Bai Tap Chuong 3

Xác suất thống kê –Chương 3
Bài 1.
a: Không gian mẫu là Sx={hóa đơn $1,hóa đơn $5, hóa đơn $50}
b: Tập hợp A là A={2,4,6}
c: Tập hợp Ac là Ac={1,2,3}
Ac=1-A
Bài 2.
Một nguồn thông tin được sản sinh ra các ký tự S = {a , b, c, d, e}. Hệ thống nén số mã hóa
các chữ cái thành các dãy nhị phân như sau.
a1
b 01
c 001
d 0001
e 0000
Với Y là biến ngẫu nhiên bằng độ dài dãy nhị phân ở đầu ra của hệ thống như vậy ta có
không gian mẫu là SY = { 1 , 2 , 3 , 4}
Ta có giá trị của các xác suất tại các điểm đó là
P[Y = 1] = p(a) = ½
P[Y = 2] = p(b) = ¼
P[Y = 3] = p(c) = 1/8
P[Y = 4] = P[Y = 5] = p(d) + p(e) = 1/16 + 1/16 = 1/8
Bài 3
a. Không gian mẫu
Sy={1,3,5…..,n} với n lẻ
Sy={0,2,4,…..,n} với n chẵn
b. Gọi Z là biến cố tương đương với {Y=0}
Z : Sz  S
Sz ∈ w  S(z) = 0
 Z là biến cố số lần xuất hiện mặt sấp ngửa bằng nhau
c. W : Sw  S
Sw ∈ w  W(w) <= k (k nguyên dương )
W là biến cố độ sai khác giữa số lần xuất hiện mặt sấp và số lần xuất hiện mặt ngửa <= k
không nguyên dương.
Bài 5
a.Không gian mẫu SZ của Z
SZ={0,1,2,3,….2b} = { (0,0),(0,1),...(0,b),(1,1),(1,2)…(1,b)…(b,0),(b,1),(b,2)….(b,b)}
b.
c. P[Z ≤ z]=1-P[Z>z]
Bài 07.
Phác họa hàm phân phối của biến ngẫu nhiên y trong bài tập 2
Ta có:
Nguyễn Văn Hiệp. Trang 1

Đồ thị hàm F y (y) có dạng:
Bài 8
Phác họa hàm phân phối của biến ngẫu nhiên trong bài 3
+ trường hợp 1 với n = 4
Ta coi các đồng được gieo là cân đối nên biến ngẫu nhiên Y lấy các giá trị 0,1,2,3,4 với các
1 2 3 4 3 2 1
xác suất tương ứng là , , , , , ,
16 16 16 16 16 16 16
bởi vậy hàm F y
(x) một cách đơn giản
là tổng xác suất của tổng các kết cục từ {0,1,2,3,4} vì vậy hàm phân phối được là hàm gián đoạn
tại các điểm 0,1,2,3,4
Xét hàm phân phối tại lân cận của điểm x= 1 , cho δ là một số dương nhỏ ta có ::
F y
(1 − δ ) = P[Y ≤ 1 − δ ] = P [0 lân xuất hiện mặt sấp] = 1
bởi vậy giới hạn của hàm
16
1
phân phối khi x tiến tới 1 từ bên phải là và
16
1 2 3
F y
( x) = P[Y ≤ 1] = P [0 hoặc 1 lần xuất hiện mặt sấp] =
16
+
16
=
16
Và
F y
(1 + δ ) = P[Y ≤ 1 + δ ] = P[0 hoặc 1 lần sấp] =
3
16

3
Như vậy hàm phân phối liên tục bên phải và bằng tại điểm x = 1. Độ nhảy tại điểm x
16
3 1 1
= 1 là bằng P[ Y = 1 ] = - =
16 16 8
Hàm phân phối có thể được biểu diễn theo hàm bậc thang đơn vị
0  khix < 0
u ( x) = 
1 khix ≥ 0
Khi đó hàm F y
(x) là
1 2 3 4 3 2
F y
(x) =
16
u (x ) +
16
u (x ) +
16
u (x ) +
16
u (x ) +
16
u (x ) +
16
1
u (x ) + u (x )
16
+ trường hợp với n = 5
Tương tự như trường hợp n = 4
1 2 3 16 1
F y
(x)
32
=u (x ) +
32
u ( x) +
32
u ( x) + ……….+
32
u (x ) + ……..+
32
2 3
u (x ) + u ( x) + u ( x)
32 32
Bài 9.
Công thức hàm phân phối:
Bài 10.
Phác hoạ hàm phân phối của biến ngẫu nhiên Z trong ví dụ 5. Chỉ ra dạng của Z
Thời gian truyền Z của một tin nhắn trong một hệ truyền thông tuân theo quy luật phân phối
mũ với tham số , nghĩa là
Phác hoạ dạng đồ thị:
Bài 11

k k n −k
P(x = k) = C n p q k=0,1,…, n
q=1-p
Với n=8
Xét p=1/8 => q = 7/8
8 0
8!  1   7 
P ( x = 8) = C 80 p 8 q 0 = .  .  = 5,96 .10 −8
0!.8!  8   8 
7 1
8!  1  7 
P ( x = 7) = C81 p 7 q 1 = .  .  = 3,34 .10 −6
7!.1!  8  8 
6 2
8!  1   7 
P ( x = 6) = C p q =
2
8
6 2
.  .  = 8,18 .10 −5
6!.2!  8   8 
5 3
8!  1   7 
P ( x = 5) = C83 p 5 q 3 = .  .  = 1,14 .10 −3
5!.3!  8   8 
4 4
8!  1   7 
P ( x = 4) = C84 p 4 q 4 = .  .  = 0,01
4!.4!  8   8 
3 5
8!  1  7 
P ( x = 3) = C 85 p 3 q 5 = .  .  = 0,056
3!.5!  8  8 
2 6
8!  1   7 
P ( x = 2) = C p q =
6
8
2 6
.  .  = 0,196
2!.6!  8   8 
1 7
8!  1   7 
P ( x = 1) = C87 p 1 q 7 = .  .  = 0,39
1!. 7!  8   8 
0 8
8!  1   7 
P ( x = 0) = C 88 p 0 q 8 = .  .  = 0,34
8!.0!  8   8 
Với p=1/2 => q=1/2

0 8
8!  1  1 
P ( x = 0) = P ( x = 8) = C88 p 0 q 8 = .  .  = 3,9.10 −3
8!.0!  2  2
7 1
8!  1   1 
P ( x = 1) = P ( x = 7) = C p q = 1
8
7
.  .  = 31,25 .10 −3
1
1!.7!  2   2 
6 2
8!  1   1 
P ( x = 2) = P ( x = 6) = C p q =2
8
6
.  .  = 109 ,375 .10 −3
2
2!.6!  2   2 
5 3
8!  1   1 
P ( x = 3) = P ( x = 5) = C 83 p 5 q 3 = .  .  = 218 ,75 .10 −3
3!.5!  2   2 
4 4
8!  1  1 
P ( x = 4) = C84 p 4 q 4 = .  .  = 273 ,4375 .10 −3
4!.4!  2  2
Đồ thị :

Với p = 9/10 => q = 1/10

8 0
8!  9   1 
P ( x = 8) = C 80 p 8 q 0 = .  .  = 0,43
0!.8! 10   10 
7 1
8!  9  1 
P ( x = 7) = C81 p 7 q 1 = .  .  = 0,383
7!.1! 10  10 
6 2
8!  9   1 
P ( x = 6) = C p q =
2
8
6 2
.  .  = 0,149
6!.2! 10  10 
5 3
8!  9   1 
P ( x = 5) = C83 p 5 q 3 = .  .  = 0,033
5!.3! 10  10 
4 4
8!  9   1 
P ( x = 4) = C 84 p 4 q 4 = .  .  = 4,59 .10 −3
4!.4! 10  10 
3 5
8!  9  1 
P ( x = 3) = C 85 p 3 q 5 = .  .  = 4,1.10 −4
3!.5! 10  10 
2 6
8!  9   1 
P ( x = 2) = C p q =
6
8
2 6
.  .  = 2,268 .10 −5
2!.6!  10  10 
1 7
8!  9   1 
P ( x = 1) = C87 p 1 q 7 = .  .  = 0,72 .10 −6
1!. 7! 10  10 
0 8
8!  9   1 
P ( x = 0) = C 88 p 0 q 8 = .  .  = 10 −8
8!.0!  10  10 
Đồ thị :

Bài 12:
Vì U là biến ngẫu nhiên phân phối đều trên khoảng [-1;1] nên:
P[U] = P[U-0] = P[U+0]
P[U>0] = P[0<U<1] = F[1] - F[0]
1
= 1 -
2
1
=
2
1 1 1 1 1
P[|U|< ] = P[ − <U< ] = F[ ] – F[ − ]
3 3 3 3 3
4 2
= -
6 6
1
=
3
3 3 3
P[|U| ≥ ] = P[-1<U< − ] + P[ <U<1]
4 4 4
3 3
= F[ − ] - F[-1] + F[1] - F[ ]
4 4
1 7
= - 0 + 1 -
8 8
1
=
4
P[U<5] = 0
1 1 1 1
P[ <U< ] = F[ ] - F[ ]
3 2 2 3

3 4
= -
4 6
1
=
12
Bài 13:
• → P[A] = 0
→ P[B] =
= =
• → P[C] =
• → P[D] =
Bµi 14:
a. BiÕn ngÉu nhiªn x lµ BNN liªn tôc
1 1
 n− 0≤ n≤ 1
Fx ( n) =  4 4
 1 n> 1
 1
b. ρ  X < −  = ρ[φ ] = 0
 2
 1  1  1 1 −1
ρ  X <  = ρ [0;  = − =
 3  3  12 4 6
1
ρ[ X ≤ 0] = ρ [{ 0} ] =
4

1   1   3
ρ  ≤ X < 1 = ρ  ;1  =
4   4   16
1  1  3 3
ρ  ≤ X ≤ 1 = ρ  ≤ X < 1 + ρ [{1} ] = + 0 =
 4   4  16 16
 1  1  1 7
ρ  X >  = ρ  ;1 + ρ [ (1,+∞ )] = FX (1) − FX   + 1 =
 2  2  2 8
ρ[ X ≥ 5] = 1
ρ[ X < 5] = ρ[ (1;5) ] + ρ[[ 0;1]] = 1 + Fx (1) − FX (0 − ) =

3
4
Bài 15:
 0( y < 1)
FY ( y ) =  −n
1 − y ( y ≥ 1)
• 0 ≤ k ≤ 1 ⇔ P { 0 < Y ≤ 2} = PY { (0,1)} + PY { [ 1, 2] }
= 0 + FY (2) − FY (1 − 0) = 1 − 2− k
• k > 1 ⇔ P { k < Y ≤ k + 1} = PY { (k , k + 1]}
= FY (k + 1) − FY (k )
= 1 − ( k + 1) − k − (1 − k − k ) = k − k − (k + 1)− k
Bài 17:
Biến cố ngẫu nhiên Rayleigh có hàm phân phối
 02 r < 0
FR (r ) =  −r
 1 − 2σ 2 khir ≥ 0
 e
Tìm
P[ σ ≤ R ≤ 2σ ]
[ σ ≤ R ≤ 2σ ]=[R= σ ] ∪ [ σ ≤ R ≤ 2σ ]
P[ σ ≤ R ≤ 2σ ]= FR (σ) - FR (σ − ) + FR (2σ) - FR (σ) = FR (2σ) - FR (σ − )
−4 r 2 / 2σ 2 − r 2 / 2σ 2 −1 / 2 −2
=(1- e ) –(1- e )= e −e
P[R> 3σ ]=1-P[R ≤ 3σ ] =1- F R
(3σ ) =1- e
−9 / 2
Bài 18.
X là biến ngẫu nhiên mũ với tham số λ ta có hàm mật độ xác suất của hàm
biến mũ là
nếu x ≥ 0
λe
−λx
f X ( x) =  nếu x < 0
0
Vậy ta có hàm phân phối mũ là
x 0 x x x
x
FX ( x) = ∫ f X ( x)d x= ∫ f X ( x) d x+ ∫ f X ( x) d x= ∫ f X ( x ) d x= ∫ λ e d t= − e = − e− λ x − 1 = 1 − e− λ x
0
−λt − λt
( )
−∞ −∞ 0 0 0
Vậy giá trị của hàm phân phối được viết là
Nếu x ≥ 0
 1− e −λx
FX ( x) =  Nếu x < 0
0 Với giá trị d > 0 , k nguyên dương
Tính P[ X ≤ d ] = FX (d ) =1 − e −λd
P[ kd ≤X ≤ ( k +1) d ]=
FX (( k + 1)d ) − FX (kd ) = 1 − e −λ ( k +1) d − (1 − e −λkd ) = e −λkd − e −λ ( k +1) d
( k + 1) d ( k + 1) d
(k + 1)d
Hay P[ kd ≤ X ≤ ( k +1) d ]= ∫ f X ( x) d x = ∫ λ e− λ x d x = − e− λ x
kd
(
= e − λ k d − e − λ ( k + 1) d )
kd kd
P[X>kd] = 1 - P[X ≤ kd] = 1 - F X (kd) = 1 – (1- e −λkd ) = e −λkd

b.Hãy chia phần dương của đường thẳng thực thành năm khoảng không có
điểm chung đồng xác suất.
P[ kd ≤ X ≤ ( k +1) d ]
0 d kd (k+1)d
Các giá trị xác suất tại các điểm là không có điểm chung đồng xác suất
P[0<X<d] = FX(d) – FX(0)
P[d<X<kd] = FX(kd) – FX(d)
P[kd<X<(k+1)d] = FX(kd) – FX((k+1)d)
P[X > (k+1)d] = 1 – FX((k+1)d)
Bài 19:
∞
a. Áp dụng tính chất ∫

−∞
fx( x) dx = 1

∞ 0 1 +∞
Mặt khác ∫ fx( x) dx = ∫ fx( x) dx + ∫ fx( x)dx + ∫ fx( x) dx = 1

−∞ −∞ 0 1
0 1 ∞
⇔ ∫ 0 + ∫ Cx(1 − x)dx + ∫ 0 = 1
−∞ 0 1
⇔ ∫ Cx (1 − x)dx ≤ = 1
0
x2 x3
⇔ C(
2
-
3
) | 10 =1
1 3
⇔ C( - )= 1
2 4
⇔ C= 6
Vậy f x (x)= 6x(1-x) nếu 0 ≤ x ≤ 1
0 nếu khác
c. Hàm phân phối xác suất
0 nếu x< 0
F x (x) = 2
3x – 2x 3
nếu 0 ≤ x ≤ 1
1 nếu x>1
1 3 3 1
b. P[ <x ≤ ] = F x ( ) – F x ( )
2 4 4 2
3 2 3 3 1 1
= ( 3 ( ) - 2 ( ) ) – [3( )2 – 2( )3] = 0,34375
4 4 2 2
Bài 21.
a.Tìm fx(x).
0 neu x < − a
c
 (x+c) neu – a ≤ x < 0
a
fx(x) = 
 −c ( x − c ) neu 0 ≤ x < a
a
0 neu x ≥ a

b.Tìm Fx(x)
x
Fx(x)= ∫ Fx(t ) dt
−∞
x
c c x c c c
 Fx(x)= ∫ (t + c )dt = (t-c)2 = [(x+c) 2
– (c-a) 2
] = (x+c) 2
- (c-a)2
−a
a a − a a a a

a
−a −a −a a
Fx(x) = ∫ c (t − c)dt = (t-c)2 = [ (a-c)2 - (x-c)2]
x c x c
−a a a a
= (a-c)2 + (x-c)2 = (x-c)2 - (a-c)2
c c c c
Vậy hàm phân phối :
c c
 a ( x + c ) − a ( c − a ) neu x < 0
2 2
Fx(x)= 
 a ( x-c ) 2 − a ( a − c ) 2 neu x ≥ 0
 c c
1
c. P[|x|<b] =
2
Bài 23
Bài 25.
Công thức hàm mật độ xác suất:
Bài 26.
Chứng minh rằng thoả mãn tám tính chất của một hàm phân phối
i)
Từ tiên đề 1 . Cần chứng minh:

Ta có mà A và xung khắc với nhau nên

Từ tiên đề 1 => => (đpcm)
ii)
Do nên khi thì . Điều này tương đưong với X là toàn bộ không gian mẫu
X=S
iii)
A là một biến cố nào đó có liên quan đến X và có giá trị luôn lớn hơn -∞
iv)
Vì a < b nên là tập con của
Từ tiên đề 1
v)
Do
vi)
Hai biến cố ở vế trái xung khắc nên từ tiên đề 3 và định nghĩa hàm phân phối (
ta có
vii) Giả sử là một số vô cùng bé. Từ tính chất vi) ta có
Khi . Điều này tương đưong với

Và . Vậy:
Bài 27:
Biến ngẫu nhiên có phân phối mũ

Sx = [0,∞ ]
fx(x) = λe -λx
Hàm phân phô'i
1 - e - λxx 0≥
Fx(x) ={
0 x<0
Lúc này
Fx( x | X>t) = P[X x≤| X > t ]
P[{X ≤x} ∩ {X > t }
=
P[X > t]
Tích của hai biến cố {X ≤ x} ∩ {X > t} bằng tập rỗng nếu X < t và sẽ bằng {t< X ≤ x}
khi x ≥ t Do vậy:
0 x≤ t
{
Fx ( x | X > t ) =
Fx ( x)− Fx ( t)
kh i x> ..t
1 − Fx t( )
Fx ( x) − Fx (t ) 1 − e − xλ − 1 + e− λt e− λt − e− λ x
= =
1 − Fx (t ) 1 − 1 + e − λt e− λ t
= 1 − e λt −λ x
Nên t
0
Fx ( x | X > t ) =
0 x≤ t
{
1 − eλ t − xλ
k h i ..x t >
b) Hàm mật độ xác suất có điều kiện tìm được bằng vi phân theo x:
f x ( x)
f x (x | X > t) = khi..x ≥ t
1 − Fx (t )
f x ( x) λ e−λ x λt −λ x
1 − Fx (t ) 1 − (1 − e− λt ) λ e
= =
λ eλt −λ x khi..x ≥ t ≥ 0
⇔
đặt S(x)=
f x (x | X > t)
= {
0 khi t ≤ x <0
λ e λt S(x)= λ

Bài 28:
a.Áp dụng công thức:
P[{ X ≤ x} ∩ A]
Fx( x | A) =
P[ A]
dFx( x | A)
fx ( x | A) =
dx
Fx( x | a ≤ x ≤ b) = P[ X ≤ x | a ≤ X ≤ b]
P[{ X ≤ x} ∩ {a ≤ X ≤ b}]
=
P[{a ≤ X ≤ b}]
0 − − − − − − − − − − − − − x ≤ a

 Fx( x) − Fx (a)
Fx( x | a ≤ x ≤ b) =  − − − − − −a ≤ x ≤ b
 Fx (b ) − Fx ( a )
1 − − − − − − − − − − − − − b < x
Đồ Thị:
Fx ( x | a ≤ x ≤ b )
0 a b x
b.Tìm và phác họa fx(x | a ≤ x ≤ b) :

dFx( x | a ≤ x ≤ b)
fx( x | a ≤ x ≤ b) =
dx
0 − − − − − − − − − −x < a

fx( x | a ≤ x ≤ b) =  fx( x)
 Fx(b) − Fx( a) − − − a ≤ x < b

Bài 29:
Đặt:
BNN Nhị thức với n = 8, p = 1/10 (p = 1/2; p = 9/10). Khi đó:
(a). Ta có:

(b).Ta có: nếu

Do đó:
Bµi 30:
 0 nÕ n ≤ u k
 n   [ n]
FX =   =   j − 1  1
 4    ∑ ρ q  .
  j = k + 1  ρ ( A)
ρ [ { n ≤ n} ∩ A]
V× Fx ( n / a ) =
ρ [ A]

 φ nÕ n ≤ ku
{ n ≤ n} ∩ { x > k} = 
 k < X = n nÕ > un
Cho X lµ biÕn ngÉu nhiªn h×nh häc. T×m vµ ph¸c ho¹ FX(n/A) nÕu.
A = { n < k } vµ n ch½n k nguyªn d¬ng
Ta cã:
 n ≤ n n c h n≥ ½k n ,
A = { n ≤ n { \n < k} = 
 n ≤ k − 1 n c h n ≥ ½n n ,
F 
2
 
ρ[ A] = ∑ ρ.q 2 j −1
j =1
n
 2
 
⇒ FX ( n / A) = ∑ ρ .q 2 j −1
n
 2  −1
 
j =1
∑ ρ .q
j =1
2 j −1
Bài 31:
a. I A (ζ ) = {3,4,5}
3
b. I A (ζ ) = {[ ,1]}
4
I
c. A (ζ ) = {( x , y ) | 0 < x < 1;0 < y < 1;0.5 < x + y < 1}
Bài 33.
Ta có X là biến ngẫu nhiên nhị thức nên ta có
p k = C nk p k q n −k . mặt khác ta có giá trị p k −1 = C nk −1 p k −1 q n −k +1 .
pk C nk p k q n −k
= k −1 k −1 n −k +1 =
( n − k + 1) p = 1 + (n + 1) p (dpcm )
Lúc này ta có.
p k −1 C n p q kq kq
b.Chứng minh rằng P[X= k] đạt cực đại tại kmax = [(n+1)p].
pk ( n + 1) p
Ta có nếu ta xét tỷ số ≥1⇒1+ ≥ 1 ⇔ k ≤ (n + 1) p
p k −1 kq
Vậy nếu khi k tăng giá trị từ 0 đến (n+1)p. Thì gía trị p(k) tăng. Nếu như ta có giá trị
pk
≤ 1 thì k ≥ (n +1) p . Như vậy thì p(k) giảm nếu như k tăng.
p k −1
Vậy khi giá trị k = (n+1)p thì xác suất p[X =k ] đạt giá trị cực đại.

Nếu khi giá trị (n+1)p nguyên thì giá trị k sẽ có hai giá trị k1 = (n+1)p và giá trị k2 = (n+1)p -1.
Mà tại các giá trị này thì p(k) max. Nên khi (n+1)p nguyên thì cực đại đạt tại các giá trị kmax và
kmax -1.
Bài 34.
Cho N là biến ngẫu nhiên hình học SN = {0 , 1, 2, …}
a. Tìm P[N > k]
Xác suất để hơn k lần phép thử được thực hiện trước khi xuất hiện thành công
có
∞ ∞
1
P[N > k] = ∑ pq = pq ∑q = pq
N −1 k j k
= qk
N =k +1 j =0 1−q
b. Tìm hàm phân phối của N
Ta có hàm phân phối
k k −1
1 − qk
FX ( x) = P[ N ≤ k ] = ∑ pq j −1 = p ∑q i = p = 1 − qk với giá trị p = 1 – q
j =1 i =0 1− q
P[ { N = k } ∩ { N ≤ m} ]
Tìm giá trị P[ N = k | N ≤ m] = P( N ≤ m )
Nếu giá trị k > m thì ta có { N = k } ∩ { N ≤ m} = ∅ vậy suy ra P{ N = k } ∩ { N ≤ m} = 0
P[ N = k | N ≤ m ] = 0
Mặt khác vì N là biến ngẫu nhiên hình học nên ta có
Với giá trị 1<k <m. Như vậy với k là điểm bất kỳ ta có P[{ N = k } ∩ { N ≤ m} ] =
P[ { N = k } ]
Mặt khác ta có P[{ N = k } ] = p (1 −q ) k −1 .
P[ N = k ] p (1 − q ) k −1 p (1 − q ) k −1
Vậy xác suất của P[ N = k | N ≤ m] = P[ N ≤ m] = FX ( m )
=
1 − qm
Bài 35:
α α
Đối với biến ngẫu nhiên hình học: P[M=k] = (1-p)k-1.p Với k=1,2,3….; p= ; λ=
2 T
α
t
t −αt
Ta có: P(x>t) = P[M>n ] =(1-p) n
t
= [(1- ) ] => e
T
n T
T khi n →∞
T n
Chứng minh: P[ M ≥ k + j | M > j ] = P[ M ≥ k ]
P[( M ≥ k + j ) ∩ ( M > j )]
=
P[ M > j ]
P[ M ≥ k + j ] P[( M > k + j ) ∪( M = k )]
= =
P[ M > j ] P[ M > j ]
e −λ.( λ+ j ) + (1 − p ) k −1 . p
=
e −λ. j
−λk
Mà P[M ≥ k ] = e => đpcm
Bài 37.
150 −15 1
a. Ta có α = 15 => P[0]= . e = 15 = 0,306.10−6
0! e

−15  152 159 

b.P[N ≥ 10 ] = 1 − P[N < 10] = 1- e 1 + 15! + + ... +
 2! 9! 
1  152 153 154 155 156 157 158 159 
=1 − 1 + 15 + + + + + + + +
e −15  2! 3! 4! 5! 6! 7! 8! 9! 
= 0,9301
Bài 39.
Bài 40
Ta có biến ngẫu nhiên POISSON là ::
S x
= {0,1,2………..}
p = αk! e α
k
−
k = 0,1,2………..và α >0 (*)
k
E[ X ] = α
VAR[X] = α
λ
Ta có số lệnh chờ được thực thi cho bởi tham số α = nµ
Với λ = 3 là số lệnh trung bình đến 1 ngày
µ = 1 là số lệnh cần được thực thi bởi một nhân viên trong một ngày
n là số nhân viên
λ 3
⇒n= =
αµ α
Ta có với 4 lệnh chờ ⇒ k ≥ 4 và xác suất cho có hơn 4 lệnh chờ nhỏ hơn 90%
Giả sử ta lấy với k =4 và p k
= 0,9
Thay số vào (*) ta được 0,9 = α

4
−α
⇒α
4! e
(khó quá không tìm được giá trị của α)
+ Đối với xác suất không có lệnh chờ thì α =0

Thì khi đó p k
=1
Bài 42.
Phân vị thứ r, π(r), của biến ngẫu nhiên X được định nghĩa: P[X ≤ π(r)] =
a) Tìm phân vị 90%, 95% và 99% của biến ngẫu nhiên mũ với tham số λ
Ta có:
=
P[X ≤ π(r)] =
= P[X < 0] + P[0 ≤ X ≤ π(r)]
= 0 + (π(r)) - ( )
= (1 - )
=1- =
 =1-
 =
 =-
Phân vị 90%, 95% và 99% lần lượt ứng với r = 90, 95 và 99
b) Làm lại câu a với biến ngẫu nhiên Gauss với tham số m = 0 và σ
Đặt đưa biến ngẫu nhiên X bất kỳ về biến ngẫu nhiên Z chuẩn tắc .
Trong đó:
Hàm phân phối này không tính được bằng cách tích phân chỉ tính được gần đúng dựa vào
một hàm đặc biệt .
Từ đó ta tính được hàm phân phối là
Mà
Bài 43
Ta có :
−x 2
1
f X ( x) = e 2
2π
=> f X (x ) là hàm đối xứng đối với x

=> f X (x ) = f X ( −x)
Ta lại có :
F X ( x) = P ( X ≤ x) = P{x ∈ (−∞, x]}
FX ( −x ) = P ( X ≤ −x ) = P{−x ∈( −∞ ,−x ]}
Do f X (x ) = f X ( −x) nên P{−x ∈( −

∞,−x ]} = P{x ∈[ x,+
∞ )}
Mà :
P{x ∈( −∞ ,+∞ )} =1 = P{x ∈( −∞ , x )} + P{x ∈( x,+∞ )}
⇔ 1 = F X ( x) + F X (− x) = 1 − Q( x) + 1 − Q(− x)
⇔ Q( −x) = 1 − Q( x)⇒ đfcm
Bài 44
Tính xác xuất Gauss
Ta có hàm phân phối F(x) của biến ngẫu nhiên chuẩn là
P[X x] = t= ( )
a, X<m ta có
P[X m] = t= ( )
Theo bảng Q-hàm ta có
( ) = 1 - Q(0) = 1 – 0.5 = 0.5

b, P[ > k ] với k = 1, 2, 3, 4, 5
và P[ X > m+k ] với k = 1.28, 3.09, 4.26, 5.20
Trường hợp với X > k + m
P[X > k + m] = 1 - P[X < k + m] = 1 - t
= ( )
= Q(k)
Trường hợp với X < -k + m
P[X < - k + m] = t = Q(-k) = 1 - Q(k)
(do tính đối xứng của hàm mật độ)
K= 1 Q(1) = 0.159 Q(-1) = 0.841
K= 2 Q(2) = 0.0228 Q(-2) = 0.9772
K= 3 Q(3) = 0.00135 Q(-3) = 0.99865
K= 4 Q(4) = 3.17E -5 Q(-4) = 0.9999683
K= 5 Q(5) = 2.87E -7 Q(-5) = 0.999999713
Theo bảng 3.4 ta có:
K= 1.28 Q(1.28) = E -1
K= 3.09 Q(3.09) = E -3
K= 4.26 Q(4.26) = E -5
K= 5.20 Q(5.20) = E -7
Bài 45:

BNN N là BNN Gauss N (0;1) có hàm phân phối: .
Để nơi nhận mắc lỗi nếu 0 đã được gửi đi thì điện áp là không âm, tức là
hay
Khi đó:
Tương tự, để nơi nhận mắc lỗi nếu 1 đã được gửi đi thì điện áp là âm, tức là
hay :
Xét tích phân : I = , đặt u = ⇒ du = t.dt = .dt ⇒
I viết lại:
Trong đó: là hàm Gamma tại , suy ra ⇒I=
Từ đó ta có:
Vậy xác suất để nơi nhận mắc lỗi nếu 0 và 1 đã được gửi đi là như nhau.

Bµi 46:
* Víi thêi gian sèng mong muèn cña hÖ thèng lµ 20000 giê.
* XÐt víi chip 1
Ta cã hµm mËt ®é x¸c suÊt:
1
∫ ( x) = .e −( x −11 )
2
/ 2σ 2
X1
2nσ
Víi ®é lÖch chuÈn σ = 4000 giê
Gi¸ trÞ kú väng µ = 20000 giê

1
⇒∫ X ( x) =
4000 2n
* XÐt víi chip 2:
§é lÖch chuÈn σ = 1000 giê
Gi¸ trÞ kú väng: µ = 22000 giê

1 1
⇒∫ ( x) =
2 2
X2 .e −2000 / 2.1000
=
2 n .1000 1000 .e 2 2n
Cã: f X ( x ) > f X ( x )
1 2
→ ChÝp 1 thÝch hîp h¬n.

* Víi thêi gian mong muèn cña hÖ thèng lµ 24000 giê:
→ ChÝp 1:
1 1
∫ ( x ) = 4000
2 2
X1 .e −4000 / 2.4000
=
2n 4000 . 2 n e
→ ChÝp 2:
1 1
∫ ( x ) = 1000
2 2
X2 .e −2000 / 2.1000
=
2n 1000 .e 2 2n
Cã: f X ( x ) > f X ( x )
2 1
→ ChÝp 2 thÝch hîp víi hÖ thèng h¬n.
Bài 47:
α
Với λ = =1 .
T

Theo công thức biến ngẫu nhiên có phân phối mũ thì xác suất để thời gian vượt quá t giây
là:
 t
P [ X < t ] = P  M > n. 
 T
t
n.
t
 α n T −α .
t
= (1 − p) T
=  1 −   → e T
 n  
a.X<6 thì
 t
P [ X < 6] = 1 − P [ X > 6] = 1 − P  M > n. 
 T
t
n.
t
 α n T −α.
t
= 1 − (1 − p ) T
= 1 −  1 −   → 1 − e T = 1 − e −6
 n  
b.X>8 thì
 t
P [ X < t ] = P  M > n. 
 T
t
n.
t
 α n T −α .
t
= (1 − p) T
=  1 −   → e T
= e −8
 n  
Bài 49:
Biến ngẫu nhiên khi_bình phương
1
1 1 α −1 − 1 x α −1 − x
2
( x) e 2
2 = x .e 2
0<x< ∞
f ( x) = α
x Γ(α ) 2 .Γ(α )
Hàm mật độ của biến ngẫu nhiên khi_bình phương
k
α= k nguyên dương
2
1 1
K=1 α= Γ( )= π
2 2
1
f X
( x) = 1 1
x
x .e2 2 . 2π
K=2 α =1 Γ(1) =1
1
f ( x) = −1 / 2
X
e .2 . π

1 1 1 1 1
K=3 α= +1 Γ( +1) = Γ( ) = π
2 2 2 2 2
1
f (x) = x 2
X 1
x
e 2 . 2π
Bài 50
Ta có hàm mật độ m-erlang
 λ ( λ x ) m −1 e − λ x

f X ( x ) =  ( m − 1) ! nếu x≥0

0neu.x < 0
Ta có giá trị của hàm phân phối được tính bằng phương pháp tích phân từng
phần
x 0 x
FX ( x) = ∫
−∞
f X ( x)dx = ∫ f ( x ) dx + ∫ f ( x) dx =
−∞
X
0
X
λ ( λt ) e − λt
m −1
λ
x x x
f X ( x ) dx = ∫ (∫ λ t ) e−λt dt
m −1
∫ 0 0 ( m − 1) !
dt =
( m −1) ! 0

u = ( λt ) m −1  du = λ ( m − 1) ( λt ) dt
 m−2
Đặt  ⇒ −1 − λt
− λt
dv = e dt v = e
 λ
λ  −1 − λt m −1 x
x

FX ( x ) =  e ( λt ) + ( m − 1) ∫ e− λt ( λt ) dt 
m−2
( m − 1) !  λ 0 0 
λ  −1 − λ x x

 e ( λ x ) + ( m − 1) ∫ e ( λt ) dt 
m −1 −λt m −2
=
( m − 1) !  λ 0 
x
I1 = ∫ e − λt ( λ t )
m−2
Đặt dt áp dụng tích phân từng phần cho tích phân này
0
u = ( λt ) m− 2  du = λ ( m − 2 ) ( λt ) dt
 m −3
 ⇒ −1 − λt
− λt
 dv = e dt v = e
 λ
 −1 − λ t m−2 x
x

I1 =  e ( λt ) + ( m − 2 ) ∫ e − λt ( λt ) dt 
m −3
λ 0 0 
Vậy ta có
 −1 − λ x x

=  e ( λx) + ( m − 2 ) ∫ e − λt ( λt ) dt 
m−2 m−3
λ 0 
λ  −1 − λ x 1
x

FX ( x ) = ( ) ( ) ( ) ( )( ) ∫e− λt ( λt )
m −1 −λ x m− 2 m −3
 e λ x − m − 1 e λ x + m − 1 m − 2 dt 
( m − 1) !  λ λ 0 
Như vậy ta có giá trị của m tiến gần tới 1
λ  −1 − λ x 1 1 −λ x −λ x 
FX ( x ) = ( ) ( ) ( ) ( ) ( )
m −1 −λ x m−2
e λ x − m − 1 e λ x − ... − e λ x + m − 1 !e
( m − 1) !  λ λ λ 

Câu b.
( λt )
k
n −1
[ ]
Ta có FSm ( t ) = P Sm ≤ t = P  N ( t ) ≥ m = 1 −
  ∑ e− λt Nếu lấy đạo hàm
k =0 k!
của hàm phân phối trên sẽ nhận được hàm phân phối của hàm m-erlang
Ta có hàm FSm được viết lại như sau
 ( λt ) −λ t ( λ t ) − λt ( λt) 
2 3 n −1
− λt − λt λ t
FSm (t ) = 1 − e + e + e + e + ...+ e− λt 
 1 2! 3! ( n − 1)! 

  λt ( λt ) 2 ( λ t ) 3 ( λ t ) 
n −1
= 1 −  e 1 + +
− λt
+ + ...+ 
  1 2! 3! ( n − 1)!
 
Vậy khi ta lấy đạo hàm nên ta được

  λt ( λt ) ( λt ) ( λt )  − λt  λ 2λ ( λt ) 3λ ( λt ) ( n − 1) λ ( λt )
2 3 n −1 1 2 n−
FSm' (t ) = −  −λ e − λt  1 + + + + ... +  + e  + + + ... +

 1 2! 3! ( n − 1)!  ( n − 1)!
  1 2! 3!
Bài 51.
Từ Hàm mật độ => Hàm phân phối
e −α.|t|
x
α .e −λ.|t|
x
F x (x) = ∫α. dt =
2.( − α )
−∞
2 − ∞
1 x 1 −λ.|t| 1
= - .e −λ.|t| −∞ = - .[ e − α.( −∞ ) ]
2 2 e
Mà P[X ≤ x ]
 1 − λ .x
1 −λ.|x|
 − 2 .e ; ( N êu' x≥ 0 )
Vậy F x (x) = .e =
2
 − 1 .eλ .x ; (n êu' x< 0)
 2
Vậy hàm khối lượng xác suất
P x (x k ) = P x (x=x k ) Với x=8
d
d 1 −α.
P(x=x 1 ) = P (x= ) = - .e 2
2 2
3d 1 −α.32d
P(x=x 2 ) = P (x= ) = - .e
2 2
5d 1 −α.52d
P(x=x 3 ) = P (x= ) = - .e
2 2
7d 1 −α.72d
P(x=x 4 ) = P (x= ) = - .e
2 2
d 1 α. d
P(x=x 5 ) = P (x= - ) = - .e 2
2 2
3d 1 α. 3d
P(x=x 6 ) = P (x= - ) = - .e 2
2 2
5d 1 α. 5 d
P(x=x 7 ) = P (x= - ) = - .e 2
2 2
7d
7d 1 α.
P(x=x 8 ) = P (x= − ) = - .e 2
2 2
b, Tìm
P(- 4d < x < 4d) = F(4d-0) – F(-4d)
1
= .[ e −α.4 d − e −α.4 d ] = 0
2
Vậy P(- 4d > x > 4d) = 1 - P(- 4d < x < 4d) = 1
Bài 52:
X: là số khách đợi xe bus.
M: là số khách xe có thể chở.
Y = ( X – M )+ là số khách hàng phải chờ sau.

• Khi X ≤ M
⇒Y = 0
Do đó:
P[Y = 0] = P[ X ∈{0;1,..., M }]
M
= ∑p
i =0
i = p1 + p 2 + ... + p M
M
= ( p1 + p m )
2
• Khi X > M
Đặt X = M +k
⇒Y = (X − M ) = k
+
⇒ P[Y = k ] = P[ X = M + k ] = P[ M + k ]
= (1 − p )
M +k −1
p
Bài 53.
Biến cố {Y ≤ y} xảy ra khi A= { aX + b ≤ y}
 ( y − b)  y −b y −b
Nếu a>0 thì A =  x ≤  → Fy(y)= p[x ≤ ] = Fy ( ) (a>0)
 a  a a
 ( y − b)   y −b  y −b
Mặt khác nếu a<0 thì : A =  x ≥  và Fy(y) = P  x ≥  = 1 - Fy  (a<0)
 a   a   a 
dF dF du y −b
= . (u la biến của F; u= )
dy du dy a
1  y −b  −1  y − b 
→    
Fy(y) = a Fx  a  (a>0) ; Fy(y) = a Fx  a  (a<0)
1 y −b
→ Fy(y) = F x( )
|a| a
Mà x là biến ngẫu nhiên với hàm mật độ Gauss có TB m và ĐLTC σ
−( x − m )
2
1
−∞ < x < +∞
2πσ . e 2.σ
2
Fx(x) = ( )
− ( y − b − m)
2
→ Fy(y) = 1
2π | aσ |
e 2(aσ ) 2
Vậy Y là hàm phân phối Gauss với kỳ vọng b+am Và độ lệch tiêu chuẩn |a| σ
Theo đề bài →
 σ'
  a = σ
 (Voi a > 0)
 b = m '− σ '
b + am = m '   σ
  
| a | σ = σ '  a = − σ '
  σ
 (Voi a < 0)
 b = m '+ mσ '
  σ

Bài 55.
Bài 58.
Hàm trống giữa Y = h(X) được cho trên hình P3.4
a) Tìm hàm phân phối và hàm mật độ xác suất của Y theo hàm phân phối và hàm mật độ xác suất
của X.

b) Tìm hàm phân phối và hàm mật độ xác suất của Y nếu X có hàm mật độ xác suất Laplace
Hàm mật độ Laplace:
Tìm hàm phân phối Laplace:

Với
Với
Với và
Với và
Bài 60
Biến ngẫu nhiên X có hàm mật độ là:
fx(x)=
a, Miền được che phủ bởi đĩa bán kính X chính là diện tích của đường tròn
S= X=
Đặt Y= S
Ta có : Py(Y ) = Py ( )=
Ta có hàm phân phối xác suất được tính theo bài 19 là

Fy(Y) = 3Y2 – 2Y3 = 3 – 2( )3/2

Đạo hàm hai vế ta có

fY(y) = -
Vậy hàm mật độ cần tìm là: fY(y) =
b, Thể tích hình cầu được tính theo công thức

V= X= )1/3 với
Đặt Y= V
Ta có : PY(Y ) = PY( )1/3 =

FY(y) = 3Y2 – 2Y3 = - 2 + 3( )2/3
FY(y) =- + 2( )2/3 ( )-1/3
Vậy hàm mật độ cần tìm là
fy(y) =
c, Y = Xn x= = Y1/n với
Ta có : PY(Y ) = PY(( )1/n )=

FY(y) = 3Y2 – 2Y3 = 3(y)3/n - 2(y)2/n
FY(y) = - y(2-n)/n(1-y1/n)
Vậy hàm mật độ xác suất là
fY(y) =
Bài 61:
Đầu vào có phân phối đều trên khoảng [ -4d; 4d ] nên ta có:

Biến cố Z = X – q(X) có hàm phân bố xác suất trên khoảng [ -4d; 4d ] là:
Trong đó q(X) có phân phối đều trên mọi khoảng thuộc theo ví dụ 3.19
• Xét trong khoảng : q(X) ánh xạ vào điểm , do đó:
•Tương tự với các khoảng còn lại ,…, , :
=…
Suy ra trên toàn khoảng ta có:
Từ đó, hàm mật độ trên toàn khoảng được xác định:
Vậy biến cố Z = X – q(X) có phân phối đều trên khoảng .

Bài 63:
Đề sai?!?
Bài 65:
Do biến ngẫu nhiên rời rạc đều nên ta có : xác suất của các thành phần là

1
P X
( xk ) = p =
n
Kỳ vọng của bnn rời rạc:
n n
n(n + 1) n +1
E(X)= ∑ x k P X ( xk ) = (1 + 2 + 3 + ...... + n) p = ∑i. p = p=
k 1 2 2
Phương sai của bnn rời rạc:
(n +1)
2
n
VAR(X)= E ( X ) − E ( X ) = ∑i . p
2 2 2
− 2
=
1
2
(n + 1)( 2n + 1) (n +1)
2
2
)=n
(n + 1) 2n + 1 n + 1 −1
− = ( −
6 4 2 3 2 12
Bài 66.
a. Tìm kỳ vọng và phương sai cảu biến ngẫu nhiên nhị thức
Gọi X là biến ngẫu nhiên nhị thức S X = {0,1,2,…,n}
pk = Cnk p k q n −k (q = 1− p )
Giá trị kỳ vọng :

n
E ( X ) = ∑kC npk qk n =
−k
k =0
n
kn ! n np ( n −1) !
=∑ p q= ∑
k n −k
p−k q 1 n −1− (k− 1 )
k =0 k !(n −k )! =k 1 ( n −1− (k− 1 ) )!

= np ∑
n
( n −1) ! p k −1
q n −1− (k− 1 )
k −1 ( n −1− (k− 1 ) !
)
Đặt j = k -1 ta có
E ( X ) = np ∑
n −1
( n − 1) ! n −1
p j q n −1− j = np∑ Cnj−1 p j qn −1− j = np ( p + q )n −1
j =0 ( n −1 − j ) ! j =0
mặt khác ta có q = 1- p
Vậy E(X) = np.
b.Tìm phương sai của biến ngẫu nhiên nhị thức

Ta có VAR(X)= E  X  − E [ X ] = E  X  − ( np )
2 22 2
n n
n! k − n
E X  = ∑
2
k C p q = ∑k2 k k n −
k 2
pq k
k !( n −k )!
n
k =0 =k 0
= np ∑k
n
( n −1) ! p q k −1 n −1− (k− 1 )
k −1 ( k −1) ! (n− 1− k−( 1 ))

Đặt j = k – 1 suy ra k = j + 1
n −1
E  X 2  = np∑ ( j + 1)
( n − 1) !  n −1 n −1 
p j qn − 1− j = np  ∑ jCnj−1 p j q n− 1− j + ∑ Cnj−1 p j q n− 1− j 
j =0 j !( n − 1 − j ) !  j =0 j =0 
Như vậy ta có giá trị tổng thứ nhất chính là giá trị kỳ vọng của biến X : β ( n − 1, p ) và tổng thứ
hai thì bằng 1.Như vậy ta có
E  X 2  = np ( n − 1) p + 1
Vậy thay vào ta có giá trị phương sai là
VAR(X)= E  X  − E [ X ] = E  X  − ( np ) Vậy suy ra VAR(X)=
2 2 2 2
np ( n − 1) p + 1 − ( np ) = ( np) − np2 + np − ( np) = np − np2 = np(1 − p) = npq

2 2 2
b, Nếu X là số lần suất hiện mặt ngửa trong n lần tung đồng xu. Ta có nếu ta đặt Ij là hàm chỉ
tiêu của biến cố A(xuất hiện mặt ngửa) trong phép thử thứ j, thì khi đó ta có:
X = I1 + I 2 + ... + In
Nghĩa là X là tổng của các biến ngẫu nhiên Bernoulli tương ứng với mỗi phép thử trong n phép
thử độc lập. Vậy suy ra
E(X) = E(I1) + E(I2)+…+E(In) = p + p + … + p = np.
Vậy giá trị E(X) chính là kỳ vọng của biến ngẫu nhiên nhị thức. X là số lần xuất hiện thành công
trong n phép thử Bernoulli và là tổng của n biến ngẫu nhiên Bernoulli độc lập, cùng phân phối.
Bài 67.
α x .e =α
a, Biến ngẫu nhiên poisson: P x = S x = (0,1,2,3…)
x!
Biến ngẫu nhiên rời rạc kỳ vọng là:
∞
α x .e −α
E(x) = ∑x.
x =0 x!
∞ ∞
α x .e −α
Mà ∑ P k =1= ∑ (1)
x =1 x =0 x!
∞
α x .e −α ∞
1 α
x −1 −α
.e ∞
α x −1 .e −α
Vậy E(x) = ∑ = ∑α = α1 . ∑ = α1
x =1 ( x − 1)! x =1 ( x − 1 )! x =1 ( x − 1 )!
∞
2 α .e
x −α ∞
α .e
x −α ∞
( x −1 +1).α x .e −α
E(x ) = ∑ x
2
= ∑x = ∑
x =0 x! x =0 ( x − 1).( x − 2)! x =0 ( x −1).( x − 2)!

∞
1 α x .e −α ∞
α x .e −α ∞
αx .e −α
= ∑(1 + ). = ∑ +∑ = α2 +α
x =0 x −1 .( x − 2)! x =0 ( x − 2)! x =0 ( x −1)!
Vậy theo tính chất V(x) = E(x ) – [E(x)] = α + α − α 2 = α

2 2 2
(λt ) x .e −α.t
b, Khi α = λ.t => P k =
x!
(λt ) x .e −α.t
∞
=> E(x) = ∑x
x =0 x!
=> E(x) = λ.t
Bài 71
1
Chứng minh rằng E[X] của biến ngẫu nhiên với hàm phân phối F x
( x) = 1 −
x
với x>1
là không tồn tại
LG
+
∞
Ta có E[X] = ∫t f
−∞
x
(t ) dt
f f ' ( x) = 1
Mà (t ) = F ' (t ) ⇒ ( x) = F 2
x x x x
x
⇒ E[X] =
+∞ +∞
1
+∞
1 +∞
∫x f ( x)dx = ∫x 2
dx = ∫−∞ x dx = ln( x )
−∞
= ln(+∞) − ln(−∞) = ln(+∞) − ln(1)
−∞
x
−∞ x
Vì x>1 hay x ∈ ( 1 , + ∞ )
Ta có ln(+ ∞ ) không tồn tại vì vậy mà E[X] không tồn tại
Nhóm khác làm
Bài 69.
Tìm kỳ vọng và phương sai của biến ngẫu nhiên Gauss bắng cách tích phân trực tiếp các hệ
thức (3.57) và (3.65)
Ta có X là biến ngẫu nhiên với hàm mật độ xác suất Gauss có TB m và độ lệch tiêu chuẩn σ
−( x − m )
2
1
−∞ < x < +∞
Fx(x) = 2πσ . e σ
2
2.
( )

+∞
Mà giá trị kỳ vọng E[X] = ∫F

−∞
x
( x)dx
− ( x − m) − ( x − m)
2 2
+∞ +∞
→ E[x] = x. 1 . 1
∫−∞ 2πσ e σ 2
2
dx =
2πσ −∞ ∫ e 2σ 2 dx
x.
x−m
Đặt z = → x = σ z + m ; dx = σ dz
σ
−z −z
2 2 2
+∞ +∞ +∞ −z
1 1 m
→ E ( x) = ∫ (σ z + m)e 2 dz = 2π −∞∫ σ ze 2 dz + 2π −∞∫ e 2 dz
2π −∞
2
+∞ − z
∫e
−∞
2 dz = 2π (Tích phân Poison)
m
→ E[ x]=0+ 2π = m → E[ x]=m
2π
−( x − m)
2
+∞
1
−
2
+ Phương sai V [x]=
σ 2π −∞ ∫ ( x m ) .e 2σ 2 dx
x−m
Đặt z = → x – m = z. σ → dx = σ .dz
2
σ
2 +∞ 2
2 −z
→ V [x]=
2π −∞ ∫ z e 2 dz
u = z u ' = 1
 2 →

Đặt  −z  −z
2
v ' = z.e 2 v = −e 2
σ σ −z σ
2 2 2 +∞ 2 2
−z
∞ 2π
∫ =σ
2
→ V [x]= z.e 2 + e 2 dz = 0 +
2 −∞ 2π −∞ 2π
→ σ x= V [x]=σ
Bài 71
Bài 73
Chứng minh các hệ thức (3.68),(3.69)và (3.70)

+ hệ thức (3.68)
VAR[c] = 0
Ta có E[c] = 0
E[cX] = cE[X]
Mà VAR[X] = E[X 2 ] – E[X] 2 = E[X.X] – E[X].E[X] =
=X.E[X] - E[X].E[X]
Thay X = c
Ta được VAR[X] = c*c - c*c = 0 (dpcm)
+ hệ thức (3.69)
VAR[X + c] = VAR[X]
2 2 2 2
Xét Y = ax + b ⇒ Y =a x + 2a bx +b
E[Y] = aE[X] + b ⇒ E[X + b] = 1*E[X] + b
⇒ VAR[Y] = E[Y 2 ] – E[Y] 2

2 2 2
aX
= E[ + 2a b x + b ] - (aE[X] + b) 2
2 2 2 2 2
= a E[ X ] + 2 a b E[ X ] + b − (a E[ X ] 2
+ 2a b E[ X ] + b )
= E[X ] – E[X]
2 2
= VAR[X]
Thay Y = X + c vào ta được
VAR[X + c] = VAR[X] (dpcm)
+ hệ thức (3.70)
2
VAR[cX] = c VAR[X]
Đặt Y = cX
2
⇒ VAR[Y] = E[
Y ] – E[Y] 2
2 2
= E[ c X ] – [cE[X]] 2
2 2 2
= c E[ X ] − c ( E[ X ]) 2
2
c ( E[ X ] − E[ X ] 2 )
2
=
2
= c VAR[ X ] (dpcm)
Bài 74:
Cho , ở đây A có kỳ vọng m và phương sai , và và c là các hằng số. Tìm
kỳ vọng và phương sai của Y.

Bài 75
Chi phí cho n lần tung là : nd $
Chi phí cho X lần ngửa là aX 2 + bX
Chi phí cho n-X lần xấp là nd – ( aX 2 + bX )
 Kì vọng cho tổng chi phí :
X n−X
E(X) = ∫ t.( at + bt )dt + ∫ t.[ nd − (at 2 + bt )]dt

2
0 0
at 4 bt 3 ndt 2 at 4 bt 3
=( + ) | 0X +( − − ) | 0n − X
4 3 2 4 3
aX 4
bX 3
nd (n − X ) 2 a( n − X ) 4 b( n − X ) 3
= + + − −
4 3 2 4 3
nd (n − X ) 2 a[ X 4
− (n − X ) 4 ] b[ X 3
− (n − X ) 3 ]
= + +
2 4 3
Nếu chi phí cho việc nhận đc X lần ngửa là a X với a>0 , giá trị kì vọng của chi phí là :
X
∫t.a
t
E(X) = dt
0
Đặt u = t => du = dt
at
a t dt = dv ⇒ v =
ln a
X X
at X at
⇒ ∫ t.a dt = t.
t
| 0 −∫ dt
0
ln a 0
ln a
at at
= (t. − 2 ) |0X
ln a ln a
aX 1
= (X − )
ln a ln a
Bài 76
Ta có Y = abX với X là biến ngẫu nhiên Poisson
E(Y) = =
đặt i-1 = k ta có
E(Y) = =
Bài 77:
Giới hạn tử Y = g(X) được xác định :
Y = g(X) =

Hàm mật độ của Y theo hàm mật độ của X :
Kỳ vọng của giới hạn tử được xác định:
Phương sai:
Bµi 78:
Hµm cña C biÕn ngÉu nhiªn ϕ
 X + a n ÕX ≤ u- a
ϕ = h( x ) = 
 X − a n ÕX ≥ ua
+ X≥-a
BiÕn cè {ϕ ≤ y} x¶y ra khi { x + a ≤} hay { X ≤ y − a} víi y ≤ 0
+ X≥a
BiÕn cè {ϕ ≤ y} x¶y ra khi { X − a ≥ y} hay { X ≥ y + a} víi y ≥ 0
 FX ( y − a) n Õy ≤ u0 v x í≤ i- a
VËy Fϕ ( y) = 
0 n Õy > u0
0 n Õy < u0 v ín≥i a
Fϕ ( y ) = 
 1 - FX( y + a) n Õy ≥ u0
LÊy ®¹o hµm theo y ta ®îc.

 fϕ ( y ) = f x ( y − a ) , y ≤ 0 n Õ x u≤ - a

 fϕ ( y ) = f x ( y + a ) , y ≥ 0 n Õ x u≥ a
Khi ®ã gi¸ trÞ kú väng cña hµm thèng nhÊt ®îc x¸c ®Þnh.
0
E [ϕ] = ∫ ( y + a ) f ( y − a ) dy
X víi X ≤ - a
−∞
+∞
E [ϕ] = ∫ − ( y − a ) f ( y + a )dy
x víi x ≥ a
0
Ph¬ng sai:
[ ]
0 0
VAR [ϕ ] = E ϕ 2 − E [ϕ ] = ∫ ( y + n) f x ( y − a ) dy − ∫ ( y + a ) f x ( y − a ) dy
2 2 2 2
−∞ −∞
+∞ +∞
[ ]
VAR [ϕ ] = E κ 2 − E [ϕ ] =
2
∫ ( y − a ) f x ( y + a ) dy − ∫ ( y − a ) f x ( y − a ) dy
2 2 2
0 0
Bài 79:
Lấy kết quả bài 65:

n +1
E[ X ] =
2
n −1
2
U[ X] =
12
Ta có:
n −1
E [ Y ] = K + L.E [ X ] = K + L.( )
2
n2 − 1
⇒ U [ Y ] = L2 .U [ X ] = L2 .
12
Bài 80:
T×m momen cÊp n cña X nÕu X ph©n phèi ®Òu trªn kho¶ng [0,1] va lÆp l¹i víi ®iÓm bÊt kú trªn
[a,b]
C«ng thøc tÝnh momen cÊp n lµ :
E[ ]=
VËy hµm X ph©n phèi ®Òu trªn [0,1] nªn ta cã :
E[ ]= dx = =
Víi kho¶ng bÊt kú [a,b] ta cã

E[ ]= dx = =
Bài 81:
{|X-m| ≥ c }= { X ≤ −c + m} ∪ { X ≥ c + m}
P({|X-m| ≥ c })=p { X ≤ −c + m} +P { X ≥ c + m}
=1+ p { X ≤ −c + m} - P { X ≤ c + m}
=1+ X (
− c + m )- X ( c + m)
F F
a : X là biến ngẫu nhiên trên khoàng (-b,b)
Ta có hàm mật độ xác suất là
 1 1
 = −b ≤ x ≤ b
f X
( x ) = b − ( −b) 2b
khác

 0
Hàm phân phối
 0 x < −b
x + b
F X ( x) =  2b −b ≤ x ≤ b
 x >b
 1
Xác suất chính xác của biến ngẫu nhiên đều trên khoảng (-b,b)
P({|X-m| ≥ c }) =1+ F X ( − c + m )- F X
( c + m)
−c +m +b c +m +b
=1+ −
2b 2b
c
=1- b
Cận chebyshev
b 2
1 −b +b
VAR{X]= b − ( −b) ∫ ( x − 2 ) dx
−b
4b 2 b 2
= =
12 3
Cận chebyshev
b2
P[X-m ≥ c ] ≤
3c 2
b: X là biến ngẫu nhiên laplace với tham số a
Nghiệm chính xác
P({|X-m| ≥ c }) =1+ X (
− c + m )- X ( c + m)
F F
Ta có:
x x
α −α.|t |
0
α α.t
x
α −α.t 1 α.t 0 α −α.t x
F X ( x) = ∫ f
_∞
X
( x) dx = ∫2e
−∞
dt = ∫2e
−∞
dt + ∫
0
2 e dt =
2e
| −∞ +
2( −α) e
|0
1 1 −α . x 1 1 −α. x
= −
2 2 e + =1- e
2 2
P({|X-m| ≥ c }) =1+ F X ( − c + m )- F X
( c + m)

1 −α( −c+m ) 1 −α( c +m )

=1+(1-e )-(1- e )
2 2
1 −α ( c +m ) 1 −α ( −c +m )
=1+ e − e
2 2
Với m=0:
1 −α.c 1 α.c
2e
P({|X-m| ≥ c })=1+ − e
2
c, X là biến ngẫu nhiên gauss với m=0
Nghiệm chính xác
P({|X-m| ≥ c }) =1+ X (
− c + m )- X ( c + m)
F F
=1+ F X
( − c ) − F X (c )
Ta có:
2
− x 2
x
1
2πσ −∫∞e σ
P[ X ≤ x ]= 2. dx
Dựa vào công thức tích phân

1
∞
t
2
1 x
2
] 1
−
∫e
−
Q(x)= 2 dt =[ 2
e 2
2π 0
(1 − a) x + a x + b 2π
Với a=1- π b= 2π
Φ( x) =1 -Q(x)
2
x
t
Với Φ( x) = ∫e
−∞
2 dt
Vậy
2
1
x
− x
P[ X ≤ x ]=
2πσ −∞
∫e 2.σ dx
2
 
 
1  1  − x2
=1-   e 2σ 2
2πσ 
x + 2π 
2
1 x 1
 (1 − ) +
π σ π σ
2
 
P({|X-m| ≥ c }) =1+ F X
( − c ) − F X (c )
 
 
  2
1  1  − 2c 2
=1+ [ 1- 2πσ  e σ ]
(−c)
2
 1 −c 1 
 (1 − π ) σ + π + 2π 
σ
2

 


 
 
  2
1  1  − 2c 2
- [ 1- 2πσ  2 e σ ]
 1 c 1 (c) 
+ 2π 
 (1 − π ) σ + π
σ
2
 
 
 
−c  
2
1 1 1
=1- e 2σ  − 
2
2πσ  2 2

1 −c 1
 (1 − ) + c + 2π (1 − π )
−c 1
+ c + 2π 
π σ π σ σ π σ
2 2
 
 
 c 
− c
2
 2(1 − π ) 
1 σ
=1-
2πσ e 2σ
2
 2 2 
 1 ( c + 2π ) − c 
−π
2
 2 ( 1 )
π σ σ 
2 2
Cận chebyshev
E[X]=m=0
σ
2
VAR[X]=
P[|X-m| ≥ c ]= σ2
2
c
Bài 82.
Cho X là số lần thành công trong n phép thử Bernoulli với xác suất thành công p. Như vậy
X là biến ngẫu nhiên nhị thức.
Mặt khác ta có E(X) = np , Var(X) = np(1-p)
Y = X/n Áp dụng bất đẳng thức Chebyshev
Ta có
X  V ar( X ) np ( 1 − p )
P  Y − p > a  = P  − p > a  = P  X − np > na ≤ =
( na ) ( na )
2 2
 n 
. Điều gì sẽ xảy ra nếu n → ∞
Áp dụng luật số lớn Trê –bư-sép
Khi n → ∞
Ta có khi n → ∞ khi đó ta có
X  p ( 1− p)
P  − p < a  > 1 −δ với giá trị của 0<δ <
 n  na 2

Bài 83.
Các bóng có phân phối mũ với kỳ vọng E[x] chưa biết và trung bình số học Y của các
phép đo.
Áp dụng bất đẳng thức chebyshev:
δ2
P (|Y - E [X]| ≥ a) ≤ 2 ; (Với δ 2 là phương sai)
a
Mà theo biến m – Erlang
λ.( λt ) x .e −α.t α
f x (x) = => E[X] =
(α) λ
m-Erlang là trường hợp khi biến Game với α = m
λ.( λx ) m −1 .e −α. x
=> f x (x) = x>0
( m −1)!
m
=> E[X] =
λ
∞
m m
Trong đó V[X] = ∑( x − λ )
x =1
2
.Px ( x ) = E(x2) – [E(x)]2 =
λ
m2
Vậy P (|Y - E [X]| ≥ a) ≤
λ2 .a 2
Bài 85.
Kiểm tra mức phù hợp tốt của số liệu giữa các lần đếm được giới thiệu ở BT 11
Chương 1 với biến ngẫu nhiên mũ tới mức có nghĩa 5%
Ta có bảng số liệu : Pk= Cnk . p k .qn −k = Cnk . pk .(1 − p)n −k
p K=0 1 2 3 4 5 6 7 8
-3 -6
1 0.430 0.383 0.149 0.033 0.005 0.408.10 0.022. 0.72.10 0.01.10-6
10-2
10
1 0.004 0.031 0.109 0.219 0.273 0.219 0.109 0.031 0.004
2
9 0.01.10-6 0.72.10-6 0.22.10-3 0.408.10- 0.005 0.033 0.149 0.383 0.043
3
10
1
Với P= : n=8 => kỳ vọng (trung bình) E[X]= ∑ xk Px ( xk ) = 0.130
10
(0.43 − 0.13) 2 (0.383 − 0.13)2 (0.01.10−6 − 0.13)2
⇒ D2= + + ... + = 1,83
0.13 0.13 0.13
Số bậc tự do là : 9-1 = 8
So sánh bảng 3.5 với mức ý nghĩa là 5% là : 15.51
P2 không vượt quá ngưỡng vậy BNN phân phối đều.
1
Với P= ;n=P =>Kỳ vọng E[X]= ∑ xk Px ( xk ) = 0.675
2
(0.004 − 0.657) 2 (0.031 − 0.657)2 (0.004 − 0.657)2
=> D =
2
+ + ... + = 4.22
0.657 0.657 0.657
Số bậc tự do là : K=9-1=8.

9
Với P= ;n=8;E[X]=0.13 => D2 = 1.83
10
1
T2 P = ; n = 8 => Số liệu BNN phân phối đều
10
Bµi 90:
+ Hµm ®Æc trng cña biÕn ngÉu nhiªn Ganss
Φ X ( ω ) = e jmω−σ
2
ω2 / 2
* Gi¸ trÞ trung b×nh (kú väng)
E [ X ] = Φ 'x ( ω ) = ( jm − 2σ 2ω / 2)e jmω−σ

2
ω2 / 2
¸p dông ®Þnh lý moment:
E [ X ] = Φ'x ( 0 ) / j = m.(1)
+ LÊy ®¹o hµm hai lÇn ta cã:
Φ(ω) = −σ .e "
x ( 2
) jm ω−σ
→ M«ment cÊp 2 b»ng:
E X [ 2
]=Φ(0 )/ "
x j 2
=
−
→ Ph¬ng sai cña X:
[ ]
VAR [ X ] = E X 2 − E [ X ] = σ 2 + m 2 − m 2 = σ 2
2
Bài 90.(2 nhóm cùng làm)

Tìm kỳ vọng và phương sai của biến ngẫu nhiên Gauss với việc dùng định lý
moment cho hàm đặc trưng cho trong Bảng 3.2
Hàm đặc trưng:
Kỳ vọng:

Phương sai:
Bài 91
Giả sử hàm đặc trưng của biến ngẫu nhiên Cauchy được giới thiệu ở bài 72 là e −ω
Khi đó :
d −ω
φX ( x) = ±1e = ±1 ⇒ tồn tại
dω ω=0
ω=0
Mà ta lại có :
Theo định lý mô men :
d
φX ( x) =E X ( x)
dω ω=0
Theo bài 72
E X (x) ko tồn tại => φX ( x) ≠ e − ω
Bài 92:
Hàm sinh của biến ngẫu nhiên hình học được xác định theo công thức:
∞
GN ( z ) = ∑ p (1 − p )k zk
k =0
∞ ∞
1
= p ∑ [(1-p)z]k (vì ∑ x
k
= )
k =0 k =0 1− x
1
= p.
1 − (1 − p) z
p
=
1 − (1 − p) z
p(1 − p )
⇒ G'N (z) =
[1-(1- p)z]2
GN'' ( z ) = (−2) p (1 − p )(−1 + p )[1-(1-p)z]− 3
= 2 p(1 − p) 2 [1- (1 - p)z]−3

2 p (1 − p ) 2
= .
[1-(1-p)z]3
Giá trị kỳ vọng :
p(1 − p ) p(1 − p ) 1 − p
E[ N ] = G 'N (1) = = =
(1 − 1 + p ) 2
p2 p
Giá trị phương sai:

V [N]=G ''N (1) − GN' (1) − [GN' (1)]2

2 p (1 − p)2 p (1 − p ) p 2 (1 − p )2
= + −
p3 p2 p4
2 p 2 (1 − p ) 2 + p 3 (1 − p ) − p 2 (1 − p ) 2
=
p4
p 2 (1 − p )( p + 1 − p )
=
p4
1− p
= 2
p
Bài 93:
BNN nhị thức : , k = 0, 1,…, n
Hàm sinh xác suất:
Kỳ vọng và phương sai từ hàm sinh xác suất:
Bài 95:
r
E[ X ] =
p
 k − 1 r k −r
với p =   p .(1 − p )
 r −1
→ X là biến ngẫu nhiên rời rạc
→ Giá trị kì vọng :
r
E  X  = ∑
k  k − 1 r k −r
 r − 1  p .(1 − p)
 
Bài 97

Hãy lập momen cấp n của biến ngẫu nhiên Gamma từ phép biến đổi laplace của hàm mật độ xác
suất của nó
- Biến đổi laplace của biến ngẫu nhiên Gamma
=∫λ x = λ ∫x e
α α −1 −λx −sx α
∞
. .e .e ∞
α −1 −( λ +s ) x
X *
( s) dx
0
Γ(α) Γ(α ) 0
λ λ
α ∞ α
1 α −1 −y
= . ∫ y .e dy =
Γ(α ) (λ +s) (λ +s)
α α
0
Momen bậc 1
λ
α
d α
E[X]=- | s =0 =
d (λ+s) s
α
λ
Momen bậc 2
d λ
2 α
α (α + 1)
E[X]= s =0 =
d (λ + s) λ
2 α 2
Momen bậc 3
d λ
3 α
α (α + 1)(α + 2)
E[X]=- s =0 =
d (λ + s) λ
α 3 3
Momen bậc n
n
n ∏ (α + i)
E[
X ]=(-1) n i =1
λ
n
Bài 98.
Biến ngẫu nhiên siêu mũ 2 bậc có hàm mật độ xác suất
f X ( x) = pae − ax + (1− p)be− bx
Phép biến đổi Laplace của hàm mật độ xác suất của X
∞
Phép biến đổi Laplace X ( s ) = ∫ f X ( x )e− sx dx

*
Thay hàm f X ( x ) vào ta có

∞ ∞
(
X ( s ) = ∫ f X ( x)e dx = ∫ pae − ax + ( 1 − p ) be − bx e − sxdx
* − sx
)
0 0
∞ ∞
1 ∞ ( 1 − p ) b −( b + s) x ∞
= ∫ pae−( a + s ) x dx + ∫ ( 1 − p ) be −( b + s) dx = − pa e −( a + s) x − e
0 0 ( a + s) 0 ( b + s) 0
pa ( 1 − p ) b
= +
a+s b+s
Bài 99
Phép biến đổi laplace
a b
X*(s)=( )( )
s+a s+b
Mà ta đã biết
∞
a b
∫ fx( x)e
− sx
*
X (s)= dx =( )( )
0 s+a s+b
Đạo hàm 2 vế ta được
a b
fx(x) e-sx = ( )( )’
s+a s+b
a b
= .
( s + a) 2 ( s + b) 2
Vậy hàm phân phối :
a b sx
fx(x)=
( s + a) 2 ( s + b) 2 .e với x>0
.
Bài 101.
a.Ta có hàm phân phối
1 − λ ( x −t0 ) ∞
+∞
∫ λ.e
− λ ( x −t0 )
FT (t ) = dx = −λ e = −(e−∞ − e − λ (t −t0 ) ) = e− λ (t −t0 )
0
λ t
Vậy độ tin cậy R(t) = 1 − FT (t ) = 1 − e− λ (t −t ) 0
+Thời gian trung bình hỏng :

∞ T0
1 − λ ( t −T0 ) T0 1
E[T]= ∫ R(t )dt = ∫ 1 − e
− λ ( t −T0 )
dt = (t + e ) = T0 + (e0 − e− λT0 )
0 0
λ 0 λ
1 λT0 + 1 − eλT0
= T0 + (1 − eλT ) = 0
λ λ
b.Hàm tốc độ hỏng
R (t ) − fT (t ) −λ .e − λ ( t −T0 )
r (t ) = = =
R (T ) 1 − FT (t ) 1 − e − λ (t −T0 )
c.Ta có :
Rδ (t ) = 1 − e − λ ( t −T0 ) = 0.99 ⇒ e− λ (t −T0 ) = 0.01
⇒ ln 0.01 = −λ (t − T0 )
− ln 0.01
⇒t = + T0
λ

Bài 106.(2 nhóm cùng làm)

Một thiết bị có hàm tốc độ hỏng:
Tìm hàm độ tin cậy và hàm mật độ xác suất của thiết bị
Với
Với
Với
Hàm độ tin cậy:
Hàm mật độ xác suất:
Bµi 106:
- Hµm tèc ®é háng:
 i + 9( 1 − t ) 0 ≤ + < 1

π ( t) =  1 1≤ t < 1 0
 1 + 1 0( t - 1 0) ≥ t1 0

* XÐt t¹i 0 ≤ t < 1
- Hµm ®é tin cËy:
− R' ( t )
π (t ) = = 1 + 9(1 − t )
R( t )

dR ( t )
⇔ −∫ = ∫ [1 + 9(1 − t ) ]dt
R( t )
⇔−ln R (t ) = ∫[1 + 9(1 −t )]dt
− [1+9 (1−t ) ] dt
⇔R (t ) = e ∫
 9 
− 10 t − t 2 
⇔ R( t ) = e  2 
- Hµm mËt ®é x¸c suÊt:

( )
∫ ( t ) = R' ( t ) = (10 − 9t )e
− 10 t −9 / 2 t 2
T
* XÐt t¹i 1 ≤ t ≤ 10
R' ( t )
π (t ) = − =1
R( t )
dR ( t )
⇔ −∫ = ∫ dt
R( t )
⇔ ln/ R( t ) / = −t
⇔ R ( t ) = e −t
- Hµm mËt ®é x¸c suÊt:
∫ ( t ) = −R' (t ) = e
−t
T
* XÐt t¹i t ≥ 10
R' ( t )
π (t ) = − = 1 + 10 ( t − 10 )
R( t )
R' ( t )
⇔ −∫ dt = ∫ [1 + 10 ( t −10 ) ]dt
R( t )
⇔−ln R ( t ) = 5t 2 − 9t
⇔ R ( t ) = e 9t −5t
2
→ Hµm mËt ®é x¸c suÊt:
∫ (t ) = −R' (t ) = (10 t −9 ).e

9 t −5 t 2
T
Bài 108
Ta có độ tin cậy của một thành phần là
R(t) = 1 – FT(t) = 1 - dx
=1+ =
a, Vì hệ thống có 3 thành phần độc lập với nhau và chỉ cần 2 thành phần chạy là hệ thống
chạy nên:
+ trường hợp cả 3 thành phần đều chạy

Rhệ thống 1 = R1R2R3 = R3
+ trường hợp có 2 thành phần chạy và có 1 thành phần hỏng
Rhệ thống 2 = 3 R1R2(1-R3) = 3R2 – 3R3
Do đó Rhệ thống = Rhệ thống 1 + Rhệ thống 2 = R3 + 3R2 – 3R3 = 3R2 – 2R3
=3 -2 =3 -2 (do = 1)
Suy ra thời gian trung bình bị hỏng :
E(T) = =
= +
= - =
b, nếu một trong các thành phần có kì vọng là 2 thì:
+ có 3 cách chọn thành phần có kì vọng là 2 giả sử ta chọn R3
- Th1: cả 3 thành phần đều chạy Rht1 = R2R3
- Th2: chỉ có 2 thành phần giống nhau chạy Rht2 = R2(1 –R3)
- Th3: chỉ có thành phần thứ 3 và 1 trong 2 thành phần còn lại chạy
Rht3 = 2RR3(1- R)
Suy ra Rhệ thống = Rht1 +| Rht2 + Rht3 = 3[R2R3 + R2(1 –R3) + 2RR3(1- R)]
= 3 (R2 + 2RR3 – 2R2R3 )
Với R = và R3 =
Suy ra Rhệ thống = 3( )
= 3( )
Vậy thời gian trung bình bị hỏng là:

E(T) = =
= 3( )
= 3( )=
Bài 109:
Phân phối Rayleigh:
Với
a) Thời gian sống trung bình của các thành phần có giá trị
kỳ vọng bằng 1 nên ta có:
hay
Khi đó:
Các thành phần của hệ thống bị hỏng một cách độc lập với nhau nên ta có:
Độ tin cậy của hệ thống:
Trong đó là độ tin cậy của các thành phần của hệ thống.

Khi đó:
Thời gian hỏng trung bình:
b) Thời gian sống của một trong các thành phần có giá trị
kỳ vọng bằng 2, khi đó:
hay

Tương tự ta có độ tin cậy của hệ thống là:
Thời gian hỏng trung bình:
Bài 110:
Tìm độ tin cậy và thời gian trung bình hỏng của hệ thống :
a. Thời gian sống trung bình của bộ xử lý là biến ngẫu nhiên mũ với kì vọng 5
 E[T]=1/λ=5  λ=1/5.
 Ta có hàm mật độ xác suất:
fX(x)=1/5. =-R’[t]
 dt = -R[t]
 d-(1/5)t = -R[t]
 = (1)
Thời gian sống trung bình của thiết bị ngoại vi là biến ngẫu nhiên mũ với kì vọng 10
 E[T]=1/λ=10  λ=1/10
fX(x)=1/10. =-R’[t]
 dt = -R[t]
 = (2)
Từ (1) và (2) ,ta có độ tin cậy của hệ thống là:
R[t] = . . =

Thời gian trung bình hỏng của hệ thống:

E[T]= = =-(5/2). + (5/2). = 5/2.
b. Thời gian sống trung bình của bộ xử lý là biến ngẫu nhiên mũ với kì vọng 10
 E[T]=1/λ=10  λ=1/10.
fX(x)=1/10. =-R’[t]
 dt = -R[t]
 d-(1/10)t = -R[t]
 = (1)
Thời gian sống trung bình của thiết bị ngoại vi là biến ngẫu nhiên mũ với kì vọng 5
 E[T]=1/λ=5  λ=1/5.
fX(x)=1/5. =-R’[t]
 dt = -R[t]
 d-(1/5)t = -R[t]
= (2)
Từ (1) và (2) ,ta có độ tin cậy của hệ thống là:

R[t] = . . =
Thời gian trung bình hỏng của hệ thống:

E[T]= = =-2. + 2. = 2.
Bài 113
Tìm phương pháp tạo ra biến ngẫu nhiên laplace X
Ta dung phương pháp đổi biến để tạo ra biến ngẫu nhiên laplace X
Biến ngẫu nhiên laplace
x x
α −α.|t |
0
α α.t
x
α −α.t 1 α.t 0 α −α.t x
F X ( x) = ∫ f
_∞
X
( x) dx = ∫2e
−∞
dt = ∫2e
−∞
dt + ∫
0
2e
dt =
2 e | −∞ +
2( −α) e |0

1 1 −α . x 1 1 −α. x
= −
2 2 e + =1- e
2 2
Ta tìm nghịch đảo của
1 −α. x
U= FX (x ) = 1- e 2
−α . x
=> e = 2(1 − u )
−1
=> X= α . ln( 1 −u )
Bài 114.
Biến ngẫu nhiên hình Y dạng hỗn hợp có hàm mật độ xác suất
fY ( x) = pδ ( x ) + ( 1 − p) f X ( x)
Ta có X là biến ngẫu nhiên laplace
α −α x
f X ( x) = e
2
nếu x ≥ 0
x
x =
− x nếu x < 0
x
u ( x) = ∫ δ ( t ) dt
−∞
1 neu x ≥ 0
hàm u ( x ) = 
0 neu x < 0
α
x x
FY ( x) = p ∫ δ ( t ) dt + ( 1 − p ) ∫ e dt
−α t
Như vậy −∞
2 −∞
1 − p α x
 2 e neu x < 0
FY ( x) = 
 p − 1 − p e −α x neu x ≥ 0
 2
Giả sử rằng U là biến ngẫu nhiên phân phối đều [0,1]
Với x < 0
1− p αx 1 2U
U = FY ( x ) = e ⇒ Y = FY ( x ) = ln
−1
2 α 1− p
Với x > 0
1 − p −α Y 1  2( p −U ) 
U = p− e ⇒ Y = − ln  
2 α  1− p 

Bài 115.
Để tạp ra biến ngẫu nhiên nhị thức Y với tham số n=5 và p=1/2 đơn giản là tạo ra 5 biến
Bernoulli và lấy Y là tổng số thành công. Hiệu quả của thuật toán phụ thuộc vào việc chọn các
khoảng để xác định U thuộc vào đó.
Nếu 0 ≤ n ≤ 5 => theo biến ngẫu nhiên nhị thức E[X] =n.p=6.1/2=3,5
Tương tự khi giảm theo thứ tự của xác suất thì E[X] = 2,38.
Vậy khoảng được sinh ra có độ dài tuân theo hàm xác suất
1
0 nếu 0 ≤ U ≤
2
1
1 nếu <U ≤ 2
2
2 nếu 2 < U ≤ 5
3 nếu 5 < U ≤ 8
4 nếu 8 < U ≤ 9
5 nếu 9 < U ≤ 10
Bài 126:
X là kết cục của việc tung một xúc sắc cân đối:
a. Entropy của X là:
Hx=-(1/6. + 1/6. + 1/6. + 1/6. +1/6. +1/6.
+1/6. )=- =
b. Với X là chẵn ,X nhận giá trị từ tập {2,4,6}
 Entropy của X khi đó là:
Hx/A=-(1/3 + 1/3 + 1/3 )=
 Độ giảm Entropy là :
Hx-Hx/A= - =1
Bài 129
a. Giả sử đồng xu được tung một lần. Tìm entropy của kết cục
1 1 9 9
H(x)= − ln − ln
10 10 10 10
b. Giả sử đồng xu được tung hai lần và dãy xuất hiện mặt sấp ngửa được quan trắc. Tìm
entropy của kết cục
1 1 9 9 1 1 9 9
H(x)= − log 2 − log 2 − log 2 − log 2
10 10 10 10 10 10 10 10
1 1 9 9
= − 2( log 2 + log 2 )
10 10 10 10
Bài 130.
Ta có theo bài 129 xu A có P[ngửa] = 1/10 , xu B có P[ngửa] = 9/10
Ta có mặt ngửa xuất hiện trong lần tung thứ k

Đốivới đồng xu A
X là BNN biểu diễn số lần tung cho đến lần đầu tiên xuất hiện mặt ngửa,giả sử mặt ngửa
xuất hiện trong lần tung thứ K S X = { 1, 2,....K } .
Ta có xác suất của BNN X là
9 9 9 1 
p=  , , ,..., 
 10 10 10 10 
K
9 9 9 9 9 9 1 1
Vậy ta có H X A = −∑ P [ X = k ] ln [ P = k ] = − ln − ln − ... − ln − ln
k =1 10 10 10 10 10 10 10 10
Bài 131
Kênh truyền thông I = {0,1,2,3,4,5,6}
Khi đó theo định nghĩa entropy
x
1
H x = E[I(x)] = ∑ P[X=x].ln P[X=x]
x =1
1
a, Với xác suất là đồng khả năng p=
7
1 1 1 1 1 1 1
 H(x) = - 7 log2 7 - 7 log2 7 ……- 7 log2 7 = - log2 7
b,Tìm entropy cho x = 4
1 1
=> Hx = P[x=4].log2P[x=4] = = - 7 log2 7
Bài 133.
a.Ta có :
k
3 3 1 1
H [X]=-∑ P[x=k]lnP[x=k] = −( ln + ln ) = 0.56
k =1 4 4 4 4
b.
k
1 1 1 1 1 1 1 1 1
H [ XY ] = −∑ P[XY=k]lnP[XY=k] = −( ln + ln + ln + ln ) = − ln = 1,39
k =1 4 4 4 4 4 4 4 4 4
c.Vì n lần tung thì số cặp (X,Y) chỉ có 4 là (X,N),(N,X),(XX),(N,N) nên
3 3 1 1
H [X]=-( ln + ln )>0 vì n ≥ 2
n n n n
1
H [X;Y]=-ln > 0
n
Bài 138.
X là BNN đều trên [-a, a]. Biến cố A là {X dương}.
Giả sử chia [-a, a] thành K khoảng con độ dài Δ, K chẵn.
Q(X) là trung điểm của khoảng con chứa X. là trung điểm khoảng con thứ k.
Ta có:
P[Q = ] = P[X thuộc khoảng thứ k] = P[ ]≈

Entropy vi phân của X

Entropy vi phân của X dương
Sai khác giữa entropy vi phân của X và entropy vi phân của X dương
Khi Δ rất nhỏ (K đủ lớn), và là tương đương đpcm
Bài 139
X là đều trên [a,b] , Y=2X, vi phân entropy của X là
H X = H Y / 2 = ln( b − a)
Do entropy là độ đo sự bất định trong phép thử ngẫu nhiên , nó xác định độ bất định qua
lượng thông tin cần thiết để mô tả kết cục của thí nghiệm ngẫu nhiên
⇒ H Y = 2.H Y / 2 = 2 ln( b − a )
HX 1
⇒ =
HY 2
Bài 140:
Biến ngẫu nhiên X là chỉ số của các viên bi, khi đó:
S x = { 1, 2,...,8}
Để cho các câu hỏi trong hình vẽ là tiện lợi nhất thì:
E[ L]=H x (1)
Ta có:
8 8
E[ L]-H x = ∑ lk P[X=k] + ∑ P[X=k].log 2 P[X=k]
k =1 k =1
8
P[X=k]
= ∑ P[X=k].log 2 (2)
k =1 2− lk
8
P[X=k]
Từ (1) và (2) =>
k =1
∑ P[X=k].log2−lk
=0 2
P[X=k]
P[X=k] ≠ 0∀k ∈ { 1, 2,...,8} ⇒ log 2 =0
Vì 2− lk
⇔ P[X=k] = 2− lk (*)
Mặt khác:
8
E[ L] = ∑ l P[X=k] = l .p +l .p
k =1
k 1 1 2 2 + l3 .p3 + l4 .p 4 + l5 .p5 + l6 .p6 + l7 .p7 + l8 .p8
= 1. p1 + 2. p2 + 3. p3 + 4. p4 + 5. p5 + 6. p6 + 7. p7 + 7. p8

l1 = 1
l = 2
2
l3 = 3

l4 = 4

Hay l5 = 5
l = 6
6
l7 = 7

l8 = 7

Theo (*),ta có:
pk = P[X=k]=2− lk
1
⇒ p1 = 2−1 =
2
1
p2 = 2−2 =
4
1
p3 = 2−3 =
8
1
p4 = 2−4 =
16
1
p5 = 2−5 =
32
1
p6 = 2−6 =
64
1
p7 = 2−7 =
128
1
p8 = 2−7 =
128
Hàm khối lượng xác suất của biến ngẫu nhiên X để cho dãy các câu hỏi trong
hình 3.36(a) là tiện lợi nhất là:
p = ( p1 , p2 , p3 , p4 , p5 , p6 , p7 , p8 )
1 1 1 1 1 1 1 1
=( , , , , , , , ).
2 4 8 16 32 64 128 128
Bài 141:
BNN X có và hàm khối lượng xác suất
Entropy của X:

Độ bất định của các biến cố:
Vì độ bất định của biến cố X = 1 và X = 2 là thấp nhất nên đó là code tốt nhất
có thể tìm được cho X.
Bài 146.
X là BNN S X = { 1, 2,3, 4} Tìm hàm khối lượng xác suất entropy cực đại của X
khi E(X) = 2
Bài 147.
Entropy của biến ngẫu nhiên không âm.
k k
pk p
Ta có: H x = ∑Pk . ln ≥ ∑Pk .(1 − k )
k =1 qk k =1 qk
k k
= ∑ P − ∑q
k =1
k
k =1
k =0
Để đắng thức xảy ra thì p k = q k

k
pk
Đặt p k = 1/k => H x = ln k - H x = ∑P . ln
k =1
k
qk
≥0
 H x < ln k. Nếu và chỉ nếu p k = 1/k

Mà theo giả thiết E(x) =10

 E (I(x)) = - p k .ln p k
E (I(x)) 10
 ln p k = = =10k
- pk 1/ k
Vậy entropy max = 10k
Bài 149.
+∞
a.Ta có thông tin tham số được cho dưới dạng : C = Ñ

∫ E[ g ( x)]= ∫ g ( x) f x ( x)dx
−∞
Vậy theo đó :
+∞
C1 = E[ g1 (x)]= ∫ g ( x ) f x ( x)dx
−∞
+∞
C2 = E[ g2 ( x)] =
−∞
∫ g ( x) f
2 x ( x )dx
Vậy hàm mật độ xác suất fx(x) mà làm cực đại Entropy sẽ có dạng :
f x ( x ) = C.e − λ g ( x ) ⇒ f1 x ( x) = C.e − λ1g1 ( x ) ; f2 x ( x ) = C.e− λ2 g2 ( x )
f x ( x) = f1x ( x). f 2 x ( x ) = C.e − λ1 g1 ( x )−λ2 g2 ( x ) (đpcm)
b.
H x = − E[ln f x ( x)]
ln f x ( x) = −λ1 g1 ( x) + λ2 g2 ( x) + ln C
⇒ E[ −λ1 g1 ( x) − λ2 g2 ( x) + ln C ] = −λ1 C1 − λ2 C2
Vậy H X = λ1C1 + λ2C2
Bài 156
Vì ta chọn tất cả các sản phẩm thứ bội của n và thời gian giữa các lần ra dây chuyền là một
biến ngẫu nhiên mũ với kì vọng là 1 phút nên ta có hàm mật độ xác xuất của cuộc kiểm định
hoàn thành trước khi dây chuyền cho ra sản phẩm tiếp theo là : fT(t) = n
Do phải mất 2 phút để kiểm tra một sản phẩm nên suy ra hàm phân phối xác xuất là
FT(t) = =- =- + n = n(1- )
Để cho xác suất 90 thì n(1- ) 90 n = 1.0408

Vậy n 2 thì thoả mãn đề bài
Bài 157:
BNN Laplace với tham số :
Khả năng X rơi vào mỗi khoảng trong 4 khoảng là như nhau nên hàm khối lượng xác suất là
như nhau trong 4 khoảng. Khi đó:


Bai Tap Chuong 3

Uploaded by

Document Information

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

Bai Tap Chuong 3

Uploaded by

Copyright:

Available Formats

Xác suất thống kê –Chương 3

Nguyễn Văn Hiệp. Trang 1

Đồ thị hàm F y (y) có dạng:

Nguyễn Văn Hiệp. Trang 2

Phác hoạ dạng đồ thị:

Nguyễn Văn Hiệp. Trang 3

Với p=1/2 => q=1/2

Nguyễn Văn Hiệp. Trang 4

Với p = 9/10 => q = 1/10

Nguyễn Văn Hiệp. Trang 5

Nguyễn Văn Hiệp. Trang 6

Nguyễn Văn Hiệp. Trang 7

ρ[ X < 5] = ρ[ (1;5) ] + ρ[[ 0;1]] = 1 + Fx (1) − FX (0 − ) =

Vậy ta có hàm phân phối mũ là

P[X>kd] = 1 - P[X ≤ kd] = 1 - F X (kd) = 1 – (1- e −λkd ) = e −λkd

a. Áp dụng tính chất ∫

Nguyễn Văn Hiệp. Trang 9

Mặt khác ∫ fx( x) dx = ∫ fx( x) dx + ∫ fx( x)dx + ∫ fx( x) dx = 1

c. Hàm phân phối xác suất

Nguyễn Văn Hiệp. Trang 10

Từ tiên đề 1 . Cần chứng minh:

Nguyễn Văn Hiệp. Trang 11

Từ tiên đề 1 => => (đpcm)

Vì a < b nên là tập con của

vii) Giả sử là một số vô cùng bé. Từ tính chất vi) ta có

Khi . Điều này tương đưong với

Nguyễn Văn Hiệp. Trang 12

Nguyễn Văn Hiệp. Trang 13

Nguyễn Văn Hiệp. Trang 14

Nguyễn Văn Hiệp. Trang 15

(b).Ta có: nếu

Nguyễn Văn Hiệp. Trang 16

Nguyễn Văn Hiệp. Trang 17

Nguyễn Văn Hiệp. Trang 18

−15  152 159 

Thay số vào (*) ta được 0,9 = α

Nguyễn Văn Hiệp. Trang 19

Phân vị 90%, 95% và 99% lần lượt ứng với r = 90, 95 và 99

Nguyễn Văn Hiệp. Trang 20

Do f X (x ) = f X ( −x) nên P{−x ∈( −

( ) = 1 - Q(0) = 1 – 0.5 = 0.5

Nguyễn Văn Hiệp. Trang 21

BNN N là BNN Gauss N (0;1) có hàm phân phối: .

Xét tích phân : I = , đặt u = ⇒ du = t.dt = .dt ⇒

Trong đó: là hàm Gamma tại , suy ra ⇒I=

Nguyễn Văn Hiệp. Trang 22

Víi ®é lÖch chuÈn σ = 4000 giê

Gi¸ trÞ kú väng µ = 20000 giê

* XÐt víi chip 2:

§é lÖch chuÈn σ = 1000 giê

Gi¸ trÞ kú väng: µ = 22000 giê

→ ChÝp 1 thÝch hîp h¬n.

→ ChÝp 2 thÝch hîp víi hÖ thèng h¬n.

Nguyễn Văn Hiệp. Trang 23

Nguyễn Văn Hiệp. Trang 24

Nguyễn Văn Hiệp. Trang 25

Nguyễn Văn Hiệp. Trang 26

FSm' (t ) = −  −λ e − λt  1 + + + + ... +  + e  + + + ... +

Nguyễn Văn Hiệp. Trang 27

Nguyễn Văn Hiệp. Trang 28

Nguyễn Văn Hiệp. Trang 29

Hàm mật độ Laplace:

Tìm hàm phân phối Laplace:

Ta có hàm phân phối xác suất được tính theo bài 19 là