2021.1 MI2020 Chương2

Chương 2
Biến ngẫu nhiên và quy luật phân phối xác

suất
Mục tiêu
1. Thông qua các công cụ giải tích, cung cấp cho sinh viên khái niệm về biến ngẫu nhiên,
phân loại các biến ngẫu nhiên, các quy luật phân phối xác suất của biến ngẫu nhiên, các
tham số đặc trưng của biến ngẫu nhiên cùng một số quy luật phân phối xác suất thông
dụng của biến ngẫu nhiên.
2. Với các kiến thức nền tảng đó, sinh viên biết tính các tham số đặc trưng của biến ngẫu
nhiên; hiểu và vận dụng được ý nghĩa của các đặc trưng của biến ngẫu nhiên cùng các
quy luật phân phối xác suất trong các bài toán xác suất thuộc các lĩnh vực kỹ thuật, kinh
tế, xã hội. . .
Nội dung
1. Định nghĩa và phân loại biến ngẫu nhiên
2. Quy luật phân phối xác suất của biến ngẫu nhiên (bảng phân phối xác suất, hàm phân
phối xác suất, hàm mật độ xác suất)
3. Các tham số đặc trưng của biến ngẫu nhiên (kỳ vọng, phương sai, độ lệch chuẩn, mốt,
trung vị. . . )
4. Một số phân phối xác suất thông dụng
Hai nội dung quan trọng nhất của chương là quy luật phân phối xác suất và các tham số đặc
trưng của một biến ngẫu nhiên.
50
Xác suất thống kê (2021.1) NGUYỄN THỊ THU THỦY − SAMI
2.1 Định nghĩa và phân loại biến ngẫu nhiên

Chúng ta thường tóm tắt kết quả từ một phép thử ngẫu nhiên bằng một con số đơn giản.
Trong nhiều ví dụ về các phép thử ngẫu nhiên, không gian các sự kiện sơ cấp là một mô tả về
các kết quả có thể xảy ra. Trong một số trường hợp, chỉ cần mô tả các kết quả là đủ, nhưng
trong nhiều trường hợp khác, sẽ hữu ích hơn khi ta liên kết một số với mỗi kết quả trong
không gian các sự kiện sơ cấp. Vì kết quả cụ thể của phép thử không được biết trước, nên giá
trị của kết quả của biến tương ứng cũng không được biết trước. Vì lý do này, biến kết hợp một
số với kết quả của một phép thử ngẫu nhiên được gọi là biến ngẫu nhiên.
2.1.1 Định nghĩa biến ngẫu nhiên

Định nghĩa 2.1 (Biến ngẫu nhiên). Về mặt hình thức, ta có thể định nghĩa biến ngẫu nhiên
(random variable) như một hàm số có giá trị thực xác định trên không gian các sự kiện sơ cấp.
Ký hiệu biến ngẫu nhiên bởi một chữ cái viết hoa, chẳng hạn X. Sau khi thực hiện một
phép thử nghiệm, giá trị đo được của biến ngẫu nhiên được ký hiệu bằng một chữ cái viết
thường, chẳng hạn như x = 70 miliampe.
Tập hợp tất cả các giá trị của X gọi là miền giá trị của X, ký hiệu là SX .
Ví dụ 2.1. Hệ thống liên lạc bằng giọng nói của một doanh nghiệp có 48 đường truyền. Quan
sát hệ thống tại một thời điểm cụ thể và gọi X là biến ngẫu nhiên chỉ số đường truyền đang
được sử dụng. Khi đó,
SX = {0, 1, 2, . . . , 48}.
Tại thời điểm quan sát nếu có 10 đường truyền đang được sử dụng thì x = 10.
Nhận xét 2.1. (a) X được gọi là biến ngẫu nhiên vì trước khi tiến hành phép thử ta chưa có
thể nói một cách chắn chắc nó sẽ nhận một giá trị bằng bao nhiêu mà chỉ dự đoán điều
đó với một xác suất nhất định. Nói cách khác, việc biến ngẫu nhiên X nhận một giá trị
( X = x1 ), ( X = x2 ), . . . , ( X = xn ) nào đó về thực chất là các sự kiện ngẫu nhiên.
(b) Nếu trong một phép thử biến ngẫu nhiên X chỉ nhận các giá trị x1 , x2 , . . . , xn thì các sự
kiện ( X = x1 ), ( X = x2 ), . . . , ( X = xn ) tạo nên một hệ đầy đủ.
2.1.2 Phân loại biến ngẫu nhiên

Trong khuôn khổ của chương trình, ta sẽ xét hai loại biến ngẫu nhiên: biến ngẫu nhiên rời rạc
và biến ngẫu nhiên liên tục.
Định nghĩa 2.2 (Biến ngẫu nhiên rời rạc). X là biến ngẫu nhiên rời rạc (discrete random
variable) nếu tập giá trị của nó là tập hợp hữu hạn hoặc vô hạn đếm được phần tử. Nói cách
khác, ta có thể liệt kê tất cả các giá trị của biến ngẫu nhiên đó.
2.1. Định nghĩa và phân loại biến ngẫu nhiên 51

Định nghĩa 2.3 (Biến ngẫu nhiên liên tục). X là biến ngẫu nhiên liên tục (continuous random
variable) nếu tập giá trị của nó lấp đầy một khoảng hoặc một số khoảng trên trục số, thậm trí
là toàn bộ trục số.
Ví dụ 2.2. (a) Biến ngẫu nhiên X trong Ví dụ 2.1 là biến ngẫu nhiên rời rạc có 49 phần tử.
(b) Một người phải tiến hành thí nghiệm cho tới khi thành công thì dừng. Gọi Y là số lần
tiến hành thí nghiệm. Y là biến ngẫu nhiên rời rạc,
SY = {1, 2, . . . , n, . . . }.
(c) Bắn một viên đạn vào bia có bán kính là 20 cm và giả sử viên đạn trúng vào bia. Gọi Z
là khoảng cách từ tâm bia tới điểm bia trúng đạn thì Z là biến ngẫu nhiên liên tục,
SZ = [0; 20].
2.1.3 Hàm của một biến ngẫu nhiên

Cho X là một biến ngẫu nhiên, ta xét một biến ngẫu nhiên mới g( X ), phụ thuộc vào X; nghĩa
là, mỗi giá trị của g( X ) được xác định bởi giá trị của X. Chẳng hạn, g( X ) có thể là X 2 hoặc
3X − 1 và giả sử X nhận giá trị 2, thì g( X ) sẽ nhận giá trị g(2). Biến ngẫu nhiên g( X ) như vậy
là hàm của biến ngẫu nhiên X.
Ví dụ 2.3. Trong Ví dụ 2.1, X là biến ngẫu nhiên chỉ số đường truyền đang được sử dụng tại
thời điểm quan sát, bình phương số đường truyền đang được sử dụng là g( X ) = X 2 . Đây là
một biến ngẫu nhiên rời rạc,
SX2 = {01 , 12 , 22 , . . . , 482 }.
Ví dụ 2.4. Một công ty điện thoại tính cước phí như sau: 10 nghìn đồng cho trang thứ nhất, 9
nghìn đồng cho trang thứ hai, . . . , 6 nghìn đồng cho trang thứ năm. Những bản fax từ 6 đến
10 trang có phí là 50 nghìn đồng. Công ty điện thoại này không nhận những bản fax dài quá
10 trang. Gọi Y là chi phí phải trả cho một bản fax. Xác định Y.
Lời giải Ví dụ 2.4 Gọi X là số trang trong một bản fax, X là biến ngẫu nhiên rời rạc có thể nhận
các giá trị 1, 2, . . . , 10. Khi đó, Y là một hàm của X và được xác định bởi

10, 5X − 0, 5X 2 ,

1 ≤ X ≤ 5,
Y := g( X ) =
50,
 6 ≤ X ≤ 10.
2.2 Quy luật phân phối xác suất của biến ngẫu nhiên
Các biến ngẫu nhiên rất quan trọng trong các phép thử ngẫu nhiên, đôi khi chúng ta bỏ qua
không gian các sự kiện sơ cấp ban đầu của phép thử và chỉ tập trung vào phân phối xác suất
2.2. Quy luật phân phối xác suất của biến ngẫu nhiên 52
của biến ngẫu nhiên. Chẳng hạn trong Ví dụ 2.1, phân tích của ta thường chỉ tập trung vào
các số nguyên 0, 1, . . . , 48. Theo cách này, một biến ngẫu nhiên có thể đơn giản hóa việc mô tả
và phân tích một phép thử ngẫu nhiên. Phân phối xác suất của một biến ngẫu nhiên X là sự
mô tả các xác suất được liên kết với các giá trị có thể có của X.
Định nghĩa 2.4 (Quy luật phân phối xác suất). Bất kỳ một hình thức nào cho phép biểu diễn
mối quan hệ giữa các giá trị có thể có của biến ngẫu nhiên và xác suất tương ứng để biến ngẫu
nhiên nhận các giá trị đó đều được gọi là quy luật phân phối xác suất (probability distribution)
của biến ngẫu nhiên.
Một số phương pháp mô tả quy luật phân phối xác suất của biến ngẫu nhiên:
1. Hàm khối lượng/bảng phân phối xác suất (áp dụng cho biến ngẫu nhiên rời rạc).
2. Hàm phân phối xác suất (áp dụng cho cả biến ngẫu nhiên rời rạc và liên tục).
3. Hàm mật độ xác suất (áp dụng cho biến ngẫu nhiên liên tục).
2.2.1 Phân phối xác suất của biến ngẫu nhiên rời rạc
Định nghĩa 2.5 (Hàm khối lượng xác suất). Với biến ngẫu nhiên rời rạc X nhận các giá trị
x1 , x2 , . . . , xn , hàm khối lượng xác suất (probability mass function) là hàm p X ( x ) thỏa mãn
(a) p X ( xi ) ≥ 0 với mọi i = 1, 2, . . . , n;
(b) ∑in=1 p X ( xi ) = 1;
(c) p X ( xi ) = P( X = xi ), i = 1, 2, . . . , n.
Ví dụ 2.5. Một bit được truyền qua đường truyền kỹ thuật số kênh nhận được có thể bị lỗi.
Xác suất để một bit được truyền đi bị lỗi là 0,1. Giả sử rằng các lần truyền là độc lập nhau. Gọi
X là số bit bị lỗi trong bốn bit được truyền đi. Các giá trị có thể có của X là 0, 1, 2, 3, 4 và
P( X = 0) = (C40 )(0, 1)0 (0, 9)4 = 0, 6561; P( X = 1) = (C41 )(0, 1)1 (0, 9)3 = 0, 2916;
P( X = 2) = (C42 )(0, 1)2 (0, 9)2 = 0, 0486; P( X = 3) = (C43 )(0, 1)3 (0, 9)1 = 0, 0036;
P( X = 4) = (C44 )(0, 1)4 (0, 9)0 = 0, 0001.
Khi đó, p X (0) = 0, 6561; p X (1) = 0, 2916; p X (2) = 0, 0486; p X (3) = 0, 0036; p X (4) = 0, 0001.
Kiểm tra thấy tổng xác suất bằng 1.
Phân phối xác suất của X được xác định bởi các giá trị có thể có cùng với xác suất tương
ứng (xem Hình 2.1).
Qua ví dụ này, ta thấy một phép thử ngẫu nhiên thường có thể được tóm tắt bởi một biến
ngẫu nhiên và phân phối xác suất của nó. Các chi tiết của không gian các sự kiện sơ cấp
thường có thể được bỏ qua.
Hình 2.1: Phân phối xác suất của số bit bị lỗi trong Ví dụ 2.5
Định nghĩa 2.6 (Bảng phân phối xác suất). (a) Giả sử X là một biến ngẫu nhiên rời rạc nhận
một số hữu hạn giá trị x1 , . . . , xn (sắp xếp theo thứ tự tăng dần). Bảng phân phối xác suất
(probability distribution) của biến ngẫu nhiên X có dạng:
X x1 x2 ... xn
(2.1)
P ( X = xi ) p1 p2 ... pn
trong đó, pi = P( X = xi ) với ( X = xi ) là sự kiện “X nhận giá trị xi ”, i = 1, . . . , n.
(b) Nếu X là biến ngẫu nhiên rời rạc có vô hạn đếm được phần tử thì bảng phân phối xác
suất của biến ngẫu nhiên X là:
X x1 x2 ... xn ...
(2.2)
P ( X = xi ) p1 p2 ... pn ...
trong đó, { x1 , x2 , . . . , xn . . . } là tập các giá trị của X sắp xếp theo thứ tự tăng dần, pn =
P( X = xn ), n = 1, 2 . . . .
Nhận xét 2.2. (a) Trong (2.1), ∑in=1 pi = 1 và trong (2.2), ∑∞

n=1 pn = 1.
(b) Nếu trong bảng phân phối xác suất mà giá trị nào của biến ngẫu nhiên X không được
đề cập đến thì xem như xác suất tại đó bằng 0.
Ví dụ 2.6. Trong Ví dụ 2.5, X là biến ngẫu nhiên chỉ số bit bị lỗi trong 4 bit được truyền đi.
Bảng phân phối xác suất của X là
X 0 1 2 3 4
P ( X = xi ) 0,6561 0,2916 0,0486 0,0036 0,0001
Ví dụ 2.7. Với Ví dụ 2.4, giả sử tất cả các bản fax chỉ gồm 1, 2, 3 hoặc 4 trang với xác suất như
nhau. Tìm bảng phân phối xác suất của biến ngẫu nhiên Y chỉ chi phí cho một bản fax.
Lời giải Ví dụ 2.7 Gọi X là biến ngẫu nhiên chỉ số trang trong một bản fax. Bảng phân phối xác
suất của X là
X 1 2 3 4
P ( X = xi ) 0,25 0,25 0,25 0,25
Theo Ví dụ 2.4, giá trị của Y được xác định như sau:
nếu X = 1, Y = (10, 5)(1) − (0, 5)(1)2 = 10; nếu X = 2, Y = (10, 5)(2) − (0, 5)(2)2 = 19
nếu X = 3, Y = (10, 5)(3) − (0, 5)(3)2 = 27; nếu X = 4, Y = (10, 5)(4) − (0, 5)(4)2 = 34.
Như vậy, tập giá trị của chi phí Y là SY = {10, 19, 27, 34} tương ứng với SX = {1, 2, 3, 4} và
P(Y = 10) = P( X = 1) = 0, 25; P(Y = 19) = P( X = 2) = 0, 25,

P(Y = 27) = P( X = 3) = 0, 25; P(Y = 34) = P( X = 4) = 0, 25.
Do đó,
Y 10 19 27 34
P (Y = y i ) 0,25 0,25 0,25 0,25
Ví dụ 2.8. Một lô hàng gồm 30 chiếc máy tính xách tay cùng loại được giao cho một cửa hàng
bán lẻ, trong đó có 5 chiếc bị lỗi. Một doanh nghiệp chọn mua ngẫu nhiên 3 máy tính từ lô
hàng này, tìm phân phối xác suất của số máy bị lỗi.
Lời giải Ví dụ Gọi X là “số máy bị lỗi trong 3 máy được chọn”, X là biến ngẫu nhiên rời rạc
nhận các giá trị 0, 1, 2 và 3 và
C50 C25
3
115 C51 C25
2
75
P ( X = 0) = 3
= , P ( X = 1) = 3
= ,
C30 203 C30 203
C52 C25
1
25 C53 C25
0
1
P ( X = 2) = 3
= , P ( X = 3) = 3
= .
C30 406 C30 406
Vậy bảng phân phối xác suất của X là
X 0 1 2 3
115 75 25 1
P ( X = xi ) 203 203 406 406
Ví dụ 2.9. Một dây chuyền sản xuất tự động khi hoạt động bình thường có thể sản xuất ra
phế phẩm với xác suất p = 0, 001 và được điều chỉnh ngay lập tức khi phát hiện có phế phẩm.
Lập bảng phân phối xác suất của số sản phẩm được sản xuất giữa hai lần điều chỉnh (viết 4
xác suất đầu).
Lời giải Ví dụ 2.9 Gọi X là “số sản phẩm được sản xuất giữa hai lần điều chỉnh”. X là biến ngẫu
nhiên rời rạc có thể nhận các giá trị 1, 2, 3, 4, . . . với xác suất tương ứng
P( X = 1) = 0, 001, P( X = 2) = 0, 999 × 0, 001,

P( X = 3) = (0, 999)2 × 0, 001, P( X = 4) = (0, 999)3 × 0, 001 . . .
Vậy bảng phân phối xác suất của X là (viết 4 xác suất đầu):
X 1 2 3 4 ...
P ( X = xi ) 0, 001 0, 999 × 0, 001 (0, 999)2 × 0, 001 (0, 999)3 × 0, 001 . . .
2.2.2 Hàm phân phối xác suất

Định nghĩa 2.7 (Hàm phân phối xác suất). Hàm phân phối xác suất (cumulative distribution
function) của biến ngẫu nhiên X, ký hiệu là FX ( x ), được định nghĩa như sau:
FX ( x ) = P( X < x ), x∈R (2.3)
(a) Nếu X là biến ngẫu nhiên rời rạc có bảng phân phối xác suất (2.1) thì hàm phân phối
(tích lũy) là: 



 0, x ≤ x1 ,


p , x1 < x ≤ x2 ,

 1



FX ( x ) = p1 + p2 , x2 < x ≤ x3 , (2.4)






 ...


1, x > xn .

(b) Nếu X là biến ngẫu nhiên rời rạc có bảng phân phối xác suất (2.2) thì hàm phân phối
(tích lũy) là: 



 0, x ≤ x1 ,


p1 , x1 < x ≤ x2 ,






 p + p2 , x2 < x ≤ x3 ,

1
FX ( x ) = (2.5)



 ...

∑in=1 pi ,

x n < x ≤ x n +1 ,





. . .

Nhận xét 2.3. Đồ thị của hàm phân phối xác suất của biến ngẫu nhiên rời rạc có dạng bậc
thang (Hình 2.2).
Ví dụ 2.10. Tìm hàm phân phối xác suất của biến ngẫu nhiên X trong Ví dụ 2.8.
FX ( x )
1
p1 + p2
p1
x
x1 x2 x3 ... xn
O
Hình 2.2: Đồ thị của hàm phân phối xác suất FX ( x ) xác định bởi (2.4)
Lời giải Ví dụ 2.10 Từ bảng phân phối xác suất ở Ví dụ 2.8, sử dụng (2.4) suy ra
 



 0, x ≤ 0, 


0, x ≤ 0,
 
115 115
 
, 0 < x ≤ 1, , 0 < x ≤ 1,

 

 203  203

 

FX ( x ) = 115 75
203 + 203 , 1 < x ≤ 2, = 190
203 , 1 < x ≤ 2,

 

115 75 25 405
 



 203 + 203 + 406 , 2 < x ≤ 3, 


 406 , 2 < x ≤ 3,
 
 115 + 75 + 25 + 1 , x > 3.
 
1, x > 3.
 
203 203 406 406
Hàm phân phối có các tính chất sau.
Định lý 2.1. 1. 0 ≤ FX ( x ) ≤ 1 với mọi x ∈ R.
2. FX ( x ) là hàm không giảm, liên tục bên trái, nghĩa là với mọi x1 , x2 ∈ R, x1 < x2 thì
FX ( x1 ) ≤ FX ( x2 ) và với mọi a ∈ R, FX ( a− ) = FX ( a), với FX ( a− ) = limx→a− FX ( x ).
Nếu X là biến ngẫu nhiên liên tục thì FX ( x ) là hàm liên tục.
3. Nếu a < b thì P( a ≤ X < b) = FX (b) − FX ( a).

Nếu X là biến ngẫu nhiên liên tục thì P( X = a) = 0 và
P( a ≤ X < b) = P( a ≤ X ≤ b) = P( a < X ≤ b) = P( a < X < b) = FX (b) − FX ( a).
4. FX (−∞) = 0, FX (+∞) = 1 (FX (∞) được hiểu theo nghĩa lấy giới hạn).
Chứng minh. 1. Suy trực tiếp từ định nghĩa (2.3) và tính chất của xác suất.
2. Giả sử x1 < x2 , xét sự kiện ( X < x2 ) = ( X < x1 ) + ( x1 ≤ X < x2 ). Do tính xung khắc
của các sự kiện suy ra
P ( X < x2 ) = P ( X < x1 ) + P ( x1 ≤ X < x2 ).
Từ đây kết hợp với (2.3) suy ra
FX ( x2 ) − FX ( x1 ) = P( x1 ≤ X < x2 ) ≥ 0.
3. Suy trực tiếp từ chứng minh tính chất trên.
4. FX (−∞) = P( X < −∞) = P(∅) = 0, FX (+∞) = P( X < +∞) = P(S) = 1.
Ví dụ 2.11. Gọi X là đường kính của lỗ được khoan trên một sản phẩm kim loại. Kích thước
tiêu chuẩn của đường kính được đặt ra là 12,5 mm. Các tác động ngẫu nhiên trong quá trình
khoan dẫn đến đường kính luôn lớn hơn quy định. Dữ liệu lịch sử cho thấy phân phối của X
có thể được mô hình hóa bằng hàm phân phối xác suất

0, x ≤ 12, 5,

FX ( x ) =
1 − e−20( x+k) , x > 12, 5.

(a) Xác định hằng số k.
(b) Nếu một sản phẩm có đường kính lớn hơn 12,6 mm sẽ bị loại bỏ thì tỷ lệ sản phẩm bị
loại bỏ là bao nhiêu?
Lời giải Ví dụ 2.11
(a) Sử dụng Định lý 2.1(2), vì FX ( x ) liên tục nên
lim FX ( x ) = lim FX ( x ), hay e−20(12,5+k) = e0 .

x →12,5− x →12,5+
Suy ra k = −12, 5. Vậy,


0, x ≤ 12, 5,

FX ( x ) =
1 − e−20( x−12,5) ,
 x > 12, 5.
Hình 2.3 mô tả đồ thị của FX ( x ).
(b) Sử dụng Định lý 2.1(2),
P( X > 12, 6) = FX (+∞) − FX (12, 6) = 1 − (1 − e−20(12,6−12,5) ) ' 0, 1353.
Ví dụ 2.12. Cho biến ngẫu nhiên liên tục X có hàm phân phối xác suất là

0, x ≤ 0,





FX ( x ) = A + 3x2 − Bx3 , 0 < x ≤ 1,



1,
 x > 1.
Hình 2.3: Đồ thị hàm phân phối xác suất trong Ví dụ 2.11
(a) Hãy xác định A và B.
(b) Tính xác suất để trong kết quả của phép thử X nhận giá trị trong khoảng (0, 5; 1).
Lời giải Ví dụ 2.12 (a) Theo Định lý 2.1(2), hàm FX ( x ) là hàm liên tục nên

 lim F ( x ) = lim F ( x ) = F (0),


X X X
x → 0− x →0+
 lim− FX ( x ) = lim+ FX ( x ) = FX (1).



x →1 x →1
Từ đây ta nhận được

 
 A = 0,
  A = 0,

Hay
 A + 3 − B = 1.
  B = 2.

Thử lại, ta thấy với A = 2 và B = 0, hàm FX ( x ) thỏa mãn tất cả các tính chất hàm phân phối
xác suất của biến ngẫu nhiên liên tục X. Vậy

0, x ≤ 0,





FX ( x ) = 3x2 − 2x3 , 0 < x ≤ 1,



1,
 x > 1.
(b) Sử dụng Định lý 2.1(3),
P(0, 5 < X < 1) = FX (1) − FX (0, 5)

h i h i
2 3 2 3
= 3 × (1) − 2 × (1) − 3 × (0, 5) − 2 × (0, 5) = 0, 5.
Ví dụ 2.13. Hàm phân phối xác suất của biến ngẫu nhiên liên tục X có dạng
FX ( x ) = A + B arctan x, −∞ < x < +∞.
(a) Tìm A và B.
(b) Tìm xác suất để khi tiến hành 3 quan sát độc lập biến ngẫu nhiên X thì có 2 lần X nhận
giá trị trong khoảng (−1; 1).
Lời giải Ví dụ (a) Sử dụng Định lý 2.1(4),

 

 lim FX ( x ) = lim ( A + B arctan x ) = 0,
  A + B × − π = 0,

x →−∞ x →−∞ 2
hay

 lim FX ( x ) = lim ( A + B arctan x ) = 1,  A + B × 2 = 1.
 π
∞ x →+∞
x→+
Suy ra A = 1/2, B = 1/π. Thử lại, với A = 1/2, B = 1/π, hàm FX ( x ) thỏa mãn tất cả các tính
chất của hàm phân phối xác suất của biến ngẫu nhiên liên tục X. Vậy
1 1
FX ( x ) = + arctan x, −∞ < x < +∞.
2 π
(b) Ta có dãy phép thử Béc–nu–li với n = 3 và p = P(−1 < X < 1). Sử dụng Định lý 2.1(3),
p = P(−1 < X < 1) = FX (1) − FX (−1)

1 1 1 1 1
= + arctan(1) − + arctan(−1) = .
2 π 2 π 2
Áp dụng công thức (1.19), xác suất cần tìm là

2 1
1 1 3
P3 (2) = C32 p2 (1 − 1
p) = 3 × × = .
2 2 8
2.2.3 Hàm mật độ xác suất của biến ngẫu nhiên liên tục
Định nghĩa 2.8 (Hàm mật độ xác suất). Giả sử X là một biến ngẫu nhiên liên tục có hàm phân
phối xác suất FX ( x ), x ∈ R. Nếu tồn tại hàm f X ( x ) sao cho
Zx
FX ( x ) = f X (t)dt, x∈R (2.6)
−∞
thì f X ( x ) được gọi là hàm mật độ xác suất (probability density function) của biến ngẫu nhiên
liên tục X.
Hàm mật độ xác suất có các tính chất sau.
Định lý 2.2. Hàm mật độ xác suất của biến ngẫu nhiên liên tục X là đạo hàm bậc nhất của
hàm phân phối xác suất của biến ngẫu nhiên đó,
f X ( x ) = FX0 ( x ), x∈R (2.7)
Định lý 2.3. 1. f X ( x ) ≥ 0 với mọi x ∈ R.

Z b
2. Nếu a < b, P( a < X < b) = f X ( x )dx.
a
Z +∞
3. f X ( x )dx = 1.
−∞
Chứng minh. 1. Vì f X ( x ) là đạo hàm của hàm không giảm.
2. Từ Định lý 2.1(3) và Định nghĩa 2.8,
Zb Za Zb
P( a < X < b) = FX (b) − FX ( a) = f X ( x )dx − f X ( x )dx = f X ( x )dx.
−∞ −∞ a
Z +∞
3. Theo Định lý 2.1(4) và Định nghĩa 2.8, f X ( x )dx = FX (+∞) = 1.
−∞
Hình 2.4: P( a < X < b) là diện tích miền tô màu dưới đường cong y = f X ( x )
Ví dụ 2.14. Gọi biến ngẫu nhiên liên tục X là cường độ dòng điện đo được trong một sợi dây
đồng mỏng tính bằng miliampe (mA). Giả sử X nhận giá trị trong đoạn [0; 20 mA] và hàm
mật độ xác suất của X là 
0, x∈
/ [0; 20],

f X (x) =
0, 05,
 x ∈ [0; 20].
Xác suất để phép đo đo được cường độ dòng điện nhỏ hơn 10 miliampe là bao nhiêu?
Lời giải Ví dụ 2.14 Áp dụng Định lý 2.3(2),
Z10 Z10
P( X < 10) = f X ( x )dx = 0, 05dx = 0, 5.
0 0
Ví dụ 2.15. Trong Ví dụ 2.11, X là biến ngẫu nhiên chỉ đường kính của lỗ được khoan trên sản
phẩm kim loại. Theo (2.7), hàm mật độ xác suất của biến ngẫu nhiên X là

0, x ≤ 12, 5,

0
f X ( x ) = FX ( x ) =
20e−20( x−12,5) , x > 12, 5

Hình 2.5: Hàm mật độ và xác suất trong Ví dụ 2.14
Hình 2.6: Hàm mật độ và xác suất trong Ví dụ 2.15
và theo Định lý 2.3(2),

+∞
Z +∞
Z
P( X > 12, 6) = f X ( x )dx = 20e−20( x−12,5) dx = 0, 1353.
12,6 12,6
Ví dụ 2.16. Biến ngẫu nhiên liên tục X có hàm mật độ xác suất là
f X ( x ) = ke−| x| − ∞ < x < +∞.
(a) Xác định k.
(b) Tìm hàm phân phối xác suất của biến ngẫu nhiên X.
(c) Tìm hàm phân phối xác suất của biến ngẫu nhiên Y = X 2 .
(d) Tính xác suất để trong 3 quan sát độc lập biến ngẫu nhiên X thì có 2 lần X nhận giá trị
trong khoảng (0; ln 3).
Lời giải Ví dụ (a) Sử dụng Định lý 2.3(1),(3),


ke−| x| ≥ 0, ∀ x,




+∞ +∞

Z Z


 1= ke−| x| dx = 2 ke− x dx = 2k.

−∞

0
Từ đây suy ra k = 1/2.

(b) Sử dụng (2.6),
Zx
1 u
Nếu x ≤ 0, FX ( x ) = 2 e du = 21 e x .
−∞
Z0 Zx
1 −u
Nếu x > 0, FX ( x ) = 1 u
2 e du + 2e du = 1
2 + − 12 e−x − 12 = 1 − 21 e−x .
−∞ 0
Vậy 
 1 ex ,

nếu x ≤ 0,
2
FX ( x ) =
1 − 21 e− x ,
 nếu x > 0.
(c) Sử dụng (2.3), FY ( x ) = P(Y < x ) = P( X 2 < x ).
Nếu x ≤ 0, FY ( x ) = P[V ] = 0.
√ √ √ √
Nếu x > 0, FY ( x ) = P(− x < X < x ) = FX ( x ) − FX (− x ).
Do đó, 
0, nếu x ≤ 0,

FY ( x ) = √ √
 FX ( x ) − FX (− x ),
 nếu x > 0.
Bạn đọc tự viết kết quả cuối cùng của FY ( x ).

(d) ta có dãy phép thử Béc–nu–li với n = 3 và p = P(0 < X < ln 3) và cần tính P3 (2) =
C32 p2 (1 − p)1 trong đó,
p = P(0 < X < ln 3) = FX (ln 3) − FX (0), hoặc

Z ln 3
p = P(0 < X < ln 3) = f X ( x )dx.
0
Bạn đọc tự tính kết quả cuối cùng.
2.3 Các tham số đặc trưng của biến ngẫu nhiên

Hai số thường được sử dụng để tóm tắt phân phối xác suất của một biến ngẫu nhiên X: Kỳ
vọng/giá trị trung bình là thước đo trung tâm của phân phối xác suất và phương sai là thước
đo độ phân tán hoặc độ biến thiên trong phân phối. Hai thước đo này không xác định duy
nhất một phân phối xác suất. Tức là, hai phân phối khác nhau có thể có cùng giá trị trung
bình và phương sai. Tuy nhiên, những thước đo này là những tóm tắt đơn giản và hữu ích về
phân phối xác suất của X.
2.3. Các tham số đặc trưng của biến ngẫu nhiên 63

2.3.1 Kỳ vọng/giá trị trung bình
(a) Kỳ vọng của một biến ngẫu nhiên

Định nghĩa 2.9 (Kỳ vọng). Kỳ vọng (expected value) hay giá trị trung bình (mean value) của
biến ngẫu nhiên X, ký hiệu là E( X ) (hoặc µ X hoặc đơn giản là µ) được xác định như sau:
(a) Nếu X là biến ngẫu nhiên rời rạc có bảng phân phối xác suất (2.1) thì
n
E( X ) = ∑ xi pi (2.8)
i =1
(b) Nếu X là biến ngẫu nhiên rời rạc có bảng phân phối xác suất (2.2) thì
∞
E( X ) = ∑ xn pn (2.9)
n =1
nếu chuỗi vế phải hội tụ.
(c) Nếu X là biến ngẫu nhiên liên tục có hàm mật độ xác suất f X ( x ), x ∈ R thì
+∞
Z
E( X ) = x f X ( x )dx (2.10)
−∞
nếu tích phân vế phải hội tụ.
Ví dụ 2.17. (a) Trong Ví dụ 2.5, X là biến ngẫu nhiên chỉ số bit bị lỗi trong 4 bit được truyền
đi. Theo (2.8), kỳ vọng của biến ngẫu nhiên X là
E( X ) = (0)(0, 6561) + (1)(0, 2916) + (2)(0, 0486) + (3)(0, 0036) + (4)(0, 0001)
= 0, 4.
(b) Trong Ví dụ (2.9), X là biến ngẫu nhiên chỉ số sản phẩm được sản xuất giữa hai lần điều
chỉnh. Theo (2.9), kỳ vọng của biến ngẫu nhiên X là
E( X ) = 1 × 0, 001 + 2 × 0, 999 × 0, 001 + 3 × (0, 999)2 × 0, 001 + . . .

∞
= 0, 001 × ∑ n × (0, 999)n−1 = 1000,
n =1
ở đây ta sử dụng tính chất của chuỗi lũy thừa và công thức tính tổng của cấp số nhân
lùi vô hạn với x = 0, 999:
∞ ∞ 0 ∞ 0 0
x 1
∑ nx n
= ∑ x n
= ∑x n
=
1−x
=
(1 − x )2
.
n =1 n =1 n =1

(c) Trong Ví dụ 2.14, X là biến ngẫu nhiên chỉ cường độ dòng điện đo được trên một sợi
dây đồng mỏng. Theo (2.10), kỳ vọng của biến ngẫu nhiên X là
Z20 Z20
E( X ) = x f X ( x )dx = 0, 05xdx = 10.
0 0
Nhận xét 2.4. (a) Kỳ vọng là một số xác định.
(b) Kỳ vọng của một biến ngẫu nhiên rời rạc X là trung bình có trọng số của các giá trị có
thể có của X, với trọng số bằng xác suất. Trong Ví dụ 2.17(a), mặc dù X không nhận giá
trị là 0,4 nhưng trung bình có trọng số của các giá trị có thể có là 0,4.
(c) Kỳ vọng toán của biến ngẫu nhiên xấp xỉ trung bình số học của các giá trị quan sát của
biến ngẫu nhiên. Nó phản ánh giá trị trung tâm của phân phối xác suất của biến ngẫu
nhiên.
Thật vậy, giả sử quan sát n lần biến ngẫu nhiên X thấy n1 lần X nhận giá trị x1 , n2 lần X
nhận giá trị x2 , . . . , nk lần X nhận giá trị xk , n1 + n2 + · · · + nk = n. Trung bình các giá
trị quan sát của biến ngẫu nhiên X là
n1 x2 + n2 x2 + · · · + n k x k n n n
X= = x1 1 + x2 2 + · · · + x k k
n n n n
≈ x1 p1 + x2 p2 + · · · + x k p k = E ( X ).
(d) Khái niệm kỳ vọng được áp dụng rộng rãi trong nhiều lĩnh vực, ví dụ trong kinh doanh
và quản lý, kỳ vọng được ứng dụng dưới dạng lợi nhuận kỳ vọng hay doanh số kỳ vọng.
Ví dụ 2.18. Xét trò chơi trả lời hai câu hỏi A và B; người chơi có quyền chọn câu hỏi nào để trả
lời đầu tiên. Câu hỏi A được trả lời đúng với xác suất 0,8 và khi đó người chơi sẽ được thưởng
100 USD, câu hỏi B được trả lời đúng với xác suất 0,6 và người chơi được thưởng 200 USD.
Nếu không trả lời đúng lần thứ nhất sẽ không được trả lời tiếp. Vậy người chơi nên chọn câu
hỏi nào trả lời đầu tiên để tiền thưởng trung bình nhận được cao hơn.
Lời giải Ví dụ 2.18 Gọi X là số tiền thưởng nhận được khi người chơi chọn câu hỏi A trả lời đầu
tiên,
X 0 100 300
P ( X = xi ) 0, 2 0, 32 0, 48
và E( X ) = 0 × 0, 2 + 100 × 0, 32 + 300 × 0, 48 = 176 USD.
Gọi Y là số tiền thưởng nhận được khi người chơi chọn câu hỏi B trả lời đầu tiên,
Y 0 200 300
P (Y = y i ) 0, 4 0, 12 0, 48
và E(Y ) = 0 × 0, 4 + 200 × 0, 12 + 300 × 0, 48 = 168 USD.
Vậy nên chọn câu hỏi A để trả lời đầu tiên để có khả năng nhận thưởng cao hơn.

(b) Kỳ vọng của một hàm của một biến ngẫu nhiên
Ví dụ 2.19. Từ các Ví dụ 2.4, 2.7, kỳ vọng của biến ngẫu nhiên g( X ) := Y được xác định theo
(2.9),
E( g( X )) = (10)(0, 25) + (19)(0, 25) + (27)(0, 25) + (34)(0, 25) = 22, 5 (nghìn đồng)
= ∑ g ( xi ) pi , i = 1, 2, 3, 4.
i
Kết quả này được mở rộng trong định lý dưới đây cho cả biến ngẫu nhiên rời rạc và biến
ngẫu nhiên liên tục.
Định lý 2.4. Cho X là một biến ngẫu nhiên và Y = g( X ) là một hàm của X.
1. Nếu X là biến ngẫu nhiên rời rạc có bảng phân phối xác suất (2.1) thì
n
E(Y ) = E[ g( X )] = ∑ g ( xi ) pi (2.11)
i =1
∞
E(Y ) = E[ g( X )] = ∑ g ( xi ) pi (2.12)
i =1
3. Nếu X là biến ngẫu nhiên liên tục có hàm mật độ xác suất f X ( x ) thì
+∞
Z
E(Y ) = E[ g( X )] = g( x ) f X ( x )dx (2.13)
−∞
Ví dụ 2.20. (a) Trong Ví dụ 2.5, X là số bit bị lỗi trong bốn bit được truyền đi. Theo (2.11),
kỳ vọng của bình phương số bit bị lỗi là
E( X 2 ) = 02 × 0, 6561 + 12 × 0, 2916 + 22 × 0, 0486 + 32 × 0, 0036 + 42 × 0, 0001 = 0, 52.
Như vậy, giá trị kỳ vọng của một hàm của một biến ngẫu nhiên chỉ đơn giản là giá trị
trung bình có trọng số của hàm được đánh giá tại các giá trị của biến ngẫu nhiên.
(b) Trong Ví dụ 2.14, X là cường độ dòng điện được đo bằng miliampe. Theo (2.13), giá trị
kỳ vọng của cường độ dòng điện bình phương là
Z20 Z20
2 2
E( X ) = x f X ( x )dx = 0, 05x2 dx = 133, 3333.
0 0

Ví dụ 2.21. Tại một hội chợ, trò chơi ném vòng vào cổ chai có giá 25 nghìn đồng/1 lần chơi.
Mỗi lần người chơi được ném 3 chiếc vòng. Nếu ném trúng một vòng thì nhận được giải
thưởng trị giá 50 nghìn đồng, ném trúng hai vòng thì nhận được 100 nghìn đồng, nếu ném
trúng cả ba vòng thì nhận được 500 nghìn đồng. Giả sử xác suất người A ném trúng vòng
trong mỗi lần ném đều là 0,1.
(a) Trung bình tiền lãi thu được là bao nhiêu nếu người A chơi trò này một lần?
(b) Trung bình tiền lãi thu được là bao nhiêu nếu người A chơi 100 lần?
Lời giải Ví dụ (a) Gọi X là “số vòng ném trúng cổ chai trong một lần chơi”, X là biến ngẫu nhiên
rời rạc có thể nhận các giá trị 0, 1, 2, 3. Ta có dãy phép thử Béc–nu–li với n = 3 và p = 0, 1, nên
P( X = 0) = C30 (0, 1)0 (0, 9)3 = 0, 729, P( X = 1) = C31 (0, 1)1 (0, 9)2 = 0, 243,
P( X = 2) = C32 (0, 1)2 (0, 9)1 = 0, 027, P( X = 3) = C33 (0, 1)3 (0, 9)0 = 0, 001.
Bảng phân phối xác suất của X là
X 0 1 2 3
P( X ) 0, 729 0, 243 0, 027 0, 001
Số tiền lãi người A thu được là một hàm của X, ký hiệu là g( X ). Mối quan hệ giữa X và g( X )
được cho trong bảng sau:
X 0 1 2 3
g( X ) −25 25 75 475
Theo Định lý 2.4(a), trung bình tiền lãi thu được trong một lần chơi là:
E( g( X )) = (−25 × 0, 729) + (25 × 0, 243) + (75 × 0, 027) + (475 × 0, 001)

= −9, 65 (nghìn đồng).
(b) Nếu chơi trò này 100 lần thì trung bình tiền lãi thu được là
100E( g( X )) = 100 × (−9, 65) = −965 (nghìn đồng).
Sau đây là một số tính chất hữu ích giúp đơn giản hóa trong tính toán kỳ vọng của các
biến ngẫu nhiên. Các tính chất này đúng cho cả biến ngẫu nhiên rời rạc và liên tục. Các chứng
minh được đưa ra cho biến ngẫu nhiên liên tục.
Định lý 2.5. Cho X là một biến ngẫu nhiên, a và b là các hằng số. Khi đó,
E( aX + b) = aE( X ) + b (2.14)

Z +∞
Chứng minh. Sử dụng Định lý 2.4(3) và f X ( x )dx = 1,
−∞
+∞
Z +∞
Z +∞
Z
E( aX + b) = ( ax + b) f X ( x )dx = a x f X ( x )dx + b f X ( x )dx = aE( X ) + b.
−∞ −∞ −∞
Hệ quả 2.1. 1. Nếu a = 0, E(b) = b.
2. Nếu b = 0, E( aX ) = aE( X ).
Ví dụ 2.22. Tính kỳ vọng của biến ngẫu nhiên 6X + 2 với X trong Ví dụ 2.8.
Lời giải Ví dụ Sử dụng (2.8),

115 75 25 1
E( X ) = 0 × +1× +2× +3× = 0, 5.
203 203 406 406
Sử dụng Tính chất 2.5,
E(6X + 2) = 6E( X ) + 2 = 6 × 0, 5 + 2 = 5.
Ta cũng có thể sử dụng (2.11) và kết quả của Ví dụ 2.8,

115 75 25
E(6X + 2) = (6 × 0 + 2) × + (6 × 1 + 2) × + (6 × 2 + 2) ×
203 203 406
1 2030
+ (6 × 3 + 2) × = = 5.
406 406
Định lý 2.6. Cho X là một biến ngẫu nhiên, h( X ), g( X ) là các hàm của X. Khi đó,
E[ g( X ) ± h( X )] = E[ g( X )] ± E[h( X )] (2.15)
2.3.2 Phương sai

Giá trị kỳ vọng hay giá trị trung bình của một biến ngẫu nhiên X có tầm quan trọng đặc biệt
trong thống kê vì nó phản ánh giá trị trung tâm của phân phối xác suất của biến ngẫu nhiên.
Tuy nhiên, giá trị trung bình không đưa ra một mô tả đầy đủ về hình dạng của phân phối.
Hình 2.7 biểu diễn hai phân phối xác suất rời rạc có cùng giá trị trung bình, µ = 2, nhưng
khác nhau đáng kể về độ biến thiên hoặc độ phân tán của các quan sát của chúng so với giá
trị trung bình. Do đó cần xác định mức độ phân tán của các giá trị của biến ngẫu nhiên xung
quanh giá trị trung bình của nó.
Công thức quan trọng nhất về tính biến thiên của biến ngẫu nhiên X có được bằng cách
áp dụng Định lý 2.4 với g( X ) = [ X − E( X )]2 . Đại lượng này được gọi là phương sai của biến
ngẫu nhiên X hoặc phương sai của phân phối xác suất của X, ký hiệu là V ( X ) hoặc σX2 , hoặc
đơn giản là σ2 .

Hình 2.7: Phân phối rời rạc với kỳ vọng bằng nhau nhưng độ phân tán khác nhau
Định nghĩa 2.10 (Phương sai). Phương sai (variance) của biến ngẫu nhiên X được định nghĩa
như sau:
V ( X ) = E[ X − E( X )]2 (2.16)
Vì X − E( X ) là một hàm của biến ngẫu nhiên X, nên từ Định nghĩa 2.10 và Định lý 2.4 ta
nhận được các công thức sau đây:
n h i2
V (X) = ∑ xi − E ( X ) pi (2.17)
i =1
∞ h i2
V (X) = ∑ xn − E( X ) pn (2.18)
n =1
nếu chuỗi vế phải hội tụ.
3. Nếu X là biến ngẫu nhiên liên tục có hàm mật độ xác suất f X ( x ), x ∈ R thì
+∞h
Z i2
V (X) = x − E( X ) f X ( x )dx (2.19)
−∞
nếu tích phân vế phải hội tụ.
Công thức tương đương của (2.16) được cho trong định lý dưới đây.
Định lý 2.7.
V ( X ) = E( X 2 ) − [ E( X )]2 (2.20)

Chứng minh. Từ (2.16) và Định lý 2.5,
V ( X ) = E[ X 2 − 2XE( X ) + ( E( X ))2 ] = E( X 2 ) − 2E( X ) E( X ) + [ E( X )]2

= E( X 2 ) − [ E( X )]2
Hệ quả 2.2. 1. Nếu X là biến ngẫu nhiên rời rạc có bảng phân phối xác suất (2.1) thì
n n 2
V (X) = ∑ xi2 pi − ∑ xi pi (2.21)
i =1 i =1
∞ ∞ 2
V (X) = ∑ xn2 pn − ∑ xn pn (2.22)
n =1 n =1
nếu các chuỗi vế phải hội tụ.
3. Nếu X là biến ngẫu nhiên liên tục có hàm mật độ xác suất f X ( x ), x ∈ R thì
2
+∞ +∞

Z Z
V (X) = x2 f X ( x )dx −  x f X ( x )dx  (2.23)
−∞ −∞
nếu các tích phân vế phải hội tụ.
Chú ý 2.1. Phương sai của biến ngẫu nhiên là một giá trị xác định không âm.
Ví dụ 2.23. (a) Trong Ví dụ 2.5, X là biến ngẫu nhiên chỉ số bit bị lỗi trong 4 bit được truyền
đi. Theo (2.17), sử dụng kết quả của Ví dụ 2.17(a), phương sai của biến ngẫu nhiên X là
5
V (X) = ∑ (xi − 0, 4)2 pi = 0, 36.
i =1
Nếu sử dụng (2.21) và kết quả của các Ví dụ 2.17(a), 2.20(a) thì
V ( X ) = E( X 2 ) − [ E( X )]2 = 0, 52 − (0, 4)2 = 0, 36.
(b) Trong Ví dụ 2.14, X là biến ngẫu nhiên chỉ số đo cường độ dòng điện, sử dụng kết quả
của Ví dụ 2.17(b), phương sai của biến ngẫu nhiên X là
Z20 Z20
2
V (X) = ( x − 10) f X ( x )dx = 0, 05( x − 10)2 dx = 33, 3333.
0 0
Nếu sử dụng (2.23) và kết quả của các Ví dụ 2.17(b), 2.20(b),
V ( X ) = E( X 2 ) − [ E( X )]2 = 133, 3333 − (10)2 = 33, 3333.

Ví dụ 2.24. Cho X là biến ngẫu nhiên chỉ số lượng ô tô được sử dụng cho mục đích kinh doanh
chính thức trong mỗi ngày làm việc. Phân phối xác suất của công ty A, xem Hình 2.7(a), là
XA 1 2 3
P ( X A = xi ) 0,3 0,4 0,3
và của công ty B, xem Hình 2.7(b), là
XB 0 1 2 3 4
P( XB = y j ) 0,2 0,1 0,3 0,3 0,1
Chỉ ra rằng phương sai của phân phối xác suất của công ty B lớn hơn so với công ty A.
Lời giải Ví dụ 2.24 Sử dụng (2.8) và (2.17),
E( X A ) = (1)(0, 3) + (2)(0, 4) + (3)(0, 3) = 2, 0,

V ( X A ) = (1 − 2)2 (0, 3) + (2 − 2)2 (0, 4) + (3 − 2)2 (0, 3) = 0, 6.
và
E( XB ) = (0)(0, 2) + (1)(0, 1) + (2)(0, 3) + (3)(0, 3) + (4)(0, 1) = 2, 0,

V ( XB ) = (0 − 2)2 (0, 2) + (1 − 2)2 (0, 1) + (2 − 2)2 (0, 3) + (3 − 2)2 (0, 3) + (4 − 2)2 (0, 1)
= 1, 6.
Nhận xét 2.5. 1. Phương sai phản ánh mức độ phân tán của các giá trị của biến ngẫu nhiên
xung quanh giá trị trung tâm của nó là kỳ vọng.
2. Trong kỹ thuật phương sai đặc trưng cho mức độ phân tán của các chi tiết gia công hay
sai số của thiết bị. Trong quản lý và kinh doanh thì phương sai đặc trưng cho mức độ
rủi ro của các quyết định.
Bây giờ ta sẽ mở rộng khái niệm về phương sai của biến ngẫu nhiên X cho biến ngẫu nhiên
liên quan đến X, biến ngẫu nhiên g( X ).
Định lý 2.8. Cho X là một biến ngẫu nhiên và Y = g( X ) là một hàm của X.
n ©2
∑
¶
V (Y ) = V [ g( X )] = g( xi ) − E[ g( X )] pi (2.24)
i =1
2. Nếu X là biến ngẫu nhiên liên tục có hàm mật độ xác suất f X ( x ) thì
+∞
Z ¶ ©2
V (Y ) = V [ g( X )] = g( x ) − E[ g( X )] f X ( x )dx (2.25)
−∞

Phương sai của biến ngẫu nhiên X có tính chất sau.
Định lý 2.9. Nếu a và b là các hằng số thì
1. V ( aX ) = a2 V ( X ).
2. V (b) = 0.
Chứng minh. 1. V ( aX ) = E( a2 X 2 ) − [ E( aX )]2 = a2 E( X 2 ) − a2 [ E( X )]2 = a2 V ( X ).
2. V (b) = E(b2 ) − [ E(b)]2 = b2 − b2 = 0.
2.3.3 Độ lệch chuẩn

Định nghĩa 2.11 (Độ lệch chuẩn). Độ lệch chuẩn (standard deviation) của biến ngẫu nhiên X,
ký hiệu là σ ( X ), được định nghĩa như sau:
»
σ(X ) = V (X) (2.26)
Nhận xét 2.6. Khi cần đánh giá mức độ phân tán của biến ngẫu nhiên theo đơn vị đo của nó
người ta dùng độ lệch chuẩn vì độ lệch chuẩn có cùng đơn vị đo với đơn vị đo của biến ngẫu
nhiên.
Ví dụ 2.25. Theo (2.26), độ lệch chuẩn của biến ngẫu nhiên X

√
(a) trong Ví dụ 2.5 là σ( X ) = 0, 36 = 0, 6;
√
(b) trong Ví dụ 2.14 là σ( X ) = 33, 3333 = 5, 7735.
2.3.4 Một số đặc trưng khác
(a) Mốt (mode)

Định nghĩa 2.12 (Mốt). (a) Nếu X là biến ngẫu nhiên rời rạc thì mốt của X, mod( X ), là một
giá trị, ký hiệu là xmod , sao cho P( X = xmod ) là lớn nhất.
(b) Nếu X là biến ngẫu nhiên liên tục thì xmod là giá trị của X mà hàm mật độ f X ( xmod ) đạt
cực đại.
(b) Trung vị (median)

Định nghĩa 2.13 (Trung vị). Trung vị của biến ngẫu nhiên X, med( X ), ký hiệu là xmed , là giá
trị của biến ngẫu nhiên X chia phân phối thành hai phần có xác suất giống nhau, nghĩa là
1
P( X < xmed ) = P( X ≥ xmed ) = (2.27)
2

Định nghĩa 2.14 (Phân vị). Phân vị mức α là giá trị của biến ngẫu nhiên X, ký hiệu là xα sao
cho FX ( xα ) = α.
Nhận xét 2.7. 1. Từ định nghĩa hàm phân phối, để tìm trung vị ta cần giải phương trình
1
FX ( x ) = .
2
2. Trong nhiều trường hợp ứng dụng, trung vị là đặc trưng vị trí tốt nhất, nhiều khi tốt
hơn cả kỳ vọng, nhất là khi trong số liệu có những sai sót. Trung vị còn có tên là phân vị
50% của phân phối.
Ví dụ 2.26. Cho hàm mật độ xác suất của biến ngẫu nhiên liên tục X:

 3 x (2 − x ),

0 ≤ x ≤ 2,
f X (x) = 4
0, nếu trái lại.

Tìm xmod và xmed .
Lời giải Ví dụ 2.26 Theo (2.6), hàm phân phối xác suất của X là

0, x ≤ 0,




3


3 2 x
FX ( x ) = x − , 0 < x ≤ 2,

 4 3


1,
 x > 2.
1
Khi đó xmed là nghiệm của phương trình FX ( x ) = . Hay x3 − 3x2 + 2 = 0 với 0 < x ≤ 2. Suy
2
ra xmed = 1.
Hàm mật độ xác suất f X ( x ) có




0, x ≤ 0,
3

f X0 ( x ) = (1 − x ), 0 < x < 2,


 2
0, nếu trái lại,

đổi dấu từ dương sang âm khi đi qua x = 1, do đó đạt cực đại tại điểm này, nên xmod = 1.
2.4 Một số phân phối xác suất thông dụng
2.4.1 Phân phối đều rời rạc

Biến ngẫu nhiên rời rạc đơn giản nhất là biến chỉ giả sử nhận một số hữu hạn các giá trị có thể
có, mỗi giá trị có xác suất bằng nhau.
2.4. Một số phân phối xác suất thông dụng 73

Định nghĩa 2.15 (Phân phối đều rời rạc). Biến ngẫu nhiên X được gọi là tuân theo luật phân
phối đều rời rạc (discrete uniform distribution) với tham số n, ký hiệu là X ∼ U (n), nếu mỗi
giá trị trong n giá trị có thể có của nó, x1 , x2 , . . . , xn , có xác suất bằng nhau. Khi đó,
1
P ( X = xi ) = , ∀i = 1, 2, . . . , n.
n
Ví dụ 2.27. Chữ số đầu tiên của số sê-ri của bộ phận A của một sản phẩm là một trong các
chữ số từ 0 đến 9. Lấy ngẫu nhiên một bộ phận A từ lô hàng chứa nhiều sản phẩm và gọi X
là chữ số đầu tiên của số sê-ri của A. Khi đó, X có phân phối đều rời rạc, bảng phân phối xác
suất là
X 0 1 2 3 4 5 6 7 8 9
P ( X = xi ) 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1
Hàm khối lượng xác suất của X cho trong Hình 2.8.
Hình 2.8: Hàm khối lượng xác suất của biến ngẫu nhiên có phân phối đều rời rạc
Sử dụng Định nghĩa 2.9(1) và Định nghĩa 2.10(1) ta nhận được kỳ vọng và phương sai của
biến ngẫu nhiên phân phối đều.
Định lý 2.10. Giả sử X là một biến ngẫu nhiên có phân phối đều rời rạc nhận các giá trị
nguyên liên tiếp a, a + 1, a + 2, . . . , b, (a < b). Khi đó, kỳ vọng và phương sai của X là
a+b ( b − a + 1)2 − 1
E( X ) = , V (X) = (2.28)
2 12
Ví dụ 2.28. Trong Ví dụ 2.1, X là biến ngẫu nhiên chỉ số đường truyền trong số 48 đường
truyền đang được sử dụng tại một thời điểm cụ thể. Giả sử X là một biến ngẫu nhiên có phân
phối đều rời rạc, nhận các giá trị từ 0 đến 48. Khi đó,
48 + 0 (48 − 0 + 1)2 − 1
E( X ) = = 24; V (X) = = 200.
2 12
p
Suy ra σ( X ) = V ( X ) = 14, 1421.
Ta thấy số đường truyền trung bình được sử dụng là 24 nhưng độ phân tán (được đo bằng
σ( X )) là lớn. Vì vậy, tại nhiều thời điểm, sẽ có nhiều hơn hoặc ít hơn 24 đường truyền được sử
dụng.

2.4.2 Phân phối Béc–nu–li

Định nghĩa 2.16 (Phân phối Béc–nu–li). Biến ngẫu nhiên rời rạc X được gọi là tuân theo luật
phân phối Béc–nu–li (Bernoulli distribution) với tham số p, ký hiệu là X ∼ B( p), nếu X nhận
hai giá trị 0, 1 với xác suất tương ứng
P ( X = k ) = p k (1 − p )1− k , k = 0, 1 (2.29)
ở đây 0 < p < 1.
Định lý 2.11. Nếu X là biến ngẫu nhiên có phân phối Béc–nu–li tham số p thì
E( X ) = p, V ( X ) = p (1 − p ) (2.30)
Chứng minh. Theo định nghĩa kỳ vọng và phương sai của biến ngẫu nhiên rời rạc,
E( X ) = (0)(1 − p) + (1)( p) = p và V ( X ) = (0)2 (1 − p ) + (1)2 ( p ) − p2 = p (1 − p ).
Nhận xét 2.8. Xét phép thử Béc–nu–li với sự thành công của phép thử là sự xuất hiện của sự
kiện A và giả sử xác suất xuất hiện A trong mỗi lần thử là p. Gọi X là số lần thành công trong
một lần thử thì X là biến ngẫu nhiên rời rạc có phân bố Béc–nu–li tham số p.
2.4.3 Phân phối nhị thức

Định nghĩa 2.17 (Phân phối nhị thức). Biến ngẫu nhiên rời rạc X được gọi là tuân theo luật
phân phối nhị thức (binomial distribution) với tham số n và p, ký hiệu là X ∼ B(n, p), nếu X
có bảng phân phối xác suất
X 0 1 ... k ... n
(2.31)
P ( X = xi ) Cn0 p0 qn Cn1 p1 qn−1 ... Cnk pk qn−k ... Cnn pn q0
ở đây q = 1 − p và P( X = k ) = Cnk pk qn−k được tính bằng công thức Béc–nu–li (1.19).
Phân phối nhị thức xuất phát từ tên thực tế của khai triển nhị thức ( p + q)n có n + 1 số
hạng:
( p + q)n = Cn0 ( p)0 (q)n + Cn1 ( p)1 (q)n−1 + · · · + Cnn ( p)n (q)0 .
Nếu p + q = 1 thì ∑nk=0 Cnk ( p)k (q)n−k = 1, đây là điều kiện cần thiết của phân phối (2.31).
Kỳ vọng và phương sai của một biến ngẫu nhiên tuân theo luật phân phối nhị thức có thể
nhận được từ việc phân tích các phép thử Béc–nu–li. Thật vậy, thực hiện n phép thử Béc–nu–li
với xác suất xuất hiện sự kiện A trong mỗi lần thử là p. Với mỗi i = 1, 2, . . . , n, nếu ở lần thử
thứ i sự kiện A xuất hiện ta cho Xi nhận giá trị 1, nếu sự kiện A không xuất hiện ta cho Xi

Hình 2.9: Phân phối nhị thức với n = 20, p = 0, 5
nhận giá trị 0. Như vậy Xi ∼ B( p). Gọi X là số lần thành công trong n phép thử Béc–nu–li
này thì
X = X1 + X2 + · · · + X n (2.32)
là biến ngẫu nhiên tuân theo luật phân phối nhị thức. Theo Hệ quả 3.1, 3.3 (Chương 3) và
Định lý 2.11,
n n
E( X ) = ∑ E(Xi ) = ∑ p = np
i =1 i =1
và n n
V (X) = ∑ V (Xi ) = ∑ p(1 − p) = np(1 − p).
i =1 i =1
Định lý 2.12. Nếu X là biến ngẫu nhiên tuân theo luật phân phối nhị thức với tham số n và p
thì
E( X ) = np, V ( X ) = np(1 − p) (2.33)
Định lý 2.13. Nếu X là biến ngẫu nhiên tuân theo luật phân phối nhị thức với tham số n và p
thì mod( X ) là giá trị của X thỏa mãn
(n + 1) p − 1 ≤ mod( X ) ≤ (n + 1) p (2.34)
Nhận xét 2.9. Từ Định lý 2.13,
(a) Nếu (n + 1) p − 1 ∈ Z thì mod( X ) = (n + 1) p − 1 và mod( X ) = (n + 1) p.
/ Z thì mod( X ) = [(n + 1) p].

(b) Nếu (n + 1) p − 1 ∈
Ví dụ 2.29. Biến ngẫu nhiên X trong Ví dụ 2.5 là biến ngẫu nhiên tuân theo luật phân phối
nhị thức với tham số n = 4 và p = 0, 1. Áp dụng (2.33),
E( X ) = np = 4 × 0, 1 = 0, 4; V ( X ) = np(1 − p) = 4 × 0, 1 × 0, 9 = 0, 36

những kết quả này trùng với những kết quả thu được từ việc tính toán trực tiếp trong Ví dụ
2.17(a) và 2.23(a).
Ví dụ 2.30. Tỷ lệ phế phẩm của lô hàng là 4%. Chọn ngẫu nhiên 20 sản phẩm để kiểm tra. Gọi
X là số phế phẩm phát hiện được.
(a) X có phân phối gì?
(b) Tính xác suất có đúng 5 phế phẩm phát hiện được.
(c) Lô hàng được xem là đạt tiêu chuẩn nếu số phế phẩm phát hiện được không nhiều hơn
2. Tính xác suất để lô hàng đạt tiêu chuẩn.
(d) Tìm mod( X ).
(a) Có thể xem việc kiểm tra chất lượng mỗi sản phẩm là thực hiện một phép thử Béc–nu–li
với sự thành công của phép thử là phát hiện ra phế phẩm. Theo giả thiết xác suất thành
công của mỗi lần thử đều là 0,04. Kiểm tra 20 sản phẩm là thực hiện 20 phép thử độc
lập. Số phế phẩm phát hiện được là số lần thành công trong 20 phép thử này. Vậy X có
phân phối nhị thức X ∼ B(n, p) với tham số n = 20 và p = 0, 04.
5 × (0, 04)5 × (0, 96)15 = 0, 0008.

(b) P( X = 5) = C20
(c) Xác suất để lô hàng đạt tiêu chuẩn là
P ( X ≤ 2) = P ( X = 0) + P ( X = 1) + P ( X = 2)
0
= C20 (0, 04)0 (0, 96)20 + C20
1
(0, 04)1 (0, 96)19 + C20
2
(0, 04)2 (0, 96)18 ' 0, 956.
(d) Vì (n + 1) p − 1 = −0, 16 và (n + 1) p = 0, 84 nên mod( X ) = 0.
2.4.4 Phân phối Poa–xông

Phân phối được sử dụng rộng rãi xuất hiện khi số lần thử nghiệm trong dãy phép thử Béc–
nu–li tăng lên vô hạn, trong khi giá trị trung bình của phân phối không đổi. Ta xét ví dụ sau
đây.
Ví dụ 2.31. Xét bài toán truyền n bit qua một kênh truyền hình kỹ thuật số. Gọi X là biến
ngẫu nhiên chỉ số bit bị lỗi trong quá trình truyền đi. Nếu xác suất một bit bị lỗi là p không
đổi và các lần truyền là độc lập nhau thì X là biến ngẫu nhiên tuân theo luật phân phối nhị
thức B(n; p). Đặt λ = np, thì theo (2.33), E( X ) = np = λ và
λ n−k
k
n−k λ
P( X = k) = Cnk ( p)k (1 − p) = Cnk 1− .
n n

Bây giờ, giả sử số lượng bit, n, được truyền đi tăng lên và xác suất p xảy ra lỗi giảm đủ để np
vẫn bằng một hằng số, tức là E( X ) = λ. Sử dụng kiến thức của giải tích, khi n → ∞,
λ −k
k
λ n

k 1 1
Cn → , 1− → 1, 1− → e−λ
n k! n n
suy ra
e−λ λk
lim P( X = k ) = , k = 0, 1, 2, . . .
n→∞ k!
Ngoài ra, vì số lượng bit được truyền có xu hướng đến vô cùng, số lỗi có thể bằng bất kỳ số
nguyên không âm nào. Do đó, X có thể nhận các giá trị nguyên từ 0 đến vô cùng.
Ví dụ sau đây minh họa khả năng áp dụng rộng rãi hơn.
Ví dụ 2.32. Các vết nứt/lỗ hổng xuất hiện ngẫu nhiên dọc theo chiều dài của một sợi dây
đồng mỏng. Gọi X là biến ngẫu nhiên chỉ số lỗ hổng trên đoạn dây dài L milimet và giả sử
rằng số lỗ hổng trung bình trên đoạn dây này là λ. Phân phối xác suất của X có thể tìm được
bằng cách lập luận tương tự như Ví dụ 2.31. Ta chia độ dài của dây thành n đoạn con có độ dài
nhỏ, chẳng hạn, mỗi đoạn dài 1 micromet. Nếu khoảng con được chọn đủ nhỏ thì xác suất có
nhiều hơn một lỗ hổng trong đoạn con này là không đáng kể. Hơn nữa, ta giả sử các lỗ hổng
xảy ra ngẫu nhiên, để ngụ ý rằng mọi khoảng con đều có xác suất chứa lỗ hổng là như nhau,
chẳng hạn, p. Cuối cùng, giả sử xác suất để một khoảng con chứa một lỗ hổng không phụ
thuộc vào các khoảng con khác chứa lỗ hổng khác. Khi đó, phân phối xác suất của X được lập
như một biến ngẫu nhiên phân phối nhị thức. Và vì E( X ) = np = λ nên p = λ/n, nghĩa là
xác suất để một khoảng con chứa một lỗ hổng là λ/n. Khi ta chia các khoảng con đủ nhỏ thì
n là rất lớn và p rất nhỏ, nên phân phối xác suất của X thu được như trong Ví dụ 2.31.
Lý luận tương tự Ví dụ 2.32, ta có thể áp dụng cho bất kỳ khoảng nào, chẳng hạn khoảng
thời gian, diện tích hoặc thể tích. Ví dụ, số lượng (1) các hạt ô nhiễm trong sản xuất chất bán
dẫn, (2) sai sót trong các cuộn hàng dệt, (3) các cuộc gọi đến tổng đài điện thoại, (4) các hạt
nguyên tử phát ra từ một mẫu vật. . . Các phép thử mang lại các giá trị số cho biến ngẫu nhiên
X chỉ số các sự kiện xảy ra trong một khoảng nhất định nào đó, được gọi là phép thử Poa–
xông. Chẳng hạn phép thử đếm số cuộc điện thoại gọi đến một tổng đài trong vòng 5 phút là
một phép thử Poa–xông. Một phép thử Poa–xông có nguồn gốc từ quá trình Poa–xông và có
các tính chất sau:
(a) Sự kiện xảy ra trong một khoảng con độc lập với các sự kiện xảy ra trong các khoảng
con khác (do đó quá trình Poa–xông có tính chất không nhớ).
(b) Xác suất xảy ra một sự kiện trong một khoảng con tỷ lệ thuận với độ dài ∆T của khoảng
và không phụ thuộc vào sự kiện xảy ra bên ngoài khoảng này (xác suất dần tới λ∆T/n).
(c) Xác suất có nhiều hơn một sự kiện xảy ra trong một khoảng con là không đáng kể (xác
suất dần tới không).

Định nghĩa 2.18 (Phân phối Poa–xông). Biến ngẫu nhiên rời rạc X được gọi là tuân theo luật
phân phối Poa–xông (Poisson distribution) với tham số λ > 0, ký hiệu là X ∼ P (λ), nếu X
nhận các giá trị 0, 1, 2, . . . và
e−λ λk
P( X = k) = , k = 0, 1, 2, . . . (2.35)
k!
với e = 2, 71828 . . .
Tổng các xác suất trong (2.35) bằng một vì ∑∞ = e−λ ∑∞

e λ −λ k λ k
k=0 k! k=0 k! và chuỗi vế phải ở
đẳng thức trên là khai triển Taylor của hàm e x tại λ. Do đó vế phải bằng e−λ eλ = 1.
Hình 2.10: Phân phối Poa–xông với λ = 5
Định lý 2.14. Nếu X là biến ngẫu nhiên có phân phối Poa–xông tham số λ thì
E( X ) = λ và V (X) = λ (2.36)
Chứng minh. Theo (2.9),

∞ ∞ − λ k −1 ∞ −λ l
ke−λ λk e λ e λ
E( X ) = ∑ k! = λ ∑ ( k − 1) ! = λ ∑ (l )! = λ.
k =0 k =1 l =0
Để nhận được phương sai của biến ngẫu nhiên có phân phối Poa–xông ta xét
∞ ∞
k2 e−λ λk ke−λ λk−1
E( X 2 ) = ∑ k! = λ ∑ ( k − 1) !
k =0 k =1
∞ ∞ − λ k −1
( k − 1 ) e − λ λ k −1 e λ
=λ ∑ ( k − 1) ! + λ ∑ (k − 1)! = λ2 + λ.
k =1 k =1
Từ (2.20), V ( X ) = (λ2 + λ) − (λ)2 = λ.

Nhận xét 2.10. (a) Phân phối Poa–xông được ứng dụng rộng rãi trong nhiều lĩnh vực thực
tế như kiểm tra chất lượng sản phẩm, lý thuyết sắp hàng, các hệ phục vụ đám đông, các
bài toán chuyển mạch trong tổng đài . . .
(b) Trong thực tế với một số giả thiết thích hợp thì các biến ngẫu nhiên là các quá trình đếm
sau: số cuộc gọi đến một tổng đài; số khách hàng đến một điểm phục vụ; số xe cộ qua
một ngã tư; số tai nạn (xe cộ); số các sự cố xảy ra ở một địa điểm . . . trong một khoảng
thời gian xác định nào đó sẽ tuân theo luật phân phối Poa–xông với tham số λ, trong đó
λ là tốc độ trung bình diễn ra trong khoảng thời gian này.
Ví dụ 2.33. Ở một tổng đài bưu điện, các cuộc điện thoại gọi đến xuất hiện ngẫu nhiên, độc
lập với nhau với tốc độ trung bình 2 cuộc gọi trong một phút. Tìm xác suất để:
(a) Có đúng 5 cuộc điện thoại trong vòng 2 phút.
(b) Không có cuộc điện thoại nào trong khoảng thời gian 30 giây.
(c) Có ít nhất 1 cuộc điện thoại trong khoảng thời gian 10 giây.
(a) Gọi X là số cuộc điện thoại xuất hiện trong vòng 2 phút. X ∼ P (λ), λ chính là số cuộc
điện thoại trung bình đến trong vòng 2 phút, λ = 4.
5 5
P( X = 5) = e−λ λ5! = e−4 45! = 0, 156.
(b) Gọi X là số cuộc điện thoại xuất hiện trong vòng 30 giây. X ∼ P (λ) với λ = 1.
0
P( X = 0) = e−λ λ0! = e−1 = 0, 3679.
(c) Gọi X là số cuộc điện thoại xuất hiện trong vòng 10 giây. X ∼ P (λ) với λ = 1/3.
P( X ≥ 1) = 1 − P( X = 0) = 1 − e−1/3 = 0, 2835.
Ví dụ 2.34. Một ga ra cho thuê ô tô thấy rằng số người đến thuê ô tô vào thứ bảy cuối tuần là
một biến ngẫu nhiên tuân theo luật phân phối Poa–xông với tham số λ = 2. Giả sử gara có 4
chiếc ô tô.
(a) Tìm xác suất để tất cả 4 ôtô đều được thuê vào thứ 7.
(b) Tìm xác suất gara không đáp ứng được yêu cầu (thiếu xe cho thuê) vào thứ 7.
(c) Trung bình có bao nhiêu ôtô được thuê vào ngày thứ 7?
Lời giải Ví dụ 2.34 Gọi X là biến ngẫu nhiên chỉ “số người đến thuê ô tô vào thứ bảy”. Theo giả
thiết X là biến ngẫu nhiên tuân theo luật phân phối Poa-xông P (λ) với tham số λ = 2. Gọi Y
là biến ngẫu nhiên chỉ “số xe ô tô được thuê vào thứ bảy”.

λk −λ
(a) Áp dụng phân phối Poa-xông, P( X = k) = e ,
k!
P (Y = 4 ) = P ( X ≥ 4 ) = 1 − P ( X < 4 )
= 1 − P ( X = 0) − P ( X = 1) − P ( X = 2) − P ( X = 3)
0
21 22 23

−2 2
= 1−e + + + = 0, 1429.
0! 1! 2! 3!
24
(b) P( X > 4) = P( X ≥ 4) − P( X = 4) = 0, 1429 − e−2 = 0, 0527.
4!
(c) Y có thể nhận các giá trị 0, 1, 2, 3, 4, với
P(Y = 0) = P( X = 0) = 0, 1353, P(Y = 1) = P( X = 1) = 0, 2707,

P(Y = 2) = P( X = 2) = 0, 2707, P(Y = 3) = P( X = 3) = 0, 1804,
P(Y = 4) = P( X ≥ 4) = 0, 1429.
Bảng phân phối xác suất của Y là:
x 0 1 2 3 4
P (Y = x ) 0, 1353 0, 2707 0, 2707 0, 1804 0, 1429
Vậy trung bình số ôtô được thuê trong ngày thứ bảy là E(Y ) = 1, 9249, tức là khoảng 2
chiếc.
Chú ý 2.2. Giá trị xác suất của phân phối Poa–xông được tính sẵn trong Bảng 5.
2.4.5 Xấp xỉ phân phối nhị thức bằng phân phối Poa-xông
Trong Mục 1.5.5 ta đã đề cập đến việc tính xấp xỉ công thức Béc–nu–y (1.19) khi số phép thử
n khá lớn bởi công thức (1.21). Ở đây ta xét mối liên hệ của hai phân phối tương ứng.
Định lý 2.15. Cho X là biến ngẫu nhiên có phân phối nhị thức B(n, p). Nếu n → ∞, p → 0 và
np → λ (λ là một hằng số) thì
B(n, p) → P (λ) khi n → ∞.
Trong thực tế nếu n đủ lớn và λ = np đủ nhỏ (thỏa mãn np < 7) thì ta có thể xấp xỉ phân
phối nhị thức B(n, p) bằng phân phối Poa–xông P (λ) và
n−k (np)k −np

Pn (k ) = Cnk ( p)k (1 − p) ' e (2.37)
k!
Ví dụ 2.35. Giả sử một công ty bảo hiểm nhân thọ bảo hiểm cho cuộc sống của 5000 người
đàn ông ở độ tuổi 42. Nghiên cứu của các chuyên gia tính toán cho thấy xác suất để một người
đàn ông 42 tuổi sẽ chết trong một năm (xác định) là 0,001. Hãy tìm xác suất mà công ty sẽ phải
trả bảo hiểm cho 4 người trong một năm (xác định).

Lời giải Ví dụ 2.35 Gọi X là số người chết trong một năm (xác định). X là biến ngẫu nhiên có
phân phối nhị thức tham số n = 5000 và p = 0, 001. Khi đó,
5000!
4
P( X = 4) = P5000 (4) = C5000 (0, 001)4 (1 − 0, 001)5000−4 = (0, 001)4 (0, 999)4996 .
4!4996!
Vì n = 5000 đủ lớn và λ = np = (5000)(0, 001) = 5 nên xác suất trên có thể được xấp xỉ bằng
công thức Poa–xông:
54 − 5 (625)(0, 006738)
P ( X = 4) ' e = = 0, 175.
4! 24
2.4.6 Phân phối đều liên tục

Định nghĩa 2.19 (Phân phối đều liên tục). Biến ngẫu nhiên X được gọi là tuân theo luật phân
phối đều liên tục (continuous uniform distribution) trên [ a, b] (a < b), ký hiệu là X ∼ U ([ a, b]),
nếu X có hàm mật độ

 1 ,

x ∈ [ a, b],
f X (x) = b − a (2.38)
0, x∈
/ [ a, b].

f X (x)
1
b−a
x
O a b
Hình 2.11: Đồ thị hàm mật độ (2.38) của biến ngẫu nhiên có phân phối đều
Nếu X là biến ngẫu nhiên có phân phối đều liên tục trên [ a, b] thì hàm phân phối xác suất
có dạng




0, x ≤ a,
x − a
FX ( x ) = , a < x ≤ b, (2.39)

 b−a

1, x > b.

Định lý 2.16. Nếu X là biến ngẫu nhiên có phân phối đều liên tục trên [ a, b] thì
a+b ( b − a )2
E( X ) = , V (X) = (2.40)
2 12

FX ( x )
1
b−a
x
O a b
Hình 2.12: Đồ thị hàm phân phối (2.39) của biến ngẫu nhiên có phân phối đều
Ví dụ 2.36. Biến ngẫu nhiên X trong Ví dụ 2.14 là biến ngẫu nhiên tuân theo luật phân phối
đều trên đoạn [0; 20] và do đó
202
E( X ) = 10 mA; V (X) = = 33, 3333 mA2 .
12
Kết quả này trùng với kết quả tính trực tiếp trong Ví dụ 2.17(b) và 2.20(b).
Nhận xét 2.11. 1. X có khả năng nhận giá trị trong khoảng ( a, b) là “đều nhau” và không
nhận giá trị ngoài ( a, b).
2. Phân phối đều có nhiều ứng dụng trong thống kê toán như mô phỏng thống kê, đặc biệt
trong phương pháp phi tham số.
Ví dụ 2.37. Lịch chạy của xe bus tại một trạm xe bus như sau: chiếc xe bus đầu tiên trong ngày
sẽ khởi hành từ trạm này lúc 7 giờ, cứ sau 15 phút sẽ có một xe khác đến trạm. Giả sử một
hành khách đến trạm ngẫu nhiên trong khoảng thời gian từ 7 giờ đến 7 giờ 30. Tìm xác suất
để hành khách này chờ
(a) Ít hơn 5 phút.
(b) Ít nhất 12 phút.
Lời giải Ví dụ 2.37 Quy 7 giờ về 0 và 7 giờ 30 về 30 (phút). Gọi X là thời điểm khách đến trạm
từ 7 giờ đến 7 giờ 30, X là biến ngẫu nhiên liên tục và X ∼ U [0; 30]. Do đó, hàm mật độ xác
suất của X là 
1,

x ∈ [0; 30],
f X ( x ) = 30
0, x∈
/ [0; 30].


(a) Hành khách chờ ít hơn 5 phút nếu đến trạm giữa 7 giờ 10 và 7 giờ 15 hoặc giữa 7 giờ 25
và 7 giờ 30. Do đó xác suất cần tìm là:
Z15 Z30
1 1 5 5 1
P(10 < X ≤ 15) + P(25 < X ≤ 30) = dx + dx = + = .
30 30 30 30 3
10 25

(b) Hành khách chờ ít nhất 12 phút nếu đến trạm giữa 7 giờ và 7 giờ 03 hoặc giữa 7 giờ 15
và 7 giờ 18. Xác suất cần tìm là:
3 3
P(0 < X ≤ 3) + P(15 < X ≤ 18) = + = 0, 2.
30 30
Ví dụ 2.38. Lấy ngẫu nhiên một điểm M trên nửa đường tròn tâm O, đường kính AB = 2a.
Biết rằng xác suất điểm M rơi vào cung CD bất kỳ của nửa đường tròn AMB chỉ phụ thuộc
vào độ dài cung CD.
(a) Tìm hàm phân phối xác suất của biến ngẫu nhiên Y chỉ diện tích tam giác AMB.
(b) Tìm kỳ vọng của Y.
D
M
A a O B
Hình 2.13: Minh họa cho Ví dụ 2.38
Lời giải Ví dụ 2.38 (a) Theo định lý hàm số sin, ta có S AMB = a2 sin ϕ, ở đây ϕ là góc giữa trục
Ox và OM. Từ giả thiết, ϕ là biến ngẫu nhiên liên tục có phân phối đều U [0; π ], hàm mật độ
xác suất của ϕ là 
1,

x ∈ [0; π ],
π
f ϕ (x) =
0,
 x∈
/ [0; π ].
Do đó, hàm phân phối xác suất của ϕ là


0, x ≤ 0,





Fϕ ( x ) = πx , 0 < x ≤ π,



1, x > π.

Biến ngẫu nhiên Y = a2 sin ϕ là một hàm của ϕ, nhận giá trị trong đoạn [0, a2 ]. Hàm phân
phối xác suất của Y là




 0, x ≤ 0,
2 x

FY ( x ) = P(Y < x ) = arcsin 2 , 0 < x ≤ a2 ,


 π a
1, x > a2 ,


vì với x ∈ (0, a2 ],
x
FY ( x ) = P(Y < x ) = P( a2 sin ϕ < x ) = P(sin ϕ < 2 )
a
x x 2 x
= P 0 < ϕ < arcsin 2 + P π − arcsin 2 < ϕ < π = arcsin 2 .
a a π a
(b) Hàm mật độ xác suất của Y


2
 √ x ∈ [0, a2 ],

 ,
f Y ( x ) = π a4 − x 2
0, / [0, a2 ].
x∈


Suy ra kỳ vọng của Y là
+∞ Za
2
2 x 2 2
Z
E (Y ) = x f Y ( x ) dx = √ dx = a .
π a4 − x2 π
−∞ 0
2.4.7 Phân phối mũ

Ví dụ 2.32 đã phân tích về phân phối Poa–xông dựa trên biến ngẫu nhiên chỉ số lỗi trên chiều
dài của sợi dây đồng. Khoảng cách giữa các lỗi này là một biến ngẫu nhiên khác cần được quan
tâm. Gọi X là biến ngẫu nhiên chỉ khoảng cách từ điểm bắt đầu bất kỳ trên dây đến điểm lỗi
phát hiện được. Phân phối của X có thể tìm được dựa trên phân phối của biến ngẫu nhiên chỉ
số lỗi thu được. Chìa khóa của mối quan hệ này dựa trên khái niệm đơn giản: khoảng cách
đến lỗi đầu tiên vượt quá 3 mm khi và chỉ khi không có lỗi nào phát hiện được trong khoảng
3 mm. Bây giờ, gọi N là biến ngẫu nhiên chỉ số lỗi phát hiện được trong x milimét của dây.
Nếu số lỗi trung bình là λ trên milimét, thì N có phân phối Poa–xông với trung bình là λx.
Khi đó theo (2.35),
e−λx (λx )0
P ( X > x ) = P ( N = 0) = = e−λx .
0!
Suy ra hàm phân phối xác suất của X là
FX ( x ) = P( X < x ) = 1 − e−λx , x≥0
và hàm mật độ xác suất của X là
f X ( x ) = e−λx , x ≥ 0.
Ta thấy, việc suy ra phân phối xác suất của X chỉ phụ thuộc vào giả thiết biến ngẫu nhiên chỉ
số lỗi trong dây tuân theo quy luật phân phối Poa–xông. Điểm bắt đầu để đo X không quan
trọng vì xác suất của số lỗi trong một khoảng của phân phối Poa–xông chỉ phụ thuộc vào độ
dài của khoảng đó, không phụ thuộc vào vị trí.

Định nghĩa 2.20 (Phân phối mũ). Biến ngẫu nhiên X được gọi là tuân theo luật phân phối
mũ (exponential distribution) với tham số λ > 0, ký hiệu là X ∼ Exp(λ), nếu hàm mật độ xác
suất của nó có dạng

λe−λx ,

x≥0
f X (x) = (2.41)
 0,
 x<0
Theo (2.6), nếu X là biến ngẫu nhiên có phân phối mũ Exp(λ) thì hàm phân phối xác suất
là

1 − e−λx ,

x≥0
FX ( x ) = (2.42)
0,
 x<0
Phân phối mũ lấy tên từ hàm số mũ trong hàm mật độ xác suất. Đồ thị của hàm mật độ
xác suất của biến ngẫu nhiên phân phối hàm mũ cho các giá trị λ khác nhau được thể hiện
trong Hình 2.14.
Hình 2.14: Đồ thị hàm mật độ của biến ngẫu nhiên phân phối mũ
Ví dụ 2.39. Biến ngẫu nhiên T có phân phối mũ với hàm phân phối xác suất

1 − e−t/3 ,

t ≥ 0,
FT (t) =
0,
 t < 0.
(a) Tìm hàm mật độ xác suất của T.
(b) Tính P(2 ≤ T ≤ 4).

(c) Tính kỳ vọng, phương sai, độ lệch chuẩn của T.
(a)

dFT (t)  1 e−t/3 ,

t ≥ 0,
f T (t) = = 3
dt 0,

trái lại.
Theo Định nghĩa 2.20, biến ngẫu nhiên T có phân phối mũ với tham số λ = 1/3.
(b) P(2 ≤ T ≤ 4) = FT (4) − FT (2) = e−2/3 − e−4/3 = 0, 250.
(c) Sử phương pháp tích phân từng phần,

+∞ +∞ +∞ Z+∞
1 −t/3
Z Z
−t/3
e−t/3 dt = 3.

E( T ) = t f T (t)dt = t e dt = −te +
3
0
−∞ 0 0
Z +∞ Z +∞
Để tính phương sai của T, ta tính E( T 2 ) = t2 f T ( t ) dt = t2 31 e−t/3 dt. Tích phân
−∞ 0
từng phần ta được
+∞ Z+∞ +∞
Z
2 −t/3 −t/3
2
te−t/3 dt.

E( T ) = −t e + 2te dt = 2
0
0 0
Z +∞
Vì E( T ) = 3, nên te−t/3 dt = 3E( T ) = 9. Do đó E( T 2 ) = 6E( T ) = 18 và
0
V ( T ) = E( T 2 ) − [ E( T )]2 = 18 − 32 = 9.
p
Độ lệch chuẩn là σ ( T ) = V ( T ) = 3.
Định lý 2.17. Nếu X là biến ngẫu nhiên tuân theo luật phân phối mũ với tham số λ thì
1 1
E( X ) = và V (X) = (2.43)
λ λ2
Nhận xét 2.12. (a) P( X > x ) = e−λx , x ≥ 0.
(b) Phân phối mũ có tính chất không nhớ:
P ( X > t + s | X > t ) = P ( X > s ).
(c) Nói chung với một giả thiết nào đó, khoảng thời gian giữa hai lần xuất hiện của một sự
kiện A nào đó sẽ có phân phối mũ. Vì lý do này phân phối mũ còn có tên gọi là phân
phối của thời gian chờ đợi “Waiting time distribution” (khoảng thời gian giữa 2 ca cấp
cứu ở một bệnh viện, khoảng thời gian giữa 2 lần hỏng hóc của một chiếc máy, khoảng
thời gian giữa 2 trận lụt hay động đất. . . ).

Ví dụ 2.40. Giả sử tuổi thọ (tính bằng năm) của một mạch điện tử trong máy tính là một biến
ngẫu nhiên tuân theo luật phân phối mũ với kỳ vọng là 6,25. Thời gian bảo hành của mạch
điện tử này là 5 năm. Hỏi có bao nhiêu phần trăm mạch điện tử bán ra phải thay thế trong
thời gian bảo hành.
Lời giải Ví dụ 2.40 Gọi X là tuổi thọ của mạch điện tử trong máy tính. X tuân theo phân phối
1 1
mũ với tham số λ = = = 0, 16.
E( X ) 6, 25
P( X ≤ 5) = 1 − P( X > 5) = 1 − e−5λ = 1 − e−0,8 = 0, 5506.
Vậy có khoảng 55,06% mạch điện tử bán ra phải thay thế trong thời gian bảo hành.
Ví dụ 2.41. Một động cơ có thời gian làm việc (giờ) liên tục cho đến khi có hỏng hóc đầu tiên
được giả thiết là biến ngẫu nhiên tuân theo luật phân phối mũ với tham số λ = 0, 001.
(a) Tính xác suất để động cơ này làm việc liên tục không hỏng hóc được ít nhất 900 giờ.
(b) Được biết động cơ này đã làm việc liên tục không hỏng hóc được ít nhất 900 giờ, xác suất
để động cơ còn làm việc liên tục không hỏng hóc được ít nhất 1200 giờ là bao nhiêu?
Lời giải Ví dụ 2.41 Gọi X là thời gian làm việc của động cơ. Theo giả thiết X ∼ Exp(λ) với
λ = 0, 001.
(a) Sử dụng Nhận xét 2.12(a), P( X > 900) = e−0,001×900 = e−0,9 ' 0, 4066.
(b) Áp dụng công thức xác suất điều kiện và Nhận xét 2.12(a),
P( X > 1200)
P ( X > 1200)|( X > 900) = = e−0,001×300 ' 0, 7408.
P( X > 900)
Ví dụ 2.42. Công ty điện thoại A thu phí 0,15$ mỗi phút cho các cuộc gọi điện thoại. Với bất
kỳ cuộc gọi nào trong vòng một phút, họ sẽ tính phí trong một phút. Công ty điện thoại B
cũng tính phí 0,15$ mỗi phút. Tuy nhiên, công ty điện thoại B tính toán phí dựa trên thời
lượng chính xác của một cuộc gọi. Cho T, thời lượng của một cuộc gọi tính bằng phút, là biến
ngẫu nhiên có phân phối mũ với tham số λ = 1/3.
(a) Hàm mật độ xác suất của T là gì?
(b) Kỳ vọng của T là bao nhiêu?
(c) Doanh thu trung bình cho mỗi cuộc gọi E( R A ) và E( R B ) của công ty A và B là bao
nhiêu?


 1 e− 13 t ,

t ≥ 0,
(a) Vì T có phân phối mũ với λ = 1/3, f T (t) = 3
0, trái lại.

Z +∞
1
(b) Theo Định lý 2.17, E[ T ] = t f T (t)dt = = 3 phút/cuộc gọi.
−∞ λ
(c) Với công ty B, E( R B ) = 0, 15 × E( T ) = 0, 45 $/cuộc gọi.
Với công ty A, đặt K = [ T ] theo nghĩa nếu 0 < T ≤ 1 thì K = 1, nếu 1 < T ≤ 2 thì
K = 2,. . . . Khi đó E( R A ) = 0, 15 × E(K ). Để tính E(K ), trước hết ta tính
Zk
P(K = k) = P(k − 1 < T ≤ k) = f T (t)dt = (e−λ )k−1 (1 − e−λ ).
k −1
∞ ∞ 1
Suy ra E(K ) = ∑ kP(K = k ) = ∑ k (1 − p)k−1 p = với p = 1 − e−λ . Vậy
k =1 k =1 p
0, 15 0, 15
E( R A ) = = = (0, 15) × (3, 5285) = 0, 5292 $/cuộc gọi.
p 0, 2834
2.4.8 Phân phối chuẩn

Một trong những phân phối liên tục quan trọng nhất trong lĩnh vực thống kê là phân phối
chuẩn.
(a) Phân phối chuẩn

Định nghĩa 2.21 (Phân phối chuẩn). Biến ngẫu nhiên liên tục X được gọi là tuân theo luật
phân phối chuẩn (normal distribution) với tham số µ và σ2 , ký hiệu là X ∼ N (µ; σ2 ), nếu
hàm mật độ xác suất của X có dạng
( x − µ )2
1 −
f X (x) = √ e 2σ2 , x∈R (2.44)
σ 2π
ở đây e và π là các số lần lượt là 2, 71828 . . . và 3, 14159 . . . .
Định lý 2.18. Nếu X là biến ngẫu nhiên có phân phối chuẩn với tham số µ và σ2 thì
E( X ) = µ, V ( X ) = σ2 (2.45)
và độ lệch tiêu chuẩn σ ( X ) = σ.
Chứng minh. Để xác định kỳ vọng, trước hết ta tính

Z∞ ( x − µ )2
1 −
E( X − µ) = √ ( x − µ)e 2σ2 dx.
σ 2π
−∞

Đặt z = ( x − µ)/σ và dx = σdz, ta nhận được

Z∞
1 z2
E( X − µ) = √ ze− 2 dz = 0,
2π
−∞
vì hàm số dưới dấu tích phân là hàm lẻ của z. Do đó,
E( X ) = µ.
Phương sai của biến ngẫu nhiên tuân theo luật phân phối chuẩn được cho bởi
Z∞ ( x − µ )2
2 1 2 −
E[( X − µ) ] = √ ( x − µ) e 2σ2 dx.
σ 2π
−∞
Đặt z = ( x − µ)/σ và dx = σdz, ta nhận được

Z∞
σ2 z2
2
E[( X − µ) ] = √ z2 e− 2 dz.
2π
−∞
2 /2 2 /2
Tích phân từng phần với u = z và dv = ze−z dz suy ra du = dz và v = −e−z , ta tìm được
∞ Z∞
σ2
2

2 −z2 /2 − z2
e dz = σ2 (0 + 1) = σ2 .

E[( X − µ) ] = √ − ze +
2π −∞

−∞
Nhận xét 2.13. Đồ thị của hàm mật độ xác suất f X ( x ) của biến ngẫu nhiên tuân theo luật phân
phối chuẩn, được gọi là đường cong chuẩn, có dạng hình chuông (xem Hình 2.15), mô tả gần
đúng nhiều hiện tượng trong tự nhiên, công nghiệp và nghiên cứu.
Hình 2.15: Đường cong chuẩn
Hình 2.16 mô tả hai đường cong chuẩn có cùng độ lệch chuẩn nhưng kỳ vọng khác nhau.
Hai đường cong giống hệt nhau về hình thức nhưng được tập trung tại các vị trí khác nhau
dọc theo trục hoành.

Hình 2.16: Đường cong chuẩn với µ1 < µ2 và σ1 = σ2
Hình 2.17: Đường cong chuẩn với µ1 = µ2 và σ1 < σ2
Hình 2.18: Đường cong chuẩn với µ1 < µ2 và σ1 < σ2

Hình 2.17 mô tả hai đường cong chuẩn có cùng kỳ vọng nhưng độ lệch chuẩn khác nhau.
Hình 2.18 mô tả cho trường hợp kỳ vọng và độ lệch chuẩn khác nhau.
Định lý 2.19. Nếu X là biến ngẫu nhiên tuân theo luật phân phối chuẩn N (µ; σ2 ), thì biến
ngẫu nhiên Y = aX + b tuân theo luật phân phối chuẩn N ( aµ + b; a2 σ2 ).
(b) Phân phối chuẩn tắc

Định nghĩa 2.22 (Phân phối chuẩn tắc). Phân phối chuẩn N (µ; σ2 ) với µ = 0 và σ = 1 được
gọi là phân phối chuẩn tắc N (0; 1).
Định nghĩa 2.23 (Hàm mật độ xác suất). Hàm mật độ xác suất của biến ngẫu nhiên có phân
phối chuẩn tắc là
1 x2
ϕ( x ) = √ e− 2 , x∈R (2.46)
2π
Đây là hàm Gau–xơ với các giá trị được tính sẵn trong Bảng 1.
Hình 2.19: Hàm mật độ của biến ngẫu nhiên có phân phối chuẩn tắc N (0; 1)
Định nghĩa 2.24 (Hàm phân phối xác suất). Hàm phân phối xác suất của biến ngẫu nhiên
phân phối chuẩn tắc là
Zx
1 t2
Φ( x ) = √ e− 2 dt, x∈R (2.47)
2π
−∞
Giá trị của hàm Φ( x ) được tính sẵn trong Bảng 3 Hàm Φ( x ) có tính chất sau.
Định lý 2.20.
Φ(− x ) = 1 − Φ( x ) (2.48)
Chứng minh. Từ Định nghĩa 2.24,

Z− x +∞ Zx
1 2 1 2 1 t2
Z
− t2 − t2
Φ(− x ) = √ e dt = √ e dt − √ e− 2 dt = 1 − Φ( x ).
2π 2π 2π
−∞ −∞ −∞

Nhận xét 2.14. Nếu X là biến ngẫu nhiên có phân phối chuẩn N (µ, σ2 ) thì
X−µ
U= (2.49)
σ
là biến ngẫu nhiên có phân phối chuẩn tắc N (0; 1). Do đó các tính toán về X sẽ được quy về
U.
(c) Xác suất để biến ngẫu nhiên X có phân phối chuẩn N (µ; σ2 ) nhận giá trị
trong khoảng (α, β)
Định lý 2.21. Nếu X là biến ngẫu nhiên có phân phối chuẩn N (µ; σ2 ) thì
β−µ α−µ

P(α < X < β) = Φ −Φ , α, β ∈ R (2.50)
σ σ
trong đó Φ( x ) là hàm phân phối chuẩn tắc được định nghĩa trong (2.47).
x−µ
Chứng minh. Sử dụng phép đổi biến t = ta nhận được
σ
β−µ
Zβ ( x − µ )2
Zσ
1 − 1 t2
P(α < X < β) = √ e 2σ2 dx = √ e− 2 dt
σ 2π 2π α−µ
α
σ
β−µ β−µ α−µ
−∞ Zσ Zσ Zσ
1 2 1 2 1 2 1 t2
Z
− t2 − t2 − t2
=√ e dt + √ e dt = √ e dt − √ e− 2 dt.
2π α−µ 2π 2π 2π
−∞ −∞ −∞
σ
Từ đây và (2.47) ta nhận được (2.50).

β−µ

Hệ quả 2.3. (a) P( X < β) = Φ .
σ
α−µ

(b) P( X > α) = 1 − Φ .
σ

(c) P(| X − µ| < ε) = 2Φ σε − 1.
Chú ý 2.3. Hàm phân phối xác suất của biến ngẫu nhiên phân phối chuẩn tắc Φ( x ) xác định
bởi (2.47) và hàm Láp–la–xơ φ( x ) xác định bởi (1.24) có mối liên hệ:
Φ( x ) = 0, 5 + φ( x ), x≥0 (2.51)
Ví dụ 2.43. Giả sử phép đo cường độ dòng điện trên một sợi dây đồng là biến ngẫu nhiên
tuân theo luật phân phối chuẩn với giá trị trung bình là 10 miliampe và phương sai là 4
(miliampe)2 . Tính xác suất để phép đo vượt quá 13 miliampe.

Lời giải Ví dụ 2.43 Gọi X là phép đo cường độ dòng điện, X ∼ N (10; 22 ). Sử dụng Hệ quả
2.3(b) và Bảng 3,
13 − 10

P( X > 13) = 1 − Φ = 1 − Φ(1, 5) = 1 − 0, 93319 = 0, 06681.
2
Nhận xét 2.15. Từ Hệ quả 2.3(3) suy ra một số kết quả hữu ích liên quan đến phân phối chuẩn
được tóm tắt dưới đây và trong Hình 2.20. Nếu X ∼ N (µ; σ2 ),
P(µ − σ < X < µ + σ ) = 0, 6827,

P(µ − 2σ < X < µ + 2σ) = 0, 9545,
P(µ − 3σ < X < µ + 3σ) = 0, 9973.
Hình 2.20: Xác suất liên kết với phân phối chuẩn
Chú ý 2.4. 1. Phân phối chuẩn được Gao–xơ tìm ra năm 1809 nên nó còn được gọi là phân
phối Gao–xơ.
2. Phân phối chuẩn thường được sử dụng trong các bài toán đo đạc các đại lượng vật lý,
thiên văn . . .
3. Trong thực tế, nhiều biến ngẫu nhiên tuân theo phân phối chuẩn hoặc tiệm cận chuẩn.
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; nhiễu trắng trên các kênh thông tin . . . là các biến ngẫu nhiên có phân phối
chuẩn.
Ví dụ 2.44. Lãi suất (%) đầu tư vào một dự án trong năm 2020 được xem như một biến ngẫu
nhiên tuân theo luật phân phối chuẩn. Theo đánh giá của ủy ban đầu tư thì với xác suất 0,1587
cho lãi suất lớn hơn 20% và với xác suất 0,0228 cho lãi suất lớn hơn 25%. Vậy khả năng đầu tư
mà không bị lỗ là bao nhiêu?

Lời giải Ví dụ 2.44 Gọi X là lãi suất (%) của dự án trong năm 2020. Khi đó X là biến ngẫu nhiên
có phân phối chuẩn N (µ; σ2 ). Theo đầu bài và Hệ quả 2.3(b),
20 − µ

P( X > 20) = 1, 0 − Φ = 0, 1587
σ
và
25 − µ

P( X > 25) = 1, 0 − Φ = 0, 0228.
σ
20 − µ 25 − µ
Từ Bảng 3 suy ra = 1 và = 2. Hay µ = 15, σ = 5. Vậy khả năng đầu tư không
σ σ
bị lỗ là P( X ≥ 0) = Φ(3) = 0, 99865.
(d) Xấp xỉ phân phối nhị thức bởi phân phối chuẩn
Trong Mục 1.5.5 ta đã đề cập đến việc xấp xỉ công thức Béc–nu–y (1.20) bởi công thức (1.23)
khi số phép thử n khá lớn. Ở đây ta xét chi tiết về mối liên hệ giữa phân phối nhị thức và phân
phối chuẩn.
Phân phối chuẩn có thể dùng xấp xỉ khá tốt cho một số phân phối rời rạc. Ta có định lý
sau đây mang tên là Định lý Moa-vrơ–Lap-la-xơ (Moivre–Laplace).
Định lý 2.22. Giả sử X là biến ngẫu nhiên có phân phối nhị thức B(n; p). Nếu np > 5 và
n(1 − p) > 5 thì X có phân phối xấp xỉ phân phối chuẩn với tham số µ = np, σ2 = np(1 − p).
Phân phối chuẩn với kỳ vọng µ = np và phương sai σ2 = np(1 − p) không chỉ xấp xỉ khá
tốt cho phân phối nhị thức khi n khá lớn và xác suất p không quá gần 0 hoặc 1 mà còn cung
cấp một xấp xỉ khá tốt cho phân phối nhị thức ngay cả khi n nhỏ và p gần 1/2. Để minh họa
việc xấp xỉ phân phối chuẩn cho phân phối nhị thức, ta vẽ biểu đồ của phân phối nhị thức
B(15; 0, 4) và vẽ đường cong chuẩn có cùng kỳ vọng µ = np = 15 × 0, 4 = 6 và phương sai
σ2 = np(1 − p) = 15 × 0, 4 × 0, 6 = 3, 6 với biến ngẫu nhiên tuân theo luật phân phối nhị thức
X (xem Hình 2.21).
Hình 2.21: Xấp xỉ phân phối chuẩn cho phân phối nhị thức B(15; 0, 4)

Trong hình minh họa về xấp xỉ phân phối nhị thức bởi phân phối chuẩn, vì ta xấp xỉ một
phân phối rời rạc bằng một phân phối liên tục, nên cần một sự hiệu chỉnh để giảm sai số.
Định lý 2.23. Cho X là biến ngẫu nhiên tuân theo luật phân phối nhị thức B(n; p). Phân phối
xác suất của X được xấp xỉ bởi phân phối chuẩn N (µ; σ2 ) với µ = np và σ2 = np(1 − p) và
k + 0, 5 − µ k − 0, 5 − µ

P( X = k) ' Φ −Φ (2.52)
σ σ
và
k2 + 0, 5 − µ k − 0, 5 − µ

P(k1 ≤ X ≤ k2 ) ' Φ −Φ 1 (2.53)
σ σ
Nhận xét 2.16. Hình 2.22 và 2.23 biểu thị biểu đồ xác suất nhị thức với n = 25 và p = 0, 5,
p = 0, 1 tương ứng. Phân phối trong Hình 2.22 là hoàn toàn đối xứng.
Hình 2.22: Phân phối nhị thức với n = 25 và p = 0, 5 xấp xỉ bởi phân phối chuẩn với µ = 12, 5
và σ = 2, 5
Việc thêm +0, 5 và −0, 5 chính là yếu tố hiệu chỉnh và gọi là hiệu chỉnh liên tục.
Ví dụ 2.45. Sử dụng phân phối chuẩn xấp xỉ xác suất P( X = 8) + P( X = 9) + P( X = 10) cho
biến ngẫu nhiên X ∼ B(n; p) với n = 25 và p = 0, 5. So sánh với công thức tính chính xác.
Lời giải Ví dụ 2.45 Vì X là biến ngẫu nhiên tuân theo luật phân phối nhị thức với n = 25 và
p = 0, 5,

8 9 10
P( X = 8) + P( X = 9) + P( X = 10) = C25 + C25 + C25 × (0, 5)25 ' 0, 190535.
√
Sử dụng công thức xấp xỉ (3.42) với µ = np = 12, 5, σ = npq = 2, 5 ta nhận được
P(8 ≤ X ≤ 10) ' Φ(−0.8) − Φ(−2) = 0, 18911.
Giá trị xấp xỉ 0,18911 với giá trị thực 0,190535 là khá gần nhau.

Hình 2.23: Phân phối nhị thức và xấp xỉ phân phối chuẩn với n = 25 và p = 0, 1
Ví dụ 2.46. Kiểm tra chất lượng 1000 sản phẩm với tỷ lệ chính phẩm 0,95. Tìm xác suất để số
chính phẩm trong lô kiểm tra từ 940 đến 960.
Lời giải Ví dụ 2.46 Gọi X là biến ngẫu nhiên chỉ số chính phẩm trong lô sản phẩm kiểm tra, ta
có X ∼ B(1000; 0, 95). Với n = 1000, p = 0, 95, ta có np = 950 và np(1 − p) = 47, 5 đủ lớn nên
ta xấp xỉ bởi X ∼ N (950; 47, 5):
960 + 0, 5 − 950 940 − 0, 5 − 950

P(940 ≤ X ≤ 960) = Φ √ −Φ √
47, 5 47, 5
= Φ(1, 52) − Φ(−1, 52) = 2Φ(1, 52) − 1 = 0, 8716.
(e) Xấp xỉ phân phối Poa–xông bởi phân phối chuẩn

Nếu X là biến ngẫu nhiên tuân theo luật phân phối Poa–xông với E( X ) = λ và V ( X ) = λ,
X−λ
U= √ (2.54)
λ
xấp xỉ phân phối chuẩn. Có thể sử dụng sự hiệu chỉnh liên tục tương tự như áp dụng cho
phân phối nhị thức. Xấp xỉ sẽ tốt khi λ > 5.
Ví dụ 2.47. Giả sử rằng số lượng hạt amiăng trong một mét vuông bụi trên bề mặt tuân theo
phân phối Poa–xông với giá trị trung bình là 1000. Nếu phân tích một mét vuông bụi, thì xác
suất tìm thấy nhiều nhất 950 hạt là bao nhiêu?
Lời giải Ví dụ Sử dụng (2.35) với λ = 1000,
e−1000 1000k
950
P( X ≤ 950) = P(0 ≤ X ≤ 950) = ∑ .
k =0
k!

Việc tính toán theo công thức này gặp khó khăn, do đó ta sử dụng công thức xấp xỉ (3.42) với
√
µ = λ, σ = λ,
950 + 0, 5 − 1000 0 − 0, 5 − 1000

P(0 ≤ X ≤ 950) ≈ Φ √ −Φ √
1000 1000
= Φ(−1, 57) − Φ(−31, 64) = 1 − 0, 94179 = 0, 05821.
2.4.9 Giới thiệu phân phối khi bình phương, phân phối Student, phân
phối Fisher
(a) Phân phối khi bình phương

Định nghĩa 2.25 (Phân phối khi bình phương). Biến ngẫu nhiên liên tục X được gọi là tuân
theo luật phân phối khi bình phương với n bậc tự do, ký hiệu là X ∼ χ2n , nếu hàm mật độ xác
suất của X có dạng
n −1
2
x
1 −x 2
f X (x) = e 2 , x > 0, n > 0 (2.55)
2
Γ n
2
ở đây
+∞
Z
Γ( x ) = t x−1 e−t dt, x > 0,
0
là hàm Gamma (đã đề cập trong giải tích).
Định lý sau cho cách nhận biết một biến ngẫu nhiên có phân phối khi bình phương xuất
phát từ n biến ngẫu nhiên độc lập có cùng phân phối chuẩn tắc (xem Chương 3).
Định lý 2.24. Nếu X1 , X2 , . . . , Xn là các biến ngẫu nhiên độc lập có cùng phân phối chuẩn tắc
N (0; 1) thì
Un = X12 + X22 + · · · + Xn2 ∼ χ2n (2.56)
Kỳ vọng và phương sai của biến ngẫu nhiên Un :
E(Un ) = n, V (Un ) = 2n (2.57)
U√n −n
Nhận xét 2.17. Biến ngẫu nhiên có phân phối xấp xỉ phân phối chuẩn tắc N (0; 1) khi n
2n
đủ lớn.
Việc tính toán với phân phối χ2n đưa về việc sử dụng Bảng 6.

(b) Phân phối Student

Định nghĩa 2.26 (Phân phối Student). Biến ngẫu nhiên liên tục X được gọi là tuân theo luật
phân phối Student với n bậc tự do, ký hiệu là X ∼ t(n), nếu hàm mật độ xác suất của X có
dạng

 − n +1
Γ n +1

2
x2 2
f X ( x ) = 1 +  , −∞ < x < +∞ (2.58)
n √ n
nπΓ 2
ở đây Γ( x ) là hàm Gamma.
Để nhận biết một biến ngẫu nhiên có phân phối Student ta sử dụng định lý sau (xem
Chương 3).
Định lý 2.25. Nếu X và Y là hai biến ngẫu nhiên độc lập tuân theo luật phân phối N (0; 1) và
χ2n tương ứng thì
X
Tn = » ∼ t(n) (2.59)
Y
n
Kỳ vọng và phương sai của biến ngẫu nhiên Tn có phân phối Student:
n
E( Tn ) = 0, n > 1, V ( Tn ) = , n>2 (2.60)
n−2
Tính chất 2.1. Biến ngẫu nhiên Tn có phân phối xấp xỉ phân phối chuẩn tắc N (0; 1) khi n đủ
lớn.
Nhận xét 2.18. 1. Phân phối Student có cùng dạng và tính đối xứng như phân phối chuẩn
nhưng nó phản ánh tính biến đổi của phân phối sâu sắc hơn. Phân phối chuẩn không
thể dùng để xấp xỉ phân phối khi mẫu có kích thước nhỏ. Trong trường hợp này ta dùng
phân phối Student.
2. Khi bậc tự do n tăng lên (n ≥ 30) thì phân phối Student tiến nhanh về phân phối chuẩn.
Do đó khi n ≥ 30 ta có thể dùng phân phối chuẩn thay thế cho phân phối Student.
3. Một hệ quả quan trọng được dùng nhiều trong thống kê (xem Chương 3):
Nếu X0 , X1 , X2 , . . . , Xn là các biến ngẫu nhiên độc lập có phân phối chuẩn tắc N (0; 1) thì
X0
» ∼ t ( n ). (2.61)
1
n ∑in=1 Xi2

(c) Phân phối Fisher

Định nghĩa 2.27. Cho X1 , X2 , . . . , Xn và Y1 , Y2 , . . . , Ym là n + m biến ngẫu nhiên độc lập, trong
đó Xi ∼ N (0; 1) và Yj ∼ N (0; 1), i = 1, . . . , n, j = 1, . . . , m. Khi đó biến ngẫu nhiên
m ∑in=1 Xi2
Fn,m = (2.62)
n ∑im=1 Yi2
có phân phối Fisher với (n, m) bậc tự do (xem Chương 3).
2.5 Ví dụ tổng hợp Chương 2

Ví dụ 2.48 (Đề thi MI2020 kỳ 20183). Một kiện hàng có 10 sản phẩm, trong đó có 7 sản phẩm
loại I và 3 sản phẩm loại II. Tiền lãi khi bán được mỗi sản phẩm loại I là 50 nghìn đồng, mỗi
sản phẩm loại II là 20 nghìn đồng.
(a) Ngày thứ nhất lấy ngẫu nhiên từ kiện hàng ra 3 sản phẩm và đã bán hết cả 3 sản phẩm
đó. Tìm kỳ vọng của số tiền lãi thu được.
(b) Ngày thứ hai lấy ngẫu nhiên từ kiện hàng ra 2 sản phẩm. Tính xác suất để thu được 100
nghìn đồng tiền lãi khi bán 2 sản phẩm này.
(a) Gọi X là “số tiền lãi thu được”, X nhận các giá trị 60, 90, 120, 150. Khi đó,
1 21 63 35
E( X ) = 60 × + 90 × + 120 × + 150 × = 123.
120 120 120 120
(b) Gọi A là sự kiện “ngày thứ hai thu được 100 nghìn đồng tiền lãi khi bán 2 sản phẩm”;
Ai : “ngày thứ nhất lấy được i sản phẩm loại I”, i = 0, 1, 2, 3; A0 , A1 , A2 , A3 lập thành hệ
đầy đủ và P( A) = P( A0 ) P( A| A0 ) + P( A1 ) P( A| A1 ) + P( A2 ) P( A| A2 ) + P( A3 ) P( A| A3 ).
Khi đó,
1 21 21 15 63 10 35 6 7
P( A) = × + × + × + × = ' 0, 4667.
120 21 120 21 120 21 120 21 15
Ví dụ 2.49 (Đề thi MI2020 giữa kỳ 20191). Biến ngẫu nhiên liên tục X có hàm mật độ xác suất

kx2 (1 − x ),

nếu x ∈ [0, 1],
f X (x) =
0,
 nếu x ∈ / [0, 1].
(a) Tìm hằng số k.
(b) Tính xác suất để khi

quan sát độc lập 3 lần biến ngẫu nhiên X, có đúng 1 lần X nhận giá
1
trị trong khoảng 0; .
2
2.5. Ví dụ tổng hợp Chương 2 100

(a) Sử dụng Tính chất 2.3(a),(c) tính được k = 12.

1
Z2
1 5
(b) P 0 < X < = 12( x2 − x3 )dx = = 0, 3125.
2 16
0
1815
Vậy, P3 (1) = C31 × p1 × (1 − p)2 = C31 × (0, 3125)1 × (0, 6875)2 = ' 0, 44312.
4096

3e−3x ,

nếu x ≥ 0
Ví dụ 2.50 (Đề thi MI2020 kỳ 20191). Cho hàm mật độ xác suất f X ( x ) =
0,
 nếu x < 0
của biến ngẫu nhiên liên tục X và định nghĩa Y = [ X ] là số nguyên lớn nhất không vượt quá
X (nghĩa là [ x ] = 0 nếu 0 ≤ x < 1, [ x ] = 1 nếu 1 ≤ x < 2. . . ).
(a) Tính P(Y = 0).
(b) Tính E(Y ).

Z 1
Lời giải Ví dụ 2.50 (a) P(Y = 0) = P(0 ≤ X < 1) = 3e−3x dx = 1 − e−3 .
0
∞ 1
(b) Với k ≥ 0, P(Y = k) = e−3k (1 − e−3 ) và E( X ) = ∑ kP(Y = k ) = .
k =0 e3 −1
Ví dụ 2.51 (Đề thi MI2020 kỳ 20191). Số khách hàng đến một cửa hàng bán lẻ là một biến
ngẫu nhiên có phân phối Poa–xông với trung bình 6 khách hàng đến trong vòng một giờ. Nếu
có đúng 5 khách hàng đến trong khoảng thời gian từ 10:00 đến 11:00 thì xác suất để có ít nhất
8 khách hàng đến trong khoảng thời gian từ 10:00 đến 11:30 là bao nhiêu?
Lời giải Ví dụ 2.51 Gọi X là “số khách hàng đến cửa hàng bán lẻ trong vòng 30 phút”. Khi đó X
là biến ngẫu nhiên có phân phối Poa–xông, X ∼ P (λ), với λ = 3. Xác suất cần tìm P( X ≥ 3).
h i
P ( X ≥ 3) = 1 − P ( X < 3) = 1 − P ( X = 0) + P ( X = 1) + P ( X = 2)
0
31 32

−3 3
= 1−e + +
0! 1! 2!
= 1 − 0, 42319 = 0, 57681.
Ví dụ 2.52 (Đề thi MI2021 kỳ 20193). Số máy D bán được trong ngày của một siêu thị là biến
k
ngẫu nhiên X tuân theo phân phối Poisson tham số λ với P( X = k ) = e−λ λk! , k ∈ N. Biết rằng
xác suất bán được máy D trong một ngày là 39,35%.
(a) Tính số máy D bán được trung bình trong một ngày của siêu thị đó.
(b) Nếu khảo sát 30 ngày thì số ngày bán được máy D có khả năng xảy ra cao nhất là bao
nhiêu?
2.5. Ví dụ tổng hợp Chương 2 101

Lời giải Ví dụ 2.52 (a) Gọi X là “số máy D bán được trong một ngày”, X ∼ P(λ).
P( X ≥ 1) = 0, 3935 ⇒ 0, 6065 = P( X = 0) = e−λ .
Trung bình số máy D bán được trong ngày là λ = − ln(0, 6065) = 0, 5.

(b) Gọi Y là “số ngày bán được máy D (trong 30 ngày)”; Y ∼ B(n; p) với n = 30 và
p = 0, 3935.
Vì (n + 1) × p − 1 ≤ mod(Y ) ≤ (n + 1) × p nên 11, 1985 ≤ mod(Y ) ≤ 12, 1985 hay
mod(Y ) = 12.
Bài tập Chương 2
Biến ngẫu nhiên rời rạc

Bài tập 2.1. Một chùm chìa khóa gồm 4 chiếc giống nhau, trong đó chỉ có một chiếc mở được
cửa. Người ta thử ngẫu nhiên từng chiếc cho đến khi mở được cửa. Gọi X là số lần thử.
(a) Tìm phân phối xác suất của X. Mô tả phân phối xác suất của X bằng đồ thị.
(b) Tìm kỳ vọng và phương sai của X.
(c) Viết hàm phân phối xác suất của X.
Đáp số. (b) 2,5 và 1,25
Bài tập 2.2. Một xạ thủ có 5 viên đạn. Anh ta phải bắn vào bia với quy định khi nào có 2 viên
trúng bia hoặc hết đạn thì dừng. Biết xác suất bắn trúng bia ở mỗi lần bắn là 0,4 và gọi X là số
đạn cần bắn.
(a) Tìm phân phối xác suất của X.
(b) Tìm kỳ vọng, phương sai của X.
(c) Viết hàm phân phối xác suất của X và vẽ đồ thị hàm phân phối.
Đáp số. (b) 3,9632 và 1,3059
Bài tập 2.3. Biến ngẫu nhiên rời rạc X chỉ có 2 giá trị x1 và x2 (x1 < x2 ). Xác suất để X nhận
giá trị x1 là 0,2. Tìm x1 và x2 , biết kỳ vọng E( X ) = 2, 6 và độ lệch tiêu chuẩn σ( X ) = 0, 8.
Đáp số. 1 và 3
Bài tập 2.4. Mỗi khách uống cà phê tại quán cà phê mỗi ngày đều được phát ngẫu nhiên một
vé bốc thăm, xác suất khách hàng bốc được thăm trúng thưởng là 0,1. Nếu khách hàng trúng
thưởng liên tục trong 5 ngày (từ thứ hai đến thứ sáu) sẽ nhận được 100 USD, nếu không sẽ
không được gì. An uống cà phê liên tục tại quán này 4 tuần liên tiếp. Gọi X (USD) là số tiền
An được thưởng khi bốc thăm trong 4 tuần đó.
Bài tập Chương 2 102

(a) Lập bảng phân phối xác suất của X.
(b) Xác định kỳ vọng và phương sai của X.
Đáp số. (b) 0,004 và 0,399996
Bài tập 2.5. Tung đồng xu cân đối đồng chất 10 lần. Biến ngẫu nhiên X được định nghĩa như
sau: ( X = 1) nếu trong 10 lần tung có đúng 3 lần xuất hiện mặt sấp và ( X = 0) trong trường
hợp còn lại. Tính kỳ vọng E( X ) và phương sai V ( X ).
Đáp số. 0,1172 và 0,1035
Bài tập 2.6. Có 5 sản phẩm trong đó có 4 chính phẩm và 1 phế phẩm. Lấy ngẫu nhiên lần lượt
không hoàn lại ra hai sản phẩm.
(a) Gọi X là “số chính phẩm gặp phải”. Lập bảng phân phối xác suất của X. Tính E( X ) và
V ( X ).
(b) Gọi Y là “số phế phẩm gặp phải”. Lập hệ thức cho mối quan hệ giữa X và Y.
Đáp số. (a) 1,6 và 0,24 (b) X + Y = 2
Bài tập 2.7. Người ta đặt ngẫu nhiên 10 thẻ (trong đó có 5 thẻ màu đỏ và 5 thẻ màu xanh) vào
10 phong bì (5 phong bì có màu đỏ và 5 phong bì có màu xanh), mỗi phong bì một thẻ. Gọi X
là số phong bì có chứa một thẻ cùng màu.
(b) Tính E( X ).
Đáp số. 5
Bài tập 2.8. Có 2 kiện hàng. Kiện I có 3 sản phẩm tốt và 2 sản phẩm xấu. Kiện II có 2 sản phẩm
tốt và 3 sản phẩm xấu. Lấy ngẫu nhiên từ kiện I ra 2 sản phẩm và từ kiện II ra 1 sản phẩm.
(a) Lập bảng phân phối xác suất cho biến ngẫu nhiên chỉ số sản phẩm tốt trong 3 sản phẩm
lấy ra.
(b) Tính kỳ vọng và phương sai của X.
Đáp số. 0,444 và 2,9629
Bài tập 2.9. Từ một hộp có 5 bóng đèn màu đỏ, 10 bóng đèn màu xanh và 15 bóng đèn màu
vàng, chọn ngẫu nhiên ra 3 bóng đèn. Gọi X là số màu bị thiếu trong 3 bóng đèn được chọn
ra.

(b) Tính kỳ vọng của biến ngẫu nhiên Y = X 2 − 1.
Đáp số. 0,24754
Bài tập 2.10. Một lô hàng chứa 7 sản phẩm loại A, 8 sản phẩm loại B và 9 sản phẩm loại C.
Lấy ngẫu nhiên 3 sản phẩm từ lô hàng để kiểm tra.
(a) Lập bảng phân phối xác suất của biến ngẫu nhiên chỉ số sản phẩm loại B có trong 3 sản
phẩm được lấy ra.
(b) Tính số sản phẩm trung bình mỗi loại có trong 3 sản phẩm được lấy ra.
Đáp số. (b) 1; 1,125 và 0,875
Bài tập 2.11. Có hai hộp bi. Hộp I có 2 bi trắng, 3 bi đỏ. Hộp II có 2 bi trắng, 2 bi đỏ. Lấy ngẫu
nhiên 2 bi từ hộp I bỏ sang hộp II, sau đó lại lấy ngẫu nhiên 3 bi từ hộp II bỏ vào hộp I.
(a) Lập bảng phân phối xác suất của biến ngẫu nhiên chỉ số bi trắng có mặt ở hộp I, hộp II
sau khi đã chuyển xong.
(b) Tính kỳ vọng, phương sai của biến ngẫu nhiên chỉ số bi trắng có mặt ở hộp I sau khi đã
chuyển xong.
Đáp số. (b) 2,6 và 0,52
Bài tập 2.12. Một người đi làm từ nhà đến cơ quan phải qua 3 ngã tư. Xác suất để người đó
gặp đèn đỏ ở các ngã tư tương ứng là 0,2; 0,4 và 0,5. Gọi X là số đèn đỏ mà người đó gặp phải
trong một lần đi làm (giả sử 3 đèn giao thông ở ngã tư hoạt động độc lập với nhau).
(a) Lập bảng phân phối xác suất của X. Tính kỳ vọng, phương sai của X. Tìm hàm phân
phối xác suất của X.
(b) Hỏi thời gian trung bình phải ngừng trên đường là bao nhiêu biết rằng mỗi khi gặp đèn
đỏ người ấy phải đợi khoảng 3 phút.
Đáp số. (a) 1,1 và 0,65 (b) 3,3
Bài tập 2.13. Một người chơi trò chơi tung con xúc sắc cân đối đồng chất ba lần. Nếu cả ba lần
đều xuất hiện mặt 6 thì thu về 36 USD, nếu hai lần xuất hiện mặt 6 thì thu về 2,8 USD, nếu
một lần xuất hiện mặt 6 thì thu về 0,4 USD. Biết rằng khi chơi người đó phải nộp x USD.
(a) Tìm x sao cho trò chơi là vô thưởng vô phạt.
(b) x bằng bao nhiêu thì trung bình mỗi lần chơi, người chơi mất 1 USD?
Đáp số. (a) 0,5055 (b) 1,5055

Bài tập 2.14. Một kiện hàng có 10 sản phẩm, trong đó có 7 sản phẩm loại I và 3 sản phẩm
loại II. Tiền lãi khi bán được mỗi sản phẩm loại I là 50 nghìn đồng, mỗi sản phẩm loại II là 20
nghìn đồng.
(a) Ngày thứ nhất lấy ngẫu nhiên từ kiện hàng ra 3 sản phẩm và đã bán hết cả 3 sản phẩm
đó. Lập bảng phân phối xác suất và tính kỳ vọng của số tiền lãi thu được.
(b) Ngày thứ hai lấy ngẫu nhiên từ kiện hàng ra 2 sản phẩm. Tính xác suất để thu được 100
nghìn đồng tiền lãi khi bán 2 sản phẩm này.
Đáp số. (a) 123 (b) 0,4667
Bài tập 2.15. Một cửa hàng máy tính đã mua 3 máy tính cùng loại với giá 500 USD một chiếc.
Cửa hàng sẽ bán chúng với giá 1000 USD một chiếc và dự định bán trong một quý. Nếu hết
thời hạn này, cửa hàng sẽ trả lại nhà sản xuất và sẽ được nhà sản xuất mua lại với giá 200
USD/chiếc. Gọi X là biến ngẫu nhiên chỉ số máy tính cửa hàng này bán được trong thời hạn
trên và giả thiết X có bảng phân phối xác suất sau
X 0 1 2 3
P 0,1 0,2 0,3 0,4
Lợi nhuận trung bình cửa hàng nhận được là bao nhiêu?
Đáp số. 700 USD
Biến ngẫu nhiên liên tục

Bài tập 2.16. Gọi biến ngẫu nhiên liên tục X là cường độ dòng điện đo được trong một sợi
dây đồng mỏng tính bằng miliampe (mA). Giả sử X nhận giá trị trong đoạn [0; 30 mA] và hàm
mật độ xác suất của X là 
0, x∈
/ [0; 30],

f X (x) =
k,
 x ∈ [0; 30].
(a) Tìm k? Vẽ đồ thị hàm mật độ.
(b) Tìm hàm phân phối xác suất tương ứng. Vẽ đồ thì hàm phân phối.
(c) Xác suất để phép đo đo được cường độ dòng điện nhỏ hơn 15 miliampe là bao nhiêu?
Mô tả bằng đồ thị.
Bài tập 2.17. Biến ngẫu nhiên liên tục X có hàm mật độ xác suất

ke− x ,

khi x ≥ 0,
f (x) =
0,
 khi x < 0.

(b) Tính P( X ≥ 5).
(c) Xác định hàm phân phối xác suất của biến ngẫu nhiên Y = −2X + 5.
Đáp số. (a) 1 (b) 0, 00674
Bài tập 2.18. Biến ngẫu nhiên liên tục X có hàm mật độ xác suất

kx2 (1 − x ),

nếu x ∈ [0, 1],
f (x) =
0,
 nếu x ∈ / [0, 1].
(b) Tính xác suất để trong

3 lần
quan sát độc lập biến ngẫu nhiên X có đúng 1 lần X nhận
giá trị trong khoảng 0; 12 .
Đáp số. (a) 12 (b) 0, 44312
Bài tập 2.19. Cho hàm mật độ xác suất của biến ngẫu nhiên liên tục X

3e−3x ,

nếu x ≥ 0
f X (x) =
0,
 nếu x < 0
và định nghĩa Y = [ X ] là số nguyên lớn nhất không vượt quá X (nghĩa là [ x ] = 0 nếu 0 ≤ x <
1, [ x ] = 1 nếu 1 ≤ x < 2. . . ).
(a) Tính P(Y = 0).
(b) Tính E(Y ).
Đáp số. (a) 0,9502 (b) 0,0524
Bài tập 2.20. Gọi X là đường kính của lỗ được khoan trên một sản phẩm kim loại. Kích thước
tiêu chuẩn của đường kính được đặt ra là 13,5 mm. Các tác động ngẫu nhiên trong quá trình
khoan dẫn đến đường kính luôn lớn hơn quy định. Dữ liệu lịch sử cho thấy phân phối của X
có thể được mô hình hóa bằng hàm mật độ xác suất

0, x ≤ 13, 5,

f X (x) =
20e−20( x+k) ,
 x > 13, 5
(a) Xác định hằng số k.
(b) Tìm hàm phân phối xác suất tương ứng.

(c) Nếu một sản phẩm có đường kính lớn hơn 13,6 mm sẽ bị loại bỏ thì tỷ lệ sản phẩm bị
loại bỏ là bao nhiêu?
Đáp số. (a) −13, 5
Bài tập 2.21. Biên độ dao động của một vật là một biến ngẫu nhiên liên tục X có hàm phân
phối xác suất là 
2
1 − e −2σx2 ,

nếu x ≥ 0,
FX ( x ) =
0,
 nếu x < 0,
trong đó σ là tham số đã biết. Tính xác suất để biên độ giao động đó lớn hơn trị trung bình
của nó.
Đáp số. e−π/4
Bài tập 2.22. Biến ngẫu nhiên liên tục X có hàm mật độ là f X ( x ) = ae−| x| , (−∞ < x < +∞).
(a) Xác định a.
(b) Tìm hàm phân phối của biến ngẫu nhiên X, biến ngẫu nhiên Y = X 2 .
(c) Tìm E( X ), V ( X ).
(d) Tính xác suất để trong ba quan sát độc lập biến ngẫu nhiên X có 2 lần X nhận giá trị
trong khoảng (0; ln 3).
Đáp số. (a) 1/2 (c) 0 và 2 (d) 0,2222
Bài tập 2.23. Nhu cầu hàng năm của người dân một thành phố về loại hàng A (ngàn sản
phẩm) là biến ngẫu nhiên liên tục X có hàm mật độ xác suất như sau

k (30 − x ),

x ∈ (0, 30),
f X (x) =
0,
 x∈/ (0, 30).
(a) Tìm k.
(b) Tìm hàm phân phối FY ( x ) với Y = 2X + 5.
(c) Tìm nhu cầu trung bình hàng năm về loại hàng đó.
Đáp số. (a) 1/450 (c) 10
Bài tập 2.24. Cho biến ngẫu nhiên liên tục X có hàm phân phối xác suất




0, x ≤ 0,
1

FX ( x ) = − k cos x, 0 < x ≤ π,


 2
1, x > π.


(a) Tìm k.

π
(b) Tìm P 0 < X < 2 .
(c) Tìm E( X ).
Đáp số. (a) 1/2 (b) 1/2 (c) π/2
Bài tập 2.25. Cho biến ngẫu nhiên liên tục X có hàm phân phối xác suất

0, x ≤ − a,




x

FX ( x ) = A + B arcsin , x ∈ (− a, a),


 a
1, x ≥ a.

(a) Tìm A và B.
(b) Tìm hàm mật độ xác suất f X ( x ).
Đáp số. (a) 1/2 và 1/π
Bài tập 2.26. Hàm phân phối xác suất của biến ngẫu nhiên liên tục X có dạng
FX ( x ) = a + b arctan x, (−∞ < x < +∞).
(a) Tìm hệ số a và b.
(b) Tìm hàm mật độ xác suất f X ( x ).
(c) Tìm xác suất để khi quan sát độc lập 3 lần biến ngẫu nhiên X thì có 2 lần X nhận giá trị
trong khoảng (−1; 1).
Đáp số. (a) 1/2 và 1π (c) 0,375
Bài tập 2.27. Biến ngẫu nhiên X liên tục trên toàn trục số và có hàm phân phối xác suất
FX ( x ) = 1/2 + 1/π arctan x/2. Tìm giá trị có thể có của x1 thỏa mãn điều kiện P( X > x1 ) = 1/4.
Đáp số. 2
Bài tập 2.28. Thu nhập của dân cư tại một vùng là biến ngẫu nhiên liên tục có hàm phân phối
xác suất như sau:  α
 x0
1− , x ≥ x0 , α > 0,


FX ( x ) = x

0,
 x < x0 .
Hãy xác định mức thu nhập sao cho lấy ngẫu nhiên một người ở vùng đó thì thu nhập của
người này vượt quá mức trên với xác suất 0,5.

Bài tập 2.29. Thời gian đợi xe buýt (phút) tại điểm dừng xe buýt là một biến ngẫu nhiên X có
hàm mật độ như sau 
0 x≤0






x 0<x≤1

f X (x) =



 1/2 1 < x ≤ 2


0 x > 2.

(a) Tính P(0, 5 < X < 2).
(b) Tìm hàm phân phối xác suất tương ứng.
(c) Tính kỳ vọng và phương sai của X.
(d) Tìm khoảng thời gian mà với xác suất ít nhất là 3/4 thời gian chờ đợi nằm trong khoảng
này.
Đáp số. (a) 0,875 (c) 13/12 và 35/144
Một số phân phối xác suất thông dụng

Bài tập 2.30. Hệ thống liên lạc bằng giọng nói của một doanh nghiệp có 48 đường truyền. Gọi
X là biến ngẫu nhiên chỉ số đường truyền đang được sử dụng tại thời điểm quan sát. Giả sử
X là biến ngẫu nhiên có phân phối đều rời rạc.
(a) Vẽ đồ thị phân phối của X.
(b) Tính kỳ vọng, phương sai và độ lệch chuẩn của X, cho nhận xét về tình hình quan sát
thực tế.
Đáp số. (b) 24; 200; 1,1421
Bài tập 2.31. Giả sử cường độ dòng điện (miliampe, viết tắt là mA) đo được trên một sợi dây
đồng mỏng là biến ngẫu nhiên X tuân theo luật phân phối đều liên tục trên đoạn [0; 20] mA.
(a) Vẽ đồ thị hàm mật độ xác suất của X.
(b) Tính kỳ vọng, phương sai và độ lệch chuẩn của X.
Đáp số. (b) 10; 33,3333; 5,7735
Bài tập 2.32. Có 10 máy sản xuất sản phẩm độc lập nhau, mỗi máy sản xuất ra 2% phế phẩm.
(a) Từ mỗi máy sản xuất lấy ngẫu nhiên ra một sản phẩm. Gọi X là biến ngẫu nhiên chỉ số
phế phẩm lấy được. X có phân phối gì? Vẽ đồ thị phân phối xác suất của X.

(b) Từ mỗi máy sản xuất lấy ngẫu nhiên ra một sản phẩm. Tính xác suất lấy được nhiều nhất
2 phế phẩm.
(c) Trung bình có bao nhiêu sản phẩm được sản xuất bởi máy đầu tiên trước khi nó tạo ra
phế phẩm đầu tiên (giả sử các sản phẩm sản xuất ra là độc lập)?
Đáp số. (b) 0,9991 (c) 49
Bài tập 2.33. Số lỗi in trên một trang sách của một cuốn sách dày được giả thiết là biến ngẫu
nhiên X tuân theo luật phân phối Poa–xông tham số λ. Biết rằng xác suất có lỗi in trong mỗi
trang sách là 39,35%.
(a) Tính số lỗi in trung bình có trong một trang sách của cuốn sách đó.
(b) Đọc ngẫu nhiên một trang sách, tính xác suất để trang sách đó có ít nhất 3 lỗi in.
(c) Nếu đọc 10 trang sách thì số trang có lỗi in có khả năng xảy ra cao nhất là bao nhiêu?
Đáp số. (a) 0,5 (c) 4
Bài tập 2.34. Đường kính của một loại chi tiết do một máy sản xuất tuân theo luật phân phối
chuẩn, với kỳ vọng là 20mm và độ lêch chuẩn là 0,2mm. Tính xác suất để lấy ngẫu nhiên một
chi tiết có đường kính trong khoảng 19,9mm đến 20,3mm.
Đáp số. 0,62465
Bài tập 2.35. Giả sử X là biến ngẫu nhiên tuân theo luật phân phối chuẩn với trung bình là 3
và phương sai là 0,16.
(a) Vé đồ thị hàm mật độ xác suất của X.
(b) Tính P( X > 3, 784).
(c) Tìm c sao cho P(3 − c < X < 3 + c) = 0, 9.
Đáp số. (b) 0,025 (c) 0,658
Bài tập 2.36. Lãi suất (%) đầu tư vào một dự án trong năm 2019 được coi như một biến ngẫu
nhiên tuân theo quy luật chuẩn. Theo đánh giá của ủy ban đầu tư thì với xác suất 0,1587 cho
lãi suất lớn hơn 20% và với xác suất 0,0228 cho lãi suất lớn hơn 25%. Vậy khả năng đầu tư mà
không bị lỗ là bao nhiêu?
Đáp số. 0,99865
Bài tập 2.37. (a) Một máy bay bốn động cơ có thể bay an toàn nếu ít nhất hai động cơ làm
việc. Giả sử các động cơ hoạt động độc lập và mỗi động cơ bị trục trặc có xác suất p. Tìm
xác suất để máy bay sẽ bay an toàn.

(b) Một máy bay hai động cơ có thể bay an toàn nếu ít nhất một động cơ hoạt động và giả
sử hai động cơ hoạt động độc lập và xác suất để một động cơ gặp trục trặc là p. Tìm xác
suất máy bay sẽ bay an toàn.
(c) Máy bay nào an toàn hơn?
Đáp số. (a) 1 − 4p3 + 3p4 (b) 1 − p2
Bài tập 2.38. Một ga ra cho thuê ôtô thấy rằng số người đến thuê ôtô vào thứ bảy cuối tuần là
một biến ngẫu nhiên có phân bố Poa-xông với tham số λ = 2. Giả sử gara có 4 chiếc ôtô.
(a) Tìm xác suất để tất cả 4 ôtô đều được thuê vào thứ 7.
(b) Tìm xác suất gara không đáp ứng được yêu cầu (thiếu xe cho thuê) vào thứ 7.
(c) Trung bình có bao nhiêu ôtô được thuê vào ngày thứ 7?
Đáp số. (a) 0,1429 (b) 0,0527 (c) 2
Bài tập 2.39. Số khách hàng đến một cửa hàng bán lẻ là một biến ngẫu nhiên có phân phối
Poa-xông với trung bình 6 khách hàng đến trong vòng một giờ.
(a) Nếu có đúng 5 khách hàng đến trong khoảng thời gian từ 10:00 đến 11:00 thì xác suất
để có ít nhất 8 khách hàng đến trong khoảng thời gian từ 10:00 đến 11:30 là bao nhiêu?
(b) Nếu có ít hơn 6 khách hàng đến trong khoảng thời gian từ 10:00 đến 12:00 thì cửa hàng
được xem như là không có lợi nhuận. Tìm xác suất để cửa hàng có đúng 1 ngày có lãi
trong một tuần (giả sử cửa hàng mở cửa 6 ngày trong tuần).
Đáp số. (a) 0,5768 (b)
Bài tập 2.40. Xét một phần tư hình tròn tâm O(0,0) bán kính bằng a, ký hiệu là OAB, với tọa
độ tương ứng là A( a, 0) và B(0, a).
(a) Trên đoạn OA lấy ngẫu nhiên một điểm C. Tìm phân phối xác suất của độ dài đoạn OC.
(b) Dựng một đường thẳng đi qua C, vuông góc với OA và cắt cung tròn tại điểm D. Tính
kỳ vọng và phương sai của độ dài đoạn CD.

Đáp số. (a) Phân phối đều (b) aπ/4 và 2/3 − π 2 /4) a2
Bài tập 2.41. Lấy ngẫu nhiên một điểm M trên nửa đường tròn tâm O, đường kính AB = 2a.
Biết rằng xác suất điểm M rơi vào cung CD bất kì của nửa đường tròn AMB chỉ phụ thuộc
vào độ dài cung CD.
(a) Tìm hàm phân phối xác suất của biến ngẫu nhiên Y chỉ diện tích tam giác AMB.

(b) Tìm giá trị trung bình của diện tích tam giác ấy.
Đáp số. (b) 2a2 /π
Bài tập 2.42. Một công ty kinh doanh mặt hàng A dự định sẽ áp dụng một trong hai phương
án kinh doanh: Phương án 1: Gọi X1 (triệu đồng/tháng) là lợi nhuận thu được. X1 có phân
phối chuẩn N (140; 2500). Phương án 2: Gọi X2 (triệu đồng/tháng) là lợi nhuận thu được. X2
có phân phối chuẩn N (200; 3600). Biết rằng công ty tồn tại và phát triển thì lợi nhuận thu
được từ mặt hàng A phải đạt ít nhất 80 triệu đồng/tháng. Hỏi nên áp dụng phương án nào
để rủi ro thấp hơn.
Đáp số. Phương án 2
Bài tập 2.43. Trọng lượng của một loại sản phẩm tuân theo luật phân phối chuẩn với trọng
lượng trung bình là 250 gam, độ lệch chuẩn là 5 gam. Sản phẩm loại A là sản phẩm có trọng
lượng không nhỏ hơn 260 gam.
(a) Một người lấy ngẫu nhiên một sản phẩm từ một thùng hàng. Tính xác suất người này
lấy được sản phẩm loại A.
(b) Nếu lấy ngẫu nhiên một sản phẩm từ một thùng hàng được sản phẩm loại A thì sẽ mua
thùng hàng đó. Một người kiểm tra 100 thùng hàng, tính xác suất người này mua được
6 thùng.
Đáp số. (a) 0,02275 (b) 0,019
Bài tập 2.44. Trong một kỳ thi điểm số trung bình của các sinh viên là 80 và độ lệch chuẩn là
10. Giả sử điểm thi của sinh viên tuân theo luật phân phối chuẩn.
(a) Nếu giáo viên muốn 25% số sinh viên đạt điểm A (nhóm điểm cao nhất) thì điểm số
thấp nhất để đạt điểm A là bao nhiêu?
(b) Chọn ngẫu nhiên 50 sinh viên, tính xác suất trong đó có nhiều hơn 10 sinh viên đạt điểm
A, trong đó điểm A được lấy ở ý (a).
Đáp số. (a) 86,8 (b) 0,7378
Bài tập 2.45. Một nhà máy sản xuất một số lượng lớn sản phẩm. Xác suất để một sản phẩm do
nhà máy sản xuất ra phù hợp với sự mong đợi của khách hàng là 0,98. Kiểm tra ngẫu nhiên
1000 sản phẩm loại này, xác suất để trong đó có nhiều hơn 26 sản phẩm phù hợp với sự mong
đợi của khách hàng là bao nhiêu?
Đáp số. 0,07078
Bài tập 2.46. Số tai nạn giao thông trong một ngày ở một thành phố là biến ngẫu nhiên X theo
luật phân phối Poisson với tham số λ = 4.

(a) Tính xác suất để có một ngày hạnh phúc về tai nạn giao thông.
(b) Để nghiên cứu khả năng xảy ra ít nhất 2 tai nạn giao thông trong 1 ngày tại thành phố
này, người ta khảo sát ngẫu nhiên 50 ngày. Nếu xét theo kết quả khảo sát này thì số ngày
có ít nhất 2 tai nạn giao thông với xác suất xảy ra lớn nhất là bao nhiêu?
Đáp số. (a) 0,0183 (b) 46
Bài tập 2.47. Một động cơ điện có thời gian làm việc liên tục (giờ) cho đến khi có hỏng hóc
đầu tiên được giả thiết là một biến ngẫu nhiên có phân phối mũ với tham số λ = 0, 001.
(a) Tính xác suất để động cơ này làm việc liên tục không hỏng hóc được ít nhất 900 giờ.
(b) Được biết động cơ này đã làm việc liên tục không hỏng hóc được ít nhất 900 giờ. Xác
suất để động cơ này làm việc liên tục không hỏng hóc đến ít nhất 1200 giờ là bao nhiêu?
Đáp số. (a) 0,4066 (b) 0,7408
Bài tập 2.48. Cho X là biến ngẫu nhiên chỉ tỷ lệ sinh viên trong một lớp MI2020 có điểm dưới
C. Giả sử X có hàm mật độ xác suất

kx (1 − x ),

nếu 0 ≤ x ≤ 1,
f X (x) =
0,
 nếu x ∈
/ [0; 1].
(a) Tìm k.
(b) Tính E( X ) và V ( X ).
(c) Tìm hàm phân phối xác suất của biến ngẫu nhiên Y = X 2 .
(d) Một lớp được xem như không đạt yêu cầu nếu tỷ lệ sinh viên có điểm dưới C lớn hơn
0, 5. Tính xác suất lớp không đạt yêu cầu.
(e) Giả sử năm học 2020–2021 có 20 lớp MI2020 và việc không đạt yêu cầu của các lớp là
độc lập nhau. Số lớp không đạt yêu cầu trung bình là bao nhiêu?
Đáp số. (a) 6 (b) 0,5 và 0,05 (d) 0,5 (e) 10
Bài tập 2.49. Giả sử tuổi thọ của một loại bóng đèn tuân theo luật phân phối mũ với tham số
λ = 0.5 năm.
(a) Nếu bóng đèn bị hỏng sẽ được thay thế bằng một bóng mới thì trung bình số bóng đèn
dự kiến sử dụng trong 10 năm là bao nhiêu?
(b) Nếu bóng đèn vẫn hoạt động thì sau 2 năm nó cũng sẽ được thay bằng một bóng đèn
mới. Gọi Y là thời gian hoạt động của bóng đèn. Hãy biểu diễn Y và tìm hàm phân phối
xác suất của Y.

(c) Tính E(Y ).
Đáp số. (a) 5 (c) 1,2642
Bài tập 2.50. Một trò chơi đưa ra một số bất kỳ, trong đó số được đưa ra tuân theo luật phân
phối đều liên tục trên đoạn [0; 5]. A chơi trò chơi này theo nguyên tắc, nếu nhận được số nhỏ
hơn hoặc bằng k thì anh ta sẽ mất 1 USD, nếu nhận được số lớn hơn k thì A sẽ kiếm được 1
USD.
(a) Tìm lợi nhuận trung bình của trò chơi khi k = 2.
(b) Tìm phương sai của lợi nhuận khi k = 2.
(c) Tìm giá trị của k làm cực tiểu phương sai lợi nhuận của trò chơi này.
(d) Nếu bạn chơi trò chơi này 10 lần thì xác suất bạn kiếm được 2 USD với k = 2 là bao
nhiêu?
Đáp số. (a) 0,2 (b) 0,96 (c) 0 hoặc 5 (d) 0,2508

2021.1 MI2020 Chương2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

2021.1 MI2020 Chương2

Uploaded by

Copyright:

Available Formats

Chương 2

Biến ngẫu nhiên và quy luật phân phối xác

4. Một số phân phối xác suất thông dụng

2.1 Định nghĩa và phân loại biến ngẫu nhiên

2.1.1 Định nghĩa biến ngẫu nhiên

2.1.2 Phân loại biến ngẫu nhiên

2.1. Định nghĩa và phân loại biến ngẫu nhiên 51

2.1.3 Hàm của một biến ngẫu nhiên

(a) p X ( xi ) ≥ 0 với mọi i = 1, 2, . . . , n;

trong đó, pi = P( X = xi ) với ( X = xi ) là sự kiện “X nhận giá trị xi ”, i = 1, . . . , n.

Nhận xét 2.2. (a) Trong (2.1), ∑in=1 pi = 1 và trong (2.2), ∑∞

P(Y = 10) = P( X = 1) = 0, 25; P(Y = 19) = P( X = 2) = 0, 25,

Vậy bảng phân phối xác suất của X là

P( X = 1) = 0, 001, P( X = 2) = 0, 999 × 0, 001,

2.2.2 Hàm phân phối xác suất

FX ( x ) = P( X < x ), x∈R (2.3)

Hàm phân phối có các tính chất sau.

Định lý 2.1. 1. 0 ≤ FX ( x ) ≤ 1 với mọi x ∈ R.

3. Nếu a < b thì P( a ≤ X < b) = FX (b) − FX ( a).

P( a ≤ X < b) = P( a ≤ X ≤ b) = P( a < X ≤ b) = P( a < X < b) = FX (b) − FX ( a).

P ( X < x2 ) = P ( X < x1 ) + P ( x1 ≤ X < x2 ).

Từ đây kết hợp với (2.3) suy ra

3. Suy trực tiếp từ chứng minh tính chất trên.

4. FX (−∞) = P( X < −∞) = P(∅) = 0, FX (+∞) = P( X < +∞) = P(S) = 1.

(a) Xác định hằng số k.

Lời giải Ví dụ 2.11

(a) Sử dụng Định lý 2.1(2), vì FX ( x ) liên tục nên

lim FX ( x ) = lim FX ( x ), hay e−20(12,5+k) = e0 .

Suy ra k = −12, 5. Vậy,

Hình 2.3 mô tả đồ thị của FX ( x ).

(b) Sử dụng Định lý 2.1(2),

P( X > 12, 6) = FX (+∞) − FX (12, 6) = 1 − (1 − e−20(12,6−12,5) ) ' 0, 1353.

(a) Hãy xác định A và B.

 lim− FX ( x ) = lim+ FX ( x ) = FX (1).

Từ đây ta nhận được

(b) Sử dụng Định lý 2.1(3),

P(0, 5 < X < 1) = FX (1) − FX (0, 5)

FX ( x ) = A + B arctan x, −∞ < x < +∞.

Lời giải Ví dụ (a) Sử dụng Định lý 2.1(4),

p = P(−1 < X < 1) = FX (1) − FX (−1)

Áp dụng công thức (1.19), xác suất cần tìm là

Hàm mật độ xác suất có các tính chất sau.

f X ( x ) = FX0 ( x ), x∈R (2.7)

Định lý 2.3. 1. f X ( x ) ≥ 0 với mọi x ∈ R.

Chứng minh. 1. Vì f X ( x ) là đạo hàm của hàm không giảm.

2. Từ Định lý 2.1(3) và Định nghĩa 2.8,

Lời giải Ví dụ 2.14 Áp dụng Định lý 2.3(2),

Hình 2.5: Hàm mật độ và xác suất trong Ví dụ 2.14

Hình 2.6: Hàm mật độ và xác suất trong Ví dụ 2.15

và theo Định lý 2.3(2),

f X ( x ) = ke−| x| − ∞ < x < +∞.

(a) Xác định k.

Lời giải Ví dụ (a) Sử dụng Định lý 2.3(1),(3),

Từ đây suy ra k = 1/2.

(c) Sử dụng (2.3), FY ( x ) = P(Y < x ) = P( X 2 < x ).

Bạn đọc tự viết kết quả cuối cùng của FY ( x ).

p = P(0 < X < ln 3) = FX (ln 3) − FX (0), hoặc

Bạn đọc tự tính kết quả cuối cùng.

2.3 Các tham số đặc trưng của biến ngẫu nhiên

2.3. Các tham số đặc trưng của biến ngẫu nhiên 63

2.3.1 Kỳ vọng/giá trị trung bình

(a) Kỳ vọng của một biến ngẫu nhiên

nếu chuỗi vế phải hội tụ.