Professional Documents
Culture Documents
ES Ch03 Print
ES Ch03 Print
آمار مهندسي
Applied Statistics for Engineers
Sampling Distributions
حسین خسروشاهي
فهرست مطالب
صفحه عنوان
اهداف فصل
اگر آزمایشي متشكل از انتخاب بدون جایگزین یک زیرمجموعه 𝑛 تایي از جامعه متناهي 𝐾تایي با اعداد } 𝐾𝑐 {𝑐1 , 𝑐2 , … ,
باشد ،آن را نمونهگیری از جامعه متناهي گوییم .اگر 𝑋1اولین مقدار مشاهده شده 𝑋2 ،دومین مقدار مشاهده شده ... ،و 𝑛𝑋 مقدار
مشاهده شده 𝑛 ام باشد ،گوییم این متغیرهای تصادفي تشكیل یک نمونه تصادفي بدون جایگزین به اندازه 𝑛 از جامعه متناهي را
داده و تابع احتمال آن به صورت زیر است:
1
= ) 𝑛𝑥 𝑓𝑋1,…𝑋𝑛 (𝑥1 , … , 𝑛 ;𝑥 ∈ {𝑐1 , … 𝑐𝐾 }, 𝑖 = 1, … ,
𝑖 )𝐾(𝐾 − 1) … (𝐾 − 𝑛 + 1
در نمونهگیری از جامعه متناهي اگر ترتیب انتخابها نیز مهم نباشد:
1
= ) 𝑛𝑥 𝑓𝑋1 ,…𝑋𝑛 (𝑥1 , … , 𝑛 ; 𝑥𝑖 ∈ {𝑐1 , … 𝑐𝐾 }, 𝑖 = 1, … ,
𝐾
) (
𝑛
در این شرایط هر کدام از 𝑖𝑋ها دارای توزیع حاشیهای یكنواخت به صورت زیر است:
1
= ) 𝑖𝑥( 𝑖𝑋𝑓 } 𝐾𝑐 ; 𝑥 ∈ {𝑐1 , … ,
𝑖 𝐾
از آنجایي یک جامعه متناهي 𝐾تایي با اعداد } 𝐾𝑐 {𝑐1 , 𝑐2 , … ,درنظر گرفته شده است ،میانگین و واریانس کل جامعه به
صورت زیر است:
𝐾∑
𝑖𝑐 𝑖=1 2
𝐾∑
)𝜇 𝑖=1(𝑐𝑖 −
2
=𝜇 = 𝜎
𝐾 𝐾
در این شرایط اگر ̅𝑋 میانگین نمونه تصادفي 𝑛 تایي بدون ترتیب از جامعه متناهي مذکور باشد:
𝑛 𝜎2 𝐾 −
𝜇 = )̄𝑋(𝐸 = )̄𝑋(𝑟𝑎𝑉 ( )
𝑛 𝐾−1
𝑛𝐾−
به 𝐾−1ضریب تصحیح جامعه متناهي گویند.
نکته :اگر 𝐾 بزرگ باشد و 𝑛 در مقایسه با آن به اندازهای کوچک باشد که 𝑛 ،𝐾 ≥ 20آنگاه عمال جامعه نامحدود درنظر
گرفته ميشود .اگر 𝑛 ،𝐾 ≤ 2جامعه بسیار کوچک است و باید از روشهای ناپارامتری برای تحلیل جامعه استفاده نمود .اگر
𝑛 ،2𝑛 ≤ 𝐾 ≤ 20با یک جامعه محدود سر و کار داریم.
مثال :اگر 𝑋1و 𝑋2یک نمونه تصادفي بدون جایگذاری از یک جامعه محدود به صورت } {−2, −1,0,1,2باشد و ̅𝑋
1
آمار مهندسي ،خسروشاهي دانشگاه صنعتي اصفهان ،دانشكده مهندسي صنایع و سیستمها
پاسخ:
اگر متغیرهای تصادفي 𝑛𝑋 𝑋1 , 𝑋2 , … ,تشكیل یک نمونه تصادفي از جامعه نامتنهاهي بدهند ،تابع چگالي (تابع جرم احتمال)
توأم نمونه تصادفي به صورت زیر است:
𝑛
𝜇𝑋̅ −
𝜎 اگر 𝑛𝑋 𝑋1 , 𝑋2 , … ,دنبالهای از متغیرهای تصادفي مستقل با توزیع یكسان و با میانگین 𝜇 و واریانس 𝜎 2باشند آنگاه
𝑛√
𝜇 𝑋̄ −
=𝑍 )𝜎 ~𝑁(0,1
𝑛√
∞→𝑛
مثال :اگر میزان خرید روزانه هر نفر از یک فروشگاه دارای توزیع یكنواخت در فاصله 0و 2باشد ،آنگاه احتمال اینكه
مجموع فروش روزانه فروشگاه در روزی که 50نفر وارد فروشگاه شدهاند بیش از 55واحد باشد چقدر است؟
پاسخ:
50
∑50
𝑖=1 𝑋𝑖 − 50 × 1 ∑50
𝑖=1 𝑋𝑖 − 50 55 − 50
𝑃 = )∼ 𝑍 → 𝑃 (∑ 𝑋𝑖 ≥ 55 ≥ )= 𝑃(𝑍 ≥ 1.22
1 √50 √50
√50√3 𝑖=1
( 3 ) 3
= 0.11
مثال 100 :المپ وجود دارد که عمر مفید هرکدام یک متغیر تصادفي نمایي با میانگین 5ساعت است .اگر المپها یک به یک
مورد استفاده قرار گیرند و در صورتي که یكي از آنها بسوزد بالفاصله یک المپ دیگر جایگزین گردد ،احتمال اینكه بعد از 525
ساعت یک المپ هنوز روشن باشد چقدر است؟ عمر مفید المپها را مستقل از هم درنظر بگیرید.
پاسخ :اگر 𝑖𝑋 متغیر تصادفي عمر مفید المپ 𝑖 باشد (:)𝑖 = 1,2, … ,100
1 1
= ) 𝑖𝑋(𝐸 = 5, 𝑉𝑎𝑟(𝑋𝑖 ) = 2 = 25
𝜆 𝜆
50
∑50
𝑖=1 𝑋𝑖 − 100 × 5 ∑50
𝑖=1 𝑋𝑖 − 500 525 − 500
( 𝑃 = )∼ 𝑍 → 𝑃 (∑ 𝑋𝑖 ≥ 525 ≥ )) = 𝑃(𝑍 ≥ 0.5
√100√25 50 50
𝑖=1
= 0.31
استنباط آماری معموال بر اساس نمونه تصادفي 𝑛𝑋 𝑋1 , 𝑋2 , … ,صورت ميگیرد .برای تحلیل و پردازش روی این نمونهها
عموما تابعي بر روی متغیرهای تصادفي نمونه ( 𝑛𝑋 )𝑋1 , 𝑋2 , … ,تعریف ميشود که به آن آماره ميگویند.
تعریف آماره :آماره تابعي از نمونه تصادفي 𝑛𝑋 𝑋1 , 𝑋2 , … ,است که شامل پارامتر مجهولي نباشد .مثال میانگین نمونه و
واریانس نمونه از آمارههای معروف هستند.
نکته :چون آمارهها تابعي از متغیرهای تصادفي هستند ،پس خود آمارهها نیز متغیر تصادفي هستند و از نمونهای به نمونه دیگر
تغییر ميکنند
نکته :در آمارهها نباید پارامتر مجهولي وجود داشته باشد .مثال اگر 𝑖𝑋ها دارای توزیع نرمال با پارامترهای مجهول ) (𝜇, 𝜎 2
3
آمار مهندسي ،خسروشاهي دانشگاه صنعتي اصفهان ،دانشكده مهندسي صنایع و سیستمها
̅𝑋
باشن ،آنگاه 𝜇 𝑋̅ −و 𝜎 آماره نیستند.
-1-4توزیع پوواسون
در یک توزیع دوجملهای وقتي 𝑛 بزرگ و 𝑝 کوچک باشد اما 𝑝𝑛 = 𝜆 ثابت باشد ،از حالت حدی توزیع دوجملهای که
توزیع پواسون نام دارد استفاده ميشود.
توزیع پواسون یک از پرکاربردترین توزیعهای گسسته است که عموما به عنوان تعداد دفعات رخ دادن یک پیشامد در
یک بازه زماني یا مکاني مشخص استفاده ميشود .مثال:
-2-4توزیع نمایي
𝑥𝜆−
𝑒𝜆{ = )𝑥(𝑓 𝑥≥0
0 𝑤 𝑜.
1
= )𝑋(𝐸
⇒ )𝜆(𝑝𝑥𝐸~𝑋 𝜆
1
𝑉𝑎𝑟(𝑋) = 2
𝜆
𝜆
{ = )𝑡(𝑀
𝑡𝜆−
نکته :اگر تعداد دفعات یک پیشامد در یک واحد زمان (مكان ،حجم و )...دارای توزیع پواسون با پارامتر 𝜆 باشد ،آنگاه فاصله
زماني بین هر دو رویداد هم توزیع نمایي با پارامتر 𝜆 است.
دانشگاه صنتعي اصفهان ،دانشكده مهندسي صنایع و سیستمها فصل سوم :توزیعهای نمونهای
)𝑃(X>s+t|X>t)=P(X>s
نکته :تابع توزیع تجمعي یک متغیر تصادفي با توزیع نمایي به صورت زیر است:
-3-4توزیع گاما
𝜆
) = 𝑌 = 𝑎𝑋1 ~𝐸𝑥𝑝 (𝜆′
𝑎
)𝜆 𝑌 = 𝑋1 + ⋯ + 𝑋𝑛 ~𝛤(𝛼 = 𝑛,
𝜆
) = 𝑌 = 𝑎𝑋1 ~𝛤 (𝛼, 𝜆′
𝑎
)𝜆 𝑌 = 𝑋1 + ⋯ + 𝑋𝑛 ~𝛤(𝛼 ′ = 𝑛𝛼,
-4-4توزیع ارلنگ
اگر 𝛼 عدد صحیح باشد ،آنگاه مقدار !) 𝛤(𝛼) = (𝛼 − 1خواهد بود .و در این صورت به توزیع گاما توزیع ارلنگ گویند.
⟹ )𝜆 𝑋~𝐸𝑟(𝛼, 𝛼
= )𝑋(𝐸
𝜆
𝛼
= )𝑋(𝑟𝑎𝑉
𝜆2
5
آمار مهندسي ،خسروشاهي دانشگاه صنعتي اصفهان ،دانشكده مهندسي صنایع و سیستمها
نكته :اگر Xدارای توزیع پوواسون با پارامتر 𝜆 باشد ،آنگاه مدت زماني که طول ميکشد 𝛼 اتفاق از این توزیع رخ دهد ،توزیع
نكته :توزیع ارلنگ با پارامترهای 𝜆و𝛼 را ميتوان به صورت مجموع 𝛼 متغیر تصادفي نمایي مستقل با پارامتر 𝜆 نوشت.
تعریف توزیع نمونهای :در آمار استنباطي به توزیع آمارهها توزیع نمونهای ( )Sampling Distributionگویند.
1 (𝑥−𝜇)2
−
= )𝑥(𝑓 𝑒 2𝜎2
𝜋𝜎√2
⇒ ) 𝑋~𝑁(𝜇, 𝜎 2 𝜇 = )𝑋(𝐸
𝑉𝑎𝑟(𝑋) = 𝜎 2
𝜎2 𝑡 2
(𝜇𝑡+ )
𝑒 = )𝑡(𝑀 { 2
• یكي از پرکاربردترین توزیعها برای متغیرهای تصادفي پیوسته و تقریب بسیار خوب برای بسیاری از متغیرهای گسسته
است
• نقاط عطف توزیع نرمال 𝜎 𝜇 −و 𝜎 𝜇 +هستند
• چولگي توزیع نرمال برابر با صفر و کشیدگي آن برابر با 3است
دانشگاه صنتعي اصفهان ،دانشكده مهندسي صنایع و سیستمها فصل سوم :توزیعهای نمونهای
امكان انتگرال گیری مستقیم از تابع چگالي نرمال وجود ندارد ،به همین دلیل برای محاسبه توزیع تجمعي ،باید متغیر •
با استفاده از تغییر متغیر زیر ميتوان تابع توزیع نرمال را به نرمال استاندارد تبدیل کرد:
𝜇𝑋−
=𝑍
𝜎
1 𝑥2
−
= )𝑧(𝑓
𝑒 2
𝜋√2
𝑍~𝑁(0,1) ⇒ 𝐸(𝑍) = 0 𝑉𝑎𝑟(𝑍) = 1
𝑡2
{ = )𝑡(𝑀 𝑒2
• اگر متغیر تصادفي 𝑍 دارای توزیع نرمال استاندار و 𝑎 ≥ 𝑏 باشد ،برای تابع توزیع تجمعي نرمال استاندارد داریم:
7
آمار مهندسي ،خسروشاهي دانشگاه صنعتي اصفهان ،دانشكده مهندسي صنایع و سیستمها
• نقطهای از توزیع نرمال استاندارد که احتمال سمت راست آن 𝛼 است را با 𝛼𝑧 نمایش میدهیم و داریم:
مثال:
مثال:
مثال:
𝜇𝑏− 𝜇𝑎−
( 𝜙 = )𝑏 ≤ 𝑋 ≤ 𝑎(𝑃 (𝜙)− )
𝜎 𝜎
1 1
= 𝛼( 𝛤~ 𝜒12 = 𝑍 2 ) = 𝜆,
2 2
حال اگر 𝑛𝑍 𝑍1 , 𝑍2 , … ,متغیرهای تصادفي مستقل با توزیع نرمال استاندارد باشند 𝜒𝑛2 = 𝑍12 + ⋯ + 𝑍𝑛2 ،دارای توزیع
مربع کای (کای دو یا خي دو) با 𝑛 درجه آزادی گویند و تابع چگالي آن به صورت زیر است:
1 𝑛
به عبارتي 𝜒𝑛2دارای توزیع گاما با پارامترها 𝛼 = 2و 𝜆 = 2است .بنابراین:
𝛼 𝛼2
) 𝐸(𝜒𝑛2 𝑛= = ) 𝑉𝑎𝑟(𝜒𝑛2 = 𝑛= 2
𝜆 𝜆
9
آمار مهندسي ،خسروشاهي دانشگاه صنعتي اصفهان ،دانشكده مهندسي صنایع و سیستمها
2
𝑛 𝜒𝛼,نمایش ميدهند و داریم: نقطهای از توزیع 𝜒𝑛2که احتمال سمت راست آن 𝛼 باشد را با
∞
1 𝑛−2 𝑥
𝑃(𝜒𝑛2 > 2
𝑛𝜒𝛼, ) ∫= 𝑛 𝑥𝑑 𝑥 2 𝑒 −2 𝛼=
2 𝑛
𝑛𝜒𝛼, ) ( 𝛤 222
مثال:
2
𝑛𝑃(𝜒𝑛2 > 𝜒𝛼,
2
𝑛) = 𝑃(𝜒𝑛2 < 𝜒1−𝛼, 𝛼=)
2
𝑛𝑃(𝜒𝑛2 < 𝜒𝛼,
2
𝑛) = 𝑃(𝜒𝑛2 > 𝜒1−𝛼, 𝛼)=1−
مثال:
2 2
𝑃(𝜒10 > 3.94) =? 𝑃(𝜒10 ?= )< 18.31
1
نکته مهم :متغیر تصادفي مربع کای با 2درجه آزادی دارای توزیع نمایي با پارامتر 𝜆 = 2است.
1
) = 𝜆( 𝑝𝑥𝐸~ 𝜒22
2
نکته :اگر 𝑌 دارای توزیع نمایي با پارامتر 𝜆 باشد ،آنگاه متغیر تصادفي 𝑌𝜆 𝜒22 = 2دارای توزیع مربع کای با 2درجه آزادی
است.
𝜆 2 1
𝑌 ∼ 𝐸𝑥𝑝(𝜆) = 𝛤(1, 𝜆) → 2𝜆𝑌 ∼ 𝛤 ( , = ) = 𝜒22
2 2𝜆 2
نکته :اگر 𝑌 دارای توزیع گاما با پارامترهای 𝜆 و 𝛼 باشد ( 𝛼 عددی صحیح است) ،آنگاه متغیر تصادفي 𝑌𝜆 𝜒𝑛2 = 2دارای
توزیع مربع کای با 𝛼 𝑛 = 2درجه آزادی است.
11
آمار مهندسي ،خسروشاهي دانشگاه صنعتي اصفهان ،دانشكده مهندسي صنایع و سیستمها
𝑛 𝑛
2 2
𝑚𝜒 ∑ = 𝑌 𝑖
𝑀𝜒~ , 𝑖𝑚 ∑ = 𝑀
𝑖=1 𝑖=1
نکته :اگر 𝑋1و 𝑋2متغیرهای تصادفي مستقل باشند ،به طوری که 𝑋1دارای توزیع مربع کای با 𝑛 درجه آزادی و 𝑌 = 𝑋1 +
2
𝑚𝑋2 = 𝑌 − 𝑋1 = 𝜒𝑛+ 𝑚𝜒~ − 𝜒𝑛2
2
خاصیت تولید مثل توزیع مربع کای :حاصل جمع متغیرهای تصادفي مستقل مربع کای دارای توزیع مربع کای با درجه
آزادی برابر با مجموع درجه آزادی متغیرهای تصادفي جمع شده است.
نکته :با افزایش درجه آزادی (𝑛) متغیر تصادفي مربع کای براساس قضیه حد مرکزی:
𝑛 𝜒𝑛2 −
)~𝑁(0,1
𝑛√2
∞→𝑛
اگر 𝑍 متغیر تصادفي نرمال استاندارد و 𝜒𝑛2به طور مستقل از 𝑍 متغیر تصادفي مربع کای با 𝑛 درجه آزادی باشد ،آنگاه 𝑡 با 𝑛
𝑍
= 𝑛𝑡
2
𝑛𝜒√
𝑛
𝑛+1 −
𝑛+1
) 𝛤( 2 𝑥2 2
= )𝑥( 𝑛𝑡𝑓 𝑛 (1 + ) , ∞ < 𝑥 < ∞−
𝜋𝑛√ )𝛤 (2 2
𝑛
0 𝑛 > 1 𝑛>2
{ = ) 𝑛𝑡(𝐸 𝑉𝑎𝑟(𝑡𝑛 ) = {𝑛 − 1
∞−∞ 𝑛 =1
∞ 𝑛≤2
نکته :در حالت E(𝑡) ،𝑛 = 1مبهم است .در حالت 𝑛 = 1و ،𝑛 = 2گوییم ) 𝑛𝑡( Varوجود ندارد.
نقطهای از توزیع 𝑛𝑡 که احتمال سمت راست آن برابر با 𝛼 است را با 𝑛 𝑡𝛼,نمایش ميدهیم و داریم:
مثال:
13
آمار مهندسي ،خسروشاهي دانشگاه صنعتي اصفهان ،دانشكده مهندسي صنایع و سیستمها
نکته :اگر 𝑍1و 𝑍2دو متغیر تصادفي مستقل نرمال استاندارد باشند آنگاه:
توزیع 𝑡1یا توزیع 𝑡 با یک درجه آزادی ،همان توزیع کوشي ( )Cauchy distributionاست:
1
= )𝑥( 𝑓𝑡1 ∞< 𝑥<∞−
) 𝜋(1 + 𝑥 2
نکته :با افزایش درجه آزادی توزیع 𝑡 ،این توزیع به سمت نرمال استاندارد میل ميکند:
اگر 𝑈 و 𝑉 متغیرهای تصادفي مستقل مربع کای به ترتیب با 𝑛 و 𝑚 درجه آزادی باشند آنگاه متغیر 𝑚 𝐹𝑛,که دارای 𝑛 و 𝑚
𝑈
𝑚𝐹𝑛, 𝑛 =
𝑉
𝑚
𝑚𝑛+
𝑛 𝛤 ( 2 ) 𝑛 𝑛2 𝑚𝑛+
𝑛 − 2
−1
= )𝑥( 𝑚𝑓𝐹𝑛, 𝑛 𝑥 ) ( 𝑚
2 )𝑥 (1 + , 𝑥>0
𝑚 ) 𝛤 (2) 𝛤 ( 2 𝑚
نکته :امید ریاضي توزیع 𝐹 برای 𝑚 ≤ 2وجود ندارد .همچنین واریانس توزیع 𝐹 برای 𝑚 ≤ 4وجود ندارد.
نقطهای از توزیع 𝑚 𝐹𝑛,که احتمال سمت راست آن 𝛼 است را با 𝑚 𝐹𝛼,𝑛,نمایش ميدهند و برای آن داریم:
مثال:
15
آمار مهندسي ،خسروشاهي دانشگاه صنعتي اصفهان ،دانشكده مهندسي صنایع و سیستمها
2-3-5خصوصیات توزیع 𝑭
نکته :اگر 𝑛𝑡 دارای توزیع 𝑡 با 𝑛 درجه آزادی باشد ،آنگاه متغیر تصادفي 𝑡𝑛2دارای توزیع Fبا 1و 𝑛 درجه آزادی است:
𝑛𝑡𝑛 2 = 𝐹1,
1
𝐹 دارای توزیع Fبا 𝑚 و 𝑛 درجه آزادی نکته :اگر 𝑚 𝐹𝑛,دارای توزیع 𝐹 با 𝑛 و 𝑚 درجه آزادی باشد ،آنگاه متغیر تصادفي
𝑚𝑛,
است:
1
𝑛= 𝐹𝑚,
𝑚𝐹𝑛,
1
= 𝑚𝐹𝛼,𝑛,
𝑛𝐹1−𝛼,𝑚,
مثال:
دانشگاه صنتعي اصفهان ،دانشكده مهندسي صنایع و سیستمها فصل سوم :توزیعهای نمونهای
1 1
= 𝐹.9,10,8 = = .42
𝐹.1,8,10 2.38
آماره ̅𝑋 یک آماره بسیار مهم در آمار استنباطي است و این آماره معموال برای تخمین میانگین کل جامعه استفاده ميشود.
اگر 𝑛𝑋 𝑋1 , 𝑋2 , … ,نمونهای تصادفي از یک جامعه نامتناهي با میانگین 𝜇 و واریانس 𝜎 2باشد ،در این صورت صرف نظر از
توزیع جامعه ،همواره داریم:
مثال :اگر 𝑋1 , 𝑋2 , … , 𝑋10نمونهای تصادفي از جامعه نامتناهي با توزیع گاما با پارامترهای 𝜆 = 3و 𝛼 = 2باشد ،امید
ریاضي و واریانس میانگین نمونه چقدر است؟
پاسخ:
𝛼 2
𝛼 2 𝜎 2 𝜆2 3 2 2
= )̄𝑋(𝑟𝑎𝑉 = = 𝜇 = )̄𝑋(𝐸 = = =
𝜆 3 𝑛 𝑛 10 90
مثال :یک فرآیند بستهبندی سیمان را طوری تنظیم نمودهاند که میزان سیمان هر بسته متغیری تصادفي با میانگین 25کیلوگرم
و انحراف معیار 100گرم باشد .احتمال اینكه میانگین سیمان یک نمونه تصادفي 36تایي از این بستهها در بازه 24950گرم و
25050گرم باشد چقدر است؟
17
آمار مهندسي ،خسروشاهي دانشگاه صنعتي اصفهان ،دانشكده مهندسي صنایع و سیستمها
𝜎 2 1002
𝐸(𝑋̄) = 𝜇 = 25000 = )̄𝑋(𝑟𝑎𝑉 =
𝑛 36
همچنین داریم:
بنابراین:
نکته :اگر 𝑛𝑋 𝑋1 , 𝑋2 , … ,نمونهای تصادفي از یک جامعه نرمال با میانگین 𝜇 و واریانس 𝜎 2باشد ،آنگاه توزیع نمونهای ̅𝑋
𝜎2
است .بنابراین صرف نظر از اندازه نمونه ،همواره داریم: 𝑛
نیز نرمال با میانگین 𝜇 و واریانس
𝑛
2𝑛 1
( 𝛤~ 𝑖𝑋 ∑ 𝜆𝑋̄~𝛤(𝛼 = 𝑛, 𝜆′ = 𝑛𝜆) ⇒ 2𝑛𝜆𝑋̄ = 2 2
𝑛, ) = 𝜒2
2 2
𝑖=1
𝑛
2𝑛𝛼 1
( 𝛤~ 𝑖𝑋 ∑ 𝜆𝑋̄~𝛤(𝛼 ′ = 𝑛𝛼, 𝜆′ = 𝑛𝜆) ⇒ 2𝑛𝜆𝑋̄ = 2 2
𝛼𝑛, ) = 𝜒2
2 2
𝑖=1
یكي از آمارههای بسیار مهم و کاربردی در آمار استنباطي 𝑆 2است که به صورت زیر تعریف ميشود:
2
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̄)2
= 𝑆
𝑛−1
دانشگاه صنتعي اصفهان ،دانشكده مهندسي صنایع و سیستمها فصل سوم :توزیعهای نمونهای
نکته :انتظار ميرود اگر 𝜎 2واریانس مجهول جامعه باشد (به ویژه در توزیع نرمال) ،بتوان با بسط دادن 𝑆 2مقدار 𝜎 2را برآورد
نمود.
نکته :اگر 𝑛𝑋 𝑋1 , 𝑋2 , … ,نمونهای تصادفي از یک جامعه نامتناهي با واریانس 𝜎 2باشد ،آنگاه صرف نظر از توزیع جامعه
همواره داریم:
𝐸(𝑆 2 ) = 𝜎 2
نکته :اگر 𝑛𝑋 𝑋1 , 𝑋2 , … ,نمونهای تصادفي از یک جامعه نرمال با میانگین 𝜇 و واریانس 𝜎 2باشد ،آنگاه:
اثبات:
𝑛
)2
𝜇 𝑋𝑖 − 𝑋𝑖 − 𝜇 2 2 2
𝑋𝑖 − 𝜇 2 ∑𝑛𝑖=1(𝑋𝑖 − 𝜇)2
→ 𝜎 𝑋𝑖 ~𝑁(𝜇, ( → 𝑍~ ( ∑ → ) = 𝑍 ~𝜒1 = ) ~𝜒𝑛2
𝜎 𝜎 𝜎 𝜎2
𝑖=1
نکته :اگر 𝑛𝑋 𝑋1 , 𝑋2 , … ,نمونهای تصادفي از یک جامعه نرمال با واریانس 𝜎 2باشد ،آنگاه متغیرهای تصادفي ̅𝑋 و •
19
آمار مهندسي ،خسروشاهي دانشگاه صنعتي اصفهان ،دانشكده مهندسي صنایع و سیستمها
اگر 𝑛𝑋 𝑋1 , 𝑋2 , … ,نمونهای تصادفي از یک جامعه نرمال با میانگین 𝜇 و واریانس 𝜎 2باشد و ̅𝑋 و 𝑆 2میانگین و واریانس
نمونه تصادفي باشد ،آنگاه:
𝜇 𝑋̄ −
~𝑡𝑛−1
𝑆
𝑛√
یادآوری:
مثال :اگر و ̅𝑋 و 𝑆 2میانگین و واریانس نمونه تصادفي با اندازه 100از یک جامعه نرمال با میانگین صفر و واریانس 4باشد
و 𝑃(𝑎𝑋̅ > 𝑆) = 0.01باشد ،آنگاه مقدار 𝑎 را بیابید.
پاسخ:
اگر 𝑥𝑛𝑋 𝑋1 , … ,نمونهای تصادفي از یک جامعه نرمال با میانگین 𝑥𝜇 و واریانس 𝜎𝑥2باشد و ̅𝑋 و 𝑆𝑥2میانگین و واریانس نمونه
باشد ،و 𝑦𝑛𝑌 𝑌1 , … ,نمونهای تصادفي از یک جامعه نرمال با میانگین 𝑦𝜇 و واریانس 𝜎𝑦2باشد و ̅𝑌 و 𝑆𝑦2میانگین و واریانس نمونه
باشد ،در این صورت توزیع تفاوت میانگینهای دو جامعه را در سه حالت زیر بررسي ميکنیم:
به 𝑆𝑝2واریانس ادغام شده گویند و یک میانگین وزني از 𝑆𝑥2و 𝑆𝑦2است .میانگین و واریانس 𝑆𝑝2؟
2
(𝑛𝑥 − 1)𝑆𝑥 2 + (𝑛𝑦 − 1)𝑆𝑦 2 (𝑛 − 1)(𝑆𝑥 2 + 𝑆2 2 ) 𝑆𝑥 2 + 𝑆2 2
𝑝𝑆 = = =
𝑛𝑥 + 𝑛𝑦 − 2 2𝑛 − 2 2
2 2
𝑦𝑆 𝑆 2
) 𝑛 ( 𝑛𝑥 +
) 𝑦𝜇 𝑋̄ − 𝑌̄ − (𝜇𝑥 − 𝑥 𝑦
= 𝑣 𝑣𝑡 ≈ ~𝑡 ′ 2 −2
2 2 2 𝑆𝑦 2
2 𝑆 𝑥𝑆
𝑦 √𝑆𝑥 + ) 𝑛( ) 𝑛(
𝑥𝑛 𝑦𝑛 𝑥 𝑦
𝑛𝑥 + 1 + 𝑛𝑦 + 1
اگر 𝑥𝑛𝑋 𝑋1 , … ,نمونهای تصادفي از یک جامعه نرمال با واریانس 𝜎𝑥2باشد و ̅𝑋 و 𝑆𝑥2میانگین و واریانس نمونه باشد ،و
𝑦𝑛𝑌 𝑌1 , … ,نمونهای تصادفي از یک جامعه نرمال با واریانس 𝜎𝑦2باشد و ̅𝑌 و 𝑆𝑦2میانگین و واریانس نمونه باشد ،در این صورت:
مثال :اگر 𝑋1 , … , 𝑋11نمونهای تصادفي از یک جامعه نرمال با واریانس 𝜎 2باشد و 𝑌1 , … , 𝑌21مستقل از نمونه اول ،نمونهای
21
آمار مهندسي ،خسروشاهي دانشگاه صنعتي اصفهان ،دانشكده مهندسي صنایع و سیستمها
تصادفي از یک جامعه نرمال با واریانس 𝜎 2باشد ،مقدار احتمال زیر را به دست آورید:
11 21
پاسخ: