Tải bản đầy đủ (.pdf) (104 trang)

BIẾN NGẪU NHIÊN VÀ MỘT SỐ ỨNG DỤNG

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (1.7 MB, 104 trang )

<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

<b><small>TRƯỜNG ĐẠI HỌC QUẢNG NAM KHOA TOÁN </small></b>

<small>------ </small>

NGUY<b>ỄN THỊ THU HIỀN </b>

<b>BIẾN NGẪU NHIÊN VÀ MỘT SỐ ỨNG DỤNG </b>

<b>KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC </b>

<i><b><small>Quảng Nam, tháng 5 năm 2018 </small></b></i>

</div><span class="text_page_counter">Trang 2</span><div class="page_container" data-page="2">

<b><small>TRƯỜNG ĐẠI HỌC QUẢNG NAM KHOA TỐN </small></b>

<small>------ </small>

<b>KHĨA LUẬN TỐT NGHIỆP ĐẠI HỌC </b>

<i><b><small>Tên đề tài: </small></b></i>

<b>BIẾN NGẪU NHIÊN VÀ MỘT SỐ ỨNG DỤNG </b>

Sinh viên thực hiện

<b>NGUYỄN THỊ THU HIỀN </b>

MSSV: 2114010120

<b>CHUYÊN NGÀNH: SƯ PHẠM TOÁN </b>

KHÓA: 2014 – 2018 Cán bộ hướng dẫn

<i><b>ThS. HOÀNG MỸ HẠNH </b></i>

MSCB: 1049

<i><small>Quảng Nam, tháng 5 năm 2018 </small></i>

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

Sau cùng xin gửi lời cảm ơn đến gia đình, bạn bè đã động viên, giúp đỡ tơi trong q trình hồn thành khóa luận tốt nghiệp này.

Do các điều kiện về khả năng của bản thân cũng như các điều kiện khách quan khác nên trong khóa luận này khơng thể tránh khỏi những sai sót. Tơi rất mong nhận được sự chỉ dẫn và góp ý của q thầy cơ cùng các bạn để đề tài được hoàn thiện hơn.

Một lần nữa xin chân thành cảm ơn và chúc thầy cô sức khỏe và thành công!

</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">

<b>LỜI CAM ĐOAN </b>

Tôi xin cam đoan: Khóa luận tốt nghiệp với đề tài “Biến ngẫu nhiên và một số ứng dụng” là bài nghiên cứu độc lập của cá nhân tôi với sự cố vấn của người hướng dẫn khoa học, tất cả nguồn tài liệu được công bố đầy đủ.

Tam kỳ, tháng 5 năm 2018 Người cam đoan

<b> Nguyễn Thị Thu Hiền </b>

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

<b>MỤC LỤC </b>

MỞ ĐẦU ... 1

1. Lý do chọn đề tài ... 1

2. Mục tiêu của đề tài ... 1

3. Đối tượng và phạm vi nghiên cứu ... 2

4. Phương pháp nghiên cứu ... 2

1.1.2. Xác suất của biến cố ... 3

1.1.3. Công thức xác suất nhị thức (công thức Bernoulli) ... 5

1.2. Biến ngẫu nhiên ... 6

1.2.1. Khái niệm biến ngẫu nhiên ... 6

1.2.2. Phân loại biến ngẫu nhiên ... 6

1.3. Quy luật phân phối xác suất ... 7

1.3.1. Bảng phân phối xác suất ... 7

1.3.2. Hàm phân phối xác suất ... 8

1.3.3. Hàm mật độ xác suất ... 11

1.4. Các tham số đặc trưng của biến ngẫu nhiên ... 13

1.4.1. Kỳ vọng toán (giá trị trung bình) ... 14

</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">

1.5.1. Phân phối không-một ... 21

1.5.2. Phân phối nhị thức ... 23

1.5.3. Phân phối Poisson ... 25

1.5.4. Phân phối siêu bội ... 28

1.5.5. Phân phối đều ... 29

1.5.6. Phân phối mũ ... 31

1.5.7. Phân phối chuẩn ... 32

1.5.8. Phân phối khi bình phương ... 35

1.5.9. Phân phối Student ... 35

1.5.10. Phân phối F (Fisher R.A – Snedecor G.W) ... 36

Chương 2 ... 38

BI N NGẪU NHIÊN HAI CHIỀU VÀ HÀM CÁC BI N NGẪU NHIÊN ... 38

2.1. Khái niệm biến ngẫu nhiên hai chiều ... 38

2.2. Quy luật phân phối xác suất của biến ngẫu nhiên hai chiều ... 39

2.2.1. Bảng phân phối xác suất ... 39

2.2.2. Hàm phân phối xác suất ... 41

2.5.2. Quy luật phân phối xác suất của hàm một biến ngẫu nhiên... 54

2.5.3. Các tham số đặc trưng của hàm các biến ngẫu nhiên ... 57

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

<b>MỞ ĐẦU 1. Lý do chọn đề tài </b>

Ra đời từ thế kỷ 17, Xác suất thống kê là một ngành khoa học hiện đại; nó gần như xuất phát từ các hiện tượng đời sống thực tiễn; hình thành, phát triển rất nhanh và được ứng dụng rộng rãi trong nhiều lĩnh vực tự nhiên và xã hội khác nhau.

Trong khoa học cũng như trong cuộc sống hằng ngày, ta bắt gặp rất nhiều hiện tượng ngẫu nhiên mà ta không thể đoán biết được chắc chắn rằng liệu chúng có xảy ra hay khơng? Ngẫu nhiên phổ biến ở khắp mọi nơi, trong cả sự may mắn hay rủi ro, trong cả sự thành công hay thất bại. Ngẫu nhiên cũng chính là một phần của cuộc sống. Hiện nay ở các lĩnh vực kinh tế, quân sự và các bộ môn khoa học thực nghiệm như vật lý, sinh vật học, nông-lâm-ngư nghiệp, tâm lý xã hội học,... người ta đã xử lý các kết quả thí nghiệm bằng phương pháp thống kê tốn học hoặc biểu diễn các quy luật ngẫu nhiên bằng mơ hình tốn học. Do đó xác suất thống kê có tính ứng dụng thực tiễn rất cao, đặc biệt là nội dung biến ngẫu nhiên và quy luật phân phối xác suất.

Hơn 300 năm phát triển, biến ngẫu nhiên đã được nghiên cứu và ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau. Chẳng hạn, kỳ vọng toán của biến ngẫu nhiên được sử dụng nhiều trong các bài tốn kinh tế, các trị chơi may rủi; biến ngẫu nhiên có phân phối không-một được dùng trong những nghiên cứu định tính có hai phạm trù luân phiên như phân tích giới tính của khách hàng trong việc xây dựng chiến lược marketing; biến ngẫu nhiên có phân phối mũ được ứng dụng trong các hệ thống phục vụ công cộng, trong các hệ thống kĩ thuật;... Có thể nói biến ngẫu nhiên có tính thực tiễn rất cao. Vì vậy với mong muốn tìm

<i><b>hiểu sâu hơn về biến ngẫu nhiên, chúng tôi xin chọn đề tài “Biến ngẫu nhiên và </b></i>

<i><b>một số ứng dụng” làm đề tài nghiên cứu khóa luận. </b></i>

<b>2. Mục tiêu của đề tài </b>

Đề tài nghiên cứu nhằm giúp cho người đọc có các kiến thức hữu ích về lý

<b>thuyết xác suất, đặc biệt là về biến ngẫu nhiên và các ứng dụng của nó. </b>

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

<b>3. Đối tượng và phạm vi nghiên cứu </b>

Đối tượng nghiên cứu: Nghiên cứu về biến ngẫu nhiên và một số ứng dụng thực tiễn của nó.

Phạm vi nghiên cứu: Lý thuyết xác suất.

<b>4. Phương pháp nghiên cứu </b>

Nghiên cứu tài liệu, đọc hiểu tài liệu. Phân tích, tổng hợp các kiến thức. Trao đổi, thảo luận với chuyên gia.

<b>5. Đóng góp của đề tài </b>

Đề tài đóng góp thiết thực trong việc làm rõ được tính ứng dụng của biến ngẫu nhiên và từ đó thúc đẩy việc ứng dụng biến ngẫu nhiên vào các lĩnh vực khoa học – xã hội.

Khóa luận nếu thành cơng có thể sử dụng như một tài liệu tham khảo để các giáo viên, sinh viên, học sinh nghiên cứu, bồi dưỡng chuyên môn, nâng cao kiến thức về xác suất đặc biệt là về biến ngẫu nhiên.

<b>6. Cấu trúc đề tài </b>

Khóa luận gồm phần mở đầu, kết luận, tài liệu tham khảo và ba chương:

<b>Chương 1: Cơ sở lý thuyết. </b>

<b>Chương 2: Biến ngẫu nhiên hai chiều và hàm các biến ngẫu nhiên. Chương 3: Một số ứng dụng của biến ngẫu nhiên. </b>

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

<b>Chương 1 </b>

<b>CƠ SỞ L THUYẾT 1.1. Biến cố và xác suất của biến cố </b>

<i><b>1.1.1. Biến cố </b></i>

<i><b>Định nghĩa 1.1. Biến cố liên kết với phép thử T là sự kiện có thể xảy ra hay </b></i>

<i>khơng xảy ra tùy thuộc vào kết quả của phép thử T. </i>

Biến cố sơ cấp là sự kiện xảy ra khi và chỉ khi có một kết quả cụ thể trong

<i>số những kết quả loại trừ nhau của phép thử T. </i>

<i>Tập hợp tất cả các biến cố sơ cấp tương ứng với phép thử T được gọi là </i>

không gian biến cố sơ cấp (hoặc không gian mẫu) – ký hiệu là Ω.

<i><b>Ví dụ 1.2. Bắn một viên đạn vào bia. Kí hiệu A là biến cố viên đạn trúng vào </b></i>

<i>bia, B là biến cố viên đạn không trúng vào bia. Không gian biến cố sơ cấp là Ω = {A; B} và A, B đều là các biến cố sơ cấp. </i>

<i><b>1.1.2. Xác suất của biến cố </b></i>

Xác suất của biến cố là đại lượng đặc trưng cho khả năng khách quan xảy

<i>ra của biến cố khi thực hiện hiện phép thử T. Xác suất của biến cố A ký hiệu là </i>

</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11">

<i> nh ngh a á u t th t n u t </i>

<i>Xét phép thử ngẫu nhiên nào đó. Biến cố A được quan sát trong phép thử này. Ta lặp lại độc lập n lần phép thử này với điều kiện như nhau. Gọi k là số lần xuất hiện biến cố A trong n phép thử đó. </i>

Tỷ số <i><sup>k</sup></i>

<i>khác từ n phép thử hoặc nếu số phép thử n thay đổi. Tuy nhiên người ta nhận </i>

thấy rằng nếu tiến hành các phép thử trong những điều kiện như nhau và số phép

<i>thử n càng lớn thì tỷ số <sup>k</sup></i>

quanh số cố định và sự khác giữa chúng càng nhỏ đi. Khi đó ta có định nghĩa xác suất theo tần suất như sau:

<i><b>Định nghĩa 1.4. Nếu số phép thử n càng lớn mà tần suất xuất hiện biến cố A sai </b></i>

<i>khác số cố định p nào đó càng bé thì ta nói rằng biến cố A ổn định ngẫu nhiên và số p được gọi là xác suất xuất hiện biến cố A. </i>

Định nghĩa này có ưu điểm là nó giải quyết được trường hợp khơng gian biến cố sơ cấp gồm vô hạn biến cố sơ cấp và khơng cần giả thiết tính đồng khả năng, trong khi đó định nghĩa xác suất cổ điển chỉ áp dụng trong phạm vi đồng khả năng. Song định nghĩa xác suất theo tần suất cũng có nhược điểm nhiều về đặc trưng tốn học. Nó khơng phản ánh được nhiều về đặc trưng của biến cố mà

tỷ số <i><sup>k</sup></i>

<i>n</i> có tính ổn định.

<i> nh ngh a á u t h nh h </i>

trong miền <i>. Đặt A là biến cố “M </i><i> S” (đọc là điểm M thuộc miền S). Xác </i>

suất của biến cố A được xác định như sau:

</div><span class="text_page_counter">Trang 12</span><div class="page_container" data-page="12">

<i>P(A) = </i>

<i>độ đo của Sđộ đo của</i><sup>, </sup>

của nĩ.

của nĩ.

Ta cĩ thể làm rõ hơn định nghĩa xác suất của biến cố thơng qua các ví dụ sau:

<i><b>Ví dụ 1.6. Gieo một lần con xúc xắc cân đối và đồng chất. Tính xác suất để: </b></i>

a) Mặt xuất hiện là mặt 3 chấm. b) Mặt xuất hiện cĩ số chấm là số lẻ.

<i>G ả . </i>

<i>a) Gọi A là biến cố “Mặt xuất hiện là mặt 3 chấm”. </i>

<i>B là biến cố “Mặt xuất hiện của con xúc xắc là mặt i chấm”, i = </i><small>1, 6</small>.

<i>B</i> , <i>B</i><sub>3</sub>, <i>B</i><sub>4</sub>, <i>B</i><sub>5</sub>, <i>B</i><sub>6</sub> là như nhau. Vậy số khả năng cĩ thể là 6 khả năng và số khả

<i>năng thuận lợi cho biến cố A là 1. </i>

<i><b>1.1.3. Cơng thức xác suất nhị thức (cơng thức Bernoulli) </b></i>

<i>Giả sử ta tiến hành n phép thử độc lập. Trong mỗi phép thử chỉ cĩ hai </i>

trường hợp: Hoặc biến cố A xảy ra, hoặc biến cố A khơng xảy ra, xác suất xảy

<i>ra của biến cố A trong mỗi phép thử đều bằng p và xác suất khơng xảy ra của </i>

</div><span class="text_page_counter">Trang 13</span><div class="page_container" data-page="13">

<i>biến cố A trong mỗi phép thử đều bằng q = 1</i><i> p. Những bài toán thỏa mãn cả </i>

ba giả thiết trên được gọi là tuân theo lược đồ Bernoulli. Lúc đó xác suất để

<i>trong n phép thử nói trên, biến cố A xuất hiện đúng k lần, ký hiệu P k và được <sub>n</sub></i>( )xác định bằng công thức Bernoulli như sau:

( ) <i><small>kk n k</small></i>

<i>P k</i> <i>C p q</i> <small></small> <i>, k = 0, 1, 2, ..., n. </i>

<b>1.2. Biến ngẫu nhiên </b>

<i><b>1.2.1. Khái niệm biến ngẫu nhiên </b></i>

Chúng ta có thể định nghĩa biến ngẫu nhiên như sau:

<i><b>Định nghĩa 1.7. Hàm X xác định trên không gian biến cố sơ cấp Ω và nhận giá </b></i>

:<i>X</i>( )  <i>x</i>

<sub>, </sub> là biến cố ngẫu nhiên.

<i>Ta thường ký hiệu biến ngẫu nhiên bằng chữ in hoa X, Y, Z,... Giá trị của nó ký hiệu bằng chữ thường x, y, z,... </i>

<i>Tập hợp tất cả các giá trị mà X có thể nhận được gọi là tập giá trị của X. </i>

Kí hiệu là <i>D<sub>X</sub></i> .

Ta xét một số biến ngẫu nhiên thơng qua các ví dụ sau:

<i><b>Ví dụ 1.8. Gọi X là số gà mái trong 3 quả trứng sắp nở. Giá trị mà X có thể nhận </b></i>

<i><b>1.2.2. Phân loại biến ngẫu nhiên </b></i>

Có hai loại biến ngẫu nhiên, đó là biến ngẫu nhiên rời rạc và biến ngẫu

</div><span class="text_page_counter">Trang 14</span><div class="page_container" data-page="14">

<i>a) B ến ngẫu nh ên rờ rạ </i>

Biến ngẫu nhiên rời rạc là biến ngẫu nhiên mà các giá trị có thể nhận của nó là tập hợp hữu hạn hoặc vô hạn đếm được.

<i>Trong ví dụ 1.8 đã trình bày ở phần 1.2.1, các biến ngẫu nhiên X, Y, Z là </i>

những biến ngẫu nhiên rời rạc.

<i>b) B ến ngẫu nh ên l ên tụ </i>

Biến ngẫu nhiên liên tục là biến ngẫu nhiên mà giá trị có thể nhận của nó lấp đầy một khoảng trên trục số.

<i>Trong ví dụ 1.8 đã trình bày ở phần 1.2.1, các biến ngẫu nhiên X’ là biến </i>

ngẫu nhiên liên tục.

<b>1.3. Quy luật phân phối xác suất </b>

Theo định nghĩa về biến ngẫu nhiên ở trên thì biến ngẫu nhiên nhận mỗi giá trị của nó tương ứng với một biến cố ngẫu nhiên nào đó và khi đó tương ứng với một xác suất của biến cố đó. Quy luật phân phối xác suất của biến ngẫu

<i>nhiên X là quy tắc tương ứng giữa các giá trị của biến ngẫu nhiên X có thể nhận với xác suất để biến ngẫu nhiên X nhận từng giá trị đó. </i>

Các phương pháp được sử dụng phổ biến để mô tả quy luật phân phối xác suất của biến ngẫu nhiên là:

 Hàm phân phối xác suất (áp dụng cho cả biến ngẫu nhiên rời rạc và biến ngẫu nhiên liên tục).

<i><b>1.3.1. Bảng phân phối xác suất </b></i>

Bảng phân phối xác suất dùng để mô tả quy luật phân phối xác suất của biến ngẫu nhiên rời rạc.

<i>Giả sử X là biến ngẫu nhiên có tập giá trị D<sub>X</sub></i> 

<i>x x</i><small>1</small>; ; ...; ; ...<small>2</small> <i>x<sub>n</sub></i>

với các xác suất tương ứng <i>p<sub>i</sub> = P(X =x<sub>i</sub>), i = 1, 2, ..., n, ... Khi đó bảng phân phối xác suất của biến ngẫu nhiên X được trình bày như sau: </i>

</div><span class="text_page_counter">Trang 15</span><div class="page_container" data-page="15">

). Bây giờ ta xét ví dụ sau:

<i><b>Ví dụ 1.9. Một phân xưởng có ba mơ tơ hoạt động độc lập với nhau. Xác suất để </b></i>

<i>mô tơ chạy tốt trong một ca làm việc là 0,7. Gọi X là số mô tơ chạy tốt trong một ca làm việc. Lập bảng phân phối xác suất của X. </i>

<i>G ả . </i>

<i>Tập hợp các giá trị mà X có thể nhận là D<sub>X</sub></i> = {0; 1; 2; 3}. Áp dụng công thức xác suất nhị thức ta có:

<i>P(X = 0) = </i> <small>03</small>

<i>C (0,7)</i><sup>0</sup>.(0,3)<sup>3</sup> = 0,027;

<i>P(X = 1) = </i> <small>13</small>

<i>C (0,7)</i><sup>1</sup>.(0,3)<sup>2</sup> = 0,189;

<i>P(X = 2) = </i> <small>23</small>

<i>C (0,7)</i><sup>2</sup>.(0,3)<sup>1</sup> = 0,441;

<i>P(X = 3) = </i> <small>33</small>

<i>C (0,7)</i><sup>3</sup>.(0,3)<sup>0</sup> = 0,343.

<i>Bảng phân phối xác suất của X là: </i>

<i><b>1.3.2. Hàm phân phối xác suất </b></i>

Hàm phân phối xác suất dùng để mô tả quy luật phân phối xác suất của biến ngẫu nhiên rời rạc và biến ngẫu nhiên liên tục.

Ta thấy tập [ω : X(ω) < x] (x ∈ ) thay đổi nếu x thay đổi. Khi đó xác

<i>suất P[ω : X(ω) < x] cũng thay đổi, tức là xác suất này phụ thuộc vào x. Do đó </i>

</div><span class="text_page_counter">Trang 16</span><div class="page_container" data-page="16">

<i>Gọi hàm P[ω : X(ω) < x] (x ∈ ) là hàm phân phối của biến ngẫu nhiên </i>

<i>Lưu ý. Trong trường hợp X là biến ngẫu nhiên rời rạc thì từ bảng phân phối xác </i>

suất ta có thể tìm được hàm phân phối xác suất bằng cách viết lại như sau:

<i>khi xx</i>

<i>ppkhi xxx</i>

Điều này có nghĩa là nếu <i>x x</i><sub>1</sub>, <sub>2</sub> ∈ , <i>x</i><sub>1</sub>< <i>x</i><sub>2</sub>  <i>F x</i>( ) <sub>1</sub>  ( ).<i>F x</i><sub>2</sub>

Thật vậy, giả sử <i>x</i><sub>1</sub>< <i>x</i><sub>2</sub>ta xét biến cố

<i>X x</i> <small>2</small>

. Biến cố này có thể được phân tích thành tổng của hai biến cố xung khắc là

<i>X x</i> <small>1</small>

<i>x</i><small>1</small> <i>X x</i><small>2</small>

. Theo định lý cộng xác suất ta có:

<i>P</i>

<i>X x</i> <small>2</small>

<i> = P</i>

<i>X x</i> <small>1</small>

<i> + P</i>

<i>x</i><small>1</small> <i>X x</i><small>2</small>

.

<i>Khi đó F(x</i><sub>2</sub><i>) = F(x</i><sub>1</sub><i>) + P</i>

<i>x</i><small>1</small> <i>X x</i><small>2</small>

.

<i>Hay F(x</i><sub>2</sub>) <i> F(x</i><sub>1</sub><i>) = P</i>

<i>x</i><small>1</small> <i>X x</i><small>2</small>

 0.

<i>Suy ra F(x</i><sub>1</sub>) <i> F(x</i><sub>2</sub>).

</div><span class="text_page_counter">Trang 17</span><div class="page_container" data-page="17">

Cũng từ chứng minh trên ta suy ra cơng thức:

của nó có dạng bậc thang với số điểm gián đoạn chính bằng số giá trị có thể có

<i>của X, cịn đồ thị của hàm phân phối xác suất của biến ngẫu nhiên liên tục tuyệt </i>

đối có dạng một đường liền nét.

<i> F(x) là hàm liên tục.  P( X= x) = 0. </i>

nghĩa của tính chất này là trong quá trình nghiên cứu về biến ngẫu nhiên liên tục người ta không quan tâm đến xác suất để biến ngẫu nhiên nhận giá trị tại một điểm mà chỉ quan tâm đến xác suất để biến ngẫu nhiên nhận giá trị trong một khoảng nào đó dù là rất nhỏ.

<i> P(a</i><i> X < b) = P(a < X </i><i>b) </i>

<i> = P(a </i> X <i> b) = P(a < X < b) = F(b) </i><i> F(a). </i>

nghĩa của tính chất này là đối với biến ngẫu nhiên liên tục thì ta khơng cần phân biệt xác suất để nó nhận giá trị trong đoạn hay khoảng giá trị nào đó.

<b>Ví dụ 1.10. Một phân xưởng có ba mơ tơ hoạt động độc lập với nhau. Xác suất </b>

<i>để mô tơ chạy tốt trong một ca làm việc là 0,7. Gọi X là số mô tơ chạy tốt trong một ca làm việc. Lập hàm phân phối xác suất của X. Tính xác suất để số mô tơ </i>

chạy tốt trong một ca làm việc lớn hơn hoặc bằng 1 và nhỏ hơn 3.

</div><span class="text_page_counter">Trang 18</span><div class="page_container" data-page="18">

<i>khi xkhixkhixkhixkhi x</i>

<i>gọi là hàm mật độ xác suất của X. </i>

( )

<i>F x = f(x). Như vậy trong </i>

<i>định nghĩa trên F(x) phải là hàm khả vi, tức là F(x) phải liên tục. Do đó X phải là </i>

biến ngẫu nhiên liên tục. Chính vì vậy hàm mật độ xác suất chỉ dùng được cho biến ngẫu nhiên liên tục.

Từ tính chất của hàm phân phối xác suất ta suy ra tính chất của hàm mật độ xác suất như sau:

</div><span class="text_page_counter">Trang 19</span><div class="page_container" data-page="19">

<i> f(x) </i> 0.

<i>Vì hàm phân phối xác suất F(x) là một hàm không giảm nên đạo hàm của </i>

nó, tức là <i>F x</i><small>'</small>( ) <i>f x</i>( )là một hàm không âm.  <i>f x dx</i>( )

<i>f x dx</i>

Về mặt hình học thì kết quả trên có thể được minh họa như sau: Xác suất

<i>để biến ngẫu nhiên liên tục X nhận giá trị trong khoảng (a; b) chính là bằng diện tích hình thang cong giới hạn bởi trục Ox, đường cong f(x) và các đường thẳng </i>

<i>x = a, x = b. </i>

Hình 1.1

<i>Như vậy hàm mật độ xác suất của biến ngẫu nhiên X tại mỗi điểm x cho </i>

biết mức độ tập trung xác suất tại điểm đó.

Tiếp theo chúng ta xét một số ví dụ về hàm mật độ xác suất.

<i><b>Ví dụ 1.11. Thời gian (phút) để một bệnh nhân chờ khám bệnh là một biến ngẫu </b></i>

<i>nhiên liên tục X có hàm phân phối xác suất như sau: </i>

<i>F(x) = </i> <small>2</small>



</div><span class="text_page_counter">Trang 20</span><div class="page_container" data-page="20">

0 , (0; 4)

Như vậy, với một biến ngẫu nhiên cho trước, nếu ta đã xác định được quy luật phân phối xác suất của nó thì coi như ta đã nắm được các thơng tin về biến ngẫu nhiên. Tuy nhiên trong thực tế, đối với một biến ngẫu nhiên cho trước, ta còn cần biết nhiều thông tin hơn nữa như độ tập trung, độ phân tán của các giá trị của biến ngẫu nhiên. Để biết các thơng tin này cần phải có các giá trị đại diện được gọi là các tham số đặc trưng của biến ngẫu nhiên.

<b>1.4. Các tham số đặc trưng của biến ngẫu nhiên </b>

Người ta có thể phân loại các tham số đặc trưng theo các nhóm:

mốt,...

</div><span class="text_page_counter">Trang 21</span><div class="page_container" data-page="21">

 Các tham số đặc trưng cho độ phân tán: phương sai, độ lệch chuẩn, hệ số biến thiên,...

<i><b>1.4.1. Kỳ vọng toán (giá trị trung bình) </b></i>

<i><b>Định nghĩa 1.12. Kỳ vọng tốn của biến ngẫu nhiên X là một số, kí hiệu là E(X), </b></i>

<i>được xác định như sau: </i>

 <i>Nếu X là biến ngẫu nhiên rời rạc nhận hữu hạn giá trị x x</i><sub>1</sub>, ,...,<sub>2</sub> <i>x<sub>n</sub></i> với xác suất tương ứng <i>p p</i><sub>1</sub>, ,...,<sub>2</sub> <i>p<sub>n</sub></i> thì:

<i>E(X) = </i>

<i><small>niii</small></i>

</div><span class="text_page_counter">Trang 22</span><div class="page_container" data-page="22">

<i><b>Ví dụ 1.14. Giả sử biến ngẫu nhiên X có hàm mật độ xác suất là: </b></i>

<i>f(x) = </i>

0 1

0

<i>khi xakhi axbba</i>

<i>khi xb</i>

 

<i>b</i><i>a</i> <sup> = </sup> 2

.

<i>Ý ngh a ủa kỳ v ng t án. Kỳ vọng toán là đại lượng phản ánh giá trị trung tâm </i>

<i>của phân phối xác suất của biến ngẫu nhiên X. </i>

Kỳ vọng toán của biến ngẫu nhiên có một số tính chất như sau:

biến ngẫu nhiên thành phần, tức là:

<i>E(X + Y) = E(X) + E(Y), với X, Y là hai biến ngẫu nhiên. </i>

<i>Một cách tổng quát, với n biến ngẫu nhiên X X</i><sub>1</sub>, ,...,<sub>2</sub> <i>X<sub>n</sub></i>, ta có:

</div><span class="text_page_counter">Trang 23</span><div class="page_container" data-page="23">

<i><b>1.4.2. Trung vị (median) </b></i>

<i>hoặc med(X) và được xác định như sau: </i>

<i>Ý ngh a ủa trung v : Trung vị của biến ngẫu nhiên X là giá trị mà tại đó nó chia </i>

<i>phân phối của X thành hai phần bằng nhau. </i>

<i>Lưu ý. Trung vị có thể có vơ số giá trị. </i>

<i><b>Ví dụ 1.16. Giả sử X là biến ngẫu nhiên có bảng phân phối xác suất như sau: </b></i>

<i>khixkhi x</i>



</div><span class="text_page_counter">Trang 24</span><div class="page_container" data-page="24">

3 3 3 23 3 3

 <sub></sub>  

.

2<sup>. </sup>

<i><b>1.4.3. Mốt (mod) </b></i>

<i>mod(X), là đại lượng được xác định như sau: </i>

tại đó xác suất lớn nhất.

</div><span class="text_page_counter">Trang 25</span><div class="page_container" data-page="25">

 <i>Nếu X là biến ngẫu nhiên liên tục thì Mod(X) là giá trị sao cho f(x) đạt </i>

giá trị lớn nhất.

<i>Lưu ý. Trong thực tế, ta có thể gặp biến ngẫu nhiên khơng có mốt hoặc biến </i>

ngẫu nhiên có nhiều mốt.

<i><b>Ví dụ 1.19. Cho X là biến ngẫu nhiên có bảng phân phối xác suất như sau: </b></i>

 

.

<i>Ta thấy f(x) đơn điệu trên [0;4] và f(0) = 0, f(4) = 0, f</i> <sup>8</sup>

3   <sup> = </sup>

49<sup>. </sup>Do đó

<small> 0;4</small>

4( )

<i>max f x khi x = </i><sup>8</sup>

3<sup>. </sup>8

</div><span class="text_page_counter">Trang 26</span><div class="page_container" data-page="26">

Trong thực tế nhiều trường hợp nếu chỉ xét kỳ vọng toán, trung vị,... của

<i>biến ngẫu nhiên X thì chưa đủ để xác định biến ngẫu nhiên đó. Ta cịn phải xác </i>

định mức độ phân tán của các giá trị của biến ngẫu nhiên xung quanh giá trị

<i>trung bình của nó. Chẳng hạn, khi nghiên cứu biến ngẫu nhiên X là năng suất lúa </i>

của một xã A thì năng suất lúa trung bình (kỳ vọng tốn) mới chỉ phản ánh được

<i>một khía cạnh của X. Mức độ biến động về năng suất của các thửa ruộng khác </i>

cũng là một vấn đề cần nghiên cứu. Dưới đây chúng tơi s trình bày một số tham số đặc trưng cho mức độ phân tán của biến ngẫu nhiên.

<i><b>1.4.4. Phương sai </b></i>

<i>hiệu D(X). </i>

<i>Ý ngh a Từ định nghĩa trên ta thấy phương sai của biến ngẫu nhiên X là trung </i>

<i>bình của bình phương sai lệch giữa các giá trị của biến ngẫu nhiên X và trung </i>

bình của nó. Do đó phương sai đặc trưng cho độ phân tán các giá trị của biến

<i>ngẫu nhiên quanh E(X). Nếu D(X) lớn chứng tỏ sự biến động của X lớn, ngược lại nếu D(X) nhỏ thì X biến động ít và tương đối ổn định. </i>

Từ định nghĩa phương sai, chúng ta có một số lưu ý như sau:

<i>D(X) = E(X </i><sup>2</sup>) <i>(E(X))</i><sup>2</sup>.

<i><b>Ví dụ 1.22. Giả sử X là biến ngẫu nhiên có hàm mật độ xác suất như sau: </b></i>

<i>f(x) = </i>

0 01 0 < 1

0 x > 1

<i>khi xkhixkhi</i>

.

<i>Tính phương sai của X. </i>

</div><span class="text_page_counter">Trang 27</span><div class="page_container" data-page="27">

<i>x dx</i>

=

= <sup>1</sup>3<sup>. </sup>

= <sup>1</sup>2 <sup>. </sup>

<i>Vậy phương sai của X là: </i>

<i>D(X) = E(X </i><sup>2</sup>) <i> (E(X))</i><sup>2</sup> = <sup>1</sup>3

14 = <sup>1</sup>

12<sup>. </sup>Ta có một số tính chất của phương sai như sau:

<i> = E(X </i><sup>2</sup><i>+2XY+Y </i><sup>2</sup>) <i>[E(X)+E(Y)]</i><sup>2</sup>

<i>= E(X </i><sup>2</sup>) <i>[E(X)]</i><sup>2</sup><i>+E(Y </i><sup>2</sup>)<i>[E(Y)]</i><sup>2</sup><i>= D(X) + D(Y). </i>

<i>Một cách tổng quát, với n biến ngẫu nhiên độc lập X X</i><sub>1</sub>, ,...,<sub>2</sub> <i>X<sub>n</sub></i>, ta có:

<i>D(X</i><sub>1</sub><i>X</i><sub>2</sub>  ... <i>X<sub>n</sub>) = D(X )+ D(</i><sub>1</sub> <i>X )+... +D(</i><sub>2</sub> <i>X ). <sub>n</sub></i>

<i> D(CX) = C</i><sup>2</sup><i>D(X), với C là hằng số. </i>

<i> = E[C</i><sup>2</sup><i>(X </i><i> E(X))</i><sup>2</sup><i>] = C</i><sup>2</sup><i>E(X </i><i> E(X))</i><sup>2</sup><i> = C</i><sup>2</sup><i>D(X). </i>

</div><span class="text_page_counter">Trang 28</span><div class="page_container" data-page="28">

<i><b>1.4.5. Độ lệch chuẩn </b></i>

<b>Định nghĩa 1.23. Căn bậc hai của phương sai được gọi là độ lệch chuẩn của </b>

<i>biến ngẫu nhiên X, ký hiệu ( )</i> <i>X . Như vậy ( )</i> <i>X</i>  <i>D X</i>( ).

<i>Đơn vị của độ lệch chuẩn trùng với đơn vị của X. </i>

<i>Nhận ét. Ta thấy phương sai có đơn vị đo bằng bình phương đơn vị đo của biến </i>

<i>ngẫu nhiên X còn độ lệch chuẩn thì có cùng đơn vị đo với biến ngẫu nhiên. Vì </i>

vậy khi cần đánh giá mức độ phân tán của biến ngẫu nhiên theo đơn vị đo của nó

<i>người ta thường sử dụng độ lệch chuẩn chứ không phải là phương sai. </i>

<i><b>1.4.6. Hệ số biến thiên </b></i>

( )

<i>D XM</i>

<i>E X</i>

<i>thiên của biến ngẫu nhiên X. </i>

Hệ số biến thiên thường được dùng để so sánh độ biến động của nhiều đám đông với nhau. Giá trị của nó càng nhỏ thì mức độ thuần nhất càng lớn.

Như vậy, trong phần trên chúng tơi đã trình bày các tham số đặc trưng của biến ngẫu nhiên và một số ý nghĩa của từng tham số. Chúng tơi s phân tích kỹ hơn về ý nghĩa các tham số này thông qua các ví dụ trình bày trong chương 3. Trong phần tiếp theo, chúng tơi trình bày về một số phân phối xác suất thường gặp.

<b>1.5. Một số phân phối xác suất thường gặp </b>

Trong phần này, đối với biến ngẫu nhiên rời rạc thì có một số phân phối xác suất như: phân phối không-một, phân phối nhị thức, phân phối Poisson, phân phối siêu bội. Còn đối với biến ngẫu nhiên liên tục có các phân phối xác suất như: phân phối đều, phân phối mũ, phân phối chuẩn,...

<i><b>1.5.1. Phân phối không-một </b></i>

<i><b>Định nghĩa 1.25. Biến ngẫu nhiên rời rạc X nhận một trong hai giá trị có thể có </b></i>

là 0 và 1 với xác suất tương ứng được cho bởi công thức:

<i>P X x</i>  <i>p</i> <i>p</i> <small></small> , trong đó 0 <i>p</i> 1<i> và x = 0; 1. </i>

</div><span class="text_page_counter">Trang 29</span><div class="page_container" data-page="29">

<i>được gọi là có phân phối khơng-một A(p) với tham số p. </i>

<i>Như vậy bảng phân phối xác suất của biến ngẫu nhiên X có phân phối </i>

<b>Ví dụ 1.26. Tỷ lệ các thí nghiệm thành công trong một viện nghiên cứu là 45%. </b>

Chọn ngẫu nhiên một cuộc thí nghiệm, tính xác suất để thí nghiệm đó là thí nghiệm thành cơng.

<i>G ả . </i>

<i>Gọi X là số thí nghiệm thành công khi chọn ngẫu nhiên một cuộc thí </i>

nghiệm.

<i>Khi đó X là biến ngẫu nhiên có phân phối khơng-một A(0,45). Do đó X là </i>

biến ngẫu nhiên nhận một trong hai giá trị 0 và 1.

Vậy xác suất để thí nghiệm được chọn là thí nghiệm thành cơng là:

<i>P(X = 1) = </i>(0,45) .(0,55) = 0,45. <sup>1</sup> <sup>0</sup>

</div><span class="text_page_counter">Trang 30</span><div class="page_container" data-page="30">

Trong thực tế, phân phối không-một dùng trong những nghiên cứu định tính có hai phạm trù luân phiên như phân tích giới tính của khách hàng trong việc xây dựng chiến lược marketing, nghiên cứu tỷ lệ chính/ phế phẩm trong dây chuyền sản xuất,... Chẳng hạn, khi muốn điều tra tình trạng sử dụng điện thoại cố định của nhà mạng FPT trong xã A ta có thể đặc trưng bằng biến ngẫu nhiên

<i>với hai giá trị bằng 0 (khơng) và bằng 1 (có). Lúc đó, xác suất p s đặc trưng cho </i>

tỷ lệ nhà có sử dụng điện thoại cố định của nhà mạng FPT trong xã A.

Quy luật khơng-một có thể làm cơ sở để tìm quy luật phân phối xác suất của biến ngẫu nhiên khác. Chẳng hạn nếu dấu hiệu định tính nhiều hơn hai phạm trù thì có thể dùng nhiều biến ngẫu nhiên phân phối không-một cùng một lúc. Dưới đây, chúng tơi s trình bày phân phối nhị thức để làm rõ điều này.

<i><b>1.5.2. Phân phối nhị thức </b></i>

<i><b>Định nghĩa 1.27. Biến ngẫu nhiên rời rạc X được gọi là có phân phối nhị thức </b></i>

<i>B(n, p) với tham số n và p nếu X nhận một trong các giá trị 0, 1, 2,..., n và với </i>

xác suất tương ứng được xác định bởi công thức Bernoulli (công thức xác suất nhị thức):

Thật vậy, bây giờ chúng ta xét <i>X i<sub>i</sub></i>( 1,2,..., ) <i>n</i> là những biến ngẫu nhiên

<i>độc lập cùng có phân phối khơng-một A(p). </i>

Do đó <i>E X</i>( )<i><sub>i</sub></i>  <i>p</i> và <i>D X</i>( )<i><sub>i</sub></i>  <i>p</i>(1<i>p</i>),  <i>i</i> 1,2,..., .<i>n</i> Khi đó:

.

</div><span class="text_page_counter">Trang 31</span><div class="page_container" data-page="31">

<i><b>Ví dụ 1.28. Sản phẩm xuất xưởng của một nhà máy có đến 75% sản phẩm loại I. </b></i>

<i>Lấy ngẫu nhiên 10 sản phẩm để kiểm tra (lấy lần lượt, có hồn lại). Gọi X là số </i>

sản phẩm loại I được lấy ra.

<i>a) Tính phương sai và kỳ vọng toán của X. </i>

b) Nếu muốn trung bình có 15 sản phẩm loại I thì phải kiểm tra bao nhiêu sản phẩm?

<i>G ả . </i>

a) Ta thấy xác suất để lấy ra 1 sản phẩm loại I (lấy lần lượt, có hồn lại) là

<i>0,75 tức là p = 0,75 và n = 10. </i>

Khi đó:

<i>Phương sai của X là D(X) = np</i>(1 <i>p</i>) = 10.0,75(1 0,75) = 1,875.

<i>Kỳ vọng toán của X là E(X) = np = 10.0,75 = 7,5. </i>

<i>b) Trung bình có 15 sản phẩm loại I được lấy ra tức là E(X) = 15. </i>

Khi đó số sản phẩm cần phải kiểm tra để có 15 sản phẩm loại I được lấy ra là:

</div><span class="text_page_counter">Trang 32</span><div class="page_container" data-page="32">

<i>n = <sup>E X</sup></i><sup>( )</sup><i>p</i> <sup> = </sup>

0,75<sup> = 20. </sup>

<i><b>1.5.3. Phân phối Poisson </b></i>

<i><b>Định nghĩa 1.29. Biến ngẫu nhiên X được gọi là có phân phân phối Poisson với </b></i>

tham số  > 0 nếu phân phối xác suất của nó có dạng:

<i>P(X = k) = </i>

 <small></small>

 <small></small>

 <small></small> <sup></sup><small></small>

 <small></small> <sup></sup><small></small>

 <small></small> <sup></sup><small></small>

 <small></small> <sup></sup> <sup></sup> <small></small>

</div><span class="text_page_counter">Trang 33</span><div class="page_container" data-page="33">

<i>* Sự l ên hệ g ữa phân phố nh thứ vớ phân phố P n </i>

<i>Nếu X là biến ngẫu nhiên có phân phối nhị thức B(n, p) với n rất lớn và p rất nhỏ thì việc tính tốn các xác suất và các tham số đặc trưng của X bằng công </i>

thức nhị thức s gặp khó khăn. Vì vậy ta s sử dụng công thức của phân phối Poisson, định lý dưới đây s cho ta thấy rõ điều này.

<b>Định lý 1.30. Nếu </b><i>np</i>, <i>p</i>0 <i>khi n</i>  thì ( )

<i>eP k</i>

<i><small>n kk</small></i>

<i>klim</i>

</div><span class="text_page_counter">Trang 34</span><div class="page_container" data-page="34">

1 1!

<i>eP k</i>

 <small></small>

 ;  <i>np</i>.

<b>Ví dụ 1.31. Khi tiêm một loại huyết thanh, trung bình cứ 1000 ca thì có 1 ca bị </b>

phản ứng. Ta dùng loại huyết thanh trên tiêm cho 2000 người. Tính xác suất để có đúng 3 ca bị phản ứng?

<i>G ả . </i>

Theo đề ta có trung bình cứ 1000 ca thì có 1 ca bị phản ứng tức là:

<i>p = </i> <sup>1</sup>

Ta dùng loại huyết thanh trên tiêm cho 2000 người được xem như thực

<i>Trong một số trường hợp, ta tiến hành n phép thử và trong mỗi phép thử cũng xảy ra hai trường hợp là hoặc A xảy ra hoặc A không xảy ra. Tuy nhiên, </i>

</div><span class="text_page_counter">Trang 35</span><div class="page_container" data-page="35">

<i>các phép thử này không được tiến hành độc lập với nhau, tức là xác suất A xảy ra hoặc A không xảy ra trong mỗi phép thử s không bằng nhau. Do đó, số lần xuất hiện biến cố A trong n phép thử không phân phối theo quy luật nhị thức </i>

hoặc quy luật Poisson nữa, mà nó s phân phối theo quy luật siêu bội.

<i><b>1.5.4. Phân phối siêu bội </b></i>

<i><b>Định nghĩa 1.32. Biến ngẫu nhiên X được gọi là có phân phối siêu bội với tham </b></i>

<i>số N, M, n nếu phân phối xác suất của nó có dạng: </i>

<i>P(X = k) = </i>

<i><small>kn kMN M</small></i>

<i> = q(k, N, M, n); k = 0, ..., M. </i>

<i>* Kỳ v ng t án và phương a ủa ến ngẫu nh ên ó phân phố êu ộ </i>

<i>Kỳ v ng t án: E(X) = <sup>nM</sup>N<sup>. </sup></i>

<i> q(k, N, M, n)</i><i>P k<sub>n</sub></i>( ) = <i>C p<sub>n</sub><sup>k</sup><sup>k</sup></i>(1 <i>p</i>)<i><sup>n k</sup></i><sup></sup> <i> khi N</i> .

<i><b>Ví dụ 1.34. Một chiếc hộp có chứa 40 bi đỏ, 30 bi xanh. Lấy ngẫu nhiên ra 20 </b></i>

<i>viên bi. Gọi X là số bi đỏ được lấy ra. Tính kỳ vọng và phương sai của X. </i>

</div><span class="text_page_counter">Trang 36</span><div class="page_container" data-page="36">

<i>Phương sai của X: D(X) = </i>20.<sup>40 70</sup> <sup>40</sup> 1 <sup>20 1</sup> <sup>4000</sup>

không hoàn lại. Chẳng hạn, để kiểm tra chất lượng của một lô sản phẩm người ta

<i>lấy ngẫu nhiên từ lơ đó n sản phẩm, khơng hồn lại và đánh giá xác suất để trong đó có k phế phẩm hoặc chính phẩm. </i>

Trên đây chúng tơi đã xét một số quy luật phân phối của biến ngẫu nhiên rời rạc. Tuy nhiên, trong thực tế nhiều đại lượng nghiên cứu lại là biến ngẫu nhiên liên tục. Do đó, sau đây chúng tơi s xét một số quy luật phân phối của biến ngẫu nhiên liên tục.

<i><b>1.5.5. Phân phối đều </b></i>

<i><b>Định nghĩa 1.35. Biến ngẫu nhiên liên tục X được gọi là có phân phối đều trên </b></i>

<i>[a; b] nếu hàm mật độ xác suất của nó có dạng: </i>

<i>khi xa b</i>

<i><small>ba</small></i>

</div><span class="text_page_counter">Trang 37</span><div class="page_container" data-page="37">

<i>khi xkhi x</i>

.

= 8.

<i>Phương sai của X: D(X) = </i>

(6 10)12

= <sup>4</sup>3<sup>. </sup>

Trên thực tế, phân phối đều có ứng dụng rộng trong thống kê tốn, đơi khi cịn được sử dụng trong lý thuyết ước lượng thống kê. Chẳng hạn, nếu chúng ta khơng biết gì về giá trị của tham số cần ước lượng thì mỗi giá trị có thể có của tham số là như nhau. Điều đó có nghĩa là tham số cần ước lượng được coi như một biến ngẫu nhiên có phân phối đều.

</div><span class="text_page_counter">Trang 38</span><div class="page_container" data-page="38">

<i><b>Ví dụ 1.38. Gọi X là thời gian nói chuyện điện thoại của khách (đơn vị: phút). </b></i>

3<sup>. </sup>a) Giá trị 3 cho ta biết điều gì?

<i>b) Tìm hàm phân phối xác suất của X. </i>

</div><span class="text_page_counter">Trang 39</span><div class="page_container" data-page="39">

1 00 0

<i>ekhi xkhi x</i>

<i><b>1.5.7. Phân phối chuẩn </b></i>

<i><b>Định nghĩa 1.39. Biến ngẫu nhiên X được gọi là có phân phối chuẩn dạng tổng </b></i>

quát<i>N a</i>( , )<sup>2</sup> nếu hàm mật độ xác suất của nó có dạng:

<i>f(x) = </i>

<i><small>x a</small></i>

<i>e</i> <sup></sup>

<i>, với x</i> .

<i>Khi đó hàm phân phối xác suất của X là: </i>

<i>F(x) = </i>

<i><small>x ax</small></i>

<i>e</i> <sup></sup> <i>dx</i>

 

<i>e dt</i>

<small></small>

.

</div><span class="text_page_counter">Trang 40</span><div class="page_container" data-page="40">

<i>* Kỳ v ng t án và phương a ủa ến ngẫu nh ên ó phân phố huẩn </i>

<i><small>x a</small></i>

<i>xe</i> <sup></sup> <i>dx</i>

 

<small></small> <sub></sub>

<small></small>

<i><sup>t</sup></i>

<i>e dt = </i> 22

<i>a</i> 

( )2

2<small></small>

</div>

×