Chương 3

§1 Quy luật phân phối nhị thức – B(n; p)

Một số quy luật phân phối xác suất
thông dụng

1. Quy luật phân phối nhị thức 1. Định nghĩa

2. Quy luật phân phối Poisson
Biễn ngẫu nhiên 𝑋 được gọi là có phân phối nhị thức
3. Quy luật phân phối siêu bội với các tham số 𝒏 và 𝒑 nếu:
4. Quy luật phân phối đều
𝑷 𝑿 = 𝒙 = 𝑪𝒙𝒏 𝒑𝒙 (𝟏 − 𝒑)𝒏−𝒙 , 𝒙 = 𝟎, 𝟏, … , 𝒏
5. Quy luật phân phối mũ
6. Quy luật phân phối chuẩn Kí hiệu: 𝑿~𝑩(𝒏; 𝒑) (B – Binomial).
7. Một số quy luật phân phối khác
2
1

2. Các tham số đặc trưng

Ví dụ 1: Trong một hòm có chứa 7 linh kiện loại 1 và 3
Nếu 𝑋~𝐵(𝑛; 𝑝) thì:
linh kiện loại 2. Lấy có hoàn lại ra 5 sản phẩm và gọi X
+) 𝐸 𝑋 = 𝑛𝑝, là số linh kiện loại 1 được lấy ra.
+) 𝑉 𝑋 = 𝑛𝑝𝑞, với 𝑞 = 1 − 𝑝 a) Nêu quy luật phân phối xác suất của X.
b) Tính P(X < 3).
+) 𝑛𝑝 − 𝑞 ≤ 𝑚0 ≤ 𝑛𝑝 + 𝑝.
c) Tính P(X = 4) trong trường hợp lấy không hoàn lại.

Nhận xét: Nếu gọi 𝑋 = “số lần xuất hiện biến cố A”

trong 𝑛 phép thử Becnulli mà 𝑃 𝐴 = 𝑝 trong mỗi
phép thử thì 𝑋~𝐵(𝑛; 𝑝).

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

Bài toán dẫn đến phân phối Poisson: Gọi X là số lần

2. Các tham số đặc trưng xuất hiện biến cố A tại những thời điểm ngẫu nhiên trong
khoảng thời gian (𝑡1 ; 𝑡2 ) thoả mãn:
Nếu 𝑋~𝑃(𝜆) thì:
+) Số lần xuất hiện A trong khoảng thời gian (𝑡1 ; 𝑡2 )
+) 𝐸 𝑋 = 𝜆,
không ảnh hưởng tới xác suất xuất hiện A trong các
+) 𝑉 𝑋 = 𝜆, khoảng thời gian kế tiếp.
+) 𝜆 − 1 ≤ 𝑚0 ≤ 𝜆. +) “Cường độ” xuất hiện A là không thay đổi, nghĩa là
số lần A xuất hiện trung bình trong khoảng thời gian
(𝑡1 ; 𝑡2 ) tỉ lệ với độ dài khoảng đó.

Chứng minh được 𝑋~𝑃(𝜆) với 𝜆 = 𝑐(𝑡2 − 𝑡1 ), hằng số 𝑐

được gọi là cường độ xuất hiện của A.

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.

Đ/s: a) ≈ 0,1563 b) ≈ 0,3679 c) ≈ 0,2835

9 10

Trong trường hợp số phép thử 𝑛 lớn (𝑛 ≥ 20), xác

suất 𝑝 nhỏ (𝑝 ≤ 0,1 sao cho 𝑛𝑝 ≈ 𝑛𝑝𝑞) và tích 𝑛𝑝 = 𝜆
không đổi, các xác suất của phân phối nhị thức có thể
tính xấp xỉ như sau:
𝝀𝒙
𝑷 𝑿 = 𝒙 = 𝑪𝒙𝒏 𝒑𝒙 (𝟏 − 𝒑)𝒏−𝒙 ≈ 𝒆−𝝀 ,
𝒙!
𝒙 = 𝟎, 𝟏, 𝟐, …

Đồ thị minh họa các phân phối P(3,5) và B(35; 0,1)

11 12

3
§3 Quy luật phân phối siêu bội – H(N, M, n)
1. Định nghĩa
Một hộp có N quả cầu, trong đó có M quả đỏ và K
quả xanh (N = M + K). Lấy ngẫu nhiên 𝑛 quả cầu.
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
phối siêu bội (siêu hình học) với các tham số N, M và n.
Kí hiệu: 𝑿~𝐇(𝐍, 𝐌, 𝐧) (H – Hypergeometric)

Gọi X = “số quả cầu đỏ lấy được”

Tập giá trị của X là: 𝑚𝑎𝑥 0, 𝑛 − 𝐾 , … , 𝑚𝑖𝑛(𝑛, 𝑀) .
Ta có:
𝑪𝒙𝑴 𝑪𝒏−𝒙
𝑵−𝑴
𝑷 𝑿=𝒙 = (1)
𝑪𝒏
𝑵 13 14

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)

17 Kí hiệu: X ~ U(a; b) (U – Uniform) 18

Ví dụ: Khi thâm nhập vào một thị trường mới,

2. Các tham số đặc trưng doanh nghiệp không thể khẳng định được một
Nếu biến ngẫu nhiên X ~ U(a; b) thì: cách chắc chắn doanh số hàng tháng có thể đạt
𝑎+𝑏 được sẽ là bao nhiêu mà chỉ dự kiến được rằng
+) 𝐸 𝑋 =
2 doanh số tối thiểu sẽ là 20 triệu đồng/tháng và tối
(𝑏 − 𝑎)2 đa là 40 triệu đồng/tháng.
+) 𝑉 𝑋 =
12 Tìm xác suất để doanh nghiệp đạt được doanh
số tối thiểu là 35 triệu đồng/tháng.

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

Phân bố mũ có thể được dùng làm mô hình xác suất

cho những biến ngẫu nhiên kiểu “khoảng cách giữa
hai lần xuất hiện”, ví dụ như: khoảng cách giữa hai
cú điện thoại gọi đến, khoảng cách giữa hai gen đột
biến kế tiếp tên một giải DNA, v.v.
23 24

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

Kí hiệu: X ~ N(μ; σ2) (N – Normal).

25 26

3. Các công thức xác suất

2. Các tham số đặc trưng
Giả sử X ~ N(μ; σ2), khi đó:
Nếu X ~ N(μ; σ2) thì:
+) E(X) = μ
𝑷 𝒂<𝑿<𝒃 =?
+) V(X) = σ2
+) m = m0 = μ
trong đó
𝒖
𝟏 𝒛𝟐
𝚽𝟎 𝒖 = න 𝒆− 𝟐 𝒅𝒛
𝟐𝝅
𝟎

Nhận xét: +) Φ0 −𝑢 = −Φ0 𝑢

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:

• Nếu 𝑛 biến ngẫu nhiên 𝑋1 , 𝑋2 , … , 𝑋𝑛 độc lập và 𝑷 𝑿 = 𝒙 = 𝑪𝒙𝒏 𝒑𝒙 (𝟏 − 𝒑)𝒏−𝒙 ≈

𝟏
𝝋
𝒙−𝒏𝒑
(3)
cùng tuân theo một quy luật phân phối xác suất nào 𝒏𝒑𝒒 𝒏𝒑𝒒

đó thì biến ngẫu nhiên

𝒃−𝒏𝒑 𝒂−𝒏𝒑
𝒏 𝒏 𝒏 𝑷 𝒂 ≤ 𝑿 ≤ 𝒃 ≈ 𝚽𝟎 − 𝚽𝟎 (4)
𝒏𝒑𝒒 𝒏𝒑𝒒
𝑿 = ෍ 𝑿𝒊 ~𝑵 ෍ 𝑬(𝑿𝒊 ) ; ෍ 𝑽(𝑿𝒊 )
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
35 36

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.
37
b) Xấp xỉ quy luật Poisson bởi quy luật chuẩn
Nếu X ~ P(λ) với λ > 20 thì có thể xem là X phân
phối xấp xỉ chuẩn với μ = λ và σ2 = λ.
39
Phân phối xác suất của biến ngẫu nhiên nhị thức
𝐵(𝑛, 𝑝) càng gần với phân phối chuẩn khi 𝑛 lớn
38
Phân bố chuẩn là một trong những phân phối quan
trọng nhất, vì nhiều phân bố xác suất trong thực tế có
dáng điệu khá giống phân bố chuẩn, chẳng hạn, kích
thước của các chi tiết do các nhà máy sản xuất ra
(nếu quá trình sản xuất diễn ra bình thường), năng
suất của cùng một loại cây trồng tại các thửa ruộng
khác nhau,nhu cầu về các loại hàng hóa khác nhau,
chỉ số IQ (chỉ số trí tuệ), một số chỉ tiêu về sinh lí của
những người cùng giới (chẳng hạn chiều cao, vòng
ngực, chiều dài cánh tay, v.v..),...
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

Các tham số đặc trưng: E(T) = 0 (bậc tự do n > 1);

2. Quy luật phân phối Student - 𝐓 𝒏 n
V(T) = n−2 (với n > 2).
Định nghĩa: Biến ngẫu nhiên T được gọi là có (𝑛)
phân phối Student với 𝑛 bậc tự do nếu hàm mật độ Giá trị tới hạn mức α của phân phối này là số 𝑡𝛼 thỏa
𝑛
xác suất của nó có dạng: mãn 𝑃 𝑋 > 𝑡𝛼 = 𝛼, có tính chất:
(𝑛) (𝑛)
𝑡𝛼 = −𝑡1−𝛼
0 với 𝑥 ≤ 0
𝑛+1 𝑛+1
−
𝑓 𝑥 = 1 Γ 2 𝑥2 2
. 1+ với 𝑥 > 0
𝜋𝑛 Γ 𝑛 𝑛
2

43 44

11
 Phân bố Poisson mang tên của nhà toán học và vật lí
người Pháp Siméon Denis Poisson (1781 – 1840).
Trong lí thuyết xác suất, Poisson được biết đến nhiều
nhất bởi phân bố Poisson và quá trình Poisson (một
quá trình ngẫu nhiên ứng với phân bố này). Tên gọi
luật số lớn (ở chương 5) cũng là do Poisson đặt ra.
Phân phối 𝜒 2 𝑛 do Karl Pearson đưa ra năm 1900
Karl Pearson (1857 – 1936), người Anh, được coi là một
trong những cha tổ của ngành thống kê toán học. Pearson là
người lập ra khoa thống kê đầu tiên, năm 1911, tại University
College London. Nhiều khái niệm cơ bản trong xác suất thống
kê là dựa trên công trình của Pearson, trong đó có: hệ số
tương quan, hồi quy tuyến tính, phân loại các phân bố xác
suất, kiểm định khi bình phương.
Abraham de Moivre, một nhà toán học người Anh gốc Pháp,
là người đầu tiên đưa ra phân phối chuẩn trong bài báo năm
1734 (được in lại trong ấn bản lần 2 The Doctrine of Chances,
1738) khi muốn xấp xỉ một phân phối nhị thức với n lớn. Sau
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
vậy cũng được gọi là phân phối Gauss.
Abraham de Moivre Carl Friedrich Gauss
45 46
Phân phối T được nhà thống kê học người Anh, ông
William Sealy Gosset (1876 – 1937) đưa ra năm 1908.
Khi đó ông đang làm việc cho hãng bia Guinness ở
Dublin, do nguyên tắc giữ bí mật của hãng, Gosset
không được phép kí tên các bài báo của mình với tên
thật, nên lấy bút danh là Student.
47 48
12