Professional Documents
Culture Documents
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
4 of 142
2.1.1 Khái niệm
4 of 142
2.1.1 Khái niệm
4 of 142
2.1.1 Khái niệm
4 of 142
2.1.1 Khái niệm
4 of 142
2.1.1 Khái niệm
4 of 142
2.1.1 Khái niệm
Ví dụ 1:
5 of 142
2.1.1 Khái niệm
5 of 142
2.1.1 Khái niệm
5 of 142
2.1.1 Khái niệm
5 of 142
2.1.1 Khái niệm
5 of 142
2.1.1 Khái niệm
5 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
6 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
Định nghĩa 1:
6 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
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
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
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
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
7 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
Định nghĩa 2:
8 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
8 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
Chú ý:
9 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
9 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
9 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
Ví dụ 2:
10 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
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
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
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
Ví dụ 3:
10 of 142
2.1.2 Biến ngẫu nhiên rời rạc và
bảng phân phối xác suất
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
11 of 142
Giải:
11 of 142
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
12 of 142
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
Định nghĩa 1:
12 of 142
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
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
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
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
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
Định nghĩa 2:
13 of 142
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
được gọi là hàm mật độ xác suất của một biến ngẫu
nhiên liên tục X nào đó.
13 of 142
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
Tính chất:
14 of 142
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
14 of 142
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
14 of 142
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
15 of 142
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
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
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
π
Do sin 2x ≥ 0 với mọi x ∈ [0, ] nên a ≥ 0.
2
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
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
2.1.3 Biến ngẫu nhiên liên tục và
hàm mật độ xác suất
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
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
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
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
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
2.1.4 Hàm phân phối
Định nghĩa:
20 of 142
2.1.4 Hàm phân phối
20 of 142
2.1.4 Hàm phân phối
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:
Hàm phân phối F (x) = P(X < x)
+)x ≤ 0 suy ra F (x) = P(Φ) = 0
21 of 142
Ví dụ 3, mục 2.1.2:
Hàm phân phối F (x) = P(X < x)
+)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:
Hàm phân phối F (x) = P(X < x)
+)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:
Hàm phân phối F (x) = P(X < x)
+)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:
Hàm phân phối F (x) = P(X < x)
+)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
Hàm phân phối F (x) = f (t)dt
−∞
Rx Rx
+)x < 0 suy ra F (x) = f (t)dt = 0dt = 0
−∞ −∞
23 of 142
Ví dụ 2, mục 2.1.3:
Rx
Hàm phân phối F (x) = f (t)dt
−∞
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
Hàm phân phối F (x) = f (t)dt
−∞
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
2.1.4 Hàm phân phối
25 of 142
2.1.4 Hàm phân phối
25 of 142
2.1.4 Hàm phân phối
25 of 142
2.1.4 Hàm phân phối
25 of 142
2.1.4 Hàm phân phối
25 of 142
2.1.4 Hàm phân phối
25 of 142
2.1.4 Hàm phân phối
25 of 142
2.1.4 Hàm phân phối
25 of 142
2.1.4 Hàm phân phối
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
2.1.4 Hàm phân phối
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
2.1.4 Hàm phân phối
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
- Nếu X rời rạc có bảng phân phối xác suất
X ... xi . . .
P ... pi . . .
P
thì EX = xi p i
i
31 of 142
2.2.1 Kì vọng
- Nếu X rời rạc có bảng phân phối xác suất
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
- Nếu X rời rạc có bảng phân phối xác suất
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
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:
X =x 0 1 2
1 1 1
P(X = x)
4 2 4
32 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:
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
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:
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
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. Gọi X (nghìn đồng) là số tiền
thu được.
33 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. Gọi X (nghìn đồng) là số tiền
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
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. Gọi X (nghìn đồng) là số tiền
thu được. Ta có bảng phân phối xác suất của X
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
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. Gọi X (nghìn đồng) là số tiền
thu được. Ta có bảng phân phối xác suất của X
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
34 of 142
2.2.1 Kì vọng
34 of 142
2.2.1 Kì vọng
34 of 142
2.2.1 Kì vọng
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:
1) Ec = c, với c là hằng số
2) E (cX ) = cEX
35 of 142
2.2.1 Kì vọng
Tính chất:
1) Ec = c, với c là hằng số
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
36 of 142
2.2.1 Kì vọng
4) Nếu X1 , X2 , . . . , Xn độc lập thì
36 of 142
2.2.1 Kì vọng
Chú ý:
37 of 142
2.2.1 Kì vọng
37 of 142
2.2.1 Kì vọng
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
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.
Gọi X là biến ngẫu nhiên chỉ số lần xuất hiện mặt sấp.
42 of 142
2.2.2 Phương sai
Ví dụ 1: Tung một đồng tiền cân đối và đồng chất.
Gọi X là biến ngẫu nhiên chỉ số lần xuất hiện mặt sấp.
Ta có bảng phân phối xác suất sau:
X =x 0 1
1 1
P(X = x)
2 2
42 of 142
2.2.2 Phương sai
Ví dụ 1: Tung một đồng tiền cân đối và đồng chất.
Gọi X là biến ngẫu nhiên chỉ số lần xuất hiện mặt sấp.
Ta có bảng phân phối xác suất sau:
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
Ví dụ 1: Tung một đồng tiền cân đối và đồng chất.
Gọi X là biến ngẫu nhiên chỉ số lần xuất hiện mặt sấp.
Ta có bảng phân phối xác suất sau:
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
Ví dụ 1: Tung một đồng tiền cân đối và đồng chất.
Gọi X là biến ngẫu nhiên chỉ số lần xuất hiện mặt sấp.
Ta có bảng phân phối xác suất sau:
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
Ví dụ 2: Tung đồng xu cân đối và đồng chất 2 lần.
Gọi X là biến ngẫu nhiên chỉ số lần xuất hiện mặt sấp.
43 of 142
2.2.2 Phương sai
Ví dụ 2: 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:
X =x 0 1 2
1 1 1
P(X = x)
4 2 4
43 of 142
2.2.2 Phương sai
Ví dụ 2: 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:
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
Ví dụ 2: 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:
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
Ví dụ 2: 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:
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
Ví dụ 3: Tính phương sai của biến ngẫu nhiên trong Ví
dụ 2, mục 2.1.3.
Ý nghĩa:
44 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.
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
Ví dụ 3: Tính phương sai của biến ngẫu nhiên trong Ví
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.
• 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
Ví dụ 3: Tính phương sai của biến ngẫu nhiên trong Ví
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.
• 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
46 of 142
2.2.2 Phương sai
Hệ quả:
46 of 142
2.2.2 Phương sai
Hệ quả:
- Với mọi hằng số a, b thì V (aX + b) = a2 VX
46 of 142
2.2.2 Phương sai
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
2.2.3 Các số đặc trưng khác
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
2.2.3 Các số đặc trưng khác
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.
a) Độ lệch chuẩn
47 of 142
2.2.3 Các số đặc trưng khác
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.
a) Độ lệch chuẩn
- 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
2.2.3 Các số đặc trưng khác
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.
a) Độ lệch chuẩn
- Độ lệch chuẩn của biến ngẫu nhiên X , kí hiệu σ(X ),
là 1 số được xác định bởi
√
σ(X ) = VX
48 of 142
2.2.3 Các số đặc trưng khác
b) Mode
Mode của biến ngẫu nhiên X , kí hiệu mod X , là 1 số
được xác định bởi
48 of 142
2.2.3 Các số đặc trưng khác
b) Mode
Mode của biến ngẫu nhiên X , kí hiệu mod X , là 1 số
được xác định bởi
- Nếu X rời rạc thì
mod X = xk thỏa mãn pk = max pi
i
48 of 142
2.2.3 Các số đặc trưng khác
b) Mode
Mode của biến ngẫu nhiên X , kí hiệu mod X , là 1 số
được xác định bởi
- Nếu X rời rạc thì
mod X = xk thỏa mãn pk = max pi
i
48 of 142
2.2.3 Các số đặc trưng khác
49 of 142
2.2.3 Các số đặc trưng khác
49 of 142
2.2.3 Các số đặc trưng khác
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
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 .
Đáp số: med X = 1.
50 of 142
Ví dụ 2: Cho biến ngẫu nhiên X có bảng phân phối
xác suất:
X 0 1
1 1
P(X )
2 2
Tìm med X .
51 of 142
Ví dụ 2: Cho biến ngẫu nhiên X có bảng phân phối
xác suất:
X 0 1
1 1
P(X )
2 2
Tìm med X .
Đáp số: med X = [0; 1].
51 of 142
2.2.3 Các số đặc trưng khác
d) Phân vị
52 of 142
2.2.3 Các số đặc trưng khác
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
2.2.3 Các số đặc trưng khác
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.
Nhận xét:
52 of 142
2.2.3 Các số đặc trưng khác
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.
Nhận xét:+) Phân vị cấp 1/2 chính là trung vị.
52 of 142
2.2.3 Các số đặc trưng khác
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.
Nhận xét:+) Phân vị cấp 1/2 chính là trung vị.
+) 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
2.2.3 Các số đặc trưng khác
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.
Nhận xét:+) Phân vị cấp 1/2 chính là trung vị.
+) 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
2.2.3 Các số đặc trưng khác
e) Moment:
53 of 142
2.2.3 Các số đặc trưng khác
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
2.2.3 Các số đặc trưng khác
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
2.2.3 Các số đặc trưng khác
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 ].
54 of 142
2.3.1 Phân phối nhị thức
(Binomial distribution)
55 of 142
2.3.1 Phân phối nhị thức
(Binomial distribution)
Định nghĩa:
55 of 142
2.3.1 Phân phối nhị thức
(Binomial distribution)
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
2.3.1 Phân phối nhị thức
(Binomial distribution)
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), nếu X nhận các giá trị 0, 1, 2, . . . , n với
các xác suất là
55 of 142
2.3.1 Phân phối nhị thức
Tính chất:
56 of 142
2.3.1 Phân phối nhị thức
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
2.3.1 Phân phối nhị thức
2) Với n = 1, phân phối nhị thức B(1, p) còn được gọi
là phân phối Bernoulli.
57 of 142
2.3.1 Phân phối nhị thức
2) Với n = 1, phân phối nhị thức B(1, p) còn được gọi
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
2.3.1 Phân phối nhị thức
2) Với n = 1, phân phối nhị thức B(1, p) còn được gọi
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
2.3.1 Phân phối nhị thức
2) Với n = 1, phân phối nhị thức B(1, p) còn được gọi
là phân phối Bernoulli. Nếu X ∼ B(1, p) thì X có
bảng phân phối xác suất là
X 0 1
P q p
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
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
Do đó,
62 of 142
2.3.2 Phân phối hình học
(Geometric distribution)
63 of 142
2.3.2 Phân phối hình học
(Geometric distribution)
Định nghĩa:
63 of 142
2.3.2 Phân phối hình học
(Geometric distribution)
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
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
Giải. Gọi X là số lần xạ thủ cần bắn. Khi đó
X ∼ Geom(0.8).
a) Xác xuất để xạ thủ phải bắn đúng 5 lần là
66 of 142
Giải. Gọi X là số lần xạ thủ cần bắn. Khi đó
X ∼ Geom(0.8).
a) Xác xuất để xạ thủ phải bắn đúng 5 lần là
66 of 142
2.3.2 Phân phối Poisson
67 of 142
2.3.2 Phân phối Poisson
Định nghĩa:
67 of 142
2.3.2 Phân phối Poisson
Định nghĩa:
Biến ngẫu nhiên rời rạc X được gọi là có phân phối
Poisson với tham số λ > 0, kí hiệu X ∼ P(λ),
67 of 142
2.3.2 Phân phối Poisson
Định nghĩa:
Biến ngẫu nhiên rời rạc X được gọi là có phân phối
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
2.3.2 Phân phối Poisson
Tính chất:
68 of 142
2.3.2 Phân phối Poisson
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
2.3.2 Phân phối Poisson
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
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
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
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
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
2.3.3 Phân phối đều (Uniform
distribution)
Định nghĩa 1:
72 of 142
2.3.3 Phân phối đều (Uniform
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:
73 of 142
2.3.3 Phân phối đều
74 of 142
2.3.3 Phân phối đều
Định nghĩa 2:
74 of 142
2.3.3 Phân phối đều
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
2.3.3 Phân phối đều
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], 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
2.3.3 Phân phối đều
Tính chất:
75 of 142
2.3.3 Phân phối đều
EX = a+b
2
(b−a)2
VX = 12
mod X = [a, b]
med X = a+b
2
75 of 142
2.3.3 Phân phối đều
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
Giải: Gọi X là số phút sau 7 giờ hành khách đến trạm,
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
Giải: Gọi X là số phút sau 7 giờ hành khách đến trạm,
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
2.3.4 Phân phối mũ (Exponential
distribution)
Định nghĩa:
78 of 142
2.3.4 Phân phối mũ (Exponential
distribution)
Định nghĩa:
Biến ngẫu nhiên liên tục X được gọi là có phân phối
mũ với tham số λ > 0, kí hiệu X ∼ E (λ),
78 of 142
2.3.4 Phân phối mũ (Exponential
distribution)
Định nghĩa:
Biến ngẫu nhiên liên tục X được gọi là có phân phối
mũ với tham số λ > 0, kí hiệu X ∼ E (λ), nếu X có
hàm mật độ xác suất
−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
2.3.5 Phân phối chuẩn
Định nghĩa:
81 of 142
2.3.5 Phân phối chuẩn
Định nghĩa:
Biến ngẫu nhiên liên tục X được gọi là có phân phối
chuẩn (Normal distribution) với các tham số µ và
σ 2 (với σ > 0), kí hiệu X ∼ N(µ, σ 2 ),
81 of 142
2.3.5 Phân phối chuẩn
Định nghĩa:
Biến ngẫu nhiên liên tục X được gọi là có phân phối
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
2.3.5 Phân phối chuẩn
Tính chất:
82 of 142
2.3.5 Phân phối chuẩn
Tính chất:
1) Nếu X ∼ N(µ, σ 2 ) thì
(
EX = mod X = med X = µ
VX = σ 2
82 of 142
2.3.5 Phân phối chuẩn
2) Với µ = 0 và σ = 1,
83 of 142
2.3.5 Phân phối chuẩn
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
2.3.5 Phân phối chuẩn
2) Với µ = 0 và σ = 1, phân phối chuẩn N(0,1) còn
được gọi là phân phối chuẩn tắc (Standard Normal
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
2.3.5 Phân phối chuẩn
2) Với µ = 0 và σ = 1, phân phối chuẩn N(0,1) còn
được gọi là phân phối chuẩn tắc (Standard Normal
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
+) Để tính xác suất ta dùng hàm Laplace:
Rx
φ(x) = ϕ(t)dt
0
+) Tính chất:
84 of 142
+) Để tính xác suất ta dùng hàm Laplace:
Rx
φ(x) = ϕ(t)dt
0
+) Tính chất:
• φ(x) là hàm lẻ, tăng thực sự.
84 of 142
+) Để tính xác suất ta dùng hàm Laplace:
Rx
φ(x) = ϕ(t)dt
0
+) Tính chất:
• φ(x) là hàm lẻ, tăng thực sự.
• φ(+∞) = 0, 5
84 of 142
+) Để tính xác suất ta dùng hàm Laplace:
Rx
φ(x) = ϕ(t)dt
0
+) Tính chất:
• φ(x) là hàm lẻ, tăng thực sự.
• φ(+∞) = 0, 5
• X ∼ N(0; 1) ta có: P(a < X < b) = φ(b) − φ(a)
84 of 142
+) Để tính xác suất ta dùng hàm Laplace:
Rx
φ(x) = ϕ(t)dt
0
+) Tính chất:
• φ(x) là hàm lẻ, tăng thực sự.
• 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
Nếu X ∼ N(µ; σ 2 ) ta có Z = X σ−µ ∼ N(0; 1)
Từ đó ta xây đựng được công thức tính:
a−µ
• P(X < a) = 0, 5 + φ( )
σ
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:
a−µ
• P(X < a) = 0, 5 + φ( )
σ
a−µ
• P(X > a) = 0, 5 − φ( )
σ
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:
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
Nếu X ∼ N(µ; σ 2 ) ta có Z = X σ−µ ∼ N(0; 1)
Từ đó ta xây đựng được công thức tính:
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:
Gọi X (cm) là độ dài chi tiết máy đã chọn.
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:
Gọi X (cm) là độ dài chi tiết máy đã chọn.
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:
Gọi X (cm) là độ dài chi tiết máy đã chọn.
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
2.3.5 Phân phối chuẩn
88 of 142
2.3.5 Phân phối chuẩn
88 of 142
2.3.5 Phân phối chuẩn
89 of 142
2.3.5 Phân phối chuẩn
89 of 142
2.3.5 Phân phối chuẩn
89 of 142
2.3.5 Phân phối chuẩn
X −µ
3) Nếu X ∼ N(µ, σ 2 ) thì Z = σ ∼ N(0, 1).
90 of 142
2.3.5 Phân phối chuẩn
X −µ
3) Nếu X ∼ N(µ, σ 2 ) thì Z = σ ∼ N(0, 1). Khi đó
90 of 142
2.3.5 Phân phối chuẩn
X −µ
3) Nếu X ∼ N(µ, σ 2 ) thì Z = σ ∼ N(0, 1). Khi đó
∀a ∈ R ⇒ P(X ≤ a) = P(X < a) = Φ( a−µ
σ )
90 of 142
2.3.5 Phân phối chuẩn
X −µ
3) Nếu X ∼ N(µ, σ 2 ) thì Z = σ ∼ N(0, 1). Khi đó
∀a ∈ R ⇒ P(X ≤ a) = P(X < a) = Φ( a−µ
σ )
90 of 142
2.3.5 Phân phối chuẩn
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
93 of 142
2.3.6 Phân phối Khi bình phương
93 of 142
2.3.6 Phân phối Khi bình phương
93 of 142
2.3.6 Phân phối Khi bình phương
93 of 142
2.3.6 Phân phối Khi bình phương
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
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.
Ký hiệu: T ∼ T (n)
94 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.
Ký hiệu: T ∼ T (n)
Các tham số đặc trưng:
94 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.
Ký hiệu: T ∼ T (n)
Các tham số đặc trưng:
ET = 0;
94 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.
Ký hiệu: T ∼ T (n)
Các tham số đặc trưng:
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
2.4.1 Định nghĩa và ví dụ
Định nghĩa:
97 of 142
2.4.1 Định nghĩa và ví dụ
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
2.4.1 Định nghĩa và ví dụ
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.
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
2.4.1 Định nghĩa và ví dụ
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.
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
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
a) Định nghĩa:
98 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
98 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
99 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
pij = P(X = xi , Y = yj ), ∀i = 1, m ∀j = 1, n
99 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
⇒ Bảng phân phối xác suất đồng thời của (X , Y ) là
100 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
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
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
Tính chất:
101 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
Tính chất:
m P
P n
1) 0 ≤ pij ≤ 1 và pij = 1
i=1 j=1
101 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
Tính chất:
m P
P n
1) 0 ≤ pij ≤ 1 và pij = 1
i=1 j=1
101 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
Tính chất:
m P
P n
1) 0 ≤ pij ≤ 1 và pij = 1
i=1 j=1
101 of 142
3) Bảng phân phối xác suất của Y là
102 of 142
3) Bảng phân phối xác suất của Y là
Y y1 y2 . . . yn m
P
với qj = pij , ∀j = 1, n
P q1 q2 . . . qn i=1
102 of 142
3) Bảng phân phối xác suất của Y là
Y y1 y2 . . . yn m
P
với qj = pij , ∀j = 1, n
P q1 q2 . . . qn i=1
102 of 142
3) Bảng phân phối xác suất của Y là
Y y1 y2 . . . yn m
P
với qj = pij , ∀j = 1, n
P q1 q2 . . . qn i=1
102 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
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
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
106 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
107 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
107 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
107 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
Tính chất:
108 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
Tính chất:
1) 0 ≤ F (x, y ) ≤ 1
108 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
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
2.4.2 Vectơ ngẫu nhiên 2 chiều
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
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
109 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
109 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
4) Hàm phân phối của X là
110 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
4) Hàm phân phối của X là
FY (y ) = lim F (x, y ), ∀y ∈ R
x→+∞
110 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
5) X và Y độc lập
⇔ F (x, y ) = FX (x)FY (y ), ∀x, y ∈ R
111 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
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
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
112 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
112 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
112 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
2) Hiệp phương sai (Covariance):
113 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
2) Hiệp phương sai (Covariance):
cov(X , Y ) = E [(X − EX )(Y − EY )]
113 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
2) Hiệp phương sai (Covariance):
cov(X , Y ) = E [(X − EX )(Y − EY )]
= E (XY ) − EXEY
113 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
2) Hiệp phương sai (Covariance):
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
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
Tính chất:
114 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
Tính chất:
1) cov(X , Y ) = cov(Y , X )
114 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
Tính chất:
1) cov(X , Y ) = cov(Y , X )
2) cov(X , X ) = VX
114 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
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
2.4.2 Vectơ ngẫu nhiên 2 chiều
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
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
3) Hệ số tương quan:
115 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
cov(X ,Y )
3) Hệ số tương quan: ρ(X , Y ) = σ(X )σ(Y )
115 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
cov(X ,Y )
3) Hệ số tương quan: ρ(X , Y ) = σ(X )σ(Y )
Tính chất:
115 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
cov(X ,Y )
3) Hệ số tương quan: ρ(X , Y ) = σ(X )σ(Y )
Tính chất:
1) −1 ≤ ρ(X , Y ) ≤ 1
115 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
cov(X ,Y )
3) Hệ số tương quan: ρ(X , Y ) = σ(X )σ(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
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
cov(X ,Y )
3) Hệ số tương quan: ρ(X , Y ) = σ(X )σ(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
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
Ý nghĩa:
116 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
116 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
116 of 142
2.4.2 Vectơ ngẫu nhiên 2 chiều
rời rạc
117 of 142
2.4.3 Vectơ ngẫu nhiên 2 chiều
liên tục.
118 of 142
2.4.3 Vectơ ngẫu nhiên 2 chiều
liên tục.
Định nghĩa 1:
118 of 142
2.4.3 Vectơ ngẫu nhiên 2 chiều
liên tục.
118 of 142
2.4.3 Vectơ ngẫu nhiên 2 chiều
liên tục.
Định nghĩa 2:
119 of 142
2.4.3 Vectơ ngẫu nhiên 2 chiều
liên tục.
119 of 142
2.4.3 Vectơ ngẫu nhiên 2 chiều
liên tục.
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.
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
(1).
+∞
Z
pX (x) = p(x, y )dy .
−∞
121 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
(1). Z+∞
pX (x) = p(x, y )dy .
−∞
Z +∞
pY (y ) = p(x, y )dx.
−∞
121 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
(1). Z+∞
pX (x) = p(x, y )dy .
−∞
Z +∞
pY (y ) = p(x, y )dx.
−∞
122 of 142
Tính chất.
(3).
Z +∞ Z +∞
E (XY ) = xyp(x, y )dxdy ,
Z−∞ −∞
+∞ Z +∞
E (X + Y ) = (x + y )p(x, y )dxdy .
−∞ −∞
122 of 142
Tính chất.
(3).
Z +∞ Z +∞
E (XY ) = xyp(x, y )dxdy ,
Z−∞ −∞
+∞ Z +∞
E (X + Y ) = (x + y )p(x, y )dxdy .
−∞ −∞
Ví dụ:
123 of 142
2.4.3 Vectơ ngẫu nhiên 2 chiều
liên tục.
123 of 142
2.4.3 Vectơ ngẫu nhiên 2 chiều
liên tục.
Giải:
124 of 142
2.4.3 Vectơ ngẫu nhiên 2 chiều
liên tục.
Giải: Xét 2 điều kiện sau:
124 of 142
2.4.3 Vectơ ngẫu nhiên 2 chiều
liên tục.
Giải: Xét 2 điều kiện sau:
+) p(x, y ) ≥ 0
124 of 142
2.4.3 Vectơ ngẫu nhiên 2 chiều
liên tục.
Giải: Xét 2 điều kiện sau:
+) 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
2.4.3 Vectơ ngẫu nhiên 2 chiều
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
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. Khi đó hàm phân phối xác suất của Z được
xác định như sau:
126 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. Khi đó hàm phân phối xác suất của Z được
xác định như sau:
127 of 142
2.4.4 Hàm của biến ngẫu nhiên
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
2.4.4 Hàm của biến ngẫu nhiên
129 of 142
2.4.4 Hàm của biến ngẫu nhiên
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:
131 of 142
2.4.4 Hàm của biến ngẫu nhiên
+). 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:
134 of 142
Ta có Z = |X − Y |. Khi đó, xác suất hai người gặp
nhau là:
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
2.5 Luật số lớn và định lý giới
hạn trung tâm.
135 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
P(limn→∞ |Xn − X | = 0) = 1.
135 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
P(limn→∞ |Xn − X | = 0) = 1.
h.c.c
Ký hiệu: Xn → X .
135 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
136 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
136 of 142
c). Hội tụ theo phân phối nếu
137 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
Định lý 1 (Bất đẳng thức Trebyshev):
138 of 142
2.5 Luật số lớn và định lý giới
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
2.5 Luật số lớn và định lý giới
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
2.5 Luật số lớn và định lý giới
hạn trung tâm.
139 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
139 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
140 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
140 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
141 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
141 of 142
2.5 Luật số lớn và định lý giới
hạn trung tâm.
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