Bài giảng - MI2020 - Chương 2

Chương 2
Biến ngẫu nhiên và phân phối xác suất
Chương này nghiên cứu về biến ngẫu nhiên đơn. Nội dung chủ yếu bao gồm: Định nghĩa
và phân loại biến ngẫu nhiên; Phân tích phân phối xác suất của biến ngẫu nhiên thông qua
bảng phân phối, hàm phân phối, hàm mật độ xác suất; Trình bày một số đặc trưng số của biến
ngẫu nhiên như kỳ vọng, phương sai, độ lệch chuẩn, mốt, trung vị; Mô tả một số phân phối
xác suất thông dụng: phân phối đều, phân phối Bernoulli, phân phối nhị thức, phân phối
Poisson, phân phối mũ, phân phối chuẩn, phân phối t (Student), phân phối Khi-bình phương,
phân phối F (Fisher).
Nội dung
2.1 Biến ngẫu nhiên 2.3.4 Một số đặc trưng khác
2.1.1 Khái niệm biến ngẫu nhiên 2.4 Biến ngẫu nhiên hỗn hợp
2.1.2 Biến ngẫu nhiên rời rạc, biến ngẫu
2.5 Một số phân phối xác suất thông dụng
nhiên liên tục
2.1.3 Hàm của một biến ngẫu nhiên 2.5.1 Phân phối đều (rời rạc)
2.2 Phân phối xác suất của biến ngẫu nhiên 2.5.2 Phân phối Bernoulli
2.5.3 Phân phối nhị thức

2.2.1 Bảng phân phối xác suất
2.2.2 Hàm phân phối xác suất 2.5.4 Phân phối Poisson
2.2.3 Hàm mật độ xác suất 2.5.5 Phân phối đều (liên tục)
2.5.6 Phân phối mũ

2.3 Một số tham số đặc trưng của biến ngẫu
nhiên 2.5.7 Phân phối chuẩn
2.3.1 Kỳ vọng 2.5.8 Phân phối khi-bình phương
2.3.2 Phương sai 2.5.9 Phân phối t (Student)
2.3.3 Độ lệch chuẩn 2.5.10 Phân phối F (Fisher)
53
MI2020–Kỳ 2022.2 NGUYỄN THỊ THU THỦY − SAMI.HUST
Mục tiêu
Giúp sinh viên:
1. Xác định xác suất từ các hàm xác suất, bảng phân phối xác suất và ngược lại.
2. Xác định xác suất từ các hàm phân phối tích lũy và hàm phân phối tích lũy từ các hàm
xác suất, bảng phân phối xác suất, hàm mật độ xác suất và ngược lại.
3. Tính giá trị trung bình, phương sai, độ lệch chuẩn, mốt, trung vị cho các biến ngẫu nhiên
(rời rạc, liên tục).
4. Hiểu và nhận biết được một số phân phối xác suất (rời rạc, liên tục) thông dụng.
5. Chọn phân phối xác suất (rời rạc, liên tục) thích hợp để tính toán xác suất trong các ứng
dụng cụ thể.
6. Tính toán xác suất, xác định kỳ vọng, phương sai, độ lệch chuẩn cho một số phân phối
xác suất (rời rạc, liên tục) thông dụng.
7. Sử dụng bảng phân vị chuẩn để tính xác suất.
2.1 Biến ngẫu nhiên

Khái niệm biến ngẫu nhiên (random variable) rất thông dụng. Ta tìm cách đưa vào khái
niệm biến ngẫu nhiên như một đại lượng phụ thuộc vào kết cục của một phép thử nào đó.
2.1.1 Khái niệm biến ngẫu nhiên

Về mặt hình thức, có thể định nghĩa biến ngẫu nhiên là một hàm được định nghĩa trên
không gian các sự kiện sơ cấp nhận giá trị là các số thực và mỗi biến ngẫu nhiên đặc trưng
cho một phép thử ngẫu nhiên xác định.
Ví dụ 2.1. Gieo một con xúc sắc. Nếu ta gọi biến ngẫu nhiên là “số chấm xuất hiện” thì nó
phụ thuộc vào kết cục của phép thử và nhận các giá trị nguyên từ 1 đến 6.
Ký hiệu biến ngẫu nhiên bởi một chữ cái viết hoa, chẳng hạn X. Sau khi thực hiện một
phép thử, giá trị đo được của biến ngẫu nhiên được ký hiệu bằng một chữ cái viết thường
tương ứng, chẳng hạn, biến ngẫu nhiên X nhận giá trị x và viết là ( X = x ). Tập hợp tất cả các
giá trị của biến ngẫu nhiên X được gọi là miền giá trị của X, ký hiệu là SX .
2.1. Biến ngẫu nhiên 54

Ví dụ 2.2. Hệ thống liên lạc bằng giọng nói của một doanh nghiệp có 48 đường truyền. Quan
sát hệ thống tại một thời điểm cụ thể và gọi X là “số đường truyền đang được sử dụng tại
thời điểm quan sát”. Khi đó, X là một biến ngẫu nhiên và
SX = {0, 1, 2, . . . , 48}.
Tại thời điểm quan sát nếu có 10 đường truyền đang được sử dụng thì x = 10.
Nhận xét 2.1. (a) X được gọi là biến ngẫu nhiên vì trước khi tiến hành phép thử ta chưa có
thể nói một cách chắn chắc nó sẽ nhận một giá trị bằng bao nhiêu mà chỉ dự đoán điều
đó với một xác suất xác định. Nói cách khác, việc biến ngẫu nhiên X nhận một giá trị
nào đó ( X = x1 ), ( X = x2 ), . . . , ( X = xn ) về thực chất là các sự kiện ngẫu nhiên.
(b) Nếu biến ngẫu nhiên X chỉ nhận các giá trị x1 , x2 , . . . , xn thì {( X = x1 ), ( X = x2 ), . . . , ( X =
xn )} tạo nên một hệ đầy đủ các sự kiện.
(c) Khái niệm biến ngẫu nhiên X được xác định như trên được gọi là biến ngẫu nhiên một
chiều có miền giá trị SX ⊂ R.
2.1.2 Biến ngẫu nhiên rời rạc, biến ngẫu nhiên liên tục
Định nghĩa 2.1 (Biến ngẫu nhiên rời rạc). Biến ngẫu nhiên X được gọi là biến ngẫu nhiên rời
rạc nếu miền giá trị của nó là tập hợp hữu hạn hoặc vô hạn đếm được phần tử. Nói cách khác,
nếu X là biến ngẫu nhiên rời rạc, thì ta có thể liệt kê được tất cả các giá trị của nó.
Định nghĩa 2.2 (Biến ngẫu nhiên liên tục). Biến ngẫu nhiên X được gọi là biến ngẫu nhiên
liên tục nếu tập giá trị của nó lấp đầy một khoảng hoặc một số khoảng số thực, thậm chí là
toàn bộ tập số thực R.
Ví dụ 2.3. (a) Biến ngẫu nhiên X trong Ví dụ 2.2 là biến ngẫu nhiên rời rạc có 49 phần tử.
(b) Một người phải tiến hành thí nghiệm cho tới khi thí nghiệm thành công thì dừng. Gọi
Y là “số lần tiến hành thí nghiệm”. Khi đó, Y là biến ngẫu nhiên rời rạc có vô hạn đếm
được phần tử và
SY = {1, 2, . . . , n, . . . }.
(c) Bắn một viên đạn vào bia có bán kính là 20 centimét (cm) và giả sử viên đạn trúng bia.
Gọi Z là “khoảng cách từ tâm bia tới điểm bia trúng đạn”, thì Z là biến ngẫu nhiên liên
tục và
SZ = [0; 20 cm].
2.1. Biến ngẫu nhiên 55

2.1.3 Hàm của một biến ngẫu nhiên

Cho X là một biến ngẫu nhiên và g(.) là một hàm một biến số thực. Ta xét một biến ngẫu
nhiên mới g( X ) := g( x ) phụ thuộc vào X, nghĩa là, mỗi giá trị của g( X ) được xác định

x=X
bởi giá trị của X. Chẳng hạn, g( X ) có thể là X 2 hoặc 3X − 1 và giả sử X nhận giá trị 2, thì g( X )
sẽ nhận giá trị g(2). Biến ngẫu nhiên g( X ) như vậy được gọi là hàm của biến ngẫu nhiên X.
Ta lưu ý là, nếu X là biến ngẫu nhiên rời rạc thì g( X ) cũng là biến ngẫu nhiên rời rạc. Nếu X
là biến ngẫu nhiên liên tục và g(.) là một hàm liên tục thì g( X ) là biến ngẫu nhiên liên tục.
Ví dụ 2.4. Trong Ví dụ 2.2, X là biến ngẫu nhiên chỉ số đường truyền đang được sử dụng tại
thời điểm quan sát, bình phương số đường truyền đang được sử dụng là g( X ) = X 2 . Đây là
một biến ngẫu nhiên rời rạc và
Sg(X ) = {02 , 12 , 22 , . . . , 482 }.
Ví dụ 2.5. Một công ty điện thoại tính cước phí 10 nghìn đồng cho trang thứ nhất, 9 nghìn
đồng cho trang thứ hai, . . . , 6 nghìn đồng cho trang thứ năm. Những bản fax từ 6 đến 10 trang
có phí là 50 nghìn đồng. Công ty điện thoại này không nhận những bản fax dài quá 10 trang.
Gọi X là số trang trong một bản fax và Y là chi phí phải trả cho một bản fax. Hãy cho biết mối
liên hệ giữa X và Y.
Lời giải Ví dụ 2.5 Ta nhận thấy X là biến ngẫu nhiên rời rạc có thể nhận các giá trị 1, 2, . . . , 10
và Y là một hàm của X và được xác định bởi

10, 5X − 0, 5X 2 ,

1 ≤ X ≤ 5,
Y := g( X ) =
50,
 6 ≤ X ≤ 10.
2.2 Phân phối xác suất của biến ngẫu nhiên

Các biến ngẫu nhiên rất quan trọng trong các phép thử. Đôi khi, chúng ta bỏ qua không
gian các sự kiện sơ cấp ban đầu của phép thử và chỉ tập trung vào phân phối xác suất của
biến ngẫu nhiên. Chẳng hạn, trong Ví dụ 2.2, phân tích của ta chỉ tập trung vào các số nguyên
0, 1, . . . , 48. Theo cách này, một biến ngẫu nhiên có thể đơn giản hóa việc mô tả và phân tích
một phép thử. Phân phối xác suất của biến ngẫu nhiên X là sự mô tả các xác suất được liên
kết với các giá trị có thể có của X.
Định nghĩa 2.3 (Phân phối xác suất). Bất kỳ một hình thức nào cho phép biểu diễn mối quan
hệ giữa các giá trị có thể có của biến ngẫu nhiên và xác suất tương ứng để biến ngẫu nhiên
nhận các giá trị đó đều được gọi là phân phối xác suất của biến ngẫu nhiên.
Trong chương này, ta sẽ mô tả phân phối xác suất của biến ngẫu nhiên bởi bảng phân phối
xác suất hay hàm xác suất (áp dụng cho biến ngẫu nhiên rời rạc), hàm phân phối xác suất (áp
dụng cho cả biến ngẫu nhiên rời rạc và liên tục) và hàm mật độ xác suất (áp dụng cho biến
ngẫu nhiên liên tục).
2.2. Phân phối xác suất của biến ngẫu nhiên 56

2.2.1 Bảng phân phối xác suất

Định nghĩa 2.4 (Hàm xác suất). Với biến ngẫu nhiên rời rạc X nhận các giá trị x1 , x2 , . . . , xn ,
hàm xác suất là hàm PX ( x ) thỏa mãn:
(a) PX ( xi ) ≥ 0 với mọi i = 1, 2, . . . , n;
(b) ∑in=1 PX ( xi ) = 1;
(c) PX ( xi ) = P( X = xi ), i = 1, 2, . . . , n với ( X = xi ) là sự kiện “X nhận giá trị xi ”.
Nếu X là biến ngẫu nhiên có vô hạn đếm được phần tử thì trong định nghĩa trên n → ∞.
Ví dụ 2.6. Một bít được truyền qua đường truyền kỹ thuật số có thể bị lỗi, xác suất để một bít
được truyền đi bị lỗi là 0,1. Giả sử rằng các lần truyền là độc lập nhau. Gọi X là số bít bị lỗi
trong bốn bít được truyền đi, thì X là biến ngẫu nhiên rời rạc và SX = {0, 1, 2, 3, 4}. Áp dụng
công thức Bernoulli (1.22),
P( X = 0) = (C40 )(0, 1)0 (0, 9)4 = 0, 6561; P( X = 1) = (C41 )(0, 1)1 (0, 9)3 = 0, 2916;
P( X = 2) = (C42 )(0, 1)2 (0, 9)2 = 0, 0486; P( X = 3) = (C43 )(0, 1)3 (0, 9)1 = 0, 0036;
P( X = 4) = (C44 )(0, 1)4 (0, 9)0 = 0, 0001.
Suy ra, hàm xác suất của X là





0, 6561, x = 0,


0, 2916, x = 1,






0, 0486, x = 2,

PX ( x ) =



0, 0036, x = 3,


0, 0001, x = 4,






0, trong các trường hợp còn lại.

Kiểm tra thấy tổng xác suất bằng 1. Phân phối xác suất của X được xác định bởi các giá trị có
thể có cùng với xác suất tương ứng được minh họa trong Hình 2.1.
Qua ví dụ này, ta thấy một phép thử thường có thể được tóm tắt bởi một biến ngẫu nhiên
và phân phối xác suất của nó. Các chi tiết của không gian các sự kiện sơ cấp có thể được bỏ
qua.
Định nghĩa 2.5 (Bảng phân phối xác suất). (a) Giả sử X là một biến ngẫu nhiên rời rạc nhận
một số hữu hạn n giá trị x1 , . . . , xn (sắp xếp theo thứ tự tăng dần). Khi đó, bảng phân
phối xác suất của biến ngẫu nhiên X có dạng:
X x1 x2 ... xn
(2.1)
P ( X = xi ) P ( X = x1 ) P ( X = x2 ) ... P( X = xn )

PX ( x )
0,6561
0,2916
0,0486 0,0036 0,0001

0 1 2 3 4 x
Hình 2.1: Phân phối xác suất của số bít bị lỗi trong Ví dụ 2.6
(b) Nếu X là biến ngẫu nhiên rời rạc có vô hạn đếm được phần tử thì bảng phân phối xác
suất của biến ngẫu nhiên X là:
X x1 x2 ... xn ...
(2.2)
P ( X = xi ) P ( X = x1 ) P ( X = x2 ) ... P( X = xn ) ...
trong đó, { x1 , x2 , . . . , xn . . . } là tập các giá trị của X được sắp xếp theo thứ tự tăng dần.
Chú ý 2.1. (a) Trong (2.1), ∑in=1 P( X = xi ) = 1 và trong (2.2), ∑∞

n=1 P ( X = xn ) = 1.
(b) Trong bảng phân phối xác suất, giá trị nào của biến ngẫu nhiên X không được đề cập
đến thì xem như xác suất tại đó bằng 0.
Ví dụ 2.7. Trong Ví dụ 2.6, X là biến ngẫu nhiên chỉ số bít bị lỗi trong 4 bít được truyền đi.
Bảng phân phối xác suất của X là
X 0 1 2 3 4
P ( X = xi ) 0,6561 0,2916 0,0486 0,0036 0,0001
Ví dụ 2.8. Một lô hàng gồm 30 chiếc máy tính xách tay cùng loại được giao cho một cửa hàng
bán lẻ, trong đó có 5 chiếc bị lỗi. Một doanh nghiệp chọn mua ngẫu nhiên 3 máy tính từ lô
hàng này, tìm phân phối xác suất của số máy bị lỗi.
Lời giải Ví dụ 2.8 Gọi X là “số máy bị lỗi trong 3 máy được chọn”, X là biến ngẫu nhiên rời rạc
và SX = {0, 1, 2, 3}. Ta tính
C50 C25
3
115 C51 C25
2
75
P ( X = 0) = 3
= , P ( X = 1) = 3
= ,
C30 203 C30 203
C52 C25
1
25 C53 C25
0
1
P ( X = 2) = 3
= , P ( X = 3) = 3
= .
C30 406 C30 406
Vậy bảng phân phối xác suất của X là
X 0 1 2 3
115 75 25 1
P ( X = xi ) 203 203 406 406

Ví dụ 2.9. Trong Ví dụ 2.5, giả sử tất cả các bản fax chỉ gồm 1, 2, 3 hoặc 4 trang với xác suất
như nhau. Tìm bảng phân phối xác suất của biến ngẫu nhiên Y chỉ chi phí cho một bản fax.
Lời giải Ví dụ 2.9 Bảng phân phối xác suất của X, biến ngẫu nhiên chỉ số trang trong một bản
fax, là
X 1 2 3 4
P ( X = xi ) 0,25 0,25 0,25 0,25
Theo Ví dụ 2.5, Y là một biến ngẫu nhiên rời rạc với SY = {10, 19, 27, 34} và
P(Y = 10) = P( X = 1) = 0, 25; P(Y = 19) = P( X = 2) = 0, 25,

P(Y = 27) = P( X = 3) = 0, 25; P(Y = 34) = P( X = 4) = 0, 25.
Do đó,
Y 10 19 27 34
P (Y = y i ) 0,25 0,25 0,25 0,25
Ví dụ 2.10. Một dây chuyền tự động khi hoạt động bình thường có thể sản xuất ra phế phẩm
với xác suất p = 0, 001 và được điều chỉnh ngay lập tức khi phát hiện có phế phẩm. Lập bảng
phân phối xác suất của số sản phẩm được sản xuất giữa hai lần điều chỉnh.
Lời giải Ví dụ 2.10 Gọi X là “số sản phẩm được sản xuất giữa hai lần điều chỉnh”. Khi đó, X là
biến ngẫu nhiên rời rạc và SX = {1, 2, 3, 4, . . . } với xác suất tương ứng
P( X = 1) = 0, 001; P( X = 2) = 0, 999 × 0, 001, . . .

P( X = n) = (0, 999)n−1 × 0, 001 . . .
Vậy bảng phân phối xác suất của X là

X 1 2 ... n ...
P ( X = xi ) 0, 001 0, 999 × 0, 001 . . . (0, 999)n−1 × 0, 001 . . .
2.2.2 Hàm phân phối xác suất

Định nghĩa 2.6 (Hàm phân phối xác suất). Hàm phân phối xác suất của biến ngẫu nhiên X,
ký hiệu là FX ( x ), được định nghĩa như sau:
FX ( x ) = P( X < x ), x ∈ R. (2.3)
(a) Nếu X là biến ngẫu nhiên rời rạc có bảng phân phối xác suất (2.1) thì hàm phân phối
xác suất là: 



0, x ≤ x1 ,


P ( X = x1 ), x1 < x ≤ x2 ,





FX ( x ) = P( X = x1 ) + P( X = x2 ), x2 < x ≤ x3 , (2.4)






 ...


1, x > xn .


(b) Nếu X là biến ngẫu nhiên rời rạc có bảng phân phối xác suất (2.2) thì hàm phân phối
xác suất là:




 0, x ≤ x1 ,


P ( X = x1 ), x1 < x ≤ x2 ,






 P ( X = x ) + P ( X = x2 ), x2 < x ≤ x3 ,

1
FX ( x ) = (2.5)



 ...

∑in=1 P( X = xi ),

x n < x ≤ x n +1 ,






. . .

Nhận xét 2.2. (a) Hàm phân phối xác suất của biến ngẫu nhiên rời rạc X có thể được viết
dưới dạng
FX ( x ) = ∑ P ( X = xi ) với mọi x ∈ R. (2.6)

i<x
Do đó, FX ( x ) trong (2.4) và (2.5) còn được gọi là hàm phân phối tích lũy.
(b) Hàm phân phối xác suất FX ( x ) phản ánh mức độ tập trung xác suất ở bên trái của một
số thực x nào đó.
(c) Đồ thị của hàm phân phối xác suất của biến ngẫu nhiên rời rạc có dạng bậc thang (Hình
2.2).
FX ( x )
1
p1 + p2
p1
0 x1 x2 x3 . . . x n x
Hình 2.2: Đồ thị của hàm phân phối xác suất
Ví dụ 2.11. Tìm hàm phân phối xác suất của biến ngẫu nhiên X trong Ví dụ 2.8.

Lời giải Ví dụ Từ bảng phân phối xác suất ở Ví dụ 2.8, sử dụng (2.4) suy ra
 



 0, x ≤ 0, 


 0, x ≤ 0,
 
115 115
 
, 0 < x ≤ 1, , 0 < x ≤ 1,

 

 203  203

 

FX ( x ) = 115 75
203 + 203 , 1 < x ≤ 2, = 190
203 , 1 < x ≤ 2,

 

115 75 25 405
 



 203 + 203 + 406 , 2 < x ≤ 3, 


 406 , 2 < x ≤ 3,
 
 115 + 75 + 25 + 1 , x > 3.
 
1, x > 3.
 
203 203 406 406
Từ định nghĩa hàm phân phối, ta có các tính chất sau đây.
Tính chất 2.1. (a) 0 ≤ FX ( x ) ≤ 1 với mọi x ∈ R.
(b) FX ( x ) là hàm không giảm, nghĩa là với mọi x1 , x2 ∈ R, x1 < x2 thì FX ( x1 ) ≤ FX ( x2 ).
Nếu X là biến ngẫu nhiên rời rạc thì FX ( x ) là hàm gián đoạn với số điểm gián đoạn bằng
số các giá trị có thể có của biến ngẫu nhiên và FX ( x ) liên tục bên trái tại các điểm gián
đoạn.
Nếu X là biến ngẫu nhiên liên tục thì FX ( x ) là hàm liên tục.
(c) P( a ≤ X < b) = FX (b) − FX ( a).
Nếu X là biến ngẫu nhiên liên tục thì P( X = a) = 0 và
P( a ≤ X < b) = P( a ≤ X ≤ b) = P( a < X ≤ b) = P( a < X < b) = FX (b) − FX ( a).
(d) FX (−∞) = 0, FX (+∞) = 1, ở đây FX (∞) := limx→∞ FX ( x ).
Chứng minh. (a) Suy trực tiếp từ (2.3) và tính chất của xác suất.
(b) Giả sử x1 < x2 , xét sự kiện ( X < x2 ) = ( X < x1 ) + ( x1 ≤ X < x2 ). Do tính xung khắc
của các sự kiện suy ra
P ( X < x2 ) = P ( X < x1 ) + P ( x1 ≤ X < x2 ).
Từ đây kết hợp với (2.3) suy ra
FX ( x2 ) − FX ( x1 ) = P( x1 ≤ X < x2 ) ≥ 0.
(c) Suy trực tiếp từ chứng minh tính chất (b) với a = x1 và b = x2 .
(d) FX (−∞) = P( X < −∞) = P(∅) = 0, FX (+∞) = P( X < +∞) = P(S) = 1.

Ví dụ 2.12. Gọi X là đường kính của lỗ được khoan trên một sản phẩm kim loại. Kích thước
tiêu chuẩn của đường kính được đặt ra là 12,5 milimét (mm). Các tác động ngẫu nhiên trong
quá trình khoan dẫn đến đường kính luôn lớn hơn quy định. Dữ liệu lịch sử cho thấy phân
phối của X có thể được mô hình hóa bằng hàm phân phối xác suất

0, x ≤ 12, 5,

FX ( x ) =
1 − e−20( x+k) , x > 12, 5.

(a) Xác định hằng số k.
(b) Nếu một sản phẩm có đường kính lớn hơn 12,6 mm sẽ bị loại bỏ thì tỷ lệ sản phẩm bị
loại bỏ là bao nhiêu?
Lời giải Ví dụ 2.12
(a) Sử dụng Tính chất 2.1(b), vì hàm FX ( x ) liên tục nên
lim FX ( x ) = lim FX ( x ), hay e−20(12,5+k) = e0 .

x →12,5− x →12,5+
Suy ra k = −12, 5. Thử lại, với k = −12, 5, FX ( x ) thỏa mãn tất cả các tính chất của hàm
phân phối xác suất của biến ngẫu nhiên liên tục. Vậy,

0, x ≤ 12, 5,

FX ( x ) =
1 − e−20( x−12,5) , x > 12, 5.

Hình 2.3 mô tả đồ thị của FX ( x ).
(b) Sử dụng Tính chất 2.1(c),
P( X > 12, 6) = FX (+∞) − FX (12, 6) = 1 − (1 − e−20(12,6−12,5) ) ' 0, 1353.
FX ( x )
1
0 12, 5 x
Hình 2.3: Đồ thị hàm phân phối xác suất của Ví dụ 2.12

Ví dụ 2.13. Cho biến ngẫu nhiên liên tục X có hàm phân phối xác suất là

0, x ≤ 0,





FX ( x ) = A + 3x2 − Bx3 , 0 < x ≤ 1,



1,
 x > 1.
(a) Hãy xác định A và B.
(b) Tính xác suất để trong kết quả của phép thử, X nhận giá trị trong khoảng (0, 5; 1).
(a) Theo Tính chất 2.1(b), hàm FX ( x ) là hàm liên tục nên

 lim FX ( x ) = lim FX ( x ) = FX (0),


x →0− x →0+
 lim− FX ( x ) = lim+ FX ( x ) = FX (1).



x →1 x →1
Từ đây ta nhận được

 
 A = 0,
  A = 0,

Hay
 A + 3 − B = 1.
  B = 2.

Thử lại, ta thấy với A = 2 và B = 0, hàm FX ( x ) thỏa mãn tất cả các tính chất hàm phân
phối xác suất của biến ngẫu nhiên liên tục X. Vậy

0, x ≤ 0,





FX ( x ) = 3x2 − 2x3 , 0 < x ≤ 1,



1,
 x > 1.
P(0, 5 < X < 1) = FX (1) − FX (0, 5)

h i h i
= 3 × (1)2 − 2 × (1)3 − 3 × (0, 5)2 − 2 × (0, 5)3 = 0, 5.
Ví dụ 2.14. Hàm phân phối xác suất của biến ngẫu nhiên liên tục X có dạng
FX ( x ) = A + B arctan x, −∞ < x < +∞.
(a) Tìm A và B.
(b) Tìm xác suất để khi quan sát biến ngẫu nhiên X ba lần độc lập nhau thấy có hai lần X
nhận giá trị trong khoảng (−1; 1).

FX ( x )
0 1 x
Hình 2.4: Đồ thị hàm phân phối xác suất của Ví dụ 2.13
(a) Sử dụng Tính chất 2.1(d),

 

 lim FX ( x ) = lim ( A + B arctan x ) = 0,
  A + B × − π = 0,

x →−∞ x →−∞ 2
hay

 lim FX ( x ) = lim ( A + B arctan x ) = 1,  A + B × π2 = 1.

∞ x →+∞
x→+
Suy ra A = 1/2, B = 1/π. Thử lại, với A = 1/2, B = 1/π, hàm FX ( x ) thỏa mãn tất cả các
tính chất của hàm phân phối xác suất của biến ngẫu nhiên liên tục X. Vậy
1 1
FX ( x ) = + arctan x, −∞ < x < +∞.
2 π
P(−1 < X < 1) = FX (1) − FX (−1)

1 1 1 1 1
= + arctan(1) − + arctan(−1) = .
2 π 2 π 2
Từ giả thiết, ta có dãy phép thử Bernoulli với n = 3, p = P(−1 < X < 1) = 1/2. Áp
dụng công thức (1.22), xác suất cần tìm là
2 1
1 1 3
P3 (2) = C32 p2 (1 − 1
p) = 3 × × = .
2 2 8
2.2.3 Hàm mật độ xác suất

Định nghĩa 2.7 (Hàm mật độ xác suất). Giả sử X là một biến ngẫu nhiên liên tục có hàm phân
phối xác suất FX ( x ). Nếu tồn tại hàm f X ( x ) sao cho
Zx
FX ( x ) = f X (t)dt, x∈R (2.7)
−∞
thì f X ( x ) được gọi là hàm mật độ xác suất của biến ngẫu nhiên liên tục X.

Định lý 2.1. Hàm mật độ xác suất của biến ngẫu nhiên liên tục X là đạo hàm bậc nhất của
hàm phân phối xác suất của biến ngẫu nhiên đó,
f X ( x ) = FX0 ( x ), x ∈ R. (2.8)
Từ Định nghĩa 2.7, Định lý 2.1 và Tính chất 2.1 ta dễ dàng suy ra các tính chất sau đây của
hàm mật độ.
Tính chất 2.2. (a) f X ( x ) ≥ 0 với mọi x ∈ R.

Z b
(b) P( a < X < b) = f X ( x )dx.
a
Z +∞
(c) f X ( x )dx = 1.
−∞
Chứng minh. (a) Vì f X ( x ) là đạo hàm của hàm không giảm.
(b) Suy từ Tính chất 2.1(c). Ý nghĩa hình học của tính chất này được mô tả ở Hình 2.5).
Z +∞
(c) Từ (2.7) và Tính chất 2.1(d), f X ( x )dx = FX (+∞) = 1.
−∞
P( a < X < b)
a b x
Hình 2.5: P( a < X < b) là diện tích miền tô màu dưới đường cong y = f X ( x )
Ví dụ 2.15. Gọi biến ngẫu nhiên liên tục X là cường độ dòng điện đo được trong một sợi dây
đồng mỏng tính bằng miliampe (mA). Giả sử X nhận giá trị trong đoạn [0; 20 mA] và hàm
mật độ xác suất của X là 
0, x∈
/ [0; 20],

f X (x) =
0, 05,
 x ∈ [0; 20].
Xác suất để phép đo đo được cường độ dòng điện nhỏ hơn 10 miliampe là bao nhiêu?
Lời giải Ví dụ 2.15 Áp dụng Tính chất 2.2(b),
Z10 Z10
P( X < 10) = f X ( x )dx = 0, 05dx = 0, 5.
0 0

f X (x)
0, 05
0 10 20 x
Hình 2.6: Hàm mật độ và xác suất trong Ví dụ 2.15
Ví dụ 2.16. Với dữ liệu trong Ví dụ 2.12,
(a) Tìm hàm mật độ xác suất f X ( x ) của biến ngẫu nhiên X chỉ đường kính của lỗ được
khoan trên sản phẩm kim loại.
(b) Sử dụng Tính chất 2.2(c) tính P( X > 12, 6).
(a) Theo (2.8), hàm mật độ xác suất của biến ngẫu nhiên X là

0, x ≤ 12, 5,

0
f X ( x ) = FX ( x ) =
20e−20( x−12,5) , x > 12, 5.

(b) Theo Tính chất 2.2(c),

+∞
Z +∞
Z
P( X > 12, 6) = f X ( x )dx = 20e−20( x−12,5) dx = 0, 1353.
12,6 12,6
Kết quả này trùng với kết quả được tính trong Ví dụ 2.12(b).
f X (x)
0 12, 5 12, 6 x
Hình 2.7: Hàm mật độ và xác suất trong Ví dụ 2.16
Ví dụ 2.17. Biến ngẫu nhiên liên tục X có hàm mật độ xác suất là
f X ( x ) = ke−| x| , −∞ < x < ∞.

(a) Xác định k.
(b) Tìm hàm phân phối xác suất của biến ngẫu nhiên X.
(a) Sử dụng Định lý 2.2(a),(c),


ke−| x| ≥ 0, ∀ x,




+∞ +∞

Z Z
−| x |


 1= ke dx = 2 ke− x dx.

−∞

0
Từ đây suy ra k = 1/2.
(b) Ta tìm hàm phân phối xác suất của X theo (2.7),
Zx
1 u
Nếu x ≤ 0, FX ( x ) = 2 e du = 21 e x .
−∞
Z0 Zx
1 −u
Nếu x > 0, FX ( x ) = 1 u
2 e du + 2e du = 1
2 − 12 e−x + 12 = 1 − 12 e−x .
−∞ 0
Vậy, 
 1 ex ,

nếu x ≤ 0,
2
FX ( x ) =
1 − 12 e− x ,
 nếu x > 0.
2.2.4 Phân phối xác suất của hàm của một biến ngẫu nhiên
Cho X là một biến ngẫu nhiên và Y := g( X ), trong đó, g(.) là hàm một biến số thực cho
trước. Nếu X là biến ngẫu nhiên rời rạc, hàm xác suất hay bảng phân phối xác suất của g( X )
được xác định trực tiếp từ biến ngẫu nhiên X ban đầu. Nếu X là biến ngẫu nhiên liên tục và
g(.) là hàm số liên tục, để tìm hàm mật độ xác suất f Y (y) từ Y = g( X ) và hàm mật độ xác suất
của X ta sẽ thực hiện theo quy trình hai bước:
1. Tìm FY (y) = P(Y < y).

dFY (y)
2. Tìm f Y (y) = dy .
Ví dụ 2.18. Trong Ví dụ 2.15, đặt Y = 100X. Tìm hàm mật độ xác suất f Y (y) của Y.
Lời giải Ví dụ 2.18 Để tìm hàm mật độ xác suất f Y (y), trước hết ta tìm hàm phân phối FX ( x ).
Từ Ví dụ 2.15, suy ra 
0, x ≤ 0,





FX ( x ) = 0, 05x, 0 < x ≤ 20,



1,
 x > 20.

Sử dụng kết quả này để tìm hàm phân phối FY (y) = P(Y < y) = P(100X < y), hay

0, y/100 ≤ 0,

 
y y 
FY (y) = P X < = FX = 0,05y
100 , 0 < y/100 ≤ 20,
100 100 


1,
 y/100 > 20.
Từ đây suy ra 
dFY (y)  0,05 ,

0 < y ≤ 2000,
f Y (y) = = 100
dy 0,
 trái lại.
Nhận xét 2.3. Từ Ví dụ 2.18 ta có nhận xét sau đây.
(a) Nếu Y = aX với a > 0 thì hàm phân phối và hàm mật độ xác suất của Y là

y 1 y
FY (y) = FX và f Y (y) = f X . (2.9)
a a a
(b) Nếu Y = X + b với b là hằng số tùy ý thì
FY (y) = FX (y − b) và f Y ( y ) = f X ( y − b ). (2.10)
Chú ý rằng, không có phương pháp đơn giản nào để tìm hàm phân phối xác suất trong
trường hợp này. Dưới đây là một ví dụ phức tạp hơn, khi g( X ) biến đổi nhiều hơn một giá trị
của X thành cùng một giá trị của Y.
Ví dụ 2.19. Trong Ví dụ 2.17, đặt Y = X 2 . Tìm hàm phân phối xác suất của Y.
Lời giải Ví dụ 2.19 Áp dụng (2.3), FY (y) = P(Y < y) = P( X 2 < y).
Nếu y ≤ 0, FY (y) = P(∅) = 0.
√ √
Nếu y > 0, FY (y) = P(− y < X < y). Sử dụng kết quả của Ví dụ 2.17,
√ √ √ √ √
P(− y < X < y) = FX ( y) − FX (− y) = 1 − e− y .
Vậy, 
0, nếu y ≤ 0,

FY (y) = √
1 − e −
 y
, nếu y > 0.
Ví dụ 2.20. Cho biến ngẫu nhiên liên tục X có hàm mật độ xác suất

1/5, nếu x ∈ [−1; 4],

f X (x) =
0,
 nếu x ∈
/ [−1; 4].
Đặt Y = X 2 . Tìm hàm phân phối xác suất FY (y) và hàm mật độ xác suất f Y (y) của Y.

Lời giải Ví dụ 2.20 Trước hết ta thấy rằng SY = [0; 16] ứng với SX = [−1; 4], do đó nếu y ≤ 0
thì FY (y) = 0 và nếu y > 16 thì FY (y) = 1. Để tìm tất cả hàm FY (y), ta sử dụng định nghĩa
FY (y) = P(Y < y) = P( X 2 < y).

√ √
Nếu 0 < y ≤ 1 thì − y < x < y và
√
Zy √
1 2 y
FY (y) = dx = .
√ 5 5
− y
√
Nếu 1 < y ≤ 16 thì −1 < x < y và
√
Zy √
1 y+1
FY (y) = dx = .
5 5
−1
Vậy, 
0, nếu y ≤ 0,



√


2 y

5 , nếu 0 < y ≤ 1,

FY (y) = √
y +1
 5 ,


 nếu 1 < y ≤ 16,


1, nếu y>0

và 
1
√ , nếu 0 < y ≤ 1,


5 y


f Y (y) = 1√
10 y, nếu 1 < y ≤ 16,



0, trong các trường hợp còn lại.

2.3 Một số tham số đặc trưng của biến ngẫu nhiên

Trong thực tế nảy sinh vấn đề phải đặc trưng cho biến ngẫu nhiên bằng một hoặc nhiều số,
mỗi số đặc trưng phản ánh được tính chất cơ bản nhất của biến ngẫu nhiên X. Trong mục này
ta chỉ xét một vài tham số đặc trưng quan trọng nhất.
2.3.1 Kỳ vọng
Kỳ vọng và phương sai là hai đặc trưng số thường được sử dụng để tóm tắt phân phối xác
suất cho một biến ngẫu nhiên X. Kỳ vọng hay giá trị trung bình là thước đo trung tâm của
phân phối xác suất và phương sai là thước đo độ phân tán hoặc độ biến động trong phân
phối. Hai thước đo này không xác định duy nhất một phân phối xác suất. Có nghĩa là, hai
phân phối khác nhau có thể có cùng giá trị trung bình và phương sai. Tuy nhiên, các thước đo
này cho ta những hình ảnh đơn giản, hữu ích về phân phối xác suất của biến ngẫu nhiên X.
2.3. Một số tham số đặc trưng của biến ngẫu nhiên 69

(a) Kỳ vọng của một biến ngẫu nhiên

Định nghĩa 2.8 (Kỳ vọng). Kỳ vọng của biến ngẫu nhiên X, ký hiệu là E( X ) (hoặc µ X hoặc
đơn giản là µ), được định nghĩa như sau:
(a) Nếu X là biến ngẫu nhiên rời rạc chỉ nhận hữu hạn các giá trị khác nhau với bảng phân
phối xác suất (2.1), thì
n
E( X ) = ∑ x i P ( X = x i ). (2.11)
i =1
(b) Nếu X là biến ngẫu nhiên rời rạc nhận một số đếm được các giá trị khác nhau với bảng
phân phối xác suất (2.2), thì
∞
E( X ) = ∑ xn P( X = xn ) (2.12)
n =1
nếu chuỗi vế phải hội tụ.
(c) Nếu X là biến ngẫu nhiên liên tục có hàm mật độ xác suất f X ( x ), thì
+∞
Z
E( X ) = x f X ( x )dx (2.13)
−∞
nếu tích phân vế phải hội tụ.
Ví dụ 2.21. (a) Theo (2.11), kỳ vọng của biến ngẫu nhiên X chỉ số bít bị lỗi trong 4 bít được
truyền đi trong Ví dụ 2.6 là
E( X ) = 0 × 0, 6561 + 1 × 0, 2916 + 2 × 0, 0486 + 3 × 0, 0036 + 4 × 0, 0001

= 0, 4.
(b) Theo (2.12), kỳ vọng của biến ngẫu nhiên X chỉ số sản phẩm được sản xuất giữa hai lần
điều chỉnh trong Ví dụ 2.10 là
E( X ) = 1 × 0, 001 + 2 × 0, 999 × 0, 001 + 3 × (0, 999)2 × 0, 001 + . . .

∞
= 0, 001 × ∑ n × (0, 999)n−1 = 1000,
n =1
ở đây, ta sử dụng tính chất của chuỗi lũy thừa và công thức tính tổng của cấp số nhân lùi
vô hạn ∑∞ n ∞ n 0 ∞ n 0 x 0
n=1 nx = ∑n=1 ( x ) = ( ∑n=1 x ) = ( 1− x ) =
1
(1− x )2
với công bội x = 0, 999.
(c) Theo (2.13), kỳ vọng của biến ngẫu nhiên X chỉ cường độ dòng điện đo được trên một
sợi dây đồng mỏng trong Ví dụ 2.15 là
Z20 Z20
E( X ) = x f X ( x )dx = 0, 05xdx = 10.
0 0

Nhận xét 2.4. (a) Kỳ vọng của một biến ngẫu nhiên, nếu được định nghĩa, luôn là một số
xác định.
(b) Kỳ vọng của một biến ngẫu nhiên rời rạc X là trung bình có trọng số của các giá trị có
thể có của X, với trọng số bằng xác suất.
Thật vậy, giả sử quan sát n lần biến ngẫu nhiên X thấy n1 lần X nhận giá trị x1 , n2 lần X
nhận giá trị x2 , . . . , nk lần X nhận giá trị xk , n1 + n2 + · · · + nk = n. Trung bình các giá
trị quan sát của biến ngẫu nhiên X là
n1 x1 + n2 x2 + · · · + n k x k n n n
X := = x1 1 + x2 2 + · · · + x k k
n n n n
≈ x1 p1 + x2 p2 + · · · + x k p k = E ( X ).
Chẳng hạn, trong Ví dụ 2.21(a), mặc dù X không nhận giá trị là 0,4 nhưng trung bình có
trọng số của các giá trị có thể có của X là 0,4.
(c) Khái niệm kỳ vọng được áp dụng rộng rãi trong nhiều lĩnh vực, ví dụ, trong kinh doanh
và quản lý, kỳ vọng được ứng dụng dưới dạng lợi nhuận kỳ vọng hay doanh số kỳ vọng;
trong kỹ thuật, kỳ vọng được ứng dụng ở dạng giá trị thiết kế.
Ví dụ 2.22. Theo thống kê việc một người Mỹ 25 tuổi sẽ sống thêm trên một năm có xác suất
là 0,992; còn xác suất để người đó chết trong vòng một năm tới là 0,008. Một chương trình bảo
hiểm đề nghị người đó bảo hiểm sinh mạng cho một năm với số tiền chi trả 1000 USD, còn
tiền đóng là 10 USD. Hỏi lợi nhuận trung bình của công ty bảo hiểm nhận được là bao nhiêu?
Lời giải Ví dụ 2.22 Gọi X là lợi nhuận của công ty bảo hiểm nhận được, X là biến ngẫu nhiên
rời rạc có thể nhận giá trị −990 và 10. Bảng phân phối xác suất của X là
X −990 10
P ( X = xi ) 0,008 0,992
Suy ra
E( X ) = −990 × 0, 008 + 10 × 0, 992 = 2.
Ta thấy lợi nhuận trung bình bằng 2 USD, một số dương, vì vậy công ty bảo hiểm có thể làm
ăn có lãi.
Ví dụ 2.23. Xét trò chơi trả lời hai câu hỏi A và B, người chơi có quyền chọn câu hỏi nào để trả
lời đầu tiên. Câu hỏi A được trả lời đúng với xác suất 0,8 và khi đó người chơi sẽ được thưởng
100 USD; câu hỏi B được trả lời đúng với xác suất 0,6 và người chơi được thưởng 200 USD.
Nếu không trả lời đúng lần thứ nhất sẽ không được trả lời tiếp. Vậy người chơi nên chọn câu
hỏi nào trả lời đầu tiên để tiền thưởng trung bình nhận được cao hơn.
Lời giải Ví dụ 2.23 Gọi X là số tiền thưởng nhận được khi người chơi chọn câu hỏi A trả lời đầu
tiên. Bảng phân phối xác suất của X là

X 0 100 300
P ( X = xi ) 0, 2 0, 32 0, 48
và
E( X ) = 0 × 0, 2 + 100 × 0, 32 + 300 × 0, 48 = 176 (USD).
Gọi Y là số tiền thưởng nhận được khi người chơi chọn câu hỏi B trả lời đầu tiên. Bảng phân
phối xác suất của Y là
Y 0 200 300
P (Y = y i ) 0, 4 0, 12 0, 48
và
E(Y ) = 0 × 0, 4 + 200 × 0, 12 + 300 × 0, 48 = 168 (USD).
Vậy nên chọn câu hỏi A để trả lời đầu tiên để có khả năng nhận thưởng cao hơn.
Ví dụ 2.24. Theo thống kê ở một cửa hàng đậu tương, người ta thấy số lượng đậu tương bán
ra X (kg) là một biến ngẫu nhiên rời rạc có bảng phân phối là
X 10 13 16 19 22
P ( X = xi ) 0, 15 0, 2 0, 35 0, 2 0, 1
Nếu giá nhập là 10.000 VNĐ/kg thì cửa hàng sẽ lãi 5.000 VNĐ/kg, nếu đến cuối ngày không
bán được sẽ lỗ 8.000 VNĐ/kg.
(a) Tìm hàm phân phối xác suất của X.
(b) Mỗi ngày cửa hàng nên nhập bao nhiêu kg đậu tương để thu được lãi nhiều nhất.
(a) Theo (2.4), hàm phân phối xác suất của X là


0,


 x ≤ 10,


0, 15, 10 < x ≤ 13,






0, 35, 13 < x ≤ 16,

FX ( x ) =
0, 7,


 16 < x ≤ 19,


0, 9, 19 < x ≤ 22,






1, x > 22.

(b) Số lượng đậu tương nhập trong ngày theo các phương án 1, 2, 3, 4 và 5 tương ứng với
số lượng 10, 13, 16, 19 và 22 kg. Gọi Ti là “số tiền lời thu được ứng với phương án i”,
i = 1, 2, . . . , 5.

1. Phương án nhập 10 kg: chắc chắn cửa hàng sẽ bán hết vì P( X < 10) = 0. Do đó,
E( T1 ) = 1 × 50000 = 50.000 VNĐ.
2. Phương án nhập 13 kg: do không có thống kê số lượng bán 11, 12 kg, nên xem như cửa
hàng đó chỉ có 2 phương án hoặc bán 10 kg hoặc bán 13 kg. Do chỉ nhập 13 kg nên xem
như số lượng bán trên 13 kg là số lượng bán được 13 kg. Suy ra
E( T2 ) = 26000 × 0, 15 + 65000 × 0, 85 = 59.150 VNĐ.
3. Phương án nhập 16 kg: số lượng bán ra có thể là 10, 13, 16 kg với xác suất tương ứng là
0,15; 0,2 và 0,65. Suy ra
E( T3 ) = 2000 × 0, 15 + 41000 × 0, 2 + 80000 × 0, 65 = 60.500 VNĐ.
4. Phương án nhập 19 kg: số lượng bán ra có thể là 10, 13, 16, 19 kg với xác suất tương ứng
là 0,15; 0,2; 0,35 và 0,3. Suy ra
E( T4 ) = (−22000) × 0, 15 + 17000 × 0, 2 + 56000 × 0, 35 + 95000 × 0, 3 = 48.200 VNĐ.
5. Phương án nhập 22 kg: số lượng bán ra có thể là 10, 13, 16, 19, 22 kg với xác suất tương
ứng là 0,15; 0,2; 0,35; 0,2 và 0,1. Suy ra
E( T5 ) = (−46000) × 0, 15 + (−7000) × 0, 2 + 32000 × 0, 35 + 71000 × 0, 2

+ 110000 × 0, 1 = 28.100 VNĐ.
Từ các kết quả trên, ta thấy E( T3 ) là cao nhất nên phương án nhập hiệu quả nhất là 16kg.
(b) Kỳ vọng của hàm của một biến ngẫu nhiên

Ví dụ 2.25. Từ các Ví dụ 2.5, 2.9, kỳ vọng của biến ngẫu nhiên g( X ) được xác định theo (2.12),
E[ g( X )] = 10 × 0, 25 + 19 × 0, 25 + 27 × 0, 25 + 34 × 0, 25 = 22, 5 (nghìn đồng)

4
= ∑ g ( x i ) P ( X = x i ).
i =1
Kết quả này được mở rộng trong định lý dưới đây cho cả biến ngẫu nhiên rời rạc và biến
ngẫu nhiên liên tục.
Định lý 2.2. Cho X là một biến ngẫu nhiên và g(.) là hàm một biến số thực.
(a) Nếu X là biến ngẫu nhiên rời rạc có bảng phân phối xác suất (2.1), thì
n
E[ g( X )] = ∑ g ( x i ) P ( X = x i ). (2.14)
i =1

(b) Nếu X là biến ngẫu nhiên rời rạc có bảng phân phối xác suất (2.2), thì
∞
E[ g( X )] = ∑ g ( xi ) P ( X = xi ) (2.15)
i =1
(c) Nếu X là biến ngẫu nhiên liên tục có hàm mật độ xác suất f X ( x ) và hàm g(.) liên tục, thì
+∞
Z
E[ g( X )] = g( x ) f X ( x )dx (2.16)
−∞
Nhận xét 2.5. Trong trường hợp cần tìm E[ g( X )] đối với biến ngẫu nhiên liên tục, thì việc tính
E[ g( X )] trực tiếp bằng cách sử dụng Định lý 2.2(c) sẽ dễ dàng hơn việc tìm hàm mật độ của
Y = g( X ) và sau đó sử dụng Định nghĩa 2.1(c) của kỳ vọng.
Ví dụ 2.26. (a) Với biến ngẫu nhiên X chỉ số bít bị lỗi trong bốn bít được truyền đi trong Ví
dụ 2.6, thì theo (2.14), kỳ vọng của bình phương số bít bị lỗi trong bốn bít được truyền
đi là
E( X 2 ) = 02 × 0, 6561 + 12 × 0, 2916 + 22 × 0, 0486 + 32 × 0, 0036 + 42 × 0, 0001 = 0, 52.
Như vậy, giá trị kỳ vọng của một hàm của một biến ngẫu nhiên chỉ đơn giản là giá trị
trung bình có trọng số của hàm được đánh giá tại các giá trị của biến ngẫu nhiên.
(b) Theo (2.16), kỳ vọng của X 2 , ở đây X là cường độ dòng điện được đo bằng miliampe
trong Ví dụ 2.15, là
Z20 Z20
2 2
E( X ) = x f X ( x )dx = 0, 05x2 dx = 133, 3333.
0 0
Ví dụ 2.27. Sử dụng Định lý 2.2, tính kỳ vọng của biến ngẫu nhiên 6X + 2 với X trong Ví dụ
2.8.
Lời giải Ví dụ 2.27 Sử dụng (2.14) và kết quả của Ví dụ 2.8,

115 75 25
E(6X + 2) = (6 × 0 + 2) × + (6 × 1 + 2) × + (6 × 2 + 2) ×
203 203 406
1 2030
+ (6 × 3 + 2) × = = 5.
406 406
Ví dụ 2.28. Tại một hội chợ, trò chơi ném vòng vào cổ chai có giá 25 nghìn đồng/1 lần chơi.
Mỗi lần người chơi được ném 3 chiếc vòng. Nếu ném trúng một vòng thì nhận được giải
thưởng trị giá 50 nghìn đồng, ném trúng hai vòng thì nhận được 100 nghìn đồng, nếu ném
trúng cả ba vòng thì nhận được 500 nghìn đồng. Giả sử xác suất để người A ném trúng vòng
trong mỗi lần ném đều là 0,1.

(a) Trung bình tiền lãi thu được là bao nhiêu nếu người A chơi trò này một lần?
(b) Trung bình tiền lãi thu được là bao nhiêu nếu người A chơi 100 lần?
(a) Gọi X là “số vòng ném trúng cổ chai trong một lần chơi”, X là biến ngẫu nhiên rời rạc và
SX = {0, 1, 2, 3}. Ta có dãy phép thử Bernoulli với n = 3, p = 0, 1. Áp dụng công thức
Bernoulli (1.22),
P( X = 0) = C30 (0, 1)0 (0, 9)3 = 0, 729, P( X = 1) = C31 (0, 1)1 (0, 9)2 = 0, 243,
P( X = 2) = C32 (0, 1)2 (0, 9)1 = 0, 027, P( X = 3) = C33 (0, 1)3 (0, 9)0 = 0, 001.
Bảng phân phối xác suất của X là
X 0 1 2 3
P ( X = xi ) 0, 729 0, 243 0, 027 0, 001
Số tiền lãi người A thu được là một hàm của X, ký hiệu là g( X ). Mối quan hệ giữa X và
g( X ) được cho trong bảng sau:
X 0 1 2 3
g( X ) −25 25 75 475
Theo Định lý 2.2(a), trung bình tiền lãi thu được trong một lần chơi là:
E[ g( X )] = −25 × 0, 729 + 25 × 0, 243 + 75 × 0, 027 + 475 × 0, 001

= −9, 65 (nghìn đồng)
(b) Nếu chơi trò này 100 lần thì trung bình tiền lãi thu được là
100E[ g( X )] = 100 × (−9, 65) = −965 (nghìn đồng).
(c) Tính chất của kỳ vọng

Sau đây là một số tính chất hữu ích giúp đơn giản hóa trong tính toán kỳ vọng của các biến
ngẫu nhiên. Các tính chất này đúng cho cả biến ngẫu nhiên rời rạc và liên tục.
Tính chất 2.3. Nếu a và b là các hằng số thì
E( aX + b) = aE( X ) + b.
Hệ quả 2.1. Nếu a và b là các hằng số thì
(a) E(b) = b.

(b) E( aX ) = aE( X ).
Ví dụ 2.29. Sử dụng tính chất của kỳ vọng, tính kỳ vọng của biến ngẫu nhiên 6X + 2 với X
trong Ví dụ 2.8.
Lời giải Ví dụ 2.29 Sử dụng (2.11),
115 75 25 1
E( X ) = 0 × +1× +2× +3× = 0, 5.
203 203 406 406
Sử dụng Tính chất 3.2,
E(6X + 2) = 6E( X ) + 2 = 6 × 0, 5 + 2 = 5.
Kết quả này tương tự như kết quả đã tính trong Ví dụ 2.27.
Ví dụ 2.30. Một kiện hàng có 10 sản phẩm, trong đó có 7 sản phẩm loại I và 3 sản phẩm loại II.
Tiền lãi khi bán được mỗi sản phẩm loại I là 50 nghìn đồng, mỗi sản phẩm loại II là 20 nghìn
đồng.
(a) Ngày thứ nhất lấy ngẫu nhiên từ kiện hàng ra 3 sản phẩm và đã bán hết cả 3 sản phẩm
đó. Tìm kỳ vọng của số tiền lãi thu được.
(b) Ngày thứ hai lấy ngẫu nhiên từ kiện hàng ra 2 sản phẩm. Tính xác suất để thu được 100
nghìn đồng tiền lãi khi bán 2 sản phẩm này.
(a) Gọi X là “số tiền lãi thu được”, X là biến ngẫu nhiên rời rạc và SX = {60, 90, 120, 150}.
Khi đó,
1 21 63 35
E( X ) = 60 × + 90 × + 120 × + 150 × = 123.
120 120 120 120
(b) Gọi A là sự kiện “ngày thứ hai thu được 100 nghìn đồng tiền lãi khi bán 2 sản phẩm”;
Ai là sự kiện “ngày thứ nhất lấy được i sản phẩm loại I”, i = 0, 1, 2, 3; A0 , A1 , A2 , A3
lập thành hệ đầy đủ và P( A) = P( A0 ) P( A| A0 ) + P( A1 ) P( A| A1 ) + P( A2 ) P( A| A2 ) +
P( A3 ) P( A| A3 ). Khi đó,
1 21 21 15 63 10 35 6 7
P( A) = × + × + × + × = ' 0, 4667.
120 21 120 21 120 21 120 21 15
Tính chất 2.4. Cho X là một biến ngẫu nhiên, h( X ) và g( X ) là các hàm của X. Khi đó,
E[ g( X ) ± h( X )] = E[ g( X )] ± E[h( X )]. (2.17)

2.3.2 Phương sai

Kỳ vọng của một biến ngẫu nhiên X phản ánh giá trị trung tâm của phân phối xác suất của
biến ngẫu nhiên. Tuy nhiên, kỳ vọng không đưa ra một mô tả đầy đủ về hình dạng của phân
phối. Trong Hình 2.8, ta có biểu đồ của hai phân phối xác suất rời rạc có cùng kỳ vọng, µ = 2,
nhưng khác nhau đáng kể về độ biến động hoặc độ phân tán của các quan sát của chúng so
với kỳ vọng. Do đó, cần xác định mức độ phân tán của các giá trị của biến ngẫu nhiên xung
quanh kỳ vọng của nó.
1 2 3 x 0 1 2 3 4 x
(a) (b)
Hình 2.8: Phân phối rời rạc với kỳ vọng bằng nhau nhưng độ phân tán khác nhau
(a) Phương sai của một biến ngẫu nhiên

Công thức quan trọng nhất về tính biến thiên của biến ngẫu nhiên X có được bằng cách áp
dụng Định lý 2.2 với g( X ) = [ X − E( X )]2 , ta nhận được phương sai của biến ngẫu nhiên X,
ký hiệu là V ( X ) hoặc σX2 , hoặc đơn giản là σ2 .
Định nghĩa 2.9 (Phương sai). Cho biến ngẫu nhiên X có kỳ vọng là E( X ). Phương sai của
biến ngẫu nhiên X được định nghĩa như sau:
V ( X ) = E[ X − E( X )]2 . (2.18)
n h i2
V (X) = ∑ x i − E ( X ) P ( X = x i ). (2.19)
i =1
∞ h i2
V (X) = ∑ xn − E( X ) P( X = xn ) (2.20)
n =1

(c) Nếu X là biến ngẫu nhiên liên tục có hàm mật độ xác suất f X ( x ), thì
+∞h
Z i2
V (X) = x − E( X ) f X ( x )dx (2.21)
−∞
Công thức tương đương của (2.18) được cho trong định lý dưới đây.
Định lý 2.3.
V ( X ) = E( X 2 ) − [ E( X )]2 . (2.22)
Chứng minh. Từ (2.18) và Định lý 3.2,
V ( X ) = E[ X 2 − 2XE( X ) + ( E( X ))2 ] = E( X 2 ) − 2E( X ) E( X ) + [ E( X )]2

= E( X 2 ) − [ E( X )]2
Chú ý 2.2. Phương sai của biến ngẫu nhiên là một số xác định không âm.
Ví dụ 2.31. (a) Sử dụng kết quả của Ví dụ 2.21(a) và theo (2.19), phương sai của biến ngẫu
nhiên X chỉ số bít bị lỗi trong 4 bít được truyền đi trong Ví dụ 2.6 là
V ( X ) = (0 − 0, 4)2 × 0, 6561 + (1 − 0, 4)2 × 0, 2916 + (2 − 0, 4)2 × 0, 0486

+ (3 − 0, 4)2 × 0, 0036 + (4 − 0, 4)2 × 0, 0001 = 0, 36.
Nếu sử dụng (2.22) và kết quả của các Ví dụ 2.21(a), 2.26(a) thì
V ( X ) = E( X 2 ) − [ E( X )]2 = 0, 52 − (0, 4)2 = 0, 36.
(b) Sử dụng kết quả của Ví dụ 2.21(b) và theo (2.21), phương sai của biến ngẫu nhiên X chỉ
số đo cường độ dòng điện trong Ví dụ 2.15 là
Z20 Z20
2
V (X) = ( x − 10) f X ( x )dx = 0, 05( x − 10)2 dx = 33, 3333.
0 0
Nếu sử dụng (2.22) và kết quả của các Ví dụ 2.21(b), 2.26(b),
V ( X ) = E( X 2 ) − [ E( X )]2 = 133, 3333 − (10)2 = 33, 3333.
Nhận xét 2.6. (a) Phương sai chính là trung bình số học của bình phương các sai lệch giữa
các giá trị có thể có của biến ngẫu nhiên so với giá trị trung bình của các giá trị đó. Nó
phản ánh mức độ phân tán của các giá trị của biến ngẫu nhiên xung quanh giá trị trung
tâm của nó là kỳ vọng.

(b) Trong kỹ thuật phương sai đặc trưng cho mức độ phân tán của các chi tiết gia công hay
sai số của thiết bị. Trong quản lý và kinh doanh thì phương sai đặc trưng cho mức độ
rủi ro của các quyết định và thay cho “phương sai” người ta thường dùng thuật ngữ “độ
biến động”.
Ví dụ 2.32. Cho X A , XB lần lượt là biến ngẫu nhiên chỉ số lượng ô tô được sử dụng cho mục
đích kinh doanh chính thức trong mỗi ngày làm việc của công ty A và B. Phân phối xác suất
của X A và XB (Hình 2.8) tương ứng là
XA 1 2 3 XB 0 1 2 3 4
P ( X A = xi ) 0,3 0,4 0,3 P( XB = y j ) 0,2 0,1 0,3 0,3 0,1
Cho nhận xét về phương sai của X A và XB .
Lời giải Ví dụ 2.32 Từ số liệu phân phối xác suất của X A và XB ta tính được
E( X A ) = 1 × 0, 3 + 2 × 0, 4 + 3 × 0, 3 = 2, 0,
E( XB ) = 0 × 0, 2 + 1 × 0, 4 + 2 × 0, 3 + 3 × 0, 3 + 4 × 0, 1 = 2, 0
và
V ( X A ) = (1 − 2)2 × 0, 3 + (2 − 2)2 × 0, 4 + (3 − 2)2 × 0, 3 = 0, 6,

V ( XB ) = (0 − 2)2 × 0, 2 + (1 − 2)2 × 0, 1 + (2 − 2)2 × 0, 3
+ (3 − 2)2 × 0, 3 + (4 − 2)2 × 0, 1 = 1, 6.
Suy ra V ( X A ) = 0, 6 < 1, 6 = V ( XB ). Các phương sai này thể hiện mức độ phân tán của
các giá trị của biến ngẫu nhiên X A và XB xung quanh giá trị trung bình của chúng E( X A ) =
E( XB ) = 2, 0 (Hình 2.8(a), (b)).
Ví dụ 2.33. Tính phương sai của biến ngẫu nhiên xét trong Ví dụ (2.22).
Lời giải Ví dụ 2.33 E( X 2 ) = (−990)2 × 0, 008 + (10)2 × 0, 992 = 7940. Suy ra
V ( X ) = E( X 2 ) − [ E( X )]2 = 7940 − 4 = 7936.
Điều này nói lên rằng mặc dù kinh doanh bảo hiểm có lãi nhưng rủi ro khá lớn.
(b) Phương sai của hàm của một biến ngẫu nhiên
Bây giờ ta sẽ mở rộng khái niệm về phương sai của biến ngẫu nhiên X cho biến ngẫu nhiên
liên quan đến X, biến ngẫu nhiên g( X ), ở đây g(.) là hàm một biến số thực.
Định lý 2.4. Cho X là một biến ngẫu nhiên và g(.) là hàm một biến số thực.

n ©2
∑
¶
V [ g( X )] = g( xi ) − E[ g( X )] P ( X = x i ). (2.23)
i =1
∞ ©2
∑
¶
V [ g( X )] = g( xi ) − E[ g( X )] P ( X = xi ) (2.24)
i =1
(c) Nếu X là biến ngẫu nhiên liên tục có hàm mật độ xác suất f X ( x ) và hàm g(.) liên tục, thì
+∞
Z ¶ ©2
V [ g( X )] = g( x ) − E[ g( X )] f X ( x )dx (2.25)
−∞
(c) Tính chất của phương sai

Phương sai của biến ngẫu nhiên X có tính chất sau.
Tính chất 2.5. Nếu a và b là các hằng số thì
V ( aX + b) = a2 V ( X ).
Chứng minh. Sử dụng Định lý 2.3 và Định lý 3.2,
V ( aX + b) = E[( aX + b)]2 − [ E( aX + b)]2

= E( a2 X 2 + 2abX + b2 ) − [ aE( X ) + b]2
= a2 E( X 2 ) − a2 [ E( X )]2 = a2 V ( X ).
Hệ quả 2.2. Nếu a và b là các hằng số thì
(a) V ( aX ) = a2 V ( X ).
(b) V (b) = 0.
2.3.3 Độ lệch chuẩn

Định nghĩa 2.10 (Độ lệch chuẩn). Độ lệch chuẩn của biến ngẫu nhiên X, ký hiệu là σ ( X ) hay
σX hay đơn giản là σ, được định nghĩa như sau:
»
σ ( X ) = V ( X ). (2.26)

Nhận xét 2.7. Khi cần đánh giá mức độ phân tán của biến ngẫu nhiên theo đơn vị đo của nó
người ta dùng độ lệch chuẩn vì độ lệch chuẩn có cùng đơn vị đo với đơn vị đo của biến ngẫu
nhiên.
Ví dụ 2.34. Theo (2.26),

√
(a) Độ lệch chuẩn của biến ngẫu nhiên X trong Ví dụ 2.6 là σ ( X ) = 0, 36 = 0, 6;
√
(b) Độ lệch chuẩn của biến ngẫu nhiên X trong Ví dụ 2.15 là σ( X ) = 33, 3333 = 5, 7735.
2.3.4 Một số đặc trưng khác
(a) Mốt
Định nghĩa 2.11 (Mốt). (a) Nếu X là biến ngẫu nhiên rời rạc thì mốt của X, mod( X ), là một
giá trị, ký hiệu là xmod , sao cho P( X = xmod ) là lớn nhất.
(b) Nếu X là biến ngẫu nhiên liên tục thì mod( X ) là giá trị xmod của X mà hàm mật độ xác
suất tại đó, f X ( xmod ), đạt cực đại.
(b) Trung vị
Định nghĩa 2.12 (Trung vị). Trung vị của biến ngẫu nhiên X, med( X ), là giá trị xmed của biến
ngẫu nhiên X chia phân phối của X thành hai phần có xác suất như nhau, nghĩa là
1
P( X < xmed ) = P( X ≥ xmed ) = . (2.27)
2
Nhận xét 2.8. (a) Từ định nghĩa hàm phân phối (2.3), để tìm trung vị ta cần giải phương
trình FX ( x ) = 1/2.
(b) Trong nhiều trường hợp ứng dụng, trung vị là đặc trưng vị trí tốt nhất, nhiều khi tốt
hơn cả kỳ vọng, nhất là khi trong số liệu có những sai sót.
Ví dụ 2.35. Cho hàm mật độ xác suất của biến ngẫu nhiên liên tục X

 3 x (2 − x ),

0 ≤ x ≤ 2,
f X (x) = 4
0, nếu trái lại.

Tìm xmod và xmed .
Lời giải Ví dụ 2.35 Theo (2.7), hàm phân phối xác suất của X là

0, x ≤ 0,




3


3 2 x
FX ( x ) = x − , 0 < x ≤ 2,

 4 3


1,
 x > 2.

Khi đó xmed là nghiệm của phương trình FX ( x ) = 12 . Hay x3 − 3x2 + 2 = 0 với 0 < x ≤ 2. Suy
ra xmed = 1.
Hàm mật độ xác suất f X ( x ) có




0, x ≤ 0,
3

f X0 ( x ) = (1 − x ), 0 < x < 2,


 2
0, nếu trái lại,

đổi dấu từ dương sang âm khi đi qua x = 1, do đó đạt cực đại tại điểm này, nên xmod = 1.
(c) Phân vị. Giá trị tới hạn

Định nghĩa 2.13 (Phân vị). Phân vị mức α là giá trị của biến ngẫu nhiên X, ký hiệu là xα , sao
cho
P( X < xα ) = α. (2.28)
xα x
Hình 2.9: Phân vị mức α của biến ngẫu nhiên liên tục X
Nhận xét 2.9. Trung vị còn có tên là phân vị mức 50% của phân phối.
Định nghĩa 2.14 (Giá trị tới hạn). Giá trị tới hạn mức α của một biến ngẫu nhiên liên tục X là
giá trị của biến ngẫu nhiên X, ký hiệu là xα , sao cho
P( X > xα ) = α. (2.29)
α
xα x
Hình 2.10: Giá trị tới hạn mức α của biến ngẫu nhiên liên tục X

2.4 Biến ngẫu nhiên hỗn hợp

Có tồn tại một loại biến ngẫu nhiên không phải là biến ngẫu nhiên rời rạc, cũng không phải
là biến ngẫu nhiên liên tục, mà nó bao gồm cả biến ngẫu nhiên rời rạc và biến ngẫu nhiên liên
tục. Biến ngẫu nhiên này được gọi là biến ngẫu nhiên hỗn hợp. Ta có thể sử dụng kiến thức
của các mục trước để phân tích loại biến ngẫu nhiên hỗn hợp trong trường hợp đơn giản. Xét
ví dụ sau đây.
Ví dụ 2.36. Cho biến ngẫu nhiên liên tục X có hàm mật độ xác suất là

2x, nếu 0 ≤ x ≤ 1,

f X (x) =
0,
 nếu trái lại.
Xét một hàm của X, 

X, nếu 0 ≤ X ≤ 12 ,

g( X ) =
 12 ,
 nếu X > 12 .
Tìm hàm phân phối xác suất của biến ngẫu nhiên Y = g( X ).
Lời giải Ví dụ 2.36 Nhận thấy rằng SX = [0; 1]. Với x ∈ [0; 1] thì 0 ≤ g( x ) ≤ 12 , do đó, SY = [0; 21 ]
và
1
FY (y) = 0 nếu y ≤ 0 và FY (y) = 1 nếu y > .
2
Chú ý rằng,
Z1
1 1 3
P Y= =P X> = 2xdx = .
2 2 4
1/2
Ngoài ra, nếu 0 < y ≤ 12 ,
Zy
FY (y) = P(Y < y) = P( X < y) = 2xdx = y2 .
0
Do đó, hàm phân phối xác suất của Y là


0, nếu y ≤ 0,





FY (y) = y2 , nếu 0 < y ≤ 12 ,


nếu y > 12 .

1,

Đồ thị hàm phân phối xác suất này được mô tả trong Hình 2.11.
Ta thấy hàm FY (y) không liên tục, do đó, biến ngẫu nhiên Y không liên tục. Hơn nữa, ta
thấy Y cũng không phải là biến ngẫu nhiên rời rạc. Biến ngẫu nhiên này có dạng một biến
1 1
ngẫu nhiên hỗn hợp. Hàm FY (y) gián đoạn tại y = 2 với bước nhảy là 1 − 4 = 34 , đây chính
2.4. Biến ngẫu nhiên hỗn hợp 83

FY (y)
1
4
1 1 y
2
0
Hình 2.11: Hàm phân phối xác suất của biến ngẫu nhiên hỗn hợp trong Ví dụ 2.36
là xác suất của sự kiện (Y = 21 ). Hàm phân phối FY (y) liên tục tại mọi điểm y 6= 12 . Như vậy,
hàm phân phối FY (y) liên tục một phần và gián đoạn một phần. Ta có thể biểu diễn FY (y)
dưới dạng
FY (y) = G (y) + H (y), (2.30)
trong đó, G (y) là phần liên tục của FY (y), tức là


0, nếu y ≤ 0,




G (y) = y2 , nếu 0 < y ≤ 12 ,


1, nếu y > 1 ,


4 2
H (y) là phần gián đoạn, 

3,

nếu y > 12 ,
4
H (y) =
0,
 nếu y ≤ 12 .
Từ ví dụ này, ta thấy, hàm phân phối xác suất của biến ngẫu nhiên hỗn hợp Y có thể viết
dưới dạng tổng của một hàm liên tục và một hàm gián đoạn (2.30). Ký hiệu
dG (y)
g(y) = trong đó, G (y) là hàm khả vi.
dy
Chú ý rằng, đây không phải là hàm mật độ xác suất, vì tích phân của nó không bằng 1. Giả
sử {y1 , y2 , . . . } là tập các điểm gián đoạn của H (y), tức là những điểm mà P(Y = yk ) > 0,
k = 1, 2, . . . . Khi đó,
+∞
Z
g(y)dy + ∑ P(Y = yk ) = 1.
yk
−∞
Kỳ vọng của biến ngẫu nhiên hỗn hợp Y được xác định bởi
+∞
Z
E (Y ) = yg(y)dy + ∑ yk P(Y = yk ). (2.31)
yk
−∞

Ví dụ 2.37. Cho biến ngẫu nhiên hỗn hợp Y như trong Ví dụ 2.36.
(a) Tìm P( 14 ≤ Y ≤ 38 ).
(b) Tìm P(Y ≥ 1/4).
(c) Tìm E(Y ).

1 3 3 1 3 32 2
(a) P 4 ≤ Y ≤ 8 = FY 8 − FY 4 − P Y = 8 = 82
− 142 − 0 = 5
64 .
12 15
(b) P(Y ≥ 1/4) = 1 − FY (1/4) = 1 − 42
= 16 .
(c) Để tìm E(Y ), trước hết ta tìm


dG (y) 2y, nếu y ∈ [0; 1/2],

g(y) = =
dy 0, nếu y ∈
 / [0; 1/2].
Do đó,
1/2
1 1 1 3 11
Z
E (Y ) = y × 2ydy + P Y = = + = .
2 2 12 8 24
0
Ví dụ 2.38. Cho X là biến ngẫu nhiên có hàm phân phối xác suất dạng

0, nếu x ≤ 0,




FX ( x ) = 41 + 12 (1 − e− x ), nếu 0 < x ≤ 1,


 1 + 1 (1 − e− x ), nếu x > 1.


2 2
(a) X là biến ngẫu nhiên rời rạc, liên tục hay hỗn hợp?
(b) Tìm P( X > 0, 5).
(a) Vẽ đồ thị hàm FX ( x ) (Hình 2.12).

Hình 2.12 cho thấy hàm FX ( x ) có hai điểm gián đoạn là x = 0 và x = 1. Hàm phân phối
tăng liên tục từ x = 0 đến x = 1 và cả với x > 1. Vì hàm phân phối không ở dạng hàm
bậc thang, cũng không phải là hàm liên tục, nên X là một biến ngẫu nhiên hỗn hợp.
(b) Sử dụng tính chất hàm phân phối,

1 1 −0,5
P( X > 0, 5) = 1 − FX (0, 5) − P( X = 0, 5) = 1 − + 1−e + 0 = 0, 5533.
4 2

FX ( x )
1
0, 75
0, 25
1 x
0
Hình 2.12: Hàm FX ( x ) trong Ví dụ 2.38
2.5 Một số phân phối xác suất thông dụng
2.5.1 Phân phối đều (rời rạc)

Biến ngẫu nhiên rời rạc đơn giản nhất là biến, giả sử, chỉ nhận một số hữu hạn các giá trị có
thể có, mỗi giá trị có xác suất bằng nhau.
Định nghĩa 2.15 (Phân phối đều rời rạc). Biến ngẫu nhiên X được gọi là có phân phối đều
rời rạc với tham số n, ký hiệu là X ∼ U (n), nếu mỗi giá trị trong n giá trị có thể có của nó,
x1 , x2 , . . . , xn , có xác suất bằng nhau,
1
P ( X = xi ) = , ∀i = 1, 2, . . . , n.
n
Ví dụ 2.39. Chữ số đầu tiên của số sê-ri của một sản phẩm là một trong các chữ số từ 0 đến
9. Lấy ngẫu nhiên một sản phẩm từ lô hàng chứa nhiều sản phẩm loại này và gọi X là chữ số
đầu tiên của số sê-ri của sản phẩm. Ta thấy X là biến ngẫu nhiên rời rạc có phân phối đều với
bảng phân phối xác suất là
X 0 1 2 3 4 5 6 7 8 9
P ( X = xi ) 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1
Hàm xác suất của X cho trong Hình 2.13.
PX ( x )
0,1
0 1 2 3 4 5 6 7 8 9 x
Hình 2.13: Hàm xác suất của biến ngẫu nhiên có phân phối đều rời rạc
2.5. Một số phân phối xác suất thông dụng 86

Sử dụng Định nghĩa 2.8(a) và Định nghĩa 2.9(a) ta nhận được kỳ vọng và phương sai của
biến ngẫu nhiên phân phối đều.
Định lý 2.5. Giả sử X là một biến ngẫu nhiên có phân phối đều rời rạc nhận các giá trị nguyên
liên tiếp a, a + 1, a + 2, . . . , b, (a < b). Khi đó, kỳ vọng và phương sai của X là
a+b ( b − a + 1)2 − 1
E( X ) = , V (X) = . (2.32)
2 12
Ví dụ 2.40. Giả sử biến ngẫu nhiên X chỉ số đường truyền trong số 48 đường truyền đang
được sử dụng tại một thời điểm cụ thể trong Ví dụ 2.2 có phân phối đều, nhận các giá trị từ 0
đến 48. Khi đó,
48 + 0 (48 − 0 + 1)2 − 1
E( X ) = = 24; V (X) = = 200.
2 12
p
Suy ra σ( X ) = V ( X ) = 14, 1421. Ta thấy số đường truyền trung bình được sử dụng là 24
nhưng độ phân tán, được đo bằng σ ( X ), là lớn. Vì vậy, tại nhiều thời điểm, sẽ có nhiều hơn
hoặc ít hơn 24 đường truyền được sử dụng.
2.5.2 Phân phối Bernoulli

Định nghĩa 2.16 (Phân phối Bernoulli). Biến ngẫu nhiên rời rạc X được gọi là có phân phối
Bernoulli với tham số p, ký hiệu là X ∼ B( p), nếu X có bảng phân phối xác suất là
X 0 1
(2.33)
P ( X = xi ) 1− p p
Nếu X ∼ B( p), thì theo định nghĩa kỳ vọng và phương sai của biến ngẫu nhiên rời rạc,
E( X ) = (0)(1 − p) + (1)( p) = p và V ( X ) = (0)2 (1 − p ) + (1)2 ( p ) − p2 = p (1 − p ).
Định lý 2.6. Nếu X là biến ngẫu nhiên có phân phối Bernoulli tham số p thì
E( X ) = p, V ( X ) = p (1 − p ) (2.34)
Nhận xét 2.10. Xét phép thử Bernoulli với xác suất xuất hiện của sự kiện A là p. Gọi X là số
lần xuất hiện sự kiện A trong phép thử Bernoulli này thì X là biến ngẫu nhiên rời rạc có phân
phối Bernoulli tham số p.
2.5.3 Phân phối nhị thức

Định nghĩa 2.17 (Phân phối nhị thức). Biến ngẫu nhiên rời rạc X được gọi là có phân phối
nhị thức với tham số n và p, ký hiệu là X ∼ B(n, p), nếu X có bảng phân phối xác suất
X 0 1 ... k ... n
(2.35)
P ( X = xi ) Cn0 p0 qn Cn1 p1 qn−1 ... Cnk pk qn−k ... Cnn pn q0
ở đây, q = 1 − p và P( X = k ) = Cnk pk qn−k được tính bằng công thức Bernoulli (1.22).

Phân phối nhị thức xuất phát từ tên thực tế của khai triển nhị thức ( p + q)n có n + 1 số
hạng:
( p + q)n = Cn0 ( p)0 (q)n + Cn1 ( p)1 (q)n−1 + · · · + Cnn ( p)n (q)0 .
Nếu p + q = 1 thì ∑nk=0 Cnk ( p)k (q)n−k = 1, đây là điều kiện cần thiết của phân phối (2.35).
Kỳ vọng và phương sai của một biến ngẫu nhiên có phân phối nhị thức có thể nhận được
từ việc phân tích các phép thử Bernoulli. Thật vậy, thực hiện n phép thử Bernoulli với xác suất
xuất hiện sự kiện A trong mỗi lần thử là p. Với mỗi i = 1, 2, . . . , n, nếu ở lần thử thứ i sự kiện
A xuất hiện ta cho Xi nhận giá trị 1, nếu sự kiện A không xuất hiện ta cho Xi nhận giá trị 0,
thì Xi ∼ B( p). Gọi X là số lần xuất hiện sự kiện A trong n phép thử Bernoulli này thì
X = X1 + X2 + · · · + X n (2.36)
và X ∼ B(n; p). Theo Hệ quả 3.1, 3.3 (xem Chương 3) và Định lý 2.6,
n n
E( X ) = ∑ E ( Xi ) = ∑ p = np
i =1 i =1
và n n
V (X) = ∑ V (Xi ) = ∑ p(1 − p) = np(1 − p).
i =1 i =1
Định lý 2.7. Nếu X là biến ngẫu nhiên có phân phối nhị thức với tham số n và p thì
(a) Kỳ vọng và phương sai của X là
E( X ) = np, V ( X ) = np(1 − p) (2.37)
(b) mod( X ) là giá trị của X thỏa mãn
(n + 1) p − 1 ≤ mod( X ) ≤ (n + 1) p (2.38)
Nhận xét 2.11. Từ Định lý 2.7(b),
(a) Nếu (n + 1) p − 1 ∈ Z thì mod( X ) = (n + 1) p − 1 và mod( X ) = (n + 1) p.
/ Z thì mod( X ) = [(n + 1) p].

(b) Nếu (n + 1) p − 1 ∈
Đây là số có khả năng nhất trong lược đồ Bernoulli đã được đề cập ở Mục 1.4.4.
Ví dụ 2.41. Biến ngẫu nhiên X trong Ví dụ 2.6 là biến ngẫu nhiên có phân phối nhị thức với
tham số n = 4 và p = 0, 1. Áp dụng (2.37),
E( X ) = np = 4 × 0, 1 = 0, 4; V ( X ) = np(1 − p) = 4 × 0, 1 × 0, 9 = 0, 36.
Những kết quả này trùng với những kết quả thu được từ việc tính toán trực tiếp trong Ví dụ
2.21(a) và 2.31(a).

Ví dụ 2.42. Tỷ lệ sản phẩm A trong một lô hàng chứa nhiều sản phẩm là 50%. Chọn ngẫu
nhiên 20 sản phẩm từ lô hàng để kiểm tra. Gọi X là số sản phẩm A có trong 20 sản phẩm được
lấy ra.
(a) X có phân phối gì?
(b) Tính xác suất có đúng 5 sản phẩm A trong 20 sản phẩm được lấy ra.
(c) Tìm mod( X ).
Lời giải Ví dụ 2.42 Có thể xem việc kiểm tra chất lượng mỗi sản phẩm là thực hiện một phép
thử Bernoulli với xác suất lấy được sản phẩm A trong mỗi lần thử là 0,5. Kiểm tra 20 sản phẩm
là thực hiện 20 phép thử.
(a) Ta có dãy n = 20 phép thử Bernoulli, X là biến ngẫu nhiên đếm số sản phẩm A có trong
20 phép thử này, X ∼ B(n, p) với n = 20 và p = 0, 5 (Hình 2.14).
5 × (0, 5)5 × (1 − 0, 5)15 ' 0, 0148.
(b) P( X = 5) = C20
(c) Vì (n + 1) p − 1 = 9, 5 và (n + 1) p = 10, 5 nên mod( X ) = 10.
0.20
B(20; 0.5)
0.15
PX ( x )
0.10
0.05
0.00
0 2 4 6 8 10 12 14 16 18 20
x
Hình 2.14: Phân phối nhị thức với n = 20, p = 0, 5
2.5.4 Phân phối Poisson
(a) Định nghĩa phân phối Poisson

Ta xét một trường hợp đặc biệt của dãy n phép thử Bernoulli khi sự kiện A cần xét có
P( A) = p ∈ (0; 1) khá bé (gần 0). Sự kiện A này còn được gọi là sự kiện hiếm gặp. Bài toán

đếm số lần xuất hiện A trong trường hợp này được đặc trưng bởi một phân phối xác suất rất
thông dụng được gọi là phân phối Poisson.
Ví dụ 2.43. Xét bài toán truyền n bít qua một kênh truyền hình kỹ thuật số. Gọi X là biến
ngẫu nhiên chỉ số bít bị lỗi trong quá trình truyền đi. Nếu xác suất một bít bị lỗi là p ∈ (0; 1)
không đổi và các lần truyền là độc lập nhau thì X ∼ B(n; p). Đặt λ = np, thì theo (2.37),
E( X ) = np = λ và
λ n−k
k
n−k λ
P( X = k) = Cnk ( p)k (1 − p) = Cnk 1− .
n n
Bây giờ, giả sử số lượng bít, n, được truyền đi tăng lên và xác suất p xảy ra lỗi giảm đủ để np
vẫn bằng một hằng số, tức là, E( X ) = λ. Sử dụng kiến thức của giải tích, khi n → ∞,
k −k n
1 1 λ λ
Cnk → , 1− → 1, 1− → e−λ ,
n k! n n
suy ra
e−λ λk
lim P( X = k ) = , k = 0, 1, 2, . . .
n→∞ k!
Ngoài ra, vì số lượng bít được truyền có xu hướng đến vô cùng, số lỗi có thể bằng bất kỳ số
nguyên không âm nào. Do đó, X có thể nhận các giá trị nguyên từ 0 đến vô cùng.
Ví dụ sau đây minh họa khả năng áp dụng rộng rãi hơn.
Ví dụ 2.44. Các lỗ hổng/vết nứt xuất hiện ngẫu nhiên dọc theo chiều dài của một sợi dây
đồng mỏng. Gọi X là biến ngẫu nhiên chỉ số lỗ hổng trên đoạn dây dài L milimét và giả sử
rằng số lỗ hổng trung bình trên đoạn dây này là λ. Phân phối xác suất của X có thể tìm được
bằng cách lập luận tương tự như Ví dụ 2.43. Ta chia độ dài của dây thành n đoạn con có độ dài
nhỏ, chẳng hạn, mỗi đoạn dài 1 micrômét. Nếu khoảng con được chọn đủ nhỏ thì xác suất có
nhiều hơn một lỗ hổng trong đoạn con này là không đáng kể. Hơn nữa, ta giả sử các lỗ hổng
xảy ra ngẫu nhiên, để ngụ ý rằng mọi khoảng con đều có xác suất chứa lỗ hổng là như nhau,
chẳng hạn, p. Cuối cùng, giả sử xác suất để một khoảng con chứa một lỗ hổng không phụ
thuộc vào các khoảng con khác chứa lỗ hổng khác. Khi đó, phân phối xác suất của X được lập
như một biến ngẫu nhiên phân phối nhị thức. Và vì E( X ) = np = λ nên p = λ/n, nghĩa là,
xác suất để một khoảng con chứa một lỗ hổng là λ/n. Khi ta chia các khoảng con đủ nhỏ thì
n là rất lớn và p rất nhỏ, nên phân phối xác suất của X thu được như trong Ví dụ 2.43.
Lý luận của Ví dụ 2.44 có thể được áp dụng cho bất kỳ khoảng nào, chẳng hạn khoảng
thời gian, diện tích hoặc thể tích. Ví dụ, số lượng (a) các hạt ô nhiễm trong sản xuất chất bán
dẫn, (b) sai sót trong các cuộn hàng dệt, (c) các cuộc gọi đến tổng đài điện thoại, (d) các hạt
nguyên tử phát ra từ một mẫu vật. . . Các phép thử mang lại các giá trị số cho biến ngẫu nhiên
X chỉ số các sự kiện xảy ra trong một khoảng nhất định nào đó, được gọi là phép thử Poisson.

Định nghĩa 2.18 (Phân phối Poisson). Biến ngẫu nhiên rời rạc X được gọi là có phân phối
Poisson với tham số λ > 0, ký hiệu là X ∼ P (λ), nếu hàm xác suất của X có dạng
e−λ λ x
PX ( x ) = , x = 0, 1, 2, . . . (2.39)
x!
với e = 2, 71828 . . .
Nhận xét 2.12. (a) Tổng các xác suất trong (2.39) bằng một vì
∞ ∞
e−λ λ x λx
∑ x!
= e−λ ∑
x!
= e−λ eλ = 1,
x =0 x =0
ở đây ta sử dụng khai triển Taylor của hàm eλ = ∑∞ x

x =0 λ /x!.
(b) Trong thực tế với một số giả thiết thích hợp thì các biến ngẫu nhiên là các quá trình đếm
sau: số cuộc gọi đến một tổng đài; số khách hàng đến một điểm phục vụ; số xe cộ qua
một ngã tư; số tai nạn (xe cộ); số các sự cố xảy ra ở một địa điểm . . . trong một khoảng
thời gian xác định nào đó sẽ có phân phối Poisson với tham số λ, trong đó λ là giá trị
trung bình diễn ra trong khoảng thời gian này.
Ví dụ 2.45. Ở một tổng đài bưu điện, các cuộc điện thoại gọi đến xuất hiện ngẫu nhiên, độc
lập với nhau với tốc độ trung bình 2 cuộc gọi trong một phút. Tìm xác suất để
(a) Có đúng 6 cuộc điện thoại trong vòng 2,5 phút.
(b) Không có cuộc điện thoại nào trong khoảng thời gian 30 giây.
(c) Có ít nhất 1 cuộc điện thoại trong khoảng thời gian 10 giây.
(a) Gọi X là số cuộc điện thoại xuất hiện trong vòng 2,5 phút. Khi đó, X ∼ P (λ) với λ = 5.
Phân phối xác suất của X xác định bởi (2.39) cho trong Hình 2.15 và
56
P ( X = 6 ) = e −5 ' 0, 1462.
6!
(b) Gọi Y là số cuộc điện thoại xuất hiện trong vòng 30 giây. Khi đó, Y ∼ P (λ) với λ = 1 và
λ0
P (Y = 0 ) = e − 1 ' 0, 3679.
0!
(c) Gọi Z là số cuộc điện thoại xuất hiện trong vòng 10 giây. Khi đó, Z ∼ P (λ) với λ = 1/3
và
P( Z ≥ 1) = 1 − P( Z = 0) = 1 − e− /3 ' 0, 2835.
1

0.20
P (5)
0.15
PX ( x ) 0.10
0.05
0.00
0 2 4 6 8 10 12 14
x
Hình 2.15: Phân phối Poisson với λ = 5
Ví dụ 2.46. Số khách hàng đến một cửa hàng bán lẻ là một biến ngẫu nhiên có phân phối
Poisson với trung bình 6 khách hàng đến trong vòng một giờ. Nếu có đúng 5 khách hàng đến
trong khoảng thời gian từ 10:00 đến 11:00 thì xác suất để có ít nhất 8 khách hàng đến trong
khoảng thời gian từ 10:00 đến 11:30 là bao nhiêu?
Lời giải Ví dụ 2.46 Gọi X là “số khách hàng đến cửa hàng bán lẻ trong vòng 30 phút”. Khi đó
X là biến ngẫu nhiên có phân phối Poisson, X ∼ P (λ), với λ = 3. Xác suất cần tìm P( X ≥ 3).
h i
P ( X ≥ 3) = 1 − P ( X < 3) = 1 − P ( X = 0) + P ( X = 1) + P ( X = 2)
0
31 32

−3 3
= 1−e + +
0! 1! 2!
= 1 − 0, 42319 = 0, 57681.
Nếu X ∼ P (λ) với λ > 0,

∞ ∞ − λ k −1 ∞ −λ l
ke−λ λk e λ e λ
E( X ) = ∑ k! = λ ∑ ( k − 1) ! = λ ∑ (l )! = λ.
k =0 k =1 l =0
Để nhận được phương sai của biến ngẫu nhiên có phân phối Poisson ta xét
∞ ∞
k2 e−λ λk ke−λ λk−1
E( X 2 ) = ∑ k! = λ ∑ ( k − 1) !
k =0 k =1
∞ ∞ − λ k −1
( k − 1 ) e − λ λ k −1 e λ
=λ∑ +λ ∑ = λ2 + λ.
k =1
( k − 1) ! k =1
( k − 1) !
Từ (2.22), V ( X ) = (λ2 + λ) − (λ)2 = λ.
Định lý 2.8. Nếu X là biến ngẫu nhiên có phân phối Poisson tham số λ thì
E( X ) = λ và V (X) = λ (2.40)

Ví dụ 2.47. Số máy D bán được trong ngày của một siêu thị là biến ngẫu nhiên X tuân theo
phân phối Poisson tham số λ. Biết rằng, xác suất bán được máy D trong một ngày là 39,35%.
(a) Tính số máy D bán được trung bình trong một ngày của siêu thị đó.
(b) Nếu khảo sát 30 ngày thì số ngày bán được máy D có khả năng xảy ra cao nhất là bao
nhiêu?
(a) Gọi X là “số máy D bán được trong một ngày”, X ∼ P(λ).
P( X ≥ 1) = 0, 3935 ⇒ 0, 6065 = P( X = 0) = e−λ .
Trung bình số máy D bán được trong ngày là λ = − ln(0, 6065) = 0, 5.
(b) Gọi Y là “số ngày bán được máy D (trong 30 ngày)”; Y ∼ B(n; p) với n = 30; p = 0, 3935.
Vì (n + 1) × p − 1 ≤ mod(Y ) ≤ (n + 1) × p nên 11, 1985 ≤ mod(Y ) ≤ 12, 1985 hay
mod(Y ) = 12.
Ví dụ 2.48. Một gara cho thuê ô tô thấy rằng số người đến thuê ô tô vào thứ bảy cuối tuần là
một biến ngẫu nhiên có phân phối Poisson với tham số λ = 2. Giả sử gara có 4 chiếc ô tô.
(a) Tìm xác suất để tất cả 4 ô tô đều được thuê vào thứ 7.
(b) Tìm xác suất gara không đáp ứng được yêu cầu (thiếu xe cho thuê) vào thứ 7.
(c) Trung bình có bao nhiêu ô tô được thuê vào ngày thứ 7?
Lời giải Ví dụ 2.48 Gọi X là biến ngẫu nhiên chỉ “số người đến thuê ô tô vào thứ bảy”. Theo giả
thiết, X ∼ P (λ), với λ = 2. Gọi Y là biến ngẫu nhiên chỉ “số xe ô tô được thuê vào thứ bảy”.
(a) Áp dụng (2.39),
P (Y = 4 ) = P ( X ≥ 4 ) = 1 − P ( X < 4 )
= 1 − P ( X = 0) − P ( X = 1) − P ( X = 2) − P ( X = 3)
0
21 22 23

−2 2
= 1−e + + + = 0, 1429.
0! 1! 2! 3!
24
(b) P( X > 4) = P( X ≥ 4) − P( X = 4) = 0, 1429 − e−2 = 0, 0527.
4!
(c) Y là biến ngẫu nhiên rời rạc, SY = {0, 1, 2, 3, 4} và
P(Y = 0) = P( X = 0) = 0, 1353, P(Y = 1) = P( X = 1) = 0, 2707,

P(Y = 2) = P( X = 2) = 0, 2707, P(Y = 3) = P( X = 3) = 0, 1804,
P(Y = 4) = P( X ≥ 4) = 0, 1429.

Bảng phân phối xác suất của Y là:
Y 0 1 2 3 4
P (Y = y i ) 0, 1353 0, 2707 0, 2707 0, 1804 0, 1429
Vậy trung bình số ô tô được thuê trong ngày thứ bảy là
E(Y ) = 0 × 0, 1353 + 1 × 0, 2707 + 2 × 0, 2707 + 3 × 0, 1804 + 4 × 0, 1429 = 1, 9249,
tức là khoảng 2 chiếc.
(b) Xấp xỉ phân phối nhị thức bằng phân phối Poisson
Định lý 2.9. Cho X là biến ngẫu nhiên có phân phối nhị thức B(n, p). Nếu n → ∞, p → 0 và
np → λ, λ là một hằng số, thì
B(n, p) → P (λ) khi n → ∞.
Trong thực tế, nếu n đủ lớn và λ = np đủ nhỏ thỏa mãn np < 7, thì ta có thể xấp xỉ phân
phối nhị thức B(n, p) bằng phân phối Poisson P (λ) và
n−k (np)k −np

Pn (k ) = Cnk ( p)k (1 − p) ' e (2.41)
k!
Ví dụ 2.49. Giả sử một công ty bảo hiểm nhân thọ bảo hiểm cho cuộc sống của 5000 người
đàn ông ở độ tuổi 42. Nghiên cứu của các chuyên gia tính toán cho thấy xác suất để một người
đàn ông 42 tuổi sẽ chết trong một năm (xác định) là 0,001. Hãy tìm xác suất mà công ty sẽ phải
trả bảo hiểm cho 4 người trong một năm (xác định).
Lời giải Ví dụ 2.49 Gọi X là số người chết trong một năm (xác định). X ∼ B(n, p) với n = 5000
và p = 0, 001. Khi đó,
5000!
4
P( X = 4) = P5000 (4) = C5000 (0, 001)4 (1 − 0, 001)5000−4 = (0, 001)4 (0, 999)4996 .
4!4996!
Vì n = 5000 đủ lớn và λ = np = 5000 × 0, 001 = 5 < 7 nên xác suất trên có thể được xấp xỉ
bằng công thức Poisson và
54 −5 625 × 0, 006738
P ( X = 4) ' e = = 0, 175.
4! 24
2.5.5 Phân phối đều (liên tục)

Định nghĩa 2.19 (Phân phối đều liên tục). Biến ngẫu nhiên liên tục X được gọi là có phân
phối đều trên [ a, b] (a < b), ký hiệu là X ∼ U ([ a, b]), nếu X có hàm mật độ xác suất

 1 ,

x ∈ [ a, b],
f X (x) = b − a (2.42)
0, x∈/ [ a, b].


f X (x)
1
b− a
0 a b x
Hình 2.16: Đồ thị hàm mật độ (2.42) của biến ngẫu nhiên có phân phối đều
Nhận xét 2.13. (a) Từ Định nghĩa 2.19 và tính chất của hàm mật độ, suy ra nếu X ∼ U ([ a; b])
thì
β−α
P(α < X < β) = , α, β ∈ R. (2.43)
b−a
(b) Trong một số lý thuyết kết luận thống kê người ta thường xuất phát từ quy tắc sau đây:
Nếu ta không biết gì về giá trị của tham số cần ước lượng, mỗi giá trị có thể có của tham
số đó là đồng khả năng, điều đó dẫn đến việc quan niệm tham số cần ước lượng như
một biến ngẫu nhiên có phân phối đều.
Ví dụ 2.50. Lịch chạy của xe buýt tại một trạm xe buýt như sau: chiếc xe buýt đầu tiên trong
ngày sẽ khởi hành từ trạm này lúc 7 giờ, cứ sau 15 phút sẽ có một xe khác đến trạm. Giả sử
một hành khách đến trạm ngẫu nhiên trong khoảng thời gian từ 7 giờ đến 7 giờ 30. Tìm xác
suất để hành khách này chờ
(a) Ít hơn 5 phút.
(b) Ít nhất 12 phút.
Lời giải Ví dụ 2.50 Quy 7 giờ về 0 và 7 giờ 30 về 30 (phút). Gọi X là thời điểm khách đến trạm
từ 7 giờ đến 7 giờ 30, X ∼ U [0; 30].
(a) Hành khách chờ ít hơn 5 phút nếu đến trạm giữa 7 giờ 10 và 7 giờ 15 hoặc giữa 7 giờ 25
và 7 giờ 30. Do đó xác suất cần tìm là:
15 − 10 30 − 25 1
P(10 < X ≤ 15) + P(25 < X ≤ 30) = + = .
30 − 0 30 − 0 3
(b) Hành khách chờ ít nhất 12 phút nếu đến trạm giữa 7 giờ và 7 giờ 03 hoặc giữa 7 giờ 15
và 7 giờ 18. Xác suất cần tìm là:
3−0 18 − 15
P(0 < X ≤ 3) + P(15 < X ≤ 18) = + = 0, 2.
30 − 0 30 − 0
Định lý 2.10. Nếu X là biến ngẫu nhiên có phân phối đều trên [ a, b] thì

(a) Hàm phân phối xác suất là





 0, x ≤ a,
x − a
FX ( x ) = , a < x ≤ b, (2.44)

 b−a

1, x > b.

a+b
(b) Kỳ vọng E( X ) = 2 .
q
( b − a )2 ( b − a )2
(c) Phương sai V ( X ) = 12 và độ lệch chuẩn σ( X ) = 12 .
R Q
O
P M x
Hình 2.17: Đồ thị hàm phân phối (2.44) của biến ngẫu nhiên có phân phối đều
Ví dụ 2.51. Biến ngẫu nhiên X trong Ví dụ 2.15 là biến ngẫu nhiên có phân phối đều trên
đoạn [0; 20], do đó
202
E( X ) = 10 mA; V (X) = = 33, 3333 mA2 .
12
Kết quả này trùng với kết quả tính trực tiếp trong Ví dụ 2.21(b) và 2.26(b).
Ví dụ 2.52. Lấy ngẫu nhiên một điểm M trên nửa đường tròn tâm O, đường kính AB = 2a.
Biết rằng xác suất điểm M rơi vào cung CD bất kỳ của nửa đường tròn AMB chỉ phụ thuộc
vào độ dài cung CD.
(a) Tìm hàm phân phối xác suất của biến ngẫu nhiên Y chỉ diện tích tam giác AMB.
(b) Tìm kỳ vọng của Y.

D
M
A a O B
Hình 2.18: Minh họa cho Ví dụ 2.52
(a) Theo định lý hàm số sin, ta có S AMB = a2 sin ϕ, ở đây ϕ là góc giữa trục Ox và OM. Từ
giả thiết ta có ϕ là biến ngẫu nhiên liên tục có phân phối đều U [0, π ] có hàm mật độ xác
suất 
1,

x ∈ [0, π ],
π
f ϕ (x) =
0,
 x∈
/ [0, π ].
Do đó, hàm phân phối xác suất của ϕ là


0, x ≤ 0,





Fϕ ( x ) = πx , 0 < x ≤ π,



1, x > π.

Biến ngẫu nhiên Y = a2 sin ϕ, nên Y là biến ngẫu nhiên liên tục nhận giá trị trong đoạn
[0, a2 ]. Hàm phân phối xác suất của Y là




 0, x ≤ 0,
2 x

FY ( x ) = P(Y < x ) = arcsin 2 , 0 < x ≤ a2 ,


 π a
1, x > a2 ,

vì với x ∈ (0, a2 ],

2 x
FY ( x ) = P(Y < x ) = P( a sin ϕ < x ) = P sin ϕ < 2
a

x x 2 x
= P 0 < ϕ < arcsin 2 + P π − arcsin 2 < ϕ < π = arcsin 2 .
a a π a
(b) Hàm mật độ xác suất của X


2
 √ x ∈ [0, a2 ],

 ,
f X ( x ) = π a − x2
4
0, / [0, a2 ].
x∈


Suy ra kỳ vọng của X là

+∞ Za
2
2 x 2 2
Z
E[ X ] = x f X ( x ) dx = √ dx = a .
π a4 − x2 π
−∞ 0

2.5.6 Phân phối mũ

Ví dụ 2.44 đã phân tích về phân phối Poisson dựa trên biến ngẫu nhiên chỉ số lỗi trên chiều
dài của sợi dây đồng. Khoảng cách giữa các lỗi này là một biến ngẫu nhiên khác cần được
quan tâm. Gọi X là biến ngẫu nhiên chỉ khoảng cách từ điểm bắt đầu bất kỳ trên dây đến
điểm lỗi phát hiện được. Phân phối của X có thể tìm được dựa trên phân phối của biến ngẫu
nhiên chỉ số lỗi thu được. Chìa khóa của mối quan hệ này dựa trên khái niệm đơn giản, chẳng
hạn, khoảng cách đến lỗi đầu tiên vượt quá 3 milimét khi và chỉ khi không có lỗi nào phát
hiện được trong khoảng 3 milimét. Bây giờ, gọi N là biến ngẫu nhiên chỉ số lỗi phát hiện được
trong x milimét của dây. Nếu số lỗi trung bình là λ trên milimét, thì N có phân phối Poisson
với trung bình là λx. Khi đó, theo (2.39),
e−λx (λx )0
P ( X > x ) = P ( N = 0) = = e−λx .
0!
Suy ra hàm phân phối xác suất của X là
FX ( x ) = P( X < x ) = 1 − e−λx , x≥0
và hàm mật độ xác suất của X là
f X ( x ) = e−λx , x ≥ 0.
Ta thấy, việc suy ra phân phối xác suất của X chỉ phụ thuộc vào giả thiết biến ngẫu nhiên chỉ
số lỗi trong dây tuân theo quy luật phân phối Poisson. Điểm bắt đầu để đo X không quan
trọng vì xác suất của số lỗi trong một khoảng của phân phối Poisson chỉ phụ thuộc vào độ dài
của khoảng đó, không phụ thuộc vào vị trí.
Định nghĩa 2.20 (Phân phối mũ). Biến ngẫu nhiên liên tục X được gọi là có phân phối mũ với
tham số λ > 0, ký hiệu là X ∼ Exp(λ), nếu hàm mật độ xác suất của nó có dạng

λe−λx , x ≥ 0,

f X (x) = (2.45)
 0,
 x < 0.
Phân phối mũ lấy tên từ hàm số mũ do hàm mật độ xác suất f X ( x ) của nó là hàm số thực
có biến độc lập x nằm trong biểu thức lũy thừa. Đồ thị của hàm mật độ xác suất của biến ngẫu
nhiên có phân phối mũ cho các giá trị λ khác nhau được thể hiện trong Hình 2.19.
Chú ý 2.3. (a) Nói chung với một giả thiết nào đó, khoảng thời gian giữa hai lần xuất hiện
của một sự kiện E nào đó sẽ có phân phối mũ. Vì lý do này phân phối mũ còn có tên gọi
là phân phối của thời gian chờ đợi “Waiting time distribution”.
(b) Các nghiên cứu đầu tiên về phân phối mũ là nghiên cứu về tuổi thọ của con người hay
cá thể sống; tuổi thọ của các thiết bị điện tử hay về thời gian làm việc liên tục của linh
kiện điện tử cho đến khi có hỏng hóc đầu tiên.

f X (x)
λ=3
λ = 0.3
x
Hình 2.19: Hàm mật độ của biến ngẫu nhiên có phân phối mũ
Định lý 2.11. Nếu X là biến ngẫu nhiên có phân phối mũ với tham số λ > 0, thì

1 − e−λx ,

x ≥ 0,
(a) FX ( x ) =
0,
 x < 0.
(b) E( X ) = 1/λ.
(c) V ( X ) = 1/λ2 .
Nhận xét 2.14. Nếu X ∼ Exp(λ) thì P( X > x ) = 1 − P( X ≤ x ) = 1 − P( X < x ) = 1 − FX ( x )

và từ Định lý 2.11(a) suy ra
P( X > x ) = e−λx , x ≥ 0. (2.46)
Ví dụ 2.53. Biến ngẫu nhiên T tuân theo luật phân phối mũ với hàm phân phối xác suất

1 − e−t/3 ,

t ≥ 0,
FT (t) =
0,
 t < 0.
(a) Tìm hàm mật độ xác suất của T.
(b) Tính P(2 ≤ T ≤ 4).
(c) Tính kỳ vọng, phương sai, độ lệch chuẩn của T.
(a) Áp dụng công thức (2.8),


dFT (t)  1 e−t/3 ,

t ≥ 0,
f T (t) = = 3
dt 0,

trái lại.
Theo Định nghĩa 2.20, biến ngẫu nhiên T có phân phối mũ với tham số λ = 1/3.

(b) Áp dụng Tính chất 3.1(c),
P(2 ≤ T ≤ 4) = FT (4) − FT (2) = e−2/3 − e−4/3 = 0, 250.
(c) Sử dụng Định lý 2.11(b),(c) ta nhận được
1 1
E( T ) = = = 3,
λ 1/3
1 1 √
V (T ) = 2 = = 9 và σ(T ) = 9 = 3.
λ (1/3)2
Muốn trực tiếp E( T ), ta sử dụng phương pháp tích phân từng phần,
+∞ +∞ +∞ Z+∞
1 −t/3
Z Z
−t/3
e−t/3 dt = 3.

E( T ) = t f T (t)dt = t e dt = −te +
3
0
−∞ 0 0
Z +∞ Z +∞
Để tính phương sai của T, ta tính E( T 2 ) = t2 f T ( t ) dt = t2 31 e−t/3 dt. Tích phân
−∞ 0
từng phần ta được
+∞ Z+∞ +∞
Z
2 −t/3 −t/3
2
te−t/3 dt.

E( T ) = −t e + 2te dt = 2
0
0 0
Z +∞
Vì E( T ) = 3, nên te−t/3 dt = 3E( T ) = 9. Do đó E( T 2 ) = 6E( T ) = 18 và
0
V ( T ) = E( T 2 ) − [ E( T )]2 = 18 − 32 = 9.
p
Độ lệch chuẩn là σ ( T ) = V ( T ) = 3.
Ví dụ 2.54. Giả sử tuổi thọ (tính bằng năm) của một mạch điện tử trong máy tính là một biến
ngẫu nhiên có phân phối mũ với kỳ vọng là 6,25 năm. Thời gian bảo hành của mạch điện tử
này là 5 năm. Hỏi có bao nhiêu phần trăm mạch điện tử bán ra phải thay thế trong thời gian
bảo hành.
Lời giải Ví dụ 2.54 Gọi X là tuổi thọ của mạch điện tử trong máy tính, X ∼ Exp(λ) với
1 1
λ= = = 0, 16.
E( X ) 6, 25
Do đó, theo (2.46),
P( X ≤ 5) = 1 − P( X > 5) = 1 − e−5λ = 1 − e−0,8 = 0, 5506.
Vậy, có khoảng 55,06% mạch điện tử bán ra phải thay thế trong thời gian bảo hành.
Một tính chất thú vị hơn của biến ngẫu nhiên có phân phối mũ liên quan đến xác suất có
điều kiện.

Ví dụ 2.55. Gọi X (phút) là thời gian giữa các lần phát hiện hạt A bằng máy đếm G và giả sử
X là biến ngẫu nhiên có phân phối mũ với E( X ) = 1, 4 phút. Khi đó, xác suất để phát hiện ra
một hạt A trong vòng 30 giây (0,5 phút) kể từ khi khởi động máy đếm là
P( X < 0, 5) = 1 − P( X > 0, 5) = 1 − e−0,5/1,4 ' 0, 3003.
Bây giờ, giả sử ta bật máy đếm G và đợi 3 phút không phát hiện ra hạt A nào. Xác suất để
phát hiện một hạt A trong 30 giây (0,5 phút) tiếp theo được xác định như sau
P(3 < X < 3, 5) P( X > 3) − P( X > 3, 5)

P( X < 3, 5| X > 3) = =
P ( X > 3) P ( X > 3)
e−3,5/1,4
= 1− = 1 − e−0,5/1,4 ' 0, 3003.
e−3,0/1,4
Như vậy, sau khi chờ 3 phút mà không phát hiện được hạt A nào, thì xác suất phát hiện
hạt A trong 30 giây tiếp theo bằng xác suất phát hiện hạt A trong 30 giây đầu tiên (ngay sau
khi khởi động máy đếm).
Ví dụ 2.55 minh họa “tính chất không nhớ” (Lack of Memory Property) của một biến ngẫu
nhiên có phân phối mũ.
Tính chất 2.6 (Tính chất không nhớ). Với một biến ngẫu nhiên X có phối mũ,
P ( X < t1 + t2 | X > t1 ) = P ( X < t2 ). (2.47)
Ví dụ 2.56. Một động cơ có thời gian làm việc (giờ) liên tục cho đến khi có hỏng hóc đầu tiên
được giả thiết là biến ngẫu nhiên có phân phối mũ với tham số λ = 0, 001.
(a) Tính xác suất để động cơ này làm việc liên tục không hỏng hóc được ít nhất 900 giờ.
(b) Được biết động cơ này đã làm việc liên tục không hỏng hóc được ít nhất 300 giờ, xác suất
để động cơ còn làm việc liên tục không hỏng hóc được ít nhất 1200 giờ là bao nhiêu?
Lời giải Ví dụ 2.56 Gọi X là thời gian làm việc của động cơ, X ∼ Exp(λ) với λ = 0, 001.
(a) Sử dụng (2.46), P( X > 900) = e−0,001×900 = e−0,9 ' 0, 4066.
(b) Áp dụng công thức xác suất điều kiện và (2.46),

P( X > 1200)
P ( X > 1200)|( X > 300) = = e−0,001×(1200−300) ' 0, 4066.
P( X > 300)
Ví dụ 2.57. Công ty điện thoại A thu phí 0,15 USD/phút cho các cuộc gọi điện thoại. Với bất
kỳ cuộc gọi nào trong vòng một phút, họ sẽ tính phí cước gọi một phút. Công ty điện thoại B
cũng tính phí 0,15 USD/phút, tuy nhiên, công ty B tính cước phí dựa trên thời lượng chính
xác của mỗi cuộc gọi. Giả sử T, thời lượng của một cuộc gọi tính bằng phút, là biến ngẫu
nhiên có phân phối mũ với tham số λ = 1/3.

(a) Hàm mật độ xác suất của T là gì?
(b) Kỳ vọng của T là bao nhiêu?
(c) Doanh thu trung bình cho mỗi cuộc gọi E( R A ) và E( R B ) của công ty A và B là bao nhiêu?
(a) Vì T có phân phối mũ với λ = 1/3 nên

 1 e− 13 t ,

t ≥ 0,
f T (t) = 3
0, trái lại.

(b) Theo Định lý 2.11,

+∞
1
Z
E( T ) = t f T (t)dt = =3 phút/cuộc gọi.
λ
−∞
(c) Với công ty B,

E( R B ) = 0, 15 × E( T ) = 0, 45 USD/cuộc gọi.
Với công ty A, định nghĩa biến K, thời gian tính cước phí một cuộc điện thoại của công ty
A, tức là K = 1 nếu 0 < T ≤ 1, K = 2 nếu 1 < T ≤ 2,. . . . Khi đó, E( R A ) = 0, 15 × E(K ).
Để tính E(K ), trước hết ta tính
Zk
P(K = k) = P(k − 1 < T ≤ k) = f T (t)dt = (e−λ )k−1 (1 − e−λ ).
k −1
∞ ∞ 1
Suy ra E(K ) = ∑ kP(K = k ) = ∑ k (1 − p)k−1 p = với p = 1 − e−λ . Vậy
k =1 k =1 p
0, 15 0, 15
E( R A ) =
= ' 0, 5293 USD/cuộc gọi.
p 0, 2834

3e−3x ,

nếu x ≥ 0
Ví dụ 2.58. Cho hàm mật độ xác suất f X ( x ) = của biến ngẫu nhiên
0,
 nếu x < 0
liên tục X và định nghĩa Y = [ X ] là số nguyên lớn nhất không vượt quá X (nghĩa là [ x ] = 0
nếu 0 ≤ x < 1, [ x ] = 1 nếu 1 ≤ x < 2. . . ).
(a) Tính P(Y = 0).
(b) Tính E(Y ).

Z 1
Lời giải Ví dụ 2.58 (a) P(Y = 0) = P(0 ≤ X < 1) = 3e−3x dx = 1 − e−3 .
0
∞ 1
(b) Với k ≥ 0, P(Y = k ) = e−3k (1 − e−3 ) và E( X ) = ∑ kP(Y = k ) = .
k =0 e3 −1

2.5.7 Phân phối chuẩn

Một trong những phân phối liên tục có vai trò quan trọng trong lĩnh vực thống kê là phân
phối chuẩn.
(a) Phân phối chuẩn

Định nghĩa 2.21 (Phân phối chuẩn). Biến ngẫu nhiên liên tục X được gọi là có phân phối
chuẩn với tham số µ và σ2 , ký hiệu là X ∼ N (µ, σ2 ), nếu hàm mật độ xác suất của X có dạng
1 ( x − µ )2
−
f X ( x ) := f X ( x; µ; σ2 ) = √ e 2σ2 , (2.48)
σ 2π
ở đây, tham số µ là số thực tùy ý còn σ > 0.
Định lý 2.12. Nếu X là biến ngẫu nhiên có phân phối chuẩn với các tham số µ và σ2 , thì
E( X ) = µ, V ( X ) = σ2 và σ ( X ) = σ. (2.49)
Chứng minh. Để xác định kỳ vọng, trước hết ta tính

Z∞ ( x − µ )2
1 −
E( X − µ) = √ ( x − µ)e 2σ2 dx.
σ 2π
−∞
Đặt z = ( x − µ)/σ và dx = σdz, ta nhận được

Z∞
1 z2
E( X − µ) = √ ze− 2 dz = 0,
2π
−∞
vì hàm số dưới dấu tích phân là hàm lẻ của z. Do đó,
E( X ) = µ.
Phương sai của biến ngẫu nhiên tuân theo luật phân phối chuẩn được cho bởi
Z∞ ( x − µ )2
21 −
E[( X − µ) ] = √ ( x − µ )2 e 2σ2 dx.
σ 2π
−∞
Đặt z = ( x − µ)/σ và dx = σdz, ta nhận được

Z∞
σ2 z2
2
E[( X − µ) ] = √ z2 e− 2 dz.
2π
−∞
2 /2 2 /2
Tích phân từng phần với u = z và dv = ze−z dz suy ra du = dz và v = −e−z , ta tìm được
∞ Z∞
σ2
2

−z2 /2 − z2
E[( X − µ)2 ] = √ e dz = σ2 (0 + 1) = σ2 .

− ze +
2π −∞

−∞
p
Cuối cùng, σ( X ) = V ( X ) = σ (vì σ > 0).

µ x
Hình 2.20: Đường cong chuẩn
Nhận xét 2.15. Đồ thị của hàm mật độ xác suất f X ( x ) của biến ngẫu nhiên có phân phối
chuẩn, được gọi là đường cong chuẩn, có dạng hình chuông (xem Hình 2.20).
Hình 2.21 mô tả hai đường cong chuẩn có cùng độ lệch chuẩn nhưng kỳ vọng khác nhau.
Hai đường cong giống hệt nhau về hình thức nhưng được tập trung tại các vị trí khác nhau
dọc theo trục hoành.
σ1 = σ2
µ1 µ2 x
Hình 2.21: Đường cong chuẩn với µ1 < µ2 và σ1 = σ2
Hình 2.22 mô tả hai đường cong chuẩn có cùng kỳ vọng nhưng độ lệch chuẩn khác nhau.
σ1
σ2
µ1 = µ2 x
Hình 2.22: Đường cong chuẩn với µ1 = µ2 và σ1 < σ2
Hình 2.23 mô tả cho trường hợp kỳ vọng và độ lệch chuẩn khác nhau.
σ1
σ2
µ1 µ2 x
Hình 2.23: Đường cong chuẩn với µ1 < µ2 và σ1 < σ2
Định lý 2.13. Nếu X là biến ngẫu nhiên có phân phối chuẩn N (µ; σ2 ) thì Y = aX + b là biến
ngẫu nhiên có phân phối chuẩn N ( aµ + b; a2 σ2 ) với a và b là các số thực tùy ý.

Định lý 2.13 phát biểu rằng bất kỳ phép biến đổi tuyến tính nào của một biến ngẫu nhiên
có phân phối chuẩn sẽ tạo ra một biến ngẫu nhiên có phân phối chuẩn khác. Định lý này cho
phép ta liên hệ các thuộc tính của một biến ngẫu nhiên có phân phối chuẩn tùy ý với các thuộc
tính của một biến ngẫu nhiên cụ thể.
(b) Phân phối chuẩn tắc

Định nghĩa 2.22 (Phân phối chuẩn tắc). Biến ngẫu nhiên có phân phối chuẩn N (0; 1) được
gọi là biến ngẫu nhiên có phân phối chuẩn tắc .
Định nghĩa 2.23 (Hàm mật độ xác suất). Hàm mật độ xác suất của biến ngẫu nhiên Z có phân
phối chuẩn tắc là
1 2
ϕ(z) = √ e−z /2 . (2.50)
2π
Hàm ϕ(z) xác định bởi (2.50) là hàm Gauss với các giá trị được tính sẵn ở bảng hàm số
Gauss và được cho trong Phụ lục.
0 x
Hình 2.24: Hàm mật độ xác suất của biến ngẫu nhiên phân phối chuẩn tắc N (0; 1)
Định lý 2.13 chỉ ra rằng, nếu Z ∼ N (0; 1), thì E( Z ) = 0 và V ( Z ) = 1.
Định nghĩa 2.24 (Hàm phân phối xác suất). Hàm phân phối xác suất của biến ngẫu nhiên Z
có phân phối chuẩn tắc là
Zz
1 2 /2
Φ(z) = √ e−t dt. (2.51)
2π
−∞
Theo định nghĩa hàm phân phối,
Φ(z) = P( Z < z)
(xem Hình 2.25).

Hàm phân phối chuẩn tắc Φ(z) có các giá trị được tính sẵn ở dạng bảng số được gọi là
bảng phân vị chuẩn với z ≥ 0. Đối với các giá trị âm của z ta sử dụng tính chất sau đây của
hàm Φ(z).
Định lý 2.14.
Φ(−z) = 1 − Φ(z). (2.52)

Φ(z)
z x
Hình 2.25: Φ(z) = P( Z < z)
ϕ(z) ϕ(z)
Φ(z)
Φ(−z) 1 − Φ(z)
µ z z −z µ z z
(a) (b)
Hình 2.26: Tính chất đối xứng của hàm mật độ xác suất của biến ngẫu nhiên phân phối chuẩn
tắc
Tính chất (2.52) được minh họa trong Hình 2.26. Vùng được tô bóng dưới hàm mật độ
xác suất ở Hình 2.26(a) là Φ(z), còn vùng không được tô bóng dưới hàm mật độ xác suất là
1 − Φ(z). Trong Hình 2.26(b), vùng bóng mờ bên phải là 1 − Φ(z) và vùng bóng mờ bên trái
là Φ(−z).
Định lý 2.15. Nếu X là biến ngẫu nhiên có phân phối chuẩn với tham số µ và σ2 và Z =
( X − µ)/σ thì Z có phân phối chuẩn tắc và
x−µ

FX ( x ) = Φ , (2.53)
σ
trong đó, FX (.) là hàm phân phối xác suất của biến ngẫu nhiên X và Φ(.) là hàm phân phối
xác suất của biến ngẫu nhiên Z.
(c) Xác suất để biến ngẫu nhiên có phân phối chuẩn nhận giá trị trong
khoảng
Cho X ∼ N (µ; σ2 ) và α, β ∈ R. Sử dụng Tính chất 3.1(c) và (2.53) ta nhận được
β−µ α−µ

P(α < X < β) = FX ( β) − FX (α) = Φ −Φ .
σ σ
Định lý 2.16. Nếu X là biến ngẫu nhiên có phân phối chuẩn với tham số µ và σ2 , thì
β−µ α−µ

P(α < X < β) = Φ −Φ , α, β ∈ R, (2.54)
σ σ
trong đó, Φ(.) là hàm phân phối chuẩn tắc được định nghĩa trong (2.51).

Khi sử dụng Định lý 2.16, ta biến đổi các giá trị của biến ngẫu nhiên X ∼ N (µ; σ2 ) thành
các giá trị tương đương của biến ngẫu nhiên Z ∼ N (0; 1). Đối với giá trị x của biến ngẫu
nhiên X, giá trị z tương ứng của biến ngẫu nhiên Z là
x−µ
z= hay tương đương với x = µ + zσ. (2.55)
σ
Hình 2.27 minh họa phân phối chuẩn ban đầu và phân phối chuẩn tắc tương ứng. Vì tất cả các
giá trị của X nằm trong khoảng từ x1 đến x2 đều có các giá trị z tương ứng nằm trong khoảng
từ z1 đến z2 , nên diện tích miền bên dưới đường cong chuẩn nằm giữa các tọa độ x = x1 và
x = x2 trong Hình 2.27 bằng diện tích miền bên dưới đường cong chuẩn tắc giữa các tọa độ
được biến đổi z = z1 và z = z2 .
σ=1
x1 x2 µ x z1 z2 0 z
Hình 2.27: Phân phối chuẩn và phân phối chuẩn tắc tương ứng
Hệ quả 2.3. Nếu X là biến ngẫu nhiên có phân phối chuẩn N (µ; σ2 ) thì
β−µ

(a) P( X < β) = Φ .
σ
α−µ

(b) P( X > α) = 1 − Φ .
σ

(c) P(| X − µ| < ε) = 2Φ σε − 1.
Ví dụ 2.59. Giả sử phép đo cường độ dòng điện trên một sợi dây đồng là biến ngẫu nhiên có
phân phối chuẩn với giá trị trung bình là 10 miliampe và phương sai là 4 (miliampe)2 . Tính
xác suất để nhận được kết quả của phép đo này vượt quá 13 miliampe.
Lời giải Ví dụ 2.59 Gọi X là phép đo cường độ dòng điện, X ∼ N (µ; σ2 ) với µ = 10 và σ = 2.
Sử dụng Hệ quả 2.3(b),
13 − 10

P( X > 13) = 1 − Φ = 1 − Φ(1, 5) = 1 − 0, 93319 = 0, 06681.
2
Nhận xét 2.16. Từ Hệ quả 2.3(c) suy ra một số kết quả hữu ích liên quan đến biến ngẫu nhiên
X ∼ N (µ; σ2 ) được tóm tắt dưới đây và trong Hình 2.28.
P(µ − σ < X < µ + σ ) = 0, 6827,

P(µ − 2σ < X < µ + 2σ) = 0, 9545,
P(µ − 3σ < X < µ + 3σ) = 0, 9973.

µ − 3σ µ − 2σ µ−σ µ µ+σ µ + 2σ µ + 3σ z
0, 6827
0, 9545
0, 9973
Hình 2.28: Xác suất liên kết với phân phối chuẩn
Chú ý 2.4. (a) Phân phối chuẩn được Gauss tìm ra năm 1809 nên nó còn được gọi là phân
phối Gauss.
(b) Trong thực tế, nhiều biến ngẫu nhiên có phân phối chuẩn hoặc tiệm cận chuẩn (Định
lý giới hạn trung tâm, Chương ??). Chẳng hạn, trọng lượng, chiều cao của một nhóm
người nào đó; điểm thi của thí sinh; năng suất cây trồng; mức lãi suất của một công ty;
nhu cầu tiêu thụ của một mặt hàng nào đó; nhiễu trắng trên các kênh thông tin.
Ví dụ 2.60. Lãi suất (%) đầu tư vào một dự án trong năm 2022 được giả thiết là biến ngẫu
nhiên có phân phối chuẩn. Theo đánh giá của ủy ban đầu tư thì với xác suất 0,1587 cho lãi
suất lớn hơn 20% và với xác suất 0,0228 cho lãi suất lớn hơn 25%. Vậy khả năng đầu tư mà
không bị lỗ là bao nhiêu?
Lời giải Ví dụ 2.60 Gọi X là lãi suất (%) của dự án trong năm 2022, X ∼ N (µ; σ2 ). Theo đầu bài
và Hệ quả 2.3(b),
20 − µ

P( X > 20) = 1 − Φ = 0, 15866
σ
và
25 − µ

P( X > 25) = 1 − Φ = 0, 02275.
σ
Hay
20 − µ 25 − µ

Φ = 0, 84134 và Φ = 0, 97725.
σ σ
20−µ 25−µ
Từ Bảng phân vị chuẩn, suy ra σ = 1 và σ = 2. Hay µ = 15, σ = 5. Vậy khả năng đầu
tư không bị lỗ là
0 − 15

P ( X ≥ 0) = 1 − Φ = Φ(3) = 0, 99865.
3
(d) Xấp xỉ phân phối nhị thức bởi phân phối chuẩn
Mục này xem xét mối liên hệ giữa phân phối nhị thức và phân phối chuẩn. Phân phối chuẩn
có thể dùng để xấp xỉ khá tốt cho một số phân phối rời rạc. Ta có định lý sau đây mang tên
Định lý Moivre – Laplace.

Định lý 2.17 (Định lý Moivre–Laplace). Giả sử X là biến ngẫu nhiên có phân phối nhị thức
với tham số n và p. Nếu np ≥ 5 và n(1 − p) ≥ 5 thì X có phân phối xấp xỉ phân phối chuẩn
với tham số µ = np và σ2 = np(1 − p).
Phân phối chuẩn với kỳ vọng µ = np và phương sai σ2 = np(1 − p) không chỉ xấp xỉ khá
tốt cho phân phối nhị thức khi n khá lớn và xác suất p không quá gần 0 hoặc 1 mà còn cung cấp
một xấp xỉ khá tốt cho phân phối nhị thức ngay cả khi n nhỏ và p gần 1/2. Cho biến ngẫu nhiên
X ∼ B(n, p). Để minh họa việc xấp xỉ phân phối chuẩn cho phân phối nhị thức, ta vẽ hàm xác
suất của biến ngẫu nhiên X ∼ B(n, p) với n = 15, p = 0, 4 và đường cong chuẩn có cùng kỳ
vọng µ = np = 15 × 0, 4 = 6 và cùng phương sai σ2 = np(1 − p) = 15 × 0, 4 × 0, 6 = 3, 6 với
X (xem Hình 2.29).
0 2 4 6 8 10 12 14 x
Hình 2.29: Xấp xỉ phân phối chuẩn cho phân phối nhị thức B(15; 0, 4)
Vì ta xấp xỉ một phân phối rời rạc bằng một phân phối liên tục, nên cần một sự hiệu chỉnh
để giảm sai số.
Định lý 2.18. Cho X là biến ngẫu nhiên có phân phối nhị thức với tham số n và p. Phân phối
xác suất của X được xấp xỉ bởi phân phối chuẩn với các tham số µ = np và σ2 = np(1 − p) và
k + 0, 5 − µ k − 0, 5 − µ

P( X = k) ' Φ −Φ (2.56)
σ σ
và
k2 + 0, 5 − µ k1 − 0, 5 − µ

P(k1 ≤ X ≤ k2 ) ' Φ −Φ . (2.57)
σ σ
Việc thêm +0, 5 và −0, 5 chính là yếu tố hiệu chỉnh và gọi là hiệu chỉnh liên tục.
Ví dụ 2.61. Sử dụng phân phối chuẩn xấp xỉ xác suất P(8 ≤ X ≤ 10) cho biến ngẫu nhiên X
có phân phối nhị thức với tham số n = 25 và p = 0, 5. So sánh với công thức tính chính xác.
Lời giải Ví dụ 2.61 Vì X ∼ B(n; p) với n = 25 và p = 0, 5, áp dụng công thức Bernoulli (1.23) ta
nhận được
8 9 10
P(8 ≤ X ≤ 10) = C25 + C25 + C25 × (0, 5)25 ' 0, 190535.

p
Bây giờ, ta sử dụng công thức xấp xỉ (2.57) với µ = np = 12, 5, σ = np(1 − p) = 2, 5 và
nhận được
10 + 0, 5 − 12, 5 8 − 0, 5 − 12, 5

P(8 ≤ X ≤ 10) ' Φ −Φ
2, 5 2, 5
= Φ(−0.8) − Φ(−2) = 0, 18911.
Giá trị xấp xỉ 0,18911 và giá trị chính xác 0,190535 là khá gần nhau.
Ví dụ 2.62. Kiểm tra chất lượng 1000 sản phẩm trong một lô hàng có tỷ lệ chính phẩm là 0,95.
Tìm xác suất để trong 1000 sản phẩm đó có từ 940 đến 960 chính phẩm.
Lời giải Ví dụ 2.62 Gọi X là biến ngẫu nhiên chỉ số chính phẩm trong 1000 sản phẩm được kiểm
tra, X ∼ B(n; p) với n = 1000 và p = 0, 95. Vì np = 950 > 5 và np(1 − p) = 47, 5 > 5 nên áp
dụng (2.57) với µ = np = 950 và σ2 = np(1 − p) = 47, 5 ta nhận được
960 + 0, 5 − 950 940 − 0, 5 − 950

P(940 ≤ X ≤ 960) = Φ √ −Φ √
47, 5 47, 5
= Φ(1, 52) − Φ(−1, 52) = 2Φ(1, 52) − 1 = 2 × 0, 93574 − 1 = 0, 87148.
(e) Xấp xỉ phân phối Poisson bởi phân phối chuẩn

Nếu X là biến ngẫu nhiên có phân phối Poisson với E( X ) = λ và V ( X ) = λ thì biến ngẫu
nhiên
X−λ
Z= √ (2.58)
λ
xấp xỉ phân phối chuẩn tắc. Ta có thể sử dụng sự hiệu chỉnh liên tục tương tự như áp dụng
cho phân phối nhị thức. Xấp xỉ sẽ khá tốt khi λ > 5.
Ví dụ 2.63. Giả sử rằng số lượng hạt amiăng trong một mét vuông bụi trên bề mặt là một biến
ngẫu nhiên tuân theo luật phân phối Poisson với giá trị trung bình là 1000. Nếu phân tích một
mét vuông bụi, thì xác suất tìm thấy nhiều nhất 950 hạt là bao nhiêu?
Lời giải Ví dụ Sử dụng (2.39) với λ = 1000,

950
e−1000 1000k
P( X ≤ 950) = P(0 ≤ X ≤ 950) = ∑ k!
.
k =0
Việc tính toán theo công thức này gặp khó khăn. Trong trường hợp này, ta sử dụng công thức
√
xấp xỉ (2.57) với µ = λ, σ = λ,
950 + 0, 5 − 1000 0 − 0, 5 − 1000

P(0 ≤ X ≤ 950) ≈ Φ √ −Φ √
1000 1000
= Φ(−1, 57) − Φ(−31, 64) = 1 − 0, 94179 = 0, 05821.
Trong thực tế, khi sử dụng xác suất Poisson mà khó tính toán được chính xác thì ta có thể
dễ dàng tính xấp xỉ xác suất này dựa trên phân phối chuẩn.

2.5.8 Phân phối Khi-bình phương

Định nghĩa 2.25 (Phân phối Khi-bình phương). Biến ngẫu nhiên liên tục X được gọi là có
phân phối Khi-bình phương với ν bậc tự do, ký hiệu là X ∼ χ2 (ν), nếu hàm mật độ xác suất
của nó có dạng:

1
x (ν/2)−1 e− x/2 , x > 0,


2ν/2 Γ(ν/2)
f X (x) = (2.59)
0,
 x ≤ 0,
ở đây, Γ(.) là hàm Gamma được định nghĩa bởi Γ : (0; ∞) → R,

+∞
Z
Γ( x ) = t x−1 e−t dt. (2.60)
0
Hình 2.30 minh họa phân phối Chi-bình phương với số bậc tự do khác nhau.
ν=1
ν = 2.5
ν=5
0 x
Hình 2.30: Hàm mật độ xác suất của phân phối Khi-bình phương với số bậc tự do khác nhau
Đồ thị của phân phối Khi-bình phương bị lệch sang phải. Tuy nhiên, khi số bậc tự do ν
tăng lên, phân phối này trở nên đối xứng hơn. Khi ν → ∞, dạng giới hạn của phân phối
Khi-bình phương là phân phối chuẩn.
Định lý 2.19 (Kỳ vọng và phương sai). Nếu X là biến ngẫu nhiên có phân phối Khi-bình
phương với ν bậc tự do, thì
E( X ) = ν và V ( X ) = 2ν.
Ký hiệu χ2α;ν chỉ giá trị của biến ngẫu nhiên X ∼ χ2 (ν) sao cho xác suất X vượt quá giá trị
này là α. Nghĩa là,
Z∞
P( X > χ2α;ν ) = f X ( x )dx = α với f X ( x ) xác định bởi (2.59).
χ2α,ν
Xác suất này là miền bóng mờ trong Hình 2.31.

Giá trị χ2α;ν được tính sẵn trong bảng giá trị tới hạn phân phối Khi-bình phương. Chẳng
hạn, giá trị với 10 bậc tự do có xác suất ở bên phải bằng 0, 05 là χ20,05;10 = 18, 307, tức là
P( X > χ20,05;10 ) = P( X > 18, 307) = 0, 05.
Ngược lại, ta có χ20,95;10 = 3, 940 (xem Hình 2.32).

χ2 ( ν )
α
0 χ2α;ν x
Hình 2.31: P( X > χ2α;ν ) = α
χ2 ( ν )
0, 025 0, 025
χ20,975;9 = 2, 7 χ20,025;9 = 19, 023 x
Hình 2.32: χ20,05;10 = 18, 307 và χ20,95;10 = 3, 940
2.5.9 Phân phối t (Student)

Định nghĩa 2.26 (Định nghĩa phân phối t). Biến ngẫu nhiên liên tục X được gọi là có phân
phối t hay phân phối Student với ν bậc tự do, ký hiệu là X ∼ t(ν), nếu hàm mật độ xác suất
của X có dạng

 − ν +1
Γ ν +1

2
x2 2
f X ( x ) = 1 +  , −∞ < x < +∞, (2.61)
ν √ ν
νπΓ 2
ở đây, Γ( x ) là hàm Gamma định nghĩa bởi (2.60).
Hàm mật độ xác suất của biến ngẫu nhiên phân phối t với số bậc tự do khác nhau được
cho trong Hình 2.33.
Nhận xét 2.17. (a) Phân phối t có cùng dạng và tính đối xứng (xem Hình 2.34) như phân
phối chuẩn nhưng nó phản ánh tính biến đổi của phân phối sâu sắc hơn.
(b) Khi số bậc tự do ν tăng lên thì phân phối t tiến nhanh về phân phối chuẩn. Trong thực
hành, khi ν ≥ 30 ta có thể dùng phân phối chuẩn thay thế cho phân phối t.

ν=1
ν=3
ν = 100
Hình 2.33: Hàm mật độ xác suất của phân phối t với số bậc tự do khác nhau
t(ν)
α α
t1−α;ν = −tα;ν 0 tα;ν t
Hình 2.34: Tính đối xứng của phân phối t
Định lý 2.20. Cho Z là biến ngẫu nhiên có phân phối chuẩn tắc và V là biến ngẫu nhiên có
phân phối Khi-bình phương với ν bậc tự do. Nếu Z và V là hai biến ngẫu nhiên độc lập thì
thống kê
Z
T=» (2.62)
V
n
có phân phối t với ν bậc tự do.
Định lý 2.21 (Kỳ vọng, phương sai). Nếu X là biến ngẫu nhiên phân phối t với ν bậc tự do, thì
ν
µX = 0 và σX2 = với ν > 2.
ν−2
Ký hiệu tα;ν chỉ giá trị của biến ngẫu nhiên T ∼ t(ν) sao cho xác suất T vượt quá giá trị này
là α, nghĩa là,
P( T > tα;ν ) = α.
Giá trị tα;ν được tính sẵn trong Bảng giá trị tới hạn phân phối t. Chẳng hạn, giá trị với 10 bậc
tự do có xác suất ở bên phải bằng 0, 05 là t0,05;10 = 1, 812, tức là
P( T > t0,05;10 ) = P( T > 1, 812) = 0, 05.
Vì tính đối xứng nên t0,95;10 = −t0,05;10 = −1, 812.

t(ν)
α
0 tα;ν t
Hình 2.35: P( T > tα;ν ) = α
2.5.10 Phân phối F (Fisher)

Định nghĩa 2.27 (Phân phối F). Biến ngẫu nhiên liên tục X được gọi là có phân phối F với ν1
và ν2 bậc tự do, ký hiệu là X ∼ F (ν1 ; ν2 ), nếu hàm mật độ xác suất của nó có dạng

 Γ[(ν1 +ν2 )/2](ν1 /ν2 ) 1
ν /2
x ν1 /2−1
, x > 0,

Γ(ν1 /2)Γ(ν2 /2) (1+ν1 x/ν2 )(ν1 +ν2 )/2
f X (x) = (2.63)
0, x ≤ 0,

ở đây Γ(.) là hàm Gamma được định nghĩa bởi (2.60).
Hàm mật độ xác suất (2.63) không chỉ phụ thuộc vào hai tham số ν1 và ν2 mà còn phụ
thuộc vào thứ tự xuất hiện của chúng. Hình 2.36 biểu thị một số phân phối F cơ bản.
ν1 = 6; ν2 = 10
ν1 = 10; ν2 = 30
0 x
Hình 2.36: Một số phân phối F cơ bản
Định lý 2.22 (Phân phối F). Cho U và V là hai biến ngẫu nhiên độc lập có phân phối Khi-bình
phương với ν1 và ν2 bậc tự do tương ứng. Khi đó, biến ngẫu nhiên
U/ν1
F= , (2.64)
V/ν2
có phân phối F với ν1 và ν2 bậc tự do.
Định lý 2.23 (Kỳ vọng, phương sai). Nếu X là biến ngẫu nhiên có phân phối F với ν1 và ν2 bậc
tự do, thì
ν1 2ν22 (ν1 + ν22 − 2)

µX = , ν1 > 2 và σX2 = , ν2 > 4. (2.65)
ν1 − 2 ν1 (ν2 − 2)2 (ν2 − 4)

Ký hiệu f α;ν1 ;ν2 là giá trị tới hạn phân phối F ứng với bậc tự do ν1 và ν2 mà ở đó ta tìm được
diện tích của miền phẳng được giới hạn bởi đường cong f X ( x ), trục hoành và bên phải của
f α;ν1 ;ν2 bằng α. Ta minh họa điều này bằng hình bóng mờ trong Hình 2.37.
F (ν1 ; ν2 )
α
0 f α;ν1 ;ν2 x
Hình 2.37: Giá trị tới hạn f α;ν1 ;ν2
Các giá trị f α;ν1 ;ν2 với α = 0, 05 và α = 0, 01 và với các tổ hợp khác nhau của bậc tự do ν1 và
ν2 được tính sẵn trong Bảng giá trị tới hạn phân phối F. Chẳng hạn, giá trị ở bậc tự do ν1 = 6
và ν2 = 10 cho diện tích 0,05 ở bên phải là f 0,05;6;10 = 3, 22.
Định lý sau đây cho thấy các bảng số trên giúp ta tìm được f 0,95;ν1 ;ν2 và f 0,99;ν1 ;ν2 .
Định lý 2.24. Ta có
1
f 1−α;ν1 ;ν2 = . (2.66)
f α;ν2 ;ν1
Ví dụ 2.64.
1 1
f 0,95;6;10 = = = 0, 2463.
f 0,05;10;6 4, 06
Bài tập Chương 2
Biến ngẫu nhiên rời rạc

Bài tập 2.1. Một chùm chìa khóa gồm 4 chiếc giống nhau, trong đó chỉ có một chiếc mở được
cửa. Người ta thử ngẫu nhiên từng chiếc cho đến khi mở được cửa. Gọi X là số lần thử.
(a) Tìm phân phối xác suất của X. Mô tả phân phối xác suất của X bằng đồ thị.
(b) Tìm kỳ vọng và phương sai của X.
(c) Viết hàm phân phối xác suất của X.
Bài tập Chương 2 115

X 1 2 3 4
Đáp số. (a) (b) 2,5 và 1,25
P ( X = xi ) 0, 25 0, 25 0, 25 0, 25
Bài tập 2.2. Một xạ thủ có 5 viên đạn. Anh ta phải bắn vào bia với quy định khi nào có 2 viên
trúng bia hoặc hết đạn thì dừng. Biết xác suất bắn trúng bia ở mỗi lần bắn là 0,4 và gọi X là số
đạn cần bắn.
(a) Tìm phân phối xác suất của X. Mô tả phân phối xác suất của X bằng đồ thị.
(b) Tìm kỳ vọng, phương sai của X.
(c) Viết hàm phân phối xác suất của X và vẽ đồ thị hàm phân phối.
X 2 3 4 5
Đáp số. (a) (b) 3,9632 và 1,3059
P ( X = xi ) 0, 16 0, 192 0, 1728 0, 4752
Bài tập 2.3. Biến ngẫu nhiên rời rạc X chỉ có 2 giá trị x1 và x2 (x1 < x2 ). Xác suất để X nhận
giá trị x1 là 0,2. Tìm x1 và x2 , biết kỳ vọng E( X ) = 2, 6 và độ lệch tiêu chuẩn σ( X ) = 0, 8.
Đáp số. 1 và 3
Bài tập 2.4. Mỗi khách uống cà phê tại quán cà phê mỗi ngày đều được phát ngẫu nhiên một
vé bốc thăm, xác suất khách hàng bốc được thăm trúng thưởng là 0,1. Nếu khách hàng trúng
thưởng liên tục trong 5 ngày (từ thứ hai đến thứ sáu) sẽ nhận được 100 USD, nếu không sẽ
không được gì. An uống cà phê liên tục tại quán này 4 tuần liên tiếp. Gọi X (USD) là số tiền
An được thưởng khi bốc thăm trong 4 tuần đó.
(a) Lập bảng phân phối xác suất của X.
(b) Xác định kỳ vọng và phương sai của X.
Đáp số. (b) 0,004 và 0,399996
Bài tập 2.5. Tung đồng xu cân đối đồng chất 10 lần. Biến ngẫu nhiên X được định nghĩa như
sau: ( X = 1) nếu trong 10 lần tung có đúng 3 lần xuất hiện mặt sấp và ( X = 0) trong trường
hợp còn lại. Tính kỳ vọng E( X ) và phương sai V ( X ).
Đáp số. 0,1172 và 0,1035
Bài tập 2.6. Có 5 sản phẩm trong đó có 4 chính phẩm và 1 phế phẩm. Lấy ngẫu nhiên lần lượt
không hoàn lại ra hai sản phẩm.
(a) Gọi X là “số chính phẩm gặp phải”. Lập bảng phân phối xác suất của X. Tính E( X ) và
V ( X ).
(b) Gọi Y là “số phế phẩm gặp phải”. Lập hệ thức cho mối quan hệ giữa X và Y.

Đáp số. (a) 1,6 và 0,24 (b) X + Y = 2
Bài tập 2.7. Người ta đặt ngẫu nhiên 10 thẻ (trong đó có 5 thẻ màu đỏ và 5 thẻ màu xanh) vào
10 phong bì (5 phong bì có màu đỏ và 5 phong bì có màu xanh), mỗi phong bì một thẻ. Gọi X
là số phong bì có chứa một thẻ cùng màu.
(b) Tính E( X ).
Đáp số. 5
Bài tập 2.8. Có 2 kiện hàng. Kiện I có 3 sản phẩm tốt và 2 sản phẩm xấu. Kiện II có 2 sản phẩm
tốt và 3 sản phẩm xấu. Lấy ngẫu nhiên từ kiện I ra 2 sản phẩm và từ kiện II ra 1 sản phẩm.
(a) Lập bảng phân phối xác suất cho biến ngẫu nhiên chỉ số sản phẩm tốt trong 3 sản phẩm
lấy ra.
(b) Tính kỳ vọng và phương sai của X.
X 0 1 2 3
Đáp số. (a) (b) 1,6 và 0,6
P ( X = xi ) 0, 06 0, 4 0, 42 0, 12
Bài tập 2.9. Từ một hộp có 5 bóng đèn màu đỏ, 10 bóng đèn màu xanh và 15 bóng đèn màu
vàng, chọn ngẫu nhiên ra 3 bóng đèn. Gọi X là số màu bị thiếu trong 3 bóng đèn được chọn
ra.
(b) Tính kỳ vọng của biến ngẫu nhiên Y = X 2 − 1.
Đáp số. 0,24754
Bài tập 2.10. Một lô hàng chứa 7 sản phẩm loại A, 8 sản phẩm loại B và 9 sản phẩm loại C.
Lấy ngẫu nhiên 3 sản phẩm từ lô hàng để kiểm tra.
(a) Lập bảng phân phối xác suất của biến ngẫu nhiên chỉ số sản phẩm loại B có trong 3 sản
phẩm được lấy ra.
(b) Tính số sản phẩm trung bình mỗi loại có trong 3 sản phẩm được lấy ra.
Đáp số. (b) 1; 1,125 và 0,875
Bài tập 2.11. Có hai hộp bi. Hộp I có 2 bi trắng, 3 bi đỏ. Hộp II có 2 bi trắng, 2 bi đỏ. Lấy ngẫu
nhiên 2 bi từ hộp I bỏ sang hộp II, sau đó lại lấy ngẫu nhiên 3 bi từ hộp II bỏ vào hộp I.
(a) Lập bảng phân phối xác suất của biến ngẫu nhiên chỉ số bi trắng có mặt ở hộp I, hộp II
sau khi đã chuyển xong.

(b) Tính kỳ vọng, phương sai của biến ngẫu nhiên chỉ số bi trắng có mặt ở hộp I sau khi đã
chuyển xong.
Đáp số. (b) 2,6 và 0,52
Bài tập 2.12. Một người đi làm từ nhà đến cơ quan phải qua 3 ngã tư. Xác suất để người đó
gặp đèn đỏ ở các ngã tư tương ứng là 0,2; 0,4 và 0,5. Gọi X là số đèn đỏ mà người đó gặp phải
trong một lần đi làm (giả sử 3 đèn giao thông ở ngã tư hoạt động độc lập với nhau).
(a) Lập bảng phân phối xác suất của X. Tính kỳ vọng, phương sai của X. Tìm hàm phân
phối xác suất của X.
(b) Hỏi thời gian trung bình phải ngừng trên đường là bao nhiêu biết rằng mỗi khi gặp đèn
đỏ người ấy phải đợi khoảng 3 phút.
Đáp số. (a) 1,1 và 0,65 (b) 3,3
Bài tập 2.13. Một người chơi trò chơi tung con xúc sắc cân đối đồng chất ba lần. Nếu cả ba lần
đều xuất hiện mặt 6 thì thu về 36 USD, nếu hai lần xuất hiện mặt 6 thì thu về 2,8 USD, nếu
một lần xuất hiện mặt 6 thì thu về 0,4 USD. Biết rằng khi chơi người đó phải nộp x USD.
(a) Tìm x sao cho trò chơi là vô thưởng vô phạt.
(b) x bằng bao nhiêu thì trung bình mỗi lần chơi, người chơi mất 1 USD?
Đáp số. (a) 0,5055 (b) 1,5055
Bài tập 2.14. Một kiện hàng có 10 sản phẩm, trong đó có 7 sản phẩm loại I và 3 sản phẩm
loại II. Tiền lãi khi bán được mỗi sản phẩm loại I là 50 nghìn đồng, mỗi sản phẩm loại II là 20
nghìn đồng.
(a) Ngày thứ nhất lấy ngẫu nhiên từ kiện hàng ra 3 sản phẩm và đã bán hết cả 3 sản phẩm
đó. Lập bảng phân phối xác suất và tính kỳ vọng của số tiền lãi thu được.
(b) Ngày thứ hai lấy ngẫu nhiên từ kiện hàng ra 2 sản phẩm. Tính xác suất để thu được 100
nghìn đồng tiền lãi khi bán 2 sản phẩm này.
Đáp số. (a) 123 (b) 0,4667
Bài tập 2.15. Một cửa hàng máy tính đã mua 3 máy tính cùng loại với giá 500 USD một chiếc.
Cửa hàng sẽ bán chúng với giá 1000 USD một chiếc và dự định bán trong một quý. Nếu hết
thời hạn này, cửa hàng sẽ trả lại nhà sản xuất và sẽ được nhà sản xuất mua lại với giá 200
USD/chiếc. Gọi X là biến ngẫu nhiên chỉ số máy tính cửa hàng này bán được trong thời hạn
trên và giả thiết X có bảng phân phối xác suất sau
X 0 1 2 3
P ( X = xi ) 0,1 0,2 0,3 0,4
Lợi nhuận trung bình cửa hàng nhận được là bao nhiêu?

Đáp số. 700 USD
Bài tập 2.16. Trong một hộp gồm 10 quả bóng, có 6 quả bóng mới. Lần thứ nhất lấy ngẫu
nhiên 2 quả ra đánh, đánh xong lại trả về hộp. Lần thứ hai lấy ngẫu nhiên ra 2 quả. Gọi X là
số quả bóng mới trong 2 quả bóng lấy ra lần hai. Tính E( X ).
Đáp số. 0,96
Bài tập 2.17. Biến ngẫu nhiên rời rạc X có bảng phân phối xác suất
X 1 2 3 4
P ( X = xi ) 2x − y x x x+y
trong đó, x và y là các số thực thỏa mãn 0, 2 ≤ y ≤ x < 1. Tính kỳ vọng của biến ngẫu nhiên
Y = X + 5.
Đáp số. 7,8
Biến ngẫu nhiên liên tục

Bài tập 2.18. Gọi biến ngẫu nhiên liên tục X là cường độ dòng điện đo được trong một sợi
dây đồng mỏng tính bằng miliampe (mA). Giả sử X nhận giá trị trong đoạn [0; 30 mA] và hàm
mật độ xác suất của X là 
0, x∈
/ [0; 30],

f X (x) =
k,
 x ∈ [0; 30].
(a) Tìm k? Vẽ đồ thị hàm mật độ.
(b) Tìm hàm phân phối xác suất tương ứng. Vẽ đồ thì hàm phân phối.
(c) Xác suất để phép đo đo được cường độ dòng điện nhỏ hơn 15 miliampe là bao nhiêu?
Mô tả bằng đồ thị.
Bài tập 2.19. Biến ngẫu nhiên liên tục X có hàm mật độ xác suất được cho như sau

 a + bx2 , x ∈ [0; 1],
f (x) =
 0, x∈/ [0; 1].
Với giá trị nào của a và b thì E( X ) = 1/2.
Đáp số. a = 1, b = 0
Bài tập 2.20. Biến ngẫu nhiên liên tục X có hàm mật độ xác suất

ke− x ,

khi x ≥ 0,
f (x) =
0,
 khi x < 0.

(a) Tìm hằng số k.
(b) Tính P( X ≥ 5).
(c) Xác định hàm phân phối xác suất của biến ngẫu nhiên Y = −2X + 5.
Đáp số. (a) 1 (b) 0, 00674

kx2 (1 − x ),

nếu x ∈ [0, 1],
f (x) =
0,
 nếu x ∈ / [0, 1].
(b) Tính xác suất để trong

3 lần
quan sát độc lập biến ngẫu nhiên X có đúng 1 lần X nhận
giá trị trong khoảng 0; 12 .
Đáp số. (a) 12 (b) 0, 44312
Bài tập 2.22. Cho hàm mật độ xác suất của biến ngẫu nhiên liên tục X

3e−3x ,

nếu x ≥ 0
f X (x) =
0,
 nếu x < 0
và định nghĩa Y = [ X ] là số nguyên lớn nhất không vượt quá X (nghĩa là [ x ] = 0 nếu 0 ≤ x <
1, [ x ] = 1 nếu 1 ≤ x < 2. . . ).
(a) Tính P(Y = 0).
(b) Tính E(Y ).
Đáp số. (a) 0,9502 (b) 0,0524
Bài tập 2.23. Gọi X là đường kính của lỗ được khoan trên một sản phẩm kim loại. Kích thước
tiêu chuẩn của đường kính được đặt ra là 13,5 mm. Các tác động ngẫu nhiên trong quá trình
khoan dẫn đến đường kính luôn lớn hơn quy định. Dữ liệu lịch sử cho thấy phân phối của X
có thể được mô hình hóa bằng hàm mật độ xác suất

0, x ≤ 13, 5,

f X (x) =
20e−20( x+k) ,
 x > 13, 5
(a) Xác định hằng số k.
(b) Tìm hàm phân phối xác suất tương ứng.

(c) Nếu một sản phẩm có đường kính lớn hơn 13,6 mm sẽ bị loại bỏ thì tỷ lệ sản phẩm bị
loại bỏ là bao nhiêu?
Đáp số. (a) −13, 5
Bài tập 2.24. Biên độ dao động của một vật là một biến ngẫu nhiên liên tục X có hàm phân
phối xác suất là 
2
1 − e −2σx2 ,

nếu x ≥ 0,
FX ( x ) =
0,
 nếu x < 0,
trong đó σ là tham số đã biết. Tính xác suất để biên độ giao động đó lớn hơn trị trung bình
của nó.
Đáp số. e−π/4
Bài tập 2.25. Biến ngẫu nhiên liên tục X có hàm mật độ là f X ( x ) = ae−| x| , (−∞ < x < +∞).
(a) Xác định a.
(b) Tìm hàm phân phối của biến ngẫu nhiên X, biến ngẫu nhiên Y = X 2 .
(c) Tìm E( X ), V ( X ).
(d) Tính xác suất để trong ba quan sát độc lập biến ngẫu nhiên X có 2 lần X nhận giá trị
trong khoảng (0; ln 3).
Đáp số. (a) 1/2 (c) 0 và 2 (d) 0,2222
Bài tập 2.26. Nhu cầu hàng năm của người dân một thành phố về loại hàng A (ngàn sản
phẩm) là biến ngẫu nhiên liên tục X có hàm mật độ xác suất như sau

k (30 − x ),

x ∈ (0, 30),
f X (x) =
0,
 x∈/ (0, 30).
(a) Tìm k.
(b) Tìm hàm phân phối FY ( x ) với Y = 2X + 5.
(c) Tìm nhu cầu trung bình hàng năm về loại hàng đó.
Đáp số. (a) 1/450 (c) 10
Bài tập 2.27. Cho biến ngẫu nhiên liên tục X có hàm phân phối xác suất




0, x ≤ 0,
1

FX ( x ) = − k cos x, 0 < x ≤ π,


 2
1, x > π.


(a) Tìm k.

π
(b) Tìm P 0 < X < 2 .
(c) Tìm E( X ).
Đáp số. (a) 1/2 (b) 1/2 (c) π/2
Bài tập 2.28. Cho biến ngẫu nhiên liên tục X có hàm phân phối xác suất

0, x ≤ − a,




x

FX ( x ) = A + B arcsin , x ∈ (− a, a),


 a
1, x ≥ a.

(a) Tìm A và B.
(b) Tìm hàm mật độ xác suất f X ( x ).
Đáp số. (a) 1/2 và 1/π
Bài tập 2.29. Hàm phân phối xác suất của biến ngẫu nhiên liên tục X có dạng
FX ( x ) = a + b arctan x, (−∞ < x < +∞).
(a) Tìm hệ số a và b.
(b) Tìm hàm mật độ xác suất f X ( x ).
(c) Tìm xác suất để khi quan sát độc lập 3 lần biến ngẫu nhiên X thì có 2 lần X nhận giá trị
trong khoảng (−1; 1).
Đáp số. (a) 1/2 và 1π (c) 0,375
Bài tập 2.30. Biến ngẫu nhiên X liên tục trên toàn trục số và có hàm phân phối xác suất
FX ( x ) = 1/2 + 1/π arctan x/2. Tìm giá trị có thể có của x1 thỏa mãn điều kiện P( X > x1 ) = 1/4.
Đáp số. 2
Bài tập 2.31. Thu nhập của dân cư tại một vùng là biến ngẫu nhiên liên tục có hàm phân phối
xác suất như sau:  α
 x0
1− , x ≥ x0 , α > 0,


FX ( x ) = x

0,
 x < x0 .
Hãy xác định mức thu nhập sao cho lấy ngẫu nhiên một người ở vùng đó thì thu nhập của
người này vượt quá mức trên với xác suất 0,5.

Bài tập 2.32. Thời gian đợi xe buýt (phút) tại điểm dừng xe buýt là một biến ngẫu nhiên X có
hàm mật độ như sau 
0 x≤0






x 0<x≤1

f X (x) =



 1/2 1 < x ≤ 2


0 x > 2.

(a) Tính P(0, 5 < X < 2).
(b) Tìm hàm phân phối xác suất tương ứng.
(c) Tính kỳ vọng và phương sai của X.
(d) Tìm khoảng thời gian mà với xác suất ít nhất là 3/4 thời gian chờ đợi nằm trong khoảng
này.
Đáp số. (a) 0,875 (c) 13/12 và 35/144

kx2 (1 − x ),

nếu x ∈ [0, 1],
f X (x) =
0,
 nếu x ∈ / [0, 1].
(b) Tính xác suất để sau 3 lần quan sát biến

ngẫu nhiên X một cách độc lập thấy có đúng
1
một lần X nhận giá trị trong khoảng 0; .
2
Đáp số. (a) 12 (b) 0, 44312

k (30 − x ), x ∈ (0, 30),

f X (x) =
0,
 x∈/ (0, 30).
Đặt Y := max{20, X }. Tìm kỳ vọng của Y.
Một số phân phối xác suất thông dụng

Bài tập 2.35. Hệ thống liên lạc bằng giọng nói của một doanh nghiệp có 48 đường truyền. Gọi
X là biến ngẫu nhiên chỉ số đường truyền đang được sử dụng tại thời điểm quan sát. Giả sử
X là biến ngẫu nhiên có phân phối đều rời rạc.
(a) Vẽ đồ thị phân phối của X.

(b) Tính kỳ vọng, phương sai và độ lệch chuẩn của X, cho nhận xét về tình hình quan sát
thực tế.
Đáp số. (b) 24; 200; 1,1421
Bài tập 2.36. Giả sử cường độ dòng điện (miliampe, viết tắt là mA) đo được trên một sợi dây
đồng mỏng là biến ngẫu nhiên X tuân theo luật phân phối đều liên tục trên đoạn [0; 20] mA.
(a) Vẽ đồ thị hàm mật độ xác suất của X.
(b) Tính kỳ vọng, phương sai và độ lệch chuẩn của X.
Đáp số. (b) 10; 33,3333; 5,7735
Bài tập 2.37. Xét một phần tư hình tròn tâm O(0, 0) bán kính bằng a, ký hiệu là OAB, với tọa
độ tương ứng là A( a, 0) và B(0, a).
(a) Trên đoạn OA lấy ngẫu nhiên một điểm C. Tìm phân phối xác suất của độ dài đoạn OC.
(b) Dựng một đường thẳng đi qua C, vuông góc với OA và cắt cung tròn tại điểm D. Tính
kỳ vọng và phương sai của độ dài đoạn CD.

Đáp số. (a) Phân phối đều (b) aπ/4 và 2/3 − π 2 /4) a2
Bài tập 2.38. Lấy ngẫu nhiên một điểm M trên nửa đường tròn tâm O, đường kính AB = 2a.
Biết rằng xác suất điểm M rơi vào cung CD bất kỳ của nửa đường tròn AMB chỉ phụ thuộc
vào độ dài cung CD.
(a) Tìm hàm phân phối xác suất của biến ngẫu nhiên Y chỉ diện tích tam giác AMB.
(b) Tìm giá trị trung bình của diện tích tam giác ấy.
Đáp số. (b) 2a2 /π
Bài tập 2.39. Một trò chơi đưa ra một số bất kỳ, trong đó số được đưa ra tuân theo luật phân
phối đều liên tục trên đoạn [0; 5]. A chơi trò chơi này theo nguyên tắc, nếu nhận được số nhỏ
hơn hoặc bằng k thì anh ta sẽ mất 1 USD, nếu nhận được số lớn hơn k thì A sẽ kiếm được 1
USD.
(a) Tìm lợi nhuận trung bình của trò chơi khi k = 2.
(b) Tìm phương sai của lợi nhuận khi k = 2.
(c) Tìm giá trị của k làm cực tiểu phương sai lợi nhuận của trò chơi này.
(d) Nếu bạn chơi trò chơi này 10 lần thì xác suất bạn kiếm được 2 USD với k = 2 là bao
nhiêu?

Đáp số. (a) 0,2 (b) 0,96 (c) 0 hoặc 5 (d) 0,2508
Bài tập 2.40. Có 10 máy sản xuất sản phẩm độc lập nhau, mỗi máy sản xuất ra 2% phế phẩm.
(a) Từ mỗi máy sản xuất lấy ngẫu nhiên ra một sản phẩm. Gọi X là biến ngẫu nhiên chỉ số
phế phẩm lấy được. X có phân phối gì? Vẽ đồ thị phân phối xác suất của X.
(b) Từ mỗi máy sản xuất lấy ngẫu nhiên ra một sản phẩm. Tính xác suất lấy được nhiều nhất
2 phế phẩm.
(c) Trung bình có bao nhiêu sản phẩm được sản xuất bởi máy đầu tiên trước khi nó tạo ra
phế phẩm đầu tiên (giả sử các sản phẩm sản xuất ra là độc lập)?
Đáp số. (b) 0,9991 (c) 49
Bài tập 2.41. (a) Một máy bay bốn động cơ có thể bay an toàn nếu ít nhất hai động cơ làm
việc. Giả sử các động cơ hoạt động độc lập và mỗi động cơ bị trục trặc có xác suất p. Tìm
xác suất để máy bay sẽ bay an toàn.
(b) Một máy bay hai động cơ có thể bay an toàn nếu ít nhất một động cơ hoạt động và giả
sử hai động cơ hoạt động độc lập và xác suất để một động cơ gặp trục trặc là p. Tìm xác
suất máy bay sẽ bay an toàn.
(c) Máy bay nào an toàn hơn?
Đáp số. (a) 1 − 4p3 + 3p4 (b) 1 − p2
Bài tập 2.42. Cho X là biến ngẫu nhiên chỉ tỷ lệ sinh viên trong một lớp MI2020 có điểm dưới
C. Giả sử X có hàm mật độ xác suất

kx (1 − x ),

nếu 0 ≤ x ≤ 1,
f X (x) =
0,
 nếu x ∈
/ [0; 1].
(a) Tìm k.
(b) Tính E( X ) và V ( X ).
(c) Tìm hàm phân phối xác suất của biến ngẫu nhiên Y = X 2 .
(d) Một lớp được xem như không đạt yêu cầu nếu tỷ lệ sinh viên có điểm dưới C lớn hơn
0, 5. Tính xác suất lớp không đạt yêu cầu.
(e) Giả sử năm học 2020–2021 có 20 lớp MI2020 và việc không đạt yêu cầu của các lớp là
độc lập nhau. Số lớp không đạt yêu cầu trung bình là bao nhiêu?
Đáp số. (a) 6 (b) 0,5 và 0,05 (d) 0,5 (e) 10

Bài tập 2.43. Kiểm tra 5 bóng đèn điện (hoạt động độc lập với nhau). Xác suất bị hỏng tại thời
điểm kiểm tra của 5 bóng tương ứng là 0,01; 0,02; 0,03; 0,04; 0,05. Tính trung bình số bóng đèn
bị hỏng tại thời điểm kiểm tra trong 5 bóng đèn đó.
Đáp số. 0,15
Bài tập 2.44. Giả sử số khách hàng đến một cửa hàng có phân phối Poisson với trung bình
5 khách hàng đến trong một ngày. Nếu có ít nhất 3 khách hàng đến trong ngày thì cửa hàng
được xem là có lãi. Xác suất để có ít nhất 5 ngày cửa hàng có lãi trong một tuần là bao nhiêu?
Giả sử cửa hàng đó mở cửa 7 ngày trong tuần.
Đáp số. 0,9540
Bài tập 2.45. Số lỗi in trong một trang sách của một cuốn sách dày được giả thiết là biến ngẫu
nhiên có phân phối Poisson. Biết rằng 10% số trang có lỗi. Tính số lỗi trung bình có trên một
trang sách.
Đáp số. 0,105
Bài tập 2.46. Số lỗi in trên một trang sách của một cuốn sách dày được giả thiết là biến ngẫu
nhiên X có phân phối Poisson tham số λ. Biết rằng xác suất có lỗi in trong mỗi trang sách là
39,35%.
(a) Tính số lỗi in trung bình có trong một trang sách của cuốn sách đó.
(b) Đọc ngẫu nhiên một trang sách, tính xác suất để trang sách đó có ít nhất 3 lỗi in.
(c) Nếu đọc 10 trang sách thì số trang có lỗi in có khả năng xảy ra cao nhất là bao nhiêu?
Đáp số. (a) 0,5 (b) 0,0144 (c) 4
Bài tập 2.47. Số lượt truy cập vào một trang Web có khối lượng lớn lượt truy cập được giả
thiết là biến ngẫu nhiên có phân phối Poisson với mức trung bình là 10.000 lượt truy cập mỗi
ngày.
(a) Tính xác suất có hơn 20.000 lượt truy cập trong một ngày.
(b) Tính xác suất có ít hơn 9900 lượt truy cập trong một ngày.
(c) Tìm x1 sao cho xác suất số lần truy cập trong một ngày vượt quá giá trị x1 là 0,01.
(d) Ước tính số ngày dự kiến trong một năm (365 ngày) có nhiều hơn 10.200 lượt truy cập.
(e) Tính xác suất để mỗi năm (365 ngày) có trên 15 ngày với hơn 10.200 lượt truy cập.
Đáp số. (a) 0 (b) 0,156 (c) 13.300 (d) 8,3 (e) 0,0052

Bài tập 2.48. Một trạm có 2 xe taxi để cho thuê theo ngày và mỗi chiếc xe được thuê với giá
500 nghìn đồng/ngày. Hằng ngày, trạm phải nộp thuế 50 nghìn đồng/xe/ngày. Giả sử yêu
cầu thuê xe của trạm là biến ngẫu nhiên có phân phối Poisson với trung bình 2 yêu cầu/ngày.
Tiền lãi trung bình (nghìn đồng) trạm thu được trong một ngày là bao nhiêu?
Đáp số. 629
Bài tập 2.49. Một ga ra cho thuê ôtô thấy rằng số người đến thuê ôtô vào thứ bảy cuối tuần là
một biến ngẫu nhiên có phân bố Poisson với tham số λ = 2. Giả sử gara có 4 chiếc ôtô.
(a) Tìm xác suất để tất cả 4 ôtô đều được thuê vào thứ 7.
(b) Tìm xác suất gara không đáp ứng được yêu cầu (thiếu xe cho thuê) vào thứ 7.
(c) Trung bình có bao nhiêu ôtô được thuê vào ngày thứ 7?
Đáp số. (a) 0,1429 (b) 0,0527 (c) 2
Bài tập 2.50. Số khách hàng đến một cửa hàng bán lẻ là một biến ngẫu nhiên có phân phối
Poisson với trung bình 6 khách hàng đến trong vòng một giờ.
(a) Nếu có đúng 5 khách hàng đến trong khoảng thời gian từ 10h00 đến 11h00 thì xác suất
để có ít nhất 8 khách hàng đến trong khoảng thời gian từ 10h00 đến 11h30 là bao nhiêu?
(b) Nếu có ít hơn 6 khách hàng đến trong khoảng thời gian từ 10h00 đến 12h00 thì cửa hàng
được xem như là không có lợi nhuận. Tìm xác suất để cửa hàng có đúng 1 ngày có lãi
trong một tuần (giả sử cửa hàng mở cửa 6 ngày trong tuần).
Đáp số. (a) 0,5768 (b) 2, 026 × 10−8
Bài tập 2.51. Số tai nạn giao thông trong một ngày ở một thành phố là biến ngẫu nhiên X có
phân phối Poisson với tham số λ = 4.
(a) Tính xác suất để có một ngày hạnh phúc về tai nạn giao thông.
(b) Để nghiên cứu khả năng xảy ra ít nhất 2 tai nạn giao thông trong 1 ngày tại thành phố
này, người ta khảo sát ngẫu nhiên 50 ngày. Nếu xét theo kết quả khảo sát này thì số ngày
có ít nhất 2 tai nạn giao thông với xác suất xảy ra lớn nhất là bao nhiêu?
Đáp số. (a) 0,0183 (b) 46
Bài tập 2.52. Một động cơ điện có thời gian làm việc liên tục (giờ) cho đến khi có hỏng hóc
đầu tiên được giả thiết là một biến ngẫu nhiên có phân phối mũ với tham số λ = 0, 001.
(a) Tính xác suất để động cơ này làm việc liên tục không hỏng hóc được ít nhất 900 giờ.

(b) Được biết động cơ này đã làm việc liên tục không hỏng hóc được ít nhất 900 giờ. Xác
suất để động cơ này làm việc liên tục không hỏng hóc đến ít nhất 1200 giờ là bao nhiêu?
Đáp số. (a) 0,4066 (b) 0,7408
Bài tập 2.53. Giả sử thời gian (phút) giữa các lượt taxi đến một ngã tư đông đúc là biến ngẫu
nhiên có phân phối mũ với trung bình là 10 phút.
(a) Xác suất bạn đợi taxi lâu hơn một giờ là bao nhiêu?
(b) Giả sử bạn đã đợi taxi một giờ. Xác suất để taxi đến trong vòng 10 phút tới là bao nhiêu?
(c) Xác định x sao cho xác suất bạn chờ hơn x phút là 0,10.
(d) Xác định x sao cho xác suất bạn đợi ít hơn x phút là 0,90.
(e) Xác định x sao cho xác suất bạn đợi ít hơn x phút là 0,50.
Đáp số. (a) 0,0025 (b) 0,6321 (c) 23,03 (d) như ý (c) (e) 6,93
Bài tập 2.54. Giả sử tuổi thọ của một loại bóng đèn là biến ngẫu nhiên có phân phối mũ với
tham số λ = 0, 5 năm.
(a) Nếu bóng đèn bị hỏng sẽ được thay thế bằng một bóng mới thì trung bình số bóng đèn
dự kiến sử dụng trong 10 năm là bao nhiêu?
(b) Nếu bóng đèn vẫn hoạt động thì sau 2 năm nó cũng sẽ được thay bằng một bóng đèn
mới. Gọi Y là thời gian hoạt động của bóng đèn. Hãy biểu diễn Y và tìm hàm phân phối
xác suất của Y.
(c) Tính E(Y ).
Đáp số. (a) 5 (c) 1,2642
Bài tập 2.55. Một thiết bị điện tử A có thời gian làm việc liên tục (giờ) cho đến khi có hỏng
hóc đầu tiên được giả thiết là biến ngẫu nhiên có phân phối mũ với tham số λ = 0, 0001, thời
gian bảo hành của thiết bị điện này là 800 giờ.
(a) Tính thời gian làm việc trung bình của thiết bị điện tử A.
(b) Tìm xác suất để thiết bị điện tử A được khách hàng mang tới trạm bảo hành để sửa chữa.
Đáp số. (a) 10000 (b) 0,07688
Bài tập 2.56. Giả sử đường kính của một loại chi tiết do một máy sản xuất là biến ngẫu nhiên
có phân phối chuẩn, với kỳ vọng là 20 milimét và độ lệch chuẩn là 0,2 milimét. Tính xác suất
để lấy ngẫu nhiên một chi tiết có đường kính trong khoảng 19,9 milimét đến 20,3 milimét.

Đáp số. 0,62465
Bài tập 2.57. Giả sử thời gian (phút) giữa các cuộc điện thoại gọi đến một doanh nghiệp cung
cấp hệ thống ống nước là biến ngẫu nhiên có phân phối mũ với thời gian trung bình giữa các
cuộc gọi là 15 phút.
(a) Xác suất để không có cuộc gọi nào trong khoảng thời gian 30 phút là bao nhiêu?
(b) Xác suất để có ít nhất một cuộc gọi đến trong khoảng thời gian 10 phút là bao nhiêu?
(c) Xác suất cuộc gọi đầu tiên đến trong vòng 5 đến 10 phút sau khi mở máy là bao nhiêu?
(d) Xác định khoảng thời gian sao cho xác suất có ít nhất một cuộc gọi trong khoảng thời
gian đó là 0,90.
Đáp số. (a) 0,1353 (b) 0,4866 (c) 0,2031 (d) 34,54
Bài tập 2.58. Giả sử X là biến ngẫu nhiên có phân phối chuẩn với trung bình là 3 và phương
sai là 0,16.
(a) Vẽ đồ thị hàm mật độ xác suất của X.
(b) Tính P( X > 3, 784).
(c) Tìm c sao cho P(3 − c < X < 3 + c) = 0, 9.
Đáp số. (b) 0,025 (c) 0,658
Bài tập 2.59. Lãi suất (%) đầu tư vào một dự án trong năm 2019 được xem như một biến ngẫu
nhiên có phân phối chuẩn. Theo đánh giá của ủy ban đầu tư thì với xác suất 0,1587 cho lãi
suất lớn hơn 20% và với xác suất 0,0228 cho lãi suất lớn hơn 25%. Vậy khả năng đầu tư mà
không bị lỗ là bao nhiêu?
Đáp số. 0,99865
Bài tập 2.60. Một công ty kinh doanh mặt hàng A dự định sẽ áp dụng một trong hai phương
án kinh doanh: Phương án 1: Gọi X1 (triệu đồng/tháng) là lợi nhuận thu được. X1 có phân
phối chuẩn N (140; 2500). Phương án 2: Gọi X2 (triệu đồng/tháng) là lợi nhuận thu được. X2
có phân phối chuẩn N (200; 3600). Biết rằng công ty tồn tại và phát triển thì lợi nhuận thu
được từ mặt hàng A phải đạt ít nhất 80 triệu đồng/tháng. Hỏi nên áp dụng phương án nào
để rủi ro thấp hơn.
Đáp số. Phương án 2
Bài tập 2.61. Giả sử trọng lượng của một loại sản phẩm là biến ngẫu nhiên có phân phối
chuẩn với trọng lượng trung bình là 250 gam, độ lệch chuẩn là 5 gam. Sản phẩm loại A là sản
phẩm có trọng lượng không nhỏ hơn 260 gam.

(a) Một người lấy ngẫu nhiên một sản phẩm từ một thùng hàng. Tính xác suất người này
lấy được sản phẩm loại A.
(b) Nếu lấy ngẫu nhiên một sản phẩm từ một thùng hàng được sản phẩm loại A thì sẽ mua
thùng hàng đó. Một người kiểm tra 100 thùng hàng, tính xác suất người này mua được
6 thùng.
Đáp số. (a) 0,02275 (b) 0,019
Bài tập 2.62. Trong một kỳ thi, điểm số trung bình của các sinh viên là 80 và độ lệch chuẩn là
10. Giả sử điểm thi của sinh viên là biến ngẫu nhiên có phân phối chuẩn.
(a) Nếu giáo viên muốn 25% số sinh viên đạt điểm A (nhóm điểm cao nhất) thì điểm số
thấp nhất để đạt điểm A là bao nhiêu?
(b) Chọn ngẫu nhiên 50 sinh viên, tính xác suất trong đó có nhiều hơn 10 sinh viên đạt điểm
A, trong đó điểm A được lấy ở ý (a).
Đáp số. (a) 86,8 (b) 0,7378
Bài tập 2.63. Giả sử tốc độ truyền tệp từ máy chủ trong khuôn viên trường sang máy tính cá
nhân tại nhà của sinh viên vào buổi tối các ngày trong tuần là biến ngẫu nhiên có phân phối
chuẩn với mức trung bình là 60 kilobit mỗi giây và độ lệch chuẩn là 4 kilobit mỗi giây.
(a) Xác suất để tệp đó truyền với tốc độ 70 kilobit/giây trở lên là bao nhiêu?
(b) Xác suất để tệp đó truyền với tốc độ nhỏ hơn 58 kilobit/giây là bao nhiêu?
(c) Nếu tệp là 1 megabyte, thì thời gian trung bình để chuyển tệp đó là bao nhiêu? (Giả sử
tám bit mỗi byte.)
Đáp số. (a) 0,00621 (b) 0,308538 (c) 133,33
Bài tập 2.64. Giả sử tuổi thọ (giờ) của một loại bóng đèn là biến ngẫu nhiên có phân phối
chuẩn với giá trị trung bình là 7000 giờ và độ lệch chuẩn là 600 giờ.
(a) Xác suất để bóng đèn bị hỏng trước 5000 giờ là bao nhiêu?
(b) Tuổi thọ (tính bằng giờ) của trên 95% bóng đèn là bao nhiêu?
(c) Nếu ba bóng đèn được sử dụng trong một sản phẩm và giả thiết chúng hỏng độc lập
nhau, thì xác suất để cả ba bóng đèn vẫn hoạt động sau 7000 giờ là bao nhiêu?
Đáp số. (a) 0,00043 (b) 6016 (c) 1/8
Bài tập 2.65. Một nhà máy sản xuất một số lượng lớn sản phẩm. Xác suất để một sản phẩm do
nhà máy sản xuất ra phù hợp với sự mong đợi của khách hàng là 0,98. Kiểm tra ngẫu nhiên
1000 sản phẩm loại này, xác suất để trong đó có nhiều hơn 26 sản phẩm phù hợp với sự mong
đợi của khách hàng là bao nhiêu?
Đáp số. 0,07078

Bài giảng - MI2020 - Chương 2

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

Bài giảng - MI2020 - Chương 2

Uploaded by

Copyright:

Available Formats

Chương 2

Biến ngẫu nhiên và phân phối xác suất

2.5.3 Phân phối nhị thức

2.5.6 Phân phối mũ

2.3.1 Kỳ vọng 2.5.8 Phân phối khi-bình phương

2.3.2 Phương sai 2.5.9 Phân phối t (Student)

2.3.3 Độ lệch chuẩn 2.5.10 Phân phối F (Fisher)

7. Sử dụng bảng phân vị chuẩn để tính xác suất.

2.1 Biến ngẫu nhiên

2.1.1 Khái niệm biến ngẫu nhiên

2.1. Biến ngẫu nhiên 54

2.1. Biến ngẫu nhiên 55

2.1.3 Hàm của một biến ngẫu nhiên

Sg(X ) = {02 , 12 , 22 , . . . , 482 }.

2.2 Phân phối xác suất của biến ngẫu nhiên

2.2. Phân phối xác suất của biến ngẫu nhiên 56

2.2.1 Bảng phân phối xác suất

(a) PX ( xi ) ≥ 0 với mọi i = 1, 2, . . . , n;

(c) PX ( xi ) = P( X = xi ), i = 1, 2, . . . , n với ( X = xi ) là sự kiện “X nhận giá trị xi ”.

Suy ra, hàm xác suất của X là

2.2. Phân phối xác suất của biến ngẫu nhiên 57

0,0486 0,0036 0,0001

Chú ý 2.1. (a) Trong (2.1), ∑in=1 P( X = xi ) = 1 và trong (2.2), ∑∞

Vậy bảng phân phối xác suất của X là

2.2. Phân phối xác suất của biến ngẫu nhiên 58

P(Y = 10) = P( X = 1) = 0, 25; P(Y = 19) = P( X = 2) = 0, 25,

P( X = 1) = 0, 001; P( X = 2) = 0, 999 × 0, 001, . . .

Vậy bảng phân phối xác suất của X là

2.2.2 Hàm phân phối xác suất

2.2. Phân phối xác suất của biến ngẫu nhiên 59

FX ( x ) = ∑ P ( X = xi ) với mọi x ∈ R. (2.6)

Hình 2.2: Đồ thị của hàm phân phối xác suất

2.2. Phân phối xác suất của biến ngẫu nhiên 60

Tính chất 2.1. (a) 0 ≤ FX ( x ) ≤ 1 với mọi x ∈ R.

(b) FX ( x ) là hàm không giảm, nghĩa là với mọi x1 , x2 ∈ R, x1 < x2 thì FX ( x1 ) ≤ FX ( x2 ).

(c) P( a ≤ X < b) = FX (b) − FX ( a).

Nếu X là biến ngẫu nhiên liên tục thì P( X = a) = 0 và

P( a ≤ X < b) = P( a ≤ X ≤ b) = P( a < X ≤ b) = P( a < X < b) = FX (b) − FX ( a).

(d) FX (−∞) = 0, FX (+∞) = 1, ở đây FX (∞) := limx→∞ FX ( x ).

P ( X < x2 ) = P ( X < x1 ) + P ( x1 ≤ X < x2 ).

Từ đây kết hợp với (2.3) suy ra

(d) FX (−∞) = P( X < −∞) = P(∅) = 0, FX (+∞) = P( X < +∞) = P(S) = 1.

2.2. Phân phối xác suất của biến ngẫu nhiên 61

(a) Xác định hằng số k.

Lời giải Ví dụ 2.12

(a) Sử dụng Tính chất 2.1(b), vì hàm FX ( x ) liên tục nên

lim FX ( x ) = lim FX ( x ), hay e−20(12,5+k) = e0 .

Hình 2.3 mô tả đồ thị của FX ( x ).

(b) Sử dụng Tính chất 2.1(c),

P( X > 12, 6) = FX (+∞) − FX (12, 6) = 1 − (1 − e−20(12,6−12,5) ) ' 0, 1353.

2.2. Phân phối xác suất của biến ngẫu nhiên 62

(a) Hãy xác định A và B.

Lời giải Ví dụ 2.13

 lim− FX ( x ) = lim+ FX ( x ) = FX (1).

Từ đây ta nhận được

(b) Sử dụng Tính chất 2.1(c),

P(0, 5 < X < 1) = FX (1) − FX (0, 5)

FX ( x ) = A + B arctan x, −∞ < x < +∞.

2.2. Phân phối xác suất của biến ngẫu nhiên 63

Lời giải Ví dụ 2.14

(a) Sử dụng Tính chất 2.1(d),

(b) Sử dụng Tính chất 2.1(c),

P(−1 < X < 1) = FX (1) − FX (−1)