xsvt2 PDF

3/19/2019
CHƯƠNG 2: BIẾN NGẪU NHIÊN VÀ CÁC ĐĂC TRƯNG CỦA CHÚNG CHƯƠNG 2: BIẾN NGẪU NHIÊN VÀ CÁC ĐĂC TRƯNG CỦA CHÚNG
2.1 ĐỊNH NGHĨA VÀ PHÂN LOẠI BIẾN NGẪU NHIÊN

Định nghĩa 2.2: Hai biến ngẫu nhiên X, Y là độc lập nếu X nhận
Trước hết ta xét ví dụ sau
các giá trị nào đó không phụ thuộc Y và ngược lại. Nói cách khác
Gieo một con xúc xắc 6 mặt:
với mọi số thực x, y; hai biến cố {X  x}, {Y  y} là độc lập.
Ký hiệu A1, A2,A3, A4, A5, A6 lần lượt là biến cố “mặt 1 chấm xuất
hiện”, “mặt 2 chấm xuất hiện”, …, “mặt 6 chấm xuất hiện”. 2.1.2 Hàm phân bố xác suất
Nếu xét đại lượng X là số chấm xuất hiện khi gieo con xúc xắc thì Các biến ngẫu nhiên được xét trong các phép thử khác nhau (tương
X có thể nhận các giá trị 1,2,3,4,5,6 một cách ngẫu nhiên và X ứng với các không gian xác suất khác nhau) nhưng quy luật phân
nhận giá trị k là biến cố Ak, bố xác suất của chúng có thể như nhau.
nghĩa là {X  k}  Ak, với k  1, 2, …, 6.

Quy luật phân bố xác suất được nghiên cứu thông qua hàm phân bố
xác suất.
Ta gọi X là một biến ngẫu nhiên có miền giá trị RX  {1, 2, …, 6}.
3/19/2019 1 3/19/2019 3
2.1.1 Định nghĩa biến ngẫu nhiên Chẳng hạn, bằng cách sử dụng dãy phép thử Bernoulli ta có kết quả
sau:
Biến ngẫu nhiên X là đại lượng nhận các giá trị nào đó phụ
 Xác suất bắn trúng bia của một xạ thủ là 0,8. Xạ thủ này bắn 10
thuộc vào các yếu tố ngẫu nhiên, nghĩa là với mọi giá trị thực x 
viên, gọi X là số viên bắn trúng bia thì xác suất để xạ thủ bắn
thì “X nhận giá trị nhỏ hơn bằng x” là một biến cố, ký hiệu {X  x}.
trúng k viên là
Tập hợp tất cả các giá trị của X được gọi là miền giá trị của X, ký   k
P X  k  C 10 (0, 8)k (0, 2)10  k , 0  k  10
hiệu RX .
 Tương tự, giả sử tỷ lệ chính phẩm của lô hàng là 0,8. Chọn 10
Ví dụ 2.1: Nếu gọi X là tổng số chấm xuất hiện khi gieo hai con xúc sản phẩm kiểm tra, gọi Y là số chính phẩm phát hiện được thì
xác suất chọn được k chính phẩm là

xắc thì X là một biến ngẫu nhiên có miền giá trị R  2, 3,...,12
X 
k
 
P Y  k  C 10 (0, 8)k (0, 2)10  k , 0  k  10
 
và X  k  Ak ; k  2, 3,...,12.
Như vậy X và Y có quy luật phân bố xác suất như nhau.
3/19/2019 2 3/19/2019 4
1
3/19/2019
Hàm phân bố xác suất (cumulative distribution function, viết tắt Ví dụ 2.3: Một nguồn thông tin sinh ra các ký hiệu ngẫu nhiên từ
bốn ký tự {a,b,c,d} với xác suất:
CDF) của biến ngẫu nhiên X là hàm số FX (x ) xác định với mọi x 
P(a)=1/2, P(b)=1/4 và P(c)=P(d)=1/8.
bởi công thức:
Mã hóa các ký hiệu này theo các mã nhị phân sau a 0
Đặt X là biến ngẫu nhiên ký hiệu độ dài của mã, b 10

 
FX (x )  P X  x ;    x  
c 110
đó là số các bit.
d 111
1. Tìm miền giá trị của X.
trong đó {X  x} là ký hiệu biến cố “biến ngẫu nhiên X nhận giá trị
2. Giả sử các ký hiệu được sinh độc lập. Tính các xác suất
nhỏ hơn hay bằng x ”.
P{X=1}, P{X=2} và P{X=3}.
3. Tìm hàm phân bố xác suất FX(x) và vẽ đồ thị.
3/19/2019 5 3/19/2019 7
Các tính chất của hàm phân bố


1. Miền giá trị RX  1, 2, 3 
1. 0  FX (x )  1 với mọi x . 1 1
  2
 
2. P X  1  P (a )  ; P X  2  P (b)  ;
4
2. FX (x ) là hàm không giảm, liên tục bên phải. 1
   
P X  3  P c, d  P (c)  P(d ) 
4
Nếu X là biến ngẫu nhiên liên tục thì F (x ) là hàm liên tục.
X
3. FX ()  lim FX (x )  0 ; FX ()  lim FX (x )  1. 3.

x   x   0 x 1

1 / 2 1x 2
 
4. P a  X  b  FX (b)  FX (a ) FX (x )  
2x 3
3 / 4
P X  a  1  FX (a ) 1

x 3
P X  a   FX (a  )  lim FX (x )
x a , x a
3/19/2019 6 3/19/2019 8
2
3/19/2019
2.1.3 Phân loại

Ví dụ 2.4: Xét phép thử ném phi tiêu vào một đĩa tròn có bán kính
bằng 1. Ký hiệu X là biến ngẫu nhiên đo khoảng cách từ điểm mũi  Biến ngẫu nhiên rời rạc
phi tiêu cắm vào đĩa đến tâm của đĩa. Giả sử mũi phi tiêu luôn cắm Biến ngẫu nhiên X là rời rạc nếu miền giá trị gồm một số hữu hạn
vào đĩa và đồng khả năng tại mọi điểm của đĩa. hoặc vô hạn đếm được các giá trị, nghĩa là có thể liệt kê các giá
trị của miền giá trị thành một dãy. Do đó hàm phân bố có đồ thị
dạng hình bậc thang.
1. Tìm miền giá trị của X
 Biến ngẫu nhiên liên tục
X là biến ngẫu nhiên liên tục nếu miền giá trị của nó có thể lấp
2. Tìm hàm phân bố xác suất x 1
đầy một hoặc một số các khoảng hữu hạn hoặc vô hạn và xác
FX (x ) và vẽ đồ thị suất biến ngẫu nhiên nhận giá trị tại từng điểm đều bằng 0 (nghĩa
là P{X = a}= 0 với mọi a). Do đó hàm phân bố xác suất là hàm
số liên tục.
3/19/2019 9 3/19/2019 11
Ví dụ 2.6:

1. Miền giá trị RX  x   0  x  1  Gọi X là số chấm xuất hiện khi gieo một con xúc xắc thì X là biến
.x 2 ngẫu nhiên rời rạc nhận các giá trị 1, 2, 3, 4, 5, 6.


2. P X  x    x2
.12  Gọi T là tuổi thọ của một thiết bị đang hoạt động thì T là biến
ngẫu nhiên liên tục nhận giá trị trong một khoảng.
Hàm phân bố xác suất
 Gọi Z là số khách hàng vào một điểm phục vụ trong 1 đơn vị thời
gian, Z là biến ngẫu nhiên rời rạc nhận các giá trị 0, 1, 2, …
0 x 0

FX (x )  x 2 0x 1  Số cuộc gọi đến một tổng đài là biến ngẫu nhiên rời rạc nhận các
1 x 1 giá trị 0, 1, 2, …

 Sai số Y khi đo lường một đại lượng vật lý nào đó là biến ngẫu
nhiên liên tục nhận giá trị trong một khoảng nào đó.
3/19/2019 10 3/19/2019 12
3
3/19/2019
2.2 BIẾN NGẪU NHIÊN RỜI RẠC Bảng phân bố xác suất
2.2.1 Hàm khối lượng xác suất và bảng phân bố xác suất của biến Để trực quan hơn chúng ta biểu diễn hàm khối lượng xác suất của
ngẫu nhiên rời rạc
biến ngẫu nhiên rời rạc thông qua bảng phân bố xác suất.
Biến ngẫu nhiên rời rạc có miền giá trị là một tập hữu hạn hoặc vô hạn
Bảng phân bố xác suất có hai hàng, hàng trên ghi các giá trị
đếm được. Các xác suất chỉ tập trung tại các giá trị này.
mà biến ngẫu nhiên nhận được, hàng dưới là giá trị của hàm khối
Hàm số pX (x )  P X  x ; x  
  lượng xác suất tương ứng.
được gọi là hàm khối lượng xác suất (probability mass function) của Bảng phân bố xác suất của biến ngẫu nhiên X có dạng
biến ngẫu nhiên rời rạc X.
Hàm phân bố của X được tính theo công thức X x1 x2 

P pX (x1 ) pX (x 2 ) 

FX (x )  P X  x    pX (x k ); x  
x k  x ; x k RX
3/19/2019 13 3/19/2019 15
Tính chất của hàm khối lượng xác suất Ví dụ 2.8: Chọn ngẫu nhiên 3 bi từ một túi có 6 bi đen, 4 bi trắng. Gọi
X là số bi trắng trong 3 bi vừa chọn thì X là một biến ngẫu nhiên rời
1.  pX (xk )  1
xk RX rạc. Tìm bảng phân bố xác suất và hàm phân bố xác suất.
2. pX (x k )  0 , với mọi x k  RX C 63 5 C 62C 41 15


P X 0   3

30
, 
P X 1  3

30
,
C 10 C10
3. pX (x )  0 , với mọi x  RX
C 61C 42 9 C 43 1

P X 2   3

30
, 
P X 3   3

30
Nếu RX  {x1 , x 2 , ...} thì hàm phân bố xác suất có dạng: C 10 C 10
Hàm khối lượng xác suất

 0 nÕu x  x1 5 15 9 1
FX (x )   pX (0)  , p (1)  , p (2)  , p (3) 
p (x
 X 1 )    p (x
X k 1
) nÕu x k 1  x  xk ,  k  1 30 X 30 X 30 X 30
pX (x )  0 với mọi x khác 0, 1, 2, 3
3/19/2019 14 3/19/2019 16
4
3/19/2019
2.2.2 Các phân bố rời rạc thường gặp

Bảng phân bố xác suất
2.2.2.1 Phân bố Bernoulli
X 0 1 2 3
Biến ngẫu nhiên rời rạc X nhận hai giá trị 0, 1 với hàm khối lượng
P 5/30 15/30 9/30 1/30
xác suất
Hàm phân bố xác suất pX (k )  P X  k  pk q 1  k ; k  0,1

 
 0 nÕu x 0 trong đó 0 < p < 1, q =1 p,

5 / 30 nÕu 0x 1 được gọi là có phân bố Bernoulli tham số p .

FX (x )  P {X  x }  20 / 30 nÕu 1x 2 Xét phép thử Bernoulli trong đó sự thành công của phép thử là sự
29 / 30 nÕu 2x 3
 xuất hiện của biến cố A với xác suất xuất hiện là p. Gọi X là số lần
 1 nÕu x 3 thành công trong một lần thử thì X là biến ngẫu nhiên rời rạc có
phân bố Bernoulli tham số p.
3/19/2019 17 3/19/2019 19
 0 nÕu x 0

5 / 30 nÕu 0x 1

FX (x )  20 / 30 nÕu 1x 2
29 / 30 nÕu 2x 3

 1 nÕu x3
Trong lý thuyêt thống kê, biến ngẫu nhiên có phân bố Bernoulli thường được dùng để
đặc trưng cho các dấu hiệu nghiên cứu có tính định tính trong đó mỗi cá thể của tổng
thể có dấu hiệu này hoặc không có dấu hiệu này.
 Chẳng hạn khi muốn nghiên cứu giới tính của khách hàng, ta có thể đặc trưng cho
giới tính bằng biến ngẫu nhiên với 2 giá trị là 0 (Nam) hoặc 1 (Nữ).
 Trong bài toán bầu cử nếu cử tri nào sẽ bỏ phiếu cho ứng cử viên A ta cho nhận
giá trị 1, ngược lại ta cho nhận giá trị 0.
 Để xác định tỷ lệ phế phẩm của lô hàng ta gán cho mỗi sản phẩm một trong hai giá
trị 0 và 1, nếu sản phẩm là phế phẩm ta cho nhận giá trị 1 và ngược lại cho nhận
giá trị 0 … Đó là các biến ngẫu nhiên có phân bố Bernoulli.
3/19/2019 18 3/19/2019 20
5
3/19/2019
2.2.2.2 Phân bố nhị thức B(n;p) Nhận xét 2.1
Biến ngẫu nhiên rời rạc X nhận các giá trị 0, 1, …, n.

1) Phân bố nhị thức B(1; p) là phân bố Bernoulli tham số p.
2) Thực hiện n phép thử Bernoulli với xác suất thành công của biến cố A
trong mỗi lần thử là p.
pX (k )  P X  k  C nk pk q n  k ; k  0, 1, ..., n
  Gọi X1, X 2 ,..., X n lần lượt là số lần xuất hiện của biến cố A trong lần thử
thứ i; i  1, 2,..., n .
trong đó n là số tự nhiên và 0 < p< 1, q=1 p, được gọi là có
Các BNN X1, X 2 ,..., X n độc lập có cùng phân bố Bernoulli tham số p.
phân bố nhị thức tham số n, p, ký hiệu X ~ B(n ; p) Gọi X là số thành công trong n phép thử Bernoulli này thì
Bảng phân bố xác suất X  X1  X 2    Xn ~ B(n ; p)
X 0 1  k  n 3) Từ 2) suy ra rằng nếu X ~ B(n1 ; p),Y ~ B(n2 ; p) ; X, Y độc lập và cùng
P C n0 p 0q n C n1 p1q n 1  C nk pk q n k  C nn p nq 0 phép thử thì
X Y ~ B(n1  n2 ; p)
3/19/2019 21 3/19/2019 23
Ví dụ 2.10: Tỉ lệ phế phẩm của lô hàng là 4%. Chọn ngẫu nhiên 20

Hàm phân bố  0 nÕu x  0
m sản phẩm để kiểm tra. Gọi X là số phế phẩm phát hiện được.

FX (x )    C nk pk q n  k nÕu m  x  m  1, 0  m  n  1 1. Gọi tên luật phân bố xác suất của X.
k  0
 1 nÕu x  n 2. Tính xác suất có đúng 5 phế phẩm phát hiện được.

3. Lô hàng được xem là đạt tiêu chuẩn nếu số phế phẩm phát hiện
được không nhiều hơn 2. Tính xác suất để lô hàng đạt tiêu chuẩn.
Giải:
1. Số phế phẩm phát hiện được là số lần thành công trong 20 phép
thử này. Vậy X có phân bố nhị thức B(20 ; 0, 04) .
5
 
2. P X  5  C 20 (0, 04)5 (0, 96)15  0, 0008.
3. Xác suất để lô hàng đạt tiêu chuẩn là

2
Phân bố nhị thức với n  6, p  0, 6. 
P X  2    C20k (0, 04)k (0, 96)20  k  0, 956.
k 0
3/19/2019 22 3/19/2019 24
6
3/19/2019
Ví dụ 2.11: Một nguồn nhị phân phát ra hai ký số (digit) 1 và 0 một

cách ngẫu nhiên với xác suất tương ứng 0,6 và 0,4.
1. Tính xác suất có đúng hai ký số 1 trong dãy có năm ký số.

2. Tính xác suất có ít nhất ba ký số 0 trong dãy có năm ký số.
3.Tính xác suất có ít nhất ba ký số 1 trong dãy có năm ký số.
Giải: Gọi X là số các ký số 1 trong dãy có năm ký số, ta có: Hàm khối lượng và hàm phân bố xác suất của phân bố Poisson   3.
X~ B(5 ; 0, 6) Phân bố Poisson có ứng dụng rộng rãi trong nhiều lĩnh vực thực tế như:
 Bài toán kiểm tra chất lượng sản phẩm, lý thuyết quản trị dự trữ, lý thuyết
1. P X  2  C 52 (0, 6)2 (0, 4)3  0, 2304.
  xếp hàng …
2

2. P X  2    C 5k (0, 6)k (0, 4)5  k  0, 3174.  Hầu hết các quá trình đếm trong lý thuyết xếp hàng, trong hệ phục vụ
k 0 đám đông, các bài toán chuyển mạch trong tổng đài … thường được xét
   
3. P X  3  1  P X  2  1  0, 3174  0, 6826. là quá trình đếm Poisson.
3/19/2019 25 3/19/2019 27
2.2.2.3 Phân bố Poisson (Poát Xông) Trong thực tế với một số giả thiết thích hợp thì biến ngẫu nhiên X
Biến ngẫu nhiên X được gọi là có phân bố Poisson tham số  > 0, ký đếm số lần xuất hiện của một biến cố A nào đó trong một khoảng
hiệu X ~ P (), nếu X nhận các giá trị k N: thời gian T xác định sẽ có phân bố Poisson với tham số , trong đó
 là tốc độ trung bình biến cố A xảy ra trong khoảng thời gian T.
k Chẳng hạn các quá trình đếm sau:
pX (k )  P X  k  e 
  ;   0; k  0,1, 2,...
k! 1. Số cuộc gọi đến một tổng đài,
2. Số khách hàng đến 1 điểm phục vụ,
n
k
FX (x )  e   , n  x  n  1; n  N
k 0 k !
3. Số xe cộ qua 1 ngã tư,
Có thể chứng minh được: nếu X1, X 2 là hai biến ngẫu nhiên độc lập có 4. Số tai nạn (xe cộ); số các sự cố xảy ra ở một địa điểm
…
phân bố Poisson tham số lần lượt 1, 2 thì X1  X 2 cũng có phân bố
Poisson tham số 1  2 . trong khoảng thời gian T nào đó là biến ngẫu nhiên có phân bố Poisson.
3/19/2019 26 3/19/2019 28
7
3/19/2019
Ví dụ 2.12: Ở một tổng đài điện thoại các cuộc gọi đến một cách 2.3 BIẾN NGẪU NHIÊN LIÊN TỤC
ngẫu nhiên, độc lập. Ký hiệu X(t) là số cuộc gọi đến tổng đài trong 2.3.1 Hàm mật độ xác suất của biến ngẫu nhiên liên tục
khoảng thời gian t phút. Biến ngẫu nhiên liên tục lấy giá trị tại từng điểm với xác suất bằng
0, vì vậy không thể xét hàm khối lượng xác suất đối với biến ngẫu
Có thể chứng minh được X(t) có phân bố Poisson tham số t, nhiên liên tục và thay bằng hàm mật độ xác suất.
trong đó  là số cuộc gọi trung bình trong 1 phút.
Giả sử X là một biến ngẫu nhiên liên tục có hàm phân bố xác suất FX (x ).
Giả sử trung bình có 2 cuộc gọi trong 1 phút. Tìm xác suất:
Hàm fX (x ) thỏa mãn
1. Có đúng 5 cuộc gọi đến trong 2 phút (biến cố A). x
FX (x )   fX (t )dt, x  
2. Không có một cuộc gọi nào trong 30 giây (biến cố B). 
3. Có ít nhất 1 cuộc gọi trong 10 giây (biến cố C). được gọi là hàm mật độ xác suất của biến ngẫu nhiên X
(probability density function, viết tắt PDF).
3/19/2019 29 3/19/2019 31
Giải: Theo giả thiết =2, vậy ta có X (t ) ~ P (2t )

1. X (2) ~ P (4) , do đó
45
P (A)  P X (2)  5  e 4
   0,156
5!
2. X (1 / 2) ~ P (1) , do đó
10 1
P (B )  P X (1 / 2)  0  e 1
    0, 3679
0! e Như vậy giá trị của hàm phân bố FX (x ) bằng diện tích hình phẳng
3. X (1 / 6) ~ P (1 / 3) , do đó giới hạn bởi đồ thị hàm mật độ xác suất fX (x ), trục hoành và đường
thẳng song song với trục tung có hoàng độ là x .
1
P(C )  P X(1/ 6)  1  1  P X(1/ 6)  0  1  e 1/3  1 
     0,2835
3
e Hàm phân bố FX (x ) là một nguyên hàm của hàm mật độ fX (x ) .
3/19/2019 30 3/19/2019 32
8
3/19/2019
Tính chất của hàm mật độ xác suất Ví dụ 2.13: Hàm phân bố xác suất của biến ngẫu nhiên liên tục X có dạng
'
1. FX (x )  fX (x ) tại các điểm x mà fX (x ) liên tục  0 víi x  0

Vậy hàm phân bố xác suất của biến ngẫu nhiên liên tục là một FX (x )  kx 2 víi 0  x  1
 1 víi x  1
nguyên hàm của hàm mật độ, và hàm mật độ xác suất là đạo hàm 
của hàm phân bố xác suất.
Xác định hệ số k và tìm hàm mật độ xác suất
2. fX (x )  0 với mọi x  
Giải: Từ tính chất liên tục của hàm phân bố xác suất của biến ngẫu nhiên

3.  fX (x )dx  1 liên tục, ta có

1  FX (1)  lim FX (x )  k
x  1
Vì xác suất tại từng điểm của biến ngẫu nhiên liên tục bằng 0, do đó ta có
b
 0 víi x  0
       
4. P a  X  b  P a  X  b  P a  X  b  P a  X  b   fX (x )dx

b
a Hàm mật độ xác suất fX (x )  2x víi 0  x  1
 0 víi x  1
 fX (x )dx  FX (b)  FX (a ) 
a
3/19/2019 33 3/19/2019 35
Nhận xét 2.3: Ví dụ 2.14: Biến ngẫu nhiên liên tục X với hàm mật độ xác suất có dạng
 Hàm phân bố xác suất của biến ngẫu nhiên liên tục là một hàm  0 víi x  1

liên tục. fX (x )   k
 2 víi x  1
x
 Từ định nghĩa suy ra hàm phân bố xác suất của biến ngẫu nhiên
Hãy xác định: Hệ số k; Hàm phân bố xác suất FX (x ) và P 2  X  3 .
 
liên tục là một nguyên hàm của hàm mật độ.
 1   A 
k 1
 Ngược lại, đạo hàm của hàm phân bố xác suất biến ngẫu nhiên 1   fX (x )dx   0dx   dx  k lim   k k 1
2 A   x 
liên tục là hàm mật độ xác suất của biến ngẫu nhiên này.   1 x  x  1 
x 
  0dt  0 víi x  1
x  
 Như vậy với biến ngẫu nhiên liên tục nếu biết hàm phân bố sẽ
FX (x )   fX (t )dt   x
x
tìm được hàm mật độ và biết hàm mật độ tìm được hàm phân   dt 1 1
 2   t  1 víi x  1
bố.  1 t x
t 1
Các ví dụ sau minh họa điều này.  1  1 1 1 1

 
P 2  X  3  FX (3)  FX (2)   1     1     
3  2 2 3 6

3/19/2019 34 3/19/2019 36
9
3/19/2019
2.3.2 Các phân bố liên tục thường gặp

 Quy luật phân bố đều có nhiều ứng dụng trong thống kê toán.
2.3.2.1 Phân bố đều U(a;b)
Chẳng hạn mô phỏng thống kê, đặc biệt trong phương pháp phi
Biến ngẫu nhiên X được gọi là có phân bố đều trong khoảng (a; b) tham số.
nếu hàm mật độ xác suất của nó xác định bởi
 Trong một số lý thuyết kết luận thống kê người ta thường xuất phát
 1
 nÕu a  x  b từ quy tắc sau đây:
fX (x )  b  a
 0 nÕu ngîc l¹i
 • Nếu ta không biết gì về giá trị của tham số cần ước lượng thì
x mỗi giá trị có thể có của tham số đó là đồng khả năng.
Hàm phân bố xác suất   0dt  0 nÕu x  a
 
x x • Điều đó dẫn đến việc giả thiết tham số cần ước lượng như một
 dt x a
FX (x )   fX (t )dt     nÕu a  x  b biến ngẫu nhiên có quy luật phân bố đều.
 a b  a b a
 b dt
  1 nÕu x  b
 a b  a
3/19/2019 37 3/19/2019 39
Biến ngẫu nhiên X có phân bố đều trong khoảng (a; b) thì X có khả 2.3.2.2 Phân bố mũ
năng nhận giá trị “đều nhau” trong khoảng (a; b) và không nhận giá Biến ngẫu nhiên liên tục X được gọi là có phân bố mũ tham số  > 0
trị ngoài khoảng này. nếu hàm mật độ xác suất xác định như sau
Vì biến ngẫu nhiên liên tục nhận giá trị tại từng điểm với xác suất e   x nÕu x  0
fX (x )   .
bằng 0, do đó biến ngẫu nhiên có phân bố đều trong khoảng (a; b) và nÕu x  0
 0
trong đoạn [a; b] là như nhau.
x x
x   e t dt   e t  1  e x nÕu x  0
 0
FX (x )   fX (t )dt   0 x .
  0dt  0 x  0
  nÕu
 
3/19/2019 38 3/19/2019 40
10
3/19/2019
Ví dụ 2.15: Tuổi thọ T của một mạch điện tử trong máy tính là một
biến ngẫu nhiên có phân bố mũ tham số . Giả sử tuổi thọ trung
1
bình của mạch điện tử này là  6, 25(năm). Thời gian bảo hành là

2 năm. Hỏi có bao nhiêu phần trăm mạch điện tử bán ra phải thay
thế trong thời gian bảo hành.
Giải: Mạch điện tử cần thay thế trong thời gian bảo hành nếu tuổi
thọ T  2.
Vậy xác suất để mạch điện tử bị hỏng trong thời gian bảo hành là:
Đồ thị của hàm mật độ xác suất và hàm phân bố mũ tham số .
2
P T  2  1  e 2  1  e 6,25  1  e 0,32  1  0, 726  0, 274
Do đó có khoảng 27,4% số mạch điện tử bán ra phải thay thế

trong thời gian bảo hành.
3/19/2019 41 3/19/2019 43
Nhận xét 2.3: Nhận xét 2.4: Tính chất đặc thù của phân bố mũ là tính “không nhớ”.
 Phân bố mũ thường xuất hiện trong các bài toán:  Biến ngẫu nhiên X được gọi là “không nhớ” (memoryless) nếu
• Thời gian sống T của một loài sinh vật,  

P X  x  t X  t  P X  x  ;  x , t  0.
• Tuổi thọ T của một thiết bị nào đó … Điều này tương đương với
• Khi đó T là biến ngẫu nhiên có phân bố mũ tham số   0, với     

P X  x  t  P X  x P X  t  ;  x , t  0.
là tuổi thọ trung bình. Gọi F(x) là hàm phân bố xác suất của X, đặt
• Hơn nữa, nếu tuổi thọT là biến ngẫu nhiên có phân bố mũ tham G (x )  P X  x   1  F (x ) Khi đó G (x  t )  G (x )G (t ).
số   0 thì số thiết bị hỏng (sinh vật chết)X trong khoảng thời
Giải phương trình hàm này (phương trình hàm Cauchy) với điều kiện
gian này là biến ngẫu nhiên có phân bố Poisson tham số .
G (x )  1, x  0;G ()  0  G (x )  e x ,   0.
 Nếu quá trình đếm số lần xuất hiện của biến cố E nào đó trong
 Vậy biến ngẫu nhiên X “không nhớ” khi và chỉ khi X có phân bố mũ.
khoảng thời gianT tuân theo luật phân bố Poisson tham số 0
thì khoảng thời gian X giữa hai lần xuất hiện của biến cố E có  Phân bố mũ là phân bố có tính chất “không nhớ” và được gọi là phân
phân bố mũ tham số . bố Markov.
3/19/2019 42 3/19/2019 44
11
3/19/2019
2
Ví dụ 2.16: Giả sử thời gian mỗi cuộc gọi điện thoại (tính theo phút) là một 2.3.2.4 Phân bố chuẩn N( ; )
biến ngẫu nhiên X với phân bố mũ tham số   1 / 10 . Một bốt điện thoại
Biến ngẫu nhiên liên tục X có phân bố chuẩn N( ;  2 ) ,
chỉ phục vụ từng người và giả sử A vào bốt điện thoại trước khi B đến. Tính
xác suất B phải chờ đến lượt mình trong khoảng thời gian: ký hiệu X ~ N( ;  2 ), nếu hàm mật độ xác suất có dạng
(x   )2
a) Ít hơn 5 phút b) Trong khoảng từ 5 đến 10 phút. 1 
fX(x) fX (x )  e 2 2 ;  x 
Giải:
a) Vì tính chất “không nhớ” của phân bố mũ do đó thời gian chờ của B bằng <1  2
thời gian A tiếp tục hoàn thành cuộc gọi tính từ lúc B đến và không phụ
Đồ thị hàm mật độ có các tính chất sau:
thuộc A đã gọi trong thời gian bao lâu. Vì vậy xác suất B phải chờ ít hơn 5 1
• Nhận trục x   làm trục đối xứng.
phút là
>1
P X  5  P X  5  FX (5)  1  e 5.0,1  1  e 0,5  0, 394
• Tiệm cận với trục hoành khi x  .
• Diện tích giới hạn bởi đồ thị và trục

b) Lập luận tương tự trên ta được xác suất B phải chờ trong khoảng từ 5 hoành bằng 1.
đến 10 phút là O x  x 1
• Có giá trị lớn nhất bằng .
P 5  X  10  FX (10)  FX (5)  (1  e10.0,1 )  (1  e5.0,1 )  e0,5  e1  0,239  2
• Có 2 điểm uốn tại x    .
3/19/2019 45 3/19/2019 47
2.3.2.3 Phân bố Erlang  Phân bố chuẩn được Gauss tìm ra năm 1809 nên nó còn được gọi
Định nghĩa 2.10: Biến ngẫu nhiên X có phân bố Erlang tham số (k;); là phân bố Gauss. Phân bố chuẩn thường được thấy trong các bài
toán về sai số gặp phải khi đo đạc các đại lượng trong vật lý, thiên
k  N* và   0, nếu hàm mật độ xác suất có dạng:
văn ...
(x )k 1  Trong thực tế, nhiều biến ngẫu nhiên có phân bố chuẩn hoặc tiệm
 e x nÕu x  0
fX (x )  (k  1)! cận chuẩn (Định lý giới hạn trung tâm).

 0 nÕu x  0
 Chẳng hạn: trọng lượng, chiều cao của một nhóm người nào đó,
Có thể chứng minh được rằng nếu X1, X 2 ,..., Xk là k biến ngẫu nhiên điểm thi của thí sinh, năng suất cây trồng, mức lãi suất của một
độc lập cùng có phân bố mũ tham số   0 thì công ty, nhu cầu tiêu thụ của một mặt hàng nào đó ... là những biến
ngẫu nhiên có phân bố chuẩn.
X  X1  X 2    X k
 Nếu X1, X 2 là hai biến ngẫu nhiên độc lập và
có phân bố Erlang tham số (k;). X 1 ~ N(1 ; 12 ); X 2 ~ N(2 ; 22 ).
Phân bố Erlang tham số (1;) là phân bố mũ tham số . Khi đó với mọi ,    : X1   X 2 ~ N(1  2 ;  212  22 ).
3/19/2019 46 3/19/2019 48
12
3/19/2019
Phân bố chuẩn tắc N(0;1) Giá trị U gọi là giá trị tới hạn mức  của phân bố chuẩn tắc nếu

x2
1 
Hàm mật độ xác suất (x )  e 2 ,x  . U    1 (1   ) Nghĩa là (U  )  1  
2
x x t2 Chẳng hạn tra Bảng phụ lục 2 ta được

1 
Hàm phân bố xác suất (x )   (t )dt 
2
 e 2 dt ;  x  .
 
U 0,05  1, 64
Bảng tính sẵn các giá trị của (x ) và (x ) cho trong Phụ lục I, Phụ lục II.
U 0,025  1, 96
Cần chú ý rằng một số tài liệu cho bảng tính
x x t2
1 
0 (x )   (t )dt  2
e 2 dt ; x  0.
0 0
Công thức liên hệ là (x )  0 (x )  0, 5; x  0.
3/19/2019 49 3/19/2019 51
Các tính chất của hàm phân bố xác suất (x)

Đồ thị của hàm mật độ xác suất (x ) và hàm phân bố xác suất (x )
1. (x)+( x) = 1, (x)= 1 (x)
2. Nếu X ~ N(0;1) thì  a  0, P X  a  2(1  (a ))

 
 
P X  a  1  2(1  (a ))  2(a )  1

P X  U  
 
 
1(a) P  X  U 
(a)  
2
a O a x  
 
P  X U   1  
 
2 
3/19/2019 50 3/19/2019 52
13
3/19/2019
2.3.2.5 Phân bố “khi bình phương”

3. Nếu X ~ N( ;  2 ) thì X   ~ N(0 ;1)
 Biến ngẫu nhiên liên tục X có phân bố “khi bình phương” n bậc tự
do, ký hiệu X ~ n2 nếu hàm mật độ xác suất có dạng
X   x    x   

FX (x )  P X  x  P        (x / 2)n /2  1 1
        e (x /2) nÕu x  0
fX (x )   (n / 2) 2
a   X   b     0 nÕu x  0
 
P a  X b P a  X b  P       
     
x 1 t
trong đó, (x )  t e dt , x  0 là hàm Gamma.
b    a    0
    
      Nếu X 1 , X 2 ,..., X n là các biến ngẫu nhiên độc lập có cùng phân bố
chuẩn tắc N(0;1) thì
 X       n

P X   P
 

   2 
  
 1

 X i2  X 12  X 22    X n2 ~  n2
i 1
2
Phân bố  do Karl Pearson đưa ra vào năm 1900.
3/19/2019 53 3/19/2019 55
Ví dụ 2.17: Giả sử X ~ N(  ;  2 );   2100,   200 . Hãy tìm: Nhận xét 2.5:

1) Tổng bình phương của n biến ngẫu nhiên phân bố chuẩn tắc độc lập là
1. P{X < 2400} , P{1700 < X < 2200}.
biến ngẫu nhiên có phân bố “khi bình phương” với n bậc tự do.
2. Xác định a để P{X > a} = 0,03.
2) Tổng của các biến ngẫu nhiên độc lập có phân bố “khi bình phương”:
Giải:
 2400  2100  Từ 1. suy ra rằng nếu X1, X 2 ,..., Xk là các biến ngẫu nhiên độc lập có phân
  
P X  2400  P X  2400    200
  (1, 5)  0, 9332
  bố “khi bình phương” với bậc tự do lần lượt n1, n2 ,..., nk thì X    X là
1 k
 2200  2100   1700  2100  biến ngẫu nhiên có phân bố “khi bình phương” n1  n2    nk bậc tự do
 
P 1700  X  2200   
200
  
200
  Φ(0,5)  Φ(  2)
   
X1  X 2    X k ~ n2 n2 nk
 Φ(0,5)  1  Φ(2)  0, 6915  0, 9773  1  0, 6688
  1
3) Hiệu của hai biến ngẫu nhiên độc lập có phân bố “khi bình phương”:
 a  2100   a  2100 
 
P X a  1   0, 03    
  0, 97   1, 88  Nếu X , X là hai biến ngẫu nhiên độc lập trong cùng một phép thử có phân
 200   200  1 2
bố “khi bình phương” với bậc tự do lần lượt n1, n2 (n1  n2 )thì X1  X 2 là biến
a  2100
  1, 88  a  2476 ngẫu nhiên có phân bố “khi bình phương” n1  n2 bậc tự do.
200
3/19/2019 54 3/19/2019 56
14
3/19/2019
2
Giá trị tới hạn “khi bình phương” n bậc tự do mức , ký hiệu  (n ), 2.3.2.6 Phân bố Student T(n )
được xác nghĩa như sau: Biến ngẫu nhiên liên tục T có phân bố Student n bậc tự do, ký hiệu
 
P 2  2 (n )  
T ~ T(n ) , nếu hàm mật độ xác suất có dạng
2
Bảng các giá trị tới hạn  (n ) được cho trong Phụ lục IV. n  1 n 1
  
 2   x2  2
fT (x )  1   ,    x  
 n   n 
n   
2
Có thể chứng minh được rằng nếu Z ~ N(0;1), V ~ n2 ;
Z và V độc lập thì
Z
T  ~ T(n )
V
n
3/19/2019 57 3/19/2019 59
Nhận xét 2.6:

Biến ngẫu nhiên X có phân bố Gamma tham số (,), ký hiệu X  (; ),
nếu hàm mật độ có dạng Z
T  ~ T(n )
(x ) 1 V
 e x nÕu x  0
fX (x )   () ;   0,   0. n

 0 nÕu x  0
Một số trường hợp đặc biệt:
 Khi   k  N*: phân bố (k ; ) là phân bố Erlang tham số (k ; ).
 Khi   1 : phân bố (1 ; ) là phân bố mũ tham số .  Phân bố Student n bậc tự do có giới hạn là phân bố chuẩn tắc N(0,1) khi n tiến đến vô
cùng.
 Khi   n/2,   1/2 : phân bố (n/2; 1/2 ) là phân bố “khi bình  Vì vậy khi n càng lớn thì phân bố Student càng tiệm cận đến phân bố chuẩn tắc.
phương” n bậc tự do.  Trong thực hành người ta xấp xỉ phân bố Student với phân bố chuẩn tắc khi n  30.
3/19/2019 58 3/19/2019 60
15
3/19/2019
Giá trị tới hạn mức  của phân bố Student n bậc tự do, ký hiệu Ví dụ 2.19: Theo thống kê việc một người Mỹ 25 tuổi sẽ sống thêm trên một
năm có xác suất là 0,992, xác suất để người đó chết trong vòng một năm tới
t (n ) , được xác định như sau
là 0,008. Một chương trình bảo hiểm đề nghị bảo hiểm sinh mạng trong thời
 
P T  t (n )   gian 1 năm với số tiền chi trả 1000$ và tiền đóng là 10$. Hỏi lợi nhuận trung
bình của công ty bảo hiểm nhận được là bao nhiêu?
Giải: Gọi X là lợi nhuận công ty bảo hiểm nhận được trên mỗi người mua bảo
hiểm.
X là biến ngẫu nhiên nhận 2 giá trị là +10$ (nếu người mua bảo hiểm không
chết) và 990$ (nếu người đó chết).
X 990 +10
Bảng phân bố xác suất tương ứng
P 0,008 0,992
E X  (990)  0, 008  10  0, 992  2
Bảng tính các giá trị tới hạn t (n ) cho trong Phụ lục III
Vậy công ty bảo hiểm nhận được trung bình 2$ trên mỗi người mua bảo hiểm.
3/19/2019 61 3/19/2019 63
2.4 CÁC THAM SỐ ĐẶC TRƯNG CỦA BIẾN NGẪU NHIÊN Ví dụ 2.20: Tuổi thọ của một loại sinh vật nào đó là một biến ngẫu nhiên X
Ngoài phương pháp sử dụng hàm phân bố để nghiên cứu biến ngẫu nhiên, trong (đơn vị là tháng) với hàm mật độ xác suất như sau
một vài trường hợp chỉ yêu cầu xác định những đặc trưng cơ bản của biến ngẫu kx 2 (4  x ) nÕu 0  x  4
nhiên như: Kỳ vọng, phương sai, độ lệch chuẩn, phân vị, trung vị … fX (x )  
 0 nÕu ngîc l¹i
2.4.1 Kỳ vọng toán
Tìm hàm phân bố xác suất và tuổi thọ trung bình của loài sinh vật trên.
Với mọi biến ngẫu nhiên X , ký hiệu EX hoặc E(X) hoặc E[X] xác định như sau
Giải: Hàm phân bố xác suất.
EX  x i pX (x i ) nếu X rời rạc  0 nÕu x  0
 
x i RX 4 x  3x 3  4 x 
64 3   
 x (4  x )dx  3  k  64  FX (x )   fX (t )dt   64  3  4  nÕu 0  x  4
2

EX   
 x fX (x )dx nếu X liên tục 0
 1 nÕu x  4

Tuổi thọ trung bình
 Nếu chuỗi hội tụ tuyệt đối (trường hợp X rời rạc) hoặc tích phân hội tụ tuyệt đối
4
3  4 x 5 
4
(trường hợp X liên tục) thì ta gọi EX là kỳ vọng của biến ngẫu nhiên X. 3 12
x 3 (4  x )dx 
64 0
EX  x    (tháng).
64  5  5
 Trường hợp ngược lại ta nói X không tồn tại kỳ vọng. 0
3/19/2019 62 3/19/2019 64
16
3/19/2019
 Kỳ vọng mang ý nghĩa là giá trị trung bình mà biến ngẫu nhiên nhận được. Ví dụ 2.21: Chọn ngẫu nhiên 3 bi từ một túi có 6 bi đen, 4 bi trắng.
• Có thể minh họa điều này trong trường hợp rời rạc như sau. Xét hai bài toán sau:
• Giả sử biến ngẫu nhiên rời rạc X nhận các giá trị x1, x 2,..., xm với các tần số
a) Nếu chọn được 1 bi trắng sẽ được thưởng 200$. Gọi Y là số
tương ứng r1, r2 ,..., rm . Khi đó
tiền nhận được. Tính kỳ vọng của Y.
• ri xi là tổng giá trị X nhận được ứng với giá trị x i .
b) Nếu chọn được 1 bi trắng sẽ được thưởng 200$ và chọn
• r1x1  r2x 2    rm x m là tổng tất cả các giá trị X nhận được. được 1 bi đen được thưởng 300$. Gọi Z là số tiền nhận
• Vậy r1x1  r2x 2    rm x m là giá trị trung bình của X, trong đó r1    rm  n được. Tính kỳ vọng của Z.
n Giải:
ri
• Ký hiệu tần suất fi  . Khi đó giá trị trung bình của X có thể viết lại Gọi X là số bi trắng trong 3 bi vừa chọn (xem ví dụ 2.8) thì X là
n
r1x 1  r2 x 2    rm x m biến ngẫu nhiên rời rạc có bảng phân bố xác suất.
 f1x 1  f2 x 2    fm x m
n
• Trường hợp biến ngẫu nhiên liên tục phép tính tổng của giá trị trung bình được X 0 1 2 3 5 15 9 1 6
thay bằng phép tính tích phân xác định. E X  0.  1.  2.  3. 
P 5 / 30 15 / 30 9 / 30 1 / 30 30 30 30 30 5
 Kỳ vọng kỳ vọng được áp dụng rộng rãi trong nhiều lĩnh vực. Trong kinh doanh và quản
lý thì kỳ vọng được ứng dụng dưới dạng lợi nhuận kỳ vọng hay doanh số kỳ vọng.
3/19/2019 65 3/19/2019 67
Tính chất kỳ vọng

a) Y  g ( X )  200 X là một biến ngẫu nhiên rời rạc có bảng phân bố
1. E(C) = C với mọi hằng số C . sau:
Y  g(X ) 0 200 400 600
2. E(CX) = C E(X) với mọi hằng số C.
P 5 / 30 15 / 30 9 / 30 1 / 30
3. E (X1    X n )  E(X 1 )    E(X n )
5 15 9 1
EY  0.  200.  400.  600.  240
4. Nếu X 1, ..., X n độc lập thì E(X1  Xn )  E (X1)  E(Xn ) 30 30 30 30
Mặt khác, theo công thức ta cũng được
5. Cho hàm số g(x), kỳ vọng của biến ngẫu nhiên Y=g(X) được tính theo
6
công thức EY  200E X  200.  240
5
  g(x i )pX (x i ) nÕu X rêi r¹c víi hàm khèi lîng pX (x i ) b) Z  200 X  300(3  X )  900  100 X
 xi RX

EY    6
  g(x )fX (x )dx nÕu X liªn tôc cã hµm mËt đé fX (x )  
 E Z  E 900  100X  900  100EX  900  100.
5
 780$
 
3/19/2019 66 3/19/2019 68
17
3/19/2019
2.4.2 Phương sai

Tính chất của phương sai
Phương sai (variance) hay độ lệch (deviation) bình phương trung bình
của biến ngẫu nhiênX là đại lượng đo sự phân tán bình phương trung 1. Với mọi biến ngẫu nhiên X: DX  E(X  EX )2  0.
bình của X xung quanh giá trị trung bình EX. Nói cách khác phương
2. DX  E(X  EX )2  0  X là một hằng số.
sai của X là kỳ vọng của (X  EX)2.
2
 Phương sai của X được ký hiệu DX hoặc VarX : DX  E (X  E X )2 
3. D(aX  b)  E (aX  b)  E(aX  b)   a 2D(X ) với mọi hằng số a, b.
 Độ lệch chuẩn của X :  X  DX 4. Nếu X1, ..., Xn độc lập và có các phương sai hữu hạn thì
Khai triển vế phải công thức trên và áp dụng các tính chất của kỳ vọng 
D(a1X1    an X n )  E a12 (X1  E X1 )2    an2 (X n  E X n )2 
ta có thể tính phương sai theo công thức sau
 a12 E(X1  E X1 ) 2
   an2 E(Xn  E Xn ) 2
 a12D(X1 )    an2 D(Xn )
(X  E X )2  X 2  2(E X )X  (E X )2
Nói riêng: Nếu X, Y độc lập và DX, DY hữu hạn thì
 
E (X  E X )2  E X 2  2(E X )X  (E X )2  E(X 2 )  2(E X ) E X  E((E X )2 )
D(X  Y )  DX  DY
 DX  E X 2  (E X )2
3/19/2019 69 3/19/2019 71
E X2   xi2 pX (xi ) nếu X rời rạc Ví dụ 2.26: Cho n biến ngẫu nhiên Xi (i  1,..., n ) độc lập trong cùng một
x i RX
phép thử, có các kỳ vọng bằng nhau và các phương sai bằng nhau

2 2
EX  x fX (x )dx nếu X liên tục E X 1  E X 2  ...  E X n   ; D X1  D X 2  ...  D X n   2

Ví dụ 2.24: Tính phương sai của biến ngẫu nhiên xét trong Ví dụ 2.19. X1  X 2    X n
Tìm kỳ vọng và phương sai của X  .
n
X 990 +10
E X  (990)  0, 008  10  0, 992  2 Giải:
P 0,008 0,992
Áp dụng tính chất của kỳ vọng và phương sai trường hợp độc lập, ta có
E X 2  (990)2  0, 008  102  0, 992  7940
 X  X 2    X n  E X1  E X 2    E Xn n 
 DX  EX 2  (EX )2  7940  4  7936 EX  E 1    .
 n  n n
 
  X  DX  7936  89, 08
 X  X2    Xn  D X1  D X2    D Xn n 2  2
Điều này nói lên rằng mặc dù kinh doanh bảo hiểm có lãi nhưng rủi ro DX  D 1     .
 n n2 n2 n
khá lớn.  
3/19/2019 70 3/19/2019 72
18
3/19/2019
Phân vị Trung vị
Phân vị mức  của biến ngẫu nhiên X, ký hiệu v , là số thực phân
Phân vị mức 1/2 được gọi là median hay trung vị của X,
chia miền giá trị của X thỏa mãn:
ký hiệu: MedX.
 
P X  v    P X  v  
Nghĩa là FX (v  )    FX (v ) Như vậy trung vị là điểm phân chia phân bố xác suất thành hai
phần bằng nhau.
 Trường hợp biến ngẫu nhiên X liên tục thì phân vị v là nghiệm duy nhất
của phương trình
FX (x )    v  FX1()  Phân bố chuẩn N(, 2) có kỳ vọng, trung vị và mốt trùng nhau và bằng .
 Trường hợp X rời rạc với hàm phân bố FX (x )   pX (x i )

thì phân vị v xác định như sau x i RX ;x i x  Phân bố đều U(a,b) có kỳ vọng, trung vị và mốt trùng nhau và bằng a  b .
 2
 m,  m  [x , x ) nÕu F (x )    F (x )
v   i i 1 X i X i 1
 x i 1 nÕu FX (x i )    FX (x i 1 )

3/19/2019 73 3/19/2019 75
Mốt
Mốt (Mode) của biến ngẫu nhiên X , ký hiệu ModX , là giá trị mà
FX (x )    v  FX1()
biến ngẫu nhiên X nhận với xác suất lớn nhất.
 Mốt của biến ngẫu nhiên rời rạc X với hàm khối lượng xác suất
 m,  m  [x , x ) nÕu F (x )    F (x )
v   i i 1 X i X i 1
 x i 1

nÕu FX (x i )    FX (x i 1) x i  Mod X  pX (x i )  max pX (x i )
0 0 xi RX
 
 Mốt của biến ngẫu nhiên liên tục X
c  Mod X  fX (c)  max fX (x )

x
 
 Một biến ngẫu nhiên có thể có nhiều Mốt.
3/19/2019 74 3/19/2019 76
19
3/19/2019
Ví dụ 2.29: Tìm MedX và ModX của biến ngẫu nhiên liên tục X có
 Mốt của phân bố nhị thức: hàm mật độ xác suất xác định như sau:
 3 Hàm phân bố xác suất
 x (2  x ) víi 0  x  2
X B(n ; p)  mod X  (n  1)p  fX (x )   4
 0  0 víi x  0
 nÕu tr¸i l¹i 
 3  x 3 
Trong đó (n  1)p  là phần nguyên của (n  1)p . Giải:   2
FX (x )   x   víi 0  x  2
 4  3 
MedX là nghiệm của phương trình  1 víi x  2

 1 1  3
 Mốt của phân bố Poisson tham số   0 : 1  (3x 2  x 3 )   x  3x 2  2  0
FX (x )    4 2   Med X  1.
2 0  x  2 0  x  2
 
 3
X P ()  mod X   . Hàm mật độ xác suất có đạo hàm fX (x )   2
(1  x ) víi 0  x  2
 0 nÕu tr¸i l¹i

đổi dấu từ dương sang âm khi đi qua x  1, do đó đạt cực đại tại điểm này.
Vậy Mod X  1.
3/19/2019 77 3/19/2019 79
Ví dụ 2.28: Tìm trung vị và Mốt của biến ngẫu nhiên rời rạc có bảng Moment, hệ số bất đối xứng, hệ số nhọn
phân bố xác suất:
X 20 21 22 23 24
1. Moment cấp k: mk  EX k ; k  1, 2,...
P 0, 3 0,25 0,18 0,14 0,13 k
2. Moment quy tâm cấp k: k  E  X  E X  ; k  1,2,...
Giải:
Từ bảng phân bố xác suất suy ra Mod X  20.
3
Hàm phân bố xác suất của X: 3. Hệ số bất đối xứng: 3  ;   DX
3
 0 nÕu x  20 Từ đó suy ra Med X  21. 4
 4. Hệ số nhọn:  4 
 0, 3 nÕu 20  x  21
 4
 0, 55 nÕu 21  x  22 Mọi giá trị x  22;23
FX (x )  
 0, 73 nÕu 22  x  23  3 đo mức độ bất đối xứng của luật phân bố.
 là phân vị mức 0,73 của X.
 0, 87 nÕu 23  x  24
 1 nÕu x  24  4 đặc trưng cho độ nhọn của đồ thị hàm mật độ xác suất.

3/19/2019 78 3/19/2019 80
20
3/19/2019
CHƯƠNG 2: BIẾN NGẪU NHIÊN VÀ CÁC ĐĂC TRƯNG CỦA CHÚNG
Hàm khối lượng pX (x k ) Kỳ vọng Phương sai

Phân bố xác suất của X
hoặc mật độ fX (x ) EX DX
Bernoulli tham số p pX (k )  pk q 1k ; k  0, 1 p pq
Nhị thức B(n ; p ) pX (k )  C nk p k q n k ; k  0, 1, ..., n np npq
k
Poisson P () pX (k )  e ;   0; k  0, 1, 2, ...  
k!
Đều U(a, b)
1
, a  x b (a  b) / 2 (b  a )2 / 12
b a
Phân bố mũ tham số   0 ex , x  0 1/ 1 / 2
(x  )2
1 
fX (x )  e 2 2 ; x  
Phân bố chuẩn N( ;  2 ) 2
 2
3/19/2019 81
CHƯƠNG 2: BIẾN NGẪU NHIÊN VÀ CÁC ĐĂC TRƯNG CỦA CHÚNG
Hàm khối lượng pX (x k ) Kỳ vọng Phương sai

Phân bố xác suất của X
hoặc mật độ fX (x ) EX DX
(x )k 1 x k
Phân bố Erlang tham số (k ; ) e , x 0 k /
(k  1)! 2
n /2 1
“Khi bình phương” n bậc tự do
x / 2 1 (x /2) n 2n
e , x 0
(n / 2) 2
 (n 1)/2
 (n  1) / 2  x2 
1   , n
Student n bậc tự do, n  2 n   n / 2  n  0
n 2
x 
(x ) 1 x  
Gamma (, ) e , x0
()  2
n 1 
Phân bố   ,  là phân bố “khi bình phương” n bậc tự do.
 2 2 
3/19/2019 82
21

xsvt2 PDF

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

xsvt2 PDF

Uploaded by

Copyright:

Available Formats

3/19/2019

2.1 ĐỊNH NGHĨA VÀ PHÂN LOẠI BIẾN NGẪU NHIÊN

nghĩa là {X  k}  Ak, với k  1, 2, …, 6.

Đặt X là biến ngẫu nhiên ký hiệu độ dài của mã, b 10

3. Tìm hàm phân bố xác suất FX(x) và vẽ đồ thị.

Các tính chất của hàm phân bố

3. FX ()  lim FX (x )  0 ; FX ()  lim FX (x )  1. 3.

2.1.3 Phân loại

.x 2 ngẫu nhiên rời rạc nhận các giá trị 1, 2, 3, 4, 5, 6.

Hàm phân bố của X được tính theo công thức X x1 x2 

2. pX (x k )  0 , với mọi x k  RX C 63 5 C 62C 41 15

Hàm khối lượng xác suất

pX (x )  0 với mọi x khác 0, 1, 2, 3

2.2.2 Các phân bố rời rạc thường gặp

Hàm phân bố xác suất pX (k )  P X  k  pk q 1  k ; k  0,1

2.2.2.2 Phân bố nhị thức B(n;p) Nhận xét 2.1

Biến ngẫu nhiên rời rạc X nhận các giá trị 0, 1, …, n.

Ví dụ 2.10: Tỉ lệ phế phẩm của lô hàng là 4%. Chọn ngẫu nhiên 20

3. Xác suất để lô hàng đạt tiêu chuẩn là

Ví dụ 2.11: Một nguồn nhị phân phát ra hai ký số (digit) 1 và 0 một

1. Tính xác suất có đúng hai ký số 1 trong dãy có năm ký số.

3.Tính xác suất có ít nhất ba ký số 1 trong dãy có năm ký số.

Giải: Theo giả thiết =2, vậy ta có X (t ) ~ P (2t )

Các ví dụ sau minh họa điều này.  1  1 1 1 1

2.3.2 Các phân bố liên tục thường gặp

Do đó có khoảng 27,4% số mạch điện tử bán ra phải thay thế

• Thời gian sống T của một loài sinh vật,  

• Khi đó T là biến ngẫu nhiên có phân bố mũ tham số   0, với     

• Diện tích giới hạn bởi đồ thị và trục

x x t2 Chẳng hạn tra Bảng phụ lục 2 ta được

Công thức liên hệ là (x )  0 (x )  0, 5; x  0.

Các tính chất của hàm phân bố xác suất (x)

2. Nếu X ~ N(0;1) thì  a  0, P X  a  2(1  (a ))

2.3.2.5 Phân bố “khi bình phương”

Ví dụ 2.17: Giả sử X ~ N(  ;  2 );   2100,   200 . Hãy tìm: Nhận xét 2.5:

Nhận xét 2.6:

Một số trường hợp đặc biệt:

 Khi   k  N*: phân bố (k ; ) là phân bố Erlang tham số (k ; ).

Tính chất kỳ vọng

2.4.2 Phương sai

 Trường hợp X rời rạc với hàm phân bố FX (x )   pX (x i )

c  Mod X  fX (c)  max fX (x )

CHƯƠNG 2: BIẾN NGẪU NHIÊN VÀ CÁC ĐĂC TRƯNG CỦA CHÚNG

Hàm khối lượng pX (x k ) Kỳ vọng Phương sai

Bernoulli tham số p pX (k )  pk q 1k ; k  0, 1 p pq

Nhị thức B(n ; p ) pX (k )  C nk p k q n k ; k  0, 1, ..., n np npq

Phân bố mũ tham số   0 ex , x  0 1/ 1 / 2

CHƯƠNG 2: BIẾN NGẪU NHIÊN VÀ CÁC ĐĂC TRƯNG CỦA CHÚNG

Hàm khối lượng pX (x k ) Kỳ vọng Phương sai

You might also like