Professional Documents
Culture Documents
v Phép thử
Một thí nghiệm dùng để nghiên cứu một đại lượng hay một hiện
tượng nào đó được gọi là phép thử.
› Ký hiệu một phép thử là 𝐺, 𝛼, 𝛽 …
› Ví dụ 1:
• Mua ngẫu nhiên một vé số.
• Gieo một con xúc xắc.
• Tung một đồng xu
1.1 Biến cố ngẫu nhiên và phép tính xác suất
1.1.1 Khái niệm phép thử, biến cố
v Biến cố
› Biến cố sơ cấp (BCSC): Kết quả đơn giản nhất có thể xảy ra khi
thực hiện phép thử.
› Ví dụ 2:
• Tung một đồng xu đồng chất cân đối ta thấy BCSC của phép thử
này là: Ngửa , Sấp.
• Gieo một con xúc xắc đồng chất cân đối, ta thấy các BCSC của
phép thử này là: 𝐴!, 𝐴", 𝐴#, 𝐴$, 𝐴%, 𝐴& 𝑣ớ𝑖 𝐴' là mặt i chấm xuất
hiện
1.1 Biến cố ngẫu nhiên và phép tính xác suất
1.1.1 Khái niệm phép thử, biến cố
v Biến cố
› Biến cố chắc chắn: Là biến cố nhất định phải xảy ra khi phép thử
được thực hiện. Ký hiệu là Ω (hoặc U).
Ví dụ 3: Gieo một con xúc xắc đồng chất cân đối, biến cố số chấm
xuất hiện nhỏ hơn 7 là biến cố chắc chắn.
› Biến cố không thể (bất khả): Là biến cố không thể xảy ra khi phép
thử được thực hiện. Ký hiệu là ∅ (hoặc 𝑉).
› Biến cố ngẫu nhiên: Là biến cố có thể xảy ra hoặc không khi thực
hiện phép thử.
› Tập hợp các biến cố sơ cấp của một phép thử còn gọi là không gian
các biến cố sơ cấp và ký hiệu Ω.
1.1 Biến cố ngẫu nhiên và phép tính xác suất
1.1.2 Quan hệ và các phép toán về biến cố
Giả sử phép thử G có các biến cố A, B, C…
› a) Kéo theo: Biến cố A được gọi là kéo theo biến cố B, ký
hiệu: 𝐴 ⊂ 𝐵 hoặc 𝐴 ⇒ 𝐵 nếu A xảy ra thì B cũng xảy ra.
B A
1.1 Biến cố ngẫu nhiên và phép tính xác suất
1.1.2 Quan hệ và các phép toán về biến cố
› b) Tương đương: Biến cố A và B
được gọi là hai biến cố tương
đương, ký hiệu: A = B nếu 𝐴 ⊂ BA
𝐵 𝑣à 𝐵 ⊂ 𝐴
Ω
› c) Xung khắc: A, B là 2 biến cố
xung khắc nếu chúng không thể Ω
đồng thời xảy ra khi thực hiện phép B
thử.
A
1.1 Biến cố ngẫu nhiên và phép tính xác suất
1.1.2 Quan hệ và các phép toán về biến cố
› d) Tổng 2 biến cố: Tổng của 2
biến cố A và B là một biến cố, ký
hiệu: A + B hoặc 𝐴 ∪ 𝐵. B A
› Biến cố này xảy ra khi và chỉ khi
có ít nhất một trong hai biến cố A, Ω
B xảy ra.
A+B
Ví dụ 4: Quan sát 2 xạ thụ cùng bắn vào một bia. Mỗi xạ thủ bắn
một viên.
Gọi A là biến cố “Xạ thủ 1 bắn trúng bia”, B là biến cố “Xạ thủ 2
bắn trúng bia”, C là biến cố “bia trúng đạn”
thì C = A + B.
1.1 Biến cố ngẫu nhiên và phép tính xác suất
1.1.2 Quan hệ và các phép toán về biến cố
› Tổng của n biến cố A!, A", … , A( trong cùng một phép thử là
một biến cố C ký hiệu là C = 𝐴! + 𝐴" + ⋯ 𝐴) .
› Biến cố này xảy ra khi và chỉ khi có ít nhất một biến cố 𝐴' nào
đó xảy ra khi phép thử được thực hiện.
AB
Ví dụ 5: Xét phép thử quan sát 2 xạ thụ cùng bắn vào một bia.
Mỗi xạ thủ bắn một viên.
Gọi A là biến cố “Xạ thủ 1 bắn trượt”, B là biến cố “Xạ thủ 2 bắn
trượt”, C là biến cố “bia không trúng đạn”
thì C = AB.
1.1 Biến cố ngẫu nhiên và phép tính xác suất
1.1.2 Quan hệ và các phép toán về biến cố
› g) Biến cố đối lập: biến cố đối lập 𝐴̅
A à một biến cố, ký hiệu: 𝐴̅ nếu
𝐴, 𝐴̅ xung khắc và 𝐴 ∪ 𝐴̅ = Ω. A
Ω
Ví dụ 6: Kiểm tra 5 sản phẩm.
Gọi A là biến cố “có ít nhất 3 sản phẩm tốt”, thì 𝐴̅ là biến cố “số
sản phẩm không quá 2”.
1.2 Các định nghĩa về xác suất – Định lý cơ bản của
xác suất
1.2.1 Định nghĩa cổ điển
› a) Định nghĩa
Giả sử phép thử G có n biến cố sơ cấp đồng khả năng.
A là biến cố trong cùng phép thử và có m kết quả thuận lợi cho A
(nghĩa là số khả năng xảy ra biến cố A).
,
Ta gọi tỉ số là xác suất của biến cố A và ký hiệu là P(A)
)
Giải: Các trường hợp đồng khả năng là xúc xắc xuất hiện mặt 1
chấm, 2 chấm, 3 chấm, 4 chấm, 5 chấm, 6 chấm vậy n = 6.
Gọi A là biến cố mặt xuất hiện có số chấm chia hết cho 2, số khả
năng A xảy ra là 3 khả năng (xúc xắc xuất hiện mặt 2,4, 6 chấm).
Vậy xác suất của A là
3 1
𝑃 𝐴 = =
6 2
1.2 Các định nghĩa về xác suất – Định lý cơ bản của
xác suất
1.2.1 Định nghĩa cổ điển
› b) Các tính chất của xác suất
1. Nếu A là biến cố ngẫu nhiên thì: 0 ≤ 𝑃 𝐴 ≤ 1
2. Nếu Ω là biến cố chắc chắn thì: P Ω = 1
3. Nếu ∅ là biến cố không thể thì: P ∅ = 0
Với biến cố B bất kỳ, ta luôn có: 0 ≤ 𝑃 𝐵 ≤ 1
4. Nếu A, B xung khắc thì P(A+B) = P(A) + P(B)
5. 𝐴̅ là biến có đối của 𝐴 thì P 𝐴̅ = 1 − 𝑃(𝐴)
6. Nếu 𝐴 ⇒ 𝐵 thì 𝑃 𝐴 ≤ 𝑃(𝐵)
1.2.2 Định nghĩa thống kê
𝑚
𝑃 𝐴 = lim
!→# 𝑛
› Ví dụ 8.
› Xét một phép thử đồng khả năng, không gian mẫu có vô hạn phần
tử và được biểu diễn thành một miền hình học Ω có độ đo xác
định (độ dài, diện tích, thể tích…).
› Biến cố A ⊂ Ω được biểu diễn bởi miền hình học g. Khi đó, xác
suất xảy ra A là
𝑚𝑒𝑠(𝑔) Độ đo miền A Ω
𝑃 𝐴 = =
𝑚𝑒𝑠(Ω) Độ đo miền Ω 𝑔
Ví dụ 9. Hai người X, Y hẹn gặp nhau ở một địa điểm trong
khoảng thời gian 1 giờ (8h-9h sáng) và quy ước mỗi người đến
điểm hẹn chờ người kia không quá 20 phút, nếu không thấy người
kia sẽ đi về. Tìm xác suất để 2 người gặp được nhau.
𝑃 𝐴 + 𝐵 = 𝑃 𝐴 + 𝑃(𝐵)
Tổng quát:
Nếu 𝐴!, 𝐴", … , 𝐴) là n biến cố xung khắc từng đôi, thì:
𝑃 𝐴! + 𝐴" + ⋯ + 𝐴) = 𝑃 𝐴! + 𝑃 𝐴" + ⋯ + 𝑃(𝐴) )
1.2.5 Xác suất tổng các biến cố
𝑃 𝐴 = 1 − 𝑃(𝐴)̅
Biến cố A độc lập với biến cố B khi biến cố này không ảnh hưởng
C 𝐴,̅ 𝐵 và
đến biến cố kia và ngược lại. Nếu A, B độc lập thì: 𝐴, 𝐵;
𝐴,̅ 𝐵C cũng độc lập.
𝑃 𝐴 + 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴𝐵)
Trường hợp n = 3:
Nếu 𝐴!, 𝐴", 𝐴# là n biến cố không xung khắc, thì:
𝑃 𝐴! + 𝐴" + 𝐴# = 𝑃 𝐴! + 𝑃 𝐴" + 𝑃 𝐴#
−𝑃 𝐴!𝐴" − 𝑃(𝐴!𝐴#) − 𝑃 𝐴"𝐴# + 𝑃(𝐴!𝐴"𝐴#)
Ví dụ 10.
Hai xạ thủ mỗi người bắn một phát vào 1 tấm bia, xác suất bắn
trúng của người thứ nhất và người thứ hai lần lượt là 0,8 và 0,7.
a) Tính xác suất để cả 2 người bắn trúng.
b) Tính xác suất để có ít nhất một người bắn trúng.
c) Tính xác suất để có đúng một phát trúng đích.
Giải.
b) Cách 2:
Biến cố “Có ít nhất một người bắn trúng” là A + B
𝑃 𝐴 + 𝐵 = 1 − 𝑃 𝐴.̅ 𝐵C = 1 − 0,2.0,3 = 0,94
c) Biến cố “Có đúng một phát trúng đích” là 𝐴. 𝐵C + 𝐴.̅ 𝐵
𝑃 𝐴. 𝐵C + 𝐴.̅ 𝐵 = 0,8.0,3 + 0,2.0,7 = 0,38
1.2 Các định nghĩa về xác suất – Định lý cơ bản của
xác suất
1.2.6 Xác suất có điều kiện
› a) Định nghĩa.
Xác suất của biến cố A được tính với điều kiện biến cố B đã xảy ra
gọi là xác suất có điều kiện của A khi biết chắc chắn B đã xảy ra.
Kí hiệu: P(A/B)
v Chú ý: 𝑃 𝐴 ≠ 𝑃 𝐴/𝐵
Xác suất có điều kiện có mọi tính chất của một xác suất bình
thường.
1.2.6 Xác suất có điều kiện
Giải.
Nếu kí hiệu A là biến cố rút được quân thứ 1 là át, B là biến cố rút
được quân thứ 2 là át, thì
3 1
𝑃 𝐵/𝐴 = =
51 17
1.2.6 Xác suất có điều kiện
› b) Định lí nhân xác suất
Định lí 1: Nếu A, B là hai biến cố bất kỳ, ta có:
𝑷 𝑨𝑩 = 𝑷 𝑩 . 𝑷 𝑨/𝑩 = 𝑷 𝑨 . 𝑷(𝑩/𝑨)
Ta có nếu 𝑃 𝐴/𝐵 = 𝑃(𝐴) thì A, B độc lập, ngược lại thì A, B phụ
thuộc.
Tổng quát:
𝑷 𝑨𝑩 = 𝑷 𝑨 . 𝑷(𝑩)
Ví dụ 12.
Gieo đồng thời 2 con xúc xắc. Tính xác suất để tổng số nốt trên hai
con xúc xắc không nhỏ hơn 10 biết rằng ít nhất 1 con ra nốt 5.
𝑷(𝑨𝑩)
𝑷 𝑩/𝑨 =
𝑷(𝑨)
Giải.
Gọi A = {ít nhất một con ra nốt 5}, B = {tổng số nốt ≥ 10}
Xác suất cần tìm là P(B/A).
Ta có:
5 " 11
𝑃 𝐴 = 1 − 𝑃 𝐴̅ = 1 − =
6 36
3
𝐴𝐵 = 5,5 ; 5,6 ; 6,5 ⇒ 𝑃 𝐴𝐵 =
36
𝑃 𝐴𝐵 3
⇒ 𝑃 𝐵/𝐴 = =
𝑃(𝐴) 11
Ví dụ 13.
Một ngăn đựng 3 trục loại I và 7 trục loại II, người lắp máy chọn
ngẫu nhiên 1 chiếc, sau đó lại rút tiếp chiếc thứ hai. Tính xác
suất để chiếc thứ nhất thuộc loại I và chiếc thứ hai thuộc loại II.
Giải.
Gọi A = {Chiếc thứ nhất loại I} và B = {Chiếc thứ hai loại II}.
Xác suất cần tìm là
3 7 7
𝑃 𝐴𝐵 = 𝑃 𝐴 𝑃 𝐵/𝐴 = . =
10 9 30
1.2 Các định nghĩa về xác suất – Định lý cơ bản của xác
suất
1.2.7 Công thức xác suất toàn phần (đầy đủ) và công
thức Bayes
1.2.7 Công thức xác suất toàn phần (đầy đủ) và công
thức Bayes
A 𝐴𝐵9 𝐴𝐵 ̅
𝐴𝐵
𝐴̅
𝐴.̅ 𝐵9
b) Công thức xác suất toàn phần
)
𝑃 𝐵 = ^ 𝑃 𝐴' 𝑃(𝐵/𝐴' )
'0!
Ví dụ 14
Một công ty một ngày sản xuất được 850 sản phẩm, trong đó có 50
sản phẩm không đạt chất lượng. Lần lượt lấy ra ngẫu nhiên không
hoàn lại 2 sản phẩm để kiểm tra.
a) Tính xác suất để sản phẩm thứ hai không đạt chất lượng, biết
rằng sản phẩm thứ nhất không đạt chất lượng.
b) Tính xác suất để sản phẩm thứ 2 không đạt chất lượng.
c) Tính xác suất để trong hai sản phẩm có ít nhất 1 sản phẩm
không đạt chất lượng.
Giải:
Gọi 𝐴; = {sản phẩm thứ k không đạt chất lượng}, k = 1, 2.
a) Ta có:
49
𝑃 𝐴"/𝐴! =
849
Ví dụ 14
Một công ty một ngày sản xuất được 850 sản phẩm, trong đó có 50
sản phẩm không đạt chất lượng. Lần lượt lấy ra ngẫu nhiên không
hoàn lại 2 sản phẩm để kiểm tra.
a) Tính xác suất để sản phẩm thứ hai không đạt chất lượng, biết
rằng sản phẩm thứ nhất không đạt chất lượng.
b) Tính xác suất để sản phẩm thứ 2 không đạt chất lượng.
c) Tính xác suất để trong hai sản phẩm có ít nhất 1 sản phẩm
không đạt chất lượng.
Giải:
b) Do 𝐴!, 𝐴!̅ là hệ đầy đủ nên theo công thức XSTP ta có:
𝑃 𝐴" = 𝑃 𝐴! 𝑃 𝐴"/𝐴! + 𝑃 𝐴!̅ P 𝐴"/𝐴!̅
50 49 800 50 1
= . + . =
850 849 850 849 17
Ví dụ 14
Một công ty một ngày sản xuất được 850 sản phẩm, trong đó có 50
sản phẩm không đạt chất lượng. Lần lượt lấy ra ngẫu nhiên không
hoàn lại 2 sản phẩm để kiểm tra.
a) Tính xác suất để sản phẩm thứ hai không đạt chất lượng, biết
rằng sản phẩm thứ nhất không đạt chất lượng.
b) Tính xác suất để sản phẩm thứ 2 không đạt chất lượng.
c) Tính xác suất để trong hai sản phẩm có ít nhất 1 sản phẩm không
đạt chất lượng.
Giải:
c) Gọi B = {có ít nhất 1 sản phẩm không đạt chất lượng}
Do 𝐴!, 𝐴!̅ là hệ đầy đủ nên theo công thức XSTP ta có:
𝑃 𝐵 = 𝑃 𝐴! 𝑃 𝐵/𝐴! + 𝑃 𝐴!̅ P 𝐵/𝐴!̅
50 800 50 97
= .1 + . =
850 850 849 849
Ví dụ 15.
Một phân xưởng có 3 máy sản xuất cùng loại sản phẩm với tỉ lệ phế
phẩm tương ứng 1%, 0,5% và 0,2%. Biết rằng máy I sản xuất ra
35%, máy II – 45% và máy III – 20% sản phẩm. Chọn hú họa ra
một sản phẩm, tìm xác suất để đó là phế phẩm.
Giải:
Gọi 𝐴' = {sản phẩm do máy i sản xuất ra}, i = 1, 2, 3
𝐴!, 𝐴", 𝐴# là hệ đầy đủ và ta có:
𝑃 𝐴! = 0,35; P A" = 0,45; P A# = 0,2
Gọi H = {sản phẩm rút ra là phế phẩm}
Áp dụng công thức XSTP ta có:
𝑃 𝐻 = 𝑃 𝐴! 𝑃 𝐻/𝐴! + 𝑃 𝐴" 𝑃 𝐻/𝐴" + 𝑃 𝐴# 𝑃 𝐻/𝐴#
= 0,35.1% + 0,45.0,5% + 0,2.0,2% = 0,615%
v Công thức Bayes
Giả sử ta có nhóm đầy đủ 𝐴!, 𝐴", … , 𝐴) và 𝐵 là biến cố bất kì, phép
thử được thực hiện, ta có:
𝑃 𝐴' 𝑃 𝐵/𝐴'
𝑃 𝐴' /𝐵 = , 𝑖 = 1,2, … , 𝑛
𝑃(𝐵)
𝑃 𝐴' 𝑃 𝐵/𝐴'
𝑃 𝐴' /𝐵 = )
∑'0! 𝑃 𝐴' . 𝑃 𝐵/𝐴'
v Chú ý.
- Các xác suất 𝑃 𝐴' /𝐵 được xác định sau khi đã biết kết quả của
phép thử B đã xảy ra nên thường được gọi là các xác suất hậu
nghiệm.
- Công thức Bayes xác định lại các xác suất tiên nghiệm 𝑃 𝐴'
khi biết thông tin là B xảy ra.
Ví dụ 16.
Có 3 hộp bề ngoài giống hệt nhau. Các hộp chứa lần lượt 10, 15, 20
sản phẩm và mỗi hộp đều có 5 phế phẩm. Lấy ngẫu nhiên 1 hộp, từ
đó rút ngẫu nhiên một sản phẩm.
a) Tính xác suất để lấy được chính phẩm.
b) Kiểm tra thì thấy sản phẩm lấy được đúng là chính phẩm. Tính
xác suất để sản phẩm đó được rút ra từ hộp thứ nhất.
Giải:
a) Gọi 𝐴' = {sản phẩm được lấy ra từ hộp thứ i}, i = 1, 2, 3.
B = {Rút được chính phẩm}
Ta có 𝐴!, 𝐴", 𝐴# là một nhóm đầy đủ và chúng đồng khả năng.
!
Vậy 𝑃 𝐴! = 𝑃 𝐴" = 𝑃 𝐴# = #
Theo công thức XSTP:
#
1 5 1 10 1 15 23
𝑃 𝐵 = ^ 𝑃 𝐴' . 𝑃 𝐵/𝐴' = . + . + . =
3 10 3 15 3 20 36
'0!
Ví dụ 16.
Có 3 hộp bề ngoài giống hệt nhau. Các hộp chứa lần lượt 10, 15,
20 sản phẩm và mỗi hộp đều có 5 phế phẩm. Lấy ngẫu nhiên 1
hộp, từ đó rút ngẫu nhiên một sản phẩm.
a) Tính xác suất để lấy được chính phẩm.
b) Kiểm tra thì thấy sản phẩm lấy được đúng là chính phẩm. Tính
xác suất để sản phẩm đó được rút ra từ hộp thứ nhất.
Giải:
b)
Theo công thức Bayes:
1 1
𝑃 𝐴! . 𝑃 𝐵/𝐴! . 6
𝑃 𝐴!/𝐵 = = 3 2 =
𝑃(𝐵) 23 23
36
Ví dụ 17.
Một nhà máy có hai xưởng sản xuất: xưởng I chiếm 65% tổng sản
phẩm, xưởng II chiếm 35%. Biết rằng tỉ lệ sản phẩm đạt chất lượng
tốt của xưởng I là 90% và của xưởng II là 85%.
a) Lấy ra ngẫu nhiên 1 sản phẩm của nhà máy. Tính xác suất để
sản phẩm đó là sản phẩm chất lượng tốt.
b) Xét 1 sản phẩm không đạt chất lượng. Tính xác suất để đó là
sản phẩm do xưởng II sản xuất.
Giải:
a) Gọi 𝐴' = {sản phẩm lấy ra do xưởng i sản xuất} i = 1, 2
B = {sản phẩm lấy ra là sản phẩm chất lượng tốt}.
Ta có: 𝑃 𝐴! = 0,65; 𝑃 𝐴" = 0,35
Theo công thức XSTP, ta có:
𝑃 𝐵 = 𝑃 𝐴! . 𝑃 𝐵/𝐴! + 𝑃 𝐴" . 𝑃 𝐵/𝐴"
= 0,65.0,9 + 0,35.0,85 = 0,8825
Ví dụ 17.
Một nhà máy có hai xưởng sản xuất: xưởng I chiếm 65% tổng sản
phẩm, xưởng II chiếm 35%. Biết rằng tỉ lệ sản phẩm đạt chất lượng
tốt của xưởng I là 90% và của xưởng II là 85%.
a) Lấy ra ngẫu nhiên 1 sản phẩm của nhà máy. Tính xác suất để
sản phẩm đó là sản phẩm chất lượng tốt.
b) Xét 1 sản phẩm không đạt chất lượng. Tính xác suất để đó là
sản phẩm do xưởng II sản xuất.
Giải:
b) Gọi 𝐵C = {sản phẩm lấy ra không đạt chất lượng}
Ta có:
C "
𝑃 𝐴" . 𝑃 𝐵/𝐴 0,35. (1 − 0,85) 21
C
𝑃 𝐴"/𝐵 = = =
C
𝑃(𝐵) 1 − 0,8825 47
1.3 Dãy các phép thử độc lập – Phép thử lặp – Công
thức Bernoulli
1.3.1 Dãy các phép thử độc lập
v Dãy các phép thử Bernouli
Tiến hành n phép thử độc lập, cùng điều kiện.
Mỗi phép thử xuất hiện kết quả hoặc xảy ra A hoặc không.
Khả năng xảy ra A trong mỗi phép thử luôn bằng p.
vVí dụ:
1. Tung đồng xu 10 lần, ta quan tâm đến biến cố xuất hiện mặt
ngửa.
2. Gieo 1 con xúc xắc 100 lần, ta quan tâm đến biến cố ra mặt 6
chấm.
3. 9 người bắn súng độc lập với nhau, mỗi người bắn 1 viên đạn
vào bia và xác suất bắn trúng bia của 9 người là như nhau.
1.3 Dãy các phép thử độc lập – Phép thử lặp – Công
thức Bernoulli
1.3.2 Công thức Bernoulli và hệ quả
Giải:
Xem như ta thực hiện dãy 5 phép thử độc lập.
Gọi A = {bắn trúng đích}. Ta có P(A) = 0,8.
a) Xác suất để có đúng 2 phát trúng đích là:
𝑃% 2 = 𝐶%". 0,8" 1 − 0,8 %4" = 0,0512
b) Xác suất để số phát trúng đích từ 2 đến 4:
𝑃 = 𝑃% 2 + 𝑃% 3 + 𝑃% 4
= 𝐶%". 0,8". 0,2# + 𝐶%#. 0,8#. 0,2" + 𝐶%$. 0,8$. 0,2!
= 0,6656
Công thức Moivre-Laplace
Định lý 1. Nếu trong mỗi phép thử độc lập biến cố A xuất hiện với
xác suất p (0<p<1) thì:
;4)< "
1 4 ")<=
lim 𝑃) 𝑘 − 𝑒 =0
)→/ 2𝜋𝑛𝑝𝑞
! ;4)<
Vậy với n đủ lớn 𝑃) 𝑘 ≈ )<=
𝜑 𝑥> , 𝑥> = )<=
"
#
! 4"
Với 𝜑 𝑥> là hàm Gauss được xác định bởi 𝜑 𝑥 = "?
𝑒
v Chú ý:
Hàm Gauss là hàm chẵn, tra bảng từ 0 đến 3,99 nên ta có
+ 𝜑 −𝑥 = 𝜑 𝑥
+ x > 3,99 thì 𝜑 𝑥 ≈ 𝜑 3,99
Công thức Moivre-Laplace
Định lý 2. Nếu trong mỗi phép thử độc lập biến cố A xuất hiện với
xác suất p (0 < p < 1) thì:
A"
@" 4 "
1
lim 𝑃) 𝑘!; 𝑘" − {𝑒 𝑑𝑡 =0
)→/ 2𝜋
@!
Cho phép thử có không gian mẫu Ω. Ánh xạ X từ Ω vào R được gọi
là một biến ngẫu nhiên.
𝑋: Ω → 𝑅, (𝑋(𝜔) ∈ 𝑅, 𝜔 ∈ Ω)
Tập 𝑋 Ω = {𝑋(𝜔) ∈ 𝑅, : 𝜔 ∈ Ω} là tập giá trị của X.
Các biến ngẫu nhiên kí hiệu bằng chữ in hoa như X, Y, Z…
Các giá trị của biến ngẫu nhiên kí hiệu bằng chữ thường như x, y, z,
…
2.1 Khái niệm biến cố ngẫu nhiên một chiều
2.1.1 Định nghĩa
v Ví dụ:
1) Kiểm tra 3 sản phẩm và quan tâm đến số sản phẩm đạt tiêu chuẩn
có trong 3 sản phẩm kiểm tra.
2) Khảo sát điểm thi môn Toán XSTK của một sinh viên hệ chính
quy và quan tâm đến điểm thi của sinh viên này.
3) Khảo sát doanh thu của siêu thị trong một ngày và quan tâm đến
doanh thu (triệu đồng) của siêu thị.
2.1 Khái niệm biến cố ngẫu nhiên một chiều
2.1.1 Định nghĩa
v Phân loại:
a) Biến ngẫu nhiên rời rạc
Biến ngẫu nhiên X gọi là BNN rời rạc nếu tập giá trị của nó là hữu
hạn hoặc vô hạn đếm được.
Ví dụ:
• Gieo 1 con xúc xắc, gọi X là số chấm xuất hiện của con xúc xắc.
• X là số con trai trong một gia đình có hai con.
𝑋 𝑥! 𝑥" … 𝑥)
𝑃' 𝑝! 𝑝" … 𝑝)
𝟎, 𝒙≤𝟏
𝟎, 𝟔 , 𝟏 < 𝒙 ≤ 𝟐
Ta sẽ có: 𝑭 𝒙 =
𝟎, 𝟖𝟒 , 𝟐 < 𝒙 ≤ 𝟑
𝟏, 𝒙>𝟑
2.2.2 Hàm phân phối xác suất
Đồ thị của hàm phân phối xác suất
𝟎, 𝒙≤𝟏
𝟎, 𝟔 , 𝟏<𝒙≤𝟐
𝑭 𝒙 =
𝟎, 𝟖𝟒 , 𝟐<𝒙≤𝟑
𝟏, 𝒙>𝟑
2.2.2 Hàm phân phối xác suất
Nếu X là BNN rời rạc bất kì thì từ định nghĩa ta suy ra
𝐹 𝑥 = ^ 𝑝(𝑥' )
@% B@
v Tính chất của hàm phân phối xác suất:
i) 𝐹 𝑥 ∈ 0; 1 , 𝐹 −∞ = 0, 𝐹 +∞ = 1.
ii) 𝐹(𝑥) là hàm không giảm, nghĩa là 𝑥! < 𝑥" thì 𝐹 𝑥! ≤ 𝐹(𝑥")
iii) 𝑃 𝑎 ≤ 𝑋 < 𝑏 = 𝐹 𝑏 − 𝐹(𝑎)
iv) Nếu X là BNN liên tục thì 𝐹 𝑥 liên tục trên R, 𝐹 C 𝑥 = 𝑓 𝑥
v) 𝐹 𝑥 liên tục trái tại mọi 𝛼 ∈ 𝑅, tức là 𝑃 𝑋 = 𝛼 = 0.
Trong trường hợp 𝐹(𝑥) liên tục ta có:
𝑃 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝑃 𝑎 < 𝑋 < 𝑏 = 𝑃 𝑎 < 𝑋 ≤ 𝑏 = 𝑃(𝑎 ≤ 𝑋 < 𝑏)
2.2.2 Hàm phân phối xác suất
Giải:
Do 𝐹(𝑥) liên tục nên tại 𝑥 = 4 ta phải có
"
1
𝑎 4−2 =1⇒𝑎=
4
Ta có:
1 "
1
𝑃 2≤𝑋 <3 =𝐹 3 −𝐹 2 = 3−2 −0=
4 4
2.2.3 Hàm mật độ xác suất (Dùng cho BNN liên tục)
Định nghĩa.
Hàm 𝑓(𝑥) gọi là hàm mật độ xác suất của biến ngẫu nhiên X có hàm
phân phối 𝐹(𝑥) khả vi (trừ ở 1 số hữu hạn điểm gián đoạn), được xác
định bằng
𝑓 𝑥 = 𝐹′(𝑥)
Ta suy ra:
@
𝐹 𝑥 = { 𝑓 𝑡 𝑑𝑡
4/
E
𝑃 𝑎 ≤ 𝑋 < 𝑏 = { 𝑓 𝑥 𝑑𝑥
D
2.2.3 Hàm mật độ xác suất (Dùng cho BNN liên tục)
Tính chất.
(i) 𝑓 𝑥 ≥ 0 ∀𝑥;
F/
(ii) ∫4/ 𝑓 𝑥 𝑑𝑥 = 1
(iii) 𝑃 𝑋 = 𝑎 = 0, 𝑎 ∈ 𝑅
2.2.3 Hàm mật độ xác suất
Ví dụ 4.
Cho BNN liên tục X có hàm mật độ
𝜋 𝜋
𝑎. cos 𝑥 , 𝑥∈ − ;
𝑓 𝑥 = 2 2
𝜋 𝜋
0, 𝑥∉ − ;
2 2
a) Tìm a và hàm phân phối F(x) của X.
?
b) Tính xác suất để X nhận giá trị trong khoảng ; 𝜋
$
Giải: a) Ta có:
?
F/ "
1
{ 𝑓 𝑥 𝑑𝑥 = 𝑎 { cos 𝑥 𝑑𝑥 = 2𝑎 = 1 ⇒ 𝑎 =
2
4/ ?
4"
Giải:
@
𝐹 𝑥 = { 𝑓 𝑡 𝑑𝑡
4/
? @
Với 𝑥 ≤ −" thì ∫4/ 𝑓 𝑡 𝑑𝑡 = 0
? ?
Với − ≤𝑥 ≤ thì
" "
?
@ 4" @
1 𝑥 1
{ 𝑓 𝑡 𝑑𝑡 = { 0𝑑𝑡 + { 𝑓 𝑡 𝑑𝑡 = sin 𝑡 ž 𝜋 = (sin 𝑥 + 1)
2 − 2
4/ 4/ 4
? 2
"
&
? @
Với 𝑥 > "
thì ∫4/ 𝑓 𝑡 𝑑𝑡 = ∫ 𝑓 𝑡 𝑑𝑡 = 1
"
&
4"
𝜋
0 nếu 𝑥 ≤ −
2
1 𝜋 𝜋
⇒𝐹 𝑥 = sin 𝑥 + 1 nếu − ≤ 𝑥 ≤
2 2 2
𝜋
1 nếu 𝑥 >
2
2.2.3 Hàm mật độ xác suất
Ví dụ 4.
Cho BNN liên tục X có hàm mật độ
𝜋 𝜋
𝑎. cos 𝑥 , 𝑥∈ − ;
𝑓 𝑥 = 2 2
𝜋 𝜋
0, 𝑥∉ − ;
2 2
a) Tìm a và hàm phân phối F(x) của X.
?
b) Tính xác suất để X nhận giá trị trong khoảng ; 𝜋
$
Giải: b)
𝜋 𝜋 𝜋
𝑃 <𝑋<𝜋 =𝑃 ≤𝑋 <𝜋 =𝐹 𝜋 −𝐹
4 4 4
1 𝜋 1 2
= 1 − sin + 1 = −
2 4 2 4
2.2.4 Liên hệ giữa hàm phân phối và hàm mật độ
Định nghĩa 1.
Cho BNN rời rạc X có bảng phân phối xác suất
𝑋 𝑥! 𝑥" … 𝑥)
𝑃' 𝑝! 𝑝" … 𝑝)
Định nghĩa 2.
Cho BNN liên tục X có hàm mật độ f(x), 𝑥 𝜖 𝑅.
𝑬𝑿 = { 𝒙𝒇 𝒙 𝒅𝒙
4/
2.3 Các đặc trưng của biến ngẫu nhiên
2.3.1 Kỳ vọng
Ví dụ 5.
Tính kỳ vọng của BNN X và Y khi
a) X có bảng PPXS như sau:
X 1 3 4
P 0,1 0,5 0,4
b) Y có hàm mật độ
3 "
𝑥 + 2𝑥 , 𝑣ới 𝑥 ∈ (0,1)
𝑓 𝑥 = š4
0 , 𝑣ới 𝑥 ∉ (0,1)
Giải:
a) 𝐸𝑋 = 1.0,1 + 3.0,5 + 4.0,4 = 3,2
F/ ! # " !!
b) 𝐸𝑌 = ∫4/ 𝑥𝑓 𝑥 𝑑𝑥 = ∫> 𝑥. $ 𝑥 + 2𝑥 𝑑𝑥 = &
2.3 Các đặc trưng của biến ngẫu nhiên
2.3.1 Kỳ vọng
X -3 1 3 5 6
P 0,1 0,2 0,3 0,2 0,2
Giải:
𝐸 𝑋 " = −3 ". 0,1 + 1". 0,2 + 3". 0,3 + 5". 0,2 + 6". 0,2 = 16
2.3 Các đặc trưng của biến ngẫu nhiên
2.3.1 Kỳ vọng
v Tính chất.
i) E(C) = C, C = const
ii) E(CX) = CEX
iii) E(X±Y) = EX ± EY
iv) X, Y là 2 biến ngẫu nhiên độc lập thì E(XY) = EX.EY
2.3 Các đặc trưng của biến ngẫu nhiên
2.3.1 Kỳ vọng
v Tính chất.
v) Y = g(X) thì
)
^ 𝑔 𝑥' 𝑝' 𝑘ℎ𝑖 𝑋 rời rạc
'0!
𝐸𝑌 = 𝐸𝑔 𝑋 = F/
Định nghĩa.
Phương sai của BNN X ký hiệu là VX (VarX) hoặc DX được xác
định bởi: 𝑉 𝑋 = 𝐸 𝑋 − 𝐸𝑋 ".
Khi tính toán, ta thường sử dung công thức tính phương sai:
𝑉𝑋 = 𝐸 𝑋 " − 𝐸𝑋 "
)
^ 𝑥'"𝑝' − 𝐸𝑋 " 𝑘ℎ𝑖 𝑋 rời rạc
'0!
𝑉𝑋 = 𝐸𝑋 " − 𝐸𝑋 " = F/
Tính chất.
i) 𝑉 𝐶 = 0, 𝐶 = 𝑐o𝑛𝑠𝑡; 𝑉𝑋 ≥ 0, ∀𝑋
ii) 𝑉 𝐶𝑋 = 𝐶 "𝑉𝑋; V X + C = VX
iii) X, Y là 2 biến ngẫu nhiên độc lập 𝑉 𝑋 ± 𝑌 = 𝑉𝑋 ± 𝑉𝑌
Ví dụ 7.
Cho biến ngẫu nhiên X có bảng PPXS:
X 0 1 2 3 4
P 0,1 0,2 0,3 0,25 0,15
Độ lệch chuẩn.
Độ lệch chuẩn của biến ngẫu nhiên X, kí hiệu là 𝜎(𝑋), được định
nghĩa như sau:
𝜎 𝑋 = 𝑉𝑋
Mode.
Mode của BNN X là giá trị của X ứng với xác suất lớn nhất đối
với biến rời rạc, còn đối với biến liên tục, mode là giá trị làm
hàm mật độ đạt max.
Trung vị.
Trung vị là giá trị BNN X chia phân phối thành hai phần có xác
suất giống nhau, kí hiệu là: medX
1
𝑃 𝑋 < 𝑚𝑒𝑑 X = P X ≥ 𝑚𝑒𝑑 X =
2
2.4 Một số phân phối thường gặp
2.4.1 Phân phối đều
x 1 2 … n
p(x) 1 1 … 1
𝑛 𝑛 𝑛
Ta có:
𝑛+1 𝑛" − 1
𝐸𝑋 = ; 𝑉𝑋 =
2 12
2.4 Một số phân phối thường gặp
2.4.1 Phân phối đều
Ta có:
𝑎+𝑏 𝑏−𝑎 "
𝐸𝑋 = ; 𝑉𝑋 =
2 12
2.4 Một số phân phối thường gặp
2.4.2 Phân phối nhị thức
Khi đó:
𝑬𝑿 = 𝒑; 𝑽𝑿 = 𝒑(𝟏 − 𝒑)
2.4 Một số phân phối thường gặp
2.4.2 Phân phối nhị thức
Khi đó:
𝑬𝑿 = 𝒏𝒑; 𝑽𝑿 = 𝒏𝒑𝒒
2.4 Một số phân phối thường gặp
2.4.2 Phân phối nhị thức
Ví dụ 8. Trong một thành phố 65% gia đình có máy tính bàn. Chọn
ngẫu nhiên 12 gia đình và gọi X là số gia đình có máy tính bàn.
a) Gọi tên phân phối xác suất của X.
b) Tính xác suất để có đúng 5 gia đình có máy tính bàn.
c) Tính xác suất để có ít nhất 2 gia đình có máy tính bàn.
d) Tìm giá trị trung bình và độ lệch chuẩn của X.
Giải: a) X có phân phối nhị thức với n = 12, p = 0,65.
%
b) 𝑃 𝑋 = 5 = 𝑃 5 = 𝐶!" . 0,65 %. 1 − 0,65 I = 0,0591
c) 𝑃 𝑋 ≥ 2 = 1 − 𝑃 0 − 𝑃 1
!
= 1 − 0,35 !" − 𝐶!" 0,65 . 0,35 !! = 0,999
d) EX = 12.0,65 = 7,8
𝜎 𝑋 = 𝑉𝑋 = 12.0,65.0,35 = 1,6522
2.4 Một số phân phối thường gặp
2.4.3 Phân phối Poisson 𝑷(𝝀)
Định nghĩa 6. Biến ngẫu nhiên X gọi là có quy luật chuẩn với
tham số a và 𝜎, kí hiệu là X~𝒩(𝑎, 𝜎 "), nếu hàm mật độ của nó
có dạng
1 @4D "
4
𝑓 𝑥 = 𝑒 "L"
𝜎 2𝜋
Khi đó:
𝐸𝑋 = 𝑎; 𝑉𝑋 = 𝜎 "
• Nếu a = 0 và 𝜎 = 1 thì hàm mật độ xác suất của X
1 4@"
𝑓 𝑥 = 𝑒 "
2𝜋
Khi đó X có quy luật chuẩn tắc.
Kí hiệu: X~𝒩(0,1)
Mật độ của phân phối chuẩn 𝒩(𝑎, 𝜎 ")
v Định nghĩa: Hàm phân bố chuẩn tắc của BNN X kí hiệu Φ 𝑥 ,
được định nghĩa như sau:
Φ 𝑥 = 𝑃(𝑋 < 𝑥)
Người ta lập bảng tính sẵn các giá trị của hàm Φ 𝑥 với 𝑥 > 0.
Với 𝑥 < 0, ta dùng công thức:
Φ −𝑥 = 1 − Φ 𝑥
Chú ý: 𝜙 𝑥 = Φ 𝑥 − 0,5
Ví dụ 10. Cho X có phân phối chuẩn 𝒩 5, 0,8" .
Tính P(4 < X < 7)
Giải.
𝑃 4 < 𝑋< 7
7−5 4−5
=𝜙 −𝜙
0,8 0,8
= 𝜙 2,5 − 𝜙 −1,25
= 0,49379 + 0,3944
= 0,88814
(Tra bảng Laplace)
Chương 3: Biến ngẫu nhiên nhiều chiều
X Y 𝒚𝟏 𝒚𝟐 … 𝒚𝒋 … 𝒚𝒎
𝑥! 𝑝!! 𝑝!" … 𝑝!- … 𝑝!,
𝑥" 𝑝"! 𝑝"" … 𝑝"- … 𝑝",
… … … … … … …
𝑥' 𝑝'! 𝑝'" … 𝑝'- … 𝑝',
… … … … … … …
𝑥) 𝑝)! 𝑝)" … 𝑝)- … 𝑝),
v Tính chất:
1) 𝒑𝒊𝒋 ≥ 𝟎, ∀𝒊 = 𝟏, 𝒏, ∀𝒋 = 𝟏, 𝒎
2) ∑𝒊,𝒋 𝒑𝒊𝒋 = 𝟏
v Chú ý:
Hàm phân phối xác suất được xác định theo công thức:
Giải.
Bảng PPXS của X:
X 1 2
P 0,45 0,55
X Y 1 2 3
1 0,1 0,25 0,1
2 0,15 0,05 0,35
Giải:
𝐹 2,3 = 𝑃 𝑋 < 2, 𝑌 < 3
= 𝑃 𝑋 = 1, 𝑌 = 1 + 𝑃 𝑋 = 1, 𝑌 = 2
= 0,1 + 0,25
= 0,35
Ví dụ 2.
Ta lấy ngẫu nhiên 3 sản phẩm từ 1 nhóm gồm 3 sản phẩm mới, 4
sản phẩm đã qua sử dụng nhưng vẫn dùng được và 5 sản phẩm
hỏng. Nếu kí hiệu X, Y tương ứng là số sản phẩm mới và số sản
phẩm đã qua sử dụng nhưng vẫn dùng được trong 3 sản phẩm lấy
ra. Lập bảng PPXS đồng thời cho (X,Y).
Giải. X và Y có thể nhận giá trị 0, 1, 2, 3.
Ta có bảng PPXS đồng thời của (X,Y) như sau:
Y X 0 1 2 3
0 10/220 40/220 30/220 4/220
1 30/220 60/220 18/220 0
2 15/220 12/220 0 0
3 1/220 0 0 0
Trong đó:
𝐶!" 10 𝐶"# 𝐶!$ 30
𝑃 𝑋 = 0, 𝑌 = 0 = " = 𝑃 𝑋 = 1, 𝑌 = 0 = " =
𝐶#$ 220 𝐶#$ 220
𝐶%# 𝐶!$ 40 𝐶"# 𝐶%# 𝐶!# 60
𝑃 𝑋 = 0, 𝑌 = 1 = " = 𝑃 𝑋 = 1, 𝑌 = 1 = " =
𝐶#$ 220 𝐶#$ 220
𝐶%$ 𝐶!# 30 𝐶"# 𝐶%$ 60
𝑃 𝑋 = 0, 𝑌 = 2 = " = 𝑃 𝑋 = 1, 𝑌 = 2 = " =
𝐶#$ 220 𝐶#$ 220
𝐶!" 4
𝑃 𝑋 = 0, 𝑌 = 3 = " =
𝐶#$ 220
𝐶"$ 𝐶!# 15
𝑃 𝑋 = 2, 𝑌 = 0 = " =
𝐶#$ 220
𝐶"$ 𝐶%# 12
𝑃 𝑋 = 2, 𝑌 = 1 = " =
𝐶#$ 220
𝐶"" 1
𝑃 𝑋 = 3, 𝑌 = 0 = " =
𝐶#$ 220
3.1.3 Phân phối xác suất của biến ngẫu nhiên 2
chiều liên tục
Định nghĩa.
Giả sử vector ngẫu niên Z(X,Y) liên tục (các BNN thành phần
liên tục) có hàm phối xác suất là F(x,y) liên tục khắp nơi và có
V" W V" W
đạo hàm cấp 2 là ; cũng là hàm liên tục khắp nơi. Khi
V@VX VXV@
𝜕 "𝐹(𝑥, 𝑦)
𝑓 𝑥, 𝑦 =
𝜕𝑥𝜕𝑦
3.1.3 Phân phối xác suất của biến ngẫu nhiên 2
chiều liên tục
v Tính chất.
i) 𝑓 𝑥, 𝑦 ≥ 0;
F/ F/
ii) ∫4/ ∫4/ 𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦 = 1;
v Mối liên hệ giữa hàm phân phối và hàm mật độ xác suất
của BNN 2 chiều:
F/ F/
𝐹 𝑥, 𝑦 = 𝑃 𝑋 < 𝑥; 𝑌 < 𝑦 = { { 𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
4/ 4/
3.1.3 Phân phối xác suất của biến ngẫu nhiên 2
chiều liên tục
v Hệ quả.
𝑷 𝑿, 𝒀 ∈ 𝑫 = Õ 𝒇 𝒙, 𝒚 𝒅𝒙𝒅𝒚
𝑫
Mối liên hệ giữa hàm phân phối và hàm mật độ xác suất của
BNN thành phần:
@ F/
𝐹Z 𝑥, 𝑦 = 𝑃 𝑋 < 𝑥; 𝑌 < +∞ = { { 𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
4/ 4/
𝑓Z 𝑥 = 𝐹ZC 𝑥 = { 𝑓 𝑥, 𝑦 𝑑𝑦
4/
F/
𝑓[ (𝑦) = 𝐹[C 𝑦 = { 𝑓 𝑥, 𝑦 𝑑𝑥
4/
3.1.3 Phân phối xác suất của biến ngẫu nhiên 2
chiều liên tục
𝑓 𝑥, 𝑦
𝜑 𝑥𝑦 =
𝑓[ (𝑦)
3.1.3 Phân phối xác suất của biến ngẫu nhiên 2
chiều liên tục
Ví dụ 3. Hàm mật độ đồng thời của X, Y được cho bởi:
𝑃 𝑋 < 𝑎 = { { 2𝑒 4@ 𝑒 4"X 𝑑𝑦 𝑑𝑥 = 1 − 𝑒 4D
> >
3.2 Các đặc trưng của biến ngẫu nhiên 2 chiều
3.2.1 Các số đặc trưng của biến ngẫu nhiên thành phần
𝑓Z 𝑥 = { 𝑓 𝑥, 𝑦 𝑑𝑦
\
𝐸 𝑋 = { 𝑥𝑓Z 𝑥 𝑑𝑥 = Õ 𝑥𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
\ \"
X, Y rời rạc:
𝐸 𝑔(𝑋, 𝑌) = Õ 𝑔 𝑥, 𝑦 𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
\"
3.2.2 Hiệp phương sai và hệ số tương quan
v Hiệp phương sai
Định nghĩa. Cho BNN 2 chiều (X, Y), hiệp phương sai của 2 thành
phần X và Y, kí hiệu là cov(X, Y) được xác định bởi:
𝑐𝑜𝑣 𝑋, 𝑌 = 𝐸 𝑋 − 𝐸𝑋 𝑌 − 𝐸𝑌
Thực tế ta dùng công thức:
𝑐𝑜𝑣 𝑋, 𝑌 = 𝐸 𝑋. 𝑌 − 𝐸 𝑋 . 𝐸(𝑌)
X, Y rời rạc X, Y liên tục
𝐸 𝑋 = ^ 𝑥' 𝑝'-
𝐸 𝑋 = Õ 𝑥𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
',-
\"
𝐸 𝑌 = ^ 𝑦' 𝑝'-
',- 𝐸 𝑌 = Õ 𝑦𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
𝐸 𝑋𝑌 = ^ 𝑥' 𝑦- 𝑝'- \"
',-
𝐸 𝑋𝑌 = Õ 𝑥𝑦𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
\"
v Hệ số tương quan
Định nghĩa. Hệ số tương quan của 2 biến ngẫu nhiên X và Y kí
hiệu là 𝜌Z[ và được xác định bằng
𝑐𝑜𝑣(𝑋, 𝑌)
𝜌Z[ =
𝑉 𝑋 . 𝑉(𝑌)
Tính chất.
𝜌Z[ ≤ 1
𝜌Z[ = 1 : X, Y có quan hệ tuyến tính đồng biến
𝜌Z[ = −1: X, Y có quan hệ tuyến tính nghịch biến
𝜌Z[ = 0: X và Y không tương quan.
Ví dụ 4. Tính hiệp phương sai và hệ số tương quan của X, Y:
X Y 1 2 3
1 0,1 0,25 0,1
2 0,15 0,05 0,35
Giải. 𝐸𝑋 = 1.0,45 + 2.0,55 = 1,55
Bảng PPXS của X: 𝐸𝑌 = 1.0,25 + 2.0,3 + 3.0,45 = 2,2
𝐸𝑋 " = 1". 0,45 + 2". 0,55 = 2,65
X 1 2 ⇒ VX = EX " − EX " = 2,65 − 1,55"
P 0,45 0,55 = 0,2475
EY " = 5,5 ⇒ VY = EY " − EY "
Bảng PPXS của Y: = 5,5 − 2,2 " = 0,66
E X y = { 𝑥 𝜑 𝑥 𝑦 𝑑𝑥
4/
3.2.3 Các đặc trưng có điều kiện
Giải: Ta tính
0,15
𝑃 𝑋 = 2, 𝑌 = 1 = = 0,6
0,25
0,1
𝑃 𝑋 = 4, 𝑌 = 1 = = 0,4
0,25
Giải: Ta tính
0,1
𝑃 𝑌 = 1, 𝑋 = 4 = = 0,2
0,5
0,2
𝑃 𝑌 = 2, 𝑋 = 4 = = 0,4
0,5
0,2
𝑃 𝑌 = 3, 𝑋 = 4 = = 0,4
0,5
⇒ 𝐸 𝑌 𝑥" = 1.0,2 + 2.0,4 + 3.0,4 = 2,2
Chương 4: Mẫu thống kê
1 .Tổng thể:
Khái niệm: Tập hợp tất cả các phần tử để nghiên cứu theo 1 dấu
hiệu nghiên cứu nào đó gọi là tổng thể.
Số phần tử của tổng thể được gọi là kích thước N của nó.
Đại lượng ngẫu nhiên đặc trưng cho dấu hiệu nghiên cứu gọi là đại
lượng ngẫu nhiên gốc X.
Dấu hiệu nghiên cứu được chia ra làm 2 loại: Định lượng và định
tính.
-Định lượng: 𝐸 𝑋 = 𝑎, 𝑉 𝑋 = 𝜎 "
-Định tính: 𝐸 𝑋 = 𝑝, 𝑉 𝑋 = 𝑝. 𝑞
4.1 Khái niệm mẫu và các phương pháp chọn mẫu
4.1.1 Khái niệm mẫu
1 .Tổng thể:
Gọi 𝑎 là trung bình tổng thể , p là tỉ lệ tổng thể
𝜎 " gọi là phương sai tổng thể
𝜎 gọi là độ lệch tổng thể
Chú ý: Định tính là trường hợp riêng của định lượng với hai lượng
là 0 và 1. Cho nên p là trường hợp riêng của 𝑎, còn p.q là trường
hợp riêng của 𝜎 ".
4.1 Khái niệm mẫu và các phương pháp chọn mẫu
4.1.1 Khái niệm mẫu
1 .Tổng thể:
Từ tổng thể lấy ngẫu nhiên ra n phân tử để nghiên cứu được gọi là
lấy một mẫu kích thước n.
Định nghĩa: Từ đại lượng ngẫu nhiên gốc X, xét n đại lượng
ngẫu nhiên độc lập có cùng phân phối với X. Véctơ ngẫu nhiên n
chiều 𝑊 = 𝑋!, 𝑋", … , 𝑋) được gọi là một mẫu kích thước n. Thực
hiện phép thử ta nhận được 𝑤 = (𝑥!, 𝑥", … , 𝑥) ) là giá trị cụ thể hay
giá trị thực hành mẫu W.
4.1.2 Các phương pháp chọn mẫu
1) Mẫu cơ học: Chia tập nền thành n tập nhỏ sau đó chọn từ mỗi
tập một phần tử làm đại diện
2) Mẫu điển hình: Chia tập nền thành n tập nhỏ có tính điển hình.
Sau đó chọn từ mỗi tập một phần tử làm đại diện
3) Mẫu dãy: Chia tập nền thành n dãy sau đó chọn từ mỗi dãy một
phần tử làm đại diện.
4) Chọn mẫu ngẫu nhiên:
Các phần tử được chọn một cách ngẫu nhiên làm đại diện
5) Chọn mẫu có suy luận: dựa trên ý kiến các chuyên gia hoặc các
nhà phân tích về vấn đề đó.
4.2 Mẫu ngẫu nhiên và các đặc trưng mẫu
4.2.1 Mẫu ngẫu nhiên từ một tập nền
Định nghĩa 1.
Ta gọi mẫu ngẫu nhiên kích thức n từ tập nền có NBB gốc X là
một tập các biến 𝑋!, 𝑋", … , 𝑋) thỏa mãn điều kiện:
(i) Độc lập thống kê
(ii) Có cùng PPXS với biến X
Ví dụ. Xét tập hợp giá trị mẫu 𝑥!, 𝑥", … , 𝑥) , hàm sau đây được
gọi là thống kê:
)
1
𝑔 𝑥!, … , 𝑥) = ^ 𝑥' = 𝑋C
𝑛
'0!
4.2.2 Các đặc trưng mẫu
Cho mẫu ngẫu nhiên (𝑋!, 𝑋", … , 𝑋) ), mẫu cụ thể có kích thước n
𝑥!, 𝑥", … 𝑥) . Ta có:
v Mô tả dữ liệu:
+ Dữ liệu được liệt kê thành dãy số liệu: 𝒙𝟏 , 𝒙𝟐 , … , 𝒙𝒏
+ Dữ liệu được mô tả bằng bảng phân phối tần số
Với 𝑛! + 𝑛" + ⋯ + 𝑛; = 𝑛
𝒙𝒊 𝒙𝟏 … 𝒙𝒌
𝑛' 𝒏𝟏 … 𝒏𝒌
1. Trung bình mẫu:
)
1
C
𝑋 = ^ 𝑋'
𝑛
'0!
Với mẫu cụ thể:
;
1
𝑋C = ^ 𝑛' 𝑥'
𝑛
'0!
4.2.2 Các đặc trưng mẫu
Cho mẫu ngẫu nhiên (𝑋!, 𝑋", … , 𝑋) ), mẫu cụ thể có kích thước n
𝑥!, 𝑥", … 𝑥) . Ta có:
2. Phương sai mẫu:
)
1
𝑆 𝑋 = ^ 𝑋' − 𝑋C "
"
𝑛
'0!
Với mẫu cụ thể ta có:
)
1
𝑆" 𝑋 = ^ 𝑥' − 𝑋C "n
]
𝑛
'0!
Vì ES " ≠ 𝜎 " nên ta đưa vào phương sai mẫu hiệu chỉnh:
)
1 Rõ ràng:
"
𝑠 = ^ 𝑋' − 𝑋C "
𝑛−1 "
1
'0! 𝑠 = 𝑆"
) 𝑛−1
1 𝑛
"
𝑠 = C
^ 𝑥' − 𝑋 𝑛' " "
Và 𝐸𝑠 = 𝐸𝑆 " = 𝜎 "
𝑛−1 𝑛−1
'0!
4.3 Phân phối xác suất của một số đại lượng thống kê thường gặp
4.3.1 Đại lượng thống kê có phân phối chuẩn
Γ 𝑥 = { 𝑡 @4!𝑒 4A 𝑑𝑡 , 𝑥 > 0
>
Định nghĩa 2. Xét n BNN độc lập 𝑥' ~𝑁 0; 1 , 𝑖 = 1, 𝑛. Khi đó
BNN
)
𝑋 = ^ 𝑥'" ~𝜒 "(𝑛)
'0!
4.3.2 Đại lượng thống kê có phân phối 𝜒 ! (khi bình phương)
Tính chất:
a) Nếu X~ 𝜒 "(𝑛), Y~𝜒 "(𝑚) và độc lập ⇒ 𝑋 + 𝑌~𝜒 " 𝑛 + 𝑚
b)
𝑈) − 𝑛 ^
→ 𝒩 0; 1 𝑘ℎ𝑖 𝑛 → ∞
2𝑛
Hệ quả:
Nếu ta có n biến độc lập 𝑋' ~𝒩 𝑎; 𝜎 " ; 𝑖 = 1, 𝑛 và
!
𝑋C = ) (𝑋! + ⋯ + 𝑋) ) thì
)
1
^ 𝑥' − C
𝑋 " ~𝜒 " (𝑛 − 1)
𝜎"
'0!
4.3.3 Đại lượng thống kê có phân phối Student
Định nghĩa. BNN T được gọi là có phân phối Student với n bậc tự
do (n nguyên dương cho trước) nếu hàm mật độ của nó có dạng
*+!
4
@" "
𝑓 𝑥 =𝐶 1+ với C là hằng số.
)
Định nghĩa. Cho X và Y là hai BNN độc lập tuân theo 𝒩(0,1) và
𝜒 " 𝑛 tương ứng. Khi đó biến
𝑋
𝑇) = ~𝑡 𝑛
𝑌
𝑛
Kết quả TQ:
Nếu có 𝑛 (𝑛 ≤ 30) BNN độc lập 𝑥' tuân theo 𝒩(0,1) nhưng không
biết phương sai thì:
𝑋C − 𝑎
𝑛~𝑡(𝑛 − 1)
𝑠
trong đó 𝑠 " là phương sai hiệu chỉnh.
Còn khi 𝑛 > 30 thì ta coi phân phối t và chuẩn 𝒩(0,1) là như nhau.
4.3.4 Đại lượng thống kê có phân phối Fisher
Định nghĩa. BNN X được gọi là có phân phối Fisher với (n,m)
bậc tự do nếu hàm mật độ của nó có dạng
0 nếu 𝑥 < 0
)
𝑓 𝑥 = 𝑥 "4!
𝐶. nếu 𝑥 ≥ 0
𝑛 + 𝑚𝑥 (𝑛 + 𝑚)/2
C là hằng số dương.
Định nghĩa: Cho X và Y là 2 BNN độc lập tuân theo luật 𝜒 " 𝑛
và 𝜒 " 𝑚 tương ứng. Khi đó biến
𝑋/𝑛
𝑈= ~𝐹(𝑛, 𝑚)
𝑌/𝑚
Kết quả TQ:
Nếu ta có 𝑥!, 𝑥", … , 𝑥)! và có 𝑦!, 𝑦", … , 𝑦)" là các BNN độc lập,
có PP chuẩn, thì
𝑠!"
" ~𝐹(𝑛! − 1, 𝑛" − 1)
𝑠"
4.3.5 Đại lượng thống kê có phân phối tiệm cận chuẩn
Định lý giới hạn trung tâm: Nếu các 𝑋' độc lập có cùng kỳ
vọng a và phương sai 𝜎 " thì
𝒏
^ 𝑿𝒊
𝒊0𝟏
sẽ có phân phối tiệm cận tới 𝒩(𝑛𝑎, 𝑛𝜎 ") khi 𝑛 → ∞.
Ví dụ. Cho BNN 𝑋~𝜒 "(9). Tìm xác suất để X không vượt quá
giá trị 2,7.
Giải:
Ta phải tìm P(X < 2,7). Theo bảng phân phối 𝜒 ", ở giao điểm của
hàng n = 9 với cột a = 0,975 ta có giá trị 2,7 tức là:
P(X > 2,7) = 0,975
Vậy suy ra P(X < 2,7) = 1 – 0,975 = 0,025.