‫آمار و احتماالت مهندسی‬

‫جلسه هشتم‬

‫‪1/26‬‬
 ‫متغیرهای تصادفی پیوسته‬
‫تفاوت متغیر تصادفی پیوسته با متغیر تصادفی ناپیوسته در دامنة مقادیر ورودی‬
‫آنها است‪ .‬تکیه گاه متغیرهای تصادفی پیوسته زیرمجموعه ای از اعداد حقیقی‬
‫است‪ .‬مانند میزان قد‪ ،‬وزن‪ ،‬فشار خون و‪...‬‬
‫در متغیرهای تصادفی پیوسته به جای عبارت تابع احتمال )‪ Fx(x‬از لفظ یا‬
‫عبارت چگالی احتمال )‪ fx(x‬استفاده می کنیم‪.‬‬
‫مقدار احتمال در اینجا نیز حتماً مقداری غیر منفی است‪ .‬سایر خصوصیات تابع‬
‫چگالی متغیر تصادفی پیوسته از قرار زیر است‪:‬‬

‫تابع توزیع‬ ‫تابع چگالی‬

‫بود و نبود تساوی تفاوتی ندارد‬

‫‪2/26‬‬
 ‫متغیرهای تصادفی پیوسته‬
‫امید ریاضی و واریانس متغیر تصادفی پیوسته‪:‬‬

‫در متغیر های تصادفی پیوسته مقدار احتمال از طریق محاسبة مساحت زیر نمودار‬
‫تابع چگالی احتمال بدست می آید‪.‬‬

‫‪3/26‬‬
 ‫متغیرهای تصادفی پیوسته‬
‫متغیر تصادفی یکنواخت (‪:)Continuous Uniform‬‬
‫ساده ترین نوع توزیع احتمال پیوسته‪ ،‬توزیع یکنواخت است‪ .‬بر اساس این توزیع‪،‬‬
‫چنانچه بخواهیم عددی را بین فاصلة (‪ )a, b‬انتخاب نماییم‪ ،‬بینهایت عدد قابل‬
‫انتخاب هستند‪.‬‬

‫مثال‪ :‬اگر ‪ X‬روی فاصلة (‪ )0, 10‬دارای توزیع یکنواخت پیوسته باشد‪ ،‬مطلوب است محاسبة‪:‬‬
‫(الف) )‪( P(X<3‬ب) )‪( P(X>6‬ج) )‪P(3<X<8‬‬

‫(الف)‬

‫(ب)‬

‫(ج)‬
‫‪4/26‬‬
 ‫متغیرهای تصادفی پیوسته‬
‫متغیر تصادفی یکنواخت (‪:)Continuous Uniform‬‬
‫ساده ترین نوع توزیع احتمال پیوسته‪ ،‬توزیع یکنواخت است‪ .‬بر اساس این توزیع‪،‬‬
‫چنانچه بخواهیم عددی را بین فاصلة (‪ )a, b‬انتخاب نماییم‪ ،‬بینهایت عدد قابل‬
‫انتخاب هستند‪.‬‬

‫اثبات امید ریاضی‪:‬‬

‫‪5/26‬‬
 ‫متغیرهای تصادفی پیوسته‬
‫متغیر تصادفی نرمال‪:‬‬

‫یکی از مهمترین توزیع ها در مباحث آماري است و کاربردهاي بسیاري در‬

‫تحقیقات پزشکی و مهندسی دارد‪ .‬به تجربه ثابت شده است که در دنیاي اطراف ما‬
‫توزیع بسیاري از متغیرهاي طبیعی از همین تابع پیروي می کنند‪ .‬فرمول آن بر‬
‫حسب دو پارامتر میانگین (‪ )μ‬و انحراف از معیار(‪ )σ‬بیان می شود‪.‬‬
‫مثالً متغیرهاي زیادي بر میزان خطاي اندازه‌گیريِ یک کمیت اثر می گذارند‪ ،‬مانند‬
‫خطاي دید‪ ،‬خطاي وسیله اندازه‌گیري‪ ،‬شرایط محیط و غیره‪ .‬ولی با اندازه‌گیري هاي‬
‫متعدد‪ ،‬برآیند این خطاها صفر بوده و مقادیر خطاها با توزیع نرمال حول صفر‬
‫پراکنده شده است‪ .‬مثال‌هاي دیگري از این نوسان‌هاي طبیعی‪ ،‬طول قد‪ ،‬میزان وزن یا‬
‫بهرة هوشی افراد است‪.‬‬
‫‪6/26‬‬
 ‫متغیرهای تصادفی پیوسته‬
‫متغیر تصادفی نرمال‪:‬‬

‫‪Bell Shape Distribution‬‬

‫‪%50‬‬ ‫‪%50‬‬
‫میانگین‪ ،‬میانه و مد هر سه بر هم منطبق هستند‪.‬‬

‫‪7/26‬‬
 ‫متغیرهای تصادفی پیوسته‬
‫متغیر تصادفی نرمال یا توزیع گوسی (‪:)Gaussian Distribution‬‬

‫این توزیع گاهی به دلیل استفاده کارل فردریک گاوس از آن در کارهاي خود با‬
‫نام توزیع یا تابع گوسی (گاوسی) نامیده می‌شود‪ .‬همچنین به دلیل شکل این‬
‫توزیع‪ ،‬با نام انحناي زنگوله‌اي( ‪( )Bell Shaped‬زنگدیس) نیز معروف است‪.‬‬
‫تابع احتمال این توزیع داراي دو پارامتر است که یکی تعیین کننده مکان ( ‪ )μ‬و‬
‫دیگري تعیین کننده مقیاس ( ‪ )σ‬توزیع هستند‪.‬‬
‫فرمول این تابع بر حسب‪ ،‬دو پارامتر میانگین و انحراف از معیار بیان می شود‪.‬‬
‫ضابطه تابع توزیع نرمال به صورت زیر است‪:‬‬

‫‪8/26‬‬

‫‪‬‬
 ‫متغیرهای تصادفی پیوسته‬
‫ویژگی های توزیع نرمال‪:‬‬
‫‪ -1‬توزیعی است پیوسته که از منهاي بینهایت تا مثبت بینهایت گسترده است‪.‬‬
‫‪ -2‬مساحت زیر منحنی نرمال برابر یک است‪P    x     1 .‬‬
‫‪ -3‬میانگین آن ‪ μ‬و انحراف از معیارآن ‪ σ‬است‪.‬‬
‫‪ -4‬توزیعی متقارن است در نتیجه ضریب چولگی آن صفر است‪.‬‬
‫‪ -5‬سه شاخص مهم مرکزي یعنی میانگین‪ ،‬میانه و نما بر هم منطبقند‪.‬‬
‫‪ -6‬محور تقارن آن میانگین (‪ )μ‬است‪ .‬به همین دلیل ) ‪P (x   )  0/ 5  P (x  ‬‬

‫‪1 x  2‬‬
‫‪1‬‬ ‫( ‪‬‬ ‫)‬
‫‪f (x ) ‬‬ ‫‪.e‬‬ ‫‪2 ‬‬ ‫‪   x  ‬‬
‫‪2 ‬‬
‫‪Note constants:‬‬
‫‪=3.14159‬‬ ‫‪9/26‬‬
‫‪e=2.71828‬‬ ‫‪‬‬
 ‫متغیرهای تصادفی پیوسته‬
‫متغیر تصادفی نرمال‪:‬‬
‫مقادیر درصد فراوانی منحنی توزیع نرمال را می توان به کمک مقادیر ‪ μ‬و ‪ σ‬دسته‬
‫بندی کرد‪.‬‬

‫متغیر تصادفی نرمال استاندارد‪:‬‬

‫یک متغیر تصادفی نرمال خاص است که در آن مقدار ‪ μ=0‬و ‪ σ=1‬می باشد‪.‬‬
‫‪10/26‬‬
 ‫متغیرهای تصادفی پیوسته‬
‫متغیر تصادفی نرمال استاندارد‪:‬‬
‫یک متغیر تصادفی نرمال خاص است که در آن مقدار ‪ μ=0‬و ‪ σ=1‬می باشد‪.‬‬

‫‪-3‬‬ ‫‪-2‬‬ ‫‪-1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬

‫‪11/26‬‬
 ‫متغیر تصادفی استاندارد‬
‫متغیر تصادفی اي که داراي میانگین (‪ )μ‬صفر و انحراف از معیار (‪1 )σ‬‬
‫باشد را متغیر تصادفی استاندارد می گویند‪.‬‬
‫اگر ‪ X‬متغیر تصادفی با میانگین ‪ μx‬و انحراف از معیار ‪ σx‬باشد‪ ،‬متغیر‬
‫تصادفی ‪ Z‬که به صورت زیر تعریف می شود یک متغیر تصادفی‬
‫استاندارد است‪:‬‬
‫𝑋𝜇 ‪𝑋 −‬‬
‫=𝑍‬
‫𝑋𝜎‬
‫اثبات‪:‬‬

‫‪12/26‬‬
 ‫توزیع نرمال استاندارد‬

‫اگر‌‪ X‬یک‌متغیر‌تصادفی‌نرمال‌استاندارد‌باشد‪‌،‬احتمال‌اینکه‌‪𝑥 ≤ 1‬‬

‫باشد‌را‌بدست‌آورید‪:‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪−𝑋 2‬‬
‫‪1‬‬
‫‪𝑃 𝑋 ≤ 1 = 𝐹𝑋 1 = න 𝑓𝑥 𝑥 . 𝑑𝑥 = න‬‬ ‫𝑥𝑑 ‪𝑒 2 .‬‬
‫∞‪−‬‬ ‫∞‪−‬‬ ‫𝜋‪2‬‬
‫‪1‬‬ ‫‪−𝑋 2‬‬
‫‪1‬‬
‫=‬ ‫‪න‬‬ ‫𝑥𝑑 ‪𝑒 2 .‬‬
‫𝜋‪2‬‬ ‫∞‪−‬‬
‫𝑿‪−‬‬ ‫𝟐‬
‫𝟏‬ ‫𝒁‬
‫به‌ازاي‌مقادیر‌مختلف‌‪ Z‬محاسبه‌و‌در‌جدولی‌آمده‌‬ ‫׬‬‫∞‪−‬‬
‫𝟐 𝒆‬ ‫مقدار‌انتگرال 𝒙𝒅‪.‬‬
‫𝝅𝟐‬
‫است‌که‌با‌استفاده‌از‌آن‌بدست‌می‌آوریم‪:‬‬
‫‪1‬‬ ‫‪−𝑋 2‬‬
‫‪1‬‬
‫‪න‬‬ ‫𝑥𝑑 ‪𝑒 2 .‬‬ ‫‪= 0.8413‬‬
‫𝜋‪2‬‬ ‫∞‪−‬‬

‫‪13/26‬‬
14/26
 ‫توزیع نرمال استاندارد‬
‫می توان احتماالت هر توزیع نرمال دیگری را با استاندارد کردن و به کمک‬
‫‪x ‬‬ ‫تغییر متغیر ‪ z‬از جداول نرمال استاندارد به دست آورد‪.‬‬
‫‪z ‬‬
‫‪‬‬

‫در توزیع نرمال استاندارد می توان از قواعد زیر برای محاسبه احتماالت استفاده کرد‪:‬‬
‫) ‪1) P (z  a )  1  P (z  a‬‬
‫) ‪2) P (z  a )  P (z  a‬‬
‫) ‪3) P (a  z  b )  P (z  b )  P (z  a‬‬

‫‪15/26‬‬
‫مثال‪ :‬میزان آالیندگی سرب یک نوع اتومبیل بنزینی در هر ‪ 10‬کیلومتر دارای میانگین ‪1‬‬
‫گرم و انحراف استاندارد (‪0/25 )SD‬گرم است‪ .‬یک ماشین به تصادف انتخاب می کنیم‪.‬‬
‫احتمال اینکه آالیندگی سرب آن بین ‪ 0/9‬تا ‪ 1/54‬گرم باشد چقدر است؟‬

‫‪-0.4‬‬ ‫‪2.16‬‬
‫‪16/26‬‬
17/26
‫مثال‪ :‬وزن بسته های چایی کیسه ای دارای انحراف از معیار ‪ 0/04‬گرم هستند‪ .‬همچنین‬
‫میدانیم ‪ 2%‬بسته ها دارای وزن چایی خشک کمتر از ‪ 4‬گرم هستند‪ .‬میانگین این توزیع را‬
‫حساب کنید‪.‬‬

‫‪-2.05‬‬ ‫‪2.05‬‬
‫‪18/26‬‬
19/26
‫مثال‪ :‬قد افراد در یک منطقه‪ ،‬دارای توزیع نرمال با میانگین ‪ 170‬و انحراف استاندارد‪10‬‬
‫سانتیمتر است‪ .‬اگر یک فرد از افراد این منطقه را به تصادف انتخاب کنیم‪:‬‬
‫الف‪ -‬احتمال اینکه قد او کمتر از ‪ 164‬سانتیمتر باشد چقدر است؟‬
‫ب‪ -‬احتمال اینکه قد او در فاصله (‪ )165 , 175‬باشد چقدر است؟‬

‫‪‬‬ ‫‪X   164  170 ‬‬ ‫(الف)‬

‫‪P ( X  164)  P ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪10‬‬ ‫‪‬‬
‫‪ P ( Z  0 / 6)  0 / 2743‬‬

‫‪ 165  170‬‬ ‫‪175  170 ‬‬ ‫(ب)‬

‫‪P (165  X  175)  P ‬‬ ‫‪Z ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪‬‬
‫)‪ P ( 0 / 5  Z  0 / 5‬‬
‫)‪ P ( Z  0 / 5)  P ( Z  0 / 5‬‬
‫‪ 0 / 6915  0 / 3085  0 / 3830‬‬

‫‪20/26‬‬
21/26
 ‫تقریب احتماالت دوجمله ای با توزیع نرمال‬

‫دیدیم که در توزیع دوجملهای هنگامی که تعداد تکرار آزمایش افزایش مییابد محاسبه‬
‫احتماالت تقریباً غیر ممکن است‪ .‬در چنین مواقعی استفاده از تقریب پواسن یک روش‬
‫مناسب برای محاسبه تقریبی احتماالت دوجملهای است‪.‬‬
‫یک روش دیگر‪ ،‬استفاده از توزیع نرمال استاندارد است‪ ،‬مشروط به اینکه مقادیر ‪ np‬و‬
‫)‪ n(1-p‬هردو بزرگتر از ‪ 5‬باشند‪ ،‬از تقریب نرمال استاندارد‪ ،‬اگر این مقادیر کوچکتر از‬
‫‪ 5‬باشند‪ ،‬از تقریب پواسون و اگر بین ‪ 2‬و ‪ 5‬باشند‪ ،‬برای ‪ p<0.01‬از تقریب پواسون و‬
‫برای ‪ p>0.01‬از تقریب نرمال استاندارد استفاده شود‪.‬‬
‫‪X  np‬‬
‫‪Z ‬‬ ‫براي‌این‌کار‌از‌تغییر‌متغیر‌روبرو‌استفاده‌کنید‪‌.‬‬
‫‪npq‬‬

‫‪npq  ‬‬ ‫‪np  ‬‬

‫که‌در‌آن‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌میانگین‌و‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌انحراف‌استاندارد‌توزیع‌دوجمله‌اي‌است‪.‬‬
‫‪x‬‬ ‫‪x‬‬

‫‪22/26‬‬
 ‫تقریب احتماالت دوجمله ای با توزیع نرمال‬
‫از آنجایی که توزیع نرمال استاندارد یک توزیع پیوسته و توزیع دوجمله‌اي یک‬
‫توزیع گسسته است‪ ،‬بهتر است بر اساس یک قانون تجربی به نام تصحیح‬
‫پیوستگی‪ ،‬احتماالت را دقیقتر به دست آورد‪.‬‬

‫به عنوان مثال اگر به جاي فاصله‪ ، 7  X  10‬فاصله ‪ 6 / 5  X  10 / 5‬را در‬

‫نظر بگیریم‪ ،‬احتمال دوجمله‌اي با سطح زیر منحنی نرمال مربوطه بهتر تطبیق پیدا‬
‫می‌کند‪.‬‬

‫‪23/26‬‬
 ‫مثال‪ 30 :‬درصد پذرفته شدگان دانشگاه‪ ،‬متاهل هستند‪ .‬از یک نمونه شامل ‪ 1000‬دانشجو‪،‬‬
‫( الف) احتمال اینکه متاهلها کمتر از ‪ 280‬نفر باشند‪ ،‬چقدر است؟‬
‫(ب) احتمال اینکه دقیقا ‪ 316‬نفر باشند‪ ،‬چقدر است؟‬

‫با‌فرض‌این‌که ‪ X‬تعداد‌متاهل‌ها‌در‌نمونه‌‪ 1000‬تائی‌باشد‪‌،‬دراین‌صورت ‪ X‬داراي‌توزیع‌دو‌‬

‫جمله‌اي‌با ‪p  0 / 3 n  1000‬‬
‫و‌‌‌‌‌‌‌‌‌‌‌‌‌ است‪‌.‬‬
‫‪‬‬
‫‪ npq  1000 0 / 3  0 / 7  14 / 5‬‬ ‫میانگین‌و‌انحراف‌معیار‌توزیع‌عبارتند‌از‪:‬‬
‫‪‬‬
‫‪‬‬
‫‪n . p  300‬‬
‫(الف)‌‬
‫‪‬‬ ‫‪X   280 / 5  300 ‬‬
‫‪P ( X  280 / 5)  P ‬‬ ‫‪‬‬ ‫‪  P ( Z  1 / 35)  0 / 0875‬‬
‫‪ ‬‬ ‫‪14 / 5‬‬ ‫‪‬‬
‫‪‬‬ ‫‪315 / 5  300‬‬ ‫‪316 / 5  300 ‬‬ ‫(ب)‌‬
‫‪P ( X  316 )  P ‬‬ ‫‪Z ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪14‬‬ ‫‪/‬‬ ‫‪5‬‬ ‫‪14‬‬ ‫‪/‬‬ ‫‪5‬‬ ‫‪‬‬
‫‪ P (1 / 07  Z  1 / 14)  P ( Z  1 / 14)  P ( Z  1 / 07)  0 / 8729  0 / 8577  0 / 0152‬‬

‫‪24/26‬‬
‫مثال‪ :‬میدانیم ‪ 10‬درصد از بیماریهای صرع به دارو مقاوم هستند‪ .‬چقدر احتمال دارد در‬
‫بین ‪ 20‬بیمار که اخیرا دارو مصرف کرده اند؛‬
‫(الف) کمتر از ‪ 16‬نفر درمان شوند؟‬
‫(ب) دقیقا ‪ 17‬نفر درمان شوند؟‬
‫آزمایش فوق در شرایط توزیع دو جمله‌اي صدق می‌کند و به دلیل باال بودن تکرار آزمایش‬
‫می‌توان براي محاسبه احتماالت از توزیع نرمال استفاده کرد‪.‬‬
‫‪E (x )  n  p  20 0 / 9  18‬‬ ‫(الف)‬

‫‪ x2  n  p  q  1 / 8 ‬‬
‫‪  x  1 / 34‬‬
‫‪x ‬‬ ‫‪16  18‬‬
‫( ‪P (x  16)  P‬‬ ‫‪‬‬ ‫‪)  P (z  1 / 49)  0 / 075‬‬
‫‪‬‬ ‫‪1 / 34‬‬
‫(ب) از‌تصحیح‌پیوستگی‌استفاده‌می‌کنیم؛‌داریم‪:‬‬

‫‪16 / 5  18 x   17 / 5  18‬‬
‫( ‪P (x  17)  P (16 / 5  x  17 / 5)  P‬‬ ‫‪‬‬ ‫‪‬‬ ‫)‬
‫‪1/ 34‬‬ ‫‪‬‬ ‫‪1 / 34‬‬
‫‪ P (1 / 2  z  0 / 37)  P ( z  0 / 37)  P ( z  1 / 2)  0 / 3557  0 / 1151  0 / 2406‬‬
‫‪25/26‬‬
 ‫مسئله‪:‬‬
‫احتمال مشاهدة ‪ 6‬شیر در ‪ 16‬بار پرتاب یک سکه را با کمک روش توزیع دوجمله ای و‬
‫همچنین تقریب نرمال استاندارد محاسبه کرده و با هم مقایسه کنید‪.‬‬

‫‪26/26‬‬