‫دانشگاه صنعتي اصفهان‬

‫دانشكده مهندسي صنایع و سیستمها‬

‫آمار مهندسي‬
‫‪Applied Statistics for Engineers‬‬

‫فصل سوم‪ :‬توزیعهای نمونهای‬

‫‪Sampling Distributions‬‬

‫حسین خسروشاهي‬

‫بهمن ماه ‪1401‬‬

‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل سوم‪ :‬توزیعهای نمونهای‬

‫فهرست مطالب‬
‫صفحه‬ ‫عنوان‬

‫‪ -1‬نمونهگیری از جامعه متناهي ‪1 ...............................................................................................................................‬‬

‫‪ -۲‬نمونهگیری از جامعه نامتنهاهي ‪۲ .........................................................................................................................................‬‬

‫‪ -3‬آماره (‪ )Statistic‬و توزیع نمونهای (‪3 ................................................................................. )Sampling Distribution‬‬

‫‪ -4‬برخي توزیعهای پرکاربرد ‪4 .................................................................................................................................‬‬

‫‪ -1-4‬توزیع پوواسون ‪4 ......................................................................................................................‬‬

‫‪ -2-4‬توزیع نمایي ‪4 ..........................................................................................................................‬‬
‫‪ -3-4‬توزیع گاما ‪5 ...........................................................................................................................‬‬
‫‪ -4-4‬توزیع ارلنگ ‪5 ........................................................................................................................‬‬
‫‪ -5-4‬توزیع نرمال (‪6 ......................................................................................... )Normal Distribution‬‬
‫‪ 1-5-4‬خصوصیات توزیع نرمال ‪6 ..................................................................................................................‬‬
‫‪ 2-5-4‬توزیع نرمال استاندارد ‪7 .....................................................................................................................‬‬
‫‪ 3-5-4‬محاسبه توزیع تجمعي متغیر نرمال استاندارد ‪7 ............................................................................................‬‬
‫‪ 4-5-4‬خصوصیات توزیع نرمال استاندارد‪7 .......................................................................................................‬‬
‫‪ 5-5-4‬محاسبه توزیع تجمعي متغیر نرمال ‪9 .......................................................................................................‬‬

‫‪ -۵‬توزیعهای نمونهای معروف ‪9 ................................................................................................................................‬‬

‫‪ -1-5‬توزیع مربع کای (‪9 ................................................................................................. )Chi Square‬‬

‫‪ 1-1-5‬محاسبه مقدار 𝟐𝒏 ‪ 𝝌𝜶,‬با استفاده از جدول ‪10 ..........................................................................................‬‬
‫‪ 2-1-5‬خصوصیات توزیع مربع کای ‪11 ...........................................................................................................‬‬
‫‪ -2-5‬توزیع ‪13 .............................................................................................................)t-Student( t‬‬
‫‪ 1-2-5‬محاسبه مقدار 𝒏 ‪ 𝒕𝜶,‬از روی جدول ‪13 ..................................................................................................‬‬
‫‪ 2-2-5‬خصوصیات توزیع ‪14 ..................................................................................................................... t‬‬
‫‪ -3-5‬توزیع ‪ F‬فیشر (‪15 ........................................................................ )Fisher–Snedecor Distribution‬‬
‫‪ 1-3-5‬محاسبه 𝒎 ‪ 𝑭𝜶, 𝒏,‬از روی جدول ‪15 ....................................................................................................‬‬
‫‪ 2-3-5‬خصوصیات توزیع 𝑭 ‪16 ....................................................................................................................‬‬

‫‪ -6‬توزیع میانگین نمونه (𝑿) ‪17 ..................................................................................................................................‬‬

‫‪ -7‬توزیع واریانس نمونه (𝟐𝑺) ‪18 ...............................................................................................................................‬‬

‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫‪ -8‬توزیع )𝒏√‪۲0 ................................................................................................................................. (𝑿 − 𝝁)/(𝑺/‬‬

‫‪ -9‬توزیع تفاوت بین میانگینهای دو نمونه ‪۲0 ..............................................................................................................‬‬

‫‪ -1-9‬اگر وایانسهای جوامع معلوم باشد‪21 ............................................................................................. :‬‬

‫‪ -2-9‬اگر وایانسهای جوامع نامعلوم اما برابر باشد‪21 .................................................................................. :‬‬
‫‪ -9-3‬اگر وایانسهای جوامع نامعلوم و نه لزوما برابر باشد‪21 .......................................................................... :‬‬

‫‪ -10‬توزیع نسبت واریانسهای دو نمونه ‪۲1 ....................................................................................................................‬‬

‫اهداف فصل‬

‫• بررسي خصوصیات نمونهگیری از جامعه متناهي و نامتناهي‬

‫• تعریف قضیه حد مرکزی‬
‫• بررسي توزیعهای نمونهای‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل سوم‪ :‬توزیعهای نمونهای‬

‫‪ -1‬نمونهگیری از جامعه متناهي‬

‫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

‫میانگین نمونه باشد‪ ،‬آنگاه میانگین و واریانس ̅𝑋 را بیابید‪.‬‬

‫‪1‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫پاسخ‪:‬‬

‫‪∑5𝑖=1 𝑐𝑖 (−2) + (−1) + 0 + 1 + 2‬‬ ‫𝑛 ‪𝜎2 𝐾 −‬‬

‫= )̄𝑋(𝐸‬ ‫=‬ ‫̄‬
‫= )𝑋(𝑟𝑎𝑉 ‪= 0,‬‬ ‫(‬ ‫)‬
‫‪5‬‬ ‫‪5‬‬ ‫‪𝑛 𝐾−1‬‬
‫‪∑5𝑖=1(𝑐𝑖 − 𝐸(𝑋̄))2‬‬
‫‪5‬‬ ‫‪5−2‬‬ ‫‪3‬‬
‫=‬ ‫(×‬ ‫=)‬
‫‪2‬‬ ‫‪5−1‬‬ ‫‪4‬‬

‫‪ -2‬نمونهگیری از جامعه نامتنهاهي‬

‫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

‫) 𝑖𝑥( 𝑖𝑋𝑓 ∏ = ) 𝑛𝑥 ‪𝑓𝑋1,…𝑋𝑛 (𝑥1 , … , 𝑥𝑛 ) = 𝑓(𝑥1 , … ,‬‬

‫‪𝑖=1‬‬

‫𝜇‪𝑋̅ −‬‬
‫𝜎‬ ‫اگر 𝑛𝑋 ‪ 𝑋1 , 𝑋2 , … ,‬دنبالهای از متغیرهای تصادفي مستقل با توزیع یكسان و با میانگین 𝜇 و واریانس ‪ 𝜎 2‬باشند آنگاه‬
‫𝑛√‬

‫وقتي که ∞ → 𝑛 دارای توزیع نرمال استاندارد است‪:‬‬

‫𝜇 ‪𝑋̄ −‬‬
‫=𝑍‬ ‫)‪𝜎 ~𝑁(0,1‬‬
‫𝑛√‬
‫∞→𝑛‬

‫یا به عبارت دیگر‪:‬‬

‫𝜇𝑛 ‪∑𝑖 𝑋𝑖 −‬‬

‫=𝑍‬ ‫)‪~𝑁(0,1‬‬
‫𝜎𝑛√‬
‫∞→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:‬‬

‫‪0+2‬‬ ‫‪(2 − 0)2 1‬‬

‫= ) 𝑖𝑋(𝐸‬ ‫= ) 𝑖𝑋(𝑟𝑎𝑉 ‪= 1,‬‬ ‫=‬
‫‪2‬‬ ‫‪12‬‬ ‫‪3‬‬

‫باید احتمال زیر محاسبه شود‪:‬‬

‫)‪𝑃(𝑋1 + 𝑋2 +. . . +𝑋50 ≥ 55‬‬

‫طبق قضیه حد مرکزی داریم‪:‬‬

 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل سوم‪ :‬توزیعهای نمونهای‬

‫‪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

‫باید احتمال زیر محاسبه شود‪:‬‬

‫)‪𝑃(𝑋1 + 𝑋2 +. . . +𝑋100 ≥ 525‬‬

‫طبق قضیه حد مرکزی داریم‪:‬‬

‫‪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

‫‪ -3‬آماره (‪ )Statistic‬و توزیع نمونهای (‪)Sampling Distribution‬‬

‫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.‬‬

‫𝑖𝑥 ‪∑𝑛𝑖=1‬‬ ‫)̄𝑋 ‪∑𝑛𝑖=1(𝑥𝑖 −‬‬

‫= ̄𝑋‬ ‫= ‪𝑆2‬‬
‫𝑛‬ ‫‪𝑛−1‬‬

‫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.‬‬

‫‪ -4‬برخي توزیعهای پرکاربرد‬

‫‪ -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.‬‬

‫𝑥𝜆 𝜆‪𝑒 −‬‬

‫= )𝑥(𝑓‬ ‫… ‪; 𝑥 = 0,1,‬‬ ‫‪𝜆>0‬‬
‫!𝑥‬
‫⇒ )𝜆(𝑃~𝑋‬ ‫𝜆 = )𝑋(𝐸‬
‫𝜆 = )𝑋(𝑟𝑎𝑉‬
‫])‪𝑡 −1‬‬
‫{‬ ‫𝑒(𝜆[ 𝑒 = )𝑡(𝑀‬

‫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:‬‬

‫• تعداد زدههای موجود در یک متر مربع پارچه تولیدی‬

‫• تعداد روزانه مشتریاني که به اداره پست مراجعه ميکنند‬
‫• تعداد اشتباهات تایپي یک منشي در یک صفحه‬
‫• تعداد تصادفات در یک خیابان در یک هفته‬
‫• تعداد ذرات آلفای منتشر شده از یک ماده رادیواکتیو در یک دوره زماني خاص‬

‫‪ -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

‫نکته‪ :‬توزیع نمایي یک توزیع بيحافظه است‪:‬‬

‫)‪𝑃(X>s+t|X>t)=P(X>s‬‬

‫نکته‪ :‬تابع توزیع تجمعي یک متغیر تصادفي با توزیع نمایي به صورت زیر است‪:‬‬

‫‪0‬‬ ‫‪𝑥<0‬‬ ‫‪1‬‬ ‫‪𝑡<0‬‬

‫{ = )𝑥(𝐹‬ ‫𝑡𝜆‪→ 𝑃(𝑋 ≥ 𝑡) = { −‬‬
‫𝑥𝜆‪1 − 𝑒 −‬‬ ‫‪𝑥≥0‬‬ ‫𝑒‬ ‫‪𝑡≥0‬‬

‫‪ -3-4‬توزیع گاما‬

‫‪𝜆𝑒 −𝜆𝑥 (𝜆𝑥)𝛼−1‬‬

‫{ = )𝑥(𝑓‬ ‫‪𝑥≥0‬‬
‫)𝛼(𝛤‬
‫‪0‬‬ ‫𝑤 ‪𝑜.‬‬
‫∞‬
‫)‪𝛤(𝛼) = ∫ 𝑒 −𝑦 𝑦 𝛼−1 𝑑𝑦 = (𝛼 − 1)𝛤(𝛼 − 1‬‬
‫‪0‬‬
‫⇒ )𝜆 ‪𝑋~𝛤(𝛼,‬‬ ‫𝛼‬
‫= )𝑋(𝐸‬
‫𝜆‬
‫𝛼‬
‫‪𝑉𝑎𝑟(𝑋) = 2‬‬
‫𝜆‬
‫𝛼 𝜆‬
‫{‬ ‫( = )𝑡(𝑀‬ ‫)‬
‫𝑡‪𝜆−‬‬

‫نکته‪ :‬اگر 𝑛𝑋 ‪ 𝑋1 , 𝑋2 , … ,‬متغیرهای تصادفي مستقل نمایي با پارامتر 𝜆 باشند آنگاه‪:‬‬

‫𝜆‬
‫) = ‪𝑌 = 𝑎𝑋1 ~𝐸𝑥𝑝 (𝜆′‬‬
‫𝑎‬
‫)𝜆 ‪𝑌 = 𝑋1 + ⋯ + 𝑋𝑛 ~𝛤(𝛼 = 𝑛,‬‬

‫نکته‪ :‬اگر 𝑛𝑋 ‪ 𝑋1 , 𝑋2 , … ,‬متغیرهای تصادفي مستقل گاما با پارامترهای 𝛼 و 𝜆 باشند آنگاه‪:‬‬

‫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.‬‬

‫‪𝜆𝑒 −𝜆𝑥 (𝜆𝑥)𝛼−1‬‬ ‫𝛼𝜆‬

‫= )𝑥(𝑓‬ ‫!)‪(𝛼−1‬‬
‫𝑥𝜆‪= (𝛼−1)! 𝑥 𝛼−1 𝑒 −‬‬

‫⟹ )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

‫ارلنگ با پارامترهای 𝜆و𝛼 خواهد بود‪.‬‬

‫نكته‪ :‬توزیع ارلنگ با پارامترهای 𝜆و𝛼 را ميتوان به صورت مجموع 𝛼 متغیر تصادفي نمایي مستقل با پارامتر 𝜆 نوشت‪.‬‬

‫)𝜆 ‪𝑋𝑖 ~𝐸𝑥𝑝(𝜆) ⇒ 𝑋 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝛼 ~𝐸𝑟(𝛼,‬‬

‫تعریف توزیع نمونهای‪ :‬در آمار استنباطي به توزیع آمارهها توزیع نمونهای (‪ )Sampling Distribution‬گویند‪.‬‬

‫‪ -5-4‬توزیع نرمال (‪)Normal Distribution‬‬

‫‪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

‫نکته‪ :‬شكل نمودار زنگولهای است و حول میانگین متقارن است‪.‬‬

‫‪ 1-5-4‬خصوصیات توزیع نرمال‬

‫• 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 ‫•‬

‫تصادفي نرمال را به نرمال استاندارد تبدیل کرد‪.‬‬

‫‪ 2-5-4‬توزیع نرمال استاندارد‬

‫با استفاده از تغییر متغیر زیر ميتوان تابع توزیع نرمال را به نرمال استاندارد تبدیل کرد‪:‬‬

‫𝜇‪𝑋−‬‬
‫=𝑍‬
‫𝜎‬

‫در این صورت‪:‬‬

‫‪1‬‬ ‫‪𝑥2‬‬
‫‪−‬‬
‫= )𝑧(𝑓‬
‫𝑒‬ ‫‪2‬‬
‫𝜋‪√2‬‬
‫‪𝑍~𝑁(0,1) ⇒ 𝐸(𝑍) = 0 𝑉𝑎𝑟(𝑍) = 1‬‬
‫‪𝑡2‬‬
‫{‬ ‫= )𝑡(𝑀‬ ‫‪𝑒2‬‬

‫‪ 3-5-4‬محاسبه توزیع تجمعي متغیر نرمال استاندارد‬

‫‪𝑃(𝑍 ≤ 1.37) = 𝐹𝑍 (1.37) = 𝜙(1.37) = .9147‬‬

‫‪ 4-5-4‬خصوصیات توزیع نرمال استاندارد‬

‫• اگر متغیر تصادفي 𝑍 دارای توزیع نرمال استاندار و 𝑎 ≥ 𝑏 باشد‪ ،‬برای تابع توزیع تجمعي نرمال استاندارد داریم‪:‬‬

‫)𝑎‪𝐹𝑍 (𝑎) = 𝜙(𝑎) = 1 − 𝜙(−𝑎) = 1 − 𝐹𝑍 (−‬‬

‫)𝑎(𝜙 ‪𝑃(𝑎 ≤ 𝑍 ≤ 𝑏) = 𝜙(𝑏) −‬‬
‫‪𝑃(−𝑎 ≤ 𝑍 ≤ 𝑎) = 2𝜙(𝑎) − 1‬‬
‫) 𝛼𝑧‪𝑃(𝑍 > 𝑧𝛼 ) = 𝑃(𝑍 < −‬‬

‫‪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:‬‬

‫𝛼 ‪𝑃(𝑍 > 𝑧𝛼 ) = 𝛼 ⇒ 𝜙(𝑧𝛼 ) = 1 −‬‬

‫مثال‪:‬‬

‫‪𝑃(𝑍 > 1.37) = 1 − .91 = .09 ⇒ 𝑧1−.91 = 𝑧.09 = 1.37‬‬

‫• رابطه زیر همواره برقرار است‪:‬‬

‫𝛼𝑧‪𝑃(𝑍 > 𝑧𝛼 ) = 𝑃(𝑍 < −𝑧𝛼 ) ⇒ 𝑧1−𝛼 = −‬‬

‫مثال‪:‬‬

‫مثال‪:‬‬

‫𝛼𝑧‪𝑃(𝑍 > 𝑧𝛼 ) = 𝑃(𝑍 < −𝑧𝛼 ) ⇒ 𝑧1−𝛼 = −‬‬

‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل سوم‪ :‬توزیعهای نمونهای‬

‫‪ 5-5-4‬محاسبه توزیع تجمعي متغیر نرمال‬

‫اگر متغیر تصادفي 𝑋 دارای توزیع نرمال با پارامترهای 𝜇 و 𝜎 باشد‪:‬‬

‫𝜇‪𝑋−𝜇 𝑏−‬‬ ‫𝜇‪𝑏−‬‬ ‫𝜇‪𝑏−‬‬ ‫𝜇‪𝑏−‬‬

‫)𝑏( 𝑋𝐹‬ ‫( 𝑃 = )𝑏 ≤ 𝑋(𝑃 =‬ ‫≤‬ ‫≤ 𝑍( 𝑃 = )‬ ‫( 𝑍𝐹 = )‬ ‫(𝜙 = )‬ ‫)‬
‫𝜎‬ ‫𝜎‬ ‫𝜎‬ ‫𝜎‬ ‫𝜎‬

‫همچنین اگر 𝑎 ≥ 𝑏 باشد‪ ،‬رابطه زیر برقرار است‪:‬‬

‫𝜇‪𝑏−‬‬ ‫𝜇‪𝑎−‬‬
‫( 𝜙 = )𝑏 ≤ 𝑋 ≤ 𝑎(𝑃‬ ‫(𝜙‪)−‬‬ ‫)‬
‫𝜎‬ ‫𝜎‬

‫‪ -5‬توزیعهای نمونهای معروف‬

‫‪ -1-5‬توزیع مربع کای (‪)Chi Square‬‬

‫اگر 𝑍 دارای توزیع نرمال استاندارد باشد آنگاه‪:‬‬

‫‪1‬‬ ‫‪1‬‬
‫= 𝛼( 𝛤~ ‪𝜒12 = 𝑍 2‬‬ ‫) = 𝜆‪,‬‬
‫‪2‬‬ ‫‪2‬‬

‫آنگاه ‪ 𝜒12‬دارای توزیع مربع کای با ‪ 1‬درجه آزادی است‪.‬‬

‫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:‬‬

‫𝑛‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪𝑛−2‬‬ ‫𝑥‬

‫= 𝛼( 𝛤~ ‪𝜒𝑛2‬‬ ‫𝑛 = )𝑥( ‪, 𝜆 = ) ⇒ 𝑓𝜒𝑛2‬‬ ‫‪𝑥 2 𝑒 −2 , 𝑥 > 0‬‬
‫‪2‬‬ ‫‪2‬‬ ‫𝑛‬
‫)‪2 2 𝛤 (2‬‬

‫‪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

‫‪ 1-1-5‬محاسبه مقدار 𝒏‪ 𝝌𝟐𝜶,‬با استفاده از جدول‬

‫‪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 ‫‪𝑃(𝜒92 > 3.325) = .95‬‬

‫‪𝜒.95,9‬‬ ‫{ ⇒ ‪= 3.325‬‬
‫‪𝑃(𝜒92 < 3.325) = .05‬‬

‫‪2‬‬ ‫‪𝑃(𝜒92 > 19.023) = .025‬‬

‫‪𝜒.025,9‬‬ ‫{ ⇒ ‪= 19.023‬‬
‫‪𝑃(𝜒92 < 19.023) = .975‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل سوم‪ :‬توزیعهای نمونهای‬

‫‪ 2-1-5‬خصوصیات توزیع مربع کای‬

‫نکته‪ :‬روابط زیر برقرار هستند‪:‬‬

‫‪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

‫𝜆 𝛼‪2‬‬ ‫‪1‬‬ ‫‪2‬‬

‫( 𝛤 ∼ 𝑌𝜆‪𝑌 ∼ 𝛤(𝛼, 𝜆) → 2‬‬ ‫‪,‬‬ ‫𝛼‪= ) = 𝜒2‬‬
‫‪2 2𝜆 2‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫𝑚𝜒 متغیرهای مستقل تصادفي با توزیع مربع کای به ترتیب با 𝑛𝑚 ‪ 𝑚1 , 𝑚2 , … ,‬درجه آزادی‬ ‫‪1‬‬
‫𝑚𝜒 ‪,‬‬ ‫‪2‬‬
‫𝑚𝜒 ‪, … ,‬‬ ‫𝑛‬
‫نکته‪ :‬اگر‬
‫باشند‪ ،‬آنگاه‪:‬‬

‫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 +‬‬

‫‪ 𝑋2‬دارای توزیع مربع کای با 𝑚 ‪ 𝑛 +‬درجه آزادی باشد‪ ،‬آنگاه‪:‬‬

‫‪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

‫نکته‪ :‬توزیع مربع کای چوله مثبت یا چوله به راست است‪.‬‬

 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل سوم‪ :‬توزیعهای نمونهای‬

‫‪ -2-5‬توزیع ‪)t-Student( t‬‬

‫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

‫درجه آزادی به صورت زیر تعریف ميشود‪:‬‬

‫𝑍‬
‫= 𝑛𝑡‬
‫‪2‬‬
‫𝑛𝜒√‬
‫𝑛‬

‫و تابع چگالي آن به صورت زیر است‪:‬‬

‫‪𝑛+1‬‬ ‫‪−‬‬
‫‪𝑛+1‬‬
‫) ‪𝛤( 2‬‬ ‫‪𝑥2‬‬ ‫‪2‬‬
‫= )𝑥( 𝑛𝑡𝑓‬ ‫𝑛‬ ‫‪(1‬‬ ‫‪+‬‬ ‫)‬ ‫‪,‬‬ ‫∞ < 𝑥 < ∞‪−‬‬
‫𝜋𝑛√ )‪𝛤 (2‬‬ ‫‪2‬‬

‫امید ریاضي و واریانس توزیع 𝑡 به صورت زیر است‪:‬‬

‫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.‬‬

‫‪ 1-2-5‬محاسبه مقدار 𝒏‪ 𝒕𝜶,‬از روی جدول‬

‫نقطهای از توزیع 𝑛𝑡 که احتمال سمت راست آن برابر با 𝛼 است را با 𝑛‪ 𝑡𝛼,‬نمایش ميدهیم و داریم‪:‬‬

‫𝛼 = ) 𝑛‪𝑃(𝑡𝑛 > 𝑡𝛼,‬‬

‫مثال‪:‬‬

‫‪𝑃(𝑡 > 2.764) = .01‬‬

‫‪𝑡.01,10 = 2.764 ⇒ { 10‬‬
‫‪𝑡.99,10 = −2.764‬‬

‫‪13‬‬
‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫‪ 2-2-5‬خصوصیات توزیع ‪t‬‬

‫نکته‪ :‬اگر ‪ 𝑍1‬و ‪ 𝑍2‬دو متغیر تصادفي مستقل نرمال استاندارد باشند آنگاه‪:‬‬

‫‪𝑍1‬‬ ‫| ‪𝑍1 |𝑍1‬‬

‫=𝑋‬ ‫=‬ ‫=‬ ‫‪= 𝑡1‬‬
‫‪|𝑍2 | 𝑍2‬‬ ‫‪𝑍2‬‬

‫توزیع ‪ 𝑡1‬یا توزیع 𝑡 با یک درجه آزادی‪ ،‬همان توزیع کوشي (‪ )Cauchy distribution‬است‪:‬‬

‫‪1‬‬
‫= )𝑥( ‪𝑓𝑡1‬‬ ‫∞< 𝑥<∞‪−‬‬
‫) ‪𝜋(1 + 𝑥 2‬‬

‫نکته‪ :‬روابط زیر برای توزیع 𝑡 برقرار است‪:‬‬

‫])𝛼‪𝑡𝛼,1 = 𝑡𝑎𝑛[90(1 − 2‬‬

‫𝛼𝑧 ≈ 𝑛‪𝑡𝛼,‬‬
‫‪𝑛≥30‬‬

‫نکته‪ :‬با افزایش درجه آزادی توزیع 𝑡‪ ،‬این توزیع به سمت نرمال استاندارد میل ميکند‪:‬‬

‫نکته‪ :‬توزیع 𝑡 یک توزیع متقارن است‪.‬‬

 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل سوم‪ :‬توزیعهای نمونهای‬

‫‪ -3-5‬توزیع ‪ F‬فیشر (‪)Fisher–Snedecor Distribution‬‬

‫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

‫درجه آزادی است به صورت زیر تعریف ميگردد‪:‬‬

‫𝑈‬
‫𝑚‪𝐹𝑛,‬‬ ‫𝑛 =‬
‫𝑉‬
‫𝑚‬

‫و تابع چگالي آن به صورت زیر است‪:‬‬

‫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

‫امید ریاضي و واریانس توزیع 𝐹 به صورت زیر است‪:‬‬

‫𝑚‬ ‫)‪2𝑚2 (𝑛 + 𝑚 − 2‬‬

‫= ) 𝑚‪𝐸(𝐹𝑛,‬‬ ‫‪,‬‬ ‫= ) 𝑚‪𝑚 > 2𝑉𝑎𝑟(𝐹𝑛.‬‬ ‫‪,‬‬ ‫‪𝑚>4‬‬
‫‪𝑚−2‬‬ ‫)‪𝑛(𝑚 − 2)2 (𝑚 − 4‬‬

‫نکته‪ :‬امید ریاضي توزیع 𝐹 برای ‪ 𝑚 ≤ 2‬وجود ندارد‪ .‬همچنین واریانس توزیع 𝐹 برای ‪ 𝑚 ≤ 4‬وجود ندارد‪.‬‬

‫‪ 1-3-5‬محاسبه 𝒎‪ 𝑭𝜶,𝒏,‬از روی جدول‬

‫نقطهای از توزیع 𝑚‪ 𝐹𝑛,‬که احتمال سمت راست آن 𝛼 است را با 𝑚‪ 𝐹𝛼,𝑛,‬نمایش ميدهند و برای آن داریم‪:‬‬

‫𝛼 = ) 𝑚‪𝑃(𝐹𝑛,𝑚 > 𝐹𝛼,𝑛,‬‬

‫مثال‪:‬‬

‫‪𝑃(𝐹10,8 > 2.54) = 0.1‬‬

‫{ ⇒ ‪𝐹.1,10,8 = 2.54‬‬
‫‪𝑃(𝐹10,8 < 2.54) = 0.9‬‬

‫‪15‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫‪ 2-3-5‬خصوصیات توزیع 𝑭‬

‫نکته‪ :‬روابط زیر برقرار است‪:‬‬

‫𝛼 = ) 𝑚‪𝑃(𝐹𝑛,𝑚 > 𝐹𝛼,𝑛,𝑚 ) = 𝑃(𝐹𝑛,𝑚 < 𝐹1−𝛼,𝑛,‬‬

‫𝛼 ‪𝑃(𝐹𝑛,𝑚 < 𝐹𝛼,𝑛,𝑚 ) = 𝑃(𝐹𝑛,𝑚 > 𝐹1−𝛼,𝑛,𝑚 ) = 1 −‬‬

‫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,‬‬

‫نکته‪ :‬رابطه زیر برقرار است‪:‬‬

‫‪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

‫‪ -6‬توزیع میانگین نمونه ( ̅‬

‫𝑿)‬

‫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:‬‬

‫‪𝜎2‬‬ ‫‪𝜎2‬‬ ‫̄𝑋𝜇 ‪𝑋̄ −‬‬ ‫𝜇 ‪𝑋̄ −‬‬

‫= ‪𝐸(𝑋̄) = 𝜇𝑋̄ = 𝜇𝑉𝑎𝑟(𝑋̄) = 𝜎𝑋̄ 2‬‬ ‫→ ) ‪𝑋̄~𝑁 (𝜇,‬‬ ‫)‪= 𝜎 ~𝑁(0,1‬‬
‫𝑛‬ ‫𝑛‬ ‫̄𝑋𝜎‬
‫∞→𝑛‬ ‫𝑛√‬
‫∞→𝑛‬

‫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

‫پاسخ‪ :‬توزیع ̅𝑋 دارای میانگین و واریانس زیر است‪:‬‬

‫‪𝜎 2 1002‬‬
‫‪𝐸(𝑋̄) = 𝜇 = 25000‬‬ ‫= )̄𝑋(𝑟𝑎𝑉‬ ‫=‬
‫𝑛‬ ‫‪36‬‬

‫همچنین داریم‪:‬‬

‫̄𝑋𝜇 ‪𝑋̄ −‬‬ ‫‪𝑋̄ − 25000‬‬

‫=‬ ‫)‪~𝑁(0,1‬‬
‫̄𝑋𝜎‬ ‫‪100‬‬
‫∞→𝑛‬ ‫‪6‬‬
‫∞→𝑛‬

‫بنابراین‪:‬‬

‫‪24950 − 25000‬‬ ‫‪𝑋̄ − 25000‬‬ ‫‪25050 − 25000‬‬

‫)‪𝑃(24950 < 𝑋̄ < 25050‬‬ ‫(𝑃 =‬ ‫<‬ ‫<‬ ‫)‬
‫‪100‬‬ ‫‪100‬‬ ‫‪100‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬
‫‪= 𝑃(−3 < 𝑧 < 3) = 2𝜙(3) − 1 = .9973‬‬

‫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

‫̄𝑋𝜇 ‪𝑋̄ −‬‬ ‫𝜇 ‪𝑋̄ −‬‬

‫)‪= 𝜎 ~𝑁(0,1‬‬
‫̄𝑋𝜎‬
‫𝑛√‬

‫نکته‪ :‬اگر 𝑛𝑋 ‪ 𝑋1 , 𝑋2 , … ,‬نمونهای تصادفي از یک جامعه نمایي با پارامتر 𝜆 باشد‪ ،‬آنگاه‪:‬‬

‫𝑛‬
‫‪2𝑛 1‬‬
‫( 𝛤~ 𝑖𝑋 ∑ 𝜆‪𝑋̄~𝛤(𝛼 = 𝑛, 𝜆′ = 𝑛𝜆) ⇒ 2𝑛𝜆𝑋̄ = 2‬‬ ‫‪2‬‬
‫𝑛‪, ) = 𝜒2‬‬
‫‪2 2‬‬
‫‪𝑖=1‬‬

‫نکته‪ :‬اگر 𝑛𝑋 ‪ 𝑋1 , 𝑋2 , … ,‬نمونهای تصادفي از یک جامعه گاما با پارامترهای 𝛼 و 𝜆 باشد‪ ،‬آنگاه‪:‬‬

‫𝑛‬
‫‪2𝑛𝛼 1‬‬
‫( 𝛤~ 𝑖𝑋 ∑ 𝜆‪𝑋̄~𝛤(𝛼 ′ = 𝑛𝛼, 𝜆′ = 𝑛𝜆) ⇒ 2𝑛𝜆𝑋̄ = 2‬‬ ‫‪2‬‬
‫𝛼𝑛‪, ) = 𝜒2‬‬
‫‪2 2‬‬
‫‪𝑖=1‬‬

‫‪ -7‬توزیع واریانس نمونه (𝟐𝑺)‬

‫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:‬‬

‫‪∑𝑛𝑖=1(𝑋𝑖 − 𝜇)2‬‬ ‫‪∑𝑛 (𝑋 − 𝑋̄)2 (𝑛 − 1)𝑆 2‬‬

‫𝑖 ‪2 𝑖=1‬‬ ‫‪2‬‬
‫𝑛𝜒~‬ ‫=‬ ‫‪~𝜒𝑛−1‬‬
‫‪𝜎2‬‬ ‫‪𝜎2‬‬ ‫‪𝜎2‬‬

‫اثبات‪:‬‬

‫برای اثبات رابطه اول داریم‪:‬‬

‫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

‫برای اثبات رابطه دوم داریم‪:‬‬

‫‪∑𝑛𝑖=1(𝑋𝑖 − 𝑋̄)2 ∑𝑛𝑖=1[(𝑋𝑖 − 𝜇) − (𝑋̄ − 𝜇)]2‬‬

‫=‬
‫‪𝜎2‬‬ ‫‪𝜎2‬‬
‫)𝜇 ‪∑𝑖=1(𝑋𝑖 − 𝜇)2 + ∑𝑛𝑖=1(𝑋̄ − 𝜇)2 − ∑𝑛𝑖=1 2 (𝑋𝑖 − 𝜇)(𝑋̄ −‬‬
‫𝑛‬
‫=‬
‫‪𝜎2‬‬
‫)𝜇 ‪∑𝑖=1(𝑋𝑖 − 𝜇)2 + 𝑛(𝑋̄ − 𝜇)2 − 2(𝑋̄ − 𝜇) ∑𝑛𝑖=1(𝑋𝑖 −‬‬
‫𝑛‬
‫=‬
‫‪𝜎2‬‬
‫‪∑𝑖=1(𝑋𝑖 − 𝜇)2 + 𝑛(𝑋̄ − 𝜇)2 − 2𝑛(𝑋̄ − 𝜇)2‬‬
‫𝑛‬
‫=‬
‫‪𝜎2‬‬
‫)𝜇 ‪∑𝑖=1(𝑋𝑖 − 𝜇) − 𝑛(𝑋̄ −‬‬
‫𝑛‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪∑𝑖=1(𝑋𝑖 − 𝜇)2 (𝑋̄ − 𝜇)2‬‬
‫𝑛‬
‫=‬ ‫=‬ ‫‪−‬‬
‫‪𝜎2‬‬ ‫‪𝜎2‬‬ ‫‪𝜎2‬‬
‫𝑛‬
‫‪∑𝑛𝑖=1(𝑋𝑖 − 𝑋̄)2 ∑𝑛𝑖=1(𝑋𝑖 − 𝜇)2 (𝑋̄ − 𝜇)2‬‬ ‫‪∑𝑛𝑖=1(𝑋𝑖 − 𝑋̄)2 (𝑛 − 1)𝑆 2‬‬
‫⇒‬ ‫=‬ ‫‪−‬‬ ‫⇒‬ ‫=‬ ‫‪= 𝜒𝑛2 − 𝜒12 ~𝜒𝑛−1‬‬
‫‪2‬‬
‫‪𝜎2‬‬ ‫‪𝜎2‬‬ ‫‪𝜎2‬‬ ‫‪𝜎2‬‬ ‫‪𝜎2‬‬
‫𝑛‬

‫اگر 𝑛𝑋 ‪ 𝑋1 , 𝑋2 , … ,‬نمونهای تصادفي از یک جامعه نرمال با واریانس ‪ 𝜎 2‬باشد‪ ،‬آنگاه‪:‬‬ ‫•‬

‫‪2𝜎 4 2‬‬ ‫‪2‬‬

‫= ) ‪𝐸(𝑆 2 ) = 𝜎 2 𝑉𝑎𝑟(𝑆 2‬‬ ‫‪𝑆 ~? ~𝜒𝑛−1‬‬
‫‪𝑛−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

‫‪ 𝑆 2‬نسبت به یكدیگر مستقلند‪.‬‬

‫‪ -8‬توزیع )𝒏√‪̅ − 𝝁)/(𝑺/‬‬

‫𝑿(‬

‫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:‬‬

‫𝜇 ‪𝑋̄ −‬‬ ‫‪(𝑛 − 1)𝑆 2‬‬ ‫‪2‬‬

‫)‪𝜎 ~𝑍 = 𝑁(0,1‬‬ ‫‪𝜎2‬‬
‫‪~𝜒𝑛−1‬‬
‫𝑛√‬

‫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:‬‬

‫𝜇 ‪𝑋̄ −‬‬ ‫̄𝑋‪𝑋̄ − 0 10‬‬ ‫‪10𝑋̄ 10‬‬

‫⇒ ‪~𝑡𝑛−1‬‬ ‫=‬ ‫( 𝑃 ⇒ ‪~𝑡99 ⇒ 𝑃(𝑎𝑋̄ > 𝑆) = .01‬‬ ‫‪> ) = .01‬‬
‫𝑆‬ ‫𝑆‬ ‫𝑆‬ ‫𝑆‬ ‫𝑎‬
‫𝑛√‬ ‫‪√100‬‬
‫‪10‬‬ ‫‪10‬‬ ‫‪10‬‬
‫⇒ ‪⇒ 𝑃 (𝑡99 > ) = .01‬‬ ‫= 𝑎 ⇒ ‪= 𝑡.01,99 ≈ 𝑧.01 = 2.32‬‬ ‫‪= 4.31‬‬
‫𝑎‬ ‫𝑎‬ ‫‪2.32‬‬

‫‪ -9‬توزیع تفاوت بین میانگینهای دو نمونه‬

‫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:‬‬

‫وایانسهای جوامع معلوم باشد‬ ‫•‬

‫وایانسهای جوامع نامعلوم ولي برابر باشد‬ ‫•‬
‫وایانسهای جوامع نامعلوم و نه لزوما برابر باشد‬ ‫•‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل سوم‪ :‬توزیعهای نمونهای‬

‫‪ -1-9‬اگر وایانسهای جوامع معلوم باشد‪:‬‬

‫‪𝜎𝑥 2 𝜎𝑦 2‬‬ ‫) 𝑦𝜇 ‪𝑋̄ − 𝑌̄ − (𝜇𝑥 −‬‬

‫‪𝑋̄ − 𝑌̄~𝑁 (𝜇𝑥 − 𝜇𝑦 ,‬‬ ‫‪+‬‬ ‫⇒)‬ ‫𝑍~‬
‫𝑥𝑛‬ ‫𝑦𝑛‬ ‫‪2‬‬
‫𝜎‬ ‫‪2‬‬ ‫𝜎‬
‫𝑦 ‪√ 𝑥 +‬‬
‫𝑛‬ ‫𝑛‬ ‫𝑥‬ ‫𝑦‬

‫‪ -2-9‬اگر وایانسهای جوامع نامعلوم اما برابر باشد‪:‬‬

‫) 𝑦𝜇 ‪𝑋̄ − 𝑌̄ − (𝜇𝑥 −‬‬ ‫‪2‬‬

‫‪(𝑛𝑥 − 1)𝑆𝑥 2 + (𝑛𝑦 − 1)𝑆𝑦 2‬‬
‫𝑝𝑆 ‪~𝑡𝑛𝑥 +𝑛𝑦 −2‬‬ ‫=‬
‫‪𝑛𝑥 + 𝑛𝑦 − 2‬‬
‫‪1‬‬ ‫‪1‬‬
‫𝑛 ‪𝑆𝑝 √𝑛 +‬‬
‫𝑥‬ ‫𝑦‬

‫به ‪ 𝑆𝑝2‬واریانس ادغام شده گویند و یک میانگین وزني از ‪ 𝑆𝑥2‬و ‪ 𝑆𝑦2‬است‪ .‬میانگین و واریانس ‪ 𝑆𝑝2‬؟‬

‫نكته‪ :‬اگر 𝑦𝑛 = 𝑥𝑛 باشد آنگاه ?= ‪: 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

‫‪ -3-9‬اگر وایانسهای جوامع نامعلوم و نه لزوما برابر باشد‪:‬‬

‫‪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

‫‪ -10‬توزیع نسبت واریانسهای دو نمونه‬

‫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:‬‬

‫‪(𝑛𝑥 − 1)𝑆𝑥 2‬‬

‫‪∑𝑛𝑖=1‬‬
‫𝑥‬
‫𝑖𝑋(‬ ‫𝑋‪−‬‬ ‫‪̄ )2‬‬
‫𝑥𝑆)‪(𝑛𝑥 − 1‬‬ ‫‪2‬‬
‫‪2‬‬
‫‪𝜎𝑥 2‬‬
‫=‬ ‫𝜒~‬
‫‪𝜎𝑥 2‬‬ ‫‪𝜎𝑥 2‬‬ ‫𝑛‬‫𝑥‬ ‫‪−1‬‬
‫‪𝑛𝑥 − 1‬‬ ‫‪𝑆𝑥 2 𝜎𝑦 2‬‬
‫𝑦𝑛‬ ‫=‬ ‫‪~𝐹𝑛𝑥 −1,𝑛𝑦 −1‬‬
‫‪∑𝑖=1‬‬‫‪(𝑌𝑖 − 𝑌̄)2 (𝑛𝑦 − 1)𝑆𝑦 2‬‬ ‫‪(𝑛𝑦 − 1)𝑆𝑦 2‬‬ ‫‪𝑆𝑦 2 𝜎𝑥 2‬‬
‫=‬ ‫‪~𝜒𝑛2𝑦 −1‬‬ ‫‪𝜎𝑦 2‬‬
‫‪𝜎𝑦 2‬‬ ‫‪𝜎𝑦 2‬‬ ‫}‬
‫‪𝑛𝑦 − 1‬‬

‫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

‫𝑋 ‪𝑃 (∑(𝑋𝑖 −‬‬ ‫‪̄ )2‬‬ ‫?= ) ‪> 1.685 ∑(𝑌𝑖 − 𝑌̄)2‬‬

‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬

‫پاسخ‪:‬‬

‫‪11‬‬ ‫‪21‬‬ ‫‪∑11‬‬ ‫‪̄ 2‬‬

‫) 𝑋 ‪𝑖=1(𝑋𝑖 −‬‬ ‫‪1‬‬
‫‪𝑃 (∑(𝑋𝑖 − 𝑋̄) > 1.685 ∑(𝑌𝑖 − 𝑌̄) ) = 𝑃 ( 21‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪11‬‬ ‫‪−‬‬ ‫‪1‬‬ ‫‪> 1.685‬‬ ‫‪11‬‬ ‫)‪− 1‬‬
‫‪∑𝑖=1(𝑌𝑖 − 𝑌̄)2‬‬ ‫‪1‬‬
‫‪𝑖=1‬‬ ‫‪𝑖=1‬‬
‫‪21 − 1‬‬ ‫‪21 − 1‬‬
‫‪2‬‬ ‫‪2 2‬‬
‫𝑥𝑆‬ ‫𝜎 𝑥𝑆‬
‫‪= 𝑃 ( 2 > 2 × 1.685) = 𝑃 ( 2 2 > 3.37) = 𝑃(𝐹10,20 > 3.37) = .01‬‬
‫𝑦𝑆‬ ‫𝜎 𝑦𝑆‬