78
Chƣơng 5
CÁC ĐỊNH LÝ GIỚI HẠN
5.1. ĐỊNH NGHĨA. Dãy các ĐLNN {Xn} đƣợc gọi hội tụ theo
xác suất tới ĐLNN X nếu với
> 0,
n
n
limP X X 1.
 

Khi đó
ta ký hiệu:
P
n
XX
.
5.2. BẤT ĐẲNG THỨC TRÊ--SÉP. Cho ĐLNN X kỳ
vọng E(X) phƣơng sai D(X) đều hữu hạn. Khi đó với mọi  > 0,
ta có:
22
D(X) D(X)
P X E(X) 1 hay P X E(X)

(1)
Các bất đẳng thức (1) đƣợc gọi là các bất đẳng thức Trê--sép.
Chứng minh: Giả sử X là ĐLNN liên tục có hàm mật độ phân phối
f(t).
Theo tính chất hàm mật độ, ta có:
E(X)
E(X)
P X E(X) P E(X) X E(X) f (t)dt


E(X)
E(X)
1 f (t)dt f (t)dt
 
 





. (2)
Mặt khác:
2
22
2
t E(X)
t E(X) t E(X) 1
2
2
t E(X)
f (t). f (t)

(vì f(t) 0).
Vì f(t) 0 nên
E(X)
E(X)
f (t)dt f (t)dt f (t)dt
  
 

E(X)
2
E(X)
1
f (t)dt f (t)dt .D(X)
 
 

(3)
79
Từ (2) và (3) suy ra:
2
D(X)
P X E(X) 1 .
Về mặt thực tế bất đẳng thức Trê--sép chỉ cho phép đánh giá
cận trên hoặc cận dƣới xác suất để ĐLNN X nhận giá trị sai lệch so
với kỳ vọng của lớn hơn hoặc thua . Đôi khi sự đánh giá đó
hiển nhiên không có ý nghĩa. Chẳng hạn, nếu D(X) 2 thì bất
đẳng thức là hiển nhiên đúng. Song nó lại ƣu điểm là áp dụng đƣợc
đối với mọi ĐLNN không cần biết quy luật phân phối xác suất của
nó.
dụ 1. Thu nhập trung bình hàng năm của dân một vùng
700 USD và độ lệch chuẩn là 120 USD. y xác định một khoảng thu
nhập hàng m xung quanh giá trị trung bình của ít nhất 95% dân
vùng đó.
Giải. Gọi X thu nhập hàng năm của dân vùng đó thì X
ĐLNN với quy luật phân phối xác suất chƣa biết song có k vọng toán
E(X) = 700 độ lệch chuẩn D(X) = 120. Do đó theo bất đẳng thức
Trê--sép, ta có:
2
130
P X 700 1 0,95 536,656
Vậy ít nhất 95% n vùng đó thu nhập hàng m nằm trong
khoảng (700 536,656; 700 + 536,656), tức khoảng (163,344;
1236,656).
5.3. ĐỊNH LÝ TRÊ--SÉP
5.3.1. Định lý. Giả sử X1, X2, ..., Xn là dãy các ĐLNN độc lập từng
đôi một, k vọng E(Xi) đều hữu hạn (
i 1,n
) phƣơng sai
D(Xi) bị chặn trên bởi hằng số C (nghĩa D(Xi) C, C hằng số,
i 1,n
). Khi đó  > 0 ta có:
nn
ii
ni 1 i 1
11
limP X E(X ) 1
nn
 




.
Khi đó ta nói:
nn
(P)
ii
i 1 i 1
11
X E(X )
nn



.
Chứng minh:
80
Đặt
n n n
n i n i i
i 1 i 1 i 1
1 1 1
S X E(S ) E X E(X )
n n n



nn
n i i
22
i 1 i 1
1 1 nC C
D(S ) D X D(X )
n n n n





.
Áp dụng bất đẳng thức Trê--sép đối với ĐLNN Sn, ta có:
n
nn 22
D(S ) C
0,P S E(S ) 1 1 n

nn 2
nn
C
limP S E(S ) lim 1 1
n
 



Mà xác suất của một biến cố không vƣợt quá 1 nên:
nn
n
0,limP S E(S ) 1

nn
ii
ni 1 i 1
11
0,limP X E(X ) 1.
nn
 




5.3.2. Hệ quả. Giả sử X1, X2, ..., Xn dãy các ĐLNN độc lập
cùng tuân theo một quy luật phân phối xác suất nào đó với k vọng
E(Xi) = phƣơng sai D(Xi) = 2 hữu hạn (
i 1,n
). Khi đó  > 0
ta có:
n
i
ni1
1
limP X 1
n




Qua hệ quả trên ta thấy khi n khá lớn thì trung bình cộng các
ĐLNN cùng kvọng hầu nhƣ lấy những giá trị xấp xỉ kvọng của
chúng và xấp xỉ này càng tốt nếu n càng lớn. Điều này có ý nghĩa thực
tiễn rất lớn, chẳng hạn nhƣ muốn đo đạc một đại lƣợng vật nào đó
ta cần thực hiện nhiều lần lấy trung bình cộng của các kết quả làm
giá trị thực của đại lƣợng.
Nội dung hệ quả y còn sở cho một phƣơng pháp đƣợc áp
dụng trong thống phƣơng pháp mẫu thực chất của dựa
vào mẫu ngẫu nhiên để đi đến kết luận cho tổng thể các đối tƣợng
đƣợc nghiên cứu.
5.4. ĐỊNH LÝ BERNOULLI
81
Định : Giả sử fn(A) là tần suất xuất hiện biến cố A trong n phép
thử độc lập p xác suất xuất hiện biến cố A trong mỗi phép thử.
Khi đó  > 0 ta có:
n
n
limP f (A) p 1

.
Chứng minh: Gọi Xi số lần xuất hiện biến cố A trong phép thử
thứ i,
i 1,n
.
Ta có:
Do đó: Xi A(p) (
i 1,n
)
2
ii
p 1 p 1
E(X ) p;D(X ) p(1 p) , i 1,n.
24




D(Xi) bị chặn,
i 1,n
.
n n n
n i n i i
i 1 i 1 i 1
1 1 1
f (A) X E f (A) E X E(X ) p.
n n n



Áp dụng định Trê--sép cho y các ĐLNN X1, X2, ..., Xn
trên ta có:
nn
ii
ni 1 i 1
11
0,limP X E(X ) 1
nn
 




n
n
limP f (A) p 1.

Định Bernoulli nêu lên sự hội tụ theo xác suất của tần suất xuất
hiện biến cố trong n phép thử độc lập về xác suất xuất hiện biến cố đó
trong mỗi phép thử khi số phép thử tăng lên hạn. Do đó trong thực
tế khi sphép thử tăng lên khá lớn ta lấy fn(A) làm giá trị xấp xỉ cho
xác suất P(A).
5.5. ĐỊNH LÝ GIỚI HẠN TRUNG TÂM
Định lý. Giả sử X1, X2, ..., Xn y các ĐLNN độc lập cùng tuân
theo một quy luật phân phối xác suất nào đó với kỳ vọng E(Xi) =
phƣơng sai D(Xi) = 2 hữu hạn (
i 1,n
). Khi đó:
1 nếu A xuất hiện ở phép thử thứ i
0 nếu A không xuất hiện ở phép thử thứ i
i
X
82
Đại lƣợng ngẫu nhiên
1 2 n
X X ... X
Xn
sẽ hội tụ theo xác
suất tới một ĐLNN quy luật phân phối xác suất chuẩn
2
N,
n



khi
n
.
hay đại lƣợng ngẫu nhiên
X
Un




sẽ hội tụ theo xác suất tới
quy luật phân phối xác suất chuẩn hóa N(0, 1) khi
n
.
Trong thực hành tính toán, khi n > 30 thì ta có thể xấp xỉ:
2X
X N , hay n N 0,1
n




 
.
Ví dụ. 1) Chọn ngẫu nhiên 192 số trên đoạn [0, 1]. Tìm xác suất để
tổng số điểm thu đƣợc X nằm trong khoảng (88, 104).
Giải. Ta thể coi nhƣ
192
i
i1
XX
, trong đó mọi ĐLNN Xi độc
lập và cùng tuân theo quy luật phân phối đều U(0, 1).
Từ đó ta có E(Xi) =
01 0,5
2
; D(Xi) =
2
(1 0) 1
12 12
,
i 1,192
.
E(X) = 192.0,5 = 96 và D(X) = 192/12=16 = 4.
Vì vậy
P(88 X 104)
104 96 88 96 2 2 0,954.
44

2) Cho biến ngẫu nhiên X B(1000; 0,02). Tìm xác suất để X
nhận giá trị trong khoảng (40, 50).
Giải. thể coi
1000
i
i1
XX
, trong đó Xi độc lập cùng phân
phối không một A(0,02). Từ đó theo định lý giới hạn trung tâm suy ra
X N(, 2), trong đó = np = 1000.0,02 = 20; 2 = np(1 p) = 19,6.
P(40 X 50)
50 20 40 20 6,77 4,51 0,5 4,999
19,6 19,6

= 0,001.