un ) thỏa mãn với mọi n khoảng
[a1 , b1 ]; [a2 , b2 ]; . . . ; [an , bn ] thì

R b1 R bn
P(a1 ≤ X1 ≤ b1 , . . . , an ≤ Xn ≤ bn ) = a1 ... an f (u1 , u2 , . . . , un )dun . . . du1
Hàm mật độ biên duyên

Hàm mật độ xác suất biên duyên của X và Y , được kí hiệu fX (u) và
fY (v ), được cho bởi công thức:
Z ∞
fX (u) = f (u, v )dv với − ∞ < u < ∞
−∞
Z ∞
fY (v ) = f (u, v )du với −∞<v <∞
−∞
Hàm mật độ xác suất điều kiện
Cho X và Y là 2 biến ngẫu nhiên cùng liên tục với hàm mật độ đồng thời
fX ,Y (u, v ) và hàm mật độ biên duyên của X là fX (u). Khi đó với mọi giá trị u
bất kì của X mà fX (u) > 0, thì hàm mật độ điều kiện của Y cho bởi X = u
là
fX ,Y (u, v )
fY |X (v |u) = −∞<v <∞
fX (u)
Tương tự hàm mật độ điều kiện của X cho bởi Y = v , khi fY (v ) > 0 với
mọi giá trị v bất kì của Y , là
fX ,Y (u, v )
fX |Y (u|v ) = −∞<u <∞
fY (v )
Hàm mật độ đồng thời đều
Cho miền S nằm trong mặt phẳng có diện tích hữu hạn. Khi đó (X , Y ) có
phân phối đồng thời đều trên S (uniform distribution over S) khi (X , Y ) có
hàm mật độ đồng thời như sau:
(
1
diện tích của S
nếu (u, v ) ∈ S
fX ,Y (u, v ) =
0 trường hợp ngược lại

Nếu A là một tập con của mặt phẳng thì

diện tích của A ∩ S
P{(X , Y ) ∈ A} =
diện tích của S
Ví dụ: Giả sử (X , Y ) có phân phối đều trên hình tròn đơn vị, tức là
S = {(u, v ) : u 2 + v 2 ≤ 1}.
Vì diện tích của S là π nên hàm mật độ đồng thời đều có dạng:
 1
π nếu u 2 + v 2 ≤ 1
fX ,Y (u, v ) =
0 khi u 2 + v 2 > 1.

(a) Tìm P{(X , Y ) ∈ A} với A = {(u, v ) : u ≥ 0, v ≥ 0}.

(b) Tìm hàm mật độ của X .
(c) Tìm hàm mật độ của Y với điều kiện X .
(a) Miền A ∩ S có diện tích là 1/4 diện tích S, nên P{(X , Y ) ∈ A} = 1/4.
(b) Hàm mật độ biên duyên, fX (u) cho bởi
 √
1−u02 √
Z∞ 
 R 1 2 1−u02
dv = nếu |u0 | ≤ 1

fX (u0 ) = fX ,Y (u0 , v )dv = √ 2 π π

 − 1−u 0
−∞
0 khi |u0 | > 1.


(c) Hàm mật độ xác suất điều kiện fY |X (v |u0 ) không xác định khi |u0 | ≥ 1, nên giả sử với
|u0 | < 1 ta có 
1 p p
 √π
2
= √ 1 2 nếu − 1 − u02 ≤ v ≤ 1 − u02
2 1−u0 2 1−u0
fY |X (v |u0 ) = π
0 trường hợp ngược lại

h p p i
Tức là, khi |u0 | < 1, cho X = u0 , Y có phân phối đều trên − 1 − u02 , 1 − u02 .
Hàm phân phối xác suất đồng thời

Cho X và Y là những biến ngẫu nhiên trên cùng

một không gian xác suất. Hàm phân phối tích
lũy đồng thời của hai biến được định nghĩa bởi

FX ,Y (u0 , v0 ) = P{X ≤ u0 , Y ≤ v0 }.

với mọi giá trị u0 , v0 là các số thực.

Hàm phân phối xác suất đồng thời
Giá trị hàm phân phối đồng thời FX ,Y (u0 , v0 ) là
xác suất giá trị của cặp biến ngẫu nhiên (X , Y )
rơi vào miền gạch chéo trong mặt phẳng uOv ,
được chỉ ra trong hình
Hàm phân phối của X được xác định bởi hàm phân phối tích lũy đồng thời

FX ,Y (u, +∞) = lim FX ,Y (u, v ) = FX (u).

v →+∞

Tương tự, hàm phân phối của X được xác định bởi hàm phân phối tích lũy
đồng thời
FY (v ) = FX ,Y (+∞, v ) = lim FX ,Y (u, v )
u→+∞
Tính chất của hàm phân phối tích lũy, FX ,Y , cho cặp biến ngẫu nhiên X
và Y .Để gọn hơn, thay vì viết FX ,Y , ta viết đơn giản F :
ˆ 0 ≤ F (u, v ) ≤ 1 với mọi (u, v ) ∈ R 2 .
ˆ F (u, v ) không giảm theo u và không giảm theo v .
ˆ F (u, v ) liên tục phải theo u, liên tục phải theo v .
ˆ Nếu a < b và c < d thì F (b, d) − F (b, c) − F (a, d) + F (a, c) ≥ 0.
ˆ lim F (u, v ) = 0 với mỗi v và lim F (u, v ) = 0 cho mỗi u.
u→−∞ v →−∞
ˆ lim lim F (u, v ) = 1.
u→∞ v →∞

Có thể chỉ ra rằng bất kì hàm F nào thỏa mãn những tính chất trên là hàm
phân phối tích lũy cho các cặp biến ngẫu nhiên (X , Y ).
Sự độc lập của các biến ngẫu nhiên

Hai biến ngẫu nhiên X và Y được định nghĩa là

độc lập nếu bất kì cặp biến cố của dạng X ∈ A
và Y ∈ B là độc lập. Tức là:

P{X ∈ A, Y ∈ B} = P{X ∈ A}.P{Y ∈ B}

P {a < X ≤ b, c < Y ≤ d} = P {a < X ≤ b} P {c < Y ≤ d.}

Sự độc lập của các biến ngẫu nhiên

Cho A và B là những tập có dạng

A = {u : u ≤ u0 } và B = {v : v ≤ v0 }
ta thấy nếu X và Y độc lập thì hàm phân phối đồng thời có dạng nhân tử:

FX ,Y (u0 , v0 ) = FX (u0 ).FY (v0 )

Vì hàm mật độ xác suất xác định bởi

P{X ∈ A}.P{Y ∈ B}
nên ta có điều ngược lại cũng đúng: nếu hàm phân phối có dạng nhân tử với
mọi u0 , v0 thì X và Y độc lập với mọi A, B.
Sự độc lập của các biến ngẫu nhiên
Các biến ngẫu nhiên X và Y rời rạc là độc lập nếu và chỉ nếu hàm xác suất
đồng thời có dạng nhân tử:

pX ,Y (u, v ) = pX (u)pY (v )

với mọi u, v . Và X và Y là hai biến ngẫu nhiên đồng thời liên tục là độc lập
nếu hàm mật độ có dạng nhân tử:

fX ,Y = fX (u)fY (v ).
Sự độc lập của các biến ngẫu nhiên

X và Y là độc lập nếu và chỉ nếu điều kiện sau là đúng:

Với mọi u ∈ R thì fX (u) = 0 hoặc fY |X (v |u) = fY (v ) với mọi v ∈ R.
Với mọi v ∈ R thì fY (v ) = 0 hoặc fX |Y (u|v ) = fX (u) với mọi u ∈ R.
Ví dụ: Xác định  xem X và Y có độc lập không
Cuv khi u, v ≥ 0, u + v ≤ 1
fX ,Y (u, v ) =
0 trường hợp ngược lại
với một giá trị thích hợp của C .
Z +∞ Z +∞ Z 1 Z 1−u
fX ,Y (u, v )dudv = 1 suy ra Cuvdvdu = 1
−∞ −∞ 0 0

Từ đây taR tính được C = 24 và hàm mật độ của X có dạng

∞ R 1−u
fX (u) = −∞ f (u, v )dv = 0 24uvdv = 12u(1 − u)2 với 0 ≤ u ≤ 1 và
fX (u) = 0 trong trường hợp ngược lại.
Tương tự hàm mật độ của Y có dạng fY (v ) = 12v (1 − v )2 với 0 ≤ v ≤ 1
và fY (v ) = 0 trong trường hợp ngược lại.
Như vậy fX (u).fY (v ) 6= fX ,Y (u, v ) do đó X , Y không độc lập.
Ví dụ: Cho (X , Y ) có hàm xác suất đồng thời cho trong bảng

Y=3 0,1 0,1 0,1

Y=2 0,2 0,1
Y=1 0,3 0,1
X=1 X=2 X=3

Hàm xác suất của X có dạng Hàm xác suất của Y có dạng
0, 1
 u=1 0, 3
 v =3
pX (u) = 0, 6 u=2 pY (v ) = 0, 3 v =2
 
0, 3 u=3 0, 4 v =1
 

Ta thấy pX ,Y (3, 3) = 0, 1 6= pX (3).pY (3) = 0, 3.0, 3 = 0, 09 nên X và Y

không độc lập.
Kỳ vọng
Cho X và Y là biến ngẫu nhiên đồng thời
với hàm xác suất đồng thời p(u, v ) hoặc hàm
mật độ đồng thời f (u, v ) tương ứng với trường
hợp biến rời rạc hoặc biến liên tục.
Giá trị kì vọng của hàm h(X , Y ) được kí hiệu là
E [h(X , Y )] hoặc µh(X ,Y ) được tính như sau:
X X
 h(u, v ).p(u, v ), nếu X và Y rời rạc
E [h(X , Y )] = R u Rv
 ∞ ∞
−∞ −∞ h(u, v ).f (u, v )dudv , nếu X và Y liên tục
Ví dụ: Cho (X , Y ) có hàm xác suất đồng thời cho trong bảng

Y=3 0,1 0,1 0,1

Y=2 0,2 0,1
Y=1 0,3 0,1
X=1 X=2 X=3

Tính kỳ vọng của h(X , Y ) = |X − Y |

Ta có XX XX
E [h(X , Y )] = h(u, v ).p(u, v ) = |u − v |.p(u, v ) =
u v u v

E [h(X , Y )] = |1 − 3|.0, 1 + |2 − 1|.0, 3 + |2 − 3|.0, 1 + |3 − 1|.0, 1 + |3 − 2|.0, 1 = 0, 9

Ví dụ: Cho hàm mật độ đồng thời của X , Y

24uv u, v ≥ 0, u + v ≤ 1
fX ,Y (u, v ) =
0 trường hợp ngược lại
1
Tính kỳ vọng của h(X , Y ) = 2 + 21 X + Y

Z ∞ Z ∞
E [h(X , Y )] = h(u, v ).f (u, v )dudv
−∞ −∞

1 Z 1−u  
1 1
Z
E [h(X , Y )] = + u+v .24uvdvdu = 1, 1
0 0 2 2
Hệ số hiệp phương sai
Hiệp phương sai giữa hai biến ngẫu nhiên X và Y là
Cov (X , Y ) = E [(X − µX )(Y − µY )]
X X
 (u − µX )(v − µY )pX ,Y (u, v ), X , Y rời rạc
= R u Rv
 ∞ ∞
−∞ −∞
(u − µX )(v − µY )fX ,Y (u, v )dudv , X , Y liên tục
 Y=3 0,1 0,1 0,1
Ví dụ: Cho (X , Y ) có hàm xác suất Y=2 0,2 0,1
đồng thời cho trong bảng Y=1 0,3 0,1
X=1 X=2 X=3
Hàm xác 
suất của X có dạng Hàm xác suất của Y có dạng
0, 1
 u =1 0, 3
 v =3
pX (u) = 0, 6 u = 2 E (X ) = 2, 2 pY (v ) = 0, 3 v = 2 E (Y ) = 1, 9
 
0, 3 u =3 0, 4 v =1
 

XX
Cov (X , Y ) = E [(X − µX )(Y − µY )] = (u − µX )(v − µY )pX ,Y (u, v )
u v

Cov (X , Y ) = (1 − 2, 2)(3 − 1, 9).0, 1 + (2 − 2, 2)(1 − 1, 9).0, 3 + (2 − 2, 2)(2 − 1, 9).0, 2

+(2 − 2, 2)(3 − 1, 9).0, 1 + (3 − 2, 2)(1 − 1, 9).0, 1 + (3 − 2, 2)(2 − 1, 9).0, 1
+(3 − 2, 2)(3 − 1, 9).0, 1 = −0, 08
Hệ số tương quan
Hệ số tương quan của X và Y , được kí hiệu
là Corr (X , Y ), hoặc ρX ,Y hay chỉ là ρ và được
định nghĩa như sau
Cov (X , Y )
ρX ,Y =
σX .σY

1 −1 ≤ ρX ,Y ≤ 1 với X và Y là hai biến ngẫu nhiên bất kỳ.

2 Nếu X và Y độc lập, thì ρ = 0 nhưng ρ = 0 thì không suy ra được là có
sự độc lập.
3 ρ = 1 hay −1 khi và chỉ khi Y = aX + b với a, b là các số thực nào đó và
a 6= 0.
Ý nghĩa hệ số tương quan

Hệ số tương quan ρX ,Y đo mức độ tương quan giữa 2 biến ngẫu nhiên X và Y .

Yếu Trung bình Mạnh
−0, 5 ≤ ρ ≤ 0, 5 −0, 8 < ρ < −0, 5 hay 0, 5 < ρ < 0, 8 ρ ≥ 0, 8 hay ρ ≤ −0, 8
ρX ,Y ≈ 0 mức độ tương quan giữa X và Y là thấp.
|ρX ,Y | ≈ 1 mức độ tương quan giữa X và Y là cao.
ρX ,Y > 0 thì X và Y tương quan dương.
ρX ,Y < 0 thì X và Y tương quan âm.
Ví dụ:
Thống kê và các phân phối thống kê
Dữ liệu mẫu đơn x1 , x2 , . . . , xn
Biến ngẫu nhiên Xi là tính chất quan sát ở cá
thể thứ i được lấy ra từ tổng thể.

X1 , X2 , . . . , Xn là mẫu ngẫu nhiên cỡ n.

Các biến ngẫu nhiên Xi là độc lập.
Các biến ngẫu nhiên Xi có cùng phân phối
xác suất.
Thống kê

Một thống kê trên mẫu nhiên là một hàm của

các Xi với i = 1, 2, . . . , n

Trung bình mẫu trong thống kê được kí hiệu là

P
Xi
X =
n
và giá trị tính được của thống kê này là
P
xi
x= .
n
Thống kê

Một thống kê trên mẫu nhiên là một hàm của

các Xi với i = 1, 2, . . . , n

Tương tự
s
P
(Xi − X )
S=
n−1

đại diện cho độ lệch

q Pchuẩn mẫu và giá trị được
(xi −x)
tín kí hiệu là s = n−1
Mẫu ngẫu nhiên
X1 , X2 , . . . , Xn là mẫu ngẫu nhiên cỡ n.
Các biến ngẫu nhiên Xi là độc lập.
Các biến ngẫu nhiên Xi có cùng phân phối
xác suất.
Phân phối trung bình mẫu

Mệnh đề: Cho X1 , X2 , . . . , Xn là một mẫu ngẫu nhiên từ một phân phối với
trung bình µ và độ lệch chuẩn σ. Thì
1 E (X ) = µX = µ
σ2 √σ
2 V (X ) = σX2 = n và σX = n

Hơn nữa, với T0 = X1 + . . . + Xn (tổng của mẫu),

√
E (T0 ) = nµ, V (T0 ) = nσ 2 , σ T0 = nσ
Trường hợp tổng thể có phân phối chuẩn

Mệnh đề: Cho X1 , X2 , ..., Xn là một mẫu ngẫu nhiên từ phân phối chuẩn với
trung bình µ và độ lệch chuẩn σ.
Khi đó với mọi n, trung bình mẫu X có phân phối chuẩn với trung bình µ
và độ lệch chuẩn √σn , còn biến ngẫu nhiên tổng To có phân phối chuẩn với
√
trung bình nµ và độ lệch chuẩn nσ.
Định lý giới hạn trung tâm

Định lý: Cho X1 , X2 , . . . , Xn là một mẫu ngẫu nhiên được lấy từ tổng thể có
phân phối với trung bình µ và phương sai σ 2 .
Khi n đủ lớn, thì X có phân phối xấp xỉ phân phối chuẩn với µX = µ và
2 σ2
σX = n và biến ngẫu nhiên tổng To cũng có phân phối xấp xỉ phân phối
chuẩn với µTo = nµ và σT2 o = nσ 2 .
Giá trị n càng lớn thì xấp xỉ càng tốt.

Nguyên tắc chung: Nếu n > 30 định lý giới hạn trung tâm được sử dụng.
Định lý giới hạn trung tâm
(
1 , Thí nghiệm ngẫu nhiên thứ i xuất hiện S
Xi =
0 , Thí nghiệm ngẫu nhiên thứ i không xuất hiện S

với i=1, 2,. . . ,n. Như vậy mỗi biến ngẫu nhiên Xi có cùng phân phối
Bernoulli với tham số p = P(S).

X = X1 + X2 + . . . + Xn khi đó X ∼ B(n, p)

Theo định lý giới hạn trung tâm khi n lớn thì biến ngẫu nhiên tổng X và biến
ngẫu nhiên trung bình Xn có phân phối tiến về chuẩn.
Phân phối của tổ hợp tuyến tính của các biến ngẫu nhiên

Cho một tập n các biến ngẫu nhiên

X1 , X2 , . . . , Xn và n hằng số a1 , a2 , . . . , an . Biến
ngẫu nhiên
n
X
Y = a1 X1 + . . . + an Xn = ai Xi
i=1

được gọi là tổ hợp tuyến tính của các biến

ngẫu nhiên Xi với i = 1, 2, . . . , n.
Phân phối của tổ hợp tuyến tính của các biến ngẫu nhiên
Mệnh đề: Cho X1 , X2 , . . . , Xn có giá trị trung bình tương ứng µ1 , µ2 , . . . , µn và phương sai
tương ứng σ12 , σ22 , . . . , σn2 .
1 Các biến ngẫu nhiên Xi độc lập hay không độc lập ta đều có:

E (a1 X1 + a2 X2 + . . . + an Xn ) = a1 E (X1 ) + a2 E (X2 ) + . . . + an E (Xn ) = a1 µ1 + . . . + an µn

2 Nếu X1 , X2 , . . . , Xn độc lập

V (a1 X1 +a2 X2 +. . .+anp Xn ) = a12 V (X1 )+a22 V (X2 )+. . .+an2 V (Xn ) = a12 σ12 +. . .+an2 σn2
và σa1 X1 +a2 X2 +...+an Xn = a12 σ12 + . . . + an2 σn2
3 Với bất kì X1 , X2 , . . . , Xn
n X
X n
V (a1 X1 + a2 X2 + . . . + an Xn ) = ai aj Cov (Xi , Xj )
i=1 j=1
Ví dụ: Gọi X1 , X2 , X3 là các biến ngẫu nhiên độc lập lấy từ các tổng thể có
trung bình lần lượt là µ1 = 1000 , µ2 = 500 , µ3 = 300, σ1 = 100, σ2 = 80,
σ3 = 50.

Đặt Y = 3.X1 + 3, 2X2 + 3, 4X3 . Hãy tính E (Y ), V (Y ), σ(Y ).

E (Y ) = 3.E (X1 ) + 3, 2E (X2 ) + 3, 4E (X3 )

V (Y ) = 32 .V (X1 ) + 3, 22 V (X2 ) + 3, 42 V (X3 )

p
σ(Y ) = V (X )
Hiệu của hai biến ngẫu nhiên

Y = a1 X1 + a2 X2 = X1 − X2
Ta có hệ quả sau:
E (X1 − X2 ) = E (X1 ) − E (X2 ) với hai biến ngẫu nhiên bất kì X1 và X2 .
V (X1 − X2 ) = V (X1 ) + V (X2 ) nếu X1 và X2 độc lập.

Ví dụ Gọi X1 , X2 là các biến ngẫu nhiên độc lập lấy từ hai tổng thể có trung bình và độ
lệch chuẩn lần lượt là µ1 = 22, µ2 = 26, σ1 = 1, 2; σ2 = 1, 5. Hãy tính
E (X1 − X2 ), V (X1 − X2 ), σX1 −X2 .

E (X1 − X2 ) = E (X1 ) − E (X2 ) = 22 − 26 = −4

p
V (X1 − X2 ) = V (X1 ) + V (X2 ) = 1, 22 + 1, 52 ; σ(X ) = V (X )
Phân phối của tổ hợp tuyến tính các biến ngẫu nhiên

Khi Xi là mẫu ngẫu nhiên lấy từ phân phối chuẩn, X và To thì cũng có
phân phối chuẩn.
Nếu X1 , X2 , . . . , Xn độc lập, có phân phối chuẩn (có thể có trung bình
khác nhau, phương sai khác nhau), thì bất kỳ tổ hợp tuyến tính của Xi cũng
có phân phối chuẩn. Đặc biệt, hiệu của X1 − X2 cũng được phân phối chuẩn.