Professional Documents
Culture Documents
٢
ﺧﻮاص ﮐﻮارﯾﺎﻧﺲ ۵٣ . . . . . . . . . . . . . . . . . . . . . . . . . . . . ١.۵.٣
۵۴ ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ و ﺧﻮاص آن . . . . . . . . . . . . . . . . . . . . . . . . . . ۶.٣
ﺧﻮاص ﺿﺮﯾﺐ ﻫﻤﺒﺴﺘﮕﯽ ۵۶ . . . . . . . . . . . . . . . . . . . . . . . . . ١.۶.٣
٣
ﻓﺼ ﻞ ١
اﺣﺘﻤﺎل
ﺷﺎﻧﺲ و ﻋﺪم ﻗﻄﻌﯿﺖ ﺗﺎرﯾﺨﭽﻪ ای ﺑﻪ اﻧﺪازه ﺗﻤﺪن ﺑﺸﺮﯾﺖ دارد .ﺗﺌﻮری اﺣﺘﻤﺎل در ﻗﺮن ١٧ﺗﻮﺳﻂ ﭘﺎﺳﮑﺎل و
ﻓﺮﻣﺎ آﻏﺎز ﺷﺪ ﮐﻪ ﺳﻌﯽ در ﺣﻞ و ﺑﺪﺳﺖ آوردن اﺣﺘﻤﺎل دﻗﯿﻖ در ﺑﺮﺧﯽ ﻣﺴﺎﺋﻞ ﻗﻤﺎرﺑﺎزی ﺑﻪ ﻃﻮر رﯾﺎﺿﯽ داﺷﺘﻨﺪ.
ﺑﻪ اﻋﺘﻘﺎد ﺑﺴﯿﺎری ،ﻣﻬﻢ ﺗﺮﯾﻦ اﺑﺪاع ﭘﺎﺳﮑﺎل در ﻋﻠﻢ رﯾﺎﺿﯽ ﺗﺌﻮری اﺣﺘﻤﺎل ﺑﻮد .از دﯾﺪﮔﺎه ﭘﺎﺳﮑﺎل” :ﻓﻮق
اﻟﻌﺎده اﺳﺖ ﮐﻪ اﯾﻦ ﻋﻠﻢ در آﻏﺎز در ﺑﺮرﺳﯽ ﺑﺎزی ھﺎی ﺷﺎﻧﺴﯽ اﺑﺪاع ﺷﺪه ﺑﻮد وﻟﯽ اﻣﺮوزه ﺑﺎﯾﺪ ﺑﻪ ﻋﻨﻮان ﻣﻬﻤﺘﺮﯾﻦ
داﻧﺶ ﺑﺸﺮی در آﯾﺪ”.
ﺗﻌﺮﯾﻒ .١-١ﯾﮏ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ ﻋﻤﻠﯽ ﺑﻮده ﮐﻪ دارای ﺧﺼﻮﺻﯿﺎت زﯾﺮ اﺳﺖ:
ﺑﺮای ﻣﺜﺎل ،آزﻣﺎﯾﺶ اﻧﺪازه ﮔﯿﺮی ﮐﺸﺶ ﻧﺦ ،ﭘﺮﺗﺎب ﺗﺎس ،اﻧﺪازه ﮔﯿﺮی ﻃﻮل ﻋﻤﺮ ﺑﺎﺗﺮی ھﺎی ﺗﻮﻟﯿﺪ ﺷﺪه در
ﯾﮏ ﮐﺎرﺧﺎﻧﻪ ،اﻧﺪازه ﮔﯿﺮی ﺣﺮارت ﺑﺪن ﯾﮏ ﺑﯿﻤﺎر در ﻃﻮل ﺷﺒﺎﻧﻪ روز ،ھﺮ ﮐﺪام ﯾﮏ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ اﺳﺖ.
ﺗ ﻌ ﺮﯾ ﻒ .٢-١ﻣ ﺠ ﻤ ﻮﻋ ﻪ ﺗ ﻤ ﺎم ﻧ ﺘ ﺎﯾ ﺞ ﻣ ﻤ ﮑ ﻦ در ﯾ ﮏ آزﻣ ﺎﯾ ﺶ ﺗ ﺼ ﺎدﻓ ﯽ را ﻓ ﻀ ﺎی ﻧ ﻤ ﻮﻧ ﻪ ﮔ ﻮﯾ ﻨ ﺪ و آن را ﺑ ﺎ ﻧ ﻤ ﺎد S
ﻧﻤﺎﯾﺶ ﻣﯽ دھﻨﺪ .ﻓﻀﺎی ﻧﻤﻮﻧﻪ ﺑﻪ دو دﺳﺘﻪ ﺗﻘﺴﯿﻢ ﻣﯽ ﺷﻮد:
• ﮔﺴﺴﺘﻪ:
• ﭘﯿﻮﺳﺘﻪ :اﻋﻀﺎی اﯾﻦ ﻧﻮع ﻓﻀﺎی ﻧﻤﻮﻧﻪ ﺑﻪ ﺻﻮرت ﯾﮏ ﻓﺎﺻﻠﻪ از اﻋﺪاد ﺣﻘﯿﻘﯽ ﯾﺎ ﯾﮏ ﺳﻄﺢ در ﻓﻀﺎی
دو ﺑ ﻌ ﺪی ﯾ ﺎ ...اﺳ ﺖ .ﻣ ﺜ ﻼ آزﻣ ﺎﯾ ﺶ اﻧ ﺪازه ﮔ ﯿ ﺮی ﺣ ﺮارت ﺑ ﺪن ﯾ ﮏ ﺑ ﯿ ﻤ ﺎر در ﻃ ﻮل ٢۴ﺳ ﺎﻋ ﺖ ،ﻓ ﻀ ﺎی
ﻧﻤﻮﻧﻪ ای ﺑﻪ ﺻﻮرت ] [۳۵, ۴۲دارد.
ﺗﻌﺮﯾﻒ .٣-١ھﺮ زﯾﺮﻣﺠﻤﻮﻋﻪ از ﻓﻀﺎی ﻧﻤﻮﻧﻪ را ﯾﮏ ﭘﯿﺸﺎﻣﺪ ﮔﻮﯾﻨﺪ .ﻣﺜﻼ ﭘﯿﺸﺎﻣﺪ ﻣﺸﺎھﺪه ﺷﯿﺮ در ﭘﺮﺗﺎب ﺳﮑﻪ و
ﯾﺎ ﭘﯿﺸﺎﻣﺪ ﻣﺸﺎھﺪه ﻋﺪد زوج در ﭘﺮﺗﺎب ﯾﮏ ﺗﺎس ﮐﻪ ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﻪ ﺻﻮرت } A = {Hو } B = {۲, ۴, ۶اﺳﺖ.
اﻧﻮاع ﭘﯿﺸﺎﻣﺪ:
۵
ﮐﻮﻟﻤﻮﮔﺮوف در ﺳﺎل ١٩٩٣ﺗﻌﺎرﯾﻔﯽ اراﺋﻪ ﮐﺮد ﮐﻪ ﭘﺲ از ﺳﺎل ھﺎ ﺳﺒﺐ ﻣﻄﺮح ﺷﺪن اﺻﻮل ﺳﻪ ﮔﺎﻧﻪ اﺣﺘﻤﺎل
ﺷﺪ .ﻃﺒﻖ اﯾﻦ اﺻﻮل ﺑﻪ ھﺮ ﭘﯿﺸﺎﻣﺪ از ﻓﻀﺎی ﻧﻤﻮﻧﻪ ﻣﺜﻞ ،Aﯾﮏ ﻋﺪد ) P(Aﻧﺴﺒﺖ داده ﻣﯽ ﺷﻮد ﺑﻪ ﻃﻮری ﮐﻪ
در اﺻﻮل ٣ﮔﺎﻧﻪ زﯾﺮ ﺻﺪق ﮐﻨﺪ .درواﻗﻊ دارﯾﻢ P : S −→ Rﺑﻪ ﻃﻮری ﮐﻪ
اﺻﻞ P(S) = ۱ :١
اﺛﺒﺎت .ﻓﺮض ﮐﻨﯿﺪ A۱ = Sو .A۲ , A۳ , . . . = ϕﭼﻮن Aiھﺎ دو ﺑﻪ دو ﻧﺎﺳﺎزﮔﺎر ھﺴﺘﻨﺪ ،ﻃﺒﻖ اﺻﻞ ٣دارﯾﻢ
P(A۱ ∪ A۲ ∪ A۳ ∪ . . .) = P(A۱ ) + P(A۲ ) + P(A۳ ) + . . .
۶
ﻧﺘﯿﺠﻪ :٣اﮔﺮ Aو Bدو ﭘﯿﺸﺎﻣﺪ ﻧﺎﺳﺎزﮔﺎر ﺑﺎﺷﻨﺪ آﻧﮕﺎه ).P(A ∪ B) = P(A) + P(B
اﺛﺒﺎت .ﭼﻮن A ∩ A′ = ϕﭘﺲ ﻃﺒﻖ ﻧﺘﯿﺠﻪ ٣دارﯾﻢ ) .P(A ∪ A′ ) = P(A) + P(A′از ﻃﺮﻓﯽ A ∪ A′ = S
ﭘﺲ ).P(A′ ) = ۱ − P(A
ﻧﺘﯿﺠﻪ :۵اﮔﺮ Aو Bدو ﭘﯿﺸﺎﻣﺪ دﻟﺨﻮاه ﺑﺎﺷﻨﺪ آن ﮔﺎه ).P(B − A) = P(B) − P(A ∩ B
ﻧﺘﯿﺠﻪ :٧ﺑﺮای ھﺮ ﭘﯿﺸﺎﻣﺪ Aاز ﻓﻀﺎی ﻧﻤﻮﻧﻪ Sدارﯾﻢ .۰ ≤ P(A) ≤ ۱
اﺛﺒﺎت .ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ ،ϕ ⊆ A ⊆ Sﺑﺎ اﺳﺘﻔﺎده از ﻧﺘﯿﺠﻪ ۶ﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ .۰ ≤ P(A) ≤ ۱
٧
ﻧﺘﯿﺠﻪ :٨اﮔﺮ Aو Bدو ﭘﯿﺸﺎﻣﺪ دﻟﺨﻮاه ﺑﺎﺷﻨﺪ آن ﮔﺎه
اﺛﺒﺎت .ﻣﯽ داﻧﯿﻢ ﮐﻪ ھﺮ دو ﭘﯿﺸﺎﻣﺪ دﻟﺨﻮاه Aو Bدارﯾﻢ ) .B = (B ∩ A) ∪ (B ∩ A′ﭘﺲ ﻃﺒﻖ اﺻﻞ ٣دارﯾﻢ
از ﻃﺮﻓﯽ ﭼﻮن ) ،A ∪ B = A ∪ (A′ ∩ Bدارﯾﻢ ) P(A′ ∩ B) = P(A ∪ B) − P(Aو راﺑﻄﻪ ﺑﺎﻻ ﺑﻪ ﺻﻮرت
زﯾﺮ ﺳﺎده ﻣﯽ ﺷﻮد
)P(A ∪ B) = P(A) + P(B) − P(A ∩ B
٨
ﺷﮑﻞ :١-١اﻓﺮاز ﯾﮏ ﻓﻀﺎی ﻧﻤﻮﻧﻪ S
١.١ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎﻻت
اﺣﺘﻤﺎل وﻗﻮع ﯾﮏ ﭘﯿﺸﺎﻣﺪ ﺑﻪ ﻣﻌﻨﺎی ﺷﺎﻧﺲ وﻗﻮع آن ﭘﯿﺸﺎﻣﺪ در اﻧﺠﺎم ﯾﮏ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ اﺳﺖ.
اﮔﺮ اﻓﺮاز ﻓﻀﺎی ﻧﻤﻮﻧﻪ دﻟﺨﻮاه Sرا ﺑﻪ ﺻﻮرت ﺷﮑﻞ ١.١درﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ و ) Pi = P(Eiﻃﺒﻖ ﻧﺘﯿﺠﻪ ٢دارﯾﻢ
( )
∪
n ∑
n
P(S) = P Ei = Pi
i=۱ i=۱
٩
اﻋﺪاد دو رﻗﻤﯽ ﺳﺎﺧﺖ .اﻣﺎ اﮔﺮ ﺗﮑﺮار در ﻋﺪد ﺳﺎﺧﺘﻪ ﺷﺪه ﻣﺠﺎز ﻧﺒﺎﺷﺪ ،دارﯾﻢ a = ۴و b = ۳و در ﻧﺘﯿﺠﻪ ﺑﻪ
۱۲ﺣﺎﻟﺖ ﻣﺨﺘﻠﻒ ﻣﯽ ﺗﻮان اﻋﺪاد ﻣﻮرد ﻧﻈﺮ را ﺳﺎﺧﺖ.
اﺻﻞ ﺟﻤﻊ :ﻓﺮض ﮐﻨﯿﺪ ﯾﮏ ﮐﺎر را ﺑﺘﻮان ﺑﺎ دو ﻋﻤﻞ Aﯾﺎ Bاﻧﺠﺎم داد .اﮔﺮ ﻋﻤﻞ Aرا ﺑﻪ aﻃﺮﯾﻖ و ﻋﻤﻞ
Bرا ﺑ ﻪ bﻃ ﺮﯾ ﻖ ﺑ ﺘ ﻮان اﻧ ﺠ ﺎم داد و اﯾ ﻦ دو ﻋ ﻤ ﻞ ﻧ ﺘ ﻮاﻧ ﻨ ﺪ ﺑ ﻪ ﻃ ﻮر ھ ﻤ ﺰﻣ ﺎن اﻧ ﺠ ﺎم ﺷ ﻮﻧ ﺪ آﻧ ﮕ ﺎه ﮐ ﺎر ﻣ ﻮرد ﻧ ﻈ ﺮ ﺑ ﻪ
a + bﻃ ﺮﯾ ﻖ اﻧ ﺠ ﺎم ﻣ ﯽ ﭘ ﺬﯾ ﺮد .ﺑ ﺮای ﻣ ﺜ ﺎل آزﻣ ﺎﯾ ﺶ اﻧ ﺘ ﺨ ﺎب ٢داﻧ ﺸ ﺠ ﻮی ھ ﻤ ﺠ ﻨ ﺲ از ﺑ ﯿ ﻦ داﻧ ﺸ ﺠ ﻮﯾ ﺎن و رﺗ ﺒ ﻪ
ﺑﻨﺪی آن ھﺎ ﯾﮏ ﮐﻼس را در ﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ .اﻧﺘﺨﺎب ٢داﻧﺸﺠﻮی ھﻤﺠﻨﺲ ﻣﯽ ﺗﻮاﻧﺪ ﺑﺎ دو ﻋﻤﻞ زﯾﺮ اﻧﺠﺎم ﺷﻮد:
اﻧﺘﺨﺎب دو ﺧﺎﻧﻢ داﻧﺸﺠﻮ :ﻋﻤﻞ A
اﻧﺘﺨﺎب دو داﻧﺸﺠﻮی آﻗﺎ :ﻋﻤﻞ B
اﮔﺮ ﮐﻼس ﻣﻮرد ﻧﻈﺮ ﻣﺘﺸﮑﻞ از ۴ﺧﺎﻧﻢ و ۵آﻗﺎ ﺑﺎﺷﺪ ،ﻃﺒﻖ اﺻﻞ ﺿﺮب ﻋﻤﻞ Aﺑﻪ ۴ × ۳ = ۱۲و ﻋﻤﻞ Bﺑﻪ
۵ × ۴ = ۲۰ﺣﺎﻟﺖ ﻣﺨﺘﻠﻒ ﻣﯽ ﺗﻮاﻧﺪ اﻧﺠﺎم ﺷﻮد و ﺑﻨﺎﺑﺮاﯾﻦ ﮐﻞ ﺣﺎﻟﺖ ھﺎی اﻧﺘﺨﺎب داﻧﺸﺠﻮی ھﻤﺠﻨﺲ ﺑﺮاﺑﺮ
ﺑﺎ ۳۲اﺳﺖ.
ﻣﯽ ﺗﻮان اﺻﻞ ﺟﻤﻊ و ﺿﺮب را ﺑﺮای آزﻣﺎﯾﺶ ھﺎﯾﯽ ﺑﺎ kﻋﻤﻞ ﺗﻌﻤﯿﻢ داد .ﻣﺜﻼ آزﻣﺎﯾﺶ اﻧﺘﺨﺎب ١٠
داﻧﺸﺠﻮی ھﻤﺠﻨﺲ از ﯾﮏ داﻧﺸﮕﺎه را درﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ.
ﺗﻌﺮﯾﻒ .۴-١ﻗﺮار ﮔﺮﻓﺘﻦ kﺷﯽء ﻣﺘﻤﺎﯾﺰ در ﮐﻨﺎر در ﯾﮏ ﺻﻒ ھﻢ را ﯾﮏ ﺟﺎﯾﮕﺸﺖ ﻣﯽ ﻧﺎﻣﻨﺪ .در واﻗﻊ ﺗﺮﺗﯿﺒﯽ
ﮐ ﻪ ﻣ ﯽ ﺗ ﻮان اﺷ ﯿ ﺎ ﯾ ﮏ ﻣ ﺠ ﻤ ﻮﻋ ﻪ را در ﮐ ﻨ ﺎر ھ ﻢ ﻗ ﺮار داد ﯾ ﮏ ﺟ ﺎﯾ ﮕ ﺸ ﺖ ﮔ ﻔ ﺘ ﻪ ﻣ ﯽ ﺷ ﻮد و ﺑ ﻪ ﺻ ﻮرت زﯾ ﺮ ﺑ ﺪﺳ ﺖ
ﻣﯽ آﯾﺪ
!P(n, n) = Pnn = n × (n − ۱) × (n − ۲) × . . . × ۲ × ۱ = n
ﺗﻌﺮﯾﻒ .۶-١اﻧﺘﺨﺎب rﺷﯽء از nﺷﯽء ﺑﻪ ﻃﻮری ﮐﻪ ﺗﺮﺗﯿﺐ اﻧﺘﺨﺎب ھﺎ ﻣﻬﻢ ﻧﺒﺎﺷﺪ ﺗﺮﮐﯿﺐ ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد و ﺑﻪ
١٠
ﻣﺜﺎل .٧-١از ﺑﯿﻦ ۴ﭘﺰﺷﮏ و ٣ﭘﺮﺳﺘﺎر ﻣﯽ ﺧﻮاھﯿﻢ ﯾﮏ ﮐﻤﯿﺘﻪ ۴ﻧﻔﺮی ﺗﺸﮑﯿﻞ دھﯿﻢ.
.iاﺣﺘﻤﺎل اﯾﻨﮑﻪ اﻋﻀﺎی ﮐﻤﯿﺘﻪ ﺷﺎﻣﻞ دو ﭘﺰﺷﮏ و دو ﭘﺮﺳﺘﺎر ﺑﺎﺷﺪ را ﺑﺪﺳﺖ آورﯾﺪ.
.iiاﺣﺘﻤﺎل اﯾﻨﮑﻪ اﻋﻀﺎی ﮐﻤﯿﺘﻪ ﺷﺎﻣﻞ ﺣﺪاﻗﻞ ٢ﭘﺮﺳﺘﺎر ﺑﺎﺷﺪ ﭼﻘﺪر اﺳﺖ؟
.iدر اﯾﻨﺠﺎ ﭘﯿﺸﺎﻣﺪ Aرا ﭘﯿﺸﺎﻣﺪ اﻧﺘﺨﺎب دو ﭘﺰﺷﮏ و دو ﭘﺮﺳﺘﺎر ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ .ﭼﻮن ﺗﺮﺗﯿﺐ اﻧﺘﺨﺎب ھﺎ
ﻣﻬﻢ ﻧﯿﺴﺖ دارﯾﻢ
۴ ۳
×
)n(A ۲ ۲ !۴
× !۳
۱۸
= )P(A = = !۲!×۲
!۷
!۲!×۱
=
)n(S ۷ !۴!×۳
۳۵
۴
اﺣﺘﻤﺎل ﺷﺮﻃﯽ :در ﺑﺮﺧﯽ از آزﻣﺎﯾﺶ ھﺎ ﮔﺎھﯽ ﻣﯽ ﺧﻮاھﯿﻢ اﺣﺘﻤﺎل ﭘﯿﺸﺎﻣﺪی ﻣﺜﻞ Bرا ﻣﺸﺮوط ﺑﺮ اﯾﻨﮑﻪ
ﭘﯿﺸﺎﻣﺪ دﯾﮕﺮی ھﻤﭽﻮن Aاﺗﻔﺎق اﻓﺘﺎده ﺑﺎﺷﺪ ،ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﻢ .ﭼﻨﯿﻦ اﺣﺘﻤﺎﻟﯽ را اﺣﺘﻤﺎل Bﺑﻪ ﺷﺮط Aﮔﻮﯾﻨﺪ ﮐﻪ
ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد
)P(A ∩ B
= )P(B|A )(١-١
)P(A
)n(A ۳
= )P(A =
)n(S ۶
١١
.iiاﮔﺮ ﺑﺪاﻧﯿﻢ ﮐﻪ ﻋﺪد ﻣﺸﺎھﺪه ﺷﺪه اول اﺳﺖ ،ﺑﺮای ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎل ﻣﺸﺎھﺪه ﻋﺪد ﻓﺮد دارﯾﻢ
ﭘﯿﺸﺎﻣﺪ ﻣﺸﺎھﺪه ﻋﺪد اولB :
ﭘﯿﺸﺎﻣﺪ ﻣﺸﺎھﺪه ﻋﺪد ﻓﺮدA :
} B = {۲, ۳, ۵} ،A = {۱, ۳, ۵و } A ∩ B = {۳, ۵ﺑﻨﺎﺑﺮاﯾﻦ
۲
)P(A ∩ B ۶ ۲
= )P(A|B = ۳
=
)P(B ۶
۳
.iiiاﮔﺮ ﻋﺪد ﻣﺸﺎھﺪه ﺷﺪه ﺑﺰرﮔﺘﺮ از ٣ﺑﺎﺷﺪ ،ﻣﯽ ﺧﻮاھﯿﻢ ﺑﺮرﺳﯽ ﮐﻨﯿﻢ ﮐﻪ ﺑﺎ ﭼﻪ اﺣﺘﻤﺎﻟﯽ ﻋﺪد ﻣﺸﺎھﺪه ﺷﺪه
ﻓﺮد اﺳﺖ .در اﯾﻦ ﺣﺎﻟﺖ دارﯾﻢ:
ﭘﯿﺸﺎﻣﺪ ﻣﺸﺎھﺪه ﻋﺪد ﺑﺰرﮔﺘﺮ از C :٣
} C = {۴, ۵, ۶و } A ∩ C = {۵و از اﯾﻨﺮو
۱
)P(A ∩ C ۶ ۱
= )P(A|C = ۳
=
)P(C ۶
۳
ﺗﻮﺟﻪ داﺷﺘﻪ ﺑﺎﺷﯿﺪ ﮐﻪ در اﯾﻦ ﻣﺜﺎل اﺣﺘﻤﺎل ﭘﯿﺸﺎﻣﺪ Aﻣﺸﺮوط ﺑﺮ ھﺮ ﯾﮏ از ﭘﯿﺸﺎﻣﺪھﺎی Bو Cﻣﺘﻔﺎوت از
اﺣﺘﻤﺎل Aﺑﻮد .درواﻗﻊ ﭘﯿﺸﺎﻣﺪ Aﻣﺴﺘﻘﻞ از اﯾﻦ دو ﭘﯿﺸﺎﻣﺪ ﻧﺒﻮده اﺳﺖ.
ﺗﻌﺮﯾﻒ .٨-١دو ﭘﯿﺸﺎﻣﺪ Aو Bرا ﻣﺴﺘﻘﻞ ﮔﻮﯾﻨﺪ ھﺮﮔﺎه ) .P(A|B) = P(Aﻃﺒﻖ ﺗﻌﺮﯾﻒ اﺣﺘﻤﺎل ﺷﺮﻃﯽ در
راﺑﻄﻪ ) ،(١-١دو ﭘﯿﺸﺎﻣﺪ Aو Bﻣﺴﺘﻘﻞ ھﺴﺘﻨﺪ اﮔﺮ و ﺗﻨﻬﺎ اﮔﺮ
⋆ ﺗﻮﺟﻪ ﮐﻨﯿﺪ ﮐﻪ ﭘﯿﺸﺎﻣﺪھﺎی ﻣﺴﺘﻘﻞ ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻃﻮر ھﻤﺰﻣﺎن رخ دھﻨﺪ اﻣﺎ رخ دادن ﯾﮑﯽ از آن ھﺎ
ﺗ ﺎﺛ ﯿ ﺮی ﺑ ﺮ رخ دادن دﯾ ﮕ ﺮی ﻧ ﺪارد .در ﺣ ﺎﻟ ﯽ ﮐ ﻪ ﭘ ﯿ ﺸ ﺎﻣ ﺪھ ﺎی ﻣ ﺠ ﺰا ﯾ ﺎ ﻧ ﺎﺳ ﺎزﮔ ﺎر ،ﻧ ﻤ ﯽ ﺗ ﻮاﻧ ﻨ ﺪ ﺑ ﻪ ﻃ ﻮر
ھﻤﺰﻣﺎن اﺗﻔﺎق ﺑﯿﻔﺘﻨﺪ.
اﮔ ﺮ دو ﭘ ﯿ ﺸ ﺎﻣ ﺪ ھ ﻢ ﻣ ﺴ ﺘ ﻘ ﻞ ﺑ ﺎﺷ ﻨ ﺪ و ھ ﻢ ﻧ ﺎﺳ ﺎزﮔ ﺎر آن ﮔ ﺎه ﺣ ﺪاﻗ ﻞ اﺣ ﺘ ﻤ ﺎل ﯾ ﮑ ﯽ از ﭘ ﯿ ﺸ ﺎﻣ ﺪھ ﺎ ﺑ ﺮاﺑ ﺮ ﺑ ﺎ ﺻ ﻔ ﺮ
اﺳﺖ ﭼﻮن دارﯾﻢ
P(A ∩ B) = ۰ and )P(A ∩ B) = P(A)P(B
ﻃﺒﻖ ﺗﻌﺮﯾﻒ اﺣﺘﻤﺎل ﺷﺮﻃﯽ در راﺑﻄﻪ ) ،(١-١ﺑﺮای ھﺮ دو ﭘﯿﺸﺎﻣﺪ دﻟﺨﻮاه Aو Bدارﯾﻢ
١٢
ﺷﮑﻞ :٢-١ﻧﻤﺎﯾﺶ دو ﭘﯿﺸﺎﻣﺪ دﻟﺨﻮاه Aو Bدر ﯾﮏ ﻓﻀﺎی ﻧﻤﻮﻧﻪ S
ھﻤﭽﻨﯿﻦ ﭼﻮن ) ) P(B) = P(B ∩ A) + P(B ∩ A′ﺷﮑﻞ ٢-١را ﺑﺒﯿﻨﯿﺪ( ،ﻣﯽ ﺗﻮان راﺑﻄﻪ ﺑﺎﻻ را ﺑﻪ ﺻﻮرت
زﯾﺮ ﺑﺎزﻧﻮﯾﺴﯽ ﮐﺮد
)P(B|A)P(A
= )P(A|B .
) P(B|A)P(A) + P(B|A′ )P(A′
ﺑ ﻪ ﻃ ﻮر ﮐ ﻠ ﯽ اﮔ ﺮ E۱ , E۲ , . . . , Enاﻓ ﺮازھ ﺎی ﻓ ﻀ ﺎی ﻧ ﻤ ﻮﻧ ﻪ Sﺑ ﺎﺷ ﻨ ﺪ ،ﻣ ﯽ ﺗ ﻮان راﺑ ﻄ ﻪ ﺑ ﺎﻻ را ﺑ ﻪ ﺻ ﻮرت زﯾ ﺮ
ﺗﻌﻤﯿﻢ داد ﮐﻪ ﺑﻪ ﻓﺮﻣﻮل اﺣﺘﻤﺎل ﺑﯿﺰ ﻣﻌﺮوف اﺳﺖ
) P(B|Ej )P(Ej
P(Ej |B) = ∑n
) i=۱ P(B|Ei )P(Ei
)P(A|B)P(B
= )P(B|A
)P(A
)P(A|B)P(B
=
) P(A|B)P(B) + P(A|B ′ )P(B ′
)(۰٫ ۵)(۰٫ ۴
=
)(۰٫ ۵)(۰٫ ۴) + (۰٫ ۳)(۰٫ ۶
۰٫ ۲
= = ۰٫ ۵۳
۰٫ ۳۸
١٣
ﻣﺜﺎل .١٠-١ﻓﺮض ﮐﻨﯿﺪ ﯾﮏ ﻣﻮﺳﺴﻪ ﺑﯿﻤﻪ اﻓﺮاد را ﺑﻪ ﺳﻪ ﮔﺮوه دارای رﯾﺴﮏ ﺑﺎﻻ ،ﻣﺘﻮﺳﻂ و ﭘﺎﯾﯿﻦ ﺗﻘﺴﯿﻢ ﻧﻤﻮده
اﺳﺖ ﮐﻪ ﺑﻪ ﺗﺮﺗﯿﺐ ۵٠ ،٢٠و ٣٠درﺻﺪ ﺟﺎﻣﻌﻪ را ﺗﺸﮑﯿﻞ ﻣﯽ دھﻨﺪ .اﻃﻼﻋﺎت اﯾﻦ ﻣﻮﺳﺴﻪ ﻧﺸﺎن ﻣﯽ دھﺪ ﮐﻪ
اﺣﺘﻤﺎل ﺗﺼﺎدف ﮐﺮدن اﯾﻦ ﮔﺮوه ھﺎ در ﻃﻮل ﺳﺎل ﺑﻪ ﺗﺮﺗﯿﺐ ١۵ ،٣٠و ۵درﺻﺪ اﺳﺖ.
.iiاﮔﺮ از اﻓﺮاد ﺑﯿﻤﻪ ﺷﺪه ﯾﮏ ﻧﻔﺮ اﻧﺘﺨﺎب ﺷﻮد ﮐﻪ در ﯾﮏ ﺳﺎل ﮔﺬﺷﺘﻪ ﺗﺼﺎدف داﺷﺘﻪ اﺳﺖ ،اﺣﺘﻤﺎل اﯾﻨﮑﻪ
اﯾﻦ ﺷﺨﺺ از ﮔﺮوه ﺑﺎ رﯾﺴﮏ ﺑﺎﻻ ﺑﺎﺷﺪ را ﺑﺪﺳﺖ آورﯾﺪ.
.iﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ:
داﺷﺘﻦ ﺗﺼﺎدف در ﯾﮑﺴﺎل ﮔﺬﺷﺘﻪA :
اﻓﺮاد ﺑﺎ رﯾﺴﮏ ﺑﺎﻻE۱ :
اﻓﺮاد ﺑﺎ رﯾﺴﮏ ﻣﺘﻮﺳﻂE۲ :
اﻓﺮاد ﺑﺎ رﯾﺴﮏ ﭘﺎﯾﯿﻦE۳ :
ھﻤﭽﻨﯿﻦ ﻃﺒﻖ داده ھﺎی ﻣﺴﺎﻟﻪ دارﯾﻢ P(A|E۲ ) = ۰٫ ۱۵ ،P(A|E۱ ) = ۰٫ ۳ :و .P(A|E۳ ) = ۰٫ ۰۵
ﭘﺲ
١۴
ﻓﺼ ﻞ ٢
ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ،ﺗﺎﺑﻌﯽ از ﻓﻀﺎی ﻧﻤﻮﻧﻪ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ ﺑﻪ ﻣﺠﻤﻮﻋﻪ اﻋﺪاد ﺣﻘﯿﻘﯽ اﺳﺖ ﺑﻪ ﻃﻮری ﮐﻪ ﺑﻪ ھﺮ
ﻧﻘﻄﻪ از ﻓﻀﺎی ﻧﻤﻮﻧﻪ ﯾﮏ ﻋﺪد ﺣﻘﯿﻘﯽ ﻧﺴﺒﺖ داده ﻣﯽ ﺷﻮد .ﺑﺮای ﻧﻤﺎﯾﺶ ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ از ﺣﺮوف ﺑﺰرگ
ﻻﺗﯿﻦ ﻣﺎﻧﻨﺪ Y ،Xو Zاﺳﺘﻔﺎده ﻣﯽ ﺷﻮد .دارﯾﻢ
X : S −→ SX ⊆ R
• :Xﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
ﻣﺸﺎﺑﻪ ﻣﺜﺎل T ،١-٢ﻧﺸﺎن دھﻨﺪه ﻣﺸﺎھﺪه ﺧﻂ در اوﻟﯿﻦ ﭘﺮﺗﺎب HT ،ﻧﺸﺎن دھﻨﺪه ﻣﺸﺎھﺪه ﺧﻂ در دوﻣﯿﻦ
ﭘﺮﺗﺎب HHT ،ﻧﺸﺎن دھﻨﺪه ﻣﺸﺎھﺪه ﺧﻂ در ﺳﻮﻣﯿﻦ ﭘﺮﺗﺎب و ھﻤﯿﻦ ﻃﻮر ﺗﺎ آﺧﺮ اﺳﺖ .ﻃﺒﻖ اﻃﻼﻋﺎت ﻣﺴﺎﻟﻪ
دارﯾﻢ
) P(H) = ۲P(T
= ) P(Hو ۲
۳ = ) ،P(T ۱
۳ ﭘﺲ
۱
= )} P(X = ۱) = P({T
۳
۲ ۱
) () ( = )} P(X = ۲) = P({HT
۳ ۳
۲ ۱
) ( P(X = ۳) = ( )۲
۳ ۳
۲ ۱
) ( P(X = ۴) = ( )۳
۳ ۳
..
.
۲ ۱
) ( P(X = k) = ( )k−۱
۳ ۳
١۶
ﺑﻨﺎﺑﺮاﯾﻦ
۱ ۲ ۱ ۲ ۱ ۸
( P(X ≥ ۴) = ۱ − P(X < ۴) = ۱ − P(X ≤ ۳) = ۱ − = )) ( + ( )( ) + ( )۲
۳ ۳ ۳ ۳ ۳ ۲۷
or
= P(X = ۴) + P(X = ۵) + P(X = ۶) + . . .
۲ ۱ ۲ ۱ ۲ ۱
= ( )۳ ( ) + ( )۴ ( ) + ( )۵ ( ) + . . .
۳ ۳ ۳ ۳ ۳ ۳
∑ ۲ ۱
∞
= ) ( ( )i
i=۳
۳ ۳
( ۱۳ )( ۲۳ )۳ ۲ ۸
= = = ( )۳
۱− ۳ ۲ ۳ ۲۷
• اﮔ ﺮ SXﯾ ﮏ ﻣﺠﻤﻮﻋﻪ ﺷﻤﺎرا ﺑﺎﺷﺪ X ،را ﯾ ﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘ ﻪ ﮔ ﻮﯾﻨ ﺪ .در واﻗﻊ ﺑﺮای ﯾ ﮏ ﻣﺘﻐﯿﺮ
ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ SX ،ﺑﻪ ﺷﮑﻞ ﯾﮏ ﻣﺠﻤﻮﻋﻪ ﻣﺘﻨﺎھﯽ ﯾﺎ ﻧﺎﻣﺘﻨﺎھﯽ اﺳﺖ.
• اﮔﺮ SXﯾﮏ ﻓﺎﺻﻠﻪ ﯾﺎ اﺟﺘﻤﺎع ﭼﻨﺪ ﻓﺎﺻﻠﻪ ﻋﺪدی ﺑﺎﺷﺪ X ،را ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ﮔﻮﯾﻨﺪ .ﯾﻌﻨﯽ
⋆ ﺗﻮﺟﻪ داﺷﺘﻪ ﺑﺎﺷﯿﺪ ﮐﻪ ﺑﺮای ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xاﺣﺘﻤﺎل در ﯾﮏ ﻧﻘﻄﻪ ﺑﺮاﺑﺮ ﺑﺎ ﺻﻔﺮ اﺳﺖ .درواﻗﻊ
دارﯾﻢ
P(X = x) = ۰ x∈R
١٧
١.١.٢ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﮔﺴﺴﺘﻪ ﮔﻮﯾﻨﺪ ھﺮﮔﺎه SXﻣﺠﻤﻮﻋﻪ ای ﺷﻤﺎرا ﺑﺎﺷﺪ.
ﺗﻌﺮﯾﻒ .٣-٢ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل )ﺗﺎﺑﻊ اﺣﺘﻤﺎل( ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ Xﻣﯿﺰان اﺣﺘﻤﺎل اﻧﺒﺎﺷﺘﻪ ﺷﺪه در ھﺮ
ﻧﻘﻄﻪ را ﻧﺸﺎن ﻣﯽ دھﺪ ﮐﻪ ﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮد
ﻣﺜﺎل .۴-٢دو ﺗﺎس را ﺑﺎھﻢ ﭘﺮﺗﺎب ﻣﯽ ﮐﻨﯿﻢ و ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﺑﺮاﺑﺮ ﺑﺎ ﻣﺠﻤﻮع اﻋﺪاد ﻣﺸﺎھﺪه ﺷﺪه روی
دو ﺗﺎس ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ .ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ Xرا ﺑﺪﺳﺖ آورﯾﺪ.
ﺑﺮای ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xدارﯾﻢ
}SX = {۲, ۳, ۴, . . . , ۱۲
و ھﻤﭽﻨﯿﻦ
۱
= )}P(X = ۲) = P({۱, ۱
۳۶
۲
= )}P(X = ۳) = P({۱, ۲}, {۲, ۱
۳۶
۳
= )}P(X = ۴) = P({۱, ۳}, {۳, ۱}, {۲, ۲
۳۶
..
.
x ٢ ٣ ۴ ۵ ۶ ٧ ٨ ٩ ١٠ ١١ ١٢
۱ ۲ ۳ ۴ ۵ ۶ ۵ ۴ ۳ ۲ ۱
)fX (x) = P(X = x ۳۶ ۳۶ ۳۶ ۳۶ ۳۶ ۳۶ ۳۶ ۳۶ ۳۶ ۳۶ ۳۶
١٨
ﻣﺜﺎل .۵-٢ﺗﺎﺑﻊ زﯾﺮ را در ﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ.
۱
fX (x) = P(X = x) = k( )x x = ۰, ۱, ۲, . . .
۶
ﻣﻘﺪار kرا ﭼﻨﺎن ﺗﻌﯿﯿﻦ ﮐﻨﯿﺪ ﮐﻪ ) fX (xﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ Xﺑﺎﺷﺪ.
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺧﻮاص ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل k ≥ ۰ ،و
∑
∞ ∑
∞
۱ ∑
∞
۱ ۱ ۶
=۱ = )fX (x k( )x = k (( )x = k ) = k( ).
x=۰ x=۰
۶ x=۰
۶ ۱− ۱
۶
۵
= .k ۵
۶ ﺑﻨﺎﺑﺮاﯾﻦ
ﺗﻌﺮﯾﻒ .۶-٢ﺗﺎﺑﻊ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﻣﯿﺰان اﺣﺘﻤﺎل ﺗﻮزﯾﻊ ﺷﺪه ﺗﺎ ﻧﻘﻄﻪ xرا ﻧﺸﺎن ﻣﯽ دھﺪ ﮐﻪ ﺑﻪ
ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮد
)FX (x) = P(X ≤ x x∈R
اﮔﺮ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ ﺑﺎﺷﺪ ،ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ) FX (xﺑﻪ ﺻﻮرت زﯾﺮ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد
∑ ∑
= )FX (x) = P(X ≤ x = )P(X = t )fX (t
t≤x t≤x
ﻣﺜﺎل .٧-٢ﺳﮑﻪ ای را ۴ﻣﺮﺗﺒﻪ ﭘﺮﺗﺎب ﻣﯽ ﮐﻨﯿﻢ .اﮔﺮ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﻧﺸﺎﻧﮕﺮ ﺗﻌﺪاد ﺷﯿﺮھﺎی ﻣﺸﺎھﺪه ﺷﺪه
ﺑﺎﺷﺪ ،ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل و ﺗﺎﺑﻊ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﺑﯿﺎﺑﯿﺪ.
١٩
ﻧﻤﻮدار ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ Xدر ﻣﺜﺎل ٧-٢ ﺷﮑﻞ :١-٢
٢٠
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ Xرا ﻣﯽ ﺗﻮان ﺑﺎ اﺳﺘﻔﺎده از ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺑﻪ ﺷﮑﻞ زﯾﺮ ﺑﻪ دﺳﺖ آورد
) = FX (x) − FX (x−
ﮐﻪ در آن ) FX (xﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ Xدر ﻧﻘﻄﻪ xاﺳﺖ و اﺣﺘﻤﺎل ﺗﺎ ﻧﻘﻄﻪ xرا ﻧﺸﺎن ﻣﯽ دھﺪ
و ) FX (x−اﺣﺘﻤﺎل ﺗﺎ ﻗﺒﻞ از ﻧﻘﻄﻪ xاﺳﺖ.
٢١
ﻧﻤﺎﯾﺶ ﯾﮏ واﺣﺪ ﺟﺮم اﺣﺘﻤﺎل ﺑﺮ روی ﺗﮑﯿﻪ ﮔﺎه SX = [a, b] ،X ﺷﮑﻞ :٣-٢
ﺗﻌﺮﯾﻒ .٩-٢ﺗﺎﺑﻊ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xدر ﻧﻘﻄﻪ xﻣﯿﺰان اﺣﺘﻤﺎل ﺗﻮزﯾﻊ ﺷﺪه ﺗﺎ اﯾﻦ ﻧﻘﻄﻪ
اﺳﺖ و ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد
∫ x
= )FX (x) = P(X ≤ x fX (t)dt ∀x ∈ R
∞−
اﮔﺮ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ ،ﻣﯽ ﺗﻮان ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ آن را ﺑﻪ روش زﯾﺮ ﺑﺪﺳﺖ آورد
d
= )fX (x )FX (x) = FX′ (x
dx
٢٢
ﻧﻤﻮدارھﺎی ﻣﺜﺎل ١٠-٢ ﺷﮑﻞ :۴-٢
ﻣﺜﺎل .١٠-٢ﻧﻘﻄﻪ ای را ﺑﻪ ﺗﺼﺎدف از ﻓﺎﺻﻠﻪ اﻋﺪاد ﺣﻘﯿﻘﯽ ] [۰, ۲اﻧﺘﺨﺎب ﮐﺮده و ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﺑﺮاﺑﺮ ﺑﺎ
ﻧﻘﻄﻪ اﻧﺘﺨﺎب ﺷﺪه در ﻓﺎﺻﻠﻪ ] [۰, ۲در ﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ .ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل و ﺗﺎﺑﻊ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل را ﺑﺪﺳﺖ آورده و
ﺳﭙﺲ اﯾﻦ دو ﺗﺎﺑﻊ را رﺳﻢ ﮐﻨﯿﺪ.
ﭼﻮن Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ اﺳﺖ و ] ،SX = [۰, ۲ﭘﺲ ) P(X ≤ xﺑﺮاﺑﺮ ﺑﺎ ﻧﺴﺒﺖ ﻃﻮل ﻓﺎﺻﻠﻪ
] [۰, xﺑﺮ ﻃﻮل ﻓﺎﺻﻠﻪ ] [۰, ۲اﺳﺖ و دارﯾﻢ
۰ x<۰
if
= )FX (x) = P(X ≤ x x
if ۰≤x<۲
۲
۱ x≥۲
= ) F ′ (x ۱
if ۰<x<۲
X ۲
= )fX (x
۰ o.w
⋆ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ،ﯾﮏ ﻧﻤﻮدار ﭘﯿﻮﺳﺘﻪ اﺳﺖ.
٢٣
ﻣﺜﺎل .١١-٢ﻓﺮض ﮐﻨﯿﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xدارای ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل زﯾﺮ ﺑﺎﺷﺪ
c
if ۱ < x < ۱۰
x۲
= )fX (x
۰ o.w
= .c ۱۰
۹ ﭘﺲ
۱۰
if ۱ < x < ۱۰
= ) fX (xﭘﺲ دارﯾﻢ ۹x۲
.iiﭼﻮن
۰ o.w
∫ x
= )FX (x) = P(X ≤ x fX (t)dt
∞−
۰ x<۱
∫
if
۱ ∫x ∫ x ۱۰
۱ ۹t۲ dt = ۹ − ۹x ۱ ≤ x < ۱۰
= ۱۰ ۱۰
f (t)dt + f (t)dt = if
∞−
∫۱
X ۱ X
∫ ۱۰ ∞∫
∞−
f X (t)dt + ۱ f X (t)dt + ۱۰ fX (t)dt = ۱ if x ≥ ۱۰
٢۴
• ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ) : (X, Yﭘﯿﺸﺎﻣﺪ A ∩ B
در واﻗﻊ ﭘﯿﺸﺎﻣﺪھﺎی Aو Bرا ﺑﺎ ﺗﻌﺮﯾﻒ ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ Xو Yﺑﺮرﺳﯽ ﻣﯽ ﮐﻨﯿﻢ .ﺑﺮای ﺑﺮرﺳﯽ ﭘﯿﺸﺎﻣﺪ
) A ∩ Bوﻗ ﻮع ھﻤﺰﻣ ﺎن دو ﭘﯿ ﺸ ﺎﻣ ﺪ Aو (Bﺑﺎﯾ ﺪ ﻣ ﺘﻐ ﯿﺮھﺎی ﺗﺼ ﺎدﻓ ﯽ Xو Yﺑ ﻪ ﻃ ﻮر ﺗ ﻮام ﻣ ﻮرد ﺑﺮرﺳ ﯽ ﻗ ﺮار
ﮔﯿﺮد و اﯾﻦ اﻣﺮ ﺳﺒﺐ ﺗﻌﺮﯾﻒ ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﺗﻮام ) (X, Yﻣﯽ ﮔﺮدد:
اﮔﺮ SXو SYﻣﺠﻤﻮﻋﻪ ھﺎی ﺷﻤﺎرا ﺑﺎﺷﻨﺪ (X, Y ) ،را ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺗﻮام ﮔﺴﺴﺘﻪ ﮔﻮﯾﻨﺪ.
اﮔﺮ SXو SYھﺮﮐﺪام ﯾﮏ ﻓﺎﺻﻠﻪ ﯾﺎ اﺟﺘﻤﺎع ﭼﻨﺪ ﻓﺎﺻﻠﻪ ﻋﺪدی ﺑﺎﺷﻨﺪ (X, Y ) ،را ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺗﻮام
ﭘﯿﻮﺳﺘﻪ ﮔﻮﯾﻨﺪ.
SX,Y = {(۰, ۰), (۰, ۱), (۱, ۰), (۱, ۱), (۲, ۰), (۲, ۱), (۳, ۰), (۳, ۱)}.
ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﺗﻮام ) (X, Yرا ﮔﺴﺴﺘﻪ ﮔﻮﯾﻨﺪ ھﺮﮔﺎه SXو SYﻣﺠﻤﻮﻋﻪ ھﺎی ﺷﻤﺎرا ﺑﺎﺷﻨﺪ.
ﺷﺎﯾﺎن ذﮐﺮ اﺳﺖ ﮐﻪ در اﯾﻦ ﺣﺎﻟﺖ ،SX,Yﻣﺠﻤﻮﻋﻪ ای از ﻧﻘﺎط در ﻓﻀﺎی R۲اﺳﺖ و ھﺮ ﻧﻘﻄﻪ ﺑﺎ دو ﻣﺨﺘﺼﺎت
Xو Yﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮد .ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ دارﯾﻢ
٢۵
ﺗﻌﺮﯾﻒ .١٣-٢ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ ) ،(X, Yﻣﯿﺰان اﺣﺘﻤﺎل اﻧﺒﺎﺷﺘﻪ در ھﺮ ﻧﻘﻄﻪ
) (x, yرا ﻧﺸﺎن ﻣﯽ دھﺪ و ﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﮔﺮدد
ﻣﺜﺎل .١۴-٢از داﺧﻞ ﺟﻌﺒﻪ ای ﮐﻪ ﺷﺎﻣﻞ ٣ﺗﻮپ آﺑﯽ ٢ ،ﺗﻮپ ﻗﺮﻣﺰ و ۴ﺗﻮپ ﺳﺒﺰ اﺳﺖ ،دو ﺗﻮپ را اﻧﺘﺨﺎب
ﻣﯽ ﮐﻨﯿﻢ .ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﺗﻌﺪاد ﺗﻮپ ھﺎی آﺑﯽ ﻣﺸﺎھﺪه ﺷﺪه و ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Yرا ﺗﻌﺪاد ﺗﻮپ ھﺎی ﻗﺮﻣﺰ
ﻣﺸﺎھﺪه ﺷﺪه ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ.
و ﺑﻪ ھﻤﯿﻦ ﺗﺮﺗﯿﺐ اداﻣﻪ ﻣﯽ دھﯿﻢ .ﺑﺎ ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎﻻت در ﺗﻤﺎم ﻧﻘﺎط دارﯾﻢ،
٢۶
x
٠ ١ ٢
y
۶ ۱۲ ۳
۰ ۳۶ ۳۶ ۳۶
۸ ۶
۱ ۳۶ ۳۶ ۰
۱
۲ ۳۶ ۰ ۰
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺗﻮام ) (X, Yرا ﻣﯽ ﺗﻮان در اﯾﻦ ﻣﺜﺎل ﺑﻪ ﺻﻮرت زﯾﺮ ﻧﯿﺰ ﻧﻮﺷﺖ
۳ ۲ ۴
x y ۲−x−y
= )fX,Y (x, y) = P(X = x, Y = y x, y = ۰, ۱, ۲ and x+y ≤ ۲.
۹
۲
.ii
ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﺗﻮام ) (X, Yرا ﭘﯿﻮﺳﺘﻪ ﮔﻮﯾﻨﺪ ھﺮﮔﺎه SXو SYﯾﮏ ﻓﺎﺻﻠﻪ ﯾﺎ ﻣﺠﻤﻮﻋﻪ ای از ﭼﻨﺪ ﻓﺎﺻﻠﻪ
ﻋﺪدی ﺑﺎﺷﻨﺪ.
(X, Y ) : S −→ SX,Y ⊆ R۲
ﺗﻌﺮﯾﻒ .١۵-٢ﺗﺎﺑﻊ ) fX,Y (x, yرا ﯾﮏ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺗﻮام ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xو Yﮔﻮﯾﻨﺪ
ھﺮﮔﺎه
٢٧
ﻣﺜﺎل .١۶-٢ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ﺗﻮام ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ) (X, Yرا ﺑﻪ ﺻﻮرت زﯾﺮ در ﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ.
cx(۱ + ۲y) if ۰ < x < ۳ , ۰ < y < ۱
= )fX,Y (x, y
۰ o.w
.iﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺧﻮاص ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺗﻮام ﺑﺎﯾﺪ c ≥ ۰و ھﻤﭽﻨﯿﻦ
∫ ∞ ∫ ∞
=۱ fX,Y (x, y)dx dy
∞− ∞−
∫ ۱∫ ۳
= cx(۱ + ۲y)dx dy
۰ ۰
∫ ۱ ) ( ۲
x
=c (۱ + ۲y) ( )|۳۰ dy
۰ ۲
∫ ۱
۹
) (= c (۱ + ۲y) dy
۲ ۰
۹
= c( )(y + y ۲ )|۱۰
۲
= ۹c
= .c ۱
۹ ﺑﻨﺎﺑﺮاﯾﻦ
.ii
∫ ۰٫۵ ∫ ۲
= )P(۱ < X < ۲, ۰ < Y < ۰٫ ۵ fX,Y (x, y)dx dy
۰ ۱
∫ ۰٫۵ ∫ ۲
x
= (۱ + ۲y)dx dy
۰ ۱ ۹
∫ ۰٫۵ ) ( ۲
۱ x ۲
= )(۱ + ۲y | dy
۹ ۰ ۲ ۱
∫
۱ ۳ ۰٫۵
) () ( = (۱ + ۲y)dy
۹ ۲ ۰
۱ ۳
= ( )( )(y + y ۲ )|۰٫۵
۰
۹ ۲
۱ ۳ ۳ ۱
= ) () () ( =
۹ ۲ ۴ ۸
٢٨
٢.٢.٢ﺗﻮزﯾﻊ اﺣﺘﻤﺎﻻت ﺣﺎﺷﯿﻪ ای )ﮐﻨﺎری(
ﺑﺎ داﺷﺘﻦ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺗﻮام ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ Xو Yﻣﯽ ﺗﻮان ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل Xو ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ
Yرا ﻣﺤﺎﺳﺒﻪ ﮐﺮد ﮐﻪ ﺑﻪ آن ھﺎ ﺗﻮاﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺣﺎﺷﯿﻪ ای )ﯾﺎ ﮐﻨﺎری( ﮔﻮﯾﻨﺪ.
اﮔﺮ Xو Yﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ ﺑﺎﺷﻨﺪ ،ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺣﺎﺷﯿﻪ ای Xو ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﺣﺎﺷﯿﻪ ای Yﺑﻪ ﺻﻮرت زﯾﺮ ﺑﺪﺳﺖ ﻣﯽ آﯾﻨﺪ:
∑ ∑
= )fX (x) = P(X = x = )fX,Y (x, y )P(X = x, Y = y
y y
∑ ∑
= )fY (y) = P(Y = y = )fX,Y (x, y )P(X = x, Y = y
x x
ﻣﺜﺎل .١٧-٢در ﻣﺜﺎل ،١۴-٢ﺗﺎﺑﻊ اﺣﺘﻤﺎل )ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل( ﺣﺎﺷﯿﻪ ای Xو ﺗﺎﺑﻊ اﺣﺘﻤﺎل )ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ
اﺣﺘﻤﺎل( Yرا ﺑﻪ دﺳﺖ آورﯾﺪ.
ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﺗﻮام ﮔﺴﺴﺘﻪ.(X, Y ) :
دارﯾﻢ.SY = {۰, ۱, ۲} ،SX = {۰, ۱, ۲} :
x
٠ ١ ٢
y
۶ ۱۲ ۳
۰ ۳۶ ۳۶ ۳۶
۸ ۶
۱ ۳۶ ۳۶ ۰
۱
۲ ۳۶ ۰ ۰
∑
۲
= )fX (۰ )fX,Y (۰, y) = fX,Y (۰, ۰) + fX,Y (۰, ۱) + fX,Y (۰, ۲
y=۰
۶ ۸ ۱ ۱۵
= + + = ,
۳۶ ۳۶ ۳۶ ۳۶
٢٩
∑
۲
fX (۱) = fX,Y (۱, y) = fX,Y (۱, ۰) + fX,Y (۱, ۱) + fX,Y (۱, ۲)
y=۰
۱۲ ۶ ۱۸
= + +۰= ,
۳۶ ۳۶ ۳۶
∑
۲
fX (۲) = fX,Y (۲, y) = fX,Y (۲, ۰) + fX,Y (۲, ۱) + fX,Y (۲, ۲)
y=۰
۳ ۳
= +۰+۰= ,
۳۶ ۳۶
∑
۲
fY (۰) = fX,Y (x, ۰) = fX,Y (۰, ۰) + fX,Y (۱, ۰) + fX,Y (۲, ۰)
x=۰
۶ ۱۲ ۳ ۲۱
= + + = ,
۳۶ ۳۶ ۳۶ ۳۶
∑
۲
fY (۱) = fX,Y (x, ۱) = fX,Y (۰, ۱) + fX,Y (۱, ۱) + fX,Y (۲, ۱)
x=۰
۶ ۸ ۱۴
=۰+ + = ,
۳۶ ۳۶ ۳۶
∑
۲
fY (۲) = fX,Y (x, ۰) = fX,Y (۰, ۲) + fX,Y (۱, ۲) + fX,Y (۲, ۲)
x=۰
۱ ۱
=۰+۰+ = .
۳۶ ۳۶
ﺑﻨﺎﺑﺮاﯾﻦ
x
٠ ١ ٢ fY (y)
y
۶ ۱۲ ۳ ۲۱
۰ ۳۶ ۳۶ ۳۶ ۳۶
۸ ۶ ۱۴
۱ ۳۶ ۳۶ ۰ ۳۶
۱ ۱
۲ ۳۶ ۰ ۰ ۳۶
fX (x) ۱۵
۳۶
۱۸
۳۶
۳
۳۶ ١
٣٠
٣.٢.٢ﺗﻮزﯾﻊ اﺣﺘﻤﺎﻻت ﺷﺮﻃﯽ
در ﻓﺼﻞ اول ،اﺣﺘﻤﺎل ﺷﺮﻃﯽ را ﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﮐﺮدﯾﻢ
)P(A ∩ B
= )P(A|B , P(B) ̸= ۰
)P(B
)A ≡ (X = x
)B ≡ (Y = y
ﺑﻪ ھﻤﯿﻦ ﺗﺮﺗﯿﺐ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ﺷﺮﻃﯽ Yﺑﻪ ﺷﺮط X = xﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮد:
• اﮔﺮ Xو Yﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﻨﺪ ،ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ﺷﺮﻃﯽ Xﺑﻪ ﺷﺮط Yﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ
ﻣﯽ ﮔﺮدد:
)fX,Y (x, y )fX,Y (x, y
= )fX|Y (x|y ∞∫ = , fY (y) ̸= ۰.
)fY (y f (x, y)dx
−∞ X,Y
و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ﺷﺮﻃﯽ Yﺑﻪ ﺷﺮط Xﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮد:
٣١
x
٠ ١ ٢ )fY (y
y
۶ ۱۲ ۳ ۲۱
۰ ۳۶ ۳۶ ۳۶ ۳۶
۸ ۶ ۱۴
۱ ۳۶ ۳۶ ۰ ۳۶
۱ ۱
۲ ۳۶ ۰ ۰ ۳۶
)fX (x ۱۵
۳۶
۱۸
۳۶
۳
۳۶ ١
ﺟﺪول ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺗﻮام و ﮐﻨﺎری ﺑﺮای ﻣﺜﺎل ١۴-٢ ﺟﺪول :١.٢
ﺑﻨﺎﺑﺮاﯾﻦ
۶
)fX,Y (۰, ۰ ۶
= )fX|Y (۰|۰ ۲۱
= ۳۶
۲۱
=
۳۶ ۳۶
۲۱
۱۲
)fX,Y (۱, ۰ ۱۲
= )fX|Y (۱|۰ ۲۱
= ۳۶
۲۱
=
۳۶ ۳۶
۲۱
۳
)fX,Y (۲, ۰ ۳
= )fX|Y (۲|۰ ۲۱
= ۳۶
۲۱
=
۳۶ ۳۶
۲۱
∑
۱
= )P(X ≤ ۱|Y = ۰ )fX|Y (x|۰
x=۰
٣٢
. را ﺑﺪﺳﺖ آورﯾﺪfX|Y (x|y) وfY (y) ،fX (x) ﺗﻮاﺑﻊ،١۶-٢ در ﻣﺜﺎل.١٩-٢ ﻣﺜﺎل
دارﯾﻢ،١۶-٢ ﻃﺒﻖ ﻣﺤﺎﺳﺒﺎت در ﻣﺜﺎل
x (۱ + ۲y) if ۰ < x < ۳ , ۰ < y < ۱
fX,Y (x, y) = ۹
۰ o.w
∫ ∞
fY (y) = fX,Y (x, y)dx
−∞
∫ ۳
x
= (۱ + ۲y)dx
۰ ۹
۱ x۲ ۱
= (۱ + ۲y)( )|۳۰ = (۱ + ۲y) ۰<y<۱
۹ ۲ ۲
ﺑﻨﺎﺑﺮاﯾﻦ
۲x if ۰ < x < ۳ ۱ (۱ + ۲y) if ۰ < y < ۱
fX (x) = ۹ fY (y) = ۲
۰ o.w ۰ o.w
و ھﻤﭽﻨﯿﻦ
fX,Y (x, y)
fX|Y (x|y) =
fY (y)
x
(۱ + ۲y) ۲x
= ۹۱ = ۰ < x < ۳, ۰ < y < ۱
(۱ + ۲ y) ۹
۲
۲x if ۰ < x < ۳, ۰ < y < ۱
=⇒ fX|Y (x|y) = ۹
۰ o.w
٣٣
۴.٢.٢ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﻣﺴﺘﻘﻞ
در ﻓﺼﻞ اول ﺑﯿﺎن ﮐﺮدﯾﻢ ﮐﻪ دو ﭘﯿﺸﺎﻣﺪ Aو Bﻣﺴﺘﻘﻞ ھﺴﺘﻨﺪ اﮔﺮ و ﺗﻨﻬﺎ اﮔﺮ
)fX|Y (x|y) = fX (x ≡ )fX,Y (x, y) = fX (x)fY (y ∀x, y
ﻣﺜﺎل .٢٠-٢ﻓﺮض ﮐﻨﯿﺪ ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ Xو Yدارای ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺗﻮام زﯾﺮ ﺑﺎﺷﻨﺪ.
۳xy if ۰ < y < ۲x۲ , ۰ < x < ۱
= )fX,Y (x, y
۰ o.w
٣۴
آن ﮔﺎه Yﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ اﺳﺖ) .درواﻗﻊ ھﺮ ﺗﺎﺑﻊ از ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ،ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ اﺳﺖ( .ﺑﺮای
ﯾﺎﻓﺘﻦ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل و ﺗﺎﺑﻊ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Yﺑﻪ روش زﯾﺮ ﻋﻤﻞ ﻣﯽ ﮐﻨﯿﻢ:
ﻣﺜﺎل .٢١-٢ﻓﺮض ﮐﻨﯿﺪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺑﺎ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل زﯾﺮ ﺑﺎﺷﺪ.
۰ if x<۰
= )FX (x x if ۰ ≤ x < ۱
۱ if x≥۱
٣۵
ﻓﺼ ﻞ ٣
اﻣﯿﺪ رﯾﺎﺿﯽ
در اﯾﻦ ﻓﺼﻞ اﻣﯿﺪرﯾﺎﺿﯽ ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ و ﺗﻮاﺑﻌﯽ از ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ را ﺑﺮرﺳﯽ ﻣﯽ ﮐﻨﯿﻢ .ﺑﺮای ﭘﯽ ﺑﺮدن
ﺑﻪ ﻣﻔﻬﻮم اﻣﯿﺪ رﯾﺎﺿﯽ ﺑﻪ ﻣﺜﺎل زﯾﺮ ﺗﻮﺟﻪ ﮐﻨﯿﺪ.
ﻣﺜﺎل .١-٣ﻓﺮض ﮐﻨﯿﺪ ﺟﺮﯾﻤﻪ ﺗﻮﻗﻒ اﺗﻮﻣﺒﯿﻞ در ﻣﺤﻞ ﭘﺎرک ﻣﻤﻨﻮع ،ﯾﮏ ھﺰار ﺗﻮﻣﺎن ﺑﺎﺷﺪ و در ﯾﮏ ﺷﻬﺮ ۴٠
درﺻ ﺪ اﻓ ﺮاد ھﯿ ﭽﮕ ﺎه ٣٠ ،درﺻ ﺪ اﻓ ﺮاد ﯾ ﮑ ﺒﺎر ٢٠ ،درﺻ ﺪ اﻓ ﺮاد دوﺑ ﺎر و ١٠درﺻ ﺪ اﻓ ﺮاد ﺳ ﻪ ﺑ ﺎر در ﻣ ﺎه ﺑ ﻪ ﺟﻬ ﺖ
ﭘﺎرک در ﻣﺤﻞ ﭘﺎرک ﻣﻤﻨﻮع ﺟﺮﯾﻤﻪ ﺷﻮﻧﺪ .ﺑﻪ ﻃﻮر ﻣﺘﻮﺳﻂ اﻧﺘﻈﺎر دارﯾﺪ ﮐﻪ ھﺮ ﻧﻔﺮ در اﯾﻦ ﺷﻬﺮ ﭼﻪ ﻣﺒﻠﻐﯽ را در
ﻣﺎه ﺑﺮای ﺟﺮﯾﻤﻪ ﺗﻮﻗﻒ اﺗﻮﻣﺒﯿﻞ در ﻣﺤﻞ ﭘﺎرک ﻣﻤﻨﻮع ﭘﺮداﺧﺖ ﻧﻤﺎﯾﺪ.
ﺑ ﺮای ﺣ ﻞ ،ﻓ ﺮض ﮐ ﻨ ﯿ ﺪ ۵٠٠ﻧ ﻔ ﺮ از اﻓ ﺮاد اﯾ ﻦ ﺷ ﻬ ﺮ ﻣ ﻮرد ﻣ ﻄ ﺎﻟ ﻌ ﻪ ﺑ ﺎﺷ ﻨ ﺪ .ﺑ ﺮاﺳ ﺎس درﺻ ﺪھ ﺎی داده ﺷ ﺪه در
ﺻﻮرت ﺳﻮال اﻧﺘﻈﺎر دارﯾﻢ:
ﺑﻨﺎﺑﺮاﯾﻦ اﻧﺘﻈﺎر دارﯾﻢ ﮐﻪ ۵٠٠ﻧﻔﺮ ﻣﺒﻠﻐﯽ ﺑﺮاﺑﺮ ﺑﺎ راﺑﻄﻪ زﯾﺮ ﺟﺮﯾﻤﻪ ﭘﺮداﺧﺖ ﮐﻨﻨﺪ
اﻣﯿﺪ رﯾﺎﺿﯽ ، Xﯾﺎ ﻣﯿﺎﻧﮕﯿﻦ وزﻧﯽ Xﯾﺎ ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎر ،Xدر ﺣﻘﯿﻘﺖ ﻣﯿﺎﻧﮕﯿﻦ وزﻧﯽ ﻣﺒﻠﻎ ﺟﺮﯾﻤﻪ
اﺳﺖ و آن را ﺑﺎ ﻧﻤﺎدھﺎی ) E(Xﯾﺎ µﯾﺎ µXﻧﻤﺎﯾﺶ ﻣﯽ دھﻨﺪ و دارﯾﻢ
∑
۳
= )µ = E(X xfX (x) = (۰ × ۰٫ ۴) + (۱ × ۰٫ ۳) + (۲ × ۰٫ ۲) + (۳ × ۰٫ ۱) = ۱
x=۰
٣٧
ﻣﺜﺎل .٣-٣ﻓﺮض ﮐﻨﯿﺪ ﻣﯽ ﺧﻮاھﯿﻢ ٣ﻧﻔﺮ را از ﺑﯿﻦ ۵ﻣﻬﻨﺪس و ٣ﺗﮑﻨﺴﯿﻦ اﻧﺘﺨﺎب ﮐﻨﯿﻢ .اﻣﯿﺪ رﯾﺎﺿﯽ ﺗﻌﺪاد
ﻣﻬﻨﺪﺳﯿﻦ اﻧﺘﺨﺎﺑﯽ در ﺑﯿﻦ اﯾﻦ ٣ﻧﻔﺮ را ﺑﺪﺳﺖ آورﯾﺪ.
ﺣ ﻞ :اﮔ ﺮ ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ Xﺑ ﻪ ﺻ ﻮرت ﺗ ﻌ ﺪاد ﻣ ﻬ ﻨ ﺪﺳ ﯿ ﻦ اﻧ ﺘ ﺨ ﺎب ﺷ ﺪه در ﺑ ﯿ ﻦ ٣ﻧ ﻔ ﺮ ﺗ ﻌ ﺮﯾ ﻒ ﺷ ﻮد آن ﮔ ﺎه
} SX = {۰, ۱, ۲, ۳و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل Xﺑﻪ ﺻﻮرت زﯾﺮ ﺑﺪﺳﺖ ﻣﯽ آﯾﺪ:
۵۶
۱ ۵
if x = ۰ ۳
x ۳−x
۱۵ if x = ۱
= )fX (x) = P(X = x = ۵۶
۳۰
۸
۵۶ if x = ۲
۱۰
۳ ۵۶ if x = ۳
ﺑﻨﺎﺑﺮاﯾﻦ
∑
۳
= )µ = E(X )xfX (x
x=۰
۱ ۱۵ ۳۰ ۱۰
× = (۰ × ) + (۱ × ) + (۲ × ) + (۳ )
۵۶ ۵۶ ۵۶ ۵۶
۱۰۵
= = ۱٫ ۹
۵۶
ﯾ ﻌ ﻨ ﯽ اﮔ ﺮ ﺑ ﺨ ﻮاھ ﯿ ﻢ ٣ﻧ ﻔ ﺮ را از اﯾ ﻦ ﮔ ﺮوه اﻧ ﺘ ﺨ ﺎب ﮐ ﻨ ﯿ ﻢ ﺑ ﻄ ﻮر ﻣ ﺘ ﻮﺳ ﻂ اﻧ ﺘ ﻈ ﺎر دارﯾ ﻢ ﮐ ﻪ ﺗ ﻘ ﺮﯾ ﺒ ﺎ ٢ﻧ ﻔ ﺮ از آن ھ ﺎ
ﻣﻬﻨﺪس ﺑﺎﺷﻨﺪ.
ﻣﺜﺎل .۴-٣ﻓﺮض ﮐﻨﯿﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﻧﺸﺎﻧﮕﺮ ﻃﻮل ﻋﻤﺮ ﻧﻮﻋﯽ ﻻﺳﺘﯿﮏ ﺑﺮ ﺣﺴﺐ ﺳﺎل ﺑﺎﺷﺪ ﮐﻪ دارای ﺗﺎﺑﻊ
ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل زﯾﺮ اﺳﺖ.
۱ e −x
۲ if x > ۰
fX (x) = ۲
۰ o.w
ﭘﺲ اﻧﺘﻈﺎر دارﯾﻢ ﮐﻪ اﯾﻦ ﻧﻮع ﻻﺳﺘﯿﮏ ﺑﻄﻮر ﻣﺘﻮﺳﻂ ٢ﺳﺎل ﮐﺎر ﮐﻨﺪ.
٣٨
١.٣اﻣﯿﺪ رﯾﺎﺿﯽ ﺗﺎﺑﻌﯽ از ﯾﮏ ﯾﺎ ﭼﻨﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا درﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ .ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻦ ﻧﮑﺘﻪ ﮐﻪ ﺗﺎﺑﻌﯽ از ھﺮ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ،ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
اﺳﺖ ﭘﺲ ) Y = g(Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺧﻮاھﺪ ﺑﻮد .ﺑﺮای ﻣﺤﺎﺳﺒﻪ اﻣﯿﺪ رﯾﺎﺿﯽ ) ،Y = g(Xﻣﯽ ﺗﻮان از
ﻗﻀﯿﻪ زﯾﺮ اﺳﺘﻔﺎده ﮐﺮد.
ﻗﻀﯿﻪ .۵-٣ﻓﺮض ﮐﻨﯿﺪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ) fX (xﺑﺎﺷﺪ .اﻣﯿﺪ رﯾﺎﺿﯽ ﺗﺎﺑﻊ )g(X
ﺑﻪ ﺻﻮرت زﯾﺮ ﺑﺪﺳﺖ ﻣﯽ آﯾﺪ:
∑
۲
= ) E((X − ۱)۲ )(x − ۱)۲ fX (x
x=−۱
)= (−۱ − ۱)۲ (۰٫ ۱) + (۰ − ۱)۲ (۰٫ ۱) + (۱ − ۱)۲ (۰٫ ۵) + (۲ − ۱)۲ (۰٫ ۳
= ۰٫ ۸.
٣٩
ﻣ ﺜ ﺎل .٧-٣ﻓ ﺮض ﮐ ﻨ ﯿ ﺪ ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ Xدارای ﺗ ﺎﺑ ﻊ ﭼ ﮕ ﺎﻟ ﯽ اﺣ ﺘ ﻤ ﺎل زﯾ ﺮ ﺑ ﺎﺷ ﺪ .اﻣ ﯿ ﺪ رﯾ ﺎﺿ ﯽ
g(X) = ۵X − ۴را ﺑﺪﺳﺖ آورﯾﺪ.
√ ۳
۱۶ x if ۰ < x < ۴
= )fX (x
۰ o.w
ﺣﻞ :واﺿﺢ اﺳﺖ ﮐﻪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ﺑﻮده و ﺑﻨﺎﺑﺮاﯾﻦ ) Y = g(Xﻧﯿﺰ ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
اﺳﺖ .دارﯾﻢ:
∫ ۴
√۳ ۱
xdx = ( (−۴ + ۳x)x ۲ )|۴۰ = ٨
۳
= )E(۵X − ۴ )(۵x − ۴
۰ ۱۶ ۸
ﻗﻀﯿﻪ ۵-٣را ﻣﯽ ﺗﻮان ﺑﻪ ﺳﺎدﮔﯽ ﺑﺮای اﻣﯿﺪ رﯾﺎﺿﯽ ﺗﺎﺑﻌﯽ از ﭼﻨﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺗﻌﻤﯿﻢ داد.
۴٠
ﻣﺜﺎل .٩-٣ﺟﻌﺒﻪ ای ﺷﺎﻣﻞ ٢ﻣﻬﺮه ﺳﻔﯿﺪ و ٣ﻣﻬﺮه ﺳﯿﺎه اﺳﺖ .اﺑﺘﺪا ﯾﮏ ﻣﻬﺮه از اﯾﻦ ﺟﻌﺒﻪ اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﯿﻢ و
ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ Xرا ﺑ ﺮاﺑ ﺮ ﺑ ﺎ ﺗ ﻌ ﺪاد ﻣ ﻬ ﺮه ھ ﺎی ﺳ ﻔ ﯿ ﺪ در اﯾ ﻦ ﯾ ﮏ ﻣ ﻬ ﺮه در ﻧ ﻈ ﺮ ﻣ ﯽ ﮔ ﯿ ﺮﯾ ﻢ .ﺳ ﭙ ﺲ از ﻣ ﺎﺑ ﻘ ﯽ
ﻣﻬﺮه ھﺎی ﺟﻌﺒﻪ دو ﻣﻬﺮه دﯾﮕﺮ اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﯿﻢ و ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Yرا ﺑﺮاﺑﺮ ﺑﺎ ﺗﻌﺪاد ﻣﻬﺮه ھﺎی ﺳﻔﯿﺪ ﻣﺸﺎھﺪه
ﺷﺪه در اﯾﻦ دو ﻣﻬﺮه اﻧﺘﺨﺎﺑﯽ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ .ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺗﻮام ) (X, Yرا ﺑﺪﺳﺖ آورﯾﺪ و ) E(X ۲ Y
را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ.
ﺣﻞ :ﻃﺒﻖ ﺗﻌﺎرﯾﻒ ﺻﻮرت ﻣﺴﺎﻟﻪ دارﯾﻢ SX = {۰, ۱} :و }.SY = {۰, ۱, ۲
۲
۳ ۲ ۳ ۱
= )fX,Y (۰, ۰) = P(X = ۰, Y = ۰) = P(X = ۰)P(Y = ۰|X = ۰ =× =
۵ ۴ ۳۰ ۱۰
۲
۳
۲ ۲ ۶ ۲
= )fX,Y (۱, ۰) = P(X = ۱, Y = ۰) = P(X = ۱)P(Y = ۰|X = ۱ =× =
۵ ۴ ۳۰ ۱۰
۲
..
.
x
٠ ١ )fY (y
y
۰ ۰٫ ۱ ۰٫ ۲ ۰٫ ۳
۱ ۰٫ ۴ ۰٫ ۲ ۰٫ ۶
۲ ۰٫ ۱ ۰ ۰٫ ۱
)fX (x ۰٫ ۶ ۰٫ ۴ ١
۴١
X+۱
Y
ﻣﺜﺎل .١٠-٣ﻓﺮض ﮐﻨﯿﺪ ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ Xو Yدارای ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل زﯾﺮ ﺑﺎﺷﺪ .اﻣﯿﺪ رﯾﺎﺿﯽ
را ﺑﺪﺳﺖ آورﯾﺪ.
۱۶y if x > ۲, ۰ < y < ۱
x۳
= )fX,Y (x, y
۰ o.w
ﺣﻞ:
∫ ∞ ∫ ∞
X +۱ x+۱
(E =) fX,Y (x, y)dydx
Y ∞−∞ − y
∫∞∫ ۱
x + ۱ ۱۶y
= ( ) ۳ dydx
۲ ۰ y x
∫ ∞ ∫ ۱
)۱۶(x + ۱
= dydx
x۳
∞∫۲ ۰
۱ ۱
= (۱۶ + )(y|۱۰ )dx
۲ x۲ x۳
−۱ ∞ ۱
(= ۱۶ − |)
x ۲x۲ ۲
−۱ ۱ ۵
( = ۱۶(۰ − − )) = ۱۶ × = ۱۰
۲ ۸ ۸
۴٢
٢.٣اﻣﯿﺪ رﯾﺎﺿﯽ ﺗﺎﺑﻌﯽ از ﯾﮏ ﯾﺎ ﭼﻨﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا درﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ .ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻦ ﻧﮑﺘﻪ ﮐﻪ ﺗﺎﺑﻌﯽ از ھﺮ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ،ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
اﺳﺖ ﭘﺲ ) Y = g(Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺧﻮاھﺪ ﺑﻮد .ﺑﺮای ﻣﺤﺎﺳﺒﻪ اﻣﯿﺪ رﯾﺎﺿﯽ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ )Y = g(X
ﻣﯽ ﺗﻮان ﺑﻪ دو روش زﯾﺮ ﻋﻤﻞ ﮐﺮد:
• روش اول :ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ) ،Y = g(Xﯾﻌﻨﯽ ) ،fY (yرا ﺑﺪﺳﺖ آورده و ﺑﻨﺎﺑﺮاﯾﻦ
• روش دوم :ﺑﺮای ﻣﺤﺎﺳﺒﻪ اﻣﯿﺪ رﯾﺎﺿﯽ ) ،Y = g(Xﻣﯽ ﺗﻮان از ﻗﻀﯿﻪ زﯾﺮ اﺳﺘﻔﺎده ﮐﺮد.
ﺑﺪﺳﺖ آوردن اﻣﯿﺪ رﯾﺎﺿﯽ ) ،Y = g(Xاز دو روش ﻣﻄﺮح ﺷﺪه ﻣﻨﺠﺮ ﺑﻪ ﯾﮏ ﺟﻮاب ﻣﯽ ﮔﺮدد.
۴٣
ﻣ ﺜ ﺎل .١٢-٣ﻓ ﺮض ﮐ ﻨ ﯿ ﺪ ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ ،Xدارای ﺗ ﺎﺑ ﻊ ﭼ ﮕ ﺎﻟ ﯽ اﺣ ﺘ ﻤ ﺎل زﯾ ﺮ ﺑ ﺎﺷ ﺪ .اﻣ ﯿ ﺪ رﯾ ﺎﺿ ﯽ
g(X) = (X − ۱)۲را ﺑﻪ دﺳﺖ آورﯾﺪ.
ﺣﻞ :واﺿﺢ اﺳﺖ ﮐﻪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ اﺳﺖ .از روش دوم اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ و دارﯾﻢ:
∑
۲
= ) )E((X − ۱۲
)(x − ۱)۲ fX (x
x=−۱
)= (−۱ − ۱)۲ (۰٫ ۱) + (۰ − ۱)۲ (۰٫ ۱) + (۱ − ۱)۲ (۰٫ ۵) + (۲ − ۱)۲ (۰٫ ۳
= ۰٫ ۸
۴۴
ﻣ ﺜ ﺎل .١٣-٣ﻓ ﺮض ﮐ ﻨ ﯿ ﺪ ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ Xدارای ﺗ ﺎﺑ ﻊ ﭼ ﮕ ﺎﻟ ﯽ اﺣ ﺘ ﻤ ﺎل زﯾ ﺮ ﺑ ﺎﺷ ﺪ .اﻣ ﯿ ﺪ رﯾ ﺎﺿ ﯽ
g(X) = ۵X − ۴را ﺑﻪ دو روش ﺑﺪﺳﺖ آورﯾﺪ.
√ ۳
۱۶ x if ۰ < x < ۴
= )fX (x
۰ o.w
ﺣﻞ :واﺿﺢ اﺳﺖ ﮐﻪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ﺑﻮده و ﺑﻨﺎﺑﺮاﯾﻦ ) Y = g(Xﻧﯿﺰ ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
اﺳﺖ .از روش اول دارﯾﻢ:
y+۴ y+۴
≤ FY (y) = P(Y ≤ y) = P(۵X − ۴ ≤ y) = P(X ( ) = FX )
√ ۵ ۵
y+۴ ۱ y+۴ ۳ y+۴
( =⇒fY (y) = FX′ ( ) = fX =)
۵ ۵ ۵ ۸۰ ۵
y+۴
<۰ < ۴ =⇒ −۴ < y < ۱۶
۵
or
۰ < x < ۴ =⇒ −۴ < ۵x − ۴ < ۱۶ =⇒ −۴ < y < ۱۶
∫ √
۱۶
۳ y+۴ ۱ √
= ) =⇒E(Y y ( = dy −۴ = ٨
(y + ۴)(−۸ + ۳y) ۵y + ۲۰)|۱۶
−۴ ۸۰ ۵ ۱۰۰۰
از روش دوم ﻧﯿﺰ دارﯾﻢ:
∫ ۴
√۳ ۱
xdx = ( (−۴ + ۳x)x ۲ )|۴۰ = ٨
۳
= )E(۵X − ۴ )(۵x − ۴
۰ ۱۶ ۸
ﻗﻀﯿﻪ ۵-٣را ﻣﯽ ﺗﻮان ﺑﻪ ﺳﺎدﮔﯽ ﺑﺮای اﻣﯿﺪ رﯾﺎﺿﯽ ﺗﺎﺑﻌﯽ از ﭼﻨﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺗﻌﻤﯿﻢ داد.
۴۵
ﻣﺜﺎل .١۵-٣ﺟﻌﺒﻪ ای ﺷﺎﻣﻞ ٢ﻣﻬﺮه ﺳﻔﯿﺪ و ٣ﻣﻬﺮه ﺳﯿﺎه اﺳﺖ .اﺑﺘﺪا ﯾﮏ ﻣﻬﺮه از اﯾﻦ ﺟﻌﺒﻪ اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﯿﻢ
و ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ Xرا ﺑ ﺮاﺑ ﺮ ﺑ ﺎ ﺗ ﻌ ﺪاد ﻣ ﻬ ﺮه ھ ﺎی ﺳ ﻔ ﯿ ﺪ در اﯾ ﻦ ﯾ ﮏ ﻣ ﻬ ﺮه در ﻧ ﻈ ﺮ ﻣ ﯽ ﮔ ﯿ ﺮﯾ ﻢ .ﺳ ﭙ ﺲ از ﻣ ﺎﺑ ﻘ ﯽ
ﻣﻬﺮه ھﺎی ﺟﻌﺒﻪ دو ﻣﻬﺮه دﯾﮕﺮ اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﯿﻢ و ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Yرا ﺑﺮاﺑﺮ ﺑﺎ ﺗﻌﺪاد ﻣﻬﺮه ھﺎی ﺳﻔﯿﺪ ﻣﺸﺎھﺪه
ﺷﺪه در اﯾﻦ دو ﻣﻬﺮه اﻧﺘﺨﺎﺑﯽ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ .ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺗﻮام ) (X, Yرا ﺑﺪﺳﺖ آورﯾﺪ و ) E(X ۲ Y
را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ.
ﺣﻞ :ﻃﺒﻖ ﺗﻌﺎرﯾﻒ ﺻﻮرت ﻣﺴﺎﻟﻪ دارﯾﻢ SX = {۰, ۱} :و }.SY = {۰, ۱, ۲
۲
۳ ۲ ۳ ۱
= )fX,Y (۰, ۰) = P(X = ۰, Y = ۰) = P(X = ۰)P(Y = ۰|X = ۰ =× =
۵ ۴ ۳۰ ۱۰
۲
۳
۲ ۲ ۶ ۲
= )fX,Y (۱, ۰) = P(X = ۱, Y = ۰) = P(X = ۱)P(Y = ۰|X = ۱ =× =
۵ ۴ ۳۰ ۱۰
۲
..
.
x
٠ ١ )fY (y
y
۰ ۰٫ ۱ ۰٫ ۲ ۰٫ ۳
۱ ۰٫ ۴ ۰٫ ۲ ۰٫ ۶
۲ ۰٫ ۱ ۰ ۰٫ ۱
)fX (x ۰٫ ۶ ۰٫ ۴ ١
۴۶
X+۱
Y
ﻣﺜﺎل .١۶-٣ﻓﺮض ﮐﻨﯿﺪ ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ Xو Yدارای ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل زﯾﺮ ﺑﺎﺷﺪ .اﻣﯿﺪ رﯾﺎﺿﯽ
را ﺑﺪﺳﺖ آورﯾﺪ.
۱۶y if x > ۲, ۰ < y < ۱
x۳
= )fX,Y (x, y
۰ o.w
ﺣﻞ:
∫ ∞ ∫ ∞
X +۱ x+۱
(E =) fX,Y (x, y)dydx
Y ∞−∞ − y
∫∞∫ ۱
x + ۱ ۱۶y
= ( ) ۳ dydx
۲ ۰ y x
∫ ∞ ∫ ۱
)۱۶(x + ۱
= dydx
x۳
∞∫۲ ۰
۱ ۱
= (۱۶ + )(y|۱۰ )dx
۲ x۲ x۳
−۱ ∞ ۱
(= ۱۶ − |)
x ۲x۲ ۲
−۱ ۱ ۵
( = ۱۶(۰ − − )) = ۱۶ × = ۱۰
۲ ۸ ۸
۴٧
٣.٣اﻣﯿﺪ رﯾﺎﺿﯽ ﺷﺮﻃﯽ
ﻓﺮض ﮐﻨﯿﺪ Xو Yدو ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺑﺎﺷﻨﺪ .اﻣﯿﺪ رﯾﺎﺿﯽ X rﺑﻪ ﺷﺮط Yﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮد:
ﺑﻪ ھﻤﯿﻦ ﺗﺮﺗﯿﺐ اﻣﯿﺪ رﯾﺎﺿﯽ Y rﺑﻪ ﺷﺮط Xﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮد:
ﻣﺜﺎل .١٧-٣ﻓﺮض ﮐﻨﯿﺪ ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ Xو Yدارای ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ﺗﻮام زﯾﺮ ﺑﺎﺷﻨﺪ E(X ۲ |Y = ۳) .را
ﺑﺪﺳﺖ آورﯾﺪ.
x
)٢ ٣ ۴ fY (y
y
۱ ۱ ۲
۲ ۸ ۸ ۰ ۸
۱ ۲ ۱ ۴
۳ ۸ ۸ ۸ ۸
۱ ۱ ۲
۴ ۰ ۸ ۸ ۸
۲ ۴ ۲
)fX (x ۸ ۸ ۸ ۱
۴٨
ﭘﺲ
۱
fX,Y (۲, ۳) ۱
fX|Y (۲|۳) = ۴
= ۸
۴
=
۸ ۸
۴
۲
fX,Y (۳, ۳) ۲
fX|Y (۳|۳) = ۴
= ۸
۴
=
۸ ۸
۴
۱
fX,Y (۴, ۳) ۱
fX|Y (۴|۳) = ۴
= ۸
۴
=
۸ ۸
۴
و ﺑﻨﺎﺑﺮاﯾﻦ
∑
۴
E(X |Y = ۳) =
۲
x۲ fX|Y (x|۳)
x=۲
۱ ۲ ۱
= ۲۲ ( ) + ۳۲ ( ) + ۴۲ ( )
۴ ۴ ۴
۳۸
= = ۹٫ ۵
۴
را ﺑ ﺪﺳ ﺖE(X ۲ |Y ) ، ﻣ ﺘ ﻐ ﯿ ﺮھ ﺎی ﺗ ﺼ ﺎدﻓ ﯽ ﺑ ﺎ ﺗ ﺎﺑ ﻊ ﭼ ﮕ ﺎﻟ ﯽ ﺗ ﻮام زﯾ ﺮ ﺑ ﺎﺷ ﻨ ﺪY وX ﻓ ﺮض ﮐ ﻨ ﯿ ﺪ.١٨-٣ ﻣ ﺜ ﺎل
.آورﯾﺪ
e−y if ۰ < x < y < +∞
fX,Y (x, y) =
۰ o.w
و ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ
fX,Y (x, y) e−y ۱
fX|Y (x|y) = = −y = , ۰ < x < y < ∞
fY (y) ye y
∫ y ۳
۱ ۱ x y۲
=⇒E(X ۲ |Y ) = x۲ ( )dx = ( )( )|y۰ =
۰ y y ۳ ۳
۴٩
۴.٣ﺧﻮاص اﻣﯿﺪ رﯾﺎﺿﯽ
.١اﮔﺮ cﯾﮏ ﻋﺪد ﺛﺎﺑﺖ ﺑﺎﺷﺪ ،آن ﮔﺎه .E(c) = c
اﺛﺒﺎت .ﻓﺮض ﮐﻨﯿﺪ cﻣﻘﺪار ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ دﻟﺨﻮاه ﺑﺎﺷﺪ ﮐﻪ آن را ﺑﺎ Xﻧﺸﺎن ﻣﯽ دھﯿﻢ .دارﯾﻢ:
.٢اﮔﺮ ) g(Xو ) h(Xﺗﻮاﺑﻌﯽ از ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﺑﻮده و aو bدو ﻣﻘﺪار ﺛﺎﺑﺖ ﺑﺎﺷﻨﺪ آن ﮔﺎه
۵٠
.٣اﮔﺮ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ و aو bاﻋﺪاد ﺛﺎﺑﺖ ﺑﺎﺷﻨﺪ آن ﮔﺎه .E(aX + b) = aE(X) + b
اﺛﺒﺎت .ﺑﺮای اﺛﺒﺎت ﮐﺎﻓﯽ اﺳﺖ در ﺧﺎﺻﯿﺖ دوم ،ﺟﺎﯾﮕﺬاری g(X) = Xو h(X) = ۱را اﻧﺠﺎم دھﯿﻢ.
.۴اﮔ ﺮ ) g(X, Yو ) h(X, Yﺗ ﻮاﺑ ﻌ ﯽ از ﻣ ﺘ ﻐ ﯿ ﺮھ ﺎی ﺗ ﺼ ﺎدﻓ ﯽ Xو Yﺑ ﻮده و aو bدو ﻣ ﻘ ﺪار ﺛ ﺎﺑ ﺖ
ﺑﺎﺷﻨﺪ آن ﮔﺎه
)) E(ag(X, Y ) + bh(X, Y )) = aE(g(X, Y )) + bE(h(X, Y
.۵اﮔﺮ Xو Yدو ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ دﻟﺨﻮاه ﺑﺎﺷﻨﺪ آن ﮔﺎه ) .E(X + Y ) = E(X) + E(Y
۵١
.۶اﮔﺮ Xو Yدو ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ آن ﮔﺎه ) .E(XY ) = E(X)E(Y
اﺛﺒﺎت .ﻣﯽ داﻧﯿﻢ ﮐﻪ Xو Yﻣﺴﺘﻘﻞ ھﺴﺘﻨﺪ اﮔﺮ و ﺗﻨﻬﺎ اﮔﺮ ) .fX,Y (x, y) = fX (x)fY (yﺑﻨﺎﺑﺮاﯾﻦ
) = E(X)E(Y
) = E(X)E(Y
• ھﻤﺎن ﻃﻮر ﮐﻪ در اﺛﺒﺎت ھﺎ ھﻢ ﻣﺸﺎھﺪه ﺷﺪ ،ﺧﻮاص اﻣﯿﺪ رﯾﺎﺿﯽ ﺑﺮای ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ و ﮔﺴﺴﺘﻪ
ﺑﺮﻗﺮار اﺳﺖ.
• ﺗ ﻮﺟ ﻪ ﮐ ﻨ ﯿ ﺪ ﮐ ﻪ ﻋ ﮑ ﺲ ﺧ ﺎﺻ ﯿ ﺖ ﺷ ﺸ ﻢ ﺑ ﺮﻗ ﺮار ﻧ ﯿ ﺴ ﺖ ﯾ ﻌ ﻨ ﯽ اﮔ ﺮ ﺑ ﺮای دو ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ Xو ،Yﺗ ﺴ ﺎوی
) E(XY ) = E(X)E(Yﺑﺮﻗﺮار ﺑﺎﺷﺪ آن ﮔﺎه ﻧﻤﯽ ﺗﻮان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ﮐﻪ اﯾﻦ دو ﻣﺘﻐﯿﺮ اﻟﺰاﻣﺎ ﻣﺴﺘﻘﻞ ھﺴﺘﻨﺪ.
۵٢
۵.٣وارﯾﺎﻧﺲ و ﺧﻮاص آن
ھﻤﺎﻧﻄﻮر ﮐﻪ در اﺑﺘﺪای ﻓﺼﻞ ﻧﯿﺰ ﺗﻮﺿﯿﺢ داده ﺷﺪ ،اﮔﺮ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ) fX (xو
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ) FX (xﺑﺎﺷﺪ E(X) ،ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎری اﺳﺖ ﮐﻪ ﻗﺒﻞ از وﻗﻮع آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار
ﻣﯽ ﮔﯿﺮد .اﻣﺎ ﻧﺘﺎﯾﺞ ﯾﮏ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ ﻣﯽ ﺗﻮاﻧﺪ ﻣﺘﻔﺎوت ﺑﺎ ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎر )اﻣﯿﺪ رﯾﺎﺿﯽ( ) E(Xﺑﺎﺷﺪ
ﮐﻪ اﯾﻦ ﺗﻔﺎوت را ﻣﯽ ﺗﻮان ﺑﻪ ﺻﻮرت |) |X − E(Xﻧﻤﺎﯾﺶ داد ﮐﻪ اﻧﺤﺮاف از ﻣﯿﺎﻧﮕﯿﻦ ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد.
واﺿﺢ اﺳﺖ ﮐﻪ |) |X − E(Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ اﺳﺖ و ﺑﻨﺎﺑﺮاﯾﻦ ﻋﻼﻗﻤﻨﺪﯾﻢ ﺗﺎ ﻣﯿﺰان اﻧﺤﺮاف از ﻣﯿﺎﻧﮕﯿﻦ
را ﺑﻪ ﻃﻮر ﻣﺘﻮﺳﻂ ﺑﺪﺳﺖ آورﯾﻢ ،ﯾﻌﻨﯽ
ﻣﺘﻮﺳﻂ ﻣﯿﺰان اﻧﺤﺮاف ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xاز ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎر )E(|X − E(X)|) :E(X
اﻣﺎ از آﻧﺠﺎﯾﯽ ﮐﻪ ﮐﺎر ﮐﺮدن ﺑﺎ ﻗﺪر ﻣﻄﻠﻖ دﺷﻮار اﺳﺖ ،ﺑﺠﺎی ﺗﺎﺑﻊ ﻗﺪر ﻣﻄﻠﻖ از ﺗﻮان دوم اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﯿﻢ .ﯾﻌﻨﯽ
E(X − E(X))۲
ﮐﻪ آن را وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﻣﯽ ﻧﺎﻣﻨﺪ و ﺑﻪ ﺻﻮرت زﯾﺮ ﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮد
ﺑﺮای ﻣﺤﺎﺳﺒﻪ وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ،Xﻣﯽ ﺗﻮان راﺑﻄﻪ ) (١-٣را ﺑﻪ ﺷﮑﻞ زﯾﺮ ﺳﺎده ﮐﺮد
۵٣
ﻣﺜﺎل .١٩-٣وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل زﯾﺮ را ﭘﯿﺪا ﮐﻨﯿﺪ.
۴xe−۲x if x > ۰
= )fX (x
۰ o.w
ﺣﻞ:
∫ ∞
= )µ = E(X ∞| x(۴xe−۲x )dx = −(۱ + ۲x + ۲x۲ )e−۲x
۰ =۱
∞ ∫ ۰
۱ ۳
۲
= ) E(X ∞| x۲ (۴xe−۲x )dx = − (۳ + ۶x + ۶x۲ + ۴x۳ )e−۲x
= ۰
۰ ۲ ۲
۳ ۱
= =⇒Var(X) = E(X ۲ ) − µ۲ = − ۱۲
۲ ۲
١.۵.٣ﺧﻮاص وارﯾﺎﻧﺲ
ﻓﺮض ﮐﻨﯿﺪ b ،aو cاﻋﺪاد ﺛﺎﺑﺖ و Xو Yﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﺑﺎﺷﻨﺪ .در اﯾﻦ ﺻﻮرت دارﯾﻢ:
.Var(c) = ۰ .١
= a۲ E (X − E(X))۲
)= a۲ Var(X
۵۴
ﻣﺜﺎل .٢٠-٣ﻓﺮض ﮐﻨﯿﺪ ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﺗﻮام ) (X, Yدارای ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺗﻮام زﯾﺮ ﺑﺎﺷﻨﺪ .وارﯾﺎﻧﺲ
۳X + ۲و ۲ − ۴Yرا ﺑﺪﺳﺖ آورﯾﺪ.
x
٠ ١ )fY (y
y
۰ ۰٫ ۱ ۰٫ ۲ ۰٫ ۳
۱ ۰٫ ۴ ۰٫ ۲ ۰٫ ۶
۲ ۰٫ ۱ ۰ ۰٫ ۱
)fX (x ۰٫ ۶ ۰٫ ۴ ١
ﺣﻞ:
∑
۱
= )E(X xfX (x) = (۰)(۰٫ ۶) + (۱)(۰٫ ۴) = ۰٫ ۴
x=۰
∑
۱
۲
= ) E(X x۲ fX (x) = (۰۲ )(۰٫ ۶) + (۱۲ )(۰٫ ۴) = ۰٫ ۴
x=۰
∑
۲
۲
= ) E(Y y ۲ fY (y) = (۰)(۰٫ ۳) + (۱)(۰٫ ۶) + (۴)(۰٫ ۱) = ۱
y=۰
۵۵
٢.۵.٣وارﯾﺎﻧﺲ ﺷﺮﻃﯽ
ﻓﺮض ﮐﻨﯿﺪ Xو Yدو ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺑﺎﺷﻨﺪ .وارﯾﺎﻧﺲ ﺷﺮﻃﯽ Yﺑﻪ ﺷﺮط Xﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮد:
• اﮔﺮ ﺑﺎ اﻓﺰاﯾﺶ Y ،Xﻧﯿﺰ اﻓﺰاﯾﺶ ﯾﺎﺑﺪ ،ﮔﻮﯾﯿﻢ Xو Yدارای ﺗﻐﯿﯿﺮات ھﻤﺴﻮ ھﺴﺘﻨﺪ.
• اﮔﺮ ﺑﺎ ﮐﺎھﺶ Y ،Xﻧﯿﺰ ﮐﺎھﺶ ﯾﺎﺑﺪ ،ﮔﻮﯾﯿﻢ Xو Yدارای ﺗﻐﯿﯿﺮات ھﻤﺴﻮ ھﺴﺘﻨﺪ.
• اﮔﺮ ﺑﺎ اﻓﺰاﯾﺶ Y ،Xﮐﺎھﺶ ﯾﺎﺑﺪ ،ﮔﻮﯾﯿﻢ Xو Yدارای ﺗﻐﯿﯿﺮات ﻧﺎھﻤﺴﻮ ھﺴﺘﻨﺪ.
• اﮔﺮ ﺑﺎ ﮐﺎھﺶ Y ،Xاﻓﺰاﯾﺶ ﯾﺎﺑﺪ ،ﮔﻮﯾﯿﻢ Xو Yدارای ﺗﻐﯿﯿﺮات ﻧﺎھﻤﺴﻮ ھﺴﺘﻨﺪ.
ﺷﺎﯾﺎن ذﮐﺮ اﺳﺖ ﮐﻪ ﻣﻌﯿﺎر اﻓﺰاﯾﺶ ﯾﺎ ﮐﺎھﺶ ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ،ﻣﻘﺎﯾﺴﻪ آن ﺑﺎ ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎر )اﻣﯿﺪ
رﯾﺎﺿﯽ( اﺳﺖ.
۵۶
ﺑﺮای ﯾﺎﻓﺘﻦ اﯾﻦ ارﺗﺒﺎط اﺑﺘﺪا ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Tرا ﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ
واﺿﺢ اﺳ ﺖ ﮐ ﻪ اﮔ ﺮ Xو Yھﻤ ﺴﻮ ﺑﺎﺷﻨﺪ آن ﮔ ﺎه T > ۰و اﮔ ﺮ Xو Yﻧﺎھﻤﺴ ﻮ ﺑﺎﺷﻨ ﺪ آن ﮔ ﺎه .T < ۰از آن
ﺟ ﺎﯾ ﯽ ﮐ ﻪ Tﯾ ﮏ ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ اﺳ ﺖ ،ﻣ ﻘ ﺪار ﻣ ﻮرد اﻧ ﺘ ﻈ ﺎر آن را ﻣ ﺤ ﺎﺳ ﺒ ﻪ ﮐ ﺮده ﮐ ﻪ ﺑ ﻪ آن ﮐ ﻮارﯾ ﺎﻧ ﺲ Xو Y
ﻣﯽ ﮔﻮﯾﻨﺪ .دارﯾﻢ
))) σXY = Cov(X, Y ) = E ((X − E(X))(Y − E(Y
و ﺑﺮای Xو Yھﻤﺴﻮ σXY > ۰و ﺑﺮای Xو Yﻧﺎھﻤﺴﻮ .σXY < ۰ﺑﺮای اﯾﻨﮑﻪ ﻣﺤﺎﺳﺒﻪ ﮐﻮارﯾﺎﻧﺲ ﺳﺎده ﺗﺮ
ﺷﻮد ،راﺑﻄﻪ ﺑﺎﻻ را ﻣﯽ ﺗﻮان ﺑﻪ ﺻﻮرت زﯾﺮ ﺑﺎزﻧﻮﯾﺴﯽ ﮐﺮد:
) = E(XY ) − E(X)E(Y
ﻣﺜﺎل .٢٢-٣در ﻣﺜﺎل ،١۴-٣ﮐﻮارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ Xو Yرا ﺑﺪﺳﺖ آورﯾﺪ.
ﺣﻞ :در ﻣﺜﺎل ١۴-٣دارﯾﻢ:
x
٠ ١ )fY (y
y
۰ ۰٫ ۱ ۰٫ ۲ ۰٫ ۳
۱ ۰٫ ۴ ۰٫ ۲ ۰٫ ۶
۲ ۰٫ ۱ ۰ ۰٫ ۱
)fX (x ۰٫ ۶ ۰٫ ۴ ١
۵٧
و ھﻤﭽﻨﯿﻦ E(X) = ۰٫ ۴و .E(Y ) = ۰٫ ۸ﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ:
∑
∑ ۱
۲
= ) E(XY )xyfX,Y (x, y
x=۰ y=۰
= ۰٫ ۲
١.۶.٣ﺧﻮاص ﮐﻮارﯾﺎﻧﺲ
ﻓﺮض ﮐﻨﯿﺪ c ،b ،aو dاﻋﺪاد ﺛﺎﺑﺖ و Xو Yﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﺑﺎﺷﻨﺪ .در اﯾﻦ ﺻﻮرت دارﯾﻢ:
.Cov(X, X) = Var(X) .١
اﺛﺒﺎت.
.Cov(X, c) = ۰ .٣
۵٨
.Cov(aX + b, cY + d) = acCov(X, Y ) .۴
۵٩
ﺿ ﺮﯾ ﺐ ھ ﻤ ﺒ ﺴ ﺘ ﮕ ﯽ دو ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ Xو Yارﺗ ﺒ ﺎط ﺧ ﻄ ﯽ دو ﻣ ﺘ ﻐ ﯿ ﺮ را ﻧ ﺸ ﺎن ﻣ ﯽ دھ ﺪ و ھ ﻤ ﺎﻧ ﻨ ﺪ ﮐ ﻮارﯾ ﺎﻧ ﺲ
دارﯾﻢ:
• اﮔﺮ ،ρX,Y > ۰آن ﮔﺎه ﺗﻐﯿﯿﺮات Xو Yدر ﺟﻬﺖ ﯾﮑﺪﯾﮕﺮ اﺳﺖ و اﺻﻄﻼﺣﺎً Xو Yھﻤﺴﻮ ھﺴﺘﻨﺪ.
ﻣﺜﺎل .٢۴-٣ﻓﺮض ﮐﻨﯿﺪ Xو Yدو ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ زﯾﺮ ﺑﺎﺷﻨﺪ.
∞ < e−y if ۰ < x < y
= )fX,Y (x, y
۰ o.w
۶٠
: را ﺑﺪﺳﺖ آورﯾﻢY وX ﺑﺎﯾﺪ ﺗﻮاﺑﻊ ﭼﮕﺎﻟﯽ ﺣﺎﺷﯿﻪ ایY وX ﺑﺮای ﻣﺤﺎﺳﺒﻪ وارﯾﺎﻧﺲ
∫ ∞ ∫ ∞
fX (x) = fX,Y (x, y)dy = e−y dy = −e−y |∞ −x
x = e , x>۰
∫−∞
∞ ∫ x
y
fY (y) = fX,Y (x, y)dx = e−y dx = −e−y x|y۰ = ye−y , y > ۰.
−∞ ۰
:دارﯾﻢ
∫ ∞ ∫ ∞
E(X) = xfX (x)dx = xe−x dx = ۱! = ۱
∫−∞∞ ۰
∫ ∞
E(X ) =۲ ۲
x fX (x)dx = x۲ e−x dx = ۲! = ۲
−∞ ۰
۲
=⇒ Var(X) = E(X ۲ ) − E (X) = ۲ − ۱۲ = ۱
∫ ∞ ∫ ∞
E(Y ) = yfY (y)dy = y ۲ e−y dy = ۲! = ۲
∫−∞∞ ۰
∫ ∞
۲
E(Y ) = ۲
y fY (y)dy = y ۳ e−y dy = ۳! = ۶
−∞ ۰
=⇒ Var(Y ) = E(Y ۲ ) − E۲ (Y ) = ۶ − ۲۲ = ۲
ﺑﻨﺎﺑﺮاﯾﻦ
.ρaX+b,cY +d = ρX,Y .١
۶١
اﺛﺒﺎت .ﻃﺒﻖ ﺧﻮاص ﮐﻮارﯾﺎﻧﺲ و وارﯾﺎﻧﺲ ﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ:
)Cov(aX + b, cY + d
√ = ρaX+b,cY +d
)Var(aX + b)Var(cY + d
) acCov(X, Y
√=
)) (a Var(X))(c۲ Var(Y
۲
) Cov(X, Y
√= = ρX,Y
) Var(X)Var(Y
اﺛﺒﺎت .ﻣﯽ داﻧﯿﻢ ﮐﻪ اﮔﺮ Xو Yﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ آن ﮔﺎه ) E(XY ) = E(X)E(Yو ﺑﻨﺎﺑﺮاﯾﻦ Cov(X, Y ) = ۰
و از اﯾﻦ رو .ρX,Y = ۰
• ﺗﻮﺟﻪ ﮐﻨﯿﺪ ﮐﻪ اﮔﺮ Cov(X, Y ) = ۰آن ﮔﺎه Xو Yﻧﺎھﻤﺒﺴﺘﻪ ﺧﻄﯽ ھﺴﺘﻨﺪ اﻣﺎ ﻧﻤﯽ ﺗﻮان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ
ﮐﻪ آن ھﺎ ﻣﺴﺘﻘﻠﻨﺪ.
• ﺗ ﻮﺟ ﻪ ﮐ ﻨ ﯿ ﺪ ﮐ ﻪ اﮔ ﺮ ρX,Y = ۰آن ﮔ ﺎه Xو Yﻧ ﺎھ ﻤ ﺒ ﺴ ﺘ ﻪ ﺧ ﻄ ﯽ ھ ﺴ ﺘ ﻨ ﺪ اﻣ ﺎ ﻧ ﻤ ﯽ ﺗ ﻮان
ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ ﮐﻪ ﻣﺴﺘﻘﻠﻨﺪ.
۶٢
ﻓﺼ ﻞ ۴
در ﺑﺮﺧﯽ از آزﻣﺎﯾﺶ ھﺎی ﺗﺼﺎدﻓﯽ ،ﺑﻪ دﻟﯿﻞ وﺟﻮد اﻟﮕﻮی ﺧﺎﺻﯽ ﺑﺮای ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ،ﺗﻮزﯾﻊ اﺣﺘﻤﺎل آن ھﺎ
ﻣﺸﺨﺺ اﺳﺖ .در اﯾﻦ ﻓﺼﻞ ﺑﺮﺧﯽ از اﯾﻦ ﺗﻮزﯾﻊ ھﺎی اﺣﺘﻤﺎل ﺧﺎص ﮐﻪ ﭘﯿﺸﺘﺮ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﺧﻮاھﻨﺪ ﮔﺮﻓﺖ
را ﻣﻌﺮﻓﯽ ﮐﺮده و ﺑﺮﺧﯽ ﺧﻮاص آن ھﺎ را ﻣﻄﺮح ﻣﯽ ﮐﻨﯿﻢ.
١.١.۴ﺗﻮزﯾﻊ ﺑﺮﻧﻮﻟﯽ
آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ :آزﻣﺎﯾﺸﯽ را در ﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ ﮐﻪ ﻧﺘﺎﯾﺞ آن ﺷﺎﻣﻞ ﺗﻨﻬﺎ دو ﺣﺎﻟﺖ ﺷﮑﺴﺖ و ﻣﻮﻓﻘﯿﺖ ﺑﺎﺷﺪ .در
واﻗﻊ ﻓﻀﺎی ﻧﻤﻮﻧﻪ در اﯾﻦ آزﻣﺎﯾﺶ ،دو ﻋﻀﻮی اﺳﺖ ﻣﺜﻞ آزﻣﺎﯾﺶ ﭘﺮﺗﺎب ﯾﮏ ﺳﮑﻪ .در ﭼﻨﯿﻦ آزﻣﺎﯾﺸﯽ ،ﻣﺘﻐﯿﺮ
ﺗﺼﺎدﻓﯽ Xﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮد:
اﺛﺒﺎت .ﻃﺒﻖ ﺗﻌﺮﯾ ﻒ اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ ،و ﺑﺎ اﺳﺘﻔﺎده از ﺷﮑﻞ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ
اﺣﺘﻤﺎل ﺗﻮزﯾﻊ ﺑﺮﻧﻮﻟﯽ دارﯾﻢ
∑
۱
= )E(X xP(X = x) = ۰ × q + ۱ × p = p
x=۰
∑
۱
= ) E(X۲
x۲ P(X = x) = ۰۲ × q + ۱۲ × p = p
x=۰
ﻣﺜ ﺎل .٢-۴آزﻣﺎﯾ ﺶ ﭘﺮﺗﺎب ﯾ ﮏ ﺗﺎس را در ﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ ﮐﻪ ھﺪف از ﭘﺮﺗﺎب آن ﻣﺸﺎھﺪه ﻋﺪد ۶ﺑﺎﺷ ﺪ .در اﯾﻦ
ﺻﻮرت دارﯾﻢ:
اﮔﺮ ﻋﺪد ۶ﻣﺸﺎھﺪه ﺷﻮد آن ﮔﺎه X = ۱؛
اﮔﺮ ﻋﺪد ۶ﻣﺸﺎھﺪه ﻧﺸﻮد آن ﮔﺎه .X = ۰
۱ ۵
= )p = P(X = ۱ , = )q = P(X = ۰ .
۶ ۶
ﺑﻨﺎﺑﺮاﯾﻦ ) X ∼ Be( ۱۶و در ﻧﺘﯿﺠﻪ
۱ ۵
fX (x) = P(X = x) = ( )x ( )۱−x , x = ۰, ۱.
۶ ۶
۶۴
٢.١.۴ﺗﻮزﯾﻊ دوﺟﻤﻠﻪ ای
آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ :ﻓﺮض ﮐﻨﯿﺪ ﮐﻪ ﯾﮏ آزﻣﺎﯾﺶ ﺑﺮﻧﻮﻟﯽ ﺑﺎ اﺣﺘﻤﺎل pرا Nﺑﺎر ﺑﻪ ﻃﻮر ﻣﺴﺘﻘﻞ ﺗﮑﺮار ﮐﻨﯿﻢ.
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ :Xﺗﻌﺪاد ﻣﻮﻓﻘﯿﺖ ھﺎی ﺑﺪﺳﺖ آﻣﺪه در Nآزﻣﺎﯾﺶ اﻧﺠﺎم ﺷﺪه.
ﺑﺎ ﻓﺮض اﯾﻨﮑﻪ در ﻓﻀﺎی ﻧﻤﻮﻧﻪ ۰ ،Sﻧﺸﺎن دھﻨﺪه ﺷﮑﺴﺖ و ۱ﻧﺸﺎن دھﻨﺪه ﻣﻮﻓﻘﯿﺖ ﺑﺎﺷﺪ ،دارﯾﻢ:
X
S →− SX
|۰۰ {z
. . . }۰ →− ۰
N
. . }۰
۱ |۰ .{z
N − ۱
۰۱ | {z }
۰۰ . . . ۰
N − ۲
..
.
→− ۱
۰۰ ۰ ۱۰
| .
{z. . }
N −۲
۰۰
| .
{z . . ۰
} ۱
N −۱
۱۱ ۰| .{z . . }۰
N −۲
۱۰۱ ۰۰
| .
{z. . ۰
}
N − ۳
..
.
→− ۲
۰۰ ۰ ۱۰۱
| .
{z. . }
N −۳
۰۰ . . . ۰ ۱۱
} | {z
N −۲
..
.
۶۵
:در واﻗﻊ دارﯾﻢ
X
S −→ SX
۰۰
| {z . . . }۰
N
۱ ۰| .{z . . }۰
N −۱
۰۱ ۰۰ .
| {z } . . ۰
N −۲
..
.
۰۰
| . . . }۰ ۱۰
{z
N −۲
۰۰ . . . ۰ ۱
۰
| {z }
N −۱
۱
۱۱ ۰ ۰
| .
{z. . }
−→ ۲
− ۲
N
..
۱۰۱ ۰۰ . . . ۰
.
| {z }
N −۳
.. N
.
|۰۰ {z
. . . }۰ ۱۰۱
N −۳
۰۰ . . . ۰ ۱۱
| {z }
N −۲
..
.
۱۱
| {z . . . ۱}
N
ﺗﮑﺮار آزﻣﺎﯾﺶ ﺑﺮﻧﻮﻟﯽ ﺑﻪ ﺻ ﻮرت ﻣﺴﺘﻘﻞ اﻧﺠﺎم ﻣ ﯽ ﺷ ﻮد و در ھﺮ آزﻣﺎﯾﺶ اﻧﺠﺎمN ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ در اﯾﻨﺠﺎ
N
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ، اﺳﺖ آزﻣﺎﯾﺶ ﻣﺸﺎھﺪه ﮐﺮد ﺑﺮاﺑﺮ ﺑﺎN ﻣﻮﻓﻘﯿﺖ را درx ﺗﻌﺪاد ﺣﺎﻻﺗﯽ ﮐﻪ ﻣﯽ ﺗﻮان،ﺷﺪه
x
ﺑﻪ ﺻﻮرت زﯾﺮ ﺑﺪﺳﺖ ﻣﯽ آﯾﺪX اﺣﺘﻤﺎل
N
fX (x) = P(X = x) = px (۱ − p)N −x , x = ۰, ۱, . . . , N
x
۶۶
در اﯾ ﻦ ﺻ ﻮرت Xﯾ ﮏ ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ دوﺟ ﻤ ﻠ ﻪ ای ﺑ ﺎ ﭘ ﺎراﻣ ﺘ ﺮھ ﺎی ) (N, pاﺳ ﺖ ﮐ ﻪ آن را ﺑ ﻪ ﺻ ﻮرت
) X ∼ Bin(N, pﻧﻤﺎﯾﺶ ﻣﯽ دھﯿﻢ.
ﻣﺜﺎل .٣-۴ﺳﮑﻪ ای را ﮐﻪ اﺣﺘﻤﺎل ﻣﺸﺎھﺪه ﺷﯿﺮ در آن دو ﺑﺮاﺑﺮ ﺧﻂ اﺳﺖ ۴ ،ﺑﺎر ﭘﺮﺗﺎب ﻣﯽ ﮐﻨﯿﻢ .اﮔﺮ Xﺗﻌﺪاد
ﺷﯿﺮھﺎی ﻣﺸﺎھﺪه ﺷﺪه در ۴ﻣﺮﺗﺒﻪ ﭘﺮﺗﺎب ﺳﮑﻪ ﺑﺎﺷﺪ ،اﺣﺘﻤﺎل X = ۳را ﺑﺪﺳﺖ آورﯾﺪ.
ﺣﻞ :ﻃﺒﻖ اﻃﻼﻋﺎت ﻣﺴﺎﻟﻪ دارﯾﻢ
) P(H) = ۲P(T
اﺛﺒﺎت .ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ دوﺟﻤﻠﻪ ای ،Xﺗﻌﺪاد ﻣﻮﻓﻘﯿﺖ ھﺎ در Nﺗﮑﺮار از ﯾﮏ آزﻣﺎﯾﺶ ﺑﺮﻧﻮﻟﯽ ﺑﺎ
ﭘﺎراﻣﺘﺮ pاﺳﺖ ،دارﯾﻢ:
ﺑﻪ ﻃﻮری ﮐﻪ Xiھﺎ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﻣﺴﺘﻘﻞ از ﺗﻮزﯾﻊ ﺑﺮﻧﻮﻟﯽ ﺑﺎ ﭘﺎراﻣﺘﺮ pھﺴﺘﻨﺪ .ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺎ اﺳﺘﻔﺎده از ﺧﻮاص
اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ:
∑
N ∑
N ∑
N
(E(X) = E = ) Xi = ) E(Xi p = Np
i=۱ i=۱ i=۱
∑N ∑
N ∑
N
(Var(X) = Var = ) Xi = ) Var(Xi pq = N pq
i=۱ i=۱ i=۱
۶٧
ﻣ ﺜ ﺎل .۵-۴ﯾ ﮏ ﺗ ﺎس را ۵ﺑ ﺎر ﭘ ﺮﺗ ﺎب ﻣ ﯽ ﮐ ﻨ ﯿ ﻢ .اﺣ ﺘ ﻤ ﺎل اﯾ ﻨ ﮑ ﻪ ٣ﺑ ﺎر ﻋ ﺪد ۴ﻣ ﺸ ﺎھ ﺪه ﺷ ﻮد را ﺑ ﺪﺳ ﺖ آورده و
ھﻤﭽﻨﯿﻦ ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ ﮐﻪ ﺑﺎ ﭼﻪ اﺣﺘﻤﺎﻟﯽ ﺣﺪاﮐﺜﺮ ٢ﺑﺎر ﻋﺪد ۴ﻣﺸﺎھﺪه ﻣﯽ ﺷﻮد.
ﺣﻞ :ﻓﺮض ﮐﻨﯿﺪ ﻣﺸﺎھﺪه ﻋﺪد ۴را ﻣﻮﻓﻘﯿﺖ و ﻣﺸﺎھﺪه ﻋﺪدی ﻏﯿﺮ از ۴را ﺷﮑﺴﺖ در ﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ .در اﯾﻦ
ﺻﻮرت X ،را ﺗﻌﺪاد ﻣﻮﻓﻘﯿﺖ در ۵ﺑﺎر ﭘﺮﺗﺎب ﺗﺎس ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ و دارﯾﻢ X ∼ Bin(۵, p) :ﺑﻪ ﻃﻮری ﮐﻪ
اﺣﺘﻤﺎل ﻣﺸﺎھﺪه ﻋﺪد ۴در ھﺮ ﭘﺮﺗﺎب ﺗﺎسp :
۱
=p
۶
ﺑﻨﺎﺑﺮاﯾﻦ
۱ ۵۵
P(X = x) = ( )x ( )۵−x , x = ۰, ۱, . . . , ۵
x ۶ ۶
۵ ۱ ۵ !۵ ۱ ۵ ۱۲۵
= =⇒ P(X = ۳) = ( )۳ ( )۲ = × ( )۳ × ( )۲
۳ ۶ ۶ !۳!۲ ۶ ۶ ۶۴۸
∑۲
۵ ۵ ۵ ۱ ۵ ۵ ۱ ۵
= )=⇒ P(X ≤ ۲ P(X = x) = ( )۵ + ( )( )۴ + ( )۲ ( )۳ = ۰٫ ۹۶۴۵
x=۰ ۰ ۶ ۱ ۶ ۶ ۲ ۶ ۶
۶٨
ﻧﻤﻮدار ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﻧﺮﻣﺎل ﺷﮑﻞ :١-۴
١.٢.۴ﺗﻮزﯾﻊ ﻧﺮﻣﺎل
ﻣﻬﻢ ﺗﺮﯾﻦ ﺗﻮزﯾﻊ ﭘﯿﻮﺳﺘﻪ در آﻣﺎر و اﺣﺘﻤﺎل ،ﺗﻮزﯾﻊ ﻧﺮﻣﺎل اﺳﺖ ﺑﻪ ﻃﻮری ﮐﻪ ﻋﻤﻼ ﺑﺴﯿﺎری از ﭘﺪﯾﺪه ھﺎی ﻃﺒﯿﻌﯽ،
ﺣ ﺪاﻗ ﻞ ﺑ ﻪ ﻃ ﻮر ﺗ ﻘ ﺮﯾ ﺒ ﯽ از ﺗ ﻮزﯾ ﻊ ﻧ ﺮﻣ ﺎل ﺗ ﺒ ﻌ ﯿ ﺖ ﻣ ﯽ ﮐ ﻨ ﻨ ﺪ .ﻣ ﺘ ﻐ ﯿ ﺮ ﻗ ﺪ اﻓ ﺮاد و ﺧ ﻄ ﺎی اﻧ ﺪازه ﮔ ﯿ ﺮی از ﺟ ﻤ ﻠ ﻪ اﯾ ﻦ
ﭘﺪﯾﺪه ھﺎ ھﺴﺘﻨﺪ.
ﻧ ﻤ ﻮدار ﺗ ﺎﺑ ﻊ ﭼ ﮕ ﺎﻟ ﯽ ﯾ ﮏ ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ ﻧ ﺮﻣ ﺎل ،Xزﻧ ﮕ ﻮﻟ ﻪ ای ﺷ ﮑ ﻞ اﺳ ﺖ .در ﺷ ﮑ ﻞ ١-۴ﯾ ﮑ ﯽ از اﯾ ﻦ
ﻧﻤﻮدارھﺎ را ﻣﺸﺎھﺪه ﻣﯽ ﮐﻨﯿﺪ.
ﻧﻤﻮدار ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﻧﺮﻣﺎل ،Xﺣﻮل اﻣﯿﺪ رﯾﺎﺿﯽ آن µ = µX ،اﺳﺖ و ﭘﺮاﮐﻨﺪﮔﯽ آن
ﺣﻮل µﺗﻮﺳﻂ وارﯾﺎﻧﺲ ،σ ۲ ،Xﻣﺸﺨﺺ ﻣﯽ ﺷﻮد .در واﻗﻊ ،ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ﻧﺮﻣﺎل ﺑﻪ دو ﻣﺘﻐﯿﺮ µو σ ۲واﺑﺴﺘﻪ
اﺳﺖ و از راﺑﻄﻪ زﯾﺮ ﺑﺪﺳﺖ ﻣﯽ آﯾﺪ
۱ −۱ ۲
√ = )fX (x e ۲σ۲ (x−µ) , −∞ < x < ∞, µ ∈ R, σ>۰
۲πσ ۲
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ﺑﺎﻻ ،دارای ﺗﻮزﯾﻊ ﻧﺮﻣﺎل ﺑﺎ ﭘﺎراﻣﺘﺮھﺎی ) (µ, σ ۲اﺳﺖ ﮐﻪ آن را ﺑﻪ ﺻﻮرت
) X ∼ N (µ, σ ۲ﻧﻤﺎﯾﺶ ﻣﯽ دھﻨﺪ.
۶٩
ﺧﻮاص ﻣﻨﺤﻨﯽ ﻧﺮﻣﺎل
اﺛﺒﺎت.
)dfX (x ۱ −۱ −۱ ۲
= )fX′ (x √= ( ۲ )(x − µ)e ۲σ۲ (x−µ) = ۰
dx ۲πσ ۲ σ
=⇒ x = µ
)d۲ fX (x −۱
۲
√ = |x=µ <۰
dx σ ۲πσ ۲
۲
اﺛﺒﺎت.
)d۲ fX (x
=۰
dx۲
۱ −۱ ۱ −۱ ۲
√ ⇒= ( ۲ + ۴ (x − µ)۲ )e ۲σ۲ (x−µ) = ۰
۲πσ ۲ σ σ
−۱ ۱
=⇒ ۲ + ۴ (x − µ)۲ = ۰
σ σ
=⇒ x = µ ± σ
اﺛﺒﺎت .ﺑﺎ ﺟﺎﯾﮕﺬاری در راﺑﻄﻪ ) fX (xﻣﺮﺑﻮط ﺑﻪ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل ،ﺑﻪ دﺳﺖ ﻣﯽ آورﯾﻢ )fX (µ + a) = fX (µ − a
و ﺑﻨﺎﺑﺮاﯾﻦ ﻣﻨﺤﻨﯽ ﻧﺮﻣﺎل ﻧﺴﺒﺖ ﺑﻪ ﺧﻂ x = µﻣﺘﻘﺎرن اﺳﺖ.
∞∫
. ∞−
fX (x)dx = ۱ .۵
٧٠
ﻃﺒﻖ ﺗﻌﺮﯾﻒ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ،ﺑﺮای ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ) X ∼ N (µ, σ ۲دارﯾﻢ
∫ x
۱ −۱ ۲
= )FX (x) = P(X ≤ x √ e ۲σ۲ (t−µ) dt
∞− ۲πσ ۲
ھﻤﭽﻨﯿﻦ ﺑﺮای [a, b] ⊆ Rدارﯾﻢ
∫ b
۱ −۱ ۲
= )P(a < X < b √ e ۲σ۲ (x−µ) dx
a ۲πσ ۲
ﻣﺤﺎﺳﺒﻪ اﻧﺘﮕﺮال ھﺎی ﭘﯿﭽﯿﺪه ﻣﻮﺟﻮد در رواﺑﻂ ) FX (xو ) P(a < X < bﺑﺎﻻ ،ﺑﺎ ﻓﺮض µ = ۰و ،σ ۲ = ۱
ﺳﺎده و ﺑﺎ روش ھﺎی ﻋﺪدی اﻣﮑﺎن ﭘﺬﯾﺮ ﺧﻮاھﺪ ﺷﺪ.
ﺗﻌﺮﯾﻒ .۶-۴ﺗﻮزﯾﻊ ﻧﺮﻣﺎل ﺑﺎ ﭘﺎراﻣﺘﺮھﺎی µ = ۰و ،σ ۲ = ۱ﺗﻮزﯾﻊ ﻧﺮﻣﺎل اﺳﺘﺎﻧﺪارد ﻧﺎﻣﯿﺪه ﻣﯽ ﺷﻮد و آن را ﺑﻪ
ﺻ ﻮرت ) Z ∼ N (۰, ۱ﻧ ﻤ ﺎﯾ ﺶ ﻣ ﯽ دھ ﻨ ﺪ .ﺗ ﺎﺑ ﻊ ﭼ ﮕ ﺎﻟ ﯽ ﻧ ﺮﻣ ﺎل اﺳ ﺘ ﺎﻧ ﺪارد ﺑ ﺎ ) φ(zﻧ ﺸ ﺎن داده ﻣ ﯽ ﺷ ﻮد و ﺑ ﻪ
ﺻﻮرت زﯾﺮ اﺳﺖ
۱ −z ۲
√ = )φ(z e , ۲ ∞ < −∞ < z
۲π
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل اﺳﺘﺎﻧﺪارد ھﻢ ﺑﺎ ﻧﻤﺎد ) Φ(zﻧﻤﺎﯾﺶ داده ﻣﯽ ﺷﻮد و از راﺑﻄﻪ زﯾﺮ ﺑﺪﺳﺖ ﻣﯽ آﯾﺪ
∫ z
= )Φ(z) = P(Z ≤ z φ(t)dt
∞−
ﺑﺎ اﺳﺘﻔﺎده از روش ھﺎی ﻋﺪدی ،ﻣﻘﺎدﯾﺮ ) Φ(zﺑﻪ ازای ،−۳٫ ۵ ≤ z ≤ ۳٫ ۵ﻣﺤﺎﺳﺒﻪ ﺷﺪه و در ﺟﺪول III
ﭘ ﯿ ﻮﺳ ﺖ اراﺋ ﻪ ﺷ ﺪه اﺳ ﺖ .ﻓ ﺎﯾ ﻞ Normal.ppsxﺿ ﻤ ﯿ ﻤ ﻪ ،روش ﺻ ﺤ ﯿ ﺢ ﺧ ﻮاﻧ ﺪن ﻣ ﻘ ﺎدﯾ ﺮ ﺟ ﺪول ﺗ ﻮزﯾ ﻊ ﻧ ﺮﻣ ﺎل را
ﻧﻤﺎﯾﺶ ﻣﯽ دھﺪ.
ﻃﺒﻖ ﻣﻄﺎﻟﺐ ﻓﺼﻞ دوم دارﯾﻢ:
= .Z X−µ
σ
ﻗﻀﯿﻪ .٧-۴اﮔﺮ ) ،X ∼ N (µ, σ ۲آن ﮔﺎه )∼ N (۰, ۱
٧١
ﺑﺮاﺳﺎس ﻗﻀﯿﻪ ،٧-۴اﮔﺮ ) ،X ∼ N (µ, σ ۲آن ﮔﺎه ﺑﺮای ﻣﺤﺎﺳﺒﻪ ) FX (xدارﯾﻢ:
و ﺑﻨﺎﺑﺮاﯾﻦ ﻣﯽ ﺗﻮان ﭘﺎﺳﺦ را ﺑﺎ اﺳﺘﻔﺎده از ﺟﺪول IIIﺑﺪﺳﺖ آورد .ﺑﻪ ﻃﻮر ﻣﺸﺎﺑﻪ دارﯾﻢ:
ﻣﺜﺎل .٨-۴ﻓﺮض ﮐﻨﯿﺪ ) .X ∼ N (۱۰, ۱۶ﻣﻘﺪار ) P(۸ < X < ۱۵را ﺑﺪﺳﺖ آورﯾﺪ.
ﺣﻞ:
۸ − ۱۰ ۱۵ − ۱۰
(P(۸ < X < ۱۵) = P <<Z )
۴ ۴
)= Φ(۱٫ ۲۵) − Φ(−۰٫ ۵
٣.۴ﻗﻀﯿﻪ ﺣﺪ ﻣﺮﮐﺰی
اﮔﺮ X۱ , X۲ , . . . , Xnﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ ﻣﺴﺘﻘﻞ و ھﻢ ﺗﻮزﯾﻊ ﺑﺎ ﻣﯿﺎﻧﮕﯿﻦ µو وارﯾﺎﻧﺲ ﻣﺘﻨﺎھﯽ σ ۲ﺑﺎﺷﻨﺪ
∑n
وﻗﺘﯽ nﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﺑﺰرگ ﺑﺎﺷﺪ ،دارای ﺗﻮزﯾﻊ ﺗﻘﺮﯾﺒﯽ ﻧﺮﻣﺎل اﺳﺖ. i=۱ آن ﮔﺎه Xi
ﺑﺮای ﻣﺜﺎل ،ﻓﺮض ﮐﻨﯿﺪ ) .X ∼ Be(pﻃﺒﻖ وﯾﮋﮔﯽ ﺗﻮزﯾﻊ ﺑﺮﻧﻮﻟﯽ دارﯾﻢ:
٧٢
∑n
= Snدارای ﺗﻮزﯾﻊ ﺗﻘﺮﯾﺒﯽ ﻧﺮﻣﺎل اﺳﺖ و دارﯾﻢ: i=۱ ﻃﺒﻖ ﻗﻀﯿﻪ ﺣﺪ ﻣﺮﮐﺰیXi ،
∑
n ∑
n
(E(Sn ) = E = ) Xi E(Xi ) = np
i=۱ i=۱
∑n ∑
n
(Var(Sn ) = Var = ) Xi Var(Xi ) = npq
i=۱ i=۱
∑
n
= =⇒ Sn )Xi ∼ N (np, npq )(٢-۴
i=۱
ﻣﺜﺎل .٩-۴وزن ﯾﮓ ﮔﻠﻮﻟﻪ ﻓﻠﺰی دارای ﻣﯿﺎﻧﮕﯿﻦ ۴٫ ۰۷اﻧﺲ و اﻧﺤﺮاف ﻣﻌﯿﺎر ۰٫ ۶اﻧﺲ اﺳﺖ .اﯾﻦ ﮔﻠﻮﻟﻪ ھﺎ
در ﺟﻌﺒﻪ ھﺎی ۸۱ﺗﺎﯾﯽ ﺑﻪ ﻓﺮوش ﻣﯽ رﺳﻨﺪ .اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﯾﮏ ﺟﻌﺒﻪ ﺑﻪ ﺗﺼﺎدف اﻧﺘﺨﺎب ﺷﺪه ،وزﻧﯽ ﺑﯿﻦ ۳۲۸
و ۳۳۵اﻧﺲ داﺷﺘﻪ ﺑﺎﺷﺪ را ﺑﯿﺎﺑﯿﺪ.
ﺣﻞ :اﮔﺮ Xوزن ﯾﮏ ﮔﻠﻮﻟﻪ ﺗﻌﺮﯾﻒ ﺷﻮد ،آن ﮔﺎه µX = ۴٫ ۰۷و .σX = ۰٫ ۶ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ ھﺮ ﺟﻌﺒﻪ
∑۸۱
= Snاﺳﺖ و ﺑﺎﯾﺪ اﺣﺘﻤﺎل زﯾﺮ را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﻢ i=۱ ﺷﺎﻣﻞ ۸۱ﮔﻠﻮﻟﻪ اﺳﺖ ،وزن ھﺮ ﺟﻌﺒﻪ ﺑﻪ ﺻﻮرت Xi
دارﯾﻢ:
∑
۸۱ ∑
۸۱
(E(Sn ) = E = ) Xi E(Xi ) = ۸۱ × ۴٫ ۰۷ = ۳۲۹٫ ۶۷
i=۱ i=۱
∑
۸۱ ∑
۸۱
(Var(Sn ) = Var = ) Xi Var(Xi ) = ۸۱ × (۰٫ ۶)۲ = ۲۹٫ ۱۶
i=۱ i=۱
٧٣
ﻣﺜﺎل .١٠-۴ﻓﺮض ﮐﻨﯿﺪ ) .X ∼ Bin(۱۰۰, ۰٫ ۵ﻣﻘﺪار ) P(X > ۳۵را ﻣﺤﺎﺳﺒﻪ ﮐﻨﯿﺪ.
ﺣﻞ :ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺑﺮای ﺗﻮزﯾﻊ دو ﺟﻤﻠﻪ ای دارﯾﻢ:
دارای X−N
√ p
N pq
ﻗﻀﯿﻪ .١١-۴اﮔﺮ ) X ∼ Bin(N, pآن ﮔﺎه وﻗﺘﯽ Nﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﺑﺰرگ ﺑﺎﺷﺪ ،ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
ﺗﻮزﯾﻊ ﺗﻘﺮﯾﺒﯽ ﻧﺮﻣﺎل اﺳﺘﺎﻧﺪارد اﺳﺖ.
ﻣﻌﻤﻮﻻ وﻗﺘﯽ N > ۳۰و ﯾﺎ ﻣﻘﺪار pﺑﻪ ۰٫ ۵ﻧﺰدﯾﮏ ﺑﺎﺷﺪ ،ﺗﻘﺮﯾﺐ ﺗﻮزﯾﻊ دوﺟﻤﻠﻪ ای ﺑﻪ وﺳﯿﻠﻪ ﻧﺮﻣﺎل ﻣﻨﺎﺳﺐ
اﺳﺖ.
ﻣﺜﺎل .١٢-۴در ﻣﺜﺎل ١٢-۵ﭼﻮن N = ۱۰۰ﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﺑﺰرگ اﺳﺖ ،ﺑﺎ اﺳﺘﻔﺎده از ﻗﻀﯿﻪ ١١-۴و ﺗﻘﺮﯾﺐ
ﻧﺮﻣﺎل دارﯾﻢ:
)= ۱ − Φ(−۳
٧۴
ﻓﺼ ﻞ ۵
آﻣﺎر اﺳﺘﻨﺒﺎﻃﯽ
x۱ , x۲ , . . . , xN
٧۶
.٢ﺑﺎ اﺳﺘﻔﺎده از ﻧﻤﻮﻧﻪ ﮔﯿﺮی ،اﻃﻼﻋﺎت ﺑﺨﺸﯽ از ﺟﺎﻣﻌﻪ را ﺛﺒﺖ ﮐﺮده و ﭘﺎراﻣﺘﺮ ﻣﻮردﻧﻈﺮ را ﺗﺨﻤﯿﻦ ﻣﯽ زﻧﯿﻢ
ﯾﺎ ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ ﺑﺮآورد ﻣﯽ ﮐﻨﯿﻢ.
ﻧﻤﻮﻧﻪ ﮔﯿﺮی از ﺟﺎﻣﻌﻪ آﻣﺎری ﺑﺎﯾﺪ ﺑﻪ ﮔﻮﻧﻪ ای ﺑﺎﺷﺪ ﮐﻪ ﻣﻨﺠﺮ ﺑﻪ ﯾﮏ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ ﮔﺮدد.
ﺗﻌﺮﯾﻒ .٢-۵ﻧﻤﻮﻧﻪ ای را ﺗﺼﺎدﻓﯽ ﮔﻮﯾﻨﺪ ﮐﻪ ھﻤﻪ اﻋﻀﺎی ﺟﺎﻣﻌﻪ ﺷﺎﻧﺲ ﻗﺮار ﮔﺮﻓﺘﻦ در آن ﻧﻤﻮﻧﻪ را داﺷﺘﻪ ﺑﺎﺷﺪ.
در ﯾﮏ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ ،اﻋﻀﺎی ﻧﻤﻮﻧﻪ ﻣﺴﺘﻘﻞ و ھﻢ ﺗﻮزﯾﻊ ﺑﺎ ﺗﻮزﯾﻊ ﺟﺎﻣﻌﻪ ھﺴﺘﻨﺪ .در واﻗﻊ دارﯾﻢ:
:X۱ , X۲ , . . . , XN ∼ fθﺟﺎﻣﻌﻪ آﻣﺎری
:X۱ , X۲ , . . . , Xn ∼ fθﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻄﺎﻟﺐ اراﺋﻪ ﺷﺪه ﻣﯽ ﺗﻮان آﻣﺎر اﺳﺘﻨﺒﺎﻃﯽ را ﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﮐﺮد.
ﺗﻌﺮﯾﻒ .٣-۵آﻣﺎر اﺳﺘﻨﺒﺎﻃﯽ روﺷﯽ اﺳﺖ ﮐﻪ ﺑﻪ وﺳﯿﻠﻪ آن ﺑﺮاﺳﺎس ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ در ﻣﻮرد ﮐﻞ
ﺟﺎﻣﻌﻪ ﺑﺎ ﭘﺎراﻣﺘﺮھﺎی ﻣﺠﻬﻮل ﺟﺎﻣﻌﻪ ،ﻧﺘﯿﺠﻪ ﮔﯿﺮی ھﺎﯾﯽ اﻧﺠﺎم ﻣﯽ ﮔﯿﺮد.
٧٧
١.۵ﺑﺮآورد ﻧﻘﻄﻪ ای
ﻓ ﺮض ﮐ ﻨ ﯿ ﺪ X۱ , X۲ , . . . , Xnﯾ ﮏ ﻧ ﻤ ﻮﻧ ﻪ ﺗ ﺼ ﺎدﻓ ﯽ nﺗ ﺎﯾ ﯽ ﺑ ﺎ ﻣ ﻘ ﺎدﯾ ﺮ ﻣ ﺸ ﺎھ ﺪه ﺷ ﺪه x۱ , x۲ , . . . , xnاز ﺟ ﺎﻣ ﻌ ﻪ
آﻣ ﺎری X۱ , X۲ , . . . , XNﺑ ﺎ ﺗ ﻮزﯾ ﻊ اﺣ ﺘ ﻤ ﺎل ) fθ (xاﺳ ﺖ ﮐ ﻪ اﯾ ﻦ ﺗ ﻮزﯾ ﻊ اﺣ ﺘ ﻤ ﺎل ﺑ ﻪ ﭘ ﺎراﻣ ﺘ ﺮ ﻣ ﺠ ﻬ ﻮل θواﺑ ﺴ ﺘ ﻪ
اﺳﺖ .ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ
) :X۱ , X۲ , . . . , XN ∼ fθ (xﺟﺎﻣﻌﻪ آﻣﺎری
) :X۱ , X۲ , . . . , Xn ∼ fθ (xﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ
:θﭘﺎراﻣﺘﺮ ﻧﺎﻣﻌﻠﻮم
ھﺪف از ﺑﺮآوردﯾﺎﺑﯽ ،ﯾﺎﻓﺘﻦ ﮐﻤﯿﺘﯽ از ﻣﻘﺎدﯾﺮ x۱ , x۲ , . . . , xnﺑﻪ ﻋﻨﻮان ﺗﻘﺮﯾﺒﯽ )ﯾﺎ ﺑﺮآوردی( از ﭘﺎراﻣﺘﺮ ﻣﺠﻬﻮل
θاﺳﺖ.
در روش ﺑ ﺮآورد ﻧ ﻘ ﻄ ﻪ ای ،ﺑ ﺮاﺳ ﺎس ﻣ ﻘ ﺎدﯾ ﺮ ﻣ ﺸ ﺎھ ﺪه ﺷ ﺪه ﻧ ﻤ ﻮﻧ ﻪ ﺗ ﺼ ﺎدﻓ ﯽ ،x۱ , x۲ , . . . , xnﺗ ﺎﺑ ﻌ ﯽ را ﺑ ﻪ
ﻋﻨﻮان ﺗﻘﺮﯾﺒﯽ از ﭘﺎراﻣﺘﺮ ﻣﺠﻬﻮل ﺟﺎﻣﻌﻪ اراﺋﻪ ﻣﯽ دھﯿﻢ.
) :X۱ , X۲ , . . . , XN ∼ fθ (xﺟﺎﻣﻌﻪ آﻣﺎری
) :X۱ , X۲ , . . . , Xn ∼ fθ (xﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ
) :T = g(X۱ , X۲ , . . . , Xnﺑﺮآوردﮔﺮ )ﺗﺎﺑﻌﯽ از ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ ﺑﺪون ﻋﻨﺼﺮ ﻣﺠﻬﻮل(
) :t = g(x۱ , x۲ , . . . , xnﺑﺮآورد )ﻣﻘﺪار ﻣﺸﺎھﺪه ﺷﺪه ﺑﺮآوردﮔﺮ(
∑۱
۴
=x x = ۱۷۰
۴ i=۱ i
٧٨
ﻣﻌﯿﺎرھﺎی ﻣﺨﺘﻠﻔﯽ ﺑﺮای ﺳﻨﺠﺶ ﺑﻬﺘﺮﯾﻦ ﺑﺮآوردﮔﺮ وﺟﻮد دارد ﮐﻪ در اﯾﻨﺠﺎ ﺑﻪ ذﮐﺮ دو ﻣﻌﯿﺎر ﻣﯽ ﭘﺮدازﯾﻢ.
.١ﻧﺎارﯾﺒﯽ:
E(T ) = θ
ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ ،اﮔﺮ ﻣﺘﻮﺳﻂ ﻣﻘﺪار ﺑﺮآوردﮔﺮ Tﺑﻪ ازای ﻧﻤﻮﻧﻪ ھﺎی ﻣﺨﺘﻠﻒ ،ﺑﺮاﺑﺮ ﺑﺎ ﭘﺎراﻣﺘﺮ θﺑﺎﺷﺪ آن ﮔﺎه T
را ﺑﺮای θﻧﺎارﯾﺐ ﮔﻮﯾﻨﺪ .ﺑﺮای روﺷﻦ ﺷﺪن اﯾﻦ ﻣﻔﻬﻮم ﺑﻪ ﻣﺜﺎل زﯾﺮ ﺗﻮﺟﻪ ﮐﻨﯿﺪ.
ﻣﺜﺎل .۵-۵ﻓﺮض ﮐﻨﯿﺪ ﮐﻪ ﺟﺎﻣﻌﻪ آﻣﺎری ﺑﺎ ﭼﻬﺎر ﻋﻀﻮ و ﻣﻘﺎدﯾﺮ زﯾﺮ داﺷﺘﻪ ﺑﺎﺷﯿﻢ:
اﮔﺮ ﺑﺨﻮاھﯿﻢ ﻧﻤﻮﻧﻪ ای ﺑﺎ ﺳﻪ ﻋﻀﻮ از اﯾﻦ ﺟﺎﻣﻌﻪ اﻧﺘﺨﺎب ﮐﻨﯿﻢ ،ﺗﻌﺪاد ﻧﻤﻮﻧﻪ ھﺎی ﺳﻪ ﻋﻀﻮی ﻣﻤﮑﻦ ﺑﺮاﺑﺮ ﺑﺎ ۴
ﻧﻤﻮﻧﻪ ﺑﺎ ﺑﺮآوردھﺎی زﯾﺮ اﺳﺖ:
ﻧﮑﺘﻪ ﻣﻬﻢ :در اﯾﻦ درس ﺗﻮزﯾﻊ ھﺎی ﻣﻮرد ﺑﺮرﺳﯽ ،ﺗﻮزﯾﻊ دوﺟﻤﻠﻪ ای و ﺗﻮزﯾﻊ ﻧﺮﻣﺎل اﺳﺖ ﮐﻪ در اﯾﻨﺠﺎ ﺑﻪ ذﮐﺮ
ﭘﺎراﻣﺘﺮھﺎ و ﺑﺮآوردﮔﺮھﺎی ﻧﺎارﯾﺐ آن ھﺎ ﻣﯽ ﭘﺮدازﯾﻢ.
٧٩
• ﺗﻮزﯾﻊ دوﺟﻤﻠﻪ ای :ﻓﺮض ﮐﻨﯿﺪ
• ﺗﻮزﯾﻊ ﻧﺮﻣﺎل :ﻓﺮض ﮐﻨﯿﺪ ) .X۱ , X۲ , . . . , XN ∼ N (µ, σ ۲ﭘﺲ اﯾﻦ ﺟﺎﻣﻌﻪ دارای دو ﭘﺎراﻣﺘﺮ اﺳﺖ ﮐﻪ
آن ھﺎ را ﺑﺎ θ۱ = µو θ۲ = σ ۲ﻧﻤﺎﯾﺶ ﻣﯽ دھﯿﻢ .درواﻗﻊ دارﯾﻢ:
∑۱
N
= θ۱ = µ Xi or )µ = E(X
N
i=۱
۱ ∑N
= θ۲ = σ ۲ (Xi − µ)۲ or )σ ۲ = Var(X
N
i=۱
⋆ ﻣﯿﺎﻧﮕﯿﻦ ﻧﻤﻮﻧﻪ ﯾﻌﻨﯽ ،Xﺑﺮآوردﮔﺮ ﻣﻄﻠﻮب ﺑﺮای ﭘﺎراﻣﺘﺮ θ۱ = µاﺳﺖ ﺑﻪ ﻃﻮری ﮐﻪ
∑۱
n
=X Xi
n
i=۱
۱ ∑
n
۲
= Sn−۱ (Xi − X)۲
n−۱
i=۱
.E(Sn−
S ۲ﯾﮏ ﺑﺮآوردﮔﺮ ﻧﺎارﯾﺐ ﺑﺮای σ ۲اﺳﺖ و دارﯾﻢ ۲ ) = σ ۲
۱ ﺑﺮآوردﮔﺮ n−۱
٨٠
∑n
= Sn۲ﻧ ﯿ ﺰ ﺗ ﻌ ﺮﯾ ﻒ ﺷ ﻮد اﻣ ﺎ ۱
n i=۱ (Xi ﺷ ﺎﯾ ﺎن ذﮐ ﺮ اﺳ ﺖ ﮐ ﻪ وارﯾ ﺎﻧ ﺲ ﻧ ﻤ ﻮﻧ ﻪ ای ﻣ ﯽ ﺗ ﻮاﻧ ﺪ ﺑ ﻪ ﺻ ﻮرت − X)۲
E(Sn۲ ) ̸= σ ۲و Sn۲ﺑﺮای ﭘﺎراﻣﺘﺮ وارﯾﺎﻧﺲ ﺟﺎﻣﻌﻪ ﻧﺎارﯾﺐ ﻧﯿﺴﺖ .از اﯾﻨﺮو Sn۲ﺑﺮآوردﮔﺮ ﻣﻄﻠﻮﺑﯽ ﺑﺮای ﭘﺎراﻣﺘﺮ
وارﯾﺎﻧﺲ ﺟﺎﻣﻌﻪ ﻧﺮﻣﺎل ﻧﺨﻮاھﺪ ﺑﻮد.
.٢ﮐﻤﺘﺮﯾﻦ وارﯾﺎﻧﺲ:
اﮔﺮ T۱و T۲دو ﺑﺮآوردﮔﺮ ﻧﺎارﯾﺐ ﺑﺮای ﭘﺎراﻣﺘﺮ θﺑﺎﺷﻨﺪ ﺑﻪ ﻃﻮری ﮐﻪ
آن ﮔﺎه ﺑﺮآوردﮔﺮ T۱از ﺑﺮآوردﮔﺮ T۲ﮐﺎراﺗﺮ اﺳﺖ .ﺑﻨﺎﺑﺮاﯾﻦ در ﺑﯿﻦ ﺑﺮآوردﮔﺮھﺎی ﻧﺎارﯾﺐ ﺑﺮای ،θﺑﺮآوردﮔﺮی ﮐﻪ
دارای ﮐﻤﺘﺮﯾﻦ وارﯾﺎﻧﺲ اﺳﺖ را ﮐﺎراﺗﺮﯾﻦ ﺑﺮآوردﮔﺮ ﻣﯽ ﻧﺎﻣﻨﺪ.
٨١
٢.۵ﺑﺮآورد ﻧﻘﻄﻪ ای ﭘﺎراﻣﺘﺮ دو ﺟﺎﻣﻌﻪ
ھﻤﺎﻧﻄﻮر ﮐﻪ ﻗﺒﻼ ھﻢ ﺑﯿﺎن ﺷﺪ ،در اﺳﺘﻨﺒﺎط آﻣﺎری ھﺪف ﺷﻨﺎﺧﺖ ﺟﺎﻣﻌﻪ آﻣﺎری ﺑﺮاﺳﺎس ﯾﮏ ﯾﺎ ﭼﻨﺪ ﻣﺸﺨﺼﻪ
)ﻣﺘﻐﯿﺮ( اﺳﺖ .ﯾﮑﯽ از راه ھﺎی ﺷﻨﺎﺧﺖ ﯾﮏ ﺟﺎﻣﻌﻪ آﻣﺎری ،ﻣﻘﺎﯾﺴﻪ آن ﺑﺎ ﯾﮏ ﯾﺎ ﭼﻨﺪ ﺟﺎﻣﻌﻪ آﻣﺎری دﯾﮕﺮ اﺳﺖ.
از اﯾﻨﺮو ،در اﯾﻦ ﻗﺴﻤﺖ ﺑﻪ ﻣﻘﺎﯾﺴﻪ دو ﺟﺎﻣﻌﻪ آﻣﺎری ﻣﯽ ﭘﺮدازﯾﻢ.
٨٢
ﺑﺮاﺳﺎس رواﺑﻂ ﺑﯿﻦ ﻣﯿﺎﻧﮕﯿﻦ ھﺎی دو ﺟﺎﻣﻌﻪ ،ﻣﻤﮑﻦ اﺳﺖ ﯾﮑﯽ از ﺳﻪ ﺣﺎﻟﺖ زﯾﺮ را داﺷﺘﻪ ﺑﺎﺷﯿﻢ:
σ۱۲
= θرا ﺗﻌﺮﯾﻒ ﮐﺮد و σ۲۲
ﭘﺲ ﺟﻬﺖ ﻣﻘﺎﯾﺴﻪ دو ﺟﺎﻣﻌﻪ ﻧﺮﻣﺎل ﻣﺴﺘﻘﻞ ﺑﺮاﺳﺎس وارﯾﺎﻧﺲ آن ھﺎ ﻣﯽ ﺗﻮان ﭘﺎراﻣﺘﺮ
آن را ﺑﻪ ﺻﻮرت ﻧﻘﻄﻪ ای و ﻓﺎﺻﻠﻪ ای ﺑﺮآورد ﮐﺮد.
٨٣
ﺑﺮای ﺑﺮآوردﯾﺎﺑﯽ اﺑﺘﺪا از ھﺮ ﺟﺎﻣﻌﻪ ﯾﮏ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﯽ ﮔﯿﺮﯾﻢ
ﻣﯽ داﻧﯿﻢ ﺑﺮآورد ﻧﻘﻄﻪ ای ﻣﻄﻠﻮب ﺑﺮای X ،µ۱و ﺑﺮآورد ﻧﻘﻄﻪ ای ﻣﻄﻠﻮب ﺑﺮای Y ،µ۲اﺳﺖ .ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ
واﻗﻌﯿﺖ ﻣﯽ ﺗﻮان ﺑﺮآورد ﻧﻘﻄﻪ ای ﺑﺮای ﭘﺎراﻣﺘﺮ θ = µ۱ − µ۲را X − Yدرﻧﻈﺮ ﮔﺮﻓﺖ .ﺟﻬﺖ ﺑﺮرﺳﯽ ﻣﻄﻠﻮﺑﯿﺖ
اﯾﻦ ﺑﺮآوردﮔﺮ دارﯾﻢ
E(X − Y ) = E(X) − E(Y ) = µ۱ − µ۲
σ۱۲ σ۲۲
= ) Var(X − Y ) = Var(X) + Var(Y +
n m
σ۱۲
=θ σ۲۲
ﺑﺮآورد ﻧﻘﻄﻪ ای
ﺑﺮای ﺑﺮآوردﯾﺎﺑﯽ اﺑﺘﺪا از ھﺮ ﯾﮏ از ﺟﻮاﻣﻊ ﺑﺎﻻ ،ﯾﮏ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﯽ ﮔﯿﺮﯾﻢ
∑n
Sn−و ﺑﺮآوردﮔﺮ ﻧﻘﻄﻪ ای ﻣﻄﻠﻮب
۲
= ۱
۱
n−۱ i=۱ (Xi ﻣﯽ داﻧﯿﻢ ﺑﺮآوردﮔﺮ ﻧﻘﻄﻪ ای ﻣﻄﻠﻮب ﺑﺮای − X)۲ ،σ۱۲
۱ ∑m
۲
σ۱۲
درﻧﻈﺮ ﮔﺮﻓﺖ. را ﺑﺮای Sm−اﺳﺖ .از اﯾﻨﺮو ﻣﯽ ﺗﻮان ﺑﺮآوردﮔﺮ ﺑﺮای i=۱ (Yi − Y ) ،σ۲
Sn− ۱ ۲ ۲ ۲
σ۲۲ ۲
Sm− ۱ = m−۱
۱
۲
σ۱۲
ﯾﮏ ﺑﺮآوردﮔﺮ ﻧﻘﻄﻪ ای ﻣﻄﻠﻮب ﺑﺮای ﭘﺎراﻣﺘﺮ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺤﺎﺳﺒﺎت ﭘﯿﭽﯿﺪه ،ﻣﯽ ﺗﻮان ﻧﺸﺎن داد ﮐﻪ
Sn− ۱
σ۲۲ ۲
Sm− ۱
اﺳﺖ.
٨۴
ﻣﺜﺎل .٧-۵ﺑﺮای ﯾﮏ درس ،ﯾﮏ ﮔﺮوه ﺻﺒﺢ و ﯾﮏ ﮔﺮوه ﺑﻌﺪاز ﻇﻬﺮ ﺗﺸﮑﯿﻞ ﻣﯽ ﺷﻮد .در آﺧﺮ ﺗﺮم از ﮐﻼس ﺻﺒﺢ
٨ﻧ ﻔ ﺮ و از ﮐ ﻼس ﺑ ﻌ ﺪاز ﻇ ﻬ ﺮ ٩ﻧ ﻔ ﺮ را ﺑ ﻪ ﺗ ﺼ ﺎدف اﻧ ﺘ ﺨ ﺎب ﮐ ﺮده و از آن ھ ﺎ اﻣ ﺘ ﺤ ﺎن ﮔ ﺮﻓ ﺘ ﻪ ﺷ ﺪه اﺳ ﺖ .ﻧ ﺘ ﺎﯾ ﺞ ﺑ ﻪ
ﺻﻮرت زﯾﺮ ﺑﺪﺳﺖ آﻣﺪه اﺳﺖ:
∑۱ ∑۱
۸ ۸
۸۰
n = ۸, =x = xi = ۱۰, ۲
Sn−= ۱ (x − x)۲ = ۸
۸ i=۱ ۸ ۷ i=۱ i
∑۱ ∑۱
۹ ۹
۸۱
m = ۹, =y = yi = ۹, ۲
= Sm−۱ (yi − y)۲ = ۳۰
۹ i=۱ ۹ ۸ i=۱
σ۱۲
= θ۲ﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ σ۲۲
ﺑﻨﺎﺑﺮاﯾﻦ ﺑﺮای θ۱ = µ۱ − µ۲و
S۲ ۸
θb۱ = x − y = ۱۰ − ۹ = ۱ = θb۲ = ۲n−۱ .
Sm−۱ ۳۰
دﻗﺖ ﮐﻨﯿﺪ ﮐﻪ ﻣﻘﺎدﯾﺮ ﺑﺪﺳﺖ آﻣﺪه ﻓﻘﻂ ﺗﻘﺮﯾﺒﯽ ﺑﺮای θ۱و θ۲ھﺴﺘﻨﺪ ﮐﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻧﻤﻮﻧﻪ ﻣﺸﺎھﺪه ﺷﺪه ﺑﺪﺳﺖ
آﻣﺪه اﻧﺪ.
) X۱ , X۲ , . . . , XN ∼ Be(PN
) Y۱ , Y۲ , . . . , YM ∼ Be(PM
٨۵
ﺑﺮای ﻣﻘﺎﯾﺴﻪ دو ﺟﺎﻣﻌﻪ ﺑﺮﻧﻮﻟﯽ ﺑﺎﯾﺪ ﺑﻪ ﺑﺮرﺳﯽ ﭘﺎراﻣﺘﺮھﺎی دو ﺟﺎﻣﻌﻪ )ﯾﻌﻨﯽ ﻣﻘﺎﯾﺴﻪ ﻧﺴﺒﺖ ﻣﻮﻓﻘﯿﺖ در دو
ﺟﺎﻣﻌﻪ PN ،و (PMﭘﺮداﺧﺖ .ﭘﺎراﻣﺘﺮ θ = PN − PMرا ﺑﺪﯾﻦ ﻣﻨﻈﻮر ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ.
) X۱ , X۲ , . . . , XN ∼ Be(PN
) Y۱ , Y۲ , . . . , YM ∼ Be(PM
ﺑﺮای ﺑﺮآوردﯾﺎﺑﯽ اﺑﺘﺪا از ھﺮﯾﮏ از ﺟﻮاﻣﻊ ﺑﺎﻻ ﯾﮏ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﯽ ﮔﯿﺮﯾﻢ:
) X۱ , X۲ , . . . , Xn ∼ Be(PN
) Y۱ , Y۲ , . . . , Ym ∼ Be(PM
= Pm t۲
m
= Pnو ﺑﺮآوردﮔﺮ ﻧﻘﻄﻪ ای ﻣﻄﻠﻮب ﺑﺮای ،PM t۱
n
ﻣﯽ داﻧﯿﻢ ﮐﻪ ﺑﺮآوردﮔﺮ ﻣﻄﻠﻮب ﻧﻘﻄﻪ ای ﺑﺮای ،PN
ﺑﻮده ﺑﻪ ﻃﻮری ﮐﻪ t۱ﺗﻌﺪاد ﻣﻮﻓﻘﯿﺖ در ﻧﻤﻮﻧﻪ از ﺟﺎﻣﻌﻪ اول و t۲ﺗﻌﺪاد ﻣﻮﻓﻘﯿﺖ در ﻧﻤﻮﻧﻪ ﺟﺎﻣﻌﻪ دوم اﺳﺖ .از
اﯾﻨﺮو ﻣﯽ ﺗﻮان ﺑﺮآوردﮔﺮ Pn − Pmرا ﺑﺮای ﭘﺎراﻣﺘﺮ PN − PMدر ﻧﻈﺮ ﮔﺮﻓﺖ .دارﯾﻢ:
٨۶
ﺑ ﺮای ﻣ ﺜ ﺎل ،ﻓ ﺮض ﮐ ﻨ ﯿ ﺪ ) .X ∼ N (۰, ۴در اﯾ ﻦ ﺻ ﻮرت ) (۲X − ۱, ۲Xﯾ ﮏ ﻓ ﺎﺻ ﻠ ﻪ ﺗ ﺼ ﺎدﻓ ﯽ اﺳ ﺖ.
ھﻤﭽﻨﯿﻦ اﮔﺮ ﯾﮏ ﻧﻤﻮﻧﻪ nﺗﺎﯾﯽ از ﻣﺘﻐﯿﺮ ﺗﺼﺎﻓﯽ Xرا ﺑﻪ ﺻﻮرت X۱ , X۲ , . . . , Xnدرﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ(X, ∞) ،
ﻧﯿﺰ ﯾﮏ ﻓﺎﺻﻠﻪ ﺗﺼﺎدﻓﯽ اﺳﺖ.
ﺗ ﻌ ﺮﯾ ﻒ .٩-۵ﻓ ﺮض ﮐ ﻨ ﯿ ﺪ Xﯾ ﮏ ﻣ ﺘ ﻐ ﯿ ﺮ ﺗ ﺼ ﺎدﻓ ﯽ از ﺗ ﻮزﯾ ﻌ ﯽ ﺑ ﺎ ﭘ ﺎراﻣ ﺘ ﺮ θﺑ ﻮده و ) (L, Uﯾ ﮏ ﻓ ﺎﺻ ﻠ ﻪ ﺗ ﺼ ﺎدﻓ ﯽ
ﺑﺎﺷﺪ .در اﯾﻦ ﺻﻮرت اﮔﺮ
P(L < θ < U ) = ۱ − α
و ھﻤﭽﻨﯿﻦ ﻣﻘﺪار αﺑﻪ θواﺑﺴﺘﻪ ﻧﺒﺎﺷﺪ آن ﮔﺎه ) (L, Uﯾﮏ ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ﺑﺎ ﺿﺮﯾﺐ اﻃﻤﯿﻨﺎن ) (۱ − αﺑﺮای θ
اﺳﺖ ﮐﻪ آن را ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ) ۱۰۰(۱ − αدرﺻﺪ ﺑﺮای θﻧﯿﺰ ﻣﯽ ﻧﺎﻣﻨﺪ.
ﺗﻮﺟﻪ ﮐﻨﯿﺪ ﮐﻪ ﭘﺎراﻣﺘﺮ ﺟﺎﻣﻌﻪ ،ﻣﻘﺪاری ﻧﺎﻣﻌﻠﻮم و ﺛﺎﺑﺖ اﺳﺖ و از اﯾﻨﺮو ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن )۱۰۰(۱ − α
درﺻﺪ ﺑﺮای θﺑﻪ اﯾﻦ ﻣﻌﻨﯽ اﺳﺖ ﮐﻪ اﮔﺮ ۱۰۰ﺑﺎر ﻧﻤﻮﻧﻪ ﮔﯿﺮی اﻧﺠﺎم ﺷﻮد و ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ) (L, Uرا ﺑﻪ
ازای ﻧﻤﻮﻧﻪ ھﺎ ﺑﺪﺳﺖ آورﯾﻢ ،ﻣﻄﻤﺌﻦ ھﺴﺘﯿﻢ ﮐﻪ ﺗﻌﺪاد ) ۱۰۰(۱ − αاز اﯾﻦ ﻓﻮاﺻﻞ ،ﺷﺎﻣﻞ ﻣﻘﺪار واﻗﻌﯽ θ
اﺳﺖ.
ﺑﺮای ﺑﺪﺳﺖ آوردن ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ) ۱۰۰(۱ − αدرﺻﺪ ﺑﺮای ﭘﺎراﻣﺘﺮ ﻣﺠﻬﻮل ،θﻻزم اﺳﺖ ﻓﺎﺻﻠﻪ ﺗﺼﺎدﻓﯽ
) (L, Uرا ﻃﻮری ﺑﺪﺳﺖ آورﯾﻢ ﮐﻪ
P(L < θ < U ) = ۱ − α
ﺗﻮﺟﻪ ﮐﻨﯿﺪ ﮐﻪ αﻣﻌﻤﻮﻻ ﻃﻮری اﻧﺘﺨﺎب ﻣﯽ ﺷﻮد ﮐﻪ ﺿﺮﯾﺐ اﻃﻤﯿﻨﺎن ۱ − αﺑﺰرگ و ﻧﺰدﯾﮏ ﺑﻪ ﯾﮏ ﺑﺎﺷﺪ.
ﺑ ﺮای ﻣ ﺜ ﺎل ۱ − α = ۰٫ ۹۵و ﯾ ﺎ ۱ − α = ۰٫ ۹۹ﺿ ﺮاﯾ ﺐ اﻃ ﻤ ﯿ ﻨ ﺎﻧ ﯽ ھ ﺴ ﺘ ﻨ ﺪ ﮐ ﻪ اﻏ ﻠ ﺐ ﻣ ﻮرد اﺳ ﺘ ﻔ ﺎده ﻗ ﺮار
ﻣﯽ ﮔﯿﺮﻧﺪ.
٨٧
١.٣.۵ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ﺑﺮای θ = µوﻗﺘﯽ σ ۲ﻣﻌﻠﻮم اﺳﺖ.
ﻓ ﺮض ﮐ ﻨ ﯿ ﺪ X۱ , X۲ , . . . , Xnﯾ ﮏ ﻧ ﻤ ﻮﻧ ﻪ ﺗ ﺼ ﺎدﻓ ﯽ از ﺟ ﺎﻣ ﻌ ﻪ ای ﺑ ﺎ ﺗ ﻮزﯾ ﻊ ﻧ ﺮﻣ ﺎل ،ﻣ ﯿ ﺎﻧ ﮕ ﯿ ﻦ µو وارﯾ ﺎﻧ ﺲ σ ۲
ﺑ ﺎﺷ ﺪ ﺑ ﻪ ﻃ ﻮری ﮐ ﻪ µﻧ ﺎﻣ ﻌ ﻠ ﻮم و σ ۲ﻣ ﻌ ﻠ ﻮم ﺑ ﺎﺷ ﺪ .ﻣ ﯽ ﺧ ﻮاھ ﯿ ﻢ ﻓ ﺎﺻ ﻠ ﻪ اﻃ ﻤ ﯿ ﻨ ﺎن ) ۱۰۰(۱ − αدرﺻ ﺪ ﺑ ﺮای µ
ﺑﺪﺳﺖ آورﯾﻢ .ﭘﺲ ﺑﺎﯾﺪ ﻓﺎﺻﻠﻪ ﺗﺼﺎدﻓﯽ ) (L, Uرا ﻃﻮری ﺗﻌﯿﯿﻦ ﮐﻨﯿﻢ ﮐﻪ
ﻃﺒﻖ ﻣﻄﺎﻟﺐ ﺑﺨﺶ ،١.۵ﻣﯽ داﻧﯿﻢ ﮐﻪ Xﺑﺮآوردﮔﺮ ﻣﻄﻠﻮب ﺑﺮای µاﺳﺖ و ھﻤﭽﻨﯿﻦ ﻃﺒﻖ وﯾﮋﮔﯽ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل،
دارﯾﻢ:
∑۱
n
σ۲
=X Xi ∼ N (µ, )
n n
i=۱
ﺑﻨﺎﺑﺮاﯾﻦ
X −µ
=Z )∼ N (۰, ۱
√σ
n
= Zﯾﮏ ﺗﺎﺑﻊ ﻣﺤﻮر اﺳﺖ .ﺣﺎل ﺑﺎﯾﺪ ﻣﻘﺎدﯾﺮ aو bرا ﻃﻮری ﺗﻌﯿﯿﻦ ﮐﻨﯿﻢ ﮐﻪ .P(a < Z < b) = ۱ − α X−µ
√σ
و
n
اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ ﮐﻪ ﺳﻄﺢ زﯾﺮ ﻣﻨﺤﻨﯽ ﻧﺮﻣﺎل در دو ﻃﺮف ﻧﻘﺎط aو bﺑﺮاﺑﺮ ﺑﺎﺷﺪ ،دارﯾﻢ:
در واﻗﻊ،
α α
= )P(Z > b =⇒ P(Z ≤ b) = ۱ − =⇒ b = z۱− α۲
۲ ۲
α
= )P(Z < a =⇒ a = −b = −z۱− α۲
۲
٨٨
ﺑﺎ ﺟﺎﯾﮕﺬاری در P(a < Z < b) = ۱ − αﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ:
X −µ
< P(−z۱− α۲ < z۱− α۲ ) = ۱ − α
√σ
n
−σ σ
P( √ z۱− α۲ < X − µ < √ z۱− α۲ ) = ۱ − α
n n
σ σ
P(X − √ z۱− α۲ < µ < X + √ z۱− α۲ ) = ۱ − α
n n
| {z } | {z }
L U
σ ۲
L = x − √ z۱− α۲ = ۳ − × ۱٫ ۹۶ = ۱٫ ۹۶۴
n ۳
σ ۲
U = x + √ z۱− α۲ = ۳ + × ۱٫ ۹۶ = ۳٫ ۳۰۶
n ۳
ﭘ ﺲ ) (۱٫ ۹۶۴, ۳٫ ۳۰۶ﯾ ﮏ ﻓ ﺎﺻ ﻠ ﻪ اﻃ ﻤ ﯿ ﻨ ﺎن ٩۵درﺻ ﺪ ﺑ ﺮای µاﺳ ﺖ ﺑ ﺪﯾ ﻦ ﻣ ﻌ ﻨ ﺎ ﮐ ﻪ اﮔ ﺮ ٩٩ﺑ ﺎر دﯾ ﮕ ﺮ ﻧ ﻤ ﻮﻧ ﻪ
ﮔﺮﻓﺘﻪ ﺷﻮد و ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ﺑﺎﻻ ﻣﺤﺎﺳﺒﻪ ﺷﻮد٩۵ ،ﺗﺎ از اﯾﻦ ﻓﻮاﺻﻞ ﻣﻘﺪار واﻗﻌﯽ µرا درﺑﺮﻣﯽ ﮔﯿﺮﻧﺪ.
٨٩
٢.٣.۵ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ﺑﺮای θ = µوﻗﺘﯽ σ ۲ﻧﺎﻣﻌﻠﻮم اﺳﺖ.
ﻓ ﺮض ﮐ ﻨ ﯿ ﺪ X۱ , X۲ , . . . , Xnﯾ ﮏ ﻧ ﻤ ﻮﻧ ﻪ ﺗ ﺼ ﺎدﻓ ﯽ از ﺟ ﺎﻣ ﻌ ﻪ ای ﺑ ﺎ ﺗ ﻮزﯾ ﻊ ﻧ ﺮﻣ ﺎل ﺑ ﺎ ﻣ ﯿ ﺎﻧ ﮕ ﯿ ﻦ µو وارﯾ ﺎﻧ ﺲ σ ۲
ﺑﺎﺷﺪ ﺑﻪ ﻃﻮری ﮐﻪ µو σ ۲ﭘﺎراﻣﺘﺮھﺎی ﻣﺠﻬﻮل ھﺴﺘﻨﺪ .ﻣﯽ ﺧﻮاھﯿﻢ ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ) ۱۰۰(۱ − αدرﺻﺪ ﺑﺮای
µﺑﺪﺳﺖ آورﯾﻢ .ﭘﺲ ﻻزم اﺳﺖ ﻓﺎﺻﻠﻪ ﺗﺼﺎدﻓﯽ ) (L, Uﻃﻮری ﺗﻌﯿﯿﻦ ﺷﻮد ﮐﻪ
∑n ∑n
Sn−ﺑ ﻪ ﺗ ﺮﺗ ﯿ ﺐ ﺑ ﺮآوردﮔ ﺮ ﻣ ﻄ ﻠ ﻮب ﺑ ﺮای
۲
= ۱
۱
n−۱ i=۱ (Xi = Xو − X)۲ ۱
n i=۱ ﺑ ﺎ ﺗ ﻮﺟ ﻪ ﺑ ﻪ اﯾ ﻨ ﮑ ﻪ Xi
ﭘﺎراﻣﺘﺮھﺎی µو σ ۲ھﺴﺘﻨﺪ ،ﻣﯽ ﺧﻮاھﯿﻢ ﺗﺎﺑﻊ ﻣﺤﻮر را ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ دو ﺑﺮآوردﮔﺮ ﺑﺴﺎزﯾﻢ.
= .Zﺣ ﺎل اﮔ ﺮ در راﺑ ﻄ ﻪ Zﺑ ﺎ ﺗ ﻮﺟ ﻪ ﺑ ﻪ X−µ
√σ
ﻃ ﺒ ﻖ وﯾ ﮋﮔ ﯽ ﺗ ﻮزﯾ ﻊ ھ ﺎی اﺣ ﺘ ﻤ ﺎل ،ﻣ ﯽ داﻧ ﯿ ﻢ ﮐ ﻪ )∼ N (۰, ۱
n
زﯾﺮ دارﯾﻢ:
X −µ
= T Sn−۱
√
n
ﮐﻪ دارای ﺗﻮزﯾﻊ ﺗﯽ ﺑﺎ n − ۱درﺟﻪ آزادی اﺳﺖ و آن را ﺑﻪ ﺻﻮرت زﯾﺮ ﻧﻤﺎﯾﺶ ﻣﯽ دھﯿﻢ:
X −µ
= T Sn−۱
)∼ t(n − ۱ )(١-۵
√
n
ﺷﮑﻞ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺗﻮزﯾﻊ ﺗﯽ ،ﻣﺸﺎﺑﻪ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل اﺳﺖ و ﻣﻘﺎدﯾﺮ آن را ﻣﯽ ﺗﻮان ﺑﺎ اﺳﺘﻔﺎده از ﺟﺪول V
ﺑﺮای ﻣﻘﺎدرﯾﺮ ﻣﺨﺘﻠﻒ nو αﺑﺪﺳﺖ آورد .ﻻزم ﺑﻪ ذﮐﺮ اﺳﺖ ﮐﻪ ﺗﻮزﯾﻊ ﺗﯽ ﻣﺸﺎﺑﻪ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل ﻣﺘﻘﺎرن اﺳﺖ.
ﺑ ﺎ ﺗ ﻮﺟ ﻪ ﺑ ﻪ ) ،(١-۵ﺗ ﺎﺑ ﻊ Tﯾ ﮏ ﺗ ﺎﺑ ﻊ ﻣ ﺤ ﻮر اﺳ ﺖ .ﺣ ﺎل ﺑ ﺎﯾ ﺪ ﻣ ﻘ ﺎدﯾ ﺮ aو bرا ﻃ ﻮری ﺗ ﻌ ﯿ ﯿ ﻦ ﮐ ﻨ ﯿ ﻢ ﮐ ﻪ
.P(a < T < b) = ۱ − α
اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ ﮐﻪ ﺳﻄﺢ زﯾﺮ ﻣﻨﺤﻨﯽ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﺗﻮزﯾﻊ ﺗﯽ ﺑﺎ n − ۱درﺟﻪ آزادی ،در دو ﻃﺮف ﻧﻘﺎط aو
bﺑﺮاﺑﺮ ﺑﺎﺷﺪ ،دارﯾﻢ:
٩٠
در واﻗﻊ،
α α
= )P(T > b =⇒ P(T ≤ b) = ۱ − )=⇒ b = t۱− α۲ (n − ۱
۲ ۲
α
= )P(T < a )=⇒ a = −b = −t۱− α۲ (n − ۱
۲
ﺑﺎ ﺟﺎﯾﮕﺬاری در P(a < T < b) = ۱ − αﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ:
X −µ
< )P(−t۱− α۲ (n − ۱ Sn−۱
< t۱− α۲ (n − ۱)) = ۱ − α
√
n
−Sn−۱ Sn−۱
P( √ t۱− α۲ (n − ۱) < X − µ < √ t۱− α۲ (n − ۱)) = ۱ − α
n n
Sn−۱ Sn−۱
P(X − √ t۱− α۲ (n − ۱) < µ < X + √ t۱− α۲ (n − ۱)) = ۱ − α
n n
| {z } | {z }
L U
ﻣﺜﺎل .١٢-۵ﯾﮏ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ ١۵ﺗﺎﯾﯽ از ﯾﮏ ﺟﻤﻌﯿﺖ ﺑﺎ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل اﻧﺘﺨﺎب ﺷﺪه و ﻧﺘﺎﯾﺞ زﯾﺮ ﺑﺪﺳﺖ آﻣﺪه
اﺳﺖ .ﯾﮏ ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ٩٩درﺻﺪ ﺑﺮای µﺑﺪﺳﺖ آورﯾﺪ.
∑ ۱
۱۵
۱۴۷٫ ۹
=x = xi = ۹٫ ۸۶
۱۵ i=۱ ۱۵
۱ ∑
n
∑ ۱
۱۵
۲
Sn−= ۱ = (xi − x)۲ (x − ۹٫ ۸۶)۲ = ۱۱٫ ۶۲
n−۱
i=۱
۱۴ i=۱ i
α α
⇒= ۱ − α = ۰٫ ۹۹ =⇒ α = ۰٫ ۰۱ = ۰٫ ۰۰۵ =⇒ ۱ − = ۰٫ ۹۹۵
۲ ۲
=⇒ t۱− α۲ (n − ۱) = t۰٫۹۹۵ (۱۴) = ۲٫ ۹۸
٩١
ﻣﯽ داﻧﯿﻢ ﮐﻪ ھﺮﮔﺎه σ ۲ﻧﺎﻣﻌﻠﻮم ﺑﺎﺷﺪ ،(X − S√n−n۱ t۱− α۲ (n − ۱), X + S√n−n۱ t۱− α۲ (n − ۱)) ،ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن
) ۱۰۰(۱ − αدرﺻﺪ ﺑﺮای µاﺳﺖ .ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ
∑n
Sn−ﺑ ﺮآوردﮔ ﺮ ﻧ ﻘ ﻄ ﻪ ای ﻣ ﻄ ﻠ ﻮب ﺑ ﺮای ﭘ ﺎراﻣ ﺘ ﺮ σ ۲اﺳ ﺖ ،ﺗ ﺎﺑ ﻊ ﻣ ﺤ ﻮر را ﺑ ﺎ
۲
= ۱ n−۱
۱
i=۱ (xi ﭼ ﻮن − x)۲
Sn−ﻣﯽ ﺳﺎزﯾﻢ.
۲
اﺳﺘﻔﺎده از ۱
(n − ۱)Sn−
۲
۱
= Y ∼ χ۲ (n − ۱).
σ۲
ﭘ ﺲ Yﯾ ﮏ ﺗ ﺎﺑ ﻊ ﻣ ﺤ ﻮر اﺳ ﺖ .ﺣ ﺎل ﺑ ﺎﯾ ﺪ ﻣ ﻘ ﺎدﯾ ﺮ aو bرا ﻃ ﻮری ﺗ ﻌ ﯿ ﯿ ﻦ ﮐ ﻨ ﯿ ﻢ ﮐ ﻪ .P(a < Y < b) = ۱ − α
اﮔﺮ ﺳﻄﺢ زﯾﺮ ﻣﻨﺤﻨﯽ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﻣﺮﺑﻊ-ﮐﺎی در دو ﻃﺮف ﻧﻘﺎط aو bرا ﺑﺮاﺑﺮ درﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ دارﯾﻢ:
ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ دارﯾﻢ:
α α
= )P(Y > b =⇒ P(Y ≤ b) = ۱ − )=⇒ b = χ۲۱− α (n − ۱
۲ ۲ ۲
α
= )P(Y < a )=⇒ a = χ۲α (n − ۱
۲ ۲
ﻣ ﻘ ﺎدﯾ ﺮ ﺗ ﻮزﯾ ﻊ اﺣ ﺘ ﻤ ﺎل ﻣ ﺮﺑ ﻊ ﮐ ﺎی ﺑ ﺮای ھ ﺮ درﺟ ﻪ آزادی و ﻣ ﻘ ﺎدﯾ ﺮ αﻣ ﺘ ﻔ ﺎوت ،در ﺟ ﺪول IVوﺟ ﻮد دارد .ﺑ ﺎ
٩٢
ﺟﺎﯾﮕﺬاری در P(a < Y < b) = ۱ − αﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ:
( )
(n − ۱)Sn−
۲
۱
< )P χ α (n − ۱
۲
< χ۱− α (n − ۱) = ۱ − α
۲
۲ σ۲ ۲
(n − ۱)S ۲ (n − ۱)Sn− ۲
n−۱ ۱
=⇒P ۲ ۲
<σ < ۲ =۱−α
) χ۱− α (n − ۱ χ α (n − ۱)
| ۲
{z } | ۲
{z }
L U
( )
۲
(n−۱)Sn− ۲
(n−۱)Sn−
ﻓ ﺎﺻ ﻠ ﻪ )χ۲α (n−۱
۱
, χ۲ ۱
)(n−۱
واﺿ ﺢ اﺳ ﺖ ﮐ ﻪ ) (L, Uﺑ ﺪﺳ ﺖ آﻣ ﺪه ﯾ ﮏ ﻓ ﺎﺻ ﻠ ﻪ ﺗ ﺼ ﺎدﻓ ﯽ اﺳ ﺖ ﭘ ﺲ
۲ ۱− α
۲
اﻃﻤﯿﻨﺎن ) ۱۰۰(۱ − αدرﺻﺪ ﺑﺮای σ ۲اﺳﺖ.
ﻣﺜﺎل .١٣-۵در ﻣﺜﺎل ١٢-۵ﯾﮏ ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ٩٩درﺻﺪ ﺑﺮای σ ۲ﺑﺪﺳﺖ آورﯾﺪ.
.Sn−ھﻤﭽﻨﯿﻦ دارﯾﻢ:
۲
ﺣﻞ :از ﻣﺜﺎل ١٢-۵ﺑﺪﺳﺖ آوردﯾﻢ x = ۹٫ ۸۶ :و ۱ = ۱۱٫ ۶۲
α
⇒= ۱ − α = ۰٫ ۹۹ =⇒ α = ۰٫ ۰۱ = ۰٫ ۰۰۵ =⇒ χ۲α (n − ۱) = χ۲۰٫۰۰۵ (۱۴) = ۴٫ ۰۷
۲ ۲
α
۱− = ۰٫ ۹۹۵ =⇒ χ۲۱− α (n − ۱) = χ۲۰٫۹۹۵ (۱۴) = ۳۱٫ ۳
۲ ۲
( )
۲
(n−۱)Sn− ۲
(n−۱)Sn−
اﺳﺖ .ﭘﺲ σ۲ ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ) ۱۰۰(۱ − αدرﺻﺪ ﺑﺮای ۱
)χ۲۱− α (n−۱
, )χ۲α (n−۱
۱
ﻣﯽ داﻧﯿﻢ ﮐﻪ
۲ ۲
(n − ۱)Sn−۲
۱ ۱۴ × ۱۱٫ ۶۲
=L = = ۵٫ ۱۹۷
)χ۱− α (n − ۱
۲ ۳۱٫ ۳
۲
(n − ۱)Sn−۲
۱ ۱۴ × ۱۱٫ ۶۲
=U = = ۳۹٫ ۹۷
)χ α (n − ۱
۲ ۴٫ ۰۷
۲
٩٣
۴.٣.۵ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ﺑﺮای ﻧﺴﺒﺖ ﻣﻮﻓﻘﯿﺖ در ﯾﮏ ﺟﺎﻣﻌﻪ
ﻓﺮض ﮐﻨﯿﺪ X۱ , X۲ , . . . , Xnﯾﮏ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ از ﺟﺎﻣﻌﻪ ای ﺑﺎ ﺗﻮزﯾﻊ ﺑﺮﻧﻮﻟﯽ ﺑﺎ ﭘﺎراﻣﺘﺮ pﺑﺎﺷﺪ .ﻣﯽ ﺧﻮاھﯿﻢ
ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ) ۱۰۰(۱ − αدرﺻﺪ ﺑﺮای pﺑﺪﺳﺖ آورﯾ ﻢ .ﭘﺲ ﺑﺎﯾﺪ ﻓﺎﺻﻠﻪ ﺗﺼﺎدﻓﯽ ) (L, Uرا ﻃﻮری ﺗﻌﯿﯿﻦ
ﮐﻨ ﯿ ﻢ ﮐ ﻪ
P(L < p < U ) = ۱ − α
٩۴
ﮐ ﻪ Znﻧ ﯿ ﺰ دارای ﺗ ﻮزﯾ ﻊ ﺗ ﻘ ﺮﯾ ﺒ ﯽ ﻧ ﺮﻣ ﺎل اﺳ ﺘ ﺎﻧ ﺪارد اﺳ ﺖ و ﻣ ﯽ ﺗ ﻮان از آن ﺑ ﺠ ﺎی ﺗ ﺎﺑ ﻊ ﻣ ﺤ ﻮر Zاﺳ ﺘ ﻔ ﺎده ﮐ ﺮد.
ﺑﻨﺎﺑﺮاﯾﻦ از P(a < Zn < b) = ۱ − αدارﯾﻢ:
pn − p
√ < P −z۱− α۲ < z۱− α۲ = ۱ − α
) pn (۱−pn
n
√ √
) pn ( ۱ − pn pn (۱ − pn )
P
pn − z۱− ۲
α < p < pn + z۱− α۲ =۱−α
| {z n } | {z n }
L U
t ۱۶۰
n = ۵۰۰, = pn = = ۰٫ ۳۲
n ۵۰۰
α
۱ − α = ۰٫ ۹۵ =⇒ α = ۰٫ ۰۵ =⇒ ۱ − = ۰٫ ۹۷۵ =⇒ z۱− α۲ = z۰٫۹۷۵ = ۱٫ ۹۶
۲
ﺑﻨﺎﺑﺮاﯾﻦ
√ √
) pn (۱ − pn ۰٫ ۳۲ × ۰٫ ۶۸
L = pn − z۱− α۲ = ۰٫ ۳۲ − ۱٫ ۹۶ = ۰٫ ۲۸
√ n √ ۵۰۰
) pn (۱ − pn ۰٫ ۳۲ × ۰٫ ۶۸
U = pn + z۱− α۲ = ۰٫ ۳۲ + ۱٫ ۹۶ = ۰٫ ۳۶
n ۵۰۰
و ) (۰٫ ۲۸, ۰٫ ۳۶ﯾﮏ ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ٩۵درﺻﺪ ﺑﺮای pاﺳﺖ.
٩۵
۴.۵ﺑﺮآورد ﻓﺎﺻﻠﻪ ای ﺑﺮای ﭘﺎراﻣﺘﺮھﺎﯾﯽ از دو ﺟﺎﻣﻌﻪ
ھ ﻤ ﺎﻧ ﻄ ﻮر ﮐ ﻪ در ﺑ ﺨ ﺶ ٢.۵ﻧ ﯿ ﺰ ﻣ ﻄ ﺮح ﺷ ﺪ ،ﺑ ﺮای ﺷ ﻨ ﺎﺧ ﺖ ﯾ ﮏ ﺟ ﺎﻣ ﻌ ﻪ آﻣ ﺎری ،ﻣ ﯽ ﺗ ﻮان آن را ﺑ ﺎ ﺟ ﻮاﻣ ﻊ دﯾ ﮕ ﺮ
ﻣ ﻘ ﺎﯾ ﺴ ﻪ ﮐ ﺮد .ﻣ ﻨ ﻈ ﻮر از ﻣ ﻘ ﺎﯾ ﺴ ﻪ دو ﺟ ﺎﻣ ﻌ ﻪ ،ﻣ ﻘ ﺎﯾ ﺴ ﻪ ﭘ ﺎراﻣ ﺘ ﺮھ ﺎی ﺗ ﻮزﯾ ﻊ آن ھ ﺎ اﺳ ﺖ .ﻣ ﺸ ﺎﺑ ﻪ ﺑ ﺮآورد ﻧ ﻘ ﻄ ﻪ ای
ﭘﺎراﻣﺘﺮھﺎی دو ﺟﺎﻣﻌﻪ ،در اﯾﻦ ﺑﺨﺶ ﺑﻪ ﺑﺮآورد ﻓﺎﺻﻠﻪ ای اﯾﻦ ﭘﺎراﻣﺘﺮھﺎ ﻣﯽ ﭘﺮدازﯾﻢ.
٩۶
ﺑﺮای ﺑﺮآوردﯾﺎﺑﯽ اﺑﺘﺪا از ھﺮ ﺟﺎﻣﻌﻪ ﯾﮏ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﯽ ﮔﯿﺮﯾﻢ
ﺑﺮای ﻣﺤﺎﺳﺒﻪ ﺑﺮآورد ﻓﺎﺻﻠﻪ ای ،ﺣﺎﻟﺖ ھﺎی ﻣﺘﻔﺎوﺗﯽ ﻣﻤﮑﻦ اﺳﺖ اﺗﻔﺎق ﺑﺎﻓﺘﺪ.
σ۱۲ σ۲۲
X − Y ∼ N (µ۱ − µ۲ , ) +
n m
و ﺑﻨﺎﺑﺮاﯾﻦ
) X − Y − (µ۱ − µ۲
=Z √ ∼ N (۰, ۱). )(٢-۵
σ۱۲ σ۲۲
n
+ m
٩٧
ﭘﺲ ﺑﺎ ﺟﺎﯾﮕﺬاری در P(a < Z < b) = ۱ − αﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ:
) X − Y − (µ۱ − µ۲
< P(−z۱− α۲ √ < z۱− α۲ ) = ۱ − α
σ۱۲ σ۲۲
n
+ m
√ √
σ۱۲ σ۲۲ σ۱۲ σ۲۲
P(−z۱− α۲ + < X − Y − (µ۱ − µ۲ ) < z۱− α۲ + )=۱−α
√ n m n √m
σ۱۲ σ۲۲ σ۱۲ σ۲۲
P(X − Y − z۱− α۲ + < µ۱ − µ۲ < X − Y + z۱− α۲ + )=۱−α
| {z n }m | {z n }m
L U
√
σ۱۲ σ۲۲
(X − Y ± z۱− ۲ﻓ ﺎﺻ ﻠ ﻪ اﻃ ﻤ ﯿ ﻨ ﺎن ) ۱۰۰(۱ − αدرﺻ ﺪ ﺑ ﺮای θ = µ۱ − µ۲اﺳ ﺖ α
n
+ m
) و ﺑ ﻨ ﺎﺑ ﺮاﯾ ﻦ
ھﺮﮔﺎه σ۱۲و σ۲۲ﻣﻌﻠﻮم ﺑﺎﺷﻨﺪ.
σ۱۲
= θوﻗﺘﯽ ﻣﯿﺎﻧﮕﯿﻦ ھﺎ ﻧﺎﻣﻌﻠﻮم ھﺴﺘﻨﺪ σ۲۲
ﺑﺮآورد ﻓﺎﺻﻠﻪ ای ﺑﺮای
ﺑﺮای ﯾﺎدآوری ،ﻓﺮض ﮐﻨﯿﺪ دو ﺟﺎﻣﻌﻪ ﻧﺮﻣﺎل ﻣﺴﺘﻘﻞ ﺑﻪ ﺻﻮرت زﯾﺮ دارﯾﻢ:
ﻣﻄﻠﻮب ﺑﺮای σ۱۲و σ۲۲ھﺴﺘﻨﺪ ﭘﺲ ﺳﻌﯽ ﻣﯽ ﮐﻨﯿﻢ ﺗﺎﺑﻊ ﻣﺤﻮر را ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ دو ﺑﺮآوردﮔﺮ ﺑﺴﺎزﯾﻢ .ﻣﯽ داﻧﯿﻢ:
(n − ۱)S۱۲ (m − ۱)S۲۲
)∼ χ۲ (n − ۱ , )∼ χ۲ (m − ۱
σ۱۲ σ۲۲
ﺑ ﺎ ﺗ ﻮﺟ ﻪ ﺑ ﻪ اﯾ ﻨ ﮑ ﻪ دو ﺟ ﺎﻣ ﻌ ﻪ ﻧ ﺮﻣ ﺎل درﻧ ﻈ ﺮ ﮔ ﺮﻓ ﺘ ﻪ ﺷ ﺪه ،ﻣ ﺴ ﺘ ﻘ ﻞ ھ ﺴ ﺘ ﻨ ﺪ ﭘ ﺲ ﻃ ﺒ ﻖ وﯾ ﮋﮔ ﯽ ﺗ ﻮزﯾ ﻊ ھ ﺎی اﺣ ﺘ ﻤ ﺎل،
S۲۲ /σ۲۲
= Tﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ از ﺗﻮزﯾﻌﯽ ﺗﺤﺖ ﻋﻨﻮان اف ﺑﺎ درﺟﺎت آزادی ) (m − ۱, n − ۱اﺳﺖ ﮐﻪ آن را S۱۲ /σ۱۲
٩٨
ﻣ ﻨ ﺤ ﻨ ﯽ ﭼ ﮕ ﺎﻟ ﯽ اف ﺑ ﺎ درﺟ ﺎت آزادی ) (v۱ , v۲ﻣ ﺸ ﺎﺑ ﻪ ﭼ ﮕ ﺎﻟ ﯽ ﻣ ﺮﺑ ﻊ-ﮐ ﺎی دارای ﭼ ﻮﻟ ﮕ ﯽ اﺳ ﺖ و ﻣ ﻘ ﺎدﯾ ﺮ ﺗ ﺎﺑ ﻊ
ﺗﻮزﯾﻊ آن در ﻧﻘﺎط ﻣﺨﺘﻠﻒ ﺑﻪ ازای v۲ ،v۱و ﺑﺮﺧﯽ ﻣﻘﺎدﯾﺮ αدر ﺟﺪول VIﭘﯿﻮﺳﺖ اراﺋﻪ ﺷﺪه اﺳﺖ.
S۲۲ ×σ۱۲
= Tﺑﻪ ﭘﺎراﻣﺘﺮھﺎی ﺟﺎﻣﻌﻪ واﺑﺴﺘﻪ ﻧﯿﺴﺖ ﭘﺲ Tﯾﮏ ﺗﺎﺑﻊ S۱۲ ×σ۲۲
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ ﺗﻮزﯾﻊ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
ﻣﺤﻮر اﺳﺖ .ﺣﺎل ﻻزم اﺳﺖ ﻣﻘﺎدﯾﺮ aو bﻃﻮری ﺑﺪﺳﺖ آﯾﻨﺪ ﮐﻪ .P(a < T < b) = ۱ − α
اﮔﺮ ﻓﺮض ﮐﻨﯿﻢ ﮐﻪ ﺳﻄﺢ زﯾﺮ ﻣﻨﺤﻨﯽ ﭼﮕﺎﻟﯽ ﺗﻮزﯾﻊ اف در دو ﻃﺮف ﻧﻘﺎط aو bﺑﺮاﺑﺮ ﺑﺎﺷﺪ ،آن ﮔﺎه دارﯾﻢ:
درواﻗﻊ،
α α
= )P(T ≥ b =⇒ P(T < b) = ۱ − )=⇒ b = F۱− α۲ (m − ۱, n − ۱
۲ ۲
α
= )P(T ≤ a )=⇒ a = F α۲ (m − ۱, n − ۱
۲
ﺑﺎ ﺟﺎﯾﮕﺬاری در P(a < T < b) = ۱ − αﺑﺪﺳﺖ ﻣﯽ آورﯾﻢ:
( )
S۲۲ × σ۱۲
P F α۲ (m − ۱, n − ۱) < ۲ < F۱− α۲ (m − ۱, n − ۱) = ۱ − α
S۱ × σ۲۲
S۱۲ σ۱۲ S۱۲
P F ۲ (m − ۱, n − ۱) × ۲ < ۲ < F۱− ۲ (m − ۱, n − ۱) × ۲
=۱−α
S۲
α α
S۲ σ۲
| {z } | {z }
L U
S۱۲ S۲
( ﻓ ﺎﺻ ﻠ ﻪ اﻃ ﻤ ﯿ ﻨ ﺎن ) ۱۰۰(۱ − αدرﺻ ﺪ S۲۲
ﭘ ﺲ ))× F α۲ (m − ۱, n − ۱), S۱۲ × F۱− α۲ (m − ۱, n − ۱
۲
σ۱۲
= θاﺳﺖ. σ۲۲
ﺑﺮای
⋆ ﺗ ﻮﺟ ﻪ ﮐ ﻨ ﯿ ﺪ ﮐ ﻪ ﻃ ﺒ ﻖ وﯾ ﮋﮔ ﯽ ﺗ ﻮزﯾ ﻊ اف ،ﺑ ﺮای ﺑ ﺪﺳ ﺖ آوردن ) Fα (v۱ , v۲ﻣ ﯽ ﺗ ﻮان از ) F۱−α (v۲ , v۱
ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺘﻔﺎده ﮐﺮد:
۱
= ) Fα (v۱ , v۲
) F۱−α (v۲ , v۱
ﺑﻨﺎﺑﺮاﯾﻦ دارﯾﻢ:
۱
= )F α۲ (m − ۱, n − ۱ .
)F۱− α۲ (n − ۱, m − ۱
٩٩
σ۱۲
ﺑﺪﺳﺖ آورﯾﺪ. σ۲۲
ﻣﺜﺎل .١۵-۵در ﻣﺜﺎل ،٧-۵ﯾﮏ ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ٩٠درﺻﺪ ﺑﺮای
ﺣﻞ :ﻃﺒﻖ ﻣﺜﺎل ٧-۵دارﯾﻢ:
∑۱ ∑۱
۸ ۸
۸۰
n = ۸, =x = xi = ۱۰, = S۱۲ (xi − x)۲ = ۸
۸ i=۱ ۸ ۷ i=۱
∑۱ ∑۱
۹ ۹
۸۱
m = ۹, =y = yi = ۹, S۲۲ = (y − y)۲ = ۳۰
۹ i=۱ ۹ ۸ i=۱ i
α α
⇒= ۱ − α = ۰٫ ۹ =⇒ α = ۰٫ ۱ = ۰٫ ۰۵ =⇒ ۱ − = ۰٫ ۹۵
۲ ۲
F − ۱, n − ۱) = F۰٫۹۵ (۸, ۷) = ۳٫ ۷۳
۱− α۲ (m
⇒=
= ) F α (m − ۱, n − ۱) = F۰٫۰۵ (۸, ۷ ۱
= ۱
= ۰٫ ۲۹
۲ )F۰٫۹۵ (۷,۸ ۳٫۵
و ﺑﻨﺎﺑﺮاﯾﻦ
S۱۲ ۸
=L ۲
= )× F α۲ (m − ۱, n − ۱ × ۰٫ ۲۹ = ۰٫ ۰۷۷
S۲ ۳۰
S۲ ۸
= )U = ۱۲ × F۱− α۲ (m − ۱, n − ۱ × ۳٫ ۷۳ = ۰٫ ۹۹۵
S۲ ۳۰
σ۱۲
= θاﺳﺖ. σ۲۲
ﭘﺲ ) (۰٫ ۰۷۷, ۰٫ ۹۹۵ﯾﮏ ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ٩٠درﺻﺪ ﺑﺮای
) X۱ , X۲ , . . . , XN ∼ Be(PN
) Y۱ , Y۲ , . . . , YM ∼ Be(PM
) X۱ , X۲ , . . . , Xn ∼ Be(PN
) Y۱ , Y۲ , . . . , Ym ∼ Be(PM
١٠٠
ﻣﯽ ﺧﻮاھﯿﻢ ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ) ۱۰۰(۱ − αدرﺻﺪ ﺑﺮای PN − PMﺑﺪﺳﺖ آورﯾﻢ ﭘﺲ ﻓﺎﺻﻠﻪ ﺗﺼﺎدﻓﯽ ) (L, Uرا
ﻃﻮری ﺗﻌﯿﯿﻦ ﻣﯽ ﮐﻨﯿﻢ ﮐﻪ
P(L < PN − PM < U ) = ۱ − α.
ﺑﻨﺎﺑﺮاﯾﻦ
) Pn − Pm − (PN − PM
√ =Z )∼ N (۰, ۱
) Pn (۱−Pn ) Pm (۱−Pm
n
+ m
١٠١
ﻣﺜﺎل .١۶-۵ﻓﺮض ﮐﻨﯿﺪ در ﯾﮏ ﻧﻈﺮﺳﻨﺠﯽ P۱ ،و P۲ﺑﻪ ﺗﺮﺗﯿﺐ ﻧﺸﺎن دھﻨﺪه ﻧﺴﺒﺖ آرای ﻣﻮاﻓﻖ در دو ﺣﻮزه
رای ﮔﯿﺮی ﺷﻤﺎره ھﺎی ١و ٢ﺑﺎﺷﺪ .آرای دو ﺣﻮزه ﻣﺴﺘﻘﻞ ﺑﻮده و ﻧﻤﻮﻧﻪ ھﺎی ﺑﻪ دﺳﺖ آﻣﺪه از آن ھﺎ ﺑﻪ ﺻﻮرت
زﯾﺮ اﺳﺖ:
ﺣﻮزه ﺷﻤﺎره ١٨٠ :١ﻧﻔﺮ ﻣﻮاﻓﻖ و ١٠٠ﻧﻔﺮ ﻣﺨﺎﻟﻒ
ﺣﻮزه ﺷﻤﺎره ٢٠١ :٢ﻧﻔﺮ ﻣﻮاﻓﻖ و ١۶٠ﻣﺨﺎﻟﻒ
ﯾﮏ ﻓﺎﺻﻠﻪ اﻃﻤﯿﻨﺎن ٩٠درﺻﺪی ﺑﺮای P۱ − P۲ﺑﺪﺳﺖ آورﯾﺪ.
ﺣﻞ :ﻣﺘﻐﯿﺮھﺎی ﺗﺼﺎدﻓﯽ Xو Yرا ﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽ ﮐﻨﯿﻢ:
ﻣﻮاﻓﻖ ﺑﻮدن ﯾﺎ ﻧﺒﻮدن ﯾﮏ ﻧﻔﺮ در ﺣﻮزه ﺷﻤﺎره X :١
ﻣﻮاﻓﻖ ﺑﻮدن ﯾﺎ ﻧﺒﻮدن ﯾﮏ ﻧﻔﺮ در ﺣﻮزه ﺷﻤﺎره Y :٢
ﻣ ﯽ داﻧ ﯿ ﻢ ﮐ ﻪ ) X ∼ Be(P۱و ) .Y ∼ Be(P۲ھ ﻤ ﭽ ﻨ ﯿ ﻦ ﻣ ﯽ داﻧ ﯿ ﻢ ﮐ ﻪ ﺗ ﻔ ﺎﺿ ﻞ ﻧ ﺴ ﺒ ﺖ ﻣ ﻮﻓ ﻘ ﯿ ﺖ در دو ﻧ ﻤ ﻮﻧ ﻪ،
ﺑﺮآوردﮔﺮ ﻣﻄﻠﻮب ﺑﺮای ﺗﻔﺎﺿﻞ ﻧﺴﺒﺖ ﻣﻮﻓﻘﯿﺖ در دو ﺟﺎﻣﻌﻪ اﺳﺖ .ﻃﺒﻖ داده ھﺎی ﺳﻮال دارﯾﻢ:
α
۱ − α = ۰٫ ۹ =⇒ α = ۰٫ ۱ =⇒ ۱ − = ۰٫ ۹۵ =⇒ z۰٫۹۵ = ۱٫ ۶۴۵
۲
۱۸۰ ۲۰۱
n = ۲۸۰, = Pn = ۰٫ ۶۴, m = ۳۶۱, = Pm = ۰٫ ۵۶
۲۸۰ ۳۶۱
ﺑﻨﺎﺑﺮاﯾﻦ
√
) Pn (۱ − Pn ) Pm (۱ − Pm
L = Pn − Pm − z۱− α۲ +
√n m
۰٫ ۶۴ × ۰٫ ۳۶ ۰٫ ۵۶ × ۰٫ ۴۴
× = ۰٫ ۶۴ − ۰٫ ۵۶ − ۱٫ ۶۴۵ +
۲۸۰ ۳۶۱
= −۰٫ ۰۸ − ۰٫ ۰۶۴ = −۰٫ ۱۴۴
√
) Pn (۱ − Pn ) Pm (۱ − Pm
U = Pn − Pm − z۱− α۲ +
√n m
۰٫ ۶۴ × ۰٫ ۳۶ ۰٫ ۵۶ × ۰٫ ۴۴
× = ۰٫ ۶۴ − ۰٫ ۵۶ + ۱٫ ۶۴۵ +
۲۸۰ ۳۶۱
= −۰٫ ۰۸ + ۰٫ ۰۶۴ = −۰٫ ۰۱۶
١٠٢
۵.۵آزﻣﻮن ﻓﺮض ھﺎی آﻣﺎری
در اﺳﺘﻨﺒﺎط آﻣﺎری ،ھﺪف ﺷﻨﺎﺧﺖ ﺟﺎﻣﻌﻪ آﻣﺎری اﺳﺖ .ﯾﮑﯽ از روش ھﺎی ﺷﻨﺎﺧﺖ ﯾﮏ ﺟﺎﻣﻌﻪ آﻣﺎری ﺑﺮرﺳﯽ
ادﻋﺎھﺎﯾﯽ اﺳﺖ ﮐﻪ ﭘﯿﺮاﻣﻮن آن ﺟﺎﻣﻌﻪ ﻣﻄﺮح ﻣﯽ ﮔﺮدد.
ﺑﺮای روﺷﻦ ﺷﺪن ﻣﻮﺿﻮع ،ﻓﺮض ﮐﻨﯿﺪ آزﻣﺎﯾﺸﯽ ﻧﺸﺎن داده ﮐﻪ ﻣﯿﺰان ﻣﻮﺛﺮ ﺑﻮدن ﻧﻮﻋﯽ داروی اﺳﺘﺎﻧﺪارد روی
ﯾ ﮏ ﺑ ﯿ ﻤ ﺎری ﺑ ﺨ ﺼ ﻮص ۶٠ ،درﺻ ﺪ اﺳ ﺖ .ﯾ ﮏ داروﺳ ﺎز ادﻋ ﺎ ﻣ ﯽ ﮐ ﻨ ﺪ ﮐ ﻪ اﺛ ﺮ داروی ﺟ ﺪﯾ ﺪی ﮐ ﻪ او ﺳ ﺎﺧ ﺘ ﻪ اﺳ ﺖ
ﺑﯿﺸﺘﺮ از داروی اﺳﺘﺎﻧﺪارد ﻣﯽ ﺑﺎﺷﺪ .اﯾﻦ ادﻋﺎ ﯾﮏ ﻓﺮض آﻣﺎری اﺳﺖ.
ﺣﺎل ﺑﺮای اﯾﻨﮑﻪ اﯾﻦ داروﺳﺎز را ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار دھﯿﻢ ﺑﺎﯾﺪ اﯾﻦ دارو را روی ﺟﺎﻣﻌﻪ آﻣﺎری ﻣﻮردﻧﻈﺮ ،ﯾﻌﻨﯽ
ﺑﯿﻤﺎران ،آزﻣﺎﯾﺶ ﮐﻨﯿﻢ و ﻧﺘﺎﯾﺞ را ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار دھﯿﻢ .اﻣﺎ آزﻣﺎﯾﺶ اﯾﻦ دارو ﺑﺮ روی ﺗﻤﺎم ﺑﯿﻤﺎران ﺟﺎﻣﻌﻪ ﮐﺎر
ﻋﺎﻗﻼﻧﻪ ای ﻧﯿﺴﺖ و ﺑﺎﯾﺪ دارو را ﺑﺮ روی ﺗﻌﺪادی از اﻓﺮاد ﺟﺎﻣﻌﻪ آزﻣﺎﯾﺶ ﮐﻨﯿﻢ ﮐﻪ اﯾﻦ ﺗﻌﺪاد اﻓﺮاد ھﻤﺎن ﻧﻤﻮﻧﻪ ﻣﺎ
را ﺗﺸﮑﯿﻞ ﻣﯽ دھﻨﺪ .ﺑﻨﺎﺑﺮاﯾﻦ ﻓﺮض ﮐﻨﯿﺪ ﮐﻪ اﯾﻦ دارو را روی ٢٠ﺑﯿﻤﺎر آزﻣﺎﯾﺶ ﮐﻨﯿﻢ و ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا
ﺑﺮاﺑﺮ ﺑﺎ ﺗﻌﺪاد ﺑﯿﻤﺎراﻧﯽ در ﺑﯿﻦ اﯾﻦ ٢٠ﻧﻔﺮ درﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ ﮐﻪ ﺗﻮﺳﻂ داروی ﺟﺪﯾﺪ ﺑﻬﺒﻮد ﯾﺎﻓﺘﻪ اﻧﺪ .در اﯾﻦ ﺻﻮرت
١٠٣
ﺑ ﺮای ﺗ ﺼ ﻤ ﯿ ﻢ ﮔ ﯿ ﺮی راﺟ ﻊ ﺑ ﻪ ادﻋ ﺎ ﯾ ﺎ ﻋ ﮑ ﺲ ادﻋ ﺎ ،ﺑ ﺎﯾ ﺪ ﻧ ﺎﺣ ﯿ ﻪ ﺑ ﺤ ﺮاﻧ ﯽ داده ﺷ ﺪه در ﺟ ﺪاول آزﻣ ﻮن ھ ﺎ را ﺑ ﺮ
اﺳﺎس اﻃﻼﻋﺎت ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ ﺑﺪﺳﺖ آورد.
• اﮔﺮ ﻧﺎﻣﺴﺎوی در ﻧﺎﺣﯿﻪ ﺑﺤﺮاﻧﯽ درﺳﺖ ﺑﻮدن آن ﮔﺎه ﻓﺮض H۰را رد ﻣﯽ ﮐﻨﯿﻢ و
• اﮔ ﺮ ﻧ ﺎﻣ ﺴ ﺎوی در ﻧ ﺎﺣ ﯿ ﻪ ﺑ ﺤ ﺮاﻧ ﯽ درﺳ ﺖ ﻧ ﺒ ﻮد آن ﮔ ﺎه ﻓ ﺮض H۰را رد ﻧ ﻤ ﯽ ﮐ ﻨ ﯿ ﻢ و ادﻋ ﺎی ﻣ ﻄ ﺮح ﺷ ﺪه را رد
ﻣﯽ ﮐﻨﯿﻢ.
ﺑﻄﻮر ﮐﻠﯽ ﻧﺎﺣﯿﻪ ﺑﺤﺮاﻧﯽ آزﻣﻮن ﻓﺮض ھﺎی آﻣﺎری ﻣﺨﺘﻠﻒ را ﻣﯽ ﺗﻮان ﺑﻪ ﺻﻮرت زﯾﺮ ﺑﺪﺳﺖ آورد:
.Aآزﻣﻮن ﻣﯿﺎﻧﮕﯿﻦ وﻗﺘﯽ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ از ﺗﻮزﯾﻊ ) N (µ, σ ۲ﺑﻮده و σ ۲ﻣﻌﻠﻮم اﺳﺖ.
H : µ = µ۰ σ
۰
} √ =⇒ C = {(X۱ , X۲ , . . . , Xn ) : X > µ۰ + z۱−α
H۱ : µ > µ۰ n
H : µ = µ۰ σ
۰
} √ =⇒ C = {(X۱ , X۲ , . . . , Xn ) : X > µ۰ − z۱−α
H۱ : µ < µ۰ n
X > µ۰ + z۱− α۲ √n
σ
H :
۰ µ = µ۰
=⇒ C = {(X۱ , X۲ , . . . , Xn ) : or }
H : µ ̸= µ۰
۱
X < µ۰ − z۱− α √σ
۲ n
.Bآزﻣﻮن ﻣﯿﺎﻧﮕﯿﻦ وﻗﺘﯽ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ از ﺗﻮزﯾﻊ ) N (µ, σ ۲ﺑﻮده و σ ۲ﻧﺎﻣﻌﻠﻮم اﺳﺖ.
H : µ = µ۰ Sn−۱
۰
} √ )=⇒ C = {(X۱ , X۲ , . . . , Xn ) : X > µ۰ + t۱−α (n − ۱
H۱ : µ > µ۰ n
H : µ = µ۰ Sn−۱
۰
} √ )=⇒ C = {(X۱ , X۲ , . . . , Xn ) : X < µ۰ − t۱−α (n − ۱
H۱ : µ < µ۰ n
Sn−۱
X > µ۰ + t۱− ۲ (n − ۱) n
√
H :
α
۰ µ = µ۰
=⇒ C = {(X۱ , X۲ , . . . , Xn ) : or }
H : µ ̸= µ۰
۱
X < µ۰ − t۱− α (n − ۱) S√n−۱
۲ n
١٠۴
.Cآزﻣﻮن وارﯾﺎﻧﺲ وﻗﺘﯽ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ از ﺗﻮزﯾﻊ ) N (µ, σ ۲ﺑﻮده و µﻧﺎﻣﻌﻠﻮم اﺳﺖ.
H : σ ۲ = σ۰۲ σ۰۲
۰
=⇒ C = {(X۱ , X۲ , . . . , Xn ) : Sn−
۲
)۱ > χ۱−α (n − ۱
۲
}
H۱ : σ ۲ > σ۰۲ n−۱
H : σ ۲ = σ۰۲ σ۰۲
۰
=⇒ C = {(X۱ , X۲ , . . . , Xn ) : Sn−
۲
)۱ < χα (n − ۱
۲
}
H۱ : σ ۲ < σ۰۲ n−۱
۲ ۲ − ۱ σ۰۲
H : S
n−۱
> χ ۱− ۲
α (n ) n−۱
۰ σ ۲ = σ۰۲
=⇒ C = {(X۱ , X۲ , . . . , Xn ) : or }
H : σ ۲ ̸= σ۰۲
۱
S ۲ < χ۲α (n − ۱) σ۰۲
n−۱ ۲ n−۱
.Dآزﻣﻮن اﺣﺘﻤﺎل ﻣﻮﻓﻘﯿﺖ وﻗﺘﯽ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ از ﺗﻮزﯾﻊ ) Be(, pﺑﻮده و اﻧﺪازه ﻧﻤﻮﻧﻪ ﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﺑﺰرگ
اﺳﺖ.
H : √
۰ p = p۰ ) pn (۱ − pn
=⇒ C = {(X۱ , X۲ , . . . , Xn ) : pn > p۰ + z۱−α }
H۱ : p > p۰ n
√
H : p = p۰ ) pn (۱ − pn
۰
=⇒ C = {(X۱ , X۲ , . . . , Xn ) : pn < p۰ − z۱−α }
H۱ : p < p۰ n
√
pn (۱−pn )
H : p > p۰ + z۱− ۲
n
α
n
۰ p = p۰
=⇒ C = {(X۱ , X۲ , . . . , Xn ) : or }
H : p ̸= p۰
√
۱
p < p − z α pn (۱−pn )
n ۰ ۱− ۲ n
ﻣﺜﺎل .١٧-۵ﯾﮏ ﮐﺎرﺧﺎﻧﻪ ﺗﻮﻟﯿﺪ ﮐﻨﻨﺪه ﻻﻣﭗ ھﺎی روﺷﻨﺎﯾﯽ ،ﻻﻣﭗ ھﺎﯾﯽ ﺗﻮﻟﯿﺪ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﻃﻮل ﻋﻤﺮ آن ھﺎ از
ﺗﻮزﯾﻊ ﻧﺮﻣﺎل ﺑﺎ ﻣﯿﺎﻧﮕﯿﻦ ٨٠٠ﺳﺎﻋﺖ و اﻧﺤﺮاف ﻣﻌﯿﺎر ۴٠ﺳﺎﻋﺖ ﭘﯿﺮوی ﻣﯽ ﮐﻨﺪ .ﻣﻬﻨﺪس ﮐﻨﺘﺮل ﮐﯿﻔﯿﺖ اﯾﻦ
ﮐﺎرﺧﺎﻧﻪ ﻣﺪﻋﯽ اﺳﺖ ﮐﻪ ﻣﯿﺎﻧﮕﯿﻦ ﻃﻮل ﻋﻤﺮ ﻻﻣﭗ ھﺎی روﺷﻨﺎﯾﯽ ﺗﻮﻟﯿﺪ ﺷﺪه در اﯾﻦ ﮐﺎرﺧﺎﻧﻪ ٨٠٠ﺳﺎﻋﺖ ﻧﯿﺴﺖ.
ﺟﻬﺖ ﺑﺮرﺳﯽ اﯾﻦ ادﻋﺎ ،ﯾﮏ ﻧﻤﻮﻧﻪ ﺗﺼﺎدﻓﯽ ٣٠ﺗﺎﯾﯽ از آن ﻻﻣﭗ ھﺎ را اﻧﺘﺨﺎب ﮐﺮده و ﻣﺸﺎھﺪه ﺷﺪ ﮐﻪ ﻣﯿﺎﻧﮕﯿﻦ
ﻧﻤﻮﻧﻪ ٧٨٨ﺳﺎﻋﺖ اﺳﺖ .ادﻋﺎی ﻣﻄﺮح ﺷﺪه را ﺑﺎ ﺧﻄﺎی ۰٫ ۰۴آزﻣﻮن ﮐﻨﯿﺪ.
ﺣﻞ :اﮔﺮ Xﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺗﻌﺮﯾﻒ ﺷﺪه ﻣﺮﺑﻮط ﺑﻪ ﻃﻮل ﻋﻤﺮ ﻻﻣﭗ ھﺎی روﺷﻨﺎﯾﯽ ﺑﺎﺷﺪ ،دارﯾﻢ:
) X ∼ N (µ, σ ۲
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ادﻋﺎی ﻣﻄﺮح ﺷﺪه ،آزﻣﻮن ﻓﺮض آﻣﺎری ﻣﻮرد ﻧﻈﺮ ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ:
H : µ = ۸۰۰
۰
H۱ : µ ̸= ۸۰۰
١٠۵
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻃﻼﻋﺎت ﺟﺎﻣﻌﻪ σ = ۴۰ ،و .µ۰ = ۸۰۰ھﻤﭽﻨﯿﻦ ﻃﺒﻖ اﻃﻼﻋﺎت ﻣﺴﺎﻟﻪ دارﯾﻢ:
و ﺑﻨﺎﺑﺮاﯾﻦ در ﺳﻄﺢ ﻣﻌﻨﯽ داری ۰٫ ۰۴دﻟﯿﻞ ﮐﺎﻓﯽ ﺑﺮای رد ﻓﺮض H۰وﺟﻮد ﻧﺪارد.
١٠۶