Chương 1. Biến cố ngẫu nhiên và xác suất

Phép thử ngẫu nhiên Các định nghĩa xác suất Công thức tính xác suất Công
t Công thức Bernoulli
TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT

KHOA TOÁN KINH TẾ
Chương 1. Biến cố ngẫu nhiên và xác suất
Thành phố Hồ Chí Minh, 2020
1 / 53
Phép thử ngẫu nhiên Các định nghĩa xác suất Công thức tính xác suất Công thức Bernoulli
Nội dung
1 Phép thử ngẫu nhiên
2 Các định nghĩa xác suất
3 Công thức tính xác suất
4 Công thức Bernoulli
2 / 53
1. Phép thử ngẫu nhiên
Phép thử ngẫu nhiên là hành động, thí nghiệm hoặc quá trình dẫn
đến một trong những kết quả có thể xảy ra, không thể đoán trước
được mặc dù biết tập hợp tất cả các kết quả có thể xảy ra.
Ví dụ minh họa
Phép thử: Chọn một sản phẩm ngẫu nhiên trong lô hàng mới sản
xuất, xem có đạt tiêu chuẩn chất lượng hay không?
Tập hợp các kết quả: "đạt" hoặc "không đạt".
3 / 53
Ví dụ minh họa
Phép thử: Chọn ngẫu nhiên một sinh viên Đại học Quốc Gia Thành
Phố Hồ Chí Minh để đánh giá kết quả học tập của sinh viên đó
trong khóa học Lý thuyết xác suất.
Tập hợp các kết quả: "yếu", "trung bình", "khá", "giỏi".
4 / 53
Không gian mẫu

Tập hợp tất cả các kết quả có thể xảy ra khi thực hiện phép thử gọi
là không gian mẫu, ký hiệu là Ω.
Ví dụ minh họa
Trong phép thử "chọn ngẫu nhiên một số nguyên tố bé hơn 10".
Không gian mẫu bao gồm các phần tử Ω = {2, 3, 5, 7}.
5 / 53
Biến cố
Mỗi kết quả của một không gian mẫu được gọi là một biến cố sơ
cấp.
6 / 53
Phân loại các biến cố

Biến cố rỗng: là biến cố không bao giờ xảy ra trong phép
thử, ký hiệu là ∅.
Biến cố chắc chắn: là biến cố luôn luôn xảy ra trong phép
thử.
Biến cố ngẫu nhiên: là biến cố có thể xảy ra hoặc không xảy
ra khi thực hiện một phép thử.
7 / 53

Một số phép toán giữa các biến cố
Giả sử A, B, C và Ai , với i ∈ N là các biến cố từ một phép thử
ngẫu nhiên cho trước.
Biến cố tổng của hai biến cố A và B ký hiệu A ∪ B hay A + B, là
biến cố xảy ra khi có ít nhất một trong hai biến cố A hoặc B xảy ra.
8 / 53

Biến cố tích của hai biến cố A và B ký hiệu A ∩ B hay A.B là biến
cố xảy ra khi A và B đồng thời xảy ra.
9 / 53

Biến cố bù (biến cố đối lập), ký hiệu: A = Ω \ A là biến cố xảy
ra khi và chỉ khi A không xảy ra.
10 / 53

Biến cố hiệu của hai biến cố A và B , ký hiệu A\B: là biến cố xảy
ra khi và chỉ khi A xảy ra và B không xảy ra.
11 / 53

Quan hệ giữa các biến cố
Biến cố xung khắc: Hai biến cố A và B được gọi là xung khắc
nếu hai biến cố này không đồng thời xảy ra, nói cách khác A và
B là xung khắc khi và chỉ khi AB = ∅.
12 / 53
Định nghĩa (Hệ đầy đủ các biến cố)

Hệ các biến cố {Ai , 1 ≤ i ≤ n} được gọi là hệ đầy đủ nếu nó thỏa
mãn hai điều kiện sau:
Các biến cố xung khắc từng đôi một, nghĩa là Ai Aj = ∅ với
1 ≤ i, j ≤ n và i 6= j.
Tổng của các biến cố là biến cố chắc chắn:
A1 + A2 + . . . + An = Ω.
13 / 53
Nhận xét
Hệ A, A là một hệ đầy đủ gồm hai biến cố.
Quy tắc đối ngẫu De Morgan
A + B = A.B
A.B = A + B
14 / 53
Quy tắc đối ngẫu De Morgan mở rộng

n
X n
Y
Ai = Ai
i=1 i=1
n
Y n
X
Ai = Ai
i=1 i=1
15 / 53
16 / 53
2. Các định nghĩa xác suất
Theo quan điểm cổ điển

Số khả năng xảy ra biến cố A là k
Số phần tử của không gian mẫu Ω là n
⇒ Xác suất xảy ra biến cố A là:
k
P(A) =
n
17 / 53

Theo quan điểm cổ điển
Ví dụ minh họa
Xác suất xuất hiện mặt sấp khi tung 1 đồng xu là bao nhiêu?
Giải:
Biến cố xuất hiện mặt sấp A = {S}
Không gian mẫu Ω = {S, N}
Xác suất xuất hiện biến cố A là
1
P(A) =
2
18 / 53
Theo quan điểm thống kê - tần suất
19 / 53
Nguyên lý xác suất nhỏ, xác suất lớn

Nguyên lý xác suất nhỏ: Nếu một biến cố có xác suất rất nhỏ
thì thực tế có thể cho rằng trong một phép thử, biến cố đó sẽ
không xảy ra.
Nguyên lý xác suất lớn: Nếu một biến cố ngẫu nhiên có xác
suất rất lớn (gần bằng 1) thì thực tế có thể cho rằng biến cố
đó chắc chắn xảy ra trong phép thử.
20 / 53
3. Công thức tính xác suất

Công thức cộng xác suất
Cho hai biến cố A, B.

Công thức cộng xác suất được tính theo công thức:
P(A + B) = P(A) + P(B) − P(AB). (1)
21 / 53

Ví dụ minh họa
Bạn An đi chơi ở Suối Tiên thì gặp cửa hàng tiện lợi. Biết xác suất
để bạn ấy mua kem trong cửa hàng là 0.5, xác suất bạn ấy mua
nước suối là 0.4 và xác suất để bạn ấy cả kem và nước suối là 0.1.
Hỏi, xác suất bạn ấy mua ít nhất một trong hai món nước suối và
kem là bao nhiêu?
22 / 53

Đặt N, K lần lượt là biến cố bạn An mua nước suối, kem.

Khi đó ta có P(N) = 0.4, P(K ) = 0.5, P(NK ) = 0.1.
Do đó, xác suất bạn ấy mua ít nhất một trong hai món nước
suối và kem là:
P(N + K ) = P(N) + P(K ) − P(NK ) = 0.4 + 0.5 − 0.1 = 0.8
23 / 53

Khi A và B xung khắc, nghĩa là AB = A ∩ B = ∅ thì công thức

cộng xác suất có dạng:
P(A + B) = P(A) + P(B).
24 / 53

Cho ba biến cố A, B, C . Ta có công thức cộng ba biến cố:
P(A + B + C ) = P(A) + P(B) + P(C )

− P(AB) − P(AC ) − P(BC ) (2)
+ P(ABC ).
25 / 53

Khi A, B và C xung khắc từng đôi, công thức (2) trở thành:
P(A + B + C ) = P(A) + P(B) + P(C ).
26 / 53

Ví dụ minh họa
Người ta phỏng vấn 100 nữ khách hàng thì thấy có 40 người thích
dùng nước hoa loại A, 28 người thích dùng nước hoa loại B, 10
người thích dùng cả 2 loại nước hoa trên. Chọn ngẫu nhiên 1 người
trong số 100 người trên.
a. Tính xác suất để nữ khách hàng đó thích ít nhất một loại nước
hoa.
b. Tính xác suất để nữ khách hàng đó không thích bất cứ một
loại nước hoa nào. 27 / 53

a. Đặt A, B lần lượt là các biến cố chỉ nữ khách hàng được chọn
thích loại nước hoa A, B. Khi đó, biến cố nữ khách hàng được chọn
đó thích ít nhất 1 loại nước hoa chính là A + B. Áp dụng công thức
cộng hai biến cố ta có:
P(A + B) = P(A) + P(B) − P(AB)
40 28 10
= + −
100 100 100
58
=
100 28 / 53

b. Ta có, biến cố nữ khách hàng được chọn không thích bất cứ loại
nước hoa nào là: A + B. Áp dụng định nghĩa biến cố đối lập ta tính
được:
P(A + B) = 1 − P(A + B)
58
=1−
100
42
= .
100
29 / 53

Xác suất có điều kiện - Công thức nhân xác suất
Định nghĩa (Xác suất có điều kiện)

Xác suất của biến cố A với điều kiện biến cố B đã xảy ra
(P(B) > 0), ký hiệu P(A|B) được tính theo công thức:
P(AB)
P(A|B) = .
P(B)
30 / 53

Nhận xét
Tương tự, xác suất của biến cố B với điều kiện biến cố A đã
xảy ra là:
P(BA)
P(B|A) = .
P(A)
31 / 53

Ví dụ minh họa
Một tổ học tập môn Lý thuyết xác suất có 7 nam, 3 nữ. Giáo sư
muốn chọn 2 sinh viên ngẫu nhiên để thực hiện 1 dự án nghiên cứu.
Xác suất để sinh viên thứ hai được chọn là nữ biết rằng sinh viên
đầu tiên được chọn là nữ.
32 / 53

Đặt Fi là biến cố "lần thứ i chọn được sinh viên nữ" (i = 1, 2).
Cách 1
Nếu lần thứ đầu tiên chọn được sinh viên nữ (biến cố F1 đã xảy ra),
tổ học tập lúc này chỉ còn 9 sinh viên, trong đó có 2 sinh viên nữ.
Do đó, xác suất để sinh viên thứ hai được chọn là nữ sau khi chọn
được người đầu tiên là nữ là:
2
P(F2 |F1 ) =
9
33 / 53

Cách 2
Ta có, P(F1 F2 ) là xác suất chọn được cả 2 sinh viên là nữ nên:
C32 1
P(F1 F2 ) = 2 = .
C10 15
Đồng thời, từ giả thiết ta có:

3
P(F1 ) = .
10
34 / 53

Do đó, theo công thức xác suất điều kiện ta có:

1
P(F1 F2 ) 2
P(F2 |F1 ) = = 15 = .
P(F1 ) 3 9
10
35 / 53

Từ Định nghĩa xác suất có điều kiện, ta suy ra được công thức
nhân xác suất dưới đây.
Nhân hai biến cố: Cho 2 biến cố A và B. Khi đó:
P(AB) = P(B)P(A|B) hoặc P(BA) = P(A)P(B|A)
Nhân ba biến cố: Cho 3 biến cố A, B, C . Khi đó:
P(ABC ) = P(A)P(B|A)P(C |AB)
Nhân n biến cố: Cho n biến cố A1 , A2 , · · · , An . Khi đó:
P(A1 A2 · · · An ) = P(A1 )P(A2 |A1 ) · · · P(An |A1 A2 · · · An−1 ) 36 / 53

Ví dụ minh họa
Một tổ học tập môn Lý thuyết xác suất có 7 nam, 3 nữ. Giáo sư
muốn chọn 2 sinh viên ngẫu nhiên để thực hiện 1 dự án nghiên cứu.
Xác suất để 2 sinh viên được chọn đều là nữ.
Đặt Fi là biến cố "lần thứ i chọn được sinh viên nữ" (i = 1, 2).
Nếu lần thứ đầu tiên chọn được sinh viên nữ (biến cố F1 đã
xảy ra) thì tổ học tập lúc này chỉ còn 9 sinh viên, trong đó có
2 sinh viên nữ.
’ 37 / 53

Do đó, xác suất để sinh viên thứ hai được chọn là nữ sau khi
chọn được người đầu tiên là nữ là:
2
P(F2 |F1 ) =
9
Khi đó, xác suất chọn được cả 2 sinh viên là nữ là:
3 2 1
P(F2 F1 ) = P(F1 )P(F2 |F1 ) = × =
10 9 15
38 / 53

Biến cố độc lập
Định nghĩa (Biến cố độc lập)
Hai biến cố A, B được gọi là độc lập nếu:
P(A|B) = P(A) hoặc P(B|A) = P(B)
Nhận xét
Hai biến cố A và B độc lập khi và chỉ khi:
P(AB) = P(A)P(B)
39 / 53

Biến cố độc lập
Ví dụ minh họa
Tung một con xúc xắc sáu mặt, cân đối, đồng chất hai lần riêng
biệt. Đặt A, B lần lượt là biến cố lần thứ nhất, lần thứ hai gieo
được mặt sáu chấm. Khi đó, A và B là hai biến cố độc lập.
40 / 53

Công thức xác suất đầy đủ - Công thức xác suất Bayes
Cho {Ai , 1 ≤ i ≤ n} là một hệ đầy đủ, B là một biến cố tùy ý.

Khi đó ta có công thức xác suất đầy đủ sau:
n
X
P(B) = P(Ai )P(B|Ai ) = P(A1 )P(B|A1 ) + · · · + P(An )P(B|An )
i=1
41 / 53

Ví dụ minh họa
Ở tỉnh A, trong năm 2019, người ta thống kê thấy có 80% người
dân đi khám sức khoẻ định kì, còn 20% còn lại không khám sức
khoẻ định kì. Trong số những người đi khám sức khoẻ định kì, số
người không có vấn đề về sức khoẻ ở năm kế tiếp chiếm 35%, còn
đối với những người không đi khám sức khoẻ định kì, con số này là
5%. Chọn ngẫu nhiên một người ở tỉnh A. Tính xác suất người đó
không có vấn đề về sức khoẻ ở năm kế tiếp?
42 / 53

Đặt A1 là biến cố người được chọn ngẫu nhiên có khám sức khoẻ
định kì, A2 là biến cố người đó không khám sức khoẻ định kì.
Đồng thời, đặt B là biến cố người đó không có vấn đề về sức khoẻ
ở năm kế tiếp.
P(A1 ) = 0.8, P(A2 ) = 0.2, P(B|A1 ) = 0.35, P(B|A2 ) = 0.05
43 / 53

Do A1 , A2 là một hệ đầy đủ, áp dụng công thức xác suất đầy đủ ta
có:
P(B) = P(A1 )P(B|A1 ) + P(A2 )P(B|A2 )

= 0.8 × 0.35 + 0.2 × 0.05
= 0.29
Vậy, xác suất để người đó không có vấn đề về sức khoẻ trong năm
kế tiếp là 0.29.
44 / 53

Định lý (Công thức Bayes)

Cho {Ai , i = 1, n} là một hệ đầy đủ, B là một biến cố tuỳ ý sao
cho P(B) > 0. Khi đó, công thức Bayes được xác định như sau:
P(BAk ) P(Ak )P(B|Ak )

P(Ak |B) = = Pn , k = 1, n
P(B) i=1 P(Ai )P(B|Ai )
45 / 53

Ví dụ minh họa
Trong ví dụ trước, giả sử nếu ta chọn ra ngẫu nhiên một người ở
thành phố đó.
Biết rằng người được chọn không có vấn đề về sức khoẻ trong năm
kế tiếp, hỏi xác suất người đó không đi khám sức khoẻ định kì là
bao nhiêu?
46 / 53

Khi đó, ta cần tính xác suất P(A2 |B).

Áp dụng công thức Bayes ta có:
P(B|A2 )P(A2 ) 0.05 × 0.2
P(A2 |B) = = = 0.0345
P(B) 0.29
47 / 53
4. Công thức Bernoulli
Định nghĩa (Phép thử Bernoulli)

Cho phép thử T trong đó chỉ có hai kết quả có thể xảy ra là biến
cố A xảy ra hoặc không xảy ra.
Phép thử T được gọi là phép thử Bernoulli.
Ví dụ minh họa
Gieo một đồng xu 100 lần, kết quả ở từng lần gieo là sấp hoặc
ngửa (không phải sấp). Do đó, đây là 100 phép thử Bernoulli.
48 / 53

Định nghĩa (Công thức Bernoulli)
Giả sử ta thực hiện phép thử Bernoulli T trong n lần độc lập nhau
và xác suất biến cố A xảy ra trong mỗi lần thử đều là p. Khi đó,
xác suất biến cố A xảy ra đúng k lần trong n lần thử, ký hiệu là
Pn (k), k = 1, n, được tính bởi công thức:
Pn (k, A) = Cnk p k q n−k ,
trong đó q = 1 − p.
Công thức này được gọi là công thức Bernoulli.
49 / 53
Xác suất biến cố A xảy ra từ k1 đến k2 lần trong n lần thực hiện
phép thử Bernoulli, ký hiệu Pn (k1 → k2 , A) bằng công thức sau:
k2
X
Pn (k1 → k2 , A) = Cnk p k q n−k
k=k1
trong đó: q = 1 − p = P(A) và 0 ≤ k1 , k2 ≤ n
50 / 53
Ví dụ minh họa
Một xạ thủ bắn 6 viên đạn vào bia, xác suất trúng hồng tâm của
mỗi viên đạn đều là 0.7.
a. Tìm xác suất có đúng 3 viên trúng hồng tâm?
b. Tìm xác suất có ít nhất 3 viên trúng hồng tâm?
51 / 53

a. Đặt A là biến cố viên đạn trúng hồng tâm, vì mỗi lần bắn độc
lập và đều có xác suất trúng là 0.7 nên áp dụng công thức
Bernoulli ta được:
P6 (3, A) = C63 (0.7)3 (0.3)3 = 0.1852
b. Xác suất để có ít nhất 3 viên đạn trúng hồng tâm là:

6
X
P6 (3 → 6, A) = C6k (0.7)k (0.3)6−k = 0.9295
k=3
52 / 53
53 / 53
Mô tả khái niệm và phân loại đại lượng ngẫu nhiên Phân phối xác suất của đại lượng ngẫu nhiên Các tham số đặc trưng của đại lượng ngẫu nhiên Vector ngẫu

Chương 2. Đại lượng ngẫu nhiên và quy luật

phân phối xác suất

1 / 77
Nội dung
1 Mô tả khái niệm và phân loại đại lượng ngẫu nhiên
2 Phân phối xác suất của đại lượng ngẫu nhiên
3 Các tham số đặc trưng của đại lượng ngẫu nhiên
4 Vector ngẫu nhiên
2 / 77
1. Mô tả khái niệm và phân loại đại lượng ngẫu nhiên

Định nghĩa (Đại lượng ngẫu nhiên)
Một đại lượng ngẫu nhiên là mô tả bằng số các kết quả của một
phép thử ngẫu nhiên.
Đại lượng ngẫu nhiên thường được kí hiệu bằng chữ cái in hoa
như X , Y , Z .
Các giá trị của đại lượng ngẫu nhiên được kí hiệu bằng chữ cái
in thường như x, y , z.
Khi đó, xác suất của đại lượng ngẫu nhiên X bằng giá trị x
được kí hiệu là:
P(X = x)
3 / 77
Phân loại đại lượng ngẫu nhiên

Đại lượng ngẫu nhiên được chia thành hai loại: Đại lượng ngẫu
nhiên rời rạc và đại lượng ngẫu nhiên liên tục, phụ thuộc vào giá trị
mà nó có thể nhận.
Định nghĩa (Đại lượng ngẫu nhiên rời rạc)
Đại lượng ngẫu nhiên được gọi là rời rạc nếu tập hợp các giá trị
mà nó có thể nhận được là một tập hữu hạn hoặc vô hạn đếm
được, chẳng hạn 0, 1, 2,...
4 / 77

Ví dụ minh họa
Xác định các giá trị có thể nhận được của các đại lượng ngẫu nhiên
rời rạc được cho trong bảng sau:
Phép thử Đại lượng ngẫu nhiên (X)
Bắn 3 viên đạn vào mục tiêu Số lần bắn trúng mục tiêu
Kiểm tra chất lượng Số lượng radio kém chất lượng
50 chiếc radio
Mở cửa một nhà hàng Số lượng khách hàng
trong 1 ngày
Bán một chiếc ô tô Giới tính khách hàng
5 / 77
Giá trị có thể nhận được của từng biến ngẫu nhiên trong bảng trên
là:
{ 0, 1, 2, 3}
{0, 1, 2,..., 49, 50}
{0, 1, 2, ...}
0 nếu là nam, 1 nếu là nữ
6 / 77
Định nghĩa (Đại lượng ngẫu nhiên liên tục)

Một đại lượng ngẫu nhiên có thể nhận bất kỳ giá trị nào trong một
khoảng hoặc tập hợp của nhiều khoảng được gọi là đại lượng ngẫu
nhiên liên tục.
7 / 77

Ví dụ minh họa
Xác định các giá trị có thể nhận được của các đại lượng ngẫu nhiên
liên tục được cho trong bảng sau:
Phép thử Đại lượng ngẫu nhiên (X)
Quan sát một ngân hàng Thời gian giao dịch giữa
2 khách hàng (phút)
Rót nước vào một cái can (10 lít) Số lít nước đã rót vào
Xây dựng một thư viện Phần trăm hoàn thành
Đi xe từ SG đến HN (dài 1700km) Khoảng cách đã đi được
8 / 77
Giá trị có thể nhận được của từng biến ngẫu nhiên trong Bảng ??
là:
x ≥0
0 ≤ x ≤ 10
0 ≤ x ≤ 100
0 ≤ x ≤ 1700
9 / 77
2. Phân phối xác suất của đại lượng ngẫu nhiên
Đối với đại lượng ngẫu nhiên rời rạc: Bảng phân phối xác suất.
Đối với đại lượng ngẫu nhiên liên tục: Hàm mật độ xác suất.
Trường hợp dùng cho cả đại lượng ngẫu nhiên rời rạc và liên
tục: hàm phân phối (tích luỹ) xác suất.
10 / 77
Trường hợp rời rạc

Cho X = {x1 , x2 , ..., xn } là một đại lượng ngẫu nhiên rời rạc với xác
suất tương ứng là pi = P(X = xi ), i = 1, n.
Khi đó, bảng phân phối xác suất của X như sau:
X x1 x2 · · · xn
P p1 p2 · · · pn
11 / 77
Đối với bảng phân phối xác suất của đại lượng ngẫu nhiên rời
rạc ta luôn có:
0 ≤ pi ≤ 1
Pn
i=1 pi = 1 (trường hợp đại lượng ngẫu nhiên rời rạc hữu hạn)
P
P(a ≤ X < b) = a≤X <b pi
P
P(a < X < b) = a<X <b pi
12 / 77

Ví dụ minh họa
Gọi X là số môn đậu của một sinh viên trong học kỳ phải thi 5 môn.
Khi đó X = {0, 1, 2, 3, 4, 5}.
Giả sử X có bảng phân phối xác suất như sau:
X 0 1 2 3 4 5
P 0.05 0.15 0.3 0.35 0.15 0
Từ bảng phân phối trên, ta có thể đưa ra một vài nhận xét sau:
P(X = 5) = 0: Sinh viên đó không thể đậu 5 môn
P(X = 3) = 0.35: khả năng sinh viên đó đậu 3 môn là nhiều
nhất 13 / 77
Định nghĩa (Hàm phân phối xác suất)

Hàm số
F (x) = P(X ≤ x), ∀x ∈ R,
được gọi là hàm phân phối xác suất của đại lượng ngẫu nhiên X .
Nhận xét
Hàm phân phối xác suất định nghĩa ở trên tồn tại đối với cả đại
lượng ngẫu nhiên rời rạc và đại lượng ngẫu nhiên liên tục.
14 / 77
Nếu X là đại lượng ngẫu nhiên rời rạc với xác suất tại các giá trị xi
là pi = P(X = xi ) thì:
X X
F (x) = P(X = xi ) = pi ,
xi ≤x i∈I
trong đó, I = {i|xi ≤ x}.
15 / 77
Ví dụ minh họa
Tung hai đồng xu cân đối và đồng chất. Gọi X là số đồng xu xuất
hiện mặt ngửa.
a. Tìm bảng phân phối xác suất của X .
b. Tìm và vẽ đồ thị của hàm phân phối xác suất của X .
16 / 77

a. Đặt A là biến cố tung hai đồng xu cân đối và đồng chất.
Đặt (a, b), a, b ∈ {S, N}, trong đó S tương ứng với mặt sấp, N
tương ứng với mặt ngửa, là kết quả của việc tung 2 đồng xu cân
đối, đồng chất. Khi đó, không gian mẫu của biến cố A là:

(S, S) (S, N)
Ω=
(N, S) (N, N)
Từ đây, ta lập được bảng phân phối xác suất của X :

X 0 1 2
P 0.25 0.5 0.25
17 / 77

b. Từ định nghĩa hàm phân phối xác suất, ta tìm được hàm phân
phối xác suất của X như sau:


 0, ∀x < 0
0.25, ∀0 ≤ x < 1

F (x) =

 0.25 +0.5, ∀1 ≤ x < 2
0.25 +0.5 +0.25, ∀x ≥ 2

hay 

 0, ∀x < 0
0.25, ∀0 ≤ x < 1

F (x) =

0.75, ∀1 ≤ x < 2
1, ∀x ≥ 2

18 / 77
Định nghĩa (Hàm mật độ xác suất của đại lượng ngẫu nhiên liên
tục)
Giả sử X là đại lượng ngẫu nhiên liên tục nhận giá trị trên R.
Hàm mật độ xác suất của đại lượng ngẫu nhiên liên tục X là
hàm số f (x) không âm, xác định với mọi giá trị của đại lượng ngẫu
nhiên X và thoả mãn tính chất:
Z b
P(a < x < b) = f (x)dx, ∀a, b ∈ R, a < b.
a
19 / 77
Như vậy, nếu X là đại lượng ngẫu nhiên liên tục, thì với số c
bất kỳ, ta luôn có P(X = c) = 0.
Từ đó, với hai số thực a, b sao cho a < b ta luôn có:
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b)
20 / 77
Hàm mật độ xác suất của có các tính chất sau:

f (x) ≥ 0, ∀x ∈ R.
R∞
−∞ f (x)dx = 1.
Ngược lại, một hàm số f (x) thoả mãn 2 tính chất trên được gọi là
hàm mật độ xác suất của một biến ngẫu nhiên nào đó.
21 / 77
Ví dụ minh họa
Cho biến ngẫu nhiên liên tục có hàm mật độ xác suất:
2
kx , khi x ∈ [0, 2]
f (x) =
0, khi x ∈
/ [0, 2]
a. Tìm hằng số k.
b. Tính P(0.5 ≤ X ≤ 1).
22 / 77

a. Do f (x) là hàm mật độ nên theo Chú ý ?? ta có:

f R(x) ≥ 0, x ∈ R
∞
−∞ f (x)dx = 1
Do đó, k ≥ 0 và:
Z 2
kx 2 dx = 1
0
8
⇔k =1
3
3
⇔k = .
8 23 / 77
b. Từ kết quả câu a ta tính được:

1
3 2
Z
P(0.5 ≤ X ≤ 1) = x dx = 0.1093.
0.5 8
24 / 77
Định nghĩa (Hàm phân phối xác suất cho đại lượng ngẫu nhiên liên
tục)
Cho X là đại lượng ngẫu nhiên liên tục có hàm mật độ xác suất
f (x).
Khi đó, hàm phân phối xác suất của X được biểu diễn dưới dạng:
Z x
F (x) = f (t)dt
−∞
25 / 77

Tính chất của hàm phân phối (cho cả đại lượng ngẫu nhiên rời
rạc và liên tục):
0 ≤ F (x) ≤ 1,
P(a < x < b) = F (b) − F (a),
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a <
X < b),
F (x) là hàm không giảm, nghĩa là nếu a < b thì F (a) ≤ F (b),
limx→−∞ F (x) = 0 và limx→+∞ F (x) = 1,
f (x) = F 0 (x) tại x là điểm liên tục của f (x).
26 / 77

Ví dụ minh họa
Cho hàm số
2x, khi x ∈ [0, 1]
f (x) =
0, khi x ∈
/ [0, 1]
a. Chứng tỏ f (x) là hàm mật độ xác suất của một đại lượng
ngẫu nhiên X .
b. Tìm hàm phân phối xác suất của X .
1
c. Tính xác suất P(0 < X < ).
2
27 / 77
a. Từ đề bài, ta suy ra f (X ) ≥ 0, ∀x ∈ R. Mặt khác, ta lại có:

Z ∞ Z 1
f (x)dx = 2xdx = 1.
−∞ 0
Do đó, ta có f (x) là hàm mật độ xác suất của một đại lượng ngẫu
nhiên X .
28 / 77

b.
Với x ≤ 0 ta có
Z x Z x
F (x) = f (t)dt = 0dt = 0.
−∞ −∞
Với x ∈ (0, 1) ta có
Z x Z x
F (x) = f (t)dt = 2tdt = x 2 .
−∞ 0
29 / 77

Với x > 1 ta có:
Z x Z 0 Z 1 Z x
F (x) = f (t)dt = 0dt + 2tdt + 0dt = 1.
−∞ −∞ 0 0
Vậy hàm phân phối F (x) của X có dạng:


 0, khi x <0
2
F (x) = x , khi x ∈ [0, 1]
1, khi x ≥1

1
c. P(0 < X < 0.5) = F (0.5) − F (0) = .
4
30 / 77

Ý nghĩa của hàm phân phối xác suất:
Từ định nghĩa của hàm phân phối xác suất F (x) = P(X ≤ x),
ta thấy hàm F (x) phản ánh mức độ tập trung xác suất về phía
bên trái của điểm x.
Giá trị của hàm F (x) cho biết có bao nhiêu phần của một đơn
vị xác suất phân phối trong khoảng (−∞, x).
Hàm F (x) là một hàm không giảm nên đạo hàm f (x) của nó
là một hàm không âm. Về mặt hình học điều này có nghĩa là
đồ thị của hàm f (x) không nằm dưới trục Ox.
Giá trị của hàm F (x) tại điểm a bằng diện tích hình phẳng giới
hạn bởi trục Ox, đường cong y = f (x) và đường thẳng x = a. 31 / 77
3. Các tham số đặc trưng của đại lượng ngẫu nhiên

Kỳ vọng
Định nghĩa (Kỳ vọng cho đại lượng ngẫu nhiên rời rạc)
Giả sử đại lượng ngẫu nhiên rời rạc X có bảng phân phối xác suất
như sau:
X x1 x2 · · · xn
P p1 p2 · · · pn
Khi đó, kỳ vọng của X , ký hiệu là E(X ) được tính bởi công thức:
n
X
E(X ) = xi pi .
i=1 32 / 77

Kỳ vọng
Định nghĩa (Kỳ vọng cho đại lương ngẫu nhiên liên tục)
Cho X là đại lượng ngẫu nhiên liên tục với hàm mật độ f (x). Nếu
Z+∞
xf (x)dx hội tụ tuyệt đối thì giá trị tích phân đó được gọi là kỳ
−∞
vọng của X :
Z+∞
E(X ) = xf (x)dx.
−∞
33 / 77

Kỳ vọng
Tính chất của kỳ vọng:

Kỳ vọng của một đại lượng ngẫu nhiên (liên tục hoặc rời rạc) có
những tính chất sau:
E(c) = c với c là hằng số,
E(cX ) = cE(X ),
E(X + Y ) = E(X ) + E(Y ),
E(XY ) = E(X )E(Y ) nếu X , Y độc lập.
34 / 77

Phương sai
Định nghĩa (Phương sai của đại lượng ngẫu nhiên rời rạc)
Phương sai của đại lượng ngẫu nhiên rời rạc X được biểu diễn
dưới dạng
n
X
Var (X ) = (xi − E(X ))2 pi .
i=1
35 / 77

Phương sai
Định nghĩa (Phương sai của đại lượng ngẫu nhiên liên tục)
Phương sai của đại lượng ngẫu nhiên liên tục X được biểu
diễn dưới dạng:
Z+∞
Var (X ) = (x − E(X ))2 f (x)dx,
−∞
trong đó, f (x) là hàm mật độ xác suất của X .

36 / 77

Phương sai
Định nghĩa (Độ lệch chuẩn của đại lượng ngẫu nhiên)
Độ lệch chuẩn của đại lượng ngẫu nhiên X , ký hiệu là σ(X ), được
tính bởi công thức: p
σ(X ) = Var (X ).
37 / 77

Phương sai
Tính chất của phương sai
Phương sai của một đại lượng ngẫu nhiên (rời rạc hoặc liên tục) có
những tính chất dưới đây:
Var (X ) = E(X 2 ) − [E(X )]2 ,
Var (c) = 0 với c là hằng số,
Var (cX ) = c 2 Var (X ),
Var (X + Y ) = Var (X ) + Var (Y ) nếu X , Y độc lập.
38 / 77

Phương sai
Trong tính toán người ta thường sử dụng công thức sau đây để tính
phương sai của đại lượng ngẫu nhiên rời rạc:
n
X
2 2 2
Var(X) = σ = E(X ) − [E(X )] = xi2 pi − [E(X )]2 .
i=1
39 / 77

Phương sai
Ví dụ minh họa
Cho X là đại lượng ngẫu nhiên rời rạc có bảng phân phối xác suất:
X 1 2 3
P 0.3 0.4 0.3
Tính kỳ vọng và phương sai của X .
40 / 77

Phương sai
Ta có kỳ vọng của X là:
E(X ) = 1 × 0.3 + 2 × 0.4 + 3 × 0.3 = 2,
E(X 2 ) = 12 × 0.3 + 22 × 0.4 + 32 × 0.3 = 4.6,

từ đó suy ra, phương sai của X là:
Var (X ) = E(X 2 ) − [E(X )]2 = 4.6 − 4 = 0.6.
41 / 77

Phương sai
Ví dụ minh họa
Cho đại lượng ngẫu nhiên X có hàm mật độ xác suất:

1, x ∈ [0, 1]
f (x) =
0, x ∈
/ [0, 1],
Tính kỳ vọng và phương sai của X .
42 / 77

Phương sai
R∞ R1
Ta có E(X ) = −∞ xf (x)dx = 0 x × 1dx = 0.5.
Từ đây ta tính được:
Z ∞ Z 1
2 1
Var (X ) = (x − E(X )) f (x)dx = (x − 0.5)2 dx = .
−∞ 0 12
43 / 77

Số yếu vị và trung vị
Định nghĩa (Số yếu vị (Mode))

Số yếu vị (hay Mode) của đại lượng ngẫu nhiên X là giá trị xuất
hiện nhiều nhất trong dữ liệu.
Nếu X rời rạc thì mode là giá trị X có xác suất cực đại.
Nếu X liên tục, thì mode là giá trị X mà tại đó hàm mật độ
xác suất nhận giá trị lớn nhất, ký hiệu là mode(X ).
Đại lượng ngẫu nhiên X có thể có một hay nhiều mode.
44 / 77

Định nghĩa (Trung vị - median)
Trung vị (hay median) của đại lượng ngẫu nhiên X là trị số m
thỏa điều kiện
P(X < m) ≤ 0.5,
và
P(X > m) ≤ 0.5,
được ký hiệu là med(X ).
45 / 77

Ví dụ minh họa
Tính số yếu vị, trung vị của đại lượng ngẫu nhiên X có bảng
phân phối xác suất như sau:
X 1 2 3
P 0.3 0.4 0.3
Theo định nghĩa, ta có thể tính được

mode(X ) = 2, med(X ) = 2
46 / 77

Ví dụ minh họa
Tính trung vị của đại lượng ngẫu nhiên X , biết hàm mật độ xác
suất như sau:
1, x ∈ [0, 1]
f (x) =
0, x ∈/ [0, 1].
47 / 77

Nếu m là trung vị của X , tức là F (m) = 0.5. Từ đây, ta suy ra
được:
Z m
F (m) = 0.5 ⇔ f (x)dx = 0.5
−∞
Z m
⇔ 1dx = 0.5 ⇔ m = 0.5
0
Vậy, trung vị của X là 0.5.

48 / 77
4. Vector ngẫu nhiên

Định nghĩa (Vector ngẫu nhiên)
Tổ hợp của hai hay nhiều đại lượng ngẫu nhiên
X = (X1 , X2 , · · · , Xn ), ∀n ≥ 2 được xét đồng thời được gọi là
vector ngẫu nhiên. Khi đó ta nói, X = (X1 , X2 , · · · , Xn ) là vector
ngẫu nhiên n chiều.
Phân loại vector ngẫu nhiên
Vector ngẫu nhiên n chiều X = (X1 , X2 , · · · , Xn ) là liên tục hay
rời rạc nếu tất cả các biến ngẫu nhiên thành phần X1 , X2 , · · · , Xn
là liên tục hay rời rạc.
Trong chương này chỉ xét vector ngẫu nhiên hai chiều rời rạc.
49 / 77

Bảng phân phối xác suất đồng thời
Định nghĩa (Xác suất đồng thời của hai đại lượng ngẫu nhiên)
Xác suất xảy ra đồng thời hai biến cố X = xi và Y = yj được
gọi là xác suất đồng thời, ký hiệu là:
pij = P[(X = xi )(Y = yj )] = P(X = xi ; Y = yj ).
50 / 77

Định nghĩa (Bảng phân phối xác suất đồng thời)

Bảng phân phối xác suất đồng thời của vector ngẫu nhiên hai chiều
rời rạc (X , Y ), trong đó X , Y lần lượt là các đại lượng ngẫu nhiên
nhận các giá trị {x1 , x2 , · · · , xn } và {y1 , y2 , · · · , ym }, trong đó
x1 < x2 < · · · < xn ; y1 < y2 < · · · < ym ,
được biểu diễn dưới dạng sau đây:

51 / 77

Định nghĩa (Bảng phân phối xác suất đồng thời (tiếp))
XrY y1 y2 ··· ym P(X ) = xi
x1 p11 p12 ··· p1m p1∗
x2 p21 p22 ··· p2m p2∗
.. .. .. .. .. ..
. . . . . .
xn pn1 pn2 ··· pnm pn∗
P(Y = yj ) p∗ 1 p∗ 2 ··· p∗ m 1
52 / 77

Ví dụ minh họa
Giả sử, đại lượng ngẫu nhiên X , Y có bảng phân phối xác suất
đồng thời như sau:
XrY 1 2 3 4 P(X = xi )
1 0.1 0 0.1 0 0.2
2 0.3 0 0.1 0.2 0.6
3 0 0.2 0 0 0.2
P(Y = yj ) 0.4 0.2 0.2 0.2 1
53 / 77

Lựa chọn ngẫu nhiên một hộ gia đình tham gia khảo sát. Tính xác
suất gia đình đó có đúng 2 chiếc xe máy và 3 chiếc
smartphone?
Ta có, xác suất để gia đình đó có đúng 2 chiếc xe máy và 3 chiếc
smartphone là:
P(X = 2; Y = 3) = p23 = 0.1
54 / 77

Phân phối xác suất biên của đại lượng ngẫu nhiên
thành phần
Định nghĩa (Xác suất biên)
Xác suất của các đại lượng ngẫu nhiên thành phần, được gọi là xác
suất biên: P
P(X = xi ) = m
Pm
P(X = x i ; Y = y j ) = pij = pi ∗ ,
Pj=1
n Pj=1
n
P(Y = yj ) = i=1 P(X = xi ; Y = yj ) = i=1 pij = p∗ j
Hai đại lượng ngẫu nhiên X , Y được gọi là độc lập với nhau nếu:
P(X = xi ; Y = yj ) = P(X = xi )P(Y = yj ), ∀i, j 55 / 77

thành phần
Ví dụ minh họa
Giả sử có bảng phân phối xác suất đồng thời như sau:
XrY 1 2 3 4 P(X ) = xi
1 0.1 0 0.1 0 0.2
2 0.3 0 0.1 0.2 0.6
3 0 0.2 0 0 0.2
P(Y = yj ) 0.4 0.2 0.2 0.2 1
56 / 77

thành phần
Ví dụ minh họa
a. Lập bảng phân phối xác suất của X .
b. Lập bảng phân phối xác suất của Y .
c. Hai đại lượng X và Y có độc lập với nhau hay không? Vì sao?
57 / 77

thành phần
a. Bảng phân phối xác suất của X
X 1 2 3
P 0.2 0.6 0.2
b. Bảng phân phối xác suất của Y
Y 1 2 3 4
P 0.4 0.2 0.2 0.2
58 / 77

thành phần
c. Từ bảng phân phối xác suất đồng thời ta có:
P(X = 1; Y = 3) = 0.1, P(X = 1)P(Y = 3) = 0.2 × 0.2 = 0.04
Do đó, hai đại lượng ngẫu nhiên X , Y không độc lập, vì

P(X = 1; Y = 3) 6= P(X = 1)P(Y = 3)
59 / 77

Phân phối xác suất có điều kiện
Định nghĩa (Phân phối xác suất có điều kiện)
Giả sử (X , Y ) là một vector ngẫu nhiên hai chiều rời rạc.
Khi đó, xác suất có điều kiện được xác định như sau:
P(X = xi ; Y = yj ) pij
P(X = xi |Y = yj ) = = ,
P(Y = yj ) p∗ j
P(X = xi ; Y = yj ) pij
P(Y = yj |X = xi ) = = .
P(X = xi ) pi ∗
60 / 77

Bảng phân phối xác suất có điều kiện được biểu diễn dưới
dạng:
(X |Y = yj ) x1 x2 ··· xn
p1j p2j pnj
P ···
p∗ j p∗ j p∗ j
(Y |X = xi ) y1 y2 · · · ym
pi1 pi2 pim
P ···
pi ∗ pi ∗ pi ∗
61 / 77

Ví dụ minh họa
Cho bảng phân phối xác suất đồng thời của vector ngẫu nhiên hai
chiều (X , Y ) như sau:
X rY 1 2 3 4 P(X ) = xi
1 0.1 0 0.1 0 0.2
2 0.3 0 0.1 0.2 0.6
3 0 0.2 0 0 0.2
P(Y = yj ) 0.4 0.2 0.2 0.2 1
62 / 77

Ví dụ minh họa
Lập bảng phân phối xác suất của X với điều kiện Y = 1.
Lập bảng phân phối xác suất của Y với điều kiện X = 2.
63 / 77

a. Từ bảng phân phối xác suất đồng thời của vector ngẫu nhiên hai
chiều (X , Y ) ở trên, ta suy ra bảng phân phối xác suất của X với
điều kiện Y = 1 dưới đây:
X 1 2 3
0.1 0.3 0
P(X |Y = 1) = 0.25 = 0.75 =0
0.4 0.4 0.4
64 / 77

b. Từ bảng phân phối xác suất đồng thời của vector ngẫu nhiên hai
chiều (X , Y ) ở trên, ta suy ra bảng phân phối xác suất của Y với
điều kiện X = 2 dưới đây:
Y 1 2 3 4
0.3 0 0.1 0.2
P(Y |X = 2) = 0.5 =0 ≈ 0.17 ≈ 0.33
0.6 0.6 0.6 0.6
65 / 77

Các tham số đặc trưng của đại lượng ngẫu nhiên hai
chiều
Kỳ vọng:
n X
X m m X
X n
E(X ) = xi pij , E(Y ) = yj pij
i=1 j=1 j=1 i=1
m X
X n
E(XY ) = xi yj pij .
j=1 i=1
66 / 77

chiều
Hiệp phương sai
Định nghĩa (Hiệp phương sai)
Hiệp phương sai (hay Covariance) của vector ngẫu nhiên
(X , Y ) được định nghĩa như sau:
Cov (X , Y ) = E[(X − E(X ))(Y − E(Y ))]

= E(XY ) − E(X )E(Y )
67 / 77

chiều
Nếu X , Y là hai đại lượng ngẫu nhiên độc lập thì
E(XY ) = E(X ) × E(Y ), do đó Cov (X , Y ) = 0. Khi đó ta nói
X và Y không tương quan.
Nếu Cov (X , Y ) 6= 0 thì X và Y tương quan. Khi đó X , Y là
hai đại lượng ngẫu nhiên không độc lập.
Nếu X = Y thì
Cov (X , X ) = Cov (Y , Y ) = E(X 2 )−[E(X )]2 = Var (X ) = Var (Y ).
68 / 77

chiều
Định nghĩa (Ma trận hiệp phương sai)

Ma trận tương quan hay còn gọi là ma trận hiệp phương sai
được biểu diễn dưới dạng

Cov (X , X ) Cov (X , Y ) Var (X ) Cov (X , Y )
Var (X , Y ) = =
Cov (Y , X ) Cov (Y , Y ) Cov (Y , X ) Var (Y )
69 / 77

chiều
Định nghĩa (Hệ số tương quan)

Hệ số tương quan giữa X và Y là RXY , được tính bởi công thức:
Cov (X , Y ) E(XY ) − E(X )E(Y )
RXY = p =
Var (X )Var (Y ) σ(X )σ(Y )
70 / 77

chiều
Tính chất của hệ số tương quan:
|RXY | ≤ 1
|RXY | = 1 khi và chỉ khi X và Y phụ thuộc tuyến tính. Nếu
RXY = 1 ta nói X và Y có quan hệ tuyến tính với hệ số dương
và ngược lại.
Nếu X và Y độc lập với nhau thì RXY = 0. Tuy nhiên, nếu
RXY = 0 thì chưa chắc X và Y đã độc lập, mà ta chỉ có thể
nói chúng không tương quan với nhau.
71 / 77

chiều
Ví dụ minh họa
Hãy tính các đặc trưng của vector Z = (X , Y ), biết bảng phân phối
xác suất của X và Y như sau:
X rY 1 2 3 P(X = xi )
2 0.10 0.30 0.15 0.55
4 0.15 0.25 0.05 0.45
P(Y = yj ) 0.25 0.55 0.20 1
72 / 77

chiều
a. Kỳ vọng:
E (X ) = 2 × 0.55 + 4 × 0.45 = 2.9;
E (Y ) = 1 × 0.25 + 2 × 0.55 + 3 × 0.20 = 1.95;
E (XY ) = 2 × 1 × 0.1 + 2 × 2 × 0.3 + 2 × 3 × 0.15
4 × 1 × 0.15 + 4 × 2 × 0.25 + 4 × 3 × 0.05 = 5.5.
Vậy E (Z ) = (2.9; 1.95).
73 / 77

chiều
b. Phương sai:
E (X 2 ) = 22 × 0.55 + 42 × 0.45 = 9.4;
E (Y 2 ) = 12 × 0.25 + 22 × 0.55 + 32 × 0.2 = 4.25.
Suy ra:
Var (X ) = 9.4 − 2.92 = 0.99;
Var (Y ) = 4.25 − 1.952 = 0.4475.

74 / 77

chiều
c. Hiệp phương sai:
Cov (X , Y ) = 5.5 − 2.9 × 1.95 = −0.155.

d. Hệ số tương quan:
Cov (X , Y ) −0.155
RXY = p =√ ≈ −0.233.
Var(X)Var(Y) 0.99 × 0.4475
75 / 77

chiều
e. Ma trận hiệp phương sai:

Cov (X , X ) Cov (X , Y ) 0.99 −0.155
Var (X , Y ) = = .
Cov (Y , X ) Cov (Y , Y ) −0.155 0.4475
76 / 77
77 / 77
Các quy luật phân phối của đại lượng ngẫu nhiên rời rạc Các quy luật phân phối của đại lượng ngẫu nhiên liên tục Xấp xỉ giữa các phân phối

Chương 3. Các quy luật phân phối xác suất

thông dụng

1 / 77
Nội dung
1 Các quy luật phân phối của đại lượng ngẫu nhiên rời rạc
2 Các quy luật phân phối của đại lượng ngẫu nhiên liên tục
3 Xấp xỉ giữa các phân phối
2 / 77
1. Các quy luật phân phối của đại lượng ngẫu nhiên
rời rạc
Phân phối Bernoulli (Phân phối không - một)
Định nghĩa (Phân phối Bernoulli)

Trong phép thử Bernoulli, đặt X là đại lượng ngẫu nhiên rời rạc,
trong đó X = 1 nếu biến cố A xảy ra, X = 0 nếu biến cố A không
xảy ra.
Khi đó ta nói X có phân phối Bernoulli (hay X có phân phối
không – một) với xác suất p, ký hiệu X ∼ B(1, p).
3 / 77
rời rạc
Nếu X ∼ B(1, p) thì P(X = 1) = p; P(X = 0) = q.
Do đó, bảng phân phối xác suất của X là:
X 0 1
P q p
trong đó, q = P(A) = 1 − p.
Các tham số đặc trưng của phân phối Bernoulli:
E(X ) = p, Var (X ) = pq.
4 / 77
rời rạc
Ví dụ minh họa
Xét phép thử là "Một sinh viên mới tốt nghiệp tham gia phỏng vấn
xin việc." Giả sử biến cố "sinh viên đó được nhận vào làm việc" có
xác suất xảy ra là 0.8. Gọi đại lượng ngẫu nhiên X là kết quả của
cuộc phỏng vấn, trong đó X = 1 nếu sinh viên đó được nhận làm
việc, ngược lại X = 0 nếu sinh viên đó không được nhận làm việc.
Khi đó, X ∼ B(1, 0.8).
5 / 77
rời rạc
Bảng phân phối xác suất của X là:

X 0 1
P 0.2 0.8
Ta có thể tính được trung bình của biến ngẫu nhiên X :

E(X ) = 0.8, và phương sai Var(X ) = 0.16.
6 / 77
rời rạc
Phân phối nhị thức
Định nghĩa (Phân phối nhị thức)

Cho A là một biến cố có thể xảy ra trong phép thử Bernoulli, và
P(A) = p. Thực hiện phép thử này n lần. Gọi X là số lần xuất hiện
biến cố A trong n phép thử đó, khi đó X là một đại lượng ngẫu
nhiên lấy giá trị trong tập {0, 1, 2, · · · , n}.
Bảng phân phối xác suất của X được biểu diễn dưới dạng:
7 / 77
rời rạc
Định nghĩa (Phân phối nhị thức (tiếp))
X 0 1 2 ··· n
P p0 p1 p2 · · · pn
trong đó, Pn (k) = pk = Cnk p k q n−k , với q = 1 − p, k = 0, n.

Ta nói X có phân phối nhị thức và ký hiệu: X ∼ B(n, p).
Các tham số đặc trưng của B(n, p): E(X ) = np, Var (X ) = npq
8 / 77
rời rạc
Ví dụ minh họa
Tung một đồng xu đồng chất 10 lần. Mỗi phép thử có thể cho kết
quả là sấp hoặc ngửa. Nếu chúng ta đặt cược vào sấp, chúng ta sẽ
gắn nhãn "sấp" là thành công. Nếu đồng xu công bằng, xác suất
mặt sấp là 50%, tức là, p = 0.5. Cuối cùng, chúng ta chú ý rằng
các phép thử là độc lập bởi vì kết quả của một lần tung đồng xu
không ảnh hưởng đến kết quả của những lần tung khác. Số lần
thành công có phân phối nhị thức. 9 / 77
rời rạc
Ví dụ minh họa
Một nhân viên tư vấn bảo hiểm mỗi ngày tư vấn cho 5 khách hàng
với xác suất để ký được 1 hợp đồng với mỗi người là 0.3. Với mỗi
một hợp đồng nhận được thì người đó được hưởng hoa hồng là 200
000 đồng. Nếu mỗi tháng người đó tư vấn 20 ngày thì hoa hồng
trung bình mỗi tháng nhân viên đó nhận là bao nhiêu?
10 / 77
rời rạc
Một tháng nhân viên đó tư vấn được 20 × 5 = 100 khách hàng. Gọi
X là số hợp đồng nhân viên đó ký được từ 100 khách hàng được tư
vấn. Khi đó ta có, X ∼ B(100, 0.3)
Số hợp đồng trung bình người đó ký được trong một tháng là:
E(X ) = 100 × 0.3 = 30
Vậy số tiền hoa hồng người đó có thể được hưởng trong 1 tháng là
200000 × 30 = 6000000 (đồng).
11 / 77
rời rạc
Phân phối siêu bội
Định nghĩa (Phân phối siêu bội)
Cho một tập hợp gồm N phần tử, trong đó có m phần tử mang
tính chất T . Lấy ra n phần tử từ tập hợp đó.
Gọi X là số phần tử mang tính chất T trong n phần tử lấy được,
khi đó X là một đại lượng ngẫu nhiên nhận giá trị trong tập
{0, 1, 2, · · · , min{m, n}}. Phân phối xác suất của X được gọi là
phân phối siêu bội, ký hiệu X ∼ H(N, m, n).
12 / 77
rời rạc
Định nghĩa (Phân phối siêu bội)
Bảng phân phối xác suất của X được biểu diễn dưới dạng :
X 0 1 ··· k ··· min(m, n)
P p0 p1 · · · pk · · · pmin(m,n)
n−k
Cmk CN−m
trong đó: P(X = k) = pk = , với 0 ≤ k ≤ min{m, n}
CNn 13 / 77
rời rạc
Các tham số đặc trưng của phân phối siêu bội:
N −n
E(X ) = np; Var (X ) = npq
N −1
với
m
p= ; q = 1 − p.
N
14 / 77
rời rạc
Ví dụ minh họa
Bóng đèn được xản suất ở công ty Y được đóng gói theo hộp, mỗi
hộp có 12 bóng đèn. Nhân viên chọn ngẫu nhiên 3 trong số 12
bóng đèn thuộc một hộp để kiểm tra.
Giả sử hộp ấy có chứa 5 bóng đèn bị hư, tính xác suất để nhân viên
đó lấy được 1 bóng đèn hư trong 3 bóng đèn được lấy?
15 / 77
rời rạc
Đặt X là số bóng đèn bị hư nhân viên đó lấy được trong 3 bóng

đèn. Khi đó, X tuân theo Ta cần tìm P(X = 1). Ta có:
3−1
C51 C12−5 C51 C72
P(X = 1) = 3 = 3 = 0.4773
C12 C12
16 / 77
rời rạc
Ví dụ minh họa
Từ một hộp đựng 15 quả cam, trong đó có 5 quả hư, lấy ra 3 quả.
Gọi X là số quả hư trong 3 quả lấy được. Hãy tính:
Xác suất 3 quả đều hư
Các tham số đặc trưng
17 / 77
rời rạc
Ta có X ∼ H(15, 5, 3).
Xác suất 3 quả đều hư là:
C53 C1 00
P(X = 3) = ≈ 0.022.
C1 53
Ngoài ra, trung bình (kỳ vọng) và phương sai của X là:

3.5 3.5 1 15 − 3 4
E (X ) = = 1 và Var (X ) = 1− = .
15 15 15 15 − 1 7
18 / 77
rời rạc
Phân phối Poisson
Định nghĩa (Phân phối Poisson)
Gọi X là đại lượng ngẫu nhiên rời rạc X tuân theo phân phối
Poisson, kí hiệu X ∼ P(λ), nếu thoả mãn:
Đối với hai khoảng bất kỳ có độ dài bằng nhau thì xác suất
xảy ra bằng nhau.
Việc xuất hiên hoặc không xuất hiện trong khoảng này thì độc
lập với việc xuất hiện hoặc không xuất hiện trong khoảng khác.
19 / 77
rời rạc
Định nghĩa (Phân phối Poisson (tiếp))

X 0 1 ··· k ···
P p0 p1 · · · pk · · ·
λk e −λ
trong đó, P(X = k) = pk = với k = 0, 1, 2, ...
k!
20 / 77
rời rạc
Các tham số đặc trưng của phân phối Poisson P(λ):
E(X ) = Var (X ) = λ
21 / 77
rời rạc
Ví dụ minh họa
Một tổng đài điện thoại tiếp nhận trung bình 5 cuộc điện thoại mỗi
3 phút. Tìm xác suất không có cuộc điện thoại nào đến trong phút
kế tiếp.
22 / 77
rời rạc
5
Gọi X là số cuộc gọi trong 1 phút, khi đó X ∼ P(λ), với λ = .
3
Do đó, xác suất không có cuộc điện thoại nào đến trong phút kế
tiếp là:
0 5
5 −
e 3
3
P(X = 0) = ≈ 0.189
0!
23 / 77
rời rạc
Ví dụ minh họa
Một nhà thống kê đã quan sát thấy rằng số lỗi đánh máy của sách
giáo khoa thay đổi đáng kể từ sách này sang sách khác. Sau vài
phân tích, anh kết luận rằng số lỗi là Poisson được phân phối với
giá trị trung bình là 1.5 trên 100 trang. Biết quyển sách có tất cả
400 trang.
24 / 77
rời rạc
Ví dụ minh họa
a. Chọn ngẫu nhiên 100 trang, tính xác suất để không có lỗi chính
tả?
b. Xác suất để quyển sách không có lỗi chính tả là bao nhiêu?
c. Xác suất để quyển sách có nhiều nhất 5 lỗi chính tả là gì?
25 / 77
rời rạc
a. Chúng ta muốn xác định xác suất đại lượng ngẫu nhiên có phân
phối Poisson với giá trị trung bình là 1.5 bằng 0. Sử dụng công
thức xác suất thành phần với x = 0, µ = 1.5, ta có:
e −1.5 1.50
P(0) = = 0.2231.
0!
Xác suất trong 100 trang được chọn không có lỗi là 0.2231.
26 / 77
rời rạc
b.Vì giá trị trung bình được chỉ định là 1.5 lỗi trên 100 trang,
chúng ta nhân con số này với 4 để chuyển đổi thành giá trị trung
bình trên 400 trang.
Như vậy, số lỗi chính tả trung bình trên 400 trang là µ = 6.
Xác suất để quyển sách không có lỗi chính tả là:
e −6 60
P(0) = = 0.002479.
0!
27 / 77
rời rạc
c. Xác suất để quyển sách có nhiều nhất 5 lỗi chính tả là:
P(X ≤ 5) = P(0) + P(1) + P(2) + P(3) + P(4) + P(5)
Vậy:
P(X ≤ 5) = 0.4457.
Xác suất để có nhiều nhất 5 lỗi chính tả trong cuốn sách này là
0.4457.
28 / 77
liên tục
Phân phối đều
Định nghĩa (Phân phối đều)
Phân phối đều là một phân phối mà xác suất xảy ra như nhau cho
mọi kết cục của đại lượng ngẫu nhiên liên tục.
Hàm mật độ xác suất của phân phối đều liên tục trên đoạn [a, b]
có dạng: 
 1
nếu x ∈ [a, b]
f (x) = b − a
 0 nếu x ∈/ [a, b] 29 / 77
liên tục
Phân phối đều
Cho X là đại lượng ngẫu nhiên tuân theo phân phối đều liên tục
trên khoảng [a, b]. Khi đó các tham số đặc trưng của phân phối
đều:
a+b (b − a)2
E(X ) = , Var(X ) =
2 12
30 / 77
liên tục
Phân phối đều
Ví dụ minh họa
Lượng xăng/dầu bán ra hàng ngày tại một cửa hàng xăng dầu ở
Thủ Đức tuân theo phân phối đều liên tục trong khoảng
[2000, 5000] (lít).
a. Tìm xác suất cửa hàng đó bán được từ 2500 đến 3000 lít
xăng/dầu?
b. Xác suất mà cửa hàng đó bán ít nhất 4000 lít một ngày là bao
nhiêu? 31 / 77
liên tục
Phân phối đều
Đặt X là đại lượng ngẫu nhiên chỉ số lít xăng/dầu cửa hàng đó bán
được trong một ngày. Khi đó, X có phân phối đều liên tục trên
khoảng [2000, 5000]. Hàm mật độ xác suất của X như sau:

1 1
= nếu x ∈ [2000, 5000]

f (x) = 5000 − 2000 3000
 0 nếu x ∈
/ [2000, 5000]
32 / 77
liên tục
Phân phối đều
a. Xác suất cửa hàng đó bán được từ 2500 đến 3000 lít xăng/dầu
là:
1 1
P(2500 ≤ X ≤ 3000) = (3000 − 2500)=
3000 6
b. Xác suất mà cửa hàng đó bán ít nhất 4000 lít một ngày là
1 1
P(4000 ≤ X ) = (5000 − 4000) =
3000 3
33 / 77
liên tục
Phân phối chuẩn
Định nghĩa (Phân phối chuẩn)
Đại lượng ngẫu nhiên liên tục X được gọi là tuân theo phân phối
chuẩn ứng với kỳ vọng µ, độ lệch chuẩn σ với hàm mật độ xác
suất có dạng, ký hiệu X ∼ N(µ, σ 2 ):
1 − (x−µ)
2
f (x) = √ e 2σ , 2
∀σ > 0, x ∈ R.
σ 2π
34 / 77
liên tục
Phân phối chuẩn
Nếu X ∼ N(µ, σ 2 ) thì:
X −µ
∼ N(0, 1),
σ
X + c ∼ N(µ + c, σ 2 ), cX ∼ N(cµ, (cσ)2 ).
P(|X < µ| < kσ) = 2Φ(k) − 1, trong đó Φ(k) là hàm phân
phối chuẩn tắc.
Nếu Y ∼ (λ, τ 2 ), và Y độc lập với X thì:
Y + X ∼ N(λ + µ, τ 2 + σ 2 ).
35 / 77
liên tục
Phân phối chuẩn tắc
Phân phối chuẩn trong trường hợp µ = 0, σ = 1 được gọi là phân
phối chuẩn tắc.
Một đại lượng ngẫu nhiên liên tục X có phân phối chuẩn tắc
được ký hiệu là X ∼ N(0, 1).
Khi đó, hàm mật độ xác suất (còn được gọi là hàm mật độ Gauss)
được xác định bởi:
1 x2
f (x) = √ e − 2 , ∀x ∈ R.
2π 36 / 77
liên tục
Định nghĩa (Hàm phân phối chuẩn tắc - Hàm phân phối Gauss)
Z x
1 −t 2
Φ(x) = √ e − 2 dt, ∀x ∈ R.
2π −∞
Định nghĩa (Hàm tích phân Laplace)

Z x
1 −t 2
ϕ(x) = √ e − 2 dt, ∀x > 0.
2π 0
37 / 77
liên tục
Tính chất của hàm Φ(x):
0 ≤ Φ(x) ≤ 1
Φ(x) là hàm liên tục, không giảm theo x
Φ(−∞) = 0, Φ(∞) = 1
dΦ(x)
= f (x)
dx
Φ(−x) = 1 − Φ(x)
1
Φ(x) = + ϕ(x).
2 38 / 77
liên tục
X −µ
Giả sử X ∼ N(µ, σ 2 ), sử dụng phép biến đổi Z = . Khi đó,
σ
Z ∼ N(0, 1).

a−µ X −µ b−µ
P(a < X < b) = P < <
σ σ σ

b−µ a−µ
=Φ −Φ
σ σ
39 / 77
liên tục
Ví dụ minh họa
Nhu cầu tiêu thụ xăng/dầu ở một đại lý xăng/dầu tuân theo phân
phối chuẩn với kỳ vọng 1000 lít và độ lệch chuẩn là 100 lít mỗi
ngày.
Ở trong kho của đại lý đó có đúng 1100 lít xăng để bán mỗi ngày.
Hỏi đại lý xăng/dầu đó đáp ứng được bao nhiêu phần trăm nhu cầu
xăng/dầu nơi đó trong một ngày?
40 / 77
liên tục
Đặt X là đại lượng ngẫu nhiên chỉ số lít xăng/dầu bán ra mỗi ngày
ở đại lý đó
X ∼ N(1000, 100)
Từ đó, áp dụng công thức ta tính được:

X − 1000 1100 − 1000
P(X ≤ 1100) = P ≤
100 100

1100 − 1000
=Φ = Φ (1) = 0.9778
100 41 / 77
liên tục
Ví dụ minh họa
Hãy xem xét một khoản đầu tư trả về lợi nhuận là phân phối chuẩn
với giá trị kỳ vọng là 10% và độ lệch chuẩn là 5%.
a. Xác định xác suất bị lỗ.
b. Tìm xác suất bị lỗ khi độ lệch chuẩn bằng 10%.
42 / 77
liên tục
a. Đặt X là số tiền lợi nhuận thu được từ khoản đầu tư đó. Đầu tư
mất tiền khi lợi nhuận âm P(X < 0).
Áp dụng công thức ta có

X − 10 0 − 10
P(X < 0) = P <
5 5
= P(Z < −2) = Φ(−2) = 0.0228
Vậy xác suất đầu tư thua lỗ là 0.0228.
43 / 77
liên tục
b. Nếu chúng ta tăng độ lệch chuẩn lên 10%, xác suất bị lỗ khi ấy
trở thành

X − 10 0 − 10
P(X < 0) = P <
10 10
= P(Z < −1) = Φ(−1) = 0.1587
Như vậy, việc tăng độ lệch chuẩn sẽ làm tăng khả năng thua lỗ.
44 / 77
liên tục
Phân phối Student
Định nghĩa (Phân phối Student)
Đại lượng ngẫu nhiên liên tục X được gọi là cóphân phối Student
(hay phân phối t) với bậc tự do n, ký hiệu là X ∼ t(n), với có
hàm mật độ xác suất:
n+1
2 − 2
Γ n+1

x
f (x) = 2
n √ 1+ .
Γ 2 nπ n
45 / 77
liên tục
Trong đó hàm Gamma:
Z ∞
Γ(u) = e −x x u−1 dx
0
Hàm Gamma có những tính chất sau:

Γ(1) = 1√
Γ( 12 ) = π
Γ(u + 1) = uΓ(u).
46 / 77
liên tục
Tính chất của phân phối Student

Cho X là đại lượng ngẫu nhiên liên tục có phân phối Student với
bậc tự do n. Khi đó:
E(X ) = 0, ∀n > 1
n
Var(X ) = , ∀n > 2
n−2
47 / 77
liên tục
Phân phối Chi bình phương
Định nghĩa (Phân phối Chi bình phương χ2 )
Đại lượng ngẫu nhiên liên tục X được gọi là có phân phối Chi
bình phương với bậc tự do n, ký hiệu là X ∼ χ2 (n) với hàm mật
độ xác suất:  n −1 −x
 x 2 e 2
nếu x ≥ 0
f (x) = Γ n2 2 n2

0 nếu x < 0
48 / 77
liên tục
Hình: Hàm mật độ xác suất phân phối Chi bình phương
49 / 77
liên tục
Ta thấy, với bậc tự do càng lớn, phân phối Chi bình phương càng
gần với phân phối chuẩn.
50 / 77
liên tục
Kỳ vọng và phương sai của phân phối Chi bình phương là:
E(X ) = n, Var(X ) = 2n
với n là bậc tự do của đại lượng ngẫu nhiên X .
51 / 77
liên tục
Nếu X ∼ N(0, 1) thì X 2 ∼ χ2 (1)

Nếu Xi ∼ χ2 (1), ∀i = 1, n, đồng thời chúng độc lập về xác
suất thì ni=1 Xi ∼ χ2 (n).
P
52 / 77
liên tục
Giả sử có U là đại lượng ngẫu nhiên có phân phối chuẩn tắc
N(0, 1), V là đại lượng ngẫu nhiên độc lập với U, có phân phối Chi
bình phương với n bậc tự do.
Khi đó, đại lượng ngẫu nhiên:
U
T =q
V
n
sẽ tuân theo phân phối Student với n bậc tự do. 53 / 77

liên tục
Phân phối Fisher
Định nghĩa (Phân phối Fisher - Snedecor)

Đại lượng ngẫu nhiên X có quy luật phân phối Fisher - Snedecor
với bậc tự do p và q, ký hiệu X ∼ F (p, q) với hàm mật độ xác suất
của X có dạng:
54 / 77
liên tục
Phân phối Fisher
Định nghĩa
p

p + q
Γ −1

 p
x2

2 p 2


f (x) = Γ p Γ q × q ×h nếu x > 0

i p+q ,
p 2
 2 2 1 + qx



0, nếu x ≤ 0

55 / 77
liên tục
Phân phối Fisher
Kỳ vọng và phương sai của đại lượng ngẫu nhiên X ∼ F (p, q)
là:
q
E(X ) = , ∀q > 2
q−2
2
q p+q−2
Var(X ) = 2 , ∀q > 4
q−2 p(q − 4)
56 / 77
liên tục
Phân phối Fisher
Nếu U, V là hai đại lượng ngẫu nhiên độc lập với nhau, cùng tuân
theo phân phối Chi bình phương với bậc tự do lần lượt là n1 , n2 .
Khi đó, đại lượng ngẫu nhiên:
U
n1
X = V
n2
sẽ có phân phối Fisher- Snedecor, với bậc tự do lần lượt là n1 , n2 .

57 / 77
liên tục
Phân phối Fisher
58 / 77
3. Xấp xỉ giữa các phân phối

Xấp xỉ phân phối siêu bội bằng phân phối nhị thức
Nếu X ∼ H(N, n, m) và n khá nhỏ so với N thì để tính xác suất

P(X = k) , ta có thể xấp xỉ nó bằng phân phối nhị thức:
m
X ∼ B(n, p) với p = .
N
59 / 77

Ví dụ minh họa
Lấy ngẫu nhiên 5 lọ từ một lô thuốc lớn có tỷ lệ lọ hỏng là p = 0.2.
Gọi X là số lọ hỏng trong 5 lọ lấy ra. Tìm bảng phân phối xác suất
của X.
60 / 77

Ta có X ∼ H(N, m, 5) với N là số lọ trong lô thuốc và m là số lọ

m
hỏng. Do N lớn và = 0.2 nên ta có thể xấp xỉ X bằng phân phối
N
nhị thức: X ∼ B(5, 0.2).
Khi đó:
p(x) = P(X = x) = C5x (0.2)x (0.8)5−x , ∀x = 0, 5.
61 / 77

Bảng phân phối xác suất của X có dạng :
X 0 1 2 3 4 5
P 0.32768 0.4096 0.2048 0.0512 0.0064 0.00032
62 / 77

Xấp xỉ phân phối nhị thức bằng phân phối Poisson
Xét biến ngẫu nhiên X với phân phối nhị thức X ∼ B(n, p) khi cỡ
mẫu n lớn và p khá nhỏ, người ta thường xấp xỉ phân phối của X
bằng phân phối Poisson: X ∼ P(λ) với λ = np.
63 / 77

Xấp xỉ giữa phân phối nhị thức B(n = 118, p = 0.26) (màu đỏ) và
phân phối Poisson P(λ = 118 × 0.26 = 30.09) (màu xanh)
64 / 77

Ví dụ minh họa
Phân phối nhị thức B(20; .05) có thể xấp xỉ bởi phân phối Poisson
với λ = 20 × 0.05 = 1, thông qua bảng so sánh các xác suất thành
phần như sau:
X 0 1 2 3 4 5 6 7
B 0.358 0.378 0.189 0.059 0.013 0.003 0.000 0.000
P 0.368 0.368 0.184 0.061 0.015 0.003 0.001 0.000
65 / 77

Xấp xỉ phân phối nhị thức và Poisson bởi phân phối
chuẩn
Định lý (Định lý giới hạn trung tâm)

Cho X1 , X2 , ..., Xn , ... là dãy các đại lượng ngẫu nhiên độc lập cùng
phân phối với kỳ vọng và phương sai hữu hạn:
E(Xk ) = µ, Var(Xk ) = σ 2 , ∀k ∈ N.
66 / 77

chuẩn
Định lý (Định lý giới hạn trung tâm (tiếp))
Khi đó, quy luật phân phối xác suất của đại lượng ngẫu nhiên:
n
Un − E(Un ) X
Unc = p , với Un = Xk
Var(Un ) k=1
sẽ hội tụ tới quy luật chuẩn tắc N(0, 1) khi n → ∞.

67 / 77

chuẩn
Tức là: x
1
Z 2
− t2
lim P(Unc < x) = √ e dt
n→∞ 2π −∞
Ví dụ minh họa
Chọn ngẫu nhiên 192 số trên đoạn [0, 1]. Xác suất để tổng số điểm
thu được nằm trong khoảng (88, 104) là bao nhiêu?
68 / 77

chuẩn
Đặt X là đạiPlượng ngẫu nhiên chỉ tổng số điểm thu được. Khi đó
ta có, X = 192i=1 Xi , trong đó các đại lượng ngẫu nhiên X1 độc lập
và tuân theo phân phối đều liên tục tên khoảng (0, 1).
Do đó,
1
E(Xi ) = 0.5, Var(Xi ) = ∀i = 1, 192
12
69 / 77

chuẩn
Từ đây ta tính được:
E(X ) = 96, Var(X ) = 4.
Do đó, áp dụng định lý giới hạn trung tâm ta có:

104 − 96 88 − 96
P(88 < X < 104) = Φ −Φ
4 4
= 2Φ(2)
= 0.9544 70 / 77

Xấp xỉ phân phối nhị thức bởi phân phối chuẩn
Khi sử dụng quy luật phân phối nhị thức, nếu n khá lớn và p không
quá gần 0 hoặc gần 1, thì ta xấp xỉ phân phối nhị thức bởi
phân phối chuẩn với µ = np và phương sai σ 2 = np(1 − p).
! !
b − np a − np
P(a ≤ X ≤ b) = Φ p −Φ p
np(1 − p) np(1 − p)
trong đó, f là hàm mật độ Gauss và Φ là hàm phân phối Gauss.

71 / 77

Ví dụ minh họa
Theo Experian Automotive, trong số các gia đình sở hữu xe hơi tại
Mỹ, có 35% gia đình để từ 2 đến 3 chiếc ôtô trong nhà. Xét một
mẫu gồm 400 gia đình sở hữu xe hơi tại Mỹ. Tìm xác suất trong số
đó có:
a. Ít hơn 150 gia đình để từ 2 đến 3 chiếc trong nhà.
b. Ít nhất 160 gia đình để từ 2 đến 3 chiếc trong nhà.
72 / 77

Trong số 400 gia đình sở hữu xe hơi tại Mỹ, gọi X là số gia đình có
từ 2 đến 3 chiếc xe hơi trong nhà. Khi đó, X có phân phối nhị thức
X ∼ B(400, 0.35).
Ta có thể xấp xỉ phân pphối của X bởi √
phân phối chuẩn với
µ = np = 140 và σ = np(1 − p) = 91.
150 − 140
a. P(X < 150) = Φ √ = 0.8531
91
160 − 140
b. P(X ≥ 160) = 1 − P(X < 160) = 1 − Φ √ = 0.0179
91
73 / 77

Xấp xỉ phân phối Poisson bởi phân phối chuẩn
Nếu đại lượng ngẫu nhiên X có phân phối Poisson với λ ≥ 5.
Khi đó, có thể xấp xỉ X bởi phân phối chuẩn với µ = λ và σ 2 = λ.
Ví dụ minh họa
Số tai nạn lao động trung bình trong một năm của một nhà máy là
6.5 vụ. Tính xác suất trong một năm nào đó:
a. Có tối đa 7 vụ tai nạn lao động.
b. Ít hơn 6 vụ tai nạn lao động.
74 / 77

75 / 77

Gọi X là số tai nạn lao động trong một năm của nhà máy. Khi đó
X ∼ P(6.5). Vì λ ≥ 5 nên ta dùng xấp xỉ phân phối chuẩn với
µ = λ = 6.5 và σ 2 = λ = 6.5.
Ta có:
a.

7 − 6.5
P(X ≤ 7) = P Z ≤ √
6.5
= P(Z ≤ 0.19)
= 0.5753
76 / 77
77 / 77

Chương 1. Biến cố ngẫu nhiên và xác suất

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

Chương 1. Biến cố ngẫu nhiên và xác suất

Uploaded by

Copyright:

Available Formats

Phép thử ngẫu nhiên Các định nghĩa xác suất Công thức tính xác suất Công

t Công thức Bernoulli

TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT

Chương 1. Biến cố ngẫu nhiên và xác suất

Thành phố Hồ Chí Minh, 2020

1 Phép thử ngẫu nhiên

2 Các định nghĩa xác suất

3 Công thức tính xác suất

4 Công thức Bernoulli

1. Phép thử ngẫu nhiên

1. Phép thử ngẫu nhiên

1. Phép thử ngẫu nhiên

Không gian mẫu

1. Phép thử ngẫu nhiên

1. Phép thử ngẫu nhiên

Phân loại các biến cố

1. Phép thử ngẫu nhiên

1. Phép thử ngẫu nhiên

1. Phép thử ngẫu nhiên

1. Phép thử ngẫu nhiên

1. Phép thử ngẫu nhiên

1. Phép thử ngẫu nhiên

Định nghĩa (Hệ đầy đủ các biến cố)

1. Phép thử ngẫu nhiên

1. Phép thử ngẫu nhiên

Quy tắc đối ngẫu De Morgan mở rộng

2. Các định nghĩa xác suất

Theo quan điểm cổ điển

2. Các định nghĩa xác suất

2. Các định nghĩa xác suất

Theo quan điểm thống kê - tần suất

2. Các định nghĩa xác suất

Nguyên lý xác suất nhỏ, xác suất lớn

3. Công thức tính xác suất

Cho hai biến cố A, B.

P(A + B) = P(A) + P(B) − P(AB). (1)

3. Công thức tính xác suất

3. Công thức tính xác suất

Đặt N, K lần lượt là biến cố bạn An mua nước suối, kem.

P(N + K ) = P(N) + P(K ) − P(NK ) = 0.4 + 0.5 − 0.1 = 0.8

3. Công thức tính xác suất

Khi A và B xung khắc, nghĩa là AB = A ∩ B = ∅ thì công thức

P(A + B) = P(A) + P(B).

3. Công thức tính xác suất

Cho ba biến cố A, B, C . Ta có công thức cộng ba biến cố:

P(A + B + C ) = P(A) + P(B) + P(C )

3. Công thức tính xác suất

P(A + B + C ) = P(A) + P(B) + P(C ).

3. Công thức tính xác suất

3. Công thức tính xác suất

3. Công thức tính xác suất

3. Công thức tính xác suất

Định nghĩa (Xác suất có điều kiện)

3. Công thức tính xác suất

3. Công thức tính xác suất

3. Công thức tính xác suất

3. Công thức tính xác suất

Đồng thời, từ giả thiết ta có:

3. Công thức tính xác suất

Do đó, theo công thức xác suất điều kiện ta có:

3. Công thức tính xác suất

3. Công thức tính xác suất

3. Công thức tính xác suất