Chuong 6 - Phan Phoi Lien Tuc

Chapter 6 6-1
Chương 6
Biến ngẫu nhiên liên tục và

phân phối xác suất
Statistics for Business and Economics, 6e © 2007 Pearson Education, Inc. Chap 6-1
Mục tiêu chương
Sau khi hoàn thành chương này, bạn sẽ có thể:

 Giải thích sự khác biệt giữa một biến ngẫu nhiên rời rạc
và liên tục
 Mô tả các đặc điểm của phân phối đồng đều và phân
phối chuẩn
 Chuyển đổi các vấn đề phân phối chuẩn thành các vấn
đề phân phối chuẩn hóa (chuẩn tắc)
 Tìm xác suất sử dụng bảng phân phối chuẩn tắc
Mục tiêu chương

(continued)
Sau khi hoàn thành chương này, bạn sẽ có

thể:
 Đánh giá các giả định về tính chuẩn
 Sử dụng xấp xỉ chuẩn đối với phân phối nhị thức
 Nhận biết khi nào nên áp dụng phân phối mũ
 Giải thích các biến có phân phối kết hợp và tổ hợp tuyến
tính của các biến ngẫu nhiên
Statistics for Business and Economics, 6/e © 2007 Pearson Education, Inc.
Chapter 6 6-2
Phân phối xác suất

Phân phối
xác suất
Ch. 5 Phân phối Phân phối Ch. 6

xác suất xác suất
rời rạc liên tục
Binomial Đều
Hypergeometric Chuẩn
Poisson Mũ
Phân phối xác suất liên tục

 Một biến ngẫu nhiên liên tục là một biến có thể
giả sử nhận bất kỳ giá trị nào trong một khoảng
 độ dày của một mặt hàng
 thời gian cần thiết để hoàn thành một nhiệm vụ
 chiều cao tính bằng inch; trọng lượng, tính bằng kg
 doanh số bán hàng, lợi nhuận, chi phí, doanh thu
của các công ty; .v.v... .
 Chúng có thể nhận bất kỳ giá trị nào, chỉ phụ
thuộc vào khả năng đo lường chính xác.
 Trong thực tế, hầu hết các biến ngẫu nhiên là rời rạc
vì các giá trị được làm tròn.
Hàm phân phối tích lũy
 Hàm phân phối tích lũy (c.d.f), F(x), của một biến
ngẫu nhiên liên tục X biểu thị xác suất X không
vượt quá giá trị cụ thể của x
F(x)  P(X  x)
 Đặt a và b là hai giá trị có thể có của X, với a <b.
Xác suất mà X có giá trị nằm giữa a và b là
P(a  X  b)  F(b)  F(a)

Chapter 6 6-3
Hàm mật độ xác suất

Hàm mật độ xác suất (p.d.f), f(x), của biến ngẫu nhiên X có các thuộc
tính sau:
1. f(x) > 0 với mọi giá trị của x
2. Vùng bên dưới hàm mật độ xác suất f(x) trên tất cả các giá trị của biến
ngẫu nhiên X bằng 1,0
3. Xác suất X nằm giữa hai giá trị là diện tích dưới biểu đồ hàm mật độ giữa
hai giá trị
4. Hàm mật độ tích lũy F(x0) là diện tích dưới hàm mật độ xác suất f(x) từ giá
trị x tối thiểu lên đến x0
x0
F  x0    f  x dx
xm
trong đó xm là giá trị tối thiểu của biến ngẫu nhiên X
Xác suất như một diện tích
Vùng bóng mờ dưới đường cong là

xác suất X nằm giữa a và b
f(x)
P (a ≤ x ≤ b)
= P (a < x < b)
= F ( b)- F(a)
(Lưu ý rằng xác suất
của bất kỳ giá trị riêng
lẻ nào bằng không)
a b x
Phân phối đều (uniform distribution)
Probability
Distributions
Continuous
Probability
Distributions
Uniform
Normal
Exponential
Chapter 6 6-4
Phân phối đều
 Phân phối đồng đều là phân phối xác suất có xác

suất bằng nhau cho tất cả các kết quả có thể có
của biến ngẫu nhiên
f(x)
Tổng diện tích dưới
hàm mật độ xác suất
đồng đều là 1,0
xmin xmax x
Thuộc tính của phân phối

đồng đều
 Trung bình của phân phối đều là:
ab
μ
2
 Phương sai là:
(b - a) 2
σ2 
12
Chapter 6 6-5
Ví dụ phân phối đồng đều

Ví dụ: phân phối xác suất đều
trong khoảng 2 ≤ x ≤ 6:
1
f(x) = 6 - 2 = 0,25 khi 2 ≤ x ≤ 6
f(x)
ab 26
μ  4
0,25 2 2
(b - a)2 (6 - 2)2
σ2    1.333
2 6 x 12 12
Một trạm xăng có 1.000 gallon mỗi ngày. Lượng xăng bán ra
vào bất kỳ ngày cụ thể nào là không thể đoán trước và có
thể từ 0 - 1000 gallon. Từ lịch sử đã qua, nhu cầu về bất
kỳ số tiền nào cũng có khả năng như nhau.
 Hàm p.d.f: 0,001 0 x 1,000
f  x {
0 otherwise
 Xác suất mà doanh số giữa 250 và 750 :

P(250 < x < 750) = F(750) – F(250) = 0,001(750) –
0,001(250) = 0,5
Chapter 6 6-6
Ví dụ: Một nhóm sửa chữa có trách nhiệm dải đường ống
dẫn dầu dài 2 dặm. Khoảng cách (tính bằng dặm) mà tại
đó bất kỳ việc gãy ống xảy ra có thể được đại diện bởi
một biến ngẫu nhiên phân phối đều, với hàm mật độ xác
suất: f(x) = 0,5.
Tìm các hàm phân phối tích lũy và khả năng mà bất kỳ
đoạn gãy xảy ra giữa 0,5 dặm và 1,5 dặm dọc theo đoạn
này của đường ống.
Giải: Hàm tích lũy xác suất khi 0 < x < 2: F(x0) = 0,5x0.
Xác suất đoạn gãy xảy ra
giữa 0,5 – 1,5 dặm dọc đường ống là:
P(0,5 < x < 1,5) = 0,5.1,5 – 0,5.0,5= 0,5
Kỳ vọng của biến ngẫu nhiên

liên tục
 Vì xác suất của bất kỳ giá trị cụ thể nào là 0, nên các
giá trị dự kiến được tính bằng phép tính tích phân
 Trung bình của X, ký hiệu μX , được định nghĩa là giá
trị kỳ vọng của X.
 X  E  X    xf  x  dx
x
 Phương sai của X, ký hiệu σX2 , được định nghĩa là kỳ

vọng của độ lệch bình phương, (X - μX)2, của một
biến ngẫu nhiên từ trung bình của nó
 X2  E  X   X    E  X 2    X2
2
 
Hàm tuyến tính của biến

 Gọi W = a + bX , trong đó X có trung bình μX
và phương sai σX2 , và a và b là các hằng số
 Vậy thì trung bình của W là
μW  E(a  bX)  a  bμX
 Phương sai là
σ 2W  Var(a  bX)  b2σ 2X

 Độ lệch chuẩn của W là
σW  b σX
Chapter 6 6-7
Hàm tuyến tính của biến

(continued)
 Một trường hợp đặc biệt quan trọng của các kết quả
trước đó là biến ngẫu nhiên được chuẩn hóa
X  μX
Z
σX
 có trung bình bằng 0 và phương sai bằng 1
Hàm tuyến tính của biến: Ví dụ
Ví dụ: Một chủ nhà ước tính rằng trong phạm vi nhiệt độ
có khả năng, hóa đơn sưởi ấm tháng 1 của anh ta, bằng
đô la, sẽ là: Y = 290 – 5T, trong đó T là nhiệt độ trung
bình trong tháng, tính bằng độ F. Nếu nhiệt độ trung bình
tháng 1 có thể được biểu thị bằng một biến ngẫu nhiên có
giá trị trung bình là 24 và độ lệch chuẩn là 4, hãy tìm giá
trị trung bình và độ lệch chuẩn của hóa đơn sưởi ấm
tháng 1 này.
Giải: Ta có T = 24 và T = 4. Do vậy, kỳ vọng của hóa
đơn tiền sưởi: Y = 290 – 5. T = $170.
Và độ lệch chuẩn: Y = |-5|. T = 5.4 = $20.
Phân phối chuẩn

Probability
Distributions
Continuous
Probability
Distributions
Uniform
Normal
Exponential
Chapter 6 6-8

(continued)
 ‘Dạng hình chuông’

 Đối xứng f(x)
 trung bình, trung vị và Mode
bằng nhau
Vị trí được xác định bởi giá trị σ
trung bình, μ
x
Độ phân tán được xác định bởi μ
độ lệch chuẩn, σ
Mean
Biến ngẫu nhiên có phạm vi biến = Median
động vô hạn: = Mode
+  đến  

(continued)
 Phân phối chuẩn xấp xỉ với phân phối xác suất của
một loạt các biến ngẫu nhiên => được áp dụng
rộng rãi nhất
 Phân phối trung bình mẫu gần phân phối chuẩn với
kích thước “mẫu lớn”.
 Tính toán xác suất là trực tiếp và rõ ràng
 Phân phối xác suất chuẩn đã dẫn đến các quyết định
kinh doanh tốt trong một số ứng dụng
Nhiều phân phối chuẩn
Bằng cách thay đổi các tham số μ và σ, chúng ta

thu được các phân phối chuẩn khác nhau
Chapter 6 6-9
Hình dạng phân phối chuẩn

f(x) Thay đổi μ sẽ dịch chuyển
phân phối sang trái hay phải.
Thay đổi σ tăng hay

giảm sự phân tán.
σ
μ x
Cho trước trung bình μ và phương sai σ2 chúng ta định nghĩa

phân phối chuẩn sử dụng
ký hiệu X ~ N(μ,σ 2 )
Hình dạng phân phối chuẩn
Hàm mật độ xác suất chuẩn
 Công thức cho hàm mật độ xác suất chuẩn là
1 2 2
f(x)  e (x μ) /2σ
2π
trong đó e = hằng số toán học xấp xỉ bằng 2,71828

π = hằng số toán học xấp xỉ bằng 3,14159
μ = trung bình tổng thể
σ = độ lệch chuẩn tổng thể
x = bất kỳ giá trị nào của biến ngẫu nhiên,  < x < 
Chapter 6 6-10
Hàm tích lũy xác suất chuẩn
 Đối với một biến ngẫu nhiên chuẩn X có trung bình

μ và phương sai σ2 , tức là, X~N(μ, σ2), hàm phân
phối tích lũy là
F(x 0 )  P(X  x 0 )
F   1
f(x)
P(X  x 0 )
0 x0 x
Tính xác suất phân phối chuẩn
Xác suất cho một phạm vi các giá trị

được đo bằng diện tích dưới đường cong
P(a  X  b)  F(b)  F(a)
a μ b x
Tính xác suất phân phối chuẩn

(continued)
F(b)  P(X  b)
a μ b x
F(a)  P(X  a)
a μ b x
P(a  X  b)  F(b)  F(a)
a μ b x
Chapter 6 6-11
Phân phối chuẩn tắc

 Bất kỳ phân phối chuẩn nào (với bất kỳ kết hợp
trung bình và phương sai) cũng có thể được chuyển
đổi thành phân phối chuẩn tắc (Z), với trung bình 0
và phương sai 1
f(Z)
Z ~ N(0,1) 1
0 Z
 Cần chuyển đổi X đơn vị thành Z đơn vị bằng cách trừ giá trị
trung bình của X và chia cho độ lệch chuẩn của nó.
X μ
Z
σ
Ví dụ
 Nếu X theo phân phối chuẩn với trung bình

100 và độ lệch chuẩn 50, giá trị Z đối với X =
200 là
X  μ 200  100
Z   2.0
σ 50
 Điều này nói rằng X = 200 là hai độ lệch
chuẩn (cao hơn 2 lần của 50) trên giá trị trung
bình 100.
So sánh đơn vị X và Z
100 200 X (μ = 100, σ = 50)
0 2.0 Z (μ = 0, σ = 1)
Lưu ý rằng phân phối là như nhau, chỉ có tỷ lệ đã

thay đổi. Chúng ta có thể diễn đạt vấn đề theo đơn
vị gốc (X) hoặc theo đơn vị chuẩn hóa (Z)
Chapter 6 6-12
Tính xác suất chuẩn

 a μ b μ 
P(a  X  b)  P Z 
 σ σ 
f(x)  b μ  a μ 
 F   F 
 σ   σ 
a µ b x
a μ b μ
0 Z
σ σ
Xác suất là diện tích dưới

đường cong
Tổng diện tích nằm dưới đường cong là 1, và đồ thị
là đối xứng, nên phân nửa cao hơn trung bình, phân
nửa thấp hơn
f(X) P(   X  μ)  0.5
P(μ  X  )  0.5
0.5 0.5
μ X
P(   X  )  1.0
Bảng Phụ lục 1

 Bảng Chuẩn hóa trong sách giáo khoa (Bảng
phụ lục 1) hiển thị các giá trị của hàm phân phối
chuẩn tích lũy
 Đối với giá trị Z đã cho a, bảng hiển thị F(a)

(diện tích dưới đường cong từ vô cực âm đến
a)
F(a)  P(Z  a)
0 a Z
Chapter 6 6-13
Bảng phân phối chuẩn hóa
 Bảng Phụ lục 1 cung cấp xác suất F(a) cho mọi
giá trị a
Ví dụ: 0,9772
P(Z < 2,00) = 0,9772
0 2,00 Z
Bảng phân phối chuẩn hóa

(continued)
 Đối với giá trị Z âm, sử dụng vấn đề là phân

phối đối xứng để tìm xác suất cần thiết:
0,9772
0,0228
Ví dụ:
0 2,00 Z
P(Z < -2,00) = 1 – 0,9772
= 0,0228 0,9772
0,0228
-2,00 0 Z
Thủ tục chung để

tìm xác suất
Để tìm P(a < X < b) khi X có phân phối

chuẩn:
 Vẽ đường phác họa đường phân phối

chuẩn cho bài toán về X
 Chuyển đổi giá trị X thành giá trị Z
 Dùng Bảng phân phối tích lũy chuẩn
Chapter 6 6-14
Tìm xác suất phân phối chuẩn
 Giả sử X theo phân phối chuẩn với trung

bình 8,0 và độ lệch chuẩn 5,0
 Tìm P(X < 8,6)
X
8,0
8,6
Tìm xác suất phân phối chuẩn

(continued)
 Giả sử X theo phân phối chuẩn với trung bình 8,0 và
độ lệch chuẩn 5,0. Tìm P(X < 8,6)
X  μ 8.6  8.0
Z   0.12
σ 5.0
μ=8 μ=0
σ = 10 σ=1
8 8,6 X 0 0,12 Z
P(X < 8,6) P(Z < 0,12)

Giải: Tìm P(Z < 0,12)
Bảng xác suất chuẩn tắc P(X < 8,6)

(Một phần) = P(Z < 0,12)
z F(z) F(0,12) = 0,5478
0,10 0,5398
0,11 0,5438
0,12 0,5478
Z
0,13 0,5517 0,00
0,12
Chapter 6 6-15
Xác suất ở đuôi phải
 Giả sử X theo phân phối chuẩn với trung

bình 8,0 và độ lệch chuẩn 5,0.
 Bây giờ, tìm P(X > 8,6)
X
8,0
8,6
Xác suất ở đuôi phải

(continued)
 Bây giờ, tìm P(X > 8,6) …

P(X > 8,6) = P(Z > 0,12) = 1,0 - P(Z ≤ 0,12)
= 1,0 – 0,5478 = 0,4522
0,5478
1,000 1,0 – 0,5478
= 0,4522
Z Z
0 0
0,12 0,12
Tìm xác suất chuẩn: Ví dụ
Ví dụ: Xác suất giá trị danh mục đầu tư

Một khách hàng có một danh mục đầu tư có giá trị trung
bình bằng 1.000.000 đô la với độ lệch chuẩn là 30.000 đô
la. Tính xác suất giá trị của danh mục đầu tư của anh ấy
nằm trong khoảng từ 970.000 đến 1.060.000 đô la.
Giải: Chuyển đổi các giá trị X thành Z:
970.000 1.000.000
Z970.000   1
30.000
1.060.000 1.000.000
Z970.000   2
30.000
Như vậy: 970.000 < X < 1.060.000  -1 < Z < 2
Chapter 6 6-16
Tìm xác suất chuẩn: Ví dụ

Ví dụ: Xác suất giá trị danh mục đầu tư
Vẽ phác họa đường phân phối chuẩn.
Tính xác suất cần tìm:
P(970.000 < X< 1.000.000) = P(-1 < Z < 2) = 1 – P(Z < -1) – P(Z >2)
= 1 – 0,1587 – 0,0228 = 0,8185
Tìm giá trị X khi biết được

xác suất
 Các bước để tìm giá trị X cho xác suất đã

biết:
1. Tìm giá trị Z ứng với xác suất đã biết đó
2. Chuyển đổi sang giá trị X sử dụng công
thức:
X  μ  Zσ
Tìm giá trị X khi biết được

xác suất
(continued)
Ví dụ:
 Giả sử X theo phân phối chuẩn với trung bình
8,0 và độ lệch chuẩn là 5,0.
 Bây giờ hãy tìm giá trị X để chỉ 20% của tất cả
các giá trị nằm dưới X này
0,20
? 8,0 X
? 0 Z
Chapter 6 6-17
Tìm giá trị Z cho

20% nằm ở đuôi bên trái
1. Tìm giá trị Z cho xác suất đã biết
Bảng xác suất chuẩn tắc  20% diện tích nằm ở
(Một phần) đuôi trái tương ứng
z F(z) với giá trị Z là -0,84
0,82 0,7939 0,80
0,20
0,83 0,7967
0,84 0,7995
? 8,0 X
0,85 0,8023 -0,84 0 Z
Tìm giá trị X
2. Chuyển đổi sang X bằng công thức:
X  μ  Zσ
 8.0  ( 0.84 )5.0
 3.80
Vì vậy, 20% giá trị từ phân phối có giá

trị trung bình 8,0 và độ lệch chuẩn 5,0
nhỏ hơn 3,80
Đánh giá tính chuẩn
 Không phải tất cả các biến ngẫu nhiên liên tục

đều theo phân phối chuẩn
 Điều quan trọng là đánh giá mức độ xấp xỉ

phân phối chuẩn của số liệu
Chapter 6 6-18
Đồ thị xác suất chuẩn
 Đồ thị xác suất chuẩn (Normality Probability

Plot)
 Sắp xếp dữ liệu từ giá trị thấp đến cao
 Tìm xác suất tích lũy cho tất cả các giá trị
 Kiểm tra một biểu đồ của các giá trị quan sát so với
xác suất tích lũy (với xác suất chuẩn tích lũy trên trục
tung và giá trị dữ liệu được quan sát trên trục hoành)
 Đánh giá đồ thị để xem nó có tuyến tính không

(continued)
Một biểu đồ xác suất chuẩn đối với

dữ liệu từ một phân phối chuẩn sẽ
xấp xỉ đường thẳng:
100
Phần trăm
0
Số liệu

(continued)
Lệch trái Lệch phải

100 100
Percent
Percent
0 0
Data Data
Đồng đều
100
Nếu đồ thị không phải
đường thẳng thì số liệu
Percent
không theo phân phối

0 chuẩn
Data
Chapter 6 6-19
Phân phối xấp xỉ chuẩn đối với

phân phối nhị thức
 Nhớ lại phân phối nhị thức:

 n phép thử độc lập
 Xác suất thành công của mỗi lần thử = P
 Biến ngẫu nhiên X:

 Xi =1 nếu phép thử thứ i “thành công”
 Xi =0 nếu phép thử thứ i “thất bại”
E(X)  μ  nP
Var(X)  σ 2  nP(1- P)


(continued)
 Hình dạng phân phối nhị thức xấp xỉ chuẩn

nếu n lớn
Quy ước
 Phân phối chuẩn sẽ xấp xỉ tốt cho nhị thức
khi nP(1 – P) > 5
 Đôi khi: nP  5 hay n(1 – P)  5
Chapter 6 6-20

(continued)
 Gọi X là số lần thành công từ n thử nghiệm độc lập,

mỗi lần có xác suất thành công P.
 Chuẩn hóa thành giá trị Z từ phân phối nhị thức:
X  E(X) X  np
Z 
Var(X) nP(1  P)
 Nếu nP(1 - P) > 5,
 a  nP b  nP 
P(a  X  b)  P Z
 nP(1 P) nP(1  P) 

Ví dụ về xấp xỉ nhị thức

 40% tổng số cử tri ủng hộ đề xuất bỏ phiếu A. Xác
suất mà từ 76 đến 80 cử tri chỉ ra sự ủng hộ trong
một mẫu n = 200 là bao nhiêu?
 E(X) = µ = nP = 200(0,40) = 80
 Var(X) = σ2 = nP(1 – P) = 200(0,40)(1 – 0,40) = 48
(lưu ý: nP(1 – P) = 48 > 5 )
 76  80 80  80 
P(76  X  80)  P Z 
 200(0.4)(1 0.4) 200(0.4)(1 0.4) 

 P( 0.58  Z  0)
 F(0)  F( 0.58)
 0.5000  0.2810  0.2190
Biến ngẫu nhiên tỷ lệ
 Gọi P là một biến ngẫu nhiên tỷ lệ

X
P
n
trong đó: X: số lần thành công, và
n: cỡ mẫu
 Sử dụng biến đổi tuyến tính, phân phối chuẩn
có thể được dùng để tính xác suất với
P
P 1  P 
2 
n
Chapter 6 6-21
Biến ngẫu nhiên tỷ lệ: Ví dụ

(continued)
 Susan Chung tham gia một cuộc bầu cử với
một ứng cử viên khác. Một nhà dự báo đã lấy
một mẫu ngẫu nhiên gồm 900 cử tri, trong đó
500 người cho biết họ sẽ bỏ phiếu cho
Chung. Chung có thể thắng cử không?
 Nếu hơn 50% dân số bỏ phiếu cho Chung, cô
ấy sẽ thắng.
 Tính xác suất có 500 cử tri trở lên trong số 900
ủng hộ Chung
 Giả định rằng chính xác 50%, P = 0,5, dân số ủng
hộ cô ấy.
Biến ngẫu nhiên tỷ lệ: Ví dụ

(continued)
 Dùng phân phối nhị thức, xác suất 500 thành
công trong số 900 thử nghiệm nếu P = 0,5
P  X  500| n  900, P  0.5  P  X  500 |   450, 2  225
 500  450 
 P Z    P  Z  3.33  0.0004
 225 
 Xác suất rất nhỏ, P có thể lớn hơn 0,5, do

vậy cô ấy sẽ thắng.
 Một cách tiếp cận khác để tính toán xác suất:
 Tính xác suất mà hơn 55.6% (500/900) người
trong mẫu ủng hộ Susan nếu 50% tổng thể ủng hộ
cô ta.
Proportion random variable: Ex.

(continued)
 Dùng trung và phương sai của biến ngẫu
nhiên tỷ lệ:
 = P = 0,50
P1 P 0,51 0,5
2  
n 900
  0,0167
P P  0,556| n  900, P  0,5  P P  0,556|   0,5,  0,0167
 0,556  0,5 
 P Z   P Z  3,333  0,0004
 0,0167 
Chapter 6 6-22
Phân phối mũ
Probability
Distributions
Continuous
Probability
Distributions
Normal
Uniform
Exponential
Phân phối mũ
 Hữu ích cho các vấn đề về hàng chờ hoặc

xếp hàng
 Được sử dụng để lập mô hình khoảng thời
gian giữa hai lần xuất hiện của một sự kiện
(thời gian giữa các lần đến)
 Ví dụ:
 Thời gian giữa các xe tải đến một bến tàu dỡ hàng
 Thời gian giữa các giao dịch tại máy ATM
 Thời gian giữa các cuộc gọi điện thoại cho nhà điều hành
chính
Phân phối mũ
(continued)
 Một biến ngẫu nhiên theo phân phối mũ, T (t>0) có hàm
mật độ xác suất như sau:
f(t)  λ e  λ t for t  0
 Trong đó
  là số lần xuất hiện trung bình trong một đơn vị thời gian
 t là số đơn vị thời gian cho đến lần xuất hiện tiếp theo
 e = 2,71828
 T được cho là tuân theo phân phối xác suất mũ
Chapter 6 6-23
Phân phối mũ
 Được xác định bởi một tham số duy nhất, trung bình
của nó,  (lambda)
 Hàm phân phối tích lũy (xác suất thời gian đến ít hơn
thời gian xác định) là
F(t)  1  e  λ t
Trong đó e = hằng số toán học xấp xỉ bằng 2,71828

 = trung bình tổng thể của số lần đến trên mỗi đơn vị
t = bất kỳ giá trị nào của biến liên tục trong đó t > 0
Phân phối mũ
 Xác suất mà thời gian giữa hai lần đến là ta hay ít hơn:
P T  t a   1  e   ta
 Xác suất mà thời gian giữa hai lần đến giữa ta và tb:
  
P  tb  T  t a   1  e   t a  1  e   t b 
 e   tb  e   t a
Phân phối mũ

P t10  T  t20   1 e0,2t20  1 e0,2t10   
 e0,2t10  e0,2t20  0,1353  0,0183
 0,1170
Chapter 6 6-24
Phân phối mũ: Ví dụ
Ví dụ: Khách hàng đến quầy dịch vụ với mức 15

người mỗi giờ. Xác suất mà thời gian đến giữa các
khách hàng liên tiếp là ít hơn ba phút là bao nhiêu?
 Số lượng khách trung bình mỗi giờ là 15, nên  = 15

 3 phút là 0,05 giờ
 P(T < 0,05) = 1 – e- X = 1 – e-(15)(0,05) = 0,5276
 Vì vậy, xác suất là 52,76% cho việc thời gian đến
giữa các khách hàng liên tiếp là ít hơn ba phút

 Ví dụ: Thời gian phục vụ tại bàn thông tin thư viện
Thời gian phục vụ khách hàng tại bàn thông tin thư viện có
thể được mô hình hóa bằng phân phối mũ với thời gian phục
vụ trung bình là 5 phút. Xác suất mà một lần phục vụ khách
hàng sẽ mất nhiều hơn 10 phút là gì?
Giải: Đặt t biểu thị thời gian phục vụ (tính bằng phút). Tốc độ
phục vụ là  = 1/5 = 0,2 mỗi phút và hàm mật độ xác suất là:
f (t)  et
Xác suất cần tìm: P(T > 10) = 1 – P(T<10)
= 1 – F(10) = 1 – (1 – e-0,2.10) = 0,1353
Chapter 6 6-25
Hàm phân phối tích lũy kết hợp
 Gọi X1, X2, . . .Xk là các biến ngẫu nhiên liên tục
 Hàm phân phối tích lũy kết hợp của chúng,

F(x1, x2, . . .xk)
biểu diễn xác suất mà X1 nhỏ hơn x1, X2 nhỏ hơn x2,
và .v.v… một cách đồng thời; đó là
F(x1, x 2 ,, x k )  P(X1  x1  X2  x 2   Xk  x k )
Hàm phân phối tích lũy kết hợp

(continued)
 Các Hàm phân phối tích lũy

F(x1), F(x2), . . .,F(xk)
của từng biến ngẫu nhiên riêng lẻ được gọi là các
hàm phân phối biên
 Các biến ngẫu nhiên là độc lập khi và chỉ khi
F(x 1, x 2 ,, x k )  F(x 1 )F(x 2 )F(x k )
Hiệp phương sai

 Gọi X và Y là các biến ngẫu nhiên liên tục, với trung
bình μx và μy
 Kỳ vọng của (X - μx)(Y - μy) được gọi là hiệp phương

sai giữa X và Y
Cov(X, Y)  E[(X  μx )(Y  μy )]

 Một biểu thức thay thế nhưng tương đương là
Cov(X, Y)  E(XY)  μxμy

 Nếu các biến ngẫu nhiên X và Y là độc lập, thì hiệp phương sai
giữa chúng là 0. Tuy nhiên, điều ngược lại là không đúng.
Chapter 6 6-26
Tương quan
 Gọi X và Y là các biến ngẫu nhiên có phân phối kết

hợp.
 Tương quan giữa X và Y là
Cov(X, Y)
ρ  Corr(X, Y) 
σ Xσ Y
Tổng của các biến ngẫu nhiên

Gọi X1, X2, . . .Xk là k biến ngẫu nhiên với trung
bình μ1, μ2,. . . μk và phương sai
σ12, σ22,. . ., σk2. Vậy thì:
 Giá trị trung bình của tổng của chúng là tổng

các trung bình của chúng
E(X1  X 2    Xk )  μ1  μ2    μk
Tổng của các biến ngẫu nhiên

(continued)
 Nếu hiệp phương sai giữa mỗi cặp biến ngẫu nhiên
này là 0, thì phương sai của tổng của chúng là tổng
phương sai của chúng
Var(X1  X 2    Xk )  σ 12  σ 22    σ k2
 Tuy nhiên, nếu hiệp phương sai giữa các cặp biến
ngẫu nhiên không bằng 0, phương sai của tổng của
chúng là
K 1 K
Var(X1  X2    Xk )  σ12  σ 22    σ k2  2  Cov(Xi , X j )
i1 j i 1
Chapter 6 6-27
Hiệu số giữa hai biến ngẫu nhiên

Đối với 2 biến ngẫu nhiên, X và Y
 Trung bình của hiệu của chúng là hiệu của các trung
bình của chúng; đó là
E(X  Y)  μ X  μY
 Nếu hiệp phương sai giữa X và Y là 0, thì phương sai
của hiệu của chúng là
Var(X  Y)  σ 2X  σ 2Y
 Nếu hiệp phương sai giữa X và Y khác 0, thì phương
sai của hiệu của chúng là
Var(X  Y)  σ 2X  σ 2Y  2Cov(X, Y)
Tổ hợp tuyến tính của các biến

ngẫu nhiên
 Một tổ hợp tuyến tính của hai biến ngẫu nhiên X và Y,

(trong đó a và b là hằng số) là
W  aX  bY
 Trung bình của W là
μW  E[W]  E[aX  bY]  aμX  bμY
Tổ hợp tuyến tính của các biến

ngẫu nhiên
(continued)
 Phương sai của W là
σ 2W  a 2σ 2X  b 2σ 2Y  2abCov(X, Y)
 Hay dùng hệ số tương quan,
σ 2W  a 2σ 2X  b 2σ 2Y  2abCorr(X, Y)σ Xσ Y
 Nếu cả X và Y là các biến ngẫu nhiên phân phối kết

hợp chuẩn, thì tổ hợp tuyến tính, W, cũng theo phân
phối chuẩn
Chapter 6 6-28
Ví dụ
 Hai nhiệm vụ phải được thực hiện bởi cùng một công
nhân.
 X = số phút để hoàn thành nhiệm vụ 1; μx = 20, σx = 5
 Y = số phút để hoàn thành nhiệm vụ 2; μy = 20, σy = 5
 X và Y theo phân phối chuẩn và độc lập
 Trung bình và độ lệch chuẩn của thời gian để hoàn thành

cả hai nhiệm vụ là gì?
Ví dụ
(continued)
 X = số phút để hoàn thành nhiệm vụ 1; μx = 20, σx = 5
 Y = số phút để hoàn thành nhiệm vụ 2; μy = 30, σy = 8
 Trung bình và độ lệch chuẩn của thời gian để hoàn thành cả hai
nhiệm vụ là gì?
W  XY
μW  μX  μY  20  30  50
 Do X và Y độc lập, Cov(X,Y) = 0, nên
σ 2W  σ 2X  σ 2Y  2Cov(X, Y)  (5)2  (8)2  89

 Độ lệch chuẩn là
σ W  89  9.434
Tóm tắt chương

 Xác định được các biến ngẫu nhiên liên tục
 Trình bày các phân phối xác suất liên tục chủ yếu và các
thuộc tính của chúng
 đồng đều, chuẩn, mũ
 Tìm xác suất bằng cách sử dụng công thức và bảng
 Giải thích đồ thị xác suất chuẩn
 Xem xét khi nào nên áp dụng các phân phối khác nhau
 Áp dụng xấp xỉ chuẩn cho phân phối nhị thức
 Xem xét các thuộc tính của các biến ngẫu nhiên liên tục
có phân phối kết hợp

Chuong 6 - Phan Phoi Lien Tuc

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

Chuong 6 - Phan Phoi Lien Tuc

Uploaded by

Copyright:

Available Formats

Chapter 6 6-1

Biến ngẫu nhiên liên tục và

Mục tiêu chương

Sau khi hoàn thành chương này, bạn sẽ có thể:

Mục tiêu chương

Sau khi hoàn thành chương này, bạn sẽ có

Phân phối xác suất

Ch. 5 Phân phối Phân phối Ch. 6

Phân phối xác suất liên tục

Hàm phân phối tích lũy

P(a  X  b)  F(b)  F(a)

Hàm mật độ xác suất

Xác suất như một diện tích

Vùng bóng mờ dưới đường cong là

Phân phối đều (uniform distribution)

Phân phối đều

 Phân phối đồng đều là phân phối xác suất có xác

Thuộc tính của phân phối

 Trung bình của phân phối đều là:

Ví dụ phân phối đồng đều

Ví dụ phân phối đồng đều

 Xác suất mà doanh số giữa 250 và 750 :

Ví dụ phân phối đồng đều

Ví dụ phân phối đồng đều

Kỳ vọng của biến ngẫu nhiên

 Phương sai của X, ký hiệu σX2 , được định nghĩa là kỳ

Hàm tuyến tính của biến

σ 2W  Var(a  bX)  b2σ 2X

Hàm tuyến tính của biến

Hàm tuyến tính của biến: Ví dụ

Phân phối chuẩn

Phân phối chuẩn

 ‘Dạng hình chuông’

Phân phối chuẩn

Nhiều phân phối chuẩn

Bằng cách thay đổi các tham số μ và σ, chúng ta

Hình dạng phân phối chuẩn

Thay đổi σ tăng hay

Cho trước trung bình μ và phương sai σ2 chúng ta định nghĩa

Hình dạng phân phối chuẩn

Hàm mật độ xác suất chuẩn

 Công thức cho hàm mật độ xác suất chuẩn là

trong đó e = hằng số toán học xấp xỉ bằng 2,71828

Hàm tích lũy xác suất chuẩn

 Đối với một biến ngẫu nhiên chuẩn X có trung bình

Tính xác suất phân phối chuẩn

Xác suất cho một phạm vi các giá trị

P(a  X  b)  F(b)  F(a)

Tính xác suất phân phối chuẩn

P(a  X  b)  F(b)  F(a)

Phân phối chuẩn tắc

 Nếu X theo phân phối chuẩn với trung bình

100 200 X (μ = 100, σ = 50)

Lưu ý rằng phân phối là như nhau, chỉ có tỷ lệ đã

Tính xác suất chuẩn

Xác suất là diện tích dưới

Bảng Phụ lục 1

 Đối với giá trị Z đã cho a, bảng hiển thị F(a)

Bảng phân phối chuẩn hóa

Bảng phân phối chuẩn hóa

 Đối với giá trị Z âm, sử dụng vấn đề là phân

Thủ tục chung để

Để tìm P(a < X < b) khi X có phân phối