2022-10-10 Full Bai Giang Co So LTXS - Caohoc Ok

TRƯỜNG ĐẠI HỌC ĐỒNG THÁP
KHOA SƯ PHẠM TOÁN - TIN
LÊ TRUNG HIẾU
BÀI GIẢNG TÓM TẮT1
CƠ SỞ LÍ THUYẾT XÁC SUẤT VÀ

THỐNG KÊ
Z
E(X) = XdP
Ω
1 n w
√ ∑ Xk → N(0, 1)
n k=0
LƯU HÀNH NỘI BỘ

ĐỒNG THÁP, THÁNG 10 NĂM 2022
1 Bản thảo bài giảng tóm tắt, tháng 10 năm 2022, đang tiếp tục cập nhật.
Chương 1
KHÔNG GIAN XÁC SUẤT
Chương 1 giới thiệu cách xây dựng không gian xác suất theo hệ tiên đề
Kolmogorov. Qua đó, các tính chất của hàm độ đo xác suất, xác suất có điều
kiện, tính độc lập của biến cố, Luật 0-1 Borel- Cantelli được giới thiệu.
Nhà toán học người Nga - Andrey Nikolaevich Kolmogorov (1903-1987)
1.1 Kiến thức chuẩn bị
Trong suốt nội dung môn học, chúng tôi thống nhất một số ký hiệu sau đây:
Cho trước một tập không rỗng Ω, ta quy ước Ω là tập không gian (universal
set, tập toàn thể) và mỗi phần tử của Ω thường ký hiệu là ω ∈ Ω. Mỗi bộ phận
thuộc Ω được gọi là một tập con của Ω và ký hiệu bởi các chữ các in hoa
2
Chương 1. Không gian xác suất
A, B,C...
Tập hợp tất các tập con của Ω được ký hiệu là P(Ω) (power set), còn gọi là
tập hợp lũy thừa, tập các tập con. Tập hợp mà mỗi phần tử là tập con của Ω được
gọi là lớp, ta dùng các chữ cái in hoa nghiêng A , B, C ... để ký hiệu các lớp,
hiển nhiên A ⊂ P(Ω). Một lớp gồm đếm được các tập con sau khi được sắp
thứ tự {An , n = 1, 2, ...} được gọi là dãy, kí hiệu vắn tắt là {An } hoặc {An }∞
n=1
hoặc (An ).
Nếu dãy {An } tăng hoặc giảm theo nghĩa bao hàm của tập hợp thì được gọi
là dãy đơn điệu. Cụ thể, nếu A1 ⊂ A2 ⊂ A3 ⊂ ... thì ta nói dãy {An } đơn điệu
tăng và ký hiệu là An ↑. Ngược lại, nếu A1 ⊃ A2 ⊃ A3 ⊃ ... thì ta nói dãy {An }
đơn điệu giảm và ký hiệu là An ↓.
1.1.1 Các phép toán trên tập hợp
1) Phép toán hợp (union)
A ∪ B = {ω ∈ Ω : ω ∈ A hoặc ω ∈ B};
[
Ai = {ω ∈ Ω : ∃i ∈ I, ω ∈ Ai }.
i∈I
Trong trường hợp A, B rời nhau ta có thể dùng ký hiệu A + B (tương tự ∑ Ai ).

i∈I
2) Phép toán giao (intersection)
A ∩ B = {ω ∈ Ω : ω ∈ A và ω ∈ B};
\
Ai = {ω ∈ Ω : ∀i ∈ I, ω ∈ Ai }.
i∈I
Ngoài ra ta còn dùng thêm ký hiệu AB (tương ứng ∏ Ai ).

i∈I
3) Phép hiệu (difference)

Hiệu của A đối với B ký hiệu là A\B và được xác định
A\B = {ω ∈ Ω : ω ∈ A, ω ∈
/ B}.
4) Phép lấy phần bù (complement)
3
Phần bù của tập A ∈ Ω ký hiệu là A hoặc Ac và được xác định
A = {ω ∈ Ω : ω ∈
/ A}.
5) Phép lấy hiệu đối xứng (symmetric difference)

Hiệu đối xứng của A và B ký hiệu là A△B và được xác định
A△B = (A\B) + (B\A).
1.1.2 Các tính chất
1) Tính giao hoán (commutative property)
A ∪ B = B ∪ A; A ∩ B = B ∩ A; A△B = B△A.
2) Tính kết hợp (combinative property)
A ∪ B ∪C = (A ∪ B) ∪C = A ∪ (B ∪C);
A ∩ B ∩C = (A ∩ B) ∩C = A ∩ (B ∩C);
A△B△C = (A△B)△C = A△(B△C).
3) Tính phân phối (distributive property)
A ∩ (B ∪C) = A ∩ B ∪ A ∩C;
A ∪ (B ∩C) = (A ∪ B) ∩ (A ∪C);
A ∩ (B△C) = (A ∩ B)△(A ∩C);
Nhưng A ∪ (B△C) ̸= (A ∩ B)△(A ∪C).
4) Công thức De Morgan

[ \ \ [
Ai = Ai ; Ai = Ai
i∈I i∈I i∈I i∈I
4
5) Một số đẳng thức thường dùng
A\B = AB = (A ∪ B)\B;
A ∪ B = A ∩ B + A△B;
∞
[
Ai = A1 + A1 A2 + A1 A2 A3 + ...
i=1
∞
6) Cho {An } là một dãy tập hợp tùy ý. Khi đó
S
Ai có thể biểu diễn thành hợp
i=1
của một dãy tập hợp đôi một rời nhau, tức là có dãy {Bn } sao cho
∞
[ ∞
[
Ai = Bi ,
i=1 i=1
/ i ̸= j, i, j = 1, 2, ...
với Bi B j = 0,
Thật vậy, {Bn } có được bằng cách đặt B1 = A1 , B2 = A2 \ B1 , B3 = A3 \ (B1 ∪
n−1
B2 ), ..., Bn = An \ (
S
Bi ), ... Khi đó, với mỗi n = 1, 2, ..., ta có
i=1
n
[ n
[
Ai = Bi ,
i=1 i=1
/ i ̸= j, i, j = 1, 2, ...
với Bi B j = 0,
1.1.3 Giới hạn của dãy tập
Nhắc lại về giới hạn trên, giới hạn dưới, giới hạn của dãy số {an } ⊂ R.
5
Sau đây là định nghĩa về giới hạn trên, giới hạn dưới, giới hạn của dãy tập
hợp {An } ⊂ P(Ω).
• Giới hạn trên của dãy:

∞ [
\ ∞
limAn = lim sup An = Ak .
n=1 k=n
Ta thấy, ω ∈ lim sup An khi và chỉ khi có vô số An chứa ω.
• Giới hạn dưới dãy:

∞ \
[ ∞
limAn = lim inf An = Ak .
n=1 k=n
Ta thấy, ω ∈ lim inf An khi và chỉ khi tồn tại k để ω ∈ An với mọi n ⩾ k.
Từ định nghĩa trên ta có
lim inf An ⊂ lim sup An .
Khi hai giới hạn này trùng nhau thì ta nói dãy {An } tồn tại giới hạn và ký
hiệu là lim An .
Từ công thức De Morgan suy ra
lim sup An = lim inf An .
Khi {An } là dãy đơn điệu (tăng hoặc giảm) thì tồn tại lim An và
∞
[ ∞
\
lim An = An nếu An ↑ và lim An = An nếu An ↓ .
n=1 n=1
6
1.1.4 Đại số và σ -đại số
Ý tưởng: Trong thực tế, thường gặp nhiều phép thử mà không thể đếm được
các kết quả của nó. Chẳng hạn một đồng tiền được gieo liên tiếp, độc lập vô hạn
lần. Khi đó, không gian mẫu có dạng Ω = {ω = (a1 , a2 , ...) : ai = 0 ∨ ai = 1}.
Trong [3] trang 45 chỉ ra rằng tập Ω này có lực lượng continuum (vì có một
toàn ánh đi từ Ω đến đoạn [0,1]).
Đối với không gian mẫu như vậy, không thể xây dựng mô hình xác suất theo
lối cổ điển bằng cách gán cho mỗi kết quả ω ∈ Ω một trọng số P(ω) > 0, sau
đó định nghĩa P(A) = ∑ω∈A P(ω), A ⊂ Ω, vì khi đó P(A) có thể nhận giá trị ∞.
Để khắc phục ta chỉ xét một lớp con đặc biệt A các tập con của Ω. Lớp A
đó cần phải thỏa mãn một số điều kiện thông thường.
Định nghĩa 1.1.1. Lớp A ⊂ P(Ω) được gọi là một đại số (algebra, hay một
trường) nếu thỏa mãn đồng thời 3 điều kiện:
(i) Ω ∈ A ;
(ii) A ∈ A ⇒ Ac = Ω\A ∈ A ;
(iii) A, B ∈ A ⇒ A ∪ B ∈ A .
Định nghĩa 1.1.2. Lớp F ⊂ P(Ω) được gọi là một σ -đại số (σ -algebra, hay
một σ -trường) nếu thỏa mãn đồng thời 3 điều kiện:
(i’) Ω ∈ F ;
(ii’) A ∈ F ⇒ Ac = Ω\A ∈ F ;
∞
(iii’) Ai ∈ F , i = 1, 2, ... ⇒ Ai ∈ F .
[
i=1
Nhận xét 1.1.3. - Vì A ∪ B = A ∩ B, A ∩ B = A ∪ B, nên điều kiện (iii) có thể

thay thế bởi điều kiện A ∩ B ∈ A hoặc cũng có thể dùng dạng hợp hữu hạn.
- Nếu A là đại số và A, B ∈ A thì B\A ∈ A , A\B ∈ A .
- Một σ -đại số là một đại số, điều ngược lại nói chung là không đúng.
- Dễ dàng chứng minh được P(Ω) là σ -đại số (dĩ nhiên cũng đại số).
7
Như vậy, F ⊂ P(Ω) là một σ -đại số khi và chỉ khi F là đại số và F đóng
kín đối với phép lấy hợp đếm được.
Định nghĩa 1.1.4. Cho C ⊂ P(Ω), khi đó đại số (σ -đại số) bé nhất chứa C
được gọi là đại số (σ -đại số) sinh bởi C và ký hiệu là A (C ) (σ (C )).
Định lí 1.1.5. Với mọi C ∈ P(Ω), A (C ) và σ (C ) luôn tồn tại và duy nhất.
Chứng minh. Xem [1], trang 8.
1.1.5 Tập Borel và σ -đại số Borel
Nhắc lại về không gian tôpô (X, τ).
Định nghĩa 1.1.6. Giả sử (X, τ) là không gian tôpô, khi đó σ -đại số sinh bởi τ
được gọi là σ -đại số Borel của X, ký hiệu là B(X). Mỗi phần tử thuộc B(X)
được gọi là một tập Borel của X.
Vậy B(X) = σ (τ).

Theo trên, ta có tập Borel bao gồm các tập mở, các tập đóng, giao của đếm
được các tập mở, hợp của đếm được các tập đóng ... của X.
Nhận xét 1.1.7. Nếu U là cơ sở của τ thì B(X) = σ (τ) = σ (U ).
Ví dụ 1.1.8. Trường hợp cụ thể: Xét Ω = R với tôpô tự nhiên τR (topo thông

thường) là lớp các tập mở có dạng τR = (a, b) : a, b ∈ R, a < b .
Vậy σ − đại số Borel B(R) trùng với σ -đại số sinh ra bởi τR . Tức là B(R) =
σ (τR ).
Ngoài ra, không khó để chỉ ra rằng σ − đại số Borel B(R) cũng được xác
định bởi
8
B(R) = σ τR

=σ [a, b) : a, b ∈ R, a < b

=σ (a, b] : a, b ∈ R, a < b

=σ [a, b] : a, b ∈ R, a < b

=σ (−∞, b) : b ∈ R

=σ (−∞, b] : b ∈ R

=σ (a, +∞) : a ∈ R

=σ [a, +∞) : a ∈ R
Mỗi tập thuộc B(R) được gọi là tập Borel của R.
1.2 Không gian xác suất
1.2.1 Nhắc lại một số định nghĩa xác suất dạng cổ điển và ví dụ
Nhắc lại định nghĩa và nêu hạn chế của mỗi dạng định nghĩa.
a) Định nghĩa xác suất dạng cổ điển (đã được dạy ở chương trình toán phổ
thông).
+ Thành viên lớp nêu lại định nghĩa và cho biết hạn chế của định nghĩa xác
suất theo dạng này. Có thể minh họa 1 phép thử cụ thể sẽ không áp dụng
được định nghĩa này để tính xác suất.
+ Thành viên của lớp có thể sưu tập giới thiệu một vài bài tập xác suất khó,
giải dễ bị mắc sai lầm, tranh cãi.
9
qua trang
b) Định nghĩa xác suất dạng thống kê.
c) Định nghĩa xác suất dạng hình học.
Vài bài tập về áp dụng công thức xác suất dạng hình học.
Bài tập 1: Hai người A và B hẹn gặp nhau tại một địa điểm từ 9 giờ đến 10
giờ trong ngày. Nếu ai đến sớm thì đợi người kia trong 10 phút. Nếu người kia
không đến thì người đến trước có thể bỏ đi, không chờ nữa. Tính xác suất để hai
người A và B gặp nhau tại điểm hẹn.
10
Bài tập 2: Cho đoạn thẳng AB có chiều dài 2 cm. Cắt ngẫu nhiên đoạn thẳng
AB ra thành 3 đoạn nhỏ. tính xác suất để 3 cạnh tạo được thành một tam giác.
Ta thấy rằng mỗi dạng định nghĩa xác suất theo quan niệm cổ điển đều có
những hạn chế và chỉ phù hợp với một số mô hình nhất định nên các nhà toán
học đã xây dựng lại định nghĩa xác suất theo quan niệm của toán học hiện đại
(dựa trên cơ sở lý thuyết độ đo tích phân) để khắc phục được những hạn chế
nêu trên.
Sau đây là định nghĩa xác xuất theo hệ tiên đề Kolmogrov1 .
1.2.2 Độ đo xác suất
Nhắc lại về định nghĩa độ đo µ tổng quát trên σ -đại số F .
1 Andrey Nikolaevich Kolmogorov (25 tháng 4 năm 1903 - 20 tháng 10 năm 1987) là một nhà toán học Liên
Xô đã có nhiều đóng góp lớn trong lý thuyết xác suất và tôpô.
11
Cho tập Ω khác rỗng và F là σ -đại số các tập con của Ω. Khi đó cặp (Ω, F )
được gọi là không gian đo (Measure space).
Định nghĩa 1.2.1. Giả sử F ⊂ P(Ω) là một σ -đại số nào đó. Hàm tập P(·) :
F → R được gọi là độ đo xác suất (Probability measure) trên F nếu thỏa mãn
đồng thời các điều kiện sau:
(i) P(A) ≥ 0, ∀A ∈ F (tính không âm);
(ii) P(Ω) = 1 (tính chuẩn hóa);

∞ ∞
(iii) Nếu Ai ∈ F (i = 1, 2, ...), Ai A j = 0,
/ i ̸= j, thì P(
S
Ai ) = ∑ P(Ai) (tính
i=1 i=1
σ -cộng tính)2
Ta gọi bộ ba (Ω, F , P) là không gian xác suất (Probabilty space).

Mỗi A ∈ F được gọi là biến cố ngẫu nhiên (Radom event/ Stochastic event).
Ω được gọi là không gian mẫu (Sample space, không gian các biến cố sơ
cấp) hoặc biến cố chắc chắn.
Nếu A ∩ B = 0/ thì ta nói A và B là hai biến cố xung khắc.
A = Ω \ A được gọi là biến cố đối của A.
0/ được gọi là biến cố rỗng/ biến cố không/biến cố bất khả.
Từ định nghĩa trên ta thấy độ đo xác suất là một trường hợp đặc biệt của độ
đo tổng quát trong lí thuyết độ đo tích phân.
Ví dụ 1.2.2. Giả sử T là một phép thử mà không gian các biến cố sơ cấp Ω của
nó gồm n biến cố sơ cấp có cùng khả năng xuất hiện. Gọi F là họ tất cả các tập
con của Ω. Với mỗi A ∈ F ta đặt
|A|
P(A) =
|Ω|
Trong đó |A| = #A (bản số/lực lượng/số phần tử của tập hữu hạn A).
Ta thấy P : F → R là một độ đo xác suất trên F .
2 còn gọi là cộng tính đếm được.
12
Ví dụ 1.2.3. Giả sử T là một phép thử mà không gian các biến cố sơ cấp Ω là
một tập vô hạn đếm được Ω = {ω1 , ω2 , ..., ωn , ...} và {pn } là dãy số thực không
âm thỏa mãn điều kiện ∑∞ n=1 pn = 1. Gọi F là σ - đại số tất cả các tập con của
Ω. Với mỗi A ∈ F , đặt
P(A) = ∑ pi .
ωi ∈A
Kiểm tra ta thấy ánh xạ P : F → R thỏa mãn các tiên đề của xác suất và
(Ω, F , P) trở thành một không gian xác suất. Mô hình này gọi là mô hình xác
suất rời rạc.
Lưu ý rằng tùy vào các tình huống thực tế cụ thể của phép thử và không gian
mẫu Ω mà chúng ta có nhiều định nghĩa khác nhau của độ đo xác suất thỏa mãn
hệ tiên đề Kolmogorov. Ngoài ra, trên cùng một phép thử, cùng một không gian
mẫu Ω ta cũng có nhiều cách định nghĩa khác nhau về độ đo xác suất trên đó,
tùy thuộc vào việc chọn σ -đại số F và việc xác định hàm tập P ra sao để P trở
thành một độ đo xác suất trên σ -đại số tương ứng đó.
Định nghĩa 1.2.4. Tập B ⊂ Ω được gọi là có xác suất không nếu tồn tại A ∈ F
13
sao cho B ⊂ A và P(A) = 0.

Độ đo xác suất P được gọi là đủ (complete, hay nói chính xác hơn là F đủ
đối với P) nếu F chứa tất cả các tập có độ đo không.
Không gian xác suất (Ω, F , P) được gọi là không gian xác suất không gian
xác suất đầy đủ (Complete probability space) nếu P là độ đo xác suất đủ.
Để đơn giản, từ nay về sau khi nói đến không gian xác suất (Ω, F , P) ta luôn
xem nó là không gian xác suất đầy đủ.
Nhà toán học Kolmogorov và các sinh viên.
1.2.3 Các tính chất cơ bản của độ đo xác suất
/ = 0.
1) Tính chất 1: P(0)
2) Tính chất 2: Nếu AB = 0/ thì P(A ∪ B) = P(A) + P(B).
3) Tính chất 3: P(A) = 1 − P(A), A ∈ F .
4) Tính chất 4: A ⊂ B; A, B ∈ F ⇒ P(A) ≤ P(B) và P(B \ A) = P(B) − (A).
5) Tính chất 5: A, B ∈ F ⇒ P(A ∪ B) = P(A) + P(B) − P(AB).
14
6) Tính chất 6:
n
[ n
P( Ai ) = ∑ P(Ai ) − ∑ P(Ai A j ) + ∑ P(Ai A j Ak )
i=1 i=1 1≤i< j≤n 1≤i< j<k≤n
− · · · + (−1)n−1 P(A1 A2 ...An ).
∞ ∞
7) Tính chất 7: Với {An } ⊂ F , ta có P
[
An ≤ ∑ P(An),
k=1 n=1
8) Tính chất 8: Tính liên tục của xác suất
i. (Liên tục trên) Nếu An ∈ F , n = 1, 2, ... là dãy tăng (An ⊂ An+1 ) thì tồn
tại
∞
[
lim P(An ) = P( An ).
n→∞
n=1
ii. (Liên tục dưới) Nếu An ∈ F , n = 1, 2, ... là dãy giảm (An ⊃ An+1 ) thì
∞
\
P( An ) = lim P(An ).
n→∞
n=1
Chứng minh các tính chất 1 đến 8:
• TC1) P(0)
/ = 0.
HD. Lập dãy {An } với A1 = Ω, Ai = 0,
/ với i ≥ 2.
• TC2) Nếu A ∩ B = 0/ thì P(A ∪ B) = P(A) + P(B).

HD. Lập dãy {An } với A1 = A, A2 = B, Ai = 0,
/ với i ≥ 3.
• TC3) P(A) = 1 − P(A).

HD: Áp dụng A ∪ A = Ω và AA = 0.
/
• TC4) A ⊂ B, chứng minhP(A) ≤ P(B).

HD: Vì B = A ∪ (B \ A) = A ∪ BA.
• TC5) A, B ∈ F ⇒ P(A ∪ B) = P(A) + P(B) − P(AB).

HD: Vì A ∪ B = A ∪ (B \ AB), A ∪ B = A ∩ (B \ AB) = 0.
/
15
n n
• TC6) P( Ak ) = ∑ (−1)k−1
S
∑ P(Ai1 Ai2 ...Aik ).
k=1 k=1 1≤i1 <i2 <...<ik ≤n
HD: Tính chất này suy ra bằng quy nạp và 5.

∞ ∞
∑ P(An), (An) ⊂ F .
[
• TC7) P An ≤
k=1 n=1
HD: Đặt B1 = A1 , B2 = A2 \B1 , B3 = A3 \(B1 ∪ B2 ), ..., Bn = An \ ∪n−1

k=1 Bi , ....
Khi đó, Bi ∈ F , i = 1, 2, ... và Bi Bi = 0,
/ i ̸= j, Bn ⊂ An
n
[ n
[
Ta có Ai = Bi . Do vậy
i=1 i=1
∞
[ ∞ ∞ ∞
P Ai = P ∑ Bi = ∑ P(Bk ) ≤ ∑ P(Ak ).
i=1 i=1 k=1 k=1
• TC8: Tính liên tục của xác suất

8i) (Liên tục trên) Nếu An ∈ F , n = 1, 2, ... là dãy tăng (An ⊂ An+1 ) thì tồn
tại
∞
[
lim P(An ) = P( An ).
n→∞
n=1
HD: 8i) Đặt B1 = A1 ; B2 = A2 \A1 ; B3 = A3 \A2 = A3 \(B1 ∪B2 ); ...; Bn = An \An−1 =

i=1 Bi ∈ F .
An \ ∪n−1
/ i ̸= j, và
Khi đó, Bi B j = 0,
∞
[ ∞
[
An = B1 ∪ B2 ∪ ... ∪ Bn , Ai = Bi .
i=1 i=1
16
Ta có,
∞
[ ∞
[
P Ai = P Bi
i=1 i=1
∞
= ∑ P(Bi )
i=1
n
= lim ∑ P(Bi)
n→∞
i=1
n
[
= lim P Bi
n→∞
i=1
= lim P(An ).
n→∞
8ii) (Liên tục dưới) Nếu An ∈ F , n = 1, 2, ... là dãy giảm (An ⊃ An+1 ) thì
∞
\
P( An ) = lim P(An ).
n→∞
n=1
∞
HD: Giả sử An ∈ F , An ↓ và An ∈ F . Khi đó {An } là dãy tăng. Áp dụng
\
n=1
8i), ta có
∞
\ ∞
\ ∞
[
P Ai = 1 − P Ai = 1 − P Ai
i=1 i=1 i=1

= 1 − lim P(An ) = lim 1 − P(An ) = lim P(An ).
n→∞ n→∞ n→∞
1.3 Xác suất có điều kiện và các biến cố độc lập
Câu hỏi: Xác suất phụ thuộc vào những gì? Xem tài liệu Đỗ Đức Thái và
Nguyễn Tiến Dũng [2].
Giới thiệu bài toán Monty Hall (Monty Hall Problem): Xác suất thắng cuộc
sẽ thay đổi khi biết vận dụng thông tin đã biết.
17
18
1.3.1 Xác suất có điều kiện
Định nghĩa 1.3.1. Giả sử (Ω, F , P) là không gian xác suất và A, B ∈ F , P(A) >
0. Khi đó số
P(AB)
P(B/A) = . (1.1)
P(A)
được gọi là xác suất có điều kiện của biến cố A đôi với biến cố B.
Mệnh đề 1.3.2. i) P(B/A) ≥ 0;
ii) Nếu B ⊃ A thì P(B/A) = 1, đặc biệt P(Ω/C) = 1 với mọi C ∈ F .
iii) Nếu {Bn } là dãy các biến cố đôi một xung khắc thì
∞
[ ∞
P( Bi /A) = ∑ P(Bi /A).
i=1 i=1
iv) (Quy tắc nhân) Giả sử A1 , A2 , ..., An (n ≥ 2) là n biến cố bất kì sao cho
P(A1 A2 ...An ) > 0. Khi đó,
P(A1 A2 ...An ) = P(A1 )P(A2 /A1 )P(A3 /A1 A2 )...P(An /A1 ...An−1 ).
Chứng minh. Chứng minh iv) bằng quy nạp.
1.3.2 Tính độc lập của các biến cố
Định nghĩa 1.3.3. Hai biến cố A, B được gọi là độc lập (independent) nếu
P(AB) = P(A)P(B).
Mệnh đề 1.3.4. Hai biến cố A và B độc lập khi và chỉ khi P(A/B) = P(A) hoặc
P(B/A) = P(B).
Mệnh đề 1.3.5. Hai biến cố A và B độc lập khi và chỉ khi một trong các điều
kiện sau thỏa mãn:
i) A và B độc lập;
19
ii) A và B độc lập;
iii) A và B độc lập.
Chứng minh. i)A, B độc lập ⇒ A, B độc lập.

Ta có: P(AB) = P(B⧹AB) = P(B) − P(AB)
= P(B) − P(A)P(B) = P(B)(1 − P(A))
= P(A)P(B)
Ngược lại A, B độc lập ⇒ A, B độc lập.
Ta có: P(AB) = P(B⧹AB) = P(B) − P(AB)
= P(B) − P(A)P(B) = P(B)(1 − P(A))
= P(A)P(B)
ii)A, B độc lập ⇒ A, B độc lập.
Ta có: P(AB) = P(A⧹AB) = P(A) − P(AB)
= P(A) − P(A)P(B) = P(A)(1 − P(B))
= P(A)P(B)
Ta có: P(AB) = P(A⧹AB) = P(A) − P(AB)
= P(A) − P(A)P(B) = P(A)(1 − P(B))
= P(A)P(B)
iii)A, B độc lập ⇒ A, B độc lập.
Ta có: P(A B) = P(A ∪ B) = 1 − P(A ∪ B)
= 1 − P(A) − P(B) + P(AB)
= 1 − P(A) − P(B) + P(A)P(B)
= (1 − P(A))(1 − P(B))
= P(A)P(B)
Ta có: P(AB) = P(A ∪ B) = 1 − P(A ∪ B)
= 1 − P(A) − P(B) + P(A B)
= 1 − P(A) − P(B) + P(A)P(B)
= (1 − P(A))(1 − P(B))
= P(A))P(B))
20
1.4 Một số nghịch lí trong xác suất
Xem và trình bày tóm lược lại một số nghịch lí xác suất trong Đỗ Đức Thái
- Nguyễn Tiến Dũng [2].
Thành viên lớp sưu tầm thêm một số nghịch lí xác suất khác cùng trao đổi
thảo luận.
Rút một số kinh nghiệm chung gì từ một số nghịch lí xác suất khi giảng dạy
và tính toán xác suất?
1.5 Bổ đề Borel-Cantelli
Định lí 1.5.1. (Bổ đề Borel-Cantelli) Giả sử {An } là dãy các biến cố. Khi đó,
∞
i) Nếu ∑ P(An ) < ∞ thì P(lim sup An ) = 0.
n=1
∞
ii) Nếu ∑ P(An ) = ∞ và dãy biến cố {An } độc lập thì P(lim sup An ) = 1.
n=1
∞ S
T ∞
Trong đó, lim supAn = Ak
n=1 k=n
Chứng minh. Xem [1], trang 22.

∞ [
\ ∞
• i) Ta có, 0 ≤ P(lim sup An ) = P( Ak )
n=1 k=n
[∞ ∞
\
= lim P( Ak ) (Theo tc8b lim P(An ) = P( An ))
n→∞ n→∞
k=n n=1
∞ ∞
≤ lim ∑ P(Ak ) = 0 (Vì ∑ P(An) < ∞)
n→∞
k=n n=1
∞ [
\ ∞
• ii) 1 ≥ P(lim sup An ) = P( Ak )
n=1 k=n
[∞ ∞
\
= lim P( Ak ) (Theo tc8b lim P(An ) = P( An ))
n→∞ n→∞
k=n ! n=1
∞
[
= lim 1 − P( Ak )
n→∞
k=n
21
!
∞
\
= lim 1 − P( Ak )
n→∞
k=n
∞
\
= 1 − lim P( Ak )
n→∞
k=n !
m
\
= 1 − lim lim P( Ak )
n→∞ m→∞
k=n
= 1 − lim lim P(An )P(An+1 . . . P(Am
n→∞ m→∞
= 1 − lim lim [1 − P(An )][1 − P(An+1 ] . . . [1 − P(Am ]
n→∞ m→∞
−P(An ) −P(Am )
≥ 1 − lim lim e ...e (Vì 1 − x ≤ e−x , ∀x ∈
n→∞ m→∞
[0, 1])
m
= 1 − lim lim e∑k=n P(Ak )
n→∞ m→∞
= 1−0 = 1
Suy ra P(lim sup An ) = 1
Hệ quả 1.5.2. (Luật 0-1 Borel - Cantelli) Nếu {An } là dãy các biến cố độc lập,
thì P(lim sup An ) chỉ có thể nhận một trong hai giá trị 0 hoặc 1 tùy theo chuỗi
∞
∑ P(An ) hội tụ hay phân kì.
n=1
Chứng minh. Suy ra trực tiếp từ Định lí 1.5.1.
22
BÀI TẬP CHƯƠNG 1
1.1. (BT4) Giả sử A, B là các biến cố. Chứng minh rằng

a) P(A ∪ B)P(AB) ≤ P(A)P(B)
1
b) |P(AB) − P(A)P(B)| ≤
4
1.2. (BT7) Giả sử A1 , A2 , . . . là dãy các biến cố. Chứng minh rằng
∞
[
P( An ) = P(A1 ) + P(A1 A2 ) + P(A1 A2 A3 ) + · · ·
n=1
1.3. (BT8) Cho A, B,C là các biến cố. Chứng minh rằng
a) P(A △ B) = P(A) + P(B) − 2P(AB)
b) P(AB) + P(BC) + P(CA) ≥ P(A) + P(B) + P(C) − 1
c) P(AB) + P(AC) − P(BC) ≤ P(A)
d) P(A △ B) ≤ P(A △C) + P(C △ B)
1.4. (BT9) Giả sử A, B là các biến cố độc lập và P(A ∪ B) = 1.
Chứng minh rằng hoặc A hoặc B có xác suất bằng 1
1.5. (BT10) Giả sử A, B là các biến cố độc lập và P(A ∪ B) = 1. Chứng minh
rằng nếu A ∩ B và A ∪ B độc lập thì hoặc P(A) = 0 hoặc P(B) = 0 hoặc
P(A) = 1 hoặc P(B) = 1
1.6. Giả sử A1 , A2 , . . . và B1 , B2 , . . . là dãy các biến cố và P(Bn ) −→ 1 khi n −→
∞. Chứng minh rằng
lim P(An ) = lim P(An Bn )

n→∞ n→∞
với điều kiện là một trong hai giới hạn đó tồn tại.
1.7. (BT26) Giả sử A1 , A2 , . . . và B1 , B2 , . . . là dãy các biến cố và P(Bn ) −→ 1
khi n −→ ∞. Chứng minh rằng nếu
lim in f P(An ) ≥ a > 0

n→∞
thì
P(An )
lim =1
n→∞ P(An Bn )
23
HƯỚNG DẪN BÀI TẬP CHƯƠNG 1
⋆ BT 1 (BT4) Giả sử A, B là các biến cố. Chứng minh rằng

a) P(A ∪ B)P(AB) ≤ P(A)P(B)
1
b) |P(AB) − P(A)P(B)| ≤
4
Giải. a) Ta có
P(A ∪ B)P(AB) ≤ P(A)P(B)

⇔ P(A)P(B) − P(A ∪ B)P(AB) ≥ 0
⇔ P(A)P(B) − [P(A) + P(B) − P(AB)]P(AB) ≥ 0
⇔ P(A)P(B) − P(A)P(AB) − P(B)P(AB) + P(AB)P(AB) ≥ 0
⇔ P(A)[P(B) − P(AB) − P(B)[P(B) − P(AB)] ≥ 0
⇔ [P(A) − P(AB)][P(B) − P(AB)] ≥ 0 (luôn đúng)
(vì AB ⊂ A ⇒ P(AB) ≤ P(A) ⇒ P(A) − P(AB) ≥ 0, tương tự P(B) − P(AB) ≥ 0)
Vậy P(A ∪ B)P(AB) ≤ P(A)P(B).

1

1

 P(AB) − P(A)P(B) ≤ (1)
b) Ta có |P(AB) − P(A)P(B)| ≤ ⇔ 4
4  P(A)P(B) − P(AB) ≤ 1 (2)

4
Trước khi chứng minh (1) và (2), ta xét bất đẳng thức phụ sau đây: Nếu
1
A ∩ B = 0/ thì P(A)P(B) ≤ .
4
Thật vậy, áp dụng bất đẳng thức Cauchy cho hai số không âm P(A) và P(B)
24
Với điều kiện AB = 0/ ta có

p P(A) + P(B)
P(A)P(B) ≤
2
P(A) + P(B) 2

⇔ P(A)P(B) ≤
2
(P(A) + P(B))2
⇔ P(A)P(B) ≤
4
(P(A ∪ B))2
⇔ P(A)P(B) ≤ (vì AB = 0/ ⇒ P(A ∪ B) = P(A) + P(B))
4
1
⇔ P(A)P(B) ≤ (vì P(A ∪ B) ≤ 1 nên (P(A ∪ B))2 ≤ 1)
4
1
• Chứng minh (1): P(AB) − P(A)P(B) ≤ .
4
Ta có P(AB) − P(A)P(B) ≤ P(AB) − P(AB)P(B)

= P(AB)[1 − P(B)]
1
= P(AB)P(B) ≤ (vì AB.B = 0)
/
4
1
• Chứng minh (2): P(A)P(B) − P(AB) ≤ .
4
Ta có, P(A)P(B) − P(AB) = [P(A\AB) + P(AB)]P(B) − P(AB)

= P(A\AB)P(B) + P(AB)P(B) − P(AB)
= P(A\AB)P(B) + P(AB)[P(B) − 1]
= P(A\AB)P(B) − P(AB)[1 − P(B)]
= P(A\AB)P(B) − P(AB)P(B)
≤ P(A\AB)P(B) (vì P(AB)P(B) ≥ 0)
1
≤ (vì (A\AB).B = 0).
/
4
25
⋆ BT 2 (BT7) Giả sử A1 , A2 , . . . là dãy các biến cố. Chứng minh rằng

∞
[
P( An ) = P(A1 ) + P(A1 A2 ) + P(A1 A2 A3 ) + · · ·
n=1
Giải. Nhắc lại: Điều kiện iii) về độ đo xác suất

∞
[ ∞
nếu Bi B j = ∅ (i ̸= j) thì P( Bn ) = ∑ P(Bn)
n=1 n=1
Ta đặt B1 = A1 , B2 = A1 A2 , B3 = A1 A2 A3 , . . . , Bn = A1 . . . An−1 An , . . .
∞
[ ∞
[
Khi đó An = Bn , Bi B j = ∅ (i ̸= j)
n=1 n=1
∞
[ ∞
[
Suy ra P( An ) = P( Bn )
n=1 n=1
∞
= ∑ P(Bn) (theo iii)
n=1
= P(B1 ) + P(B2 ) + P(B3 ) + · · ·
= P(A1 ) + P(A1 A2 ) + P(A1 A2 A3 ) + · · ·
∞
[
Vậy P( An ) = P(A1 ) + P(A1 A2 ) + P(A1 A2 A3 ) + · · ·
n=1
⋆ BT 3 (BT8) Cho A, B,C là các biến cố. Chứng minh rằng

a) P(A △ B) = P(A) + P(B) − 2P(AB)
c) P(AB) + P(AC) − P(BC) ≤ P(A)
d) P(A △ B) ≤ P(A △C) + P(C △ B)
26
Giải. a) P(A △ B) = P(A) + P(B) − 2P(AB)
V T = P(A △ B)
= P[(A ∪ B)\(AB)]
= P(A ∪ B) − P(AB)
= P(A) + P(B) − P(AB) − P(AB)
= P(A) + P(B) − 2P(AB)
= VP
Ta có P(A ∪ B ∪C) = P(A) + P(B) + P(C) − P(AB) − P(AC) − P(BC) + P(ABC)

⇔ P(AB) + P(AC) + P(BC) = P(A) + P(B) + P(C) + P(ABC) − P(A ∪ B ∪C)
(
P(ABC) ≥ 0
Mặt khác
1 ≥ P(A ∪ B ∪C)
⇒ P(ABC) + 1 ≥ P(A ∪ B ∪C) ⇒ P(ABC) − P(A ∪ B ∪C) ≥ −1
Vậy P(AB) + P(BC) + P(CA) ≥ P(A) + P(B) + P(C) − 1
c) P(AB) + P(AC) − P(BC) ≤ P(A)
Ta có AB ∪ AC ⊂ A
Suy ra P(AB ∪ AC) ≤ P(A)
⇔ P(AB) + P(AC) − P(AB ∩ AC) ≤ P(A)
⇔ P(AB) + P(AC) − P(ABC) ≤ P(A) (vì ABC = AB ∩ AC)
⇔ P(AB) + P(AC) − P(BC) ≤ P(A) (vì ABC ⊂ BC)
Vậy P(AB) + P(AC) − P(BC) ≤ P(A)
d) P(A △ B) ≤ P(A △C) + P(C △ B)
Từ câu a), ta có
P(A △ B) = P(A) + P(B) − 2P(AB)(∗)
P(A △C) = P(A) + P(C) − 2P(CA)(∗∗)
P(C △ B) = P(C) + P(B) − 2P(CB)(∗ ∗ ∗)
27
Cộng (**) và (***), ta có
P(A △C) + P(C △ B) = P(A) + P(B) + 2P(C) − 2[P(CA) + P(CB)]

= P(A) + P(B) − 2[P(CA) + P(CB) − P(C)]
≥ P(A) + P(B) − 2P(AB) (vì P(CA) + P(CB) − P(C) ≤ P(AB)
= P(A △ B) (theo (∗))
Vậy P(A △ B) ≤ P(A △C) + P(C △ B)
⋆ BT 4 (BT9) Giả sử A, B là các biến cố độc lập và P(A ∪ B) = 1.

Chứng minh rằng hoặc A hoặc B có xác suất bằng 1
Giải.
P(A ∪ B) = 1 ⇔ P(A) + P(B) − P(AB) = 1

⇔ P(A) + P(B) − P(A)P(B) − 1 = 0
⇔ [1 − P(A)][1 − P(B)] = 0
"
1 − P(A) = 0
⇔
1 − P(B) = 0
"
P(A) = 1
⇔ (đpcm)
P(B) = 1
⋆ BT 5 (BT10) Giả sử A, B là các biến cố độc lập và P(A ∪ B) = 1. Chứng

minh rằng nếu A ∩ B và A ∪ B độc lập thì hoặc P(A) = 0 hoặc P(B) = 0 hoặc
P(A) = 1 hoặc P(B) = 1
Giải. Ta có A ∩ B = (A ∩ B) ∩ (A ∪ B)
⇔ P(A ∩ B) = P((A ∩ B) ∩ (A ∪ B))
⇔ P(AB) = P((AB)P(A ∪ B))
⇔ P(AB) − P(AB)P(A ∪ B) = 0
⇔ P(AB) − P(AB)[P(A) + P(B) − P(AB)] = 0
⇔ P(AB)[1 − P(A) − P(B) + P(AB)] = 0
⇔ P(A)P(B)[1 − P(A) − P(B) + P(A)P(B)] = 0
28
⇔ P(A)P(B)[1
 − P(A)][1
 − P(B)] = 0
P(A) = 0 P(A) = 0
 P(B) = 0  P(B) = 0
⇔ ⇔ (đpcm)
 
 1 − P(A) = 0  P(A) = 1
1 − P(B) = 0 P(B) = 1
⋆ BT 6 (BT15) Giả sử A1 , A2 , . . . và B1 , B2 , . . . là dãy các biến cố và P(Bn ) −→

1 khi n −→ ∞. Chứng minh rằng
lim P(An ) = lim P(An Bn )

n→∞ n→∞
với điều kiện là một trong hai giới hạn đó tồn tại.
Giải. Ta có Bn ∪ Bn = Ω và Bn ∩ Bn = ∅
Khi đó lim P(Bn ) = 1 và An = An .Ω = An (Bn ∪ Bn ) = An Bn ∪ An Bn )
n→∞
Mặt khác Bn ∩ Bn = ∅ nên An Bn ∩ An Bn = ∅
Ta có P(An ) = P(An Bn ∪ An Bn ) = P(An Bn ) + P(An Bn )
Suy ra lim P(An ) = lim [P(An Bn ) + P(An Bn )] = lim P(An Bn ) + lim P(An Bn )
n→∞ n→∞ n→∞ n→∞
n→∞ n→∞
Vì An Bn ⊂ Bn nên 0 ≤ P(An Bn ) ≤ P(Bn ) −−−→ 0 (vì P(Bn ) −−−→ 1)
Vậy lim P(An ) = lim P(An Bn ).
n→∞ n→∞
⋆ BT 7 (BT26) Giả sử A1 , A2 , . . . và B1 , B2 , . . . là dãy các biến cố và P(Bn ) −→

1 khi n −→ ∞. Chứng minh rằng nếu
lim in f P(An ) ≥ a > 0

n→∞
thì
P(An )
lim =1
n→∞ P(An Bn )
P(An ) P(An Bn ∪ An Bn ) P(An Bn ) + P(An Bn ) P(An Bn )

Giải. Ta có = = = 1+
P(An Bn ) P(An Bn ) P(An Bn ) P(An Bn )

P(An ) P(An Bn ) P(An Bn )
Suy ra lim = lim 1 + = 1 + lim (1)
n→∞ P(An Bn ) n→∞ P(An Bn ) n→∞ P(An Bn )
29
n→∞ n→∞
Ta có 0 ≤ P(An Bn ) ≤ P(Bn ) −−−→ 0 (vì P(Bn ) −−−→ 1)
⇒ lim P(An Bn ) = 0 (2)

n→∞
Mặt khác P(An ) = P(An Bn ) + P(An Bn )
Suy ra lim in f P(An ) = lim in f P(An Bn ) + lim in f P(An Bn )

n→∞ n→∞ n→∞
⇒ 0 ≤ a ≤ lim in f P(An ) = lim in f P(An Bn )

n→∞ n→∞
⇒ lim P(An Bn ) > 0(2)

n→∞
P(An )
Từ (1),(2) và (3) suy ra lim =1
n→∞ P(An Bn )
30
Chương 2
BIẾN NGẪU NHIÊN
Ví dụ và nhắc lại về biến ngẫu nhiên theo cách hiểu cổ điển.
2.1 Định nghĩa và tính chất của biến ngẫu nhiên
2.1.1 Định nghĩa, ví dụ về biến ngẫu nhiên
Nhắc lại về ánh xạ đo được trong lý thuyết độ đo. Cho Ω1 và Ω2 là hai

không gian và F1 , F2 lần lượt là σ -đại số các tập con của Ω1 , Ω2 . Khi đó, cặp
(Ω1 , F1 ) và (Ω2 , F2 ) là các không gian đo.
1 https://www.mathsisfun.com/data/random-variables.html
31
Chương 2. Biến ngẫu nhiên
Định nghĩa 2.1.1. Ánh xạ f : Ω1 → Ω2 được gọi là ánh xạ đo được (Measurable)

(hay (F1 , F2 )-đo được) nếu
∀B ∈ F2 , ta có f −1 (B) ∈ F1 .
Trong đó, f −1 (B) = {x ∈ Ω1 : f (x) ∈ B}.
Nhận xét 2.1.2. Trong Định nghĩa 2.1.1, nếu f là ánh xạ (F1 , F2 )-đo được thì
f cũng là ánh xạ (F1∗ , F2 )- đo được, với F1∗ là σ -đại số nào đó chứa F1 .
Thật vậy, với mọi B ∈ F2 thì f −1 (B) ∈ F1 ⊂ F1∗ .
Cho (Ω, F , P) là không gian xác suất. Trong Định nghĩa 2.1.1, khi thay
(Ω1 , F1 ) bởi (Ω, F ), thay (Ω2 , F2 ) bởi (R, B(R)), ta có định nghĩa về biến
ngẫu nhiên sau đây.
Định nghĩa 2.1.3. Giả sử (Ω, F ) là không gian đo và G là σ -đại số con của
F . Khi đó, ánh xạ X : Ω → R được gọi là biến ngẫu nhiên G -đo được (G -
measurable random variable) (hay (G /B(R))-đo được) nếu
∀B ∈ B(R), ta có X −1 (B) ∈ G .
Trong đó B(R) là σ -đại số Borel trên R.
32
Trường hợp đặc biệt, nếu X là biến ngẫu nhiên F -đo được thì X được gọi
đơn giản là biến ngẫu nhiên (Random variable).
Nhận xét 2.1.4. + Hiển nhiên, biến ngẫu nhiên G -đo được là biến ngẫu nhiên.
Điều ngược lại là không hoàn toàn đúng.
+ Nếu lấy F = P(Ω) thì mọi hàm X : Ω → R đều là biến ngẫu nhiên.
+ Nếu X là biến ngẫu nhiên thì họ
σ (X) := {X −1 (B), ∀B ∈ B(R)}
lập thành một σ -đại số con của F . Đây là σ -đại số bé nhất mà X đo được.
Như vậy, X là biến ngẫu nhiên G - đo được ⇔ σ (X) ⊂ G .
Ví dụ 2.1.5. Cho không gian xác suất (Ω, F , P). Giả sử A ∈ F . Xét hàm IA :
Ω → R xác định bởi 
1 khi ω ∈ A;
IA (ω) =
0 khi ω ̸∈ A.
Khi đó, IA là biến ngẫu nhiên. Ta còn gọi IA là hàm chỉ tiêu (Indicator func-
tion). Một số tài liệu ký hiệu là 1A .2
Chứng minh. Với mọi B ∈ B, ta cần chứng minh IA−1 (B) ∈ F . Thật vậy,



0/ nếu 0 ̸∈ B; 1 ̸∈ B;

nếu 1 ∈ B; 0 ̸∈ B;

A
−1
IA (B) =


A nếu 0 ∈ B; 1 ̸∈ B;


Ω nếu 1 ∈ B; 0 ∈ B.
Vì F là σ -đại số nên các tập 0,

/ A, A, Ω đều thuộc F . Khi đó, X −1 (B) ∈
2 Các tài liệu về độ đo thường ký hiệu χA và có cách gọi khác là hàm đặc trưng. Khác với hàm đặc trưng
trong xác suất.
33
F , ∀B ∈ B. Vậy IA là biến ngẫu nhiên.
Ví dụ 2.1.6. Trong không gian xác suất (Ω, F , P) cho các biến cố đôi một
rời nhau Ai ∈ F , i ∈ I, trong đó I là tập chỉ số đếm được và Ai = Ω. Với
[
i∈I
{xi }i∈I ⊂ R, hàm Y : Ω → R xác định bởi
Y (ω) = ∑ xi IAi (ω), (2.1)

i∈I
cũng là biến ngẫu nhiên và được gọi là biến ngẫu nhiên rời rạc (Discrete random
variable).
Trong trường hợp I là tập hữu hạn thì Y được gọi là biến ngẫu nhiên đơn giản
(Simple random variable).
Ví dụ 2.1.7. Tung 2 đồng tiền cân đối đồng chất. Gọi X là số mặt sấp xuất hiện,
khi đó X là biến ngẫu nhiên. Thật vậy, ở đây
Ω = {SS, SN, NS, NN}; F = P(Ω);
X(NN) = 0 X(SN) = X(NS) = 1 X(SS) = 2.

Hiển nhiên, X −1 (B) ∈ F , ∀B ∈ B(R).
Nói chung, trong mô hình xác suất cổ điển, ta thường lấy F = P(Ω). Khi
đó, mọi ánh xạ X : Ω → R đều là biến ngẫu nhiên.
34
2.1.2 Tính chất của biến ngẫu nhiên
Cho (Ω, F , P) là không gian xác suất và G là σ -đại số con của F .
Định lí 2.1.8. Ánh xạ X : Ω → R là biến ngẫu nhiên G -đo được khi và chỉ khi
với mọi a ∈ R,
X −1 ((−∞, a)) = {ω : X(ω) < a} ∈ G .
⋆ Ý nghĩa của Định lí 2.1.8: Để chứng minh X là b.b.n G −đo được, thay vì
phải chứng minh nghịch ảnh X −1 (B) ∈ G với mọi tập B ∈ B(R), ta chỉ cần lấy
các tập B có dạng nửa đường thẳng bên trái. Khi đó, công việc sẽ giảm nhẹ hơn.
Chứng minh. • ("⇒"): Giả sử X là biến ngẫu nhiên G -đo được, ta cần chứng
minh X −1 ((−∞, a)) ∈ G , ∀a ∈ R.
Thật vậy, vì (−∞, a) ∈ B(R), ∀a ∈ R. Ngoài ra, do X là biến ngẫu nhiên nên
X −1 ((−∞, a)) ∈ G , ∀a∈ R.
• ("⇐"): Ngược lại giả sử X −1 ((−∞, a)) ∈ G , ∀a ∈ R, ta cần chứng minh X là
biến ngẫu nhiên G - đo được.
Đặt
K = {A ⊂ R : X −1 (A) ∈ G }.
Khi đó K là σ - đại số. Thật vậy, ta có
◦ R ∈ K vì X −1 (R) = Ω ∈ G .
◦ Nếu A ∈ K thì A ∈ K vì
A ∈ K ⇒ X −1 (A) ∈ G ⇒ X −1 (A) = X −1 (A) ∈ G .
35
∞
◦ Nếu Ai ∈ K , i = 1, 2, ... thì Ai ∈ K vì
[
i=1
∞ ∞
−1 −1
Ai ∈ K ⇒ X (Ai ) ∈ G ⇒ X X −1 (Ai ) ∈ G .
[ [
( Ai ) =
i=1 i=1
Mặt khác, theo giả thiết
X −1 ((−∞, a)) ∈ G ⇒ (−∞, a) ∈ K (∀a ∈ R).
Vì K là σ -đại số nên
[a, b) = (−∞, b)\(−∞, a) ∈ K , ∀a, b ∈ R.
Từ cách xây dựng B, suy ra B ⊂ K nên ∀B ∈ B thì B ∈ K hay X −1 (B) ∈

G . Vậy X là biến ngẫu nhiên G -đo được.
Từ định lí trên suy ra mỗi biến ngẫu nhiên G -đo được là một hàm G -đo được.
Do đó, biến ngẫu nhiên G -đo được có tất cả các tính chất của hàm G -đo được.
(Xem thêm giáo trình trang 27, 28)
Định lí 2.1.9. Giả sử X1 , X2 , ..., Xn là các biến ngẫu nhiên cùng xác định trên
không gian xác suất (Ω, F , P), f : Rn → R là hàm đo được (tức f là (B(Rn ), B(R)))-
đo được. Khi đó,
Y = f (X1 , X2 , ..., Xn ) :Ω → R
ω → f (X1 (ω), X2 (ω), ..., Xn (ω))
là biến ngẫu nhiên.
Hệ quả 2.1.10. Giả sử X,Y là các biến ngẫu nhiên cùng xác định trên không
gian xác suất (Ω, F , P), f : R → R là hàm liên tục, a ∈ R. Khi đó, aX, X ±
36
Y, XY, |XY |, f (X), X + = max(X, 0), X − = max(−X, 0), X/Y (với Y ̸= 0) đều là
các biến ngẫu nhiên.
Hệ quả 2.1.11. Giả sử {Xn } là dãy biến ngẫu nhiên cùng xác định trên không
gian xác suất (Ω, F , P). Khi đó, nếu inf Xn , sup Xn hữu hạn, thì inf Xn , sup Xn ,
n n n n
limXn , limXn , lim Xn (nếu tồn tại) đều là các biến ngẫu nhiên.
n→∞
2.2 Phân phối xác suất của biến ngẫu nhiên
2.2.1 Phân phối xác suất của biến ngẫu nhiên
Định nghĩa 2.2.1. Giả sử X : (Ω, F , P) → (R, B(R)) là biến ngẫu nhiên. Với
mỗi B ∈ B(R), đặt
PX (B) = P(X −1 (B)) = P({ω : X(ω) ∈ B}).
Khi đó, PX được gọi là phân phối xác suất3 của X
Định lí 2.2.2. Hàm tập PX : B(R) → R là một độ đo xác suất trên B(R).
Chứng minh. Hàm PX thỏa mãn 3 điều kiện của độ đo xác suất trên B.
i)
ii)
iii)
3 Probability distribution.
37
Chú ý, PX (B) được gọi là xác suất của những giá trị của X thuộc B và được
kí hiệu
P(X ∈ B) := PX (B) = P(X −1 (B)) = P({ω ∈ Ω : X(ω) ∈ B}).
Đặc biệt, với a ∈ R, ta kí hiệu
P(X = a) := PX ({a}) = P(X −1 ({a})) = P({ω ∈ Ω : X(ω) = a}),
được gọi là xác suất để X nhận giá trị a hay vắn tắt là xác suất để X = a.
Tương tự, kí hiệu
P(X < a) := PX ((−∞, a)) = P({ω ∈ Ω : X(ω) < a}),

P(X ≤ a) := PX ((−∞, a]) = P({ω ∈ Ω : X(ω) ≤ a}),
P(X > a) := PX ((a, ∞)) = P({ω ∈ Ω : X(ω) > a}),
P(X ≥ a) := PX ([a, ∞)) = P({ω ∈ Ω : X(ω) ≥ a}).
Chú ý, sau này ta hiểu P(X < a), P(X ≤ a), P(X > a), P(X ≥ a) lần lượt là
các xác suất để X nhận giá trị nhỏ hơn a, nhỏ hơn hoặc bằng a, lớn hơn a, lớn
hơn hoặc bằng a.
2.2.2 Hàm phân phối xác suất của biến ngẫu nhiên
Định nghĩa 2.2.3. Giả sử X : Ω → R là biến ngẫu nhiên xác định trên không
gian xác suất (Ω, F , P). Khi đó, hàm số F : R → R xác định bởi
FX (x) = P(X < x), ∀x ∈ R,
4 được gọi là hàm phân phối xác suất (Distribution function) hay hàm phân phối
tích lũy (Cumulative distribution function) của biến ngẫu nhiên X. Nếu không
nhầm lẫn ta thường dùng ký hiệu ngắn gọn là F(x).
4 Nhắc lại: (X < x) là biến cố thỏa mãn (X < x) = {ω : X(ω) < x} ⊂ Ω.
38
Từ định nghĩa trên ta có FX (x) = P X −1 (−∞, x) = PX ((−∞, x)).

Ví dụ 2.2.4. Cho không gian xác suất (Ω, F , P). Giả sử A ∈ F , X = IA và

P(A) = p. Khi đó

 0
 nếu x ⩽ 0;
FX (x) = FIA (x) = P[IA < x] = 1 − p nếu 0 < x ⩽ 1;

 1 nếu x > 1.
Sau đây là một số tính chất của hàm phân phối xác suất.
Định lí 2.2.5. Giả sử F : R → R là hàm phân phối xác suất của biến ngẫu nhiên
X, khi đó
i) 0 ≤ F(x) ⩽ 1, ∀x ∈ R.
ii) Với mọi a, b ∈ R, a < b, ta có P(a ≤ X < b) = F(b) − F(a). Từ đó suy ra F

đơn điệu không giảm trên R.
iii) F(−∞) := lim F(x) = 0, F(+∞) := lim F(x) = 1.

x→−∞ x→+∞
iv) F liên tục trái tại mọi x ∈ R.
Chứng minh. (i) Hiển nhiên, do F(x) = P(X < x) ∈ [0, 1], ∀x ∈ R.
(ii)
(iii) Do F(x) là hàm đơn điệu không giảm, bị chặn nên sẽ tồn tại các giới
hạn khi x → −∞ và x → ∞.
39
Giả sử {xn } ⊂ R, xn ↓ −∞. Đặt An = [X < xn ], khi đó

∞
\
An ↓, và Ai = 0.
/
i=1
Theo tính chất 8(ii) của độ đo xác suất, ta có
lim F(xn ) = lim P(X < xn ) = lim P(An )

n→∞ n→∞ n→∞
∞
\
= P( Ai ) = P(0)
/
i=1
= 0.
Chứng minh phần sau tương tự (sử dụng phần bù).

(iv) Với x0 ∈ R, ta cần chứng minh F(x) liên tục trái tại x0 , tức là cần chứng
minh lim F(x) = F(x0 ).
x→x0−
Giả sử {xn } ⊂ R là dãy tùy ý sao cho xn ↑ x0 . Ta đặt
An = [xn ⩽ X < x0 ],
\ \
khi đó An ↓ và lim An = / Thật vậy, giả sử tồn tại ω ∈
An = 0. An thì ω ∈ An
n
n⩾1 n⩾1
với mọi n hay xn ⩽ X(ω) < x0 . Do đó, với mọi n thì
x0 − xn ⩽ x0 − X(ω) = ε > 0,
hay xn ↛ x0 , mâu thuẫn.

Sử dụng tính chất của độ đo xác suất và hàm phân phối xác suất, ta có

lim F(x0 ) − F(xn ) = lim P[xn ⩽ X < x0 ]
n→∞ n→∞
= lim P(An ) = 0.
→∞
Do đó lim F(xn ) = F(x0 ). Vậy F(x) liên tục trái tại x0 . Vì x0 tùy ý nên F(x)
n→∞
liên tục trái tại mọi x ∈ R.
40
2.3 Phân loại biến ngẫu nhiên
Nội dung trong mục này đã được học trong học phần Xác suất thống kê
cổ điển. Do đó, người học chỉ cần tham khảo để giải bài tập liên quan.
Dựa vào tập giá trị của biến ngẫu nhiên, trong phạm vi của môn học này,
chúng ta sẽ đề cập đến hai loại biến ngẫu nhiên. Đó là biến ngẫu nhiên rời rạc
(Discrete random variable) và biến ngẫu nhiên liên tục (Continuous random
variable).
2.3.1 Biến ngẫu nhiên rời rạc
Định nghĩa 2.3.1. Một biến ngẫu nhiên gọi là biến ngẫu nhiên rời rạc nếu nó
chỉ nhận không quá đếm được (hữu hạn hoặc đếm được) giá trị.
Đối với biến ngẫu nhiên rời rạc, tập hợp tất cả các giá trị có thể có của nó có
thể được liệt kê bằng một dãy hữu hạn hay vô hạn x1 , x2 , ..., xn , .... Tập hợp các
giá trị có thể có của biến ngẫu nhiên X được kí hiệu là X(Ω).
Bảng phân phối xác suất. Khi nghiên cứu về biến ngẫu nhiên rời rạc X, ta cần
biết tất cả các giá trị của nó cùng với các xác suất tương ứng. Giả sử biến ngẫu
nhiên rời rạc X nhận các giá trị x1 , x2 , . . . , xn , . . . với các xác suất tương ứng là
P(X = xi ) = pi (i = 1, 2, ..., n, ...). Khi đó, bảng sau gọi là gọi là bảng phân phối
xác suất (gọi tắt là bảng phân phối) của X
X x1 x2 . . . xn . . .
P p1 p2 . . . pn . . .
trong đó, ∑ pi = 1.
i
Ví dụ 2.3.2. Tung hai đồng tiền cân đối đồng chất. Gọi X là số mặt sấp xuất
hiện. Vậy thì
Ω = {(S, N), (S, S), (N, S), (N, N)}; X(Ω) = {0, 1, 2}.
Vậy bảng phân phối của X
41
X 0 1 2
1 1 1
P 4 2 2
2.3.2 Biến ngẫu nhiên liên tục
Định nghĩa 2.3.3. Biến ngẫu nhiên X được gọi là liên tục nếu hàm phân phối
F(x) của nó là hàm liên tục và tồn tại hàm số f (x) sao cho
i) f (x) ⩾ 0, ∀x ∈ R.
Z x
ii) F(x) = f (t)dt, ∀x ∈ R.
−∞
Hàm số f (x) nêu trên được gọi là hàm mật độ xác suất (gọi tắt là hàm mật
độ) (Probability density function) của X.
Z +∞
Chú ý rằng, ii) kéo theo F(+∞) = f (t)dt = 1.
−∞
Ví dụ 2.3.4. Phân phối nhị thức: Tiến hành một dãy n phép thử Bernoulli với
xác suất thành công ở mỗi phép thử là p, (0 ≤ p ≤ 1). Gọi X là số thành công
trong n phép thử đó. Ta có X là biến ngẫu nhiên rời rạc với miền giá trị S =
{0, 1, ..., n} và
P[X = k] = Cnk pk (1 − p)n−k , k ∈ S.
Khi đó, X được gọi là có phân phối nhị thức (Binomial distribution) với các
tham số n và p hay nói gọn X có phân phối B(n, p). Kí hiệu X ∼ B(n, p).
Ví dụ 2.3.5. Phân phối Poisson: Biến ngẫu nhiên X gọi là có phân phối Pois-
son5 với tham số λ > 0, kí hiệu X ∼ P(λ ), nếu X có miền giá trị S = N =
{0, 1, 2, . . .} và
λ e−λ
P[X = k] = , k = 0, 1, . . .
k!
Sau đây là một số phân phối của biến ngẫu nhiên liên tục.
Ví dụ 2.3.6. Phân phối chuẩn (normal distribution:) Biến ngẫu nhiên X được
gọi là có phân phối chuẩn (phân phối bình thường, phân phối Gauss) với tham
5 Poisson distribution
42
số µ và σ 2 , ký hiệu X ∼ N(µ, σ 2 ), nếu hàm mật độ xác suất của nó là
1 (x−µ)2
−
ϕµ,σ 2 (x) = √ e 2σ 2 , x ∈ R.
σ 2π
• Trường hợp đặc biệt µ = 0, σ = 1 ta nói X có phân phối chuẩn tắc (standard
normal distribution) N(0, 1).
Nếu X ∼ N(0, 1) thì hàm mật độ xác suất của X lúc này là
1 x2
ϕ(x) = √ e− 2 , x∈R
2π
được gọi là hàm mật độ Gauss.
Và hàm phân phối chuẩn tắc N(0; 1) là

Z x
1 t2
Φ(x) = √ e− 2 dt.
2π −∞
43
Hàm sau được gọi là tích phân Laplace

Z x
1 t2
Φ1 (x) = √ e− 2 dt.
2π 0
1
Mối liên hệ giữa Φ và Φ1 như sau: Φ(x) = + Φ1 (x), ∀x ∈ R.
2
Dễ dàng chỉ ra mối liên hệ sau: Φ(−x) = 1 − Φ(x), ∀x ∈ R.
Định lí 2.3.7. Cho X ∼ N(µ; σ 2 ) ta có
X −µ
i) Biến ngẫu nhiên Y = ∼ N(0; 1);
σ
b−µ a−µ
ii) P(a ≤ X < b) = Φ( ) − Φ( );
σ σ
b−µ
P(X < b) = Φ( );
σ
a−µ
P(X > a) = 1 − Φ( ).
σ
Phân phối chuẩn có rất nhiều ứng dụng trong thực tế, nó giữ vai trò vô cùng
quan trọng trong lý thuyết xác suất thống kê.
- Các số đo về đặc tính sinh học như chiều cao, cân nặng, huyết áp, nồng độ,
sai số trong đo lường vật lý, ... hầu như có phân phối chuẩn.
- Trong xã hội: Lợi tức hàng năm, sản lượng một vụ mùa, đơn vị diện tích, ...
tuân theo luật phân phối chuẩn.
Ví dụ 2.3.8. Phân phối khi (chi) bình phương χ 2 (Chi-squared distribution):
Biến ngẫu nhiên X được gọi là có phân phối khi (chi) bình phương với n bậc
tự do, ký hiệu X ∼ χ 2 (n), nếu
X = X12 + X22 + ... + Xn2
trong đó X1 , ..., Xn là các b.n.n độc lập, có phân phối chuẩn tắc N(0; 1).
Hàm mật độ của phân phối khi bình phương là

1 n −1 x


n 2 n x 2 e 2 nếu x > 0
p(x) = Γ( 2 )2

0 nếu trái lại,
44
R ∞ −x u−1
với Γ(u) = 0 e x dx, Γ(u+1) = uΓ(u)(u > 0), Γ(n+1) = n!, Γ(1) = 1, Γ( 12 ) =
√
π.
Phân phối khi bình phương giữ vai trò quan trọng trong kiểm định giả thiết
thống kê.
Ví dụ 2.3.9. Phân phối Student (Student’s t-distribution):

Biến ngẫu nhiên X được gọi là có phân phối Student (còn gọi là phân phối
U
t) với bậc tự do n, ký hiệu X ∼ t(n), nếu X = q , trong đó U ∼ N(0; 1), V ∼
V
n
χ 2 (n).
Hàm mật độ của phân phối t là hàm
n+1
Γ( ) x2 − n+1
p(x) = √ 2 n 1 + 2
nπΓ( ) n
2
Hàm mật độ của phân phối t là hàm đối xứng qua trục tung, dạng đồ thị của
nó có dạng hình chuông gần giống như hàm mật độ chuẩn.
Khi bậc tự do n ≥ 30 thì phân phối t xấp xỉ với phân phối chuẩn tắc.
Hình sau đây mô phỏng giá trị hàm mật độ xác suất của phân phối t và của
phân phối chuẩn gần bằng nhau khi bậc tự do n càng lớn (trong hình, n = 2, n =
7):
Hình: Khi bậc tự do n càng lớn thì đồ thị của hàm mật độ của phân phối t tiệm cận càng gần với
đồ thị của hàm mật độ Gauss (là hàm mật độ của phân phối chuẩn).
Ví dụ 2.3.10. Phân phối F (Phân phối Fisher(n,m)): Biến ngẫu nhiên X được
gọi là có phân phối F (phân phối Fisher; Fisher distribution, F-distribution) với
n và m bậc tự do, ký hiệu X ∼ F(n, m), nếu X = Un / Vm , trong đó U,V là hai b.n.n
45
độc lập và U ∼ χ 2 (n), V ∼ χ 2 (m).

Hàm mật độ của phân phối F là
m
Γ( m+n
2 ) m m2 x 2 −1
p(x) = n ( ) . ( với x > 0).
Γ( 2 )Γ( m2 ) n (1 + m x) 2
m+n
n
Phân phối t và F được sử dụng nhiều trong thống kê suy đoán. Phân phối t
được dùng để giải quyết các bài toán liên quan đến trung bình và tỉ lệ. Phân phối
F được dùng để giải quyết các bài toán liên quan đến phương sai. Do đó người
ta thiết lập sẳn bảng tính cho những giá trị cần thiết để tiện cho việc tra cứu.
2.4 Các biến ngẫu nhiên độc lập
2.4.1 Tính độc lập
Định nghĩa 2.4.1. Giả sử (Ω, F , P) là không gian xác suất, I là tập chỉ số không
quá đếm được.
• Họ các lớp biến cố {Ci }i∈I được gọi là độc lập toàn cục (độc lập đôi một)
nếu với mọi Ai ∈ Ci , i ∈ I, thì họ các biến cố {Ai }i∈I là độc lập toàn cục (độc
lập đôi một).
• Họ các biến ngẫu nhiên {Xi }i∈I được gọi là độc lập toàn cục (độc lập đôi
một) nếu họ các σ -đại số sinh bởi chúng {σ (Xi )}i∈I là độc lập toàn cục (độc
lập đôi một).
Ví dụ 2.4.2. Tung hai con xúc xắc. Gọi X là số chấm xuất hiện trên con xúc xắc
thứ nhất; Y là số chấm xuất hiện trên con xúc xắc thứ 2 thì X và Y độc lập.
Ví dụ 2.4.3. Tung một con xúc xắc vô hạn lần. Gọi Xi là số chấm xuất hiện trên
mặt con xúc xắc ở lần tung thứ i. Khi đó họ {Xi }∞
i=1 là họ các biến ngẫu nhiên
độc lập.
Ví dụ 2.4.4. Nếu X, Y là các biến ngẫu nhiên rời rạc: X(Ω) = {x1 , x2 , . . . , xn , . . . },
Y (Ω) = {y1 , y2 , . . . , ym , . . . }, thì X và Y độc lập khi và chỉ khi
P[(X = xi ) ∩ (Y = y j )] = P[X = xi ].P[Y = y j ], ∀i = 1, 2, ..., j = 1, 2, ...
46
2.4.2 Các tính chất
Cho không gian xác suất (Ω, F , P).
Định lí 2.4.5. Giả sử A, B ∈ F . Khi đó, IA , IB độc lập khi và chỉ khi A, B độc lập.
Định lí 2.4.6. Giả sử {Xn } là dãy biến ngẫu nhiên độc lập, fn : R → R, n =
1, 2, ..., là các hàm đo được. Khi đó, { fn (Xn )} là dãy biến ngẫu nhiên độc lập.
Chứng minh. Từ tính chất của hàm Borel suy ra fn (Xn ) là biến ngẫu nhiên,
n = 1, 2, ...
Giả sử A ∈ σ fn (Xn ) . Khi đó tồn tại B ∈ B(R)

A = [ fn (Xn )]−1 (B) = [ fn ◦ Xn ]−1 (B) = Xn−1 fn−1 (B) .

′ ′
Đặt B = fn−1 (B), do fn đo được nên B ∈ B(R), kéo theo
′
A = Xn−1 (B ) ∈ σ (Xn ),
do đó

σ fn (Xn ) ⊂ σ (Xn ) = σ (Xn ), n = 1, 2, ...
Mặt khác {Xn } độc lập nên {σ (Xn )} độc lập, do đó {σ fn (Xn ))} cũng độc
lập. Suy ra { fn (Xn )} độc lập.
2.5 Các số đặc trưng của biến ngẫu nhiên
Khi tìm hiểu về một biến ngẫu nhiên nào đó, tại sao chúng ta cần phải tìm
hiểu các số đặc trưng của nó?
47
2.5.1 Kỳ vọng
Định nghĩa 2.5.1. Giả sử X : (Ω, F , P) → (R, B(R)) là biến ngẫu nhiên. Khi
đó, tích phân Lebesgue của X theo độ đo P (nếu tồn tại) được gọi là kỳ vọng6
của X và ký hiệu là EX. Vậy,
Z
EX = XdP.
Ω
Nếu tồn tại E|X| p < ∞ (p > 0) thì ta nói X là khả tích bậc p7 . Đặc biệt, nếu
E|X| < ∞ thì ta nói X là biến ngẫu nhiên khả tích.
Lược đồ tính toán kỳ vọng. Lược đồ tính toán kỳ vọng chính là lược đồ tính
toán tích phân Lebesgue. Cụ thể:
n
• Nếu X là biến ngẫu nhiên đơn giản X = ∑ ai IAi thì ta có
i=1
n
EX = ∑ ai P(Ai ). (2.2)
i=1
• Nếu X là biến ngẫu nhiên không âm thì tồn tại dãy biến ngẫu nhiên đơn giản
{Xn } sao cho Xn ↑ X. Khi đó, ta có
EX = lim EXn .
n→∞
• Nếu X là biến ngẫu nhiên bất kì thì X = X + − X − , với
X + = max{X, 0} ≥ 0 và X − = max{−X, 0} ≥ 0.
Khi đó, ta có
EX = EX + − EX − (nếu có nghĩa).
Tính chất của kỳ vọng:
1) Nếu X ≥ 0 thì EX ≥ 0.
6 Expectation
7 pth-integrable
48
2) E(c) = c, với c = const.
3) E(cX) = cEX.
4) E(X ±Y ) = EX ± EY.
5) X ≤ Y (h.c.c) thì EX ≤ EY .
6) (Định lí Lebesgue về sự hội tụ bị chặn) Nếu |Xn | ≤ Y với mọi n ≥ 1, EY < ∞

và Xn → X thì X khả tích, E|Xn − X| → 0 và EXn → EX khi n → ∞.
Thật vậy, đây là trường hợp đặc biệt của Định lí Lebesgue về sự hội tụ bị
chặn trong lí thuyết độ đo, với dãy hàm đo được {Xn } và độ đo P.
7) (Bất đẳng Markov) Giả sử X là biến ngẫu nhiên không âm. Khi đó, nếu tồn
tại EX thì với mọi ε > 0 ta có
EX
P(X ≥ ε) ≤ .
ε
Chứng minh. Ta có
Z Z Z
EX = XdP = XdP + XdP
Ω (0≤X<ε) (X≥ε)
Z
≥ε dP
(X≥ε)
= εP(X ≥ ε).
Suy ra điều phải chứng minh.
Ý nghĩa của kỳ vọng. Kỳ vọng là trung bình theo xác suất của các giá trị của
X. Trường hợp đặc biệt, khi X là biến ngẫu nhiên đơn giản với các giá trị có xác
suất đồng khả năng thì kỳ vọng trở thành giá trị trung bình.
Ví dụ 2.5.2. Trong không gian xác suất (Ω, F , P) cho biến cố A ∈ F , với
P(A) = p. Tính kỳ vọng của biến ngẫu nhiên IA .
IA 0 1
Cách 1: Ta có bảng phân phối xác suất
P 1− p p
n
Do đó: EIA = ∑ xi pi = 0 × (1 − p) + 1 × (p) = p.
i=1
Cách 2: Dùng công thức (2.2).
49
Ví dụ 2.5.3. Biến ngẫu nhiên rời rạc nhận n giá trị x1 , x2 , . . . , xn với xác suất như
nhau
1
pi = P(X = xi ) =
n
X x1 x2 . . . xn
Ta có bảng phân phối
P 1n 1n . . . 1n
n
1 1 1 x1 + x2 + · · · + xn
Do đó: EX = ∑ xi pi = x1 × + x2 × + · · · + xn × =
i=1 n n n n
Ví dụ 2.5.4. Cho X là biến ngẫu nhiên liên tục có hàm mật độ là


 0 nếu x ∈/ [a, b]
p(x) = 1 với a < b
 nếu x ∈ [a, b]
b−a
Khi đó
Z +∞ Z a Z b Z +∞
EX = xp(x)dx = xp(x)dx + xp(x)dx + xp(x)dx
−∞ −∞ a b
Z b
x
= dx
a b−a
b
x2
=
2(b − a) a
a+b
=
2
50
2.5.2 Phương sai
Định nghĩa 2.5.5. Giả sử X là biến ngẫu nhiên. Khi đó, số

2
DX := E (X − EX) (nếu tồn tại)
được gọi là phương sai (Deviation) của X.

√
DX được gọi là độ lệch chuẩn (Standard deviation) của X. Độ lệch chuẩn
có cùng thứ nguyên (số chiều) với kỳ vọng.
Tính chất của phương sai:
1) D(x) = 0, với c = const.
2) D(cX) = c2 DX.
3) Nếu X,Y độc lập thì D(X +Y ) = DX + DY.
4) ... đang còn bổ sung
Ý nghĩa của phương sai: Trung bình bình phương độ lệch giữa X và kỳ vọng
của nó. Phương sai chỉ mức độ phân tán của các giá trị của X quanh kỳ vọng
của nó.
2.5.3 Mode, phân vị cấp p, moment
Cho X là biến ngẫu nhiên xác định trên không gian xác suất (Ω, F , P).
Định nghĩa 2.5.6. Mốt (Mode, còn gọi là yếu vị) của biến ngẫu nhiên X, kí hiệu
ModX, là các giá trị thực x0 sao cho
51
• P(X = x0 ) đạt giá trị lớn nhất trong bảng phân phối xác suất, nếu X là biến
ngẫu nhiên rời rạc.
• Hàm mật độ xác suất p(x) đạt giá trị lớn nhất tại x0 , nếu X là biến ngẫu nhiên
liên tục.
52
Định nghĩa 2.5.7. Phân vị cấp p (pth-percentile) của biến ngẫu nhiên X là các
giá trị thực x p thỏa mãn điều kiện

P(X < x ) ≤ p
p
P(X > x p ) ≤ 1 − p.
Hình: Tứ phân vị (quartitle) 8
1
Khi p = 2 ta gọi x 1 là trung vị (Median), kí hiệu MedX. Như vậy,
2

P(X < x 1 ) ≤ 1
2 2
P(X > x 1 ) ≤ 1
2 2
Định nghĩa 2.5.8. (Moment, moment trung tâm) Giá trị EX k (nếu tồn tại) được
gọi là moment cấp k (kth-moment) của biến ngẫu nhiên X.
Giá trị E(X − EX)k (nếu tồn tại) được gọi là moment trung tâm cấp k (kth-
central moment) của biến ngẫu nhiên X.
Dễ thấy moment cấp 1 chính là kỳ vọng, moment trung tâm cấp 2 chính là
phương sai.
8 Nguồn ảnh: http://my.ilstu.edu.
53
2.5.4 Các bất đẳng thức moment
Kiến thức chuẩn bị : Nhắc lại về bất đẳng thức hàm lồi, lõm (Convex, con-
cave).
BĐT hàm lồi
• Nếu ϕ là hàm lồi (lồi dưới) trên (a, b), thì với mọi x0 , x ∈ (a, b),
ϕ(x) ≥ k(x0 )(x − x0 ) + ϕ(x0 ), (2.3)
• Nếu ϕ là hàm lồi (lồi trên) trên (a, b), thì với mọi x0 , x ∈ (a, b),
ϕ(x) ≤ k(x0 )(x − x0 ) + ϕ(x0 ). (2.4)
Trong đó, k(x0 ) là đạo hàm trái hoặc đạo hàm phải của ϕ tại x0 .
Giải thích ý tưởng?

Hình
Một cách kiểm tra hàm lồi dưới, lồi trên.

Nếu hàm khả vi cấp 2 trên (a, b) thì dùng "âm lồi (lồi trên), dương lõm (lồi
dưới)".
Trường hợp tổng quát không cần khả vi, ta dùng định nghĩa hàm lồi như sau:
54
ϕ là hàm lồi (lồi dưới) trên (a, b) nếu
ϕ(λ x1 + (1 − λ )x2 ) ≤ λ ϕ(x1 ) + (1 − λ )ϕ(x2 ), ∀x1 , x2 ∈ (a, b), λ ∈ [0, 1].

(2.5)
Hàm ϕ được gọi là lõm nếu −ϕ là hàm lồi trên (a, b).
Giải thích ý tưởng?
Hình: Hàm lồi9
Một số bất đẳng thức moment:
1) Bất đẳng thức Jensen cho kì vọng:

BĐT Jensen
Giả sử ϕ : R → R là hàm lồi dưới (lõm), X và ϕ(X) là các biến ngẫu nhiên khả
tích. Khi đó,
Eϕ(X) ≥ ϕ(EX). (2.6)
Chú ý, nếu ϕ là hàm lồi trên thì dấu bất đẳng thức (2.6) là ngược lại.
Chứng minh. Vì ϕ là hàm lồi dưới trên R nên với mọi x0 , x ∈ R,
ϕ(x) ≥ ϕ−′ (x0 )(x − x0 ) + ϕ(x0 ).

9 Theo giải tích hiện đại.
55
Thay x bởi X và x0 bởi EX vào bất đẳng thức trên ta có
ϕ(X) ≥ ϕ−′ (EX)(X − EX) + ϕ(EX) (h.c.c).
Lấy kì vọng 2 vế bất đẳng thức trên ta có

E[ϕ(X)] ≥ ϕ−′ (EX)E (X − EX) + E ϕ(EX)
= 0 + ϕ(EX).
⋆ Trường hợp đặc biệt: Ta có bất đẳng thức Jensen (phổ thông).
Giả sử X là biến ngẫu nhiên đơn giản, X = x1 IA1 + x2 IA2 + ... + xn IAn , với P(Ai ) =
n
pi ∈ (0, 1), i = 1, n, ∑ pi = 1. Bảng phân phối xác suất của X
i=1
X x1 x2 . . . xn
P p1 p2 . . . pn
Ta có
n n
EX = ∑ xi pi và E(ϕ(X)) = ∑ ϕ(xi )pi ,
i=1 i=1
thay vào vào bất đẳng thức Jensen (2.6) đối với hàm ϕ lồi dưới ta có
p1 ϕ(x1 ) + ... + pn ϕ(xn ) ≥ ϕ(p1 x1 + ... + pn xn ). (2.7)
n
Trường hợp tổng quát hơn (không cần ∑ pi = 1), ta có
i=1

λ1 ϕ(x1 ) + ... + λn ϕ(xn ) λ1 x1 + ... + λn xn
≥ϕ . (2.8)
λ1 + ... + λn λ1 + ... + λn
⋆ Sáng tạo bất đẳng thức sơ cấp:

+ Xét ϕ(x) = x2 là hàm lồi dưới (lõm) trên R (do ϕ ′′ (x) = 2 > 0, ∀x ∈ R). Khi
đó, với mọi x1 , x2 , ..., xn ∈ R, ta có
2
x12 + x22 + ... + xn2

x1 + x2 + ... + xn
≥ .
n n
56
ai
Hay trong bất đẳng thức (2.8) cho ϕ(x) = x2 , xi = , λi = b2i , i = 1, n, ta suy ra
bi
được bất đẳng thức Bunhiakowski phổ thông quen thuộc.
+ Xét ϕ(x) = sin(x) là hàm lồi (lồi trên) trên (0, π) vì ϕ ′′ (x) = − sin(x) ≤ 0, ∀x ∈
(0, π). Khi đó, với mọi xi ∈ (0, π), λi ∈ [0, 1], i = 1, n, λ1 + λ2 + ... + λn = 1, ta có
n n
∑ λi sin(xi) ≤ sin( ∑ λ1xi).
i=1 i=1
Nếu chọn λi = n1 , ∀i = 1, n, ta có
1 n 1 n
∑ sin(xi) ≤ sin( n ∑ xi).
n i=1 i=1
⋆ ⋆ ⋆
Với p ≥ 1, kí hiệu L p = L p (Ω, F , P) là tập hợp các biến ngẫu nhiên X (xác
định trên không gian xác suất (Ω, F , P)) sao cho |X| p khả tích, tức là E|X| p < ∞.
Với mỗi X ∈ L p , kí hiệu
1
∥X∥ p := (E|X| p ) p .
2) Bất đẳng thức Hölder:
BĐT Hölder
Giả sử p, q ∈ (1, +∞) sao cho 1

p + 1q = 1 và X ∈ L p ,Y ∈ L q . Khi đó,
E|XY | ≤ ∥X∥ p ∥Y ∥q . (2.9)
Chứng minh. • Bất đẳng thức (2.9) đúng đối với trường hợp tầm thường E|X| p E|X|q =
0.
• Trường hợp E|X| p E|X|q ̸= 0. Xét hàm f (x) = x p , x > 0. Vì f ′′ (x) = p(p −
1)x p−2 ≥ 0, ∀x > 0 nên f (x) là hàm lồi (lồi dưới, lõm) trên (0, +∞). Do đó,
f (x) ≥ f ′ (1)(x − 1) hay x p − 1 ≥ p(x − 1), ∀x > 0.
57
Thay x = (a/b)1/p (a > 0, b > 0) vào bất đẳng thức sau cùng và biến đổi ta có
a b
+ ≥ a1/p b1/q . (2.10)
p q
|X| p |Y | p
Cuối cùng, thay a = ,b= vào bất đẳng thức vừa tìm được ở trên và
∥X∥ pp ∥Y ∥ pp
lấy kì vọng hai vế ta được
1 1 E|XY |
1= + ≥
p p ∥X∥ p ∥Y ∥q
⋆ Soi sáng bất đẳng thức Höder (phổ thông):

Trường hợp đặc biệt, giả sử (X,Y ) là véctơ ngẫu nhiên đơn giản có bảng phân
phối xác suất đồng thời
X\Y y1 y2 . . . yn
1
x1 n 0 ... 0
x2 0 1n ... 0
... ... ... . . . ...
xn 0 0 . . . 1n
Ta có
1
E|X| p = (|x1 | p + |x2 | p + ... + |xn | p )
n
1
E|Y |q = (|y1 |q + |y2 |q + ... + |yn |q )
n
1
E(|XY |) = (|x1 y1 | + |x2 y2 | + ... + |xn yn |),
n
thay vào vào Bất đẳng thức Höder (2.9) và chú ý 1p + q1 = 1, ta có

p
p
p
(|x1 y1 | + ... + |xn yn |) ≤ |x1 | p + ... + |xn | q |y1 |q + ... + |yn |q (2.11)
Nhận xét 2.5.9. Từ ý nghĩa của moment và phương pháp chứng minh bất đẳng
thức Hölder (2.9), ta có thể chứng minh bất đẳng thức Hölder (2.11) bằng phương
pháp sơ cấp như sau:
58
|xi | p |yi |q
Thay a = và b = vào bất đẳng thức (2.10),
|x1 | p + ... + |xn | p |y1 |q + ... + |yn |q
i = 1, n, ta được n bất đẳng thức. Sau đó lấy trung bình hai vế của n bất đẳng thức
vừa đạt được ta có bất đẳng thức cần chứng minh.
Chú ý, khi p = q = 2, bất đẳng thức Hölder trở thành bất đẳng thức Cauchy-
Bunhiakowski sẽ được trình bày sau đây.
3) Bất đẳng thức Cauchy-Bunhiakowski:
BĐT Cauchy-Bunhiakowski
Giả sử X,Y ∈ L 2 . Khi đó,
E|XY | ≤ ∥X∥2 ∥Y ∥2 . (2.12)
Chứng minh. Chúng ta có thể dùng phép chứng minh BĐT Hölder ở trên với
p = q = 2 để chứng minh BĐT Cauchy-Bunhiakowski. Tuy nhiên, ta có cách
chứng minh một cách đơn giản hơn sau đây.
• Bất đẳng thức (2.12) đúng đối với trường hợp tầm thường ∥X∥2 ∥Y ∥2 = 0.
• Trường hợp: ∥X∥2 ∥Y ∥2 ̸= 0. Ta có 2|ab| ≤ a2 + b2 , với mọi a, b ∈ R.
X Y
Thay a bởi , b bởi vào bất đẳng thức trên và lấy kì vọng hai vế ta có
∥X∥2 ∥Y ∥2
X2
2
|XY | Y
2E ≤E + E
∥X∥2 ∥Y ∥2 ∥X∥22 ∥Y ∥22
E(X 2 ) E(Y 2 )
= +
∥X∥22 ∥Y ∥22
∥X∥22 ∥Y ∥22
= +
∥X∥22 ∥Y ∥22
= 1 + 1 = 2.
⋆ Bất đẳng thức Bunhiakowski (phổ thông): Cho hai bộ số thực {a1 , a2 , ..., an }
59
và {b1 , b2 , ..., bn }, ta có
q q
|a1 b1 + a2 b2 + ... + an bn | ≤ a21 + a22 + ... + a2n b21 + b22 + ... + b2n .
4) Bất đẳng thức Minkovski:
BĐT Minkovski
Giả sử X,Y ∈ L p , p ∈ [1, +∞). Khi đó, X +Y ∈ L p và
∥X +Y ∥ p ≤ ∥X∥q + ∥Y ∥q . (2.13)
Chứng minh. Trước tiên ta chứng minh bất đẳng thức sơ cấp: Nếu a, b > 0 và
p ≥ 1 thì
(a + b) p ≤ 2 p−1 (a p + b p ). (2.14)
Để chứng minh (2.14), xét hàm
f (x) = (a + x) p − 2 p−1 (a p + x p ).
Ta có f ′ (x) = p(a+x) p−1 −2 p−1 px p−1 . Ta có f ′ (x) > 0, ∀x < a; f ′ (a) = 0; f ′ (x) <
0, ∀x > a. Từ đó suy ra f (b) ≤ max f (x) = f (a) = 0. Hay
(a + b) p ≤ 2 p−1 (a p + b p ).
Thay a bởi X, b bởi Y vào (2.14) và lấy kì vọng hai vế ta được
E|X +Y | p ≤ 2 p−1 (E|X| p + E|Y p |). (2.15)
Với p = 1, (2.13) được suy ra từ (2.15).

Với p > 1, ta tìm được q > 1 sao cho 1p + q1 = 1. Ta có
|X +Y | p = |X +Y ||X +Y | p−1 ≤ |X||X +Y | p−1 + |Y ||X +Y | p−1
60
Áp dụng bất đẳng thức Hölder cho hai cặp số hạng sau cùng ta có

p p 1/p
E|X +Y | ≤ (E|X| ) + (E|Y | ) p 1/p
(E|X +Y |(p−1)q )1/q
hay
∥X +Y ∥ pp ≤ (∥X∥ p + ∥Y ∥ p )(∥X +Y ∥ pp )1/q ( vì (p − 1)q = p).
• Nếu ∥X +Y ∥ pp ̸= 0 thì (∥X +Y ∥ pp )1−1/q ≤ (∥X∥ p + ∥Y ∥ p ) hay
∥X +Y ∥ pp ≤ ∥X∥ p + ∥Y ∥ p
• Nếu ∥X +Y ∥ pp = 0 thì (2.13) đúng.

Ta Có điều phải chứng minh.
5) Bất đẳng thức cr
BĐT cr
Giả sử X,Y ∈ L r , r > 0. Khi đó,
E|X +Y | ≤ cr (E|X|r + E|Y |r ), (2.16)
trong đó, cr = max{1, 2r−1 } chỉ phụ thuộc vào r.
6) Bất đẳng thức Liapunov
BĐT Liapunov
Đối với biến ngẫu nhiên X ∈ L t và 0 < s < t, ta có
∥X∥s ≤ ∥X∥t .
t
Chứng minh. Áp dụng bất đẳng thức Jensen (2.6) cho hàm ϕ(x) = |x| s là hàm
lồi dưới trên R. Thay X bởi |X|s ta có
E(|X|s )t/s ≥ (E|X|s )t/s .
Từ đó suy ra bất đẳng thức cần chứng minh.
61
7) Bất đẳng thức nghịch đảo:
BĐT nghịch đảo
Giả sử X là biến ngẫu nhiên dương, không suy biến (không là hàm hằng), có kỳ
vọng hữu hạn. Khi đó,
1 1
≤ E( ). (2.17)
EX X
Chứng minh. Áp dụng bất đẳng thức Cauchy-Bunhiakowski (2.12), ta có
1 √
r
1
1=E √ X ≤ E( )EX.
X X
Suy ra
1 1
≤ E( ).
EX X
62
2.1. (BT33) a) Biến ngẫu nhiên X có hàm phân phối F(x) liên tục tại x = 0.
Tìm hàm phân phối của
 X nếu X ̸= 0

Y= |X|
0 nếu X = 0

1
b) Tìm hàm phân phối của (X + |X|) nếu X là biến ngẫu nhiên có hàm
2
phân phối F(x)
c) Biến ngẫu nhiên X có hàm phân phối g(x) liên tục tại x = 0. Tìm hàm
phân phối xác suất của
 −X nếu X ̸= 0

Y= 3|X|
0 nếu X = 0

2.2. (BT34) Giả sử X1 , X2 , . . . , Xn là biến ngẫu nhiên có kỳ vọng hữu hạn. Chứng
minh rằng
E max{X1 , X2 , . . . , Xn } ≥ max {EX1 , EX2 , . . . , EXn };
E min{X1 , X2 , . . . , Xn } ≤ min {EX1 , EX2 , . . . , EXn }.
2.3. (BT37) Giả sử X là biến ngẫu nhiên, P(0 < X < 1) = 1. Chứng minh rằng
DX < EX.
2.4. (BT45) Giả sử X là biến ngẫu nhiên có phương sai hữu hạn. Chứng minh
rằng
DX = min E(X − a)2 .
a∈R
2.5. (BT47) Giả sử X là biến ngẫu nhiên có kỳ vọng không và phương sai hữu
hạn. Chứng minh rằng
1
E|X| ≤ (DX + 1).
2
63
P P
2.6. (BT53) Giả sử Xn −→ X,Yn −
→ Y . Chứng minh rằng P(X = Y ) = 1, có nghĩa
là X = Y (h.c.c).
P P
2.7. (BT54) Giả sử Xn −
→ X,Yn −
→ Y . Chứng minh rằng
P
aXn + bYn −
→ aX + bY (a, b ∈ R).
2.8. Từ ý nghĩa của kỳ vọng, hãy dùng phương pháp chứng minh Bất đẳng thức
Jensen cho kì vọng (ở trang 55) để chứng minh bất đẳng thức Jensen quen
thuộc ở toán phổ thông.10
Thay đổi hàm ϕ bằng những hàm ϕ lồi cụ thể nào đó để sáng tạo được các
bất đẳng thức mới liên quan đến trung bình.
2.9. Từ ý nghĩa của kỳ vọng, hãy dùng phương pháp chứng minh Bất đẳng thức
Cauchy-Bunhiakowski (ở trang 59) để chứng minh bất đẳng thức Bunhi-
akowski quen thuộc ở toán phổ thông.
10 Chú ý: Nêu rõ hàm có đồ thị lồi trên hay lồi dưới.
64
HƯỚNG DẪN BÀI TẬP CHƯƠNG 2
⋆ BT 1 (BT33) a) Biến ngẫu nhiên X có hàm phân phối F(x) liên tục tại x = 0.
Tìm hàm phân phối của
 X nếu X ̸= 0

Y= |X|
0 nếu X = 0

1
b) Tìm hàm phân phối của (X + |X|) nếu X là biến ngẫu nhiên có hàm phân
2
phối F(x)
c) Biến ngẫu nhiên X có hàm phân phối g(x) liên tục tại x = 0. Tìm hàm phân
phối xác suất của
 −X nếu X ̸= 0

Y= 3|X|
0 nếu X = 0

Giải. a) Ta có 

 −1 nếu X < 0


Y= 1 nếu X > 0



 0 nếu X = 0
Nếu x ≤ −1 thì FY (x) = P(Y < x) = P(∅) = 0
Nếu −1 < x ≤ 0 thì FY (x) = P(Y < x) = P(Y = −1) = P(X < 0) = FX (0) =
F(0)
Nếu 0 < x ≤ 1 thì FY (x) = P(Y < x) = P(Y = −1) + P(Y = 0)

= P(X < 0) + P(X = 0) = FX (0) + 0 =
F(0)
Nếu x ≥ 1 thì FY (x) = P(Y < x) = P(Ω) = 1
Do đó 

 0 nếu x ≤ −1


FY (x) = F(0) nếu − 1 < x ≤ 1



 1 nếu x > 1
65
b) Ta có 
 0 nếu X ≤ 0
Y=
 X nếu X > 0
Nếu x ≤ 0 thì FY (x) = P(Y < x) = P(Y < 0)P(∅) = 0
Nếu x ≥ 0 thì FY (x) = P(Y < x) = P(Y = 0) + P(0 < Y < x)

= P(X ≤ 0) + P(0 < X < x)
= P(X ≤ x) = FX (x) = F(x)
Do đó 

 0 nếu x ≤ −1


FY (x) = F(0) nếu − 1 < x ≤ 1



 1 nếu x > 1
c) Ta có
1


 nếu X < 0
 3


Y = − 1 nếu X > 0



 3
0 nếu X = 0

1
Nếu x ≤ − thì FY (x) = P(Y < x) = P(∅) = 0
3
1 1
Nếu − < x ≤ 0 thì FY (x) = P(Y < x) = P(Y = − )
3 3
= P(X > 0) = 1 − P(X ≤ 0) = 1 − g(0)
1 1
Nếu 0 < x ≤ thì FY (x) = P(Y < x) = P(Y = − ) + P(Y = 0)
3 3
= P(X > 0) + P(X = 0)
= 1 − g(0) + 0 = 1 − g(0)
1
Nếu x ≥ thì FY (x) = P(Y < x) = P(Ω) = 1
3
66
Do đó
1


 0 nếu x ≤ −


 3
1 1

FY (x) = 1 − g(0) nếu − <x≤

 3 3
1


1 nếu x >


3
⋆ BT 2 (BT34) Giả sử X1 , X2 , . . . , Xn là biến ngẫu nhiên có kỳ vọng hữu hạn.

Chứng minh rằng
E max{X1 , X2 , . . . , Xn } ≥ max E{X1 , EX2 , . . . , EXn };
E min{X1 , X2 , . . . , Xn } ≤ min E{X1 , EX2 , . . . , EXn }.
Giải. i) Đặt MX = max{X1 , X2 , . . . , Xn }
Khi đó MX ≥ {X1 , X2 , . . . , Xn }
⇒ MX ≥ Xi (∀i = 1, 2, . . . )
⇒ EMX ≥ EXi (∀i = 1, 2, . . . )
⇒ EMX ≥ max{EX1 , EX2 , . . . EXn , }
Do đó E max{X1 , X2 , . . . , Xn } ≥ max E{X1 , EX2 , . . . , EXn }
ii) Đặt Mn = min{X1 , X2 , . . . , Xn }
Khi đó Mn ≤ {X1 , X2 , . . . , Xn }
⇒ Mn ≤ Xi (∀i = 1, 2, . . . )
⇒ EMn ≤ EXi (∀i = 1, 2, . . . )
⇒ EMn ≤ max{EX1 , EX2 , . . . EXn , }
Do đó E min{X1 , X2 , . . . , Xn } ≤ min E{X1 , EX2 , . . . , EXn }
⋆ BT 3 (BT37) Giả sử X là biến ngẫu nhiên, P(0 < X < 1) = 1. Chứng minh
rằng DX < EX.
67
Giải. Theo giả thiết 0 < X < 1 ⇔ 0 < X 2 < X ⇔ 0 < EX 2 < EX
Mặt khác DX = EX 2 − (EX)2 ≤ EX 2 < EX
Vậy DX < EX
⋆ BT 4 (BT45) Giả sử X là biến ngẫu nhiên có phương sai hữu hạn. Chứng
minh rằng
DX = min E(X − a)2
a∈R
.
Giải. Xét E(X − a)2 − DX = E(X 2 − 2aX + a2 ) − DX
= EX 2 − 2aEX + a2 − EX 2 + (EX)2
= (EX)2 − 2aEX + a2
= (EX − a)2 ≥ 0, ∀a ∈ R
Do đó E(X − a)2 − DX ≥ 0 ⇒ E(X − a)2 ≥ DX, ∀a ∈ R
Vậy DX = min E(X − a)2

a∈R
⋆ BT 5 (BT47) Giả sử X là biến ngẫu nhiên có kỳ vọng không và phương sai

hữu hạn. Chứng minh rằng
1
E|X| ≤ (DX + 1)
2
.
Giải. Ta có 0 ≤ E(|X| − 1)2 = E(X 2 − 2|X| + 1)
= EX 2 − 2E|X| + 1
= EX 2 − (EX)2 + (EX)2 − 2E|X| + 1
= DX − 2E|X| + 1 + (EX)2
≤ DX − 2E|X| + 1
Do đó DX − 2E|X| + 1 ≥ 0
68
1
Vậy E|X| ≤ (DX + 1)
2
P P
⋆ BT 6 (BT53) Giả sử Xn −
→ X,Yn −
→ Y . Chứng minh rằng P(X = Y ) = 1
Giải. ∀ε > 0, ta có
0 ≤ P(|X −Y | > ε) = P(|X − Xn + Xn −Y | > ε)

ε ε
≤ P(|Xn − X| > ) + P(|Xn −Y | > )
2 2
n→∞
−−−→ 0
Suy ra lim P(|X −Y | > ε) = 0, ∀ε > 0. Do đó, P(X = Y ) = 1.

n→∞
P P
⋆ BT 7 (BT54) Giả sử Xn −
→ X,Yn −
P
aXn + bYn −
→ aX + bY (a, b ∈ R)
.
Giải. • Trường hợp ab = 0 : Điều cần chứng minh là hiển nhiên đúng.
• Trường hợp ab ̸= 0: ∀ε > 0, ta có
0 ≤ P(|(aXn + bYn ) − (aX + bY )| > ε)

= P((|a(Xn − X) + b(Yn −Y )| > ε)
ε ε
≤ P(|a(Xn − X)| > ) + P(|b(Yn −Y )| > )
2 2
ε ε
= P(|a||(Xn − X)| > ) + P(|b||(Yn −Y )| > )
2 2
ε ε
= P(|(Xn − X)| > ) + P(|(Yn −Y )| > )
2|a| 2|b|
n→∞ P P
−−−→ 0 (vì Xn −
→ X,Yn −
→ Y)
P
Do đó lim P(|(aXn + bYn ) − (aX + bY )| > ε) = 0. Vậy aXn + bYn −
→ aX + bY
n→∞
69
Chương 3
LUẬT SỐ LỚN VÀ MỘT SỐ VẤN ĐỀ

THỐNG KÊ
3.1 Một số bất đẳng thức cơ bản
3.1.1 Bất đẳng thức Chebyshev
Định lí 3.1.1. (Bất đẳng thức Chebyshev) Giả sử X là biến ngẫu nhiên bất kì.
Khi đó, nếu tồn tại DX thì với mọi ε > 0 ta có
DX
P(|X − EX| ≥ ε) ≤ .
ε2
Chứng minh. Áp dụng bất đẳng thức Markov cho biến ngẫu nhiên không âm
Y = |X − EX|2 , ta được
EY DX
P(|X − EX| ≥ ε) = P(Y ≥ ε 2 ) ≤ 2
= 2.
ε ε
Ý nghĩa của BĐT Chebyshev?
70
3.1.2 Bất đẳng thức Kolmogogrov
Định lí 3.1.2. (Bất đẳng thức Kolmogogrov) Giả sử X1 , X2 , ..., Xn là các biến
ngẫu nhiên độc lập; EXi = 0, DXi = σ 2 , ∀i = 1, 2, ..., n. Đặt
Sk = X1 + X2 + ... + Xk , 1 ≤ k ≤ n.
Khi đó, với mọi ε > 0, ta có
1 n 2
i) P( max |Sk | ≥ ε) ≤ ∑σ .
1≤k≤n ε 2 i=1 i
(ε + c)2
ii) Nếu P( max |Sk | ≥ ε) = 1 thì P( max |Sk | ≥ ε) ≤ 1 − n .
1≤k≤n 1≤k≤n
∑ σi2
i=1
Chứng minh. Trang 92.
3.2 Hội tụ của dãy biến ngẫu nhiên
3.2.1 Các dạng hội tụ của dãy biến ngẫu nhiên
Cho dãy biến ngẫu nhiên {Xn } và biến ngẫu nhiên X cùng xác định trên
không gian xác suất (Ω, F , P). Khi đó, ta có một số định nghĩa về sự hội tụ của
dãy biến ngẫu nhiên như sau:
Định nghĩa 3.2.1. Dãy biến ngẫu nhiên {Xn } hội tụ đến biến ngẫu nhiên X (khi
n → ∞)
• Hầu chắc chắn (almost sure convergence) nếu
P( lim |Xn − X| = 0) = 1.
n→∞
h.c.c
Ký hiệu: Xn −→ X. Hội tụ hầu chắc chắn còn được gọi là hội tụ với xác suất 1
(with probability 1).
71
• Theo xác suất (convergence in probability) nếu với mọi ε > 0, ta có
lim P(|Xn − X| > ε) = 0.

n→∞
P
Ký hiệu: Xn −→ X.
• Theo trung bình cấp p, với p > 0 ( converge in the pth mean) nếu
lim E(|Xn − X| p ) = 0.
n→∞
Lp
Ký hiệu: Xn −→ X. Hội tụ theo trung bình cấp p còn được gọi là hội tụ
trong L p .
• Yếu (theo phân phối) (converge in distribution; converge weakly; converge in

law) nếu
lim Fn (x) = F(x), ∀x ∈ C(F),
n→∞
trong đó, Fn (x) và F(x) tương ứng là hàm phân phối của biến ngẫu nhiên Xn
và X; C(F) là tập hợp các điểm mà tại đó F(x) liên tục.
D w
Ký hiệu: Xn −→ X hoặc Xn −→ X.
Ví dụ 3.2.2. Giả sử {Xn } là dãy biến ngẫu nhiên rời rạc có bảng phân phối xác
Xn 1 2
suất như sau với mọi n 1
P n 1 − n1
L L
2
Chứng minh rằng: a) Xn −→ 2. b) Xn ↛2 0.
1
Giải. a) Ta có E(|Xn − 2|2 ) = ... = .
n
2
Do đó lim E(|Xn − 2| ) = 0.
n→∞
2L
Suy ra Xn −→ 2.
Lp
Chú ý: Ta cũng dễ dàng chỉ ra Xn −→ 2 (với p > 0).
72
h.c.c h.c.c h.c.c

Ví dụ 3.2.3. Cho Xn −→ X, Yn −→ Y . Khi đó, Xn +Yn −→ X +Y khi n → ∞.
Xem chi tiết [1], tại trang 48.
Ví dụ 3.2.4. Cho a ∈ R và Xn là biến ngẫu nhiên nhận các giá trị 0 và a với các
P L
xác suất tương ứng 1 − n1 và 1n . Khi đó, Xn −→ 0 và Xn →2 0, khi n → ∞.
73
Ví dụ 3.2.5. Giả sử X là biến ngẫu nhiên rời rạc xác định bởi
1
P(X = −1) = P(X = 1) = .
2
Dãy biến ngẫu nhiên {Xn } được xác định như sau

X nếu n chẵn
Xn = .
−X nếu n lẻ
D P
Khi đó, Xn −→ X và Xn ↛ X khi n → ∞.
74
3.2.2 Một số tính chất và mối quan hệ giữa các loại hội tụ
h.c.c
Định lí 3.2.6. Xn −→ X khi và chỉ khi với mọi ε > 0,
lim P(sup |Xm − X| > ε) = 0.

n→∞ m≥n
Chứng minh. Xem chứng minh trang 50-51.

c h.c.c
Hệ quả 3.2.7. Nếu Xn −→ X thì Xn −→ X.
h.c.c Lp P
Định lí 3.2.8. Nếu Xn −→ X hoặc Xn −→ X thì Xn −→ X.
P D
Định lí 3.2.9. Nếu Xn −→ X thì Xn −→ X.
75
76
3.3 Định lí giới hạn trung tâm
Trong [2] đã viết: "Định lý giới hạn trung tâm là được coi là định lý quan
trọng nhất của xác suất thống kê, hòn đá tảng của thống kê toán học. Nó là một
trong những định lý được trích dẫn sử dụng nhiều nhất của toàn bộ toán học
hiện đại nói chung”.
Định lý giới hạn trung tâm (The central limit theorem) là một khái niệm
thống kê phát biểu rằng phân phối trung bình mẫu của một biến ngẫu nhiên sẽ
giả sử có phân phối gần chuẩn hoặc chuẩn nếu cỡ mẫu đủ lớn. Nói một cách dễ
hiểu, định lý nói rằng phân bố lấy mẫu của giá trị trung bình tiến tới phân phối
chuẩn khi kích thước của mẫu tăng lên, bất kể hình dạng của phân bố dân số
ban đầu1 .
1 Nguồn: https://corporatefinanceinstitute.com/resources/knowledge/other/central-limit-theorem
77
3.3.1 Hàm đặc trưng
Giả sử X và Y là hai b.n.n thực xác định trên (Ω, F , P). Khi đó, X + iY (i
là đơn vị ảo) là phần tử ngẫu nhiên nhận giá trị trên mặt phẳng phức. Ta định
nghĩa E(X + iY ) = EX + iEY nếu EX và EY xác định.
Ta có định nghĩa hàm đặc trưng dưới đây
Định nghĩa 3.3.1. Hàm đặc trưng(characteristic function) của b.n.n X là hàm
phức được xác định bởi
ϕX (t) = E(eitX ) = E(costX) + iE(sintX), (t ∈ R).
Nếu p(x) là hàm mật độ xác suất của b.n.n liên tục X thì
Z +∞
ϕX (t) = eitx p(x)dx, (t ∈ R).
−∞
Tính chất: Giả sử X có hàm phân phối F(x) và ϕ(t) là hàm đặc trưng của nó.
Khi đó:
i) |ϕ(t)| ≤ 1, ϕ(0) = 1.
ii) ϕ(−t) = ϕ(t).
iii) ϕaX+b (t) = eitb ϕX (at)
iv) Nếu các b.n.n X1 , X2 , ..., Xn độc lập thì

n
ϕ n (t) = ∏ ϕXk (t), (t ∈ R).
∑ Xk k=1
k=1
v) Cho biến ngẫu nhiên X có hàm đặc trưng ϕ, dãy b.n.n {Xn } có ϕn (t) là hàm
đặc trưng của Xn , với mỗi n ∈ N. Khi đó,
D n→∞
Xn −→ X kéo theo ϕn (t) −→ ϕ(t), ∀t ∈ R.
3.3.2 Định lí giới hạn trung tâm dạng gốc
Định lí dạng gốc ban đầu được phát biểu như sau:
78
Định lí 3.3.2. Giả sử {Xn } là dãy b.n.n độc lập, có cùng phân phối với kì vọng
chung là µ và phương sai (hữu hạn) chung là σ 2 (σ ̸= 0). Với mỗi n = 1, 2, ...,
đặt X n = X1 +...+X
n
n
và Yn = Xσ n/−µ
√ . Khi đó,
n
D
Yn −→ N(0, 1), khi n → ∞. (3.1)
Trong [1] đã trình bày phép chứng minh Định lí 3.3.2 dựa vào tính chất của
hàm đặc trưng.
Nhận xét 3.3.3. 1) Biểu thức (3.1) có nghĩa là, với mỗi z ∈ R, ta có
Z z
Xn − µ 1 x2
lim P(Yn < z) = lim P √ < z = Φ(z) = √ e− 2 dt.
n→∞ n→∞ σ/ n −∞ 2π
2) Đối với dãy biến ngẫu {Xn } được nêu trong Định lí 3.3.2, ta có, EX n = µ
2
và DX n = σn . Hình sau minh họa về ý nghĩa của định lí giới hạn trung tâm.
Nguồn ảnh Wikipedia.org: Bất kể dạng phân bố của dân số là gì, phân bố của trung bình mẫu có xu
hướng theo phân bố chuẩn với độ phân tán được xác định từ Định lí giới hạn trung tâm.2
3.3.3 Một số ứng dụng của định lí giới hạn trung tâm
Xem thêm [1].

2 Wikipedia: “Whatever the form of the population distribution, the sampling distribution tends to a Gaus-
sian, and its dispersion is given by the Central Limit Theorem”.
79
Hệ quả 3.3.4. (Định lí Moivre-Laplace) Giả sử biến ngẫu nhiên Sn có phân

Sn − np
phối nhị thức B(n, p). Đặt Yn = √ . Khi đó,
npq
D
Sn −→ N(0, 1).
X − np
Vậy từ hệ quả trên ta có: Nếu X ∼ B(n, p) thì biến ngẫu nhiên √ sẽ có
npq
phân phối xấp xỉ phân phối chuẩn khi n khá lớn.
Ta có,
k2 − np X − np k1 − np
P(k1 ≤ X < k2 ) = P( √ ≤ √ < √ )
npq npq npq
k2 − np k1 − np
≈ Φ( √ ) − Φ( √ ).
npq npq
Z x
2 /2
Trong đó, Φ(x) = √1
2π
e−t dt, x ∈ R, là hàm phân phối của phân phối
−∞
chuẩn tắc N(0, 1).
Nhận xét 3.3.5. Công thức xấp xỉ trên chỉ tốt khi np > 5, nq > 5 hoặc npq > 25,
dĩ nhiên p không quá gần 0 hoặc gần 1. Trong trường hợp npq khá bé ta có thể
xấp xỉ phân phối nhị thức bởi phân phối Poisson (tham khảo thêm trong [1],
[2]).
Ví dụ 3.3.6. Một người chơi trò chơi bắn liên tục 50 viên đạn vào bia với xác
suất trúng bia của mỗi viên đạn là 70%. Tính xác suất để người bắn trúng bia:
a) Từ 30 đến 45 viên đạn.
b) Nhiều nhất 40 viên đạn.
80
3.4 Luật số lớn
3.4.1 Luật yếu số lớn
Định nghĩa 3.4.1. Cho dãy biến ngẫu nhiên {Xn } gồm các biến ngẫu nhiên bất
kì có kì vọng EXi = ai , i = 1, 2, ... Dãy {Xn } được gọi là tuân theo luật yếu số
lớn (Weak law of large numbers) nếu
X1 + X2 + ... + Xn a1 + a2 + ... + an P
− −→ 0 khi n → ∞. (3.2)
n n
Dãy {Xn } được gọi là tuân theo luật yếu số lớn tổng quát nếu tồn tại dãy số
{bn }, 0 < bn ↑ ∞ sao cho
X1 + X2 + ... + Xn a1 + a2 + ... + an P
− −→ 0 khi n → ∞. (3.3)
bn bn
Định nghĩa 3.4.2. Nếu trong Định nghĩa 3.4.1, hội tụ theo xác suất được thay
bởi hội tụ hầu chắc chắn thì dãy {Xn } được gọi là tuân theo luật mạnh số lớn
(Strong law of large numbers), luật mạnh số lớn tổng quát, tương ứng.
Ý nghĩa của LYSL?
Nếu dựa vào định nghĩa để kiểm tra một dãy biến ngẫu nhiên có tuân theo
luật yếu số lớn hay không thì nói khó khăn. Định lí Markov được phát biểu sau
đây cho ta một điều kiện đủ đơn giản để một dãy biến ngẫu nhiên tuân theo luật
yếu số lớn.
Định lí 3.4.3. (Định lí Markov) Nếu {Xn } là dãy biến ngẫu nhiên độc lập đôi
một và thỏa mãn điều kiện
1 n
∑ DXi → 0
n2 i=1
(khi n → ∞), (3.4)
thì {Xn } tuân theo luật yếu số lớn.
81
X1 + · · · + Xn
Chứng minh. Đặt X n = , khi đó
n
EX1 + · · · + EXn a1 + · · · + an
EX n = = .
n n
Với mọi ε > 0, ta có
DX n
0 ≤ P(|X n − EX n | ≥ ε) ≤ 2 (áp dụng BĐT Chebyshev)
ε
1 1 X1 + · · · + Xn
= 2 DX n = 2 D
ε ε n
1 1
= 2 2 (DX1 · · · + DXn ) (vì {Xn } độc lập đôi một)
ε n
1 1 n
= 2 2 ∑ DXi −→ 0 (khi n → ∞)
ε n i=1
Do đó lim P(|(X n − EX n )| ≥ ε) = 0.
n→∞
P
Suy ra X n − EX n −
→ 0. Vậy {Xn } tuân theo luật yếu số lớn.
Ví dụ 3.4.4. Cho dãy biến ngẫu nhiên {Xn } độc lập đôi một và xác định bởi
√ √ 1 1
P(Xk = k) = P(Xk = − k) = √ ; P(Xk = 0) = 1 − √ .
2 k k
Khi đó, dãy biến ngẫu nhiên {Xn } tuân theo luật yếu số lớn.
Thật vậy, ta có
√ √
EXk = 0, EXk2 = k. Do đó DXk = EXk2 − (EXk )2 = k.
82
Khi đó, với mỗi n = 1, 2, ..., ta có
1 n 1 n √
0≤ ∑ DXk = n2 ∑ k
n2 k=1 k=1
1 √ √ √
= ( 1 + 2 + · · · + n)
n2
1 √ √ √
≤ ( n + n + · · · + n)
n2√
n n
=
n2
1
= √ −→ 0 (khi n → ∞)
n
1 n
Suy ra lim 2 ∑ DXk = 0. Vậy theo Định lý Markov thì {Xn } tuân theo luật
n→∞ n
k=1
yếu số lớn.
Hệ quả 3.4.5. Giả sử {Xn } là dãy biến ngẫu ngẫu nhiên độc lập đôi một sao
cho EXi = a và DXi ≤ C với mọi i = 1, 2, ... Khi đó, {Xn } tuân theo luật yếu số
lớn và trung bình cộng
1 n P
X n = ∑ Xi −→ a.
n i=1
Chứng minh. i) Ta có
1 n 1
0 ≤ 2 ∑ DXk = 2 (DX1 + DX2 + · · · + DXn )
n k=1 n
1
≤ 2 (C +C + · · · +C) (vì DXi ≤ C ∀i = 1, 2, . . . )
n
nC
= 2
n
C
= −→ 0 (khi n −→ ∞)
n
1 n
Suy ra lim 2 ∑ DXk = 0 theo định lý Markov thì dãy {Xn } tuân theo luật yếu
n→∞ n
k=1
số lớn.
83
ii) Vì dãy {Xn } tuân theo luật yếu số lớn nên
X1 + · · · + Xn EX1 + · · · + EXn P
− −
→ 0 (khi n → ∞)
n n
a+···+a P
⇔ Xn − −
→ 0 (khi n → ∞)
n
P
⇔ Xn − a −
→ 0 (khi n → ∞)
P
Vậy X n −
→ a.
3.4.2 Thời điểm Markov và thời điểm dừng
Kết hợp [1].
3.4.3 Martingale với thời gian rời rạc
Kết hợp [1].
3.5 Một vài vấn đề mở về thống kê
Một số vấn đề nâng cao về mẫu thống kê

Cơ sở toán học cho một số vấn đề thống kê
Kết hợp các vấn đề trong [2], [4].
Giới thiệu, thực hành công cụ, phần mềm thống kê
84
P P
3.1. (BT53/68) Giả sử Xn −
→ X, Xn −
→ Y . Chứng minh rằng P(X = Y ) = 1, tức
là X = Y (h.c.c).
P P
3.2. (BT54/68) Giả sử Xn −
→ X,Yn −
P
aXn + bYn −
→ aX + bY (a, b ∈ R).
P P
3.3. (BT56/68) Giả sử Xn −
→ X,Yn −
→ Y và X = Y (h.c.c), tức là P(X = Y ) = 1.
Chứng minh rằng
P(|Xn −Yn | > ε) → 0,
khi n → ∞.
3.4. (BT1/121) Giả sử X1 , X2 , ..., Xn là các biến ngẫu nhiên độc lập, cùng phân
phối, có hàm phân phối chung là F(x). Tìm hàm phân phối của các biến
ngẫu nhiên
Y = max{X1 , X2 , ..., Xn } và Z = min{X1 , X2 , ..., Xn }.
3.5. (BT2/121) Giả sử X,Y là hai biến ngẫu nhiên độc lập có các hàm phân
phối tương ứng là F(x), G(x). tìm hàm phân phối xác suất của các biến
ngẫu nhiên sau đây:
a) max{X,Y }; b) min{X,Y }; c) max{2X,Y }; d) min{X,Y 3 }.
3.6. (BT3/121) Giải bài toán 2 với giả thiết X,Y có phân phối đều trên [0, 1].
3.7. (BT 19/124) Cho dãy biến ngẫu nhiên {Xn } độc lập và xác định bởi
1
P(Xn = 2n ) = P(Xn = −2n ) = .
2
Chứng minh rằng dãy biến ngẫu nhiên {Xn } không tuân theo luật yếu
số lớn.
3.8. (BT 21/124) Cho dãy biến ngẫu nhiên {Xn } độc lập, cùng phân phối, có
phương sai dương, hữu hạn, Sn = X1 + X2 + ... + Xn . Áp dụng định lý giới
hạn trung tâm, chứng minh rằng
85
a) lim P(a ≤ Sn ≤ b) = 0, với mọi a, b ∈ R.

n→∞
b) lim P(Sn ≤ c) hoặc bằng 0, hoặc bằng 1, hoặc bằng 1/2, với mọi c ∈ R.
n→∞
3.9. Còn đang bổ sung ....
86
PHỤ LỤC
ĐỀ THI KẾT THÚC CHUYÊN ĐỀ

(Đề số 1)
Chuyên đề: Cơ sở lý thuyết xác suất và thống kê, mã số: LTXS507.

Lớp cao học LL&PPDHBM Toán, Lớp A, Khóa: 2016 - 2018.
Học kỳ 1, năm học 2016-2017. Thời gian làm bài: 90 phút.
Câu 1 (2.5 điểm). Định nghĩa và nêu một ví dụ về không gian xác suất (Ω, F , P) theo
quan niệm của toán học hiện đại (có kiểm tra chi tiết các tính chất). Tại sao cần thiết
phải xây dựng không gian xác suất theo quan niệm hiện đại?
Câu 2 (2.5 điểm). a) Định nghĩa kỳ vọng của biến ngẫu nhiên theo quan niệm của
toán học hiện đại?
b) Chứng minh bất đẳng thức Jensen về kỳ vọng: Giả sử ϕ : R → R là hàm lồi
dưới (lõm), X và ϕ(X) là các biến ngẫu nhiên khả tích. Khi đó,
Eϕ(X) ≥ ϕ(EX). (3.5)
Từ bất đẳng thức Jensen (3.5) cho hàm lõm, bạn có liên hệ gì với kiến thức toán sơ
cấp phổ thông.
Câu 3 (2.0 điểm). Cho dãy biến ngẫu nhiên {Xn } và biến ngẫu nhiên X. Chứng minh
h.c.c Lp P
rằng nếu Xn −→ X hoặc Xn −→ X thì Xn −→ X.
Câu 4. (2.0 điểm) Cho dãy biến ngẫu nhiên {Xn } độc lập đôi một và được xác định
như sau, với mỗi k ∈ N∗
√ √
Xk − k 0 k
1 1 1
P √ 1− √ √
2 k k 2 k
Áp dụng Định lí Markov để chứng minh dãy biến ngẫu nhiên đã cho tuân theo luật
yếu số lớn.
Phụ lục
Câu 5. (1.0 điểm) Cho biến ngẫu nhiên X có hàm phân phối xác suất là F(x). Tìm
hàm phân phối xác suất của biến ngẫu nhiên
2015 3
Y= × X + |X| .
2016
Ghi chú: Học viên không được sử dụng tài liệu khi làm bài.
HẾT
ĐÁP ÁN ĐỀ THI KẾT THÚC CHUYÊN ĐỀ

(Đề số 1)
Chuyên đề: Cơ sở lý thuyết xác suất thống kê, mã số: LTXS507.

Lớp cao học LL&PPDHBM Toán, Lớp A, Khóa 2016-2018.
Câu Nội dung Điểm

1 Định nghĩa về không gian xác suất. 1.0
Ví dụ về không gian xác suất (có kiểm tra 3 tiên đề). 1.0
Các định nghĩa xác suất theo quan niệm cổ điển có những hạn chế 0.5
và chỉ phù hợp với một số mô hình. Định nghĩa theo quan niệm
hiện đại khắc phục được những hạn chế này.
2 a) Cho KGXS (Ω, F , P), kì vọng của bnn X nếu tồn tại là tích 1.0
R
phân Lebesgue của X theo độ đo P, EX = Ω XdP.
b) ϕ(x) ≥ k(x0 )(x − x0 ) + ϕ(x0 ), với k(x0 ) là đạo hàm trái/phải của 0.5
ϕ tại x0 .
Thay x bởi X và x0 bởi EX và lấy kì vọng ta suy ra đpcm. 0.5
Liên hệ phổ thông: Nếu ϕ lõm, a1 , ..., an là n số thực tùy ý, khi đó 0.5
ϕ(a1 )+...+ϕ(an )
n ≥ ϕ( a1 +...+a
n
n
)
h.c.c
3 Giả sử Xn −→ X. Khi đó, ∀ > 0, lim P(supm≥n |Xn − X| > ε) = 0. 0.5
n→∞
n→∞
Mặt khác, 0 ≤ P(|Xn − X| > ε) ≤ P(supm≥n |Xm − X| > ε) −→ 0. 0.5
88
Phụ lục
Lp
Giả sử Xn −→ X. Khi đó, 0 ≤ P(|Xn − X| > ε) = P(|Xn − X|r > 1.0
r n→∞
ε r ) ≤ E|Xne−X|
r −→ 0
√
4 EXk = 0, DXk = k. 0.5
1 n→∞
∑nk=0 DXk < √1 −→ 0. Áp dụng ĐL Markov ta có đpcm. 1.5
n2 n
5 Y = 0 nếu X < 0, Y = 2015/252X 3 nếu X ≥ 0.
• y ≤ 0: FY (y) = 0. 0.5
• y > 0: FY (y) = P(Y = 0) + P(0 ≤ Y < y) = P(X < 0) + P(0 ≤ 0.5
√ 252 √
2015/252X 3 < y) = P(X < 252/2015 3 y) = F( 2015 × 3 y).
Ghi chú: Học viên có thể trình bày cách giải khác và nếu đúng thì vẫn được điểm
tối đa cho ý đó.
Đồng Tháp, ngày 20 tháng 10 năm 2016

Ý kiến phản biện (nếu có) Người ra đề và đáp án
(Ký tên, họ tên) (Ký tên, họ tên)
89
Phụ lục
ĐỀ THI KẾT THÚC CHUYÊN ĐỀ

(Đề số 1)
Chuyên đề: Cơ sở lý thuyết xác suất và thống kê, mã số: LTXS507

Lớp cao học LL&PPDHBM Toán, Lớp B, Khoá 2019 - 2021 (tại Kiên Giang).
Học kỳ 1, năm học 2019-2020. Thời gian làm bài: 90 phút.
Câu 1 (3.0 điểm). a) Nêu định nghĩa về không gian xác suất được xây dựng theo hệ
tiên đề Kolmogorov. Tại sao cần thiết phải xây dựng định nghĩa độ đo xác suất theo
toán học hiện đại mà không dùng các định nghĩa dạng cổ điển?
b) Cho hai dãy biến cố {Cn }, {Dn }. Chứng minh rằng nếu lim P(Dn ) = 1 thì
n→∞
lim P(Cn ) = lim P(Cn Dn ).

n→∞ n→∞
Câu 2 (3.5 điểm). a) Cho không gian xác suất (Ω, F , P) và G là σ -đại số con của F .
Nêu định nghĩa về biến ngẫu nhiên G −đo được và nêu 1 ví dụ về biến ngẫu nhiên (có
kiểm tra chi tiết tính chất trong ví dụ).
b) Chứng minh bất đẳng thức Markov: Giả sử X là biến ngẫu nhiên không âm. Khi
đó, nếu tồn tại EX thì với mọi ε > 0 ta có
EX
P(X ≥ ε) ≤ .
ε
Nêu ngắn gọn ý nghĩa của bất đẳng thức Markov.
Câu 3. (2.5 điểm). a) Nêu định nghĩa về hội tụ theo xác suất, hội tụ theo trung bình
cấp p của dãy biến ngẫu nhiên {Xn }.
b) Cho b ∈ R và dãy biến ngẫu nhiên {Xn } được xác định như sau, với mỗi n ∈ N∗ ,
Xn 0 b
1 1
P 1−
n n
P 3 L
Dùng định nghĩa, hãy chứng minh Xn −→ 0 và Xn −→ 0.
90
Phụ lục
Câu 4. (1.0 điểm). Cho dãy biến ngẫu nhiên {Xn } và hai biến ngẫu nhiên X, Y . Chứng
P P
minh rằng, nếu Xn −→ X và Xn −→ Y thì X = Y (hầu chắc chắn), tức là P(X = Y ) = 1.
Tính chất này tương tự với tính chất nào của dãy số thực (đã được học trong chương
trình toán phổ thông).
Ghi chú: Học viên không được sử dụng tài liệu khi làm bài.
HẾT
91
ĐÁP ÁN ĐỀ THI KẾT THÚC CHUYÊN ĐỀ
(Đề số 1)
Chuyên đề: Cơ sở lý thuyết xác suất thống kê, mã số: LTXS507.

Lớp cao học LL&PPDHBM Toán, Lớp B, Khóa 2019-2021 (tại Kiên Giang).
Câu Nội dung Điểm

1 a) ĐN về KGXS. 1.0
Vì các định nghĩa dạng cổ điển đều có những hạn chế và không bao gồm 0.5
tất cả các mô hình phép thử nên cần xây dựng độ đo xác suất theo toán học
hiện đại để khắc phục các hạn chế này.
b) CM P(Cn ) ≤ P(Cn Dn ) 0.75
CM P(Cn Dn ) ≤ P(Cn ) 0.75
2 a) ĐN về bnn G -đo được 1.0
Nêu 1 ví dụ và kiểm tra 1.0
R R R R
b) EX = Ω XdP = XdP + XdP ≥ + XdP ≥ εP(X ≥ ε) 1.0
0≤X<ε X≥ε X≥ε
Khi ta chưa biết thông tin về phân phối xác suất của X nhưng nếu biết được 0.5
kỳ vọng thì có thể đánh giá được xác suất của X nhận giá trị lớn hơn hoặc
bé hơn một số dương cho trước tùy ý.
3 a) ĐN về hội tụ theo XS 0.5
ĐN về hội tụ theo TB cấp p 0.5
1 n→∞
b) • ∀ε > 0, 0 ≤ P(|Xn | > ε) ≤ P(|Xn | = |b|) = n −→ 0. 0.75
n→∞
• 0 ≤ E|Xn |3 = |b|3 × 1n −→ 0. 0.75
n→∞
4 CM, với mọi ε > 0, 0 ≤ P(|X −Y | > ε) ≤ ... −→ 0. 0.75
Giống tính chất "giới hạn của dãy số thực nếu có là duy nhất". 0.25
Ghi chú: Học viên có thể trình bày cách giải khác và nếu đúng thì vẫn được điểm
tối đa cho ý đó. Nếu lời giải còn sai sót nhỏ ở các bước trung gian thì trừ điểm tùy
theo mức độ sai.
Đồng Tháp, ngày 19 tháng 12 năm 2019

Ý kiến phản biện (nếu có) Người ra đề và đáp án
Tài liệu tham khảo
[1] Nguyễn Văn Quảng, Xác suất nâng cao, NXB ĐHQG Hà Nội, 2008.
[2] Đỗ Đức Thái, Nguyễn Tiến Dũng, Nhập môn Xác suất thống kê hiện đại, NXB
Đại học Sư phạm, 2010.
[3] Nguyễn Duy Tiến, Vũ Việt Yên, Lí thuyết xác suất, Nhà xuất bản Giáo dục, 2001.
[4] Nguyễn Văn Hữu, Đào Hữu Hồ, Hoàng Hữu Như, Thống kê toán học, Nhà xuất
bản Đại học quốc gia Hà Nội, 2004.
[5] Nguyễn Viết Phú, Nguyễn Duy Tiến, Cơ sở lý thuyết xác suất, Nhà xuất bản Đại
học quốc gia Hà Nội, 2004.
[6] M. T. Barnow, D. Nualart, Lectures on probability theory and statistics, Springer-

Verlag Berlin Heidelberg, 1998.
[7] Kai Lai Chung, A course in probability theory, Academic press, USA, 2001.
Link một số file tài liệu tham khảo khác gửi lớp (lưu hành và sử dụng nội bộ): 3
3 Lớp lưu hành và sử dụng nội bộ, vui lòng không chia sẻ lên mạng vì có thể vi phạm bản quyền của một vài
tài liệu trong đó).
93

2022-10-10 Full Bai Giang Co So LTXS - Caohoc Ok

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

2022-10-10 Full Bai Giang Co So LTXS - Caohoc Ok

Uploaded by

Copyright:

Available Formats

TRƯỜNG ĐẠI HỌC ĐỒNG THÁP

KHOA SƯ PHẠM TOÁN - TIN

BÀI GIẢNG TÓM TẮT1

CƠ SỞ LÍ THUYẾT XÁC SUẤT VÀ

LƯU HÀNH NỘI BỘ

KHÔNG GIAN XÁC SUẤT

Nhà toán học người Nga - Andrey Nikolaevich Kolmogorov (1903-1987)

1.1 Kiến thức chuẩn bị

1.1.1 Các phép toán trên tập hợp

1) Phép toán hợp (union)

Trong trường hợp A, B rời nhau ta có thể dùng ký hiệu A + B (tương tự ∑ Ai ).

2) Phép toán giao (intersection)

Ngoài ra ta còn dùng thêm ký hiệu AB (tương ứng ∏ Ai ).

3) Phép hiệu (difference)

4) Phép lấy phần bù (complement)

Phần bù của tập A ∈ Ω ký hiệu là A hoặc Ac và được xác định

5) Phép lấy hiệu đối xứng (symmetric difference)

A△B = (A\B) + (B\A).

1.1.2 Các tính chất

1) Tính giao hoán (commutative property)

2) Tính kết hợp (combinative property)

3) Tính phân phối (distributive property)

4) Công thức De Morgan

5) Một số đẳng thức thường dùng

1.1.3 Giới hạn của dãy tập

• Giới hạn trên của dãy:

Ta thấy, ω ∈ lim sup An khi và chỉ khi có vô số An chứa ω.

• Giới hạn dưới dãy:

Từ định nghĩa trên ta có

lim inf An ⊂ lim sup An .

lim sup An = lim inf An .

1.1.4 Đại số và σ -đại số

Nhận xét 1.1.3. - Vì A ∪ B = A ∩ B, A ∩ B = A ∪ B, nên điều kiện (iii) có thể

- Nếu A là đại số và A, B ∈ A thì B\A ∈ A , A\B ∈ A .

Chứng minh. Xem [1], trang 8.

1.1.5 Tập Borel và σ -đại số Borel

Nhắc lại về không gian tôpô (X, τ).

Vậy B(X) = σ (τ).

Mỗi tập thuộc B(R) được gọi là tập Borel của R.

1.2 Không gian xác suất

b) Định nghĩa xác suất dạng thống kê.

c) Định nghĩa xác suất dạng hình học.

1.2.2 Độ đo xác suất

Nhắc lại về định nghĩa độ đo µ tổng quát trên σ -đại số F .

(i) P(A) ≥ 0, ∀A ∈ F (tính không âm);

(ii) P(Ω) = 1 (tính chuẩn hóa);

Ta gọi bộ ba (Ω, F , P) là không gian xác suất (Probabilty space).

sao cho B ⊂ A và P(A) = 0.

Nhà toán học Kolmogorov và các sinh viên.

1.2.3 Các tính chất cơ bản của độ đo xác suất

2) Tính chất 2: Nếu AB = 0/ thì P(A ∪ B) = P(A) + P(B).

3) Tính chất 3: P(A) = 1 − P(A), A ∈ F .

4) Tính chất 4: A ⊂ B; A, B ∈ F ⇒ P(A) ≤ P(B) và P(B \ A) = P(B) − (A).

5) Tính chất 5: A, B ∈ F ⇒ P(A ∪ B) = P(A) + P(B) − P(AB).

− · · · + (−1)n−1 P(A1 A2 ...An ).

8) Tính chất 8: Tính liên tục của xác suất

Chứng minh các tính chất 1 đến 8:

• TC2) Nếu A ∩ B = 0/ thì P(A ∪ B) = P(A) + P(B).

• TC3) P(A) = 1 − P(A).

• TC4) A ⊂ B, chứng minhP(A) ≤ P(B).

• TC5) A, B ∈ F ⇒ P(A ∪ B) = P(A) + P(B) − P(AB).

HD: Tính chất này suy ra bằng quy nạp và 5.

HD: Đặt B1 = A1 , B2 = A2 \B1 , B3 = A3 \(B1 ∪ B2 ), ..., Bn = An \ ∪n−1

Cộng () và (*), ta có