XSTK

XÁC SUẤT THỐNG KÊ-
ỨNG DỤNG
Giảng viên: MAI VĂN DUY
1/150 Mai Văn Duy

Chương 1: TỔNG QUAN VÀ THỐNG
KÊ MÔ TẢ
2/150 Mai Văn Duy

KÊ MÔ TẢ
1 Tổng thể, mẫu và quy trình
2/150 Mai Văn Duy

KÊ MÔ TẢ
2 Phương pháp trực quan và biểu đồ
2/150 Mai Văn Duy

KÊ MÔ TẢ
3 Các số đo đặc trưng vị trí
2/150 Mai Văn Duy

KÊ MÔ TẢ
3 Các số đo đặc trưng vị trí
4 Các số đo đặc trưng biến thiên
2/150 Mai Văn Duy

1.1 Tổng thể và mẫu
Tổng thể
Là tập hợp tất cả các đối tượng mà ta muốn
nghiên cứu chúng ở một vài đặc điểm hoặc tính
chất (dấu hiệu)nào đó.
3/150 Mai Văn Duy

Tổng thể
Ví dụ: Khi nghiên cứu chiều cao của người Việt
Nam, tổng thể là tập tất cả những người Việt
Nam.
3/150 Mai Văn Duy

Tổng thể
Ví dụ: Khi nghiên cứu chiều cao của người Việt
Nam, tổng thể là tập tất cả những người Việt
Nam.
Chú ý: Ta thường không thể xác định và nghiên
cứu tất cả các phần tử của tổng thể vì nhiều lí do.
3/150 Mai Văn Duy

Mẫu
Là một tập con nào đó của tổng thể. Nếu mẫu
gồm n phần tử thì ta gọi đây là một mẫu cỡ n.
4/150 Mai Văn Duy

Mẫu
Ví dụ: Để khảo sát chiều cao của người Việt
Nam, người ta đo chiều cao 100 người, thu được
kết quả là X1 , X2 , ..., X100 . Ta gọi
(X1 , X2 , ..., X100 ) là một mẫu cỡ 100.
4/150 Mai Văn Duy

Mẫu
Ví dụ: Để khảo sát chiều cao của người Việt
Nam, người ta đo chiều cao 100 người, thu được
kết quả là X1 , X2 , ..., X100 . Ta gọi
(X1 , X2 , ..., X100 ) là một mẫu cỡ 100.
4/150 Mai Văn Duy

1.2 Phương pháp trực quan và biểu đồ
Biến số rời rạc và liên tục

Biến số rời rạc là biến số mà giá trị của nó đếm
được.
Biến số liên tục là biến số mà giá trị của nó có
thể tạo thành một khoảng trên tập số thực.
5/150 Mai Văn Duy

1.2 Phương pháp trực quan và biểu đồ
Tần số của dữ liệu rời rạc-Cách chia khoảng của

dữ liệu liên tục
Tần số của một giá trị là tỉ lệ của số lượng
giá trị này với tổng số lượng các giá trị.
Đối với dữ liệu liên tục, quy ước đầu mút
bên trái thuộc về khoảng đó.
Nếu dữ liệu cho bởi khoảng giá trị, thì ta lấy
trung bình cộng 2 đầu mút mỗi khoảng để có
bảng tần số.
6/150 Mai Văn Duy

1.3 Các số đo đặc trưng vị trí
Trung bình mẫu

Với mẫu cỡ n: (X1 , X2 , ..., Xn ). Trung bình mẫu:
X1 + X2 + ... + Xn
X=
n
7/150 Mai Văn Duy

Trung vị Q2
Là giá trị chính giữa khi sắp xếp bộ dữ liệu tăng
từ trái qua phải.
Nếu n lẻ thì trung vị là giá trị thứ (n + 1)/2.
Nếu n chẵn thì trung vị là trung bình cộng hai
giá trị thứ n/2 và n/2 + 1.
8/150 Mai Văn Duy

Một số số đo khác
Tứ phân vị: Chia tập dữ liệu thành 4 phần bởi
Q1 (trung vị của nửa dữ liệu nhỏ), Q2 , Q3 (trung
vị của nữa dữ liệu lớn). Chú ý, nếu trung vị nằm
trong tập dữ liệu thì cả 2 nửa đều tính đến nó.
Phân vị mức phần trăm: Chia tập dữ liệu theo tỉ
lệ phần trăm.
Trung bình thu gọn k%: Bỏ đi k% các phần tử
nhỏ nhất và lớn nhất, sau đó tính trung bình.
9/150 Mai Văn Duy

Tỉ lệ mẫu
Tỉ lệ các phần tử của mẫu có tính chất A nào đó.
10/150 Mai Văn Duy

1.4 Các số đo đặc trưng biến thiên
Phương sai mẫu

(xi − x̄)2 ni (xi − x̄)2
P P
2
s = = .
n−1 n−1
Độ lệch chuẩn mẫu

√
s= s2 .
11/150 Mai Văn Duy

Biểu đồ hộp
Biểu diễn: trung tâm, mức độ phân tán, mức độ
và tính chất đối xứng và các giá trị ngoại lai.
Cạnh trái của hộp là tứ phân vị dưới.
Cạnh phải là tứ phân vị trên.
Đường giữa hộp là trung vị.
Kẻ đường ngang từ hộp đến giá trị nhỏ nhất
và lớn nhất.
12/150 Mai Văn Duy

Ví dụ 1.13 Biểu đồ hộp biểu diễn độ ăn mòn của
dầu thô với tấm lót sàn:
13/150 Mai Văn Duy

Giá trị ngoại lai

Một giá trị mà nằm xa hơn 1.5(Q3 − Q1) tính từ
tứ phân vị gần nhất gọi là giá trị ngoại lai. Một
giá trị nằm xa hơn 3 lần tứ phân vị gần nhất gọi
là cực trị.
Chú ý: Mỗi giá trị ngoại lai thường được biểu
diễn bởi một đoạn thẳng đứng tại vị trí của nó.
14/150 Mai Văn Duy

Ví dụ 1.14 Biểu đồ hộp biểu diễn nồng độ Radon
trong 2 nhóm:
15/150 Mai Văn Duy

Chương 2: PHÉP TÍNH XÁC SUẤT
16/150 Mai Văn Duy

1 Không gian mẫu và biến cố
16/150 Mai Văn Duy

2 Các định nghĩa và tính chất của xác suất
16/150 Mai Văn Duy

3 Giải tích tổ hợp
16/150 Mai Văn Duy

4 Xác suất có điều kiện
16/150 Mai Văn Duy

4 Xác suất có điều kiện
5 Sự độc lập của biến cố
16/150 Mai Văn Duy

2.1 Không gian mẫu và biến cố
Phép thử
Phép thử là một hành động hay một quá trình
mà cho kết quả một cách ngẫu nhiên.
17/150 Mai Văn Duy

Phép thử
Phép thử là một hành động hay một quá trình
mà cho kết quả một cách ngẫu nhiên.
Ví dụ: Tung một đồng xu, kết quả cho ra có thể
là ngửa hoặc sấp.
17/150 Mai Văn Duy

Không gian mẫu

Không gian mẫu của một phép thử là tập hợp tất
cả các kết quả có thể xảy ra của phép thử đó,
thường được kí hiệu Ω hoặc S.
18/150 Mai Văn Duy

Không gian mẫu

Không gian mẫu của một phép thử là tập hợp tất
cả các kết quả có thể xảy ra của phép thử đó,
thường được kí hiệu Ω hoặc S.
Ví dụ: Tung một đồng xu, kết quả cho ra có thể
là ngửa(N) hoặc sấp(S). Vậy không gian mẫu là
S = {S, N }.
18/150 Mai Văn Duy

Biến cố
Một biến cố là tập hợp một số kết quả của phép
thử, nó là một tập con của không gian mẫu. Nếu
biến cố chỉ có một phần tử, ta gọi là biến cố đơn,
nếu biến cố có nhiều phần tử thì là biến cố kép.
19/150 Mai Văn Duy

Biến cố
Một biến cố là tập hợp một số kết quả của phép
thử, nó là một tập con của không gian mẫu. Nếu
biến cố chỉ có một phần tử, ta gọi là biến cố đơn,
nếu biến cố có nhiều phần tử thì là biến cố kép.
Ví dụ: Tung một con xúc xắc có 6 mặt. Không
gian mẫu là S = {1, 2, 3, 4, 5, 6}. Ta có 6 biến cố
đơn và một số biến cố kép. Chẳng hạn tập hợp
{1, 3, 5} là biến cố số chấm thu được là số lẻ.
19/150 Mai Văn Duy

Biến cố rỗng
Biến cố không chứa phần tử nào gọi là biến cố
rỗng. Kí hiệu ∅.
20/150 Mai Văn Duy

Biến cố rỗng
Biến cố không chứa phần tử nào gọi là biến cố
rỗng. Kí hiệu ∅.
Biến cố chắc chắn

Biến cố Ω gọi là biến cố chắc chắn.
20/150 Mai Văn Duy

Phần bù của biến cố

Phần bù của biến cố A là tập hợp tất cả các kết
quả trong S mà không nằm trong A. Kí hiệu:
A = S\A.
21/150 Mai Văn Duy

Phần bù của biến cố

Phần bù của biến cố A là tập hợp tất cả các kết
quả trong S mà không nằm trong A. Kí hiệu:
A = S\A.
Ví dụ: Trong thí nghiệm tung con xúc xắc ở trên,
phần bù của biến cố "số chấm thu được là số lẻ"
là biến cố "số chấm thu được không là số lẻ".
S = {1, 2, 3, 4, 5, 6}, A = {1, 3, 5}, A = S\A =
{2, 4, 6}.
21/150 Mai Văn Duy

Hợp của 2 biến cố

Hợp của 2 biến cố A và B là biến cố chứa tất cả
các kết quả chứa trong A hoặc B. Kí hiệu A ∪ B.
22/150 Mai Văn Duy

Hợp của 2 biến cố

Hợp của 2 biến cố A và B là biến cố chứa tất cả
các kết quả chứa trong A hoặc B. Kí hiệu A ∪ B.
hợp của biến cố "số chấm xuất hiện bé hơn 3" và
biến cố "số chấm xuất hiện lớn hơn 5" là biến cố
"số chấm xuất hiện bé hơn 3 hoặc lớn hơn 5".
S = {1, 2, 3, 4, 5, 6}, A = {1, 2}, B = {6}, A ∪ B =
{1, 2, 6}.
22/150 Mai Văn Duy

Giao của 2 biến cố

Giao của 2 biến cố A và B là biến cố chứa tất cả
các kết quả chung của A và B. Kí hiệu A ∩ B hay
đôi khi viết là AB. Nếu A ∩ B = ∅ thì A và B gọi
là xung khắc hay rời nhau.
23/150 Mai Văn Duy

Giao của 2 biến cố

Giao của 2 biến cố A và B là biến cố chứa tất cả
các kết quả chung của A và B. Kí hiệu A ∩ B hay
đôi khi viết là AB. Nếu A ∩ B = ∅ thì A và B gọi
là xung khắc hay rời nhau.
hợp của biến cố "số chấm xuất hiện bé hơn 4" và
biến cố "số chấm xuất hiện lớn hơn 2" là biến cố
"số chấm xuất hiện bé hơn 4 và lớn hơn 2".
S = {1, 2, 3, 4, 5, 6}, A = {1, 2, 3}, B =
{3, 4, 5, 6}, A ∩ B = {3, 4}.
23/150 Mai Văn Duy
2.2 Các định nghĩa và tính chất của xác
suất
Định nghĩa xác suất của biến cố
Cho biến cố A. Xác suất của biến cố A, kí hiệu
P (A), là một số mà cho ta một độ đo chính xác
về khả năng xảy ra của biến cố A.
Xác suất của các biến cố phải thoả mãn:
P (A) ≥ 0
P (S) = 1
Với mọi dãy các biến cố rời nhau thì
P (A1 ∪ A2 ∪ . . .) = P (A1 ) + P (A2 ) + ...
24/150 Mai Văn Duy

suất
Xác suất của biến cố theo nghĩa cổ điển
Cho một phép thử và không gian mẫu tương ứng
Ω. Nếu không gian mẫu gồm hữu hạn các kết quả
có khả năng xảy ra như nhau thì xác suất xảy ra
n(A)
của một biến cố A cho bởi: P (A) =
n(Ω)
25/150 Mai Văn Duy

suất
Xác suất của biến cố theo nghĩa cổ điển
Ω. Nếu không gian mẫu gồm hữu hạn các kết quả
có khả năng xảy ra như nhau thì xác suất xảy ra
n(A)
của một biến cố A cho bởi: P (A) =
n(Ω)
không gian mẫu Ω = {1, 2, 3, 4, 5, 6} có n(Ω) = 6.
Xét biến cố A: "số chấm xuất hiện bé hơn 3",
A = {1, 2} có n(A) = 2. Xác suất của biến cố A:
P (A) = 2/6 = 1/3.
25/150 Mai Văn Duy
suất
Xác suất của biến cố theo nghĩa thống kê
Ω cùng với biến cố A. Nếu ta thực hiện phép thử
n lần, thấy m lần xuất hiện biến cố A thì:
m
P (A) = lim
n→+∞ n
26/150 Mai Văn Duy

suất
Xác suất của biến cố theo nghĩa thống kê
Ω cùng với biến cố A. Nếu ta thực hiện phép thử
n lần, thấy m lần xuất hiện biến cố A thì:
m
P (A) = lim
n→+∞ n
m
Chú ý: Trong thực tế, khi n đủ lớn thì xem
n
như xác suất của biến cố A.
26/150 Mai Văn Duy
suất
Xác suất của biến cố theo nghĩa hình học
Ω cùng với biến cố A. Nếu miền biểu diễn thuận
lợi cho biến cố A có diện tích (độ dài, thể tích,...)
là S(A) thì xác suất của biến cố A định bởi:
S(A)
P (A) =
S(Ω)
27/150 Mai Văn Duy

suất
Công thức cộng tổng quát
Cho A, B là 2 biến cố bất kì thì
P (A ∪ B) = P (A) + P (B) − P (AB).
Tổng quát, nếu A1 , A2 , ...An là các biến cố bất kì
thì
n
[ X X
P ( Ai ) = P (Ai ) − P (Ai Aj ) + ...
1 i6=j
n+1
+(−1) P (A1 A2 ...An )
28/150 Mai Văn Duy

suất
Ví dụ: Một nhóm 50 người, trong đó có 30 người
biết tiếng Anh, 20 người biết tiếng Pháp và 10
người biết cả 2 thứ tiếng. Chọn 1 người trong
nhóm. Tính xác suất người này biết ít nhất một
thứ tiếng.
29/150 Mai Văn Duy

suất
Ví dụ: Bốn cầu thủ mang áo số 1, 2, 3, 4 được xếp
ngẫu nhiên vào 4 ghế số 1, 2, 3, 4. Tính xác suất
có ít nhất một cầu thủ ngồi ghế trùng với số áo.
30/150 Mai Văn Duy

suất
Ví dụ: Bốn cầu thủ mang áo số 1, 2, 3, 4 được xếp
ngẫu nhiên vào 4 ghế số 1, 2, 3, 4. Tính xác suất
có ít nhất một cầu thủ ngồi ghế trùng với số áo.
Gọi Ai , i = 1, 2, 3, 4 là biến cố cầu thủ thứ i ngồi
ghế trùng với số áo. Khi đó,
3!
P (Ai ) = = 0.25
4!
2! 1
P (Ai Aj ) = = , (i 6= j)
4! 12
1! 1
P (Ai Aj Ak ) = = , (i 6= j, i 6= k, j 6= k)
4! 24
30/150 Mai Văn Duy

suất
1 1
P (A1 A2 A3 A4 ) = =
4! 24
Vậy P (A1 ∪ A2 ∪ A3 ∪ A4 ) =
1 1 1 5
4 × 0.25 − 6 × +4× − =
12 24 24 8
31/150 Mai Văn Duy

2.3 Giải tích tổ hợp
Quy tắc cộng

Giả sử một công việc có thể làm bằng k phương
pháp khác nhau, phương pháp thứ nhất có n1
cách làm, phương pháp thứ 2 có n2 cách làm,...,
phương pháp thứ k có nk cách làm. Vậy sẽ có
n1 + n2 + ... + nk cách làm công việc này.
32/150 Mai Văn Duy

Quy tắc cộng

Giả sử một công việc có thể làm bằng k phương
pháp khác nhau, phương pháp thứ nhất có n1
cách làm, phương pháp thứ 2 có n2 cách làm,...,
phương pháp thứ k có nk cách làm. Vậy sẽ có
n1 + n2 + ... + nk cách làm công việc này.
Ví dụ: Đoạn đường từ A đến B có thể đi bằng
đường hàng không (có 3 hãng hàng không),
đường bộ(có 5 hãng xe) hoặc đường thủy (có 6
hãng tàu thủy). Vậy sẽ có 3 + 5 + 6 = 14 cách đi
từ A đến B.
32/150 Mai Văn Duy
Quy tắc nhân

Giả sử cần một công việc gồm k bước làm, bước
thứ nhất có n1 cách làm, bước thứ 2 có n2 cách
làm,..., bước thứ k có nk cách làm. Vậy sẽ có
n1 n2 ...nk cách làm công việc này.
33/150 Mai Văn Duy

Quy tắc nhân

Giả sử cần một công việc gồm k bước làm, bước
thứ nhất có n1 cách làm, bước thứ 2 có n2 cách
làm,..., bước thứ k có nk cách làm. Vậy sẽ có
n1 n2 ...nk cách làm công việc này.
Ví dụ: Một người có 4 cái quần, 5 cái áo và 6 đôi
giày. Như vậy sẽ có 4.5.6=120 cách chọn một bộ
trang phục gồm quần áo và giày.
33/150 Mai Văn Duy

Tổ hợp
Số cách chọn ra k phần tử (không phân biệt thứ
tự) từ n phần tử khác nhau là một
tổ hợp chập k
n n!
của n. Kí hiệu: Cnk = Ck,n = = .
k k!(n − k)!
34/150 Mai Văn Duy

Tổ hợp
Số cách chọn ra k phần tử (không phân biệt thứ
tự) từ n phần tử khác nhau là một
tổ hợp chập k
n n!
của n. Kí hiệu: Cnk = Ck,n = = .
k k!(n − k)!
Ví dụ: Một kì học, trường mở 20 lớp các môn. Số
cách đăng kí 4 môn cho kì này là: C4,20 = 4845
cách.
34/150 Mai Văn Duy

Chỉnh hợp
Số cách chọn ra k phần tử (có sắp thứ tự) từ n
phần tử khác nhau là một chỉnh hợp chập k của
n!
n. Kí hiệu: Akn = Pk,n = .
(n − k)!
Nếu k = n thì số chỉnh hợp chập này gọi là số
hoán vị của n phần tử.
35/150 Mai Văn Duy

Chỉnh hợp
Số cách chọn ra k phần tử (có sắp thứ tự) từ n
phần tử khác nhau là một chỉnh hợp chập k của
n!
n. Kí hiệu: Akn = Pk,n = .
(n − k)!
Nếu k = n thì số chỉnh hợp chập này gọi là số
hoán vị của n phần tử.
Ví dụ: Một lớp có 40 sinh viên. Số cách chọn một
ban cán sự lớp gồm một lớp trưởng và một lớp
phó là: P2,40 = 1560 cách.
35/150 Mai Văn Duy

2.4 Xác suất có điều kiện
Định nghĩa
Cho 2 biến cố A,B. Xác suất xảy ra biến cố A
nếu biến cố B đã xảy ra được xác định bởi:
P (AB)
P (A|B) =
P (B)
36/150 Mai Văn Duy

Định nghĩa
Cho 2 biến cố A,B. Xác suất xảy ra biến cố A
nếu biến cố B đã xảy ra được xác định bởi:
P (AB)
P (A|B) =
P (B)
Chú ý: P (A|B) 6= P (A) và P (B|A) 6= P (B).
36/150 Mai Văn Duy

Ví dụ: Lớp có 40 sinh viên, trong đó có 25 sinh
viên thích bóng đá, 10 sinh viên thích bóng
chuyền và 5 sinh viên thích cả hai. Chọn một sinh
viên trong lớp.
1 Tính xác suất em này thích bóng đá (bóng
chuyền, cả 2)
2 Nếu sinh viên này thích bóng đá (bóng
chuyền), xác suất em này cũng thích bóng
chuyền (bóng đá) ?
37/150 Mai Văn Duy

Gọi A, B là biến cố em này thích bóng đá, bóng
chuyền.
Xác suất sinh viên này thích bóng đá là:
25
P (A) = = 0.625
40
Xác suất sinh viên này thích bóng chuyền:
10
P (B) = = 0.25
40
Xác suất sinh viên này thích cả 2 là:
5
P (AB) = = 0.125
40
38/150 Mai Văn Duy

Nếu sinh viên này là sinh viên thích bóng đá, xác
suất sinh viên này cũng thích bóng chuyền:
P (AB) 0.125
P (B|A) = = = 0.2
P (A) 0.625
39/150 Mai Văn Duy

Nếu sinh viên này là sinh viên thích bóng đá, xác
suất sinh viên này cũng thích bóng chuyền:
P (AB) 0.125
P (B|A) = = = 0.2
P (A) 0.625
Nếu sinh viên này đã thích bóng chuyền, xác suất
để sinh viên cũng thích bóng đá:
P (AB) 0.125
P (A|B) = = = 0.5
P (B) 0.25
39/150 Mai Văn Duy

Ví dụ: Khảo sát ở một cửa hàng điện thoại cho
thấy có 60% số khách mua thêm thẻ nhớ, 40%
mua thêm sạc dự phòng và 30% mua thêm cả hai.
Hỏi 1 người khách vừa mua điện thoại từ cửa
hàng này thì biết người này đã mua thêm sạc dự
phòng (thẻ nhớ). Tính xác suất người này cũng
mua thêm thẻ nhớ (sạc dự phòng)?
40/150 Mai Văn Duy

Đặt A, B là biến cố khách mua thêm thẻ nhớ, sạc
dự phòng.
P (A) = 0.6, P (B) = 0.4, P (AB) = 0.3
Nếu khách đã mua sạc dự phòng thì xác suất
khách mua thêm thẻ nhớ là:
P (A ∩ B) 0.3
P (A|B) = = = 0.75
P (B) 0.4
Nếu khách đã mua thẻ nhớ thì xác suất khách
mua thêm sạc dự phòng là:
P (A ∩ B) 0.3
P (B|A) = = = 0.5
P (A) 0.6
41/150 Mai Văn Duy
Công thức nhân xác suất

Cho 2 biến cố A,B. Khi đó
P (A ∩ B) = P (A|B)P (B) = P (B|A)P (A)
Tổng quát cho n biến cố A1 , A2 , ..., An :

P (A1 A2 ...An ) =
P (A1 )P (A2 |A1 )P (A3 |A1 A2 )...P (An |A1 ...An−1 )
42/150 Mai Văn Duy

Công thức nhân xác suất

Cho 2 biến cố A,B. Khi đó
P (A ∩ B) = P (A|B)P (B) = P (B|A)P (A)
Tổng quát cho n biến cố A1 , A2 , ..., An :

P (A1 A2 ...An ) =
P (A1 )P (A2 |A1 )P (A3 |A1 A2 )...P (An |A1 ...An−1 )
42/150 Mai Văn Duy

Họ đầy đủ các biến cố

Một họ các biến cố A1 , A2 , ..., An gọi là đầy đủ
nếu A1 ∪ A2 ∪ ...An = Ω
43/150 Mai Văn Duy

Họ đầy đủ các biến cố

Một họ các biến cố A1 , A2 , ..., An gọi là đầy đủ
nếu A1 ∪ A2 ∪ ...An = Ω
Công thức xác suất đầy đủ

Cho một họ các biến cố đầy đủ, đôi một rời nhau
A1 , A2 , ...An và biến cố B bất kì. Khi đó,
P (B) = P (B|A1 )P (A1 ) + ... + P (B|An )P (An )
43/150 Mai Văn Duy

Công thức Bayes

Cho một họ các biến cố đầy đủ, đôi một rời nhau
A1 , A2 , ...An với các xác suất tiên nghiệm
P (Aj ), 1 ≤ j ≤ n. Một biến cố B với P(B)>0 bất
kì thì các xác suất hậu nghiệm của các
Aj , 1 ≤ j ≤ n với điều kiện đã xảy ra B:
P (Aj B)
P (Aj |B) = Pn
i=1 P (B|Ai )P (Ai )
44/150 Mai Văn Duy

Ví dụ: Một công ty sản xuất 20% sản phẩm loại
I, 30% sản phẩm loại II và 50% sản phẩm loại
III. Xác suất lỗi của một sản phẩm loại I, II, III
là 2%, 3%, 5%. Một khách hàng mua một sản
phẩm của công ty.
a
Tính xác suất người này mua phải một sản
phẩm lỗi loại I.
b Tính xác suất người này mua phải một sản
phẩm lỗi.
c
Nếu người này mua phải một sản phẩm bị
lỗi, tính xác suất nó là sản phẩm loại I.
45/150 Mai Văn Duy

Đặt A1 , A2 , A3 là biến cố sản phẩm được mua là
loại I, II, III và B là biến cố sản phẩm được mua
bị lỗi. Khi đó,
P (A1 ) = 0.2, P (A2 ) = 0.3, P (A3 ) = 0.4 và
P (B|A1 ) = 0.02, P (B|A2 ) = 0.03, P (B|A3 ) =
0.05.
46/150 Mai Văn Duy

P (A1 ) = 0.2, P (A2 ) = 0.3, P (A3 ) = 0.4 và
P (B|A1 ) = 0.02, P (B|A2 ) = 0.03, P (B|A3 ) =
0.05.
a)Xác suất sản phẩm bị lỗi và nó là loại I:
P (A1 B) = P (A1 )P (B|A1 ) = 0.2 × 0.02 = 0.004
46/150 Mai Văn Duy

P (A1 ) = 0.2, P (A2 ) = 0.3, P (A3 ) = 0.4 và
P (B|A1 ) = 0.02, P (B|A2 ) = 0.03, P (B|A3 ) =
0.05.
a)Xác suất sản phẩm bị lỗi và nó là loại I:
P (A1 B) = P (A1 )P (B|A1 ) = 0.2 × 0.02 = 0.004
b)Xác suất sản phẩm bị lỗi là xác suất nó là loại
I bị lỗi, loại II bị lỗi hoặc loại III bị lỗi:
P (B) = P (A1 B ∪ A2 B ∪ A3 B) =
0.2 × 0.02 + 0.3 × 0.03 + 0.5 × 0.05 = 0.038
46/150 Mai Văn Duy
c)Xác suất sản phẩm đã bị lỗi này là sản phẩm
loại I:
P (A1 B) 0.004 2
P (A1 |B) = = =
P (B) 0.038 19
47/150 Mai Văn Duy

2.5 Sự độc lập
Sự độc lập
Hai biến cố A, B được gọi là độc lập nếu
P (A|B) = P (A) (hay P (B|A) = P (B)). Nghĩa là
khả năng xảy ra của biến cố này không phụ
thuộc vào biến cố kia. Ngược lại thì A, B gọi là
phụ thuộc.
48/150 Mai Văn Duy

Sự độc lập
Hai biến cố A, B được gọi là độc lập nếu
P (A|B) = P (A) (hay P (B|A) = P (B)). Nghĩa là
khả năng xảy ra của biến cố này không phụ
thuộc vào biến cố kia. Ngược lại thì A, B gọi là
phụ thuộc.
Tính chất
Hai biến cố A, B độc lập khi và chỉ khi
P (AB) = P (A)P (B). Tổng quát, n biến cố
A1 , A2 , ..., An độc lập khi và chỉ khi
P (A1 A2 ...An ) = P (A1 )P (A2 )...P (An ).
48/150 Mai Văn Duy
Công thức Bernoulli

Giả sử ta thực hiện n phép thử độc lập với nhau,
xác suất xảy ra biến cố A ở mỗi phép thử đều
bằng p (0<p<1) thì xác suất có k lần xuất hiện
A trong n lần thực hiện là:
Cnk pk (1 − p)n−k
49/150 Mai Văn Duy

Ví dụ: Tung một đồng xu liên tiếp 10 lần, xác
suất xuất hiện mặt ngửa (N) trong mỗi lần là
p = 0.3. Tính xác suất số lần xuất hiện mặt ngửa
trong 10 lần tung không vượt quá 2.
50/150 Mai Văn Duy

Ví dụ: Tung một đồng xu liên tiếp 10 lần, xác
suất xuất hiện mặt ngửa (N) trong mỗi lần là
p = 0.3. Tính xác suất số lần xuất hiện mặt ngửa
trong 10 lần tung không vượt quá 2.
Gọi Ai là biến cố xuất hiện i lần mặt ngửa trong
10 lần tung.
0
P (A0 ∪ A1 ∪ A2 ) = C10 0.30 0.710 + C10
1
0.31 0.79 +
2
C10 0.32 0.78
= 0.3828
50/150 Mai Văn Duy

Chương 3: BIẾN NGẪU NHIÊN RỜI
RẠC VÀ PHÂN PHỐI XÁC SUẤT
51/150 Mai Văn Duy

1 Biến ngẫu nhiên
51/150 Mai Văn Duy

2 Hàm phân phối xác suất của biến ngẫu nhiên
rời rạc
51/150 Mai Văn Duy

rời rạc
3 Kì vọng và phương sai
51/150 Mai Văn Duy

rời rạc
4 Phân phối nhị thức
51/150 Mai Văn Duy

rời rạc
5 Phân phối nhị thức âm và phân phối siêu bội
51/150 Mai Văn Duy

rời rạc
5 Phân phối nhị thức âm và phân phối siêu bội
6 Phân phối Poisson
51/150 Mai Văn Duy

3.1 Biến ngẫu nhiên
Biến ngẫu nhiên

Cho một phép thử có không gian mẫu là Ω. Một
biến ngẫu nhiên, hiểu đơn giản là một hàm số đi
từ Ω vào tập số thực R. Kí hiệu: X : Ω → R.
52/150 Mai Văn Duy


Chú ý: Biến ngẫu nhiên kí hiệu X còn giá trị của
X thường kí hiệu x.
52/150 Mai Văn Duy


Chú ý: Biến ngẫu nhiên kí hiệu X còn giá trị của
X thường kí hiệu x.
Ví dụ: Xét phép thử tung đồng xu đồng chất cân
đối, không gian mẫu Ω = {S, N }. Đặt
X : Ω → R, X(S) = 1, X(N ) = 0 thì X là một
biến ngẫu nhiên.
52/150 Mai Văn Duy

Biến ngẫu nhiên rời rạc

Một biến ngẫu nhiên mà tập giá trị của nó là hữu
hạn hoặc vô hạn đếm được thì gọi là biến ngẫu
nhiên rời rạc.
53/150 Mai Văn Duy

Biến ngẫu nhiên rời rạc

Một biến ngẫu nhiên mà tập giá trị của nó là hữu
hạn hoặc vô hạn đếm được thì gọi là biến ngẫu
nhiên rời rạc.
Ví dụ: Xét phép thử tung đồng xu đồng chất cân
đối cho đến khi được mặt sấp thì dừng lại. Đặt X
là số lần tung. Không gian mẫu
Ω = {S, N S, N N S, N N N S, ...}. Và
X(S) = 1, X(N S) = 2, ....
thì X là một biến ngẫu nhiên rời rạc.

53/150 Mai Văn Duy
3.2 Phân phối xác suất của biến ngẫu
nhiên rời rạc
Hàm mật độ xác suất của biến ngẫu nhiên rời rạc
Hàm mật độ xác suất của một biến ngẫu nhiên
rời rạc là hàm p sao cho với mọi giá trị x ∈ R:
p(x) = P (X = x) = P ({s ∈ Ω | X(s) = x})
Tính chất hàm xác suất của biến ngẫu nhiên rời
rạc
1 p(x) ≥ 0, ∀x
X
2 p(x) = 1
54/150 Mai Văn Duy

nhiên rời rạc
Ví dụ: Xét thí nghiệm tung 4 đồng xu cân đối
đồng chất cho đến khi thu được mặt sấp thì dừng
lại và gọi X là số lần tung. Khi đó,
x 1 2 3 4
p(x) 0.5 0.25 0.125 0.125
55/150 Mai Văn Duy

nhiên rời rạc
Ví dụ: Xét thí nghiệm tung 4 đồng xu cân đối
đồng chất cho đến khi thu được mặt sấp thì dừng
lại và gọi X là số lần tung. Khi đó,
x 1 2 3 4
p(x) 0.5 0.25 0.125 0.125
Chú ý: p(x) = 0, ∀x ∈ / {1, 2, 3, 4}.
55/150 Mai Văn Duy

nhiên rời rạc
Phân phối tích lũy (cdf) của biến ngẫu nhiên rời
rạc
Hàm phân phối tích lũy của một biến ngẫu nhiên
là hàm F sao cho với mọi giá trị x ∈ R:
X
F (x) = P (X ≤ x) = p(y)
y≤x
56/150 Mai Văn Duy

3.3 Kì vọng và phương sai
Kì vọng
Kì vọng hay giá trị trung bình của biến ngẫu
nhiên rời rạc X, kí hiệu E(X), µX , µ được tính
bởi: X
E(X) = x.p(x)
x∈R
57/150 Mai Văn Duy

Ví dụ: Một công ty bảo hiểm đưa ra gói bảo hiểm
như sau: Người tham gia đóng 100$/năm. Nếu
người tham gia chết trong năm này, bảo hiểm chi
trả 10000$. Kết quả điều tra cho thấy tỉ lệ người
chết trong năm khi mua bảo hiểm là 0.5%. Hỏi
lợi nhuận trung bình của công ty khi bán gói bảo
hiểm này cho 1 người là bao nhiêu?
58/150 Mai Văn Duy

Ví dụ: Một công ty bảo hiểm đưa ra gói bảo hiểm
như sau: Người tham gia đóng 100$/năm. Nếu
người tham gia chết trong năm này, bảo hiểm chi
trả 10000$. Kết quả điều tra cho thấy tỉ lệ người
chết trong năm khi mua bảo hiểm là 0.5%. Hỏi
lợi nhuận trung bình của công ty khi bán gói bảo
hiểm này cho 1 người là bao nhiêu?
Đặt X là số tiền công ty thu về khi bán 1 gói bảo
hiểm:
X 100 -9900
p 1-0.005 0.005
E(X) = 100 × 0.995 − 9900 × 0.005 = 50$
58/150 Mai Văn Duy
Tính chất của kì vọng

Giả sử X, Y là các biến ngẫu nhiên,a, b là các
hằng số và h là một hàm số nào đó. Khi đó:
P
1 E(h(X)) = x∈R h(x).p(x)
2 E(aX + bY ) = aE(X) + bE(Y )
3 E(XY ) = E(X)E(Y ) nếu X, Y độc lập (xác
suất xảy ra các giá trị của X,Y độc lập với
nhau)
59/150 Mai Văn Duy

Phương sai
Cho X là biến ngẫu nhiên. Phương sai của X là
số đo độ phân tán các giá trị của X quanh giá trị
2
trung bình. Kí hiệu: V (X), D(X), σX hay σ 2
V (X) = E[(X − E(X))2 ] = E(X 2 ) − (E(X))2
60/150 Mai Văn Duy

Phương sai
2
V (X) = E[(X − E(X))2 ] = E(X 2 ) − (E(X))2
p
Chú ý:Độ lệch chuẩn của X là σX = V (X)
60/150 Mai Văn Duy

Tính chất của phương sai

Cho X, Y là biến ngẫu nhiên và a, b là các hằng
số thực:
1 V (X) ≥ 0, V (a) = 0
2 V (aX + b) = a2 V (X)
3 V (aX + bY ) = a2 V (X) + b2 V (Y ) nếu X,Y
độc lập.
61/150 Mai Văn Duy

3.4 Phân phối nhị thức
Ví dụ: Xét phép thử tung đồng xu n lần với xác
suất xuất hiện mặt ngửa ở mỗi lần là p. Gọi X là
số lần xuất hiện mặt ngửa.
62/150 Mai Văn Duy

Ví dụ: Xét phép thử tung đồng xu n lần với xác
suất xuất hiện mặt ngửa ở mỗi lần là p. Gọi X là
số lần xuất hiện mặt ngửa. Khi đó,
P (X = i) = Cni pi (1 − p)n−i , ∀i = 0, 1, ..., n
Ta gọi biến ngẫu nhiên dạng này là biến ngẫu

nhiên có phân phối nhị thức.
62/150 Mai Văn Duy

Định nghĩa phân phối nhị thức

Biến ngẫu nhiên rời rạc X gọi là có phân phối nhị
thức với 2 tham số n, p. Kí hiệu X ∼ b(n, p) nếu
P (X = i) = Cni pi (1 − p)n−i , ∀i = 0, 1, ..., n
63/150 Mai Văn Duy

Nhận biết phân phối nhị thức:
1 Phép thử gồm n phép thử con giống nhau và
độc lập với nhau
2 Mỗi phép thử con có xác suất xuất hiện biến
cố A là p
3 Phép thử đếm số lần thành công (xảy ra )
của A
64/150 Mai Văn Duy

Tính chất phân phối nhị thức

Cho X ∼ b(n, p) thì:
1 Kì vọng E(X) = np
2 Phương sai V (X) = np(1 − p)
65/150 Mai Văn Duy

3.5 Phân phối nhị thức âm và phân phối
siêu bội
Ví dụ: Xét phép thử tung đồng xu với xác suất
xuất hiện mặt ngửa ở mỗi lần là p. Tính xác suất
tung được x lần sấp trước khi đạt được r lần
ngửa? Gọi X là số lần xuất hiện mặt sấp trước
khi có được r lần ngửa.
66/150 Mai Văn Duy

siêu bội
Ví dụ: Xét phép thử tung đồng xu với xác suất
xuất hiện mặt ngửa ở mỗi lần là p. Tính xác suất
tung được x lần sấp trước khi đạt được r lần
ngửa? Gọi X là số lần xuất hiện mặt sấp trước
khi có được r lần ngửa. Khi đó, cần phải có r − 1
lần ngửa trong x + r − 1 lần tung đầu tiên và lần
tung thứ x + r phải là ngửa:
r−1
P (X = x) = Cx+r−1 pr (1 − p)x , ∀x = 0, 1, ...
Ta gọi biến ngẫu nhiên dạng này là biến ngẫu

nhiên có phân phối nhị thức âm.
66/150 Mai Văn Duy
siêu bội
Định nghĩa phân phối nhị thức âm
Biến ngẫu nhiên rời rạc X gọi là có phân phối nhị
thức âm với 2 tham số r, p. Kí hiệu X ∼ nb(r, p)
nếu
r−1
P (X = x) = Cx+r−1 pr (1 − p)x , ∀x = 0, 1, ...
67/150 Mai Văn Duy

siêu bội
Nhận biết phân phối nhị thức âm:
1 Phép thử gồm các phép thử con giống nhau
và độc lập với nhau
2 Mỗi phép thử con có xác suất xuất hiện biến
cố A là p
3 Phép thử đếm số lần thất bại trước khi có r
lần thành công (xảy ra ) của A
68/150 Mai Văn Duy

siêu bội
Tính chất phân phối nhị thức âm
Cho X ∼ nb(r, p) thì:
r(1 − p)
1 Kì vọng E(X) =
p
r(1 − p)
2 Phương sai V (X) =
p2
69/150 Mai Văn Duy

siêu bội
Ví dụ: Từ bộ bài 52 lá, rút ngẫu nhiên ra 5 lá.
Tính xác suất có x(x = 0, 1, ..., 5) lá chất cơ trong
5 lá này.
70/150 Mai Văn Duy

siêu bội
Ví dụ: Từ bộ bài 52 lá, rút ngẫu nhiên ra 5 lá.
Tính xác suất có x(x = 0, 1, ..., 5) lá chất cơ trong
5 lá này.
Gọi X là số lá chất cơ trong 5 lá rút ra. Có 13 lá
chất cơ trong 52 lá bài, để rút được đúng x lá
chất cơ thì cần chọn được x lá chất cơ trong 13 lá
chất cơ và 5 − x lá chất khác trong 52-13=39 lá
còn lại. Vậy xác suất lấy được x lá chất cơ là:
x 5−x
C13 C39
P (X = x) = 5
C52
70/150 Mai Văn Duy
siêu bội
Định nghĩa phân phối siêu bội
Biến ngẫu nhiên rời rạc X gọi là có phân phối
siêu bội với các tham số N, M và n. Kí hiệu
X ∼ h(N, M, n) nếu
x
CM CNn−x
−M
P (X = x) = n , ∀x = 0, 1, ..., M
CN
71/150 Mai Văn Duy

siêu bội
Nhận biết phân phối siêu bội:
1 Tổng thể gồm N phần tử, trong đó có M
phần tử có tính chất A
2 Chọn một mẫu cỡ n phần tử từ tổng thể
3 Phép thử đếm số phần tử có tính chất A
trong mẫu vừa chọn
72/150 Mai Văn Duy

siêu bội
Tính chất phân phối siêu bội
Cho X ∼ h(N, M, n) thì:
M
1 Kì vọng E(X) = n
N
M M N −n
2 Phương sai V (X) = n (1 − )
N N N −1
73/150 Mai Văn Duy

3.6 Phân phối Poisson
Định nghĩa phân phối Poisson

Poisson với tham số λ nếu :
e−λ λk
P (X = k) = , ∀k = 0, 1, 2, ...
k!
74/150 Mai Văn Duy

Định nghĩa phân phối Poisson

Poisson với tham số λ nếu :
e−λ λk
P (X = k) = , ∀k = 0, 1, 2, ...
k!
74/150 Mai Văn Duy

Tính chất phân phối Poisson

Cho X ∼ P (λ) thì:
1 Kì vọng E(X) = λ
2 Phương sai V (X) = λ
75/150 Mai Văn Duy

Ví dụ: Số người đến một cửa hàng trong một ngày
nào đó tuân theo phân phối Poisson với tham số
λ = 15 nếu là ngày trong tuần và với tham số
λ = 25 nếu là ngày cuối tuần (thứ 7, chủ nhật).
1 Tính xác suất có đúng 10 người đến trong
ngày
2 Nếu đã đếm được có 2 người đến trong ngày,
tính xác suất ngày đó là ngày cuối tuần
76/150 Mai Văn Duy

Chương 4: BIẾN NGẪU NHIÊN LIÊN
TỤC VÀ PHÂN PHỐI XÁC SUẤT
77/150 Mai Văn Duy

1 Biến ngẫu nhiên liên tục
77/150 Mai Văn Duy

liên tục
77/150 Mai Văn Duy

liên tục
77/150 Mai Văn Duy

liên tục
4 Phân phối chuẩn
77/150 Mai Văn Duy

liên tục
5 Liên hệ giữa phân phối nhị thức, siêu bội,
Poisson và chuẩn
77/150 Mai Văn Duy

liên tục
5 Liên hệ giữa phân phối nhị thức, siêu bội,
Poisson và chuẩn
6 Phân phối mũ, Gamma và một số phân phối
khác
77/150 Mai Văn Duy

4.1 Biến ngẫu nhiên liên tục
Biến ngẫu nhiên liên tục

Một biến ngẫu nhiên mà tập giá trị của nó là một
khoảng hoặc hợp các khoảng của tập số thực thì
gọi là biến ngẫu nhiên liên tục.
78/150 Mai Văn Duy

4.1 Biến ngẫu nhiên liên tục
Biến ngẫu nhiên liên tục

Một biến ngẫu nhiên mà tập giá trị của nó là một
khoảng hoặc hợp các khoảng của tập số thực thì
gọi là biến ngẫu nhiên liên tục.
Ví dụ: Chỉ số thị trường chứng khoán, nhiệt độ
tại một địa điểm nào đó theo thời gian...
78/150 Mai Văn Duy

nhiên liên tục
Hàm mật độ của biến ngẫu nhiên liên tục
Hàm xác suất của một biến ngẫu nhiên liên tục là
hàm f không âm sao cho với mọi giá trị a, b ∈ R:
Z b
P (a ≤ X ≤ b) = f (x)dx
a
và Z +∞
f (x)dx = 1.
−∞
79/150 Mai Văn Duy

nhiên liên tục
Phân phối tích lũy (cdf) của biến ngẫu nhiên liên
tục
Hàm phân phối tích lũy của một biến ngẫu nhiên
là hàm F sao cho với mọi giá trị x ∈ R:
Z x
F (x) = P (X ≤ x) = f (t)dt.
−∞
Chú ý: P (X = x) = 0, ∀x
80/150 Mai Văn Duy

nhiên liên tục
Tính chất hàm phân phối của biến ngẫu nhiên
liên tục
1 F (x) ∈ [0, 1], ∀x và
lim F (x) = 0, lim F (x) = 1
x→−∞ x→+∞
2 F (x) không giảm
3 F liên tục trên R và
P (a ≤ X ≤ b) = F (b) − F (a).
81/150 Mai Văn Duy

nhiên liên tục
Tính chất hàm phân phối của biến ngẫu nhiên
liên tục
1 F (x) ∈ [0, 1], ∀x và
lim F (x) = 0, lim F (x) = 1
x→−∞ x→+∞
2 F (x) không giảm
3 F liên tục trên R và
P (a ≤ X ≤ b) = F (b) − F (a).
Chú ý: Đối với biến ngẫu nhiên liên tục, tại mọi
điểm x sao cho F 0 (x) tồn tại thì F 0 (x) = f (x).
81/150 Mai Văn Duy
nhiên liên tục
Ví dụ: Tìm a, b biết rằng hàm sau đây là hàm
phân phối của biến ngẫu nhiên liên tục X:


 0 nếu x ≤ 1
 2 x−1

F (x) = ax + nếu 1 < x < 3
3

 1
 b−
 nếu x ≥ 3
x
Tính xác suất P (1 ≤ X < 2).
82/150 Mai Văn Duy

Kì vọng
Kì vọng hay giá trị trung bình của biến ngẫu
nhiên liên tục X, kí hiệu E(X), µX , µ được tính
bởi: Z +∞
E(X) = xf (x)dx
−∞
83/150 Mai Văn Duy

Ví dụ:(Phân phối đều) Một biến ngẫu nhiên liên
tục có hàm mật độ
f (x) = a, ∀x ∈ [1, 5], f (x) = 0, x ∈
/ [1, 5]. Tìm a và
tính kì vọng của biến ngẫu nhiên này.
84/150 Mai Văn Duy

Tính chất của kì vọng

Giả sử X, Y là các biến ngẫu nhiên, a, b là các
hằng số và h là một hàm số nào đó. Khi đó:
Z +∞
1 E(h(X)) = h(x)f (x)
−∞
2 E(aX + bY ) = aE(X) + bE(Y )
3 E(XY ) = E(X)E(Y ) nếu X, Y độc lập (xác
suất xảy ra các giá trị của X,Y độc lập với
nhau)
85/150 Mai Văn Duy

Phương sai
2
V (X) = E[(X − E(X))2 ] = E(X 2 ) − (E(X))2
86/150 Mai Văn Duy

Phương sai
2
V (X) = E[(X − E(X))2 ] = E(X 2 ) − (E(X))2
p
Chú ý:Độ lệch chuẩn của X là σX = V (X)
86/150 Mai Văn Duy

Tính chất của phương sai

Cho X, Y là biến ngẫu nhiên và a, b là các hằng
số thực:
1 V (X) ≥ 0, V (a) = 0
2 V (aX + b) = a2 V (X)
3 V (aX + bY ) = a2 V (X) + b2 V (Y ) nếu X,Y
độc lập.
87/150 Mai Văn Duy

Phân vị thứ 100p

Cho X là biến ngẫu nhiên và p ∈ [0, 1]. Phân vị
thứ 100p là số µ(p) thỏa mãn p = F (µ(p)).
Chú ý: Phân vị thứ 50 (ứng với p = 0.5) gọi là
trung vị.
88/150 Mai Văn Duy

4.4 Phân phối chuẩn
Định nghĩa phân phối chuẩn

Biến ngẫu nhiên liên tục X gọi là có phân phối
chuẩn với 2 tham số µ và σ 2 , kí hiệu
X ∼ N (µ, σ 2 ) nếu nó có hàm mật độ
1 (x−µ)2
f (x) = √ e 2σ2 , ∀x ∈ R
σ 2π
89/150 Mai Văn Duy

Chú ý: Với µ = 0, σ 2 = 1 thì X ∼ N (0, 1) gọi là
phân phối Gauss.
Các giá trị của hàm Gauss
Φ(x) = P (−∞ ≤ X ≤ x) được cho trong bảng
Laplace.
90/150 Mai Văn Duy

Tính chất phân phối chuẩn

Cho X ∼ N (µ, σ 2 ) thì:
1 E(X) = µ, D(X) = σ 2
X −µ
2 Z= ∼ N (0, 1), Φ(x) = 1, ∀x ≥ 4
σ
b−µ a−µ
3 P (a ≤ X ≤ b) = Φ( ) − Φ( )
σ σ
91/150 Mai Văn Duy

Ví dụ: Chiều cao của người một vùng nào đó
tuân theo phân phối chuẩn với
µ = 160cm, σ = 5cm. Chọn 1 người ở vùng đó.
1 Tính xác suất người này có chiều cao trong
khoảng (150, 165)
2 Tính xác suất người này cao không quá
155cm
3 Tính xác suất để trong 10 người được chọn ở
vùng này, có đúng 3 người cao trên 160cm
92/150 Mai Văn Duy

Phân vị của phân phối chuẩn

Gọi α là diện tích phần nằm dưới đường cong z
của phân phối Gauss bên phải tính từ điểm có
hoành độ zα . Khi đó, phân vị thứ 100(1 − α)
chính là zα .
Bảng phân vị của phân phối chuẩn:
93/150 Mai Văn Duy

4.5 Liên hệ giữa phân phối nhị thức,
phân phối siêu bội, phân phối Poisson và
phân phối chuẩn
Phân phối siêu bội và phân phối nhị thức
Khi số phần tử của tổng thể là khá lớn và mẫu n
có số phần tử lấy ra trong phân phối siêu bội
h(N, M, n) khá bé so với tổng thể N thì phân
phối siêu bội xem như phân phối nhị thức
M
X ∼ b(n, p) với p =
N
94/150 Mai Văn Duy

Phân phối nhị thức và phân phối Poisson
Khi số phép thử n trong phân phối nhị thức khá
lớn (n > 50) và p khá bé (p < 0.1) thì phân nhị
thức có thể xấp xỉ phân phối Poisson với λ = np.
95/150 Mai Văn Duy

Phân phối nhị thức và phân phối chuẩn
lớn và p không quá gần 0 và 1
(np ≥ 10, n(1 − p) ≥ 10) thì phân phối nhị thức
có thể xấp xỉ phân phối chuẩn với
µ = np, σ 2 = np(1 − p).
96/150 Mai Văn Duy

Phân phối nhị thức và phân phối chuẩn
lớn và p không quá gần 0 và 1
(np ≥ 10, n(1 − p) ≥ 10) thì phân phối nhị thức
có thể xấp xỉ phân phối chuẩn với
µ = np, σ 2 = np(1 − p).
96/150 Mai Văn Duy

4.6 Phân phối mũ và Gamma
Phân phối mũ
Biến ngẫu nhiên X gọi là có phân phối mũ với
tham số λ nếu hàm mật độ của nó có dạng
(
λe−λx , x ≥ 0
f (x) =
0, x < 0.
Hàm phân phối:

(
1 − e−λx , x ≥ 0
F (x) =
0, x < 0.
97/150 Mai Văn Duy

Trung bình và phương sai của phân phối mũ:
1
µ=
λ
1
σ2 = 2
λ
98/150 Mai Văn Duy

Phân phối Gamma
Biến ngẫu nhiên X gọi là có phân phối Gamma
với hai tham số α, β nếu hàm mật độ của nó có
dạng
 1 xα−1 e−x , x ≥ 0

f (x) = β α Γ(α)
0, x < 0,

trong đó, Γ là hàm Gamma

Z ∞
Γ(α) = xα−1 e−x dx.
0
99/150 Mai Văn Duy
Hàm phân phối:
Z
x/β
 1 α−1 −t
t e dt, x ≥ 0

F (x; β, α) = 0 Γ(α)

0, x < 0.
100/150 Mai Văn Duy

Trung bình và phương sai của phân phối Gamma:
µ = αβ
σ 2 = αβ 2 .
Với β = 1 thì phân phối gọi là phân phối Gamma
chuẩn tắc.

4.7 Một số phân phối liên tục khác
Phần tự đọc

Chương 5: LÝ THUYẾT ƯỚC LƯỢNG

1 Ước lượng điểm

2 Các tính chất của khoảng tin cậy

3 Khoảng tin cậy mẫu lớn cho trung bình tổng
thể

thể
4 Các khoảng dựa trên phân phối chuẩn

thể
4 Các khoảng dựa trên phân phối chuẩn
5 Khoảng tin cậy của phương sai và độ lệch
chuẩn của phân phối chuẩn

5.1 Ước lượng điểm
Khái niệm ước lượng điểm

Ước lượng điểm của một tham số θ (chưa biết) là
một số mà có thể xem như θ theo một khía cạnh
hợp lý nào đó. Ước lượng điểm được tính bằng
cách chọn một thống kê và tính giá trị của nó
dựa vào một mẫu có sẵn.

Ví dụ: Ước lượng chiều cao trung bình µ của
người Việt bằng trung bình mẫu
X = (X1 + . . . + Xn )/n. Chẳng hạn, đo 3 người
được chiều cao là 1.65, 1.66, 1.60 thì giá trị ước
lượng là (1.65 + 1.66 + 1.60)/3.

Ước lượng không chệch

Ước lượng T gọi là ước lượng không chệch của
tham số θ nếu E(T ) = θ. Ước lượng mà không là
ước lượng không chệch thì gọi là ước lượng chệch.

Ước lượng không chệch

Ước lượng T gọi là ước lượng không chệch của
tham số θ nếu E(T ) = θ. Ước lượng mà không là
ước lượng không chệch thì gọi là ước lượng chệch.
Ví dụ: Cho dấu hiệu X ∼ N (µ, σ 2 ) và mẫu
(X1 , X2 , ...Xn ). Khi đó, các ước lượng
X1 + X 2 X 1 + X2 + X3
T2 = , T3 = , ..., Tn =
2 3
X1 + X2 + ... + Xn
đều là các ước lượng không
n
chệch của trung bình µ.
Ta có kết quả, trong một tổng thể có phân phối
chuẩn thì:
1 Trung bình mẫu là ước lượng không chệch
của trung bình µ
2 Phương sai mẫu hiệu chỉnh là ước lượng
không chệch của phương sai σ 2
3 Tỉ lệ mẫu là ước lượng không chệch cho tỉ lệ
p của tổng thể

Ước lượng hiệu quả

Ước lượng không chệch của tham số θ mà có
phương sai bé nhất gọi là ước lượng hiệu quả của
θ.

Ước lượng hiệu quả

Ước lượng không chệch của tham số θ mà có
phương sai bé nhất gọi là ước lượng hiệu quả của
θ.
Ví dụ: Trung bình mẫu là ước lượng hiệu quả của
trung bình µ và tỉ lệ mẫu là ước lượng hiệu quả
cho tỉ lệ p của tổng thể.

Các phương pháp ước lượng điểm thường gặp:
1 Phương pháp Moment
2 Phương pháp ước lượng hợp lý cực đại

Một số kết quả:
1 Dùng trung bình mẫu để ước lượng trung
bình µ
2 Dùng phương sai mẫu hiệu chỉnh để ước
lượng phương sai σ 2
3 Dùng tỉ lệ mẫu để ước lượng tỉ lệ của tổng
thể

5.2 Khoảng tin cậy
Khái niệm ước lượng khoảng

Ước lượng điểm không cho ta biết về độ chính
xác hay độ tin cậy của giá trị ước lượng. Thay
vào đó, ta ước lượng tham số chưa biết θ bởi một
khoảng giá trị (θ1 , θ2 ) (khoảng tin cậy). Xác suất
khoảng này chứa được θ (khi mẫu thay đổi) gọi
là độ tin cậy của ước lượng. Độ tin cậy γ thường
được quy định trước.

5.2 Khoảng tin cậy
Chú ý:
1 θ2 − θ1 gọi là độ rộng của khoảng ước lượng
θ2 − θ1
2 ε= gọi là sai số (độ chính xác ) của
2
ước lượng

5.3 Khoảng tin cậy cho trung bình
Khoảng tin cậy cho trung bình với phân phối

chuẩn
Xét mẫu ngẫu nhiên có cỡ n, phương sai tổng thể
σ 2 đã biết, trung bình mẫu x̄. Khoảng tin cậy cho
trung bình với độ tin cậy 1− α là

σ σ
x̄ − zα/2 √ , x̄ + zα/2 √ , trong đó
n n
Φ(zα/2 ) = 1 − α/2 được tra từ bảng phân phối
chuẩn.

Khoảng tin cậy mẫu lớn cho trung bình

Xét mẫu ngẫu nhiên có cỡ n lớn (n ≥ 40),
phương sai mẫu hiệu chỉnh s2 , trung bình mẫu x̄.
Khoảng tin
cậy cho trung bình với độ tin cậy
s s
1 − α là x̄ − zα/2 √ , x̄ + zα/2 √ , trong đó
n n
Φ(zα/2 ) = 1 − α/2 được tra từ bảng phân phối
chuẩn.

Trong trường hợp tổng thể có phân phối chuẩn và
mẫu không lớn. Ta sẽ xây dựng các khoảng tin
cậy dựa vào phân phối chuẩn t. Biến ngẫu nhiên
X −µ
T = √ là biến ngẫu nhiên có phân phối t với
S/ n
n − 1 bậc tự do.
Đặt tα,ν hoành độ mà diện tích phần phía dưới
đường cong phân phối t bên phải tính từ tα,ν là
α. Các giá trị này tra trong bảng A.5.

Khoảng tin cậy mẫu nhỏ cho trung bình

Xét mẫu ngẫu nhiên có cỡ n nhỏ (n < 40), trung
bình mẫu x̄. Khoảng tin cậy cho trung bình µ với
độ tin cậy 1 − α là
s
x̄ ± tα/2,n−1 √ ,
n
trong đó tα/2,n−1 được tra từ bảng phân phối t.

Khoảng tin cậy bất đối xứng

Thay zα/2 bởi zα . Chẳng hạn, các khoảng tin cậy
một phía cho trung bình mẫu lớn với độ tin cậy
1 − α là
s
(−∞; x̄ + zα √ )
n
và
s
(x̄ − zα √ ; +∞).
n

5.4 Khoảng tin cậy cho tỉ lệ
Khoảng ước lượng điểm cho tỉ lệ với mẫu lớn

Xét mẫu ngẫu nhiên có cỡ n lớn, tỉ lệ mẫu p̂.
Khoảng ước lượng qđiểm cho tỉ lệ p với độ tin cậy
2 /4n2
p̂(1 − p̂)/n + zα/2
1 − α là p̃ ± zα/2 2 /n , trong
1 + zα/2
đó Φ(zα/2 ) = 1 − α/2 được tra từ bảng phân phối
2
p̂ + zα/2 /2n
chuẩn và p̃ = 2 /n
1 + zα/2

Khoảng ước lượng xấp xỉ cho tỉ lệ với mẫu lớn

Xét mẫu ngẫu nhiên có cỡ n lớn, tỉ lệ mẫu p̂ thỏa
mãn np̂ ≥ 10, n(1 − p̂) ≥ 10. Khoảng ước lượng
p tỉ lệ p với độ tin cậy 1 − α là
xấp xỉ cho
p̂ ± zα/2 p̂(1 − p̂)/n, trong đó Φ(zα/2 ) = 1 − α/2
được tra từ bảng phân phối chuẩn.

Các khoảng tin cậy mẫu lớn bất đối xứng cho tỉ
lệ được tính tương tự như phần trung bình bằng
cách thay α/2 bởi α.

5.4 Các khoảng dựa trên phân phối
chuẩn
Khoảng tin cậy cho dự đoán giá trị đơn tương lai
Xét mẫu ngẫu nhiên có cỡ n nhỏ, trung bình mẫu
x̄. Khoảng tin cậy cho giá trị của Xn+1 với độ tin
cậy 1 − α là r
1
x̄ ± tα/2,n−1 .s 1 + ,
n
trong đó tα/2,n−1 được tra từ bảng phân phối t.
Các khoảng dự đoán bất đối xứng có thể tìm
bằng cách thay α/2 bởi α.

5.5 Khoảng tin cậy cho phương sai và độ
lệch chuẩn của tổng thể có phân phối
chuẩn
Khoảng tin cậy cho phương sai
Xét mẫu ngẫu nhiên có cỡ n và phương sai mẫu
s2 . Khoảng tin cậy cho phương sai σ 2 của tổng
thể với độ tin cậy 1 − α ! là
(n − 1)s2 (n − 1)s2
,
χ2α/2,n−1 χ21−α/2,n−1
trong đó χ21−α/2,n−1 được tra từ bảng phân phối
chi bình phương.
5.5 Khoảng tin cậy cho phương sai và độ
lệch chuẩn của tổng thể có phân phối
chuẩn
Khoảng tin cậy cho độ lệch chuẩn tính từ khoảng
tin cậy cho phương sai bằng cách lấy căn bậc 2.
Khoảng tin cậy bất đối xứng tính bằng cách thay
α/2 bởi α.

5.6 Khoảng tin cậy với tổng thể bất kì
Xét mẫu ngẫu nhiên X1 , ..., Xn có cỡ n và tham
số θ cần ước lượng. Giả sử tìm được biến
h(X1 , ..., Xn , θ) có phân phối không phụ thuộc
vào các Xi và θ. Khi đó, với độ tin cậy 1 − α, ta
tìm được a, b sao cho
P (a ≤ h(X1 , ..., Xn , θ) ≤ b) = 1 − α. Từ đó, ta
giải tìm được khoảng tin cậy cho tham số θ.

Chương 6: KIỂM ĐỊNH GIẢ THUYẾT
THỐNG KÊ

THỐNG KÊ
1 Giả thiết và thủ tục kiểm định

THỐNG KÊ
2 Kiểm định về trung bình

THỐNG KÊ
3 Kiểm định về tỉ lệ

THỐNG KÊ
4 P-giá trị

THỐNG KÊ
4 P-giá trị
5 Một số chú ý về chọn thủ tục kiểm định

6.1 Giả thiết và thủ tục kiểm định
Kiểm định
Kiểm định là xem xét một khẳng định (giả thiết)
xem liệu nó có được chấp nhận (với một mức ý
nghĩa nào đó) hay bị bác bỏ. Ta xét kiểm định
tham số trong chương này. Giả thiết không, kí
hiệu H0 , có dạng:
H0 : θ = θ0 .
Đối thiết của nó, kí hiệu Ha , nếu có bằng chứng

cho thấy H0 sai thì ta bác bỏ nó và chấp nhận
Ha , nếu không thì ta chấp nhận H0 .
Kiểm định
Có 3 dạng đối thiết Ha :
Ha : θ > θ0
Ha : θ < θ0
Ha : θ 6= θ0

Sai lầm trong kiểm định

Có 2 dạng sai lầm:
Loại I: Bác bỏ H0 trong khi nó đúng
Loại II: Chấp nhận H0 trong khi nó sai

Mức ý nghĩa
Sai lầm loại I thường nghiêm trọng hơn, vì thế ta
tìm cách giảm thiểu xác suất xảy ra sai lầm này.
Xác xuất xảy ra sai lầm này gọi là mức ý nghĩa α
của kiểm định. Nghĩa là
P ( Bác bỏ H0 trong khi nó đúng) = α.

Thủ tục kiểm định

Xác định các giả thiết, đối thiết
Tìm miền bác bỏ giả thiết H0
Tính từ dữ liệu mẫu để quyết định xem có
bác bỏ H0 hay chấp nhận nó.

6.2 Kiểm định về trung bình
Kiểm định trung bình

Cho mẫu cỡ n có trung bình mẫu x̄ và tổng thể có
phân phối chuẩn phương sai σ 2 . Mức ý nghĩa α.
Giả thiết không: H0 : µ = µ0
x̄ − µ0
Giá trị kiểm định: z = √
σ/ n
Đối thiết: Ha : µ > µ0 Miền bác bỏ: z ≥ zα
Đối thiết: Ha : µ < µ0 Miền bác bỏ: z ≤ −zα
Đối thiết: Ha : µ 6= µ0 Miền bác bỏ: z ≥ zα/2
hoặc z ≤ −zα/2

Kiểm định trung bình với mẫu lớn và phương sai

chưa biết
Cho mẫu cỡ n lớn, trung bình mẫu x̄ và phương
sai mẫu s2 . Mức ý nghĩa α.
x̄ − µ0
Giá trị kiểm định: z = √
s/ n
Đối thiết: Ha : µ > µ0 Miền bác bỏ: z ≥ zα
Đối thiết: Ha : µ < µ0 Miền bác bỏ: z ≤ −zα
Đối thiết: Ha : µ 6= µ0 Miền bác bỏ: z ≥ zα/2

Kiểm định trung bình với mẫu nhỏ
Cho mẫu cỡ n nhỏ, trung bình mẫu x̄ và phương
sai mẫu s2 . Mức ý nghĩa α.
x̄ − µ0
Giá trị kiểm định: t = √
s/ n
Đối thiết Ha : µ > µ0 Miền bác bỏ:t ≥ tα,n−1
Đối thiết Ha : µ < µ0 Miền bác bỏ:
t ≤ −tα,n−1
Đối thiết Ha : µ 6= µ0 Miền bác bỏ:
t ≥ tα/2,n−1 hoặc
t ≤ −tα/2,n−1
6.3 Kiểm định về tỉ lệ
Kiểm định tỉ lệ với mẫu lớn

Cho mẫu cỡ n lớn(np0 ≥ 10, n(1 − p0 ) ≥ 10), tỉ lệ
mẫu p̂. Mức ý nghĩa α.
Giả thiết không: H0 : p = p0
p̂ − p0
Giá trị kiểm định: z = p
p0 (1 − p0 )/n
Đối thiết Ha : p > p0 Miền bác bỏ:z ≥ zα
Đối thiết Ha : p < p0 Miền bác bỏ: z ≤ −zα
Đối thiết Ha : p 6= p0 Miền bác bỏ: z ≥ zα/2

6.3 Kiểm định về tỉ lệ
Kiểm định tỉ lệ với mẫu nhỏ

Cho mẫu cỡ n nhỏ, tỉ lệ mẫu p̂. Mức ý nghĩa α.
Giả thiết không: H0 : p = p0 .
Biến kiểm định: Z = B(n, p0 )
Miền bác bỏ bên phải: z ≥ c với c là giá trị nhỏ
nhất mà thỏa P (Z ≥ c) ≤ α. Các trường hợp còn
lại tương tự.

6.4 P-giá trị
Khái niệm P-giá trị

Giả sử rằng H0 đúng. P-giá trị là xác suất mà có
có ít nhất một giá trị của thống kê kiểm định mà
mâu thuẫn với H − 0.

6.4 P-giá trị
Tính chất P-giá trị

P-giá trị là một thước đo cho độ dài khoảng dữ
liệu chống lại H0 . Nó là giá trị mức ý nghĩa α nhỏ
nhất mà tại đó, giả thiết không (H0 ) có thể bị
bác bỏ.
Như vậy, cho trước mức ý nghĩa α, ta bác bỏ H0
nếu P-giá trị nhỏ hơn hoặc bằng mức ý nghĩa α.

5.4 P-giá trị
P-giá trị cho kiểm định z

Xét kiểm định với thống kê kiểm định Z (xấp xỉ
chuẩn). Khi đó,

1 − Φ(z),
 kiểm định phải
P −giá trị = Φ(z), kiểm định trái

2(1 − Φ(|z|)), kiểm định hai phía

5.4 P-giá trị
P-giá trị cho kiểm định t

Xét kiểm định với giá trị kiểm định T (phân phối
t với n − 1 bậc tự do, giá trị trong bảng A.8). Khi
đó,

1 − P (T ≤ t),
 kiểm định phải
P −giá trị = P (T ≤ t), kiểm định trái

2(1 − P (T ≤ |t|)), hai phía

Chương 7: CÁC KẾT LUẬN DỰA
TRÊN HAI MẪU

TRÊN HAI MẪU
1 Tiêu chuẩn z và khoảng tin cậy cho hiệu 2
trung bình

TRÊN HAI MẪU
trung bình
2 Tiêu chuẩn t và khoảng tin cậy

TRÊN HAI MẪU
trung bình
3 Phân tích số liệu ghép đôi

TRÊN HAI MẪU
trung bình
3 Phân tích số liệu ghép đôi
4 Các kết luận về hiệu 2 tỉ lệ

7.1 Tiêu chuẩn z và khoảng tin cậy cho
hiệu 2 trung bình
Khoảng tin cậy cho hiệu 2 trung bình
Xét 2 mẫu cỡ m, n có trung bình mẫu x̄, ȳ,
phương sai tổng thể σ12 , σ22 . Làm tương tự như
một mẫu với biến chuẩn hóa
X̄ − Ȳ − (µ1 − µ2 )
Z= p 2 .
σ1 /m + σ22 /n
Nếu cỡ mẫu lớn mà σ12 , σ22 chưa biết, có thể thay
chúng bằng phương sai mẫu hiệu chỉnh s21 , s22 .
Xem khoảng tin cậy cho hiệu 2 trung bình trong
bảng tóm tắt.
7.1 Tiêu chuẩn z và khoảng tin cậy cho
Kiểm định hiệu 2 trung bình
Xét 2 mẫu cỡ m, n có trung bình mẫu x̄, ȳ,
phương sai tổng thể σ12 , σ22 . Làm tương tự như
một mẫu với thống kê kiểm định
x̄ − ȳ − ∆0
Z=p 2 .
σ1 /m + σ22 /n
Xem kiểm định hiệu 2 trung bình trong bảng tóm
tắt. Nếu cỡ mẫu lớn (m, n ≥ 40) ta có thể thay
σ1 , σ2 bởi s1 , s2 .

7.2 Tiêu chuẩn t và khoảng tin cậy cho
Trường hợp mẫu cỡ nhỏ, phương sai mẫu hiệu
chỉnh s21 , s22 . Làm tương tự như trường hợp một
mẫu với giá trị kiểm định
x̄ − ȳ − ∆0
T =p 2
s1 /m + s22 /n
Và bậc tự do
(s21 /m + s22 /n)2
ν= .
(s21 /m)2 /(m − 1) + (s22 /n)2 /(n − 1)
7.3 Phân tích số liệu ghép đôi
Trường hợp 2 mẫu có cùng cỡ, đặt Di = Xi − Yi
ta thu được một mẫu cỡ n với bộ số liệu
di = xi − yi . Khi đó, có thể xem các kết luận về
hiệu 2 trung bình chính là D = X − Y và sử
dụng cho trường hợp một mẫu.

7.4 Các kết luận về hiệu 2 tỉ lệ
Kiểm định mẫu lớn cho hiệu 2 tỉ lệ

Cho 2 mẫu lớn cỡ n1 , n2 có tỉ lệ mẫu fn1 , fn2 . Làm
tương tự như trường hợp một mẫu với giá trị
kiểm định
fn1 − fn2
z=p
f¯(1 − f¯)(1/n1 + 1/n2 )
n1 fn1 + n2 fn2
Với f¯ = .
n1 + n2

Chương 8: TƯƠNG QUAN VÀ HỒI
QUY TUYẾN TÍNH

QUY TUYẾN TÍNH
1 Mô hình hồi quy tuyến tính

QUY TUYẾN TÍNH
2 Ước lượng tham số mô hình

QUY TUYẾN TÍNH
2 Ước lượng tham số mô hình
3 Hệ số tương quan

8.1 Mô hình hồi quy tuyến tính
Mô hình hồi quy tuyến tính

Cho 2 biến ngẫu nhiên X, Y . Một mô hình hồi
quy tuyến tính của X, Y là phương trình dạng
Y = A + BX.

8.2 Ước lượng tham số mô hình
Ước lượng tham số mô hình hồi quy tuyến tính

Xét mô hình hồi quy tuyến tính của X, Y dạng
Y = A + BX. Khi đó, các tham số được ước
lượng (tổng bình phương độ lệch là nhỏ nhất)
bởi: P
(xi − x̄)(yi − ȳ)
B= P ;
(xi − x̄)2
A = ȳ − B x̄.

8.3 Hệ số tương quan mẫu
Hệ số tương quan mẫu

Xét mô hình hồi quy tuyến tính của X, Y dạng
Y = A + BX. Khi đó, hệ số tương quan mẫu r
xác định mức độ tương quan giữa X và Y và tính
bởi P
(xi − x̄)(yi − ȳ)
r = pP P .
(xi − x̄)2 . (yi − ȳ)2
Tuỳ thuộc vào r, ta có các kết luận:

8.3 Hệ số tương quan mẫu
Hệ số tương quan, hệ số tương quan mẫu

Nếu |r| ≤ 0.5 thì X, Y có liên quan yếu;
Nếu 0.5 < |r| < 0.8 thì X, Y có liên quan
trung bình;
Nếu |r| ≥ 0.8 thì X, Y có mối liên quan
mạnh với nhau. Có thể dùng phương trình
hồi quy để tính X và Y .

XSTK

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

XSTK

Uploaded by

Copyright:

Available Formats

XÁC SUẤT THỐNG KÊ-

Giảng viên: MAI VĂN DUY

1/150 Mai Văn Duy

2/150 Mai Văn Duy

2/150 Mai Văn Duy

2/150 Mai Văn Duy

2/150 Mai Văn Duy

2/150 Mai Văn Duy

3/150 Mai Văn Duy

3/150 Mai Văn Duy

3/150 Mai Văn Duy

4/150 Mai Văn Duy

4/150 Mai Văn Duy

4/150 Mai Văn Duy

Biến số rời rạc và liên tục

5/150 Mai Văn Duy

Tần số của dữ liệu rời rạc-Cách chia khoảng của

6/150 Mai Văn Duy

Trung bình mẫu

7/150 Mai Văn Duy

8/150 Mai Văn Duy

9/150 Mai Văn Duy

10/150 Mai Văn Duy

Phương sai mẫu

Độ lệch chuẩn mẫu

11/150 Mai Văn Duy

12/150 Mai Văn Duy

13/150 Mai Văn Duy

Giá trị ngoại lai

14/150 Mai Văn Duy

15/150 Mai Văn Duy

16/150 Mai Văn Duy

16/150 Mai Văn Duy

16/150 Mai Văn Duy

16/150 Mai Văn Duy

16/150 Mai Văn Duy

16/150 Mai Văn Duy

17/150 Mai Văn Duy

17/150 Mai Văn Duy

Không gian mẫu

18/150 Mai Văn Duy

Không gian mẫu

18/150 Mai Văn Duy

19/150 Mai Văn Duy

19/150 Mai Văn Duy

20/150 Mai Văn Duy

Biến cố chắc chắn

20/150 Mai Văn Duy

Phần bù của biến cố

21/150 Mai Văn Duy

Phần bù của biến cố

21/150 Mai Văn Duy

Hợp của 2 biến cố

22/150 Mai Văn Duy

Hợp của 2 biến cố

22/150 Mai Văn Duy

Giao của 2 biến cố

23/150 Mai Văn Duy

Giao của 2 biến cố

24/150 Mai Văn Duy

25/150 Mai Văn Duy

26/150 Mai Văn Duy

27/150 Mai Văn Duy

28/150 Mai Văn Duy