Slides LTXS Chapter2

Chương II.
ĐẠI LƯỢNG NGẪU NHIÊN
TS. Hà Văn Hiếu

Đại học Kinh Tế - Luật, Tp. Hồ Chí Minh
Ngày 29 tháng 4 năm 2022
Hà Văn Hiếu (UEL) LÝ THUYẾT XÁC SUẤT Ngày 29 tháng 4 năm 2022 1 / 70
Ôn tập chương I.
Biến cố.
Biến cố.
Mô tả xác suất.
Biến cố.
Xác suất của tổng, tích.
Biến cố.
Xác suất có điều kiện.
Biến cố.
Công thức xác suất Bayes.
Biến cố.
Công thức xác suất Bayes.
Công thức xác suất đầy đủ.
CHƯƠNG II. ĐẠI LƯỢNG NGẪU NHIÊN VÀ QUY
LUẬT PHÂN PHỐI XÁC SUẤT
1 Đại lượng ngẫu nhiên rời rạc.

2 Đại lượng ngẫu nhiên liên tục.

3 Hàm phân phối xác suất, hàm mật độ xác suất.

4 Kì vọng, phương sai, mod, trung vị.

5 Vectơ ngẫu nhiên và các khái niệm liên quan.

5 Vectơ ngẫu nhiên và các khái niệm liên quan.
6 Tài liệu online Introduction-to-Probability-and-Statistics
ĐẠI LƯỢNG NGẪU NHIÊN (RANDOM VARIABLES)
Định nghĩa
Khi ta thực hiện một phép thử ngẫu nhiên, và gán tất cả các
trường hợp có thể xảy ra bởi một con số thì ta sẽ được một đại
lượng ngẫu nhiên.
Định nghĩa
Ví dụ 1. Tung một xúc xắc. Nếu mặt 1 chấm xuất hiện thì
ta gán số 1, mặt 2 chấm xuất hiện thì ta gán số 2, v.v. Thì ta
được một đại lượng ngẫu nhiên, (kí hiệu là X). Như vậy X
nhận các giá trị là {1, 2, 3, 4, 5, 6}.
Định nghĩa
Ví dụ 1. Tung một xúc xắc. Nếu mặt 1 chấm xuất hiện thì
ta gán số 1, mặt 2 chấm xuất hiện thì ta gán số 2, v.v. Thì ta
được một đại lượng ngẫu nhiên, (kí hiệu là X). Như vậy X
nhận các giá trị là {1, 2, 3, 4, 5, 6}.
Ví dụ 2. Cho một người bất kì đo chiều cao. Gọi X là chiều
cao của người được chọn, thì ta được một đại lượng ngẫu
nhiên.
ĐẠI LƯỢNG NGẪU NHIÊN RỜI RẠC VÀ LIÊN TỤC
Đại lượng ngẫu nhiên rời rạc (Discrete variables)

Đại lượng ngẫu nhiên (ĐLNN) X được gọi là rời rạc nếu tập các
giá trị có thể nhận của nó hoặc là hữu hạn hoặc là vô hạn nhưng
"đếm được".
ĐẠI LƯỢNG NGẪU NHIÊN RỜI RẠC VÀ LIÊN TỤC
Đại lượng ngẫu nhiên rời rạc (Discrete variables)

Đại lượng ngẫu nhiên (ĐLNN) X được gọi là rời rạc nếu tập các
giá trị có thể nhận của nó hoặc là hữu hạn hoặc là vô hạn nhưng
"đếm được".
Ví dụ 1. Thực hiện phép tung xác suất. Gọi X là số chấm

xuất hiện trên mặt xác suất. Lúc đó X là một ĐLNN rời rạc.
Giá trị có thể nhận của X là 1, 2, 3, 4, 5, 6.
Đại lượng ngẫu nhiên liên tục (Continuous variables)
Đại lượng ngẫu nhiên (ĐLNN) X được gọi là liên tục nếu tập các
giá trị có thể nhận của nó lấp đầy một khoảng trên trục số.
ĐẠI LƯỢNG NGẪU NHIÊN RỜI RẠC
Ví dụ 2. Bắn không hạn chế số lần vào một bia đến khi
trúng thì dừng. Gọi X là số lần bắn trật thì X là một đại
ĐẠI LƯỢNG NGẪU NHIÊN RỜI RẠC
Ví dụ 2. Bắn không hạn chế số lần vào một bia đến khi
trúng thì dừng. Gọi X là số lần bắn trật thì X là một đại
Gọi T là biến cố trúng bia, S là biến cố trật bia, thì ta có
không gian tất cả các trường hợp là
Ω = {T, ST, SST, SSST, · · · }.
Giá trị của X là X(Ω) = {0, 1, 2, 3, 4, · · · }.

Đây là một tập vô hạn nhưng "đếm được". Nên X là một
ĐLNN rời rạc.
ĐẠI LƯỢNG NGẪU NHIÊN LIÊN TỤC - VÍ DỤ
Chọn một người ngẫu nhiên rồi đo chiều cao. Gọi X là chiều
cao của người được chọn, thì X là một ĐLNN.
Đại lượng ngẫu nhiên X bên trên là liên lục.
Vì X có thể nhận giá trị là 1 mét, 6 dm, 5 cm, 4 milimét, 5
micro mét, 7 nanô mét, v.v.
Vì X có thể nhận giá trị là 1 mét, 6 dm, 5 cm, 4 milimét, 5
micro mét, 7 nanô mét, v.v.
Lưu ý rằng nếu ta quy định X chỉ đo đến cm, thì ta được
ĐLNN rời rạc.
BẢNG PHÂN PHỐI XÁC SUẤT
Cho X = {x1 , x2 , . . . , xn } là một ĐLNN rời rạc với xác suất tương
ứng là p1 = P (X = x1 ),
ứng là p1 = P (X = x1 ), p2 = P (X = x2 ), . . . Thì ta có thể viết lại
dưới dạng bảng như sau:
X x1 x2 . . . xn
P (Xác suất) p1 p2 . . . pn
X x1 x2 . . . xn
Bảng trên đây được gọi là bảng phân phối xác suất của ĐLNN X.
X x1 x2 . . . xn
Bảng trên đây được gọi là bảng phân phối xác suất của ĐLNN X.
Bảng phân phối xác suất của một ĐLNN liên tục????
Ví dụ. Gieo một con xúc xắc thì. Gọi X là số chấm xuất hiện.
Khi đó X có thể nhận một trong các giá trị {1, 2, 3, 4, 5, 6}.
Xác suất để X = 1, cũng chính là xác suất để mặt 1 chấm
xuất hiện và nó bằng 16 . Như vậy ta có
P (X = 1) = 1/6.
P (X = 1) = 1/6.
Tương tự P (X = 2) = 1/6, P (X = 3) = 1/6, . . .
P (X = 1) = 1/6.
Tương tự P (X = 2) = 1/6, P (X = 3) = 1/6, . . .
Bảng phân phối xác suất của X là
X 1 2 3 4 5 6
P (Xác suất) 16 16 16 16 16 16
HÀM PHÂN PHỐI XÁC SUẤT (Distribution
functions)
Định nghĩa
Hàm phân phối xác suất của ĐLNN X được định nghĩa bởi
F (x) = P (X ≤ x),
trong đó x ∈ R.
HÀM PHÂN PHỐI XÁC SUẤT (Distribution
functions)
Định nghĩa
Hàm phân phối xác suất của ĐLNN X được định nghĩa bởi
F (x) = P (X ≤ x),
trong đó x ∈ R.
Nhận xét. Hàm F (x) ở trên là một hàm số thực, miền xác định
là R, tập giá trị là [0, 1]. Tức là
F : R → [0, 1]
x 7→ F (x).
HÀM PHÂN PHỐI XÁC SUẤT
Lập hàm phân phối xác suất của X.
1 BẢNG phân phối xác suất của X là
X 1 2 3 4 5 6
P (Xác suất) 16 16 16 16 16 16
1 BẢNG phân phối xác suất của X là
X 1 2 3 4 5 6
P (Xác suất) 16 16 16 16 16 16
2 nếu x < 1 thì (X ≤ x) là biến cố "gieo được mặt có số chấm

nhỏ hơn 1", và hiển nhiên P (X ≤ x) = 0, nghĩa là F (x) = 0
nếu x < 1.
X 1 2 3 4 5 6
P (Xác suất) 16 16 16 16 16 16
1 Nếu 1 ≤ x < 2 thì (X ≤ x) là của biến cố "gieo được mặt có

số chấm nhỏ hơn 2", tức là chỉ có một trường hợp là mặt có
số chấm 1. Do đó, P (X ≤ x) = P (X = 1) = 1/6. Nghĩa là
F (x) = 1/6 nếu 1 ≤ x < 2.
X 1 2 3 4 5 6
P (Xác suất) 16 16 16 16 16 16
1 Nếu 1 ≤ x < 2 thì (X ≤ x) là của biến cố "gieo được mặt có

số chấm nhỏ hơn 2", tức là chỉ có một trường hợp là mặt có
số chấm 1. Do đó, P (X ≤ x) = P (X = 1) = 1/6. Nghĩa là
F (x) = 1/6 nếu 1 ≤ x < 2.
2 Nếu 2 ≤ x < 3 thì (X ≤ x) là biến cố "gieo được mặt có số
chấm nhỏ hơn 3", tức là gieo được mặt có số chấm hoặc 1
hoặc 2. Do đó, P (X ≤ x) = P (X = 1) + P (X = 2) = 2/6.
X 1 2 3 4 5 6
P (Xác suất) 16 16 16 16 16 16

hoặc 2 hoặc 3. Do đó,
P (X ≤ x) = P (X = 1) + P (X = 2) + P (X = 3) = 3/6.
X 1 2 3 4 5 6
P (Xác suất) 16 16 16 16 16 16

hoặc 2 hoặc 3. Do đó,
P (X ≤ x) = P (X = 1) + P (X = 2) + P (X = 3) = 3/6.
hoặc 2 hoặc 3 hoặc 4. Do đó, P (X ≤ x) = 4/6.
X 1 2 3 4 5 6
P (Xác suất) 16 16 16 16 16 16

hoặc 2 hoặc 3 hoặc 4 hoặc 5. Do đó, P (X ≤ x) = 5/6.
X 1 2 3 4 5 6
P (Xác suất) 16 16 16 16 16 16

hoặc 2 hoặc 3 hoặc 4 hoặc 5. Do đó, P (X ≤ x) = 5/6.
2 Nếu 6 ≤ x thì (X ≤ x) là biến cố "gieo được mặt có số chấm
nhỏ hơn hoặc bằng 6", tức là gieo được mặt có số chấm hoặc 1
hoặc 2 hoặc 3 hoặc 4 hoặc 5 hoặc 6. Do đó, P (X ≤ x) = 1.
1 Như vậy, ta có hàm PPXS của X là
0 nếu x<1



1/6 nếu 1≤x<2





2/6 nếu 2≤x<3




F (x) = 3/6 nếu 3≤x<4
4≤x<5




 4/6 nếu
5/6 nếu 5≤x<6





1 nếu 6≤x

Ví dụ
Tung hai đồng xu cân đối, đồng chất. Gọi X là số đồng xu xuất
hiện mặt ngửa.
1 Tìm bảng phân phối xác suất của X.
2 Và từ đó tìm hàm phân phối xác suất của X.
Ví dụ
1 Giá trị của ĐLNN X là
Ví dụ

{0, 1, 2}.
Ví dụ

{0, 1, 2}.
2 P (X = 0) =
Ví dụ

{0, 1, 2}.
2 P (X = 0) = 1/4.
Ví dụ

{0, 1, 2}.
2 P (X = 0) = 1/4.
3 P (X = 1) =
Ví dụ

{0, 1, 2}.
2 P (X = 0) = 1/4.
3 P (X = 1) = 1/2.
Ví dụ
1 Giá trị của ĐLNN X là 4 P (X = 2) =

{0, 1, 2}.
2 P (X = 0) = 1/4.
3 P (X = 1) = 1/2.
Ví dụ
1 Giá trị của ĐLNN X là 4 P (X = 2) = 1/4.

{0, 1, 2}.
2 P (X = 0) = 1/4.
3 P (X = 1) = 1/2.
Ví dụ
1 Giá trị của ĐLNN X là 4 P (X = 2) = 1/4.

{0, 1, 2}. 5 Bảng PPXS của X là
2 P (X = 0) = 1/4.
X 0 1 2
3 P (X = 1) = 1/2. P 14 12 14
1 Bảng PPXS của X là
X 0 1 2
P 14 12 14
1 Bảng PPXS của X là
X 0 1 2
P 14 12 14
2 Hàm PPXS của X là



 0 nếu x<0
 1

nếu 0≤x<1
F (x) = 4
3


 4
nếu 1≤x<2
1 nếu 2≤x

1/2
1/4
x
1 2
y Nhận xét.
Hàm PPXS là một hàm

1 tăng.
1/2
1/4
x
1 2
y Nhận xét.

1 tăng.
Khi x đủ nhỏ thì F (x) = 0.

1/2
1/4
x
1 2
y Nhận xét.

1 tăng.

1/2
Khi x đủ lớn thì F (x) = 1.
1/4
x
1 2
y Nhận xét.

1 tăng.

1/2
Khi x đủ lớn thì F (x) = 1.
1/4
Đồ thị của hàm PPXS của
x ĐLNN rời rạc có dạng bậc
1 2 thang (không liên tục).
HÀM PPXS CỦA ĐLNN LIÊN TỤC
Mệnh đề
Cho X là một ĐLNN liên tục có hàm PPXS là F (x). Lúc đó ta có
1 F (x) là hàm tăng và liên tục.
2 lim
x→−∞ F (x) = 0.
3 lim
x→+∞ F (x) = 1.
Mệnh đề
Cho X là một ĐLNN liên tục có hàm PPXS là F (x). Lúc đó ta có
1 F (x) là hàm tăng và liên tục.
2 lim
x→−∞ F (x) = 0.
3 lim
x→+∞ F (x) = 1.
Định lý
Giả sử F (x) là hàm PPXS của ĐLNN X. Lúc đó ta có X là
ĐLNN liên tục khi và chỉ khi F là hàm liên tục.
Định lý
Nếu X là một ĐLNN có hàm PPXS F (x) thì ta có
P (a < X ≤ b) = F (b) − F (a).
Định lý
P (a < X ≤ b) = F (b) − F (a).
Hơn nữa, nếu X liên tục thì
P (X = α) = 0 với mọi α ∈ R.
Định lý
P (a < X ≤ b) = F (b) − F (a).
P (X = α) = 0 với mọi α ∈ R.
Do đó, nếu X liên tục thì ta còn có
P (a ≤ X < b) = F (b) − F (a),
Định lý
P (a < X ≤ b) = F (b) − F (a).
P (X = α) = 0 với mọi α ∈ R.
P (a ≤ X < b) = F (b) − F (a),

P (a < X < b) = F (b) − F (a),
Định lý
P (a < X ≤ b) = F (b) − F (a).
P (X = α) = 0 với mọi α ∈ R.
P (a ≤ X < b) = F (b) − F (a),

P (a < X < b) = F (b) − F (a),
P (a ≤ X ≤ b) = F (b) − F (a),
ĐLNN LIÊN TỤC VS ĐLNN RỜI RẠC
ĐẠI LƯỢNG NGẪU NHIÊN ĐẠI LƯỢNG NGẪU NHIÊN

RỜI RẠC LIÊN TỤC

1 Hàm PPXS F (x) tăng. 1 Hàm PPXS F (x) tăng.

2 Khi x đủ nhỏ thì F (x) = 0. 2 limx→0 F (x) = 0.

3 Khi x đủ lớn thì F (x) = 1. 3 limx→+∞ F (x) = 1.

4 F (x) không liên tục. 4 F (x) liên tục.

5 P (X = a) = 0 hoặc 6= 0. 5 P (X = a) = 0.

5 P (X = a) = 0 hoặc 6= 0. 5 P (X = a) = 0.
6 P (a < X ≤ b) = 6 P (a < X ≤ b) = P (a ≤
F (b) − F (a). X ≤ b) = P (a ≤ X < b) =
P (a ≤ X ≤ b) =
F (b) − F (a).
Ý NGHĨA CỦA HÀM PPXS
F (x) = P (X ≤ x)
Ý NGHĨA CỦA HÀM PPXS
F (x) = P (X ≤ x)
Như vậy hàm PPXS nói cho ta biết mức độ tập trung XS về phía
bên trái của điểm x.
HÀM MẬT ĐỘ CỦA ĐLNN LIÊN TỤC (DENSITY
FUNCTIONS)
Định nghĩa
Nếu X là một ĐLNN liên tục với hàm PPXS F (x) thì hàm mật
độ (xác suất) của X là f (x) được định nghĩa bởi
f (x) = F 0 (x).
FUNCTIONS)
Định nghĩa
f (x) = F 0 (x).
Một số tính chất của hàm mật độ. Giả sử ĐLNN liên tục X
có hàm MĐ là f (x) và hàm PP là F (x) thì
1 f (x) ≥ 0.
FUNCTIONS)
Định nghĩa
f (x) = F 0 (x).
1 f (x) ≥ 0.
Rx
2 F (x) = f (t)dt.
−∞
FUNCTIONS)
Định nghĩa
f (x) = F 0 (x).
1 f (x) ≥ 0. Rb
3 P (a < X < b) = f (t)dt.
a
Rx
2 F (x) = f (t)dt.
−∞
FUNCTIONS)
Định nghĩa
f (x) = F 0 (x).
1 f (x) ≥ 0. Rb
3 P (a < X < b) = f (t)dt.
a
Rx +∞
R
2 F (x) = f (t)dt. 4 f (t)dt = 1.
−∞ −∞
Ý NGHĨA CỦA HÀM MẬT ĐỘ
Z d
P (c ≤ X ≤ d) = f (t)dt.
c
Ý NGHĨA CỦA HÀM MẬT ĐỘ
Z d
P (c ≤ X ≤ d) = f (t)dt.
c
Ý nghĩa
Như vậy nếu giá trị của hàm mật độ xung quanh điểm xo càng lớn
thì xác suất để X ở xung quanh xo càng cao. Nghĩa là giá trị
ĐLNN X càng có khả năng gần với xo .
ĐIỀU KIỆN CỦA HÀM MẬT ĐỘ
Định lý
Một hàm số f (x) là hàm MĐ của một ĐLNN X nào đó nếu nó
thỏa mãn hai tính chất
f (x) ≤ 0 với mọi x ∈ R,
+∞
R
f (t)dt = 1.
−∞
Định lý
+∞
R
f (t)dt = 1.
−∞
Ví dụ 2.6 (Giáo trình). Cho ĐLNN X có hàm MĐXS

(
kx2 khi x ∈ [0, 2]
f (x) =
0 khi x ∈
/ [0, 2].
Định lý
+∞
R
f (t)dt = 1.
−∞
Ví dụ 2.6 (Giáo trình). Cho ĐLNN X có hàm MĐXS

(
kx2 khi x ∈ [0, 2]
f (x) =
0 khi x ∈
/ [0, 2].
a. Tìm hằng số k.
b. Tính P (0.5 ≤ X ≤ 1).
HÀM MẬT ĐỘ - BÀI TẬP NHÓM
Cho hàm số (
2x khi x ∈ [0, 1]
f (x) =
0 khi x ∈/ [0, 1].
a. Chứng minh rằng f là hàm mật độ của một ĐLNN X nào đó.
b. Tìm hàm PPXS F (x) của X.
c. Tính xác suất P (0 < X < 12 ).
CÁC THAM SỐ ĐẶC TRƯNG CỦA ĐẠI LƯỢNG
NGẪU NHIÊN
1 Kỳ vọng (expected values).

2 Phương sai (the variance).
3 Mod (the mode).
4 Trung vị (the median).
KỲ VỌNG - EXPECTED VALUES
Định nghĩa
Kỳ vọng là xấp xỉ của giá trị trung bình của ĐLNN, nó phản ánh
giá trị trung tâm của ĐLNN.
1 Nếu X = {x , x , . . . , x } với xác suất tương ứng là p thì
1 2 n i
E(X) = x1 p1 + x2 p2 + · · · + xn pn .
2 Nếu X là ĐLNN liên tục với hàm mật độ f (x) thì
+∞
Z
E(X) = xf (x)dx.
−∞
KỲ VỌNG - EXPECTED VALUES
Định nghĩa
Kỳ vọng là xấp xỉ của giá trị trung bình của ĐLNN, nó phản ánh
giá trị trung tâm của ĐLNN.
1 Nếu X = {x , x , . . . , x } với xác suất tương ứng là p thì
1 2 n i
E(X) = x1 p1 + x2 p2 + · · · + xn pn .
+∞
Z
E(X) = xf (x)dx.
−∞
Lưu ý. Đối với ĐLNN rời rạc có phân phối đều thì kì vọng chính
là giá trị trung bình (the mean) của tập các giá trị của ĐLNN.
PHƯƠNG SAI - VARIANCE
Định nghĩa
Phương sai phản ánh sự phân tán của ĐLNN quanh kỳ vọng.
1 Nếu X là một ĐLNN rời rạc nhận các giá trị x , x , . . . , x
1 2 n với
xác suất tương ứng là pi thì
Var(X) = (x1 −E(X))2 p1 +(x2 −E(X))2 p2 +· · ·+(xn −E(X))2 pn

+∞
Z
Var(X) = (x − E(X))2 f (x)dx.
−∞
PHƯƠNG SAI - VARIANCE
Định nghĩa
Phương sai phản ánh sự phân tán của ĐLNN quanh kỳ vọng.
1 Nếu X là một ĐLNN rời rạc nhận các giá trị x , x , . . . , x
1 2 n với
xác suất tương ứng là pi thì
Var(X) = (x1 −E(X))2 p1 +(x2 −E(X))2 p2 +· · ·+(xn −E(X))2 pn

+∞
Z
Var(X) = (x − E(X))2 f (x)dx.
−∞
Lưu ý. Ngoài việc sử dụng phương q

sai, người ta còn sử dụng độ
lệch chuẩn, định nghĩa bởi σ(X) = Var(X).
BIỂU DIỄN TRÊN ĐỒ THỊ
Dữ liệu thật
Kỳ vọng E
Dữ liệu thật
greenPhương sai
Kỳ vọng E
Dữ liệu thật
MOD
Định nghĩa
Mod của ĐLNN X là giá trị mà xác suất X có thể nhận là lớn
nhất.
Nếu X = {x1 , x2 , . . . , xn } là ĐLNN rời rạc thì Mod(X) là giá
trị xi mà sao cho P (X = xi ) là lớn nhất.
MOD
Định nghĩa
nhất.
Nếu X là ĐLNN liên tục thì Mod(X) là giá trị x mà tại đó
hàm mật độ nhận giá trị lớn nhất.
MOD
Định nghĩa
nhất.
Ví dụ. Cho X là ĐLNN rời rạc có bảng phân phối
X 1 2 3
P 0.3 0.4 0.3
MOD
Định nghĩa
nhất.
Ví dụ. Cho X là ĐLNN rời rạc có bảng phân phối
X 1 2 3
P 0.3 0.4 0.3
Thì ta có Mod(X) = 2.
MOD
Định nghĩa
nhất.
MOD
Định nghĩa
nhất.
MOD
Định nghĩa
nhất.
Ví dụ. Cho X là ĐLNN liên tục có hàm mật độ

4x3
(
nếu x ∈ [0, 3]
f (x) = 81
0 otherwise
MOD
Định nghĩa
nhất.
Ví dụ. Cho X là ĐLNN liên tục có hàm mật độ

4x3
(
nếu x ∈ [0, 3]
f (x) = 81
0 otherwise
Thì ta có Mod(X) = 3.
P (X = x)
Dữ liệu thật
X
P (X = x)
Mod
Dữ liệu thật
X
TRUNG VỊ - MEDIAN
Định nghĩa
Trung vị là giá trị chia ĐLNN thành 2 phần có xác suất bằng
nhau. Như vậy, med(X) = xo sao cho
1 1
P (X < xo ) ≤ và P (X > xo ) ≤
2 2
TRUNG VỊ - MEDIAN
Định nghĩa
Trung vị là giá trị chia ĐLNN thành 2 phần có xác suất bằng
nhau. Như vậy, med(X) = xo sao cho
1 1
P (X < xo ) ≤ và P (X > xo ) ≤
2 2
Lưu ý. Nếu X là ĐLNN liên tục thì Med(X) là giá trị m sao cho
F (m) = 1/2, trong đó F là hàm PPXS của X.
VÍ DỤ
Trong một gia đình có 3 người con. Gọi X là số con trai. Khi đó
bảng PPXS của X là
X 0 1 2 3
1 3 3 1
P 8 8 8 8
VÍ DỤ
X 0 1 2 3
1 3 3 1
P 8 8 8 8
1 E(X) = 12/8 = 1.5.
VÍ DỤ
X 0 1 2 3
1 3 3 1
P 8 8 8 8
1 E(X) = 12/8 = 1.5.
2 Var(X) = (0 − 1.5)2 · 81 + (1 − 1.5)2 · 18 + · · ·
VÍ DỤ
X 0 1 2 3
1 3 3 1
P 8 8 8 8
1 E(X) = 12/8 = 1.5.
2 Var(X) = (0 − 1.5)2 · 81 + (1 − 1.5)2 · 18 + · · ·
3 mod(X) = 1 và mod(X) = 2.
4 med(X) là bất kì số nào nằm giữa 1 và 2.
VÍ DỤ - MINH HỌA BẰNG ĐỒ THỊ
3/8 3/8
1/8 1/8
X
0 1 2 3
P
mod(X)
3/8 3/8
1/8 1/8
X
0 1 2 3
P
med(X)
mod(X)
3/8 3/8
1/8 1/8
X
0 1 2 3
Ví dụ
Cho X là ĐLNN có hàm mật độ
4x3
(
nếu x ∈ [0, 3]
f (x) = 81
0 otherwise
Ví dụ
4x3
(
nếu x ∈ [0, 3]
f (x) = 81
0 otherwise
Do Z x
F (x) = f (t)dt,
−∞
nên
x4
(
nếu x ∈ [0, 3]
F (x) = 81
0 otherwise.
Ví dụ
4x3
(
nếu x ∈ [0, 3]
f (x) = 81
0 otherwise
Do Z x
F (x) = f (t)dt,
−∞
nên
x4
(
nếu x ∈ [0, 3]
F (x) = 81
0 otherwise.
1/4
81
Nên F (m) = 1/2 khi và chỉ khi m = 2
.
Nghĩa là
1/4
81

med(X) =
2
ĐỀ TÀI NHÓM TỰ CHỌN - THUYẾT TRÌNH
1 https://mathinsight.org/probability_distribution_idea
2 https://mathinsight.org/probability_density_function_idea
3 https://www.probabilisticworld.com/intuitive-explanation-
expected-value/
4 https://www.probabilisticworld.com/mean-mode-median/
5 https://www.probabilisticworld.com/law-large-numbers/
6 https://www.mawer.com/the-art-of-boring/blog/bayes-for-
days-what-to-do-with-signal
7 https://www.simplypsychology.org/correlation.html
8 https://www.investopedia.com/terms/c/covariance.asp
9 https://www.investopedia.com/articles/financial-
theory/11/calculating-covariance.asp
ĐỀ TÀI TỰ CHỌN - GỢI Ý THUYẾT TRÌNH
1 Trình bày trước cả lớp (Vd. PowerPoint) một trong các nội
dung trên. Có biên bản làm việc nhóm ghi lại đóng góp của
các thành viên.
2 Thời lượng tối đa là 20 phút/đề tài.
3 Trình bày theo hướng ứng dụng, ý nghĩa, tránh lặp lại công
thức, lý thuyết đã học. Không nhất thiết phải trình bày hết
theo như website.
4 Ứng dụng vào trong ngành học của bạn hay Kinh tế/tài chính
(nếu có).
5 Khuyến khích tham khảo từ nhiều nguồn khác.
PHÉP TOÁN TRÊN CÁC ĐẠI LƯỢNG NGẪU
NHIÊN
Ví dụ với X, Y cụ thể và độc lập.

Phép cộng
Cho X và Y là hai ĐLNN bất kì. Ta định nghĩa ĐLNN X + Y
như sau:
Nếu X = {x1 , . . . , xn } với P (X = xi ) = pi và
Y = {y1 , . . . , ym } với P (Y = yj ) = qj là các ĐLNN rời rạc thì
X + Y = {xi + yj : i = 1..n, j = 1..m}

P (X + Y = xi + yj ) = pij .
Giá trị của pij phụ thuộc vào mức độ tương quan giữa X và Y .
Nếu X, Y độc lập thì pij = pi qj .
PHÉP NHÂN VÔ HƯỚNG
Ví dụ: 2X.
Phép nhân vô hướng
Cho c là một hằng số và X là một ĐLNN. Ta định nghĩa ĐLNN
cX là ĐLNN mà tập giá trị của nó bằng với c nhân với tập giá trị
của X, và nó thỏa mãn các điều kiện sau:
Nếu X = {x1 , · · · , xn } rời rạc thì P (cX = cxi ) = P (X = xi ).
PHÉP NHÂN HAI ĐẠI LƯỢNG NGẪU NHIÊN
Ví dụ cụ thể với X và Y .
Phép nhân
Cho X và Y là hai ĐLNN bất kì. Ta định nghĩa ĐLNN XY như
sau:
Nếu X = {x1 , . . . , xn } với P (X = xi ) = pi và
Y = {y1 , . . . , ym } với P (Y = yj ) = qj là các ĐLNN rời rạc thì
XY = {xi yj : i = 1..n, j = 1..m} với P (XY = xi yj ) = pij
Nếu X và Y độc lập thì pij = pi qj .
KỲ VỌNG VÀ PHƯƠNG SAI
1 E(c) = c với c là ĐLNN 5 Var(c) = 0 với c là ĐLNN

hằng số. hằng số.

2 E(cX) = cE(X) với mọi 6 Var(cX) = c2 Var(X).
ĐLNN X và mọi hằng số c.

7 Var(X + Y ) =
3 E(X + Y ) = E(X) + E(Y ).
Var(X) + Var(Y ) nếu X, Y
độc lập.

7 Var(X + Y ) =
3 E(X + Y ) = E(X) + E(Y ).
Var(X) + Var(Y ) nếu X, Y
4 E(XY ) = E(X)E(Y ) nếu độc lập.
X và Y độc lập.
8 Var(X) = E(X 2 ) − [E(X)]2 .
VECTƠ NGẪU NHIÊN
Vectơ ngẫu nhiên hai chiều

là một cặp 2 ĐLNN X và Y được xét đồng thời, mà ta ký hiệu là
(X, Y ).

(X, Y ).
Ví dụ. Khi khám sức khỏe của một người ngẫu nhiên, ta thường
phải quan tâm đồng thời cả chiều cao và cân nặng, và ta được
một cặp ĐLNN. v.v.

(X, Y ).
Ví dụ. Khi khám sức khỏe của một người ngẫu nhiên, ta thường
phải quan tâm đồng thời cả chiều cao và cân nặng, và ta được
một cặp ĐLNN. v.v.
Tương tự như ĐLNN, ta cũng sẽ phân loại vectơ ngẫu nhiên
thành 2 loại là rời rạc và liên tục. Và đồng thời khảo sát các tham
số đặc trưng của các vectơ ngẫu nhiên.
VECTƠ NGẪU NHIÊN RỜI RẠC
Định nghĩa
Là vectơ ngẫu nhiên mà tất cả các thành phần của nó đều là rời
rạc.
Ví dụ. (X, Y ) là vectơ ngẫu nhiên 2 chiều rời rạc nếu cả X và Y

đồng thời rời rạc.
VECTƠ NGẪU NHIÊN RỜI RẠC
Định nghĩa
Là vectơ ngẫu nhiên mà tất cả các thành phần của nó đều là rời
rạc.
Ví dụ. (X, Y ) là vectơ ngẫu nhiên 2 chiều rời rạc nếu cả X và Y

đồng thời rời rạc.
Ví dụ. Tung 2 đồng tiền cân đối, đồng chất. Gọi X là số mặt sấp
xuất hiện, Y là số mặt ngửa xuất hiện.
a. Lập bảng phân phối xác suất của X, Y .
b. Lập bảng phân phối xác suất của (X, Y ).
c. Hai đại lượng X, Y có độc lập không?
GIẢI VÍ DỤ
Ví dụ
Gọi X là số mặt sấp xuất hiện, Y là số mặt ngửa xuất hiện.
GIẢI VÍ DỤ
Ví dụ
X 0 1 2 Y 0 1 2
P 0.25 0.5 0.25 P 0.25 0.5 0.25
GIẢI VÍ DỤ
Ví dụ
b. Lập bảng phân phối xác suất đồng thời của (X, Y ).
GIẢI VÍ DỤ
Ví dụ
b. Lập bảng phân phối xác suất đồng thời của (X, Y ).
X 0 1 2 P (X = xi )
Y
0 0 0 0.25 0.25
1 0 0.5 0 0.5
2 0.25 0 0 0.25
P (Y = yi ) 0.25 0.5 0.25 1
GIẢI VÍ DỤ
Ví dụ
c. Hai đại lượng X, Y có độc lập không.
GIẢI VÍ DỤ
Ví dụ
X 0 1 2 P (X = yi )
Y
0 0 0 0.25 0.25
1 0 0.5 0 0.5
2 0.25 0 0 0.25
P (Y = xi ) 0.25 0.5 0.25 1
GIẢI VÍ DỤ
Ví dụ
X 0 1 2 P (X = yi )
Y
0 0 0 0.25 0.25
1 0 0.5 0 0.5
2 0.25 0 0 0.25
P (Y = xi ) 0.25 0.5 0.25 1
P (X = 0, Y = 0) 6= P (X = 0)P (Y = 0).
PHÂN PHỐI XÁC SUẤT CÓ ĐIỀU KIỆN.
Giả sử ta có vectơ ngẫu nhiên 2 chiều (X, Y ), thì
P (X=xi ,y=yj )
P (X = xi |Y = yj ) = P (Y =yj )
,
P (X=xi ,y=yj )
P (Y = yj |X = xi ) = P (X=xi )
.
P (X=xi ,y=yj )
P (X = xi |Y = yj ) = P (Y =yj )
,
P (X=xi ,y=yj )
P (Y = yj |X = xi ) = P (X=xi )
.
Ví dụ. Cho bảng phân phối xác suất đồng thời của vectơ ngẫu
nhiên 2 chiều (X,Y) như sau:
Y 1 2 3
X
2 0.1 0,3 0.15

4 0.15 0,25 0.05
P (X=xi ,y=yj )
P (X = xi |Y = yj ) = P (Y =yj )
,
P (X=xi ,y=yj )
P (Y = yj |X = xi ) = P (X=xi )
.
Ví dụ. Cho bảng phân phối xác suất đồng thời của vectơ ngẫu
nhiên 2 chiều (X,Y) như sau:
a. Lập bảng PPXS lề của X
Y 1 2 3 và Y .
X
b. Lập bảng PPXS của X với
2 0.1 0,3 0.15 điều kiện Y = 2.
4 0.15 0,25 0.05 c. Lập bảng PPXS của Y với
điều kiện X = 4.
LỜI GIẢI VÍ DỤ
Y 1 2 3
X
2 0.1 0.3 0.15

4 0.15 0.25 0.05

Y 1 2 3 và Y .
X
2 0.1 0.3 0.15

4 0.15 0.25 0.05

Y 1 2 3 và Y .
X
2 0.1 0.3 0.15

4 0.15 0.25 0.05
Y 1 2 3 P (X = xi )
X
2 0.1 0.3 0.15 0.55

4 0.15 0.25 0.05 0.45
P (Y = yj ) 0.25 0.55 0.2 1
Y 1 2 3
X
2 0.1 0.3 0.15

4 0.15 0.25 0.05
a. Lập bảng PPXS của X với

Y 1 2 3 điều kiện Y = 2.
X
2 0.1 0.3 0.15

4 0.15 0.25 0.05
a. Lập bảng PPXS của X với

Y 1 2 3 điều kiện Y = 2.
X
2 0.1 0.3 0.15

4 0.15 0.25 0.05
X 2 4
0.3 0.25
P (X|Y = 2) 0.55 0.55
Y 1 2 3
X
2 0.1 0.3 0.15

4 0.15 0.25 0.05
a. Lập bảng PPXS của Y với

Y 1 2 3 điều kiện X = 4.
X
2 0.1 0.3 0.15

4 0.15 0.25 0.05
a. Lập bảng PPXS của Y với

Y 1 2 3 điều kiện X = 4.
X
2 0.1 0.3 0.15

4 0.15 0.25 0.05
X 1 2 3
0.15 0.25 0.05

P (Y |X = 4) 0.45 0.45 0.45
HIỆP PHƯƠNG SAI - COVARIANCE
Hiệp phương sai

của vectơ ngẫu nhiên 2 chiều (X, Y ) được định nghĩa như sau:
Cov(X, Y ) = E [(X − E(X)) · (Y − E(Y ))]
HIỆP PHƯƠNG SAI - COVARIANCE
Hiệp phương sai

của vectơ ngẫu nhiên 2 chiều (X, Y ) được định nghĩa như sau:
Cov(X, Y ) = E [(X − E(X)) · (Y − E(Y ))]
Ta có thể chứng minh được các công thức sau:
Cov(X, Y ) = E(XY ) − E(X)E(Y )

n P
m
xi yj pij − E(X)E(Y ).
P
=
i=1 j=1
Ý NGHĨA CỦA HIỆP PHƯƠNG SAI
Cov(X, Y ) = E [(X − E(X)) · (Y − E(Y ))]
Hiệp phương sai cho ta thấy X, Y dao động cùng hướng hay
ngược hướng quanh các kỳ vọng của chúng.
Cov(X, Y ) = E [(X − E(X)) · (Y − E(Y ))]
Nếu Cov(X, Y ) > 0 thì X và Y dao động cùng hướng (cùng
trên hoặc cùng dưới kỳ vọng của chúng).
Cov(X, Y ) = E [(X − E(X)) · (Y − E(Y ))]
Nếu Cov(X, Y ) > 0 thì X và Y dao động cùng hướng (cùng
trên hoặc cùng dưới kỳ vọng của chúng).
Nếu Cov(X, Y ) < 0 thì X và Y dao động ngược hướng quanh
kỳ vọng.
MỘT SỐ CÔNG THỨC
Nếu X, Y độc lập thì ta có E(XY ) = E(X)E(Y ) và do đó

Cov(X, Y ) = 0.

Cov(X, Y ) = 0.
Cov(X, X) = E(X 2 ) − [E(X)]2

Cov(X, Y ) = 0.
Cov(X, X) = E(X 2 ) − [E(X)]2 = Var(X).

Cov(X, Y ) = 0.
Cov(X, X) = E(X 2 ) − [E(X)]2 = Var(X).
Cov(Y, Y ) = Var(Y ).
Video tham khảo thêm
https://www.youtube.com/watch?v=qtaqvPAeEJY
HỆ SỐ TƯƠNG QUAN (CORRELATION
COEFFICIENT)
Định nghĩa
Hệ số tương quan giữa X và Y được định nghĩa bởi
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
COEFFICIENT)
Định nghĩa
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
Nhận xét.
1 RXY có cùng dấu với Cov(X, Y ). Hơn nữa −1 ≤ RXY ≤ 1.
COEFFICIENT)
Định nghĩa
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
Nhận xét.
2
Cov(X, Y )
RXY = q q
Cov(X, X) · Cov(Y, Y )
COEFFICIENT)
Định nghĩa
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
Nhận xét.
2
Cov(X, Y ) E(XY ) − E(X)E(Y )

RXY = q q = .
Cov(X, X) · Cov(Y, Y ) σ(X)σ(Y )
Ý NGHĨA CỦA HỆ SỐ TƯƠNG QUAN
Ý nghĩa của hệ số tương quan

RXY không chỉ nói lên sự dao động cùng hướng hay ngược hướng
của X, Y (do có cùng dấu với Cov(X, Y )), mà còn cho phép chúng
ta so sánh tỉ lệ dao động của chúng.
Ý nghĩa của hệ số tương quan

RXY không chỉ nói lên sự dao động cùng hướng hay ngược hướng
của X, Y (do có cùng dấu với Cov(X, Y )), mà còn cho phép chúng
ta so sánh tỉ lệ dao động của chúng.
1 Nếu RXY = 0 thì ta nói giữa X và Y không có một mối tương

quan nào. Lúc đó, sự tăng giảm của X và Y không có tương
quan hay tỉ lệ cố định với nhau. Nói một cách toán học hơn,
đó là X và Y không có mối tương quan tuyến tính nào.
1 Nếu RXY > 0 (positive correlation) thì X và Y dao động theo

cùng hướng (quanh kỳ vọng của chúng) với hệ số là RXY .

2 Nếu RXY = 1 thì X, Y dao động cùng hướng với cùng tỉ lệ.

3 Nếu RXY < 0 (negative correlation) thì X và Y dao động
ngược hướng (quanh kỳ vọng của chúng) với hệ số là RXY .

3 Nếu RXY < 0 (negative correlation) thì X và Y dao động
ngược hướng (quanh kỳ vọng của chúng) với hệ số là RXY .
4 Nếu RXY = −1 thì X, Y dao động ngược hướng với cùng tỉ lệ.
5 Tham khảo thêm tại Investopedia.
HỆ SỐ TƯƠNG QUAN - MINH HỌA
TƯƠNG QUAN VÀ ĐỘC LẬP
Định lý
Nếu X, Y độc lập thì RXY = 0.
Do đó nếu X, Y độc lập thì X và Y không tương quan.
Tuy nhiên điều ngược lại không đúng trong trường hợp tổng
quát.
TƯƠNG QUAN VÀ PHỤ THUỘC TUYẾN TÍNH
Định lý - Định nghĩa

|RXY | = 1 khi và chỉ khi X, Y phụ thuộc tuyến tính.
Nếu RXY = 1 thì ta nói X và Y có quan hệ tuyến tính với hệ
số dương.
Nếu RXY = −1 thì ta nói X và Y có quan hệ tuyến tính với
hệ số âm.
VÍ DỤ
1 Cung và giá có hệ số tương quan dương. Trong khi cầu và giá

lại có hệ số tương quan âm.
VÍ DỤ

2 Theo một số nghiên cứu, sự phát tán của Covid-19 và nhiệt
độ cao có hệ số tương quan âm.
VÍ DỤ

3 Có vẻ như sự phát tán Covid-19 và việc đeo khẩu trang có hệ
số tương quan âm.
VÍ DỤ

4 Cách ly xã hội và sự phát tán Covid-19 có hệ số tương quan
âm.
VÍ DỤ

4 Cách ly xã hội và sự phát tán Covid-19 có hệ số tương quan
âm.
5 Việc học tập online chăm chỉ và việc phán tán Covid-19 không
có tương quan. Tuy nhiên, việc học tập online chăm chỉ và
điểm thi cuối kì có hệ số tương quan dương và khá gần với 1.
VÍ DỤ
Cho vectơ ngẫu nhiên 2 chiều (X, Y ) có bảng PPXS như sau:
Y 1 2 3 P (X = xi )
X
2 0.1 0.3 0.15 0.55

4 0.15 0.25 0.05 0.45
P (Y = yj ) 0.25 0.55 0.2 1
1 Tính hiệp phương sai.

2 Tính hệ số tương quan.
Cov(X, Y ) = E(XY ) − E(X)E(Y ).
Cov(X, Y ) = E(XY ) − E(X)E(Y ).
1 E(X) = 2 × 0.55 + 4 × 0.45 = 2.9
Cov(X, Y ) = E(XY ) − E(X)E(Y ).
1 E(X) = 2 × 0.55 + 4 × 0.45 = 2.9

2 E(Y ) = 1 × 0.25 + 2 × 0.55 + 3 × 0.2 = 1.95
Cov(X, Y ) = E(XY ) − E(X)E(Y ).
1 E(X) = 2 × 0.55 + 4 × 0.45 = 2.9

2 E(Y ) = 1 × 0.25 + 2 × 0.55 + 3 × 0.2 = 1.95
3 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
Cov(X, Y ) = E(XY ) − E(X)E(Y ).
1 E(X) = 2 × 0.55 + 4 × 0.45 = 2.9

2 E(Y ) = 1 × 0.25 + 2 × 0.55 + 3 × 0.2 = 1.95
3 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
4 Var(X, Y ) = 5.5 − 2.9 × 1.95 = 0.155
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
1 Var(X, Y ) =
5.5 − 2.9 × 1.95 = 0.155
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
1 Var(X, Y ) =
5.5 − 2.9 × 1.95 = 0.155
2 Var(X) = E(X 2 ) − E(X)2 .
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
1 Var(X, Y ) =
5.5 − 2.9 × 1.95 = 0.155
2 Var(X) = E(X 2 ) − E(X)2 .
3 E(X) = 2.9.
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
1 Var(X, Y ) =
5.5 − 2.9 × 1.95 = 0.155
2 Var(X) = E(X 2 ) − E(X)2 .
3 E(X) = 2.9.
4 E(X 2 ) =
22 × 0.55 + 42 × 0.45 = 9.4
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
1 Var(X, Y ) =
5.5 − 2.9 × 1.95 = 0.155
2 Var(X) = E(X 2 ) − E(X)2 .
3 E(X) = 2.9.
4 E(X 2 ) =
22 × 0.55 + 42 × 0.45 = 9.4
5 Var(X) = 9.4 − 2.92 = 0.99
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
1 Var(X, Y ) = 6 E(Y 2 ) = 12 × 0.25 + 22 ×

5.5 − 2.9 × 1.95 = 0.155 0.55 + 32 × 0.2 = 4.25,
E(Y ) = 1.95
2 Var(X) = E(X 2 ) − E(X)2 .
3 E(X) = 2.9.
4 E(X 2 ) =
22 × 0.55 + 42 × 0.45 = 9.4
5 Var(X) = 9.4 − 2.92 = 0.99
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
1 Var(X, Y ) = 6 E(Y 2 ) = 12 × 0.25 + 22 ×

5.5 − 2.9 × 1.95 = 0.155 0.55 + 32 × 0.2 = 4.25,
E(Y ) = 1.95
2 Var(X) = E(X 2 ) − E(X)2 .
3 E(X) = 2.9. 7 Var(Y ) = 4.25 − 1.952 =
0.4475
4 E(X 2 ) =
22 × 0.55 + 42 × 0.45 = 9.4
5 Var(X) = 9.4 − 2.92 = 0.99
Cov(X, Y )
RXY = q .
Var(X)Var(Y )
1 Var(X, Y ) = 6 E(Y 2 ) = 12 × 0.25 + 22 ×

5.5 − 2.9 × 1.95 = 0.155 0.55 + 32 × 0.2 = 4.25,
E(Y ) = 1.95
2 Var(X) = E(X 2 ) − E(X)2 .
3 E(X) = 2.9. 7 Var(Y ) = 4.25 − 1.952 =
0.4475
4 E(X 2 ) =
22 × 0.55 + 42 × 0.45 = 9.4 8 −0.155
RXY = √0.99×0.4475 ≈
5 Var(X) = 9.4 − 2.92 = 0.99 −0.233.
BÀI TẬP KHÁC
Cho vectơ ngẫu nhiên 2 chiều (X, Y ) có hàm phân phối như sau
Y -1 0 1 P (X = xi )
X
0 0 1/3 0 1/3
1 1/3 0 1/3 2/3
P (Y = yj ) 1/3 1/3 1/3 1
1 Tính E(X), E(Y ), E(X 2 ), E(Y 2 ), E(XY ), Var(X), Var(Y ),

2 Tính Cov(X, Y ), RXY .
BÀI TẬP KHÁC
Bài tập 1.1 (Giáo trình - p.62)
Một lô hàng có 10 sản phẩm (sp), trong đó có 4 sp xấu. Mỗi sp
tốt nặng 3 kg, còn mỗi sp xấu nặng 2 kg. Chọn ngẫu nhiên 3 sp từ
lô hàng. Gọi X là tổng khối lượng của 3 sp.
a. Lập bảng PPXS của X,
b. Tính kỳ vọng, phương sai và độ lệch chuẩn của X.

Một sinh viên đi học từ nhà đến trường phải qua 4 ngã tư. Xác
suất gặp đèn đỏ ở mỗi ngã tư là 25%. Gọi X là số lần sinh viên
gặp đèn đỏ.
a. Lập bảng PPXS của X,
b. Tìm hàm PPXS của X,
c. Tính số lần sinh viên gặp đèn đỏ trung bình.
BÀI TẬP KHÁC

Cho X là ĐLNN có hàm mật độ xác suất
(
3x2 nếu x ∈ [0, 1]
f (x) =
0 otherwise.
a. Tìm hàm PPXS của X,

b. Tính kỳ vọng, phương sai, độ lệch chuẩn, mod và trung vị của
X.
BÀI TẬP KHÁC

Cho bảng PPXS đồng thời của vectơ 2 chiều (X, Y ) như sau:
Y 1 3 7 P (X = xi )
X
1 0.1 0.2 0.25 0.55

2 0.05 0.35 0.05 0.45
P (Y = yj ) 0.15 0.55 0.3 1
1 Hỏi X và Y có độc lập hay không và vì sao?
2 Tính kỳ vọng, phương sai, hiệp phương sai và hệ số tương
quan.
Thank you
Thank you!

Slides LTXS Chapter2

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

Slides LTXS Chapter2

Uploaded by

Copyright:

Available Formats

Chương II.

ĐẠI LƯỢNG NGẪU NHIÊN

TS. Hà Văn Hiếu

Ngày 29 tháng 4 năm 2022

1 Đại lượng ngẫu nhiên rời rạc.

1 Đại lượng ngẫu nhiên rời rạc.

1 Đại lượng ngẫu nhiên rời rạc.

1 Đại lượng ngẫu nhiên rời rạc.

1 Đại lượng ngẫu nhiên rời rạc.

1 Đại lượng ngẫu nhiên rời rạc.

Đại lượng ngẫu nhiên rời rạc (Discrete variables)

Đại lượng ngẫu nhiên rời rạc (Discrete variables)

Ví dụ 1. Thực hiện phép tung xác suất. Gọi X là số chấm

Ω = {T, ST, SST, SSST, · · · }.

Giá trị của X là X(Ω) = {0, 1, 2, 3, 4, · · · }.

2 nếu x < 1 thì (X ≤ x) là biến cố "gieo được mặt có số chấm

1 Nếu 1 ≤ x < 2 thì (X ≤ x) là của biến cố "gieo được mặt có

1 Nếu 1 ≤ x < 2 thì (X ≤ x) là của biến cố "gieo được mặt có

1 Nếu 3 ≤ x < 4 thì (X ≤ x) là biến cố "gieo được mặt có số

1 Nếu 3 ≤ x < 4 thì (X ≤ x) là biến cố "gieo được mặt có số

1 Nếu 5 ≤ x < 6 thì (X ≤ x) là biến cố "gieo được mặt có số

1 Nếu 5 ≤ x < 6 thì (X ≤ x) là biến cố "gieo được mặt có số

1 Như vậy, ta có hàm PPXS của X là

2 Và từ đó tìm hàm phân phối xác suất của X.

2 Và từ đó tìm hàm phân phối xác suất của X.

1 Giá trị của ĐLNN X là

2 Và từ đó tìm hàm phân phối xác suất của X.

1 Giá trị của ĐLNN X là

2 Và từ đó tìm hàm phân phối xác suất của X.

1 Giá trị của ĐLNN X là

2 Và từ đó tìm hàm phân phối xác suất của X.

1 Giá trị của ĐLNN X là

2 Và từ đó tìm hàm phân phối xác suất của X.

1 Giá trị của ĐLNN X là

2 Và từ đó tìm hàm phân phối xác suất của X.

1 Giá trị của ĐLNN X là

2 Và từ đó tìm hàm phân phối xác suất của X.

1 Giá trị của ĐLNN X là 4 P (X = 2) =

2 Và từ đó tìm hàm phân phối xác suất của X.

1 Giá trị của ĐLNN X là 4 P (X = 2) = 1/4.

2 Và từ đó tìm hàm phân phối xác suất của X.

1 Giá trị của ĐLNN X là 4 P (X = 2) = 1/4.

1 Bảng PPXS của X là

1 Bảng PPXS của X là

2 Hàm PPXS của X là

Hàm PPXS là một hàm

Hàm PPXS là một hàm

Khi x đủ nhỏ thì F (x) = 0.

Hàm PPXS là một hàm

Khi x đủ nhỏ thì F (x) = 0.

Hàm PPXS là một hàm

Khi x đủ nhỏ thì F (x) = 0.

Do đó, nếu X liên tục thì ta còn có

P (a ≤ X < b) = F (b) − F (a),

Do đó, nếu X liên tục thì ta còn có

P (a ≤ X < b) = F (b) − F (a),

Do đó, nếu X liên tục thì ta còn có

P (a ≤ X < b) = F (b) − F (a),

ĐẠI LƯỢNG NGẪU NHIÊN ĐẠI LƯỢNG NGẪU NHIÊN

ĐẠI LƯỢNG NGẪU NHIÊN ĐẠI LƯỢNG NGẪU NHIÊN

ĐẠI LƯỢNG NGẪU NHIÊN ĐẠI LƯỢNG NGẪU NHIÊN

ĐẠI LƯỢNG NGẪU NHIÊN ĐẠI LƯỢNG NGẪU NHIÊN

ĐẠI LƯỢNG NGẪU NHIÊN ĐẠI LƯỢNG NGẪU NHIÊN