Mi2020 KSTN LT

Xác suất Thống kê
1 of 142
Chương 2: Biến ngẫu nhiên và
luật phân phối xác suất
2 of 142
2.1 Biến ngẫu nhiên
3 of 142
2.1.1 Khái niệm
4 of 142
2.1.1 Khái niệm
Biến ngẫu nhiên (đại lượng ngẫu nhiên) là đại lượng

nhận các giá trị bằng số, phụ thuộc vào kết quả của
một phép thử.
4 of 142
2.1.1 Khái niệm

một phép thử.
Kí hiệu:
4 of 142
2.1.1 Khái niệm

một phép thử.
Kí hiệu:
- Biến ngẫu nhiên: X , Y , Z
4 of 142
2.1.1 Khái niệm

một phép thử.
Kí hiệu:
- Biến ngẫu nhiên: X , Y , Z hoặc X1 , X2 , . . .
4 of 142
2.1.1 Khái niệm

một phép thử.
Kí hiệu:
- Giá trị của biến ngẫu nhiên: x, y , z
4 of 142
2.1.1 Khái niệm

một phép thử.
Kí hiệu:
- Giá trị của biến ngẫu nhiên: x, y , z hoặc x1 , x2 , . . .
4 of 142
2.1.1 Khái niệm
Ví dụ 1:
5 of 142
2.1.1 Khái niệm
Ví dụ 1: Tung 1 con xúc xắc cân đối, đồng chất. Gọi

X là số chấm xuất hiện.
5 of 142
2.1.1 Khái niệm

⇒ X là biến ngẫu nhiên nhận các giá trị: 1, 2, 3, 4, 5, 6.
5 of 142
2.1.1 Khái niệm

Ví dụ 2:
5 of 142
2.1.1 Khái niệm

Ví dụ 2: Bắn 1 viên đạn vào bia. Gọi Y là khoảng
cách từ điểm chạm của viên đạn đến tâm bia.
5 of 142
2.1.1 Khái niệm

Ví dụ 2: Bắn 1 viên đạn vào bia. Gọi Y là khoảng
cách từ điểm chạm của viên đạn đến tâm bia.
⇒ Y là biến ngẫu nhiên nhận các giá trị trong
[0, +∞).
5 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
6 of 142
Định nghĩa 1:
6 of 142
Định nghĩa 1: Biến ngẫu nhiên được gọi là rời rạc nếu
tập hợp các giá trị của nó là tập hữu hạn hoặc tập vô
hạn đếm được.
6 of 142
Định nghĩa 1: Biến ngẫu nhiên được gọi là rời rạc nếu
tập hợp các giá trị của nó là tập hữu hạn hoặc tập vô
hạn đếm được.
⇒ Đối với biến ngẫu nhiên rời rạc X , ta có thể liệt kê
được các giá trị của nó bằng một dãy hữu hạn
x1 , x2 , . . . , xn hoặc một dãy vô hạn x1 , x2 , . . . , xn , . . .
6 of 142
Ví dụ 1: Biến ngẫu nhiên X ở ví dụ 1, mục 2.1.1 là

biến ngẫu nhiên rời rạc.
7 of 142
Định nghĩa 2:
8 of 142
Định nghĩa 2: Giả sử biến ngẫu nhiên rời rạc X nhận

các giá trị x1 < x2 < · · · < xn < · · · với các xác suất
tương ứng P(X = xi ) = pi , i = 1, 2, . . . Khi đó bảng
phân phối xác suất của X là
X x1 x2 . . . xn . . .
P p1 p2 . . . pn . . .
8 of 142
Chú ý:
9 of 142
Chú ý: 1. Các xác suất pi thỏa mãn điều kiện

(
0P≤ pi ≤ 1
pi = 1
i
9 of 142
Chú ý: 1. Các xác suất pi thỏa mãn điều kiện

(
0P≤ pi ≤ 1
pi = 1
i
2. Hàm số p(x)= P(X=x) được gọi là hàm xác suất

của biến ngẫu nhiên rời rạc X.
9 of 142
Ví dụ 2:
10 of 142
Ví dụ 2: Nếu X là số chấm xuất hiện khi tung 1 con
xúc xắc thì X có bảng phân phối xác suất là
X 1 2 3 4 5 6
P 1/6 1/6 1/6 1/6 1/6 1/6
10 of 142
X 1 2 3 4 5 6
P 1/6 1/6 1/6 1/6 1/6 1/6
Ví dụ 3:
10 of 142
X 1 2 3 4 5 6
P 1/6 1/6 1/6 1/6 1/6 1/6
Ví dụ 3: Một tổ có 3 học sinh giỏi, 5 học sinh khá và

7 học sinh trung bình. Kiểm tra ngẫu nhiên 4 học
sinh. Gọi X là số học sinh giỏi được kiểm tra. Lập
bảng phân phối xác suất của X .
10 of 142
Giải:
11 of 142
Giải:
Bảng phân phối xác suất của X là:

X 0 1 2 3
P 33/91 44/91 66/455 4/455
11 of 142
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
12 of 142
Định nghĩa 1:
12 of 142
Định nghĩa 1: Biến ngẫu nhiên được gọi là liên tục nếu
tập hợp các giá trị của nó là một khoảng hay hợp các
khoảng trên trục số.
12 of 142
Định nghĩa 1: Biến ngẫu nhiên được gọi là liên tục nếu
tập hợp các giá trị của nó là một khoảng hay hợp các
khoảng trên trục số.
Ví dụ 1: Biến ngẫu nhiên Y trong Ví dụ 2, mục 2.1.1
là biến ngẫu nhiên liên tục.
12 of 142
Định nghĩa 2:
13 of 142
Định nghĩa 2: Hàm số p(x) xác định trên R và thỏa

mãn 
 1) p(x) ≥ 0, ∀x ∈ R
+∞
R
 2) p(x) dx = 1
−∞
được gọi là hàm mật độ xác suất của một biến ngẫu
nhiên liên tục X nào đó.
13 of 142
Tính chất:
14 of 142
Tính chất: Nếu biến ngẫu nhiên liên tục X có hàm

mật độ xác suất p(x) thì
14 of 142
Tính chất: Nếu biến ngẫu nhiên liên tục X có hàm

mật độ xác suất p(x) thì
1) P(X = a) = 0, ∀a ∈ R
14 of 142
2) P(a ≤ X < b) = P(a < X < b)

= P(a < X ≤ b)
= P(a ≤ X ≤ b)
Rb
= p(x) dx, ∀a ≤ b
a
15 of 142
Ví dụ 1: Cho hàm số f (x) = a. sin 2x. Tìm a để hàm

này trở thành hàm mật độ xác suất của một biến
π
ngẫu nhiên nhận giá trị trong [0, ].
2
16 of 142
Giải:
17 of 142
Giải: Để hàm này trở thành hàm mật độ xác suất của
π
một biến ngẫu nhiên nhận giá trị trong [0, ] thì:
2
a sin 2x, x ∈ [0, π ]

f (x) = 2
π
 0, x∈ / [0, ].
2
17 of 142
π
2
a sin 2x, x ∈ [0, π ]

f (x) = 2
π
 0, x∈ / [0, ].
2
π
Do sin 2x ≥ 0 với mọi x ∈ [0, ] nên a ≥ 0.
2
17 of 142
π
2
a sin 2x, x ∈ [0, π ]

f (x) = 2
π
 0, x∈ / [0, ].
2
π
Do sin 2x ≥ 0 với mọi x ∈ [0, ] nên a ≥ 0. Ta có:
2
π
1 = −∞ f (x)dx = 02 a sin 2xdx = a. Vậy a = 1.
R +∞ R
17 of 142
Ví dụ 2: Tuổi thọ của một loài côn trùng là biến ngẫu

nhiên X (tháng tuổi) có hàm mật độ xác suất:
2
ax (4 − x 2 ) nếu x ∈ [0, 2]
f (x) =
0 nếu x ∈
/ [0, 2]
a. Xác định a.
b. Tính P(0 ≤ X ≤ 1), P(X > 1).
18 of 142
Giải:
19 of 142
Giải:a. Do ax 2 (4 − x 2 ) ≥ 0 với ∀x ∈ [0, 2] nên a ≥ 0
Ta có
+∞ R2 2 64 15
f (x)dx = ax (4 − x 2 )dx = a. ⇒ a =
R
1=
−∞ 0 15 64
19 of 142
Ta có
+∞ R2 2 64 15
f (x)dx = ax (4 − x 2 )dx = a. ⇒ a =
R
1=
−∞ 0 15 64
R1 R1 2
b. P(0 ≤ X ≤ 1) = f (x)dx = ax (4 − x 2 )dx =
0 0
17 17
a. = = 0, 266.
15 64
19 of 142
Ta có
+∞ R2 2 64 15
f (x)dx = ax (4 − x 2 )dx = a. ⇒ a =
R
1=
−∞ 0 15 64
R1 R1 2
b. P(0 ≤ X ≤ 1) = f (x)dx = ax (4 − x 2 )dx =
0 0
17 17
a. = = 0, 266.
15 64
+∞ R2 2 47
f (x)dx = ax (4 − x 2 )dx =
R
P(X > 1) = =
1 1 64
0, 734
19 of 142
2.1.4 Hàm phân phối
20 of 142
Định nghĩa:
20 of 142
Định nghĩa: Hàm phân phối của biến ngẫu nhiên X , kí

hiệu F (x), là hàm số được xác định theo công thức
F (x) = P(X < x), x ∈R
20 of 142
Định nghĩa: Hàm phân phối của biến ngẫu nhiên X , kí

hiệu F (x), là hàm số được xác định theo công thức
F (x) = P(X < x), x ∈R
Ví dụ: Tìm hàm phân phối của các biến ngẫu nhiên
trong Ví dụ 3, mục 2.1.2 và Ví dụ 2, mục 2.1.3.
20 of 142
Ví dụ 3, mục 2.1.2:
21 of 142
Ví dụ 3, mục 2.1.2:
Hàm phân phối F (x) = P(X < x)
21 of 142
Ví dụ 3, mục 2.1.2:
+)x ≤ 0 suy ra F (x) = P(Φ) = 0
21 of 142
Ví dụ 3, mục 2.1.2:
+)x ≤ 0 suy ra F (x) = P(Φ) = 0
33
+)0 < x ≤ 1 suy ra F (x) = P(X = 0) =
91
21 of 142
Ví dụ 3, mục 2.1.2:
+)x ≤ 0 suy ra F (x) = P(Φ) = 0
33
+)0 < x ≤ 1 suy ra F (x) = P(X = 0) =
91
+)1 < x ≤ 2 suy ra
33 44
F (x) = P(X = 0) + P(X = 1) = +
91 91
21 of 142
Ví dụ 3, mục 2.1.2:
+)x ≤ 0 suy ra F (x) = P(Φ) = 0
33
+)0 < x ≤ 1 suy ra F (x) = P(X = 0) =
91
+)1 < x ≤ 2 suy ra
33 44
F (x) = P(X = 0) + P(X = 1) = +
91 91
+)2 < x ≤ 3 suy ra
F (x) = P(X = 0) + P(X = 1) + P(X = 2)
21 of 142
Ví dụ 3, mục 2.1.2:
+)x ≤ 0 suy ra F (x) = P(Φ) = 0
33
+)0 < x ≤ 1 suy ra F (x) = P(X = 0) =
91
+)1 < x ≤ 2 suy ra
33 44
F (x) = P(X = 0) + P(X = 1) = +
91 91
+)2 < x ≤ 3 suy ra
F (x) = P(X = 0) + P(X = 1) + P(X = 2)
+)x > 3 suy ra F (x) = 1.
21 of 142
Vậy: 

0 nếu x ≤0
33


0<x ≤1


 nếu
 91


77
F (x) = nếu 1<x ≤2
 91

 451
nếu 2 < x ≤ 3


455




1 nếu 3<x
22 of 142
Ví dụ 2, mục 2.1.3:
23 of 142
Ví dụ 2, mục 2.1.3:
Rx
Hàm phân phối F (x) = f (t)dt
−∞
23 of 142
Ví dụ 2, mục 2.1.3:
Rx
−∞
Rx Rx
+)x < 0 suy ra F (x) = f (t)dt = 0dt = 0
−∞ −∞
23 of 142
Ví dụ 2, mục 2.1.3:
Rx
−∞
Rx Rx
+)x < 0 suy ra F (x) = f (t)dt = 0dt = 0
−∞ −∞
+)0 ≤ x ≤ 2 suy ra
Rx Rx 15 4x 3 x 5
F (x) = f (t)dt = at 2 (4 − t 2 )dt = ( − )
−∞ 0 64 3 5
23 of 142
Ví dụ 2, mục 2.1.3:
Rx
−∞
Rx Rx
+)x < 0 suy ra F (x) = f (t)dt = 0dt = 0
−∞ −∞
+)0 ≤ x ≤ 2 suy ra
Rx Rx 15 4x 3 x 5
F (x) = f (t)dt = at 2 (4 − t 2 )dt = ( − )
−∞ 0 64 3 5
+)x > 2 suy ra
Rx R2 2
F (x) = f (t)dt = at (4 − t 2 )dt = 1.
−∞ 0
23 of 142
Vậy:


0 nếu x <0
3 5
15 4x x

F (x) = ( − ) nếu 0≤x ≤2

 64 3 5
1 nếu 2<x

24 of 142
Các tính chất:
25 of 142
Các tính chất:

1) 0 ≤ F (x) ≤ 1, ∀x ∈ R
25 of 142
Các tính chất:

1) 0 ≤ F (x) ≤ 1, ∀x ∈ R
2) lim F (x) = 0, lim F (x) = 1
x→−∞ x→+∞
25 of 142
Các tính chất:

1) 0 ≤ F (x) ≤ 1, ∀x ∈ R
2) lim F (x) = 0, lim F (x) = 1
x→−∞ x→+∞
3) F (x) là hàm không giảm:
25 of 142
Các tính chất:

1) 0 ≤ F (x) ≤ 1, ∀x ∈ R
2) lim F (x) = 0, lim F (x) = 1
x→−∞ x→+∞
3) F (x) là hàm không giảm: x1 < x2 ⇒ F (x1 ) ≤ F (x2 )
25 of 142
Các tính chất:

1) 0 ≤ F (x) ≤ 1, ∀x ∈ R
2) lim F (x) = 0, lim F (x) = 1
x→−∞ x→+∞

4) a ≤ b ⇒ P(a ≤ X < b) = F (b) − F (a)
25 of 142
Các tính chất:

1) 0 ≤ F (x) ≤ 1, ∀x ∈ R
2) lim F (x) = 0, lim F (x) = 1
x→−∞ x→+∞

4) a ≤ b ⇒ P(a ≤ X < b) = F (b) − F (a)
5) F (x) là hàm liên tục trái:
25 of 142
Các tính chất:

1) 0 ≤ F (x) ≤ 1, ∀x ∈ R
2) lim F (x) = 0, lim F (x) = 1
x→−∞ x→+∞

4) a ≤ b ⇒ P(a ≤ X < b) = F (b) − F (a)
5) F (x) là hàm liên tục trái: lim− F (x) = F (x0 )
x→x0
25 of 142
6a) Nếu X là biến ngẫu nhiên rời rạc có bảng phân
X x1 · · · xn
phối xác suất thì
P p1 · · · pn


 0 nếu x ≤ x1

p1 nếu x1 < x ≤ x2





p + p
1 2 nếu x2 < x ≤ x3
F (x) =

 ...

p1 + p2 + · · · + pn−1 nếu xn−1 < x ≤ xn





1 nếu xn < x

26 of 142
6b) Nếu X là biến ngẫu nhiên rời rạc có bảng phân
X x1 · · · xn · · ·
phối xác suất thì
P p1 · · · pn · · ·


 0 nếu x ≤ x1

p1 nếu x1 < x ≤ x2





p + p
1 2 nếu x2 < x ≤ x3
F (x) =

 ...

p1 + p2 + · · · + pn−1 nếu xn−1 < x ≤ xn





...

27 of 142
6c) Nếu X là biến ngẫu nhiên liên tục có hàm mật độ

xác suất p(x) thì
Rx
• F (x) = p(t) dt là hàm liên tục với mọi x.
−∞
• F 0 (x) = p(x) tại mọi điểm mà p(x) liên tục.
28 of 142
2.2 Các số đặc trưng của biến
ngẫu nhiên
29 of 142
2.2.1 Kì vọng
30 of 142
2.2.1 Kì vọng
Định nghĩa:
30 of 142
2.2.1 Kì vọng
Định nghĩa:
Kì vọng của biến ngẫu nhiên X , kí hiệu EX , là 1 số
được xác định bởi
30 of 142
2.2.1 Kì vọng
- Nếu X rời rạc có bảng phân phối xác suất
X ... xi . . .
P ... pi . . .
31 of 142
2.2.1 Kì vọng
X ... xi . . .
P ... pi . . .
P
thì EX = xi p i
i
31 of 142
2.2.1 Kì vọng
X ... xi . . .
P ... pi . . .
P
thì EX = xi p i
i
- Nếu X liên tục có hàm mật độ xác suất p(x)
31 of 142
2.2.1 Kì vọng
X ... xi . . .
P ... pi . . .
P
thì EX = xi p i
i
- Nếu X liên tục có hàm mật độ xác suất p(x) thì
Z+∞
EX = xp(x) dx
−∞
31 of 142
2.2.1 Kì vọng
Ví dụ 1: Tung đồng xu cân đối và đồng chất 2 lần.
Gọi X là biến ngẫu nhiên chỉ số lần xuất hiện mặt sấp.
Ta có bảng phân phối xác suất sau:
32 of 142
2.2.1 Kì vọng
X =x 0 1 2
1 1 1
P(X = x)
4 2 4
32 of 142
2.2.1 Kì vọng
X =x 0 1 2
1 1 1
P(X = x)
4 2 4
1 1 1
Kỳ vọng của X : EX = 0. + 1. + 2. = 1.
4 2 4
32 of 142
2.2.1 Kì vọng
X =x 0 1 2
1 1 1
P(X = x)
4 2 4
1 1 1
Kỳ vọng của X : EX = 0. + 1. + 2. = 1.
4 2 4
Như vậy, trong 2 lần tung đồng xu thì trung bình có
một lần ra mặt sấp.
32 of 142
2.2.1 Kì vọng
Ví dụ 2: Một người đem 10 nghìn đồng đi đánh một
số đề. Nếu trúng thì thu được 800 nghìn đồng, nếu
trượt thì không được gì.
33 of 142
2.2.1 Kì vọng
trượt thì không được gì. Gọi X (nghìn đồng) là số tiền
thu được.
33 of 142
2.2.1 Kì vọng
thu được. Ta có bảng phân phối xác suất của X
X =x 0 800
99 1
P(X = x)
100 100
33 of 142
2.2.1 Kì vọng
X =x 0 800
99 1
P(X = x)
100 100
99 1
Ta có: EX = 0. + 800. = 8.
100 100
33 of 142
2.2.1 Kì vọng
X =x 0 800
99 1
P(X = x)
100 100
99 1
Ta có: EX = 0. + 800. = 8. Như vậy, bỏ ra 10
100 100
nghìn đồng, trung bình thu được 8 nghìn đồng, người
chơi về lâu dài sẽ lỗ 20% tổng số tiền chơi.
33 of 142
2.2.1 Kì vọng
Ví dụ 3: Tính kì vọng của biến ngẫu nhiên trong Ví dụ

2, mục 2.1.3.
34 of 142
2.2.1 Kì vọng

2, mục 2.1.3.
Ý nghĩa:
34 of 142
2.2.1 Kì vọng

2, mục 2.1.3.
Ý nghĩa:
• Kì vọng của biến ngẫu nhiên là giá trị trung bình
theo xác suất của biến ngẫu nhiên đó.
34 of 142
2.2.1 Kì vọng

2, mục 2.1.3.
Ý nghĩa:
• Kì vọng của biến ngẫu nhiên là giá trị trung bình
theo xác suất của biến ngẫu nhiên đó.
• Kì vọng phản ánh giá trị trung tâm của phân phối
xác suất của biến ngẫu nhiên.
34 of 142
2.2.1 Kì vọng
Tính chất:
35 of 142
2.2.1 Kì vọng
Tính chất:
1) Ec = c, với c là hằng số
35 of 142
2.2.1 Kì vọng
Tính chất:
2) E (cX ) = cEX
35 of 142
2.2.1 Kì vọng
Tính chất:
2) E (cX ) = cEX
3) E (X1 + X2 + · · · + Xn ) = EX1 + EX2 + · · · + EXn
35 of 142
2.2.1 Kì vọng
4) Nếu X1 , X2 , . . . , Xn độc lập thì
E (X1 X2 · · · Xn ) = EX1 EX2 · · · EXn
36 of 142
2.2.1 Kì vọng
4) Nếu X1 , X2 , . . . , Xn độc lập thì
E (X1 X2 · · · Xn ) = EX1 EX2 · · · EXn
5) Nếu f là 1 hàm số liên tục thì

P
 f (xi )pi

 nếu X rời rạc
i
E [f (X )] = +∞
R
 f (x)p(x) dx

 nếu X liên tục
−∞
36 of 142
2.2.1 Kì vọng
Chú ý:
37 of 142
2.2.1 Kì vọng
Chú ý: n biến ngẫu nhiên X1 , X2 , . . . , Xn độc lập khi

và chỉ khi với mọi x1 , x2 , . . . , xn ∈ R ta có
P(X1 < x1 , X2 < x2 , . . . , Xn < xn )
= P(X1 < x1 )P(X2 < x2 ) · · · P(Xn < xn )
37 of 142
2.2.1 Kì vọng
Ví dụ 4: Giả sử X và Y là 2 biến ngẫu nhiên độc lập

có bảng phân phối xác suất
X 0 1 2 Y -1 1
P 0,1 0,6 0,3 P 0,2 0,8
Tính E (X + Y ), E (2X − 3Y − 1), E (XY ), E (X 2 ).
38 of 142
Ta có:
EX = 1, 2; EY = 0, 6.
39 of 142
Ta có:
EX = 1, 2; EY = 0, 6.
E(X+Y)=EX+EY=1,8;
39 of 142
Ta có:
EX = 1, 2; EY = 0, 6.
E(X+Y)=EX+EY=1,8;
E(2X-3Y-1)=2EX-3EY-1=-0,4;
39 of 142
Ta có:
EX = 1, 2; EY = 0, 6.
E(X+Y)=EX+EY=1,8;
E(2X-3Y-1)=2EX-3EY-1=-0,4;
E(XY)=EX.EY=0.72;
39 of 142
Ta có:
EX = 1, 2; EY = 0, 6.
E(X+Y)=EX+EY=1,8;
E(2X-3Y-1)=2EX-3EY-1=-0,4;
E(XY)=EX.EY=0.72;
E (X 2 ) = 02 .0, 1 + 12 .0, 6 + 22 .0, 3 = 1, 8.
39 of 142
2.2.2 Phương sai
40 of 142
2.2.2 Phương sai
Định nghĩa:
40 of 142
2.2.2 Phương sai
Định nghĩa: Phương sai của biến ngẫu nhiên X , kí

hiệu VX , là 1 số được xác định bởi
VX = E [(X − EX )2 ]
40 of 142
2.2.2 Phương sai
Khai triển vế phải của công thức trên và áp dụng tính
chất của kì vọng, ta được
VX = E (X 2 ) − (EX )2
41 of 142
2.2.2 Phương sai
Khai triển vế phải của công thức trên và áp dụng tính
chất của kì vọng, ta được
VX = E (X 2 ) − (EX )2
trong đó
P
2
 xi pi

 nếu X rời rạc
i
E (X 2 ) = +∞
2
R
 x p(x) dx

 nếu X liên tục
−∞
41 of 142
2.2.2 Phương sai
Ví dụ 1: Tung một đồng tiền cân đối và đồng chất.
42 of 142
2.2.2 Phương sai
X =x 0 1
1 1
P(X = x)
2 2
42 of 142
2.2.2 Phương sai
X =x 0 1
1 1
P(X = x)
2 2
1 1 1
EX = 0. + 1. = ;
2 2 2
42 of 142
2.2.2 Phương sai
X =x 0 1
1 1
P(X = x)
2 2
1 1 1 1 1 1
EX = 0. + 1. = ; E (X 2 ) = 02 . + 12 . = .
2 2 2 2 2 2
42 of 142
2.2.2 Phương sai
X =x 0 1
1 1
P(X = x)
2 2
1 1 1 1 1 1
EX = 0. + 1. = ; E (X 2 ) = 02 . + 12 . = .
2 2 2 2 2 2
1 1 1
Phương sai VX = E (X 2 ) − (EX )2 = − = .
2 4 4
42 of 142
2.2.2 Phương sai
43 of 142
2.2.2 Phương sai
X =x 0 1 2
1 1 1
P(X = x)
4 2 4
43 of 142
2.2.2 Phương sai
X =x 0 1 2
1 1 1
P(X = x)
4 2 4
3
EX = 1; E (X 2 ) = ;
2
43 of 142
2.2.2 Phương sai
X =x 0 1 2
1 1 1
P(X = x)
4 2 4
3 1
EX = 1; E (X 2 ) = ; VX = E (X 2 ) − (EX )2 = .
2 2
43 of 142
2.2.2 Phương sai
X =x 0 1 2
1 1 1
P(X = x)
4 2 4
3 1
EX = 1; E (X 2 ) = ; VX = E (X 2 ) − (EX )2 = .
2 2
Nhận xét: Phương sai của VD2 lớn hơn phương sai
của VD1 cho ta kết luận rằng biên độ dao động của X
xung quanh giá trị trung bình ở VD2 lớn hơn VD1.
43 of 142
2.2.2 Phương sai
Ví dụ 3: Tính phương sai của biến ngẫu nhiên trong Ví
dụ 2, mục 2.1.3.
44 of 142
2.2.2 Phương sai
dụ 2, mục 2.1.3.
Ý nghĩa:
44 of 142
2.2.2 Phương sai
dụ 2, mục 2.1.3.
Ý nghĩa:
• Phương sai của biến ngẫu nhiên là trung bình của
bình phương độ lệch của các giá trị của biến ngẫu
nhiên so với kì vọng của nó.
44 of 142
2.2.2 Phương sai
dụ 2, mục 2.1.3.
Ý nghĩa:
• Phương sai phản ánh mức độ phân tán các giá trị
của biến ngẫu nhiên xung quanh kì vọng của nó.
44 of 142
2.2.2 Phương sai
dụ 2, mục 2.1.3.
Ý nghĩa:
• Phương sai phản ánh mức độ phân tán các giá trị
của biến ngẫu nhiên xung quanh kì vọng của nó.
Nghĩa là phương sai nhỏ thì độ phân tán nhỏ, tức là
độ tập trung lớn; và ngược lại.
44 of 142
2.2.2 Phương sai
Tính chất:
45 of 142
2.2.2 Phương sai
Tính chất:
1) VX ≥ 0
45 of 142
2.2.2 Phương sai
Tính chất:
1) VX ≥ 0
2) Vc = 0, với c là hằng số
45 of 142
2.2.2 Phương sai
Tính chất:
1) VX ≥ 0
2) Vc = 0, với c là hằng số
3) V (cX ) = c 2 VX
45 of 142
2.2.2 Phương sai
4) Nếu X1 , X2 , . . . , Xn độc lập từng đôi thì
V (X1 + X2 + · · · + Xn ) = VX1 + VX2 + · · · + VXn
46 of 142
2.2.2 Phương sai
V (X1 + X2 + · · · + Xn ) = VX1 + VX2 + · · · + VXn
Hệ quả:
46 of 142
2.2.2 Phương sai
V (X1 + X2 + · · · + Xn ) = VX1 + VX2 + · · · + VXn
Hệ quả:
- Với mọi hằng số a, b thì V (aX + b) = a2 VX
46 of 142
2.2.2 Phương sai
V (X1 + X2 + · · · + Xn ) = VX1 + VX2 + · · · + VXn
Hệ quả:
- Với mọi hằng số a, b thì V (aX + b) = a2 VX
- Nếu X và Y độc lập thì V (X ± Y ) = VX + VY
46 of 142
2.2.3 Các số đặc trưng khác
47 of 142
Đơn vị đo của phương sai bằng bình phương đơn vị đo
của biến ngẫu nhiên. Để dễ đánh giá mức độ phân tán
hơn, người ta đưa ra khái niệm độ lệch chuẩn.
47 of 142
a) Độ lệch chuẩn
47 of 142
- Độ lệch chuẩn của biến ngẫu nhiên X , kí hiệu σ(X ),
là 1 số được xác định bởi
√
σ(X ) = VX
47 of 142
- Độ lệch chuẩn của biến ngẫu nhiên X , kí hiệu σ(X ),
là 1 số được xác định bởi
√
σ(X ) = VX
- Độ lệch chuẩn phản ánh mức độ phân tán của biến

ngẫu nhiên theo đơn vị đo của nó.
47 of 142
b) Mode
48 of 142
b) Mode
Mode của biến ngẫu nhiên X , kí hiệu mod X , là 1 số
48 of 142
b) Mode
- Nếu X rời rạc thì
mod X = xk thỏa mãn pk = max pi
i
48 of 142
b) Mode
- Nếu X rời rạc thì
mod X = xk thỏa mãn pk = max pi
i
- Nếu X liên tục thì

mod X = x0 thỏa mãn p(x0 ) = max p(x)
x∈R
48 of 142
c) Median (Trung vị)
49 of 142

Median của biến ngẫu nhiên X , kí hiệu med X , là 1 số
thỏa mãn
P(X ≥ med X ) ≥ 0, 5; P(X ≤ med X ) ≥ 0, 5.
49 of 142

Median của biến ngẫu nhiên X , kí hiệu med X , là 1 số
thỏa mãn
P(X ≥ med X ) ≥ 0, 5; P(X ≤ med X ) ≥ 0, 5.
49 of 142
Ví dụ 1: Cho biến ngẫu nhiên X có bảng phân phối
xác suất:
X 0 1 2
1 1 1
P(X )
3 3 3
Tìm med X .
50 of 142
xác suất:
X 0 1 2
1 1 1
P(X )
3 3 3
Tìm med X .
Đáp số: med X = 1.
50 of 142
xác suất:
X 0 1
1 1
P(X )
2 2
Tìm med X .
51 of 142
xác suất:
X 0 1
1 1
P(X )
2 2
Tìm med X .
Đáp số: med X = [0; 1].
51 of 142
d) Phân vị
52 of 142
d) Phân vị
Cho α ∈ (0, 1). Số xα được gọi là phân vị cấp α của
biến ngẫu nhiên X nếu nó thõa mãn:
P(X ≤ xα ) ≥ α, P(X ≥ xα ) ≥ 1 − α.
52 of 142
d) Phân vị
P(X ≤ xα ) ≥ α, P(X ≥ xα ) ≥ 1 − α.
Nhận xét:
52 of 142
d) Phân vị
P(X ≤ xα ) ≥ α, P(X ≥ xα ) ≥ 1 − α.
Nhận xét:+) Phân vị cấp 1/2 chính là trung vị.
52 of 142
d) Phân vị
P(X ≤ xα ) ≥ α, P(X ≥ xα ) ≥ 1 − α.
+) Cho X là biến ngẫu nhiên liên tục có hàm phân
phối F(x) và α ∈ (0, 1). Khi đó xα là phân vị cấp α
của X khi và chỉ khi F (xα ) = α.
52 of 142
d) Phân vị
P(X ≤ xα ) ≥ α, P(X ≥ xα ) ≥ 1 − α.
+) Cho X là biến ngẫu nhiên liên tục có hàm phân
phối F(x) và α ∈ (0, 1). Khi đó xα là phân vị cấp α
của X khi và chỉ khi F (xα ) = α. Đặc biệt, m là trung
vị của X khi và chỉ khi F(m) = 1/2.
52 of 142
e) Moment:
53 of 142
e) Moment:
Moment cấp k đối với a của biến ngẫu nhiên X là một
số xác định như sau:
vk (a) = E [(X − a)k ].
53 of 142
e) Moment:
vk (a) = E [(X − a)k ].
+) Nếu a=0, ta ký hiệu vk (0) = E (X )k và gọi nó là

moment gốc cấp k.
53 of 142
e) Moment:
vk (a) = E [(X − a)k ].
+) Nếu a=0, ta ký hiệu vk (0) = E (X )k và gọi nó là

moment gốc cấp k.
+) Nếu a=EX, ta ký hiệu vk (EX ) = E [(X − EX )k ] và
gọi nó là moment trung tâm cấp k.
53 of 142
2.3 Một số phân phối xác suất cơ
bản
54 of 142
2.3.1 Phân phối nhị thức
(Binomial distribution)
55 of 142
Định nghĩa:
55 of 142
Định nghĩa:
Biến ngẫu nhiên rời rạc X được gọi là có phân phối
nhị thức với các tham số n ∈ N∗ và p ∈ [0, 1], kí hiệu
X ∼ B(n, p),
55 of 142
Định nghĩa:
nhị thức với các tham số n ∈ N∗ và p ∈ [0, 1], kí hiệu
X ∼ B(n, p), nếu X nhận các giá trị 0, 1, 2, . . . , n với
các xác suất là
P(X = k) = Cnk p k q n−k , k = 0, n q =1−p
55 of 142
Tính chất:
56 of 142
Tính chất:
1) Nếu X ∼ B(n, p) thì

EX = np

VX = npq

mod X = k ∈ N thỏa mãn np − q ≤ k ≤ np − q + 1
56 of 142
2) Với n = 1, phân phối nhị thức B(1, p) còn được gọi
là phân phối Bernoulli.
57 of 142
là phân phối Bernoulli. Nếu X ∼ B(1, p) thì X có
bảng phân phối xác suất là
X 0 1
P q p
57 of 142
X 0 1
P q p
3) Xét dãy n phép thử Bernoulli đối với biến cố A có

P(A) = p.
57 of 142
X 0 1
P q p
3) Xét dãy n phép thử Bernoulli đối với biến cố A có

P(A) = p. Nếu X là tổng số lần biến cố A xảy ra
trong n phép thử đó thì X ∼ B(n, p).
57 of 142
Ví dụ 1: Một cầu thủ có khả năng đá phạt 11m rất

tốt, với xác suất thành công của mỗi lần sút là 0,98.
Cho anh ta đá 10 quả, hỏi xác suất để cả 10 quả đều
vào gôn là bao nhiêu?
58 of 142
Ví dụ 2: Trong một sân bay, có 5 radar đang vận hành
và mỗi radar có khả năng phát hiện máy bay đang đến
là 90%. Các radar vận hành độc lập với nhau.
a) Tính xác suất để một máy bay đang đến được phát
hiện bởi ít nhất 4 radar.
b) Nếu có ít nhất 3 radar phát hiện được một máy bay
đang đến nào đó thì xác suất cả 5 radar phát hiện
được máy bay đó là bao nhiêu?
c) Nếu muốn một máy bay đang đến được phát hiện
bởi ít nhất 1 radar với xác suất không bé hơn 0.999
thì cần cài đặt tối thiểu bao nhiêu radar?
59 of 142
Giải: Gọi X là số radar phát hiện được máy bay. Khi
đó X có phân phối nhị thức với tham số n = 5 và
p = 0.9.
a) Ta có
P(X ≥ 4) = P(X = 4) + P(X = 5)

= C54 (0.9)4 (0.1)1 + C55 (0.9)5 (0.1)0 ≈ 0.9185.
60 of 142
b) Ta cần tính xác suất có điều kiện
P(X ≥ 5/X ≥ 3). Ta có
P[(X ≥ 5) ∩ (X ≥ 3)]
P(X ≥ 5/X ≥ 3) =
P(X ≥ 3)
P(X ≥ 5) 0.5905
= = ≈ 0.596.
P(X ≥ 3) 0.9914
61 of 142
c) Ta cần tìm n bé nhất sao cho P(X ≥ 1) ≥ 0.9999.
Ta có
P(X ≥ 1) = 1 − P(X = 0) = 1 − (0.1)n .
Do đó,
P(X ≥ 1) ≥ 0.9999 ⇔ (0.1)n ≤ (0.1)4 ⇔ n ≥ 4.
Như vậy, giá trị n bé nhất thỏa mãn yêu cầu là 4.
62 of 142
2.3.2 Phân phối hình học
(Geometric distribution)
63 of 142
Định nghĩa:
63 of 142
Định nghĩa:
Biến ngẫu nhiên X được gọi là có phân phối hình học
(geometric distribution) với tham số p (0 ≤ p ≤ 1),
ký hiệu X ∼ Geom(p), nếu X nhận các giá trị 1, 2, . . .
với xác suất tương ứng
P(X = k) = p(1 − p)k−1 .
63 of 142
Ý nghĩa: biến ngẫu nhiên có phân phối hình học là
đếm số phép thử Bernoulli cần thiết để thu được
thành công đầu tiên. Do đó nó còn được gọi là phân
phối của “số lần thử để thu được thành công”.
64 of 142
Ý nghĩa: biến ngẫu nhiên có phân phối hình học là
đếm số phép thử Bernoulli cần thiết để thu được
thành công đầu tiên. Do đó nó còn được gọi là phân
phối của “số lần thử để thu được thành công”.
1
Tính chất: Nếu X ∼ Geom(p) thì E (X ) = và
p
1−p
V (X ) = .
p2
64 of 142
Ví dụ: Một xạ thủ bắn lần lượt từng viên đạn vào đích
một cách độc lập cho tới khi có viên đạn trúng đích
thì dừng lại. Giả sử xác suất bắn trúng của người này
là 0.8.
a) Tính xác suất để người này phải bắn 5 lần.
b) Tính xác suất để người này phải bắn không quá 5
lần.
65 of 142
Giải. Gọi X là số lần xạ thủ cần bắn. Khi đó
X ∼ Geom(0.8).
66 of 142
X ∼ Geom(0.8).
a) Xác xuất để xạ thủ phải bắn đúng 5 lần là
P(X = 5) = 0.8 × (1 − 0.8)4 = 0.00128.
66 of 142
X ∼ Geom(0.8).
a) Xác xuất để xạ thủ phải bắn đúng 5 lần là
P(X = 5) = 0.8 × (1 − 0.8)4 = 0.00128.
b) P(X ≤ 5) = 5k=1 P(X = k) =

P
P5 k−1
k=1 0.8(1 − 0.8) = 0.99968.
66 of 142
2.3.2 Phân phối Poisson
67 of 142
Định nghĩa:
67 of 142
Định nghĩa:
Poisson với tham số λ > 0, kí hiệu X ∼ P(λ),
67 of 142
Định nghĩa:
Poisson với tham số λ > 0, kí hiệu X ∼ P(λ), nếu X
nhận các giá trị 0, 1, 2, . . . với các xác suất là
e −λ λk
P(X = k) = , k = 0, 1, 2, . . .
k!
67 of 142
Tính chất:
68 of 142
Tính chất: Nếu X ∼ P(λ) thì

(
EX = VX = λ
mod X = k ∈ N thỏa mãn λ − 1 ≤ k ≤ λ
68 of 142
Ý nghĩa:
69 of 142
Ý nghĩa:
Phân phối này có nhiều ứng dụng đối với nhiều quá
trình có liên quan đến số quan sát đối với một đơn vị
thời gian hoặc không gian. Ví dụ: Số cuộc điện thoại
nhận được ở một trạm điện thoại trong một phút, số
khách hàng đến nhà băng đối với mỗi một chu kỳ 30
phút, số lỗi in sai trong một trang, . . . .Vì vậy, quá
trình Poisson còn có thể gọi là quá trình đếm.
69 of 142
Ví dụ 2: Một tổng đài điện thoại trung bình nhận

được 2 cuộc gọi trong 1 phút. Tìm xác suất để
a) Tổng đài nhận được 5 cuộc gọi trong 2 phút
b) Không có cuộc điện thoại nào trong khoảng thời
gian 30 giây.
c) Có ít nhất 1 cuộc gọi đến tổng đài trong khoảng
thời gian 10 giây.
70 of 142
a. Gọi X là số cuộc điện thoại xuất hiện trong vòng 2
phút. X ∼ P(λ)
λ chính là số cuộc điện thoại trung bình đến trong
vòng 2 phút. λ = 4
5 5
P(X = 5) = e −λ λ5! = e −4 45! = 0, 156
71 of 142
phút. X ∼ P(λ)
5 5
P(X = 5) = e −λ λ5! = e −4 45! = 0, 156
b. Gọi X là số cuộc điện thoại xuất hiện trong vòng
30 giây. X ∼ P(λ) với λ = 1. Ta có
0
P(X = 0) = e −λ λ0! = e −1 = 0, 3679
71 of 142
phút. X ∼ P(λ)
5 5
P(X = 5) = e −λ λ5! = e −4 45! = 0, 156
b. Gọi X là số cuộc điện thoại xuất hiện trong vòng
30 giây. X ∼ P(λ) với λ = 1. Ta có
0
P(X = 0) = e −λ λ0! = e −1 = 0, 3679
c. Gọi X là số cuộc điện thoại xuất hiện trong vòng 10
1
giây. X ∼ P(λ) với λ = . Ta có
3
1
−
P(X ≥ 1) = 1 − P(X = 0) = 1 − e 3 = 0, 2835
71 of 142
2.3.3 Phân phối đều (Uniform
distribution)
72 of 142
distribution)
Định nghĩa 1:
72 of 142
distribution)
Định nghĩa 1:
Biến ngẫu nhiên X được gọi là có phân phối đều rời
rạc với tham số n nếu X có bảng phân phối xác suất
như sau:
X 1 2 ... n
P(X ) 1/n 1/n . . . 1/n
Ký hiệu: X ∼ U(n)
72 of 142
Tính chất:
73 of 142
Tính chất:
Nếu X ∼ U(n) thì:

n+1
EX =
2
n2 − 1
VX =
12
73 of 142
2.3.3 Phân phối đều
74 of 142
Định nghĩa 2:
74 of 142
Định nghĩa 2:
Biến ngẫu nhiên liên tục X được gọi là có phân phối
đều trên [a, b], kí hiệu X ∼ U[a, b],
74 of 142
Định nghĩa 2:
đều trên [a, b], kí hiệu X ∼ U[a, b], nếu X có hàm
mật độ xác suất
1
nếu x ∈ [a, b]
p(x) = b−a
0 nếu x ∈/ [a, b]
74 of 142
Tính chất:
75 of 142
Tính chất: Nếu X ∼ U[a, b] thì
EX = a+b


 2
 (b−a)2
VX = 12



 mod X = [a, b]
med X = a+b

2
75 of 142
Ví dụ 3: Lịch chạy của xe buýt tại một trạm xe buýt

như sau: Chiếc xe đầu tiên trong ngày sẽ khởi hành từ
trạm này lúc 7h, cứ sau mỗi 15 phút sẽ có một xe
khác đến trạm. Giả sử một hành khách đến trạm
trong khoảng thời gian từ 7h đến 7h30. Tìm xác suất
để hành khách này:
(a). chờ ít hơn 5 phút.
(b). chờ ít nhất 12 phút.
76 of 142
Giải: Gọi X là số phút sau 7 giờ hành khách đến trạm,
ta có X ∼ U([0, 30])
77 of 142
ta có X ∼ U([0, 30])
a) Hành khách chờ ít hơn 5 phút nếu đến trạm giữa 7
giờ 10 và 7 giờ 15 hoặc giữa 7 giờ 25 và 7 giờ 30. Do
đó xác suất cần tìm là:
5 5 1
P(10 < X < 15) + P(25 < X < 30) = + =
30 30 3
77 of 142
ta có X ∼ U([0, 30])
a) Hành khách chờ ít hơn 5 phút nếu đến trạm giữa 7
giờ 10 và 7 giờ 15 hoặc giữa 7 giờ 25 và 7 giờ 30. Do
đó xác suất cần tìm là:
5 5 1
P(10 < X < 15) + P(25 < X < 30) = + =
30 30 3
b) Hành khách chờ ít nhất 12 phút nếu đến trạm giữa
7 giờ và 7 giờ 03 hoặc giữa 7 giờ 15 và 7 giờ 18. Xác
suất cần tìm là:
3 3
P(0 < X < 3) + P(15 < X < 18) = + = 0, 2
30 30
77 of 142
2.3.4 Phân phối mũ (Exponential
distribution)
78 of 142
distribution)
Định nghĩa:
78 of 142
distribution)
Định nghĩa:
mũ với tham số λ > 0, kí hiệu X ∼ E (λ),
78 of 142
distribution)
Định nghĩa:
mũ với tham số λ > 0, kí hiệu X ∼ E (λ), nếu X có
−λx
λe nếu x > 0
p(x) =
0 nếu x ≤ 0
78 of 142
Tính chất:
79 of 142
Tính chất:
Nếu X ∼ E (λ) thì
(
EX = λ1
VX = λ12
79 of 142
Tính chất:
Nếu X ∼ E (λ) thì
(
EX = λ1
VX = λ12
Ý nghĩa: Với một giả thiết nào đó, khoảng thời gian
giữa hai lần xuất hiện của một sự kiện E nào đó sẽ có
phân phối mũ. Vì lý do này phân phối mũ còn có tên
gọi là phân phối của thời gian chờ đợi. VD: khoảng
thời gian giữa 2 ca cấp cứu ở một bệnh viện, khoảng
thời gian giữa 2 lần hỏng hóc của một chiếc máy,
khoảng
79 of 142
thời gian giữa 2 trận lụt hay động đất, . . .
2.3.4 Phân phối mũ
Ví dụ 4: Giả sử tuổi thọ (tính bằng năm) của một
mạch điện tử trong máy tính là một biến ngẫu nhiên
có phân phối mũ với với kỳ vọng là 6,25. Thời gian
bảo hành của mạch điện tử này là 5 năm. Hỏi có bao
nhiêu phần trăm mạch điện tử bán ra phải thay thế
trong thời gian bảo hành?
80 of 142
2.3.4 Phân phối mũ
Ví dụ 4: Giả sử tuổi thọ (tính bằng năm) của một
mạch điện tử trong máy tính là một biến ngẫu nhiên
có phân phối mũ với với kỳ vọng là 6,25. Thời gian
bảo hành của mạch điện tử này là 5 năm. Hỏi có bao
nhiêu phần trăm mạch điện tử bán ra phải thay thế
trong thời gian bảo hành?
Giải: Gọi X là tuổi thọ của mạch. X tuân theo phân
1 1
phối mũ với tham số λ = =
EX 6, 25
−5λ −0,8
P(X ≤ 5) = 1 − e =1−e = 0, 5506
Vậy có khoảng 55% mạch điện tử bán ra phải thay
thế trong thời gian bảo hành.
80 of 142
2.3.5 Phân phối chuẩn
81 of 142
Định nghĩa:
81 of 142
Định nghĩa:
chuẩn (Normal distribution) với các tham số µ và
σ 2 (với σ > 0), kí hiệu X ∼ N(µ, σ 2 ),
81 of 142
Định nghĩa:
chuẩn (Normal distribution) với các tham số µ và
σ 2 (với σ > 0), kí hiệu X ∼ N(µ, σ 2 ), nếu X có hàm
mật độ xác suất
1 (x−µ)2
p(x) = √ e − 2σ2 , x ∈R
σ 2π
81 of 142
Tính chất:
82 of 142
Tính chất:
1) Nếu X ∼ N(µ, σ 2 ) thì
(
EX = mod X = med X = µ
VX = σ 2
82 of 142
2) Với µ = 0 và σ = 1,
83 of 142
2) Với µ = 0 và σ = 1, phân phối chuẩn N(0,1) còn
được gọi là phân phối chuẩn tắc (Standard Normal
distribution).
83 of 142
distribution).
Với Z ∼ N(0, 1), ta có
- Hàm mật độ xác suất (hay còn gọi hàm mật độ
Gauss) của Z là
83 of 142
distribution).
Với Z ∼ N(0, 1), ta có
- Hàm mật độ xác suất (hay còn gọi hàm mật độ
Gauss) của Z là
1 2
ϕ(x) = √ e −x /2 , x ∈R
2π
83 of 142
+) Để tính xác suất ta dùng hàm Laplace:
Rx
φ(x) = ϕ(t)dt
0
84 of 142
Rx
φ(x) = ϕ(t)dt
0
+) Tính chất:
84 of 142
Rx
φ(x) = ϕ(t)dt
0
+) Tính chất:
• φ(x) là hàm lẻ, tăng thực sự.
84 of 142
Rx
φ(x) = ϕ(t)dt
0
+) Tính chất:
• φ(+∞) = 0, 5
84 of 142
Rx
φ(x) = ϕ(t)dt
0
+) Tính chất:
• φ(+∞) = 0, 5
• X ∼ N(0; 1) ta có: P(a < X < b) = φ(b) − φ(a)
84 of 142
Rx
φ(x) = ϕ(t)dt
0
+) Tính chất:
• φ(+∞) = 0, 5
• X ∼ N(0; 1) ta có: P(a < X < b) = φ(b) − φ(a)
• Giá trị của hàm Laplace được tính sẵn thành bảng
số liệu.
84 of 142
X −µ
Nếu X ∼ N(µ; σ 2 ) ta có Z = σ ∼ N(0; 1)
85 of 142
Nếu X ∼ N(µ; σ 2 ) ta có Z = X σ−µ ∼ N(0; 1)
Từ đó ta xây đựng được công thức tính:
85 of 142
a−µ
• P(X < a) = 0, 5 + φ( )
σ
85 of 142
a−µ
• P(X < a) = 0, 5 + φ( )
σ
a−µ
• P(X > a) = 0, 5 − φ( )
σ
85 of 142
a−µ
• P(X < a) = 0, 5 + φ( )
σ
a−µ
• P(X > a) = 0, 5 − φ( )
σ
b−µ a−µ
• P(a ≤ X < b) = φ( ) − φ( )
σ σ
85 of 142
a−µ
• P(X < a) = 0, 5 + φ( )
σ
a−µ
• P(X > a) = 0, 5 − φ( )
σ
b−µ a−µ
• P(a ≤ X < b) = φ( ) − φ( )
σ σ

• P(|X − µ| < ) = 2φ( )
σ
85 of 142
Ví dụ: Độ dài một chi tiết máy giả sử tuân theo luật
phân phối chuẩn với giá trị trung bình là 20 cm và độ
lệch chuẩn là 0,5 cm. Tính xác suất khi chọn ngẫu
nhiên ra một chi tiết thì độ dài của nó:
a) lớn hơn 20 cm
b) bé hơn 19,5 cm
c) nằm trong khoảng 19 cm – 21 cm
86 of 142
Ví dụ: Độ dài một chi tiết máy giả sử tuân theo luật
phân phối chuẩn với giá trị trung bình là 20 cm và độ
lệch chuẩn là 0,5 cm. Tính xác suất khi chọn ngẫu
nhiên ra một chi tiết thì độ dài của nó:
a) lớn hơn 20 cm
b) bé hơn 19,5 cm
c) nằm trong khoảng 19 cm – 21 cm
86 of 142
Lời giải:
87 of 142
Lời giải:
Gọi X (cm) là độ dài chi tiết máy đã chọn.
X ∼ N(µ, σ 2 ), µ = 20, σ = 0, 5.
87 of 142
Lời giải:
X ∼ N(µ, σ 2 ), µ = 20, σ = 0, 5.
20 − µ
• P(X > 20) = 0, 5 − φ( ) = 0, 5 − φ(0) = 0, 5
σ
87 of 142
Lời giải:
X ∼ N(µ, σ 2 ), µ = 20, σ = 0, 5.
20 − µ
• P(X > 20) = 0, 5 − φ( ) = 0, 5 − φ(0) = 0, 5
σ
19, 5 − µ
• P(X < 19, 5) = 0, 5 + φ( )=
σ
0, 5 + φ(−1) = 0, 5 − φ(1) = 0, 5 − 0, 3413 = 0, 1587
87 of 142
Lời giải:
X ∼ N(µ, σ 2 ), µ = 20, σ = 0, 5.
20 − µ
• P(X > 20) = 0, 5 − φ( ) = 0, 5 − φ(0) = 0, 5
σ
19, 5 − µ
• P(X < 19, 5) = 0, 5 + φ( )=
σ
0, 5 + φ(−1) = 0, 5 − φ(1) = 0, 5 − 0, 3413 = 0, 1587
21 − µ 19 − µ
• P(19 < X < 21) = φ( ) − φ( )=
σ σ
φ(2) − φ(−2) = 2φ(2) = 2.0, 4772 = 0, 9544
87 of 142
- Hàm phân phối của Z là
88 of 142
- Hàm phân phối của Z là

Zx
1 2
Φ(x) = √ e −t /2
dt, x ∈R
2π
−∞
88 of 142
- Các công thức tính xác suất
89 of 142

∀a ∈ R ⇒ P(Z ≤ a) = P(Z < a) = Φ(a)
89 of 142

∀a ∈ R ⇒ P(Z ≤ a) = P(Z < a) = Φ(a)
∀a ≤ b ⇒ P(a < Z < b) = P(a < Z ≤ b)
= P(a ≤ Z ≤ b)
= P(a ≤ Z < b)
= Φ(b) − Φ(a)
89 of 142
X −µ
3) Nếu X ∼ N(µ, σ 2 ) thì Z = σ ∼ N(0, 1).
90 of 142
X −µ
3) Nếu X ∼ N(µ, σ 2 ) thì Z = σ ∼ N(0, 1). Khi đó
90 of 142
X −µ
∀a ∈ R ⇒ P(X ≤ a) = P(X < a) = Φ( a−µ
σ )
90 of 142
X −µ
∀a ∈ R ⇒ P(X ≤ a) = P(X < a) = Φ( a−µ
σ )
∀a ≤ b ⇒ P(a < X < b) = P(a < X ≤ b)

= P(a ≤ X ≤ b)
= P(a ≤ X < b)
= Φ( b−µ a−µ
σ ) − Φ( σ )
90 of 142
Ví dụ 5: Thống kê điểm thi trong một kì tuyển sinh

Đại học môn Toán của học sinh cả nước cho thấy
điểm thi là biến ngẫu nhiên X có phân phối chuẩn
N(4; 2, 25).
a) Tính tỉ lệ điểm thi từ 7 đến 8.
b) Tính tỉ lệ điểm thi từ 5,5 trở lên.
c) Xác định điểm thi a để tỉ lệ điểm thi dưới a điểm là
98%.
91 of 142
Ý nghĩa:
92 of 142
Ý nghĩa:+) Phân phối chuẩn được Gauss phát minh
năm 1809 nên cũng có khi nó được mang tên là phân
phối Gauss.
92 of 142
Ý nghĩa:+) Phân phối chuẩn được Gauss phát minh
năm 1809 nên cũng có khi nó được mang tên là phân
phối Gauss.
+) Phân phối chuẩn chiếm vị trí quan trọng trong lý
thuyết xác suất, là vị trí trung tâm trong các kết luận
thống kê sau này. Trong thực tế, ví dụ trong lĩnh vực
kinh tế, khoa học xã hội, . . . nhiều phân phối không
giống phân phối chuẩn, nhưng phân phối của trung
bình cộng đối với mỗi trường hợp lại có thể xem là
phân phối chuẩn miễn là cỡ mẫu n đủ lớn.
92 of 142
2.3.6 Phân phối Khi bình phương
Giả sử Xi , (i = 1, 2, . . . , n) là các biến ngẫu nhiên độc

lập cùng phân phối chuẩn tắc. Biến ngẫu nhiên
n
Xi2 được gọi là tuân theo phân phối Khi bình
P
Y =
i=1
phương với n bậc tự do.
93 of 142

n
P
Y =
i=1
Ký hiệu: Y ∼ χ2 (n)
93 of 142

n
P
Y =
i=1
Các tham số đặc trưng:
93 of 142

n
P
Y =
i=1
• EY = n
93 of 142

n
P
Y =
i=1
• EY = n
• VY = 2n
93 of 142
2.3.7 Phân phối Student
Giả sử X ∼ N(0; 1) và Y ∼ χ2 (n) là hai biến ngẫu
nhiên độc lập. Khi đó:
X
T =r
Y
n
được gọi là tuân theo phân phối Student với n bậc tự
do.
94 of 142
X
T =r
Y
n
do.
Ký hiệu: T ∼ T (n)
94 of 142
X
T =r
Y
n
do.
94 of 142
X
T =r
Y
n
do.
ET = 0;
94 of 142
X
T =r
Y
n
do.
n
ET = 0; VT =
94 of 142 n−2
Chú ý:
95 of 142
Chú ý:
• Phân phối Student có cùng dạng và tính đối xứng
như phân phối chuẩn nhưng nó phản ánh tính biến
đổi của phân phối sâu sắc hơn. Phân phối chuẩn
không thể dùng để xấp xỉ phân phối khi mẫu có
kích thước nhỏ. Trong trường hợp này ta dùng phân
phối Student.
95 of 142
Chú ý:
• Phân phối Student có cùng dạng và tính đối xứng
như phân phối chuẩn nhưng nó phản ánh tính biến
đổi của phân phối sâu sắc hơn. Phân phối chuẩn
không thể dùng để xấp xỉ phân phối khi mẫu có
kích thước nhỏ. Trong trường hợp này ta dùng phân
phối Student.
• Khi bậc tự do n tăng lên (n > 30) thì phân phối
Student tiến nhanh về phân phối chuẩn. Do đó khi
n > 30 ta có thể dùng phân phối chuẩn thay thế
cho phân phối Student.
95 of 142
2.4 Vectơ ngẫu nhiên
96 of 142
2.4.1 Định nghĩa và ví dụ
97 of 142
Định nghĩa:
97 of 142
Định nghĩa: Giả sử X1 , X2 , . . . , Xn là các biến ngẫu
nhiên. Khi đó (X1 , X2 , . . . , Xn ) được gọi là vectơ ngẫu
nhiên n chiều.
97 of 142
nhiên n chiều.
Ví dụ 1: Một nhà máy sản xuất ra một loại sản phẩm.
Kích thước của sản phẩm được đo bằng chiều dài,
chiều rộng và chiều cao.
97 of 142
nhiên n chiều.
Ví dụ 1: Một nhà máy sản xuất ra một loại sản phẩm.
Kích thước của sản phẩm được đo bằng chiều dài,
chiều rộng và chiều cao.
⇒ Kích thước của sản phẩm là vectơ ngẫu nhiên 3
chiều (X , Y , Z ), trong đó X là chiều dài, Y là chiều
rộng và Z là chiều cao của sản phẩm.
97 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
98 of 142
rời rạc
a) Định nghĩa:
98 of 142
rời rạc
a) Định nghĩa: Vectơ ngẫu nhiên 2 chiều (X , Y ) được

gọi là rời rạc nếu X và Y là các biến ngẫu nhiên rời
rạc.
98 of 142
rời rạc
b) Bảng phân phối xác suất đồng thời:
99 of 142
rời rạc
b) Bảng phân phối xác suất đồng thời:

Giả sử (X , Y ) là vectơ ngẫu nhiên rời rạc, X nhận các
giá trị x1 < x2 < · · · < xm , Y nhận các giá trị
y1 < y2 < · · · < yn với các xác suất đồng thời
pij = P(X = xi , Y = yj ), ∀i = 1, m ∀j = 1, n
99 of 142
rời rạc
⇒ Bảng phân phối xác suất đồng thời của (X , Y ) là
100 of 142
rời rạc
⇒ Bảng phân phối xác suất đồng thời của (X , Y ) là
Y y1 y2 ... yn
X
x1 p11 p12 . . . p1n
x2 p21 p22 . . . p2n
.. .. .. ..
. . . .
xm pm1 pm2 . . . pmn
100 of 142
rời rạc
Tính chất:
101 of 142
rời rạc
Tính chất:
m P
P n
1) 0 ≤ pij ≤ 1 và pij = 1
i=1 j=1
101 of 142
rời rạc
Tính chất:
m P
P n
1) 0 ≤ pij ≤ 1 và pij = 1
i=1 j=1
2) Bảng phân phối xác suất của X là
101 of 142
rời rạc
Tính chất:
m P
P n
1) 0 ≤ pij ≤ 1 và pij = 1
i=1 j=1
2) Bảng phân phối xác suất của X là

X x1 x2 . . . xm n
P
với pi = pij , ∀i = 1, m
P p1 p2 . . . pm j=1
101 of 142
3) Bảng phân phối xác suất của Y là
102 of 142
Y y1 y2 . . . yn m
P
với qj = pij , ∀j = 1, n
P q1 q2 . . . qn i=1
102 of 142
Y y1 y2 . . . yn m
P
P q1 q2 . . . qn i=1
4) X và Y độc lập ⇔ pij = pi qj , ∀i = 1, m ∀j = 1, n
102 of 142
Y y1 y2 . . . yn m
P
P q1 q2 . . . qn i=1
4) X và Y độc lập ⇔ pij = pi qj , ∀i = 1, m ∀j = 1, n

5) Xác suất có điều kiện vẫn được tính như thông
thường, tức là:
P(X = xi , Y = yj )
P(X = xi |Y = yj ) = ,
P(Y = yj )
.....
102 of 142
rời rạc
Ví dụ 2: Ta lấy ngẫu nhiên 3 pin từ một nhóm gồm 3

pin mới, 4 pin đã qua sử dụng nhưng vẫn dùng được
và 5 pin hỏng. Ký hiệu X, Y tương ứng là số pin mới
và số pin đã qua sử dụng nhưng vẫn dùng được trong
3 pin lấy ra. Lập bảng phân xác suất đồng thời cho
(X, Y).
103 of 142
Giải. P(X = 0, Y = 0) = C53 /C123
= 10/220
1 2 3
P(X = 0, Y = 1) = C4 .C5 /C12 = 40/220
P(X = 0, Y = 2) = C42 .C51 /C12
3
= 30/220
3 3
P(X = 0, Y = 3) = C4 /C12 = 4/220
P(X = 1, Y = 0) = C31 .C52 /C12
3
= 30/220
1 1 1 3
P(X = 1, Y = 1) = C3 .C4 .C5 /C12 = 60/220
1 2 3
P(X = 1, Y = 2) = C3 .C4 /C12 = 18/220
P(X = 2, Y = 0) = C32 .C51 /C12
3
= 15/220
2 1 3
P(X = 2, Y = 1) = C3 .C4 /C12 = 12/220 ,
P(X = 3, Y = 0) = C33 /C123
= 1/220
104 of 142
Y 0 1 2 3 P(X =
X
0 10/220 40/220 30/220 4/220 84/22
1 30/220 60/220 18/220 0 108/22
2 15/220 12/220 0 0 27/22
3 1/220 0 0 0 1/220
P(Y = yj ) 56/220 112/220 48/220 4/220
105 of 142
rời rạc
Ví dụ 3: Tung 3 đồng xu. Gọi X là số mặt sấp xuất

hiện trên 2 đồng xu thứ nhất và thứ hai, Y là số mặt
sấp xuất hiện trên cả 3 đồng xu.
a) Lập bảng phân phối xác suất đồng thời của vectơ
ngẫu nhiên (X , Y ).
b) Lập bảng phân phối xác suất của X và của Y .
c) X và Y có độc lập không? Vì sao?
106 of 142
rời rạc
c) Hàm phân phối:
107 of 142
rời rạc
c) Hàm phân phối: Hàm phân phối của vectơ ngẫu

nhiên (X , Y ) là
F (x, y ) = P(X < x, Y < y ), ∀x, y ∈ R
107 of 142
rời rạc
c) Hàm phân phối: Hàm phân phối của vectơ ngẫu

nhiên (X , Y ) là
F (x, y ) = P(X < x, Y < y ), ∀x, y ∈ R
Ví dụ 2 (tiếp theo): Tính F(1,3).
107 of 142
rời rạc
Tính chất:
108 of 142
rời rạc
Tính chất:
1) 0 ≤ F (x, y ) ≤ 1
108 of 142
rời rạc
Tính chất:
1) 0 ≤ F (x, y ) ≤ 1
2) lim F (x, y ) = lim F (x, y ) = 0
x→−∞ y →−∞
108 of 142
rời rạc
Tính chất:
1) 0 ≤ F (x, y ) ≤ 1
2) lim F (x, y ) = lim F (x, y ) = 0
x→−∞ y →−∞
lim F (x, y ) = 1
x→+∞
y →+∞
108 of 142
rời rạc
3) F (x, y ) không giảm theo từng biến:
109 of 142
rời rạc
3) F (x, y ) không giảm theo từng biến:
x1 < x2 ⇒ F (x1 , y ) ≤ F (x2 , y ), ∀y ∈ R

y1 < y2 ⇒ F (x, y1 ) ≤ F (x, y2 ), ∀x ∈ R
109 of 142
rời rạc
4) Hàm phân phối của X là
FX (x) = lim F (x, y ), ∀x ∈ R

y →+∞
110 of 142
rời rạc
4) Hàm phân phối của X là
FX (x) = lim F (x, y ), ∀x ∈ R

y →+∞
Hàm phân phối của Y là
FY (y ) = lim F (x, y ), ∀y ∈ R
x→+∞
110 of 142
rời rạc
5) X và Y độc lập
⇔ F (x, y ) = FX (x)FY (y ), ∀x, y ∈ R
111 of 142
rời rạc
5) X và Y độc lập
⇔ F (x, y ) = FX (x)FY (y ), ∀x, y ∈ R
6) P(a ≤ X < b, c ≤ Y < d)
= F (a, c) + F (b, d) − F (a, d) − F (b, c)
111 of 142
rời rạc
d) Các số đặc trưng
112 of 142
rời rạc

1) Vectơ kì vọng:
112 of 142
rời rạc

1) Vectơ kì vọng: Cho véc tơ ngẫu nhiên
X = (X1 , X2 ). Kỳ vọng của X , được ký hiệu EX , là
véc tơ được định nghĩa bởi EX = (EX1 , EX2 ) nếu các
kỳ vọng EX1 , EX2 tồn tại.
112 of 142
rời rạc
2) Hiệp phương sai (Covariance):
113 of 142
rời rạc
cov(X , Y ) = E [(X − EX )(Y − EY )]
113 of 142
rời rạc
cov(X , Y ) = E [(X − EX )(Y − EY )]
= E (XY ) − EXEY
113 of 142
rời rạc
cov(X , Y ) = E [(X − EX )(Y − EY )]
= E (XY ) − EXEY
trong đó
m X
X n
E (XY ) = xi yj pij
i=1 j=1
113 of 142
rời rạc
Tính chất:
114 of 142
rời rạc
Tính chất:
1) cov(X , Y ) = cov(Y , X )
114 of 142
rời rạc
Tính chất:
1) cov(X , Y ) = cov(Y , X )
2) cov(X , X ) = VX
114 of 142
rời rạc
Tính chất:
1) cov(X , Y ) = cov(Y , X )
2) cov(X , X ) = VX
3) cov(aX + b, cY + d) = ac · cov(X , Y )
114 of 142
rời rạc
Tính chất:
1) cov(X , Y ) = cov(Y , X )
2) cov(X , X ) = VX
3) cov(aX + b, cY + d) = ac · cov(X , Y )
4) Nếu X và Y độc lập thì cov(X , Y ) = 0
114 of 142
rời rạc
3) Hệ số tương quan:
115 of 142
rời rạc
cov(X ,Y )
3) Hệ số tương quan: ρ(X , Y ) = σ(X )σ(Y )
115 of 142
rời rạc
cov(X ,Y )
Tính chất:
115 of 142
rời rạc
cov(X ,Y )
Tính chất:
1) −1 ≤ ρ(X , Y ) ≤ 1
115 of 142
rời rạc
cov(X ,Y )
Tính chất:
1) −1 ≤ ρ(X , Y ) ≤ 1
2) ρ(X , Y ) = ±1 ⇔ ∃a, b ∈ R, a 6= 0 : Y = aX + b
115 of 142
rời rạc
cov(X ,Y )
Tính chất:
1) −1 ≤ ρ(X , Y ) ≤ 1
2) ρ(X , Y ) = ±1 ⇔ ∃a, b ∈ R, a 6= 0 : Y = aX + b
3) Nếu X và Y độc lập thì ρ(X , Y ) = 0
115 of 142
rời rạc
Ý nghĩa:
116 of 142
rời rạc
Ý nghĩa: Hệ số tương quan của vectơ ngẫu nhiên

(X , Y ) đo mức độ tương quan, phụ thuộc tuyến tính
giữa X và Y .
116 of 142
rời rạc
Ý nghĩa: Hệ số tương quan của vectơ ngẫu nhiên

(X , Y ) đo mức độ tương quan, phụ thuộc tuyến tính
giữa X và Y .
Ví dụ 3: Tính các số đặc trưng của vectơ ngẫu nhiên
(X , Y ) trong Ví dụ 2.
116 of 142
rời rạc
4) Ma trận hiệp phương sai: Ma trận hiệp phương sai

của véc tơ ngẫu nhiên hai chiều (X , Y ) được xác định
bởi:

cov (X , X ) cov (X , Y ) VX cov (X , Y )
Γ= =
cov (Y , X ) cov (Y , Y ) cov (X , Y ) VY
117 of 142
liên tục.
118 of 142
liên tục.
Định nghĩa 1:
118 of 142
liên tục.
Định nghĩa 1: Vectơ ngẫu nhiên 2 chiều (X , Y ) được

gọi là liên tục nếu X và Y là các biến ngẫu nhiên liên
tục.
118 of 142
liên tục.
Định nghĩa 2:
119 of 142
liên tục.
Định nghĩa 2: Hàm phân phối của vectơ ngẫu nhiên 2

chiều (X , Y ) có dạng:
Z x Z y
FX ,Y (x, y ) = p(u, v )dudv , x, y ∈ R.
−∞ −∞
Trong đó, p(x, y ) > 0 và được gọi là hàm mật độ xác

suất của (X , Y ).
119 of 142
liên tục.
Tương tự như trường hợp một chiều, hàm hai biến

p(x, y ) là hàm mật độ xác suất khi và chỉ khi
(
p(x, y ) ≥ 0, ∀x, y ∈ R,
R +∞ R +∞
−∞ −∞ p(x, y )dxdy = 1.
120 of 142
Tính chất.
Giả sử p(x, y ), pX (x) và pY (y ) tương ứng là hàm mật
độ xác suất của (X , Y ), X và Y . Khi đó
121 of 142
Tính chất.
(1).
+∞
Z
pX (x) = p(x, y )dy .
−∞
121 of 142
Tính chất.
(1). Z+∞
pX (x) = p(x, y )dy .
−∞
Z +∞
pY (y ) = p(x, y )dx.
−∞
121 of 142
Tính chất.
(1). Z+∞
pX (x) = p(x, y )dy .
−∞
Z +∞
pY (y ) = p(x, y )dx.
−∞
(2). Các biến ngẫu nhiên X và Y độc lập khi và chỉ

khi
p(x, y ) = pX (x).pY (y ) với mọi x, y .
121 of 142
Tính chất.
(3).
Z +∞ Z +∞
E (XY ) = xyp(x, y )dxdy ,
−∞ −∞
122 of 142
Tính chất.
(3).
Z +∞ Z +∞
Z−∞ −∞
+∞ Z +∞
E (X + Y ) = (x + y )p(x, y )dxdy .
−∞ −∞
122 of 142
Tính chất.
(3).
Z +∞ Z +∞
Z−∞ −∞
+∞ Z +∞
E (X + Y ) = (x + y )p(x, y )dxdy .
−∞ −∞
(4). Hàm mật độ có điều kiện của X khi đã biết Y=y

là
p(x, y )
φ(x|y ) =
pY (y )
122 of 142
liên tục.
Ví dụ:
123 of 142
liên tục.
Ví dụ: Cho véctơ ngẫu nhiên (X , Y ) có hàm mật độ

xác suất

 2 1
c(x + xy ) nếu 0 < x < 1; 0 < y < 2,
p(x, y ) = 2
0 nếu trái lại.
Hãy tìm hằng số c và tính E (XY ).
123 of 142
liên tục.
Giải:
124 of 142
liên tục.
Giải: Xét 2 điều kiện sau:
124 of 142
liên tục.
+) p(x, y ) ≥ 0
124 of 142
liên tục.
+) p(x, y ) ≥ 0
+) Z +∞ Z +∞
1= p(x, y )dxdy
−∞ −∞
Z 1Z 2
xy 7
=c (x 2 + )dxdy = c .
0 0 2 6
6
Từ đó, suy ra c = .
7
124 of 142
liên tục.
Z +∞ Z +∞
E (XY ) = xyp(x, y )dxdy
−∞ −∞
Z 1Z 2
xy
=c xy (x 2 +)dxdy
0 0 2
Z 1Z 2
3 x 2y 2 17
=c (x y + )dxdy = .
0 0 2 21
125 of 142
2.4.4 Hàm của biến ngẫu nhiên
a). Hàm của một biến ngẫu nhiên
Cho biến ngẫu nhiên X có hàm phân phối xác suất
xác định.
126 of 142
xác định. Khi đó hàm phân phối xác suất của Z được
xác định như sau:
FZ (z) = P(Z < z) = P(g (X ) < z) = P(X ∈ D),
trong đó D = {x|g (x) < z}.
126 of 142
xác định. Khi đó hàm phân phối xác suất của Z được
xác định như sau:
FZ (z) = P(Z < z) = P(g (X ) < z) = P(X ∈ D),
trong đó D = {x|g (x) < z}.

Tuy nhiên, tùy vào từng bài cụ thể, ta sẽ có các cách
giải phù hợp.
126 of 142
Ví dụ: Cho biến ngẫu nhiên X có bảng phân phối xác

suất:
X −1 0 1 2 3
P(X = x) 0.1 0.2 0.3 0.2 0.2
Xác định luật phân phối xác suất của Z = X 2 và tìm

kỳ vọng của Z .
127 of 142
Giải: Ta có X ∈ {−1, 0, 1, 2, 3}, suy ra
Z ∈ {0, 1, 4, 9} với các xác suất tương ứng:
P(Z=0)=P(X=0) =0.2;
P(Z=1) =P(X=1)+P(X=-1)=0.4;
P(Z=4)=P(X=2)=0.2;
P(Z=9) = P(X=3)=0.2.
Z 0 1 4 9
P(Z = z) 0.2 0.4 0.2 0.2
P
Kỳ vọng EZ = zi pi = 3.
i
128 of 142
Ví dụ: Thanh AB dài 10cm bỗng nhiên bị gãy ở một

điểm C bất kỳ. Hai đoạn AC và BC được dùng làm
hai cạnh của một hình chữ nhật. Tìm hàm phân phối
xác suất của biến ngẫu nhiên chỉ diện tích hình chữ
nhật đó.
129 of 142
b). Hàm của hai biến ngẫu nhiên
Xét biến ngẫu nhiên Z = g (X , Y ), trong đó (X , Y ) là
vectơ ngẫu nhiên hai chiều đã biết luật phân phối. Ta
sẽ xét luật phân phối xác suất của Z trong một số
trường hợp đơn giản theo cách sau:
FZ (z) = P(Z < z) = P(g (X , Y ) < z) = P((X , Y ) ∈ D),
trong đó D = {(x, y )|g (x, y ) < z}.

130 of 142
+). Đối với vectơ ngẫu nhiên hai chiều liên tục (X , Y )
với hàm mật độ xác suất đồng thời p(x, y ) ta có:
ZZ
P((X , Y ) ∈ D) = p(x, y )dxdy .
D
131 of 142
+). Đối với vectơ ngẫu nhiên hai chiều liên tục (X , Y )
với hàm mật độ xác suất đồng thời p(x, y ) ta có:
ZZ
P((X , Y ) ∈ D) = p(x, y )dxdy .
D
+). Kỳ vọng:
Z +∞ Z +∞
EZ = E (g (X , Y )) = g (x, y ).p(x, y )dxdy .
−∞ −∞
131 of 142
Ví dụ: Hai người bạn hẹn gặp nhau ở công viên trong
khoảng thời gian từ 17h đến 18h. Họ hẹn nhau nếu
người nào đến trước thì sẽ đợi người kia trong vòng 10
phút. Sau 10 phút đợi nếu không gặp sẽ về. Thời điểm
đến của hai người là ngẫu nhiên và độc lập với nhau
trong khoảng thời gian trên. Tính xác suất hai người
gặp được nhau.
132 of 142
Giải: Quy gốc thời gian là lúc 17h. Gọi X , Y là biến
ngẫu nhiên chỉ thời điểm người A, B đến, ta có
X , Y ∼ U[0; 60]. Do X , Y độc lập nên vectơ ngẫu
nhiên (X, Y)
 có hàm mật độ xác suất đồng thời:
 1
, (x, y ) ∈ ([0; 60]x[0; 60])
p(x, y ) = 3600 .
 0, ngược lại
Gọi Z là biến ngẫu nhiên chỉ khoảng thời gian giữa
thời điểm hai người đến.
133 of 142
Ta có Z = |X − Y |. Khi đó, xác suất hai người gặp
nhau là:
P(Z < 10) = P(|X − Y | < 10) = P((X , Y ) ∈ D),
trong đó D là giao miền |X − Y | < 10 và hình vuông

có cạnh = 60. Vậy:
11
ZZ
P(Z < 10) = p(x, y )dxdy = .
D 36
134 of 142
Ta có Z = |X − Y |. Khi đó, xác suất hai người gặp
nhau là:
P(Z < 10) = P(|X − Y | < 10) = P((X , Y ) ∈ D),
trong đó D là giao miền |X − Y | < 10 và hình vuông

có cạnh = 60. Vậy:
11
ZZ
P(Z < 10) = p(x, y )dxdy = .
D 36
SD 1100 11
(hoặc P(Z < 10) = = = .)
3600 3600 36
134 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
135 of 142
hạn trung tâm.
Định nghĩa. Ta nói dãy các biến ngẫu nhiên

(Xn , n ≥ 1) hội tụ đến biến ngẫu nhiên X khi n → ∞.
135 of 142
hạn trung tâm.

a). Hầu chắc chắn nếu
P(limn→∞ |Xn − X | = 0) = 1.
135 of 142
hạn trung tâm.

a). Hầu chắc chắn nếu
P(limn→∞ |Xn − X | = 0) = 1.
h.c.c
Ký hiệu: Xn → X .
135 of 142
hạn trung tâm.
b). Theo xác suất nếu mọi > 0 thì
limn→∞ P(|Xn − X | > ) = 0.
136 of 142
hạn trung tâm.
b). Theo xác suất nếu mọi > 0 thì
limn→∞ P(|Xn − X | > ) = 0.

P
136 of 142
c). Hội tụ theo phân phối nếu
lim Fn (x) = F (x) với mọi x ∈ C (F ).

n→∞
Trong đó, F , F1 , F2 , . . . lần lượt là hàm phân phối của

các biến ngẫu nhiên X , X1 , X2 , . . .
và C (F ) = {x ∈ R : F liên tục tại x}.
D
137 of 142
hạn trung tâm.
Định lý 1 (Bất đẳng thức Trebyshev):
138 of 142
hạn trung tâm.
Định lý 1 (Bất đẳng thức Trebyshev):Cho X là biến
ngẫu nhiên có EX = µ, VX = σ 2 hữu hạn. Khi đó với
> 0 tuỳ ý cho trước ta có:
σ2
P(|X − µ| ≥ ) ≤
2
138 of 142
hạn trung tâm.
Định lý 1 (Bất đẳng thức Trebyshev):Cho X là biến
ngẫu nhiên có EX = µ, VX = σ 2 hữu hạn. Khi đó với
> 0 tuỳ ý cho trước ta có:
σ2
P(|X − µ| ≥ ) ≤
2
hay tương đương
σ2
P(|X − µ| ≤ ) ≥ 1 − 2

138 of 142
hạn trung tâm.
Định lý 2 (Luật mạnh số lớn):
139 of 142
hạn trung tâm.
Định lý 2 (Luật mạnh số lớn): Nếu dãy các biến ngẫu

nhiên X1 , X2 , ...Xn , ... độc lập, cùng phân phối có kỳ
vọng và phương sai hữu hạn, khi đó ta có:
Pn
i=1 Xi h.c.c
→ EX1 khi n → ∞.
n
139 of 142
hạn trung tâm.
Định lý 3 (Luật yếu số lớn):
140 of 142
hạn trung tâm.
Định lý 3 (Luật yếu số lớn): Nếu dãy các biến ngẫu

nhiên X1 , X2 , ...Xn , ... độc lập, cùng phân phối có kỳ
vọng và phương sai hữu hạn, khi đó ta có:
Pn
i=1 Xi P
→ EX1 khi n → ∞.
n
140 of 142
hạn trung tâm.
Định lý 4 (Định lý giới hạn trung tâm):
141 of 142
hạn trung tâm.
Định lý 4 (Định lý giới hạn trung tâm): Giả sử {Xn } là

dãy biến ngẫu nhiên độc lập, cùng phân phối với
EXi = µ, VXi = σ 2 . Khi đó
n
P
Xi − nµ
i=1 D
√ → Z ∼ N(0, 1) khi n → ∞.
σ n
141 of 142
hạn trung tâm.
Định lý 4 (Định lý giới hạn trung tâm): Giả sử {Xn } là

dãy biến ngẫu nhiên độc lập, cùng phân phối với
EXi = µ, VXi = σ 2 . Khi đó
n
P
Xi − nµ
i=1 D
√ → Z ∼ N(0, 1) khi n → ∞.
σ n
141 of 142
Như vậy, khi n đủ lớn ta có:
n
P
Xi − nµ
i=1
√ ∼ N(0, 1)
σ n
142 of 142
Như vậy, khi n đủ lớn ta có:
n
P
Xi − nµ
i=1
√ ∼ N(0, 1)
σ n
hay
n
X
Xi ∼ N(nµ, nσ 2 )
i=1
142 of 142

Mi2020 KSTN LT

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

Mi2020 KSTN LT

Uploaded by

Copyright:

Available Formats

Xác suất Thống kê

Biến ngẫu nhiên (đại lượng ngẫu nhiên) là đại lượng

Biến ngẫu nhiên (đại lượng ngẫu nhiên) là đại lượng

Biến ngẫu nhiên (đại lượng ngẫu nhiên) là đại lượng

Biến ngẫu nhiên (đại lượng ngẫu nhiên) là đại lượng

Biến ngẫu nhiên (đại lượng ngẫu nhiên) là đại lượng

Biến ngẫu nhiên (đại lượng ngẫu nhiên) là đại lượng

Ví dụ 1: Tung 1 con xúc xắc cân đối, đồng chất. Gọi

Ví dụ 1: Tung 1 con xúc xắc cân đối, đồng chất. Gọi

Ví dụ 1: Tung 1 con xúc xắc cân đối, đồng chất. Gọi

Ví dụ 1: Tung 1 con xúc xắc cân đối, đồng chất. Gọi

Ví dụ 1: Tung 1 con xúc xắc cân đối, đồng chất. Gọi

Ví dụ 1: Biến ngẫu nhiên X ở ví dụ 1, mục 2.1.1 là

Định nghĩa 2: Giả sử biến ngẫu nhiên rời rạc X nhận

Chú ý: 1. Các xác suất pi thỏa mãn điều kiện

Chú ý: 1. Các xác suất pi thỏa mãn điều kiện

2. Hàm số p(x)= P(X=x) được gọi là hàm xác suất

Ví dụ 3: Một tổ có 3 học sinh giỏi, 5 học sinh khá và

Bảng phân phối xác suất của X là:

Định nghĩa 2: Hàm số p(x) xác định trên R và thỏa

Tính chất: Nếu biến ngẫu nhiên liên tục X có hàm

Tính chất: Nếu biến ngẫu nhiên liên tục X có hàm

2) P(a ≤ X < b) = P(a < X < b)

Ví dụ 1: Cho hàm số f (x) = a. sin 2x. Tìm a để hàm

Ví dụ 2: Tuổi thọ của một loài côn trùng là biến ngẫu

Định nghĩa: Hàm phân phối của biến ngẫu nhiên X , kí

F (x) = P(X < x), x ∈R

Định nghĩa: Hàm phân phối của biến ngẫu nhiên X , kí

F (x) = P(X < x), x ∈R

Các tính chất:

Các tính chất:

Các tính chất:

Các tính chất:

3) F (x) là hàm không giảm:

Các tính chất:

3) F (x) là hàm không giảm: x1 < x2 ⇒ F (x1 ) ≤ F (x2 )

Các tính chất:

3) F (x) là hàm không giảm: x1 < x2 ⇒ F (x1 ) ≤ F (x2 )

Các tính chất:

3) F (x) là hàm không giảm: x1 < x2 ⇒ F (x1 ) ≤ F (x2 )

Các tính chất:

3) F (x) là hàm không giảm: x1 < x2 ⇒ F (x1 ) ≤ F (x2 )

6c) Nếu X là biến ngẫu nhiên liên tục có hàm mật độ

Ví dụ 3: Tính kì vọng của biến ngẫu nhiên trong Ví dụ

Ví dụ 3: Tính kì vọng của biến ngẫu nhiên trong Ví dụ

Ví dụ 3: Tính kì vọng của biến ngẫu nhiên trong Ví dụ

Ví dụ 3: Tính kì vọng của biến ngẫu nhiên trong Ví dụ

E (X1 X2 · · · Xn ) = EX1 EX2 · · · EXn

E (X1 X2 · · · Xn ) = EX1 EX2 · · · EXn

5) Nếu f là 1 hàm số liên tục thì

Chú ý: n biến ngẫu nhiên X1 , X2 , . . . , Xn độc lập khi

P(X1 < x1 , X2 < x2 , . . . , Xn < xn )

= P(X1 < x1 )P(X2 < x2 ) · · · P(Xn < xn )

Ví dụ 4: Giả sử X và Y là 2 biến ngẫu nhiên độc lập

Tính E (X + Y ), E (2X − 3Y − 1), E (XY ), E (X 2 ).

Định nghĩa: Phương sai của biến ngẫu nhiên X , kí

4) Nếu X1 , X2 , . . . , Xn độc lập từng đôi thì

V (X1 + X2 + · · · + Xn ) = VX1 + VX2 + · · · + VXn

4) Nếu X1 , X2 , . . . , Xn độc lập từng đôi thì

V (X1 + X2 + · · · + Xn ) = VX1 + VX2 + · · · + VXn

4) Nếu X1 , X2 , . . . , Xn độc lập từng đôi thì

V (X1 + X2 + · · · + Xn ) = VX1 + VX2 + · · · + VXn

4) Nếu X1 , X2 , . . . , Xn độc lập từng đôi thì