2023 Baigiang XSTK MI2020 Chap3

Chương 3
BIẾN NGẪU NHIÊN NHIỀU CHIỀU
NGUYỄN THỊ THU THỦY(1)
VIỆN TOÁN ỨNG DỤNG VÀ TIN HỌC

ĐẠI HỌC BÁCH KHOA HÀ NỘI
HÀ NỘI – 2023
(1)
Email: thuy.nguyenthithu2@hust.edu.vn
Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 1/115
HÀ NỘI – 2023 1 / 115
GIỚI THIỆU
Chương này giới thiệu về biến ngẫu nhiên nhiều chiều, chủ yếu tập trung vào biến ngẫu nhiên hai chiều. Nội
dung chính bao gồm:
Khái niệm và phân loại biến ngẫu nhiên nhiều chiều.
Phân phối xác suất của biến ngẫu nhiên hai chiều (phân phối đồng thời, phân phối biên, phân phối có
điều kiện).
Biến ngẫu nhiên độc lập.
Hiệp phương sai và hệ số tương quan.
Luật số lớn.

HÀ NỘI – 2023 2 / 115
MỤC TIÊU
Giúp sinh viên:

1 Hiểu khái niệm biến ngẫu nhiên nhiều chiều; Phân biệt biến ngẫu nhiên rời rạc, biến ngẫu nhiên liên tục,
biến ngẫu nhiên hỗn hợp; Xây dựng hàm của các biến ngẫu nhiên.
2 Sử dụng hàm xác suất/bảng phân phối xác suất đồng thời, hàm phân phối xác suất đồng thời và hàm mật
độ xác suất đồng thời để tính xác suất.
3 Tìm các phân phối xác suất biên và phân phối xác suất có điều kiện từ các phân phối xác suất đồng thời;
Tìm kỳ vọng có điều kiện.
4 Phân tích hiệp phương sai, hệ số tương quan và mối tương quan giữa các biến ngẫu nhiên; Tính toán hiệp
phương sai, hệ số tương quan.
5 Hiểu về luật số lớn. Vận dụng luật số lớn cho một số mô hình thực tế.

HÀ NỘI – 2023 3 / 115
3.1 Khái niệm biến ngẫu nhiên nhiều chiều
NỘI DUNG
1 3.1 Khái niệm biến ngẫu nhiên nhiều chiều
2 3.2 Phân phối xác suất đồng thời
3 3.3 Phân phối xác suất biên
4 3.4 Phân phối xác suất có điều kiện
5 3.5 Biến ngẫu nhiên độc lập
6 3.6 Hiệp phương sai. Hệ số tương quan
7 3.7 Luật số lớn

HÀ NỘI – 2023 4 / 115
3.1 Khái niệm biến ngẫu nhiên nhiều chiều 3.1.1 Khái niệm
Khái niệm và ví dụ
Trong nhiều bài toán thực tế ta thường phải xét đồng thời nhiều biến ngẫu nhiên X1 , X2 , . . . , Xn có quan hệ
với nhau.
Khái niệm 1 (Biến ngẫu nhiên nhiều chiều)

Một biến ngẫu nhiên n chiều là một bộ có thứ tự gồm n biến ngẫu nhiên (X1 , X2 , . . . , Xn ) với các thành
phần X1 , X2 , . . . , Xn là các biến ngẫu nhiên xác định trong cùng một phép thử.
Ví dụ 1
Xem xét một sản phẩm đúc do một máy sản xuất và gọi X, Y, Z lần lượt là các biến ngẫu nhiên chỉ chiều
rộng, chiều dài và chiều cao của sản phẩm (đơn vị tính là milimét).
(a) (X, Y, Z) là biến ngẫu nhiên ba chiều mô tả kích thước của sản phẩm.
(b) Nếu chỉ quan tâm đến chiều rộng và chiều dài của sản phẩm ta có biến ngẫu nhiên hai chiều (X, Y ).

HÀ NỘI – 2023 5 / 115
Biến ngẫu nhiên rời rạc. Biến ngẫu nhiên liên tục
Khái niệm 2 (Biến ngẫu nhiên rời rạc. Biến ngẫu nhiên liên tục)
Biến ngẫu nhiên n chiều (X1 , X2 , . . . , Xn ) được gọi là liên tục hay rời rạc nếu tất cả các biến ngẫu nhiên
thành phần X1 , X2 , . . . , Xn là liên tục hay rời rạc.
✍
Trong chương này, ta chủ yếu xét biến ngẫu nhiên hai chiều (X, Y ), trong đó X là biến ngẫu nhiên thành
phần thứ nhất và Y là biến ngẫu nhiên thành phần thứ hai.
Hầu hết các kết quả có thể mở rộng dễ dàng cho biến ngẫu nhiên n chiều (X1 , X2 , . . . , Xn ).
Ta không xét trường hợp biến ngẫu nhiên hai chiều trong đó có một biến rời rạc và một biến liên tục (còn
gọi là biến ngẫu nhiên hỗn hợp).

HÀ NỘI – 2023 6 / 115
Biến ngẫu nhiên rời rạc. Biến ngẫu nhiên liên tục
Ví dụ 2
Biến ngẫu nhiên ba chiều (X, Y, Z) trong Ví dụ 1 là biến ngẫu nhiên liên tục.
Ví dụ 3
Từ một lô hàng gồm 5 sản phẩm loại I, 4 sản phẩm loại II và 3 sản phẩm loại III, ta lấy ngẫu nhiên ra 3
sản phẩm. Gọi X và Y lần lượt là số sản phẩm loại I và loại II có trong 3 sản phẩm được lấy ra. Khi đó,
(X, Y ) là biến ngẫu nhiên hai chiều rời rạc.

HÀ NỘI – 2023 7 / 115
3.1 Khái niệm biến ngẫu nhiên nhiều chiều 3.1.2 Hàm của hai biến ngẫu nhiên
Hàm của hai biến ngẫu nhiên
Khái niệm 3 (Hàm của hai biến ngẫu nhiên)

Cho hai biến ngẫu nhiên X và Y và hàm hai biến g(., .) nhận giá trị thực. Định nghĩa W := g(X, Y ) là
một phép cho tương ứng mỗi cặp giá trị (x, y) của (X, Y ) với duy nhất một giá trị w = g(x, y) của W .
Biến W được gọi là hàm của hai biến ngẫu nhiên X và Y .
✍
Ví dụ về hàm của hai biến ngẫu nhiên: W = X + Y , W = XY.
Nếu X và Y là hai biến ngẫu nhiên rời rạc thì W cũng là biến ngẫu nhiên rời rạc.
Nếu X và Y là hai biến ngẫu nhiên liên tục và g(., .) là một hàm liên tục thì W là một biến ngẫu nhiên
liên tục.

HÀ NỘI – 2023 8 / 115
3.1 Khái niệm biến ngẫu nhiên nhiều chiều 3.1.2 Hàm của hai biến ngẫu nhiên
Luyện tập
Bài 1
Cho ví dụ về biến ngẫu nhiên hai chiều rời rạc, liên tục, hàm của hai biến ngẫu nhiên.
Bài 2
Giả sử thời gian hoạt động của linh kiện điện tử 1 và 2 (đơn vị: năm) là các biến ngẫu nhiên X và Y có
phân phối mũ với tham số tương ứng λ1 , λ2 > 0. Biểu diễn biến ngẫu nhiên chỉ thời gian hoạt động của hệ
một hệ thống gồm 2 linh kiện điện tử trên mắc (a) nối tiếp; (b) song song.

HÀ NỘI – 2023 9 / 115
3.2 Phân phối xác suất đồng thời
NỘI DUNG

HÀ NỘI – 2023 10 / 115
3.2 Phân phối xác suất đồng thời 3.2.1 Bảng phân phối xác suất đồng thời
Phân phối xác suất đồng thời
Khái niệm 4 (Phân phối xác suất đồng thời)

Nếu X và Y là hai biến ngẫu nhiên, thì phân phối xác suất xác định hành vi đồng thời của chúng được gọi
là phân phối xác suất đồng thời.
Ví dụ 4
Trong Ví dụ 3, cặp giá trị có thể có (x, y) của (X, Y ) là (0; 0), (0; 1), (0; 2), (0; 3), (1; 0), (1; 1), (1; 2), (2; 0),
(2; 1) và (3; 0). Bằng cách tính xác suất tại từng điểm P (X = x, Y = y) với x = 0; 1; 2; 3 và y = 0; 1; 2; 3 và
x + y ≤ 3,
(C5x )(C4y )(C33−x−y )

P (X = x, Y = y) = 3
,
C12
ta xác định được phân phối xác suất đồng thời của hai biến ngẫu nhiên X và Y như trong bảng dưới đây.

HÀ NỘI – 2023 11 / 115
Phân phối xác suất đồng thời
HH Y
0 1 2 3
X HH H
0 1/220 3/55 9/110 1/55
1 3/44 3/11 3/22 0
2 3/22 2/11 0 0
3 1/22 0 0 0
Bảng 1: Bảng phân phối xác suất đồng thời của hai biến ngẫu nhiên rời rạc trong Ví dụ 3

HÀ NỘI – 2023 12 / 115
Hàm xác suất đồng thời
Định nghĩa 1 (Hàm xác suất đồng thời)

Hàm xác suất đồng thời của hai biến ngẫu nhiên rời rạc X và Y , ký hiệu là pX,Y (x, y), là hàm thỏa mãn
(a) pX,Y (x, y) ≥ 0 với mọi (x, y) ∈ R2 .
P P
(b) x∈SX y∈SY pX,Y (x, y) = 1.
(c) pX,Y (x, y) = P (X = x, Y = y).
✍
Miền giá trị của biến ngẫu nhiên hai chiều rời rạc (X, Y ) là
SX,Y = (x, y) ∈ R2 | pX,Y (x, y) > 0 .

Hàm xác suất đồng thời pX,Y (x, y) của X và Y được giả thiết là bằng 0 tại mọi (x, y) ∈
/ SX,Y .

HÀ NỘI – 2023 13 / 115
Hàm xác suất đồng thời
Định lý 1
Với mọi A ⊂ SX,Y ,
XX
P [(X, Y ) ⊂ A] = pX,Y (x, y). (1)
(x,y)∈A
Ví dụ 5
Trong Ví dụ 4, nếu A = {(x, y) ∈ R2 | x + y ≤ 1}, thì

1 3 3 7
P [(X, Y ) ⊂ A] = pX,Y (0, 0) + pX,Y (0, 1) + pX,Y (1, 0) = + + = .
220 55 44 55

HÀ NỘI – 2023 14 / 115
Bảng phân phối xác suất đồng thời

Định nghĩa 2 (Bảng phân phối xác suất đồng thời)
Bảng phân phối xác suất đồng thời của hai biến ngẫu nhiên rời rạc X và Y có dạng
HH Y
y1 ... yj ... yn
X HH H
x1 pX,Y (x1 , y1 ) ... pX,Y (x1 , yj ) ... pX,Y (x1 , yn )
.. .. .. .. .. ..
. . . . . .
xi pX,Y (xi , y1 ) ... pX,Y (xi , yj ) ... pX,Y (xi , yn )
.. .. .. .. .. ..
. . . . . .
xm pX,Y (xm , y1 ) ... pX,Y (xm , y2 ) ... pX,Y (xm , yn )
Bảng 2: Bảng phân phối xác suất đồng thời của hai biến ngẫu nhiên rời rạc X và Y
trong đó, xi , i = 1, . . . , m, yj , j = 1, . . . , n, là các giá trị có thể có của các biến thành phần X và Y tương
ứng. Bảng này có thể ra vô hạn nếu m, n nhận giá trị ∞.
HÀ NỘI – 2023 15 / 115
3.2 Phân phối xác suất đồng thời 3.2.2 Hàm phân phối xác suất đồng thời
Định nghĩa
Định nghĩa 3 (Hàm phân phối xác suất đồng thời)
Hàm hai biến FX,Y (x, y) xác định bởi
FX,Y (x, y) = P (X < x, Y < y), x, y ∈ R (2)
được gọi là hàm phân phối xác suất đồng thời của hai biến ngẫu nhiên X và Y .
✍ Từ (2) và Định nghĩa 2, hàm phân phối xác suất đồng thời của hai biến ngẫu nhiên rời rạc X và Y được xác
định bởi X X
FX,Y (x, y) = pX,Y (xi , yj ). (3)
xi <x yj <y
Ví dụ 6
Từ số liệu của Ví dụ 4 và (3),

1 4 3 3 11
FX,Y (2; 2) = + + + = .
220 55 44 11 55
HÀ NỘI – 2023 16 / 115
Tính chất
Tính chất 1
(a) 0 ≤ FX,Y (x, y) ≤ 1 với mọi x, y.

(b) Nếu x < x1 , y < y1 thì FX,Y (x, y) ≤ FXY (x1 , y1 ).
(c) limx→∞ FX,Y (x, y) = limy→∞ FX,Y (x, y) = 0; limx→∞,y→∞ FX,Y (x, y) = 1.
(d) Với x1 < x2 , y1 < y2 ta luôn có
P (x1 ≤ X < x2 , y1 ≤ Y < y2 ) = FX,Y (x2 , y2 ) − FX,Y (x2 , y1 ) − FX,Y (x1 , y2 ) + FX,Y (x1 , y1 ). (4)

HÀ NỘI – 2023 17 / 115
Tính chất
Nhận xét 1
Vế phải của (4) chính là xác xuất để điểm ngẫu nhiên (X, Y ) rơi vào hình chữ nhật ABCD trong Hình 1.
y2 D C
y1 A B
X
O x1 x2
Hình 1: Miền ABCD trong Nhận xét 1

HÀ NỘI – 2023 18 / 115
3.2 Phân phối xác suất đồng thời 3.2.3 Hàm mật độ xác suất đồng thời
Định nghĩa
Định nghĩa 4 (Hàm mật độ xác suất đồng thời)
Giả sử FX,Y (x, y) là hàm phân phối xác suất đồng thời của hai biến ngẫu nhiên liên tục X và Y . Khi đó,
hàm mật độ xác suất đồng thời của hai biến ngẫu nhiên này là hàm hai biến fX,Y (x, y) thỏa mãn:
Zx Zy
FX,Y (x, y) = fX,Y (u, v)dudv. (5)
−∞ −∞
Cho trước FX,Y (x, y), từ Định nghĩa 4 suy ra fX,Y (x, y) là đạo hàm của hàm FX,Y (x, y), nếu đạo hàm này tồn
tại.
Định lý 2
∂ 2 FX,Y (x, y)
fX,Y (x, y) = . (6)
∂x∂y

HÀ NỘI – 2023 19 / 115
Tính chất
✍ Với biến ngẫu nhiên hai chiều liên tục (X, Y ), thì
SX,Y = {(x, y) ∈ R2 | fX,Y (x, y) > 0}.
Tính chất 2
(a) fX,Y (x, y) ≥ 0 với mọi x, y.

+∞ Z
Z +∞
(b) fX,Y (x, y)dxdy = 1.

−∞ −∞
(c) Với A ⊂ SX,Y ,

ZZ
P [(X, Y ) ⊂ A] = fX,Y (x, y)dxdy. (7)
A

HÀ NỘI – 2023 20 / 115
Ví dụ
Ví dụ 7
Biến ngẫu nhiên hai chiều liên tục (X, Y ) có hàm mật độ xác suất là
(
k, 0 ≤ x ≤ 6, 0 ≤ y ≤ 3,
fX,Y (x, y) =
0, nếu trái lại.
(a) Tìm hằng số k.

(b) Cho A = {(x, y) ∈ R2 | 2 ≤ x < 4; 2 ≤ y < 3}, tính P [(X, Y ) ⊂ A].

HÀ NỘI – 2023 21 / 115
Ví dụ
Giải. Miền A được minh họa trong Hình 2.
A
3
0 x
2 4 6
Hình 2: Miền A trong Ví dụ 7

HÀ NỘI – 2023 22 / 115
Ví dụ
(a) Sử dụng Tính chất 2(a),(b), ta có k ≥ 0 và

+∞ Z
Z +∞ Z6 Z3
1= fX,Y (x, y)dxdy = dx kdy = 18k.
−∞ −∞ 0 0
Suy ra, k = 1/18.

(b) Sử dụng Tính chất 2(c),
Z4 Z3
1 1
P [(X, Y ) ∈ A] = P (2 ≤ X < 4; 2 ≤ Y < 3) = dx dy = .
18 9
2 2

HÀ NỘI – 2023 23 / 115
3.2 Phân phối xác suất đồng thời 3.2.4 Phân phối xác suất của hàm của hai biến ngẫu nhiên
Cách tìm phân phối xác suất của hàm của hai biến ngẫu nhiên
Xét biến ngẫu nhiên W := g(X, Y ), trong đó, phân phối xác suất của X và Y đã biết và g(., .) là một hàm hai
biến nhận giá trị thực. Ta phân tích phân phối xác suất của W trong một số trường hợp đơn giản.
Định lý 3
Với A = (x, y) ∈ R2 | g(x, y) < w ,

FW (w) = P [(X, Y ) ⊂ A]. (8)
✍ Trong trường hợp biến ngẫu nhiên W liên tục, để tìm hàm mật độ xác suất fW (w), ta sử dụng tính chất
dFW (w)
fW (w) = . (9)
dw

HÀ NỘI – 2023 24 / 115
Ví dụ
Ví dụ 8
Cho X và Y là hai biến ngẫu nhiên trong Ví dụ 7. Tìm hàm phân phối xác suất của biến ngẫu nhiên
W = max(X, Y ).
Giải. Ta có
ZZ
1
FW (w) = P (W < w) = P [max(X, Y ) < w] = P (X < w, Y < w) = dxdy,
18
D
trong đó, D = {(x, y) ∈ R2 | (x < w, y < w)}.

Nếu w ≤ 0, FW (w) = 0.
Z w Z w
1 w2
Nếu 0 < w ≤ 3, FW (w) = dx 18
dy = 18
.
0 0

HÀ NỘI – 2023 25 / 115
Ví dụ
x
O
0<w≤3 w 3 6
Hình 3: Miền D với 0 < w ≤ 3 của Ví dụ 8

HÀ NỘI – 2023 26 / 115
Ví dụ
Z w Z 3
1 w
Nếu 3 < w ≤ 6, FW (w) = dx 18
dy = 6
.
0 0
Nếu w > 6, FW (w) = 1.
Vậy


0 nếu w ≤ 0,
 w2

nếu 0 < w ≤ 3,
18
FW (w) = w
 nếu 3 < w ≤ 6,
6


1 nếu w > 6.
y
3
x
O
3 w 6
Hình 4: Miền D với 3 < w ≤ 6 của Ví dụ 8

HÀ NỘI – 2023 27 / 115
3.2 Phân phối xác suất đồng thời 3.2.5 Kỳ vọng của hàm của hai biến ngẫu nhiên
Cách tìm kỳ vọng của hàm của hai biến ngẫu nhiên
Định lý 4
Cho W = g(X, Y ) là một hàm của hai biến ngẫu nhiên X và Y . Khi đó,
X X
E(W ) = E[g(X, Y )] = g(x, y)pX,Y (x, y) (10)
x∈SX y∈SY
nếu X và Y là các biến ngẫu nhiên rời rạc có hàm xác suất đồng thời pX,Y (x, y) và
+∞ Z
Z +∞
E(W ) = E[g(X, Y )] = g(x, y)fX,Y (x, y)dxdy (11)

−∞ −∞
nếu X và Y là các biến ngẫu nhiên liên tục có hàm mật độ xác suất đồng thời fX,Y (x, y).

HÀ NỘI – 2023 28 / 115
Ví dụ
Ví dụ 9
Cho X và Y là hai biến ngẫu nhiên trong Ví dụ 7. Tìm kỳ vọng của biến ngẫu nhiên W = XY .
Giải. Sử dụng kết quả của Ví dụ 7 và (11),

Z6 Z3 Z6
1 1 36
E(W ) = xy dy dx = xdx = = 4, 5.
18 4 8
0 0 0

HÀ NỘI – 2023 29 / 115
Tính chất
Định lý 5
Cho h(X, Y ) và g(X, Y ) là các hàm của hai biến ngẫu nhiên X và Y . Khi đó,
E[g(X, Y ) ± h(X, Y )] = E[g(X, Y )] ± E[h(X, Y )].
Hệ quả 1
(a) Nếu g(X, Y ) = g(X) và h(X, Y ) = h(Y ) thì ta nhận được
E[g(X) ± h(Y )] = E[g(X)] ± E[h(Y )].
(b) Nếu g(X, Y ) = X và h(X, Y ) = Y thì
E(X ± Y ) = E(X) ± E(Y ).

HÀ NỘI – 2023 30 / 115
Luyện tập
Bài 3
Lấy ví dụ về hàm xác suất, bảng phân phối xác suất, hàm phân phối xác suất, hàm mật độ xác suất đồng
thời của hai biến ngẫu nhiên X và Y .
Bài 4
Hai biến ngẫu nhiên rời rạc X và Y có phân phối xác suất đồng thời
HH Y
0 1 2 3
X HH H
0 0, 1 0, 1 0, 15 0, 05
1 0, 05 0, 05 0, 1 0, 05
2 0, 1 0, 15 0, 05 0, 05
(a) Tính P [(X, Y ) ⊂ A] với A = {(x, y) ∈ R2 | x + y < 3}; (b) Tìm FX,Y (2, 2).

HÀ NỘI – 2023 31 / 115
Luyện tập
Bài 5
hai biến ngẫu nhiên liên tục X và Y có hàm mật độ xác suất đồng thời
(
k, nếu 0 ≤ x ≤ 2, 1 ≤ y ≤ 4,
fX,Y (x, y) =
(a) Tìm k? (b) Tìm phân phối xác suất của biến ngẫu nhiên Z = X + Y ; (c) Tính kỳ vọng của biến ngẫu
nhiên W = XY .

HÀ NỘI – 2023 32 / 115
Luyện tập
Bài 6
Cho pX,Y (x, y) là hàm xác suất đồng thời của hai biến ngẫu nhiên X và Y . Tính chất nào sau đây là SAI?
P P
A. pX,Y (x, y) ≥ 0 C. x∈SX y∈SY pX,Y (x, y) = ∞
B. pX,Y (x, y) ≤ 1 D. pX,Y (x, y) = P (X = x, Y = y)
Bài 7
Cho FX,Y (x, y) là hàm phân phối xác suất đồng thời của hai biến ngẫu nhiên X và Y . Tính chất nào sau
đây là SAI?
A. FX,Y (x, y) ≥ 0 D. FX,Y (x, y) = P (X < x, Y < y)

B. FX,Y (x, y) ≤ 1 E. FX,∞ (x, y) = FX (x)
C. FX,Y (x, 0) = 0 F. FX,Y (x, y) = P (X ≤ x, Y ≤ y)

HÀ NỘI – 2023 33 / 115
Luyện tập
Bài 8
Từ một lô hàng gồm 5 sản phẩm A, 6 sản phẩm B và 7 sản phẩm C, lấy ngẫu nhiên ra 3 sản phẩm. Gọi X
và Y lần lượt là số sản phẩm A và B trong 3 sản phẩm được lấy ra. Lập bảng phân phối xác suất đồng
thời của X và Y .
Bài 9
Giả sử thời gian hoạt động X và Y (đơn vị: năm) của thiết bị điện tử 1 và 2 tương ứng là các biến ngẫu
nhiên liên tục có hàm mật độ xác suất đồng thời:
(
3e−3x−y , x ≥ 0, y ≥ 0;
fX,Y (x, y) =
0, trái lại.
Tìm xác suất để thiết bị điện tử 1 hoạt động lâu hơn thiết bị điện tử 2 ít nhất 1 năm.

HÀ NỘI – 2023 34 / 115
3.3 Phân phối xác suất biên
NỘI DUNG

HÀ NỘI – 2023 35 / 115
3.3 Phân phối xác suất biên 3.3.1 Bảng phân phối xác suất biên
Hàm xác suất biên
Định lý 6
Nếu hai biến ngẫu nhiên rời rạc X và Y có hàm xác suất đồng thời là pX,Y (x, y), thì các hàm xác suất
biên được xác định bởi
X X
pX (x) = pX,Y (x, y) và pY (y) = pX,Y (x, y). (12)
y∈SY x∈SX

HÀ NỘI – 2023 36 / 115
Bảng phân phối xác suất biên
Định lý 7
Nếu hai biến ngẫu nhiên rời rạc X và Y có bảng phân phối xác suất đồng thời như trong Định nghĩa 2 thì
bảng phân phối xác suất của X là
X x1 x2 ... xm
P (X = xi ) P (X = x1 ) P (X = x2 ) ... P (X = xm )
và bảng phân phối xác suất của Y là
Y y1 y2 ... yn
P (Y = yj ) P (Y = y1 ) P (Y = y2 ) ... P (Y = yn )
Pn Pm
trong đó, P (X = xi ) = j=1 pX,Y (xi , yj ), i = 1, . . . , m và P (Y = yj ) = i=1 pX,Y (xi , yj ), j = 1, . . . , n.

HÀ NỘI – 2023 37 / 115
Ví dụ
✍ Từ các hàm xác suất biên hay bảng phân phối xác suất biên, ta có thể dễ dàng xác định các tham số đặc
trưng của các biến ngẫu nhiên thành phần X và Y .
Ví dụ 10
Trong Ví dụ 4,
Bảng phân phối xác suất biên của X là
X 0 1 2 3
P (X = xi ) 7/44 21/44 7/22 1/22
Bảng phân phối xác suất biên của Y là
Y 0 1 2 3
P (Y = yj ) 14/55 28/55 12/55 1/55

HÀ NỘI – 2023 38 / 115
Ví dụ
Ví dụ 10 (tiếp theo)
Kỳ vọng của X là
E(X) = (0)(7/44) + (1)(21/44) + (2)(7/22) + (3)(1/22) = 1, 25.
Phương sai của X là
V (X) = (0)2 (7/44) + (1)2 (21/44) + (2)2 (7/22) + (3)2 (1/22) − (1, 25)2 ≈ 0, 59659.

HÀ NỘI – 2023 39 / 115
3.3 Phân phối xác suất biên 3.3.2 Hàm phân phối xác suất biên
Cách xác định hàm phân phối xác suất biên
Từ định nghĩa hàm phân phối,
FX (x) = P (X < x) = P (X < x, Y < ∞) = lim FX,Y (x, y) = FX,Y (x, ∞).
y→∞
Từ đó, hàm phân phối xác suất biên của X và Y là
FX (x) = FX,Y (x, ∞) và FY (y) = FX,Y (∞, y). (13)

HÀ NỘI – 2023 40 / 115
3.3 Phân phối xác suất biên 3.3.4 Hàm mật độ xác suất biên
Cách xác định hàm mật độ xác suất biên

✍ Từ Tính chất 2(c) ta có thể viết
+∞
Zx Z
FX (x) = P (X < x) = P (X < x, Y < ∞) = fX,Y (u, y)dy du.
−∞ −∞
Z +∞
Từ đây suy ra fX (x) = fX,Y (x, y)dy. Tương tự ta cũng có fY (y).
−∞
Định lý 8
Nếu X và Y là hai biến ngẫu nhiên liên tục có hàm mật độ xác suất đồng thời fX,Y (x, y) thì hàm mật độ
xác suất của các biến ngẫu nhiên thành phần X và Y được xác định bởi
+∞
Z +∞
Z
fX (x) = fX,Y (x, y)dy và fY (y) = fX,Y (x, y)dx. (14)
−∞ −∞

HÀ NỘI – 2023 41 / 115
Ví dụ
Ví dụ 11
Cho biến ngẫu nhiên hai chiều liên tục (X, Y ) có hàm mật độ xác suất là
(
kx, nếu 0 < y < x < 1,
fX,Y (x, y) =
(a) Tìm hằng số k.

(b) Tìm các hàm mật độ xác suất biên fX (x) và fY (y).
(c) Tính kỳ vọng và phương sai của biến ngẫu nhiên X.

HÀ NỘI – 2023 42 / 115
Ví dụ
Giải. Ký hiệu D = (x, y) ∈ R2 | 0 < x < 1; 0 < y < x (xem Hình 5).

y=x
x
O
1
Hình 5: Miền D của Ví dụ 11

HÀ NỘI – 2023 43 / 115
Ví dụ
(a) Theo Tính chất 2(a), k ≥ 0 và theo Tính chất 2(b),
Z +∞
+∞ Z ZZ Z1 Zx Z1
k
1= fX,Y (x, y)dxdy = kxdxdy = dx kxdy = k x2 dx = .
3
−∞ −∞ D 0 0 0
(
3x, nếu (x, y) ∈ D,
Suy ra k = 3 và hàm mật độ xác suất đồng thời fX,Y (x, y) =
(b) Tìm các hàm mật độ biên từ (14),
Zx
+∞  (
3x2 ,

 3xdy, 0 < x < 1,
Z
0 < x < 1,
fX (x) = fX,Y (x, y)dy = =

 0 0, trái lại,
−∞
0, trái lại,

 1
Z 
+∞
 3 − 3 y2 ,


Z  3xdx, 0 < y < 1, 0 < y < 1,
fY (y) = fX,Y (x, y)dx = = 2 2
y
−∞



 0, trái lại.
0, trái lại,
HÀ NỘI – 2023 44 / 115
Ví dụ
(c) Kỳ vọng và phương sai của biến ngẫu nhiên X được xác định như sau
Z1
3
E(X) = x × 3x2 dx = ,
4
0
Z1 3 2
2 2 3
V (X) = E(X ) − (E(X)) = x2 × 3x2 dx − = .
4 80
0

HÀ NỘI – 2023 45 / 115
Luyện tập
Bài 10
Sử dụng dữ liệu trong Bài 4 và 5. (a) Tìm các phân phối biên của các biến ngẫu nhiên thành phần X, Y .
(b) Tính kỳ vọng, phương sai, độ lệch chuẩn của các biến ngẫu nhiên thành phần X, Y .

HÀ NỘI – 2023 46 / 115
3.4 Phân phối xác suất có điều kiện
NỘI DUNG

HÀ NỘI – 2023 47 / 115
3.4 Phân phối xác suất có điều kiện 3.4.1 Điều kiện là một sự kiện
Hàm xác suất có điều kiện
Định nghĩa 5 (Hàm xác suất có điều kiện)
Cho X và Y là hai biến ngẫu nhiên rời rạc và B là một sự kiện nào đó thỏa mãn P (B) > 0. Khi đó, hàm
xác suất có điều kiện đồng thời của X và Y với điều kiện B được ký hiệu và định nghĩa bởi
PX,Y |B (x, y) = P [(X = x, Y = y)|B]. (15)
Định lý 9
Với mọi sự kiện B với P (B) > 0 trong miền SX,Y ,


 PX,Y (x, y) , (x, y) ∈ B,
PX,Y |B (x, y) = P (B) (16)
0, (x, y) ∈
/ B.


HÀ NỘI – 2023 48 / 115
Hàm mật độ có điều kiện
Định nghĩa 6 (Hàm mật độ có điều kiện)
Cho B là một sự kiện với P (B) > 0, hàm mật độ xác suất có điều kiện đồng thời của X và Y với điều kiện
B được ký hiệu và xác định bởi

 fX,Y (x, y) , (x, y) ∈ B,
fX,Y |B (x, y) = P (B) (17)
0, trái lại.

Ví dụ 12
Cho X và Y là hai biến ngẫu nhiên trong Ví dụ 7. Tìm hàm mật độ xác suất có điều kiện của X và Y với
điều kiện B, với B = {X + Y ≥ 4}.

HÀ NỘI – 2023 49 / 115
Hàm mật độ có điều kiện
Giải. Sử dụng kết quả của Ví dụ 7, trước hết ta tính P (B),

Z3 Z6 Z3
1 1 7
P (B) = dxdy = (1 + y)dy = .
18 15 12
0 4−y 0
Sử dụng Định nghĩa 5,


2, 0 ≤ x ≤ 6, 0 ≤ y ≤ 3, x + y ≥ 4,
fX,Y |B (x, y) = 21
0, nếu trái lại.

HÀ NỘI – 2023 50 / 115
Kỳ vọng có điều kiện
Định nghĩa 7 (Kỳ vọng có điều kiện)
Cho hai biến ngẫu nhiên X và Y và sự kiện B có xác suất khác 0, kỳ vọng có điều kiện của hàm
W = g(X, Y ) với điều kiện B là
X X
E(W |B) = E[g(X, Y )|B] = g(x, y)PX,Y |B (x, y) (18)
x∈SX y∈SY
nếu X và Y là các biến ngẫu nhiên rời rạc và

+∞ Z
Z +∞
E(W |B) = E[g(X, Y )|B] = g(x, y)fX,Y |B (x, y)dxdy (19)

−∞ −∞
nếu X và Y là các biến ngẫu nhiên liên tục.

HÀ NỘI – 2023 51 / 115
Ví dụ 13
Tìm kỳ vọng của W = XY với điều kiện B = {X + Y ≥ 4} trong Ví dụ 12.
Giải. Từ Định lý 7 và kết quả của Ví dụ 12,

Z3 Z6 Z3 Z3
2 1 2
6 2 189
E(XY |B) = xydxdy = x ydy = (20y + 8y 2 − y 3 )dy = .
21 21 4−y 21 14
0 4−y 0 0

HÀ NỘI – 2023 52 / 115
Phương sai có điều kiện
Định nghĩa 8 (Phương sai có điều kiện)
Phương sai có điều kiện của biến ngẫu nhiên W = g(X, Y ) với điều kiện B là
V [g(X, Y )|B] = V (W |B) = E[W − E(W |B))2 |B]. (20)
Định lý 10
V [g(X, Y )|B] = V (W |B) = E(W 2 |B) − (E(W |B))2 (21)

HÀ NỘI – 2023 53 / 115
3.4 Phân phối xác suất có điều kiện 3.4.2 Điều kiện là một biến ngẫu nhiên
Hàm xác suất có điều kiện
Định nghĩa 9 (Hàm xác suất có điều kiện)
Cho hai biến ngẫu nhiên rời rạc X, Y và y là một số thực sao cho pY (y) > 0. Hàm xác suất có điều kiện
của X với điều kiện Y = y được ký hiệu và xác định bởi
pX|Y =y (x) = pX|y (x) = P (X = x|Y = y). (22)
✍ Từ định nghĩa xác suất có điều kiện ta có

pX,Y (x, y)
pX|Y =y (x) = . (23)
pY (y)
Định lý 11
Cho X và Y có hàm xác suất đồng thời pX,Y (x, y), x và y là các số thực sao cho pX (x) > 0 và pY (y) > 0.
Khi đó,
pX,Y (x, y) = pX|Y =y (x)pY (y) = pY |X=x (y)pX (x). (24)

HÀ NỘI – 2023 54 / 115
Bảng phân phối xác suất có điều kiện
Từ Định nghĩa 2 ta suy ra:
Định nghĩa 10 (Bảng phân phối xác suất có điều kiện)
Bảng phân phối xác suất có điều kiện của X với điều kiện Y = yj
X|Y = yj x1 x2 ... xm
P P (X = x1 |Y = yj ) P (X = x2 |Y = yj ) ... P (X = xm |Y = yj )
Bảng phân phối xác suất có điều kiện của Y với điều kiện X = xi
Y |X = xi y1 y2 ... yn
P P (Y = y1 |X = xi ) P (Y = y2 |X = xi ) ... P (Y = yn |X = xi )

HÀ NỘI – 2023 55 / 115
Bảng phân phối xác suất có điều kiện
Ví dụ 14
Từ kết quả phân tích các số liệu thống kê trong tháng về doanh số bán hàng (X) và chi phí cho quảng cáo
(Y ) (đơn vị triệu đồng) của một công ty, thu được bảng phân phối xác suất đồng thời như sau:
HH X
100 200 300
Y HH
H
1 0, 15 0, 1 0, 14
1, 5 0, 05 0, 2 0, 15
2 0, 01 0, 05 0, 15
Bảng phân phối xác suất có điều kiện của X với điều kiện Y = 1, 5 và của Y với điều kiện X = 300 lần
lượt là
X|Y = 1, 5 100 200 300 Y |X = 300 1 1,5 2

14 15 15
P 0,125 0,5 0,375 P 44 44 44

HÀ NỘI – 2023 56 / 115
Hàm mật độ xác suất có điều kiện
Định nghĩa 11 (Hàm mật độ xác suất có điều kiện)

Cho hai biến ngẫu nhiên liên tục X và Y có hàm mật độ xác suất đồng thời fX,Y (x, y). Hàm mật độ xác
suất có điều kiện của X với điều kiện Y = y được ký hiệu và xác định bởi
fX,Y (x, y)
fX|Y =y (x) = fX|y (x) = với fY (y) > 0. (25)
fY (y)
Tương tự, hàm mật độ xác suất có điều kiện của Y với điều kiện X = x là
fX,Y (x, y)
fY |X=x (y) = fY |x (y) = với fX (x) > 0. (26)
fX (x)

HÀ NỘI – 2023 57 / 115
✍ Các hàm mật độ có điều kiện cũng thỏa mãn các tính chất của một hàm mật độ thông thường, chẳng hạn,
fY |x (y) ≥ 0.
Z +∞
fY |x (y)dy = 1.
−∞
Z
P (Y ∈ B|X = x) = fY |x (y)dy với mọi B ⊂ SY .
B
✍ Từ (25) và (26) ta có thể xác định được hàm mật độ đồng thời fX,Y (x, y) bởi
fX,Y (x, y) = fY (y)fX|y (x) = fX (x)fY |x (y). (27)

HÀ NỘI – 2023 58 / 115
Ví dụ 15
Cho biến ngẫu nhiên hai chiều (X, Y ) có hàm mật độ xác suất là

 1 , nếu 0 < y < x < 1,
fX,Y (x, y) = x
(a) Tìm các hàm mật độ xác suất biên fX (x) và fY (y).
(b) Tìm các hàm mật độ xác suất có điều kiện fX|y (x) và fY |x (y).

HÀ NỘI – 2023 59 / 115
Giải.
(a) Các hàm mật độ xác suất biên là:
Zx
+∞
 1 dy,

 (
0 < x < 1,
Z
1, 0 < x < 1,
fX (x) = fX,Y (x, y)dy = x =

 0 0, trái lại.
−∞
0, trái lại,

 1
Z
+∞
 1 dx,

 (
0 < y < 1, − ln y,
Z
0 < y < 1,
fY (y) = fX,Y (x, y)dx = x =

 y 0, trái lại.
−∞ 
0, trái lại,

HÀ NỘI – 2023 60 / 115
(b) Các hàm mật độ xác suất có điều kiện là:
− 1 , 0 < y < x < 1,


fX,Y (x, y)
fX|y (x) = = x ln y
fY (y)  0, trái lại.

 1 , 0 < y < x < 1,
fX,Y (x, y)
fY |x (y) = = x
fX (x) 0, trái lại.

HÀ NỘI – 2023 61 / 115
Ví dụ 16
Giả sử tại một trường đại học, một sinh viên đạt được điểm X trong bài kiểm tra năng khiếu toán học và
điểm Y trong bài kiểm tra năng khiếu âm nhạc là một số trong khoảng từ 0 đến 1. Giả sử X và Y được
phân phối theo hàm mật độ sau:

 2 (2x + 3y), 0 < x, y < 1,
fX,Y (x, y) = 5
0, nếu ngược lại.
(a) Tính tỷ lệ sinh viên đại học đạt điểm cao hơn 0,8 trong bài kiểm tra năng khiếu toán.
(b) Giả sử điểm kiểm tra năng khiếu âm nhạc của một sinh viên là 0,3, tính xác suất để điểm kiểm tra
năng khiếu toán học của sinh viên này lớn hơn 0,8.

HÀ NỘI – 2023 62 / 115

Giải.
Z1 Z1 Z1
2 2
(a) P (X > 0, 8) = (2x + 3y)dxdy = (0, 36 + 0, 6y)dy = 0, 264.
5 5
0 0.8 0
Z1
(b) Ta cần tính P (X > 0, 8|Y = 0, 3) = fX|Y =0,3 (x)dx, trong đó,
0,8
 2
 5
(2x + 3y)

 Z 1
 , nếu 0 < x, y < 1,
fX,Y (x, y)
fX|y (x) = = 25 (2x + 3y)dx
fY (y) 
 0

0, nếu trái lại,
 2x + 3y ,

nếu 0 < x, y < 1,
= 1 + 3y

HÀ NỘI – 2023 63 / 115
Suy ra,
 2x + 0, 9 ,

nếu 0 < x < 1,
fX|Y =0,3 (x) = 1, 9
Vậy,
Z1
2x + 0, 9 0, 36 + 0, 18
P (X > 0, 8|Y = 0, 3) = dx = = 0, 2842.
1, 9 1, 9
0,8

HÀ NỘI – 2023 64 / 115
Định lý 12
Cho W = g(X, Y ) là một hàm của hai biến ngẫu nhiên X và Y . Khi đó, kỳ vọng có điều kiện của
W = g(X, Y ) với điều kiện Y = y là
X
E(W |y) = E[g(X, Y )|Y = y] = g(x, y)pX|Y =y (x) (28)
x∈SX
nếu X và Y là các biến ngẫu nhiên rời rạc và

+∞
Z
E(W |y) = E[g(X, Y )|Y = y] = g(x, y)fX|y (x)dx (29)
−∞
nếu X và Y là các biến ngẫu nhiên liên tục.

HÀ NỘI – 2023 65 / 115
✍ Kỳ vọng có điều kiện của X với điều kiện Y = y là một trường hợp đặc biệt của Định lý 12:
X
E(X|Y = y) = xPX|y (x) nếu X rời rạc (30)
x∈SX
và
+∞
Z
E(X|Y = y) = xfX|y (x)dx nếu X liên tục. (31)
−∞

HÀ NỘI – 2023 66 / 115
Ví dụ 17
Với số liệu của Ví dụ 14,

(a) Nếu chi phí cho quảng cáo 1,5 triệu đồng thì doanh số trung bình là bao nhiêu?
(b) Nếu muốn doanh số là 300 triệu đồng thì trung bình phải chi phí cho quảng cáo bao nhiêu?
Giải. Sử dụng kết quả của Ví dụ 14

(a) Nếu chỉ chi phí cho quảng cáo là 1,5 triệu đồng thì doanh số trung bình là
E(X|Y = 1, 5) = 100 × 0, 125 + 200 × 0, 5 + 300 × 0, 375 = 225 (triệu đồng).
(b) Nếu muốn doanh số là 300 triệu đồng thì trung bình phải chi phí cho quảng cáo là
14 15 15
E(Y |X = 300) = 1 × + 1, 5 × +2× ≈ 1, 5136 (triệu đồng).
44 44 44

HÀ NỘI – 2023 67 / 115
Định nghĩa 12 (Kỳ vọng có điều kiện)
Kỳ vọng có điều kiện của X với điều kiện Y , E(X|Y ), là một hàm của biến ngẫu nhiên Y sao cho nếu
Y = y thì E(X|Y ) = E(X|Y = y).
Ví dụ 18
Giả sử hàm mật độ xác suất có điều kiện của biến ngẫu nhiên X với điều kiện Y = y có dạng
(
1
, y < x < 1,
fX|Y =y (x) = 1−y
Tìm kỳ vọng có điều kiện E(X|Y = y) và E(X|Y ).

HÀ NỘI – 2023 68 / 115
Giải. Ta có
+∞ Z1
x2
Z
1 x=1 1+y
E(X|Y = y) = xfX|y (x)dx = xdx = = .
1−y 2(1 − y) x=y 2
−∞ y
1+y
Từ E(X|Y = y) = 2
suy ra
1+Y
E(X|Y ) = .
2

HÀ NỘI – 2023 69 / 115
Luyện tập
Bài 11
Sử dụng dữ liệu trong Bài 4. (a) Tìm phân phối xác suất có điều của X và Y với điều kiện B, ở đây
B = {(x, y) ∈ R2 | x + y > 2}; (b) Tìm phân phối xác suất có điều của X với điều kiện Y = 2; (c) Tính kỳ
vọng có điều kiện của X với điều kiện Y = 2.
Bài 12
Sử dụng dữ liệu trong Bài 5. (a) Tìm phân phối xác suất có điều của X và Y với điều kiện B, ở đây
B = {(x, y) ∈ R2 | x + y < 2}; (b) Tìm phân phối xác suất có điều của X với điều kiện Y = y, 1 ≤ y ≤ 4;
(c) Tính kỳ vọng có điều kiện của X với điều kiện Y = y, 1 ≤ y ≤ 4.

HÀ NỘI – 2023 70 / 115
3.5 Biến ngẫu nhiên độc lập
NỘI DUNG

HÀ NỘI – 2023 71 / 115
Biến ngẫu nhiên độc lập
Trong một số phép thử ngẫu nhiên, thông tin về các giá trị của X không thay đổi bất kỳ xác suất nào liên
quan đến các giá trị của Y . Trong trường hợp đó ta nói X và Y độc lập với nhau.
Một số dấu hiệu nhận biết tính độc lập của hai biến ngẫu nhiên X và Y dựa trên tính chất của hàm khối
lượng/bảng phân phối xác suất đồng thời, hàm phân phối xác suất đồng thời, hàm mật độ xác suất đồng
thời như trong Định nghĩa 13 dưới đây.

HÀ NỘI – 2023 72 / 115
Định nghĩa 13 (Biến ngẫu nhiên độc lập)
Hai biến ngẫu nhiên X và Y độc lập với nhau nếu với mọi x, y,
(a) pX,Y (x, y) = pX (x)pY (y), nếu X và Y rời rạc;
(b) fX,Y (x, y) = fX (x)fY (y), nếu X và Y liên tục;
(c) FX,Y (x, y) = FX (x)FY (y), nếu X và Y tùy ý.
✍ Từ Định nghĩa 13, nếu X và Y độc lập ta có thể nghiên cứu từng biến ngẫu nhiên theo các phương pháp đã
có ở Chương 2, đồng thời từ các phân phối biên của X và Y ta có thể xác định được hàm xác suất, hàm mật
độ xác suất, hàm phân phối xác suất đồng thời pX,Y (x, y), fX,Y (x, y), FX,Y (x, y) của X và Y theo Định nghĩa
13(a),(b),(c).

HÀ NỘI – 2023 73 / 115
Ví dụ 19
Hai biến ngẫu nhiên X và Y trong Ví dụ 11 có độc lập không?
Giải. Từ kết quả của Ví dụ 11, fX,Y (x, y) ̸= fX (x)fY (y), nên X và Y không độc lập.

HÀ NỘI – 2023 74 / 115
Ví dụ 20
Sử dụng biến ngẫu nhiên hai chiều, tính xác suất để hai người gặp được nhau trong (Ví dụ ở Chương 1)
(2)
(2)
Hai người bạn hẹn gặp nhau ở công viên trong khoảng thời gian từ 17h00 đến 18h00. Họ quy ước nếu người
nào đến trước thì sẽ đợi người kia trong vòng 10 phút, sau 10 phút đợi nếu không gặp sẽ về. Thời điểm đến của
hai người là ngẫu nhiên và độc lập với nhau trong khoảng thời gian trên. Tính xác suất hai người gặp được nhau.
HÀ NỘI – 2023 75 / 115
Giải. Quy gốc thời gian về lúc 17h00. Gọi X và Y lần lượt là biến ngẫu nhiên chỉ thời điểm đến của hai người
trong khoảng thời gian từ phút thứ 0 đến phút thứ 60. X và Y là các biến ngẫu nhiên liên tục có phân phối đều
trên [0; 60]. Do X và Y độc lập nên chúng có hàm mật độ xác suất đồng thời

 1 , (x, y) ∈ [0, 60]2 ,
fX,Y (x, y) = fX (x)fY (y) = 3600
 0, ngược lại.
Đặt W = |X − Y |. Khi đó, xác suất hai người gặp được nhau là
P (W < 10) = P (|X − Y | < 10) = P ((X, Y ) ∈ D) ,
trong đó D là giao của miền |x − y| < 10 và hình vuông [0; 60]2 (xem Hình 6).

HÀ NỘI – 2023 76 / 115

y
60
y = x + 10
y = x − 10
10
x
O
10 60
Hình 6: Miền D của Ví dụ 20
Suy ra
Z60 x−10
Z
1 2500 11
P (W < 10) = 1 − 2 dx dy = 1 − = .
3600 3600 36
10 0
HÀ NỘI – 2023 77 / 115

Định lý 13
Với hai biến ngẫu nhiên X và Y , nếu một trong các tính chất sau là đúng thì các tính chất còn lại cũng
đúng và X và Y độc lập với nhau.
1 Nếu X và Y rời rạc
(a) pX,Y (x, y) = pX (x)pY (y) với mọi x và y.
(b) pX|Y =y (x) = pX (x) với mọi x và y với pY (y) > 0.
(c) pY |X=x (y) = pY (y) với mọi x và y với pX (x) > 0.
(d) P (X ⊂ A, Y ⊂ B) = P (X ⊂ A)P (Y ⊂ B) với mọi A ⊂ SX và B ⊂ SY .
2 Nếu X và Y liên tục
(a) fX,Y (x, y) = fX (x)fY (y) với mọi x và y.
(b) fX|Y =y (x) = fX (x) với mọi x và y với fY (y) > 0.
(c) fY |X=x (y) = fY (y) với mọi x và y với fX (x) > 0.
(d) P (X ⊂ A, Y ⊂ B) = P (X ⊂ A)P (Y ⊂ B) với mọi A ⊂ SX và B ⊂ SY .
HÀ NỘI – 2023 78 / 115
Ví dụ 21
Gọi biến ngẫu nhiên X và Y lần lượt là chiều dài và chiều rộng của một chi tiết máy được gia công. Giả sử
X và Y là các biến ngẫu nhiên độc lập và giả sử X tuân theo luật phân phối chuẩn với trung bình 10,5
milimét và phương sai 0,0025 (milimét)2 , Y tuân theo luật phân phối chuẩn với trung bình 3,2 milimét và
phương sai 0,0036 (milimét)2 . Tính xác suất để 10, 4 < X < 10, 6 và 3, 15 < Y < 3, 25.
Giải. Vì X và Y độc lập nên
P (10, 4 < X < 10, 6, 3, 15 < Y < 3, 25) = P (10, 4 < X < 10, 6)P (3, 15 < Y < 3, 25)
h 10, 6 − 10, 5 10, 4 − 10, 5 ih 3, 25 − 3, 2 3, 15 − 3, 2 i
= Φ √ −Φ √ Φ √ −Φ √
0, 0025 0, 0025 0, 0036 0, 0036

= Φ(2) − Φ(−2) Φ(0, 83) − Φ(−0, 83) = (2 × 0, 97725 − 1)(2 × 0, 79673 − 1)
≈ 0, 5665

HÀ NỘI – 2023 79 / 115
Tính chất 3
Với hai biến ngẫu nhiên độc lập X và Y ta có
(a) E[g(X)h(Y )] = E[g(X)]E[h(Y )].
(b) E(XY ) = E(X)E(Y ).
(c) E(X|y) = E(X) với mọi y ∈ SY .
(d) E(Y |x) = E(Y ) với mọi x ∈ SX .

HÀ NỘI – 2023 80 / 115
Luyện tập
Bài 13
các biến ngẫu nhiên trong Bài 4 và 5 có độc lập không?
Bài 14
Một mạch điện gồm hai thiết bị mắc song song. Giả sử thời gian hoạt động của hai thiết bị (đơn vị: năm)
là hai biến ngẫu nhiên X và Y độc lập có phân phối mũ với tham số λX > 0 và λY > 0. Tìm phân phối
xác suất của biến ngẫu nhiên chỉ thời gian hoạt động của mạch điện.
Bài 15
Hai biến ngẫu nhiên rời rạc X và Y có bảng phân phối xác suất đồng thời là:
H X
H
0 1 2
Y HH
H
1 2/9 1/9 0
2 1/9 2/9 3/9
HÀ NỘI – 2023 81 / 115
3.6 Hiệp phương sai. Hệ số tương quan
NỘI DUNG

HÀ NỘI – 2023 82 / 115
3.6 Hiệp phương sai. Hệ số tương quan 3.6.1 Hiệp phương sai
Định nghĩa
Khi hai hoặc nhiều biến ngẫu nhiên được xác định trên một không gian xác suất, sẽ rất hữu ích nếu mô tả được
sự biến thiên đồng thời của chúng; nghĩa là, ta đo lường mối quan hệ giữa các biến ngẫu nhiên. Một thước đo
phổ biến về mối quan hệ giữa hai biến ngẫu nhiên là hiệp phương sai.
Định nghĩa 14 (Hiệp phương sai)
Cho hai biến ngẫu nhiên X và Y có E(X) và E(Y ). Hiệp phương sai của hai biến ngẫu nhiên X và Y , ký
hiệu là cov(X, Y ), được định nghĩa bởi

Cov(X, Y ) = E [X − E(X)][Y − E(Y )] . (32)

HÀ NỘI – 2023 83 / 115
Công thức tương đương
✍ Từ (32) và sử dụng tính chất của kỳ vọng,
Cov(X, Y ) = E(XY ) − E(X)E(Y ) − E(Y )E(X) + E(X)E(Y )

= E(XY ) − E(X)E(Y ).
Ta nhận được một công thức khác để xác định hiệp phương sai, tương đương với công thức (32).
Định lý 14
Cov(X, Y ) = E(XY ) − E(X)E(Y ). (33)

HÀ NỘI – 2023 84 / 115
Nhận xét
Nhận xét 2
Hiệp phương sai được dùng làm độ đo quan hệ giữa hai biến X và Y .
(a) Cov(X, Y ) > 0 cho thấy xu thế Y tăng khi X tăng.
(b) Cov(X, Y ) < 0 cho thấy xu thế Y giảm khi X tăng.
(c) Phương sai là trường hợp riêng của hiệp phương sai khi X = Y và V (X) = Cov(X, X).

HÀ NỘI – 2023 85 / 115
Ví dụ
Ví dụ 22
Biến ngẫu nhiên X và Y trong Ví dụ 4 có hiệp phương sai âm hay dương?
Giải. Khi số sản phẩm loại I tăng lên thì số sản phẩm loại II giảm xuống. Do đó, X và Y có hiệp phương sai
âm. Điều này có thể được xác minh bằng việc tính Cov(X, Y ) trong Ví dụ 3.

HÀ NỘI – 2023 86 / 115
Tính chất
Tính chất 4
(a) Cov(X, Y ) = Cov(Y, X).

(b) Nếu X, Y độc lập thì Cov(Y, X) = 0, điều ngược lại chưa chắc đã đúng.
(c) Cov(aX, Y ) = aCov(X, Y ) với a là hằng số.
(d) Cov(X + Z, Y ) = Cov(X, Y ) + Cov(Z, Y ).
Pn Pn
Mở rộng, Cov i=1 Xi , Y = i=1 Cov(Xi , Y ).

HÀ NỘI – 2023 87 / 115
Ví dụ
Ví dụ 23
Hai biến ngẫu nhiên rời rạc X và Y có bảng phân phối xác suất đồng thời là
H Y
H
−1 0 1
X HH H
−1 4/15 1/15 4/15
0 1/15 2/15 1/15
1 0 2/15 0
(a) Tìm Cov(X, Y ).

(b) X và Y có độc lập không?

HÀ NỘI – 2023 88 / 115
Ví dụ
Giải.
(a) Ta có
9 4 2 7
E(X) = (−1) × +0× +1× =− .
15 15 15 15
5 5 5
E(Y ) = (−1) × +0× +1× = 0.
15 15 15
4 4
E(XY ) = (−1) × (−1) × + (−1) × (1) × + 1 × (−1) × 0 + 1 × 1 × 0 = 0.
15 15
Suy ra Cov(X, Y ) = E(XY ) − E(X)E(Y ) = 0.
(b) Dễ thấy P (X = −1, Y = −1) ̸= P (X = −1)P (Y = −1) nên X, Y không độc lập.
Trong Ví dụ 23, Cov(X, Y ) = 0 nhưng hai biến ngẫu nhiên X và Y không độc lập.

HÀ NỘI – 2023 89 / 115
Xây dựng công thức tính phương sai từ hiệp phương sai
Sử dụng định nghĩa phương sai,
V (aX + bY + c) = E[(aX + bY + c) − E(aX + bY + c)]2 .
Sử dụng tính chất của kỳ vọng,
E(aX + bY + c) = aE(X) + bE(Y ) + c.
Suy ra
2
V (aX + bY + c) = E a[X − E(X)] + b[Y − E(Y )]
= a2 E[X − E(X)]2 + b2 E[Y − E(Y )]2 + 2abE{[X − E(X)][Y − E(Y )]}
= a2 V (X) + b2 V (Y ) + 2ab Cov(X, Y ).

HÀ NỘI – 2023 90 / 115
Xây dựng công thức tính phương sai từ hiệp phương sai
Định lý 15
Cho (X, Y ) là biến ngẫu nhiên hai chiều, a, b, c là các hằng số. Khi đó
V (aX + bY + c) = a2 V (X) + b2 V (Y ) + 2ab Cov(X, Y ). (34)
Hệ quả 2
Nếu X và Y là hai biến ngẫu nhiên độc lập thì
V (aX + bY ) = a2 V (X) + b2 V (Y ).
V (aX − bY ) = a2 V (X) + b2 V (Y ).
Đặc biệt,
V (X ± Y ) = V (X) + V (Y ).

HÀ NỘI – 2023 91 / 115
Ma trận hiệp phương sai
Định nghĩa 15 (Ma trận hiệp phương sai)
Ma trận hiệp phương sai của biến ngẫu nhiên hai chiều (X, Y ) được xác định bởi

Cov(X, X) Cov(X, Y ) V (X) Cov(X, Y )
Σ= =
Cov(Y, X) Cov(Y, Y ) Cov(X, Y ) V (Y )
Tính chất 5
(a) Ma trận hiệp phương sai là ma trận đối xứng.

(b) Ma trận hiệp phương sai là ma trận của dạng toàn phương không âm.

HÀ NỘI – 2023 92 / 115
3.6 Hiệp phương sai. Hệ số tương quan 3.6.2 Hệ số tương quan
Định nghĩa
✍ Hiệp phương sai có hạn chế cơ bản là khó xác định được miền biến thiên, nó thay đổi từ cặp biến thiên này
sang cặp biến thiên khác. Chưa kể về mặt vật lý nó có đơn vị đo bằng bình phương đơn vị đo của biến ngẫu
nhiên X, Y (nếu chúng cùng đơn vị đo). Vì thế cần đưa ra một số đặc trưng khác để khắc phục hạn chế này,
đó là “hệ số tương quan”.
Định nghĩa 16 (Hệ số tương quan)
Hệ số tương quan của hai biến ngẫu nhiên X và Y , ký hiệu là ρX,Y , được định nghĩa là
Cov(X, Y ) Cov(X, Y )
ρX,Y = p = . (35)
V (X).V (Y ) σX σY

HÀ NỘI – 2023 93 / 115
Tính chất
✍ Vì σX > 0, σY > 0 nên nếu hiệp phương sai giữa X và Y dương, âm hay bằng 0 thì hệ số tương quan giữa
X và Y cũng dương, âm hay bằng 0, tương ứng.
Tính chất 6
(a)
−1 ≤ ρX,Y ≤ 1. (36)
(b) Nếu X và Y là hai biến ngẫu nhiên độc lập thì
ρX,Y = 0. (37)

HÀ NỘI – 2023 94 / 115
Ví dụ
Ví dụ 24
Cho biến ngẫu nhiên X có phân phối xác suất



 0, 2, nếu x = 1,

0, 6, nếu x = 2,
PX (x) =


 0, 2, nếu x = 3,

Đặt Y = 2X + 5. Khi đó,


0, 2,


nếu y = 7,
0, 6, nếu y = 9,
PY (y) =


 0, 2, nếu y = 11,

Phân phối xác suất đồng thời của X và Y được cho trong Hình 7. Vì X và Y có quan hệ tuyến tính nên
ρX,Y = 1. Việc kiểm tra kết quả này xem như bài tập.
HÀ NỘI – 2023 95 / 115
Ví dụ
Hình 7: Phân phối đồng thời trong Ví dụ 24

HÀ NỘI – 2023 96 / 115
Ví dụ
Ví dụ 25
Cho hai biến ngẫu nhiên liên tục có hàm mật độ xác suất đồng thời là
(
1
xy, 0 ≤ x ≤ 2, 0 ≤ y ≤ 4,
fX,Y (x, y) = 16
Chứng minh rằng ρX,Y = 0.
Giải. Trước hết ta tính

Z2 Z4 Z2 Z4
1 4 8
E(X) = x2 ydy dx = ; E(Y ) = xy 2 dy dx = ,
16 3 3
0 0 0 0
Z2 Z4 32
E(XY ) = x2 y 2 dy dx = .
9
0 0

HÀ NỘI – 2023 97 / 115
Ví dụ
Suy ra
32 4 8
Cov(X, Y ) = − × = 0.
9 3 3
Do đó, ρX,Y = 0.
✍ Ta cũng có thể chứng minh hai biến ngẫu nhiên này độc lập bằng cách chỉ ra fX,Y (x, y) = fX (x)fY (y) với
mọi x, y.

HÀ NỘI – 2023 98 / 115
Luyện tập
Bài 16
Tính hiệp phương sai và hệ số tương quan giữa các biến X và Y trong Bài 4 và 5.

HÀ NỘI – 2023 99 / 115
3.7 Luật số lớn
NỘI DUNG

HÀ NỘI – 2023 100 / 115
3.7 Luật số lớn
Loại bài toán nào được giải nhờ luật số lớn?
Ví dụ 26
(a) Gieo n lần một đồng xu cân đối đồng chất. Gọi x là số lần xuất hiện mặt sấp trong n lần gieo. Khi
đó, tỷ số x/n được gọi là tần suất xuất hiện mặt sấp. Người ta thấy rằng nếu số lần gieo càng lớn thì
x/n càng gần tới 1/2 (xem Chương 1).
(b) Lặp lại n lần đo độc lập biến ngẫu nhiên X trong cùng một điều kiện như nhau, kết quả của các lần
đo là x1 , x2 , . . . , xn . Thực nghiệm cho thấy rằng trung bình số học x1 +x2 +···+x
n
n
gần với số E(X)
(xem Chương 2).
✍ Câu hỏi đặt ra:

1 “Với điều kiện nào thì x/n hội tụ về xác suất p = P (A)?”
x1 +x2 +···+xn
2 “Với điều kiện nào thì n
hội tụ về E(X)?”
Loại các bài toán này được giải nhờ các định lý thuộc dạng luật số lớn.

HÀ NỘI – 2023 101 / 115
3.7 Luật số lớn 3.7.1 Sự hội tụ của dãy các biến ngẫu nhiên
Sự hội tụ theo xác suất
Định nghĩa 17 (Sự hội tụ theo xác suất)
Xét dãy biến ngẫu nhiên {Xn }∞

n=1 và biến ngẫu nhiên X trong cùng một phép thử nghiệm. Dãy các biến
ngẫu nhiên {Xn }∞
n=1 hội tụ theo xác suất về biến ngẫu nhiên X khi n → ∞ nếu với mọi ε > 0,
lim P (|Xn − X| > ε) = 0. (38)

n→∞
✍ Nếu dãy các biến ngẫu nhiên {Xn }∞ n=1 hội tụ theo xác suất về biến ngẫu nhiên X thì với n đủ lớn, thực tế
gần như chắc chắn ta có thể coi rằng Xn không khác mấy so với X.

HÀ NỘI – 2023 102 / 115
3.7 Luật số lớn 3.7.1 Sự hội tụ của dãy các biến ngẫu nhiên
Sự hội tụ theo phân phối
Định nghĩa 18 (Sự hội tụ theo phân phối)
Dãy các biến ngẫu nhiên {Xn }∞

n=1 được gọi là hội tụ theo phân phối về biến ngẫu nhiên X khi n → ∞ nếu
dãy các hàm phân phối xác suất {FXn (x)}∞
n=1 hội tụ về hàm phân phối FX (x) khi n → ∞. Tức là với mọi
x ∈ R,
lim FXn (x) = FX (x). (39)

n→∞

HÀ NỘI – 2023 103 / 115
3.7 Luật số lớn 3.7.2 Luật số lớn Chebyshev
Bất đẳng thức Chebyshev

Định lý 16 (Bất đẳng thức Markov)
Cho Y là biến ngẫu nhiên không âm có kỳ vọng hữu hạn. Khi đó, với ε > 0 tùy ý cho trước, ta có
E(Y 2 )
P (Y ≥ ϵ) ≤ . (40)
ϵ2
Định lý 17 (Bất đẳng thức Chebyshev)
Cho X là biến ngẫu nhiên có kỳ vọng E(X) = µ và phương sai V (X) = σ 2 hữu hạn. Khi đó, với ε > 0 tùy
ý cho trước, ta có
σ2
P (|X − µ| ≥ ε) ≤ . (41)
ε2
hay tương đương
σ2
P (|X − µ| < ε) ≥ 1 − . (42)
ε2
(3) Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 104/115
HÀ NỘI – 2023 104 / 115
Bất đẳng thức Chebyshev
Nhận xét 3
Các bất đẳng thức (41) và (42) được gọi là bất đẳng thức Chebyshev.
Nếu đặt ε = kσ với k là một số thực tùy ý thì bất đẳng thức (42) có dạng
1
P (µ − kσ < X < µ + kσ) ≥ 1 − . (43)
k2
Bất đẳng thức Chebyshev đưa ra một ước lượng quan trọng về xác suất mà một biến ngẫu nhiên
nhận giá trị sai lệch so với giá trị trung bình không quá k lần độ lệch chuẩn, với bất kỳ số thực k nào.
Chẳng hạn, k = 2, định lý nói rằng biến ngẫu nhiên X có xác suất ít nhất là 1 − 1/22 = 3/4 nằm
trong khoảng hai lần độ lệch chuẩn so với giá trị trung bình. Nghĩa là, 3/4 hoặc nhiều hơn các quan
sát của bất kỳ phân phối nào nằm trong khoảng (µ − 2σ, µ + 2σ). Tương tự, định lý nói rằng ít nhất
tám phần chín các quan sát của bất kỳ phân phối nào nằm trong khoảng (µ − 3σ, µ + 3σ).

HÀ NỘI – 2023 105 / 115
Ví dụ
Ví dụ 27
Một biến ngẫu nhiên X có kỳ vọng µ = 8 và phương sai σ 2 = 9 và không biết phân phối xác suất. Tìm
(a) P (−4 < X < 20).
(b) P (|X − 8| ≥ 6).
Giải. Áp dụng bất đẳng thức Chebysshev,

15
(a) P (−4 < X < 20) = P (8 − (4)(3) < X < 8 + (4)(3)) ≥ 16
.
(b) P (|X − 8| ≥ 6) = 1 − P (|X − 8| < 6) = 1 − P (8 − (2)(3) < X < 8 + (2)(3)) ≥ 14 .

HÀ NỘI – 2023 106 / 115
Nhận xét
Nhận xét 4
Bất đẳng thức Chebyshev phù hợp với bất kỳ sự phân phối nào của các quan sát, và vì lý do này, kết
quả thường yếu.
Giá trị được đưa ra bởi bất đẳng thức chỉ là một giới hạn dưới. Nghĩa là, chúng ta biết rằng xác suất
của một biến ngẫu nhiên nằm trong khoảng hai lần độ lệch chuẩn so với giá trị trung bình có thể
không nhỏ hơn 3/4, nhưng chúng ta không bao giờ biết nó thực sự có thể cao hơn bao nhiêu.

HÀ NỘI – 2023 107 / 115
Định lý Chebyshev
Định lý 18 (Định lý Chebyshev)
Nếu dãy các biến ngẫu nhiên X1 , X2 , . . . , Xn , . . . độc lập, có kỳ vọng hữu hạn và phương sai bị chặn đều
(V (Xi ) ≤ C, ∀i = 1, 2, . . . , C là hằng số dương), thì với ε > 0 tùy ý cho trước ta có:
1X n n
1X
lim P Xi − E(Xi ) < ϵ = 1. (44)
n→+∞ n i=1 n i=1

HÀ NỘI – 2023 108 / 115
Định lý Chebyshev
Hệ quả 3
Nếu dãy các biến ngẫu nhiên X1 , X2 , . . . , Xn , . . . độc lập, có cùng kỳ vọng hữu hạn (E(Xi ) = µ,
i = 1, 2, . . . ) và phương sai bị chặn đều (V (Xi ) ≤ C ∀i = 1, 2, . . . , C là hằng số dương), thì với ε > 0 tùy ý
cho trước ta có:
1X n
lim P Xi − µ < ε = 1. (45)
n→+∞ n i=1

HÀ NỘI – 2023 109 / 115
Nhận xét
Nhận xét 5
(a) Định lý Chebyshev chứng tỏ rằng trung bình số học của các biến ngẫu nhiên độc lập hội tụ theo xác
suất về trung bình số học của kỳ vọng tương ứng của nó.
Nói cách khác có sự ổn định của trung bình số học của một số lớn các biến ngẫu nhiên xung quanh
trung bình số học của các kỳ vọng của các biến ngẫu nhiên ấy.
Như vậy mặc dù từng biến ngẫu nhiên độc lập có thể nhận giá trị khác nhiều so với kỳ vọng của
chúng, song trung bình số học của một số lớn các biến ngẫu nhiên lại nhận giá trị gần bằng trung
bình số học các kỳ vọng của chúng với xác suất rất lớn.
Điều đó cho phép dự đoán giá trị trung bình số học của các biến ngẫu nhiên. Chẳng hạn, gieo một
con xúc xắc cân đối đồng chất. Gọi X là số chấm xuất hiện ở mặt trên con xúc xắc thì E(X) = 3, 5.
Một nhà thống kê đã gieo một con xúc xắc cân đối đồng chất một triệu lần (nhờ sự trợ giúp của máy
vi tính) và ghi lại số chấm xuất hiện ở mặt trên con xúc xắc. Số chấm trung bình của một triệu lần
x1 + x2 + · · · + x106
gieo được tìm thấy là ≈ 3, 500867.
106

HÀ NỘI – 2023 110 / 115
Nhận xét
Nhận xét 5 (tiếp theo)
(b) Định lý Chebyshev có ứng dụng rộng rãi trong nhiều lĩnh vực, chẳng hạn nó chính là cơ sở cho
phương pháp đo lường trong vật lý.
Để xác định giá trị của một đại lượng vật lý nào đó người ta thường tiến hành đo n lần độc lập và
lấy trung bình số học của các kết quả đo làm giá trị thực của đại lượng cần đo.
Thật vậy, giả sử xem kết quả của n lần đo là các biến ngẫu nhiên X1 , X2 , . . . , Xn . Ta thấy rằng các
biến ngẫu nhiên này độc lập, có cùng kỳ vọng bằng chính giá trị thực của đại lượng vật lý (giả sử
không có sai số hệ thống), các phương sai của chúng đều bị chặn trên bởi bình phương của độ chính
xác của thiết bị đo. Do đó theo định lý Chebyshev ta có thể cho rằng trung bình số học của các kết
quả đo sẽ sai lệch rất ít so với giá trị thực của đại lượng vật lý với xác suất gần như bằng một.
(c) Định lý Chebyshev còn là cơ sở cho lý thuyết mẫu, ứng dụng trong thống kê.

HÀ NỘI – 2023 111 / 115
3.7 Luật số lớn 3.7.3 Luật số lớn Bernoulli
Định lý Bernoulli
Áp dụng luật số lớn Chebyshev với trường hợp Xi ∼ B(1, p) chính là số lần xảy ra A trong phép thử thứ i,
i = 1, 2, . . . , n ta có luật số lớn Bernoulli.
Định lý 19 (Định lý Bernoulli)
Giả sử ta có n phép thử Bernoulli với P (A) = p và m là số lần xảy ra A trong n phép thử đó. Khi đó, với
ε > 0 tùy ý cho trước, ta có
m
lim P − p < ε = 1. (46)
n→+∞ n

HÀ NỘI – 2023 112 / 115
Nhận xét
Nhận xét 6
Định lý Bernoulli chỉ ra rằng tần suất xuất hiện của sự kiện A trong n phép thử độc lập sẽ hội tụ theo xác
suất về xác suất của sự kiện đó khi số lần thử tăng lên vô hạn. Chính vì vậy định lý Bernoulli là cơ sở lý
m
thuyết của định nghĩa thống kê về xác suất ở Chương 1 “Khi n → +∞ thì → p”.
n

HÀ NỘI – 2023 113 / 115
Ví dụ
Ví dụ 28
Giả sử p là tỷ lệ cử tri sẽ bầu cho ứng cử viên A. Để ước lượng trước tỷ lệ này người ta phỏng vấn
ngẫu nhiên n cử tri. Có thể coi kết quả bầu của cử tri thứ i là biến ngẫu nhiên Xi có phân phối
Bernoulli tham số p (Xi nhận giá trị 1 nếu cử tri thứ i bầu cho ứng cử viên A và nhận giá trị 0 trong
trường hợp ngược lại).
Các biến ngẫu nhiên Xi , i = 1, 2, . . . , n độc lập và có cùng phân phối Bernoulli tham số p với kỳ vọng
E(Xi ) = p và phương sai V (Xi ) = p(1 − p). Đặt Kn = X1 + X2 + · · · + Xn , áp dụng bất đẳng thức
Chebyshev ta có
p(1 − p) 1 1
P (|Kn − p| ≥ ε) < ≤ hay P (|Kn − p| < ε) ≥ 1 − .
nε2 4nε2 4nε2
1
Chẳng hạn, nếu ε = 0, 1 và n = 100 thì P (|K100 − p| ≥ 0, 1) < = 0, 25. Nói cách
4 × 100 × (0, 1)2
khác, nếu phỏng vấn 100 cử tri và lấy kết quả này để ước lượng cho tỷ lệ cử tri sẽ bỏ phiếu cho ứng
cử viên A thì sai số vượt quá 0,1 có xác suất nhỏ hơn 0,25.

HÀ NỘI – 2023 114 / 115
Ví dụ
Nếu muốn ước lượng tin cậy hơn (chẳng hạn xác suất lớn hơn 95%) và chính xác hơn (với sai số 0,01) thì
1
P (|Kn − p| < 0, 01) ≥ 1 − .
4n(0, 01)2
Vậy số cử tri phải phỏng vấn thỏa mãn
1
1− ≥ 0, 95 suy ra n ≥ 50000.
4n(0, 01)2
Như vậy để ước lượng với độ tin cậy cao và độ chính xác cao thì cần phải lấy mẫu với số lượng lớn. Tuy
nhiên ở đây ta chỉ dựa vào bất đẳng thức Chebyshev để giải quyết bài toán.
Trong Phần thống kê ta sẽ nghiên cứu về bài toán ước lượng này và bằng phương pháp khác ta sẽ chỉ ra
số cử tri phải phỏng vấn nhỏ hơn kết quả trên.

HÀ NỘI – 2023 115 / 115

2023 Baigiang XSTK MI2020 Chap3

Uploaded by

Document Information

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

2023 Baigiang XSTK MI2020 Chap3

Uploaded by

Copyright:

Available Formats

Chương 3

BIẾN NGẪU NHIÊN NHIỀU CHIỀU

NGUYỄN THỊ THU THỦY(1)

VIỆN TOÁN ỨNG DỤNG VÀ TIN HỌC

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 2/115

Giúp sinh viên:

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 3/115

1 3.1 Khái niệm biến ngẫu nhiên nhiều chiều

2 3.2 Phân phối xác suất đồng thời

3 3.3 Phân phối xác suất biên

4 3.4 Phân phối xác suất có điều kiện

5 3.5 Biến ngẫu nhiên độc lập

6 3.6 Hiệp phương sai. Hệ số tương quan

7 3.7 Luật số lớn

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 4/115

Khái niệm 1 (Biến ngẫu nhiên nhiều chiều)

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 5/115

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 6/115

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 7/115

Hàm của hai biến ngẫu nhiên

Khái niệm 3 (Hàm của hai biến ngẫu nhiên)

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 8/115

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 9/115

1 3.1 Khái niệm biến ngẫu nhiên nhiều chiều

2 3.2 Phân phối xác suất đồng thời

3 3.3 Phân phối xác suất biên

4 3.4 Phân phối xác suất có điều kiện

5 3.5 Biến ngẫu nhiên độc lập

6 3.6 Hiệp phương sai. Hệ số tương quan

7 3.7 Luật số lớn

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 10/115

Phân phối xác suất đồng thời

Khái niệm 4 (Phân phối xác suất đồng thời)

(C5x )(C4y )(C33−x−y )

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 11/115

Phân phối xác suất đồng thời

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 12/115

Hàm xác suất đồng thời

Định nghĩa 1 (Hàm xác suất đồng thời)

(c) pX,Y (x, y) = P (X = x, Y = y).

SX,Y = (x, y) ∈ R2 | pX,Y (x, y) > 0 .

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 13/115

Hàm xác suất đồng thời

Trong Ví dụ 4, nếu A = {(x, y) ∈ R2 | x + y ≤ 1}, thì

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 14/115

Bảng phân phối xác suất đồng thời

FX,Y (x, y) = P (X < x, Y < y), x, y ∈ R (2)

Từ số liệu của Ví dụ 4 và (3),

(a) 0 ≤ FX,Y (x, y) ≤ 1 với mọi x, y.

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 17/115

Hình 1: Miền ABCD trong Nhận xét 1

Định nghĩa 4 (Hàm mật độ xác suất đồng thời)

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 19/115

SX,Y = {(x, y) ∈ R2 | fX,Y (x, y) > 0}.

(a) fX,Y (x, y) ≥ 0 với mọi x, y.

(b) fX,Y (x, y)dxdy = 1.

(c) Với A ⊂ SX,Y ,

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 20/115

(a) Tìm hằng số k.

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 21/115

Hình 2: Miền A trong Ví dụ 7

Nguyễn Thị Thu Thủy (SAMI-HUST) MI2020-CHƯƠNG 3 22/115

(a) Sử dụng Tính chất 2(a),(b), ta có k ≥ 0 và

Suy ra, k = 1/18.