HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

SÁCH HƯỚNG DẪN HỌC TẬP

XÁC SUẤT THỐNG KÊ
(Dùng cho sinh viên ngành CNTT và ĐTVT hệ đào tạo đại học từ xa)

Lưu hành nội bộ

HÀ NỘI - 2006

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

SÁCH HƯỚNG DẪN HỌC TẬP

XÁC SUẤT THỐNG KÊ

Biên soạn :

Ts. LÊ BÁ LONG

LỜI NÓI ĐẦU

Lý thuyết xác suất thống kê là một bộ phận của toán học, nghiên cứu các hiện tượng ngẫu
nhiên và ứng dụng chúng vào thực tế. Ta có thể hiểu hiện tượng ngẫu nhiên là hiện tượng không
thể nói trước nó xảy ra hay không xảy ra khi thực hiện một lần quan sát. Tuy nhiên, nếu tiến hành
quan sát khá nhiều lần một hiện tượng ngẫu nhiên trong các phép thử như nhau, ta có thể rút ra
được những kết luận khoa học về hiện tượng này.
Lý thuyết xác suất cũng là cơ sở để nghiên cứu Thống kê – môn học nghiên cứu các các
phương pháp thu thập thông tin chọn mẫu, xử lý thông tin, nhằm rút ra các kết luận hoặc quyết
định cần thiết. Ngày nay, với sự hỗ trợ tích cực của máy tính điện tử và công nghệ thông tin, lý
thuyết xác suất thống kê ngày càng được ứng dụng rộng rãi và hiệu quả trong mọi lĩnh vực khoa
học tự nhiên và xã hội. Chính vì vậy lý thuyết xác suất thống kê được giảng dạy cho hầu hết các
nhóm ngành ở đại học.
Có nhiều sách giáo khoa và tài liệu chuyên khảo viết về lý thuyết xác suất thống kê. Tuy
nhiên, với phương thức đào tạo từ xa có những đặc thù riêng, đòi hỏi học viên phải làm việc độc
lập nhiều hơn, vì vậy cần phải có tài liệu hướng dẫn học tập của từng môn học thích hợp cho đối
tượng này. Tập tài liệu “Hướng dẫn học môn toán xác suất thống kê” này được biên soạn cũng
nhằm mục đích trên.
Tập tài liệu này được biên soạn cho hệ đại học chuyên ngành Điện tử-Viễn thông theo đề
cương chi tiết chương trình qui định của Học viện Công nghệ Bưu Chính Viễn Thông. Nội dung
của cuốn sách bám sát các giáo trình của các trường đại học khối kỹ thuật và theo kinh nghiệm
giảng dạy nhiều năm của tác giả. Chính vì thế, giáo trình này cũng có thể dùng làm tài liệu học
tập, tài liệu tham khảo cho sinh viên của các trường, các ngành đại học và cao đẳng khối kỹ thuật.
Giáo trình gồm 6 chương tương ứng với 4 đơn vị học trình (60 tiết):
Chương I: Các khái niệm cơ bản về xác suất.
Chương II: Biến ngẫu nhiên và các đặc trưng của chúng.
Chương III: Véc tơ ngẫu nhiên và các đặc trưng của chúng.
Chương IV: Luật số lớn và định lý giới hạn.
Chương V:.Thống kê toán học
Chương VI: Quá trình ngẫu nhiên và chuỗi Markov.
Điều kiện tiên quyết môn học này là hai môn toán cao cấp đại số và giải tích trong chương
trình toán đại cương. Tuy nhiên vì sự hạn chế của chương trình toán dành cho hình thức đào tạo từ
xa, do đó nhiều kết quả và định lý chỉ được phát biểu và minh họa chứ không có điều kiện để
chứng minh chi tiết.
Giáo trình được trình bày theo cách thích hợp đối với người tự học, đặc biệt phục vụ đắc lực
cho công tác đào tạo từ xa. Trước khi nghiên cứu các nội dung chi tiết, người đọc nên xem phần
giới thiệu của mỗi chương để thấy được mục đích ý nghĩa, yêu cầu chính của chương đó. Trong

tạo nhiều điều kiện thuận lợi để chúng tôi hoàn thành tập tài liệu này. mỗi nội dung. song vì thời gian bị hạn hẹp cùng với yêu cầu cấp bách của Học viện. Hà Nội. Trung tâm Đào tạo Bưu Chính Viễn Thông 1 và bạn bè đồng nghiệp đã khuyến khích động viên. Có những câu kiểm tra trực tiếp các kiến thức vừa được học nhưng cũng có những câu đòi hỏi học viên phải vận dụng một cách tổng hợp và sáng tạo các kiến thức để giải quyết. người đọc có thể tự đọc và hiểu được cặn kẽ thông qua cách diễn đạt và chỉ dẫn rõ ràng. chứng minh sự tồn tại lời giải bằng lý thuyết và cuối cùng nêu thuật toán giải quyết bài toán này. học viên xa gần và xin cám ơn vì điều đó. Hệ thống câu hỏi này bao trùm toàn bộ nội dung vừa được học. Hầu hết các bài toán được xây dựng theo lược đồ: đặt bài toán. định lý hoặc các thuật toán. vì vậy các thiếu sót còn tồn tại trong giáo trình là điều khó tránh khỏi. Cuối cùng chúng tôi bày tỏ sự cám ơn đối với Ban Giám đốc Học viện Công nghệ Bưu Chính Viễn Thông. vì vậy sẽ giúp người đọc dễ dàng hơn khi tiếp thu bài học. Lê Bá Long Khoa cơ bản 1 Học Viện CNBCVT . đầu năm 2006. Vì vậy việc giải các bài tập này giúp học viên nắm chắc hơn lý thuyết và kiểm tra được mức độ tiếp thu lý thuyết của mình. Tác giả rất mong sự đóng góp ý kiến của bạn bè đồng nghiệp. Đặc biệt bạn đọc nên chú ý đến các nhận xét. Các ví dụ là để minh hoạ trực tiếp khái niệm. bình luận để hiểu sâu hơn hoặc mở rộng tổng quát hơn các kết quả và hướng ứng dụng vào thực tế. Tuy rằng tác giả đã rất cố gắng. Có khoảng từ 20 đến 30 bài tập cho mỗi chương. Sau các chương có phần tóm tắt các nội dung chính và cuối cùng là các câu hỏi luyện tập.mỗi chương. tương ứng vói 3 -5 câu hỏi cho mỗi tiết lý thuyết.

Lý thuyết xác suất nghiên cứu các qui luật của các hiện tượng ngẫu nhiên. Vì vậy học viên cần nắm vững các phương pháp đếm . Chính vì vậy các phương pháp của lý thuyết xác suất được ứng dụng rộng rãi trong việc giải quyết các bài toán thuộc nhiều lĩnh vực khác nhau của khoa học tự nhiên. Chương này trình bày một cách có hệ thống các khái niệm và các kết quả chính về lý thuyết xác suất: - Các khái niệm phép thử. xác suất của biến cố đối. biểu diễn hoặc mô tả các biến cố. Ta không thể xác định trước chỉ số chứng khoán trên thị trường chứng khoán… Đó là những hiện tượng ngẫu nhiên.giải tích tổ hợp (đã được học ở lớp 12 và trong chương 1 của toán đại số A2). tập con. Việc nắm bắt các quy luật này sẽ cho phép dự báo các hiện tượng ngẫu nhiên đó sẽ xảy ra như thế nào.Xác suất có điều kiện. Chẳng hạn ta biết chắc chắn rằng lông của quạ có mầu đen. Tuy nhiên để thuận lợi cho người học chúng tôi sẽ nhắc lại các kết quả chính trong mục 3. Trái lại khi tung đồng xu ta không biết mặt sấp hay mặt ngửa sẽ xuất hiện. Bằng cách tham khảo các ví dụ và giải nhiều bài tập sẽ rèn luyện tốt kỹ năng này. công thức nhân trong trường hợp không độc lập. phần bù của một tập con … học viên sẽ dễ dàng trong việc tiếp thu. giao tập hợp. một vật được thả từ trên cao chắc chắn sẽ rơi xuống đất.Chương 1: Các khái niệm cơ bản về xác suất CHƯƠNG I: CÁC KHÁI NIỆM CƠ BẢN VỀ XÁC SUẤT GIỚI THIỆU Các hiện tượng trong tự nhiên hay xã hội xảy ra một cách ngẫu nhiên (không biết trước kết quả) hoặc tất định (biết trước kết quả sẽ xảy ra). Tuy nhiên. Đó là những hiện tượng diễn ra có tính quy luật. - Quan hệ giữa các biến cố. nếu tiến hành quan sát khá nhiều lần một hiện tượng ngẫu nhiên trong những hoàn cảnh như nhau. tất định. Để tính xác suất các biến cố theo phương pháp cổ điển đòi hỏi phải tính số các trường hợp thuận lợi đối với biến cố và số các trường hợp có thể. Ta không thể biết có bao nhiêu cuộc gọi đến tổng đài. . theo thống kê. . - Các định nghĩa về xác suất: định nghĩa xác suất theo cổ điển. Công thức xác suất đầy đủ và định lý Bayes.. biến cố. kỹ thuật và kinh tế-xã hội. 3 .Các tính chất của xác suất: công thức cộng và công thức nhân xác suất. thì trong nhiều trường hợp ta có thể rút ra những kết luận có tính quy luật về những hiện tượng này. có bao nhiêu khách hàng đến điểm phục vụ trong khoảng thời gian nào đó. - Dãy phép thử Bernoulli và xác suất nhị thức Khi nắm vững các kiến thức về đại số tập hợp như hợp.. Một trong những khó khăn của bài toán xác suất là xác định được biến cố và sử dụng đúng các công thức thích hợp.

Như vậy mỗi biến cố A được đồng nhất với một tập con của không gian mẫu Ω bao gồm các kết quả thuận lợi đối với A . 6. Mỗi kết quả của phép thử C được gọi là một biến cố sơ cấp. Chú ý rằng bản chất của các biến cố sơ cấp không có vai trò đặc biệt gì trong lý thuyết xác suất. PHÉP THỬ VÀ BIẾN CỐ 1. Mỗi biến cố chỉ có thể xảy ra khi một phép thử được thực hiện. Ví dụ 1.2. 1. N ). 2. ký hiệu Ω . 1}. Phép thử (Experiment) Trong thực tế ta thường gặp nhiều thí nghiệm.1.1: ƒ Phép thử tung đồng xu có không gian mẫu là Ω = {S. Có hai biến cố đặc biệt sau: • Biến cố chắc chắn là biến cố luôn luôn xảy ra khi thực hiện phép thử. Mỗi kết quả ω của quả của C là ω . N } .1 thì A có các kết quả thuận lợi là 2. các biến cố sơ cấp có thể xem là số các nốt trên mỗi mặt xuất hiện.1. • Biến cố không thể là biến cố nhất định không xảy ra khi thực hiện phép thử. trong đó 0 là biến cố sơ cấp chỉ mặt sấp xuất hiện và 1 để chỉ mặt ngửa xuất hiện.1. 4. ƒ Phép thử tung đồng thời 2 đồng xu có không gian mẫu là Ω = {( S .2: Nếu gọi A là biến cố số nốt xuất hiện là chẵn trong phép thử tung xúc xắc ở ví dụ 1. quan sát mà các kết quả của nó không thể dự báo trước được. S ). N ) . 6} . Tập hợp tất cả các biến cố sơ cấp của phép thử được gọi là không gian mẫu. 4. biến cố xuất hiện một mặt sấp một mặt ngửa (xin âm dương) có các kết quả thuận lợi là ( S . Vậy Ω = {1. ( N . ƒ Với phép thử tung xúc xắc. S ). Tung hai đồng xu. Ta gọi chúng là các phép thử ngẫu nhiên. Biến cố (Event) Với phép thử C ta thường xét các biến cố (còn gọi là sự kiện) mà việc xảy ra hay không xảy ra hoàn toàn được xác định bởi kết quả của C . ( N . nghĩa là gắn với không gian mẫu nào đó.Chương 1: Các khái niệm cơ bản về xác suất NỘI DUNG 1. ( S . S ) . 5. 4 . Biến cố không thể được ký hiệu φ . biến cố này trùng với không gian mẫu Ω . ( N .1. nhưng ta có thể liệt kê được hoặc biểu diễn tất cả các kết quả của phép thử C . Chẳng hạn có thể xem không gian mẫu của phép thử tung đồng tiền là Ω = {0. N )}. Tuy không biết kết quả sẽ xảy ra như thế nào. 3. C được gọi là kết quả thuận lợi cho biến cố A nếu A xảy ra khi kết Ví dụ 1. Phép thử ngẫu nhiên thường được ký hiệu bởi chữ C .

Hệ đầy đủ các biến cố Dãy các biến cố A1 . f.. 1. B gọi là xung khắc nếu biến cố tích AB là biến cố không thể. b. Xung khắc từng đôi một.. Biến cố A ∪ B xảy ra khi và chỉ khi có ít nhất A hoặc B xảy ra.3. n ii. biến cố xuất hiện mặt có số nốt nhỏ hơn hay bằng 6 là biến chắc chắn. Biến cố xung khắc Hai biến số A. . . 5 . . An } là biến cố n ∪ Ai .. B là biến cố được ký hiệu AB . hệ A. nghĩa là ∪ Ai = Ω . Biến cố AB xảy ra khi và chỉ khi cả hai biến cố A . . B cùng xảy ra. a.. An được gọi là một hệ đầy đủ các biến cố nếu: i. c. Quan hệ kéo theo Biến cố A kéo theo biến cố B ... i =1 { } Đặc biệt với mọi biến cố A . d. e. A2 . . Tổng của hai biến cố Tổng của hai biến cố A. n . An } là biến cố n ∏ Ai . Quan hệ giữa các biến cố Trong lý thuyết xác suất người ta xét các quan hệ sau đây cho các biến cố. Tích của hai biến cố Tích của hai biến cố A. A là hệ đầy đủ. A2 . giao. Tích của một dãy các biến cố {A1 . .Chương 1: Các khái niệm cơ bản về xác suất Tung một con xúc xắc. biến cố xuất hiện mặt có 7 nốt là biến cố không thể. Chú ý rằng các biến cố với phép toán tổng. Biến cố này xảy ra khi có i =1 ít nhất một trong các biến cố Ai xảy ra.. nghĩa là Ai A j = φ với mọi i ≠ j = 1.1. Quan hệ biến cố đối Biến cố đối của A là biến cố được ký hiệu là A và được xác định như sau: A xảy ra khi và chỉ khi A không xảy ra. Biến cố này xảy ra khi tất i =1 cả các biến cố Ai cùng xảy ra. B là biến cố được ký hiệu A ∪ B . . ký hiệu A ⊂ B .. tích và lấy biến cố đối tạo thành đại số Boole do đó các phép toán được định nghĩa ở trên có các tính chất như các phép toán hợp. Nghĩa là hai biến cố này không thể đồng thời xảy ra. A2 . . lấy phần bù đối với các tập con của không gian mẫu. nếu A xảy ra thì B xảy ra. Tổng của chúng là biến cố chắc chắc. Tổng của một dãy các biến cố {A1 .

a. C lần lượt là biến cố A. An được gọi là độc lập nếu việc xảy ra hay không xảy ra của một nhóm bất kỳ k biến cố. B . ABC : cả 3 đều bắn trúng. . vậy E = AB ∪ BC ∪C A . B độc lập thì các cặp biến cố: A. Khi đó hệ ba biến cố A1 . C có xung khắc. Giả sử rằng mỗi sản phẩm của nhà máy chỉ do một trong ba phân xưởng này sản xuất. Gọi A.. A. A. g. Các biến cố A. B. 6 . Chọn ngẫu nhiên một sản phẩm. A B C . A2 . Hãy mô tả các biến cố: ABC . A ∪ B ∪ C . C độc lập nhưng không xung khắc. Tổng quát các biến cố A1 . A2 . B. A2 .. gọi A1 . B . B cũng độc lập.G : Chỉ có 1 xạ thủ bắn trúng. B. A3 là hệ đầy đủ. thứ hai. có độc lập không ? Giải: a. B. . C bắn trúng mục tiêu. c. trong đó 1 ≤ k ≤ n .E : Có nhiều nhất 1 xạ thủ bắn trúng.D : Có ít nhất 2 xạ thủ bắn trúng. ĐỊNH NGHĨA XÁC SUẤT VÀ CÁC TÍNH CHẤT Việc biến cố ngẫu nhiên xảy ra hay không trong kết quả của một phép thử là điều không thể biết hoặc đoán trước được. b.F : Chỉ có xạ thủ C bắn trúng.2: Nếu A. 1. F = ABC . b. . B. A B C : cả 3 đều bắn trượt. D = AB ∪ BC ∪ CA . Tuy nhiên bằng những cách khác nhau ta có thể định lượng khả năng xuất hiện của biến cố. C mỗi người bắn một viên đạn vào mục tiêu. A ∪ B ∪ C : có ít nhất 1 người bắn trúng. Ba biến cố A. Định lý 1. thứ ba sản xuất. Ví dụ 1. . c. không làm ảnh hưởng tới việc xảy ra hay không xảy ra của các biến cố còn lại. C : .2. . G = ABC ∪ ABC ∪ ABC . Biểu diễn các biến cố sau theo A. Có nhiều nhất một xạ thủ bắn trúng có nghĩa là có ít nhất hai xạ thủ bắn trượt. đó là xác suất xuất hiện của biến cố. B. Tính độc lập của các biến cố Hai biến cố A và B được gọi là độc lập với nhau nếu việc xảy ra hay không xảy ra biến cố này không ảnh hưởng tới việc xảy ra hay không xảy ra biến cố kia.3: Một nhà máy có ba phân xưởng sản xuất ra cùng một loại sản phẩm. A3 lần lượt là biến cố sản phẩm được chọn do phân xưởng thứ nhất.Chương 1: Các khái niệm cơ bản về xác suất Ví dụ 1.4: Ba xạ thủ A.

2. Dựa vào bản chất của phép thử (đồng khả năng) ta có thể suy luận về khả năng xuất hiện của biến cố.1)’ Ví dụ 1. Sử dụng quy tắc nhân ta có thể tính được: Có n ! hoán vị n phần tử. 7 . 1. m 2 cách chọn loại đối tượng x 2 . mn cách chọn loại đối tượng x n . (ii) Các kết quả xảy ra đồng khả năng. . Định nghĩa cổ điển về xác suất Giả sử phép thử C thoả mãn hai điều kiện sau: (i) Không gian mẫu có một số hữu hạn phần tử. H 2 ...1 có 3 3 1 trường hợp thuận lợi ( A = 3 ) và 6 trường hợp có thể ( Ω = 6 ).Chương 1: Các khái niệm cơ bản về xác suất Xác suất của một biến cố là một con số đặc trưng khả năng khách quan xuất hiện biến cố đó khi thực hiện phép thử. .2.. . Qui tắc cộng Nếu có m1 cách chọn loại đối tượng x1 . với cách tiếp cận này ta có định nghĩa xác suất theo thống kê. b.1) Nếu xem biến cố A như là tập con của không gian mẫu Ω thì P ( A) = A sè phÇn tö cña A = sè phÇn tö cña Ω Ω (1. 1. Khi đó ta định nghĩa xác suất của biến cố A là P ( A) = sè tr−êng hîp thuËn lîi đèi víi A sè tr−êng hîp cã thÓ (1. Các cách chọn đối tượng xi không trùng với cách chọn x j nếu i ≠ j thì có m1 + m2 + + mn cách chọn một trong các đối tượng đã cho.. 6 2 Để tính xác suất cổ điển ta sử dụng phương pháp đếm của giải tích tổ hợp. .2. với cách tiếp cận này ta có định nghĩa xác suất theo phương pháp cổ điển. Khi thực hiện nhiều lần lặp lại độc lập một phép thử ta có thể tính được tần suất xuất hiện của một biến cố nào đó. Các qui tắc đếm a. Hoán vị Mỗi phép đổi chỗ của n phần tử được gọi là phép hoán vị n phần tử.5: Biến cố A xuất hiện mặt chẵn trong phép thử gieo con xúc xắc ở ví dụ 1. Vậy P( A) = = .1. H k và mỗi công đoạn H i có ni cách thực hiện thì có tất cả n1 × n2 × × nk cách thực hiện công việc H . Qui tắc nhân Giả sử công việc H gồm nhiều công đoạn liên tiếp H1 . c. Tần suất thể hiện khả năng xuất hiện của biến cố.

. Vậy số các tổ hợp chập k của n phần tử là Ank k Cn = = k! n! k!(n − k )! (1. Do đó với mỗi tổ hợp chập k của n phần tử có k! chỉnh hợp tương ứng. Tương tự cũng có 5 trường hợp chỉ xuất hiện mặt 6 ở lần tung thứ hai. . Tìm xác suất để trong đó có 1 lần ra 6 nốt. Giải: Số trường hợp có thể Ω = 2 6 .. 8 . k = 0 . 6 . . nghĩa là có 5 trường hợp. Cũng có thể xem một tổ hợp chập k của n phần tử là một cách chọn đồng thời k phần tử của tập n phần tử. Áp dụng 10 .7: Cho các từ mã 6 bit được tạo từ các chuỗi các bit 0 và bit 1 đồng khả năng. Gọi A là biến cố “ trong 2 lần tung con xúc xắc có 1 lần được mặt 6”. Hai chỉnh hợp chập k của n phần tử là khác nhau nếu: ƒ có ít nhất 1 phần tử của chỉnh hợp này không có trong chỉnh hợp kia. Chỉnh hợp Chọn lần lượt k phần tử không hoàn lại trong tập n phần tử ta được một chỉnh hợp chập k của n phần tử. Ví dụ 1.3) Ví dụ 1. Hãy tìm xác suất của các từ có chứa k bit 1.Chương 1: Các khái niệm cơ bản về xác suất d.8: Một người gọi điện thoại quên mất hai số cuối của số điện thoại và chỉ nhớ được rằng chúng khác nhau.. Tổ hợp Một tổ hợp chập k của n phần tử là một tập con k phần tử của tập n phần tử.2) e. Do đó Ak = C 6k = k!(6 − k )! Vậy xác suất của các biến cố tương ứng P ( Ak ) = 6! k!(6 − k )!2 6 . .. với k = 0 . Sử dụng quy tắc nhân ta có thể tính được số các chỉnh hợp chập k của n phần tử là Ank = n! (n − k )! (1. Mặt khác hai chỉnh hợp khác nhau ứng với hai tổ hợp khác nhau là khác nhau. ƒ các phần tử đều như nhau nhưng thứ tự khác nhau. 6 . Nếu lần thứ nhất ra mặt 6 thì lần thứ hai chỉ có thể ra các mặt từ 1 đến 5. vậy số trường hợp thuận lợi 6! đối với Ak là số các tổ hợp 6 chập k . Đặt Ak là biến cố " từ mã có chứa k bit 1" . quy tắc cộng ta suy ra xác suất để chỉ có một lần ra mặt 6 khi tung xúc xắc 2 lần là 36 Ví dụ 1. Có thể xem mỗi từ mã có chứa k bit 1 là một tổ hợp chập k của 6 phần tử.6: Tung một con xúc xắc hai lần. Giải: Số các trường hợp có thể là 36. Tìm xác suất để quay ngẫu nhiên một lần được đúng số cần gọi. .

nó hoàn toàn dựa trên các thí nghiệm quan sát thực tế để tìm xác suất của biến cố. Vậy xác suất để bé trai ra đời lớn hơn bé gái.9: Một công ty cần tuyển 2 nhân viên. người ta theo dõi 100. dễ hiểu. vậy có 14 trường hợp ít nhất 1 nữ được chọn. Giải: Số trường hợp có thể Ω = C62 = 15 . Người ta chứng minh được (định lý luật số lớn) khi n tăng lên vô hạn thì f n ( A) tiến đến một giới hạn xác định. P( A) = lim f n ( A) n →∞ (1.2.4) Trên thực tế P(A) được tính xấp xỉ bởi tần suất f n ( A) khi n đủ lớn. Do đo xác suất tương ứng P = 14 / 15 . Do đó P( A) = 1 . 90 Ví dụ 1. Vậy xác suất cần tìm xấp xỉ bằng 0. Tuy nhiên khi số các kết quả có thể vô hạn hoặc không đồng khả năng thì cách tính xác suất cổ điển không áp dụng được. Hai người trúng tuyển là nam b. Có ít nhất 1nữ trúng tuyển. Chỉ có 1 trường hợp cả 2 nam đều trúng tuyển do đó xác suất tương ứng là P = 1 / 15 . vậy xác suất tương ứng P = 6 / 15 .000 thanh niên và thấy rằng có 798 người bị chết trong vòng 1 năm sau đó. Số các trường hợp có thể là số các cặp hai chữ số khác nhau từ 10 chữ số từ 0 đến 9. a.513. Vậy số các trường hợp có thể là A10 1. biến cố A xuất hiện k n ( A) lần thì tỉ số f n ( A) = k n ( A) n được gọi là tần suất xuất hiện của biến cố A trong n phép thử. Ví dụ 1. Số các trường hợp thuận lợi của A là chập 2.10: Một công ty bảo hiểm muốn xác định xác suất để một người Mỹ 25 tuổi sẽ bị chết trong năm tới. ký hiệu P(A) . Định nghĩa thống kê về xác suất Định nghĩa xác suất theo cổ điển trực quan. Nếu trong n lần thực hiện phép thử C . Nhận xét: Định nghĩa xác suất theo thống kê khắc phục được hạn chế của định nghĩa cổ điển.Chương 1: Các khái niệm cơ bản về xác suất Giải: Gọi A là biến cố “quay ngẫu nhiên một lần được đúng số cần gọi”. b. Có C 42 = 6 cách chọn 2 trong 4 nữ. Hai người trúng tuyển là nữ c.008. Tuy nhiên 9 .11: Thống kê cho thấy tần suất sinh con trai xấp xỉ 0. Ví dụ 1. Có 6 người nộp đơn trong đó có 4 nữ và 2 nam. Giả sử khả năng trúng tuyển của cả 6 người là như nhau. Ta định nghĩa giới hạn này là xác suất của biến cố A . 1. Tính xác suất biến cố: a. Giả sử phép thử C có thể được thực hiện lặp lại nhiều lần độc lập trong những điều kiện giống hệt nhau.3. c. Nó bằng số các chỉnh hợp 10 2 = 10 ⋅ 9 = 90 . Trong 15 trường hợp có thể chỉ có 1 trường hợp cả 2 nam được chọn.

1. y ) là một điểm của hình vuông Ω = [0. Mỗi người có thể đến điểm hẹn một cách ngẫu nhiên tại một thời điểm trong khoảng thời gian nói trên và họ quy ước rằng ai đến trước thì chỉ đợi người kia trong vòng 15 phút. Các tính chất và định lý xác suất 1.2. 0 ≤ y ≤ 60 . Vậy mỗi cặp thời điểm đến ( x . 2 O 15 x 60 Gọi A là biến cố hai người gặp nhau thì { } A = ( x . P (φ) = 0. Ngày nay với sự trợ giúp của công nghệ thông tin. Với mọi biến cố A : 0 ≤ P( A) ≤ 1 . mà việc này đôi khi không thể làm được vì hạn chế về thời gian và kinh phí. Định nghĩa xác suất theo hình học Định nghĩa 1. y ) ∈ Ω x − y ≤ 15 = {( x .6) .4. Xác suất của biến cố không thể bằng 0. diÖn tÝch Ω y Ví dụ 1. Điều này cho phép tính xác suất theo phương pháp thống kê thuận tiện hơn. y ) ∈ Ω − 15 + x ≤ y ≤ x + 15 } . 60] .3: Giả sử không gian mẫu Ω có thể biểu diễn tương ứng với một miền nào đó có diện tích (thể tích. Giải: Giả sử x. 1.2. P(Ω) = 1 10 (1.6. người ta có thể mô phỏng các phép thử ngẫu nhiên mà không cần thực hiện các phép thử trong thực tế.5) 2.Chương 1: Các khái niệm cơ bản về xác suất định nghĩa thống kê về xác suất cũng chỉ áp dụng cho các phép thử mà có thể lặp lại được nhiều lần một cách độc lập trong những điều kiện giống hệt nhau. Ngoài ra để xác định một cách tương đối chính xác giá trị của xác suất thì cần tiến hành một số n đủ lớn lần các phép thử. (1. độ dài) hữu hạn và biến cố A tương ứng với một miền con của Ω thì xác suất của biến cố A được định nghĩa: P ( A) = diÖn tÝch A . xác suất của biến cố chắc chắn bằng 1. diÖn tÝch Ω 16 16 60 1.2. Các tính chất của xác suất Các định nghĩa trên của xác suất thoả mãn các tính chất sau: 1. y là thời điểm người thứ nhất 60 A 15 và thứ hai đến điểm hẹn thì 0 ≤ x ≤ 60 . ⇒ P( A) = 45 2 9 7 diÖn tÝch A = 1− 2 = 1− = .6. Tính xác suất để hai người gặp nhau.12: Hai người bạn hẹn gặp nhau ở một địa điểm trong khoảng thời gian từ 12h đến 13h.

9)” Ví dụ 12: Một lô hàng có 25% sản phẩm loại I. A2 . (1.25 + 0. An } là một hệ đầy đủ thì n ∑ P( Ai ) = 1 (1.8 . Qui tắc cộng xác suất a. B. Vậy A = A1 ∪ A2 . A2 .6) và (1. Ba biến cố này xung khắc từng đôi một..Chương 1: Các khái niệm cơ bản về xác suất 1. Sản phẩm được cho là đạt chất lượng nếu thuộc loại I hoặc loại II.3. A2 . 55% sản phẩm loại II và 20% sản phẩm loại III.. . { } Áp dụng công thức (1. Trường hợp tổng quát ƒ Nếu A.. nếu {A1 .7) Tổng quát hơn. Trường hợp xung khắc Nếu A. .2.7)’ ta có hệ quả: Nếu {A1 .55 . 11 (1. Quy tắc xác suất của biến cố đối Với mọi biến cố A P( A ) = 1 − P( A) . Giải: Gọi A1 . C là ba biến cố bất kỳ thì P ( A ∪ B ∪ C ) = P( A) + P( B) + P(C ) − P( AB) − P ( BC ) − P(CA) + P( ABC ) ƒ (1.2. A ta được quy tắc xác suất biến cố đối 1. B là hai biến cố xung khắc thì P ( A ∪ B) = P( A) + P( B) .8) i =1 b. P ( A) = P ( A1 ) + P ( A2 ) = 0. P( A3 ) = 0.. An } là dãy các biến cố xung khắc từng đôi một thì ⎛ n ⎞ n P⎜ ∪ Ai ⎟ = ∑ P ( Ai ) . P ( A2 ) = 0.10) .. . Chọn ngẫu nhiên 1 sản phẩm tìm xác suất để sản phẩm này đạt tiêu chuẩn chất lượng.25 . Gọi A là biến cố sản phẩm được chọn đạt tiêu chuẩn chất lượng.6. III. An } là dãy các biến cố bất kỳ ⎛n ⎞ n P⎜ ∪ Ai ⎟ = ∑ P( Ai ) − ∑ P( Ai A j ) + ∑ P( Ai A j Ak ) − ⎜ ⎟ i< j i< j <k ⎝ i =1 ⎠ i =1 + (−1) n −1 P( A1 A2 . .9) (1.55 = 0. A2 .2. ⎜ ⎟ ⎝ i =1 ⎠ i =1 (1. II. .7)’ Từ công thức (1.. P ( A1 ) = 0. (1. A3 lần lượt là biến cố sản phẩm được chọn thuộc loại I. B là hai biến cố bất kỳ thì P ( A ∪ B) = P( A) + P( B) − P( AB) ƒ Nếu A.9)’ Nếu {A1 ..6. An ) .20 ..8) cho hệ đầy đủ A. .

Tuy nhiên một biến cố có xác suất bằng 0 vẫn có thể xảy ra trong một số lớn các phép thử. Hiển nhiên việc quy định một mức xác suất thế nào được gọi là nhỏ sẽ phụ thuộc vào từng bài toán cụ thể. Nguyên lý xác suất lớn. Chẳng hạn mỗi chiếc máy bay đều có một xác suất rất nhỏ bị xảy ra tai nạn.11) Khi cố định A với P ( A) > 0 thì xác suất có điều kiện P (B A) có tất cả các tính chất của xác suất thông thường (công thức (1.10)”) đối với biến cố B . Mức xác suất nhỏ này được gọi là mức ý nghĩa. Ký hiệu P (B A) .1. gọi là “Nguyên lý xác suất nhỏ”: Nếu một biến cố có xác suất rất nhỏ thì thực tế có thể cho rằng trong một phép thử biến cố đó sẽ không xảy ra. người ta thấy rằng các biến cố có xác suất nhỏ sẽ không xảy ra khi ta chỉ thực hiện một phép thử hay một vài phép thử. Khi dựa trên nguyên lý xác suất nhỏ ta tuyên bố rằng: “Biến cố A có xác suất nhỏ (tức là P( A) ≤ α ) sẽ không xảy ra trên thực tế” thì độ tin cậy của kết luận trên là β . 1. Nhưng trên thực tế ta vẫn không từ chối đi máy bay vì tin tưởng rằng trong chuyến bay ta đi sự kiện máy bay rơi không xảy ra.3. Qua thực nghiệm và quan sát thực tế.01 thì có thể coi rằng xác suất này là nhỏ. XÁC SUẤT CÓ ĐIỀU KIỆN 1. Cũng như trên. P( A) (1.2. xác suất nhỏ Một biến cố không thể có xác suất bằng 0.5)-(1. 12 . Định nghĩa cà các tính chất của xác suất có điều kiện Xác suất của biến cố B được tính trong điều kiện biết rằng biến cố A đã xảy ra được gọi là xác suất của B với điều kiện A . Tương tự như vậy ta có thể đưa ra “Nguyên lý xác suất lớn”: “Nếu biến cố A có xác suất gần bằng 1 thì trên thực tế có thể cho rằng biến cố đó sẽ xảy ra trong một phép thử”. Từ đó ta thừa nhận nguyên lý sau đây. Tính chất ¾ Nếu P( A) > 0 thì P (B A) = ¾ P( AB) . việc quy định một mức xác suất thế nào được gọi là lớn sẽ tùy thuộc vào từng bài toán cụ thể. Chẳng hạn: ( ) P B A = 1 − P(B A).01 thì xác suất đó chưa thể được coi là nhỏ. Song nếu xác suất một chuyến tàu khởi hành chậm là 0. Tính đúng đắn của kết luận chỉ xảy ra trong 100 ⋅ β % trường hợp. P (B1 ∪ B2 A) = P(B1 A) + P(B2 A) − P (B1 B2 A) .5.Chương 1: Các khái niệm cơ bản về xác suất 1. Nếu α là mức ý nghĩa thì số β = 1 − α gọi là độ tin cậy. Chẳng hạn nếu xác suất để máy bay rơi là 0.3.

..1. Bđ .2.. Ađ .331 . 9 bi xanh. ( ) 2 11 ⎛5⎞ . (1. (5. Quy tắc nhân xác suất 1.2. Túi II chứa 10 bi trắng. xanh.5). An } là càc biến cố độc lập thì P( A1 A2 .15) Ví dụ 1.13) 1. Vậy P ( AB ) = 3 3 11 3 ⇒ P ( B A) = = .3. B x lần lượt là biến cố bi được rút từ túi II là trắng.12) ƒ Nếu {A1 . P ( An A1 A2 . đỏ. Các biến cố At .. Bđ . 36 36 11 36 1. An ) = P( A1 )P( A2 ). An ) = P ( A1 ) P ( A2 A1 ) P ( A3 A1 A2 ) . xanh. (6. Giải: Gọi At .2. Trường hợp tổng quát: P ( AB ) = P ( A) P (B A) ƒ ƒ P ( A1 A2 . Tính xác suất để tổng số nốt xuất hiện trên hai con xúc xắc ≥ 10 biết rằng ít nhất một con đã ra nốt 5. đỏ. 15 bi xanh.Chương 1: Các khái niệm cơ bản về xác suất Ví dụ 13: Gieo đồng thời hai con xúc xắc cân đối. Giải: Gọi A là biến cố " ít nhất một con ra nốt 5".3.2. A2 . 25 25 25 25 25 25 625 13 .... Tìm xác suất để 2 bi được rút từ 2 túi là cùng màu.6).3.. Ax độc lập với các biến cố Bt .. B là hai biến cố độc lập thì P( AB) = P( A) P( B) ..14: Túi I chứa 3 bi trắng. (1. Bt .. 6 bi đỏ. Ađ . An−1 ) . . Ax lần lượt là biến cố bi được rút từ túi I là trắng.P( An ) . (1. P ( A) = 1 − P A = 1 − ⎜ ⎟ = 36 ⎝6⎠ Gọi B là biến cố "tổng số nốt trên hai con ≥ 10 " Biến cố AB có 3 kết quả thuận lợi là (5. Vậy xác suất để 2 bi được rút cùng mầu là P ( At Bt ∪ Ađ Bđ ∪ Ax Bx ) = P ( At Bt ) + P ( Ađ Bđ ) + P ( Ax Bx ) = P ( At ) P ( Bt ) + P ( Ađ ) P ( Bđ ) + P ( Ax ) P ( Bx ) = 3 10 7 6 15 9 207 + + = ≈ 0.. B x . Từ mỗi túi lấy ngẫu nhiên 1 bi.5).14) (1.. 7 bi đỏ. Trường hợp độc lập: ƒ Nếu A.

các xác suất của Ak được tính trên thông tin này (xác suất có điều kiện P (Ak B ) ) được gọi là xác suất hậu nghiệm.15.16: Một trạm chỉ phát hai tín hiệu A và B với xác suất tương ứng 0.3: Nếu { A1.3. . P ( A2 ). . P ( An )} đã biết và được gọi là các xác suất tiền nghiệm. Với mọi biến cố B của cùng một phép thử.. An } là một hệ đầy đủ các biến cố.4. A2 .15 × = 0. 1 1 . B} là hệ đầy đủ. Công thức Bayes Định lý 1. Ví dụ 1. P( B) ∑ P( Ai ) P ( B Ai ) (1. 8 7 Áp dụng công thức xác suất đầy đủ ta có xác suất thu được tín hiệu A: P(T A ) = P ( A) P(T A A) + P ( B) P(T A B ) = 0. Công thức xác suất đầy đủ Định lý 1.16) i =1 1.7473 . Do có nhiễu trên đường truyền nên 1/7 tín hiệu A bị méo và thu được như tín hiệu B còn 1/8 tín hiệu B bị méo và thu được như A. A2 . bề ngoài chúng giống hệt nhau nhưng trong đó chỉ có đúng 2 chiếc mở được kho. Tính xác suất để mở được kho ở lần thứ ba. Khi đó {A. Anh ta thử ngẫu nhiên từng chìa (chìa nào không trúng thì bỏ ra).15: Một thủ kho có một chùm chìa khóa gồm 9 chiếc.3. Vì vậy công thức Bayes còn được gọi là công thức xác suất hậu nghiệm. 987 6 1..Chương 1: Các khái niệm cơ bản về xác suất Ví dụ 1. a.3. Với mọi biến cố B của cùng một phép thử sao cho P( B ) > 0 ta có : P ( Ak B ) = P( Ak ) P ( B Ak ) P( Ak B) = n .15 . An } là một hệ đầy đủ các biến cố. P (TB A) = a.85 .... Vậy xác suất cần tìm là ( ) ( ) ( ) ( ) P A1 A2 A3 = P A1 P A2 A1 P A3 A1 A2 = 762 1 = . Sau khi quan sát biết được biến cố B xảy ra.. P ( A) = 0.85 × 14 1 6 + 0. Tìm xác suất thu được tín hiệu A.17) i =1 Giải thích: Trong thực tế các xác suất { P ( A1 ). Gọi là T A biến cố "thu được tín hiệu A" và là TB biến cố "thu được tín hiệu B".85 và 0. Giải: Gọi là A biến cố "phát tín hiệu A" và B là biến cố "phát tín hiệu B". P (T A B ) = ..4: Nếu { A1. b. ta có n P ( B) = ∑ P( Ai ) P ( B Ai ) (1. .. P ( B ) = 0. Tìm xác suất thu được đúng tín hiệu lúc phát.. 8 7 . Giải: Ký hiệu Ai là biến cố "thử đúng chìa ở lần thứ i". Giả sử đã thu được tín hiệu A.

4.7473 0..Chương 1: Các khái niệm cơ bản về xác suất b. c. P ( A H ) = α . Đặt Pn (k . Áp dụng công thức Bayes ta có P(A T A ) = P( A) P (T A A) P(T A ) 6 7 = 0.85 × Ví dụ 1. (0 < p < 1) được gọi là dãy phép thử Bernoulli. Theo giả thiết ta có: ( ) P ( H ) = p. = 0.975 .. ( ) b. P A H = β .. n .1: Pn (k . k = 0.1. p ) = P( H k ) . độc lập. b. 1.18) Chứng minh: H k là tổng của C nk các biến cố xung khắc từng đôi nhận được bằng cách hoán vị các chữ A và A trong biến cố tích sau: A . { } a. P ( AH ) + P A H = P ( H ) P ( A H ) + P H P A H = pα + (1 − p ) β . Áp dụng công thức đầy đủ cho hệ đầy đủ H . H ta có: ( ) ( ) P ( A) = P( H ) P ( A H ) + P H P A H = pα + (1 − p)(1 − β ) .. Biết rằng sản phẩm có tỉ lệ phế phẩm là p % . A A . A k lÇn n − k lÇn 15 . Giải: Gọi H là biến cố “sản phẩm được chọn là phế phẩm”. . tìm xác suất sao cho sản phẩm này: a. Kí hiệu H k là biến cố " A xuất hiện ra đúng k lần trong n phép thử". A và xác suất xuất hiện của biến cố A không đổi P ( A) = p ... trong mỗi phép thử chỉ có 2 kết cục: A . Được kết luận đúng với thực chất của nó. Thiết bị có khả năng phát hiện đúng sản phẩm là phế phẩm với xác suất α và phát hiện đúng sản phẩm đạt chất lượng với xác suất β . Kiểm tra ngẫu nhiên một sản phẩm. Được kết luận là phế phẩm (biến cố A ). P H A = ( P HA ( ) P A ( )= p(1 − α ) . Định lý 1. .17: Người ta dùng một thiết bị để kiểm tra một loại sản phẩm nhằm xác định sản phẩm có đạt yêu cầu không. p ) = C nk p k (1 − p ) n −k . p là xác suất thành công trong mỗi lần thử. p(1 − α ) + (1 − p ) β ( ) ( ) ) c. Được kết luận là đạt chất lượng thì lại là phế phẩm. (1. DÃY PHÉP THỬ BERNOULLI Dãy các phép thử lặp lại.

A A . p ) mới đầu tăng sau đó giảm và đạt giá trị lớn nhất tại k = m thoả mãn: (n + 1) p − 1 ≤ m ≤ (n + 1) p (1. k lÇn n − k lÇn Vậy Pn (k . Pn (m . và Pn (k . A ) = p k (1 − p ) n −k .2: (i).20)’ được gọi là giá trị chắc chắn nhất của số thành công hay giá trị có khả năng xảy ra lớn nhất. p) ⇒ Pn (m − 1 .19).20) Như vậy. p ) Pn (k . p) (1.Chương 1: Các khái niệm cơ bản về xác suất Mỗi biến cố này có xác suất P( A . p ) (k + 1)(1 − p ) . Khi m = (n + 1) p thì Pn ( m − 1. Định nghĩa 1. Do đó = < 1 ⇔ k + 1 < (n + 1) p .20) hoặc (1. ƒ Khi (n + 1) p nguyên thì m = (n + 1) p − 1 hoặc m = (n + 1) p Pmax = Pn (m − 1. p) ( n + 1)(1 − p) p = =1 (n − (n + 1) p + 1) p Pn ( m ..20)’ Chứng minh: n! p k q n−k Pn (k . p ) = C nk p k (1 − p) n − k . p) ∀ k > (n + 1) p .. p) = (n − k + 1) p Pn (k − 1. p) < Pn (k + 1 .. = = n! kq Pn (k − 1 . p) . p) khi k ≥ (n + 1) p ⇒ Pn (k . 16 . ƒ Khi (n + 1) p không nguyên thì m = [(n + 1) p ] (là phần nguyên của (n + 1) p ). p ) > Pn (k + 1. p) (n − k + 1) p k! (n − k )! .19) (ii).. Khi k tăng từ 0 đến n thì Pn (k . p) = Pn (m . p) k −1 n − k +1 p q (k − 1)! (n − k + 1)! (1. p) < Pn (m . trong đó m là số tự nhiên thỏa mãn (n + 1) p − 1 ≤ m ≤ (n + 1) p . p) = Pn (m . p) là số hạng trung tâm của phân bố nhị thức. p) khi k < (n + 1) p − 1 ⇒ Pn (k . p ) Vậy Pn (k .1: m xác định bởi công thức (1. p ) (n − k ) p Pn (k + 1. Pn (k + 1. Pn (k . p) ∀ k < (n + 1) p − 1 .19) ⇒ Pn (k . Định lý 1. p) kq (1. p) < Pn (m . từ đó có (1.

19: Tín hiệu thông tin được phát đi 3 lần độc lập nhau.9 thì phải phát đi ít nhất bao nhiêu lần. Giải: Có thể xem mỗi lần phát tin là một phép thử Bernoulli mà sự thành công của phép thử là nguồn thu nhận được tin. Vậy nếu muốn xác suất thu được tin ≥ 0.6 )n . Định nghĩa cổ điển về xác suất Xác suất của biến cố A là P( A) = sè tr−êng hîp thuËn lîi đèi víi A sè tr−êng hîp cã thÓ Định nghĩa thống kê về xác suất Xác suất của biến cố A là P ( A) ≈ f n ( A) = k n ( A) trong đó k n ( A) số lần xuất hiện biến n cố A trong n phép thử.6) = 0. Ta gọi chúng là các phép thử ngẫu nhiên. Xác suất thu được mỗi lần là 0. quan sát mà các kết quả của nó không thể dự báo trước được. b) Tìm xác suất để nguồn thu nhận được thông tin đó.288 .9 thì phải phát đi ít nhất n lần sao cho: 1 − (0.4. 0.504 . a) Tìm xác suất để nguồn thu nhận được thông tin đúng 2 lần. Vậy: a) Xác suất để nguồn thu nhận được thông tin đúng 2 lần là P2 (3 .1 ⇔ n ≥ lg(0. Biến cố Mỗi biến cố A được đồng nhất với một tập con của không gian mẫu Ω bao gồm các kết quả thuận lợi đối với A . Xác suất Xác suất của một biến cố là một con số đặc trưng khả năng khách quan xuất hiện biến cố đó khi thực hiện phép thử.4) = C32 (0.6 )n ≤ 0. Tập hợp tất cả các biến cố sơ cấp của phép thử được gọi là không gian mẫu.6 ) − 1 = 0. theo giả thiết xác suất thành công của mỗI lần thử là 0.784 . ký hiệu Ω . 3 b) Xác suất để nguồn thu nhận được thông tin là P = 1 − (0. c) Xác suất để nguồn thu nhận được thông tin khi phát n lần là P = 1 − (0.1) −1 = = 4. Chọn n = 5 . c) Nếu muốn xác suất thu được tin ≥ 0.778 TÓM TẮT Phép thử Trong thực tế ta thường gặp nhiều thí nghiệm. lg(0. Mỗi kết quả của phép thử C được gọi là một biến cố sơ cấp.6 )n ≥ 0.Chương 1: Các khái niệm cơ bản về xác suất Ví dụ 1. 17 .4)2 (0.6 ) = 0.9 ⇔ (0.4.

A xảy ra khi và chỉ khi A không xảy ra.. không làm ảnh hưởng tới việc xảy ra hay không xảy ra của các biến cố còn lại. Tích của hai biến cố Biến cố AB của hai biến cố A. B gọi là xung khắc nếu AB là biến cố không thể. Tổng của hai biến cố Biến cố A ∪ B tổng của hai biến cố A. Tính độc lập của các biến cố Hai biến cố A và B được gọi là độc lập với nhau nếu việc xảy ra hay không xảy ra biến cố này không ảnh hưởng tới việc xảy ra hay không xảy ra biến cố kia. ..Chương 1: Các khái niệm cơ bản về xác suất Nguyên lý xác suất nhỏ Nếu một biến cố có xác suất rất nhỏ thì thực tế có thể cho rằng trong một phép thử biến cố đó sẽ không xảy ra. .. A2 . Nguyên lý xác suất lớn Nếu biến cố A có xác suất gần bằng 1 thì trên thực tế có thể cho rằng biến cố đó sẽ xảy ra trong một phép thử. n Biến cố tích ∏ Ai của dãy các biến cố {A1 .. n Biến cố tổng ∪ Ai của một dãy các biến cố {A1 . B xảy ra khi và chỉ khi cả hai biến cố A . A2 . An } xảy ra khi có ít nhất một trong i =1 các biến cố Ai xảy ra. Hệ đầy đủ các biến cố Dãy các biến cố A1 . . .. .. An được gọi là một hệ đầy đủ các biến cố nếu chúng xung khắc từng đôi một và tổng của chúng là biến cố chắc chắc.. . B xảy ra khi và chỉ khi có ít nhất A hoặc B xảy ra. Tổng quát các biến cố A1 . nếu A xảy ra thì B xảy ra. trong đó 1 ≤ k ≤ n . A2 . Quan hệ kéo theo Biến cố A kéo theo biến cố B . ký hiệu A ⊂ B .. B cùng xảy ra. Quan hệ biến cố đối A là biến cố đối của A . A2 . An được gọi là độc lập nếu việc xảy ra hay không xảy ra của một nhóm bất kỳ k biến cố. . . Biến cố xung khắc Hai biến số A. An } i =1 xảy ra khi tất cả các biến cố Ai cùng xảy ra. Qui tắc cộng 18 .

. 19 ...... Xác suất có điều kiện Xác suất của biến cố B được tính trong điều kiện biết rằng biến cố A đã xảy ra được gọi là xác suất của B với điều kiện A . An ) . An } là một hệ đầy đủ và với mọi biến cố B sao cho P ( B) > 0 ta có : P ( Ak B ) = P( Ak ) P ( B Ak ) P( Ak B) = n . trong mỗi phép thử chỉ có 2 kết cục: A . . P⎜ ∪ Ai ⎟ = ∑ P ( Ai ) ...... Công thức xác suất đầy đủ Giả sử { A1... An } là một hệ đầy đủ . P ( A1 A2 . Trường hợp không độc lập: P( AB) = P( A) P(B A) . ⎟ ⎜ ⎝ i =1 ⎠ i =1 Trường hợp tổng quát P ( A ∪ B) = P( A) + P( B) − P( AB) P ( A ∪ B ∪ C ) = P( A) + P( B) + P(C ) − P( AB) − P ( BC ) − P(CA) + P( ABC ) ⎛n ⎞ n P⎜ ∪ Ai ⎟ = ∑ P ( Ai ) − ∑ P ( Ai A j ) + ∑ P ( Ai A j Ak ) − ⎜ ⎟ i< j i< j <k ⎝ i =1 ⎠ i =1 + (−1) n −1 P ( A1 A2 . ký hiệu P (B A) . An ) = P ( A1 ) P ( A2 A1 ) P ( A3 A1 A2 ) . (0 < p < 1) được gọi là dãy phép thử Bernoulli. An−1 ) . Quy tắc xác suất của biến cố đối P( A ) = 1 − P( A) . Quy tắc nhân Trường hợp độc lập: P( AB) = P( A) P( B) . độc lập. A và xác suất xuất hiện của biến cố A không đổi P ( A) = p .Chương 1: Các khái niệm cơ bản về xác suất ⎛ n ⎞ n Trường hợp xung khắc: P ( A ∪ B) = P( A) + P( B) ... A2 . P( B) ∑ P( Ai ) P ( B Ai ) i =1 Dãy phép thử Bernoulli Dãy các phép thử lặp lại. P( A1 A2 ..P( An ) . Với mọi biến cố B ta có: n P ( B) = ∑ P( Ai ) P ( B Ai ) . i =1 Công thức Bayes Nếu { A1. An ) = P( A1 )P( A2 ). ... A2 . P ( An A1 A2 .

8 Xác suất của tích 2 biến cố xung khắc bằng tích 2 xác suất. 1. 1. 1.11 Trong một hòm đựng 10 chi tiết đạt tiêu chuẩn và 5 chi tiết là phế phẩm. Đúng Sai . Đúng Sai . c} là phụ thuộc vì chúng cùng xảy ra khi biến cố sơ cấp a xảy ra. 1. Đúng Sai . Đúng Sai . Tính xác suất: a) Cả 3 chi tiết lấy ra thuộc loại đạt tiêu chuẩn. b. 1.1 Ta có thể có hai không gian mẫu Ω các biến cố sơ cấp cho cùng một phép thử Đúng Sai C? . Đúng Sai . Đúng Sai . Tìm xác suất để: a) Tất cả cùng ra ở tầng bốn. d } trong đó các biến cố sơ cấp là đồng khả năng.9 Hệ 2 biến cố A.7 Xác suất của tổng hai biến cố độc lập bằng tổng xác suất của hai biến cố này.Chương 1: Các khái niệm cơ bản về xác suất Khi m = [(n + 1) p ] thì Pn (m . Gọi m là giá trị có khả năng xảy ra lớn nhất của dãy phép thử Bernoulli.6 Các biến cố đối của hai biến cố độc lập cũng là độc lập. b) Trong số 3 chi tiết lấy ra có 2 chi tiết đạt tiêu chuẩn. Đúng Sai . 1. 20 . p) = C nm p m (1 − p ) n − m đạt giá trị lớn nhất. 1. A là hệ đầy đủ. Đúng Sai . { } 1. tức là P ( A B ) ≥ P ( A) ? Đúng Sai .10 Cho Ω = {a. b} và B = {a.3 Hai biến cố A và B xung khắc thì P ( A ∪ B) = P( A) + P( B) . c. CÂU HỎI ÔN TẬP VÀ BÀI TẬP 1. 1. Lấy đồng thời 3 chi tiết.4 Thông tin liên quan đến việc xuất hiện biến cố B làm tăng xác suất của biến cố A .5 Hai biến cố xung khắc là hai biến cố độc lập. 1. Biến cố A = {a. 1.2 Các biến cố A và A ∪ B là xung khắc.12 Thang máy của một tòa nhà 7 tầng xuất phát từ tầng một với 3 khách.

30% sản lượng của nhà máy. Sau khi kiểm tra xong trả lại vào lô hàng. Xác suất phát hiện ra phế phẩm ở các vòng lần lượt theo thứ tự là 0. Khả năng bắn trúng của từng người là 0. các sản phẩm còn lại là xấu. II. III cùng sản xuất ra một loại pít-tông. 50% sản phẩm là loại II. 1. Phân xưởng I. Tìm xác suất: a) Chỉ có một người bắn trúng mục tiêu.1. Tính xác suất anh ta mở được cửa ở lần thử thứ 4. 1. với tỷ lệ phế phẩm tương ứng là 0. III sản xuất. b) Có ít nhất một sản phẩm xấu. Biểu diễn các biến cố sau theo Ak : a) Cả 10 sản phẩm đều xấu. 1.9. còn lại là phế phẩm. 1. Tính xác suất để sau 3 lần kiểm tra lô hàng. 34%.16 Cơ cấu chất lượng sản phẩm của nhà máy như sau: 40% sản phẩm là loại I.20 Một lô hàng có 9 sản phẩm. Tính xác suất sản phẩm lấy ra là phế phẩm. d) Có 6 sản phẩm kiểm tra đầu là xấu. b) Lấy ngẫu nhiên một sản phẩm kiểm tra và được sản phẩm là phế phẩm. Một người mua 30 vé. 0.18 Để được nhập kho. II.08.14 Ta kiểm tra theo thứ tự một lô hàng có 10 sản phẩm.99.8 và 0.17 Có 1000 vé số trong đó có 20 vé trúng thưởng. sản phẩm của nhà máy phải qua 3 vòng kiểm tra chất lượng độc lập nhau. Lấy ngẫu nhiên một sản phẩm của nhà máy. 1. 1. b) Có người bắn trúng mục tiêu.12. Tính xác suất phế phẩm được nhập kho. 1. 1. c) Có 6 sản phẩm kiểm tra đầu là tốt. Anh ta thử ngẫu nhiên từng chìa khóa một.15 Hai người cùng bắn vào một mục tiêu. III sản xuất tương ứng 36%. Tính xác suất để phế phẩm đó là do phân xưởng I. tất cả các sản phẩm đều được kiểm tra. 0.21 Một nhà máy ôtô có ba phân xưởng I.8. Ký hiệu Ak ( k = 1. Mỗi sản phẩm thuộc một trong hai loại: Tốt hoặc Xấu.9 và 0. tìm xác suất để người đó trúng 5 vé.19 Một thủ kho có một chùm chìa khóa gồm 9 chiếc trông giống hệt nhau trong đó chỉ có một chiếc mở được kho.Chương 1: Các khái niệm cơ bản về xác suất b) Tất cả cùng ra ở một tầng c) Mỗi người ra một tầng khác nhau. a) Tìm tỷ lệ phế phẩm chung của nhà máy. Mỗi lần kiểm tra chất lượng lấy ngẫu nhiên 3 sản phẩm. 21 . 1. c) Cả hai người bắn trượt. 0. Tìm xác suất để người đó quay số một lần được đúng số điện thoại của bạn. chiếc nào được thử thì không thử lại.10 ) là biến cố chỉ sản phẩm kiểm tra thứ k thuộc loại xấu. II.13 Một người gọi điện thoại cho bạn nhưng lại quên mất 3 chữ số cuối và chỉ nhớ rằng chúng khác nhau.

nhóm thứ hai có 7 người.Chương 1: Các khái niệm cơ bản về xác suất 1. 22 . 1. 1. Thiết bị có khả năng phát hiện đúng sản phẩm đạt tiêu chuẩn với xác suất là 0. 0. nhóm thứ ba và nhóm thứ tư theo thứ tự là 0.23 Bắn hai lần độc lập với nhau mỗi lần một viên đạn vào cùng một bia.9 và phát hiện đúng sản phẩm không đạt tiêu chuẩn với xác suất là 0. Chọn ngẫu nhiên một xạ thủ và biết rằng xạ thủ này bắn trượt. nhóm thứ ba có 4 người và nhóm thứ tư có 2 người.95.22 Có bốn nhóm xạ thủ tập bắn. Xác suất trúng đích của viên đạn thứ nhất là 0. 0.6 và 0. Xác suất bắn trúng đích của mỗi người trong nhóm thứ nhất. Tìm xác suất để chỉ có một viên đạn trúng bia (biến cố A).24 Một nhà máy sản xuất một chi tiết của điện thoại di động có tỷ lệ sản phẩm đạt tiêu chuẩn chất lượng là 85%. quan trắc viên báo có một vết đạn ở bia. Tìm xác suất để 1 sản phẩm được chọn ngẫu nhiên sau khi kiểm tra: a) Được kết luận là đạt tiêu chuẩn.4 . Hãy xác định xem xạ thủ này có khả năng ở trong nhóm nào nhất.5. Nhóm thứ nhất có 5 người. Tìm xác suất để vết đạn đó là vết đạn của viên đạn thứ nhất.7 và của viên đạn thứ hai là 0. c) Được kết luận đúng với thực chất của nó. Sau khi bắn.8. nhóm thứ hai.7. b) Được kết luận là đạt tiêu chuẩn thì lại không đạt tiêu chuẩn. Trước khi xuất xưởng người ta dùng một thiết bị kiểm tra để kết luận sản phẩm có đạt yêu cầu chất lượng hay không.

Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng

CHƯƠNG II: BIẾN NGẪU NHIÊN VÀ CÁC ĐẶC
TRƯNG CỦA CHÚNG

PHẦN GIỚI THIỆU
Trong chương này ta khảo sát các biến cố gắn với các giá trị nào đó, khi các giá trị này thay
đổi ta được các biến ngẫu nhiên.
Khái niệm biến ngẫu nhiên (còn được gọi là đại lượng ngẫu nhiên) và các đặc trưng của
chúng là những khái niệm rất quan trọng của lý thuyết xác suất.
Đối với biến ngẫu nhiên ta chỉ quan tâm đến vấn đề biên ngẫu nhiên này nhận một giá trị
nào đó hoặc nhận giá trị trong một khoảng nào đó với xác suất bao nhiêu. Nói cách khác biên
ngẫu nhiên X có thể được khảo sát thông qua hàm phân bố xác suất của nó F ( x) = P { X < x} .
Như vậy khi ta biết qui luật phân bố xác suất của một biến ngẫu nhiên thì ta đã nắm được toàn bộ
thông tin về biến ngẫu nhiên này.
Khi biến ngẫu nhiên chỉ nhận các giá trị rời rạc thì hàm phân bố xác suất hoàn toàn được
xác định bởi bảng phân bố xác suất, đó là bảng ghi các giá trị mà biến ngẫu nhiên nhận với xác
suất tương ứng. Khi biến ngẫu nhiên nhận giá trị liên tục thì hàm phân bố xác suất được xác định
bởi hàm mật độ xác suất.
Ngoài phương pháp sử dụng hàm phân bố để xác định biến ngẫu nhiên, trong nhiều trường
hợp bài toán chỉ đòi hỏi cần khảo sát những đặc trưng cơ bản của biến ngẫu nhiên.
Các đặc trưng của biến ngẫu nhiên được chia thành hai loại sau:
™ Các đặc trưng cho vị trí trung tâm của biến ngẫu nhiên như: Kỳ vọng, Trung vị, Mốt.
™ Các đặc trưng cho độ phân tán của biến ngẫu nhiên như: Phương sai, Độ lệch chuẩn, Hệ
số biến thiên, Hệ số bất đối xứng và Hệ số nhọn.
Trong các bài toán thực tế kỳ vọng được sử dụng dưới dạng lợi nhuận kỳ vọng còn phương
sai để tính mức độ rủi ro của quyết định. Trong kỹ thuật độ lệch chuẩn biểu diẽn sai số của phép
đo.
Trong chương này ta xét các quy luật phân bố xác suất quan trọng sau:
- Quy luật nhị thức, quy luật này thường gặp trong dãy phép thử Bernoulli.
- Quy luật Poisson, quy luật này thường gặp trong bài toán về quá trình đếm sự xuất
hiện biến cố A nào đó. Quá trình đến của các hệ phục vụ.
- Quy luật phân bố đều, quy luật phân bố đều trên một đoạn là quy luật phân bố xác suất
của biến ngẫu nhiên liên tục đồng khả năng lấy giá trị trong khoảng đó. Quy luật phân
bố đều có ứng dụng rộng trong thống kê toán. Nó có ý nghĩa to lớn trong các bài toán
sử dụng phương pháp phi tham số.

23

Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng
- Quy luật phân bố mũ.
- Quy luật phân bố Erlang-k.
- Quy luật chuẩn.
- Quy luật khi bình phương.
- Quy luật Student.
Phân bố chuẩn thường được gặp trong các bài toán về sai số khi đo đạc các đại lượng trong
vật lý, thiên văn ... Trong thực tế, nhiều biến ngẫu nhiên tuân theo quy luật chuẩn hoặc tiệm cận
chuẩn (định lý giới hạn trung tâm) chẳng hạn: trọng lượng, chiều cao của một nhóm người nào đó,
điểm thi của thí sinh, năng suất cây trồng, mức lãi suất của một công ty, nhu cầu tiêu thụ của một
mặt hàng nào đó ...
Với mỗi quy luật phân bố xác suất ta sẽ khảo sát bảng phân bố xác suất hoặc hàm mật độ
các tính chất và các đặc trưng của nó.
Để học tốt chương này học viên phải nắm vững định nghĩa xác suất, biến cố và các tính chất
của chúng.
Các đặc trưng của biến ngẫu nhiên được xác định thông qua tính tổng của các số hạng nào
đó (trường hợp biến ngẫu nhiên rời rạc) hoặc tính tích phân xác định (trường hợp biến ngẫu nhiên
liên tục). Vì vậy học viên cần ôn tập về tích phân xác định.

NỘI DUNG
2.1. BIẾN NGẪU NHIÊN
2.1.1. Khái niệm biến ngẫu nhiên
Định nghĩa 2.1: Biến ngẫu nhiên X là đại lượng nhận các giá trị nào đó phụ thuộc vào
các yếu tố ngẫu nhiên, nghĩa là với mọi giá trị thực x ∈  thì {X < x} là một biến cố ngẫu nhiên..
Như vậy đối với biến ngẫu nhiên người ta chỉ quan tâm xem nó nhận một giá trị nào đó
hoặc nhận giá trị trong một khoảng nào đó với một xác suất bao nhiêu.
Ví dụ 2.1: Các đại lượng sau là biến ngẫu nhiên
• Số nốt xuất hiện khi gieo một con xúc xắc.
• Tuổi thọ của một thiết bị đang hoạt động.
• Số khách hàng vào một điểm phục vụ trong 1 đơn vị thời gian.
• Số cuộc gọi đến một tổng đài.
• Sai số khi đo lường một đại lượng vật lý …
2.1.2. Phân loại
Người ta phân các biến ngẫu nhiên thành hai loại:
™ Biến ngẫu nhiên rời rạc nếu nó chỉ nhận một số hữu hạn hoặc vô hạn đếm được các giá
trị. Nghĩa là có thể liệt kê các giá trị thành một dãy x1 , x 2 , ... .

24

Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng
™ Biến ngẫu nhiên liên tục nếu các giá trị của nó có thể lấp đầy một hoặc một số các
khoảng hữu hạn hoặc vô hạn và xác suất P{X = a} bằng không với mọi a.
Ví dụ 2.2:
• Gọi X là số nốt xuất hiện khi gieo một con xúc xắc thì X là biến ngẫu nhiên rời rạc nhận
các giá trị 1, 2,3, 4,5, 6 .
• Gọi Y là tuổi thọ của một thiết bị đang hoạt động thì Y là biến ngẫu nhiên liên tục nhận
giá trị trong một khoảng.
• Gọi Z là số khách hàng vào một điểm phục vụ trong 1 đơn vị thời gian, Z là biến ngẫu
nhiên rời rạc nhận các giá trị 0,1, 2,...
• Số cuộc gọi đến một tổng đài là biến ngẫu nhiên rời rạc nhận các giá trị 0,1, 2,...
• Sai số khi đo lường một đại lượng vật lý Y nào đó là biến ngẫu nhiên liên tục nhận giá trị
trong một khoảng.
2.1.3. Hàm phân bố xác suất
Định nghĩa 2.2: Hàm phân bố xác suất (cumulative distribution function, viết tắt CDF) của
biến ngẫu nhiên X là hàm số F ( x) xác định với mọi x ∈  bởi công thức:

F ( x) = P{X < x}; − ∞ < x < ∞

(2.1)

Hàm phân bố có các tính chất sau:
a. 0 ≤ F ( x) ≤ 1 với mọi x ∈  ,

(2.2)

b. F ( x) là hàm không giảm, liên tục bên trái. Nếu X là biến ngẫu nhiên liên tục thì F ( x)
là hàm liên tục.
c. F (−∞) = lim F ( x) = 0 ; F (+∞) = lim F ( x) = 1 ,

(2.3)

d. P{a ≤ X < b} = F (b) − F (a ) .

(2.4)

x →−∞

x → +∞

2.2. BIẾN NGẪU NHIÊN RỜI RẠC
2.2.1. Bảng phân bố xác suất của biến ngẫu nhiên rời rạc
Với biến ngẫu nhiên rời rạc chúng ta có thể nghiên cứu thông qua bảng ghi các giá trị mà
biến ngẫu nhiên nhận với xác suất tương ứng, đó là bảng phân bố xác suất.
Giả sử biến ngẫu nhiên X chỉ nhận các giá trị x1 , x 2 , ... với xác suất tương ứng

pi = P{X = xi } . pi > 0 và

∑ pi = 1 .
i

Bảng phân bố xác suất của X có dạng sau:

X
P

x1
p1
25

x2
p2

6) lập thành hệ đầy đủ các biến cố.. x2 . xn thì các biến cố { X = x1} .3: Chọn ngẫu nhiên 3 bi từ một túi có 6 bi đen. { X = xn } (2. P { X = 3} = 3 30 C10 30 Bảng phân bố xác suất: Hàm phân bố: C62C14 15 5 = = . x 2 .. Gọi X là số bi trắng trong 3 bi vừa chọn thì X là một biến ngẫu nhiên rời rạc. Hàm phân bố có dạng: ⎧ 0 ⎪ F ( x) = ⎨ p1 + p 2 + ⎪ 1 ⎩ nÕu + p k −1 nÕu nÕu x ≤ x1 x k −1 < x ≤ x k (2. x 2 ... { X = x2 } .Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng • Nếu biến ngẫu nhiên rời rạc X nhận vô hạn các giá trị x1 . P { X = 1} = 3 30 30 C10 X P 0 1 2 3 5 / 30 15 / 30 9 / 30 1 / 30 ⎧0 ⎪5 / 30 ⎪⎪ F ( x) = ⎨20 / 30 ⎪29 / 30 ⎪ ⎪⎩ 1 nÕu x ≤ 0 nÕu 0 < x ≤ 1 nÕu 1 < x ≤ 2 nÕu 2 < x ≤ 3 nÕu x > 3 Đồ thị 26 . Tìm bảng phân bố và hàm phân bố. 4 bi trắng.7) x > xn Ví dụ 2. . thì hàm phân bố có dạng: ⎧ 0 F ( x) = ⎨ ⎩ p1 + p 2 + x ≤ x1 nÕu + p k −1 nÕu x k −1 < x ≤ x k . . .... Giải: P { X = 0} = P { X = 2} = C61C42 3 C10 C63 3 C10 C43 9 1 = = . • Nếu X chỉ nhận các giá trị x1. ..5) Đồ thị của F ( x) là hàm bậc thang có bước nhảy tại x1 ... ∀ k (2.

p . ký hiệu X ~ B (n . Với mỗi i = 1.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng y 30 / 30 29 / 30 20 / 30 5 / 30 O 2. n .. p) X 0 1 … k … n P C n0 p 0 q n C 1n p1 q n −1 … C nk p k q n−k … Cnn p n q 0 Nhận xét: 1. p) .. Qui luật nhị thức 1 x 3 2 B (n .một A( p) . .. 2. n với xác suất tương ứng P{X = k } = C nk p k q n − k (2. q = 1 − p .. 1. ..2.. p) Định nghĩa 2. Gọi X là số thành công trong n phép thử Bernoulli này thì 27 (2. Bảng phân bố xác suất của biến ngẫu nhiên có quy luật nhị thức B (n .8) trong đó n là số tự nhiên và 0 < p < 1.2. Như vậy X i là biến ngẫu nhiên rời rạc có bảng phân bố: Xi 0 1 P 1− p p X i được gọi là có phân bố không.9) . nếu biến cố A không xuất hiện ta cho X i nhận giá trị 0. Thực hiện n phép thử Bernoulli với xác suất thành công của biến cố A trong mỗi lần thử là p . nếu ở lần thử thứ i biến cố A xuất hiện ta cho X i nhận giá trị 1.3: Biến ngẫu nhiên rời rạc X nhận các giá trị 0. được gọi là có phân bố nhị thức tham số n.

12) P (λ ) . số các sự cố xảy ra ở một địa điểm … trong một khoảng thời gian xác định nào đó sẽ có phân bố Poisson với tham số λ là tốc độ trung bình diễn ra trong khoảng thời gian này.2835 . X (1 / 6) ~ P (1 / 3) . ký hiệu X ~ λk k! (2. các hệ phục vụ đám đông.3679 . . lý thuyết sắp hàng. Phân bố Poisson Định nghĩa 2. độc lập và trung bình có 2 cuộc gọi trong 1 phút.. 3) Số xe cộ qua 1 ngã tư.. Ví dụ 3. với xác suất P { X = k } = e −λ gọi là có phân bố Poisson tham số λ > 0 . Quy luật Poisson có ứng dụng rộng rãi trong nhiều lĩnh vực thực tế như kiểm tra chất lượng sản phẩm. Trong thực tế với một số giả thiết thích hợp thì các biến ngẫu nhiên là các quá trình đếm sau: 1) Số cuộc gọi đến một tổng đài. lý thuyết quản trị dự trữ.3.156 . 4) Số tai nạn (xe cộ). do đó P( A) = P{X (2) = 5} = e −4 45 ≈ 0.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng X = X1 + X 2 + 2.2. a) X (2) ~ P (4) . c) Có ít nhất 1 cuộc gọi trong 10 giây (biến cố C). p) X +Y ~ và Y ~ B (n2 . Tìm xác suất để: a) Có đúng 5 cuộc gọi đến trong 2 phút (biến cố A).11) 2.10) suy ra rằng nếu X ~ + X n ~ B (n .10) thì B (n1 + n2 . 1. p) (2. do đó b) X (1 / 2) ~ c) P (C ) = P{X (1 / 6) ≥ 0} = 1 − P{X (1 / 6) = 0} = 1 − e −1 / 3 ≈ 0. 5! P (1) .4: Biến ngẫu nhiên X nhận các giá trị k = 0. p) (2. Giải: Nếu ký hiệu X (t ) là số cuộc gọi đến tổng đài trong khoảng thời gian t phút thì X (t ) ~ P (2t ) . các bài toán chuyển mạch trong tổng đài … 28 . do đó P( B) = P{X (1 / 2) = 0} = e −1 ≈ 0.3: Ở một tổng đài điện thoại các cuộc gọi đến một cách ngẫu nhiên. b) Không có một cuộc gọi nào trong 30 giây (biến cố B). Từ (2. 2. p) B (n1 . 2) Số khách hàng đến 1 điểm phục vụ.

18) . P{a < X < b} = P{a ≤ X ≤ b} = P{a < X ≤ b} = P{a ≤ X < b} = ∫ f ( x)dx . f ( x) F ( x) x x Tính chất của hàm mật độ a. (2.4: Hàm phân bố xác suất của biến ngẫu nhiên liên tục X có dạng 29 (2. (2. X1 + X 2 ~ P (λ 1 + λ 2 ) (2. BIẾN NGẪU NHIÊN LIÊN TỤC 2. Nếu tồn tại hàm f (x) sao cho với mọi x ∈  x F ( x) = ∫ f (t )dt (2. ∫ f ( x)dx = 1 . a Ví dụ 2.1. b. viết tắt PDF). Như vậy giá trị của hàm F (x) bằng diện tích hình phẳng giới hạn bởi đồ thị hàm mật độ f (x) .5: Giả sử X là một biến ngẫu nhiên liên tục có hàm phân bố F (x) . X 2 là hai biến ngẫu nhiên độc lập có phân bố Poisson tham số lần lượt λ1 .16) ∞ c. trục hoành và đường thẳng song song với trục tung có hoàng độ là x . λ 2 thì X 1 + X 2 cũng có phân bố Poisson tham số λ1 + λ2 . F ' ( x) = f ( x) tại các điểm x mà f (x) liên tục.15) f ( x) ≥ 0 với mọi x ∈  .3.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng Nếu X 1 .14) −∞ thì f ( x) được gọi là hàm mật độ của biến ngẫu nhiên X (probability density function.3.13) 2. (2.17) −∞ b d. Hàm mật độ phân bố xác suất của biến ngẫu nhiên liên tục Định nghĩa 2.

Xác suất để trong 4 phép thử độc lập biến ngẫu nhiên X đều không lấy giá trị trong khoảng (2. b. 3 2 6 . Hàm phân bố F ( x) . Hệ số k . Xác suất P{2 < X < 3} . Tìm hàm mật độ xác suất f (x) . d.12) ta có 1 = ∫ f ( x)dx = ∫ 2 dx = − lim ⎜ ⎜ ⎟ a → ∞ x 1 x −∞ ⎝ 1⎠ k b.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng ⎧0 ⎪ F ( x) = ⎨kx 2 ⎪1 ⎩ víi x ≤ 0 víi 0 < x ≤ 1 víi x > 1 a. c. Dựa vào tính chất (2. Vì hàm phân bố xác suất F ( x) liên tục. a. 3) .9) xác định hàm mật độ ta có víi x < 1 ⎧0 ⎪ F ( x) = ∫ f (t )dt = ⎨ x − 1 víi x ≥ 1 ⎪⎩ x −∞ x c. b. do đó tại x = 1 ⇒ 1 = F (1) = kx 2 x =1 =k. Giải: ∞ ∞ ⎛k a⎞ ⎟ = k . Giải: a. Từ công thức (2. từ đó k = 1 . Xác định hệ số k . b.10) của hàm mật độ xác suất ta có ⎧0 ⎪ f ( x) = ⎨2 x ⎪0 ⎩ víi x ≤ 0 víi 0 < x < 1 víi x ≥ 1 Ví dụ 2.5: Biến ngẫu nhiên liên tục X có hàm mật độ dạng víi x < 1 ⎧0 ⎪ f ( x) = ⎨ k ⎪ 2 ⎩x víi x ≥ 1 Hãy xác định: a. Từ công thức (2.13) ta có P{2 < X < 3} = F (3) − F (2) = 30 2 1 1 − = . Theo tính chất (2.

f ( x) F (x) 1 b−a O a x b x Đồ thị hàm mật độ của phân bố đều U(a. Quy luật phân bố đều U(a. b) F ( x) 1 b−a O a b Đồ thị của hàm phân bố đều U(a. b) 31 x . ⎝6⎠ 2. Xác suất để X không lấy giá trị trong khoảng (2.20) nÕu x > b Vậy X có khả năng nhận giá trị trong khoảng [a . b ] nếu hàm mật độ của nó xác định bởi: ⎧ 1 ⎪ f ( x) = ⎨ b − a ⎪⎩ 0 nÕu a ≤ x ≤ b (2.2.3) trong một phép thử bằng 1 − 4 ⎛5⎞ (2.3. 6 6 Vậy xác suất để trong 4 phép thử độc lập biến ngẫu nhiên X đều không lấy giá trị trong khoảng d. b ] là “đều nhau” và không nhận giá trị ngoài [a . b) Định nghĩa 2.3) bằng ⎜ ⎟ ≈ 0.19) nÕu ng−îc l¹i Hàm phân bố nÕu x < a ⎧ 0 ⎪x − a ⎪ F ( x) = ∫ f (t )dt = ⎨ ⎪b − a −∞ ⎪⎩ 1 x nÕu a ≤ x ≤ b (2.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng 1 5 = . b ] .48 .6: Biến ngẫu nhiên X được gọi là có phân bố đều trên [a .

25 = 1 − e −0.22) Phân bố mũ thường xuất hiện trong các bài toán về thời gian sống của một loài sinh vật. Xác suất để mạch điện tử bị hỏng trong thời gian bảo hành là: P { X ≤ 5} = 1 − e −5 λ = 1− e −5 6. Biến ngẫu nhiên X được gọi là không nhớ (memoryless) nếu P { X > x + t X > t} = P { X > x} ∀ x. Điều đó dẫn đến việc quan niệm tham số cần ước lượng như một biến ngẫu nhiên có quy luật phân bố đều. Ví dụ 2.24) với điều kiện G ( x) = 1. Vì vậy phân bố mũ còn được gọi là phân bố Markov. 449 = 0. Thời gian λ bảo hành là 5 năm. tuổi thọ của thiết bị… hoặc khoảng thời gian giữa hai lần xuất hiện của một biến cố E nào đó mà số lần xuất hiện của E tuân theo luật phân bố Poisson.21) Hàm phân bố x F ( x) = ⎧⎪ 0 f t dt = ( ) ⎨ ∫ ⎪⎩1 − e −λx −∞ nÕu x ≤ 0 nÕu x > 0 (2. 32 .25 (năm). Hỏi có bao nhiêu phần trăm mạch điện tử bán ra phải thay thế trong thời gian bảo hành. t > 0 (2.23) có thể viết lại G ( x + t ) = G ( x)G (t ) (2.3. đặt G ( x) = P{X > x} = 1 − F ( x) .551 . Giả sử tuổi thọ trung bình của mạch điện tử này là = 6. t > 0 P{X > x + t} = P{X > x}P{X > t} ∀ x.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng Quy luật phân bố đều có nhiều ứng dụng trong thống kê toán như mô phỏng thống kê.8 = 1 − 0. Điều kiện (2. đặc biệt trong phương pháp phi tham số.23) Gọi F ( x) là hàm phân bố của X .7: Biến ngẫu nhiên X được gọi là có phân bố mũ tham số λ > 0 nếu có hàm mật độ: ⎧⎪λe −λx f ( x) = ⎨ ⎪⎩ 0 nÕu x > 0 nÕu x ≤ 0 (2.5: Tuổi thọ của một mạch điện tử trong máy tính là một biến ngẫu nhiên có phân bố 1 mũ tham số λ > 0 .24) Giải phương trình (2.3. Trong một số lý thuyết kết luận thống kê người ta thường xuất phát từ quy tắc sau đây: Nếu ta không biết gì về giá trị của tham số cần ước lượng thì mỗi giá trị có thể có của tham số đó là đồng khả năng. Vậy có khoảng 55% số mạch điện tử bán ra phải thay thế trong thời gian bảo hành. Giải: Gọi X là tuổi thọ của mạch điện tử. ∀x < 0 và G (+∞) = 0 ta được G ( x) = e − λx . Vậy biến ngẫu nhiên X không nhớ khi và chỉ khi X có phân bố mũ. Phân bố mũ Định nghĩa 2. 2.

còn khi μ giảm đồ thị dịch sang trái. năng suất cây trồng.5. Có 2 điểm uốn tại x = μ ± σ . 2. 2.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng 2.3. σ 2 ) 2. mức lãi suất của một công ty. nhu cầu tiêu thụ của một mặt hàng nào đó . 33 1 σ 2π . Định nghĩa Định nghĩa 2.8: Biến ngẫu nhiên X có phân bố Erlang − k tham số λ > 0 nếu hàm mật độ có dạng: ⎧ λk x k −1e λx ⎪ f ( x) = ⎨ (k − 1)! ⎪ 0 ⎩ nÕu x > 0 (2. chiều cao của một nhóm người nào đó. Tính chất đồ thị của hàm mật độ của quy luật chuẩn Từ công thức xác định hàm mật độ (2. nhiều biến ngẫu nhiên tuân theo quy luật chuẩn hoặc tiệm cận chuẩn (Định lý giới hạn trung tâm).3. . Trong thực tế. ký hiệu X ~ N (μ .5.. ∀ x ∈ (2. . - Đạt cực đại tại x = μ và có giá trị cực đại bằng - Do đó khi μ tăng lên thì đồ thị dịch sang phải. Chẳng hạn: trọng lượng. nếu hàm mật độ có dạng 1 f ( x) = e σ 2π − ( x − μ )2 2σ 2 . - Tiệm cận với trục hoành khi x → ±∞ .. . điểm thi của thí sinh.3. X 2 .26) Phân bố chuẩn được Gauss tìm ra năm 1809 nên nó còn được gọi là phân bố Gauss. Quy luật chuẩn N(μ . Quy luật phân bố Erlang − k Định nghĩa 2. σ 2 ) .. còn khi σ giảm đồ thị cao lên và nhọn hơn.3. - Diện tích giới hạn bởi đồ thị và trục hoành bằng 1... Phân bố chuẩn thường được thấy trong các bài toán về sai số gặp phải khi đo đạc các đại lượng vật lý.. σ 2 ) .5.1. - Khi σ tăng lên thì đồ thị sẽ thấp xuống.9: Biến ngẫu nhiên liên tục X có phân bố chuẩn N (μ .25) nÕu x ≤ 0 Có thể chứng minh được rằng nếu X 1 . X k là k biến ngẫu nhiên độc lập cùng có phân bố mũ tham số λ > 0 thì X = X 1 + X 2 + + X k có phân bố Erlang − k tham số λ . thiên văn .2.4.26) ta suy ra các tính chất sau của đồ thị: - Nhận trục x = μ làm trục đối xứng.

X 2 là hai biến ngẫu nhiên độc lập có phân bố chuẩn X 1 ~ N (μ1 .3.5. σ12 + σ 22 ) (2. σ12 ) và X 2 ~ N (μ 2 . Đồ thị của hàm mật độ ϕ (x) 34 (2. X 2 cũng có phân bố chuẩn. ∀ x ∈ −∞ Có bảng tính sẵn các giá trị của ϕ ( x) và Φ ( x) (xem Phụ lục I và Phụ lục II). ∀ x ∈ (2.1) x 1 Φ ( x) = ∫ ϕ (t )dt = 2π −∞ x ∫ −t 2 e 2 dt . đặc biệt X 1 + X 2 ~ N (μ1 + μ 2 .29) .27) 2. σ 22 ) thì tổ hợp tuyến tính bất kỳ của X 1 .1) với kỳ vọng bằng 0. phương sai bằng 1 gọi là phân bố chuẩn tắc.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng y σ <1 σ =1 σ >1 x=μ O x Nếu X 1 .1) 1 2π ϕ ( x) = − x2 e 2 .3. Hàm mật độ của N (0 . Phân bố chuẩn tắc Phân bố chuẩn N (0 .28) Hàm phân bố của N (0 .

σ 2 ) thì X −μ ~ N (0 .33)’ (2.1) thì ∀ a > 0. P { X > a} = 2 (1 − Φ (a) ) .33) Từ đó ta có ⎧ X − μ x − μ⎫ ⎛ x−μ⎞ < F ( x) = P{X < x} = P ⎨ ⎟. Φ ( − x) = 1 − Φ ( x) .1) thì ⎧⎪ ⎫⎪ ⎧⎪ ⎫⎪ P { X > Uα } = α .32) Người ta chứng minh được: Nếu X ~ N (μ . σ 2 ) và kỳ vọng của nó được tính theo công thức ⎛ε P { X − μ < ε } = 2Φ ⎜ ⎝σ 35 ⎞ ⎟ −1 ⎠ (2.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng y 1 2π Φ(−a) 1 − Φ(a) O −a a x Các tính chất của hàm phân bố Φ (x) 1) Φ ( x) + Φ ( − x ) = 1 .33)” Xác suất của sự sai lệch giữa biến ngẫu nhiên có quy luật chuẩn X ~ N (μ .10: Giá trị U α gọi là giá trị tới hạn của phân bố chuẩn tắc mức α nếu Φ −1 (1 − α) = U α . P ⎨ X > U α ⎬ = α . ⎟ − Φ⎜ ⎬ = Φ⎜ σ ⎭ σ ⎝ σ ⎠ ⎩ σ ⎝ σ ⎠ (2. 2⎪ 2⎪ ⎩⎪ ⎭ ⎩⎪ ⎭ (2. P ⎨ X < U α ⎬ = 1 − α .34) . P { X < a} = 2Φ (a) − 1.30) Định nghĩa 2. σ (2. 2) Nếu X ~ N (0 .31) Nếu X ~ N (0 . ⎬ = Φ⎜ σ ⎭ ⎩ σ ⎝ σ ⎠ ⎛a−μ⎞ ⎧a − μ X − μ b − μ⎫ ⎛b−μ⎞ < < P{a < X < b} = P ⎨ ⎟. (2.1) . (2.

0668 .4.5. 200 ⎠ ⎝ b) Áp dụng công thức (3. Vậy P {μ − 2σ < X < μ + 2σ } = 0. μ = 2100.97 = Φ (1. Hãy tìm: a) P{X > 2400}.36) Hai công thức trên là cơ sở của quy tắc hai xích ma và ba xích ma: Nếu X có phân bố chuẩn N (μ . ký hiệu X ~ χ 2n nếu hàm mật độ có dạng x ⎧ x n / 2 −1 − 2 ⎪ e f ( x) = ⎨ 2 n / 2 Γ(n / 2) ⎪ 0 ⎩ 36 nÕu x > 0 nÕu x ≤ 0 (2.37) .35) Tương tự thay ε = 3σ ta được P {μ − 3σ < X < μ + 3σ } = 0.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng Ví dụ 3.4: Giả sử X ~ N (μ . σ = 200 .03 .9544 .23): ⎛ 1700 − 2100 ⎞ ⎛ 2200 − 2100 ⎞ P{1700 < X < 2200} = Φ⎜ ⎟ = Φ(0.03 ⇒ Φ⎜ ⎝ 200 ⎠ ⎝ 200 ⎠ Tra bảng ta được 0. 200 2. Quy luật khi bình phương Định nghĩa 2.5) − Φ( −2) = 0.11: Biến ngẫu nhiên liên tục X có phân bố “khi bình phương” n bậc tự do.6.9973 (2. μ + 3σ ) .9332 = 0.27) ta đặt ε = 2σ tức là bằng hai lần độ lệch chuẩn của X thì P { X − μ < 2σ } = 2Φ ( 2 ) − 1 = 0.881) ⇒ a − 2100 = 1. σ 2 ) thì có đến 95. b) P{1700 < X < 2200}.5) = 1 − 0.3. 2.97 ⎟ = 0. Giải: ⎛ 2400 − 2100 ⎞ a) P{X > 2400} = 1 − Φ⎜ ⎟ = 1 − Φ (1. σ 2 ) .3.44% giá trị của X nằm trong khoảng ( μ − 2σ .9544 (2.6688 ⎟ − Φ⎜ 200 200 ⎠ ⎝ ⎠ ⎝ ⎛ a − 2100 ⎞ ⎛ a − 2100 ⎞ c) P{X > a} = 1 − Φ⎜ ⎟ = 0. Quy tắc hai xích ma và ba xích ma Nếu trong công thức (3. μ + 2σ ) và hầu như toàn bộ giá trị của X nằm trong khoảng ( μ − 3σ .2 .881 ⇒ a = 2476. c) Xác định a để P{X > a} = 0.

được định nghĩa như sau: { } P χ 2 > χ α2 (n) = α .41) . . ký hiệu T ~ T(n) . ký hiệu χ α (n) . nếu hàm mật độ có dạng: −( n +1) ⎛ n + 1⎞ Γ⎜ ⎟ ⎛ 2⎞ 2 2 ⎠ ⎜ t ⎟ f (t ) = ⎝ 1+ . X n là các biến ngẫu nhiên độc lập có cùng phân bố chuẩn tắc N (0.34) suy ra rằng nếu X 1 . . Từ (3. n ⎟⎠ nπΓ(n / 2 ) ⎜⎝ 37 (2.3.38) Phân bố χ 2 do Karl Pearson đưa ra vào năm 1900. X 2 .7. −∞ < t < ∞. (2. Quy luật student T(n) Định nghĩa 2. X 2 là hai biến ngẫu nhiên độc lập có phân bố khi bình phương lần lượt n1 và n2 bậc tự do thì X1 + X 2 là biến ngẫu nhiên có phân bố khi bình phương n1 + n2 bậc tự do X 1 + X 2 ~ χ 2n1 + n2 (2.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng +∞ trong đó Γ( x) = ∫t x −1 −t e dt là hàm Gamma.. 0 Có thể chứng minh được rằng nếu X 1 .39) y α O χ α2 (n) x 2 Giá trị tới hạn khi bình phương n bậc tự do mức α . Bảng các giá trị tới hạn χ α 2..40) 2 (n) được tính sẵn trong bảng ở Phụ lục III.1) thì n ∑ X i2 = X 12 + X 22 + i =1 + X n2 ~ χ 2n (2.12: Biến ngẫu nhiên liên tục T có phân bố Student n bậc tự do.

Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng
trong đó Γ(x) là hàm Gamma.
Người ta chứng minh được rằng nếu Z ~ N (0 ;1) , V ~ χ 2n ; Z và V độc lập thì

T=

Z
V n

~ T( n )

(2.42)

Giá trị tới hạn mức α của phân bố Student n bậc tự do ký hiệu t n (α) thỏa mãn:

P{T > t α (n)} = α .

(2.43)

Bảng tính các giá trị tới hạn t α (n) cho trong Phụ lục IV.
Hàm mật độ (3.38) là hàm chẵn nên đồ thị đối xứng qua trục tung. Khi số bậc tự do tăng
lên, phân bố Student hội tụ rất nhanh về phân bố chuẩn tắc N (0;1) . Do đó khi n đủ lớn ( n ≥ 30 )
có thể dùng phân bố chuẩn tắc thay cho phân bố Student. Tuy nhiên khi n nhỏ ( n < 30 ) việc thay
thế như trên sẽ gặp sai số lớn.

f (t )

α

α

t α −1 (n)

O

t α (n)

t

2.4. CÁC THAM SỐ ĐẶC TRƯNG CỦA BIẾN NGẪU NHIÊN
2.4.1. Kỳ vọng toán
2.4.1.1. Định nghĩa
Kỳ vọng hoặc giá trị trung bình (average, mean value, expected value) của biến ngẫu nhiên
X ký hiệu là EX và được xác định như sau:
(i) Nếu X rời rạc nhận các giá trị xi với xác suất tương ứng pi = P{X = xi } thì

E X = ∑ xi p i
i

(ii) Nếu X liên tục có hàm mật độ f ( x) thì

38

(2.44)

Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng

EX =

∫ xf ( x)dx

(2.45)

−∞

Kỳ vọng E X tồn tại nếu chuỗi (2.44) (trường hợp rời rạc) hội tụ tuyệt đối hoặc tích phân
(2.45) (trường hợp liên tục) hội tụ tuyệt đối.
Ví dụ 2.6: Tính kỳ vọng của biến ngẫu nhiên X cho ở ví dụ 2.3.
Giải: E X = 0 ×

1 6
9
15
5
+ 1× + 2 × + 3 ×
= .
30 5
30
30
30

Ví dụ 2.7: Theo thống kê việc một người Mỹ 25 tuổi sẽ sống thêm trên một năm có xác suất
là 0,992, còn xác suất để người đó chết trong vòng một năm tới là 0,008. Một chương trình bảo
hiểm đề nghị người đó bảo hiểm sinh mạng cho 1 năm với số tiền chi trả 1000 đô la, còn tiền
đóng là 10 đô la. Hỏi lợi nhuận của công ty bảo hiểm nhận được là bao nhiêu?
Giải: Rõ ràng lợi nhuận là biến ngẫu nhiên X với 2 giá trị là + 10 đô la (nếu người bảo
hiểm không chết) và − 990 đô la (nếu người đó chết). Bảng phân bố xác suất tương ứng.

X

− 990

+ 10

P

0,008 0,992

Do đó kỳ vọng E X = (−990) ⋅ 0,008 + 10 ⋅ 0,992 = 2 . Ta thấy lợi nhuận trung bình là một
số dương vì vậy công ty bảo hiểm có thể làm ăn có lãi.
Ví dụ 2.8: Tuổi thọ của một loại côn trùng nào đó là một biến ngẫu nhiên X (đơn vị là
tháng) với hàm mật độ như sau:

⎧⎪kx 2 (4 − x) nÕu 0 ≤ x ≤ 4
f ( x) = ⎨
⎪⎩ 0
nÕu ng−îc l¹i
Tìm hàm phân bố và tìm tuổi thọ trung bình của loài côn trùng trên.
4

Giải: Vì

∫x

2

(4 − x)dx =

0

64
3
⇒ k=
. Hàm phân bố xác suất
3
64

0


x
⎪ 3x 3 ⎛ 4 x ⎞
F ( x) = ∫ f (t )dt = ⎨
⎜ − ⎟
64
⎝3 4⎠

−∞

1

nÕu

x≤0

nÕu 0 < x ≤ 4
nÕu

x>4

4
3
3 ⎛⎜ 4 x 5 ⎞⎟
3
(
4
)
Tuổi thọ trung bình E X =
x
x
dx
x −

=
64 ∫0
64 ⎜⎝
5 ⎟⎠

4

=
0

12
(tháng).
5

2.4.1.2. Ý nghĩa của kỳ vọng
Kỳ vọng mang ý nghĩa là giá trị trung bình mà biến ngẫu nhiên nhận được. Giả sử biến
ngẫu nhiên X nhận các giá trị x1 , x 2 , ... , x m với các tần số tương ứng r1 , r2 , ... , rm .

39

Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng

ri xi là tổng giá trị X nhận được với cùng giá trị xi . Do đó r1 x1 + r2 x 2 +
tổng tất cả các giá trị X nhận được.
đó r1 + r2 +

r1 x1 + r2 x 2 +
n

+ rm x m

+ rm x m là

là giá trị trung bình của X , trong

+ rm = n .

ri
được gọi là tần suất nhận giá trị xi của X . Trong trường hợp tổng quát thì tần
n
suất f i được thay bằng xác suất pi .
fi =

Trường hợp biến ngẫu nhiên liên tục phép tính tổng của giá trị trung bình được thay bằng
phép tính tích phân xác định.
Khái niệm kỳ vọng được áp dụng rộng rãi trong nhiều lĩnh vực. Trong kinh doanh và quản
lý, kỳ vọng được ứng dụng dưới dạng lợi nhuận kỳ vọng hay doanh số kỳ vọng.
2.4.1.3. Tính chất
1) E (C ) = C với mọi hằng số C.
2) E (CX ) = CE ( X ) với mọi hằng số C.

(2.46)

3) E ( X 1 +

(2.47)

+ X n ) = E (X1 ) +

+ E (X n )

4) Cho hàm số ϕ (x) , xét biến ngẫu nhiên Y = ϕ ( X ) thì

{

}

⎧ ∑ ϕ( xi ) pi nÕu X rêi r¹c cã pi = P X = xi
⎪ i

EY = ⎨ ∞
⎪ ϕ(x)f(x)dx nÕu X liª n tôc cã hµm mËt đé f ( x)
⎪⎩ −∫∞

(2.48)

Đặc biệt ta có các đẳng thức sau nếu tổng hoặc tích phân sau tương ứng hội tụ:

⎧ ∑ xi2 pi nÕu X rêi r¹c
⎪ i

2
EX =⎨ ∞
⎪ x 2 f(x)dx nÕu X liª n tôc cã hµm mËt đé

⎪⎩ −∞

(2.49)
f ( x)

5) Giả sử ϕ ( x, y ) là hàm hai biến sao cho ϕ ( X , Y ) còn là biến ngẫu nhiên, khi đó:

{

}

⎧ ∑ ϕ( xi , y j ) pij nÕu X rêi r¹c cã pij = P X = xi , Y = y j
⎪ i, j

E ϕ( X , Y ) = ⎨ ∞ ∞

ϕ(x, y)f(x, y)dxdy nÕu ( X , Y ) liª n tôc cã hµm mËt đé f ( x, y )
⎪ −∫∞ −∫∞

6) Nếu X 1 , ... , X n độc lập thì E ( X 1

X n ) = E (X1 )

E (X n ).

Ví dụ 2.10: Chọn ngẫu nhiên 3 bi từ một túi có 6 bi đen, 4 bi trắng.

40

(2.50)

(2.51)

Các biến ngẫu nhiên X i đều có bảng phân bố xác suất như sau Xi P Do đó E X i = 1 2 3 4 5 6 1/ 6 1/ 6 1/ 6 1/ 6 1/ 6 1/ 6 1 (1 + 2 + 3 + 4 + 5 + 6) = 7 6 2 ⇒ EX = 7 n. Giải: Gọi X i (i = 1. Gọi Y là số tiền nhận được. 5 Ví dụ 2.52) σ X = DX được gọi là độ lệch tiêu chuẩn (deviation) của X .4. Tìm kỳ vọng của tổng số nốt thu được. Giải: a) Gọi X là số bi trắng trong 3 bi vừa chọn (xem ví dụ 2.1.3) thì Y = ϕ( X ) = 200 X là một biến ngẫu nhiên rời rạc có bảng phân bố sau: Y = ϕ( X ) P EY = 0 × 0 200 400 600 5 / 30 15 / 30 9 / 30 1 / 30 5 15 9 1 + 200 × + 400 × + 600 × = 240 = 200E X .11: Tung con xúc xắc n lần.5) ta có E X = ∑ E X i . Phương sai 2.2. Phương sai của X được ký hiệu là DX hay var X và định nghĩa như sau: DX = E ( X − E X ) 2 (2. n) là số nốt thu được ở lần tung thứ i ..52) và áp dụng các tính chất của kỳ vọng ta có thể tính phương sai theo công thức sau: 41 . 2 2.4. Tính kỳ vọng của Z . . Như vậy X = ∑ X i . Định nghĩa Phương sai (variance) hay độ lệch bình phương trung bình của biến ngẫu nhiên X là đại lượng đo sự phân tán bình phương trung bình của X xung quanh giá trị trung bình EX . Tính kỳ vọng của Y . Khai triển vế phải công thức (2. Theo công thức (3.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng a) Nếu chọn được 1 bi trắng sẽ được thưởng 200$. b) Nếu chọn được 1 bi trắng sẽ được thưởng 200$ và chọn được 1 bi đen sẽ được thưởng 300$. . Gọi Z là số tiền nhận được.2. gọi X là tổng số nốt thu n n i =1 i =1 được trong n lần tung.. 30 30 30 30 b) Z = 200 X + 300(3 − X ) = 900 − 100 X ⇒ E Z = E (900 − 100 X ) = 900 − 100EX = 900 − 100 × 6 = 780$ .

5 ⎝5⎠ 25 5 Phương sai của biến ngẫu nhiên X là độ lệch bình phương trung bình quanh giá trị trung bình E X .. Giải: E X 2 4 3 3 ⎛⎜ 4 x 5 x 6 ⎞⎟ 4 x (4 − x)dx = = − 64 ∫0 64 ⎜⎝ 5 6 ⎟⎠ ⇒ DX = EX 2 − (EX )2 = 4 = 0 32 5 2 32 ⎛ 12 ⎞ 16 4 −⎜ ⎟ = ⇒ σX = . Ví dụ 2.57) + a 2n D ( X n ) .08 . Nếu X rời rạc nhận các giá trị với xác suất tương ứng pi = P{X = xi } thì D X = ∑ ( xi − E X )2 pi = ∑ xi2 pi − (E X )2 i (2.13: Tính phương sai của biến ngẫu nhiên xét trong ví dụ 2.54) i (ii). nhưng ví dụ 2. 3) D(aX + b) = a 2 D( X ) với mọi hằng số a.56) + an X n ) = a12 D ( X1 ) + 42 (2. X n độc lập có các phương sai hữu hạn thì D ( a1 X1 + (2. 2. .55) −∞ Ví dụ 2. (2.. b .53) Theo công thức (2.7. Giải: E X 2 = (−990) 2 ⋅ 0. Trong kỹ thuật phương sai đặc trưng cho mức độ phân tán của các chi tiết gia công hay sai số của thiết bị. .8. 008 + 102 ⋅ 0. Ví dụ 2.992 = 7940 ⇒ DX = EX 2 − ( EX ) = 7940 − 4 = 7936 ⇒ σ X = DX = 7936 ≈ 89.2.58) .49) thì phương sai có thể tính theo công thức sau: (i).Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng DX = E X 2 − ( E X ) 2 (2.8 cho thấy đầu tư bảo hiểm cho những người 25 tuổi là có lãi. 2 Điều này nói lên rằng mặc dù kinh doanh bảo hiểm có lãi nhưng rủi ro khá lớn. 4) Nếu X 1 .2.12: Tính phương sai của biến ngẫu nhiên xét trong ví dụ 2. Trong quản lý và kinh doanh thì phương sai đặc trưng cho mức độ rủi ro của các quyết định. 2) D(aX ) = a 2 D( X ) với mọi hằng số a .4. Nếu X liên tục có hàm mật độ f (x) thì ∞ DX = ∫ (x − E X ) 2 ∞ f ( x)dx = −∞ ∫x 2 f ( x)dx − (E X )2 (2. Tính chất 1) D(a) = 0 với mọi hằng số a .12 cho thấy rủi ro của bảo hiểm rất lớn.

11. ký hiệu MedX . n Giải: Xét X = ∑ X i ở ví dụ 2. Vậy DX = n . . ∀ m ∈ [xi .. Phân vị Phân vị mức α của biến ngẫu nhiên X có hàm phân bố F (x) là giá trị vα thỏa mãn P{X < vα } ≤ α ≤ P{X ≤ vα } F (vα ) ≤ α ≤ F (vα + 0) Hay • (2. Phân vị. 43 . Trung vị Phân vị mức 1/2 được gọi là median hay trung vị của X .1. n) độc lập nhau.. Như vậy trung vị là điểm phân chia phân bố xác suất thành hai phần bằng nhau.15: Tung con xúc xắc n lần độc lập nhau.3.60) đặt Pi = p1 + nÕu Pi = α < Pi +1 nÕu Pi < α < Pi +1 + pi thì (2.2. do đó theo công i =1 n thức (2. .4.58) ta có DX = ∑ DX i . 2. DY hữu hạn thì D ( X ± Y ) = DX + DY . E X i2 = 12 + 2 2 + 3 2 + 4 2 + 5 2 + 6 2 = .61) 2.4.59) Nếu F (x) liên tục tăng chặt thì phân vị vα là nghiệm duy nhất của phương trình F (x) = α . Y độc lập và DX . Trung vị 2.4. Tìm phương sai của tổng số nốt xuất hiện.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng Nói riêng: Nếu X .4. nghĩa là vα = F −1 (α ) • Nếu X rời rạc có phân bố: X P x1 p1 x2 … p2 … ⎧ m. xi +1 ] vα = ⎨ ⎩ xi +1 (2.3.3. Ví dụ 2. Vì các X i (i = 1. Mốt Mốt (Mode) của biến ngẫu nhiên X là giá trị mà biến ngẫu nhiên X nhận với xác suất lớn nhất.4. i =1 Mặt khác E X i = Do đó DX i = ( ) 7 1 91 . 2 6 6 91 7 2 35 35 − 2 = . 6 2 12 12 2.

18: Tìm MedX và ModX của biến ngẫu nhiên liên tục X xét trong ví dụ 2.73 ⎪ 0. p 2 . (2..18 0.3 ⎪ ⎪⎪ 0..62) Nếu X liên tục có hàm mật độ f ( x) c = Mod X ⇔ f (c) = max{ f ( x) .3 có Mốt và trung vị ModX = MedX = 1 .63) Ví dụ 2.17: Tìm trung vị và Mốt của biến ngẫu nhiên rời rạc có bảng phân bố xác suất X 20 21 22 23 24 P 0.13 Giải: Dễ thấy rằng ModX = 20 . .4 Giải: MedX là nghiệm của phương trình F ( x) = x 2 = ⎧0 ⎪ Hàm mật độ f ( x) = ⎨2 x ⎪0 ⎩ 1 1 ⇒ MedX = . Ví dụ 2.16: Biến ngẫu nhiên X ở ví dụ 2. 2 2 víi x ≤ 0 víi 0 < x ≤ 1 đạt cực đại tại x = 1 . x ∈ }.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng • X P Nếu X rời rạc có phân bố: x1 p1 xi0 = Mod X ⇔ • x2 … p2 … thì pi0 = max{p1 .3 0. Hàm phân bố xác suất của X ⎧0 ⎪ 0.} (2. vậy ModX = 1 .25 0. Ví dụ 2.19: Tìm MedX và ModX của biến ngẫu nhiên liên tục X có hàm mật độ xác định như sau ⎧3 ⎪ x(2 − x ) f ( x) = ⎨ 4 ⎪⎩ 0 Giải: Hàm phân bố xác suất 44 víi 0 ≤ x ≤ 2 nÕu tr¸i l¹i . víi x > 1 Ví dụ 2.87 ⎪ ⎪⎩ 1 nÕu x ≤ 20 nÕu 20 < x ≤ 21 nÕu 21 < x ≤ 22 nÕu 22 < x ≤ 23 nÕu 23 < x ≤ 24 nÕu x > 24 Từ đó suy ra MedX = 21 .55 F ( x) = ⎨ ⎪ 0.14 0.

Moment. đổi dấu từ dương 2. k = 1. μ1 = 0 .Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng víi x ≤ 0 ⎧ 0 ⎪ x3 ⎞ ⎪3 ⎛ F ( x) = ⎨ ⎜ x 2 − ⎟ víi 0 < x ≤ 2 ⎜ 3 ⎟⎠ ⎪4 ⎝ ⎪ 1 víi x > 2 ⎩ ⎧⎪ x 3 − 3x 2 + 2 = 0 1 . α 4 > 3 thì đồ thị hàm mật độ sẽ nhọn hơn so với đồ thị hàm mật độ chuẩn. 2. α 3 = 0 thì phân bố xác suất và đồ thị của hàm mật độ đối xứng. Từ đó MedX = 1 . 45 . ƒ Khi phân bố của X đối xứng hoặc gần đối xứng thì dùng kỳ vọng để định vị là tốt nhất. hệ số bất đối xứng. α 3 > 0 thì phân bố xác suất và đồ thị của hàm mật độ sẽ lệch về bên phải hơn. (2. (2. .65) 3) Hệ số bất đối xứng α3 = 4) Hệ số nhọn α4 = μ3 σ3 μ4 σ4 với σ = DX . k = 1. do đó đạt cực đại tại điểm này..4... μ 2 = DX . hệ số nhọn 1) Moment cấp k mk = EX k . 2. α 4 < 3 thì đồ thị hàm mật độ sẽ tù hơn so với đồ thị hàm mật độ chuẩn.67) Nhận xét: ƒ m1 = EX .. Vậy ModX = 1 .5. ⇔⎨ 2 ⎪⎩0 < x ≤ 2 MedX là nghiệm của phương trình F ( x) = ⎧3 ⎪ (1 − x ) víi 0 < x < 2 Hàm mật độ f (x) có đạo hàm f ' ( x) = ⎨ 2 ⎪⎩ 0 nÕu tr¸i l¹i sang âm khi đi qua x = 1 . song nếu phân bố của X quá lệch thì nên dùng Median và Mode để định vị. ƒ Hệ số nhọn α 4 đặc trưng cho độ nhọn của đồ thị hàm mật độ so với đồ thị hàm mật độ của phân bố chuẩn.64) 2) Moment quy tâm cấp k μ k = E ( X − EX )k . ƒ α 3 đo mức độ bất đối xứng của luật phân bố : Nếu α 3 < 0 thì phân bố xác suất và đồ thị của hàm mật độ sẽ lệch về bên trái hơn. (2. Với biến ngẫu nhiên có phân bố chuẩn thì α 4 = 3 . (2.66) . .

p) EX = np DX = npq Poisson X ~ P (λ ) EX = λ DX = λ Đều X ~ U(a. HÀM ĐẶC TRƯNG 2. 3) ϕ X (t ) xác định không âm. Tính chất 1) Hàm đặc trưng là biến đổi Fourier ngược của hàm mật độ ϕ X (t ) = F −1{ f X ( x)}. i là đơn vị ảo thỏa mãn i 2 = −1 . (2. ϕ X (t ) = E e itX (2. Định nghĩa Hàm đặc trưng biến ngẫu nhiên X ký hiệu là ϕ X (t ) và được định nghĩa bởi biểu thức: ∞ ( ) = ∫ eitx f X ( x)dx .5.2.70) 6) Nếu hàm đặc trưng ϕ X (t ) có biến đổi Fourier (khả tích tuyệt đối và thỏa mãn điều kiện Dirichlet) thì hàm mật độ được tính theo công thức: 1 f X ( x) = 2π ∞ ∫e −itx ϕ X (t )dt . X n độc lập khi và chỉ khi ϕ X1 + X 2 + + X n (t ) = ϕ X1 (t ) ϕ X n (t ) . (2. 2) ϕ X (t ) ≤ ϕ X (0) = 1 .71) −∞ 2. b) X có phân bố mũ tham số λ > 0 EX = a+b 2 EX = DX = 1 λ it ) −1 (b − a ) 2 12 e ibt − e iat it (b − a) 1 λ λ − it DX = 46 e λ (e 2 λ . .5.68) −∞ trong đó f X (x) hàm mật độ của biến ngẫu nhiên X .. (2. 4) Nếu biến ngẫu nhiên X có môment cấp k thì ϕ X (t ) có đạo hàm đến cấp k và [ ] E Xk = 1 i k ) ϕ (k X (0) .1.5.. Vì vậy hàm đặc trưng có các tính chất như biến đổi Fourier. .3. X 2 .5. Các đặc trưng của các quy luật phân bố xác suất thường gặp Quy luật xác suất Kỳ vọng Phương sai Hàm đặc trưng (peit + q )n Nhị thức X ~ B (n .Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng 2.69) 5) Các biến ngẫu nhiên X 1 . 2.

x 2 .Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng Chuẩn X ~ N( μ . σ 2 ) EX = μ DX = σ 2 Erlang-k X ~ E k (λ ) k EX = λ DX = 1 iμt − σ2t 2 2 e k λk λ2 (λ − it )k TÓM TẮT Biến ngẫu nhiên Biến ngẫu nhiên X là đại lượng nhận các giá trị nào đó phụ thuộc vào các yếu tố ngẫu nhiên. nghĩa là với mọi giá trị thực x ∈  thì {X < x} là một biến cố ngẫu nhiên. với xác suất tương ứng pi = P{X = xi } .. F ( x) = ∫ f (t )dt . Người ta phân các biến ngẫu nhiên thành hai loại: ™ Biến ngẫu nhiên rời rạc nếu nó chỉ nhận một số hữu hạn hoặc vô hạn đếm được các giá trị. ... − ∞ < x < ∞ . . Nghĩa là có thể liệt kê các giá trị thành một dãy x1 . Hàm mật độ của biến x ngẫu nhiên X là hàm f (x) sao cho với mọi x ∈  . x 2 . Bảng phân bố xác suất của X có dạng sau: i X P x1 p1 x2 p2 Hàm mật độ phân bố xác suất của biến ngẫu nhiên liên tục Giả sử X là một biến ngẫu nhiên liên tục có hàm phân bố F ( x) . pi > 0 và ∑ pi = 1 .. Hàm phân bố xác suất Hàm phân bố xác suất của biến ngẫu nhiên X là hàm số F ( x) xác định với mọi x ∈  bởi công thức: F ( x) = P{X < x}. . Bảng phân bố xác suất của biến ngẫu nhiên rời rạc Giả sử biến ngẫu nhiên X chỉ nhận các giá trị x1 . −∞ Kỳ vọng Kỳ vọng hoặc giá trị trung bình của biến ngẫu nhiên X ký hiệu là EX và được xác định như sau: ƒ Nếu X rời rạc nhận các giá trị xi với xác suất tương ứng pi = P{X = xi } thì E X = ∑ xi p i i 47 . ™ Biến ngẫu nhiên liên tục nếu các giá trị của nó có thể lấp đầy một hoặc một số các khoảng hữu hạn hoặc vô hạn và xác suất P{X = a} bằng không với mọi a.

p 2 . 48 . ký hiệu MedX . Moment. ƒ Hệ số bất đối xứng α3 = ƒ Hệ số nhọn α4 = ƒ Hệ số bất đối xứng α 3 đo mức độ bất đối xứng của luật phân bố.. . ƒ Moment quy tâm cấp k μ k = E ( X − EX )k .. ƒ Hệ số nhọn α 4 cho phép bổ sung thêm thông tin về phương sai của phân bố. . 2... Mốt Mốt (Mode) của biến ngẫu nhiên X là giá trị mà biến ngẫu nhiên X nhận với xác suất lớn nhất.. 2. hệ số bất đối xứng. Phân vị Phân vị mức α của biến ngẫu nhiên X có hàm phân bố F (x) là giá trị vα thỏa mãn P{X < vα } ≤ α ≤ P{X ≤ vα } hay F (vα ) ≤ α ≤ F (vα + 0) Trung vị Phân vị mức 1/2 được gọi là median hay trung vị của X .. Phương sai của X được ký hiệu là DX hay var X và định nghĩa như sau: DX = E ( X − E X ) . . 2 Độ lệch tiêu chuẩn σ X = DX được gọi là độ lệch tiêu chuẩn của X . k = 1. ƒ Nếu X rời rạc có phân bố: X P x2 … p2 … x1 p1 thì xi0 = Mod X ⇔ pi0 = max{p1 . hệ số nhọn ƒ Moment cấp k mk = EX k . −∞ Phương sai Phương sai hay độ lệch bình phương trung bình của biến ngẫu nhiên X là đại lượng đo sự phân tán bình phương trung bình của X xung quanh giá trị trung bình EX . Như vậy trung vị là điểm phân chia phân bố xác suất thành hai phần bằng nhau.} ƒ Nếu X liên tục có hàm mật độ f (x) thì c = Mod X ⇔ f (c) = max{ f ( x) . . μ3 σ3 μ4 σ4 với σ = DX . x ∈ } . k = 1.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng ∞ ƒ Nếu X liên tục có hàm mật độ f (x) thì E X = ∫ xf ( x)dx .

2. Đúng Sai . Đúng Sai . Đúng Sai . 2.9 Hàm mật độ f (x) của biến ngẫu nhiên liên tục có tính chất f ( x) ≥ 0 . Đúng Sai .10 Tổng của hai biến ngẫu nhiên phân bố theo quy luật nhị thức bất kỳ luôn luôn là một biến ngẫu nhiên phân bố theo quy luật nhị thức. phương sai và mốt của X đều bằng λ .4 Kỳ vọng của biến ngẫu nhiên rời rạc là giá trị nó lấy thường xuyên nhất.1 Biến ngẫu nhiên luôn luôn nhận giá trị dương.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng CÂU HỎI ÔN TẬP VÀ BÀI TẬP 2. 2.5 Kỳ vọng của tổng hai biến ngẫu nhiên luôn luôn bằng tổng các kỳ vọng của nó. x n thì hệ các biến cố {X = x1 } .11 Biến ngẫu nhiên phân bố theo quy luật Poisson là biến ngẫu nhiên rời rạc nên chỉ nhận một số hữu hạn các giá trị. Đúng Sai . 2. 2. 2. Đúng Sai . σ 2 ) thì xác suất sai lệch giữa ⎛ε⎞ X và kỳ vọng của nó thỏa mãn P{ X − μ < ε} = 2Φ⎜ ⎟ − 1 . Đúng Sai .13 Nếu biến ngẫu nhiên X phân bố theo quy luật chuẩn N (μ. Đúng Sai . 2. Đúng Sai .7 Phương sai của tổng hai biến ngẫu nhiên rời rạc luôn luôn bằng tổng phương sai của nó. . 2. Đúng Sai . . 2. Đúng Sai .3 Nếu biến ngẫu nhiên X rời rạc chỉ nhận các giá trị x1 .. Đúng Sai . …. 2. {X = x n } lập thành một hệ đầy đủ.12 Nếu X là biến ngẫu nhiên phân bố theo quy luật Poisson tham số λ >0 thì kỳ vọng. 2. 2.6 Hai biến ngẫu nhiên có cùng kỳ vọng sẽ có cùng phương sai. ⎝σ⎠ Đúng Sai .2 Biến ngẫu nhiên rời rạc chỉ nhận một số hữu hạn các giá trị.8 Biến ngẫu nhiên tồn tại phương sai thì cũng tồn tại kỳ vọng.. 49 .

18 Cho X 1 và X 2 là hai biến ngẫu nhiên độc lập có bảng phân bố xác suất như sau: X1 2 3 5 X2 1 4 P 0. b) Z = −3 X + Y .8 a) Tính EX 1 . Gọi X là số khách lên toa I và Y là số khách lên toa II và III.22 Xếp ngẫu nhiên 5 hành khách lên 3 toa tầu I.3 và có kỳ vọng EX = 8. 2. DX 1 .89 .5 0.8 0. x3 .6 0. p 2 .20 Hai biến ngẫu nhiên X . x2 = 0.5 . Tìm x3 và p3 . Tính D(Z ) với: a) Z = 2 X + 3Y .6 P 0. X 2 .1) . x 2 = 0 . Tìm các xác suất tương ứng p1 .19 Cho X 1 .4 0. a) Tính xác suất để cả 3 toa đều có khách.17 Biến ngẫu nhiên rời rạc X nhận ba giá trị có thể có là x1.2 P 0. x2 . x3 = 1 . X 3 là ba biến ngẫu nhiên độc lập có bảng phân bố xác suất như sau: X1 0 2 X2 1 2 X3 0 2 P 0.3 0. D( X ) . D(Y) = 5 . Biết x1 = 4. Đúng Sai . 6 với xác suất tương ứng p1 = 0. 4 0. 2. 2 Tính kỳ vọng EX và phương sai DX. 50 . Y độc lập.14 Nếu biến ngẫu nhiên X phân bố theo quy luật chuẩn N (μ.2 Lập X = X1 + X 2 + X 3 .1 0.Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng 2. 2. σ 2 ) thì X −μ phân bố theo σ quy luật chuẩn tắc N (0.3 0. p2 = 0.15 Biến ngẫu nhiên phân bố theo quy luật Student chỉ nhận những giá trị dương.1 và D( X ) = 0. DX 2 .4 P 0.16 Biến ngẫu nhiên X có bảng phân bố X −5 2 3 4 P 0. Cho biết D( X ) = 4 . p3 biết rằng E ( X ) = 0. 3 2. Đúng Sai . EX 2 . III.21 Biến ngẫu nhiên rời rạc X nhận các giá trị có thể có là x1 = −1. II. Tính E ( X ) .2 0. 2. b) Tính E( X 1 + X 2 ) và D( X 1 + X 2 ) . 2. 2. 2. b) Lập bảng phân bố xác suất của biến ngẫu nhiên X và biến ngẫu nhiên Y .

Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng
2.23 Tính kỳ vọng của biến ngẫu nhiên liên tục X có hàm mật độ xác suất

⎧ cos x
nÕu x ∈ ( −π / 2; π / 2 )

f ( x) = ⎨ 2
⎪0
nÕu x ∉ ( −π / 2; π / 2 )

2.24 Tuổi thọ của một loài côn trùng nào đó là một biến ngẫu nhiên X (đơn vị là tháng) với hàm
mật độ như sau

⎧⎪ kx 2 (2 − x) nÕu 0 ≤ x ≤ 2
f ( x) = ⎨
nÕu tr¸i l¹i
⎪⎩0
a) Tìm k ;
b) Tính xác suất để côn trùng chết trước khi nó được một tháng tuổi;
c) Tìm EX , DX .
2.25 Hai xạ thủ A và B tập bắn. Mỗi người bắn hai phát. Xác suất bắn trúng đích của A trong mỗi
lần bắn là 0,4; còn của B là 0,5.
a) Gọi X là số phát bắn trúng của A trừ đi số phát bắn trúng của B. Tìm phân bố xác suất
của X , kỳ vọng EX và phương sai DX.
b) Tìm phân bố xác suất của Y = X và kỳ vọng EY .
2.26 Một xí nghiệp có hai ôtô vận tải hoạt động. Xác suất trong ngày làm việc các ôtô bị hỏng
tương ứng bằng 0,1 và 0,2. Gọi X là số ôtô bị hỏng trong thời gian làm việc. Lập bảng phân
bố xác suất, tính kỳ vọng EX và phương sai DX của X .
2.27 Cho biến ngẫu nhiên rời rạc X có bảng phân bố xác suất

X

0

1

2

3

4

5

6

7

P

0

k

2k

2k

3k

k2

k2

k2 + k

a) Xác định k.
b) Tính xác suất P { X ≥ 5} và P { X < 3} .
c) Tính kỳ vọng EX.
d) Tính phương sai DX .
2.28 Có 5 sản phẩm trong đó có 4 chính phẩm và 1 phế phẩm. Người ta lấy ra lần lượt 2 sản
phẩm (lấy không hoàn lại).
a) Gọi X là "số phế phẩm có thể gặp phải". Lập bảng phân bố xác suất của X.
Tính kỳ vọng EX và phương sai DX.
b) Gọi Y là "số chính phẩm có thể gặp phải". Lập hệ thức cho biết mối quan hệ giữa Y và
X. Tính kỳ vọng EY và phương sai DY.

51

Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng
2.29 Một nhóm có 10 người trong đó có 6 nam và 4 nữ. Chọn ngẫu nhiên ra 3 người. Gọi X là số
nữ có trong nhóm được chọn. Lập bảng phân bố xác suất của X. Tính kỳ vọng EX.
2.30 Hai kiện tướng bóng bàn ngang sức thi đấu với nhau. Hỏi thắng 2 trong 4 ván dễ hơn hay
thắng 3 trong 6 ván dễ hơn.
2.31 Một nữ công nhân quản lý 12 máy dệt. Xác suất để mỗi máy trong khoảng thời gian T cần
đến sự chăm sóc của nữ công nhân là 1/3. Tính xác suất:
a) Trong khoảng thời gian T có 4 máy cần đến sự chăm sóc của nữ công nhân.
b) Trong khoảng thời gian T có từ 3 đến 6 máy cần đến sự chăm sóc của nữ công nhân.
2.32 Trong một lô hàng có 800 sản phẩm loại 1 và 200 sản phẩm loại 2. Lấy ngẫu nhiên ra 5 sản
phẩm theo phương thức có hoàn lại. Gọi X là số sản phẩm loại 1 lấy được.
a)

X tuân theo quy luật phân bố gì? Viết biểu thức tổng quát của quy luật.

b) Tìm kỳ vọng và phương sai của X .
c) Tìm mốt của X và tính khả năng để xảy ra điều đó.
2.33 Xác suất để sản phẩm sản xuất ra bị hỏng bằng 0,1.
a) Tìm xác suất để trong 5 sản phẩm sản xuất ra có không quá 2 sản phẩm hỏng.
b) Tìm số sản phẩm hỏng trung bình trong 5 sản phẩm đó.
c) Tìm số sản phẩm hỏng có khả năng xảy ra nhiều nhất.
2.34 Một bài thi trắc nghiệm gồm có 10 câu hỏi, mỗi câu hỏi có 5 phương án trả lời, trong đó chỉ
có một phương án đúng. Giả sử mỗi câu trả lời đúng được 4 điểm và câu trả lời sai bị trừ 2
điểm. Một học sinh kém làm bài bằng cách chọn hú hoạ một phương án cho mỗi câu hỏi. Tính
xác suất để:
a) Anh ta được 4 điểm.
b) Anh ta bị điểm âm.
2.35 Tín hiệu thông tin được phát đi 5 lần độc lập nhau. Xác suất thu được tin của mỗi lần phát là
0,7. Tính xác suât:
a) Thu được tín hiệu đúng 2 lần.
b) Thu được tín hiệu nhiều nhất 1 lần.
c) Thu được tin.
2.36 Một cầu thủ nổi tiếng về đá phạt đền, xác suất đá vào gôn là 4/5. Có người cho rằng cứ “sút”
5 quả thì chắc chắn rằng có 4 quả vào lưới. Điều khẳng định đó có đúng không? Tìm xác suất
để trong 5 lần sút có đúng 4 lần bóng vào lưới.
2.37 Ỏ một tổng đài bưu điện các cuộc điện thoại gọi đến xuất hiện một cách ngẫu nhiên, độc lập
với nhau và trung bình có 2 cuộc gọi trong một phút. Tính xác suất để:
a) Có ít nhất một cuộc gọi trong khoảng thời gian 10 giây.
b) Trong khoảng thời gian 3 phút có nhiều nhất ba cuộc gọi.
c) Trong khoảng thời gian 3 phút liên tiếp mỗi phút có nhiều nhất một cuộc gọi.

52

Chương 2: Biến ngẫu nhiên và các đặc trưng của chúng
2.38 Biến ngẫu nhiên X tuân theo quy luật chuẩn với kỳ vọng μ = 10 và phương sai σ 2 = 4 .
Tính xác suất để X nhận giá trị trong khoảng (8; 12).
2.39 Biến ngẫu nhiên X tuân theo quy luật chuẩn với kỳ vọng μ = 10 . Xác suất để X nhận giá
trị trong khoảng (10; 20) là 0,3. Tìm xác suất để X nhận giá trị trong khoảng (0; 10).
2.40 Trọng lượng sản phẩm X do một máy tự động sản xuất là một biến ngẫu nhiên tuân theo
quy luật chuẩn với μ = 100 gam và độ lệch chuẩn σ = 100 gam. Sản phẩm được coi là đạt tiêu
chuẩn kỹ thuật nếu trọng lượng của nó đạt từ 98 đến 102gam.
a) Tìm tỷ lệ sản phẩm đạt tiêu chuẩn kỹ thuật của nhà máy.
b) Tìm tỷ lệ phế phẩm của nhà máy.
c) Giải thích bằng đồ thị kết quả tìm được ở phần a).
2.41 Chiều cao của nam giới khi trưởng thành ở một vùng dân cư là biến ngẫu nhiên phân bố
chuẩn vớí kỳ vọng μ = 160 cm và độ lệch chuẩn σ = 6 cm. Một thanh niên bị coi là lùn nếu
có chiều cao nhỏ hơn 155 cm.
a) Tìm tỷ lệ thanh niên lùn ở vùng đó.
b) Tìm xác suất để lấy ngẫu nhiên 4 người thì có ít nhất 1 người không bị lùn.
2.42 Cho X i ( i = 1, n )là các biến ngẫu nhiên độc lập, cùng tuân theo quy luật chuẩn với

E( X 1 ) = E( X 2 ) = ... = E( X n ) = μ ; D( X 1 ) = D( X 2 ) = ... = D( X n ) = σ 2

{

}

Lập công thức tính P X − μ < ε biết rằng X =
chuẩn, ε > 0 tùy ý.

53

1 n
∑ X i và cũng tuân theo quy luật
n i =1

Số biến ngẫu nhiên thành phần gọi là chiều của véc tơ ngẫu nhiên. . X n ) . Hai biến ngẫu nhiên độc lập thì không tương quan. .. Trường hợp biến ngẫu nhiên nhiều chiều có các biến ngẫu nhiên thành phần rời rạc được gọi là biến ngẫu nhiên nhiều chiều rời rạc.. từ hàm mật độ đồng thời ta có thể tìm hàm mật độ của biến ngẫu nhiên thành phần bằng cách lấy tích phân theo các biến thích hợp. Ngoài các đặc trưng kỳ vọng. 54 . Hai biến ngẫu nhiên thành phần không tương quan thì hệ số tương quan bằng 0. Tích phân suy rộng. Đối với biến ngẫu nhiên không độc lập. bằng cách áp dụng công thức tính xác suất có điều kiện suy ra quy luật phân bố xác suất có điều kiện của các biến ngẫu nhiên thành phần. X n và hàm nhiều biến ϕ( x1 .. . X n ) đó là hàm của các biến ngẫu nhiên đã cho. quy luật biến ngẫu nhiên nhiều chiều được khảo sát thông qua hàm phân bố. xác suất có điều kiện. . theo cột và xác suất tương ứng. hàm phân bố hoặc hàm mật độ xác suất.Chương 3: Véc tơ ngẫu nhiên CHƯƠNG III: VÉC TƠ NGẪU NHIÊN GIỚI THIỆU Véc tơ ngẫu nhiên là một bộ có thứ tự bao gồm nhiều biến ngẫu nhiên.. Với biến ngẫu nhiên hai chiều rời rạc ta có bảng phân bố xác suất đồng thời. Để học tốt chương này học viên cần nắm vững các tính chất cơ bản của xác suất. phương sai của các biến ngẫu nhiên thành phần.. Tính độc lập của các biến ngẫu nhiên được nhận biết thông qua dấu hiệu của bảng phân bố.. hàm nhiều biến. Biến ngẫu nhiên nhiều chiều rời rạc được xác định bởi bảng phân bố xác suất đồng thời. . đó là bảng ghi các giá trị của hai biến ngẫu nhiên thành phần theo hàng. Từ các biến ngẫu nhiên X 1 . Tương tự biến ngẫu nhiên.. Tương tự.. Mỗi biến ngẫu nhiên là một thành phần của véc tơ ngẫu nhiên. còn biến ngẫu nhiên liên tục được xác định bởi hàm mật độ xác suất đồng thời. X 2 . các véc tơ ngẫu nhiên còn được đặc trưng bởi hiệp phương sai và hệ số tương quan. x n ) ta có thể xây dựng các biến ngẫu nhiên mới ϕ( X 1 . phân bố xác suất của biến ngẫu nhiên rời rạc. . Dựa vào đặc trưng này ta có thể xây dựng hàm hồi quy tương quan. Nếu tất cả các biến ngẫu nhiên thành phần liên tục thì biến ngẫu nhiên nhiều chiều tương ứng gọi là liên tục. hệ số tương quan càng gần 1 thì mức độ phụ thuộc tuyến tính càng chặt. Hệ số tương quan đo mức độ phụ thuộc tuyến tính của hai biến ngẫu nhiên thành phần. . . Xác định bảng phân bố xác suất hay hàm mật độ xác suất của ϕ( X 1 . Dựa vào công thức cộng xác suất đầy đủ ta có thể tìm được bảng phân bố xác suất của hai biến ngẫu nhiên thành phần.

X 2 . .. X k +1 < x k +1 ... Y ) . với k nào đó thuộc {1. X n ) với các thành phần X 1 . 3. X n là liên tục hay rời rạc. Nếu ta chỉ quan tâm đến trọng lượng và thể tích của sản phẩm ta cũng được biến ngẫu nhiên hai chiều. (3.. còn nếu xét thêm cả chiều cao Z nữa thì ta có biến ngẫu nhiên ba chiều. .. x n ) = 1 . Khái niệm Trong các chương trước ta xét các biến ngẫu nhiên mà giá trị chúng nhận được có thể biểu diễn bằng một số... X n ) là liên tục hay rời rạc nếu tất cả các biến ngẫu nhiên thành phần X 1 . lim F ( x1 . . x2 . Véc tơ ngẫu nhiên n chiều ( X 1 . x 2 .1.. Những đại lượng này được gọi một cách tương ứng là biến ngẫu nhiên hai chiều. X n < x n } xk → ∞ Đặc biệt F ( x. . Định nghĩa 3. . .. . X n ) hay được gọi là phân bố đồng thời của các biến ngẫu nhiên X 1 .2: Hàm n biến F ( x1 . . X 2 .... đó là các biến ngẫu nhiên một chiều.. X 2 .2) lim F ( x1 . 2. . x 2 . 5... . xk →−∞ lim ( x1 .3) (3.. . x 2 . X k −1 < x k −1 . ba chiều. .1. ..2.. .. . . .. Tuy nhiên trong thực tế có thể gặp các đại lượng ngẫu nhiên mà giá trị nhận được là một bộ gồm hai... . . Nếu kích thước của sản phẩm được đo bằng chiều dài X và chiều rộng Y thì ta có biến ngẫu nhiên hai chiều. (3.. xn ) = P{X 1 < x1 . . 6. Các biến ngẫu nhiên hai chiều. n chiều và được gọi chung là biến ngẫu nhiên nhiều chiều. X n là các biến ngẫu nhiên. n chiều. ….. . . X n < x n } (3. trong đó X là biến ngẫu nhiên thành phần thứ nhất và Y là biến ngẫu nhiên thành phần thứ hai..1. . Hàm phân bố Định nghĩa 3. X 2 .. xn )→( ∞ . ∞ ) F ( x1 . x n ) xác định bởi: F ( x1 . ba chiều.1: Một nhà máy sản xuất một loại sản phẩm. 4. x n ) = 0 . …. . n chiều còn được gọi là véc tơ ngẫu nhiên hai chiều. Hàm phân bố đồng thời có các tính chất: 1. . X 2 < x 2 ... 3. ba. x 2 . Ta ký hiệu véc tơ ngẫu nhiên hai chiều là ( X . .... . x n ) ≤ 1 . n}. X 2 . x n ) không giảm theo từng biến.1: Một véc tơ ngẫu nhiên n chiều là một bộ có thứ tự ( X 1 .. . X 2 .. . . 0 ≤ F ( x1 . . y ) là hàm phân bố của véc tơ ngẫu nhiên hai chiều ( X . n số... ba chiều. Y ) thì: 55 .. . . ...1) được gọi là hàm phân bố của véc tơ ngẫu nhiên X = ( X 1 .1. . ….. x n ) = P{X 1 < x1 .. X n . …. . .. . Ví dụ 3.. KHÁI NIỆM VÉC TƠ NGẪU NHIÊN 3.Chương 3: Véc tơ ngẫu nhiên NỘI DUNG 3. x 2 . x k .4) F ( x1 .

m ⎪⎪ ⎨ n m ⎪ ∑∑ p( xi .5) x →∞ FX ( x) . Y ) nhận giá trị ( xi . Bảng phân bố xác suất đồng thời Bảng phân bố xác suất đồng thời của biến ngẫu nhiên rời rạc hai chiều ( X . y j ) là xác suất đồng thời của biến ngẫu nhiên hai chiều ( X . y1 ) p( xi . lim F ( x.6) . ym ) p( x2 ) p ( xi . y j ) … p( x2 .2. j = 1. y ) . y j ) … p ( x1. Y hay còn được gọi là các phân bố thành phần của véc tơ ngẫu nhiên ( X . ∀ i = 1.2. ym ) p( x1 ) x2 p( x2 . Y ) cũng là phân bố biên duyên của phân bố đồng thời F ( x. n . y j ) = 1 ⎪⎩ i =1 j =1 56 (3. y j ) = P X = xi . y j ) ≥ 0 . Y theo cột và các xác suất tương ứng. y ) = P{Y < y} = FY ( y ) y →∞ (3. BẢNG PHÂN BỐ XÁC SUẤT CỦA VÉC TƠ NGẪU NHIÊN RỜI RẠC HAI CHIỀU 3. 3. y2 ) … p ( x1. Y ∑j y1 y2 … yj … ym x1 p( x1. y ) = P{X < x} = FX ( x) . y1 ) p ( xn . nghĩa là: { } p( xi . y2 ) … p ( xn . y j ) … p( xn . Y ) là bảng liệt kê tất cả các giá trị của X theo hàng. n ) là các giá trị có thể có của thành phần X . y j ) . m ) là các giá trị có thể có của thành phần Y . các xác suất này thỏa mãn ⎧ p ( xi .Chương 3: Véc tơ ngẫu nhiên lim F ( x. y1 ) p( x1. ym ) p( xn ) ∑i p ( y1 ) p ( y2 ) … p( y j ) … p ( ym ) 1 Trong đó xi ( i = 1.1. y2 ) … p ( x2 . y1 ) p ( x2 . ym ) p( xi ) X … xi p( xi . y j ( j = 1. p ( xi . y2 ) … p ( xi . y j ) … … … … xn p( xn . FY ( y ) là các hàm phân bố của biến ngẫu nhiên X . Y = y j .

{ X = x2 } ..Chương 3: Véc tơ ngẫu nhiên 3.2.7) i =1 Tương tự m { m } p( xi ) = P{ X = xi } = ∑ P X = xi . Y tương ứng. B.. Y = y j = ∑ p ( xi .. B và Y là số mặt ngửa xuất hiện của cả 3 đồng tiền A. Gọi X là số mặt ngửa xuất hiện của 2 đồng tiền A. m (3. n j =1 (3. y j ) . { X = xn } (xem công thức 2. i =1 j = 1. Giải: Chúng ta có bảng 8 kết quả đồng khả năng của việc gieo 3 đồng tiền cân đối và tính các giá trị của X . C.8) j =1 Như vậy từ bảng phân bố xác suất đồng thời của ( X . A B C X Y N N N 2 3 N N S 2 2 N S N 1 2 N S S 1 1 S N N 1 1 S N S 1 2 S S N 0 1 S S S 0 0 57 . Y .2. nếu ta cộng các xác suất theo hàng ta được các xác suất tương ứng với giá trị của X . trong đó N là ký hiệu mặt ngửa xuất hiện còn S là mặt sấp.16) cho hệ { X = x1} . . y j ) . Bảng phân bố xác suất biên Áp dụng công thức xác suất đầy đủ (1. Y = y j = ∑ p( xi . i = 1. B. Hãy lập bảng phân bố xác suất đồng thời của X . X x1 x2 … xi … xn P p ( x1 ) p( x2 ) … p ( xi ) … p( xn ) Y y1 y2 … yj … ym P p( y1 ) p( y 2 ) … p( y j ) … p( y m ) Ví dụ 3. Y ) .7) ta có: { n } { n } p ( y j ) = P Y = y j = ∑ P X = xi . nếu ta cộng các xác suất theo cột thì ta được các xác suất tương ứng với các giá trị của Y . C.2: Gieo 3 đồng tiền cân đối A. Từ đó nhận được phân bố xác suất của biến ngẫu nhiên thành phần Y và biến ngẫu nhiên thành phần X .

Y = 2} = … 8 8 8 Vậy bảng phân bố xác suất đồng thời của X và Y là Y 0 1 2 3 ∑ 0 1/8 1/8 0 0 2/8 1 0 2/8 2/8 0 4/8 2 0 0 1/8 1/8 2/8 ∑ 1/8 3/8 3/8 1/8 1 X Phân bố xác suất của biến ngẫu nhiên thành phần: Cộng các cột ta được: X 0 1 2 P 2/8 4/8 2/8 Y 0 1 2 3 P 1/8 3/8 3/8 1/8 Cộng các hàng ta được: Ví dụ 3.3: Có hai hộp. P{X = 1. Y = 2} = . Gọi X . Y như sau: 58 . Giải: Mỗi hộp có 6 bi cho nên số các trường hợp có thể có của phép thử là 6 ⋅ 6 = 36 . Hãy lập bảng phân bố xác suất đồng thời của X . Y . P{X = 2.1) . … Vậy bảng phân bố xác suất đồng thời của X . Hộp I có 1 bi mang số 1. mỗi hộp đựng 6 bi. Rút ngẫu nhiên từ mỗi hộp 1 bi. trong đó có 2 trường hợp (1. Y lần lượt là số ghi trên bi rút được từ hộp I và hộp II. 2 bi mang số 2. 3 bi mang số 2. Hộp II có 2 bi mang số 1. 4 trường hợp (2. Y = 3} = 1 1 2 . 3 trường hợp (1.Chương 3: Véc tơ ngẫu nhiên Sử dụng công thức tính xác suất cổ điển (1. 1 bi mang số 3. 2) . 3 bi mang số 3.1) ta có: P{X = 2.1) .

. X 2 . X 6 = 3} = 59 10 10! ⎛ 1 ⎞ ⎜ ⎟ 2!0!4!1!3! ⎝ 6 ⎠ ≈ 0. X 2 .4: (Phân bố đa thức) Véc tơ ngẫu nhiên n chiều X = ( X 1 . X 2 = 0.. 1 / 6. p n ) nếu: N! p1k1 p 2k2 k1!k 2 !. 1 / 6. p n ) . X 2 . Gieo xúc xắc cân đối 10 lần.. p1 . X 3 = 4. 1 / 6.. X 4 . 7 3 ⎛1⎞ ⎛5⎞ P ( A) = P{X = 3} = C10 ⎜ ⎟ ⎜ ⎟ = 0. Tính các xác suất: 1) Có đúng 3 lần xuất hiện mặt 5 chấm (biến cố A). k n+1 = N − (k1 + + k n ) . . .. .. X n = k n } = trong đó 0 ≤ k i ≤ N .k n+1! P{X 1 = k1 . P ( B) = P{X 1 = 2. Xét N phép thử độc lập.. Giải: 1) Gọi X là số lần xuất hiện mặt 5 trong 10 lần thử thì X ~ 3 B (10 . 2) Có 2 lần xuất hiện mặt 1 chấm. .Chương 3: Véc tơ ngẫu nhiên Y 1 2 3 ∑ 1 2/36 3/36 1/36 1/6 2 4/36 6/36 2/36 2/6 3 6/36 9/36 3/36 3/6 ∑ 2/6 3/6 1/6 1 X Ví dụ 3. . Gọi X k là số thành công của kết quả thứ k trong N phép thử thì X = ( X 1 . X 6 ) có phân bố đa thức MUT (10 . . X n ) có phân bố đa thức X ~ MUT ( N . ⎝6⎠ ⎝6⎠ 2) Gọi X k là số lần xuất hiện mặt k trong 10 phép thử thì ( X 1 . p1 . 1 lần mặt 4 chấm và 3 lần mặt 6 chấm (biến cố B). ..1 / 6. giả sử xác suất xuất hiện kết quả thứ k là p k thì p1 + + p n + p n+1 = 1 ..0002 .155 . q = 1 − ( p1 + p nkn q kn +1 + pn ) . thuần nhất mỗi phép thử có n + 1 kết quả. Trường hợp n = 1 ta được phân bố nhị thức. ... X 3 .. X n ) được gọi là có phân bố đa thức với các tham số N . .1 / 6) . 1 / 6 ) .. p1 . . X 4 = 1. 4 lần mặt 3 chấm.. p n ký hiệu X ~ MUT ( N . .. .

. .Chương 3: Véc tơ ngẫu nhiên 3.14) ∞ 4) ∫ f ( x.. (3.5: Cho véc tơ ngẫu nhiên ( X . Tính chất: Để đơn giản cho cách biểu diễn ta xét trường hợp véc tơ ngẫu nhiên hai chiều ( X . y ) . . y ) nÕu tån t¹i đ ¹o hµm t¹i ( x. dt n f ( x1 . X 2 . x 2 . y ) = ⎨ ∂x∂y ⎪ 0 nÕu ng−îc l¹i ⎩ 3) (3. Y ) có hàm mật độ xác định như sau: ⎧C f ( x...15) −∞ ∞ ∫ f ( x. Y ) có hàm mật độ f ( x.1. 0 ≤ y .. y ) ≥ 0 với mọi ( x. Hàm mật độ của véc tơ ngẫu nhiên liên tục Định nghĩa 3. .. . y)dxdy = 1. . .... y)dxdy với A ⊂ 2 .. X n ) là hàm n biến f ( x1 . y ) = ⎨ ⎩0 nÕu x + y ≤ 1 . . . y ) ⎪ f ( x. x + y ≤ 1 . x n ) còn được gọi là hàm mật độ đồng thời của X 1 . . y) dy = f X ( x) hàm mật độ của biến ngẫu nhiên X .. Giải: −1 a) Miền D: x + y ≤ 1 đối xứng qua hai trục toạ độ Ox.Y. .. Phần của D nằm trong góc phần tư thứ nhất là tam giác vuông cân 0 ≤ x. y ) và ∫ ∫ f ( x.13) ( x . x n ) = P{X 1 < x1 . −∞ Ví dụ 3.3: Hàm mật độ của véc tơ ngẫu nhiên liên tục X = ( X 1 . VÉC TƠ NGẪU NHIÊN LIÊN TỤC 3.3. y )∈A ⎧ ∂2 F ( x.12) −∞ −∞ P{( X .. . X n . t 2 ... (3. x n ) ≥ 0 thoả mãn: F ( x1 . ∞ ∞ 1) f ( x. . x 2 . b) Tìm các hàm mật độ của các biến ngẫu nhiên X. x 2 . 60 1 x . X 2 .3. .. Oy. y nÕu ng−îc l¹i a) Tìm C. X n < x n } = x1 xn −∞ −∞ ∫ ∫ f (t1 . (3.. Y ) ∈ A} = 2) ∫∫ f ( x. X 2 < x 2 . t n ) dt1dt 2 . y) dx = f Y ( y ) hàm mật độ của biến ngẫu nhiên Y .

3.4. Y ) .2: Véc tơ ngẫu nhiên hai chiều rời rạc ( X .Chương 3: Véc tơ ngẫu nhiên Vậy D là hình vuông có độ dài cạnh bằng 2 . m . y j ) = p ( xi ) p( y j ) ∀ i = 1. TÍNH ĐỘC LẬP CỦA CÁC BIẾN NGẪU NHIÊN Định nghĩa 3. • Hai cột bất kỳ tỉ lệ. do đó: ∞ ∞ 1= ∫∫ f ( x. 8 61 2 . Y độc lập khi và chỉ khi F ( x.6: Hai biến ngẫu nhiên X và Y của ví dụ 3. 8 .4: Hai biến ngẫu nhiên X và Y gọi là độc lập nếu mỗi biến ngẫu nhiên nhận giá trị này hay giá trị khác không ảnh hưởng gì đến phân bố xác suất của biến ngẫu nhiên kia.6) là độc lập khi và chỉ khi p ( xi .16) trong đó FX ( x). Định lý 3.17 ) Một dấu hiệu để nhận biết hai biến ngẫu nhiên rời rạc độc lập là bảng phân bố xác suất đồng thời có tính chất: • Hai hàng bất kỳ tỉ lệ. Ví dụ 3. j = 1. 2 ⎧ x − 1 ≤ y ≤ 1 − x nÕu 0 ≤ x ≤ 1 b) x + y ≤ 1 ⇔ x − 1 ≤ y ≤ x + 1 ⇔ ⎨ ⎩− x − 1 ≤ y ≤ x + 1 nÕu -1 ≤ x ≤ 0 ⎧ 1 1+ x ⎪ ∫ dy = 1 + x nÕu − 1 ≤ x ≤ 0 ⎪ 2 -x-1 ⎧⎪1 − x ⎪ =⎨ f X ( x) = ⎨ 0 nÕu ng−îc l¹i ⎪⎩ 0 ⎪ 1− x ⎪ 1 dy = 1 − x nÕu 0 ≤ x ≤ 1 ⎪2 ∫ ⎩ x-1 nÕu x ≤ 1 nÕu x > 1 Do tính chất đối xứng của X và Y nên ta cũng có: ⎧⎪1 − y fY ( y) = ⎨ ⎪⎩ 0 nÕu y ≤ 1 nÕu y > 1 . y ) là hàm phân bố của véc tơ ngẫu nhiên ( X . Khi đó X . y )dxdy = Cdt D = 2C ⇒ C = −∞ −∞ 1 . n . y ) = FX ( x) FY ( y ) (3.2 không độc lập vì P{X = 2} = P{Y = 1} = 3 nhưng P{X = 2.1: Giả sử F ( x. Định lý 3. FY ( y ) lần lượt là hàm phân bố của X và Y . Y = 1} = 0 . (3. Y ) với phân bố xác suất đồng thời (3.

3.3: Giả sử véc tơ ngẫu nhiên ( X . Khi đó X . dy ϕ' (ϕ −1 ( y ) ) ϕ' (ϕ −1 ( y ) ) f X ϕ −1 ( y ) (3. y ) . Định lý 3. Y độc lập khi và chỉ khi f ( x.1. Khi đó ϕ( x) hoặc đơn điệu tăng hoặc đơn điệu giảm: ♦ ϕ( x) đơn điệu tăng { } ( ) FY ( y ) = P{ϕ( X ) < y} = P X < ϕ −1 ( y ) = FX ϕ −1 ( y ) ⇒ FX ( x) = FY (ϕ( x) ) f X ( x) = f Y (ϕ( x) )ϕ' ( x) hay f Y ( y ) = ( ) = f X (ϕ−1 ( y)) = f X ( x) dx .5 không độc lập vì hàm mật độ f ( x. Trường hợp liên tục: Nếu X liên tục có hàm phân bố FX (x) và hàm mật độ f X (x) thì bằng phương pháp giải tích ta có thể tìm được hàm phân bố và hàm mật độ của biến ngẫu nhiên Y = ϕ( X ) . Y ) có hàm mật độ f ( x. Y ) của ví dụ 3. HÀM CỦA CÁC BIẾN NGẪU NHIÊN 3.18) trong đó f X ( x). y ) = f X ( x ) f Y ( y ) (3.17).Chương 3: Véc tơ ngẫu nhiên Hai biến ngẫu nhiên X và Y của ví dụ 3. Khi đó Y = ϕ( X ) cũng là một biến ngẫu nhiên gọi là hàm của biến ngẫu nhiên X . f Y ( y ) lần lượt là hàm mật độ của X và Y . Hàm của một biến ngẫu nhiên Giả sử X là một biến ngẫu nhiên và ϕ( x) là hàm liên tục một biến số. ™ Trường hợp ϕ( x) là một song ánh.19) ♦ ϕ( x) đơn điệu giảm { } ( ) FY ( y ) = P{ϕ( X ) < y} = P X > ϕ −1 ( y ) = 1 − FX ϕ −1 ( y ) ⇒ FX ( x) = 1 − FY (ϕ( x) ) 62 .3 độc lập vì thỏa mãn điều kiện (3.5. a. Ví dụ 3. Trường hợp rời rạc: Nếu X có phân bố rời rạc: X x1 x2 … P p1 p2 … Y ϕ( x1 ) ϕ( x 2 ) … P p1 p2 … thì Y cũng có phân bố rời rạc: b.5.7: Véc tơ ngẫu nhiên ( X . y ) ≠ f X ( x ) f Y ( y ) .

Chương 3: Véc tơ ngẫu nhiên f X ( x) = − f Y (ϕ( x) )ϕ' ( x) hay f Y ( y ) = − ( ) = f X (ϕ −1 ( y)) = f X ( x) dx . Áp dụng công thức (3. = dy 3 3 y 2 f Y ( y ) = f X ( x) b. b) Tìm hàm mật độ của Z = ϕ 2 ( X ) . dy 3 3 y 2 } { } FZ ( z ) = P{Z < z} = P X 2 < z = P − z < X < z = F X ( z ) − F X (− z ) . Vậy hàm mật độ của T xác định như sau: Khi 63 .20) ™ Trường hợp ϕ(x) là một hàm liên tục bất kỳ ta tính trực tiếp xác suất P{Y < y = ϕ(x)} từ đó suy ra hàm phân bố và hàm mật độ của Y . ϕ 3 ( x) = e − x . c) Tìm hàm mật độ của T = ϕ 3 ( X ) .5 < Y < 5} nếu hàm mật độ f X (x) của X xác định bởi: ⎧2 ⎪ f X ( x) = ⎨ x 2 ⎪⎩ 0 nÕu 1 ≤ x ≤ 2 nÕu ng−îc l¹i Giải: dx 1 . Với z > 0 ta có: { dx 1 f X (3 y ) = . x = 3 y . Vậy hàm mật độ của Z . d) Tìm hàm mật độ f Y ( y ) và hàm phân bố FY ( y ) và xác suất biến cố P{2. do đó P{T < t} = 0 .8: Giả sử ϕ1 ( x) = x 3 . Ví dụ 3. ( ⎧ 1 f X ( z ) + f X (− z ) ⎪ f Z ( z) = ⎨ 2 z ⎪ 0 ⎩ c. y = ϕ1 ( x) = x 3 đồng biến. Với t > 0 ta có: { ) nÕu z > 0 nÕu z ≤ 0 } FT (t ) = P{T < t} = P e − X < t = P{X > − ln t} = 1 − FX (− ln t ) t ≤ 0 biến cố {T < t} là biến cố không thể vì T = e − X chỉ nhận giá trị dương. ϕ 2 ( x) = x 2 . Với z ≤ 0 thì P{Z < z} = 0 vì Z = X 2 không nhận giá trị âm. X là một biến ngẫu nhiên liên tục có hàm phân bố FX (x) và hàm mật độ f X (x) : a) Tìm hàm mật độ của Y = ϕ1 ( X ) .19) ta có: a. dy ϕ' (ϕ −1 ( y ) ) ϕ' (ϕ −1 ( y ) ) f X ϕ −1 ( y ) (3.

Y ). y ). y ) = (u ( x. v( x. Khi đó ta có thể thiết lập một cặp biến ngẫu nhiên mới U . . j ) ϕ( xi . = ⎨3 y 3 3 y2 ⎪ ⎩ 0 nÕu ng−îc l¹i ⎧ 0 ⎪ 1 ⎞⎟ ⎪ ⎛ FY ( y ) = ⎨2⎜1 − ⎜ 3 y⎟ ⎪ ⎝ ⎠ ⎪ 1 ⎩ { nÕu y ≤ 1 nÕu 1 < y ≤ 8 ..5 3 5 ⎟ ⎝ ⎠ 3. . .. {(i. y ) là một hàm hai biến liên tục cho trước. y j ) =a} b) Trường hợp liên tục: Giả sử X . ⎛ 1 1 ⎞⎟ − hoặc P{2. . x 2 .5 < Y < 5} = FY (5) − FY (2. x m } và {y1 . y ) ) 64 . y ). y n } thì Z = ϕ( X . Y ) . . f Y ( y ) = . nÕu y > 8 3 } { 3 3 5 } ∫ P{2. y j ) i = 1. Y ) có tập các { } giá trị là ϕ( xi . V = v( X . Hàm của hai biến ngẫu nhiên Giả sử X . y ) là hai hàm hai biến cho trước..5 < X < 5 = 3 3 2 . Y ) . a) Trường hợp rời rạc: Nếu X . Y là hai biến ngẫu nhiên và ϕ( x.5 < Y < 5} = P 2. ⎜ 3 2. y 2 . Khi đó Z là hàm của hai biến ngẫu nhiên X và Y. v( x.5) = 2⎜ . m . V bằng công thức: U = u ( X . Y có tập các giá trị {x1 ..5 < X < 5 = P 2.Chương 3: Véc tơ ngẫu nhiên ⎧ f X (− ln t ) nÕu t > 0 ⎪ f T (t ) = ⎨ t ⎪⎩ 0 nÕu t ≤ 0 ⎧ 2 1 f X (3 y ) ⎪ 3 4 nÕu 1 ≤ y ≤ 8 d. Y ) Giả sử T là ánh xạ từ  2 vào  2 xác định bởi: T ( x. y n .5. Định lý: Giả sử Z = ϕ( X .5 2 x2 dx ≈ 0. j = 1. u ( x. . Xét biến ngẫu nhiên Z xác định bởi Z = ϕ( X .. . Y = y j }. Y là hai biến ngẫu nhiên.3040 ..2.. Khi đó: P{Z = a} = ∑ P{X = xi ..

Y ( x(u . y ) ⎪ f X . ta ký hiệu T −1 (u . Khi đó T có ánh xạ ngược T −1 : Δ → D . v) = = D(u . y ) ∂u J (u . X = v − y} . v). x (3. v) ∂x và định thức Jacobi của T là: J ( x. v − x)dx . y (u . y ) . y ). v) .4: Giả sử X . Y = v − x} = ∑ P{Y = y.22) −∞ Hệ quả: Giả sử V = X + Y là tổng của hai biến ngẫu nhiên độc lập X . y ) ∈  2 f X . y ) ) là ánh xạ 1 .Y ( x.Y ( x. v ) ∈ Δ nÕu ng−îc l¹i Định lý 3. Y rời rạc thì phân bố xác suất của V : P{V = v} = ∑ P{X = x}P{Y = v − x} = ∑ P{Y = y}P{X = v − y} . (i) Nếu X . Khi đó U = u ( X .Chương 3: Véc tơ ngẫu nhiên Giả thiết T là ánh xạ 1 . y ) = = D( x. y ) thì hàm mật độ của V : ∞ f V (v ) = ∫ f X . Y liên tục có hàm mật độ đồng thời f X ( x) f Y ( y ) thì hàm mật độ của V : 65 . v( x. y ) = (u .Y ( x.5: Giả sử V = X + Y là tổng của hai biến ngẫu nhiên X . v) ∈ Δ tồn tại duy nhất ( x. Y ) là hai biến ngẫu nhiên có mật độ đồng thời ⎧ D ( x. Định thức Jacobi của T −1 được xác định theo công thức sau: ∂x D( x. y ) = (u ( x. (3.21) y (ii) Nếu X . Y liên tục có hàm mật độ đồng thời f X .Y ( x. Y ). v) ) fU . y ) > 0 Giả sử T ( x. y ) . Ký hiệu: { } D = ( x.1 khả vi liên tục từ miền D ⊂  2 lên miền Δ ⊂  2 . (i) Nếu X .V (u . Y là hai biến ngẫu nhiên liên tục với mật độ đồng thời f X . = ∂v J (u . x (3. y ) ∂v ∂x ∂x ∂v ∂y ∂v ∂u 1 ∂y . v) = ( x. Y rời rạc thì phân bố xác suất của V : P{V = v} = ∑ P{X = x. y ) ∈ D sao cho T ( x. v) ∂y ∂u ∂u D (u .1 (đơn ánh) từ miền D ⊂  2 lên miền Δ ⊂  2 . với mỗi (u . Y . v) = ⎨ D(u . v) ⎪ 0 ⎩ nÕu (u .23) y (ii) Nếu X . Y . v) ∂y Định lý 3. V = v( X .

6. y)dxdy ∫ yfY ( y)dy = ∫ ∫ yf X .25) i =1 j =1 m m n EY = ∑ y j p ( y j ) = ∑∑ y j p( xi . Y ) . y )dxdy − (EY )2 (3. y )dxdy − (EX )2 (3. Y liên tục có hàm mật độ đồng thời f X .6. Y của véc tơ ngẫu nhiên ( X .8) và hàm mật độ thành phần ta có công thức tính kỳ vọng và phương sai của biến ngẫu nhiên thành phần X .6.30) −∞ −∞ ∞ ∞ DX = EX − (EX ) = 2 2 (3. Y ) = E ( X − EX )(Y − EY ) = E XY − EX EY 66 (3.1.28) j =1 i =1 b.Y ( x.Y ( x. Trường hợp X .26) j =1 i =1 n m DX = EX 2 − (EX )2 = ∑∑ xi2 p ( xi . Y ) : a. Y rời rạc n n m EX = ∑ xi p ( xi ) = ∑∑ xi p ( xi . Y . Kỳ vọng và phương sai của các biến ngẫu nhiên thành phần Từ bảng phân bố xác suất thành phần (3.Y ( x.2. Hiệp phương sai Định nghĩa 3.5: Hiệp phương sai (hay còn gọi là Covariance) của hai biến ngẫu nhiên X .31) −∞ −∞ DY = EY − (EY ) = 2 2 ∞ ∞ ∫ ∫y 2 f X . CÁC THAM SỐ ĐẶC TRƯNG CỦA BIẾN NGẪU NHIÊN 3. y)dxdy −∞ (3.32) −∞ −∞ 3.Chương 3: Véc tơ ngẫu nhiên ∞ f V (v ) = ∫ f X ( x) fY (v − x)dx = f X * f Y (v ) .29) ∫ ∫x 2 f X . y j ) j =1 (3.6)-(3. y j ) − (EX )2 (3. y j ) i =1 (3. là kỳ vọng toán của tích các sai lệch của các biến ngẫu nhiên đó với kỳ vọng toán của chúng: cov( X . y ) EX = EY = ∞ ∞ ∞ −∞ −∞ −∞ ∞ ∞ ∞ ∫ xf X ( x)dx = ∫ ∫ xf X . (3. ký hiệu cov( X .24) −∞ 3. Trường hợp X .Y ( x.Y ( x.33) . y j ) − (EY )2 (3.27) i =1 j =1 m n DY = EY 2 − (EY )2 = ∑∑ y 2j p ( xi .

X ) với mọi hằng số a. y j ) − E X E Y (3. t 2 . Y rời rạc có bảng phân bố đồng thời (3. Y độc lập thì ρ X . y)dxdy − E X E Y (3. X ) = DX . (3..Chương 3: Véc tơ ngẫu nhiên Nếu X . y ) thì ∞ ∞ cov( X .. Tính chất 1) Ma trận hiệp phương sai là ma trận đối xứng. . j i 3) Các định thức con chính của M không âm. 67 . 2) Với mọi t1 . Y . 3. (3. Y độc lập thì cov( X . t n ∈  n luôn có ∑∑ aij ti t j ≥ 0 .41) 2) Nếu X . nhưng điều ngược lại chưa chắc đúng. .6.39) được gọi là ma trận hiệp phương sai (ma trận covariance. Y ) = ∑∑ xi y j p ( xi .34) j =1 i =1 Nếu X .. b.6) thì m n cov( X . Y ) = cov(Y . X n ) .37) 3) cov(aX + c.4. bY + d ) = ab cov(Y .36) 2) cov( X . Hệ số tương quan Định nghĩa 3. Nói cách khác ma trận hiệp phương sai M là ma trận của dạng toàn phương không âm.40) Tính chất 1) − 1 ≤ ρ X .Y = 0 .38) 4) Nếu X . . Ma trận hiệp phương sai Định nghĩa 3. Y ký hiệu và định nghĩa bởi công thức: ρ X .Y ( x. Y liên tục có hàm mật độ đồng thời f X . (3. (3. d .7: Hệ số tương quan của hai biến ngẫu nhiên X ..Y ( x.6: Cho véc tơ ngẫu nhiên X = ( X 1 . ma trận moment) của véc tơ ngẫu nhiên X .Y ≤ 1 với mọi X . X j ) Ma trận M = aij (3. Y ) = ∫ ∫ xyf X . c.Y = cov( X . Y ) = 0 nhưng ngược lại chưa chắc đúng. Y ) σ X σY (3. X 2 .3.6.35) −∞ −∞ Tính chất 1) cov( X . X ) . . 3. [ ]n×n với aij = cov( X i .

Y ρ aX +c. n .7. khi ρ X .. d ⎧⎪ ρ X . . Phân bố có điều kiện và kỳ vọng có điều kiện của biến ngẫu nhiên X rời rạc với điều kiện B Định nghĩa 3. PHÂN BỐ CÓ ĐIỀU KIỆN VÀ KỲ VỌNG CÓ ĐIỀU KIỆN 3. ... Khi ρ X . 3.. . Phân bố có điều kiện và kỳ vọng có điều kiện của hai biến ngẫu nhiên X . XB x1 x2 … xi … xn P p( x1 B) p( x2 B) … p ( xi B ) … p( xn B) trong đó: p ( xi B ) = P ({X = xi }B ) . y 2 .bY + d = ⎨ ⎪⎩− ρ X . . x 2 . Với mỗi y j . càng lỏng lẻo.45) i =1 3. Y có tập các giá trị {x1 . Khi đó ta có bảng phân bố xác suất có điều kiện của X với điều kiện B.2. .1.. Y rời rạc Nếu X . ta có bảng { } phân bố xác suất điều kiện của X với điều kiện biến cố Y = y j : 68 .. x n } và {y1 . Khi ρ X .Y càng gần 1 thì tính chất quan hệ tuyến tính càng chặt. x 2 . i = 1.Y = ⎨ ⎩− 1 nÕu a < 0 (3. c. .7. a ≠ 0 khi và chỉ khi ⎧ 1 nÕu a > 0 ρ X . y m } . b.Y = 0 ta nói X và Y không tương quan.42) nÕu ab < 0 4) Y = aX + b . P( B) (3.7.Y càng gần 0 thì sự phụ thuộc tuyến tính càng ít. x n } và biến cố B có xác suất P ( B) > 0 .8: Cho biến ngẫu nhiên X rời rạc nhận các giá trị {x1 .Chương 3: Véc tơ ngẫu nhiên 3) Với mọi hằng số a.44) và kỳ vọng của X với điều kiện B : n E [X B ] = ∑ x i p ( x i B ) (3.43) Ý nghĩa của hệ số tương quan Hệ số tương quan đo mức độ phụ thuộc tuyến tính giữa X và Y .Y nÕu ab > 0 (3.

46) Tương tự ta cũng có bảng phân bố xác suất có điều kiện của Y với điều kiện {X = xi } Y X = xi y1 y2 … yj … ym P p ( y1 xi ) p ( y 2 xi ) … p ( y j xi ) … p ( y m xi ) trong đó p ( y j xi ) = p ( xi . Giả sử xác suất xuất hiện mặt ngửa là p . được gọi là hàm hồi qui của X đối với Y . Gọi B là biến cố: "Trong n lần gieo đầu tiên có duy nhất một lần xuất hiện mặt ngửa". Gọi X là biến ngẫu nhiên chỉ lần gieo đầu tiên xuất hiện mặt ngửa. (3. m . E[Y X = x ] là một hàm của x . n . E[Y X = xi ] = ∑ y j p ( y j X = xi ) . được gọi là hàm hồi qui của Y đối với X . y j ) p ( xi ) .47) Kỳ vọng có điều kiện của X với điều kiện Y = y j và kỳ vọng có điều kiện của Y với điều kiện X = xi tương ứng: [ ] n m i =1 j =1 E X Y = y j = ∑ xi p( xi Y = y j ) . i = 1. m . a) Tìm phân bố của X . (3. b) Tìm phân bố của X với điều kiện B . i = 1. Giải: a) Ta có bảng phân bố xác suất của X với q = 1 − p : X 1 2 … k … P p qp … q k −1 p … b) Phân bố của X với điều kiện B : Khi P( B) > 0 thì P ({X = k } B ) = 69 P({X = k }B ) P(B) . n .Chương 3: Véc tơ ngẫu nhiên X Y = yj x1 x2 … xi … xn P p ( x1 y j ) p( x2 y j ) … p ( xi y j ) … p( xn y j ) trong đó p ( xi y j ) = p ( xi . j = 1. y j ) p( y j ) . j = 1.9: Gieo liên tiếp một đồng tiền. E[X Y = y ] là một hàm của y . Ví dụ 3.

2.08 0.946.07 0.946 .03 0. 55-85. 45. Tìm thu nhập trung bình theo lứa tuổi.01 0.02 0. 4 tương ứng chỉ thu nhập triệu đồng /tháng. Mặt khác P ({X = k }B ) = P{chØ xuÊt hiÖn mÆt ngöa ë lÇn gieo thø k } = pq n−1 Vậy ⎧1 nÕu k ≤ n ⎪ P ({X = k } B ) = ⎨ n ⎪⎩ 0 nÕu k > n Ví dụ 3.10: Thống kê dân cư của một thành phố nọ ở độ tuổi trưởng thành về thu nhập hàng tháng X và lứa tuổi Y thu được kết quả trong bảng sau. 3.29 0.21 0. Do đó P ({X = k }B ) = 0 . độ tuổi 45 là 1. Giải: Thu nhập trung bình theo lứa tuổi là kỳ vọng có điều kiện của X theo Y .29 0.29 E( X Y = 30) = 0 ⋅ 7 18 3 1 + 1⋅ + 2⋅ + 3⋅ = 2.000 đ/tháng. Y 30 45 70 1 0.18 0.069 .06 0.15 4 0. 70 chỉ độ tuổi của người dân trong khoảng: 25-35.000đ/tháng và độ tuổi 70 là 1. 35-55. ♦ Khi k ≤ n .069.03 0. áp dụng công thức Bernoulli ta có: P ( B) = C n1 pq n−1 = npq n−1 .529.Chương 3: Véc tơ ngẫu nhiên ♦ Rõ ràng khi k > n thì biến cố {X = k } kéo theo biến cố trong n phép thử đầu tiên đồng tiền không xuất hiện mặt ngửa.05 2 0. Y = 30.01 0.529 . E ( X Y = 70 ) = 1.10 3 0.04 X trong đó X = 1. Với Y = 30 bảng phân bố xác suất điều kiện tương ứng: Từ đó X Y = 30 0 1 2 3 P 0. Vậy thu nhập trung bình ở độ tuổi 30 là 2.29 0.07 0.000đ/tháng. 70 .18 0. 29 29 29 29 Tương tự E ( X Y = 45) = 1.

f X ( x) (3.7. Y liên tục có hàm mật độ đồng thời là f ( x.50) d FY | X ( y | x) được gọi là hàm mật độ có điều dy kiện của Y với điều kiện X = x và ký hiệu là f Y | X ( y | x) . fY ( y) (3. (3.49) Định lý 3. y ) với mọi x ∈  và y thoả mãn f Y ( y ) > 0 . 71 . f X ( x) Đạo hàm của hàm phân bố có điều kiện (3.6: Nếu X . Y .51) Tương tự ta có hàm phân bố và hàm mật độ có điều kiện của X với Y = y x f (u. Từ định lý trên ta có f Y | X ( y | x) = f ( x. Xác suất của biến cố {Y < y} với điều kiện {X = x} xác định một hàm số của y phụ thuộc tham số x được định nghĩa là hàm phân bố của Y với điều kiện {X = x}.10: Giả sử hai biến ngẫu nhiên X . fY ( y) (3. Y liên tục Định nghĩa 3. nếu f Y ( y ) > 0 .52) f ( x.4 thì ⎧ 1 ⎪ f X Y ( x y ) = ⎨ 2(1 − y ) ⎪ 0 ⎩ nÕu y ≤ 1 vµ x + y ≤ 1 .Chương 3: Véc tơ ngẫu nhiên 3. y ) với mọi y ∈  và x thoả mãn f X ( x) > 0 . Khi đó kỳ vọng của Y với điều kiện X = x được ký hiệu và định nghĩa theo công thức sau E[Y X = x ] = ∞ ∫ yfY X ( y x)dy (3.54) −∞ Định lý sau đây cho công thức liên hệ giũa kỳ vọng và kỳ vọng có điều kiện tương tự công thức (2. v ) dv . nÕu ng−îc l¹i Định nghĩa 3. Y có f Y | X ( y | x) là hàm mật độ có điều kiện của Y với điều kiện X = x .3.11: Nếu X .48) và công thức xác suất đầy đủ (1. y ) du .9: Cho hai biến ngẫu nhiên X . FY | X ( y | x) = P{Y < y X = x}. Y là hai biến ngẫu nhiên liên tục có mật độ đồng thời đã cho trong ví dụ 5. Phân bố có điều kiện và kỳ vọng có điều kiện của hai biến ngẫu nhiên X . (Đây là hàm của biến y còn x đóng vai trò là tham số).53) FX |Y ( x | y ) = ∫ −∞ f X |Y ( x | y ) = Ví dụ 3. nếu f X ( x) > 0 . y ) và X có mật độ f X (x) thì y FY | X ( y | x) = ∫ −∞ f ( x.16).

. 2 ⎝ ⎠ (3. Y ) được gọi là có phân bố chuẩn hai chiều nếu có mật độ đồng thời: f ( x. X j ) . X n ) có phân bố chuẩn n chiều với mật độ đồng thời xác định như trong định nghĩa trên thì i. Y2 . X 2 . X n )t cũng có phân bố chuẩn. t n ) .. PHÂN BỐ CHUẨN NHIỀU CHIỀU 3. x 2 . ma trận cột ( x − a ) t là chuyển vị của ma trận hàng ( x − a) .. M −1t t ⎟ .. Với mọi i = 1. Khái niệm phân bố chuẩn n chiều Định nghĩa 3..2. . Phân bố chuẩn hai chiều Định nghĩa 3.. .. . iii.57) ii.58) iv. . t 2 .. . y ) ⎟ . 3. n : μ i = EX i . . . M = Cij xác định dương. a − t .59) .. a = (μ1 .. X 2 . X n ) được gọi là có phân bố chuẩn n chiều nếu có mật độ đồng thời f ( x) = ⎫ ⎧ 1 exp⎨− ( x − a) M −1 ( x − a) t ⎬ ⎭ ⎩ 2 (2π) n det M 1 (3. trong đó H là ma trận vuông cấp n bất kỳ có det H ≠ 0 . μ n ) ∈  n .11: Véc tơ ngẫu nhiên ( X 1 . Yn ) = H ( X 1 .. . . (3. Biến ngẫu nhiên thành phần X i có phân bố chuẩn N (μ i .. X 2 . Định lý 3.. .. nghĩa là M là ma trận chéo. Cii ) . . (3. v. X 2 . y ) = 1 2πσ1σ 2 ⎛ 1 ⎞ exp⎜ − Q( x.8.8.12: Véc tơ ngẫu nhiên ( X .7: E[Y ] = E E Y X = x . .8: Nếu véc tơ ngẫu nhiên X = ( X 1 . X n ) : Cij = cov( X i .1. nghĩa là E[Y ] = ∫ E[Y X = x ] f X ( x)dx .. . .8. M là ma trận hiệp phương sai của véc tơ ngẫu nhiên X = ( X 1 . . .. . ⎝ 2 ⎠ 1 − ρ2 72 (3. x n ) ∈  n .. μ 2 ... X n độc lập khi và chỉ khi chúng không tương quan.. Hàm đặc trưng: 1 ⎞ ⎛ ϕ X (t ) = exp⎜ i t . . 3. X 2 . (Y1 .Chương 3: Véc tơ ngẫu nhiên [[ ]] Định lý 3.55) D trong đó D = {x ∈  f X ( x) > 0} ..56) [ ]n×n là ma trận đối xứng trong đó x = ( x1 . t = (t1 . Các biến ngẫu nhiên X 1 . .

62) là một hàm tuyến tính theo y . y ) = ⎨⎜⎜ (1 − ρ 2 ) ⎪⎩⎝ σ1 ⎠ ⎝ σ1 ⎠⎝ σ 2 ⎠ ⎝ σ 2 ⎠ ⎪⎭ 1 Định lý 3. ii.60) là mật độ của biến ngẫu nhiên chuẩn tắc N (0. Ma trận tương quan của ( X . Đây là một tính chất rất quan trọng của phân bố chuẩn 2 chiều. Định lý 3... TÓM TẮT Biến ngẫu nhiên nhiều chiều Một biến ngẫu nhiên n chiều hay véc tơ ngẫu nhiên n chiều là một bộ ( X 1 . . .61) 2. Y ) có phân bố chuẩn hai chiều với mật độ đồng thời xác định như trong định nghĩa 9. σ2 (3. iii. . 73 .3..10: Nếu ( X . X 2 . Y độc lập.Chương 3: Véc tơ ngẫu nhiên 2 ⎧⎛ x − μ ⎞ 2 ⎛ x − μ1 ⎞⎛ y − μ 2 ⎞ ⎛ y − μ 2 ⎞ ⎫⎪ ⎪ 1 ⎟⎟ − 2ρ⎜⎜ ⎟⎟⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟ ⎬ ..9 suy ra rằng phân bố của X với điều kiện Y = y có phân bố chuẩn với kỳ σ vọng μ1 + ρ 1 ( y − μ 2 ) và phương sai σ12 (1 − ρ 2 ) . Nhận xét: 1. Y ) có phân bố chuẩn hai chiều thì với mọi hằng số a. Hàm mật độ của X với điều kiện Y = y : f ( x. Y có phân bố chuẩn N (μ 2 . Biến ngẫu nhiên n chiều là liên tục hay rời rạc nếu tất cả các biến ngẫu nhiên thành phần X 1 .9: Giả sử véc tơ ngẫu nhiên ( X . Y ) là ⎡ σ12 M =⎢ ⎢ρσ σ ⎣ 1 2 ρσ1σ 2 ⎤ ⎥ ⇒ 2 ⎥ σ2 ⎦ M −1 ⎡ 1 / σ12 − ρ /(σ1σ 2 )⎤ ⎢ ⎥. Q ( x. X . = 2 1 − ρ 2 ⎢⎣− ρ /(σ1σ 2 ) 1 / σ 2 ⎥⎦ 1 (3. σ 22 ) . X có phân bố chuẩn N (μ1 . Khi đó i. Y ) = ρ . X 2 .. . y ) 1 = f ( x y) = fY ( y) σ 1 − ρ 2 1 trong đó ϕ( x) = 1 2π − x2 e 2 ⎛ x − μ − (σ / σ )ρ( y − μ ) ⎞ 1 1 2 2 ⎟ ϕ⎜⎜ ⎟⎟ ⎜ σ1 1 − ρ 2 ⎝ ⎠ (3. . Y không tương quan khi và chỉ khi X . X n là các biến ngẫu nhiên. X 2 . .. iv. do đó kỳ vọng có điều kiện: σ2 E[X Y = y ] = μ1 + ρ σ1 ( y − μ2 ) .1) . X n là liên tục hay rời rạc. b ∈  biến ngẫu nhiên Z = aX + bY cũng có phân bố chuẩn. X n ) với các thành phần X 1 . Hệ số tương quan ρ( X . σ12 ) . Từ định lý 3.

m i =1 m { } m p ( xi ) = P{ X = xi } = ∑ P X = xi . n j =1 j =1 Quy luật phân bố xác suất có điều kiện của các thành phần X Y = yj x1 x2 … xi … xn P p ( x1 y j ) p( x2 y j ) … p ( xi y j ) … p( xn y j ) p ( xi y j ) = p ( xi . Y X = xi y1 y2 … yj … ym P p ( y1 xi ) p ( y 2 xi ) … p ( y j xi ) … p ( y m xi ) p ( y j xi ) = p ( xi . j = 1. Y nhận các giá trị { } y j ( j = 1. Y ) . Bảng phân bố xác suất biên Giả sử biến ngẫu nhiên thành phần X nhận các giá trị xi ( i = 1. i =1 j = 1. Y ) là bảng liệt kê tất cả các giá trị của X theo hàng. n ). y j ) p( y j ) . y j ) . n . j = 1. n . y j ) . Y = y j = ∑ p( xi . Kỳ vọng và phương sai của các biến ngẫu nhiên thành phần 74 . y j ) = P X = xi . m ) với xác suất tương ứng p ( xi . i = 1. y ) với mọi y ∈  và x thoả mãn f X ( x) > 0 .Chương 3: Véc tơ ngẫu nhiên Ta ký hiệu biến ngẫu nhiên hai chiều là ( X . y j ) = p ( xi ) p( y j ) ∀ i = 1. f X ( x) Tính độc lập của các biến ngẫu nhiên Hai biến ngẫu nhiên X và Y gọi là độc lập nếu mỗi biến ngẫu nhiên nhận giá trị này hay giá trị khác không ảnh hưởng gì đến phân bố xác suất của biến ngẫu nhiên kia. Bảng phân bố xác suất đồng thời của biến ngẫu nhiên rời rạc hai chiều Bảng phân bố xác suất đồng thời của biến ngẫu nhiên rời rạc hai chiều ( X . j = 1. m . m . Y = y j thì phân bố của hai biến ngẫu nhiên thành phần { n } { n } p ( y j ) = P Y = y j = ∑ P X = xi . n . m . giá trị của Y theo cột và các xác suất tương ứng. i = 1. trong đó X là biến ngẫu nhiên thành phần thứ nhất và Y là biến ngẫu nhiên thành phần thứ hai. Nghĩa là: p( xi . i = 1. Hàm mật độ có điều kiện của các biến ngẫu nhiên liên tục: f Y | X ( y | x) = f ( x. y j ) p ( xi ) . Y = y j = ∑ p ( xi .

y ) = 1 2πσ1σ 2 ⎛ 1 ⎞ exp⎜ − Q( x.Y = cov( X . .Y ( x. j =1 [ ∞ ] ∫ yfY X ( y x)dy . y j ) − E X E Y . X 2 . .Y ( x. y j ) − (EX )2 i =1 j =1 hoặc DX = EX − (EX ) = 2 2 ∞ ∞ ∫ ∫x 2 f X . Y ) = E ( X − EX )(Y − EY ) = ∑∑ xi y j p( xi .Y ( x. Y ký hiệu và định nghĩa bởi công thức: ρ X .. y)dxdy m m n ∞ ∞ ∞ j =1 j =1 i =1 −∞ −∞ −∞ EY = ∑ y j p( y j ) = ∑∑ y j p( xi . Y ) được gọi là có phân bố chuẩn hai chiều nếu có mật độ đồng thời: f ( x.. y )dxdy − (EX )2 −∞ −∞ Hiệp phương sai m n cov( X . y j ) hoặc EY = ∫ yfY ( y)dy = ∫ ∫ yf X . Hoặc E Y X = x = −∞ Phân bố chuẩn n chiều Véc tơ ngẫu nhiên ( X 1 . y j ) hoặc EX = ∫ xf X ( x)dx = ∫ ∫ xf X . ⎝ 2 ⎠ 1 − ρ2 75 . Y ) σ X σY Kỳ vọng có điều kiện m ( ) Kỳ vọng có điều kiện của Y với điều kiện {X = xi } : E(Y X = xi ) = ∑ y j p y j xi . X n ) được gọi là có phân bố chuẩn n chiều nếu có mật độ đồng thời f ( x) = ⎫ ⎧ 1 exp⎨− ( x − a) M −1 ( x − a) t ⎬ . y)dxdy n m DX = EX 2 − (EX )2 = ∑∑ xi2 p( xi . j =1 i =1 Hệ số tương quan Hệ số tương quan của hai biến ngẫu nhiên X .Chương 3: Véc tơ ngẫu nhiên n n m ∞ ∞ ∞ i =1 i =1 j =1 −∞ −∞ −∞ EX = ∑ xi p( xi ) = ∑∑ xi p( xi . y ) ⎟ . ⎭ ⎩ 2 (2π) n det M 1 Phân bố chuẩn hai chiều Véc tơ ngẫu nhiên ( X .

3. Đúng Sai .Chương 3: Véc tơ ngẫu nhiên 2 ⎧⎛ x − μ ⎞ 2 ⎛ x − μ1 ⎞⎛ y − μ 2 ⎞ ⎛ y − μ 2 ⎞ ⎫⎪ ⎪ 1 ⎟⎟ − 2ρ⎜⎜ ⎟⎟⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟ ⎬ . Y ) = 0 thì EX = EY ).4 Hai biến ngẫu nhiên độc lập có hiệp phương sai bằng 0. Y ) xác định phân bố xác suất của hai biến ngẫu nhiên thành phần X và Y . f ( x 2 ). Đúng Sai .. ..10 Nếu hiệp phương sai của hai biến ngẫu nhiên bằng 0 thì hai kỳ vọng của chúng bằng nhau ( cov( X . Đúng Sai .3 Nếu hai biến ngẫu nhiên X .. Y ) . 3. Đúng Sai . 76 . Đúng Sai . Đúng Sai . Y độc lập thì bảng phân bố xác suất của X và Y cho phép xác định phân bố xác suất đồng thời của ( X .Y ) .9 Nếu hai biến ngẫu nhiên X .1 Bảng phân bố xác suất của X và Y cho phép xác định phân bố xác suất đồng thời của ( X . . Y độc lập thì hàm hồi quy f ( x) = E (Y X = x ) của Y đối với X và hàm hồi quy g ( y ) = E ( X Y = y ) của X đối với Y là hai hàm hằng.Y luôn luôn bằng 1. 3. Y ) bằng tích của hai hàm mật độ thành phần X và Y .6 Hiệp phương sai luôn nhận giá trị dương.11 Hàm mật độ đồng thời của véc tơ ngẫu nhiên liên tục ( X . Đúng Sai . Đúng Sai .5 Hai biến ngẫu nhiên có hiệp phương sai bằng 0 thì độc lập. f ( x n )} là tập giá trị của hàm hồi quy f ( x) = E (Y X = x ) của Y đối với X . 3. 3.. Q ( x. Đúng Sai . 3. . a ≠ 0 thì hệ số tương quan ρ X . 3.8 Nếu {x1 . 3. .2 Bảng phân bố xác suất đồng thời của ( X .7 Nếu Y = aX + b . x 2 . y ) = ⎨⎜⎜ (1 − ρ 2 ) ⎪⎩⎝ σ1 ⎠ ⎝ σ1 ⎠⎝ σ 2 ⎠ ⎝ σ 2 ⎠ ⎪⎭ 1 CÂU HỎI ÔN TẬP VÀ BÀI TẬP 3. Đúng Sai . x n } là tập giá trị của X thì { f ( x1 ). 3. 3.

3.18 0. Y là hai biến ngẫu nhiên có phân bố xác suất đồng thời như sau Y 1 2 3 1 0.Chương 3: Véc tơ ngẫu nhiên Đúng Sai .Y .20 X Tìm phân bố xác suất của hai biến ngẫu nhiên thành phần X . 3. 3.Y . Y ) = 0 và ρ X . X .16 0. EY . Đúng Sai . Y không tương quan.13 Cho X .03 2 0.07 X 77 . Y là hai biến ngẫu nhiên có phân bố xác suất đồng thời như sau Y y1 y2 y3 x1 0.16 Cho X .08 0.28 0. Y là hai biến ngẫu nhiên có phân bố xác suất đồng thời như sau Y −1 0 1 −1 4/15 1/15 4/15 0 1/15 2/15 1/15 1 0 2/15 0 X Hãy xác định EX .12 0. Y độc lập khi và chỉ khi X . Y có độc lập không? 3. 3. EY .16 x2 0. cov( X .35 0. Y .12 Giả sử ( X .15 Cho X .15 0.22 0. Y ) là véc tơ ngẫu nhiên phân bố chuẩn. Y là hai biến ngẫu nhiên có phân bố xác suất đồng thời như sau Y −1 1 −1 1/6 1/4 0 1/6 1/8 1 1/6 1/8 X Hãy xác định EX . khi đó X .14 Cho X . cov( X . Y ) = 0 và ρ X .

19 Gieo đồng thời một con xúc xắc và một đồng tiền. Y có độc lập.2 0.20 Cho bảng phân bố xác suất đồng thời của X .20 0. 3. Y . Gọi X là biến ngẫu nhiên chỉ số chấm của con xúc xắc và Y là biến ngẫu nhiên chỉ mặt sấp (1) hay mặt ngửa (0) của đồng tiền. Tính xác suất P{X = 1Y = 2} .1 0.17 Cho X .05 0. 3.21 Cho bảng phân bố xác suất đồng thời của X .06 0.21 Y Tìm bảng phân bố xác suất điều kiện của Y khi X = 26 và của X khi Y = 27 .Chương 3: Véc tơ ngẫu nhiên a) Chứng minh rằng X . c) Tính các kỳ vọng EX .11 0. EZ .12 0.10 2 0.15 0.15 X Hai biến ngẫu nhiên X .15 0.30 0. Tính xác suất P{X > Y } .1 Y 0 1 2 3 4 P 0. Y là hai biến ngẫu nhiên độc lập có phân bố xác suất như sau: X 0 1 2 3 P 0. b) Tìm quy luật phân bố của biến ngẫu nhiên Z = XY . b) Tìm các kỳ vọng EX .25 0.35 0.30 0. 3.18 Cho X .09 0.3 0.4 0. Y có độc lập không.05 0. Y là hai biến ngẫu nhiên có phân bố xác suất đồng thời như sau Y 1 2 3 1 0. 78 . Lập bảng phân bố xác suất đồng thời của X và Y .05 Tìm phân bố xác suất đồng thời của X . DY .04 6 0.07 Y a) Tìm kỳ vọng có điều kiện của Y khi X = 1 .10 0.03 0.4 0. Y X 26 30 41 50 23 0.04 27 0. 3.3 0. EY và phương sai DX .15 0. Y X 1 3 4 8 3 0.08 0. EY . 3.

Chương 3: Véc tơ ngẫu nhiên 3. Y . nÕu ng−îc l¹i ⎩0 a) Tìm C. B( 3 . Y là hai biến ngẫu nhiên có phân bố xác suất đồng thời Y −1 0 1 −1 4α α 4α 0 α 2α α 1 0 2α 0 X a) Tìm α . c) X và Y có độc lập không? 3. Y ) .22 Cho X . y ) và hàm mật độ có điều kiện f ( x y ) . 3. ρ ( X . Tìm hàm mật độ đồng thời f ( x. Y ) có dạng ⎧⎪1 − e − x − e − y + e − x − y F ( x.0) .23 Cho véc tơ ngẫu nhiên ( X . 3.26 Cho véc tơ ngẫu nhiên ( X . a) Tìm C.25 Cho véc tơ ngẫu nhiên ( X .1). c) X và Y có độc lập không? d) Tính xác suất để véc tơ ngẫu nhiên ( X . Y ) có hàm mật độ xác định như sau: ⎧ Cx nÕu 0 < y < x < 1 f ( x. y ) = ⎨ ⎪⎩ 0 nÕu ng−îc l¹i nÕu x > 0. Y ). b) Tìm các hàm mật độ của X và của Y . Y ) có hàm mật độ xác định như sau: f ( x.1). y > 0 . Tính EX . y ) = ⎨ . C (1.0) và D( 3 . Y ) nhận giá trị nằm trong hình chữ nhật với các đỉnh là A(1. Y ) có hàm mật độ xác định như sau: 79 .24 Hàm phân bố của véc tơ ngẫu nhiên ( X . b) Tính cov( X . EY . c) X và Y có độc lập không. 3. y ) = C (1 + x 2 )(1 + y 2 ) . b) Tìm hàm phân bố đồng thời mật độ của X .

Y = 0. y ) = ⎨ 2 x 2 y ⎪0 ⎩ nÕu x ≥ 1 và 1 ≤ y ≤ x.Chương 3: Véc tơ ngẫu nhiên ⎧ 1 ⎪ f ( x. x nÕu ng−îcl¹i a) Tìm hàm mật độ của X và của Y .27 Cho X và Y là hai biến ngẫu nhiên có phân bố chuẩn đồng thời với EX = 35. DX = 36.8 . 80 . Tìm kỳ vọng và phương sai của 2 X − 3Y . 3. b) Tìm hàm mật độ có điều kiện f ( x y ) và f ( y x) . EY = 20. DY = 16 và ρ X .

X 2 .. Định lý giới hạn trung tâm khảo sát sự hội tụ theo phân bố xác suất cúa dãy các biến ngẫu nhiên.. 81 . Máckốp. X 2 . Để chứng minh định lý Trêbưsép ta sử dụng bất đẳng thức Trêbưsép. X 2 . Luật số lớn và định lý giới hạn trung tâm là cơ sở lý thuyết để giải quyết các bài toán ước lượng và kiểm định giả thiết thống kê.. ký hiệu X n ⎯⎯⎯→ X .. Luật số lớn cũng là cơ sở để định nghĩa xác suất của biến cố thông qua tần suất xuất hiện của biến cố đó.1) Như vậy dãy các biến ngẫu nhiên X1.1. gọi là hội tụ theo xác suất về biến P ngẫu nhiên X . đấy là nội dung của luật số lớn. Khi tung một đồng xu ta sẽ không biết mặt sấp hay mặt ngửa xuất hiện nhưng nếu tung nhiều lần thì ta thấy rằng số lần mặt sấp và mặt ngửa xuất hiện là xấp xỉ gần bằng nhau. nếu: n→∞ ∀ε > 0 lim P { X n − X > ε } = 0 .1: Dãy các biến ngẫu nhiên X1. Định lý Trêbưsép là dạng tổng quát của luật số lớn còn định lý Bernoulli là trường hợp đơn giản nhất áp dụng cho dãy các biến ngẫu nhiên độc lập có phân bố không – một A( p) công thức (2. thực tế ta có thể coi rằng. có cùng phân bố không – một A( p) ta được định lý Moivre –Laplace.1.. X n không khác mấy so với X . Trêbưsép. Luật số lớn đầu tiên của James Bernoulli được công bố năm 1713.Chương 4: Luật số lớn và định lý giới hạn CHƯƠNG IV: LUẬT SỐ LỚN VÀ ĐỊNH LÝ GIỚI HẠN GIỚI THIỆU Lý thuyết xác suất nghiên cứu khả năng xuất hiện của các biến cố ngẫu nhiên. Về sau.. Trong chương này ta xét hai định lý về luật số lớn.9).. Liapunốp mở rộng.. n→∞ (4. Luật số lớn nghiên cứu sự hội tụ theo xác suất của dãy các biến ngẫu nhiên. CÁC DẠNG HỘI TỤ CỦA DÃY CÁC BIẾN NGẪU NHIÊN 4. Định lý giới hạn trung tâm áp dụng cho dãy các biến ngẫu nhiên độc lập X1. kết quả này được Poisson. Hội tụ theo xác suất Định nghĩa 5.. hội tụ theo xác suất về biến ngẫu nhiên X thì với n đủ lớn.1. NỘI DUNG 4. Áp dụng định lý Moivre –Laplace ta có công thức tính gần đúng phân bố nhị thức. Như vậy khi thực hiện nhiều lần phép thử ngẫu nhiên ta sẽ tìm được quy luật xuất hiện của biến cố ngẫu nhiên.

2: Nếu X là biến ngẫu nhiên có kỳ vọng và phương sai hữu hạn thì với mọi ε > 0 ta có: 82 . nghĩa là với n =1 mọi x ∈  : lim P{X n < x} = P{X < x} .2: Dãy các biến ngẫu nhiên X1.. X 2 .4) Chứng minh: a) Trường hợp Y rời rạc có tập giá trị V = {y1 .2. gọi là hội tụ theo phân bố về biến { } ngẫu nhiên X nếu dãy các hàm phân bố FX n ( x) ∞ hội tụ về hàm phân bố FX (x) .. yi∈V2 Suy ra yi∈V2 P{Y > a} ≤ yi∈V2 EY . yi > a}.1. (4. a P{Y > a} ≤ (4. EY . Bất đẳng thức trêbưsép Định lý 4. .1. Khi đó EY = ∑ yi P{Y = yi } = ∑ yi P{Y = yi } + ∑ yi P{Y = yi } yi∈V ≥ yi∈V1 ∑ yi P{Y = yi } ≥ a ∑ P{Y = yi } = aP{Y > a}.2) n→∞ Trường hợp dãy các biến ngẫu nhiên rời rạc {X n }∞ n =1 và biến ngẫu nhiên rời rạc X có C = {c1 .. V2 = {y i ∈ V . c2 . Ta có EY = Suy ra +∞ a +∞ +∞ +∞ 0 0 a a a ∫ xf ( x)dx = ∫ xf ( x)dx + P{Y > a} ≤ ∫ xf ( x)dx ≥ ∫ xf ( x)dx ≥ a ∫ f ( x)dx = aP{Y > a} . yi ≤ a} .2. y 2 . ..} . a Định lý 4...Chương 4: Luật số lớn và định lý giới hạn 4. (4. a b) Giả sử Y liên tục có hàm mật độ f ( x) .1: Cho Y là biến ngẫu nhiên không âm có kỳ vọng hữu hạn. LUẬT SỐ LỚN 4. Khi đó với mọi a > 0 ta có: EY . Hội tụ theo phân bố Định nghĩa 4.} thì dãy {X n }∞n=1 và chỉ khi với mọi c k ∈ C : cùng tập giá trị hội tụ theo phân bố về biến ngẫu nhiên X khi lim P{X n = c k } = P{X = c k }.2.3) n→∞ 4. Đặt V1 = {yi ∈ V ..

Chương 4: Luật số lớn và định lý giới hạn

P{ X − EX > ε} ≤

DX
ε2

.

(4.5)

cũng vậy,

P{ X − EX ≤ ε} ≥ 1 −

DX
ε2

.

(4.6)

Chứng minh: Áp dụng công thức (4.4) cho biến ngẫu nhiên Y = ( X − EX )2 và a = ε 2 ta
có:

{

}

P{ X − EX > ε} = P Y > ε 2 ≤

EY
ε

=

2

E( X − EX )2
ε

2

=

DX
ε2

.

Bất đẳng thức (4.5)-(4.6) được gọi là bất đẳng thức Trêbưsép.
Bất đẳng thức Trêbưsép có nhiều ứng dụng. Trước hết nó cho phép ta đánh giá cận trên
hoặc cận dưới xác suất để biến ngẫu nhiên X nhận giá trị sai lệch so với kỳ vọng E X không quá

ε . Bất đẳng thức Trêbưsép có ý nghĩa to lớn về mặt lý thuyết, nó được sử dụng để chứng minh
các định lý của luật số lớn.
Ví dụ 4.1: Một cửa hàng muốn ước lượng nhanh chóng sai số của số vải bán ra trong một
tháng của mình. Số vải của mỗi khách hàng được làm tròn bởi số nguyên gần nhất (ví dụ trong sổ
ghi 195,6 m thì làm tròn là 196m ). Ký hiệu X i là sai số giữa số mét vải thực bán và số mét vải đã
làm tròn của khách hàng thứ i.
Giải: Các sai số X1, X 2 ,..., X n là các biến ngẫu nhiên độc lập có phân bố đều trên đoạn
1
[ −0,5;0,5] . Khi đó EX i = 0, DX i = . Sai số tổng cộng trong cả tháng là S = X1 + + X n
12
(trong đó n là số khách hàng mua hàng trong tháng). Ta có:
n

n

i =1

i =1

ES = ∑ EX i = 0, DS = ∑ DX i =

n
.
12

Theo bất đẳng thức Trêbưsép, xác suất để sai số vượt quá ε mét sẽ được đánh giá bởi:

P{ S > ε} ≤

DS

ε

2

=

n
12ε 2

.

Giả sử có n = 104 khách hàng trong tháng. Để xác suất P { S > ε } bé hơn 0,01 ta phải có

n
12ε 2

≤ 0, 01 hay ε ≥

n
= 288, 67 .
12 ⋅ 0, 01

Vậy ta có thể kết luận: Với xác suất 0,99 sai số giữa số vải thực bán với số vải đã tính tròn
không vượt quá 289 m, nếu số khách hàng là 1 vạn.

83

Chương 4: Luật số lớn và định lý giới hạn
4.2.2. Luật số lớn Trêbưsép
Định lý 4.3: Giả sử X1, X 2 ,... là dãy các biến ngẫu nhiên độc lập, có các kỳ vọng hữu hạn
và phương sai đều bị chặn trên bởi hằng số C ( DX i ≤ C ; ∀i = 1, 2,... ). Khi đó

⎛ X + + X n EX1 + + EX n


> ε ⎟= 0
lim P ⎜ 1
n
n
n→∞ ⎝

Chứng minh: Xét biến ngẫu nhiên Sn =

X1 +

n
+ EX n

EX1 +

biến ngẫu nhiên X1, X 2 ,... ta suy ra ES n =

+ Xn

n

(4.7)

. Từ giả thiết độc lập của dãy các

; DSn =

DX1 +

n2

+ DX n

C
.
n

Áp dụng bất đẳng thức Trêbưsép (4.5) cho biến ngẫu nhiên S n ta có:

⎛ X + + X n EX1 + + EX n
⎞ C
P⎜ 1

> ε ⎟ ≤ 2 ⎯⎯⎯→ 0 .
n→∞
n
n

⎠ nε
Hệ quả 1: Giả sử X1, X 2 ,... là dãy các biến ngẫu nhiên độc lập có cùng có kỳ vọng μ và
phương sai đều bị chặn trên bởi hằng số C ( DX i ≤ C ; ∀i = 1, 2,... ). Khi đó

X1 +

+ Xn
n

P
n→∞

⎯⎯⎯→ μ

(4.8)

Hệ quả 2: Giả sử X1, X 2 ,... là dãy các biến ngẫu nhiên độc lập có cùng phân bố, có kỳ
vọng μ và phương sai σ 2 . Khi đó

X1 +

+ Xn
n

P
n→∞

⎯⎯⎯→ μ

(4.9)

Định lý Trêbưsép 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 nó chứng tỏ 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 của một
số lớn các biến ngẫu nhiên lại nhận giá trị gần bằng trung bình số học 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. Giả sử X là số nốt xuất hiện ở mặt trên con xúc xắc. Ta có EX = 3,5 .
Một nhà thống kê đã gieo một con xúc xắc cân đối 1 triệu lần (nhờ sự trợ giúp của máy vi tính) và
ghi lại số nốt xuất hiện ở mặt trên con xúc xắc. Số trung bình của 1 triệu lần gieo được tìm thấy là

x1 +

+ x106

106

≈ 3,500867 ≈ 3,5 .

Định lý Trêbưsép 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

84

Chương 4: Luật số lớn và định lý giới hạn

X1, X 2 ,..., X n . 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 Trêbưsép 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.
Định lý Trêbưsép còn là cơ sở cho phương pháp mẫu ứng dụng trong thống kê.
4.2.3. Luật số lớn Bernoulli
Xét phép thử ngẫu nhiên C và A là một biến cố liên quan đến phép thử
thử

C. Tiến hành phép

C n lần độc lập và gọi kn là tần số xuất hiện biến cố A trong n phép thử đó. f n =

kn
được
n

gọi là tần suất xuất hiện của A trong n phép thử.
Định lý 4.4: Tần suất f n hội tụ theo xác suất về xác suất p của biến cố A , nghĩa là với
mọi ε > 0

lim P { f n − p < ε } = 1

n→∞

(4.10)

Chứng minh: Xét dãy các biến ngẫu nhiên X1, X 2 ,..., X n xác định như sau:

⎧ 1 nÕu A x¶y ra ë phÐp thö thø k
Xk = ⎨
⎩ 0 nÕu A kh«ng x¶y ra ë phÐp thö thø k
ta gọi dãy các biến ngẫu nhiên X1, X 2 ,..., X n độc lập có cùng phân bố không – một A( p) (công
thức (2.9)). EX k = p, DX k = p (1 − p ) .
Ta có

X1 +

+ Xn
n

=

kn
= fn .
n

Vậy theo hệ quả 2 của định lý 4.2 suy ra f n hội tụ theo xác suất về p .
Định lý Bernoulli chỉ ra rằng tần suất xuất hiện của biến cố trong n phép thử độc lập sẽ hội
tụ theo xác suất về xác suất của biến cố đó khi số lần thử tăng lên vô hạn. Chính vì vậy định lý
Bernoulli là cơ sở lý thuyết của định nghĩa thống kê về xác suất.
Ở thế kỷ 18, nhà toán học Pháp Buffon gieo một đồng tiền 4040 lần và ghi được 2048 lần
xuất hiện mặt ngửa, tần suất là 0,507. Một nhà thống kê người Anh gieo đồng tiền 12000 lần và
thu được 6019 lần xuất hiện mặt ngửa, tần suất tương ứng 0,5016. Trong một thí nghiệm khác,
ông ta gieo 24000 lần và thu được 12012 lần xuất hiện mặt ngửa, tần suất tương ứng là 0,5005.
Như vây ta thấy rằng khi số phép thử tăng lên thì tần suất tương ứng sẽ càng gần 0,5.
4.3. ĐỊNH LÝ GIỚI HẠN TRUNG TÂM
Định lý 4.5: Giả sử X1, X 2 ,... là dãy các biến ngẫu nhiên độc lập có cùng phân bố, có kỳ
X + + X n − nμ
hội tụ theo
vọng μ và phương sai σ 2 . Khi đó dãy biến ngẫu nhiên Sn = 1
σ n
phân bố về phân bố chuẩn tắc N (0;1) , nghĩa là:

85

X n có phân bố nhị thức B (n.4. p n ) . XẤP XỈ PHÂN BỐ NHỊ THỨC 4. a) Tính tỉ lệ hộp chứa toàn đinh ốc không đúng quy cách. p) với phân bố Poisson tham số λ = np : P{X n = k } ≈ e − np (np ) k . X ~ B (n .015. ở đó với mỗi n . b) Giả sử mỗi hộp chứa 100 + k đinh ốc. k là số tự nhiên. độc lập có cùng phân bố không – một A( p) ta được: ⎧⎪ X + Với mọi x ∈ . Gọi X là số đinh ốc không đúng quy cách trong mỗi hộp chứa 100 + k đinh ốc.11) n→∞ Φ ( x) là hàm phân bố của phân bố chuẩn tắc N (0.. Áp dụng định lý giới hạn trung tâm cho dãy các biến ngẫu nhiên độc lập X1. b) Cần phải xếp ít nhất bao nhiêu đinh ốc trong mỗi hộp để tỉ lệ hộp chứa 100 đinh ốc tốt tối thiểu là 80%.12) 4.6 (Moivre –Laplace): Dãy các biến ngẫu nhiên X1. Giải: a) Nếu gọi X là số đinh ốc không đúng quy cách trong hộp chứa 100 đinh ốc thì X ~ B (n . Xấp xỉ phân bố nhị thức bằng phân bố Poisson Định lý 4. X 2 . Người ta xếp đinh ốc vào từng hộp.4. Trong thực tế khi n > 50 và p < 0. p) với n = 100 + k . X 2 .1 người ta có thể xấp xỉ P (np) B (n ....1.2: Giả sử xác suất để làm ra mỗi đinh ốc không đúng quy cách là p = 0.7: Cho X1. là dãy các biến ngẫu nhiên có cùng phân bố nhị thức. Giả sử tồn tại giới hạn lim np n = λ > 0 . p = 0.. 2231 0! Vậy có khoảng 22. 015 .13) Ví dụ 3. Tính gần đúng: P { X = 0} ≈ e − np (np )0 = e −1. k! (4..1) . p = 0. X 2 .. Thì X n n→∞ hội tụ theo phân bố về biến ngẫu nhiên X có phân bố Poisson tham số λ .Chương 4: Luật số lớn và định lý giới hạn Với mọi x ∈ . mỗi hộp 100 chiếc. Ta phải xác định k nhỏ nhất để 86 . lim P ⎨ 1 n→∞ ⎩ ⎪ + X n − np npq ⎫⎪ < x ⎬ = Φ( x) .. 015 . ⎭⎪ (4.. p) với n = 100.9)) ta được định lý Moivre –Laplace: Định lý 4.5 = 0. lim P {S n < x} = Φ ( x) (4. có cùng phân bố không – một A( p ) (công thức (2.3% số hộp chứa 100 đinh ốc tốt.

khi đó npq ⎛ k − np ⎞ 1 ⎟ (1 + ε n. Công thức (2.k < C n (4. Xấp xỉ phân bố nhị thức bằn phân bố chuẩn Giả sử X 1 . X 2 . Như vậy khi n đủ lớn ta có thể xấp xỉ : ⎛ k − np ⎞ 1 ⎟ P{X = k } ≈ ϕ⎜ ⎜ npq ⎟ nqp ⎝ ⎠ 1 2π e −( k − np ) 2 2 npq .10) ta có U n = X 1 + X 2 + + Xn ~ B (n. . 2.52 + + e−1.5 1.985 ) i n −i ≥ 0. Vậy cần tìm k nhỏ nhất để ⎧⎪ 1.5 (vì k nhỏ). Đặt x k = .2.4.8) cho phép tính xác suất P {U n = k } = Cnk p k q n−k .9) và (2. p ) . .15) Ngoài ra áp dụng định lý Moivre-Laplace và công thức (4.8 e1.8 ⇔ 1 + k ! ⎭⎪ 1! 2! + 1. 015 ) ( 0.12) ta cũng có công thức xấp xỉ giá trị của hàm phân bố nhị thức ⎧⎪U − np x − np ⎪⎫ ⎛ x − np ⎞ P {U n < x} = P ⎨ n < ⎟⎟ ⎬ ≈ Φ ⎜⎜ npq ⎪⎭ npq ⎪⎩ npq ⎝ ⎠ Người ta thấy rằng xấp xỉ là tốt khi np và nq lớn hơn 5 hoặc khi npq > 20 ..16) . p) .14) với C là hằng số. 87 (4..5 + 0.5k ⎫⎪ 1.5 ⎨1 + 2! ⎩⎪ 1! + 1. Pn (k .8 (định lý giới hạn địa phương): Giả sử X là biến ngẫu nhiên có phân bố nhị k − np thức B (n.8 . p) = P{X = k } = ϕ⎜ ⎜ npq ⎟ nqp ⎝ ⎠ trong đó ε n.5853 k! Thử với k = 1. ta thấy k = 2 bất đẳng thức trên được thoả mãn. (4.k ) . 015k ≈ 1. 015) ≈ 1. i =0 i Dùng công thức xấp xỉ P { X = i} = Cni ( 0.5 = 3. X n độc lập có cùng phân bố không – một A(p)..5 1.Chương 4: Luật số lớn và định lý giới hạn k P { X ≤ k} = ∑ Cni ( 0. 015 ) ( 0. 4. Tuy nhiên khi n khá lớn ta không thể áp dụng công thức này để tính mà cần đến công thức xấp xỉ.8022.. Như vậy dùng xấp xỉ Poisson ta có thể kết luận mỗi hộp cần đóng 102 chiếc đinh ốc. Khi đó xác suất để có ít nhất 100 đinh ốc tốt trong hộp 102 chiếc là 0.5k ≥ 0. Định lý 4. . Theo công thức (2..985 ) n −i ≈ e−λ λi i! ở đó λ = np = (100 + k )(0.52 + + ⎬ ≥ 0.

∀i = 1. TÓM TẮT Hội tụ theo xác suất P n→∞ X n ⎯⎯⎯→ X . nếu ∀ε > 0 lim P { X n − X > ε } = 0 . Khi đó với mọi a > 0 ta EY có: P{Y > a} ≤ .5 .5 ⋅ 0.6915 − 0..3: Gieo 3200 lần một đồng xu cân đối và đồng chất. Luật số lớn Trêbưsép Giả sử X1. a) Tìm số lần xuất hiện mặt sấp có khả năng nhất.0928 .5 ϕ(0) = 1 40 π ≈ 0. 0. Tính xác suất tương ứng.5987 = 0.5) ≈ 3200! 0. n→∞ Bất đẳng thức Trêbưsép Cho Y là biến ngẫu nhiên không âm có kỳ vọng hữu hạn.5 = 0 .5 3200 . n→∞ Hội tụ theo phân bố Nếu với mọi x ∈  : lim P{X n < x} = P{X < x} ..5) − Φ (0..Chương 4: Luật số lớn và định lý giới hạn Ví dụ 3. { } b) Tính xác suất P 5 2 + 1600 ≤ X ≤ 10 2 + 1600 . 25) 20 2 ⎩ ⎭ { } Tra bảng ta có Φ(0.. a Nếu X là biến ngẫu nhiên có kỳ vọng và phương sai hữu hạn thì với mọi ε > 0 ta có: P{ X − EX > ε} ≤ DX ε 2 và P{ X − EX ≤ ε} ≥ 1 − DX ε2 .014 .5 1 3200 ⋅ 0. Giải: a) Ta có: n = 3200 . có các kỳ vọng hữu hạn và phương sai đều bị chặn trên bởi hằng số C ( DX i ≤ C .. Khi đó 88 .5) − Φ (0. ). Do đó 3200 ⋅ 0..5⎬ ≈ Φ (0.5) = Mặt khác nếu tính gần đúng ta có: xm = P3200 (1600.25) = 0. 25 ≤ ≤ 0. 2. Gọi X là số lần xuất hiện mặt sấp trong 3200 lần gieo đó. X 2 . 160011600! 1600 − 3200 ⋅ 0. 0.5 ⇒ (n + 1) p = 1600. là dãy các biến ngẫu nhiên độc lập.5 ⋅ 0. Vậy số lần xuất hiện mặt sấp có khả năng nhất là 1600 với xác suất tương ứng P3200 (1600. p = 0. X − 1600 ⎧ ⎫ e) P 5 2 ≤ X − 1600 ≤ 10 2 = P ⎨0.

Đúng Sai .. lim P ⎜ 1 n n n→∞ ⎝ ⎠ Giả sử X1.. Đúng Sai . 89 .5 Luật số lớn Bernoulli là một trường hợp đặc biết của luật số lớn Trêbưsép khi dãy các biến ngẫu nhiên được có cùng phân bố không – một A( p ) ..4 Bất đẳng thức Trêbưsép chỉ đúng đối với các biến ngẫu nhiên nhận giá trị dương.. Đúng Sai . 4. Khi đó dãy biến ngẫu nhiên S n = 1 σ n phân bố chuẩn tắc N (0.. Luật số lớn Bernoulli Tần suất xuất hiện biến cố A trong n phép thử f n hội tụ theo xác suất về xác suất p của biến cố A . X 2 . Nghĩa là với mọi ε > 0 lim P { f n − p < ε } = 1 .1) . 4.2 Giả sử {X n } là dãy các biến ngẫu nhiên có kỳ vọng bằng nhau và phương sai dần tới 0. nghĩa là: Với mọi x ∈ .. n→∞ CÂU HỎI ÔN TẬP VÀ BÀI TẬP 4. là dãy các biến ngẫu nhiên độc lập có cùng có kỳ vọng μ và phương sai đều bị chặn trên bởi hằng số C ( DX i ≤ C .Chương 4: Luật số lớn và định lý giới hạn ⎛ X + + X n EX1 + + EX n ⎞ − > ε ⎟= 0. Đúng Sai ... ∀i = 1.1 Luật số lớn kết luận về sự hội tụ theo xác suất của trung bình cộng các biến ngẫu nhiên độc lập về trung bình cộng của kỳ vọng của chúng nếu các phương sai của các biến ngẫu nhiên này bị chặn. lim P {S n < x} = Φ ( x) . 4. Đúng Sai .6 Luật số lớn Bernoulli là cơ sở lý thuyết của định nghĩa thống kê về xác suất. 4. là dãy các biến ngẫu nhiên độc lập có cùng phân bố. 2. ) hoặc độc lập có cùng phân bố.3 Bất đẳng thức Trêbưsép chỉ đúng đối với các biến ngẫu nhiên rời rạc. Đúng Sai . 4. có kỳ vọng μ và phương sai σ 2 . 4. n→∞ Định lý giới hạn trung tâm Giả sử X1.. khi đó dãy sẽ hội tụ theo xác suất đến kỳ vọng chung của dãy biến ngẫu nhiên trên. X 2 .7 Tổng của dãy các biến ngẫu nhiên độc lập có cùng phân bố với kỳ vọng và phương sai hữu hạn tiệm cận phân bố chuẩn. Khi đó X1 + + Xn n P n→∞ ⎯⎯⎯→ μ . có kỳ vọng μ và X + + X n − nμ hội tụ theo phân bố về phương sai σ 2 .

Gọi S là số lần xuất hiện mặt lục. X 10000 là các biến ngẫu nhiên độc lập có phân bố đều trong đoạn ⎧⎪ 10000 ⎫⎪ 1 ⎡ 1 1⎤ . Chứng minh rằng P X .11 Cho X 1 . 4. Sử dụng bất đẳng thức Trêbưsép. X 2 .15 Cho dãy các biến ngẫu nhiên độc lập {X n } xác định như sau: Xn P − na 1 2n 2 na 0 1− 1 1 n2 2n 2 trong đó a là một hàng số.14 Cho dãy các biến ngẫu nhiên độc lập {X n } xác định như sau: Xn − 2n 0 2n P 2 − ( 2 n+1) 1 − 2 −2 n 2 − ( 2 n+1) Chứng minh rằng dãy {X n } thỏa mãn luật số lớn Trêbưsép.Chương 4: Luật số lớn và định lý giới hạn Đúng Sai .. 4.13 Giả sử tiền điện của một gia đình phải trả trong 1 tháng là một biến ngẫu nhiên với trung bình 16USD và độ lệch tiêu chuẩn 1USD.10 Cho X 1 . 500 ≥ − .9 Có 10 máy hoạt động độc lập với nhau. 4. a) Nhỏ hơn 2. b) Lớn hơn 2 4.12 ).05. DX i = 1 ( i = 1.12 Gieo một con xúc xắc cân đối n lần một cách độc lập.8 Luật số lớn xét sự hội tụ theo xác suất còn định lý giới hạn trung tâm xét sự hội tụ theo phân bố của dãy các biến ngẫu nhiên. Dựa vào bất đẳng thức Trêbưsép hãy đánh giá xác suất của sự sai lệch giữa số máy hỏng và số máy hỏng trung bình.99 số tiền điện phải trả trong 1 năm (12 tháng) không vượt quá M. . X 12 là các biến ngẫu nhiên độc lập với EX i = 16 . b sao cho 12 ⎧⎪ ⎫⎪ P ⎨a ≤ ∑ X i ≤ b⎬ ≥ 0. Dãy {X n } thỏa mãn luật số lớn Trêbưsép không? 90 . ⎨ ⎬≥ ∑ i ⎢ 2 2 ⎥⎦ ⎣ ⎪⎩ i =1 ⎪⎭ 300 4. ⎪⎩ ⎪⎭ i =1 4. Xác suất để trong ca làm việc mỗi máy bị hỏng là 0. .. n ⎧n ⎫ 31 . Chứng minh rằng P ⎨ − n < S < + n ⎬ ≥ 6 ⎩6 ⎭ 36 4. . X 2 .. Sử dụng bất đẳng thức Trêbưsép để tìm hai hằng số a. hãy xác định số M nhỏ nhất để với xác suất 0. 4.99 . . Đúng Sai ..

Dùng bất đẳng thức Trêbưsép hãy đánh giá xác suất để trong 20.17 Xác suất chậm tầu của mỗi hành khách là 0. Nhà ăn phục vụ bữa trưa làm hai đợt liên tiếp.20 Một nhà nghỉ có 1000 khách. 4.007. b) Có không quá hai máy phế phẩm. Tính xác suất để số người trúng tuyển không vượt quá chỉ tiêu.16 Cho dãy các biến ngẫu nhiên độc lập {X n } xác định như sau: Xn −a a P n +1 2n + 1 n 2n + 1 trong đó a là một hàng số. Tính xác suất để: a) Có đúng hai máy phế phẩm.000 hành khách có từ 100 đến 180 người chậm tầu.21 Một trường đại học có chỉ tiêu tuyển sinh là 300.18 Phải kiểm tra bao nhiêu chi tiết để với xác suất không nhỏ hơn 0. a) Giả sử có 325 người dự thi và xác suất thi đỗ của mỗi người là 90%. 91 .01. Số chỗ ngồi của nhà ăn phải ít nhất là bao nhiêu để xác suất của biến cố “không đủ chỗ cho người đến ăn” bé hơn 1%? 4.02.19 Một xí nghiệp sản xuất máy tính có xác suất làm ra sản phẩm phế phẩm là 0. Dãy {X n } thỏa mãn luật số lớn Trêbưsép không? 4. Chọn ngẫu nhiên 2500 máy tính để kiểm tra. 4. 4.98 có thể hy vọng rằng sai lệch giữa tần suất xuất hiện chi tiết tốt và xác suất để chi tiết là tốt bằng 0.Chương 4: Luật số lớn và định lý giới hạn 4.99.95 sẽ không vượt quá 0. b) Cần cho phép tối đa bao nhiêu người dự thi (xác suất đỗ của họ vẫn là 90%) để biến cố “số người trúng tuyển không vượt nhỏ hơn 0.

Biểu đồ tần số hình gậy. Trong chương này chúng ta tìm hiểu những vấn đề cơ bản của lý thuyết thống kê toán học: - Cơ sở của lý thuyết mẫu.Chương 5: Thống kê toán học CHƯƠNG V: THỐNG KÊ TOÁN HỌC GIỚI THIỆU Thống kê toán là bộ môn toán học nghiên cứu qui luật của các hiện tượng ngẫu nhiên có tính chất số lớn trên cơ sở thu thập và xử lý số liệu thống kê các kết quả quan sát về những hiện tượng ngẫu nhiên này. Ước lượng điểm là dùng thống kê để ước lượng một tham số nào đó theo các tiêu chuẩn: Vững. Đối với mẫu ngẫu nhiên ta xét các vấn đề: ƒ Các phương pháp mô tả mẫu: bảng phân bố tần số và suất thực nghiệm. - Lý thuyết ước lượng. Tuy nhiên trong thực tế điều đó không thể thực hiện được vì quy mô của đối tượng nghiên cứu quá lớn hoặc trong quá trình nghiên cứu đối tượng nghiên cứu bị phá hủy. - Lý thuyết kiểm định giả thiết thống kê. Nội dung của kiểm định giả thiết thống kê là dựa vào mẫu cụ thể và các quy tắc hay thủ tục quyết định dẫn đến bác bỏ hay chấp nhận giả thiết của tổng thể. Khoảng tin cậy là khoảng mà tham số của dấu hiệu nghiên cứu của tổng thể rơi vào khoảng này với xác suất bằng độ tin cậy. Phương pháp mẫu là một trong những phương pháp quan trọng của lý thuyết thống kê. không chệch. bảng phân bố ghép lớp. Các phương pháp chọn mẫu: mẫu ngẫu nhiên đơn. Sử dụng phương pháp quy nạp thống kê ta có thể ước lượng các tham số đặc trưng của tổng thể thông qua thống kê của mẫu. Có hai phương pháp ước lượng điểm là phương pháp môment và phương pháp hợp lý cực đại. Vì vậy cần lấy mẫu để nghiên cứu. ƒ Các đặc trưng của thống kê mẫu ngẫu nhiên. đa giác tần suất và tổ chức đồ. mẫu ngẫu nhiên hệ thống. Một dạng khác của quy nạp thống kê là kiểm định giả thiết thống kê. mẫu phân tổ. ƒ Quy luật phân bố xác suất của một số thống kê đặc trưng mẫu. mẫu chùm. ƒ Thống kê của mẫu ngẫu nhiên. hiệu quả. Đây là một phương pháp quan trọng cho phép giải quyết nhiều bài toán trong thực tế. 92 . Nếu ta thu thập được tất cả các số liệu liên quan đến đối tượng cần nghiên cứu thì ta có thể biết được đối tượng này. mẫu nhiều cấp.

ký hiệu N. còn chủ yếu người ta sử dụng phương pháp không toàn bộ mà đặc biệt là phương pháp nghiên cứu chọn mẫu. Khi khảo sát một tín hiệu là quá trình ngẫu nhiên người ta tiến hành lấy mẫu tại những thời điểm nào đó và thu được các tín hiệu mẫu. - Có thể trong quá trình điều tra sẽ phá hủy đối tượng nghiên cứu … Vì thế trong thực tế phương pháp nghiên cứu toàn bộ thường chỉ áp dụng đối với các tập hợp có qui mô nhỏ. phương sai. Mỗi phân tử của tổng thể được gọi là cá thể. - Trong nhiều trường hợp không thể nắm được toàn bộ các phần tử của tập hợp cần nghiên cứu. đó là điều tra toàn bộ các phần tử của tập hợp theo dấu hiệu cần nghiên cứu để rút ra các kết luận cần thiết.1.1. song nếu tổng thể quá lớn hoặc không thể nắm được toàn bộ tổng thể ta có thể giả thiết rằng kích thước của tổng thể là vô hạn.1. Một doanh nghiệp muốn nghiên cứu các khách hàng của mình về dấu hiệu định tính có thể là mức độ hài lòng của khách hàng đối với sản phẩm hoặc dịch vụ của doanh nghiệp. Tổng thể nghiên cứu Toàn bộ tập hợp các phần tử đồng nhất theo một dấu hiệu nghiên cứu định tính hay định lượng nào đó được gọi là tổng thể. Để xử lý dấu hiệu cần nghiên cứu đôi khi người ta sử dung phương pháp nghiên cứu toàn bộ. Tuy nhiên trong thực tế việc áp dụng phương pháp này gặp phải những khó khăn sau: - Do qui mô của tập hợp cần nghiên cứu quá lớn nên việc nghiên cứu toàn bộ sẽ đòi hỏi nhiều chi phí về vật chất và thời gian. 5. có thể không kiểm soát được dẫn đến bị chồng chéo hoặc bỏ sót. do đó không thể tiến hành toàn bộ được. NỘI DUNG 5.2. Kiểm định tham số đặc trưng của biến ngẫu nhiên gốc trong tổng thể: kỳ vọng.Chương 5: Thống kê toán học Trong chương này ta sẽ xây dựng ước lượng cho kỳ vọng. 93 . Thường thì kích thước N của tổng thể là hữu hạn. còn dấu hiệu định lượng là số lượng sản phẩm của doanh nghiệp mà khách hàng có nhu cầu được đáp ứng. Số lượng các phần tử của tổng thể được gọi là kích thước của tổng thể. LÝ THUYẾT MẪU 5. ký hiệu C. Khái niệm lý thuyết mẫu Nhiều bài toán trong thực tế dẫn đến nghiên cứu một hay nhiều dấu hiệu định tính hoặc định lượng đặc trưng cho các phần tử của một tập hợp nào đó. tần suất của tổng thể. Để học tốt chương này học viên cần nắm vững cơ sở lý thuyết xác suất đã được học trong các chương trước. phương sai của dấu hiệu nghiên cứu có phân bố chuẩn và ước lượng cho tần suất của tổng thể.1. dấu hiệu nghiên cứu là thu nhập của từng mỗi gia đình. Chẳng hạn nếu muốn điều tra thu nhập bình quân của các gia đình ở Hà Nội thì tập hợp cần nghiên cứu là các hộ gia đình ở Hà Nội.

. . Giả sử X i nhận giá trị xi ( i = 1. Bằng cách mô hình hóa ta có thể xem biến lượng X là một biến ngẫu nhiên xác định trên tổng thể C. Với mẫu ngẫu nhiên kích thước n . X 2 . n ). X là biến ngẫu nhiên có bảng phân bố xác suất sau X 1 2 3 4 5 6 P 1/ 6 1/ 6 1/ 6 1/ 6 1/ 6 1/ 6 Nếu tung con xúc xắc 3 lần và gọi X i là số nốt xuất hiện trong lần tung thứ i ( i = 1. Việc chọn ra từ tổng thể một tập con nào đó gọi là phép lấy mẫu. nghĩa là được thể hiện bằng cách cho tương ứng mỗi cá thể của tổng thể C nhận một giá trị thực nào đó thì dấu hiệu này được gọi là một biến lượng. Giả sử các cá thể của tổng thể được nghiên cứu thông qua dấu hiệu X . . xn ) . 5. Tập hợp con này được gọi là một mẫu. x 2 . . X n ) . ký hiệu W = ( X 1 . Thực hiện một phép thử đối với mẫu ngẫu nhiên này tức là tung con xúc xắc 3 lần. Mẫu ngẫu nhiên Ta nói rằng một mẫu là mẫu ngẫu nhiên nếu trong phép lấy mẫu đó mỗi cá thể của tổng thể được chọn một cách độc lập và có xác suất được chọn như nhau...5. X n độc lập cùng phân bố với X . ký hiệu w = ( x1 . 94 .3 ) thì ta có 3 biến ngẫu nhiên độc lập có cùng quy luật phân bố xác suất với X . n )..1.Chương 5: Thống kê toán học Các cá thể của tổng thể được nghiên cứu thông qua các dấu hiệu nghiên cứu. Bằng cách đồng nhất mẫu ngẫu nhiên với các dấu hiệu nghiên cứu của mẫu ta có định nghĩa về mẫu ngẫu nhiên như sau: Mẫu ngẫu nhiên kích thước n là một dãy gồm n biến ngẫu nhiên: X 1 . X 3 ) . . x 2 . Nếu dấu hiệu nghiên cứu có tính định lượng. . Vây ta có mẫu ngẫu nhiên kích thước 3. X 2 . lần thứ hai được 5 nốt lần ba được 3 nốt thì w = (2. W = ( X 1 . .1: Gọi X là số nốt xuất hiện khi tung con xúc xắc cân đối.3) là một mẫu cụ thể của mẫu ngẫu nhiên W . gọi X i là dấu hiệu X của phần tử thứ i của mẫu ( i = 1.. . x n tạo thành một giá trị của mẫu ngẫu nhiên. Giả sử lần thứ nhất được 2 nốt. Thực hiện một phép thử đối với mẫu ngẫu nhiên W chính là thực hiện một phép thử đối với mỗi thành phần của mẫu.. Ví dụ 5.3. Dấu hiệu nghiên cứu này có thể được định tính hoặc định lượng. hay còn gọi là một thể hiện của mẫu ngẫu nhiên. ký hiệu X . khi đó các giá trị x1 . X 2 ... .

C 2 . Hàm số xác định như sau Fn ( x) = ∑ fj . . .1. Định lý Glivenco chỉ ra rằng hàm phân bố thực nghiệm Fn (x) xấp xỉ với phân bố lý thuyết F ( x) = P{X < x} khi n đủ lớn. k .4. ..1. i = 1.4. Các phương pháp mô tả mẫu ngẫu nhiên 5.4) x j <x gọi là hàm phân bố thực nghiệm của mẫu đã cho. − ∞ < x < +∞ (5.. r1 + + rk = n .. n Ta có bảng phân bố tần suất thực nghiệm của X X TÇn suÊt x1 f1 x2 f2 Ví dụ 5.3. Bảng phân bố tần suất thực nghiệm Ký hiệu f i = ri gọi là tần suất của xi .4.4. .2) xk fk (5.4.4. hoặc khi các giá trị cụ thể của dấu hiệu X lấy giá trị khác nhau song lại khá gần nhau.Chương 5: Thống kê toán học 5. Bảng phân bố ghép lớp Trong những trường hợp mẫu điều tra có kích thước lớn.3) 5.1. (5. 95 .1).2. Hàm phân bố thực nghiệm của mẫu Với mẫu ngẫu nhiên xác định bới công thúc (5.1. Bảng phân bố tần số thực nghiệm Giả sử ta rút được một mẫu ngẫu nhiên kích thước n của X nhận giá trị xi với tần số xuất hiện ri ..1. người ta thường xác định một số các khoảng C1 . trong đó x1 < < x k . C k sao cho mỗi giá trị của dấu hiệu điều tra thuộc vào một khoảng nào đó.1.1) Khi đó ta có thể mô tả mẫu ngẫu nhiên trên qua bảng phân bố tần số thực nghiệm X TÇn sè x1 r1 x2 r2 xk rk (5. Các khoảng này lập thành một phân hoạch của miền giá trị của X .2: Lấy một mẫu ngẫu nhiên kích thược 120 ta có bảng phân bố thực nghiệm tần số và tần suất X 31 34 35 36 38 40 42 44 ∑ TÇn sè 10 20 30 15 10 10 5 20 120 TÇn suÊt 2 / 24 4 / 24 6 / 24 3 / 24 2 / 24 2 / 24 1 / 24 4 / 24 1 5. 5.

5 22.0) với điểm có toạ độ ( xi . i = 1. Bảng phân bố tần số và tần suất thực nghiệm trong ví dụ 5.4.155 2 31 13. k − 1 ta được biểu đồ đa giác tần suất. (9. Chẳng hạn khi muốn thống kê về tỉ lệ người nghiện thuốc lá thì ta tập trung nhiều vào độ tuổi thanh niên và trung niên. f i ) với điểm có toạ độ ( xi +1 . ™ Nối lần lượt điểm có toạ độ ( xi .105 0.5 16.5.3: Một mẫu về chiều cao của 400 cây được trình bày trong bảng phân bố ghép lớp sau: Kho¶ ng 4..5 . nhưng nói chung không nên chia quá ít khoảng.5 − 26.5] .5 72 57 0.5 .5 Giá trị yi = ri là tần số xuất hiện trong một đơn vị khoảng của khoảng có độ dài li . Biểu diễn bằng biểu đồ Giả sử dấu hiệu điều tra X có bảng phân bố tần số và tần suất thực nghiệm X TÇn sè x1 r1 x2 r2 xk rk X TÇn suÊt x1 f1 x2 f2 xk fk Trong mặt phẳng với hệ trục toạ độ Oxy .5 TÇn sè ri 18 58 TÇn suÊt f i 0.5 42 36 55 0.5] .5 9.5 − 11. Ví dụ 5.090 0.5 − 36. ™ Nối điểm trên trục hoành có toạ độ ( xi .11.180 0.5 − 9.5 − 13.1425 3 3 24 19 19.5 26. 9.5 .5 62 0.Chương 5: Thống kê toán học Việc chọn số khoảng và độ rộng khoảng là tuỳ thuộc vào kinh nghiệm của người nghiên cứu.6 29 11. i = 1.5 − 19.045 0. (11. k ta được biểu đồ tần số hình gậy. 5.13.1375 3 4 10 14 9 5.5 − 16.2 có biểu đồ tần số hình gậy và đa giác tần suất 96 . Trong ví dụ trên ta có các khoảng [4..1. .5 − 22. ri ) . f i +1 ) .5] . Ngoài ra độ rộng các khoảng cũng không nhất thiết phải bằng nhau.145 § é réng kho¶ ng l i 5 2 y i = ri / l i 3. li Qui ước: Đầu mút bên phải của mỗi khoảng thuộc vào khoảng đó mà không thuộc khoảng tiếp theo khi tính tần số của mỗi khoảng.

Chương 5: Thống kê toán học ri 30 20 15 10 5 31 34 36 38 40 42 44 31 34 36 38 40 42 44 xi fi 6 / 24 4 / 24 3 / 24 2 / 24 1 / 24 xi 1.4. li Tổ chức đồ tần số của mẫu ghép lớp của ví dụ 5.6. hay li . Trong mặt phẳng với hệ toạ độ Oxy . Với mỗi khoảng Ci ta dựng hình chữ nhật có chiều cao yi = yi = fi (đối với tổ chức đồ tần suất).3 97 ri (đối với tổ chức đồ tần số). trên trục hoành ta chia các khoảng Ci có độ rộng li . người ta thường dùng tổ chức đồ để biểu diễn. Tổ chức đồ (histogram) Đối với bảng phân bố ghép lớp.

.5 26. Thống kê và các đặc trưng của mẫu ngẫu nhiên 5..5 9.6 4.5) × 24 + (19. .5 11. Đó là hình tròn được chia thành những góc có diện tích tỷ lệ với các tần số tương ứng của mẫu.5 36.5) . X n ) 98 (5..5 − 16. (13. X 2 . X 2 .5 Chú ý rằng diện tích giới hạn bởi tổ chức đồ bằng tần số xuất hiện.1.5 − 12) × 31 + (16. Ví dụ 5. .5 − 13. Định nghĩa thống kê Một thống kê của mẫu là một hàm của các biến ngẫu nhiên thành phần của mẫu. Chẳng hạn số cây nằm trong khoảng (12.1..4: Tổng kết kết quả học tập của sinh viên Học viện ta trong năm 2005 được số liệu sau: 19% 12% 31% Gioi Khá Trung bình Y?u 38% 5.5 19.5.5) × 19 + ( 22. .1. Thống kê của mẫu ngẫu nhiên W = ( X 1 .Chương 5: Thống kê toán học 31 29 24 19 14 9 5.5.5 − 19.5 13.5 22.5 16.5) × 14 + ( 25 − 22.5 3. Với các dấu hiệu điều tra là định tính thì người ta thường mô tả các số liệu mẫu bằng biểu đồ hình bánh xe. X n ) có dạng: T = T ( X 1 .5) × 9 = 240 Vậy có 240 cây có chiều cao từ 12m đến 25m . . 25] chính là diện tích của tổ chức đồ giới hạn bởi đường thẳng x = 12 và x = 25 .

(2.Chương 5: Thống kê toán học Như vậy thống kê T cũng là một biến ngẫu nhiên tuân theo một quy luật phân bố xác suất nhất định và có các tham số đặc trưng như kỳ vọng ET phương sai DT … Mặt khác. x n ) Các thống kê cùng với quy luật phân bố xác suất của chúng là cơ sở để suy rộng các thông tin của mẫu cho dấu hiệu nghiên cứu của tổng thể. 5.5..10) Áp dụng công thức tính kỳ vọng (2. .1.46). áp dụng các công thức tính kỳ vọng và phương sai của tổng các biến ngẫu nhiên độc lập (2. (2. D X = 5. x n ) thì T cũng nhận một giá trị cụ thể là T = T ( x1 . X 2 . ..3.. S *2 = 1 k ri ( X i − μ )2 ∑ n i =1 (5.7) Giả sử dấu hiệu nghiên cứu X có kỳ vọng và phương sai hữu hạn. x 2 .46).8) 1 k = ∑ ri X i 2 − X n i =1 (5. X n ) của biến ngẫu nhiên X được định nghĩa và ký hiệu 1 n X = ∑ Xi n i =1 (5. n (5. .6) Giá trị trung bình mẫu cụ thể của mẫu ngẫu nhiên cụ thể w = ( x1 .. . . ..58) ta có ( ) ( ) DX .2. x n ) là 1 n x = ∑ xi n i =1 (5.5.50) và (5.8) ta có: ES 2 = DX và ES * 2 = DX 99 (5. khi mẫu ngẫu nhiên nhận một giá trị cụ thể w = ( x1 .9) E X = EX . (2. x 2 .50).1. . x 2 .11) . . Trung bình mẫu Trung bình mẫu của mẫu ngẫu nhiên W = ( X 1 .9)’ Phương sai mẫu S * 2 khi dấu hiệu nghiên cứu X của tổng thể có kỳ vọng xác định EX = μ ... Phương sai mẫu ƒ Phương sai mẫu Sˆ 2 : 1 k 2 ˆ S = ∑ ri X i − X n i =1 ( ƒ ( )2 Phương sai mẫu có hiệu chỉnh S 2 : S2 = ƒ ) 2 ( 1 k ∑ ri X i − X n − 1 i =1 ) 2 = ( ) 1 k n ri X i2 − X ∑ n − 1 i =1 n −1 2 (5..

. Nếu giá trị của mẫu cụ thể được cho dưới dạng bảng phân bố ghép lớp với các khoảng C1 . Tần suất mẫu Ta cần nghiên cứu một dấu hiệu nghiên cứu A nào đó mà mỗi cá thể của tổng thể có thể có hoặc không có dấu hiệu A . trường hợp ngược lại ta cho nhận giá trị 0.9)).16) i ⎛ 1 ⎜ k = ∑ ri xi2 − n − 1 ⎜⎜ i =1 ⎝ ( ∑ i=1 ri xi k n ) 2 ⎞ ⎟ ⎟ ⎟ ⎠ (5.. . C m và tần số của Ci là ri thì giá trị trung bình mẫu và phương sai mẫu được tính như trên.15) 5... Lấy mẫu ngẫu nhiên: W = ( X 1 .5. Độ lệch tiêu chuẩn mẫu ( 1 k ∑ ri X i − X n − 1 i =1 S = S2 = ) 2 (5. Nếu mẫu chỉ nhận các giá trị x1 . X 1 .11) ta có công thức tính kỳ vọng và phương sai của tần suất mẫu: E ( f ) = p .5.12) 5.. . Lúc đó dấu hiệu nghiên cứu có thể xem là biến ngẫu nhiên X có quy luật phân bố xác suất không – một A( p) có kỳ vọng và phương sai EX = p . rk thì giá trị trung bình mẫu và phương sai mẫu cụ thể được tính theo công thức ∑ x= k ( 1 s2 = ∑ ri xi − x n − 1 i =1 ) k i =1 i i 2 rx n . X n ) .14) Tương tự công thức (5. x 2 . Mẫu thu gọn: Nếu các giá trị của mẫu cụ thể xi không gọn (quá lớn hoặc quá bé hoặc phân tán) ta có thể thu gọn mẫu bằng cách đổi biến: 100 . Tần số xuất hiện dấu hiệu A của mẫu là r = X1 + X 2 + + Xn .13) Tần suất mẫu f = r n (5. trong đó xi là trung điểm của khoảng Ci .. X 2 ... DX = p(1 − p) (công thức (2. ... k ∑r = n i =1 (5. s 2 1. 3.5. X 2 . .. (5. . D( f ) = p (1 − p ) n (5. .17) 2. Cách tính giá trị cụ thể của trung bình mẫu và phương sai mẫu x .1. x k với tần số tương ứng r1 . Nếu cá thể có dấu hiệu A ta cho nhận giá trị 1. r2 .4.1.5.6.1.Chương 5: Thống kê toán học 5. X n là các biến ngẫu nhiên độc lập có cùng phân bố không – một A( p) ... .

.16 26.5 − 36.5 − 1.5 − 11. Từ tổng thể rút ra một mẫu ngẫu nhiên kích thước n : W = ( X 1 .8 121.47 − = 1.2 8.4 1.5 18 7 9.5 − 93 139.5 873. su2 tính dễ dàng hơn.68 22.5 − 9.68 10.9 − 19.056 . . X 2 .5 − 26.8 9.4 29.5 ∑ ui = 400 ( − 177. 5.5 57 18 − 0.78 .5 72 15 −1 − 72 72 16.5 55 31.5 42 21 0. Thông thường ta chọn a là điểm giữa của các giá trị xi ..9 − 110.6 − 46.12 19.3 126.2 209.5 36 24.1.5 − 1.5: Giá trị trung bình mẫu và phương sai mẫu của mẫu ở ví dụ 5.79 = 7.5 2.5 − 13.5 − 22.5 − 16. Quy luật phân bố xác suất của một số thống kê đặc trưng mẫu Trường hợp biến ngẫu nhiên gốc tuân theo quy luật phân bố chuẩn Giả sử dấu hiệu nghiên cứu trong tổng thể có thể xem như một biến ngẫu nhiên X tuân theo quy luật chuẩn với kỳ vọng EX = μ và phương sai DX = σ 2 . i i n i =1 n i =1 i =1 ( 1 k ∑ ri xi − x n − 1 i =1 ) 2 ( 1 k ∑ ri h ui + a − h u − a n − 1 i =1 = ) 2 = h2 k ∑ ri ui − u n − 1 i =1 ( ) 2 = h 2 su2 . xi − 20 5 ru i i 2 ru i i − 2. Các tham số này có thể đã biết hoặc chưa biết. su = 400 ⎟⎠ 399 ⎜⎝ 400 s x2 = 5 2 × su2 = 49.4 − 22.9 32.79 ⇒ s = 49.47 Khoảng tần số ri xi 4.5 0.5 58 11.9917 x = 5 u + 20 = 5 × + 20 = 17.5)2 ⎞⎟ 1 ⎛⎜ 2 × 873.38 62 12. s x2 = h 2 su2 (5.5 13. Các số a và h được chọn phù hợp sao cho u .6. X n ) 101 .18) 1 k 1 k h k r x = r h u + a = ( ) ∑ i i n∑ ∑ rui i + a = h u + a . Ví dụ 5..5 − 177.Chương 5: Thống kê toán học ui = Thật vậy: x = sx2 = xi − a ⇒ xi = hu i + a h ⇒ x = h u + a .95 − 177.5 290.3.

σ 2 ) như X .1) σ (5. . Mặt σ Xi − μ ~ N (0.16) ta có: nSˆ 2 = ∑ ( X i − μ )2 và 2 = ∑ ⎜ i ⎟ . σ χ2 = nSˆ 2 σ2 2 n ⎛ X −μ⎞ = ∑⎜ i ⎟ ~ χ 2 ( n) σ ⎠ i =1 ⎝ (5. 102 . áp dụng công thức (2.1) .10 mọi tổ hợp tuyến tính của các biến ngẫu nhiên có phân bố chuẩn là biến ngẫu nhiên có phân bố chuẩn.20) 3) Thống kê phương sai S 2 . 2 n n nSˆ 2 ⎛ X −μ⎞ Từ công thức (5. ( X − μ) n ( X − μ) n U σ = ~ T(n − 1) .22) σ 2 (n − 1) Khi n khá lớn thì quy luật Student T(n) hội tụ khá nhanh về phân bố chuẩn tắc N (0.21) U χ 2 (n − 1) có phân bố Student n − 1 bậc tự do.33) suy ra thống kê sau có quy luật chuẩn tắc N (0. .. (5.42) thì T = (5.1) .1) . = T= S (n − 1) S 2 χ 2 (n − 1) (5.Chương 5: Thống kê toán học Các biến ngẫu nhiên thành phần X 1 . σ ⎠ σ i =1 i =1 ⎝ Vì các biến ngẫu nhiên X i độc lập nên các biến ngẫu nhiên khác theo (2. Do đó thống kê sau có phân bố khi bình phương n bậc tự do.. X n độc lập có cùng quy luật phân bố chuẩn N (μ.33) Xi − μ cũng độc lập. 2 χ = (n − 1) S 2 σ2 ⎛X −X = ∑ ⎜⎜ i σ i =1 ⎝ n 2 ⎞ ⎟ ~ χ 2 (n − 1) ⎟ ⎠ 4) Từ (5.21) và U . X 2 . do đó trong thực tế nếu n > 30 ta có thể xem thống kê T xấp xỉ N (0.19). áp dụng công thức (2.1) : n U= ( X − μ) n ~ N (0. χ 2 độc lập. Tương tự thống kê sau có phân bố khi bình phương n − 1 bậc tự do. Vì vậy ta có các kết quả sau: 1) Thống kê trung bình mẫu: ( ) Trung bình mẫu X có quy luật phân bố chuẩn với kỳ vọng E X = μ và phương sai ( ) DX = σ2 .19) 2) Thống kê phương sai Sˆ 2 . Theo định lý 3.

. n Áp dụng định lý Moivre-Laplace ta có: ⎪⎧ ( f − p) n ⎪⎫ < x ⎬ = Φ ( x) .1) khi n đủ lớn. D( f ) = X1 + + Xn n có quy luật pq . Cùng với một mẫu ngẫu nhiên có thể xây dựng nhiều thống kê θˆ khác nhau để ước lượng cho tham số θ . . . LÝ THUYẾT ƯỚC LƯỢNG 5. X 2 .. .23) ( f − p) n với phân bố chuẩn tắc N (0. . Với mẫu ngẫu nhiên W = ( X 1 .. thống kê ước lượng cho tham số θ có dạng công thức (5. Thông thường giá trị được chọn này là giá trị cụ thể của một thống kê θˆ nào đó của mẫu ngẫu nhiên.. . Phương pháp ước lượng điểm Phương pháp ước lượng điểm chủ trương dùng một giá trị để thay cho giá trị của tham số θ chưa biết của tổng thể. ~ N (0. U= ⎧ np > 5 ( f − p) n hoặc npq > 20 . Từ tổng thể rút ra một mẫu ngẫu nhiên kích thước n : W = ( X 1 ..2. (5.15) ta đã biết tần suất mẫu f = nhị thức với các tham số đặc trưng là: E ( f ) = p . . x n ) là ước lượng của θ . lim P ⎨ n→∞ ⎪ pq ⎪⎭ ⎩ Như vậy có thể xấp xỉ thống kê U = (5.1) khi ⎨ pq ⎩ nq > 5 (5. x 2 . X n ) Từ công thức (5. pq Người ta thấy rằng xấp xỉ là tốt khi np > 5 và nq > 5 hoặc npq > 20 ..14). X n ) Khi đó với mẫu cụ thể w = ( x1 . . (5. X n ) . .13).24) 5.. Với mọi x ∈ . ..2.. x n ) giá trị cụ thể của thống kê θˆ = T (x1 . . X 2 .5): θˆ = T ( X 1 .. x 2 .1. X 2 . Vì vậy ta cần lựa chọn thống kê tốt nhất để ước lượng cho tham số θ dựa vào các tiêu chuẩn sau: 103 .Chương 5: Thống kê toán học Quy luật phân bố của tần suất mẫu Giả sử trong tổng thể dấu hiệu nghiên cứu có thể xem như biến ngẫu nhiên phân bố theo quy luật không – một.

1: Thống kê θˆ = T ( X 1 . X 2 .25) của ước lượng không chệch có nghĩa rằng trung bình các giá trị của θˆ bằng giá trị θ . X 2 .25) ˆ ≠ θ thì θˆ = T ( X .26) Ví dụ 5. . ( ) Thật vậy theo công thức (5. .8) ta có D X = σ2 . θ) ) ⎞ nE⎜ ⎟ ∂θ ⎝ ⎠ 2 (5.6: Dựa vào bất đẳng thức trên ta có thể chứng minh được rằng trung bình mẫu X là ước lượng hiệu quả của kỳ vọng μ của dấu hiệu nghiên cứu X của tổng thể có phân bố chuẩn N (μ.. Ước lượng không chệch Thống kê θˆ = T ( X 1 . Định nghĩa 5. θ ) = 1 σ 2π −( x− μ )2 2 e 2σ 104 . . Ước lượng hiệu quả Điều kiện (5. X n nên cũng là một biến ngẫu nhiên.. σ 2 ) .. . Mặt khác theo (2.Chương 5: Thống kê toán học 5. .2: Ước lượng không chệch có phương sai nhỏ nhất so với mọi ước lượng không chệch khác được xây dựng trên cùng một mẫu ngẫu nhiên gọi là ước lượng hiệu quả.. θ) thỏa mãn một số điều kiện nhất định (thường được thỏa mãn trong thực tế. Định nghĩa 5.. X . . để xét xem ước lượng không chệch θˆ có phải là ước lượng hiệu quả của θ hay không ta cần phải tìm một cận dưới của phương sai của các ước lượng không chệch và so sánh phương sai của θˆ với cận dưới này. Nếu E (θ) 1 2 n 5. Điều này được giải quyết bằng bất đẳng thức Cramer-Rao phát biểu như sau: Cho mẫu ngẫu nhiên W = ( X 1 . X n ) được lấy từ tổng thể có dấu hiệu nghiên cứu là biến ngẫu nhiên X có hàm mật độ xác suất (hay biểu thức xác suất ) f ( x. X n ) là một hàm của các biến ngẫu nhiên X 1 . . ít ra là các phân bố xác suất đã xét trong chương II) và θˆ là ước lượng không chệch bất kỳ của θ thì () D θˆ ≥ 1 ⎛ ∂ (ln f ( x. Do đó ta có thể xét các đặc trưng của thống kê này. Vì vậy ta tìm ước lượng không chệch sao cho độ sai lệch trên bé nhất.3. Như vậy. Từng giá trị của θˆ có thể sai lệch rất lớn so với θ . X ) được gọi là ước lượng chệch của θ .. . . .2. X 2 .. X n ) được gọi là ước lượng không chệch của θ nếu với mọi giá trị của tham số θ ˆ =θ E(θ) (5..2.2... X 2 .26) hàm mật độ của X n có dạng f ( x.

2.9) chương IV. Nghĩa là từ mẫu ngẫu nhiên tìm khoảng [a.. X 2 . do đó trung bình mẫu X là ước lượng hiệu quả của μ . Tóm lại ta có kết quả sau: ¾ Trung bình mẫu X là ước lượng không chệch. ¾ Phương sai mẫu S 2 và S * 2 (trường hợp μ đã biết) là ước lượng không chệch và vững của phương sai σ 2 của biến ngẫu nhiên gốc của tổng thể. 5. hiệu quả và vững của kỳ vọng μ của biến ngẫu nhiên gốc của tổng thể.. . luôn có { } lim P θˆ − θ < ε = 1 . μ ) = − ln σ 2π − ( x − μ )2 2 Vậy 2σ 2 ⇒ ∂ ln f ( x. . b] chứa tham số θ với xác suất β đủ lớn cho trước ( β được gọi là độ tin cậy và thường được chọn là 0. ⎟ = nE ⎜ ⎟ 2 ∂θ σ σ σ ⎝ σ ⎠ ⎝ ⎠ ( ) Như vậy D X = σ2 n 2 đạt giá trị cực tiểu của bất đẳng thức Cramer-Rao.5. Ước lượng vững Định nghĩa 5.4.. Theo luật số lớn Bernoulli ta suy ra tần suất mẫu f là ước lượng vững của tần suất p của tổng thể. . X n ) hội tụ theo xác suất đến θ khi n → ∞. X 2 . Do đó khi kích thước mẫu bé người ta thường dùng phương pháp ước lượng khoảng tin cậy.Chương 5: Thống kê toán học ( ) ⇒ ln f ( x. công thức (4.95 hay 0. ta có trung bình mẫu X là ước lượng vững của kỳ vọng μ . 105 . X n ) được gọi là ước lượng vững của tham số θ của biến ngẫu nhiên gốc X nếu θˆ = T ( X 1 . θ ) ) ⎞ n n n ⎛ X −μ ⎞ 2 nE ⎜ = 4 E( X − μ) = 4 D( X ) = 2 .27) Theo hệ quả 2 của luật số lớn Trêbưsep. μ ) x − μ = 2 ∂μ σ ⎛ ∂ ( ln f ( X .2. n→∞ (5. S 2 và Sˆ 2 là ước lượng vững của phương sai σ 2 của biến ngẫu nhiên gốc X của tổng thể. 5.. Mặt khác phương pháp trên cũng không thể đánh giá được khả năng mắc sai lầm khi ước lượng là bao nhiêu. Nghĩa là với mọi ε > 0 . hiệu quả và vững của tần suất p của tổng thể.3: Thống kê θˆ = T ( X 1 . Phương pháp ước lượng bằng khoảng tin cậy Các phương pháp ước lượng điểm nói trên có nhược điểm là khi kích thước mẫu bé thì ước lượng điểm có thể sai lệch rất nhiều so với giá trị của tham số cần ước lượng. .99). ¾ Tần suất mẫu f là ước lượng không chệch.

X 2 ..6. X n ) ≤ θ ≤ b( X 1 . .19) ta có Mặt khác: X − Uα / 2 σ n ≤ μ ≤ X + Uα / 2 (5. tính được giá trị cụ thể a = a( x1 . x 2 . X n ) ta thu được một mẫu cụ thể w = ( x1 . .28) phụ thuộc mẫu ngẫu nhiên W = ( X 1 ... X n ) (5. . .. .. . ⎥ = P⎨ σ n n⎦ ⎣ ⎪⎩ ⎪⎭ 106 .1) . tức là a ≤ θ ≤ b . Áp dụng công thức (2. x n ) . X n )} = β (5.. X + Uα / 2 ⎢ X − Uα / 2 ⎥ n n⎦ ⎣ trong đó: α = 1 − β .32) ta có σ σ ⎤ ⎡ ⎪⎧ ( X − μ ) n ⎪⎫ P ⎢ X − Uα / 2 ≤ μ ≤ X + Uα / 2 ≤ Uα / 2 ⎬ = 1 − α = β .30) của phân bố chuẩn tắc N (0. ... .Chương 5: Thống kê toán học Định nghĩa 5... .1. .. . Trường hợp phương sai σ 2 đã biết Định lý 5.. ta tìm khoảng tin cậy của μ trong các trường hợp sau: 5. khi đó theo nguyên lý xác suất lớn biến cố {a ≤ θ ≤ b} hầu như chắc chắn sẽ xảy ra trong một phép thử. U α là giá trị tới hạn mức 2 α 2 Chứng minh: Theo công thức (5. X 2 . Lúc đó có thể kết luận là: Qua mẫu cụ thể với độ tin cậy β tham số θ của biến ngẫu nhiên gốc X sẽ nằm trong khoảng [a . . .. X 2 . x n ) .. . x 2 . . X n ) . σ 2 ) nhưng chưa biết tham số μ của nó. Từ tổng thể rút ra một mẫu ngẫu nhiên kích thước n : W = ( X 1 . ( X − μ) n σ σ n ⇔ ~ N (0.6..29) Trong thực tế thường yêu cầu độ tin cậy β khá lớn. b = b( x1 . X n ) của biến ngẫu nhiên gốc X .. . . b ] có hai đầu mút là hai thống kê a = a( X 1 ..4: Khoảng [a .1) (công thức 3. X 2 . X 2 .2. x 2 . gọi là khoảng tin cậy của tham số θ với độ tin cậy β nếu: P{a( X 1 . x n ) ..2.. X 2 . . X n ) . X 2 . . b = b( X 1 . (X − μ) n σ ≤ Uα / 2 .1: Khoảng tin cậy của tham số μ với độ tin cậy β có dạng: σ σ ⎤ ⎡ . Khoảng tin cậy của kỳ vọng của biến ngẫu nhiên phân bố theo quy luật chuẩn Giả sử tổng thể biến ngẫu nhiên gốc X có phân bố chuẩn N ( μ .. Tiến hành một phép thử với mẫu ngẫu nhiên W = ( X 1 . b ] .21). . 5.

Từ bảng số liệu tìm được trung bình mẫu cụ thể: x = 3 ⋅18 + 5 ⋅19 + 15 ⋅ 20 + 2 ⋅ 21 = 19.31) Ví dụ 5. 025 ⇒ U α = 1.64 + 0.64 − 0.96 . Nếu muốn độ chính xác của ước lượng không vượt quá 0. 248 ≤ μ ≤ 20.392 . Với độ chính xác ε 0 và độ tin cậy β cho trước. 64 .95 ⇒ α 2 = 0.96 ⋅ 1 = 0.3 thì cần cân thử ít nhất bao nhiêu sản phẩm. Với độ tin cậy β = 0. 25 Độ chính xác của ước lượng ε = Uα / 2 σ n = 1.Chương 5: Thống kê toán học σ Định nghĩa 5. 68 .7: Trọng lượng của một loại sản phẩm là một biến ngẫu nhiên phân bố theo quy luật chuẩn với độ lệch tiêu chuẩn 1 gram.32 ε 02 Chọn n = 43 .392 .3 thì cần cân thử ít nhất n sản phẩm sao cho: σ 2Uα2 / 2 1⋅1. theo giả thiết X có phân bố chuẩn N (μ. thì kích thước mẫu cần thiết là số tự nhiên n nhỏ nhất thỏa mãn: σ 2Uα2 / 2 n≥ ε 02 (5. 25 Vậy với độ tin cậy 95% qua mẫu cụ thể này. σ 2 ) với σ = 1 . 19.5: ε = Uα / 2 n được gọi là độ chính xác của ước lượng. b.30). khoảng tin cậy của tham số μ là: [19. Khoảng tin cậy có dạng (5. 2 a. 107 . 032 .962 = = 42. Nếu muốn độ chính xác của ước lượng không vượt quá 0.392] hay 19. Trọng lượng trung bình của sản phẩm là tham số μ . n≥ 0. Giải: Gọi X là trọng lượng sản phẩm. Hãy tìm khoảng tin cậy của trọng lượng trung bình của loại sản phẩm trên. Cần thử 25 sản phẩm loại này ta thu được kết quả: Trọng lượng (gram) 18 19 20 21 Số SP tương ứng 3 5 15 2 Với độ tin cậy 95% a. b.

0 10 7. 0 5 8.96 ⋅ = 0.5 4 7. Trường hợp phương sai σ 2 chưa biết.5)2 ⎞ ⎜⎜ 15.2. X + Uα / 2 ⎢ X − Uα / 2 ⎥ n n⎦ ⎣ (5. 64 s = 1. Do đó khoảng tin cậy của tham số μ với độ tin cậy β có thể lấy là S S ⎤ ⎡ .5 3 9.8: Để xác định chiều cao trung bình của các cây bạch đàn trong khu rừng rộng trồng bạch đàn.5 − 8.5 7.5 − 9.96 . ta tiến hành đo ngẫu nhiên 35 cây và có kết quả cho trong bảng sau: Khoảng ri xi ui = xi − 8. Mặt khác.5 2. 108 . Nhưng nếu kích thước mẫu n đủ lớn ( n ≥ 30 ) ta có thể xấp xỉ độ lệch chuẩn σ bởi độ lệch chuẩn mẫu S (vì S 2 là ước lượng vững không chệch của σ 2 ).25 1.Chương 5: Thống kê toán học 5. 35 s X2 = sU2 = 1 ⎛ (−6. ta không biết phương sai σ 2 của biến ngẫu nhiên gốc X của tổng thể. 0 − 7. 06 . 0 3 3 ∑ 35 −6.25 0 0 0 8. theo định lý giới hạn trung tâm thì thống kê (X − μ) n σ xấp xỉ chuẩn.5 = −0. 35 n Vậy khoảng tin cậy cho chiều cao trung bình μ của các cây bạch đàn là: 7. S được xác định bởi công thức (5. 413 ⇒ s = 0.75 −1. 25 − ⎟ = 0.25 −1.12). 25 u = −6.5 11 8. 25 − 0. U α = 1. 0 2 6. 0 −4 4 7.5 −5 2.75 0.5 −3 4.87 ≤ μ ≤ 8.2. 29 .1857 ≈ 8. 25 9.5 1. 25 ri ui ri ui2 6.75 −0.32) Ví dụ 5. đúng với mọi biến ngẫu nhiên gốc X (không đòi hỏi phân bố chuẩn). 0 − 9. kích thước mẫu n ≥ 30 Trong nhiều bài toán thực tế.5 − 7.5 15. 2 Độ chính xác của ước lượng ε = Uα / 2 0. 0 − 8.1857 ⇒ x = 8. 64 .5 8.6. 21 . 34 ⎝ 35 ⎟⎠ Với độ tin cậy β = 95% .

33) có phân bố Student n − 1 bậc tự do. α 2 = 0. 05. 171. 109 . kích thước mẫu n < 30 Trong trường hợp này.34) của phân bố Student n − 1 bậc tự do (công thức 2. Độ chính xác ε = tα / 2 (n − 1) 3. 16 n Vậy khoảng tin cậy cho năng suất trung bình của loại hạt giống này là μ thỏa mãn: 169. 166.131 ⋅ = 1.885 . s = 3. 025 .6. 174.43). Độ chính xác của ước lượng: ε = tα / 2 (n − 1) S n (5. theo công thức (5. α = 0. Tra bảng phân bố Student với 15 bậc tự do ta tìm được tα / 2 (n − 1) = t0. 167. 175. Gieo thử giống hạt này trên 16 mảnh vườn thí nghiệm thu được như sau (đơn vị kg/ha): 172.9: Năng suất của một loại giống mới là một biến ngẫu nhiên có quy luật phân bố chuẩn N ( μ .131 . Hãy tìm khoảng tin cậy cho năng suất trung bình của loại hạt giống này với độ tin cậy β = 95% . 170. 4254 S = 2. Từ các số liệu trên ta tính được: x = 171. n n⎦ ⎣ trong đó tα / 2 (n − 1) là giá trị tới hạn mức α 2 (5.025 (15) = 2.22) thống kê T= (X − μ) n S (5. 170. 4254 .36) Ví dụ 5.2.885 . σ 2 ) .174. 173. 173. Giải: Năng suất trung bình của hạt giống là tham số μ .3. Trường hợp phương sai σ 2 chưa biết. 166. 173. 165. 176. X + tα / 2 (n − 1) ⎢ X − tα / 2 (n − 1) ⎥.115 ≤ μ ≤ 172.2: Khoảng tin cậy của tham số μ với độ tin cậy β có dạng: S S ⎤ ⎡ . Vì vậy khoảng tin cậy được tính theo kết quả sau: Định lý 5.35) Với độ tin cậy β và độ chính xác ε 0 cho trước thì kích thước mẫu cần thiết là số tự nhiên n nhỏ nhất thỏa mãn: ⎛ S ⋅ tα / 2 (n − 1) ⎞ n≥⎜ ⎟ ε0 ⎝ ⎠ 2 (5.Chương 5: Thống kê toán học 5. 171.

Chương 5: Thống kê toán học 5..12) thì khi n đủ lớn ta có thể xấp xỉ thống kê U = ( f − p) n với phân bố chuẩn tắc N (0. f + Uα / 2 n f (1 − f ) ⎤ ⎥ n ⎦ (5. không chệch và hiệu quả của tần suất p tổng thể. trường hợp ngược lại ta cho nhận giá trị 0.7.. Theo định lý Moivre-Laplace (4. Do đó khoảng tin cậy cho tần suất p của tổng thể với độ tin cậy β là: ⎡ ⎢ f − Uα / 2 ⎣ f (1 − f ) .. X n ) ... p (1 − p ) Tuy nhiên vì p chưa biết nên chưa biết p(1 − p) = DX . Nếu cá thể có dấu hiệu A ta cho nhận giá trị 1.24) thì tần suất mẫu f là ước lượng vững.39) Với độ tin cậy β và độ chính xác ε 0 cho trước thì kích thước mẫu cần thiết là số tự nhiên n nhỏ nhất thỏa mãn: ⎛U ⎞ n ≥ f (1 − f ) ⎜ α / 2 ⎟ ⎝ ε0 ⎠ 2 trong đó f là tần suất mẫu của một mẫu ngẫu nhiên nào đó... trong đó X1. Vì vậy khi n đủ lớn ta có thể thay p bằng f .40) . Khoảng tin cậy cho tần suất p Ta cần nghiên cứu một dấu hiệu nghiên cứu A nào đó mà mỗi cá thể của tổng thể có thể có hoặc không có dấu hiệu A . n (5.21). X 2 .2. Lúc đó dấu hiệu nghiên cứu có thể xem là biến ngẫu nhiên X có quy luật phân bố xác suất không – một A( p ) có kỳ vọng và phương sai EX = p . Độ chính xác của khoảng tin cậy: ε = Uα / 2 f (1 − f ) . Lấy mẫu ngẫu nhiên W = ( X1.38) của phân bố chuẩn tắc N (0. 110 (5.1) . X n là các biến ngẫu nhiên độc lập có cùng phân bố không – một A( p ) . (5. DX = p(1 − p ) ..37) Với điều kiện ⎧nf > 10 ⎨ ⎩n(1 − f ) > 10 trong đó U α là giá trị tới hạn mức 2 α 2 (5.1) với α = 1 − β . f = X1 + + Xn n là tần suất mẫu. X 2 . Mặt khác theo công thức (5.

Khoảng tin cậy cho p có dạng (5.1. Nếu ta nghi ngờ rằng nhu cầu này không đúng thì đối thiết H1 là μ ≠ 1000 . gọi là “giả thiết không”.3. nhưng nếu do tiếp thị tốt.1. Vậy với độ tin cậy 95% thì tối thiểu có 57.96 = 0. 624 . Với độ tin cậy β = 95% tối thiếu ứng cử viên A sẽ chiếm được bao nhiêu % số phiếu bầu. Cần chú ý rằng đối thiết H1 không nhất thiết là phủ định của giả thiết H0. KIỂM ĐỊNH GIẢ THIẾT THỐNG KÊ 5. do chính sách hậu mãi tốt người ta nghĩ rằng nhu cầu về mặt hàng này tăng lên thì đối thiết H1 là μ > 1000 . các đặc trưng tham số của biến ngẫu nhiên gốc hoặc giả thiết về sự độc lập của các biến ngẫu nhiên gốc. Chẳng hạn giả thiết H0: nhu cầu thị trường về loại hàng hóa này là μ = 1000 đơn vị/tháng. ta còn phải định ra một giả thiết cạnh tranh với H0 gọi là đối thiết. được biết có 960 người trong số đó sẽ bỏ phiếu cho ứng cử viên A.Chương 5: Thống kê toán học Ví dụ 5. 5. là biến ngẫu nhiên có quy luật phân bố không – một A( p ) . Từ mẫu cụ thể trên ta có f = ⎧nf = 960 > 10 960 . Giả thiết đưa ra kiểm nghiệm được ký hiệu là H0. ký hiệu H1. n 1600 Khoảng tin cậy: 0. 024 . Đối thiết H1 sẽ được chấp nhận khi H0 bị bác bỏ. Khái niệm chung Trong mục trước ta giải quyết các bài toán về ước lượng tham số đặc trưng của dấu hiệu nghiên cứu của tổng thể bằng cách đưa về ước lượng các tham số đặc trưng của các biến ngẫu nhiên gốc. Tổng thể nghiên cứu là tập hợp tất cả các cử tri. Giải: Gọi p là tỉ lệ số phiếu sẽ bầu cho ứng cử viên A.576 ≤ p ≤ 0.38). Ngoài giả thiết H0 ra. Dựa vào hai nguyên lý này ta đưa ra phương pháp chung để kiểm định một giả thiết thống kê như sau: Để kiểm định H0 trước hết giả sử H0 đúng từ đó ta tìm được biến cố A mà xác suất 111 . Dấu hiệu nghiên cứu là cử tri sẽ bỏ phiếu cho A.3.6% cử tri sẽ bỏ phiếu cho ứng cử viên A. 6 ⋅ 0. Qui tắc kiểm định dựa trên hai nguyên lý sau: - Nguyên lý xác suất nhỏ: "Nếu một biến cố có xác rất nhỏ thì trong một hay vài phép thử thì biến cố đó coi như không xảy ra". 5. người ta phỏng vấn ngẫu nhiên 1600 cử tri.37) với điều kiện (5. - Phương pháp phản chứng: "Để bác bỏ A ta giả sử A đúng thì dẫn đến một điều vô lý". = 0. Giả thiết thống kê Giả thiết thống kê là giả thiết về dạng phân bố xác suất. Đó là giả thiết mà ta nghi ngờ muốn bác bỏ hoặc giả thiết ta muốn bảo vệ. 6 thỏa mãn điều kiện ⎨ 1600 ⎩n(1 − f ) = 640 > 10 Độ chính xác của ước lượng ε = Uα / 2 f (1 − f ) 0.3.1. Trong mục này ta sẽ nghiên cứu bài toán kiểm định giả thiết về các tham số đặc trưng của tổng thể.10: Trong đợt vận động bầu cử tổng thống ở một nước nọ. 4 = 1.

Còn nếu A không xảy ra thì ta chưa có cơ sở để bác bỏ H0.. . 112 . Tiêu chuẩn kiểm định giả thiết thống kê Từ biến ngẫu nhiên gốc X của tổng thể lập mẫu ngẫu nhiên W = ( X 1 . .41) ta được giá trị quan sát của tiêu chuẩn kiểm định: Tqs = ( x1 . . Nếu H0 đúng thì thống kê T có quy luật phân bố xác suất xác định.Chương 5: Thống kê toán học xuất hiện biến cố A là rất bé và ta có thể xem A không thể xảy ra trong một phép thử về biến cố này.. X n ) thu được mẫu cụ thể w = ( x1 .1. x 2 . Do đó ta chỉ có thể nói rằng qua mẫu cụ thể này chưa có cơ sở để bác bỏ H0 (trên thực tế là thừa nhận H0). thay giá trị này vào thống kê (5. x 2 .3. θ 0 ) (5.3.01) và với điều kiện H0 đúng ta có thể tìm được miền Wα sao cho T nhận giá trị trong miền Wα với xác suất bằng α : P {T ∈ Wα H 0 } = α (5. 2. X n . X 2 . Nếu Tqs ∉Wα thì điều này chưa khẳng định rằng H0 đúng mà chỉ có nghĩa là qua mẫu cụ thể này chưa khẳng định được là H0 sai. 5. Thống kê T được gọi là tiêu chuẩn kiểm định. .5. . do đó ta bác bỏ H0 thừa nhận H1. Chọn thống kê T = T ( X 1 . Ta thực hiện phương pháp trên bằng các bước cụ thể sau: 5. ... Giá trị quan sát của tiêu chuẩn kiểm định Thực hiện phép thử với mẫu ngẫu nhiên W = ( X 1 . x n ) .. θ 0 ) (5.05 hoặc 0.. Vậy H0 sai và bác bỏ nó. . X n ) .1. Nếu Tqs ∈Wα .2. x n . X 2 .3..3.. X 2 .. theo nguyên tắc kiểm định thì H0 sai. .1. Miền bác bỏ giả thiết Sau khi đã chọn tiêu chuẩn kiểm định T . . với α bé cho trước (thường α được lấy bằng 0. ..42) Giá trị α được gọi là mức ý nghĩa của kiểm định và miền Wα gọi là miền bác bỏ giả thiết H0 với mức ý nghĩa α . 5.1.4. Quy tắc kiểm định giả thiết thống kê So sánh giá trị quan sát của tiêu chuẩn kiểm định với miền bác bỏ Wα và kết luận theo quy tắc sau: 1.41) trong đó θ 0 là tham số liên quan đến giả thiết cần kiểm định. Lúc đó nếu trên một mẫu cụ thể quan sát được mà biến cố A xuất hiện thì điều này trái với nguyên lý xác suất nhỏ.3.43) 5.

Nghĩa là cần tìm miền bác bỏ Wα thỏa mãn điều kiện: P{T ∈ Wα H 0 } = α và P{T ∈ Wα H1 } = 1 − β → max Định lý Neymann .v… 2. Chẳng hạn nếu lấy α = 0 thì sẽ không bác bỏ bất kỳ giả thiết nào. Mặt khác trong bài toán kiểm định thì giả thiết H0 là giả thiết quan trọng.44) Xác suất của biến cố đối của sai lầm loại II: P{T ∈ Wα H 1 } = 1 − β gọi là lực lượng kiểm định.6. với mẫu kích thước n xác định. kể cả giả thiết sai. điều này xảy ra khi giá trị quan sát Tqs không thuộc miền bác bỏ Wα trong khi H1 đúng.1. Ta thấy xác suất mắc sai lầm loại I đúng bằng mức ý nghĩa α . Vì vậy các nhà thống kê đưa ra phương pháp sau: Sau khi ta chọn sai lầm loại I nhỏ ở mức ý nghĩa α . Thật vậy. do đó khi H0 đúng thì xác suất này bằng P{T ∈ Wα H 0 } = α . do phương pháp lấy mẫu v. Việc chọn mức ý nghĩa α bằng bao nhiêu tùy thuộc vào từng trường hợp cụ thể. Thực tế Quyết định Bác bỏ H0 Không bác bỏ H0 H0 đúng H0 sai Sai lầm loại I Quyết định đúng Xác suất = α Xác suất = 1 − β Quyết định đúng Sai lầm loại II Xác suất = 1 − α Xác suất = β Ta muốn tìm một qui tắc kiểm định mà cả hai loại sai lầm trên là cực tiểu. Sai lầm loại I sinh ra do kích thước mẫu quá nhỏ. ta chọn ra miền bác bỏ Wα sao cho xác suất sai lầm loại II là nhỏ nhất hay lực lượng kiểm định là lớn nhất.Pearson chỉ ra rằng nhiều bài toán quan trọng trong thực tiễn có thể tìm được miền bác bỏ Wα thỏa mãn điều kiện trên. Sai lầm loại II: Đó là sai lầm mắc phải khi thừa nhận giả thiết H0 trong khi H0 sai. tùy thuộc vào ý nghĩa của bài toán. xác suất ta bác bỏ H0 bằng xác suất biến cố {T ∈Wα }.Chương 5: Thống kê toán học 5. Nhưng không tồn tại kiểm định lý tưởng như vậy. do đó sai lầm về nó càng nhỏ càng tốt. Sai lầm loại I: Đó là sai lầm mắc phải khi bác bỏ giả thiết H0 trong khi H0 đúng. vậy β sẽ đạt cực đại. 113 .3. Sai lầm loại một và sai lầm loại hai Với quy tắc kiểm định như trên có thể mắc hai loại sai lầm sau: 1. Vậy xác suất sai lầm loại II là β xác định như sau: P {T ∉ Wα H1} = β (5. vì nói chung khi giảm sai lầm loại I thì sai lầm loại II tăng và ngược lại.

f. Chọn tiêu chuẩn kiểm định T và xác định quy luật phân bố xác suất của T với điều kiện giả thiết H0 đúng.. Ta xây dựng các miền bác bỏ dựa vào đối thiết H1.46) b.Chương 5: Thống kê toán học 5. σ ⎪⎩ ⎪⎭ c. Nếu có cơ sở để giả thiết rằng kỳ vọng μ bằng giá trị μ 0 ta đưa ra giả thiết thống kê H0 : μ = μ 0 .47) .2. Bài toán 1: H0: μ = μ 0 . X 2 .2.1. . cần kiểm định kỳ vọng μ . Với mức ý nghĩa α . H1: μ ≠ μ 0 .. Kiểm định giả thiết về kỳ vọng của biến ngẫu nhiên có phân bố theo quy luật chuẩn Giả sử biến ngẫu nhiên gốc X trong tổng thể có phân bố chuẩn N (μ. So sánh giá trị quan sát của tiêu chuẩn kiểm định Tqs với miền bác bỏ Wα và kết luận. xác định miền bác bỏ Wα tốt nhất tùy thuộc vào đối thiết H1.3. 114 (5. σ 2 ) đã biết. T > Uα/2 ⎬ . H1: μ > μ 0 . Miền bác bỏ ⎧⎪ ⎫⎪ ( X − μ0 ) n Wα = ⎨T = .45) Nếu giả thiết H0 đúng. e. Ta nói đây là bài toán kiểm định hai phía. . Thủ tục kiểm định giả thiết thống kê Qua nội dung trình bày ở trên ta có thể xây dựng một thủ tục kiểm định giả thiết thống kê bao gồm các bước sau: a. Từ tổng thể rút ra một mẫu ngẫu nhiên kích thước n : W = ( X 1 .19) thì thống kê T có phân bố chuẩn tắc N (0. σ ⎪⎩ ⎪⎭ (5. b.7.1.3. Miền bác bỏ ⎧⎪ ⎫⎪ ( X − μ0 ) n Wα = ⎨T = . X n ) .1) . 5. Bài toán 2: H0: μ = μ 0 . Bài toán 3: H0: μ = μ 0 . c. a. Đây là bài toán kiểm định một phía. Từ mẫu cụ thể tính giá trị quan sát của tiêu chuẩn kiểm định Tqs . Đây là bài toán kiểm định một phía. T > Uα ⎬ . H1: μ < μ 0 . Từ tổng thể nghiên cứu lập mẫu ngẫu nhiên kích thước n . Xét thống kê T= ( X − μ0 ) n σ (5. d.3. Trường hợp đã biết phương sai Giả sử phương sai σ 2 của biến ngẫu nhiên gốc X trong tổng thể có phân bố chuẩn N (μ. Ta xét các trường hợp sau: 5. Phát biểu giả thiết H0 và đối thiết H1. theo công thức (5. σ 2 ) .

x 2 .2 ta có thống kê T= ( X − μ0 ) n S (5. Bài toán 3: H0: μ = μ 0 . Đối thiết H1 : μ ≠ 7. T > Uα/2 ⎬ . S ⎪⎩ ⎪⎭ (5. H1: μ < μ 0 . σ ⎪⎩ ⎪⎭ trong đó U α / 2 . Ta kiểm định: Giả thiết H0 : μ = 7.2.4. S ⎪⎩ ⎪⎭ (5. S ⎪⎩ ⎪⎭ Miền bác bỏ (5. Đây là bài toán kiểm định một phía.52) Ví dụ 5. tương tự mục 5. Bài toán 2: H0: μ = μ 0 . ⎧⎪ ⎫⎪ ( X − μ0 ) n Wα = ⎨T = .1) . x n ) và tính giá trị quan sát của tiêu chuẩn kiểm định Tqs = ( x − μ0 ) n và so sánh với miền bác bỏ Wα để kết luận.. σ 5. Ta xây dựng các miền bác bỏ dựa vào đối thiết H1. H1: μ > μ 0 .4 . H1: μ ≠ μ 0 . Với mức ý nghĩa α = 1% có thể nói rằng lượng hàng bán được trung bình trên mỗi đầu người có sự thay đổi không? Giải: Gọi μ là lượng hàng bán được trung bình trên mỗi nhân viên bán hàng của hãng buôn.3.11: Một hãng buôn muốn biết xem phải chăng có sự không ổn định trung bình về lượng hàng bán được trung bình trên một nhân viên bán hàng so với các năm trước (lượng đó bằng 7.5 ..51) c. Ta nói đây là bài toán kiểm định hai phía. Bài toán 1: H0: μ = μ 0 . Lập mẫu cụ thể w = ( x1 . −T > Uα ⎬ . . Đây là bài toán kiểm định một phía.2.2. Miền bác bỏ ⎧⎪ ⎫⎪ (X − μ0 ) n Wα = ⎨T = . Một mẫu ngẫu nhiên gồm 40 nhân viên bán hàng được lựa chọn và tìm thấy lượng hàng trung bình của họ là x = 6.50) b. a. . Tiêu chuẩn kiểm định: T = ( X − 7. U α lần lượt là giá trị tới hạn mức α 2 (5.49) xấp xỉ phân bố chuẩn tắc N (0. − T >Uα ⎬ .1) .4).48) và mức α của phân bố chuẩn tắc N (0.4) n S 115 .Chương 5: Thống kê toán học Miền bác bỏ ⎧⎪ ⎫⎪ ( X − μ0 ) n Wα = ⎨T = . T > Uα ⎬ . Miền bác bỏ ⎧⎪ ⎫⎪ ( X − μ0 ) n Wα = ⎨T = .1 với độ lệch chuẩn là s = 2. Trường hợp chưa biết phương sai. kích thước mẫu n ≥ 30 Trường hợp phương sai σ 2 chưa biết: Với kích thước n đủ lớn ( n ≥ 30 ) và giả thiết H0 đúng.6.

Bài toán 1: H0: μ = μ 0 .64⎬ .76 . vậy ta có thể kết luận rằng số lượng hàng bán được trung bình của mỗi nhân viên bán hàng là có thay đổi.53) theo công thức (5. b.5 Với mẫu cụ thể này giá trị quan sát của tiêu chuẩn kiểm định rơi vào miền bác bỏ. Ví dụ 5. Ta kiểm định: Giả thiết H0 : μ = 1200.4) n ⇒ Miền bác bỏ: Wα = ⎨T = . T > 2.54) .3.Chương 5: Thống kê toán học α = 0.3. H1: μ ≠ μ 0 .01 ⇒ U α = 2.4) 40 = −3. T > 1.64 ⇒ Miền bác bỏ: Wα = ⎨T = . a. Hệ thống này khi chạy kiểm tra trong 40 giờ cho thấy số hóa đơn được xử lí trung bình trong 1 giờ là 1260 với độ lệch chuẩn 215. T > tα / 2 (n − 1) ⎬ . H1: μ > μ 0 . Trường hợp chưa biết phương sai. xét thống kê T= ( X − μ0 ) n S (5.575⎬ . Đối thiết H1 : μ > 1200. Với mức ý nghĩa 5% hãy nhận định xem hệ thống mới có tốt hơn hệ thống cũ hay không? Giải: Gọi μ là số hóa đơn trung bình mà hệ thống máy tính mới xử lí được trong 1 giờ. kích thước mẫu n < 30 Giả sử giả thiết H0 đúng.289 .1 − 7. 215 Với mẫu cụ thể này giá trị quan sát của tiêu chuẩn kiểm định rơi vào miền bác bỏ. S ⎪⎩ ⎪⎭ trong đó tα / 2 (n − 1) là giá trị tới hạn mức α 2 của phân bố Student n − 1 bậc tự do. S ⎩ ⎭ (1260 − 1200) 40 = 1.12: Một công ti có một hệ thống máy tính có thể xử lí 1200 hóa đơn trong một giờ.2. 2. vậy ta có thể kết luận hệ thống máy tính mới tốt hơn hệ thống cũ. 116 (5. Bài toán 2: H0: μ = μ 0 .05 ⇒ U α = 1. Tiêu chuẩn kiểm định: T = ( X − 1200) n S ⎧ ⎫ ( X − 1200) n α = 0. Công ti mới nhập một hệ thống máy tính mới.575 2 Tqs = ⎧ ⎫ ( X − 7. Thay giá trị cụ thể của mẫu vào công thức (5. Miền bác bỏ: ⎧⎪ ⎫⎪ ( X − μ0 ) n Wα = ⎨T = .49) ta được Tqs = 5. Ta xây dựng các miền bác bỏ dựa vào đối thiết H1. S ⎩ ⎭ (6.22) thống kê T có phân bố Student n − 1 bậc tự do.

T > tα (n − 1) ⎬ . T > 2.5.025 của phân bố Student 15 bậc tự do là 2 ⎧⎪ ⎫⎪ ( X − 21. Có nghĩa là với số liệu này thì có thể chấp nhận lời quảng cáo của công ty.13: Một công ty sản xuất hạt giống tuyên bố rằng một loại giống mới của họ có năng suất trung bình là 21.56) Ví dụ 5. Nếu p chưa biết.2.7.5) n Wα = ⎨T = . Đối thiết H1: μ ≠ 21. 18.Chương 5: Thống kê toán học Miền bác bỏ: ( X − μ0 ) n ⎪⎧ ⎪⎫ Wα = ⎨T = . 18. Bài toán 3: H0: μ = μ 0 . S Tra bảng ta tính được giá trị tới hạn mức 2. s = 3. Dựa vào kết quả này hãy xác nhận xem quảng cáo của công ty có đúng không.1. Kiểm định giả thiết về tần suất Giả sử ta để ý đến một đặc trưng A nào đó mà mỗi cá thể của tổng thể có thể có tính chất này hoặc không. Giải: Gọi μ là năng suất trung bình của loại giống mới.5) n . Mức ý nghĩa được lựa chọn là α = 0. 24.038 Vì Tqs = 1. 22. 17. Gọi p là tần suất có đặc trưng A của tổng thể.131 nên chưa có cơ sở để bác bỏ H0. Miền bác bỏ: ( X − μ0 ) n ⎪⎧ ⎪⎫ Wα = ⎨T = .4. 18. 25. Do đó miền bác bỏ: α = 0. 3. Ta cần kiểm định giả thiết H0: μ = 21.5) 16 = −1. Ta kiểm định giả thiết H0: p = p 0 . Gieo thử hạt giống mới này tại 16 vườn thí nghiệm và thu được kết quả: 19.8.5.9.4.7. S ⎩⎪ ⎭⎪ (5. − T > tα (n − 1) ⎬ . 21.6.8.3. 23.44 .3.55) trong đó tα (n − 1) là giá trị tới hạn mức α của phân bố Student n − 1 bậc tự do.8. 16. 117 .3. H1: μ < μ 0 . 20. như đã thấy trong chương VII dấu hiệu nghiên cứu này là một biến ngẫu nhiên X có phân bố không – một A( p ) với kỳ vọng bằng p . 44 < 2. 15. Tiêu chuẩn kiểm định: T = ( X − 21.05.0. Biết rằng năng suất giống cây trồng là một biến ngẫu nhiên có phân bố chuẩn N ( μ . 23. c. 5. 21.1.131⎬ . σ 2 ) .7.5 tạ/ha. S ⎪⎩ ⎪⎭ (5. song có cơ sở để giả thiết rằng giá trị này bằng p 0 .406 .406 − 21.131.038 ⇒ Tqs = (20.0. S ⎪⎩ ⎪⎭ Từ mẫu cụ thể trên tính được: x = 20. 19.

so sánh với Wα và kết luận.24)) thì khi n đủ lớn thống kê trên xấp xỉ phân bố chuẩn tắc N (0. 118 .1) . ⎫⎪ ⎧⎪ ( f − p0 ) n Wα = ⎨T = . ⎧⎪ ⎫⎪ ( f − p0 ) n .45. Trong thực tế khi ⎧np 0 > 5 ⎨ ⎩n(1 − p 0 ) > 5 (5. H1: p > p 0 .45 hay thấp hơn 0. Giải: Gọi p là tỉ lệ cử tri sẽ bỏ phiếu cho ứng cử viên A.57) Nếu giả thiết H0 đúng. H1: p ≠ p 0 .45). Chọn ngẫu nhiên 2000 cử tri để thăm dò ý kiến và cho thấy có 862 cử tri tuyên bố sẽ bỏ phiếu cho A. −T > Uα ⎬ p0 (1 − p0 ) ⎪⎭ ⎪⎩ (5. Với mức α = 5%.59) b) H0: p = p 0 . a) H0: p = p 0 . Ví dụ 5.15)). Đối thiết H1: p ≠ 0. Do đó với mức ý nghĩa α và tùy thuộc đối thiết H1 ta có thể xây dựng các miền bác bỏ tương ứng. T > Uα ⎬ p0 (1 − p0 ) ⎪⎭ ⎪⎩ (5. ⎫⎪ ⎧⎪ ( f − p0 ) n Wα = ⎨T = . T > Uα ⎬ Wα = ⎨T = p0 (1 − p0 ) ⎪ ⎩⎪ 2⎭ (5. H1: p < p 0 .58) thì có thể xem thống kê (5.1) . áp dụng định lý giới hạn trung tâm (công thức (5. gọi f là tần suất mẫu (công thức (5. Xét thống kê T= ( f − p0 ) n p 0 (1 − p0 ) (5.Chương 5: Thống kê toán học Từ tổng thể rút ra một mẫu ngẫu nhiên kích thước n .61) Với mẫu cụ thể tính giá trị quan sát của tiêu chuẩn kiểm định Tqs .13)-(5.45 .57) có phân bố chuẩn tắc N (0. Ta cần kiểm định: Giả thiết H0: p = 0.60) c) H0: p = p 0 . hãy kiểm định xem dự đoán của đảng trên có đúng không.14: Một đảng chính trị trong một cuộc bầu cử tổng thống ở nước nọ tuyên bố rằng có 45% cử tri sẽ bỏ phiếu cho ứng cử viên A của đảng họ. (Bởi vì ta không có cơ sở nào để cho rằng dự đoán của đảng trên là cao hơn 0.

05 ⇒ U α = 1. ký hiệu W = ( X 1 . f i = ri gọi là tần suất của xi .55 = 1100 > 5 862 chuẩn kiểm định theo công thức (5.431 − 0. Ta thấy Tqs < 1. Việc chọn ra từ tổng thể một tập con nào đó gọi là phép lấy mẫu. .96. k : x1 < < x k ..Chương 5: Thống kê toán học ⎧np 0 = 2000 ⋅ 0. Bảng phân bố tần số thực nghiệm và tần suất thực nghiệm Nếu một mẫu ngẫu nhiên kích thước n của X nhận giá trị xi với tần số xuất hiện ri . . . X 2 .708 ..45 = 900 > 5 thỏa mãn nên có thể chọn tiêu ⎨ ⎩n(1 − p 0 ) = 2000 ⋅ 0.45) 2000 0. Với mức ý nghĩa α = 0. hoặc khi các giá trị cụ thể của dấu hiệu X lấy giá trị khác nhau song lại khá gần nhau. người ta thường xác định một số các khoảng 119 . X n ) .431 ta được giá trị 2000 Vì rằng điều kiện quan sát của tiêu chuẩn kiểm định Tqs = (0. −∞ < x < +∞ . n Khi đó ta có thể mô tả mẫu ngẫu nhiên trên qua bảng phân bố tần số thực nghiệm và tần suất thực nghiệm của X X TÇn sè x1 r1 x2 r2 xk rk X TÇn suÊt x1 f1 x2 f2 xk fk Hàm phân bố thực nghiệm của mẫu Hàm số xác định như sau: Fn ( x) = ∑ x j <x rj n .. Mẫu ngẫu nhiên Nếu trong phép lấy mẫu đó mỗi cá thể của tổng thể được chọn một cách độc lập và có xác suất được chọn như nhau ta được một mẫu ngẫu nhiên.96.55 = −1. . . TÓM TẮT Tổng thể Toàn bộ tập hợp các phần tử đồng nhất theo một dấu hiệu nghiên cứu định tính hay định lượng nào đó được gọi là tổng thể.. Tập hợp con này được gọi là một mẫu..57). X 2 . i = 1.. . Bảng phân bố ghép lớp Trong những trường hợp mẫu điều tra có kích thước lớn.45 ⋅ 0. Thay mẫu cụ thể với f = = 0. Mẫu ngẫu nhiên của dấu hiệu nghiên cứu X Mẫu ngẫu nhiên kích thước n của dấu hiệu nghiên cứu X là một dãy gồm n biến ngẫu nhiên: X 1 . Vậy không có cơ sở để 2 bác bỏ H0. X n độc lập cùng phân bố với X . r1 + + rk = n .

. f i ) với điểm có toạ độ ( xi +1 .. ™ Nối điểm trên trục hoành có toạ độ ( xi . f i +1 ) .. C k sao cho mỗi giá trị của dấu hiệu điều tra thuộc vào một khoảng nào đó. k ta được biểu đồ tần số hình gậy. li li Thống kê Một thống kê của mẫu là một hàm của các biến ngẫu nhiên thành phần của mẫu. n i =1 Phương sai mẫu ( 1 k ∑ ri X i − X n − 1 i =1 ) 2 ( ) 1 k n ri X i2 − X ∑ n − 1 i =1 n −1 2 ƒ Phương sai mẫu S 2 : S 2 = ƒ Phương sai mẫu Sˆ 2 : khi dấu hiệu nghiên cứu X của tổng thể có kỳ vọng xác định EX = μ . X 1 . X 2 . ... X n là các biến ngẫu nhiên độc lập có cùng phân bố 120 ... X n ) là: X = 1 n ∑ Xi .. X n ) có dạng: T = T ( X 1 . S = 1 n ( X i − μ )2 . ™ Nối lần lượt điểm có toạ độ ( xi . X 2 . ..Chương 5: Thống kê toán học C1 . k − 1 ta được biểu đồ đa giác tần suất.. . Biểu diễn bằng biểu đồ Trong mặt phẳng với hệ trục toạ độ Oxy . Với mỗi khoảng Ci ta dựng hình chữ nhật có chiều cao yi = ri f (đối với tổ chức đồ tần số). X 2 . ri ) . Lấy mẫu ngẫu nhiên kích thước n : W = ( X 1 . ™ Đối với bảng phân bố ghép lớp. hay yi = i (đối với tổ chức đồ tần suất).. X 2 . i = 1. người ta thường dùng tổ chức đồ để biểu diễn: Trên trục hoành ta chia các khoảng Ci có độ rộng li . . . X n ) . . i = 1. Thống kê của mẫu ngẫu nhiên W = ( X 1 . .. . X n ) Trung bình mẫu Trung bình mẫu của mẫu ngẫu nhiên W = ( X 1 . ∑ n i =1 S= 1 k ∑ ri X i − X n − 1 i =1 2 = Độ lệch tiêu chuẩn mẫu ( ) 2 Tần suất mẫu Xét biến ngẫu nhiên gốc X có phân bố không – một A( p) .. . C 2 . .0) với điểm có toạ độ ( xi . . X 2 . Các khoảng này lập thành một phân hoạch của miền giá trị của X .

Tần số xuất hiện dấu hiệu A của mẫu là: r = X 1 + X 2 + + X n . ~ N (0. . x 2 . Ước lượng vững 121 . σ 2 χ = 2 χ = nSˆ 2 σ2 2 n ⎛ X −μ⎞ = ∑⎜ i ⎟ ~ χ 2 ( n) . . s2 = i =1 k ( 1 ∑ ri xi − x n − 1 i =1 ) 2 ⎛ 1 ⎜ k = ⎜ ∑ ri xi2 − n − 1 ⎜ i =1 ⎜ ⎝ (∑ ) 2 k r x i =1 i i n ⎞ ⎟ ⎟ ⎟ ⎟ ⎠ Quy luật phân bố xác suất của một số thống kê đặc trưng mẫu Trường hợp biến ngẫu nhiên gốc tuân theo quy luật phân bố chuẩn U= ( X − μ) n ~ N (0. 2 2 S (n − 1) S χ (n − 1) σ 2 (n − 1) Trường hợp tần suất mẫu U= ⎧ np > 5 ( f − p) n hoặc npq > 20 . ⎟ ⎠ ( X − μ) n ( X − μ) n U σ = T= = ~ T(n − 1) . n2 .Chương 5: Thống kê toán học với X . X 2 ..1) . x k với tần số tương ứng n1 ... .1) khi ⎨ pq ⎩ nq > 5 Ước lượng không chệch Thống kê θˆ = T ( X 1 . . s 2 Nếu mẫu chỉ nhận các giá trị x1 . σ ⎠ i =1 ⎝ (n − 1) S 2 σ2 ⎛X −X = ∑ ⎜⎜ i σ i =1 ⎝ n 2 ⎞ ⎟ ~ χ 2 (n − 1) . X n ) được gọi là ước lượng không chệch của θ nếu: E (θˆ ) = θ . ∑ ri = n . nk thì giá trị trung bình mẫu và phương sai mẫu cụ thể được tính theo công thức x= ∑ k rx i =1 i i n k ... . Ước lượng hiệu quả Ước lượng không chệch có phương sai nhỏ nhất so với mọi ước lượng không chệch khác được xây dựng trên cùng một mẫu ngẫu nhiên gọi là ước lượng hiệu quả..Tần suất mẫu f = r . . n Cách tính giả trị cụ thể của mẫu trung bình mẫu và phương sai mẫu x .

.. X 2 ... Φ (U α ) = 1 − 2 = 2 . X n ) được gọi là ước lượng hợp lý cực đại của θ . n n⎦ ⎣ trong đó tα / 2 (n − 1) là giá trị tới hạn mức α 2 của phân bố Student n − 1 bậc tự do.. X n ) hội tụ theo xác suất đến θ khi n → ∞ . . . Khoảng tin cậy cho tần suất p 122 . X 2 . . Khi ta xem x1 . . X + Uα / 2 ⎢ X − Uα / 2 ⎥ . X n ) được gọi là ước lượng vững của tham số θ của biến ngẫu nhiên gốc X nếu θˆ = T ( X 1 ... . . X n ) của biến ngẫu nhiên gốc X .. .Chương 5: Thống kê toán học Thống kê θˆ = T ( X 1 .. X 2 .. ... x n . Khoảng tin cậy của kỳ vọng của biến ngẫu nhiên phân bố theo quy luật chuẩn • Trường hợp phương sai σ 2 đã biết: σ σ ⎤ α 1+ β ⎡ . θ) = f ( x1 . θ) (hoặc có thể là biểu thức xác suất nếu X là biến ngẫu nhiên rời rạc). . x n là tham số còn θ là biến và giả sử hàm hợp lý L( x1 . X 2 . Φ (U α ) = 1 − 2 = 2 . X n ) phụ thuộc mẫu ngẫu nhiên W = ( X 1 . n n⎦ ⎣ 2 • Trường hợp phương sai σ 2 chưa biết n ≥ 30 : S S ⎤ α 1+ β ⎡ . x 2 . θ) đạt cực đại tại θˆ = g ( x1 .. X + tα / 2 (n − 1) ⎢ X − tα / 2 (n − 1) ⎥. n n⎦ ⎣ 2 • Trường hợp phương sai σ 2 chưa biết n < 30 : S S ⎤ ⎡ . x n . Ước lượng hợp lý cực đại Giả sử đã biết quy luật phân bố xác suất của dấu hiệu nghiên cứu biến ngẫu nhiên gốc X có hàm mật độ f ( x. X 2 . Từ tổng thể rút ra một mẫu ngẫu nhiên kích thước n : Hàm mật độ đồng thời có dạng của mẫu ngẫu nhiên có dạng L( x1 . . .. x n ) . θ) . .. θ) ⋅ ⋅ ⋅ f ( x n . Cần phải ước lượng tham số θ nào đó của X . gọi là khoảng tin cậy của tham số θ với độ tin cậy β nếu: P{a ≤ θ ≤ b} = β . .. b ] có hai đầu mút là hai thống kê a = a( X 1 . . Hàm L( x1 . ... Khoảng tin cậy Khoảng [a . X + Uα / 2 ⎢ X − Uα / 2 ⎥ . .. X n ) . .. X 2 . b = b( X 1 .. x n . x 2 . . . θ) được gọi là hàm hợp lý của tham số θ . x 2 .. Thống kê θˆ = g ( X 1 . θ) ⋅ f ( x 2 . .. .

Miền bác bỏ Wα = { − T > U α } . H1: μ < μ 0 . So sánh giá trị quan sát của tiêu chuẩn kiểm định Tqs với miền bác bỏ Wα và kết luận. b) Từ tổng thể nghiên cứu lập mẫu ngẫu nhiên kích thước n . Miền bác bỏ Wα = { T > U α }.Chương 5: Thống kê toán học ⎡ ⎢ f − Uα / 2 ⎣ f (1 − f ) . Bài toán 2: H0: μ = μ 0 . σ a. 123 . U α là giá trị tới hạn mức α 2 2 của phân bố chuẩn tắc N (0. H1: μ > μ 0 . f + Uα / 2 n ⎧nf > 10 f (1 − f ) ⎤ ⎥ Với điều kiện ⎨ n ⎩n(1 − f ) > 10 ⎦ Trong đó α = 1 − β . Bài toán 2: H0: μ = μ 0 . Miền bác bỏ Wα = {T > U α / 2 }. c. e) Từ mẫu cụ thể tính giá trị quan sát của tiêu chuẩn kiểm định Tqs . S a. H1: μ > μ 0 . Cạnh tranh với giả thiết này là đối thiết H1. được phát biểu dưới dạng H0. Giải thiết thống kê Giả thiết thống kê là giả thiết về dạng phân bố xác suất của biến ngẫu nhiên gốc của tổng thể. c) Chọn tiêu chuẩn kiểm định T và xác định quy luật phân bố xác suất của T với điều kiện giả thiết H0 đúng. Bài toán 3: H0: μ = μ 0 . Bài toán 1: H0: μ = μ 0 . Miền bác bỏ Wα = { T > U α }. xác định miền bác bỏ Wα tốt nhất tùy thuộc vào đối thiết H1. c. b. các tham số đặc trưng hoặc tính chất của các biến ngẫu nhiên này. H1: μ ≠ μ 0 . 2) Trường hợp chưa biết phương sai n ≥ 30 Tiêu chuẩn kiểm định : T = ( X − μ0 ) n . theo nghĩa rằng nếu bác bỏ H0 thì chấp nhận H1 và ngược lại. Bài toán 1: H0: μ = μ 0 . d) Với mức ý nghĩa α . H1: μ ≠ μ 0 . H1: μ < μ 0 . Thủ tục kiểm định giả thiết thống kê Một thủ tục kiểm định giả thiết thống kê bao gồm các bước sau: a) Phát biểu giả thiết H0 và đối thiết H1. Kiểm định giả thiết về kỳ vọng của biến ngẫu nhiên có phân bố theo quy luật chuẩn 1) Trường hợp đã biết phương sai Tiêu chuẩn kiểm định : T = ( X − μ0 ) n . b. Miền bác bỏ Wα = {T > U α / 2 }.1) . Miền bác bỏ Wα = { − T > U α } . Giả thiết thống kê là những điều ta nghi ngờ muốn bác bỏ. Bài toán 3: H0: μ = μ 0 .

S a) Bài toán 1: H0: μ = μ 0 . H1: p < p0 . Wα = { T > U α / 2 }. H1: p ≠ p0 .. 2 ⎛ ∂ (ln f ( x. Đúng Sai .3 Trung bình mẫu của dấu hiệu nghiên cứu có phân bố chuẩn cũng có phân bố chuẩn.2 Một thống kê của mẫu ngẫu nhiên là con số cụ thể về dấu hiệu nghiên cứu. Đúng Sai . . c) Bài toán 3: H0: μ = μ 0 . H0: p = p0 . X 2 .. Đúng Sai .4 Một thống kê của mẫu là một hàm của các biến ngẫu nhiên thành phần của mẫu do đó cũng là một biến ngẫu nhiên . Đúng Sai . b.Chương 5: Thống kê toán học 3) Trường hợp chưa biết phương sai n < 30 Tiêu chuẩn kiểm định : T = ( X − μ0 ) n .5 Trung bình mẫu là ước lượng vững và hiệu quả của kỳ vọng của biến ngẫu nhiên gốc. b) Bài toán 2: H0: μ = μ 0 . Wα = { T > U α }. 5. CÂU HỎI ÔN TẬP VÀ BÀI TẬP 5. 5. 5. 124 . X n độc lập cùng phân bố với X . ( 1 − ) > 5 n p p0 (1 − p0 ) 0 ⎩ ( f − p0 ) n a. Miền bác bỏ Wα = { T > tα / 2 (n − 1)} .1 Mẫu ngẫu nhiên kích thước n về dấu hiệu nghiên cứu X là một dãy gồm n biến ngẫu nhiên: X 1 . Đúng Sai . H0: p = p0 . Wα = { − T > U α }. H1: p > p0 . Miền bác bỏ Wα = { − T > tα (n − 1)} . 5. θ) ) ⎞ nE ⎜ ⎟ ∂θ ⎝ ⎠ Đúng Sai .6 Có thể tìm được ước lượng không chệch của θ có phương sai nhỏ hơn đại lượng 1 . c. H0: p = p0 . H1: μ > μ 0 . Kiểm định giả thiết về tần suất Tiêu chuẩn kiểm định: T = ⎧np 0 > 5 với điều kiện ⎨ . H1: μ < μ 0 . H1: μ ≠ μ 0 . f là tần suất mẫu. . 5. Miền bác bỏ Wα = { T > tα (n − 1)} .

18 Kiểm định hai phía là kiểm định đối với những tham số có thể nhận giá trị âm dương bất kỳ. Đúng Sai . 5. Đúng Sai . còn kiểm định một phía khi tham số cần kiểm định chỉ nhận giá trị dương hoặc âm.5 125 .13 Qui tắc kiểm định dựa trên nguyên lý xác suất nhỏ và phép chứng minh phản chứng. 5. 5. Đúng Sai .10 Muốn tìm khoảng tin cậy cho tham số μ của biến ngẫu nhiên gốc có phân bố chuẩn N (μ. Đúng Sai . 5.5 0.17 Khi xây dựng tiêu chuẩn kiểm định T ta luôn giả sử rằng giả thiết H0 sai vì giả thiết H0 là điều ta nghi ngờ muốn bác bỏ. Đúng Sai . 5. 5. 5. Đúng Sai . 5. 5. 5.Chương 5: Thống kê toán học 5. Đúng Sai . 5.19 Từ tổng thể có dấu hiệu nghiên cứu X có bảng phân bố xác suất sau X 0 1 P 0.9 Hai đầu mút của khoảng tin cậy là hai thống kê của mẫu.16 Miền bác bỏ là miền có xác suất rất bé nên ta có thể bỏ qua trong mọi phép kiểm định. Đúng Sai . Đúng Sai .14 Sai lầm loại 1 là sai lầm gặp phải khi thực tế giả thiết đúng nhưng ta bác bỏ.7 Tống của hai ước lượng không chệch là một ước lượng không chệch.15 Sai lầm loại 2 luôn luôn lớn hơn sai lầm loại 1. σ 2 ) thì kích thước mẫu n phải lớn hơn 30.8 Phương sai mẫu hiệu chỉnh S 2 là ước lượng vững không chệch của phương sai của biến ngẫu nhiên gốc. Đúng Sai .12 Bác bỏ giả thiết dẫn đến chấp nhận đối thiết và ngược lại do đó đối thiết là phủ định của giả thiết.11 Giả thiết thống kê là giả thiết do nhà thống kê đặt ra cho mẫu ngẫu nhiên. Đúng Sai . 5. Đúng Sai .

07 0.77.5-18 18-18. 4 . Sau đó bắt lại 400 con và thấy có 53 con có dấu. 5.8 < X < 20.1) .5 .08 0.5 49. 5.5 . người ta bắt 2000 con cá trong hồ đánh dấu rồi thả lại xuống hồ. s .95 1.5 .5 18.14 0. một đơn vị đã tiến hành thống kê ngẫu nhiên 35 ngày và thu được kết quả sau với đơn vị 100.5 Số cây tương ứng 3 5 11 12 6 3 a) Tìm khoảng tin cậy 90% cho chiều cao trung bình của vườn cây con.24 Muốn ước lượng số cá trong hồ.10 0.87 0.96.5 Số bao tương ứng 3 6 15 2 1 a) Tìm khoảng tin cậy 95% của trọng lượng trung bình của loại sản phẩm trên.5 . 2 . 1 .16 1.51. 3 . người ta phỏng vấn ngẫu nhiên 2000 cử tri thì được biết có 1082 người trong số đó sẽ bỏ phiếu cho ứng cử viên A.23 Để xác định sản lượng khai thác điện thoại của đơn vị mình.81 0.05 0. 126 . a) Lập bảng phân bố tần suất.5.97 1.24 0.00 1.1) là 1.98 1.000 phút/ngày: 0. 5.20 Giả sử biến ngẫu nhiên gốc có phân bố chuẩn N (20.1 thì cần lấy mẫu bao nhiêu cây.79 0. Tính x . 5. 5. Tính xác suất để trung bình mẫu của mẫu ngẫu nhiên này nhận giá trị 0.01 0.975 của phân bố chuẩn tắc N(0.91 0.5-19 19-19.5 17. 5.50.76 0.03 1. Hãy tính xác suất để trung bình mẫu X nằm trong khoảng: 19.48. Cân thử 27 bao loại này ta thu được kết quả: Trọng lượng(gam) 47.13 0.49.02 1. s2 .95.2 .80 0. Hãy ước lượng số cá trong hồ với độ tin cậy là 0.97 1.82 1.93 1.5 51. 1 ( n = 10 ). 3 . b) Nếu muốn khoảng ước lượng có độ chính xác ε = 0.89 0.26 Trọng lượng của một loại sản phẩm A là một biến ngẫu nhiên có phân bố theo quy luật chuẩn với độ lệch chuẩn là 1 gam.22 Trong đợt vận động bầu cử tổng thống ở một nước nọ.5 . Tìm khoảng tin cậy 95% cho sản lượng điện thoại trung bình mỗi ngày.15 1.5-17 17-17. 2 . Kết quả đo được như sau: Khoảng chiều cao (cm) 16.5 50.05 1. 5.96 1.Chương 5: Thống kê toán học lập mẫu ngẫu nhiên kích thước n = 10 .25 Để xác định chiều cao trung bình của các cây con trong một vườn ươm người ta tiến hành đo ngẫu nhiên 40 cây. b) Xây dựng hàm phân bố thực nghiệm. Với độ tin cậy 98% tối thiếu ứng cử viên A sẽ chiếm được bao nhiêu % số phiếu bầu? Cho biết phân vị mức 0.52.5 48.83 0. 2 .20 1.84 0.95 1.21 Một mẫu cụ thể của biến ngẫu nhiên X như sau: 2 .04 1. 4 .88 0. Chọn mẫu ngẫu nhiên kích thước n = 100 .

29 Mức hao phí xăng của một loại ô tô chạy từ A đến B là một biến ngẫu nhiên có quy luật chuẩn với kỳ vọng 50 lít. Nghi ngờ sản phẩm bị đóng thiếu.18 18 . 5.30 Một công ty có một hệ thống máy tính có thể xử lý 1300 hoá đơn trong 1 giờ. 025 hãy kết luận về điều nghi ngờ nói trên.27 Trọng lượng đóng bao của một loại sản phẩm X là biến ngẫu nhiên có phân bố theo quy luật chuẩn với trọng lượng trung bình theo quy định là 100kg.0 .5% hãy nhận định xem hệ thống mới có tốt hơn hệ thống cũ hay không? 127 . Liệu có cần thay đổi định mức không.49.49.28 Định mức thời gian hoàn thành sản phẩm là 14 phút.50.0 -98.5 . người ta cân thử 29 bao loại này ta thu được kết quả: Trọng lượng (kg) 98. 05 hãy kết luận về ý định nói trên.20 20 60 100 40 30 Số công nhân Với mức ý nghĩa α = 0.14 14 .0 49.5 100.0 .0 2 99. Quan sát 28 ô tô cùng loại thu được X hao phí (lít) Số ô tô tương ứng 48. hệ thống này chạy kiểm tra trong 40 giờ cho thấy số hoá đơn xử lý trung bình trong 1 giờ là 1378 với độ lệch tiêu chuẩn 215. 5. Với mức ý nghĩa 2.5 . 5. Đoạn đường được sửa chữa lại.99. 025 hãy kết luận về điều nghi ngờ nói trên.5 99.5– 99.5-101 7 3 1 Với mức ý nghĩa α = 0.0 50.Chương 5: Thống kê toán học b) Nếu muốn độ chính xác ε = 0. nếu theo dõi thời gian hoàn thành sản phẩm ở 250 công nhân ta thu được kết quả như sau: X (phút) 10 . 5. Người ta cho rằng mức hao phí xăng trung bình giảm xuống.5 Số bao tương ứng 98.5-51 4 10 9 3 2 Với mức ý nghĩa α = 0.16 16 .5 50. Công ty mới nhập một hệ thống máy tính mới.0 .5 .50.5 49.12 12 .100 6 10 100 -100.1 thì kích thước mẫu cần thiết là bao nhiêu.

Quá trình ngẫu nhiên có nhiều ứng dụng trong viễn thông là quá trình có tính Markov (memoryless) và quá trình dừng. Các quá trình này quá khứ của nó có ảnh hưởng lớn đến sự tiến triển của quá trình trong tương lại. Các tín hiệu truyền dẫn và nhiễu của một hệ thống viễn thông. Một trong những bài toán quan trọng của lý thuyết chuyển mạch là vấn đề xung đột thông tin. Quá trình Poisson X (t ) mô tả quá trình đếm số lần xuất hiện một biến cố A nào đó cho đến thời điểm t . Quá trình Poisson phức hợp và quá trình Poisson phân loại giúp ta tính được sản lượng trung bình khi khai thác dịch vụ viễn thông. Chuỗi Markov là một quá trình Markov có không gian trạng thái rời rạc.. véc tơ ngẫu nhiên. Khi họ các biến ngẫu nhiên phụ thuộc vào thời gian ta có quá trình ngẫu nhiên. 128 . đó là các biến nhận các giá trị nào đó phụ thuộc vào các yếu tố ngẫu nhiên. Tín hiệu viễn thông. quá trình sắp hàng ở một tổng đài. giả sử các thời gian này là các biến ngẫu nhiên độc lập cùng phân bố. mỗi cuộc gọi chiếm dụng thiết bị trong một khoảng thời gian nào đó. nghẽn mạch hoặc rớt cuộc gọi.. biến ngẫu nhiên và kiến thức đại số tuyến tính: Ma trận. Để học tốt chương này học viên cần nắm vững khái niệm xác suất. đó quá trình dừng. nhiễu không có tính Markov. Trong các chương trước chúng ta đã tìm hiểu khái niệm biến ngẫu nhiên. Quá trình Poisson được ứng dụng nhiều trong viễn thông. quá trình Poisson. Nếu số cuộc gọi đến một tổng đài là một quá trình Poisson. khi đó tổng số giờ gọi là một quá trình Poisson phức hợp. các hệ phục vụ. Khi các quá trình dừng là các tín hiệu hoặc nhiễu thì biến đổi Fourier của hàm tương quan của quá trình là mật độ phổ công suất của tín hiệu hoặc nhiễu. thời gian rời rạc và thuần nhất. điều đó phản ánh các mối ràng buộc phức tạp mà ta không biết trước được.. Lý thuyết quá trình sắp hàng (queueing process) xác định và tìm các phương án tối ưu để hệ thống phục vụ tốt nhất. Tuy nhiên hàm trung bình không đổi và hàm tương quan thuần nhất theo thời gian. quá trình dừng và lý thuyết sắp hàng sẽ được khảo sát trong giáo trình toán chuyên ngành. Trong chương này ta nghiên cứu khái niệm quá trình ngẫu nhiên và chuỗi Markov. bài toán chuyển mạch . là các quá trình ngẫu nhiên. hệ phương trình tuyến tính. Quá trình Poisson là một ví dụ về chuỗi Markov với thời gian liên tục.. Chuỗi Markov thường gặp trong bài toán chuyển mạch của hệ thống viễn thông. liên quan đến bài toán truyền tín hiệu. xác suất có điều kiện.Chương 6: Quá trình ngẫu nhiên chuỗi Markov CHƯƠNG VI: QUÁ TRÌNH NGẪU NHIÊN CHUỖI MARKOV GIỚI THIỆU Hầu hết các hiện tượng xảy ra trong tự nhiên và xã hội đều có tính chất ngẫu nhiên.

Ei ). Hầu hết các quá trình xảy ra trong tự nhiên và xã hội đều là quá trình ngẫu nhiên. t ∈ I } . Tín hiệu này nhận giá trị là v(t . Ei ) là một mẫu của quá trình ngẫu nhiên v(t ) . ω) là biến ngẫu nhiên theo ω . chỉ số chứng khoán trong thị trường chứng khoán… là các quá trình ngẫu nhiên. Các tín hiệu video.1. 129 . Ei ). v(t . ω).1. E3 ) t1 v(t .1. Các quá trình này vừa phụ thuộc vào thời gian t và khi cố định tham số t thì X (t . KHÁI NIỆM VÀ PHÂN LOẠI QUÁ TRÌNH NGẪU NHIÊN 6. Quá trình ngẫu nhiên v(t ) vừa phụ thuốc thời gian t . vừa phụ thuộc yếu tố ngẫu nhiên Ei . E 4 ) t1 {v(t1 . Như vậy v(t . số khách hàng đến một điểm phục vụ.Chương 6: Quá trình ngẫu nhiên chuỗi Markov NỘI DUNG 6. t ∈ I } thay cho {X (t . E 2 ) t1 Quá trình ngẫu nhiên v(t ) t2 t t2 t t2 t v(t . i ∈ N } Một cách tổng quát một quá trình ngẫu nhiên là một họ các biến ngẫu nhiên {X (t . i ∈ N } t2 t {v(t 2 . dữ liệu máy tính. i ∈ N } của không gian mẫu. ω). nhiễu điện trong các thiết bị điện. Giả sử một tín hiệu nào đó mà tại mỗi thời điểm t chỉ xảy ra ứng với các biến cố {Ei . tín hiệu thoại. Ei ) tại thời điểm t và khi biến cố Ei xảy ra. Tập chỉ số I thường biểu diễn tham số thời gian. E1 ) t1 v(t . Để đơn giản trong cách viết người ta ký hiệu quá trình ngẫu nhiên {X (t ). t ∈ I } . Khái niệm quá trình ngẫu nhiên Các tín hiệu của các hệ thống thông tin là các tín hiệu ngẫu nhiên vì ngoài thành phần mang tin còn có sự tác động của giao thoa ngẫu nhiên và nhiễu của thiết bị.

. i = 0 . Trường hợp này ta ký hiệu x(n) thay cho x(t ) .1.1. ∞) hoặc I =  thì {X (t ).2. (6. 2... t ∈ I } được gọi là: a) Quá trình có gia số độc lập: Nếu với mọi cách chọn t1 < t 2 < . b) Quá trình Martingal: Nếu với mọi cách chọn t1 < t 2 < .24) và X (i ) = Z 0 + Z1 + .21)-(3. t ∈ I } được gọi là quá trình có thời gian rời rạc. Phân loại quá trình ngẫu nhiên Các yếu tố chính để phân biệt các quá trình ngẫu nhiên là không gian trạng thái. Z i = X (i ) − X (i − 1) . Tính chất Martingal nói rằng số tiền trung bình của người chơi sẽ có ở 130 . Thật vậy. Quan hệ độc lập Quá trình {X (t ). Tập các chỉ số I ™ Nếu I ⊂  thì quá trình {X (t )... t ∈ I } gọi là quá trình có trạng thái rời rạc. trong đó X (t ) là số tiền của người chơi ở thời điểm t . X (t n ) − X (t n −1 ) .2..2. ™ Nếu I = [0...... . 6.. ♦ Nếu E là 1 khoảng của tập số thực  thì {X (t ).. là độc lập.3. < t n +1 và với mọi cách chọn a1 . a2 . t ∈ I } là quá trình k-véc tơ. Z1 .2..1. Ngoài ra nếu ta biết luật phân bố của từng biến ngẫu nhiên Z 0 . điều này được suy từ công thức (3.. .2. X (t 3 ) − X (t 2 ). tập chỉ số I và quan hệ độc lập giữa các biến ngẫu nhiên X (t ) .2) Martingal có thể xem như là mô hình mô tả trò chơi may rủi. 1.1. 6.. + Z i . thì ta biết được luật phân bố của mọi X (i ) . . . t ∈ I } là quá trình phức. ..Chương 6: Quá trình ngẫu nhiên chuỗi Markov 6. t ∈ I } được gọi là quá trình có thời gian liên tục. ♦ Nếu E tập con của tập số phức  thì ♦ Nếu E =  k thì {X (t ). X (tn ) = an ⎦⎤ = an . i = 1. an thì E ⎣⎡ X (tn+1 ) X (t1 ) = a1 .1.... t ∈ I } là quá trình thực..... . Vì vậy ta có thể phân loại quá trình ngẫu nhiên theo: 6. {X (t ).. (6.. < t n thì các biến ngẫu nhiên sau độc lập X (t 2 ) − X (t1 ).1) Đặc biệt với quá trình rời rạc { X (n) } thì tính chất gia số độc lập dẫn đến dãy các biến ngẫu nhiên Z 0 = X (0) . ♦ Nếu E là tập đếm được thì {X (t ). Tập trạng thái E Ta ký hiệu E là tập các giá trị của X (t ) và gọi là không gian trạng thái của quá trình.

CHUỖI MARKOV Chuỗi Markov là quá trình Markov {X (t ). với mọi tập giá trị A ⊂  và giá trị a ta ký hiệu p ( s.. ² được gọi là: ‰ Dừng theo nghĩa chặt (strictly stationary): Nếu ∀h > 0. Đặt K x (τ) = cov( X (t )... a n . t .. A) = P{X (t ) ∈ A X ( s ) = a} (6. t ∈ I } có không gian trạng thái E đếm được.1.. Nếu {X (t ).2. X (t n ) ) là như nhau. Tuỳ theo tập chỉ số I = {0.3) Nghĩa là qui luật xác suất trong tương lai chỉ phụ thuộc hiện tại và độc lập với quá khứ... 6. a2 . trong đó A = (a. < t n và với mọi cách chọn a1 . Với chuỗi Markov công thức xác suất chuyển (6. X (t 2 + h).. Nói riêng mọi X (t ) có cùng phân bố. với mọi a < b . I = . Nói cách khác quá trình Markov mô tả các hệ không có trí nhớ (memoryless)... t ≥ 0} là quá trình gia số độc lập với kỳ vọng bằng 0 thì {X (t )..5) và gọi là hàm tự tương quan của quá trình {X (t )... X (t n ) = a n } = p (t n . ‰ Dừng theo nghĩa rộng hay dừng hiệp phương sai (wide sense stationary or covariance stationary): Nếu i) EX (t ) = m =const ii) Với mọi t . ∞) ta có tương ứng chuỗi Markov với thời gian rời rạc hoặc liên tục. t 2 . t ≥ 0} là Martingal với thời gian liên tục.4) được viết cụ thể 131 . X (t + τ) ) (6. (6.... P{a < X (t ) ≤ b X (t1 ) = a1 .  + . Với mọi t > s. t ∈ I } . X (t n + h) ) và ( X (t1 ).. t .. X (t + τ) ) = E[X (t ) − m.. ∀t1 . c) Quá trình Markov: Nếu với mọi cách chọn t1 < t 2 < ...2. a.. cov( X (t ).. an thì với mọi t ..4) và gọi là hàm xác suất chuyển từ thời điểm s đến thời điểm t ... X (t n ) = a n } = P{a < X (t ) ≤ b X (t n ) = a n }.. d) Quá trình dừng (stationary) Quá trình {X (t ). b] ..3) được viết lại P{a < X (t ) ≤ b X (t1 ) = a1 . t ∈ I } . X (t 2 ).Chương 6: Quá trình ngẫu nhiên chuỗi Markov thời điểm t n +1 bằng số tiền anh ta có ở thời điểm t n và không phụ thuộc vào những gì anh ta có trước đó trong quá khứ.... t n ∈ I thì hàm phân bố đồng thời của ( X (t1 + h).} hoặc I = (0. Như vậy công thức (6..  . X (t + τ) − m] chỉ phụ thuộc τ . A) .

Ta nói tắt chuỗi Markov thay cho chuỗi Markov thời gian rời rạc thuần nhất. I là ma trận đơn vị.2. Quá trình {X ( n). Chứng minh: 1) Áp dụng công thức xác xuất đầy đủ ta có 132 (6. i. Ma trân xác suất chuyển Giả sử {X (n). i. t + h. (6.1. ta có phương trình Chapman. t . n = 0. j ) (6. Đó là xác suất để từ trạng thái i sau một bước sẽ chuyển thành trạng thái j . ii) Hàm xác suất chuyển là thuần nhất theo thời gian.1: Ma trận vuông P = ⎡⎣ pij ⎤⎦ gọi là ma trận xác suất chuyển sau 1 bước. j.. Đặt pij( k ) = P{X (n + k ) = j X (n) = i} = P{X (k ) = j X (0) = i} .8) không phụ thuộc vào n .1: Với mọi n ≥ 0 . t . 6.1..1..10) Từ đó suy ra P ( n) = P n . t > s . Ký hiệu P (0) = I . Các phần tử của E được ký hiệu i. i.7).11) ...2.1.9) Định nghĩa 6. Ma trận vuông P ( k ) = ⎡⎣ pij( k ) ⎤⎦ gọi là ma trận xác suất chuyển sau k bước. (6.2. P (1) = P. thì ta nói quá trình là thuần nhất theo thời gian.} là chuỗi Markov thời gian rời rạc có không gian trạng thái E . j ) = p( s + h.. Định lý 6.Kolmogorov: P ( n +1) = PP ( n) = P ( n) P (6. j ∈ E .} với thời gian rời rạc được gọi là chuỗi Markov thời gian rời rạc thuần nhất nếu i) Không gian trạng thái E của mọi X (n) là tập đếm được. Với mọi i. đặt pij = P{X (n + 1) = j X (n) = i} (6. k . Chuỗi Markov với thời gian rời rạc thuần nhất Định nghĩa 6.7) với mọi h .6) Nếu xác suất chuyển chỉ phụ thuộc vào t − s nghĩa là p( s.2. n = 0. j ) = P{X (t ) = j X ( s ) = i}. 6.. nghĩa là thoả mãn (6.Chương 6: Quá trình ngẫu nhiên chuỗi Markov p ( s..2.

15) Chứng minh: Từ định lý 6.2. i∈E Vậy chuỗi Markov rời rạc thuần nhất hoàn toàn được xác định bởi bộ ba ( X (n). p j ( n+ m) = P{ X (n + m) = j } = = ∑ pi (n) pij (m) ∑ P{ X (n) = i }P{ X (n + m) = j X (n) = i} k∈E .12) Ma trận hàng ∏ ( n ) = ⎡⎣ p (jn ) ⎤⎦ gọi là phân bố của hệ tại thời điểm n .. 133 . X (n) = k }P{ X (n) = k X (0) = i} ∑ P{ X (n + 1) = j X (n) = k }P{ X (n) = k X (0) = i} = k∈E = k ∈E k∈E ⇒ ∑ pik (n) pkj P ( n +1) = P ( n ) P .1..13) ∏ ( n +1) = ∏ ( n) P . (6. m ≥ 0 : ∏ (n) = ∏ P (n) . Định lý 6. (6.15). Đặt p (jn) = P{X (n) = j}.Chương 6: Quá trình ngẫu nhiên chuỗi Markov pij ( n+1) = P{ X (n + 1) = j X (0) = i} = ∑ P{ X (n + 1) = j X (0) = i . P ) trong đó X (n) là dãy các biến ngẫu nhiên rời rạc.. X (1) = k }P{ X (1) = k X (0) = i} k∈E = ∑ P{ X (n + 1) = j X (1) = k }P{ X (1) = k X (0) = i} = k ∈E k∈E ⇒ ∑ pik pkj (n) P ( n +1) = PP ( n ) . Vì vậy để chứng minh định lý 6. (6.2: Với mọi n ≥ 0 .2 ta chỉ cần chứng minh (6.14) ∏ ( n + m) = ∏ ( n) P ( m) .1 ta suy ra 3 điều trên là tương đương. n = 0. ma trận ∏ = ∏ (0) được gọi là phân bố ban đầu. quy nạp ta có P ( n ) = P n . (6. 2) Từ 1) suy ra P ( 2) = PP . . Khi n = 0 . Ta cũng có: pij ( n+1) = P{ X (n + 1) = j X (0) = i} = ∑ P{ X (n + 1) = j X (0) = i . ∏.

Nếu hiện tại hệ ở trạng thái i và sau 1 chu kỳ hệ rơi vào trạng thái j thì ⎧i − 1 + ξ j=⎨ ⎩ξ nÕu i ≥ 1. là các biến ngẫu nhiên độc lập cùng phân bố với biến ngẫu nhiên ξ có phân bố xác suất.16) k Trạng thái của hệ (cửa hàng) tại thời điểm đầu của mỗi chu kỳ là số khách xếp hàng chờ phục vụ. Số khách đến trong chu kỳ thứ n là biến ngẫu nhiên ξ n ..2. k = 0... 134 (6..Chương 6: Quá trình ngẫu nhiên chuỗi Markov Ví dụ 6. ak > 0.1. ...1} .1: n trạm thu phát hai tín hiệu 0.1.. (6.2. ∑ ak = 1 ... Giả sử ξ1 . Một số mô hình chuỗi Markov quan trọng 6. n} có ma trận xác suất chuyển p ⎤ ⎡1 − p P=⎢ ⎥ ⎢⎣ p 1 − p ⎥⎦ 6. ξ 2 . thời gian I = {1.3.. Mô hình phục vụ đám đông Xét mô hình phục vụ đám đông (lý thuyết sắp hàng).3. nÕu i = 0. P{ξ = k } = a k .2. Khách đến sắp hàng chờ phục vụ theo nguyên tắc FIFO (first in first out) và trong mỗi chu kỳ cửa hàng chỉ phục vụ một khách.2. 1 dạng kênh đối xứng nhị phân với xác suất lỗi n 2 1 1− p x0 = 0 p: y0 = 0 p p x1 = 1 y1 = 1 1− p p 1− p 1− p 1 0 p Đây là 1 mô hình chuỗi Markov có không gian trạng thái E = {0.17) .

S = 2 . trong đó giá trị âm là nhu cầu chưa được phục vụ mà sẽ được đáp ứng ngay sau khi nhập hàng ⎧ P{ ξ n+1 = i − j } nÕu s < i ≤ S .21) Ví dụ 6. Ký hiệu X (n) là lượng hàng hiện có tại cuối chu kỳ n và trước khi nhập hàng. a k > 0 và ∑ ak = 1 .5 .1..16-6. − 2. Hàng được nhập kho tại cuối mỗi chu kỳ n = 0.17 suy ra {X (n). (6.. (6. − 1. pij = P{ X (n + 1) = j X (n) = i} = ⎨ ⎩ P{ ξ n+1 = S − j } nÕu i ≤ s. Cách nhập hàng căn cứ vào 2 chỉ số tiêu chuẩn s và S ( s < S ) như sau: Nếu ở cuối mỗi chu kỳ lượng hàng dự trữ ≤ s thì ngay tức khắc nhập hàng để có số hàng dự trữ bằng S .. P{ ξ = 1 } = 0. .} là chuỗi Markov thuần nhất với ma trận xác suất chuyển ⎡a 0 ⎢ ⎢a 0 ⎢ P=⎢0 ⎢ ⎢0 ⎢ ⎢⎣ a1 a2 a1 a2 a0 a1 0 a0 a3 …⎤ ⎥ a3 …⎥ ⎥ a 2 …⎥ ⎥ a1 …⎥ ⎥ ⎥⎦ (6.4 .1.1. P{ ξ = k } = a k . trong đó X + = max(0.2.2. 135 ..Chương 6: Quá trình ngẫu nhiên chuỗi Markov Ký hiệu X (n) là số khách hàng tại thời điểm đầu của chu kỳ thứ n thì X (n + 1) = ( X (n) − 1)+ + ξ n . X ) . Từ 6.20) { X (n)} là các số lượng hàng dự trữ: S .. trong đó yêu cầu có thể là 0..3...1 và giả sử s = 0 ..18) 6. nÕu X (n) ≤ s. (6. Xét mô hình kiểm kê phụ tùng thay thế.2. 1 hoặc 2 đơn vị phụ tùng cần thay thế trong một chu kỳ bất kỳ với phân bố xác suất như sau P{ ξ = 0 } = 0.2.. Nếu hàng hiện có > s thì không cần nhập hàng.. n = 0. P{ ξ = 2 } = 0. Nghĩa là dãy { ξ n } độc lập có cùng phân bố với ξ . Giả sử tổng số lượng hàng cần phải đáp ứng nhu cầu trong chu kỳ n là biến ngẫu nhiên ξ n có phân bố độc lập với chu kỳ thời gian. . S − 1. như vậy ⎧ X (n) − ξ n+1 X (n + 1) = ⎨ ⎩ S − ξ n+1 Các trạng thái của quá trình nÕu s < X (n) ≤ S . 0.19) k Mức hàng dự trữ được kiểm kê tại cuối mỗi chu kỳ. Mô hình kiểm kê (Inventory Model) Giả thiết phải dự trữ trong kho một loại hàng nào đó để đáp ứng nhu cầu liên tục của khách hàng.

24) j Nếu điều kiện 2) được thay bởi 2') ∑π j =1 . (6. ∀ n .. π 2 . ] là phân bố giới hạn thì với mọi j ⎛ ⎞ π j = lim pij ( n +1) = lim ⎜ ∑ pik ( n) pkj ⎟ = ∑ π k pkj ⎟ n → ∞⎜⎝ k n→∞ ⎠ k 136 .5⎥⎦ 6.1 0.. n →∞ 2) ∑π j =1 .4 0. 0.. . .4 0. . Ta có: p −1.... π 2 .2.. Ma trận xác suất chuyển: ⎡0 ⎢ ⎢0 P=⎢ ⎢0.1 ⎢ ⎢⎣ 0 0. −1 = P{ X (n + 1) = −1 X (n) = −1 } = P (φ) = 0 .5 0 ⎥ ⎥ 0. = Π * P n .. (6..3. ∀ n ...3: Nếu tồn tại phân bố giới hạn thì đó là phân bố dừng duy nhất.. p −1.. π 2 .0 = P{ X (n + 1) = 0 X (n) = −1 } = P (ξ = 2) = 0.5⎥ ⎥ 0.1 0. πj >0 (6..25) j thì chuỗi Markov được gọi là có tính ergodic còn [π 1 ..22) j Từ 2) suy ra Π * = Π * P = Π * P 2 = . π j ≥ 0.. Định lý 6. Chứng minh: Giả sử [π 1 .1.1 = P{ X (n + 1) = 1 X (n) = −1 } = P (ξ = 1) = 0.4 0.1 .... ∏ * = [π1 . 2 }. ] nếu thoả mãn 2 điều kiện: 1) Với mọi j tồn tại giới hạn lim pij ( n ) = π j không phụ thuộc i ..... Do đó nếu lấy Π * làm phân bố đầu của chuỗi Markov thì Π *(n ) = Π * .. ] là phân bố ergodic..4: Ta nói rằng chuỗi Markov có phân bố giới hạn là [π 1 ..Chương 6: Quá trình ngẫu nhiên chuỗi Markov Không gian trạng thái sẽ là E = { − 1. phân bố ergodic Định nghĩa 6...4 . ..23) (6. phân bố giới hạn. 2) Π * = Π * P .. Phân bố dừng... . π 2 .] được gọi là phân bố dừng nếu thoả mãn 2 điều kiện: 1) ∑ π j = 1.4 0.5⎤ ⎥ 0.. p −1.1 0..4. Định nghĩa 6...

b < 1 ⎣⎢ b 1 − b⎦⎥ là chuỗi Markov có tính ergodic với phân bố ergodic là nghiệm của hệ phương trình b ⎧ b ⎤ ⎡ x1 ⎤ ⎡ x1 ⎤ ⎡1 − a ⎪⎪ x1 = a + b ⎧− ax1 + bx2 = 0 ⇔⎨ ⎥⎢ ⎥ = ⎢ ⎥ ⇔ ⎨ ⎢ ⎢⎣ a 1 − b⎥⎦ ⎣ x2 ⎦ ⎣ x2 ⎦ ⎩ x1 + x2 = 1 ⎪x = a ⎪⎩ 2 a + b ⇒ lim P ( n) n→∞ ⎡ b ⎢ = ⎢a + b b ⎢ ⎣a + b a ⎤ a + b⎥ a ⎥ ⎥ a + b⎦ Ví dụ 6.] là một phân bố dừng bất kỳ của chuỗi Markov này thì π j = ∑ πk pkj = ∑ πk pkj ( 2) = . ⎪⎩ j (6. ⎤⎦ P ⎪⎪ P ⎢ x2 ⎥ = ⎢ x2 ⎥ hay ⎨ ⎢⎣ ⎥⎦ ⎢⎣ ⎥⎦ x j ≥ 0.26) Ví dụ 6... X.... Puskin và thấy rằng các chữ cái này chuyển đổi liên tiếp theo hai trạng thái nguyên âm (Na) và phụ âm (Pa) với ma trận xác suất chuyển là 137 . Phân bố ergodic cũng là i. ∑ x j = 1.]P . x2. . π 2 . π 2 . ⎟ n → ∞⎜⎝ k ⎠ k ⇒ Nghĩa là phân bố giới hạn là phân bố dừng duy nhất. A. j Chú ý: Từ định lý 6.. i. . .3 và 6. ∑ x j = 1.4: Trong một bài báo viết năm 1913 A.4 ta thấy rằng nếu chuỗi Markov với ma trận xác suất chuyển [ ] P = pij tồn tại n0 sao cho min pij ( n0 ) > 0 thì chuỗi này là ergodic.4: Nếu chuỗi Markov có không gian trạng thái hữu hạn thì chuỗi này là ergodic khi và chỉ khi tồn tại n0 sao cho min pij ( n0 ) > 0 . . đó là nghiệm của hệ phương trình: ⎧ ⎪ ⎨ ⎪ ⎩ ⎧ ⎡ x1 ⎤ ⎡ x1 ⎤ ⎪ ⎥ ⎢ ⎥ t ⎢ ⎡⎣ x1 . = ∑ πk pkj k k (n) k ⎛ ⎞ π j = lim ⎜ ∑ πk pkj ( n) ⎟ = ∑ πk π j = π j .. π 2 .Chương 6: Quá trình ngẫu nhiên chuỗi Markov [π1 . . ] là một phân bố dừng. ⎪ j ⎪ x j ≥ 0. x2.. π 2 . j phân bố dừng duy nhất. Định lý 6.... ⎤⎦ = ⎡⎣ x1 .. Markov đã chọn 1 dãy gồm 20.3: Cho chuỗi Markov có ma trận xác suất chuyển a ⎤ ⎡1 − a P=⎢ ⎥ .000 chữ cái trong trường ca Evghenhi Onheghin của A.. ⇒ Ngược lại giả sử [π1 . 0 < a.. Do đó [π 1 .] = [π1 .. .

Vì thế E1 . Trong trường hợp tổng quát.8% phụ âm trong tác phẩm trên.663 0.6: Chuỗi Markov được gọi là tối giản nếu hai trạng thái bất kỳ của không gian trạng thái liên thông với nhau.128 0.568). còn hai trạng thái thuộc hai lớp khác nhau không thể liên thông với nhau.. E 2 . PHÂN LOẠI TRẠNG THÁI CHUỖI MARKOV Định lý 6. Vậy có khoảng 42. .3.3. Giả sử không gian trạng thái được tách thành các lớp tương đương E = E1 ∪ E 2 ∪ Trong nhiều trường hợp có thể xem mỗi E k ( k = 1..1.4 cho ta dấu hiệu nhận biết một chuỗi Markov hữu hạn trạng thái tồn tại phân bố ergodic..23)-(6. Ví dụ 6. lúc đó ta ký hiệu i ↔ j . 2. 0. ( 0) Quy ước pii = 1 và pij(0) = 0 khi i ≠ j . . bằng cách phân tích trạng thái của chuỗi Markov ta sẽ tìm điều kiện để tồn tại phân bố giới hạn thỏa mãn (6. Các trạng thái liên thông và sự phân lớp Định nghĩa 6.3% nguyên âm và 56.423. Có thể chứng minh được rằng ↔ là một quan hệ tương đương trên tập các trạng thái.5: Ta nói rằng trạng thái j đạt được từ trạng thái i nếu tồn tại n ≥ 0 sao (n) cho pij > 0 (xác suất để sau n bước chuyển từ trạng thái i sang trạng thái j lớn hơn 0).Chương 6: Quá trình ngẫu nhiên chuỗi Markov ⎡ 0. được gọi là các lớp tối giản của chuỗi. 6. Hai trạng thái i và j được gọi là liên thông với nhau nếu i → j và j → i . Như vậy chuỗi Markov tối giản chỉ có một lớp tương đương. 6. Định nghĩa 6..872⎤ Na P=⎢ ⎥ ⎢⎣0. Do đó ta có thể phân hoạch không gian trạng thái thành các lớp tương đương. ) là không gian trạng thái của chuỗi Markov tối giản. hai trạng thái bất kỳ cùng một lớp thì liên thông với nhau.24). Các lớp tương đương này rời nhau.337⎥⎦ Pa Na Pa Phân bố giới hạn (cũng là phân bố dừng) của chuỗi Markov này là (0. Ký hiệu i → j .5: Cho chuỗi Markov với ma trận xác suất chuyển ⎡1 / 3 2 / 3 0 ⎢ ⎢1 / 4 3 / 4 0 ⎢ P=⎢ 0 0 0 ⎢ ⎢ 0 0 1/ 2 ⎢ ⎢⎣ 0 0 0 0 0 1 0 1 138 0 ⎤ ⎥ 0 ⎥ ⎥ ⎡ P1 0 ⎥=⎢ ⎥ ⎣⎢ 0 1 / 2⎥ ⎥ 0 ⎥⎦ 0⎤ ⎥ P2 ⎦⎥ .

2. Trong trường hợp này sau một bước hệ xuất phát từ C 0 sẽ chuyển sang C1 . 2} . v. 2.7: Nếu i ↔ j thì d (i ) = d ( j ) . 4. Chu kỳ của trạng thái Định nghĩa 6. xuất phát từ C1 sẽ chuyển sang C 2 . 3. • Nếu d > 1 thì tập trạng thái E tách thành d lớp con: C 0 . E 2 = {3.3. Do đó các trạng thái thuộc cùng một lớp có cùng chu kỳ. 5} và có thể xem E1 ..v… Ma trận xác suất chuyển P có dạng khối như sau. Định lý 6. Trạng thái hồi quy và trạng thái không hồi quy Với mỗi trạng thái i ta đặt: 139 . 5} phân thành hai lớp E1 = {1. . Nếu pii( n) = 0 đối với mọi n ≥ 1 thì đặt d (i ) = 0 .. 6. C d −1 . C0 C d −1 C1 C0 C1 (6. E 2 là không gian trạng thái của chuỗi Markov với ma trận xác suất chuyển tương ứng là P1 và P2 . • Nếu d = 1 thì ma trận xác suất chuyển P chỉ có 1 khối. . Đối với chuỗi Markov tối giản mọi trạng thái đều có cùng chu kỳ ta gọi d là chu kỳ chung củ mọi trạng thái của chuỗi.Chương 6: Quá trình ngẫu nhiên chuỗi Markov 2/3 1/ 2 1 1/ 3 3/ 4 3 1/ 2 1/ 4 5 4 2 1 1 Không gian trạng thái E = {1. C1 . 4.3.27) C d −1 6.7: Ước chung lớn nhất của tất cả các số tự nhiên n ≥ 1 thỏa mãn điều kiện pii( n) > 0 được gọi là chu kỳ của trạng thái i ký hiệu d (i ) .3.

. Do đó ta có thể tính giá trị trung bình. j . Như vậy trạng thái i hồi quy khi và chỉ khi hệ xuất phát từ i . Từ tính Markov và công thức xác suất đầy đủ ta có: pij( n) = ( 0) trong đó ta quy ước f ij n ∑ f ij(k ) p (jjn−k ) .Chương 6: Quá trình ngẫu nhiên chuỗi Markov f ij( n) = P{X n = j . theo công thức (6. (6.28) là xác suất để hệ xuất phát từ i lần đầu tiên chuyển sang j tại bước thứ n .8: 1) Trạng thái i là hồi quy khi và chỉ khi ∑ pii(n) = ∞ . μi = ∞ ∑ nf ii(n) (6. X 1 ≠ j . j ∈ E . Định nghĩa 6. k =0 f ij(1) = pij . (n ) Như vậy f ij (n ) Đặc biệt f ii (6.31) n =0 Định nghĩa 6. X n−1 ≠ j X 0 = i}. 140 . Ta nói: • i là trạng thái hồi quy dương nếu μ i < ∞ .30) thì f ii lập thành phân bố xác suất. Tiêu chuẩn hồi quy và không hồi quy ∞ Định lý 6. n ≥ 1.30) n =0 • Nếu f ii = 1 thì i được gọi hồi là trạng thái quy. .. 4) Nếu i ↔ j và j hồi quy thì f ij = 1 . ( ) (n ) Trường hợp trạng thái i hồi quy f ii = 1 .3.9: Giả sử i là trạng thái hồi quy. n =1 ∞ 2) Trạng thái i là không hồi quy khi và chỉ khi ∑ pii(n) < ∞ . (6.4. • i là trạng thái hồi quy không nếu μ i = ∞ . 6. f ii = ∞ ∑ f ii(n) .29) = 0 với mọi i. n =1 3) Nếu i → j và i hồi quy thì j → i và j cũng hồi quy. với xác suất 1 hệ lại trở về i tại thời điểm hữu hạn nào đó. • Nếu f ii < 1 thì i được gọi là trạng thái không hồi quy. là xác suất để hệ xuất phát từ i lần đầu tiên quay về i tại bước thứ n . đó là thời gian trung bình hệ trở lại i .7: Đặt f ij = ∞ ∑ n =0 f ij( n) .

1.6.4). Khi đó: 1. Sự tồn tại phân bố dừng Định lý 6. Khi đó các điều sau là tương đương: (i) {X (n)} tối giản có chu kỳ 1. Nếu i và j không liên thông thì ⎡∞ ⎤ d lim pij( nd + a ) = ⎢ ∑ f ij( rd + a ) ⎥ .9: Giả sử j là trạng thái hồi quy.33) đèi víi j lµ tr¹ng th¸i kh«ng Định lý 6.. d − 1 ) n→∞ ⎢⎣r =0 ⎥⎦ μ j (6. nghĩa là tồn tại phân bố ergodic..12: Giả sử 1 . chu kỳ d (C) = 1 sao cho f ij = 1. DI ĐỘNG NGẪU NHIÊN TRÊN ĐƯỜNG THẲNG 141 . chu kỳ d ( j ) = d > 1 .10: Giả sử j là trạng thái hồi quy.11: Điều kiện cần và đủ để tồn tại phân bố giới hạn là không gian trạng thái E có đúng một lớp hồi quy dương C . μj {X (n)} là một chuỗi Markov có không gian trạng thái hữu hạn. chu kỳ d ( j ) = 1 . ( a = 0. d − 1 ) μj (6.1. . ∀i ∈ E .Chương 6: Quá trình ngẫu nhiên chuỗi Markov 6.35) 6. . Nếu i và j không liên thông thì lim pij( n) n→∞ ⎧ f ij ⎪ = ⎨μ j ⎪ ⎩0 đèi víi j lµ tr¹ng th¸i d− ong (6. ( a = 0.3. Định lý giới hạn cơ bản của chuỗi Markov Định lý 6. ∀j ∈ C ..34) 2. (ii) {X (n)} tối giản có chu kỳ 1 và tất cả các trạng thái là hồi quy dương. Nếu i và j liên thông thì lim n →∞ pij( n) ⎧ 1 ⎪ = ⎨μ j ⎪0 ⎩ đèi víi j lµ tr¹ng th¸i d− ong (6. (iii) {X (n)} có tính ergodic. j > 0 với mọi n ≥ n0 (xem định lý 6. ( n) (iv) Tồn tại n0 sao cho min pij i.5. . Nếu i và j liên thông.. .3. 6.32) đèi víi j lµ tr¹ng th¸i kh«ng 2. i thuộc vào lớp con C r còn j thuộc vào lớp C r + a thì lim pij( nd + a ) = n→∞ d . Khi đó phân bố giới hạn cũng là phân bố dừng duy nhất có π j = Định lý 6.4. Khi đó: 1.

⎪ p00 = 1. ± 1. có chu kỳ d = 2 chuỗi không tồn tại phân bố dừng.4. Di động ngẫu nhiên trên đường thẳng là chuỗi Markov tối giản.} p p p p p 1− p 1− p 1− p 1− p 1− p Chuỗi này dùng để mô tả di động ngẫu nhiên trên đường thẳng của hạt vật chất nào đó: Sau mỗi chu kỳ hạt dịch chuyển sang phải với xác suất p hoặc dịch sang trái với xác suất 1 − p ... 0 < p < 1 ⎪ 0 víi j ≠ i ± 1. 6.1. trong đó ⎧ p víi j = i + 1..Chương 6: Quá trình ngẫu nhiên chuỗi Markov 6. ) ...36) Không gian trạng thái của chuỗi này là E = {0.} và ma trận xác suất chuyển là P = ⎡⎣ pij ⎤⎦ . 2... Khi đó { X n }n =1 lập thành chuỗi Markov với ma trận xác ∞ Đặt X n = ε1 + ε 2 + suất chuyển là ⎧ p víi j = i + 1 ⎪ P = ⎡⎣ pij ⎤⎦ trong đó pij = ⎨1 − p víi j = i − 1 .4.37) . ( n = 1. pij = ⎨1 − p víi j = i − 1. i ≠ 0. ± 2.1.. ⎩ p p p 1 1 0 1− p 2 1− p 4 3 1− p 142 1− p (6. Di động ngẫu nhiên trên đường thẳng không có trạng thái hấp thụ Giả sử {ε n }n =1 là dãy các biến ngẫu nhiên độc lập có cùng phân bố không – một A( p) : ∞ ε n . . 0 < p < 1 ⎪ 0 víi j ≠ i ± 1 ⎩ (6. Di động ngẫu nhiên trên đường thẳng có một trạng thái hấp thụ Đó là di động của hạt vật chất với không gian trạng thái E = {0. i ≠ 0. không có tính ergodic. i ≠ 0. 2.2..

} . 2. π N = 1 − a.. 6. với 0 ≤ a ≤ 1 . Di động sẽ ngừng lại khi hạt rơi vào trạng thái 0 hoặc trạng thái N . đó là π j = ⎨ ⎩0 víi j ≠ 0..4.. là không hồi quy.. i n →∞ ⎧1 víi j = 0. Các trạng thái còn lại không hồi quy: E = {0} ∪ { N } ∪ {1. do đó không tồn tại phân bố giới hạn. N − 1} ... πj =⎨ (6.. Do đó tồn tại vô số phân bố dừng Π = [π 0 . 2....40) ..38) Hơn nữa có thể chứng minh được rằng đối với mỗi i ≥ 1 thì (n) i0 lim p n →∞ ⎧⎪( q / p )i =⎨ ⎪⎩ 1 nÕu p > q..Chương 6: Quá trình ngẫu nhiên chuỗi Markov Lúc này {0} lập thành lớp hồi quy dương duy nhất với chu kỳ d = 1 : E = {0} ∪ {1. ƒ Khi p ≤ q thì tồn tại phân bố giới hạn..3. q = 1 − p.. Tất cả các trạng thái 1. (6.. π N ] . π 1 = π 2 = . Di động ngẫu nhiên trên đường thẳng có hai trạng thái hấp thụ Đó là mô hình di động như hình vẽ p p p 1 1 2 1 0 1− p N −1 N 1− p 1− p Trong trường hợp này có hai lớp hồi quy dương là {0} và { N } .39) nÕu p ≤ q. đó là ⎧1 víi j = 0. 2. Vì vậy theo định lý 6. Vì vậy: ƒ Khi p > q thì lim pi(0n ) = ( q / p ) phụ thuộc vào i . trong đó π 0 = a. ⎩0 víi j ≠ 0. π 1 .11 tồn tại phân bố dừng duy nhất. = π N −1 = 0 . Không tồn tại phân bố giới hạn. Hơn nữa có thể chứng minh được rằng: 143 (6..

x1 = .4...4. tất cả các trạng thái là hồi quy không. Không tồn tại phân bố dừng.. chuỗi không tồn tại phân bố giới hạn và phân bố dừng. n →∞ 6.... Khi p > q .5.4. Tồn tại phân bố dừng duy nhất. có chu kỳ d = 2 .Chương 6: Quá trình ngẫu nhiên chuỗi Markov lim pi(0n ) n →∞ ⎧ ( q / p )i − ( q / p ) N nÕu p ≠ q.. Di động ngẫu nhiên trên đường thẳng có hai trạng thái phản hồi Đó là chuỗi Markov có dạng như hình vẽ p 1 2 1 0 1− p p 1− p 1− p 144 p N −1 N 1 0<p<1 . tất cả các trạng thái là hồi quy dương.. (6. Khi p = q = 1/ 2 . x j = ⎜ ⎟ 2 2q 2q 2q 2 ⎝ q ⎠ j −1 . q− p q− p q− p⎛ p⎞ x0 = . 2. j ≥ 2. n →∞ n →∞ lim pij( n ) = 0 ( ∀ j = 1. Di động ngẫu nhiên trên đường thẳng có một trạng thái phản hồi Đó là chuỗi Markov có dạng như hình vẽ p 1 0 p 2 1 1− p p 4 3 1− p 1− p p 1− p 1− p 0<p<1 Chuỗi tối giản. hạt có xu hướng đi sang phải. ⎪ 1− N ⎩ lim piN( n ) = 1 − lim pi(0n ) . ⎪ ⎪ 1 − ( q / p )N =⎨ ⎪ i nÕu p = q = 1/ 2. Khi p < q .41) 6. N − 1 ).

(1 ≤ i ≤ N − 1) . ∑ ⎪⎩ i i =0 Từ đó suy ra x0 = x1q ... an thì P{a < X (t ) ≤ b X (t1 ) = a1 . xi = 1. t ∈ I } là quá trình Markov nếu với mọi cách chọn t1 < t 2 < . Các quá trình này vừa phụ thuộc vào thời gian t và khi cố định tham số t thì X (t .2. j ) = p ( s + h. j ) 145 . n = 0..Chương 6: Quá trình ngẫu nhiên chuỗi Markov Chuỗi tối giản.. t ∈ I } . có chu kỳ d = 2 . xN = xN −1 p ..42) TÓM TẮT Khái niệm quá trình ngẫu nhiên Quá trình ngẫu nhiên là một họ các biến ngẫu nhiên {X (t . ω).1.. xi = ( p / q) i −1 ⎛ p⎞ 1+ ∑ ⎜ ⎟ j =1 ⎝ q ⎠ N −1 j −1 . t + h... Quá trình Markov Quá trình {X (t ).. ⎪ i =0 ⎨ N ⎪ x ≥ 0. N ).. a2 .... (6.1..2. ∞) ta có tương ứng chuỗi Markov với thời gian rời rạc hoặc liên tục. nghĩa là thoả mãn: p ( s.. t ∈ I } có không gian trạng thái E đếm được. Chuỗi Markov với thời gian rời rạc thuần nhất Quá trình {X (n)... X (t n ) = a n } = P{a < X (t ) ≤ b X (t n ) = a n } đúng với mọi t > tn . t .26) N ⎧ x = ⎪ j ∑ xi pij ( j = 0. i. Chuỗi Markov Chuỗi Markov là quá trình Markov {X (t ). với mọi a < b . Tập chỉ số I thường biểu diễn tham số thời gian.1. có hữu hạn trạng thái. Chuỗi tồn tại phân bố dừng nhưng không tồn tại phân bố giới hạn. Phân bố dừng là nghiệm duy nhất của hệ phương trình (6. ω) là biến ngẫu nhiên theo ω .. ii) Hàm xác suất chuyển là thuần nhất theo thời gian... Tuỳ theo tập chỉ số I = {0.. < t n và với mọi cách chọn a1 ..} với thời gian rời rạc được gọi là chuỗi Markov thời gian rời rạc thuần nhất nếu i) Không gian trạng thái E của mọi X (n) là tập đếm được. i.} hoặc I = (0. Tất cả các trạng thái của chuỗi là hồi quy dương.

2. j Nếu điều kiện 2) được thay bởi 2') ∑π j =1 . 6. . đặt pij = P{X (n + 1) = j X (n) = i} pij( k ) = P{X (n + k ) = j X (n) = i} = P{X (k ) = j X (0) = i} .2 Mọi quá trình có gia số độc lập là quá trình Markov. Ma trận xác suất chuyển Với mọi i. Π* = Π*P .4 Ma trận xác suất chuyển sau n bước của một chuỗi Markov bằng tích n lần ma trận xác suất chuyển một bước của chuỗi Markov này. j ∈ E . Đặt p (jn) = P{X (n) = j}. . πj >0 j thì chuỗi Markov được gọi là có tính ergodic còn [π 1 . Ma trận hàng ∏ ( n ) = ⎡⎣ p (jn ) ⎤⎦ gọi là phân bố của hệ tại thời điểm n . .Chương 6: Quá trình ngẫu nhiên chuỗi Markov Ta nói tắt chuỗi Markov thay cho chuỗi Markov thời gian rời rạc thuần nhất. Ma trận vuông P ( k ) = ⎡⎣ pij( k ) ⎤⎦ gọi là ma trận xác suất chuyển sau k bước. Ma trận vuông P = ⎡⎣ pij ⎤⎦ gọi là ma trận xác suất chuyển sau 1 bước..1. π 2 . n →∞ 2) ∑π j =1 ...1 Quá trình ngẫu nhiên X (t .. j Ta nói rằng chuỗi Markov có phân bố giới hạn là [π 1 . phân bố ergodic ∏ * = [π1 . 146 . 6. π j ≥ 0. Đúng Sai .. . Đúng Sai . ] là phân bố ergodic. ω ) là một hàm số của hai biến (t . Đúng Sai . π 2 . 6. Đúng Sai . CÂU HỎI ÔN TẬP VÀ BÀI TẬP 6.. Phân bố dừng. π 2 .] được gọi là phân bố dừng nếu thoả mãn: ∑ π j = 1 . ω ) . n = 0.. phân bố giới hạn..3 Chuỗi Markov là quá trình Markov {X (t ). ] nếu thoả mãn 2 điều kiện: 1) Với mọi j tồn tại giới hạn lim pij ( n) = π j không phụ thuộc i . t ∈ I } có không gian trạng thái E đếm được..

1 0. 1.} lập thành chuỗi Markov với ma trận xác suất chuyển ⎡ α 1 − α⎤ P=⎢ ⎥.1⎥⎦ Biết phân bố ban đầu: p 0 = P{X 0 = 0} = 3 . Đúng Sai . . 147 .Chương 6: Quá trình ngẫu nhiên chuỗi Markov 6.6⎥ ⎥ ⎢ ⎢⎣0.1 0. ⎢⎣1 − α α ⎥⎦ a) Tính P{X 0 = 0. Tính P { X 0 = 0...8 0.2 0.1) . 6. P{X 3 = 1 X 0 = 0} . 2} và ma trận xác suất chuyển ⎡ 0. p1 = P{X 0 = 1} = 4 . X 1 = 0. n = 0. c) Tìm phân bố dừng.9 0.1 0.2 0. c) Tính P{ X 5 = 0 X 0 = 0}.1 0. 1. X 2 = 0} + P{X 0 = 0. 6. 2} và ma trận xác suất chuyển ⎡ 0. b) Tính P{X 3 = 1 X 1 = 0}.7⎤ ⎥ ⎢ P = ⎢0.9 Xét bài toán truyền một bức điện gồm gồm các tín hiệu 0.2 0. 1. 1 thông qua kênh có nhiều trạm và mỗi trạm nhận sai tín hiệu với xác suất không đổi bằng α ∈ (0. X 2 = 1} . b) Tính P{X 0 = 0.2 0.7⎤ ⎥ ⎢ P = ⎢0. X 1 = 0. X 2 = 0}. Đúng Sai . 2. p 2 = P{X 0 = 2} = 3 .8 Cho chuỗi Markov {X n }∞ n =1 với không gian trạng thái E = {0.7 Cho chuỗi Markov {X n }∞ n =1 với không gian trạng thái E = {0. X 1 = 1. Cho biết {X n . X1 = 2.0⎥ ⎥ ⎢ ⎢⎣ 0.3⎥⎦ a) Tính ma trận xác suất chuyển 2 bước. 6. 6. Giả sử X 0 là tín hiệu truyền đi và X n là tín hiệu nhận được tại trạm n .1 0.6 0. X 2 = 0}.5 Nếu tồn tại phân bố giới hạn thì nó là phân bố dừng duy nhất.6 Mọi chuỗi Markov có hữu hạn trạng thái luôn tồn tại phân bố dừng duy nhất đó là phân bố ergodic.

11 Cho chuỗi Markov ergodic với 2 trạng thái có phân bố giới hạn là [ p.Chương 6: Quá trình ngẫu nhiên chuỗi Markov 6. Xác định xác suất chuyển của chuỗi Markov {X n } . 3. 1.12 Tìm các lớp liên thông trạng thái của chuỗi Markov có không gian trạng thái E = {0. 1 − p ] . Hãy xác định ma trận xác suất chuyển? 6. ⎢ ⎥ ⎢ 0 0 1/ 2 1/ 2 0 ⎥ ⎢ ⎥ ⎢⎣1 / 4 1 / 4 0 1 / 4 1 / 4⎥⎦ 148 . trong đó X n là số phụ tùng còn lại tại cuối chu kỳ n . P{ξ n = 2} = 0. 6. Biết rằng P{ξ n = 0} = 0. 4} và ma trận xác suất chuyển 0 0 ⎤ ⎡1 / 2 1 / 2 0 ⎢ ⎥ ⎢1 / 2 1 / 2 0 0 0 ⎥ ⎢ ⎥ P=⎢ 0 0 1/ 2 1/ 2 0 ⎥ .3 .4 . P{ξ n = 1} = 0.3 . 2.10 Xét mô hình kiểm kê phụ tùng thay thế với s = 0 và S = 3 là các mức căn cứ để nhập hàng cùng với ξ n là lượng hàng khách yêu cầu trong chu kỳ n .

18 Gọi Ai là biến cố sản phẩm đã qua kiểm tra chất lượng ở phòng thứ i.495 .13 P = A5 5 6 1 .3. Sử dụng qui tắc cộng xác suất trường hợp xung khắc và qui tắc nhân trường hợp độc lập ta có: P ( A) = P( A1 A 2 ) + P( A1 A2 ) = P ( A1 ) P( A 2 ) + P( A1 ) P( A2 ) = 0. Tương tự ta có: Pb = 0. Gọi A2 là biến cố sản phẩm lấy ra thuộc loại 2. i=1.2 1.16 Gọi A1 là biến cố sản phẩm lấy ra thuộc loại 1. A là biến cố chỉ có một người bắn trúng mục tiêu.1 + 0. Do đó P ( A) = 1 .2 ⋅ 0. biến cố này chỉ có 1 trường hợp thuận lợi. Pc = 0.02 .5 = 0. 00027 . Gọi A là biến cố sản phẩm lấy ra thuộc loại 1 hoặc loại 2: A = A1 + A2 Vì A1 .4 1. = 216 9 216 36 1 . 4 + 0.11 a) P = 0.8 1. Pc = 6 = .98 . 1. = 0. Gọi A là biến cố tất cả cùng ra ở tầng bốn. Do đó số kết cục đồng khả năng có thể N = A63 = 216 .10 Đúng Sai Đúng Đúng Sai Đúng Sai Sai Đúng Đúng 1.12 Mỗi khách đều có 6 khả năng để ra ở 6 tầng còn lại của tòa nhà.26 .8 ⋅ 0.9 1.15 Gọi A1 và A2 tương ứng là biến cố người thứ nhất và thứ hai bắn trúng mục tiêu. 149 . A = A1 A 2 + A1 A2 . 1. 216 Lý luận tương tự trên ta có Pb = 1.3 1.246 b) P = 0.9 = 0.5 1.1 1.9 1. A2 xung khắc do đó 5 25 P ( A ) = P ( A1 + A2 ) = P ( A1 ) + P ( A2 ) = 0.Hướng dẫn bài tập HƯỚNG DẪN GIẢI BÀI TẬP ĐÁP ÁN CHƯƠNG I 1.6 1.2. 720 1.17 5 ⎛ 1 ⎞ ⎛ 49 ⎞ P = C30 ⎜ ⎟ ⎜ ⎟ ⎝ 50 ⎠ ⎝ 50 ⎠ 1.7 1.

2 10 18 = = . P ( A ) = P ( B1 ) P ( A B1 ) + P ( B2 ) P ( A B2 ) + P ( B3 ) P ( A B3 ) + P ( B4 ) P ( A B4 ) = 5 7 4 2 57 × 0. P ( B2 ) = 0. 3 ). ta thu được P ( B1 A ) = P ( B1 ) P ( A B1 ) P ( A) 5 × 0. a.5 = 18 18 18 18 180 Áp dụng công thức Bayer.5 . i=1. P ( A ) = P ( B1 ) P ( A B1 ) + P ( B2 ) P ( A B2 ) + P ( B3 ) P ( A B3 ) = 0. 2 + × 0.336 0. B2 .Hướng dẫn bài tập Gọi B là biến cố phế phẩm được nhập kho. 4 + × 0.99 ) = 0. 237 0. 0002 .2.10. i=1.12 = 0. ⋅ = 21 84 1764 1. 08 = 0. Hệ { B1. P ( A B3 ) = 0.36 × 0. 57 57 180 150 .9 )(1 − 0. 08 .3.12.30 .21 Gọi A là biến cố sản phẩm kiểm tra là phế phẩm.1012 = 0.10 = 0.11.2 3.8 )(1 − 0. Gọi Bi là biến cố sản phẩm lấy ra kiểm tra thuộc phân xưởng thứ i.36. 2. Vì các biến cố phụ thuộc nên P ( A) = P ( A1 ) P ( A2 A1 ) P ( A3 A1 A2 ) = 1 ⋅ 5 1 5 . P ( B1 ) = 0. Theo đề bài ta có: P ( B1 ) = 5 7 4 2 . ( i = 1. 427 0. P ( B3 ) = 0.3 + × 0. P ( A B2 ) = 0. 4.34.34 × 0. P ( A B4 ) = 0.1012 = 0.1012 1. Gọi A là biến cố sau 3 lần kiểm tra tất cả các sản phẩm đều được kiểm tra A = A1 A2 A3 . P ( A B3 ) = 0. 1.22 Gọi Bi là biến cố xạ thủ được xét thuộc nhóm thứ i.3. B3} đầy đủ P ( A B1 ) = 0.1012 P ( B1 ) P ( A B1 ) b.4. P ( A B2 ) = 0. Gọi A là biến cố xạ thủ bắn trượt. P ( B2 ) = . 1. P ( B3 ) = .19 P = 0.20 Gọi Ai là biến cố lần thứ i lấy ra 3 sản phẩm mới để kiểm tra. P ( B4 ) = 18 18 18 18 P ( A B1 ) = 0.30 × 0. P ( B1 A ) = P ( A) P ( B2 A ) = P ( B3 A ) = = P ( B2 ) P ( A B2 ) P ( A) P ( B3 ) P ( A B3 ) P ( A) 0. ( ) ( ) ( ) P ( B ) = P A1 P A2 P A3 = (1 − 0.

P ( B4 A ) = 57 57 57 Vậy xạ thủ có khả năng ở nhóm thứ hai nhất.14 2.9 + 0. 778 P ( B1 A ) = P ( A) P ( A) P ( A) 0.13 2.23 Gọi B1 là biến cố viên đạn thứ nhất trúng mục tiêu. Gọi B2 là biến cố viên đạn thứ hai trúng mục tiêu.95 = 0. ĐÁP ÁN CHƯƠNG II 2.2 2. 0097 0.Hướng dẫn bài tập tương tự P ( B2 A ) = 21 16 10 . 05 = 0. BH } đầy đủ P ( A BT ) = 0. 7 × 0. . 7 . 6 + 0.1. 4 .85 × 0.6 2. ) ( ) P B1 B2 P ( B1 A ) P B1 ⎡⎣ B1 B2 ∪ B2 B1 ⎤⎦ 0. 05 = 0.15 Sai Sai Đúng Đúng Sai 151 . 1.85 × 0.3 = 0. P ( BT ) = 0.3 2.9 2.85.11 2. 7 × 0. P ( B2 ) = 0.10 Sai Sai Đúng Sai Đúng Sai Sai Đúng Đúng Sai 2. 4 × 0. Hai biến cố này độc lập Xác suất biến cố chỉ có viên đạn thứ nhất trúng mục tiêu ( ) ( ) ( P ( A ) = P B1 B2 ∪ B2 B1 = P B1 B2 + P B2 B1 ) = 0.9 + 0.8 2.24 Gọi A là biến cố sản phẩm kiểm tra có kết luận đạt tiêu chuẩn chất lượng. a) P ( A ) = P ( BT ) P ( A BT ) + P ( BH ) P ( A BH ) = 0.54 1.15 × 0. 05 .12 2.9075 . Gọi BH là biến cố sản phẩm không đạt tiêu chuẩn chất lượng. 6 = = = = 0.95 ⇒ P ( A BT ) = 0. P ( B1 ) = 0. P ( BH ) = 0.5 2. 7725 ( ) c) P ABT ∪ ABH = P ( ABT ) + P ABH = 0.7 2. P ( A BH ) = 0. 7725 b) P ( BH A ) = ( P ( BH ) P ( A BH ) P ( A) ) = 0.9.15 Hệ { BT .15 × 0. Gọi BT là biến cố sản phẩm đạt tiêu chuẩn chất lượng. P ( B3 A ) = . P ( A BH ) = 0.54 ( b.15 × 0.4 2.1 2.

20 a) D( Z ) = 61 .1.23 E ( X ) = 0 .22 a) Gọi Ai là biến cố toa i có người ngồi ( i = 1.17 x3 = 29. 2 . 4 2.44 . Gọi A là biến cố cả 3 toa đều có người ngồi. p 2 = 0.5 .8 . 2.12 . p3 = 0.5 .18 E( X 1 ) = 3.3 ). 243 b) X 0 1 2 3 4 5 P 32 243 80 243 80 243 40 243 10 243 1 243 Y 0 1 2 3 4 5 P 1 243 10 243 40 243 80 243 80 243 32 243 ⇒ k= 3 . 2.1.19 E( X ) = 0.24 a) Vì 64 2 ∫ x ( 4 − x ) dx = 3 0 1 b) P { X < 1} = ∫ 0 3 2 13 . 2. D( X 2 ) = 1. b) D( Z ) = 41 . D( X 1 ) = 1.4 . 2.21 p1 = 0. D( X 1 + X 2 ) = 2. E( X 2 ) = 3. D ( X ) = 15. P( A) = P( A1 ) + P( A 2 ) + P( A3 ) − P( A1 A 2 ) − P( A1 A3 ) − P( A 2 A3 ) + P( A1 A 2 A3 ) = ⇒ P( A) = 150 . E( X 1 + X 2 ) = 6.1. 21 . x ( 4 − x ) dx = 64 256 152 93 243 . Khi đó: A = A1 A2 A3 ⇒ A = A1 + A2 + A3 . p3 = 0.09 . 2.53 . D( X ) = 0. 64 2.16 E ( X ) = 0.3.4 . 2.Hướng dẫn bài tập 2.

i = 0. P ( B2 ) = 0. 09 X P −1 0. 2 + 22 × 0. Dễ thấy P ( A0 ) = 0.98 b) P {Y = 0} = 0. 25. 09 + ( −1) × 0. 2 2 2 EX 2 = ( −2 ) × 0. 02 − ( −0.37 P { X = 1} = P ( A1 ) P ( B0 ) + P ( A2 ) P ( B1 ) = 0. 2 ) = 0. P ( B0 ) = 0.Hướng dẫn bài tập 4 x=4 0 x =0 3 3 3 ⎛ 4 x5 ⎞ c) EX = ∫ x ( 4 − x ) dx = ⎜ x − ⎟ 64 64 ⎜⎝ 5 ⎟⎠ ⎛ 16 ⎞ 12 = 3⎜ 4 − ⎟ = 5⎠ 5 ⎝ x =4 4 3 4 3 ⎛ 4 x5 x 6 ⎞ ⎛ 1 1 ⎞ 32 − ⎟ = 3 × 64 ⎜ − ⎟ = EX = ∫ x ( 4 − x ) dx = ⎜ ⎜ ⎟ 64 64 ⎝ 5 6 ⎠ ⎝5 6⎠ 5 0 x =0 2 ⇒ DX = EX − ( EX ) 2 2 2 32 ⎛ 12 ⎞ 16 = −⎜ ⎟ = .16 . 2.5 + 2 × 0. 2 + 2 × 0. 04 EX = ( −2 ) × 0.37 + 1× 0. 04 = 1.36 . 48 . 04 Vậy bảng phân bố xác suất của X −2 0.18 + 0.13 = 0. 2 0. P ( A2 ) = 0.12 = 0.37 + 1× 0. 1 2.3 P { X = 0} = P ( A0 ) P ( B0 ) + P ( A1 ) P ( B1 ) + P ( A2 ) P ( B2 ) = 0. 2 P { X = 2} = P ( A2 ) P ( B0 ) = 0. 09 P { X = −1} = P ( A0 ) P ( B1 ) + P ( A1 ) P ( B2 ) = 0.25 a) Kí hiệu Ai là biến cố : ”A bắn trúng i viên”. i = 1. 2.3 + 0 × 0.5 . P ( A1 ) = 0. 25 .37 + 12 × 0.13 EY = 0 × 0. 153 .5 P {Y = 2} = P { X = 2} + P { X = −2} = 0. 5 ⎝ 5⎠ 25 2. 04 = −0.26 Kí hiệu Ai là biến cố : ”ô tô thứ i bị hỏng”.37 0. 09 + ( −1) × 0. 02 2 2 DX = EX 2 − ( EX ) = 1. Từ đó P { X = −2} = P ( A0 ) P ( B2 ) = 0. P ( B1 ) = 0.3 + 02 × 0. 76 . Bi là biến cố : ”B bắn trúng i viên”.37 P {Y = 1} = P { X = 1} + P { X = −1} = 0.3 0 1 2 0.

26 P { X = 2} = P ( A1 ) P ( A2 ) = 0. 72 + 1× 0. 2 2 DX = EX 2 − ( EX ) = 0. 26 2 0. EX 2 = 02 × 0.34 − ( 0.8 = 0. 26 + 2 × 0.8 + 0. 26 + 22 × 0. 10 10 10 10 100 100 ⎝ 100 10 ⎠ d) EX 2 = 1 8 18 48 25 72 1⎞ ⎛ 7 + + + + + + 49 ⎜ + ⎟ = 16. 4 2 6 .3 . 66 ) = 3.X ) = 2 − 2 8 6 .9 × 0. 2 Gọi X là số ôtô bị hỏng trong thời gian làm việc ( ) ( ) Từ đó P { X = 0} = P A1 P A2 = 0. P { X < 3} = . 02 = 0. 10 10 10 10 100 100 ⎝ 100 10 ⎠ 2 2 DX = EX 2 − ( EX ) = 16. 6 1 0. 2.1 . + = 10 10 10 10 1 4 6 12 5 12 1⎞ ⎛ 7 + + + + + + 7⎜ + ⎟ = 3.9 × 0.8 − ( 3. P ( A2 ) = 0. 404 . 72 1 0. ⎧k > 0 ⎧ pi > 0 ⎧⎪ k > 0 ⎪ ⎪ ⇒ k = 1/10 . 25 .27 a) Điều kiện ⎨ p = 1 ⇒ ⎨ ⇒ ⎨ ⎡ k = −1 2 ∑ ⎪⎩10k + 9k = 1 ⎪ ⎢ ⎪⎩ i i ⎩ ⎣ k = 1/10 b) P { X ≥ 5} = c) EX = 1 1 2 3 . 4 2 0. 02 X P 0 0. 72 + 12 × 0.34 .3) = 0. 66 .8 .28 a) Gọi X là “số phế phẩm gặp phải”: EX = X P 0 0. 6 .Hướng dẫn bài tập Dễ thấy P ( A1 ) = 0. 2 = 0. 5 25 b) Gọi Ị là “số chính phẩm gặp phải” ⇒ Y = 2 − X : EY = E ( 2 . DY = 5 5 25 2. 02 EX = 0 × 0. 72 ( ) ( ) P { X = 1} = P ( A1 ) P A2 + P A1 P ( A2 ) = 0. 2.1× 0.29 Gọi X là “số nữ có trong nhóm được chọn” 154 Y P 1 0. DX = . 02 = 0. = .

2.33 a) P = 0. D X = 0.8 .998 2.3 .5 c) Số sản phẩm hỏng có khả năng xảy ra nhiều nhất là 0.41 . 4 Vậy xác suất để anh ta được điểm 4 là P = C10 ()() 1 5 4 4 5 6 = 0. P { X = 1} = 4 6 = 3 30 30 C10 X 0 1 2 3 P 5 / 30 15 / 30 9 / 30 1/ 30 5 15 9 1 36 6 + 1× + 2 × + 3 × = = .132 b) Xác suất thu được tín hiệu nhiều nhất 1 lần c) Xác suất thu được tín hiệu P { X ≤ 1} = 0. 30 30 30 30 30 5 2.8 . 7 20.33 = 0. P{X = 4} = 0.751 . 30 = P { X = 1} = C14C62 3 C10 15 30 = C1C 2 15 9 .31 a) P = 0.4096 . p) với n = 5 và p = 0. 0.Hướng dẫn bài tập P { X = 0} = P { X = 2} = EX = 0 × C63 3 C10 = C42C61 3 C10 5 .30 Thắng 2 trong 4 ván dễ hơn. 031 P { X ≥ 1} = 1 − P { X = 0} = 1 − 0.238 . 2. 2.34 Gọi x là số câu hỏi học sinh trả lời đúng. b) Anh ta được điểm âm khi trả lời đúng: 6 x − 20 < 0 ⇒ x = 0.088 . 7 ) a) Xác suất thu được tín hiệu 2 lần P { X = 2} = C52 0. 002 = 0. 2. b) E X = 4 .32 a) X tuân theo quy luật nhị thức B (n .1.36 Không đúng. Số điểm anh ta nhận được là 4 x + (10 − x)(−2) = 6 x − 20 a) Anh ta được 4 điểm khi trả lời đúng: 6 x − 20 = 4 ⇒ x = 4 .35 Gọi X là số lần thu được tín hiệu trong 5 lần phát độc lập thì X ~ B ( 5.879 . Vậy xác suất để anh ta được điểm âm là P = 3 ∑ C104 k =0 ()() 1 5 k 4 5 10−k = 0. c) ModX = 4 . P = 0. b) P = 0.9914 b) Số sản phẩm hỏng trung bình là 0. 2. 2. 155 .

2.14 EX = −7 / 15 .15 .38 0. 3. ρ X.11 3. D( X ) = ⎟ σ n ⎝ ⎠ ĐÁP ÁN CHƯƠNG III 3. Vậy xác suất có nhiều nhất ba cuộc gọi trong khoảng thời gian 3 phút là P {Y ≤ 3} = 0.3 .40 a) 95. Xác suất có nhiều nhất 1 cuộc gọi trong khoảng thời gian 1 phút là P {Z ≤ 1} = 0.7 3. 4063 = 0. ⇒ P X − μ < ε = 2Φ⎜⎜ 2. ⎛ 12 − 10 ⎞ ⎛ 8 − 10 ⎞ 2. c) Gọi Z là số cuộc gọi trong khoảng thời gian 1 phút thì Z có phân bố Poisson tham số λ = 2 .39 P = 0. 2825 .36 3.9 3.13 X x1 x2 Y y1 y2 y3 P 0.33%.41 a) 20. 2. ⎝ 2 ⎠ ⎝ 2 ⎠ 2.8 3. Vậy xác suất có ít nhất một cuộc gọi trong khoảng thời gian 10 giây là P { X ≥ 1} = 1 − P { X = 0} = 1 − e−1/ 3 = 0.4 3. 406 . b) Gọi Y là số cuộc gọi trong khoảng thời gian 3 phút thì Ị có phân bố Poisson tham số λ = 6 .44%.5 3.56 0.Y = −0.26 0.6826 .9983 .44 P 0. Vậy xác suất để trong khoảng thời gian 3 phút liên tiếp mỗi phút có nhiều nhất 1 cuộc gọi là 3 P {Z ≤ 1} = 0. EY = 0 .Hướng dẫn bài tập 2. b) P = 0.56%.10 Sai Đúng Đúng Đúng Sai Sai Sai Đúng Đúng Sai 3. b) 4.2 3. Y ) = −1 / 8 .37 a) Gọi X là số cuộc gọi trong khoảng thời gian 10 giây thì X có phân bố Poisson tham số λ = 1/ 3 . EY = 0 .15 EX = −1 / 5 . { } ⎛ε n ⎞ σ2 ⎟ −1.151 . cov( X .12 Sai Đúng 3.3 3.1 3.Y = 0 .38 P{8 < X < 12} = Φ⎜ ⎟ − Φ⎜ ⎟ = 0.6 3. X và Y không độc lập vì 156 . 0067 .42 E( X ) = μ . ρ X.

1268 0.015 2 0.18 X .45 .43 0.7 . Y = 1} = 0 . P{Y = 1} = 0.4225 0. EY = 1.16 0. Y = 1} = 0.03 0.45 P{X = 1Y = 2} = 7 / 11 .5.04 0.1549 0.03 0.08 0.12 0.19 .04 0.06 0.2958 157 . Y = 1} = 0. 3.5.07 EX = 1.5 ⋅ 0.01 0.357 0.17 Bảng phân bố xác suất đồng thời của X và Y Y 0 1 2 3 4 0 0.06 0.03 0.015 0. EZ = 2.045 0. Y không độc lập vì P{X = 1} = 0. 3.005 X P{X > Y } = 0.16 Bảng phân bố xác suất của biến ngẫu nhiên Z Z 1 2 3 4 6 P 0.19 X 1 2 3 4 5 6 0 1/12 1/12 1/12 1/12 1/12 1/12 1 1/12 1/12 1/12 1/12 1/12 1/12 Y P{X = 1} = 0.89 .5 ⋅ 0.12 0. 3.7 .02 1 0. 3.45 và P{X = 1. P{Y = 1} = 5 / 15 và P{X = 1.643 Y X = 26 P X Y = 27 P 26 30 41 50 0.03 0.09 0.Hướng dẫn bài tập P{X = 1} = 2 / 15. P{Y = 1} = 0.12 0.02 0. 3.01 3 0.20 23 27 0.15 ≠ 0.45 và P{X = 1.35 0.15 ≠ 0.

158 1 1 1 . Y ) = 0 . FY ( y ) = lim F ( x.24 Áp dụng công thức (3. P ⎨ Y > ⎬ ≠ 0 . { } { } d) P 1 < X < 3 . a. cov ( X . 3. 2 ⎠⎝ π 2⎠ ⎝π c) F X ( x) = lim F ( x. y ) = F X ( x) FY ( y ) nên ta kết luận X và Y độc lập. c. X . α = 15 . Y không độc lập vì P { X = 1} = 2 5 nhưng P { X = 1. y ) = ⎜ arctg x + ⎟⎜ arctg y + ⎟ . DY = 2. 0 < Y < 1 = P 1 < X < 3 P{ 0 < Y < 1} = ⎧ ln x ⎪ 3. Y = 1} = 0 . y ) = arctg y + . 1 ⎞⎛ 1 1⎞ ⎛1 b) F ( x. 2⎭ 2 2⎭ 2⎭ ⎩ ⎩ ⎩ 3.5 . .21 E[Y X = 1] = 5 .14) ta được ∂ 2 F ⎧⎪ e − x − y f ( x. nÕu x ≤ 0 . Áp dụng công thức (3. Y ) = 0 ⇒ ρ ( X . y ) = =⎨ ∂x∂y ⎪⎩ 0 nÕu x > 0.25 . nÕu ng−îc l¹i . EX = 2.22 b.83 . . y > 0. f X ( x) = ⎨ ⎪⎩ 0 nÕu ng−îc l¹i ⎪⎩ 0 nÕu ng−îc l¹i 1⎫ 1⎫ 1⎫ 1 ⎧ ⎧ ⎧ X và Y không độc lập vì P ⎨ X < . EY = 0 .Hướng dẫn bài tập 3. EY = 4. ⋅ = 12 4 48 .93 . P {Y = 1} = 15 15 3. Y > ⎬ = 0 nhưng P ⎨ X < ⎬ ≠ 0 . f Y ( y) = ⎨ 2 .53) ta được ⎧⎪ e − x f ( x y) = ⎨ ⎪⎩ 0 3. nÕu x < 1 .23 a) k = 3 . DX = 4. 2 . y ) = y →∞ 1 1 1 1 arctg x + .25 a) C = 1 π2 nÕu x > 0. b) c) ⎧3 2 ⎧⎪ 3x 2 nÕu 0 < x < 1 ⎪ (1 − y ) nÕu 0 < y < 1 . 2 2 π π x →∞ Vì F ( x.26 Hàm mật độ của X là f X ( x) = ⎨ x 2 ⎪ 0 ⎩ nÕu x ≥ 1. EX = −0.

475 22 = 0. Từ đó hàm mật độ có điều kiện của Y với điều kiện X = x ( x > 1) là f ( y x) = f ( x. DX = 1 . y ≤ x .10 Đặt S = ∑ X n .Y = 57. ≥ 0. ES = 0 . b = 226.8 Đúng Đúng Sai Sai Đúng Đúng Đúng Đúng 4.05 < 2} ≥ 1 − 0.2 4.475 22 = 0.36 . x ≥ y x2 y y nÕu y ≥ 1.6 .11 Đặt S = DS ε2 10000 ∑ X n .05 ≥ 2} ≤ 0. Chọn a = 157.1 4.6 4.27 E (2 X − 3Y ) = 2E ( X ) − 3E (Y ) = 10 .3 4. 12 4. X có phân bố nhị thức EX = 0. Theo bất đẳng thức Trêbưsép 12 1 . Áp dụng bất đẳng thức Trêbưsép ta có P{ X − 0. Theo bất đẳng thức Trêbưsép n =1 P{S − 192 ≤ ε} ≥ 1 − 4. x2 3. 300 159 .12 . ES = 12 ⋅ 16 = 192 .Hướng dẫn bài tập ⎧ ⎪ ⎪ Hàm mật độ của Y là f Y ( y ) = ⎨ ⎪ ⎪⎩ 1 2y2 1 2 nÕu 1 ≤ y < ∞.5 4. P{ X − 0. DS = n =1 P{S ≥ 500} ≤ DS 500 2 = 10000 .9 Gọi X là số máy hỏng trong ca.5 .88 . f X ( x) 2 y ln x x Hàm mật độ có điều kiện của X với điều kiện Y = y ( y > 0) là ⎧ ⎪ f ( x. D(2 X − 3Y ) = 4D( X ) + 9D(Y ) − 12 D( X )D(Y ) ρ X .64 . DS = 12 .4 4.99 . ĐÁP ÁN CHƯƠNG IV 4.7 4. nÕu 0 ≤ y ≤ 1 . y ) 1 1 = nếu ≤ y≤x. y ) ⎪ f ( x y) = =⎨ f Y ( y) ⎪ ⎪⎩ 1 nÕu 0 ≤ y ≤ 1.

20 Giả sử X là số người chọn ăn ở đợt 1.02 = 5 .Hướng dẫn bài tập 4.99 ⇒ ε = 34.14 Thỏa mãn luật số lớn Trêbưsép. Theo bất đẳng thức Trêbưsép 36 { } P S − ES < n ≥ 1 − n DS 5 31 ⎧n ⎫ 31 = 1− = ⇔ P⎨ − n < S < + n ⎬ ≥ . X có phân bố xấp xỉ chuẩn ⎛ 8 ⎞ với μ = 292.02) .58) .48) = 0. Vậy 160 . 4. Φ⎜⎜ ⎝ 250 ⎠ ⎝ 250 ⎠ ⎝ 250 ⎠ ⎝ 250 ⎠ Từ đó k ≥ 500 + 2.21 a) Gọi X là số người trúng tuyển. 0.17 Áp dụng bất đẳng thức Trêbưsép tính được xác suất P ≥ 0. σ = 0.750 chi tiết. Phân bố của X xấp xỉ phân bố chuẩn với μ = 0. σ = 5.0842 .99 ⇔ Φ⎜⎜ ⎟⎟ ≥ Φ(2.64.3 n .99 ⇔ P{1000 − k < X < k } ≥ 0.9131 4. Khi đó 1000 − X là số người chọn ăn ở đợt 2 .4 .13 Đặt S = ∑ X n . Vậy k = 541 . Vậy P{X ≤ 300} ≈ Φ⎜ ⎟ = Φ(1. Vậy M = 192+34.4 ⎠ b) Giả sử n là số người được gọi. 0. DS = 12 . 4.49 . b) P{X ≤ 2} = 0. ES = và 6 6 5n . ⎝ 5. Vậy ta phải có ⎛ k − 500 ⎞ ⎛ 500 − k ⎞ ⎛ k − 500 ⎞ ⎛ k − 500 ⎞ ⎟⎟ − Φ⎜⎜ ⎟⎟ ≥ 0.19 Gọi X là số sản phẩm hỏng.16 Thỏa mãn luật số lớn Trêbưsép. ⎪⎭ ⎪⎩n=1 n =1 Ta có ES = 192 .5 . Theo bất đẳng thức Trêbưsép P{S − 192 ≤ ε} ≥ 1 − DS ε2 ≥ 0.18 Áp dụng bất đẳng thức Trêbưsép cần kiểm tra 23.58 250 = 540. Ta xem X có phân bố chuẩn với μ = 500 .99 . X sẽ có xấp xỉ phân bố Poisson với λ = 250 ⋅ 0. Ta phải chọn k nhỏ nhất để P{X < k . Ta có X ~ B (250 . 1000 − X < k } ≥ 0.64 . Từ đó tra bảng ta được: a) P{X = 2} = 0. 4. Gọi k là số chỗ ngồi trong nhà ăn. 4.9n .99 . 4. 4.12 Ta biết rằng S là biến ngẫu nhiên có phân bố nhị thức tham số p = DS = 1 n .9) . Ta có X ~ B (350 . 36 36 6 n ⎩6 ⎭ 36 12 ⎫⎪ ⎧⎪ 12 4. Ta cần tìm M nhỏ nhất để P ⎨∑ X n ≤ M ⎬ ≥ 0. σ = 250 .9306 .64 = 226.15 Thỏa mãn luật số lớn Trêbưsép.1247 4.99 ⇔ 2Φ⎜⎜ ⎟⎟ ≥ 1.

3 5.9 5. P X − 20 < 0..2 = 2Φ⎜⎜ ⎟ 1 ⎝ ⎠ 5.6 5.3 n ⎠ Giải bất phương trình ta được n ≤ 319.19 Mẫu ngẫu nhiên có kích thước 10: W = ( X 1 .4 5. Vậy n = 319 .5)10 . . { } { { } σ2 ) .10 Đúng Sai Đúng Đúng Đúng Sai Sai Đúng Đúng Sai 5.9n ≥ (0. X 10 ) .5 5.33) n .Hướng dẫn bài tập ⎛ 300 − 0.33) ⇔ 300 − 0.13 5. ⎪⎭ ⎪⎩ i =1 5.7 5. Vậy n ⎛ε n ⎞ ⎛−ε n ⎞ ⎛ε n ⎞ ⎟ − Φ⎜ ⎟ = 2Φ⎜ ⎟ P X − μ < ε = P μ − ε < X < μ + ε = Φ⎜⎜ ⎟ ⎜ σ ⎟ ⎜ σ ⎟ .1 5.99 . ĐÁP ÁN CHƯƠNG V 5.20 X có phân bố chuẩn N (μ.5) 5 ⋅ (0.14 5.3)(2. ⎫⎪ 1⎫ 1 ⎪⎫ ⎪⎧ 10 ⎪⎧ 1 10 ⎧ P ⎨ X = ⎬ = P ⎨ ∑ X i = ⎬ = P ⎨∑ X i = 5⎬ . . σ 2 ) nên X có phân bố chuẩn N (μ.8 5.2 100 ⎞ ⎟ = 2Φ (2) = 0.18 Sai Sai Đúng Đúng Sai Sai Sai Sai 5.17 5. P{X ≤ 300} ≈ Φ⎜⎜ ⎟ ⎝ 0.5)10−5 = C10 (0. Do đó σ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ } ⎛ 0. X 2 .11 5.15 5.99 = Φ (2.9n ⎞ ⎟ ≥ 0.21 Bảng phân bố tần số X 1 2 3 4 Tần số 2 4 2 2 X 1 2 3 4 Tần suất 1/5 2/5 1/5 1/5 Bảng phân bố tần suất Hàm phân bố thực nghiệm 161 .16 5. Vì X có phân bố nhị thức nên 2⎭ 2 ⎪⎭ ⎪⎭ ⎪⎩ i =1 ⎪⎩10 i =1 ⎩ ⎫⎪ ⎧⎪ 10 5 5 P ⎨∑ X i = 5⎬ = P10 (5) = C10 (0.12 5..2 5.9545 .

1657 ⇒ <N< ⇒ 12070 < N < 20141 .24 Tần suất mẫu f = s 0. 5. 043 .1657 0.15)2 ⎤⎥ = 0. Điều kiện ⎨ 2000 ⎩n(1 − f ) = 918 > 10 f (1 − f ) f − uβ n = 1082 918 ×1082 − 2. Khoảng tin cậy 95%: 35 n [0. khoảng tin cậy 95% của p : f (1 − f ) uβ n = 1. trong đó N là số cá trong hồ. 76 − 40 ⎥⎥ = 0.515 2000 2000 Vậy tối thiểu có 51. uβ 5. 0993 < 2000 2000 2000 < 0. ⎧nf = 53 > 10 53 . 0. 025 ⇒ x =5 5.072 . 25 = 5 −1.22 f = x = 6. ⎧nf = 1082 > 10 1082 .Hướng dẫn bài tập x ≤1 ⎧0 ⎪1 / 5 1 < x ≤ 2 ⎪⎪ F10 ( x) = ⎨3 / 5 2 < x ≤ 3 ⎪4 / 5 3 < x ≤ 4 ⎪ ⎪⎩1 x>4 5.1299 = 1.96 × = 0. 25 = 18.96 53 × 347 = 0.8943 ∑i ⎥ 34 ⎢ n −1 ⎢ n 35 ⎥ ⎣ ⎦ ⎣ ⎦ 2 ⇒ s = 0.976 .33 = 0. điều kiện ⎨ 400 ⎩ n(1 − f ) = 347 > 10 Gọi p là xác suất bắt được con cá có đánh dấu. s 2 = 1.1299. 25 ∑ ui + 18. 0993 . 0993 x − 18. N Vậy 0. 019] . 435 n −1 ⎢ ⎣ ⎦ ⎣ ⎦ 2 162 .5% số phiếu bầu cho ứng cử viên A.933 . N 0. 35 n 2⎤ ⎡ ( 34. 01687 1 ⎢ 1 ⎡ 2 ( ∑ xi ) ⎥ ⎢ − = − s = x 33. 1.8 ) ⎤ ( 52 ⎢ 2 ( ∑ ui ) ⎥ 25 ⎢ s = ∑ ui − n ⎥ = 39 ⎢0.15 = 0.8 + 18. 0332 400 400 Khoảng ước lượng [ 0.25 Đặt ui = i 40 5 n 2⎤ 2 ⎡ ⎡ −1.1657 ] Mặt khác p = 2000 . s = 1.8 .15 .23 x = ∑ xi = 34.

327 . 42 − ⎥ = 0.319) 29 = 6.37 ⇒ s = 0. 608 28 ⎣⎢ 29 ⎦⎥ (100 − 99.032 ∈ Wα .28 Gọi μ là thời gian trung bình hoàn thành một sản phẩm. 25 Đặt ui = i 5 ⇒ x = 5× Tqs = (100 − X ) n S .195 300 − ⎢ 249 ⎣ 300 ⎥⎦ 163 . 25 = 99.377 27 [ 49. 29 s 2 = 25 × 1 ⎡ 0. ⇒ s2 = 4 × ( X − 14 ) S n H1 : μ ≠ 14 . 50. ∑ riui = 0. 42 ⇒ 0. 66.27 Gọi μ là trọng lượng trung bình của một bao sản phẩm được đóng gói. a) Khoảng tin cậy 90%: b) Kích thược mẫu cần thiết n ≥ = xi − 50 ⇒ x = ∑ 5.086}. nghĩa là sản phẩm bị đóng thiếu.196] . a) Khoảng tin cậy 95%: b) Kích thược mẫu cần thiết n ≥ u 2β σ 2 ε2 = 384.96}. 42 ⎤ ⎢0. đối thiết H1 : μ < 100 Tiêu chuẩn kiểm định T = x − 99.171 40 n ⇒ s = 0. Ta kiểm định giả thiết H 0 : μ = 14 .26 Đặt ui uβ ui n σ n = 1.16 chọn n = 385 5.319 . Miền bác bỏ Wα = {T > 2. Ta kiểm định giả thiết H 0 : μ = 100 . Miền bác bỏ Wα = {T > 1.854. ∑ riui 2 = 0.608 Vậy bác bỏ H 0 chấp nhận H1 . ∑ riui = 0 . 64 × = 0. 5. đối thiết Tiêu chuẩn kiểm định T = x − 15 Đặt ui = i 2 ⇒ x = 15 . 704 27 1 = 0. ∑ riui 2 = 300 1 ⎡ 0 ⎤ = 4. 081] . 4 + 99. 66 = 1. 4 .96 × u 2β s 2 ε2 + 50 = = 116. 0. 18.Hướng dẫn bài tập s 0.819 ⇒ s = 2. uβ [17.99 chọn n = 117 −8 + 50 = 49.

X1 = 2. Ta kiểm định giả thiết H 0 : μ = 1300 . 40 = 2.53) 30 = 4.4 6. Miền bác bỏ Wα = {T > 1. 2.7 6.55 Vậy bác bỏ H 0 chấp nhận H1 . X 2 = 1} = P { X 0 = 0} P { X 1 = 2 X 0 = 0} P { X 2 = 1 X 0 = 0. Miền bác bỏ Wα = {T > 2. đối thiết H1 : μ < 50 Tiêu chuẩn kiểm định T = Theo mẫu ta có x = s2 = ( 50 − X ) n S .5 6.Hướng dẫn bài tập ⇒ Tqs = (115 − 14) 300 = 7. nghĩa là hệ thống máy tính mới xử lý tốt hơn.30 Gọi μ là số hoá đơn trung bình hệ thống máy tính mới xử lý được trong 1 giờ. 5. 5. nghĩa là cần thay đổi định mức. 0. 1387. nghĩa là mức hao phí xăng có giảm xuống.29 Gọi μ là mức hao phí xăng trung bình của ôtô chạy từ A đến B.3 6.052}.6 Sai Sai Đúng Đúng Đúng Sai P { X 0 = 0. H1 : μ > 1300 đối thiết Tiêu chuẩn kiểm định T = Từ mẫu cụ thể ta có T = ( X − 1300 ) S (1378 − 1300 ) 215 n .2 6. X1 = 2} 164 .96 Vậy bác bỏ H 0 chấp nhận H1 .5536. 294 > 1.3026 ⇒ s = 0. 28 1 ⎛ 1387. ĐÁP ÁN CHƯƠNG VI 6.96} .1696 = 0.55 ⎜⎜ 6876375 − ⎟= 27 ⎝ 28 ⎟⎠ 27 Tqs = (50 − 49.89 ∈ Wα .52 ⎞ 8. Ta kiểm định giả thiết H 0 : μ = 50 .5 = 49.1 6.2948 ∈ Wα .195 Vậy bác bỏ H 0 chấp nhận H1 .

2 + 0. X 2 = 2} = P{X 2 = 0 X 0 = 0}P{X 3 = 1 X 2 = 0} + P{X 2 = 1 X 0 = 0}P{X 3 = 1 X 2 = 1} + P{X 2 = 2 X 0 = 0}P{X 3 = 1 X 2 = 2} = 0.Hướng dẫn bài tập = P { X 0 = 0} P { X 1 = 2 X 0 = 0} P { X 2 = 1 X 1 = 2} = 0. X1 = 1.7 ⋅ 0. z ] là nghiệm của hệ phương trình ⎧[x y z ]P = [x y z ] . 0. y . X 1 = 0. 165 .16 .10 Không gian trạng thái sẽ là E = {−1.57 ⎥⎦ { } b) P { X 3 = 1 X1 = 0} = P X 2 = 1 X 0 = 0 = 0. X 2 = 0} = P { X 0 = 0} P { X 1 = 0.26 0. P{X 3 = 1 X 0 = 0} = P{X 3 = 1. 6.z= . c) P { X 5 = 0 X 0 = 0} = 16(α − 1)5 + 40(α − 1) 4 + 40(α − 1)3 + 20(α − 1) 2 + 5(α − 1) + 1 . z ≥ 0 .13 . y. X 2 = 0 X 0 = 0} = P { X 0 = 0} P { X1 = 0 X 0 = 0} P { X 2 = 0 X 0 = 0. X 2 = 1 X 0 = 0} + P{X 3 = 1. ⎢ ⎥ ⎢⎣ 0.13 ⋅ 0. z là nghiệm không âm của hệ phương trình ⎧− 9 x + 2 y + 6 z = 0 ⎪⎪ ⎨ 2x − 8 y + z = 0 ⎪ +y +z = 1 ⎩⎪ x có nghiệm x = 6.1. X 2 = 0} = p0 α 2 + (1 − α ) 2 .8 a) P = 0. 2. X 2 = 1}+ P{X 2 = 2 X 0 = 0}P{X 3 = 1 X 0 = 0. 139 139 139 p0 = P { X 0 = 0} .9 Đặt 50 21 68 .3} .42 0.8 = 0.2 + 0.17 0. X1 = 0} = p0α 2 .13 0. ( ) b) P { X 0 = 0. a) P { X 0 = 0. X 2 = 2 X 0 = 0} = P{X 2 = 0 X 0 = 0}P{X 3 = 1 X 0 = 0.44 . x + y + z = 1 Như vậy x. ⎡0.47 ⋅ 0. 47 0.40 ⎤ ⎢ ⎥ 2 6. X 2 = 0} + P { X 0 = 0. X 1 = 0.168 .3 ⋅ 0.40 ⋅ 0.14 0. X 2 = 0} + P{X 2 = 1 X 0 = 0}P{X 3 = 1 X 0 = 0.1 = 0. ⎨ ⎩ x. y= . c) Phân bố dừng [x. y. X 2 = 0 X 0 = 0} + P{X 3 = 1.

. {4} . 4 0 ⎥ ⎢⎣ 0 0 0.3 . Theo công thức (6. 4 0 0 ⎥ ⎢ ⎥ ⎢ 0 0.. p−1.21) ta có pij = P { X (n + 1) = j X (n) = i} = ⎨ ⎪⎩ P {ξ = i − j} nÕu 0 < i ≤ 3.1} ...3 0. 4 . Có 3 lớp liên thông là {0..3 0. {2.1 = P { X (n + 1) = 1 X (n) = −1} = P (ξ = 2) = 0. 1/ 4 1/ 4 1/2 1/ 4 1/2 1/2 1/2 1 0 1/2 1/2 1/2 2 3 1/2 166 4 1/ 4 .....3 0..3 0..3 0.Hướng dẫn bài tập ⎧⎪ P {ξ = 3 − j} nÕu i ≤ 0...3 0.0 = P { X (n + 1) = 0 X (n) = −1} = P(ξ = 3) = P(φ) = 0 .2 = P { X (n + 1) = 2 X (n) = −1} = P(ξ = 1) = 0..3 0. p−1. 4 ⎥⎥ ⎢ P = ⎢0... . 4 ⎥⎦ 6. 4 ⎤ ⎡ 0 ⎢ 0 0 0...3 0..3 0.3 = P { X (n + 1) = 1 X (n) = −1} = P(ξ = 0) = 0...3 0. p −1. −1 = P{ X (n + 1) = −1 X (n) = −1 } = P(φ) = 0 . Ma trận xác suất chuyển: 0 0.3 ...12 Các trạng thái có chu kỳ 1... p−1.3} .. p−1.

8 3.Phụ lục PHỤ LỤC PHỤ LỤC I: GIÁ TRỊ HÀM MẬT ĐỘ ϕ( x) = 0.3 3.6 1.4 0.8 1.0044 0033 0024 0017 0012 0009 0005 0004 0003 0002 1 3989 3965 3902 3802 3668 3503 3312 3101 2874 2637 2396 2155 1919 1691 1476 1276 1092 0925 0775 0644 0529 0431 0347 0277 0219 0171 0132 0101 0077 0058 0043 0032 0023 0017 0012 0008 0005 0004 0003 0002 2 3989 3961 3894 3790 3653 3485 3292 3079 2850 2613 2370 2131 1895 1669 1456 1257 1074 0909 0761 0632 0519 0422 0339 0270 0213 0167 0129 0099 0075 0056 0042 0031 0022 0016 0012 0008 0005 0004 0003 0002 3 3988 3956 3885 3778 3637 3467 3271 3056 2827 2589 2347 2107 1872 1647 1435 1238 1057 0893 0748 0620 0508 0413 0332 0264 0208 0163 0126 0096 0073 0055 0040 0030 0022 0016 0011 00080 0005 0004 0003 0002 4 3986 3951 3876 3765 3621 3448 3251 3034 2803 2565 2320 2083 1849 1626 1415 1219 1040 0878 0734 0608 0498 0404 0325 0258 0203 0158 0122 0093 0071 0053 0039 0029 0021 0015 0011 0008 0005 0004 0003 0002 167 5 3984 3945 3867 3752 3605 3429 3230 3011 2780 2541 2299 2059 1826 1604 1394 1200 1023 0863 0721 0596 0488 0396 0317 0252 0198 0154 0119 0091 0069 0051 0038 0028 0020 0015 0010 0007 0005 0004 0002 0002 1 2π e − 6 3982 3939 3857 3739 3589 3410 3209 2989 2756 2516 2275 2036 1804 1582 1374 1182 1006 0848 0707 0584 0478 0387 0310 0246 0194 0151 0116 0088 0067 0050 0037 0027 0020 0014 0010 0007 0005 0003 0002 0002 x2 2 7 3980 3932 3847 3726 3572 3391 3187 2966 2732 2492 2251 2012 1781 1561 1354 1163 0989 0833 0694 0573 0468 0379 0303 0241 0189 0147 0113 0086 000065 0048 0036 0026 0019 0014 0010 0007 0005 0003 0002 0002 8 3977 3925 3836 3712 3555 3372 3166 2943 2709 2468 2227 1989 1758 1539 1334 1145 0973 0818 0681 0562 0459 0371 0297 0235 0184 0143 0110 0084 0063 0047 0035 0025 0018 0013 0009 0007 0005 0003 0002 0001 9 3973 3918 3825 3697 3538 3352 3144 2920 2685 2444 2203 1965 1736 1518 1315 1127 0957 0804 0669 0551 0449 0363 0290 0229 0180 0139 0107 0081 0061 0046 0034 0025 0018 0013 0009 0006 0004 0003 0002 0001 .5 2.3 2.4 3.7 0.9 2.6 3.9 0 0.2 3.1 3.7 1.0 1.0 0.1 0.8 2.7 3.6 2.3 1.7 2.3 0.2420 2179 1942 1714 1497 1295 1109 0940 0790 0656 0.2 0.9 1.5 0.5 1.0540 0440 0355 0283 0224 0175 0136 0104 0079 0060 0.2 2.4 2.4 1.1 2.8 0.0 2.9 3.6 0.2 1.1 1.3989 3970 3910 3814 3683 3521 3332 3123 2897 2661 0.5 3.0 3.

9987 9990 9993 9995 9996 9997 9998 9999 9999 9999 168 .6 1.6 2.3 0.5 0.3 3.4 0.2 1.5000 5398 5793 6179 6554 0.6 3.5 1.8 2.6915 7257 7580 7881 8159 0.7 3.3 1.7 2.0 3.5 3.2 3.9 0.8413 8643 8849 9032 9192 0.1 1.9938 9953 9965 9974 9981 5040 5438 5832 6217 6591 6950 7291 7611 7910 8186 8438 8665 8869 9049 9207 9345 9463 9564 9649 9719 9778 9826 9864 9896 9920 9940 9955 9966 9975 9982 5080 5478 5871 6255 6628 6985 7324 7642 7939 8212 8461 8686 8888 9066 9222 9357 9474 9573 9656 9726 9783 9830 9868 9898 9922 9941 9956 9967 9976 9982 5120 5517 5910 6293 6664 7019 7357 7673 7967 8238 8485 8708 8907 9082 9236 9370 9484 9582 9664 9732 9788 9834 9871 9901 9925 9943 9957 9968 9977 9983 5160 5557 5948 6331 6700 7054 7389 7703 7995 8264 8508 8729 8925 9099 9251 9382 9495 9591 9671 9738 9793 9838 9875 9904 9927 9945 9959 9969 9977 9984 5199 5596 5987 6368 6736 7088 7422 7734 8023 8289 8531 8749 8944 9115 9265 9394 9505 9599 9678 9744 9798 9842 9878 9906 9929 9946 9960 9970 9978 9984 5239 5636 6026 6406 6772 7123 7454 7764 8051 8315 8554 8770 8962 9131 9279 9406 9515 9608 9686 9750 9803 9846 9881 9909 9931 9948 9961 9971 9979 9985 5279 5675 6064 6443 6808 7156 7486 7794 8078 8340 8577 8790 8980 9147 9292 9418 9525 9616 9693 9756 9808 9850 9884 9911 9932 9949 9962 9972 9979 9985 5319 5714 6103 6480 6844 7190 7517 7823 8106 8365 8599 8810 8997 9162 9306 9429 9535 9625 9699 9761 9812 9854 9887 9913 9934 9951 9963 9973 9980 9986 5359 5753 6141 6517 6879 7224 7549 7852 8132 8389 8621 8830 9015 9177 9319 9441 9545 9633 9706 9767 9817 9857 9890 9916 9936 9952 9964 9974 9981 9986 t 3.1 2.8 3.7 0.4 3.9 2.2 2.1 0.8 1.4 2.0 0.Phụ lục PHỤ LỤC II: GIÁ TRỊ HÀM PHÂN BỐ CHUẨN TẮC 1 t ∫e 2π −∞ Φ (t ) = − 1 2π x2 2 dx Φ (t ) t t 0 1 2 3 4 5 6 7 8 9 0.9332 9452 9554 9641 9712 0.6 0.4 1.8 0.0 2.2 0.1 3.3 2.7 1.9773 9821 9861 9893 9918 0.9 1.0 1.9 Φ (t ) 0.5 2.

657 9.485 2.571 2.771 1.060 2.893 5.681 2.128 2.707 3.729 1.086 2.435 3.132 2.576 318.309 22.001 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 inf 6.925 5.717 1.501 4.473 2.353 2.179 2.718 2.701 1.421 3.Phụ lục PHỤ LỤC III: GIÁ TRỊ TỚI HẠN CỦA PHÂN BỐ STUDENT α t α (n) Bậc tự do α = 0.228 2.518 2.090 169 .365 2.583 2.761 1.721 1.505 3.895 1.069 2.215 7.706 4.160 2.776 2.579 3.831 2.355 3.552 3.796 1.930 3.479 2.747 3.898 2.492 2.725 1.624 2.606 2.450 3.539 2.110 2.833 1.740 1.169 3.771 2.447 2.025 3.861 2.527 3.796 1.005 α = 0.106 3.686 3.052 2.144 4.821 2.015 1.173 5.080 2.821 6.045 1.787 2.048 2.012 2.05 α = 0.860 1.920 2.714 1.645 12.896 2.998 2.764 2.753 1.500 2.734 1.462 2.145 2.703 1.306 2.947 2.943 1.201 2.646 3.055 3.699 1.408 3.025 α = 0.499 3.779 2.064 2.074 2.365 3.787 3.396 3.845 2.552 2.797 2.733 3.921 2.819 2.485 3.812 1.960 31.782 1.841 4.756 2.250 3.708 1.327 10.746 1.508 2.297 4.541 3.610 3.604 4.977 2.705 4.101 2.650 2.262 2.01 α = 0.467 3.131 2.711 1.467 2.143 2.965 4.326 63.567 2.807 2.032 3.208 4.056 2.852 3.303 3.58 2.878 2.763 2.093 2.120 2.314 2.

410 32.198 12.554 0.191 31.573 15.924 35.995 χ 02.611 15.107 4.401 13.379 16.592 14.408 7.283 10.314 45.993 48.488 11.278 49.997 41.571 4.856 11.256 14.993 52.025 χ 02.733 3.388 13.475 20.000 0.642 46.378 9.493 3.345 13.841 5.278 21.565 4.401 42.535 19.196 10.879 13.635 9.167 2.348 11.343 8.557 43.488 28.004 0.461 13.928 48.337 24.260 8.086 16.261 7.156 2.897 9.390 10.700 3.671 33.231 8.524 12.267 35.757 28.319 32.051 0.289 41.307 19.001 5.119 27.484 0.885 40.819 31.718 37.336 53.879 10.750 18.566 38.217 27.838 14.024 7.Phụ lục PHỤ LỤC IV: GIÁ TRỊ TỚI HẠN CỦA PHÂN BỐ KHI BÌNH PHƯƠNG χ2 α χ α2 (n) Bậc tự do χ 02.722 46.277 15.571 7.404 5.816 4.991 7.979 6.689 12.088 2.962 8.845 30.633 8.090 21.996 26.000 0.143 12.675 21.300 28.919 18.015 7.542 10.676 0.812 6.781 38.344 1.955 23.074 3.144 31.297 0.053 3.940 4.736 26.844 14.181 45.000 33.180 2.787 0.773 5.121 13.409 34.412 0.115 0.260 9.645 50.688 29.026 22.076 39.851 11.209 24.010 0.892 7.980 44.194 44.188 26.869 30.191 37.543 9.507 16.229 5.05 χ 02.812 18.805 36.860 16.103 0.872 1.923 43.091 13.047 16.009 5.920 23.646 41.362 23.589 25.290 46.296 27.666 23.708 18.117 10.564 8.156 38.337 42.97 χ 02.711 1.625 38.461 45.020 0.629 6.01 χ 02.930 0.907 9.685 24.034 8.815 9.172 36.558 46.796 44.013 17.113 41.479 36.848 14.352 0.151 16.070 12.982 6.591 12.524 32.483 21.364 40.558 3.672 9.635 2.95 χ 02.207 0.908 7.226 5.247 3.023 20.638 42.932 30.597 12.142 5.725 26.791 0.587 28.170 35.928 17.067 15.072 0.832 14.99 χ 02.808 12.565 14.325 3.690 2.265 6.591 10.575 5.852 34.001 0.308 16.603 3.210 11.831 1.672 170 .005 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 0.262 6.548 20.449 16.520 11.989 1.160 11.075 5.578 32.982 11.660 5.886 10.239 1.646 2.844 7.415 37.801 34.697 6.141 30.120 13.237 1.582 39.216 0.588 50.735 2.145 1.

3. [4]. Willey and Sons. Nguyễn Cao Văn. 2. Thống kê và ứng dụng. 1977. M. Nguyễn Duy Tiến (và tập thể). 4th ed. 2004. [8].V. Đặng Hùng Thắng. 2004. Bài tập lý thuyết xác suất và thống kê toán. Applied Probability Models. NXB Đại học Quốc gia Hà Nội. [13]. Xác suất và Thống kê. Karlin. Đặng Hùng Thắng. Doob. B. NXB Giáo dục. [12]. [7].1999. NXB Giáo dục. tập 1. New York and London.Tài liệu tham khảo TÀI LIỆU THAM KHẢO [1]. Hà Nội 2002. NXB Đại Học Quốc Gia Hà Nội. J. 1966. Berlin and New York. NXB GD. Trần Thái Ninh và Nguyễn Thế Hệ. NXB Giáo dục – 1998. Lý thuyết xác suất. D. NXB GD. Các hàm và xác suất ứng dụng trong viễn thông. Gnedenko. 2001. II. Springer . Nguyễn Duy Tiến. 1997. [10]. Tống Đình Quỳ. 2000. 1953. Academic Press. [9]. Probability Theory. 171 . S. Loeve. [3]. [2]. Thomson Learning. Duxbury. 1999. I. Đặng Hùng Thắng. [11]. 2000. New York. Trần Mạnh Tuấn. lý thuyết và thực hành tính toán. Mở đầu về lý thuyết xác suất và các ứng dụng. Stochastic Processes. Trung Tâm Đào Tạo Bưu Chính Viễn Thông 1. Moscow 1976. Nguyễn Phạm Anh Dũng. L. [5]. [14]. Vũ Việt Yên. Các mô hình xác suất và ứng dụng. (Paul) Minh. A first Course in Stochastic Processes.Verlag. The theory of probability. NXB Đại Học Quốc Gia Hà Nội. L. Bài tập xác suất. Hướng dẫn giải bài tập xác suất thống kê. Mir publishers. [6].

....................... HÀM ĐẶC TRƯNG ................................3.............................................. 24 2......................................................... 20 CHƯƠNG II: BIẾN NGẪU NHIÊN VÀ CÁC ĐẶC TRƯNG CỦA CHÚNG ..........................2.............4....................... 60 3................................. 15 TÓM TẮT .................................................3........................................... 17 CÂU HỎI ÔN TẬP VÀ BÀI TẬP ............................ 3 NỘI DUNG ..............7......... 38 2..................................................... 46 TÓM TẮT ............ 55 3..1............. HÀM CỦA CÁC BIẾN NGẪU NHIÊN.............................................................................................. KHÁI NIỆM VÉC TƠ NGẪU NHIÊN............ 24 2...................................................... 68 3.................................................................................... 73 CÂU HỎI ÔN TẬP VÀ BÀI TẬP ................................................................. PHÉP THỬ VÀ BIẾN CỐ ........................................ 4 1.........1...................................................................... BIẾN NGẪU NHIÊN............................................................... 25 2...................................................................................................................................................................................... CÁC THAM SỐ ĐẶC TRƯNG CỦA BIẾN NGẪU NHIÊN ............ 4 1........................................... 23 NỘI DUNG .................................. PHÂN BỐ CÓ ĐIỀU KIỆN VÀ KỲ VỌNG CÓ ĐIỀU KIỆN......................................... 3 GIỚI THIỆU............. BIẾN NGẪU NHIÊN RỜI RẠC................... CÁC THAM SỐ ĐẶC TRƯNG CỦA BIẾN NGẪU NHIÊN ....................................................2.......... 47 CÂU HỎI ÔN TẬP VÀ BÀI TẬP ..............................................................................................2......................................................................................................................................................................................................................................................... 56 3.................................. 61 3.......................................... 76 CHƯƠNG IV: LUẬT SỐ LỚN VÀ ĐỊNH LÝ GIỚI HẠN ...................................................... 29 2.................................................................5................................................................................................................................................................................................. 54 GIỚI THIỆU......................................................................6. 6 1..........................................................................3.............................. XÁC SUẤT CÓ ĐIỀU KIỆN ..... 55 3.................................... BIẾN NGẪU NHIÊN LIÊN TỤC...................................... 54 NỘI DUNG ................................................ 66 3....................... 1 CHƯƠNG I: CÁC KHÁI NIỆM CƠ BẢN VỀ XÁC SUẤT..................... 23 PHẦN GIỚI THIỆU.....8....................Mục lục MỤC LỤC LỜI NÓI ĐẦU ................................................... 81 172 ........................................................ VÉC TƠ NGẪU NHIÊN LIÊN TỤC................................................................................................1.......................................................................... 72 TÓM TẮT ............................................ 49 CHƯƠNG III: VÉC TƠ NGẪU NHIÊN..............................................4.................................................................... 12 1................................................................................................... 62 3................. ĐỊNH NGHĨA XÁC SUẤT VÀ CÁC TÍNH CHẤT ............................................................................................5............... DÃY PHÉP THỬ BERNOULLI..................................................4........................ PHÂN BỐ CHUẨN NHIỀU CHIỀU ................................................................................ BẢNG PHÂN BỐ XÁC SUẤT CỦA VÉC TƠ NGẪU NHIÊN RỜI RẠC HAI CHIỀU............................................................................................ TÍNH ĐỘC LẬP CỦA CÁC BIẾN NGẪU NHIÊN..............

........................................................................... XẤP XỈ PHÂN BỐ NHỊ THỨC ............... 93 5.............................................................................1........................................................................................................................................................................................................................... KIỂM ĐỊNH GIẢ THIẾT THỐNG KÊ .......... 92 NỘI DUNG .................................................... 93 5................................. 81 4............................................2.... 129 6..............................2................................ LÝ THUYẾT ƯỚC LƯỢNG.................................. 88 CÂU HỎI ÔN TẬP VÀ BÀI TẬP ..................................................... 124 CHƯƠNG VI: QUÁ TRÌNH NGẪU NHIÊN CHUỖI MARKOV ............................................................................... 92 GIỚI THIỆU..................... 161 ĐÁP ÁN CHƯƠNG VI................................................................. 167 PHỤ LỤC I: GIÁ TRỊ HÀM MẬT ĐỘ ϕ( x ) = 1 2π e − x2 2 ........................................................................Mục lục GIỚI THIỆU...3.. 169 173 ..................... 81 NỘI DUNG .............................. ĐỊNH LÝ GIỚI HẠN TRUNG TÂM .................................................................................................................................................................. CÁC DẠNG HỘI TỤ CỦA DÃY CÁC BIẾN NGẪU NHIÊN................................................................................................ 159 ĐÁP ÁN CHƯƠNG V .......................................................................... 128 NỘI DUNG .......... 149 ĐÁP ÁN CHƯƠNG II ......................................................3........................................... 151 ĐÁP ÁN CHƯƠNG III ........................................................................................................................................................................................................................................................ KHÁI NIỆM VÀ PHÂN LOẠI QUÁ TRÌNH NGẪU NHIÊN .................................................................................... CHUỖI MARKOV .................4.................................................... 81 4......................... 128 GIỚI THIỆU............................................................................................................................................ LUẬT SỐ LỚN..........................................................1.........................2.................... 156 ĐÁP ÁN CHƯƠNG IV............... 111 TÓM TẮT ............................................................................................................................................................................................................................................. 167 PHỤ LỤC II: GIÁ TRỊ HÀM PHÂN BỐ CHUẨN TẮC ........................................................ 89 CHƯƠNG V: THỐNG KÊ TOÁN HỌC ...................................................................................................................................................................................................................................................................................... 103 5.................................................................................. 86 TÓM TẮT .1....... PHÂN LOẠI TRẠNG THÁI CHUỖI MARKOV .................................................................................. 119 CÂU HỎI ÔN TẬP VÀ BÀI TẬP .......................................................................... 82 4.. 85 4........................................... LÝ THUYẾT MẪU ................................................................... 138 CÂU HỎI ÔN TẬP VÀ BÀI TẬP ................................ 131 6............................................................................................................................................ 146 HƯỚNG DẪN GIẢI BÀI TẬP........ 168 PHỤ LỤC III: GIÁ TRỊ TỚI HẠN CỦA PHÂN BỐ STUDENT........................................................................................................................................................................................3....................................................... 149 ĐÁP ÁN CHƯƠNG I......................................... 129 6........................................................ 164 PHỤ LỤC .......................................

............................................................. 170 TÀI LIỆU THAM KHẢO............................................................................................................... 171 MỤC LỤC....................................................Mục lục PHỤ LỤC IV: GIÁ TRỊ TỚI HẠN CỦA PHÂN BỐ KHI BÌNH PHƯƠNG χ 2 ..................................................................... 172 174 ....

XÁC SUẤT THỐNG KÊ Mã số : 491XSU210 Chịu trách nhiệm bản thảo TRUNG TÂM ÐÀO TẠO BƯU CHÍNH VIỄN THÔNG 1 .

Sign up to vote on this title
UsefulNot useful