Professional Documents
Culture Documents
Chương 3 Một Số Quy Luật Ppxs Thông Dụng
Chương 3 Một Số Quy Luật Ppxs Thông Dụng
3 4
1
§2 Quy luật phân phối Poa-sông – P(λ)
Ví dụ 2: Một người mỗi ngày đi bán hàng ở 5 chỗ khác
nhau. Việc bán được hàng ở mỗi nơi là độc lập nhau với
xác suất bán được hàng ở mỗi nơi là 0,3.
a) Tìm xác suất người đó bán được hàng trong 1 ngày. 1. Định nghĩa
b) Mỗi năm người đó đi bán hàng 300 ngày, tìm số Biến ngẫu nhiên 𝑋 có thể nhận các giá trị 0,1,2, …
ngày bán được hàng nhiều khả năng nhất trong năm. được gọi là có phân phối Poa-sông (Poisson) với
tham số 𝜆 > 0 nếu:
𝝀𝒙
𝑷 𝑿 = 𝒙 = 𝒆−𝝀 . , 𝒙 = 𝟎, 𝟏, 𝟐, …
𝒙!
Kí hiệu: 𝑿~𝑷 𝝀 .
5 6
7 8
2
Ví dụ 1: Ở một tổng đài Bưu điện, các cú điện thoại
gọi đến xuất hiện ngẫu nhiên, độc lập với nhau với tốc 4. Xấp xỉ phân phối nhị thức bởi phân phối Poisson
độ trung bình 2 cuộc gọi trong 1 phút. Tìm xác suất:
a) Có đúng 5 cuộc gọi trong 2 phút. Phân bố Poisson là giới hạn của phân bố nhị thức với
các tham số 𝒏 và 𝒑 = 𝝀/𝒏. Tức là:
b) Không có cú điện thoại nào trong khoảng thời
gian 30 giây. 𝒙 𝒏−𝒙
𝝀 𝝀 𝝀𝒙 −𝝀
c) Có ít nhất 1 cú điện thoại trong khoảng thời gian 𝐥𝐢𝐦 𝑪𝒙𝒏 𝟏− = 𝒆
𝒏→+∞ 𝒏 𝒏 𝒙!
10 giây.
9 10
11 12
3
§3 Quy luật phân phối siêu bội – H(N, M, n)
Định nghĩa: Biến ngẫu nhiên X có thể nhận giá trị trong
tập 𝒎𝒂𝒙 𝟎, 𝒏 + 𝑴 − 𝑵 , … , 𝒎𝒊𝒏(𝒏, 𝑴) với các xác
suất được cho bởi công thức (1) được gọi là có phân
1. Định nghĩa phối siêu bội (siêu hình học) với các tham số N, M và n.
Một hộp có N quả cầu, trong đó có M quả đỏ và K Kí hiệu: 𝑿~𝐇(𝐍, 𝐌, 𝐧) (H – Hypergeometric)
quả xanh (N = M + K). Lấy ngẫu nhiên 𝑛 quả cầu.
2. Các tham số đặc trưng Ví dụ: Trong 60 cây vàng có 15 cây không đạt tiêu chuẩn.
Từ đó rút ngẫu nhiên đồng thời 10 cây để kiểm tra. Tìm
Nếu biến ngẫu nhiên X ~ H(N, M, n) thì:
trung bình số cây không đạt tiêu chuẩn trong 10 cây này.
𝑀
+) 𝐸 𝑋 = 𝑛𝑝, với 𝑝 = Giải.
𝑁
𝑁−𝑛 Gọi X = “số cây không đạt tiêu chuẩn trong 10 cây
+) 𝑉 𝑋 = 𝑛𝑝𝑞 , với 𝑞 = 1 − 𝑝 đã rút ra”
𝑁−1
Ta có: X ~ H(60, 15, 10)
Trung bình số cây không đạt tiêu chuẩn là:
𝑀 15
E(X) = 𝑛 × = 10 × = 2,5
𝑁 60
15 16
4
3. Xấp xỉ quy luật phân phối siêu bội bởi quy luật §4 Quy luật phân phối đều – U(a; b)
nhị thức
• Giả sử X ~ H(N, M, n), nếu 𝑁 khá lớn và 𝑛 rất
nhỏ so với 𝑁 thì
1. Định nghĩa
𝑥 𝑛−𝑥
𝐶𝑀 𝐶𝑁−𝑀 𝑀 𝑥 𝑀 𝑛−𝑥
𝑃 𝑋=𝑥 = 𝑛 ≈ 𝐶𝑛𝑥 1− Biến ngẫu nhiên liên tục X được gọi là có phân phối
𝐶𝑁 𝑁 𝑁
công thức xấp xỉ trên khá tốt khi 𝑛 < 0,05𝑁. đều trong khoảng (𝑎; 𝑏) nếu hàm mật độ xác suất của
nó có dạng:
• Khi N khá lớn so với n. Việc lấy ra n phần tử từ
𝟏
tổng thể N phần tử theo phương thức có hoàn lại , nếu 𝒙 ∈ (𝒂; 𝒃)
𝒇 𝒙 = ቐ 𝒃−𝒂
hay không hoàn lại được coi là như nhau. 𝟎, nếu 𝒙 ∉ (𝒂; 𝒃)
19 20
5
§5 Quy luật phân phối mũ – E(λ)
Hàm mật độ xác suất
0, nếu 𝑥 < 0
𝑓 𝑥 =ቊ
𝜆𝑒 −𝜆𝑥 , nếu 𝑥 ≥ 0
1. Định nghĩa
Biến ngẫu nhiên liên tục X được gọi là có phân phối
mũ với tham số λ (λ > 0) nếu hàm mật độ xác suất
của nó có dạng:
𝟎, nếu 𝒙 < 𝟎 Hàm phân bố xác suất
𝒇 𝒙 =ቊ
𝝀𝒆−𝝀𝒙 , nếu 𝒙 ≥ 𝟎 0, nếu 𝑥 < 0
𝐹 𝑥 =ቊ
Kí hiệu: X ~ E(λ) (E – Exponential) 1 − 𝑒 −𝜆𝑥 , nếu 𝑥 ≥ 0
21 22
2. Các tham số đặc trưng Ví dụ: Tuổi thọ X (tính bằng năm) của một mạch điện
Nếu biến ngẫu nhiên X ~ E(λ) thì: tử trong máy tính là biến ngẫu nhiên có phân phối
1 mũ, trung bình 6,25 năm. Thời gian bảo hành của
+) 𝐸 𝑋 = , mạch điện tử là 5 năm.
𝜆
2 1 Tính tỉ lệ mạch điện tử bán ra phải bảo hành.
+) 𝐸 𝑋 2 = do đó V(X)=
𝜆2 𝜆2
6
§6 Quy luật phân phối chuẩn – N(μ; σ2)
1. Định nghĩa
Biến ngẫu nhiên X được gọi là có phân phối chuẩn
với các tham số μ và σ2 (σ > 0) nếu hàm mật độ xác
suất của nó có dạng:
(𝒙−𝝁)𝟐
𝟏 −
𝒇 𝒙 = 𝒆 𝟐𝝈𝟐 , ∀𝒙 ∈ 𝑹 Đồ thị hàm mật độ của phân bố chuẩn
𝝈 𝟐𝝅
27
+) Φ0 +∞ = 0,5 và Φ0 −∞ = −0,5 28
7
Ta có: Ví dụ 1: Thời gian X (tính bằng phút) của một khách
𝒂−𝝁 hàng chờ để được phục vụ tại một quầy hàng là biến
𝑷 𝑿 > 𝒂 = 𝟎, 𝟓 − 𝚽𝟎 ngẫu nhiên với X ~ N(4,5; 1,21).
𝝈
𝒃−𝝁 a) Tính tỉ lệ khách hàng phải chờ để được phục vụ
𝑷 𝑿 < 𝒃 = 𝟎, 𝟓 + 𝚽𝟎
𝝈 từ 3,5 phút đến 6 phút; quá 7 phút.
b) Thời gian phải chờ tối thiểu là bao nhiêu, nếu
Chú ý: Trong thực hành, với 𝑢 > 5 ta coi
không để quá 5% khách hàng phải chờ phục vụ
Φ0 𝑢 ≈ Φ0 5 = 0,5 vượt quá thời gian đó.
29 30
4. Quy luật phân phối chuẩn hóa Giá trị tới hạn chuẩn mức α của biến ngẫu nhiên U ~
N(0; 1), kí hiệu là 𝒖𝜶 , là giá trị thỏa mãn:
Định nghĩa: Biến ngẫu nhiên U ~ N(0; 1) được gọi là
có phân phối chuẩn hóa. 𝑷 𝑼 > 𝒖𝜶 = 𝜶
Hàm mật độ xác suất của biến ngẫu nhiên U có phân
phối chuẩn hóa là:
𝟏 𝒖𝟐
𝝋 𝒖 = 𝒆− 𝟐
𝟐𝝅
Nhận xét: Nếu biến ngẫu nhiên X ~ N(μ; σ2) thì biến
𝑿−𝝁
ngẫu nhiên 𝑼 = ~𝑵 𝟎; 𝟏 .
𝝈
Nhận xét: +) 𝑢1−𝛼 = −𝑢𝛼 ,
+) Φ0 𝑢𝛼 = 0,5 − 𝛼.
31 32
8
5. Quy tắc 2 xích ma và quy tắc 3 xích ma
Với 𝑋~𝑁(𝜇; 𝜎 2 ) và 𝜀 > 0 ta có:
𝜺
𝑷 𝑿 − 𝝁 < 𝜺 = 𝟐𝚽𝟎
𝝈
• 𝜀 = 2𝜎 , ta có:
𝑃 𝑋 − 𝜇 < 2𝜎 = 2Φ0 2 ≈ 0,9544 (1)
•𝜀 = 3𝜎 , ta có:
𝑃 𝑋 − 𝜇 < 3𝜎 = 2Φ0 3 ≈ 0,9973 (2) Quy tắc: Nếu quy luật phân phối xác suất của biến
ngẫu nhiên được nghiên cứu chưa biết, song nó thỏa
mãn (1) hoặc (2) thì có thể xem như biến ngẫu nhiên
đó có phân phối xấp xỉ chuẩn.
33 34
6. Phân phối xác suất của tổng các biến ngẫu nhiên 7. Xấp xỉ quy luật nhị thức, quy luật Poisson bởi quy
độc lập tuân theo cùng một quy luật luật phân phối chuẩn
a) Xấp xỉ quy luật nhị thức bởi quy luật chuẩn
• Giả sử các biến ngẫu nhiên 𝑋1 , 𝑋2 , … , 𝑋𝑛 độc lập
với nhau và 𝑿𝒊 ~𝑵 𝝁𝒊 ; 𝝈𝟐𝒊 , 𝑖 = 1, … , 𝑛 . Khi đó Giả sử X ~ B(n; p) với 𝑛, 𝑝 thỏa mãn:
biến ngẫu nhiên 1 𝑝 1−𝑝
𝒏 𝒏 𝒏 𝑛 > 5 và − < 0,3
𝑛 1−𝑝 𝑝
𝑿 = 𝑿𝒊 ~𝑵 𝝁𝒊 ; 𝝈𝟐𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 Khi đó:
9
Ví dụ 2: Xác suất để sản phẩm sau khi sản xuất
không được kiểm tra chất lượng bằng 0,2. Tìm xác
suất để trong 400 sản phẩm được sản xuất ra có:
a) 80 sản phẩm không được kiểm tra chất lượng.
b) Từ 70 đến 100 sản phẩm không được kiểm tra
chất lượng.
Phân phối xác suất của biến ngẫu nhiên nhị thức
𝐵(𝑛, 𝑝) càng gần với phân phối chuẩn khi 𝑛 lớn
37 38
39 40
10
§7 Một số quy luật phân phối khác Các tham số đặc trưng: E(χ2) = n; V(χ2) = 2n.
2(𝑛)
Giá trị tới hạn mức α của phân phối này là số 𝜒𝛼
2 𝑛
thỏa mãn: 𝑃 𝜒 2 > 𝜒𝛼 = 𝛼.
𝟐
1. Quy luật phân phối khi bình phương - 𝝌 𝒏
Định nghĩa: Biến ngẫu nhiên χ2 được gọi là có quy
luật phân phối khi bình phương với 𝑛 bậc tự do nếu
hàm mật độ xác suất có dạng sau
0 với 𝑥 ≤ 0
1 𝑥 𝑛
𝑓 𝑥 = 𝑛 . 𝑒 −2 . 𝑥 2 −1 với 𝑥 > 0
𝑛
22 Γ
2
+∞
trong đó Γ 𝑥 = 0 𝑡 𝑥−1 𝑒 −𝑡 𝑑𝑡 - hàm Gamma.
Nếu 𝑛 là một số nguyên thì Г(n+1) = n! 41 42
43 44
11
Phân bố Poisson mang tên của nhà toán học và vật lí Abraham de Moivre, một nhà toán học người Anh gốc Pháp,
người Pháp Siméon Denis Poisson (1781 – 1840). là người đầu tiên đưa ra phân phối chuẩn trong bài báo năm
Trong lí thuyết xác suất, Poisson được biết đến nhiều 1734 (được in lại trong ấn bản lần 2 The Doctrine of Chances,
nhất bởi phân bố Poisson và quá trình Poisson (một 1738) khi muốn xấp xỉ một phân phối nhị thức với n lớn. Sau
quá trình ngẫu nhiên ứng với phân bố này). Tên gọi đó Gauss, một nhà toán học người Đức, đã dùng luật phân phối
chuẩn để nghiên cứu các dữ liệu về thiên văn học (1809) và do
luật số lớn (ở chương 5) cũng là do Poisson đặt ra.
vậy cũng được gọi là phân phối Gauss.
12