21:20

Chương 2 .

ĐẠI LƯỢNG NGẪU NHIÊN

1
 21:20

Ở chương 1 , ta đã nghiên cứu các

loại biến cố và phương pháp tính
xác suất xảy ra của các biến cố đó .
Nó cho phép ta chuyển sang nghiên
cứu khái niệm trung tâm của lý
thuyết xác suất , đó là khái niệm về
đại lượng ngẫu nhiên .

2
 21:20

Giả sử sau phép thử , đại lượng X

sẽ nhận giá trị nào đó .
Nếu giá trị của đại lượng X là ngẫu
nhiên , không thể xác định được
trước khi thực hiện phép thử thì
ta gọi X là đại lượng ngẫu nhiên
( biến ngẫu nhiên ) .

3
 21:20

VÍ DỤ .
Kiểm tra 3 sản phẩm .
X là số phế phẩm .
Trước khi thực hiện phép thử , ta không
xác định được giá trị của X , chỉ biết X
có thể nhận các giá trị : 0 , 1 , 2 , 3 .
X là biến ngẫu nhiên .

4
 21:20

PHÂN LOẠI :

- Biến ngẫu nhiên rời rạc .

- Biến ngẫu nhiên liên tục .

5
 21:20

Biến ngẫu nhiên được gọi là

rời rạc nếu các giá trị có thể
có của nó lập nên một tập
hợp hữu hạn hoặc vô hạn
đếm được ( gồm các giá trị
rời nhau ) .

6
 21:20

VÍ DỤ .
X là số người vào mua hàng tại
một siêu thị trong một ngày .
X=0,1,2,…
Các giá trị có thể có của X lập
nên một tập hợp đếm được .
X là biến ngẫu nhiên rời rạc .

7
 21:20

VÍ DỤ .
Một phân xưởng có 5 máy
hoạt động .
Y là số máy hỏng trong một ca.
Y=0,1,2,3,4,5.
Y là biến ngẫu nhiên rời rạc .

8
 21:20

Biến ngẫu nhiên được gọi là

liên tục nếu các giá trị có thể
có của nó lấp đầy một khoảng
( a , b ) trên trục số thực R ( ta
không thể liệt kê được tất cả
các giá trị có thể có của nó ) .

9
 21:20

VÍ DỤ .
Bắn một phát súng vào bia .
X là khoảng cách từ điểm chạm của viên
đạn đến tâm bia .
Ta không thể kể ra được tất cả các giá trị
có thể có của X .
Ta chỉ có thể nói rằng các giá trị có thể có
của X nằm trong khoảng ( a , b ) nào đó .
X là biến ngẫu nhiên liên tục .

10
 21:20

VÍ DỤ .
X là sai số khi đo lường một
đại lượng vật lý .
X là biến ngẫu nhiên liên tục .

11
 21:20

VÍ DỤ .
Y là kích thước của chi tiết do
một máy sản xuất ra .
Y là biến ngẫu nhiên liên tục .

12
 21:20

VÍ DỤ .
Z là năng suất lúa vụ mùa của
một tỉnh .
Z là biến ngẫu nhiên liên tục .

13
 21:20

Có thể nói rằng , rất nhiều

các đại lượng mà ta gặp
trong thực tế là các biến
ngẫu nhiên và chúng sẽ là
biến ngẫu nhiên rời rạc
hoặc liên tục .

14
 21:20

Các biến ngẫu nhiên thường

được ký hiệu : X , Y , Z , …

Các giá trị mà biến ngẫu

nhiên nhận thường được ký
hiệu : x , y , z , …

15
 21:20

Ta có thể nghĩ rằng chỉ cần

xác định các giá trị có thể có
của một biến ngẫu nhiên là
đủ để xác định biến ngẫu
nhiên ấy .
Tuy nhiên điều này chưa đủ .

16
 21:20

Trong thực tế , có những

đại lượng rất khác nhau
mà các giá trị có thể có của
chúng lại giống nhau .

17
 21:20

Do đó , nếu chỉ mới biết

được các giá trị có thể có
của nó thì ta mới nắm
được rất ít thông tin về
biến ngẫu nhiên ấy .

18
 21:20

Vì vậy , ta còn phải xác

định các xác suất tương
ứng với các giá trị có thể
có của biến ngẫu nhiên để
hoàn toàn xác định nó .

19
 21:20

Quy luật phân phối xác suất

của biến ngẫu nhiên là mối
quan hệ giữa các giá trị có
thể có của nó và các xác suất
tương ứng với các giá trị đó .

20
 21:20

Người ta sử dụng ba phương

pháp để mô tả quy luật phân phối
xác suất của biến ngẫu nhiên :
- Bảng phân phối xác suất .
- Hàm mật độ xác suất .
- Hàm phân bố xác suất .

21
 21:20

X là biến ngẫu nhiên rời rạc .

Bảng phân phối xác suất
của X có dạng :
X x1 x2 …
Xác suất p1 p2 … 1

22
 21:20

VÍ DỤ .
Một hộp có 12 viên ngọc trai , trong đó 8
viên màu trắng và 4 viên màu hồng .
Lấy ngẫu nhiên không hoàn lại từ hộp ra
2 viên .
X là số viên màu trắng trong 2 viên lấy ra .
Lập bảng phân phối xác suất của X ?

23
 21:20

X=0,1,2.
X là biến ngẫu nhiên rời rạc .
C 24
P ( X = 0 ) = P ( 2 viên hồng ) = ––––
C212
C 1 8 C 14
P ( X = 1 ) = P ( 1 viên trắng , 1 viên hồng ) = ––––––
C212
C 28
P ( X = 2 ) = P ( 2 viên trắng ) = ––––
C212
X 0 1 2
Xác suất 6 / 66 32 / 66 28 / 66 1

24
 21:20

Y là biến ngẫu nhiên liên tục .

Hàm f ( x ) gọi là hàm mật độ
xác suất của Y nếu :
b
P(a≤Y≤b)= f ( x ) dx
a

25
 21:20

f(x)

P(a≤Y≤b)

0 a b x

26
 21:20

TÍNH CHẤT .

f(x)≥0
+∞

 f ( x ) dx = 1
-∞

27
 21:20

f(x)
P(–∞≤Y≤+∞)=P(Ω)
….……… =1
………..……….
…...………………….
…..………….……..…..…
…….………………………..……….
…………………….………………………………….
…………………………………..…..……………………………………………….

–∞ 0 +∞

28
 21:20

Ý NGHĨA .
Hàm mật độ xác suất của
biến ngẫu nhiên liên tục
trong mỗi khoảng ( a , b )
cho biết mức độ tập trung
xác suất trong khoảng đó .

29
 21:20

Hàm phân bố xác suất của biến

ngẫu nhiên Y được định nghĩa là :
F(x)=P(Y<x)
Hàm phân bố dùng để xác định qui
luật phân phối xác suất cho cả biến
ngẫu nhiên rời rạc và liên tục .

30
 21:20

VÍ DỤ .
Biến ngẫu nhiên Y có bảng phân phối xác suất :
X 0 1 2
Xác suất 6/66 32/66 28/66 1
Hàm phân bố xác suất của Y là :
0 khi x ≤ 0
 6/66 khi 0 < x ≤ 1
F(x ) = P(Y < x) = 
38/66 khi 1 < x ≤ 2

1 khi x > 2

31
 21:20

Hàm phân bố xác suất của Y

32
 21:20

Như đã biết , quy luật phân phối

xác suất của biến ngẫu nhiên
( dưới dạng bảng phân phối xác
suất , hàm mật độ xác suất hay
hàm phân bố xác suất ) hoàn
toàn xác định biến ngẫu nhiên .

33
 21:20

Như vậy , khi đã xác định được

quy luật phân phối xác suất
của một biến ngẫu nhiên thì ta
đã nắm được toàn bộ thông
tin về biến ngẫu nhiên đó .

34
 21:20

Tuy nhiên trong thực tế , ta

không chỉ cần đến những thông
tin đó mà còn phải quan tâm
đến những thông tin cô đọng
phản ánh tổng hợp những đặc
trưng quan trọng nhất của biến
ngẫu nhiên được nghiên cứu .

35
 21:20

Những thông tin cô

đọng phản ánh từng
phần về biến ngẫu
nhiên được gọi là các
tham số đặc trưng .

36
 21:20

Các tham số đặc trưng của biến ngẫu nhiên

được chia thành ba loại sau :
- Các tham số đặc trưng cho xu hướng
trung tâm của biến ngẫu nhiên ( kỳ vọng ,
trung vị , giá trị tin chắc nhất , … )
- Các tham số đặc trưng cho độ phân tán
của biến ngẫu nhiên ( phương sai , độ lệch
chuẩn , hệ số biến thiên , … )
- Các tham số đặc trưng cho dạng phân
phối xác suất .

37
 21:20

KỲ VỌNG
PHƯƠNG SAI
ĐỘ LỆCH CHUẨN
GIÁ TRỊ TIN CHẮC NHẤT

38
 21:20

Sau khi biết phân phối xác

suất của biến ngẫu nhiên
X , người ta muốn biết giá
trị trung bình mà biến
ngẫu nhiên nhận .

39
 21:20

Nếu X là biến ngẫu nhiên rời

rạc thì kỳ vọng được định
nghĩa là :

E ( X ) = ( x1 p1 ) + ( x2 p2 ) + …

40
 21:20

Nếu Y là biến ngẫu nhiên liên

tục thì kỳ vọng được định
nghĩa là :
+∞
E(Y)=  x . f ( x ) dx
–∞

41
 21:20

VÍ DỤ .
Nghiên cứu thu nhập của 500 công nhân ngành may .
Thu nhập ( triệu đồng / tháng ) 7 8 9 10 11 12 14
Số công nhân 50 70 150 120 55 30 25
Thu nhập trung bình của một công nhân :
( 7 . 50 ) + ( 8 . 70 ) + ( 9 . 150 ) + ( 10 . 120 ) + ( 11 . 55 ) + ( 12 . 30 ) + ( 14 . 25 )
––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– = 9,55
500
Gọi X là thu nhập của công nhân ngành may .
X là biến ngẫu nhiên rời rạc .
X ( triệu đồng / tháng ) 7 8 9 10 11 12 14
Xác suất 0,1 0,14 0,3 0,24 0,11 0,06 0,05

E ( X ) = ( 7 . 0,1 ) + ( 8 . 0,14 ) + ( 9 . 0,3 ) + ( 10 . 0,24 ) + ( 11 . 0,11 ) + ( 12 . 0,06 ) + ( 14 . 0,05 )

= 9,55

42
 21:20

Khái niệm kỳ vọng lúc đầu

xuất hiện trong các trò
chơi may rủi để tính giá trị
mà người chơi mong đợi
sẽ nhận được .

43
 21:20

Hiện nay , khái niệm này được

áp dụng rộng rãi trong nhiều
lĩnh vực kinh doanh và quản lý
như một tiêu chuẩn để ra
quyết định trong tình huống
cần lựa chọn giữa nhiều chiến
lược khác nhau .

44
 21:20

Tiêu chuẩn này thường được

biểu diễn dưới dạng lợi nhuận
kỳ vọng hay doanh số kỳ vọng
để làm căn cứ lựa chọn chiến
lược kinh doanh .

45
 21:20

TÍNH CHẤT .

E(C)=C
E(CX)=C.E(X)
E(X±Y)=E(X)±E(Y)
E ( XY ) = E ( X ) . E ( Y ) nếu X , Y độc lập .

46
 21:20

Trong thực tế , nhiều khi chỉ xác

định kỳ vọng của biến ngẫu nhiên
thì chưa đủ để xác định biến ngẫu
nhiên đó .
Ta còn phải xác định mức độ phân
tán các giá trị của biến ngẫu nhiên
xung quanh giá trị trung bình của
nó nữa .

47
 21:20

Chẳng hạn , khi nghiên cứu biến ngẫu

nhiên là năng suất lúa của một địa
phương nào đó thì năng suất lúa trung
bình ( kỳ vọng ) mới chỉ phản ánh được
một khía cạnh của đại lượng đó mà thôi .
Mức độ biến động về năng suất của các
thửa ruộng khác nhau xung quanh giá trị
trung bình cũng là một khía cạnh quan
trọng cần nghiên cứu .

48
 21:20

Phương sai của biến ngẫu

nhiên X được định nghĩa là :
D(X)=E{[X–E(X)] } 2

D(X)=E( X )
2 –[E(X)] 2

49
 21:20

Nếu X là biến ngẫu nhiên rời rạc thì

phương sai D ( X ) bằng :

[ ( x12 . p1 ) + ( x22 . p2 ) + … ] – [ E ( X ) ] 2

50
 21:20

Nếu Y là biến ngẫu nhiên liên tục

thì phương sai D ( Y ) bằng :

+∞


–∞
x2 . f ( x ) dx – [ E ( Y ) ] 2

51
 21:20

VÍ DỤ .

X là thu nhập của công nhân ngành may .

X ( triệu đồng / tháng ) 7 8 9 10 11 12 14

Xác suất 0,1 0,14 0,3 0,24 0,11 0,06 0,05

E ( X ) = 9,55

D ( X ) = [ ( x12 . p1 ) + ( x22 . p2 ) + … ] – [ E ( X ) ] 2

= ( 72 . 0,1 ) + ( 82 . 0,14 ) + ( 92 . 0,3 ) + ( 102 . 0,24 ) + ( 112 . 0,11 ) + ( 122 . 0,06 ) + ( 142 . 0,05 ) – ( 9,55 )2

= 2,7075

52
 21:20

Cùng với kỳ vọng , phương sai có

những ứng dụng to lớn trong nhiều
lĩnh vực thực tiễn .
Nếu như trong kỹ thuật , phương sai
đặc trưng cho mức độ phân tán của
các chi tiết gia công hay sai số của thiết
bị thì trong quản lý và kinh doanh , nó
đặc trưng cho mức độ rủi ro của các
quyết định .

53
 21:20

TÍNH CHẤT .

D(C)=0

D ( C X ) = C2 . D ( X )

D ( X ± Y ) = D ( X ) + D ( Y ) nếu X , Y độc lập .

54
 21:20

Độ lệch chuẩn của biến

ngẫu nhiên X được định
nghĩa là :

σ(X)= D(X)

55
 21:20

VÍ DỤ .
X là thu nhập của công nhân ngành may .

X ( triệu đồng / tháng ) 7 8 9 10 11 12 14

Xác suất 0,1 0,14 0,3 0,24 0,11 0,06 0,05

E ( X ) = 9,55

D ( X ) = 2,7075

σ ( X ) ≈ 1,6454

56
 21:20

Độ lệch chuẩn σ ( X ) cũng biểu thị

mức độ phân tán các giá trị của
biến ngẫu nhiên X xung quanh giá
trị trung bình E ( X ) nhưng có điểm
thuận tiện hơn phương sai là độ
lệch chuẩn σ ( X ) có cùng đơn vị đo
với X và E ( X ) .

57
 21:20

VÍ DỤ .
Biến ngẫu nhiên X ( kg ) .
Kỳ vọng E ( X ) ( kg ) .
Phương sai D ( X ) ( kg2 ) .
Độ lệch chuẩn σ ( X ) ( kg ) .

58
 21:20

Giá trị tin chắc nhất của

biến ngẫu nhiên X rời rạc
là giá trị mà X nhận với
xác suất lớn nhất trong
bảng phân phối xác suất .
Ký hiệu : Mod ( X )

59
 21:20

VÍ DỤ .

X là thu nhập của công nhân ngành may .

X ( triệu đồng / tháng ) 7 8 9 10 11 12 14

Xác suất 0,1 0,14 0,3 0,24 0,11 0,06 0,05

Mod ( X ) = 9

60
 21:20

Giá trị tin chắc nhất của

biến ngẫu nhiên Y liên tục
là giá trị Y nhận mà tại đó
hàm mật độ f ( x ) đạt giá
trị lớn nhất .

61
 21:20

f(x)

0 Mod ( Y ) x

62
 21:20

Mod ( X ) chính là giá

trị có khả năng nhiều
nhất trong các giá trị
mà X có thể nhận .

63
 21:20

MỘT SỐ QUY LUẬT PHÂN PHỐI XÁC SUẤT THÔNG DỤNG

PHÂN PHỐI NHỊ THỨC

PHÂN PHỐI ĐA THỨC
PHÂN PHỐI POISSON
PHÂN PHỐI SIÊU BỘI
PHÂN PHỐI HÌNH HỌC
PHÂN PHỐI CHUẨN
PHÂN PHỐI ĐỀU
PHÂN PHỐI MŨ
PHÂN PHỐI χ2
PHÂN PHỐI STUDENT
PHÂN PHỐI FISHER – SNEDECOR

64
 21:20

PHÂN PHỐI NHỊ THỨC

Tiến hành n phép thử độc lập .
Trong mỗi phép thử , xác suất xảy ra biến cố A là P ( A ) = p .
Ta có dãy phép thử Bernoulli .
Số lần biến cố A xảy ra trong dãy phép thử gọi là X .
X=0,1,…,n.
X là biến ngẫu nhiên rời rạc .
P ( X = k ) = Ckn . pk . ( 1 – p )n – k ( Công thức Bernoulli )
X được gọi là có phân phối nhị thức với tham số n và p .
Ký hiệu : X ~ B ( n , p )

65
 21:20

VÍ DỤ . X ~ B ( n = 10 , p = 0,4 )

P ( X = 0 ) = C010 . 0,40 . ( 1 – 0,4 )10 ≈ 0,0060

P ( X = 1 ) = C110 . 0,41 . ( 1 – 0,4 )9 ≈ 0,0403

…
P ( X = 10 ) = C1010 . 0,410 . ( 1 – 0,4 )0 ≈ 0,0001

66
 21:20

0 1 2 3 4 5 6 7 8 9 10

67
 21:20

TÍNH CHẤT .

E(X)=np

D(X)=np(1–p)

n p + p – 1 ≤ Mod ( X ) ≤ n p + p

68
 21:20

VÍ DỤ .
Một máy sản xuất 200 sản phẩm trong một ngày .
Xác suất để máy sản xuất ra phế phẩm là 0,053 .
a ) Tính xác suất có 5 phế phẩm trong một ngày ?
b ) Tìm số phế phẩm trung bình và số phế phẩm tin
chắc nhất của máy đó trong một ngày ?
c ) Biết chi phí sản xuất một sản phẩm là 1 USD , giá
bán một chính phẩm là 2 USD và phế phẩm bị loại bỏ .
Lợi nhuận trung bình từ một máy trong một ngày là
bao nhiêu ?

69
 21:20

a ) Sản xuất 200 sản phẩm là 200 phép thử độc lập .
Xác suất sản xuất ra phế phẩm là 0,053 .
Ta có dãy phép thử Bernoulli .
Số phế phẩm trong một ngày gọi là X .
X = 0 , 1 , … , 200 .
X là biến ngẫu nhiên rời rạc .
X ~ B ( n = 200 , p = 0,053 )
Xác suất có 5 phế phẩm trong một ngày :
P ( X = 5 ) = Ckn . pk . ( 1 – p )n – k
= C5200 . 0,0535 . ( 1 – 0,053 )195
≈ 0,0259

70
 21:20

b ) Số phế phẩm trung bình trong một ngày :

E(X)=np
= 200 . 0,053
= 10,6
Số phế phẩm tin chắc nhất trong một ngày :
n p + p – 1 ≤ Mod ( X ) ≤ n p + p
200 . 0,053 + 0,053 – 1 ≤ Mod ( X ) ≤ 200 . 0,053 + 0,053
9,653 ≤ Mod ( X ) ≤ 10,653
Mod ( X ) = 10

71
 21:20

c ) Lợi nhuận từ một máy trong một ngày gọi là Y .

Y = doanh thu – chi phí
= 2 . ( 200 – X ) – 200
= 200 – 2 X
Lợi nhuận trung bình từ một máy trong một ngày :
E ( Y ) = E ( 200 – 2 X )
= 200 – 2 . E ( X )
= 200 – 2 . 10,6
= 178,8 ( USD )

72
 21:20

PHÂN PHỐI CHUẨN

Biến ngẫu nhiên liên tục Y nhận giá trị
trong R được gọi là có phân phối chuẩn
nếu hàm mật độ của nó có dạng :
1 x –μ 
2 x : biến số
1 –  
f(x)= e 2 σ 
e , π : hằng số
σ 2π μ , σ : tham số
Ký hiệu : Y ~ N ( μ , σ2 )

73
 21:20

f(x)

O x

74
 21:20

f ( x ) HÀM MẬT ĐỘ PHÂN PHỐI CHUẨN :

Đồ thị có dạng hình chuông .
Có tiệm cận ngang là trục hoành .
Có một điểm cực đại .
Có một trục đối xứng
( đường thẳng đứng đi qua điểm cực đại ) .

75
 21:20

TÍNH CHẤT . E(Y)=μ

D ( Y ) = σ2

Mod ( Y ) = μ

76
 21:20

f(x)

O
.
Mod ( Y ) = μ x
E(Y)=μ

77
 21:20

ỨNG DỤNG CỦA PHÂN PHỐI CHUẨN

Phân phối chuẩn do nhà toán học Gauss tìm
ra năm 1809 nên gọi là phân phối Gauss .
Quy luật phân phối chuẩn là quy luật phân
phối xác suất được áp dụng rất rộng rãi
trong thực tế .
Trong nhiều lĩnh vực của khoa học và đời
sống , ta đều gặp các biến ngẫu nhiên phân
phối chuẩn .

78
 21:20

Chẳng hạn trong công nghiệp ,

người ta đã xác định được
rằng kích thước của các chi tiết
do các nhà máy sản xuất ra sẽ
phân phối chuẩn nếu quá trình
sản xuất diễn ra bình thường .

79
 21:20

Trong nông nghiệp , năng

suất của cùng một loại
cây trồng tại các thửa
ruộng khác nhau cũng
phân phối chuẩn .

80
 21:20

Năng suất lao động của

các công nhân có cùng
tay nghề và làm cùng
một công việc như nhau
cũng phân phối chuẩn .

81
 21:20

Nhu cầu về các loại hàng

hóa khác nhau cũng
phân phối chuẩn .

82
 21:20

Người ta ghi nhận rằng

các năng lực về trí tuệ và
thể lực con người cũng
phân phối theo quy luật
chuẩn .

83
 21:20

Thậm chí cả một số chỉ tiêu

về sinh lý của những người
cùng giới ( chẳng hạn chiều
cao , vòng ngực , chiều dài
cánh tay … ) cũng phân phối
theo quy luật chuẩn .

84
 21:20

Sự nhận biết này cho phép lập kế

hoạch sản xuất quần áo may sẵn ,
sản xuất hàng loạt sao cho đáp
ứng một cách hợp lý nhất kích cỡ
của người mua , tránh tình trạng
thừa thiếu do không vừa kích cỡ .

85
 21:20

Hai tham số μ và σ có ý
nghĩa rất quan trọng trong
phân phối chuẩn .
Khi μ và σ thay đổi , hàm
mật độ xác suất f ( x ) cũng
thay đổi .

86
 21:20

Khi μ thay đổi thì dạng của đường cong

f ( x ) không thay đổi song nó sẽ chuyển
dịch sang phải hoặc sang trái theo trục
Ox .
Khi μ tăng lên , đồ thị sẽ dịch sang phải .
Còn khi μ giảm , đồ thị sẽ dịch sang trái .

87
 21:20

f(x)

88
 21:20

Khi σ thay đổi thì dạng của

đồ thị sẽ thay đổi theo .
Nếu σ tăng lên thì đồ thị sẽ
thấp xuống và phình ra .
Còn khi σ giảm đi thì đồ thị
sẽ cao lên và nhọn thêm .

89
 21:20

f(x)

O x

90
 21:20

2
1 x –μ 
1 – 
2 σ 

f(x)= e
σ 2π
Hàm f ( x ) đơn giản nhất ( đặc biệt nhất )
khi μ = 0 và σ = 1 .
– x2
1
f(x)= e 2

2π

91
 21:20

PHÂN PHỐI CHUẨN TẮC

Biến ngẫu nhiên liên tục Z nhận giá trị
trong R được gọi là có phân phối chuẩn
tắc nếu hàm mật độ của nó có dạng :
– x2
1
g(x) = e 2

2π
Ký hiệu : Z ~ N ( 0 , 1 )

92
 21:20

g(x)

O x
Hàm mật độ phân phối chuẩn tắc

93
 21:20

TÍNH CHẤT .
E(Z)=0
D(Z)=1
Mod ( Z ) = 0

94
 21:20

u – x2
1
ϕ(u) = 
0 2π
e 2
dx

g(x)

ϕ(u)
O u x

95
 21:20

1 – x2
1
ϕ (1) =  e 2
dx
0 2π
= 0,3413 g(x)

0,3413
O 1 x

96
21:20

97
 21:20

Biến ngẫu nhiên Y ~ N ( μ , σ2 ) .

2
b b 1 x –μ 
1 –  
Xác suất P ( a ≤ Y ≤ b ) =  f ( x ) dx =  e 2 σ 
dx
a a σ 2π
b–μ
Đổi biến : σ – t2
1
x–μ
t = –––––
=
a–μ
 2π
e 2
dt
σ σ

dx b–μ a–μ
dt = ––– σ σ
σ = 
0
g ( t ) dt – 
0
g ( t ) dt

ϕ b–μ  ϕ  a–μ 
=  –  
 σ   σ 

98
 21:20

CÔNG THỨC

b–μ   a–μ 
P ( a ≤ Y ≤ b ) = ϕ  – ϕ 
 σ   σ 

99
 21:20

P(Y>a)=P(a<Y<+∞)
 a– μ 
=ϕ(+∞)–ϕ 
 σ 

100
 21:20

P(Y<b)=P(–∞<Y<b )
b–μ 
=ϕ –ϕ(–∞)
 σ 

101
 21:20

ϕ(–u)=–ϕ(u) g(x)
..
ϕ ( + ∞ ) = 0,5 …..
…....
ϕ ( – ∞ ) = – 0,5 …….….
…….……………………
–u O u x

102
 21:20

CHÚ Ý .
Nếu biến ngẫu nhiên Y liên tục thì xác suất
để Y nhận giá trị tại một điểm luôn bằng 0 .
P ( Y = a) = 0
Do đó :
P(a≤Y≤b)=P(a<Y≤b)
=P(a≤Y<b)
=P(a<Y<b)

103
 21:20

VÍ DỤ .
Trọng lượng của một loại sản phẩm là biến ngẫu
nhiên X ( kg ) có phân phối chuẩn N ( 10 , 0,25 ) .
a ) Tìm tỷ lệ sản phẩm từ 9,5 ( kg ) đến 11 ( kg ) ?
b ) Tìm tỷ lệ sản phẩm nặng hơn 10,5 ( kg ) ?
c ) Tìm tỷ lệ sản phẩm nhẹ hơn 9 ( kg ) ?

104
 21:20

a ) X ~ N ( μ = 10 , σ2 = 0,25 )
Tỷ lệ sản phẩm từ 9,5 ( kg ) đến 11 ( kg ) là :
b–μ   a– μ 
P ( 9,5 ≤ X ≤ 11 ) = ϕ   – ϕ 
 σ   σ 
 11 – 10   9, 5 – 10 
= ϕ  – ϕ 
 0, 25   0, 25 
=ϕ(2)–ϕ(–1)
= 0,4772 – ( – 0,3413 )
= 0,8185

105
21:20

106
21:20

107
 21:20

b ) Tỷ lệ sản phẩm nặng hơn 10,5 ( kg ) là :

P ( X > 10,5 ) = P ( 10,5 < X < + ∞ )
 a– μ 
=ϕ(+∞)–ϕ 
 σ 
 10, 5 – 10 
=ϕ(+∞)–ϕ 
 0, 25 
=ϕ(+∞)–ϕ(1)
= 0,5 – 0,3413
= 0,1587

108
 21:20

c ) Tỷ lệ sản phẩm nhẹ hơn 9 ( kg ) là :

P(X<9)=P(–∞<X<9)
b–μ 
=ϕ  –ϕ(–∞)
 σ 
 9 – 10 
=ϕ  –ϕ(–∞)
 0, 25 
=ϕ(–2)–ϕ(–∞)
= ( – 0,4772 ) – ( – 0,5 )
= 0,0228

109
 21:20

QUY TẮC 3σ
Cho X ~ N ( μ , σ2 ) .
P(|X–μ|<σ)=P(μ–σ<X<μ+σ)

 (μ + σ ) – μ   (μ – σ ) – μ 
=ϕ  –ϕ 
 σ   σ 
σ –σ
= ϕ   – ϕ  
σ  σ 
=2ϕ(σ/σ)
=2ϕ(1)
= 2 . 0,3413
= 0,6826

110
 21:20

68,26%

O μ–σ μ μ+σ x

111
 21:20

P ( | X – μ | < 2σ ) = P ( μ – 2σ < X < μ + 2σ )

 ( μ + 2σ ) – μ   ( μ – 2σ ) – μ 
= ϕ  –ϕ 
 σ   σ 
2σ – 2σ 
= ϕ   – ϕ  
 σ   σ 
= 2 ϕ ( 2σ / σ )
=2ϕ(2)
= 2 . 0,4772
= 0,9544

112
 21:20

95,44%
O μ – 2σ μ μ + 2σ x

113
 21:20

P ( | X – μ | < 3σ ) = P ( μ – 3σ < X < μ + 3σ )

 ( μ + 3σ ) – μ   ( μ – 3σ ) – μ 
= ϕ  –ϕ 
 σ   σ 
3σ – 3σ 
= ϕ   – ϕ  
 σ   σ 
= 2 ϕ ( 3σ / σ )
=2ϕ(3)
= 2 . 0,49865
= 0,9973

114
 21:20

99,73%
O μ – 3σ μ μ + 3σ x

115
 21:20

P ( | X – μ | < 4σ ) = P ( μ – 4σ < X < μ + 4σ )

 ( μ + 4σ ) – μ   ( μ – 4σ ) – μ 
= ϕ  –ϕ 
 σ   σ 
4σ   – 4σ 
= ϕ   – ϕ  
 σ   σ 
= 2 ϕ ( 4σ / σ )
=2ϕ(4)
= 2 . 0,499968
= 0,999936

116
 21:20

99,9936%
μ – 4σ O μ μ + 4σ x

117
 21:20

Do đó , khi một biến ngẫu nhiên có

phân phối chuẩn N ( μ , σ2 ) , trong thực
tế người ta có thể coi hầu như toàn bộ
các giá trị của X sẽ nằm trong khoảng :
( μ – 3σ , μ + 3σ )
hay
( μ – 4σ , μ + 4σ )

118
 21:20

Trong thực tế , quy tắc 3σ được áp

dụng như sau :
Nếu quy luật phân phối xác suất của
biến ngẫu nhiên X được nghiên cứu
chưa biết , song nó thỏa mãn điều kiện
của quy tắc 3σ thì có thể xem như biến
ngẫu nhiên đó phân phối chuẩn .

119
 21:20

QUAN HỆ GIỮA
PHÂN PHỐI NHỊ THỨC & PHÂN PHỐI CHUẨN
Biến ngẫu nhiên X có phân phối nhị thức B ( n , p ) .
Nếu n lớn , p không quá gần 0 và 1 thì khi đó
X có phân phối xấp xỉ chuẩn N ( μ , σ2 ) với :
μ ≈ n p , σ2 ≈ n p ( 1 – p )

b–μ   a– μ 
P ( a ≤ X ≤ b ) ≈ ϕ  –ϕ 
 σ   σ 

120
 21:20

Khi sử dụng quy luật nhị thức , nếu n khá

lớn thì việc tính toán theo công thức
Bernoulli sẽ gặp khó khăn .
Lúc đó nếu p nhỏ đến mức np ≈ npq thì có
thể dùng quy luật Poisson thay thế cho quy
luật nhị thức .
Song nếu p lại không nhỏ ( p > 0,1 ) thì không
thể dùng quy luật Poisson để thay thế được .
Lúc đó có thể dùng quy luật chuẩn để thay
thế cho quy luật nhị thức .

121
 21:20

VÍ DỤ .
Xác suất sinh được em bé trai là 0,48 .
Tính xác suất sao cho trong 300 trường
hợp sắp sinh :
a ) Số bé trai vào khoảng từ 150 đến 170 ?
b ) Số bé trai từ 170 trở lên ?

122
 21:20

a ) 300 em bé sắp sinh là 300 phép thử độc lập .

Xác suất sinh được em bé trai là 0,48 .
Ta có dãy phép thử Bernoulli .
Gọi X là số bé trai trong 300 bé sắp sinh .
X = 0 , 1 , 2 , … , 300 .
X ~ B ( n = 300 , p = 0,48 )
Xác suất số bé trai vào khoảng từ 150 đến 170 là :
P ( 150 ≤ X ≤ 170 ) = P ( X = 150 ) + P ( X = 151 ) + … + P ( X = 170 )
= C150300 . 0,48150 . ( 1 – 0,48 )150 + … + C170300 . 0,48170 . ( 1 – 0,48 )130
Ta thấy n = 300 khá lớn , p = 0,48 không quá gần 0 và 1 .
Do đó , có thể coi X có phân phối xấp xỉ phân phối chuẩn N ( μ , σ2 ) với :
μ ≈ n p = 300 . 0,48 = 144
σ2 ≈ n p ( 1 – p ) = 300 . 0,48 . ( 1 – 0,48 ) = 74,88

123
 21:20

 170 – 144   150 – 144 

P ( 150 ≤ X ≤ 170 ) ≈ ϕ   – ϕ 
 74, 88   74, 88 
≈ ϕ ( 3,00 ) – ϕ ( 0,69 )

= 0,4987 – 0,2549

= 0,2438

124
 21:20

b ) Xác suất số bé trai từ 170 trở lên là :

P ( X ≥ 170 ) = P ( X = 170 ) + P ( X = 171 ) + … + P ( X = 300 )
= C170300 . 0,48170 . ( 1 – 0,48 )130 + … + 0,48300

Xấp xỉ sang phân phối chuẩn :

 170 – 144 
P ( X ≥ 170 ) ≈ ϕ ( + ∞ ) – ϕ  
 74, 88 
≈ ϕ ( + ∞ ) – ϕ ( 3,00 )
= 0,5 – 0,4987
= 0,0013

125