‫‪11/12/2020‬‬

‫توزیع‌‌بتا‬
‫)‪(Ross 5.6, 6.5‬‬

‫‪1‬‬ ‫‪of 27‬‬

‫توزیع نمرات تمرینها‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪2‬‬ ‫‪of 27‬‬
‫بهنام‌بهرک‬

‫‪1‬‬
 ‫‪11/12/2020‬‬

‫تعبیر بیزی احتمال‬

‫)𝐵(𝑃 𝐵 𝐴 𝑃‬
‫= 𝐴𝐵 𝑃‬
‫)𝐴(𝑃‬

‫‪ : 𝑃(𝐵) o‬میزان‌باور‌ابتدایی‌ما‌‬
‫نسبت‌به‌𝐵 (احتمال‌پیشین)‬ ‫‪Observed‬‬ ‫‪Posterior‬‬
‫‪Data‬‬ ‫‪Beliefs‬‬
‫‪ : 𝑃(𝐵|𝐴) o‬میزان‌باور‌ما‌نسبت‌به‌‬
‫𝐵 پس‌از‌مشاهده 𝐴 (احتمال‌پسین)‬
‫‪Prior‬‬
‫‪ : 𝑃 𝐴 𝐵 /𝑃(𝐴) o‬میزان‌حمایت‌‬ ‫‪Beliefs‬‬
‫𝐴 از‌𝐵‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪3‬‬ ‫‪of 27‬‬
‫بهنام‌بهرک‬

‫قضیه بیز‬
‫‪ o‬قضیه‌بیز‌برای‌توابع‌جرمی‌احتمال‪:‬‬

‫)𝑦 ‪𝑃𝑋𝑌 (𝑥,‬‬ ‫)𝑦( 𝑌𝑃 𝑦 𝑥 𝑌|𝑋𝑃‬

‫= 𝑥 𝑦 𝑋|𝑌𝑃‬ ‫=‬ ‫∞‬
‫)𝑥( 𝑋𝑃‬ ‫)𝑦( 𝑌𝑃 𝑦 𝑥 𝑌|𝑋𝑃 ∞‪𝑦=−‬‬

‫‪ o‬قضیه‌بیز‌برای‌توابع‌چگالی‌احتمال‪:‬‬

‫𝑥 𝑋𝑓 𝑥 𝑦 𝑋|𝑌𝑓‬ ‫𝑥 𝑋𝑓 𝑥 𝑦 𝑋|𝑌𝑓‬
‫= 𝑦 𝑥 𝑌|𝑋𝑓‬ ‫=‬ ‫∞‪+‬‬
‫𝑦 𝑌𝑓‬ ‫𝑓‬ ‫𝑥 𝑋𝑓 𝑥 𝑦‬ ‫𝑥𝑑‬
‫𝑋|𝑌 ∞‪−‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪4‬‬ ‫‪of 27‬‬
‫بهنام‌بهرک‬

‫‪2‬‬
 ‫‪11/12/2020‬‬

‫ترکیب شرطی متغیرهای پیوسته و گسسته‬

‫‪ o‬فرض کنید 𝑋 یک متغیر تصادفی پیوسته و 𝑁 یک متغیر تصادفی گسسته باشد‪.‬‬
‫‪ o‬تابع چگالی احتمال شرطی 𝑋 به شرط داشتن 𝑁 به صورت زیر تعریف می‌شود‪:‬‬
‫)𝑥( 𝑋𝑓 𝑥 𝑛 𝑋|𝑁𝑃‬
‫= 𝑛 𝑥 𝑁|𝑋𝑓‬
‫)𝑛( 𝑁𝑃‬
‫‪ o‬تابع جرمی احتمال شرطی 𝑁 به شرط داشتن 𝑋 به صورت زیر تعریف می‌شود‪:‬‬
‫)𝑛( 𝑁𝑃 𝑛 𝑥 𝑁|𝑋𝑓‬
‫= 𝑥 𝑛 𝑋|𝑁𝑃‬
‫)𝑥( 𝑋𝑓‬
‫‪ o‬اگر 𝑋 و 𝑁 مستقل از یکدیگر باشند‪ ،‬آنگاه‪:‬‬
‫‪𝑓𝑋|𝑁 𝑥 𝑛 = 𝑓𝑋 𝑥 ,‬‬ ‫𝑋|𝑁𝑃‬ ‫)𝑛( 𝑁𝑃 = 𝑥 𝑛‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪5‬‬ ‫‪of 27‬‬
‫بهنام‌بهرک‬

‫تابع گاما‬
‫‪ o‬تابع گاما به صورت زیر تعریف می‌شود‪:‬‬
‫∞‬
‫= 𝑟 ‪Γ‬‬ ‫‪𝑦 𝑟−1 𝑒 −𝑦 dy‬‬
‫‪0‬‬

‫‪ o‬در واقع تابع )∙(‪ Γ‬فاکتوریل تعمیم‌یافته است‪ .‬چون )‪ ،Γ 𝑟 = (r − 1)Γ(𝑟 − 1‬و‬
‫! ‪Γ 𝑟 = r−1‬‬ ‫‪ ،Γ 1 = 1‬برای 𝑟 صحیح و مثبت داریم‪:‬‬

‫‪ o‬در حالت خاص ‪: 𝑟 = 1/2‬‬

‫𝜋 = ‪Γ 1/2‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪6‬‬ ‫‪of 27‬‬
‫بهنام‌بهرک‬

‫‪3‬‬
 ‫‪11/12/2020‬‬

‫متغیر تصادفی بتا‬

‫‪ o‬متغیر تصادفی پیوسته 𝑋 را متغیر بتا می‌گوییم و با )𝑏‪ 𝑋~𝐵𝑒𝑡𝑎(𝑎,‬نمایش می‌دهیم‪،‬‬
‫اگر تابع چگالی احتمال آن به شکل زیر باشد‪:‬‬
‫‪1‬‬
‫‪𝑥 𝑎−1 1 − 𝑥 𝑏−1 0 < 𝑥 < 1‬‬
‫𝑏 ‪𝑓𝑋 𝑥 = 𝛽 𝑎,‬‬
‫‪0‬‬ ‫‪otherwise‬‬
‫‪ o‬که تابع بتا )𝑏‪ 𝛽(𝑎,‬به صورت زیر تعریف می‌شود‪:‬‬
‫‪1‬‬
‫𝑏 ‪Γ 𝑎 Γ‬‬
‫= 𝑏 ‪𝛽 𝑎,‬‬ ‫= 𝑥‪𝑥 𝑎−1 (1 − 𝑥)𝑏−1 d‬‬
‫‪0‬‬ ‫𝑏‪Γ 𝑎+‬‬
‫∞‬
‫= 𝑛 ‪Γ‬‬ ‫‪𝑦 𝑛−1 𝑒 −𝑦 dy‬‬ ‫! ‪⇒ Γ 𝑛 = 𝑛−1‬‬
‫‪0‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪7‬‬ ‫‪of 27‬‬
‫بهنام‌بهرک‬

‫توزیع بتا‬

‫‪ o‬اگر‌‪ 𝑎 = 𝑏 = 1‬توزیع‌بتا‌تبدیل‌به‌توزیع‌یکنواخت‌روی‌]‪ [0,1‬می‌شود‪.‬‬

‫‪ o‬اگر‌𝑏 = 𝑎 ‪‌،‬شکل‌تابع‌چگالی‌احتمال‌توزیع‌بتا‌متقارن‌می‌شود‪.‬‬
‫‪ o‬اگر‌)𝑏‪:𝑋~𝐵𝑒𝑡𝑎(𝑎,‬‬
‫𝑎‬ ‫𝑏𝑎‬
‫= 𝑋𝐸‬ ‫‪,‬‬ ‫= 𝑋 𝑟𝑎𝑉‬
‫𝑏‪𝑎+‬‬ ‫)‪𝑎 + 𝑏 2 (𝑎 + 𝑏 + 1‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪8‬‬ ‫‪of 27‬‬
‫بهنام‌بهرک‬

‫‪4‬‬
 ‫‪11/12/2020‬‬

‫میانگین توزیع بتا‬

‫‪ o‬میانگین توزیع بتا به صورت زیر محاسبه میشود‪:‬‬
‫∞‬ ‫‪1‬‬
‫‪1‬‬
‫= 𝑋𝐸‬ ‫= 𝑥𝑑 𝑥 𝑋𝑓 𝑥‬ ‫𝑥‬ ‫𝑥 ‪𝑥 𝑎−1 1 −‬‬ ‫‪𝑏−1‬‬
‫𝑥𝑑‬
‫∞‪−‬‬ ‫‪0‬‬ ‫𝑏 ‪𝛽 𝑎,‬‬
‫‪1‬‬
‫‪1‬‬
‫=‬ ‫𝑥 ‪𝑥 (𝑎+1)−1 1 −‬‬ ‫‪𝑏−1‬‬
‫𝑥𝑑‬
‫𝑏 ‪𝛽 𝑎,‬‬ ‫‪0‬‬

‫‪1‬‬ ‫)𝑏(‪Γ(𝑎 + 𝑏) Γ 𝑎 + 1 Γ‬‬

‫=‬ ‫= 𝑏 ‪× 𝛽 𝑎 + 1,‬‬ ‫×‬
‫𝑏 ‪𝛽 𝑎,‬‬ ‫‪Γ 𝑎 Γ(𝑏) Γ 𝑎 + 𝑏 + 1‬‬
‫)𝑏 ‪Γ(𝑎 +‬‬ ‫)𝑏(‪𝑎Γ 𝑎 Γ‬‬ ‫𝑎‬
‫=‬ ‫×‬ ‫=‬
‫𝑏 ‪Γ 𝑎 Γ(𝑏) (𝑎 + 𝑏)Γ 𝑎 +‬‬ ‫𝑏‪𝑎+‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪9‬‬ ‫‪of 27‬‬
‫بهنام‌بهرک‬

‫واریانس توزیع بتا‬

‫‪ o‬واریانس توزیع بتا به صورت زیر محاسبه میشود‪:‬‬
‫∞‬ ‫‪1‬‬
‫‪1‬‬
‫= ‪𝐸 𝑋2‬‬ ‫= 𝑥𝑑 𝑥 𝑋𝑓 ‪𝑥 2‬‬ ‫‪𝑥2‬‬ ‫𝑥 ‪𝑥 𝑎−1 1 −‬‬ ‫‪𝑏−1‬‬
‫𝑥𝑑‬
‫∞‪−‬‬ ‫‪0‬‬ ‫𝑏 ‪𝛽 𝑎,‬‬
‫‪1‬‬
‫‪1‬‬
‫=‬ ‫𝑥 ‪𝑥 (𝑎+2)−1 1 −‬‬ ‫‪𝑏−1‬‬
‫𝑥𝑑‬
‫𝑏 ‪𝛽 𝑎,‬‬ ‫‪0‬‬

‫‪1‬‬ ‫)𝑏(‪Γ(𝑎 + 𝑏) Γ 𝑎 + 2 Γ‬‬

‫=‬ ‫= 𝑏 ‪× 𝛽 𝑎 + 2,‬‬ ‫×‬
‫𝑏 ‪𝛽 𝑎,‬‬ ‫‪Γ 𝑎 Γ(𝑏) Γ 𝑎 + 𝑏 + 2‬‬
‫)𝑏 ‪Γ(𝑎 +‬‬ ‫)𝑏(‪𝑎 + 1 𝑎Γ 𝑎 Γ‬‬ ‫)‪𝑎(𝑎 + 1‬‬
‫=‬ ‫×‬ ‫=‬
‫𝑏 ‪Γ 𝑎 Γ(𝑏) (𝑎 + 𝑏 + 1)(𝑎 + 𝑏)Γ 𝑎 +‬‬ ‫)‪(𝑎 + 𝑏)(𝑎 + 𝑏 + 1‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪10 of 27‬‬
‫بهنام‌بهرک‬

‫‪5‬‬
 ‫‪11/12/2020‬‬

‫واریانس توزیع بتا‬

‫‪ o‬واریانس توزیع بتا به صورت زیر محاسبه میشود‪:‬‬
‫𝑋 𝐸 ‪𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 −‬‬ ‫‪2‬‬

‫)‪𝑎(𝑎 + 1‬‬ ‫𝑎‬ ‫‪2‬‬

‫=‬ ‫‪−‬‬
‫)‪(𝑎 + 𝑏)(𝑎 + 𝑏 + 1‬‬ ‫𝑏‪𝑎+‬‬
‫𝑎‬ ‫‪𝑎+1‬‬ ‫𝑎‬
‫=‬ ‫‪−‬‬
‫𝑏‪𝑎+𝑏 𝑎+𝑏+1 𝑎+‬‬
‫𝑎‬ ‫)‪𝑎 + 1 𝑎 + 𝑏 − 𝑎(𝑎 + 𝑏 + 1‬‬
‫=‬ ‫×‬
‫𝑏‪𝑎+‬‬ ‫)‪(𝑎 + 𝑏)(𝑎 + 𝑏 + 1‬‬
‫𝑎‬ ‫𝑏‬ ‫𝑏𝑎‬
‫=‬ ‫×‬ ‫=‬
‫)‪𝑎 + 𝑏 (𝑎 + 𝑏)(𝑎 + 𝑏 + 1‬‬ ‫)‪𝑎 + 𝑏 2 (𝑎 + 𝑏 + 1‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪11 of 27‬‬
‫بهنام‌بهرک‬

‫مد توزیع بتا‬

‫‪ o‬مد یک توزیع پیوسته‪ ،‬برابر با نقطه ماکزیمم تابع چگالی احتمال آن است‪:‬‬
‫‪1‬‬
‫= 𝑥 𝑋𝑓‬ ‫𝑥 ‪𝑥 𝑎−1 1 −‬‬ ‫‪𝑏−1‬‬
‫𝑏 ‪𝛽 𝑎,‬‬
‫𝑥 𝑋𝑓𝑑‬ ‫‪1‬‬
‫=‬ ‫𝑥 ‪𝑎 − 1 𝑥 𝑎−2 1 −‬‬ ‫‪𝑏−1‬‬
‫𝑥 ‪− 𝑏 − 1 𝑥 𝑎−1 1 −‬‬ ‫‪𝑏−2‬‬
‫‪=0‬‬
‫𝑥𝑑‬ ‫𝑏 ‪𝛽 𝑎,‬‬
‫‪1‬‬
‫𝑥 ‪𝑥 𝑎−2 1 −‬‬ ‫‪𝑏−2‬‬
‫‪𝑎−1 1−𝑥 − 𝑏−1 𝑥 =0‬‬
‫𝑏 ‪𝛽 𝑎,‬‬
‫‪𝑎−1‬‬
‫= 𝑥 ⇒ ‪𝑎−1 − 𝑎+𝑏−2 𝑥 = 0‬‬
‫‪𝑎+𝑏−2‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪12 of 27‬‬
‫بهنام‌بهرک‬

‫‪6‬‬
 ‫‪11/12/2020‬‬

‫پرتاب سکه با احتمال ناشناخته‬

‫‪ o‬کاربرد اصلی توزیع بتا در نمایش توزیع باور ما درباره یک احتمال است‪.‬‬
‫‪ o‬سکه‌ای را )𝑚 ‪ (𝑛 +‬بار پرتاب می‌کنیم و 𝑛 بار شیر می‌آید‪ .‬احتمال شیر آمدن سکه یا‬
‫𝑋 را نمی‌دانیم‪:‬‬
‫تعبیر‌بسامدی‌احتمال‬ ‫تعبیر‌بیزی‌احتمال‬
‫)‪(Frequentist‬‬ ‫)‪(Bayesian‬‬
‫𝑛‬
‫‪𝑋 = lim‬‬ ‫)𝑥( 𝑋𝑓)𝑥 = 𝑋|𝑛 = 𝑁(𝑃‬
‫𝑚 ‪𝑛+𝑚→∞ 𝑛 +‬‬ ‫= 𝑛 𝑥 𝑁|𝑋𝑓‬
‫𝑛‬ ‫)𝑛 = 𝑁(𝑃‬
‫≈‬
‫𝑚‪𝑛+‬‬
‫𝑋 یک‌مقدار‌حقیقی‌است‪.‬‬ ‫𝑋 یک‌متغیر‌تصادفی‌است‪.‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪13 of 27‬‬
‫بهنام‌بهرک‬

‫پرتاب سکه با احتمال ناشناخته‬

‫‪ o‬اگر احتمال شیر آمدن سکه را 𝑋 بنامیم‪ ،‬در ابتدا باور ما نسبت به این احتمال با توجه به‬
‫اصل ناکافی بودن دلیل یکنواخت است‪:‬‬
‫)‪𝑋~𝑈(0,1‬‬
‫‪ o‬متغیر تصادفی 𝑁 را برابر تعداد شیرها در 𝑚 ‪ 𝑛 +‬پرتاب تعریف می‌کنیم‪.‬‬
‫‪ o‬اگر احتمال شیر آمدن را 𝑥 = 𝑋 در نظر بگیریم‪ (𝑁|𝑋) ،‬دارای توزیع دوجمله‌ای خواهد‬
‫بود‪:‬‬
‫)𝑥 ‪𝑁|𝑋 ~ Bin(𝑛 + 𝑚,‬‬
‫توزیع‌احتمال‌‬
‫توزیع‌احتمال‌پسین‌‬
‫)𝑥( 𝑋𝑓)𝑥 = 𝑋|𝑛 = 𝑁(𝑃‬ ‫پیشین‌(‪:)prior‬‬
‫(‪‌:)posterior‬؟‬ ‫= 𝑛 𝑥 𝑁|𝑋𝑓‬ ‫)‪𝑋~𝑈(0,1‬‬
‫)𝑛 = 𝑁(𝑃‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪14 of 27‬‬
‫بهنام‌بهرک‬

‫‪7‬‬
 ‫‪11/12/2020‬‬

‫محاسبه توزیع احتمال پسین‬

‫)𝑥( 𝑋𝑓)𝑥 = 𝑋|𝑛 = 𝑁(𝑃‬
‫= 𝑛 𝑥 𝑁|𝑋𝑓‬
‫)𝑛 = 𝑁(𝑃‬
‫𝑛 𝑚‪𝑛+‬‬ ‫𝑚‬
‫𝑥‪𝑥 1−‬‬ ‫‪×1‬‬
‫=‬ ‫𝑛‬ ‫‪∶ 0<𝑥<1‬‬
‫)𝑛 = 𝑁(𝑃‬

‫𝑚‪𝑛+‬‬
‫=‬ ‫𝑛‬ ‫𝑥 ‪𝑥𝑛 1 −‬‬ ‫𝑚‬
‫‪∶ 0<𝑥<1‬‬
‫𝑛=𝑁 𝑃‬

‫𝑛 ‪1‬‬ ‫𝑚‬
‫=‬ ‫𝑥‪𝑥 1−‬‬ ‫‪∶ 0<𝑥<1‬‬
‫𝑐‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪15 of 27‬‬
‫بهنام‌بهرک‬

‫محاسبه توزیع احتمال پسین‬

‫‪ o‬از آنجا که 𝑁|𝑋𝑓 یک توزیع احتمال است‪ ،‬باید داشته باشیم‪:‬‬
‫∞‬
‫‪𝑓𝑋|𝑁 𝑥 𝑛 𝑑𝑥 = 1‬‬
‫∞‪−‬‬

‫‪1‬‬
‫𝑛 ‪1‬‬ ‫𝑚‬
‫⇒‬ ‫𝑥‪𝑥 1−‬‬ ‫‪𝑑𝑥 = 1‬‬
‫‪0‬‬ ‫𝑐‬
‫‪1‬‬
‫‪1‬‬
‫⇒‬ ‫𝑥 ‪𝑥𝑛 1 −‬‬ ‫𝑚‬
‫‪𝑑𝑥 = 1‬‬
‫𝑐‬ ‫‪0‬‬

‫‪1‬‬
‫=𝑐⇒‬ ‫𝑥 ‪𝑥𝑛 1 −‬‬ ‫𝑚‬
‫)‪𝑑𝑥 = 𝛽(𝑛 + 1, 𝑚 + 1‬‬
‫‪0‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪16 of 27‬‬
‫بهنام‌بهرک‬

‫‪8‬‬
 ‫‪11/12/2020‬‬

‫محاسبه توزیع احتمال پسین‬

‫‪ o‬از آنجا که 𝑁|𝑋𝑓 یک توزیع احتمال است‪ ،‬باید داشته باشیم‪:‬‬

‫‪1‬‬
‫= 𝑛 𝑥 𝑁|𝑋𝑓‬ ‫𝑥 ‪𝑥𝑛 1 −‬‬ ‫𝑚‬
‫‪∶ 0<𝑥<1‬‬
‫‪𝛽 𝑛 + 1, 𝑚 + 1‬‬

‫‪ o‬بنابراین توزیع پسین متغیر تصادفی 𝑋 پس از مشاهده 𝑛 = 𝑁 یک توزیع بتا با‬

‫پارامترهای ‪ 𝑛 + 1‬و ‪ 𝑚 + 1‬است‪:‬‬

‫)‪𝑋| 𝑁 = 𝑛 ~ 𝐵𝑒𝑡𝑎(𝑛 + 1, 𝑚 + 1‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪17 of 27‬‬
‫بهنام‌بهرک‬

‫تخمین بیزی (‪)Bayesian Estimation‬‬

‫‪ o‬یعنی 𝑋 که توزیع یکنواخت داشت با مشاهده مقدار 𝑛 = 𝑁 (تعداد شیرهای آمده در‬
‫𝑚 ‪ 𝑛 +‬بار پرتاب سکه) توزیع بتا پیدا می‌کند‪.‬‬
‫𝑛‬ ‫‪𝑎−1‬‬
‫اتفاق می‌افتد‪.‬‬ ‫یعنی‬ ‫‪ o‬ماکزیمم توزیع بتا در‬
‫𝑚‪𝑛+‬‬ ‫‪𝑎+𝑏−2‬‬
‫هرچه‌𝑚 ‪ 𝑛 +‬بزرگتر‌باشد‪‌،‬نمودار‌تیزتر‌می‌شود‪.‬‬ ‫‪o‬‬

‫)𝑥( 𝑋𝑓‬ ‫)𝑛|𝑥( 𝑁|𝑋𝑓‬

‫‪𝑛 = 3, 𝑛 + 𝑚 = 10‬‬

‫𝑥‬ ‫𝑥‬
‫𝑛‬
‫𝑚‪𝑛+‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪18 of 27‬‬
‫بهنام‌بهرک‬

‫‪9‬‬
 ‫‪11/12/2020‬‬

‫متغیر تصادفی بتا برای تخمین احتمال‬

‫هیچ‌پرتاب‬ ‫‪ 12‬پرتاب‌و‌‪ 8‬شیر‬ ‫‪ 199‬پرتاب‌و‌‪ 99‬شیر‬
‫‪f X |(0‬‬ ‫) ‪h e a d s, 0 ta ils‬‬ ‫‪f X |(8‬‬ ‫)‪h e a d s, 4 tails‬‬ ‫‪f X |(100‬‬ ‫) ‪h e a d s, 101 ta ils‬‬

‫)‪𝑋 ~ Beta(1,1‬‬ ‫)‪𝑋 ~ Beta(9,5‬‬ ‫)‪𝑋 ~ Beta(101,102‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪19 of 27‬‬
‫بهنام‌بهرک‬

‫توزیع مزدوج (‪)Conjugate Distribution‬‬

‫‪ o‬دیدیم که توزیع یکنواخت )‪ 𝑈(0,1‬در واقع یک توزیع بتا است‪:‬‬
‫)‪𝑈 0,1 ~Beta(1,1‬‬

‫‪ o‬بنابراین توزیع پیشین 𝑋 (پیش از 𝑚 ‪ 𝑛 +‬پرتاب سکه) توزیع بتا است‪Beta(1,1) :‬‬

‫‪ o‬توزیع پسین 𝑋 (پس از 𝑚 ‪ 𝑛 +‬پرتاب سکه) نیز توزیع بتا است‪Beta 𝑛 + 1,𝑚 + 1 :‬‬

‫‪ o‬در این حالت می‌گوییم بتا یک توزیع مزدوج برای توزیع بتا است‪.‬‬
‫‪ o‬شکل‌پارامتری‌توزیع‌پیشین‌و‌پسین‌یکسان‌است‪.‬‬
‫‪ o‬توزیع‌بتا‌همچنین‌توزیع‌مزدوج‌دو‌توزیع‌برنولی‌و‌دوجمله‌ای‌است‪.‬‬
‫‪ o‬در‌عمل‌توزیع‌مزدوج‌بتا‌به‌معنی‌به‌روز‌رسانی‌ساده‌توزیع‌احتمال‌است‪:‬‬
‫‪ o‬کافی‌است‌تعداد‌شیرها‌و‌خط‌ها‌را‌به‌پارامترهای‌توزیع‌بتا‌اضافه‌کنیم‪.‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪20 of 27‬‬
‫بهنام‌بهرک‬

‫‪10‬‬
 ‫‪11/12/2020‬‬

‫مراحل تخمین بیزی‬

‫‪ o‬ابتدا توزیع )𝑏‪ 𝐵𝑒𝑡𝑎(𝑎,‬را به عنوان توزیع احتمال پیشین در نظر می‌گیریم‪.‬‬

‫‪ o‬سپس 𝑚 ‪ 𝑛 +‬بار سکه را پرتاب می‌کنیم‪ ،‬که 𝑛 تعداد دفعاتی است که شیر آمده است‪.‬‬

‫‪ o‬توزیع احتمال پسین 𝑋 به سادگی و به شکل زیر به روز می‌شود‪:‬‬

‫)𝑚 ‪𝑋|𝑁 = 𝑛 ~ 𝐵𝑒𝑡𝑎(𝑎 + 𝑛, 𝑏 +‬‬

‫‪ o‬اگر هیچ باور و تعصب پیشینی نسبت به احتمال شیر آمدن سکه نداشته باشیم‪ ،‬غالبا توزیع‬
‫پیشین را )‪ 𝐵𝑒𝑡𝑎(1,1‬یا همان توزیع یکنواخت می‌گیریم‪.‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪21 of 27‬‬
‫بهنام‌بهرک‬

‫توزیع نمرات تمرینها‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪22 of 27‬‬
‫بهنام‌بهرک‬

‫‪11‬‬
 ‫‪11/12/2020‬‬

‫‪Binomial‬‬ ‫‪Geometric‬‬ ‫‪Exponential‬‬

‫‪Neg Binomial‬‬ ‫‪Normal‬‬

‫‪Poisson‬‬

‫‪Beta‬‬ ‫‪Beta‬‬ ‫‪Uniform‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪23 of 27‬‬
‫بهنام‌بهرک‬

‫مدلسازی برای توزیع نمرات‬

‫‪ o‬توجه کنید که توزیع نمرات‬
‫تحت هر شرایطی محدود به‬
‫‪Frequency‬‬

‫بازه ]‪ [0,100‬است‪.‬‬
‫‪ o‬توزیع بتا بر خالف توزیع‬
‫نرمال محدود است و در نتیجه‬
‫برای مدلسازی نمرات مناسبتر‬
‫است‪.‬‬

‫‪10‬‬ ‫‪20‬‬ ‫‪30‬‬ ‫‪40‬‬ ‫‪50‬‬ ‫‪60‬‬ ‫‪70‬‬ ‫‪80‬‬ ‫‪90‬‬ ‫‪100‬‬
‫)‪X ~ Beta (a = 8.28,b = 3.16‬‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪24 of 27‬‬
‫بهنام‌بهرک‬

‫‪12‬‬
 ‫‪11/12/2020‬‬

‫مدلسازی برای توزیع نمرات‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪25 of 27‬‬
‫بهنام‌بهرک‬

‫مقایسه با توزیع گاوسی‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪26 of 27‬‬
‫بهنام‌بهرک‬

‫‪13‬‬
 ‫‪11/12/2020‬‬

‫مثالی از فرایند بروزرسانی بیزی‬

‫آمار‌و‌احتمال‌مهندسی‬
‫‪27 of 27‬‬
‫بهنام‌بهرک‬

‫‪14‬‬