Chương 3. Lý Thuyết Xác Suất

TOÁN ĐẠI CƯƠNG
Chương 3: Lý thuyết xác suất
3.1. Biến cố ngẫu nhiên và xác suất

3.2. Đại lượng ngẫu nhiên
3.3. Một số quy luật phân phối xác suất quan trọng.
Tài liệu tham khảo
Mai Kim Chi, Trần Doãn Phú, Lý thuyết xác suất và thống kê toán, Nhà xuất bản
Thống kê, 2008.
Nguyễn Thọ Liễn, Trần Doãn Phú, Hướng dẫn giải bài tập Xác suất và Thống kê
Toán, Nhà xuất bản Thống kê, 2010.
Nguyễn Cao Văn, Trần Thái Ninh, Lý thuyết xác suất và thống kê toán, Nhà xuất
bản đại học kinh tế quốc dân, 2008.
Nguyễn Cao Văn, Trần Thái Ninh, Bài tập xác suất và thống kê toán, Nhà xuất
bản đại học kinh tế quốc dân, 2008.
3.1.1. Khái niệm về phép thử và biến cố


Định nghĩa 1. Việc thực hiện các điều kiện cơ bản để quan sát xem một hiện tượng
có xảy ra hay không được gọi là một phép thử. Các kết cục của phép thử được gọi là
biến cố (sự kiện).
Ví dụ 1.

Ví dụ 1.

Ví dụ 1.
Phân loại biến cố
▶ Biến cố chắc chắn:

▶ Biến cố chắc chắn: là biến cố chắc chắn xảy ra khi thực hiện phép thử. Kí hiệu: U.
▶ Biến cố không thể có:
▶ Biến cố không thể có: là biến cố chắc chắn không xảy ra khi thực hiện phép thử.
Kí hiệu V .
Kí hiệu V .
▶ Biến cố ngẫu nhiên:
Kí hiệu V .
▶ Biến cố ngẫu nhiên: là biến cố có thể xảy ra hoặc không xảy ra khi thực hiện phép
thử. Kí hiệu: A, B, C , . . . , A1 , A2 , . . .
Kí hiệu V .
▶ Biến cố ngẫu nhiên: là biến cố có thể xảy ra hoặc không xảy ra khi thực hiện phép
thử. Kí hiệu: A, B, C , . . . , A1 , A2 , . . .
Ví dụ 2.
Gieo một con súc sắc (cân đối, đồng chất).
Ví dụ 2.
- Gọi Ai là biến cố "xuất hiện mặt i chấm" (i = 1, 6), thì Ai là các biến cố ngẫu nhiên.
Ví dụ 2.
- Các biến cố Ac (Al ): "xuất hiện mặt có số chấm là chẵn (lẻ)" cũng là các biến cố
ngẫu nhiên.
Ví dụ 2.
ngẫu nhiên.
- Biến cố V : "xuất hiện mặt có số chấm là 7" là biến cố không thể có.
Ví dụ 2.
ngẫu nhiên.
- Biến cố V : "xuất hiện mặt có số chấm là 7" là biến cố không thể có.
- Biến cố U: "xuất hiện mặt có số chấm là ≤ 6" biến cố chắc chắn.
3.1.2. Định nghĩa cổ điển về xác suất
Khái niệm: Xác suất của một biến cố là một giá trị đặc trưng cho khả năng khách
quan xuất hiện biến cố đó trong kết quả của phép thử.
Định nghĩa.
Định nghĩa. Xác suất theo nghĩa cổ điển của biến cố A, kí hiệu P(A) xác định bởi
công thức:
Định nghĩa. Xác suất theo nghĩa cổ điển của biến cố A, kí hiệu P(A) xác định bởi
công thức:
số kết cục thuận lợi cho A m
P(A) = = .
tổng số các kết cục đồng khả năng n
Ví dụ 1.
Ví dụ 1. Xét phép thử tung con súc sắc cân đối, đồng chất. Xác định xác suất của biến
cố xuất hiện mặt chẵn Ac .
Ví dụ 1. Xét phép thử tung con súc sắc cân đối, đồng chất. Xác định xác suất của biến
cố xuất hiện mặt chẵn Ac .
* Có 6 trường hợp đồng khả năng có thể xảy ra, n = 6.
* Có 3 kết cục thuận lợi cho biến cố Ac xảy ra , m = 3.
3 1
Như vậy, P(Ac ) = = .
6 2
b) Các tính chất của xác suất
▶ 0 ≤ P(A) ≤ 1, với mọi biến cố A.
▶ P(V ) = 0.
▶ P(V ) = 0.
▶ P(U) = 1.
▶ P(V ) = 0.
▶ P(U) = 1.
▶ P(V ) = 0.
▶ P(U) = 1.
3.1.3. Định nghĩa thống kê về xác suất
Định nghĩa.
Định nghĩa.
Tần suất xuất hiện của biến cố A trong N lần lặp lại một phép thử, xác định bởi
nA
f (A) = (nA số lần xuất hiện biến cố A).
N
Ví dụ.
Ví dụ.
Để nghiên cứu khả năng xuất hiện mặt sấp khi tung một đồng xu, người ta tiến hành
tung một đồng xu nhiều lần và thu được kết quả sau đây:
Ví dụ.
Người TN S.L tung S.L mặt sấp Tần suất

Buffon 4040 2048 0,5069
Pearson 12000 6019 0,5016
Pearson 24000 12012 0,5005
Ví dụ.

Buffon 4040 2048 0,5069
Pearson 12000 6019 0,5016
Pearson 24000 12012 0,5005
Nhận xét: - Khi số phép thử nhỏ: Tần suất dao động nhiều.
Ví dụ.

Buffon 4040 2048 0,5069
Pearson 12000 6019 0,5016
Pearson 24000 12012 0,5005
Nhận xét: - Khi số phép thử nhỏ: Tần suất dao động nhiều.
- Khi số phép thử đủ lớn: Tần suất dao động quanh một giá trị cân bằng.
Tính ổn định của tần suất là cơ sở để đưa ra định nghĩa thống kê về xác suât.
Định nghĩa thống kê về xác suất.
Xác suất xuất hiện biến cố A kí hiệu p = p(A) là giá trị ổn định của tần suất khi số
phép thử tăng lên vô hạn.
Khi số phép thử đủ lớn (n −→ +∞) ta có thể lấy:
P(A) ≈ f (A).
Định nghĩa thống kê về xác suất.
Xác suất xuất hiện biến cố A kí hiệu p = p(A) là giá trị ổn định của tần suất khi số
phép thử tăng lên vô hạn.
Khi số phép thử đủ lớn (n −→ +∞) ta có thể lấy:
P(A) ≈ f (A).

3.2.1. Định nghĩa và phân loại ĐLNN

Định nghĩa:

Định nghĩa: Đại lượng ngẫu nhiên (ĐLNN) là đại lượng mà trong kết quả của phép
thử nó nhận một và chỉ một trong các giá trị có thể và trước khi thực hiện phép thử
ta không biết chính xác nó nhận giá trị bằng bao nhiêu.

ĐLNN được kí hiệu là X, Y, Z, ... ; và các giá trị có thể kí hiệu là x1 , x2 , . . . ; y1 , y2 , . . .

ĐLNN được kí hiệu là X, Y, Z, ... ; và các giá trị có thể kí hiệu là x1 , x2 , . . . ; y1 , y2 , . . .
Ví dụ.
3.2.2. Phân loại ĐLNN
a) ĐLNN rời rạc
Định nghĩa: ĐLNN X được gọi là ĐLNN rời rạc nếu nó nhận hữu hạn hoặc vô hạn
đếm được các giá trị.
b) ĐLNN liên tục
Định nghĩa:
Định nghĩa: ĐLNN X được gọi là ĐLNN liên tục nếu các giá trị của nó có thể lấp đầy
một khoảng trên trục số.
3.2.3. Quy luật phân phối xác suất
Khái niệm.
Khái niệm. Quy luật phân phối xác suất của một ĐLNN là sự tương ứng giữa các giá
trị có thể có của nó và các xác suất để ĐLNN nhận các giá trị đó.
Có ba phương pháp mô tả quy luật phân phối xác suất :
▶ bảng phân phối xác suất ;
▶ hàm phân phối xác suất ;
▶ hàm phân phối xác suất ;
▶ hàm mật độ xác suất.
a) Bảng phân phối xác suất
Cho ĐLNN rời rạc X , bảng phân phối xác suất của X có dạng
X x1 x2 x3 ··· xk ···
P p1 p2 p3 ··· pk ···
X x1 x2 x3 ··· xk ···
P p1 p2 p3 ··· pk ···
trong đó xi là các giá trị có thể có của X , pi = P(X = xi ).

Tính chất: 0 ≤ pi ≤ 1,
X x1 x2 x3 ··· xk ···
P p1 p2 p3 ··· pk ···
trong đó xi là các giá trị P

có thể có của X , pi = P(X = xi ).
Tính chất: 0 ≤ pi ≤ 1, pi = 1.
X x1 x2 x3 ··· xk ···
P p1 p2 p3 ··· pk ···

Ví dụ. Khi tung con súc sắc đồng chất, gọi X là số chấm xuất hiện, ta có bảng phân
phối xác suất
X x1 x2 x3 ··· xk ···
P p1 p2 p3 ··· pk ···

Ví dụ. Khi tung con súc sắc đồng chất, gọi X là số chấm xuất hiện, ta có bảng phân
phối xác suất
X 1 2 3 4 5 6
1 1 1 1 1 1
P 6 6 6 6 6 6
b) Hàm phân phối xác suất
Định nghĩa.
Định nghĩa.
Cho X là một ĐLNN, x là một số thực bất kì. Hàm phân phối xác suất của X , kí hiệu
F (x), là xác suất để X nhận giá trị nhỏ hơn x.
F (x) = P(X < x).
Tính chất.
Định nghĩa.
F (x) = P(X < x).
Tính chất.
1. Nếu X là ĐLNN rời rạc thì
X
F (x) = P(X = xi )
i:xi <x
2. 0 ≤ F (x) ≤ 1;
Định nghĩa.
F (x) = P(X < x).
Tính chất.
X
F (x) = P(X = xi )
i:xi <x
2. 0 ≤ F (x) ≤ 1; F (+∞) = 1; F (−∞) = 0;

Định nghĩa.
F (x) = P(X < x).
Tính chất.
X
F (x) = P(X = xi )
i:xi <x
2. 0 ≤ F (x) ≤ 1; F (+∞) = 1; F (−∞) = 0;

3. F (x) là hàm số tăng, tức x1 < x2 ⇒ F (x1 ) ≤ F (x2 ).
Hệ quả.
Định nghĩa.
F (x) = P(X < x).
Tính chất.
X
F (x) = P(X = xi )
i:xi <x
2. 0 ≤ F (x) ≤ 1; F (+∞) = 1; F (−∞) = 0;

Hệ quả.
1. P(a ≤ X < b) = F (b) − F (a);
Định nghĩa.
F (x) = P(X < x).
Tính chất.
X
F (x) = P(X = xi )
i:xi <x
2. 0 ≤ F (x) ≤ 1; F (+∞) = 1; F (−∞) = 0;

Hệ quả.
1. P(a ≤ X < b) = F (b) − F (a);
2. Nếu X là ĐLNN liên tục, thì P(X = x0 ) = 0, khi đó
Định nghĩa.
F (x) = P(X < x).
Tính chất.
X
F (x) = P(X = xi )
i:xi <x
2. 0 ≤ F (x) ≤ 1; F (+∞) = 1; F (−∞) = 0;

Hệ quả.
1. P(a ≤ X < b) = F (b) − F (a);
2. Nếu X là ĐLNN liên tục, thì P(X = x0 ) = 0, khi đó
P(a ≤ X < b) = P(a < X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b).
Ví dụ.
Ví dụ. Giả sử ĐLNN X có bảng phân phối xác suất
X −1 0 2 3
P 0, 4 0, 1 0, 2 0, 3
1. Tìm P(−0, 5 < X < 2, 1). 2. Tìm F (x).
1. P(−0, 5 < X < 2, 1) =

X −1 0 2 3
P 0, 4 0, 1 0, 2 0, 3
1. Tìm P(−0, 5 < X < 2, 1). 2. Tìm F (x).
1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

X −1 0 2 3
P 0, 4 0, 1 0, 2 0, 3
1. Tìm P(−0, 5 < X < 2, 1). 2. Tìm F (x).
1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

2. Vì F (x) = P(X < x), ta có :
X −1 0 2 3
P 0, 4 0, 1 0, 2 0, 3
1. Tìm P(−0, 5 < X < 2, 1). 2. Tìm F (x).
1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

2. Vì F (x) = P(X < x), ta có :
▶ Nếu x ≤ −1, thì F (x) = P(V ) = 0 ;
X −1 0 2 3
P 0, 4 0, 1 0, 2 0, 3
1. Tìm P(−0, 5 < X < 2, 1). 2. Tìm F (x).
1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

2. Vì F (x) = P(X < x), ta có :
▶ Nếu x ≤ −1, thì F (x) = P(V ) = 0 ;
▶ Nếu −1 < x ≤ 0, thì F (x) = P(X = −1) = 0, 4 ;
X −1 0 2 3
P 0, 4 0, 1 0, 2 0, 3
1. Tìm P(−0, 5 < X < 2, 1). 2. Tìm F (x).
1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

2. Vì F (x) = P(X < x), ta có :
▶ Nếu x ≤ −1, thì F (x) = P(V ) = 0 ;
▶ Nếu −1 < x ≤ 0, thì F (x) = P(X = −1) = 0, 4 ;
▶ Nếu 0 < x ≤ 2, thì F (x) = P(X = −1) + P(X = 0) = 0, 5 ;
X −1 0 2 3
P 0, 4 0, 1 0, 2 0, 3
1. Tìm P(−0, 5 < X < 2, 1). 2. Tìm F (x).
1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

2. Vì F (x) = P(X < x), ta có :
▶ Nếu x ≤ −1, thì F (x) = P(V ) = 0 ;
▶ Nếu −1 < x ≤ 0, thì F (x) = P(X = −1) = 0, 4 ;
▶ Nếu 0 < x ≤ 2, thì F (x) = P(X = −1) + P(X = 0) = 0, 5 ;
▶ 2 < x ≤ 3, thì F (x) = P(X = −1) + P(X = 0) + P(X = 2) = 0, 7;
X −1 0 2 3
P 0, 4 0, 1 0, 2 0, 3
1. Tìm P(−0, 5 < X < 2, 1). 2. Tìm F (x).
1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

2. Vì F (x) = P(X < x), ta có :
▶ Nếu x ≤ −1, thì F (x) = P(V ) = 0 ;
▶ Nếu −1 < x ≤ 0, thì F (x) = P(X = −1) = 0, 4 ;
▶ Nếu 0 < x ≤ 2, thì F (x) = P(X = −1) + P(X = 0) = 0, 5 ;
▶ 2 < x ≤ 3, thì F (x) = P(X = −1) + P(X = 0) + P(X = 2) = 0, 7;
▶ Nếu 3 < x, thì F (x) = P(U) = 1.
Vậy :
Vậy : 

0 nếu x ≤ −1

0, 4 nếu −1<x ≤0



F (x) = 0, 5 nếu 0<x ≤2

0, 7 nếu 2<x ≤3




1 nếu 3 < x.

c). Hàm mật độ xác suất
Định nghĩa.
Định nghĩa. Cho ĐLNN liên tục X có hàm phân phối F (x) khả vi trên R,
Định nghĩa. Cho ĐLNN liên tục X có hàm phân phối F (x) khả vi trên R, hàm số
f (x) = F ′ (x)
được gọi là hàm mật độ xác suất của ĐLNN X .

Tính chất.
f (x) = F ′ (x)

Tính chất.
1. f (x) ≥ 0, ∀x ∈ R;
f (x) = F ′ (x)

Tính chất.
1. f (x) ≥ 0, ∀x ∈ R;
Rx
2. F (x) = f (t)dt;
−∞
f (x) = F ′ (x)

Tính chất.
1. f (x) ≥ 0, ∀x ∈ R;
Rx
2. F (x) = f (t)dt;
−∞
Rb
3. P(a < X < b) = f (x)dx;
a
f (x) = F ′ (x)

Tính chất.
1. f (x) ≥ 0, ∀x ∈ R;
Rx
2. F (x) = f (t)dt;
−∞
Rb
3. P(a < X < b) = f (x)dx;
a
+∞
R
4. f (x)dx = 1.
−∞
Ví dụ.
Ví dụ. ĐLNN liên tục X có hàm mật độ xác suất cho bởi công thức
(
kx 2 nếu x ∈ [0; 3]
f (x) =
0 nếu x ̸∈ [0; 3].
1. Tìm k;
2. Tìm F (x);
3. Tính P(−1 < X < 2).
Lời giải.
Lời giải.
+∞ R0 R3 +∞ 1
kx 2 dx +
R R
1. Ta có 1 = f (x)dx = 0dx + 0dx = 9k ⇒ k = .
−∞ −∞ 0 3 9
Lời giải.
+∞ R0 R3 +∞ 1
kx 2 dx +
R R
1. Ta có 1 = f (x)dx = 0dx + 0dx = 9k ⇒ k = .
−∞ −∞ 0 3 9
Rx
2. F (x) = f (t)dt, ta có các trường hợp sau :
−∞
Lời giải.
+∞ R0 R3 +∞ 1
kx 2 dx +
R R
1. Ta có 1 = f (x)dx = 0dx + 0dx = 9k ⇒ k = .
−∞ −∞ 0 3 9
Rx
−∞
Rx
▶ Nếu x < 0, thì F (x) = 0dt = 0;
−∞
Lời giải.
+∞ R0 R3 +∞ 1
kx 2 dx +
R R
1. Ta có 1 = f (x)dx = 0dx + 0dx = 9k ⇒ k = .
−∞ −∞ 0 3 9
Rx
−∞
Rx
▶ Nếu x < 0, thì F (x) = 0dt = 0;
−∞
R0 Rx 1 2 x3
▶ Nếu x ∈ [0; 3], thì F (x) = 0dt + t dt = ;
−∞ 0 9 27
Lời giải.
+∞ R0 R3 +∞ 1
kx 2 dx +
R R
1. Ta có 1 = f (x)dx = 0dx + 0dx = 9k ⇒ k = .
−∞ −∞ 0 3 9
Rx
−∞
Rx
▶ Nếu x < 0, thì F (x) = 0dt = 0;
−∞
R0
Rx 1 2 x3
▶ Nếu x ∈ [0; 3], thì F (x) = 0dt +
t dt = ;
−∞ 0 9 27
R0 R3 1 2 Rx
▶ Nếu x > 3, thì F (x) = 0dt + t dt + 0dt = 1.
−∞ 0 9 3
Lời giải.
+∞ R0 R3 +∞ 1
kx 2 dx +
R R
1. Ta có 1 = f (x)dx = 0dx + 0dx = 9k ⇒ k = .
−∞ −∞ 0 3 9
Rx
−∞
Rx
▶ Nếu x < 0, thì F (x) = 0dt = 0;
−∞
R0
Rx 1 2 x3
▶ Nếu x ∈ [0; 3], thì F (x) = 0dt +
t dt = ;
−∞ 0 9 27
R0 R3 1 2 Rx
▶ Nếu x > 3, thì F (x) = 0dt + t dt + 0dt = 1.
−∞ 0 9 3
Vậy :
Vậy : 

0 nếu x < 0
 3
x
F (x) = nếu x ∈ [0; 3]
 27


1 nếu x > 3.
Vậy : 

0 nếu x < 0
 3
x
F (x) = nếu x ∈ [0; 3]
 27


1 nếu x > 3.
R2 R2 1 2 8
3. P(−1 < X < 2) = f (x)dx = x dx = .
−1 0 9 27
3.2.4. Các đặc trưng cơ bản của ĐLNN
a. Kì vọng toán
a. Kì vọng toán
Định nghĩa.
a. Kì vọng toán
Định nghĩa. Kì vọng toán (expectation) của ĐLNN X , kí hiệu là E (X ), là số được xác
định bởi
a. Kì vọng toán
Định nghĩa. Kì vọng toán (expectation) của ĐLNN X , kí hiệu là E (X ), là số được xác
định bởi P
 xi pi
 , nếu X là ĐLNN rời rạc ;
µ = E (X ) = +∞ R

 xf (x)dx , nếu X là ĐLNN liên tục.
−∞
Tính chất.
Tính chất.
1. E (C ) = C , E (CX ) = CE (X ), với C là hằng số;
Tính chất.
2. E (X + Y ) = E (X ) + E (Y );
Tính chất.
2. E (X + Y ) = E(X ) +E (Y );
n
P Pn
Tổng quát: E Xi = E (Xi );
i=1 i=1
Tính chất.
2. E (X + Y ) = E(X ) +E (Y );
n
P Pn
i=1 i=1
3. E (XY ) = E (X ).E (Y ), nếu X , Y là hai ĐLNN độc lập.
Tính chất.
2. E (X + Y ) = E(X ) +E (Y );
n
P Pn
i=1 i=1
Ghi chú.
Tính chất.
2. E (X + Y ) = E(X ) +E (Y );
n
P Pn
i=1 i=1
Ghi chú. Hai ĐLNN được gọi là độc lập với nhau, nếu một ĐLNN nhận giá trị này hay
giá trị khác không làm thay đổi quy luật phân phối xác suất của ĐLNN khác và ngược
lại.
Ý nghĩa.
Ý nghĩa. Kì vọng toán của ĐLNN phản ánh giá trị trung bình của ĐLNN, đặc trưng
cho giá trị trung tâm của phân phối xác suất.
Ví dụ.
Ví dụ. Xác suất để một người ở độ tuổi 50 sống thêm một năm là 0,97. Một công ty
muốn bán thẻ bảo hiểm cho người ở độ tuổi này với mệnh giá 50 000 đồng/thẻ. Nếu
người đó bị chết, công ty phải bồi thường 1 000 000 đồng. Tìm số tiền lãi trung bình
công ty thu được trên mỗi thẻ bảo hiểm.
Gọi X là số tiền lãi công ty thu được trên mỗi thẻ (ngàn đồng), ta có:
X 50 -950
P 0,97 0,03
X 50 -950
P 0,97 0,03
Số tiền trung bình công ty thu được trên mỗi thẻ là E (X ) = 20.
b. Phương sai
b. Phương sai
Định nghĩa.
b. Phương sai
Định nghĩa. Phương sai (variance) của ĐLNN X , kí hiệu là Var (X ), xác định bởi
b. Phương sai
Var (X ) = E [X − E (X )]2 .
b. Phương sai
Var (X ) = E [X − E (X )]2 .
Ghi chú.
b. Phương sai
Var (X ) = E [X − E (X )]2 .
Ghi chú.
1. Var (X ) = E (X 2 ) − µ2 .
b. Phương sai
Var (X ) = E [X − E (X )]2 .
Ghi chú.
1. Var (X ) = E (X 2 ) − µ2 .
2. P
 xi2 pi − µ2
 , nếu X là ĐLNN rời rạc
Var (X ) = +∞
R 2

 x f (x)dx − µ2 , nếu X là ĐLNN liên tục.
−∞
Tính chất.
Tính chất.
1. Var (C ) = 0; Var (CX ) = C 2 .Var (X ), với C - hằng số.
Tính chất.
1. Var (C ) = 0; Var (CX ) = C 2 .Var (X ), với C - hằng số.
2. X , Y là hai ĐLNN độc lập, thì Var (X ± Y ) = Var (X ) + Var (Y ).
Ý nghĩa.
Ý nghĩa.
1. Phương sai của ĐLNN đặc trưng cho độ phân tán giữa các giá trị của X so với
giá trị trung bình.
Ý nghĩa.
2. Trong kĩ thuật, phương sai đặc trưng cho mức độ phân tán của các chi tiết gia
công hay sai số của các thiết bị, ...
Ý nghĩa.
2. Trong kĩ thuật, phương sai đặc trưng cho mức độ phân tán của các chi tiết gia
công hay sai số của các thiết bị, ...
3. Trong kinh tế, phương sai đặc trưng cho mức độ rủi ro của các quyết định.
Minh họa
Ví dụ. Một nhà đầu tư đang cân nhắc giữa việc đầu tư vào hai dự án A và B trong hai
lĩnh vực độc lập nhau. Khả năng thu hồi vốn sau 2 năm (tính theo %) của hai dự án là
các ĐLNN có bảng phân phối xác suất như sau :
XA 65 67 68 69 70 71 73
Dự án A :
P 0,04 0,12 0,16 0,28 0,24 0,08 0,08
XB 66 68 69 70 71
Dự án B :
P 0,12 0,28 0,32 0,20 0,08
XA 65 67 68 69 70 71 73
Dự án A :
P 0,04 0,12 0,16 0,28 0,24 0,08 0,08
XB 66 68 69 70 71
Dự án B :
P 0,12 0,28 0,32 0,20 0,08
Từ bảng phân phối xác suất trên ta tìm được :
XA 65 67 68 69 70 71 73
Dự án A :
P 0,04 0,12 0,16 0,28 0,24 0,08 0,08
XB 66 68 69 70 71
Dự án B :
P 0,12 0,28 0,32 0,20 0,08
E (XA ) = 69, 16; Var (XA ) = 3, 094; E (XB ) = 68, 72; Var (XB ) = 1, 802.
XA 65 67 68 69 70 71 73
Dự án A :
P 0,04 0,12 0,16 0,28 0,24 0,08 0,08
XB 66 68 69 70 71
Dự án B :
P 0,12 0,28 0,32 0,20 0,08
Như vậy, nếu cần chọn phương án đầu tư sao cho tỉ lệ thu hồi vốn là cao nhất thì nên
chọn dự án A;
XA 65 67 68 69 70 71 73
Dự án A :
P 0,04 0,12 0,16 0,28 0,24 0,08 0,08
XB 66 68 69 70 71
Dự án B :
P 0,12 0,28 0,32 0,20 0,08
Như vậy, nếu cần chọn phương án đầu tư sao cho tỉ lệ thu hồi vốn là cao nhất thì nên
chọn dự án A; nếu chọn phương án đầu tư sao cho độ rủi ro của tỉ lệ thu hồi vốn thấp
nhất (khả năng thu hồi vốn ổn định nhất) thì nên chọn dự án B.
c. Độ lệch chuẩn
Định nghĩa.
Định nghĩa. Độ lệch chuẩn (standard deviation) của ĐLNN X , kí hiệu σ = σX là căn
bậc hai của phương sai, tức là :
p
σ = σX = Var (X ).
p
σ = σX = Var (X ).
Ghi chú.
p
σ = σX = Var (X ).
Ghi chú. Độ lệch chuẩn có cùng ý nghĩa như phương sai nhưng có cùng thứ nguyên với
X.
d. Mốt
d. Mốt
Định nghĩa.
d. Mốt
Định nghĩa. Mốt (mode) của ĐLNN X , kí hiệu là mod(X ), xác định bởi
d. Mốt
▶ nếu X là ĐLNN rời rạc, mod(X ) là giá trị của X mà tại đó xác suất lớn nhất.
d. Mốt
▶ nếu X là ĐLNN rời rạc, mod(X ) là giá trị của X mà tại đó xác suất lớn nhất.
▶ nếu X là ĐLNN liên tục, mod(X ) là giá trị của X mà tại đó hàm mật độ xác suất
đạt cực đại.

3.3. Một số quy luật phân phối xác suất quan trọng
3.3.1. Quy luật phân phối nhị thức

a.Dãy phép thử Bernoulli.

Dãy phép thử Bernoulli là dãy n phép thử độc lập, trong mỗi phép thử chỉ có hai
trường hợp hoặc biến cố A xảy ra hoặc biến cố A không xảy ra

trường hợp hoặc biến cố A xảy ra hoặc biến cố A không xảy ra (A xảy ra).

trường hợp hoặc biến cố A xảy ra hoặc biến cố A không xảy ra (A xảy ra). Xác suất để
biến cố A xảy ra trong mỗi phép thử đều bằng p (xác suất để A không xảy ra trong
mỗi phép thử đều bằng q = 1 − p).
Công thức Bernoulli

Công thức BernoulliGọi X là số lần xuất hiện biến cố A trong dãy n phép thử
Bernoulli,

Bernoulli, thì X là ĐLNN rời rạc nhận các giá trị có thể là 0, 1, 2, . . . , n. Khi đó :

Bernoulli, thì X là ĐLNN rời rạc nhận các giá trị có thể là 0, 1, 2, . . . , n. Khi đó :
P(X = k) = Cnk p k q n−k .

b. Quy luật phân phối nhị thức
b. Quy luật phân phối nhị thức ĐLNN rời rạc X được gọi là tuân theo quy luật
phân phối nhị thức với hai tham số n và p, kí hiệu X ∼ B(n; p),
phân phối nhị thức với hai tham số n và p, kí hiệu X ∼ B(n; p), nếu nó nhận một
trong các giá trị 0, 1, 2, . . . , n với các xác suất được tính theo công thức
P(X = k) = Cnk p k q n−k , ∀k = 0, n.

P(X = k) = Cnk p k q n−k , ∀k = 0, n.
Nhận xét: Gọi X là ĐLNN đếm số lần biến cố A xảy ra trong dãy n phép thử
Bernouli. Với p là xác suất biến cố A xảy ra trong một lần thử, ta có: X ∼ B(n; p).
Đặc biệt, khi số phép thử n = 1,
P(X = k) = Cnk p k q n−k , ∀k = 0, n.
Nhận xét: Gọi X là ĐLNN đếm số lần biến cố A xảy ra trong dãy n phép thử
Bernouli. Với p là xác suất biến cố A xảy ra trong một lần thử, ta có: X ∼ B(n; p).
Đặc biệt, khi số phép thử n = 1, thì ta còn nói B(1; p) gọi là quy luật phân phối
không - một, kí hiệu X ∼ A(p).
c. Các số đặc trưng
Cho X ∼ B(n; p), thì :
▶ E (X ) = np;
▶ E (X ) = np;
▶ Var (X ) = npq.
▶ E (X ) = np;
▶ Var (X ) = npq.
▶ np − q ≤ mod(X ) ≤ np + p và mod(X ) ∈ Z.
Ví dụ.
Ví dụ. Một bài thi trắc nghiệm có 10 câu hỏi, mỗi câu có 4 phương án trả lời, trong đó
chỉ có 1 phương án trả lời đúng. Một thí sinh đi thi không học bài, chọn ngẫu nhiên
mỗi phương án trả lời trong mỗi câu hỏi. Tìm xác suất để thí sinh đó trả lời đúng
được:
được:
1. 2 câu ;
2. ít nhất 9 câu ;
3. Tìm số câu trả lời đúng có khả năng nhất của thí sinh.
Gọi X là số câu trả lời đúng trong 10 câu. Khi đó
được:
1. 2 câu ;
Gọi X là số câu trả lời đúng trong 10 câu. Khi đó X ∼ B(n; p), với n = 10 và
p = 0, 25.
được:
1. 2 câu ;
p = 0, 25.
2 .0, 252 .0, 758 = 0, 28;
1. P(X = 2) = C10
được:
1. 2 câu ;
p = 0, 25.
2 .0, 252 .0, 758 = 0, 28;
1. P(X = 2) = C10
9 .0.259 .0, 75 + C 10 .0, 2510 = 0, 00003.
2. P(X ≥ 9) = P(X = 9) + P(X = 10) = C10 10
được:
1. 2 câu ;
p = 0, 25.
2 .0, 252 .0, 758 = 0, 28;
1. P(X = 2) = C10
9 .0.259 .0, 75 + C 10 .0, 2510 = 0, 00003.
2. P(X ≥ 9) = P(X = 9) + P(X = 10) = C10 10
3. np − q ≤ mod(X ) ≤ np + p ⇔ mod(X ) = 2.
3.3.2. Quy luật phân phối chuẩn
Định nghĩa.
Định nghĩa. ĐLNN liên tục X được gọi là tuân theo quy luật phân phối chuẩn nếu
hàm mật độ xác suất của nó có dạng :
1 (x−µ)2
f (x) = √ e − 2σ2
σ 2π
trong đó µ, σ 2 là hai tham số, với σ > 0.

1 (x−µ)2
f (x) = √ e − 2σ2
σ 2π
trong đó µ, σ 2 là hai tham số, với σ > 0. Kí hiệu X ∼ N(µ; σ 2 ).

▶ Nếu µ = 0, σ = 1,
1 (x−µ)2
f (x) = √ e − 2σ2
σ 2π

▶ Nếu µ = 0, σ = 1, thì X ∼ N(0; 1) (phân phối chuẩn hóa).
1 (x−µ)2
f (x) = √ e − 2σ2
σ 2π

▶ Hàm mật độ xác suất của phân phối chuẩn hóa là:
1 x2
φ(x) = √ e − 2 (hàm Gauss).
2π
1 (x−µ)2
f (x) = √ e − 2σ2
σ 2π

1 x2
2π
X −µ
▶ Giả sử X ∼ N(µ; σ 2 ), thì U = ∼ N(0; 1).
σ
1 (x−µ)2
f (x) = √ e − 2σ2
σ 2π

1 x2
2π
X −µ
▶ Giả sử X ∼ N(µ; σ 2 ), thì U = ∼ N(0; 1). Phép biến đổi này gọi là phép
σ
chuẩn hóa.
Ý nghĩa
Thế giới tự nhiên, cũng như nhiều các quy luật kinh tế xã hội tuân theo luật phân phối
chuẩn này, điển hình như: Chỉ số thông minh IQ, chiều cao, cân nặng, chiều dài giấc
ngủ của con người; phổ điểm đánh giá một bài thi,...
2.2. Dạng đồ thị của hàm mật độ
Giả sử X ∼ N(µ; σ 2 ), đồ thị hàm mật độ xác suất :
Đồ thị hàm mật độ xác suất của phân phối chuẩn hóa :
Các số đặc trưng của phân phối chuẩn
Các số đặc trưng của phân phối chuẩn Giả sử X ∼ N(µ; σ 2 ), khi đó
Các số đặc trưng của phân phối chuẩn Giả sử X ∼ N(µ; σ 2 ), khi đó
▶ E (X ) = µ,
▶ Var (X ) = σ 2 ;
▶ mod(X ) = µ.
Xác suất để X nhận giá trị trong một khoảng
Xác suất để X nhận giá trị trong một khoảng
Xác suất để X nhận giá trị trong một khoảng Giả sử X ∼ N(µ; σ 2 ), thì

b−µ a−µ
P(a < X < b) = Φ −Φ
σ σ
trong đó

b−µ a−µ
P(a < X < b) = Φ −Φ
σ σ
1 Rx − t 2
trong đó Φ(x) = √ e 2 dt - hàm Laplace.
2π 0

b−µ a−µ
P(a < X < b) = Φ −Φ
σ σ
1 Rx − t 2
2π 0
Ghi chú.

b−µ a−µ
P(a < X < b) = Φ −Φ
σ σ
1 Rx − t 2
2π 0
Ghi chú.
Φ(x) : hàm lẻ, tức Φ(−x) = −Φ(x)

b−µ a−µ
P(a < X < b) = Φ −Φ
σ σ
1 Rx − t 2
2π 0
Ghi chú.
Với x > 5 thì Φ(x) ≈ 0, 5.

b−µ a−µ
P(a < X < b) = Φ −Φ
σ σ
1 Rx − t 2
2π 0
Ghi chú.
Với x > 5 thì Φ(x) ≈ 0, 5.
Hệ quả 1.

b−µ a−µ
P(a < X < b) = Φ −Φ
σ σ
1 Rx − t 2
2π 0
Ghi chú.
Với x > 5 thì Φ(x) ≈ 0, 5.
Hệ quả 1. Giả sử X ∼ N(µ; σ 2 ), thì

b−µ a−µ
P(a < X < b) = Φ −Φ
σ σ
1 Rx − t 2
2π 0
Ghi chú.
Với x > 5 thì Φ(x) ≈ 0, 5.

a−µ
1. P(X > a) = 0, 5 − Φ ;
σ

b−µ a−µ
P(a < X < b) = Φ −Φ
σ σ
1 Rx − t 2
2π 0
Ghi chú.
Với x > 5 thì Φ(x) ≈ 0, 5.

a−µ
1. P(X > a) = 0, 5 − Φ ;
σ

b−µ
2. P(X < b) = 0, 5 + Φ .
σ
P(a < X < b)
P(a < X < b)
P(X > a)
Lịch sử
Pierre-Simon Laplace (1749 – 1827) là một nhà toán học và nhà thiên văn học người
Pháp. Ông được nhớ đến như là một nhà khoa học lỗi lạc (đôi khi được nhắc đến như
là một Newton của Pháp).
Lịch sử
Pierre-Simon Laplace (1749 – 1827) là một nhà toán học và nhà thiên văn học người
Pháp. Ông được nhớ đến như là một nhà khoa học lỗi lạc (đôi khi được nhắc đến như
là một Newton của Pháp).
"Những điều ta biết không nhiều. Những điều ta không biết thật vô hạn."
Ví dụ. Giả sử điểm thi môn Lí thuyết xác suất và Thống kê Toán của sinh viên một
trường đại học là ĐLNN phân phối chuẩn với µ = 5, 5 và σ = 0, 6. Tìm tỉ lệ SV có
điểm thi
Ví dụ. Giả sử điểm thi môn Lí thuyết xác suất và Thống kê Toán của sinh viên một
trường đại học là ĐLNN phân phối chuẩn với µ = 5, 5 và σ = 0, 6. Tìm tỉ lệ SV có
điểm thi
1. dưới trung bình (dưới 5);
2. từ 5 đến 7.
3. trên 8.
Hệ quả 2.
ε
Hệ quả 2. Với ε > 0, ta có P(|X − µ| < ε) = 2Φ .
σ
Hệ quả 3 (Quy tắc 3σ).
ε
σ
Hệ quả 3 (Quy tắc 3σ). Từ hệ quả trên ta có:
P(µ − 3σ < X < µ + 3σ) = 2Φ(3) = 2.0, 49865 = 0, 9973.

ε
σ
P(µ − 3σ < X < µ + 3σ) = 2Φ(3) = 2.0, 49865 = 0, 9973.
Như vậy, nếu X ∼ N(µ; σ 2 ) thì hầu hết (99,73%) các giá trị của X nằm trong khoảng
(µ − 3σ; µ + 3σ).
ε
σ
P(µ − 3σ < X < µ + 3σ) = 2Φ(3) = 2.0, 49865 = 0, 9973.
Như vậy, nếu X ∼ N(µ; σ 2 ) thì hầu hết (99,73%) các giá trị của X nằm trong khoảng
(µ − 3σ; µ + 3σ).
Ý nghĩa của quy tắc sigma
@ IQ trung bình của dân số thế giới là 100, độ lệch chuẩn là 15.
@ 68.2% dân số thế giới có mức IQ từ 85 tới 115 (từ 100-15 tới 100+15) tức là trong
khoảng (µ − σ, µ + σ)
@ 100 người, thường có khoảng 68 người có IQ “trung bình”.
@ 100 người, thường có khoảng 68 người có IQ “trung bình”.
@ Xét nghiệm ADN để xác định huyết thống, mức 4σ , trùng khớp 99.99% - Nhưng
2.5. Mối liên hệ giữa phân phối nhị thức và phân phối chuẩn
2.5. Mối liên hệ giữa phân phối nhị thức và phân phối chuẩn
Giả sử X ∼ B(n; p).
Nếu n khá lớn, p không quá gần 0, không quá gần 1, thì phân phối nhị thức xấp xỉ
phân phối chuẩn, tức là
X ≃ N(µ; σ 2 ) với µ = np; σ 2 = npq
và
X ≃ N(µ; σ 2 ) với µ = np; σ 2 = npq
và
1 x0 − np
P(X = x0 ) = √ φ √
npq npq
trong đó φ : hàm Gauss.
Hơn nữa
X ≃ N(µ; σ 2 ) với µ = np; σ 2 = npq
và
1 x0 − np
P(X = x0 ) = √ φ √
npq npq
trong đó φ : hàm Gauss.
Hơn nữa
b − np a − np
P(a ≤ X ≤ b) = Φ √ −Φ √ .
npq npq
Ví dụ. Xác suất để mỗi người khách chọn mua áo sơ mi cỡ 40 là 0,3. Tìm xác suất để
trong 100 người mua áo có
1. 20 người mua áo cỡ 40;
2. từ 15 đến 25 người mua áo cỡ 40.
2.6. Tổng của n ĐLNN độc lập cùng phân phối chuẩn
Nếu X1 , X2 , . . . , Xn là các ĐLNN độc lập, Xi ∼ N(µi ; σi2 ) thì ĐLNN

Pn
X = Xi ∼
i=1

n n n
Xi ∼ N(µ; σ 2 ), với µ = µi và σ 2 = σi2 .
P P P
X =
i=1 i=1 i=1

n n n
P P P
X =
i=1 i=1 i=1
Hệ quả.

n n n
P P P
X =
i=1 i=1 i=1
Hệ quả. Nếu X1 , X2 , . . . , Xn là các ĐLNN 2
n
độc 2
lập có cùng phân phối chuẩn N(µ; σ )
1P σ
thì trung bình cộng X = Xi ∼ N µ; .
n i=1 n

n n n
P P P
X =
i=1 i=1 i=1
Hệ quả. Nếu X1 , X2 , . . . , Xn là các ĐLNN 2
n
độc 2
lập có cùng phân phối chuẩn N(µ; σ )
1P σ
thì trung bình cộng X = Xi ∼ N µ; .
n i=1 n
X −µ
Khi đó U = σ ∼ N(0; 1).
√
n
2.7. Phân vị
2.7. Phân vị
Định nghĩa.
2.7. Phân vị
Định nghĩa. Giả sử U ∼ N(0; 1).
2.7. Phân vị
Định nghĩa. Giả sử U ∼ N(0; 1). Với α ∈ (0; 1), ta tìm được uα sao cho
P(U > uα ) = α.
2.7. Phân vị
P(U > uα ) = α.
khi đó uα gọi là giá trị phân vị mức α của phân phối chuẩn.
2.7. Phân vị
P(U > uα ) = α.
Ghi chú.
2.7. Phân vị
P(U > uα ) = α.
Ghi chú.
@ α = Diện tích
2.7. Phân vị
P(U > uα ) = α.
Ghi chú.
@ α = Diện tích
@ Ta có:
P(U < uα ) = 1 − α.
@ Ta có:
P(U < uα ) = 1 − α.
@ u1−α = −uα
3. Phân phối khi bình phương (χ2(n) )
a) Khái niệm
Định nghĩa.
a) Khái niệm
Định nghĩa. Cho X1 , X2 , . . . , Xn là các ĐLNN độc lập, cùng phân phối N(0; 1), thì
a) Khái niệm
n
ĐLNN χ2 = Xi2 có phân phối hoàn toàn xác định, ta nói χ2 có phân phối khi bình
P
i=1
phương n bậc tự do, kí hiệu χ2 ∼ χ2(n) .
b) Đồ thị hàm mật độ
a) Khái niệm
n
P
i=1
y
O x
Ghi chú.
a) Khái niệm
n
P
i=1
y
O x
Ghi chú. Phân phối khi bình phương là phân phối lệch, nhưng khi n đủ lớn, phân phối
khi bình phương sẽ xấp xỉ phân phối chuẩn.
c) Phân vị
c) Phân vị
2(n)
Cho χ2 ∼ χ2(n) , khi đó, với α ∈ (0; 1) cho trước, luôn tồn tại giá trị χα thỏa mãn :

P χ2 > χ2(n)
α =α
c) Phân vị
2(n)

P χ2 > χ2(n)
α =α
2(n)
và χα được gọi là phân vị khi bình phương mức ý nghĩa α, n bậc tự do.
c) Phân vị
2(n)

P χ2 > χ2(n)
α =α
2(n)
y
1−α α
O 2(n)
χα x
c) Phân vị
2(n)

P χ2 > χ2(n)
α =α
2(n)
y y
1−α α α 1−α
O 2(n)
χα x Oχ2(n) x
1−α
c) Phân vị
2(n)

P χ2 > χ2(n)
α =α
2(n)
y y
1−α α α 1−α
O 2(n)
χα x Oχ2(n) x
1−α
c) Các đặc trưng chính

c) Phân vị
2(n)

P χ2 > χ2(n)
α =α
2(n)
y y
1−α α α 1−α
O 2(n)
χα x Oχ2(n) x
1−α
c) Các đặc trưng chính

Nếu χ2 ∼ χ2(n) thì E (χ2 ) = n và Var (χ2 ) = 2n.
4. Phân phối Student (T (n) )
a) Khái niệm
Định nghĩa.
a) Khái niệm
X
Định nghĩa. Cho X ∼ N(0; 1) và χ2 ∼ χ2(n) thì ĐLNN T = q có phân phối hoàn
χ2
n
toàn xác định,
a) Khái niệm
X
χ2
n
toàn xác định, ta nói T có phân phối Student n bậc tự do, kí hiệu T ∼ T (n) .
a) Khái niệm
X
χ2
n
Ghi chú.
a) Khái niệm
X
χ2
n
Ghi chú. Phân phối Student có đồ thị hàm mật độ đối xứng, và khi n đủ lớn, phân
phối Student sẽ xấp xỉ phân phối chuẩn.
c) Phân vị
c) Phân vị
2(n)
Cho T ∼ T (n) , khi đó, với α ∈ (0; 1) cho trước, luôn tồn tại giá trị tα thỏa mãn :

P T > tα2(n) = α
c) Phân vị
2(n)

P T > tα2(n) = α
2(n)
và tα được gọi là phân vị Student mức ý nghĩa α, n bậc tự do.
c) Phân vị
2(n)

P T > tα2(n) = α
2(n)
d) Các đặc trưng chính

c) Phân vị
2(n)

P T > tα2(n) = α
2(n)

n
Nếu T ∼ T (n) thì E (T ) = 0 nếu n > 1 và Var (T ) = nếu n > 2.
n−2
5. Phân phối Fisher - Snedecor (F (n1 , n2 ))
a) Khái niệm
Định nghĩa.
a) Khái niệm
Định nghĩa. Cho χ21 , χ22 là hai ĐLNN độc lập có phân phối khi bình phương n1 , n2 bậc
tự do, thì
a) Khái niệm
χ21
n1
tự do, thì ĐLNN F = có phân phối hoàn toàn xác định, ta nói F có phân phối
χ22
n2
Fisher - Snedecor n1 , n2 bậc tự do, kí hiệu F ∼ F (n1 , n2 ).
a) Khái niệm
χ21
n1
χ22
n2
y
O x
Ghi chú.
a) Khái niệm
χ21
n1
χ22
n2
y
O x
Ghi chú. Phân phối Fisher - Snedecor là phân phối lệch, nhưng khi n đủ lớn, phân
phối Fisher - Snedecor sẽ xấp xỉ phân phối chuẩn.
d) Phân vị
d) Phân vị
(n ,n )
Cho F ∼ F (n1 , n2 ), khi đó, với α ∈ (0; 1) cho trước, luôn tồn tại giá trị fα 1 2 thỏa
mãn :
P F > fα(n1 ,n2 ) = α
d) Phân vị
(n ,n )
mãn :
P F > fα(n1 ,n2 ) = α
(n1 ,n2 )
và fα được gọi là phân vị Fisher - Snedecor mức ý nghĩa α, n1 , n2 bậc tự do.
d) Phân vị
(n ,n )
mãn :
P F > fα(n1 ,n2 ) = α
(n1 ,n2 )
y
α
1−α
O (n1 ,n2 ) x
fα
d) Phân vị
(n ,n )
mãn :
P F > fα(n1 ,n2 ) = α
(n1 ,n2 )
y
y
α
1−α α 1−α
O (n ,n )
fα 1 2 x O f (n1 ,n2 ) x
1−α
Ghi chú.
Ghi chú.
1
▶ Nếu F ∼ F (n1 , n2 ) thì ∼ F (n2 , n1 ).
F
Ghi chú.
1
▶ Nếu F ∼ F (n1 , n2 ) thì ∼ F (n2 , n1 ).
F
1
▶ fα(n1 ,n2 ) = .
(n1 ,n2 )
f1−α
Ghi chú.
1
▶ Nếu F ∼ F (n1 , n2 ) thì ∼ F (n2 , n1 ).
F
1
▶ fα(n1 ,n2 ) = .
(n1 ,n2 )
f1−α
▶ Nếu T ∼ T (n) thì T 2 ∼ F (1, n).
Ghi chú.
1
▶ Nếu F ∼ F (n1 , n2 ) thì ∼ F (n2 , n1 ).
F
1
▶ fα(n1 ,n2 ) = .
(n1 ,n2 )
f1−α
▶ Nếu T ∼ T (n) thì T 2 ∼ F (1, n).
Nếu F ∼ F (n1 , n2 ) thì :
Ghi chú.
1
▶ Nếu F ∼ F (n1 , n2 ) thì ∼ F (n2 , n1 ).
F
1
▶ fα(n1 ,n2 ) = .
(n1 ,n2 )
f1−α
▶ Nếu T ∼ T (n) thì T 2 ∼ F (1, n).
Nếu F ∼ F (n1 , n2 ) thì :
n2
▶ E (F ) = , khi n2 > 2;
n2 − 2
Ghi chú.
1
▶ Nếu F ∼ F (n1 , n2 ) thì ∼ F (n2 , n1 ).
F
1
▶ fα(n1 ,n2 ) = .
(n1 ,n2 )
f1−α
▶ Nếu T ∼ T (n) thì T 2 ∼ F (1, n).
Nếu F ∼ F (n1 , n2 ) thì :
n2
▶ E (F ) = , khi n2 > 2;
n2 − 2
2n22 (n1 + n2 − 2)
▶ Var (F ) = , nếu n2 > 4.
n1 (n2 − 4)(n2 − 2)2

Chương 3. Lý Thuyết Xác Suất

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

Chương 3. Lý Thuyết Xác Suất

Uploaded by

Copyright:

Available Formats

TOÁN ĐẠI CƯƠNG

Chương 3: Lý thuyết xác suất

3.1. Biến cố ngẫu nhiên và xác suất

3.1.1. Khái niệm về phép thử và biến cố

3.1.1. Khái niệm về phép thử và biến cố

3.1.1. Khái niệm về phép thử và biến cố

3.1.1. Khái niệm về phép thử và biến cố

▶ Biến cố chắc chắn:

Người TN S.L tung S.L mặt sấp Tần suất

Người TN S.L tung S.L mặt sấp Tần suất

Người TN S.L tung S.L mặt sấp Tần suất

Chương 3: Lý thuyết xác suất

3.2.1. Định nghĩa và phân loại ĐLNN

3.2.1. Định nghĩa và phân loại ĐLNN

3.2.1. Định nghĩa và phân loại ĐLNN

3.2.1. Định nghĩa và phân loại ĐLNN

trong đó xi là các giá trị có thể có của X , pi = P(X = xi ).

trong đó xi là các giá trị P

trong đó xi là các giá trị P

trong đó xi là các giá trị P

2. 0 ≤ F (x) ≤ 1; F (+∞) = 1; F (−∞) = 0;

2. 0 ≤ F (x) ≤ 1; F (+∞) = 1; F (−∞) = 0;

2. 0 ≤ F (x) ≤ 1; F (+∞) = 1; F (−∞) = 0;

2. 0 ≤ F (x) ≤ 1; F (+∞) = 1; F (−∞) = 0;

2. 0 ≤ F (x) ≤ 1; F (+∞) = 1; F (−∞) = 0;

1. P(−0, 5 < X < 2, 1) =

1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

1. P(−0, 5 < X < 2, 1) = P(X = 0) + P(X = 2) = 0, 3.

được gọi là hàm mật độ xác suất của ĐLNN X .

được gọi là hàm mật độ xác suất của ĐLNN X .

được gọi là hàm mật độ xác suất của ĐLNN X .

được gọi là hàm mật độ xác suất của ĐLNN X .

được gọi là hàm mật độ xác suất của ĐLNN X .

Chương 3: Lý thuyết xác suất

3.3.1. Quy luật phân phối nhị thức

3.3.1. Quy luật phân phối nhị thức

3.3.1. Quy luật phân phối nhị thức

3.3.1. Quy luật phân phối nhị thức

3.3.1. Quy luật phân phối nhị thức

3.3.1. Quy luật phân phối nhị thức

3.3.1. Quy luật phân phối nhị thức

P(X = k) = Cnk p k q n−k .

P(X = k) = Cnk p k q n−k , ∀k = 0, n.

P(X = k) = Cnk p k q n−k , ∀k = 0, n.

P(X = k) = Cnk p k q n−k , ∀k = 0, n.

trong đó µ, σ 2 là hai tham số, với σ > 0.

trong đó µ, σ 2 là hai tham số, với σ > 0. Kí hiệu X ∼ N(µ; σ 2 ).

trong đó µ, σ 2 là hai tham số, với σ > 0. Kí hiệu X ∼ N(µ; σ 2 ).

trong đó µ, σ 2 là hai tham số, với σ > 0. Kí hiệu X ∼ N(µ; σ 2 ).

trong đó µ, σ 2 là hai tham số, với σ > 0. Kí hiệu X ∼ N(µ; σ 2 ).

trong đó µ, σ 2 là hai tham số, với σ > 0. Kí hiệu X ∼ N(µ; σ 2 ).

P(µ − 3σ < X < µ + 3σ) = 2Φ(3) = 2.0, 49865 = 0, 9973.

P(µ − 3σ < X < µ + 3σ) = 2Φ(3) = 2.0, 49865 = 0, 9973.

P(µ − 3σ < X < µ + 3σ) = 2Φ(3) = 2.0, 49865 = 0, 9973.

X ≃ N(µ; σ 2 ) với µ = np; σ 2 = npq

X ≃ N(µ; σ 2 ) với µ = np; σ 2 = npq

X ≃ N(µ; σ 2 ) với µ = np; σ 2 = npq

Nếu X1 , X2 , . . . , Xn là các ĐLNN độc lập, Xi ∼ N(µi ; σi2 ) thì ĐLNN