CHƯƠNG 4: GIỚI THIỆU VỀ XÁC SUẤT

I. Xác suất
- Xác suất là một con số đo lường khả năng một biến cố (sự kiện) có thể xảy ra.
- Xác suất luôn có giá trị từ 0 đến 1.
- Xác suất càng gần 0 thì biến cố càng ít có khả năng xảy ra.
- Xác suất gần 1 hàm ý rằng biến cố gần như chắc chắn sẽ xảy ra.

II. Phép thử thống kê

- Trong thống kê, thuật ngữ phép thử rất khác với phép thử của khoa học vật lý.
- Trong phép thử thống kê, xác suất quyết định các kết quả.
- Ngay cả khi phép thử được lặp lại một cách chính xác, một kết quả hoàn toàn
khác có thể xảy ra.
- Vì lý do này, phép thử thống kê đôi khi được gọi là phép thử ngẫu nhiên
- Phép thử ngẫu nhiên : Phép thử có ít nhất hai kết quả có thể có và không biết
được kết quả nào sẽ xảy ra gọi là phép thử ngẫu nhiên
VD : Gieo một con xúc xắc ta không biết chắc mặt số nào sẽ xuất hiện
Gieo một đồng xu ta không biết chắc mặt sấp hay mặt ngửa sẽ xuất hiện
Kiểm tra một sản phẩm xem nó là chính phẩm hay thứ phẩm
III. Phép thử và không gian mẫu
- Phép thử là quá trình tạo ra những kết quả mà tập hợp kết quả này đã được xác
định trước đó
- Không gian mẫu của một phép thử là tập hợp tất cả các kết quả có thể xảy ra của
phép thử đó.
- Kết quả của một phép thử được gọi là điểm mẫu.
- Mỗi điểm mẫu cũng chính là một phần tử của không gian mẫu
IV. Qui tắc đếm cho phép thử nhiều bước
 Nếu một phép thử gồm một chuỗi k bước. Trong đó
bước 1 có n1 kết quả có khả năng xảy ra
bước 2 có n2 kết quả có khả năng xảy ra và tiếp tục như thế
Khi đó tổng số kết quả có thể xảy ra của phép thử là (n1)(n2) . . . (nk).
 Dạng biểu diễn thích hợp cho phép thử nhiều bước là biểu đồ hình cây.
V. Qui tắc đếm bằng tổ hợp
- Số tổ hợp khi lấy cùng lúc n phần tử từ tập hợp N phần tử.
- Một quy tắc đếm thứ hai cho phép chúng ta đếm số kết quả có khả năng xảy ra
của một phép thử khi chọn n phần tử từ một tập hợp gồm N phần tử.

VI. Qui tắc đếm bằng chỉnh hợp

- Số chỉnh hợp khi lấy cùng lúc n phần tử từ tập hợp N phần tử
 - Cách đếm thứ ba để đếm số kết quả thí nghiệm khi lấy n phần tử từ tập hợp N
phần tử khi thứ tự lựa chọn là quan trọng

VII. Cách tính xác suất

*Yêu cầu cơ bản khi tính xác suất
1. Xác suất tính được của một kết quả phép thử bất kỳ đều phải nhận giá trị
từ 0 đến 1.

0 < P(Ei) < 1 với mọi i

Ei là kết quả thứ i của phép thử

P(Ei) là xác suất của kết quả Ei
2. Tổng xác suất của tất cả các kết quả có thể có của phép thử phải bằng 1.
P(E1) + P(E2) + . . . + P(En) = 1

n là số kết quả có thể có của phép thử

a) Phương pháp cổ điển
- Xác suất được tính dựa trên giả định rằng các kết quả có thể có của phép thử là
đồng khả năng
VD :Nếu một phép thử có n kết quả có khả năng xảy ra, thì theo theo phương
pháp cổ điển, xác suất xảy ra từng kết quả là 1/n.
Phép thử: tung một con xúc xắc
Không gian mẫu: S = {1, 2, 3, 4, 5, 6}
Xác suất: Mỗi điểm mẫu có khả năng xảy ra là 1/6
b) Phương pháp tần suất
- Xác suất được tính dựa trên kết quả các phép thử hoặc dữ liệu trong quá khứ
 c) Phương pháp phán đoán
- Xác suất được tính dựa trên sự phán đoán
- Khi các điều kiện kinh tế hoặc các tình huống thay đổi nhanh chóng khiến cho
việc tính xác suất chỉ dựa vào dữ liệu quá khứ là không phù hợp.
- Chúng ta có thể dùng bất kỳ dữ liệu nào, kể cả kinh nghiệm và trực giác, nhưng
giá trị của xác suất nên thể hiện được mức độ tin tưởng của chúng ta vào khả năng
kết quả phép thử có thể xảy ra.
- Xác suất tốt nhất thường được tính bằng cách kết hợp giữa phương pháp cổ điển,
phương pháp tần suất với phương pháp phán đoán.
VIII. Biến cố và xác suất của biến cố
- Biến cố là tập hợp các điểm mẫu.
- Xác suất của một biến cố bằng tổng xác suất của các điểm mẫu thuộc biến cố đó.
- Nếu chúng ta xác định được tất cả các điểm mẫu của một phép thử và xác suất
tương ứng của từng điểm mẫu, chúng ta luôn tính được xác suất của các biến cố
Vd : Biến cố M = Khoản đầu tư vào Markley Oil có lãi
M = {(10, 8), (10, -2), (5, 8), (5, -2)}
P(M) = P(10, 8) + P(10, -2) + P(5, 8) + P(5, -2)
= 0,20 + 0,08 + 0,16 + 0,26
= 0,70
Biến cố C = Khoản đầu tư vào Collins Mining có lãi
C = {(10, 8), (5, 8), (0, 8), (-20, 8)}
P(C) = P(10, 8) + P(5, 8) + P(0, 8) + P(-20, 8)
= 0,20 + 0,16 + 0,10 + 0,02
= 0,48
IX. Một số quan hệ xác suất cơ bản
a) Phần bù của một biến cố
- Phần bù của biến cố A là biến cố bao gồm tất cả các điểm mẫu thuộc không gian
mẫu nhưng không thuộc A.
- Phần bù của biến cố A ký hiệu là Ac.

b) Phép hợp hai biến cố

- Hợp của hai biến cố A và B là biến cố chứa tất cả các điểm mẫu thuộc A hoặc
thuộc B hoặc cả hai.
- Hợp của hai biến cố A và B ký hiệu là A ∪ B.

VD :
Biến cố M = Khoản đầu tư vào Markley Oil có lãi
Biến cố C = Khoản đầu tư vào Collins Mining có lãi
M ∪ C = Khoản đầu tư vào Markley Oil có lãi hoặc khoản đầu tư vào Collins
Mining có lãi (hoặc cả hai)
M ∪ C = {(10, 8), (10, -2), (5, 8), (5, -2), (0, 8), (-20, 8)}
P(M ∪ C) = P(10, 8) + P(10, -2) + P(5, 8) + P(5, -2) + P(0, 8) + P(-20, 8)
= 0,20 + 0,08 + 0,16 + 0,26 + 0,10 + 0,02
= 0,82
c) Phép giao hai biến cố
- Giao của hai biến cố A và B là tập hợp tất cả các điểm thuộc cả A và B.
- Giao của biến cố A và B được ký hiệu là A ∩ B.
 VD :
Biến cố M = Khoản đầu tư vào Markley Oil có lãi
Biến cố C = Khoản đầu tư vào Collins Mining có lãi
M ∩ C = Khoản đầu tư vào Markley Oil và Collins Mining cùng có lãi
M ∩C = {(10, 8), (5, 8)}
P(M ∩C) = P(10, 8) + P(5, 8)
= 0,20 + 0,16
= 0,36
d) Quy tắc cộng xác suất
- Quy tắc cộng xác suất cho phép tính xác suất xảy ra biến cố A, hoặc biến cố B,
hoặc cả hai biến cố A và B.
- Công thức của quy tắc cộng xác suất:
P(A ∪B) = P(A) + P(B) - P(A ∩B)

VD :
Biến cố M = Khoản đầu tư vào Markley Oil có lãi
Biến cố C = Khoản đầu tư vào Collins Mining có lãi
M ∪ C = Khoản đầu tư vào Markley Oil có lãi hoặc khoản đầu tư vào Collins
Mining có lãi
P(M) = 0,70, P(C) = 0,48, P(M ∩ C) = 0,36
P(M ∪ C) = P(M) + P(C) - P(M ∩ C)
= 0,70 + 0,48 - 0,36
= 0,82
e) Các biến cố xung khắc
- Hai biến cố được gọi là xung khắc nếu chúng không có chung bất kỳ điểm mẫu
nào
- Hai biến cố là xung khắc nếu khi một biến cố này xảy ra thì biến cố còn lại không
thể xảy ra.
- Nếu hai biến cố A và B xung khắc thì P(A ∩ B) = 0.
- Quy tắc cộng với hai biến cố xung khắc là:
P(A ∪ B) = P(A) + P(B)
X. Xác suất có điều kiện
 - Xác suất của một biến cố khi cho trước thông tin rằng một biến cố khác đã xảy ra
gọi là xác suất có điều kiện.
- Xác suất của A với điều kiện B được ký hiệu là P(A|B)
- Công thức xác suất có điều kiện :

P ( A ∩B)
P(A/B) =
P( B)

VD :
Biến cố M = Khoản đầu tư vào Markley Oil có lãi
Biến cố C = Khoản đầu tư vào Collins Mining có lãi
P ( C/M ) = Khoản đầu tư vào Collins Mining có lãi với điều kiện khoản đầu tư
vào Markley Oil có lãi
P(M ∩ C) = 0,36, P(M) = 0,70
P ( C/M ) = P(M ∩ C) / P ( M ) = 0,36/0,7 = 0,5143
XI. Qui tắc nhân xác suất
- Quy tắc nhân dùng để tính xác suất của phần giao của hai biến cố
- Công thức của quy tắc nhân xác suất:
P(A ∩ B) = P(B)P(A|B) = P(A)P(B/A)

XII. Bảng phân phối đồng thời

XIII. Biến cố độc lập
- Nếu xác suất của biến cố A không đổi bởi sự hiện hữu của biến cố B, chúng ta nói
hai biến cố A và B là độc lập.
- Hai biến cố A và B là độc lập nếu:
P(A|B) = P(A) hoặc P(B|A) = P(B)
- Quy tắc nhân với các biến cố độc lập
Quy tắc nhân cũng có thể được sử dụng để kiểm tra sự
độc lập của hai biến cố
Công thức nhân của hai biến cố độc lập:

P(A ∩ B) = P(A)P(B)
 *Độc lập và xung khắc
- Đừng nhầm lẫn giữa khái niệm biến cố xung khắc và biến cố độc lập.
- Hai biến cố với xác suất xảy ra khác 0 không thể vừa xung khắc vừa độc lập.
- Nếu một biến cố xung khắc được biết là đã xảy ra, thì biến cố còn lại không thể
xảy ra; vì vậy xác suất biến cố còn lại xảy ra là bằng 0; (và vì vậy, chúng không
độc lập).
- Hai biến cố không xung khắc thì có thể độc lập hoặc không độc lập.
XIV. Định lý Bayes
- Chúng ta thường bắt đầu các phân tích xác suất với các xác suất tiên nghiệm
- Sau đó, từ dữ liệu mẫu, từ báo cáo, hay từ kết quả thử nghiệm sản phẩm, chúng ta
có thêm thông tin.
- Với thông tin đã có, chúng ta tính toán cập nhật lại để được các xác suất hậu
nghiệm
- Định lý Bayes cung cấp công thức để cập nhật lại các xác suất tiên nghiệm

VD : Nhưng trung tâm mua sắm mới không thể xây dựng trừ khi có giấy phép từ
chính quyền địa phương. Ủy ban Kế hoạch sẽ trình đề xuất chấp thuận hay bác bỏ
dự án này với chính quyền địa phương.
A1 = chính quyền địa phương chấp thuận dự án
A2 = chính quyền địa phương bác bỏ dự án
Sử dụng phương pháp phán đoán : P(A1) = 0,7, P(A2) = 0,3
- Định lý Bayes: Tiếp cận dạng bảng
 Bước 1
Kẻ một bảng gồm ba cột như sau
Cột 1 - Các biến cố xung khắc ứng với xác suất hậu
nghiệm cần tính.
Cột 2 - Xác suất tiên nghiệm của biến cố
Cột 3 - Xác suất có điều kiện
 Bước 2
Kẻ thêm cột thứ tư
+ Tính xác suất đồng thời của từng biến cố và thông tin mới B bằng cách dùng
quy tắc nhân xác suất.
+ Nhân xác suất tiên nghiệm ở cột 2 với xác suất có điều kiện tương ứng ở cột 3.
Nghĩa là, P(Ai ∩B) = P(Ai) P(B|Ai).
 Bước 3 : Cộng tổng các xác suất đồng thời của cột 4 .Tổng xác suất của thông
tin mới là P(B)
 Bước 4
Kẻ cột thứ 5: Tính các xác suất hậu nghiệm bằng cách dùng mối quan hệ cơ bản
của xác suất có điều kiện.
P (A ∩B)
P(A/B) =
P( B)
Xác suất đồng thời P(Ai I B) ở cột 4 và xác suất P(B) là tổng của cột 4.
 CHƯƠNG V. PHÂN PHỐI XÁC SUẤT CỦA BIẾN NGẪU NHIÊN
RỜI RẠC

I. Biến ngẫu nhiên

1. Khái niệm
- Một biến ngẫu nhiên là cách thức mô tả kết quả của phép thử dưới dạng các con
số.

2. Phân loại
- Biến ngẫu nhiên rời rạc là biến ngẫu nhiên có tập các giá trị mà nó có thể nhận
là một tập hợp hữu hạn hoặc tập vô hạn đếm được.
- Biến ngẫu nhiên liên tục là biến ngẫu nhiên có thể nhận bất kỳ giá trị nào trong
một khoảng hoặc hợp của nhiều khoảng.
 3. Phân Phối Xác Suất của Biến Ngẫu Nhiên Rời Rạc
- Phân phối xác suất của biến ngẫu nhiên cho biết xác suất mà biến ngẫu nhiên
nhận các giá trị có thể nhận của nó.
- Chúng ta có thể mô tả phân phối xác suất của biến ngẫu nhiên rời rạc bằng bảng,
đồ thị hoặc công thức.
- Phân phối xác suất được định nghĩa bằng một hàm xác suất, ký hiệu là f(x), cho
biết xác suất biến ngẫu nhiên nhận một giá trị trong tập giá trị của nó
- Điều kiện:
F(x)≥ 0 ∑ ❑ f ( x )=1
 4. Phân Phối Đều của Biến Ngẫu Nhiên Rời Rạc
- Phân phối đều của biến ngẫu nhiên rời rạc là một điển hình phân phối xác suất của
biến ngẫu nhiên rời rạc được cho bằng công thức
- Công thức:
f(x) = 1/n

xác suất biến ngẫu nhiên nhận các giá trị của nó là như nhau
n = Số giá trị mà biến ngẫu nhiên có thể nhận
 II. Kỳ vọng, phương sai và độ lệch chuẩn
1. Kỳ vọng
- Kỳ vọng, hay trung bình, của biến ngẫu nhiên là thước đo giá trị trung tâm của
biến ngẫu nhiên:

E(x)= μ=∑ xf (x)

- Giá trị kỳ vọng là trung bình có trọng số của các giá trị mà biến ngẫu nhiên có thể
nhận. Trọng số ở đây là các xác suất.
- Giá trị kỳ vọng không cần phải bằng một trong các giá trị mà biến ngẫu nhiên có
thể nhận.
2. Phương sai và độ lệch chuẩn
- Phương sai là đại lượng dùng để đo lường mức độ phân tán của các giá trị của
một biến ngẫu nhiên.

- Phương sai là trung bình có trọng số của bình phương chênh lệch giữa giá trị của
biến ngẫu nhiên với trung bình của nó. Trọng số là các xác suất.
- Độ lệch chuẩn, σ được định nghĩa là căn bậc hai của phương sai
 III. Phân Phối Nhị Thức
- Phân phối nhị thức là một phân phối quan tọng trong các nhóm phân phối xác suất
ngẫu nhiên rời rạc
- Nó sử dụng khi biến ngẫu nhiên rời rạc mà ta quan tâm là số lần thành công trong
n phép thử giống nhau
 Bốn tính chất của phép thử nhị thức
 1. Thí nghiệm là một chuỗi gồm n phép thử giống
nhau.
2. Trong mỗi phép thử chỉ có thể xảy ra 2 kết quả,
thành công hoặc thất bại.
3. Xác suất thành công, kí hiệu là p, không thay đổi
từ phép thử này sang phép thử khác
4. Các phép thử độc lập với nhau.
- Chúng ta quan tâm đến số lần thành công trong n
phép thử. Gọi x là số lần thành công trong n phép thử
 Công thức phân phối nhị thức

n!
: số trường hợp thuận lợi có số lượng x lần thành công trong n phép
x ! ( n−x ) !
thử
px(1-p)(n-x) : xác suất có x thành công trong n phép thử của mỗi trường hợp thuận
lợi
 Xác Suất và Xác Suất Tích Lũycủa Phân Phối Nhị Thức

IV. Phân Phối Poisson

- Một biến ngẫu nhiên có phân phối Poisson thường được dùng để ước lượng số lần
xảy ra một sự kiện trong một khoảng thời gian hay không gian đã đươc ấn định.
- Biến ngẫu nhiên rời rạc có phân phối Poisson có tập giá trị có thể nhận là tập vô
hạn (x = 0, 1, 2, …).
VD :
Số xe mô tô đến tiemj trong một giờ
Số cuộc gọi khẩn cấp trong 20p là 15 cuộc
- Hai tính chất của phép thử Poisson
+ Xác suất xuất hiện sự kiện là như nhau đối với 2 khoảng thời gian hoặc không
gian bằng nhau
+ Việc sự kiện xuất hiện hoặc không xuất hiện trong khoảng thời gian hoặc không
gian nay là độc lập với việc xuất hiện hoặc không xuất hiện trong khoảng thời
gian hoặc không gian khác
- Phân phối Poison được sử dụng để tính một cách xấp xỉ cho phân phối Nhị thức
khi xác suát thành công rất nhỏ trong khi số phép thử n là khá lớn ( n ≥ 100 ¿
- Các đặc trưng của phân phối Posion
Trung bình = Phương sai hay μ= E ( X ) = σ bình phương
- Công thức

Vì không có giới hạn trên cho số lần sự kiện xảy ra, công thức tính xác suất f(x)
áp dụng với x = 0, 1, 2,…
Trong các ứng dụng thực tế, x có thể nhận giá trị đủ lớn sao cho f(x) xấp xỉ bằng 0
và xác suất để x nhận giá trị lớn hơn μ là không đáng kể
VD :
Vào chiều cuối tuần, trung bình trong 1 giờ sẽ có 6 bệnh nhân được chuyển đến
phòng cấp cứu của bệnh viện Mercy.
Vào một chiều cuối tuần, xác suất có 4 bệnh nhân chuyển đến trong vòng 30 phút
là bao nhiêu?
 V. Phân Phối Siêu Bội
- Phân phối siêu bội khá gần với phân phối nhị thức
- Tuy nhiên, đối với phân phối siêu bội: các phép thử không độc lập, và xác suất
của biến cố “thành công” thay đổi từ phép thử này sang phép thử khác.
- Công thức xác suất f(x) áp dụng với x = 0, 1, 2, … n
- Tuy nhiên, x chỉ có thể nhận các giá trị thỏa: 1) x < r và 2) n – x < N – r.
- Nếu giá trị của x không thỏa 2 điều kiện trên, giá trị của f(x) bằng 0.
- Xét phân phối siêu bội với n phép thử và đặt p = (r/n) biểu thị xác suất thành
công ở phép thử đầu tiên.
- Nếu kích thước tổng thể lớn, tỷ số (N – n)/(N – 1) sẽ tiến về 1.
- Kỳ vọng và phương sai có thể viết lại như sau:
E(x) = np và Var(x) = np(1 – p)
- Để ý rằng, đây chính là công thức tính kỳ vọng và phương sai của phân phối nhị
thức.
- Khi kích thước tổng thể lớn, phân phối siêu bội có thể xấp xỉ bằng phân phối nhị
thức có n phép thử và xác suất thành công trong mỗi phép thử là p = (r/N).
 CHƯƠNG VI. CÁC PHÂN PHỐI XÁC SUẤT LIÊN TỤC
Một biến ngẫu nhiên liên tục có thể nhận giá trị bất kỳ trong 1 khoảng trên đường thẳng thực
hoặc trong một số các khoảng
Không cần thiết xác suất để biến ngẫu nhiên liên tục nhận một giá trị cụ thể.
Thay vào đó, cần quan tâm xác suất để biến ngẫu nhiên liên tục nhận giá trị trong một khoảng
cho trước.
Xác suất để biến ngẫu nhiên nhận nhận giá trị trong một khoảng cho trước từ x1 đến x2 được xác
định bởi diện tích giới hạn bởi đồ thị của hàm mật độ xác suất giữa x1 và x2.
I. Phân phối xác suất đều
- Một biến ngẫu nhiên được gọi là có phân phối đều khi xác suất tỷ lệ với chiều dài
của một khoảng xác định.
- Hàm mật độ xác suất đều có dạng:

f (x) = 1/(b – a) với a < x < b

=0 với x khác

Trong đó: a = giá trị nhỏ nhất mà biến NN có thể nhận

b = giá trị lớn nhất mà biến NN có thể nhận
- Giá trị kỳ vọng của x

E(x) = (a + b)/2

- Phương sai của x

Var(x) = (b - a)2/12

VD : Các khách hàng của Slater được tính tiền theo lượng salad mà họ ăn. Khảo sát mẫu cho
rằng lượng salad họ ăn có phân phối đều trong khoảng giữa 5 ounces và 15 ounces.
f(x) = 1/10 với 5 < x < 15
=0 với x khác
x = lượng salad trong đĩa
E(x) = (a + b)/2
= (5 + 15)/2
= 10
Var(x) = (b - a)2/12
= (15 – 5)2/12
= 8,33
*Diện tích là thước đo của xác suất
- Diện tích giới hạn bởi đồ thị của f(x) và xác suất là đồng nhất.
- Điều này đúng cho tất cả biến ngẫu nhiên liên tục.
- Xác suất để x nhận giá trị từ x1 bất kỳ đến x2 bất kỳ có thể được tìm bằng cách tính diện tích
giới hạn bởi đồ thị của f(x) trong khoảng từ x1 đến x2.
II. Phân phối xác suất chuẩn
- Phân phối xác suất chuẩn là phân phối quan trọng nhất để mô tả một biến ngẫu
nhiên liên tục
- Được sử dụng rộng rãi trong suy diễn TK
- Được sử dụng rộng rãi trong các ứng dụng bao gồm: Chiều cao của người, Lượng
mưa, Điểm số, Các đo lường khoa học
- Hàm mật độ xác suất chuẩn:
- Các đặc điểm
+ Phân phối đối xứng; hệ số bất đối xứng của nó bằng 0

+ Họ các phân phối xác suất chuẩn được xác định bởi trung bình μ của nó và độ lệch
chuẩn σ của nó.

+ Điểm cực đại trên đường cong chuẩn nằm tại trung bình, tức là trung bình cũng là
trung vị và mode
+ Trung bình có thể nhận giá trị số bất kỳ: âm, 0,hoặc dương.

+ Độ lệch chuẩn quyết định độ rộng của đường cong:giá trị càng lớn thì đường
cong càng rộng, phẳng.

+ Các xác suất tương ứng của biến ngẫu nhiên có phân phối chuẩn được cho bởi
diện tích giới hạn bởi đường cong. Tổng diện tích được giới hạn bởi đường cong
bằng 1 (0,5 ở bên trái giá trị trung bình và 0,5 ở bên phải).
 - Các đặc điểm (nền tảng cho quy tắc thực nghiệm)
+ 68,26%, giá trị của một biến ngẫu nhiên có phân phối chuẩn nằm trong khoảng
+/- 1 tính từ trung bình của nó.
+ 95,44%, giá trị của một biến ngẫu nhiên có phân phối chuẩn nằm trong khoảng
+/- 2 tính từ trung bình của nó
+ 99,72%, giá trị của một biến ngẫu nhiên có phân phối chuẩn nằm trong khoảng
+/- 3 tính từ trung bình của nó

II. Phân phối xác suất chuẩn chuẩn hóa

- Một biến ngẫu nhiên có phân phối chuẩn với trung bình bằng 0 và độ lệch chuẩn
bằng 1 thì được gọi là có phân phối xác suất chuẩn chuẩn hóa
- Ký hiệu chữ z được dùng để chỉ biến ngẫu nhiên có phân phối chuẩn chuẩn hóa.
- Chuyển đổi về phân phối chuẩn chuẩn hóa
x−μ
Z=
σ
z như là thước đo chỉ số lần độ lệch chuẩn của x tính từ μ
VD : Người ta xác định rằng nhu cầu trong thời gian chờ bổ sung có phân phối
chuẩn với trung bình là 15 gallons và độ lệch chuẩn là 6 gallons.
Người quản lý muốn biết xác suất để xảy ra hết hàng trong thời gian chờ bổ sung.
Nói cách khác, xác suất để nhu cầu trong thời gian chờ bổ sung vượt quá 20
gallons là bao nhiêu?
Bước 1: Đưa x về phân phối chuẩn chuẩn hóa.
z = (x - μ)/s
= (20 - 15)/6
= 0,83
Bước 2: Tính diện tích được giới hạn bởi đường cong chuẩn hóa bên trái của
z = 0,83.
Bước 3: Tính diện tích được giới hạn bởi đường cong chuẩn hóa bên phải
của z = 0,83
P(z > 0,83) = 1 – P(z < 0,83)
= 1- 0,7967
= 0,2033

VD : Nếu người quản lý của Pep Zone muốn xác suất hết hàng trong thời gian chờ
bổ sung không lớn hơn 0,05 thì cần đặt hàng lúc còn bao nhiêu dầu?
Gợi ý: Cho trước một xác suất, ta có thể dùng bảng phân phối chuẩn chuẩn hóa
theo cách ngược lại để tìm giá trị z tương ứng.)
 Bằng cách tăng mức phải đặt hàng lại từ 20gallons lên 25 gallons, xác suất hết
hàng giảm từ khoảng 0,20 xuống còn 0,05
III. Xấp xỉ chuẩn của các xác suất nhị thức
- Khi số phép thử, n, trở nên lớn, thì việc tính toán hàm xác suất nhị thức thủ công
hoặc với một chiếc máy tính bỏ túi sẽ khó khăn.
- Phân phối xác suất chuẩn cung cấp một cách tính xấp dễ dàng cho các xác suất
nhị thức khi np > 5 và n(1 - p) > 5.
- Từ định nghĩa của đường cong chuẩn, đặt
μ = np và σ =√ np(1−p)
- Cộng và trừ một nhân tử điều chỉnh tính liên tục vì một phân phối liên tục được
sử dụng để xấp xỉ cho một phân phối rời rạc.
VD : Ví dụ, P(x = 12) của phân phối xác suất nhị thức rời rạc được xấp xỉ bằng
P(11,5 < x < 12,5) của phân phối chuẩn liên tục.
Giả sử rằng một công ty có lịch sử mắc lỗi là 10% trong các hóa đơn của nó. Một
mẫu gồm 100 hóa đơn được lấy, và ta muốn tính xác suất có 12 hóa đơn mắc lỗi.
Trong trường hợp này, ta muốn tìm xác suất nhị thức của 12 lần xảy ra trong 100
lần thử. Vậy, ta đặt:
m = np = 100(0,1) = 10
σ =√ np(1−p) = [100(0,1)(0,9)] ½ = 3
IV. Phân phối xác suất mũ
- Phân phối xác suất mũ hữu dụng trong việc mô tả thời gian hoàn thành một công
việc
- Biến ngẫu nhiên có phân phối mũ có thể được dùng để miêu tả:
• Thời gian giữa các lần đến của xe cộ ở một trạm thu phí.
• Thời gian cần thiết để hoàn tất một bảng câu hỏi.
• Khoảng cách giữa các ổ gà trên một xa lộ.
- Trong các ứng dụng về xếp hàng, phân phối mũ thường được sử dụng cho các lần
phục vụ.
- Một tính chất của phân phối mũ đó là trung bình và độ lệch chuẩn bằng nhau.
- Phân phối mũ lệch về bên phải. Hệ số bất đối xứng của nó là 2.
- Một tính chất của phân phối mũ đó là trung bình và độ lệch chuẩn bằng nhau.
- Phân phối mũ lệch về bên phải. Hệ số bất đối xứng của nó là 2.
- Hàm mật độ

- Xác suất tích lũy

VD : Thời gian giữa các lần ô tô đến bơm ga dịch vụ trọn gói của Al tuân theo
phân phối xác suất mũ với thời gian trung bình giữa các lần đến là 3 phút. A1
muốn biết xác suất để thời gian giữa hai lần xe đến ít hơn hoặc bằng 2 phút.

- Liên hệ giữa phân phối Poisson và phân phối mũ

Phân phối Poisson cung cấp một sự mô tả phù hợp về số lần xảy ra trong một
khoảng thời gian.
Phân phối mũ cung cấp một sự mô tả về độ dài khoảng thời
gian giữa các lần xảy ra.