Professional Documents
Culture Documents
Continuous Distributions
Continuous Distributions
فردوس گرجی
چند توزیع احتمال پیوسته
مثال :1فرض کنید میخواهیم عددی تصادفی در بازه ] [0,1به تصادف انتخاب کنیم .تابع چگالی
آن را بیابید .میانگین عدد انتخابی چند است؟ احتمال اینکه عدد انتخابی بزرگتر از 0/7باشد
چقدر است؟
1
1
𝑃 𝑋 ≥ 0.7 = න 1 𝑑𝑥 = 𝑥 ቤ 𝟑 = 1 − 0.7 = 𝟎.
0.7 0.7
مثال : 2فرض کنید دانشآموزی مسیر خانه تا مدرسه را به طور کامال تصادفی بین
15تا 20دقیقه طی میکند .توزیع زمان حرکت او را محاسبه کنید .میانگین فاصله
زمانی خانه او تا مدرسه چقدر است؟
1
; 15 ≤ 𝑥 ≤ 20 15+20 35
= 𝑥 𝑓 ൝5 =𝜇 = دقیقه 𝟓 = 𝟏𝟕.
0 ; 𝑤 𝑜. 2 2
* تابع چگالی متغیر تصادفی نرمال 𝑋 ،با میانگین 𝜇 و واریانس 𝜎 2عبارت است از:
∞
𝜎 𝜇 −1 𝑢 2
= 𝑢𝑑 න (𝑢 + )𝑒 2
∞2𝜋 − 𝜎
∞ 𝜇𝑥−
1 1 𝑥−𝜇 2 =𝑦
𝑥𝑑 ) 𝜎 𝑒 2
( − 𝜎
𝐸[ 𝑋 − 𝜇 2 ] = න (𝑥 − 𝜇)2 . 1
∞− 𝜋𝜎 2 𝑥𝑑 = 𝑦𝑑
𝜎
∞
𝜎2 −
𝑦2 𝑢=y
= න 𝑦𝑑 𝑦 2 𝑒 2 ൝
𝑒𝑦 = 𝑣𝑑
𝑦2
−
2 = 𝑣 → 𝑦𝑑 −
𝑦2
−𝑒 2
𝜋2 ∞−
∞ ∞
𝜎2 𝑦2 ∞ 𝑦2 1 𝑦2
−𝑦𝑒 − 2 ฬ −න 𝑦𝑑 −𝑒 − 2 = 𝜎2 න 𝑦𝑑 𝑒 − 2 = 𝜎2
𝜋2 ∞− ∞− ∞− 𝜋2
0 )𝑛(𝑦; 0,1
1
سطح زیر منحنی توزیع نرمال :
* میتوان به صورت عددی محاسبه کرد و به صورت جدولهای تابع توزیع تجمعی ارائه کرد( .مثل جداول پوآسن)
* یا باید به ازای همه 𝜇 ها و همه𝜎 های ممکن جدول تهیه کرد(بیشمار حالت) و یا از استاندارد سازی استفاده
کرد.
* مقایسه دادهها و جوامع و تصمیمگیری نیز از دیگر فواید استاندارد سازی است.
𝜇𝑋−
=𝑧 * استاندارد سازی ≡ تغییر متغیر
𝜎
استاندارد سازی:
تعریف:
توزیع متغیر تصادفی نرمال با میانگین صفر و واریانس یک را توزیع نرمال استاندارد گوییم.
)(𝑃(𝑍 ≤ 1.53الف
(با استفاده از جدول توزیع تجمعی 𝑍)
(𝑃 𝑍 ≤ 𝓏 = 0.7019الف
با مشاهده جدول
𝓏 = 0.53
(𝑃 𝑍 ≥ 𝓏 = 0.7517ب
𝑃 𝑍 < 𝓏 = 1 − 0.7517 = 0.2483
با مشاهده جدول
𝓏 = −0.68
راه حل دوم
𝑃 𝑍 ≥ 𝓏 = 0.7517
با مشاهده جدول
𝓏= 𝑃 𝑍 ≤ − − 𝓏 = 0.68
⟹ 𝓏 = −0.68
(𝑃 𝓏 ≤ 𝑍 ≤ 1.5 = 0.3ج
𝝁𝒙−
𝔃= ⇔ 𝝁 𝒙 = 𝝈𝔃 +
𝝈
𝑋−0 𝑥−0
( 𝑃 𝑋 ≤ 𝑥 = 0.99ب 𝑃 ⇒ ≤ = 0.99
0.75 0.75
𝑝↛0
ቐ 𝑝 ↛ 1تقریب خوب اگر 𝑛 بزرگ باشد و
𝑝 → 1Τ2
اگر 𝑛 کوچک باشد و
قضیه :اگر 𝑋 متغیر تصادفی دوجملهای با میانگین 𝑝𝑛 = 𝜇 و واریانس 𝑞𝑝𝑛 = 𝜎 2باشد ،آنگاه
𝑝𝑛𝑋−
= 𝑧 وقتی ∞ → 𝑛 توزیع نرمال استاندارد ) 𝑛(𝑧 ; 0 ,1است. شکل حدی توزیع
𝑞𝑝𝑛
نکته:
𝑋~𝑏 𝑥; 𝑛, 𝑝 ⇒ 𝑃 𝑋 = 𝑥 ≈ 𝑃 𝑥 − 0.5 < 𝑌 < 𝑥 + 0.5
𝑝𝑛 𝑥 − 0.5 − 𝑛𝑝 𝑌 − 𝑛𝑝 𝑥 − 0.5 −
𝑃= < < = 𝑃 𝑧1 ≤ 𝑍 ≤ 𝓏2
𝑞𝑝𝑛 𝑞𝑝𝑛 𝑞𝑝𝑛
گسستهسازی کمیتهای پیوسته
𝑝𝑛 𝑥 − 0.5 −
= 𝑧1
𝑞𝑝𝑛
𝑝𝑛 𝑥 + 0.5 −
= 𝑧2
𝑞𝑝𝑛
مثال :11امتحانی شامل 80سوال تستی 4گزینهای است .احتمال اینکه پاسخهای
کامال حدسی دانشجویی منجر به 25الی 30پاسخ درست شود چقدر است؟
1
=𝑝 , 𝑛 = 80 , 𝜇 = 𝑛𝑝 = 20
4
1 3
= 𝑞𝑝𝑛 = 𝜎 × 80 × = 3.873
4 4
30 در منحنی نرمال با میانگین 𝜇 و واریانس ، 𝜎 2
1 باید مساحت بین 𝑥1 = 24.5و 𝑥2 = 30.5
) 𝑃 25 ≤ 𝑋 ≤ 30 = 𝑏(𝑥 ; 80 ,
4 را حساب کنیم.
𝑥=25
24.5 − 20 30.5 − 20
𝑃 = ≈ 𝑃 24.5 ≤ 𝑋 ≤ 30.5 ≤𝑍≤
3.873 3.873
𝑝 = 0.05معیوب بودن = پیروزی , 𝜇 = 𝑛𝑝 = 5 , 𝜎 = 𝑛𝑝𝑞 = 2.179
𝑋 − 5 2.5 − 5
𝑃≈ 𝑃 𝑋>2 > = 𝑃 𝑍 > −1.15 = 1 − 𝑃 𝑍 < −1.15
2.179 2.179
= 1 − 0.1251 = 0.8749 تقریب توزیع نرمال
0.8753 تقریب توزیع پوآسن
تابع گاما :
تعریف :تابع گاما برای عدد حقیقی مثبت 𝛼 عبارت است از:
∞
𝑥𝑑 𝑥0 𝑥 𝛼−1 𝑒 − = 𝛼 Γ ; 𝛼>0
نکته:
∞ ∞
𝛼−1 𝑥− 𝑥𝛼−1 − ∞
𝑥 Γ 𝛼 =න 𝑒 𝑥𝑑𝑥 = − 𝑒 𝑥𝑑 𝑥ฬ − න − 𝛼 − 1 𝑥 𝛼−2 𝑒 −
0
0 0
= (𝛼 − 1)Γ 𝛼 − 1
… ⇒Γ 𝛼 = 𝛼−1 Γ 𝛼−1 = 𝛼−1 𝛼−2 Γ 𝛼−2
نکته :اگر 𝛼 = nآنگاه:
Γ 𝑛 = 𝑛 − 1 Γ 𝑛 − 1 = 𝑛 − 1 𝑛 − 2 Γ 𝑛 − 2 = 𝑛 − 1 𝑛 − 2 …Γ 1
∞
∞
Γ 1 = න 𝑒 −𝑥 𝑑𝑥 = −𝑒 −𝑥 ฬ 𝟏=
0
0
! ⇒Γ 𝑛 = 𝑛−1
1
Γ نکته = 𝜋:
2
توزیع گاما (:)Gamma distribution
متغیر تصادفی پیوسته 𝑋 دارای توزیع گاما با پارامترهای 𝛼 و 𝛽 است در صورتی که تابع
چگالی آن به صورت زیر باشد:
1 𝑥
𝛽𝛼−1 −
𝑥 𝑒 𝑥>0
)𝛼(𝑓 𝑥 = ቐ𝛽 𝛼 Γ
0 𝑤 𝑜.
∞
که در آن 𝛼 > 0و 𝛽 > 0و 𝑥𝑑 𝑥0 𝑥 𝛼−1 𝑒 − = 𝛼 Γ
اثبات:
∞ 𝑥 𝛼 ∞ 𝑥
𝑥 𝛽𝛼−1 −
𝛽 𝑥 − 1
𝛼 𝐸 𝑋 =න 𝑥 = 𝑥𝑑 𝑒 𝑥𝑑 න 𝛼 . 𝑒 𝛽 . 𝑥
)𝛼(0 𝛽 Γ 𝛽 Γ(𝛼) 0 𝛽 =𝑢
𝛽
∞
𝛽 𝛼 𝑢−
𝛽 𝛽 1
𝑥𝑑 = 𝑢𝑑
= = 𝑢𝑑 𝑒 𝑢 න = Γ 𝛼+1 𝜷𝜶 = 𝛼 𝛼Γ 𝛽
Γ(𝛼) 0 𝛼 Γ 𝛼 Γ
متغیر تصادفی پیوسته 𝑋 دارای توزیع نمایی با پارامتر 𝛽 است اگر تابع چگالی آن به صورت
زیر باشد:
𝑥𝛽1 −
𝑒 𝑥>0
𝛽𝑓 𝑥 = ቐ
0 𝑤 𝑜.
𝑥1 −
= 𝑥 𝑓 𝑒 3 ; 𝑥>0
3
𝑥1 −
→ 𝛽=2 = 𝑥 𝑓 𝑒 2 ; 𝑥>0
2
7 6
𝑥
−1 𝑥𝑑𝑢=3𝑥 , 𝑑𝑢=3
3 1 3 1
= 𝑃 𝑌<3 0 1 7 𝑥 7−1 𝑒 3 = 𝑥𝑑 𝑥0 Γ(7) (3)6 𝑥 6 𝑒 −3 𝑥𝑑 × 3
)Γ(7
3
مثال : 6زمان میان رسیدن دو مراجع به دستگاه خودپرداز دارای توزیع نمایی با میانگین 5دقیقه
است .الف) احتمال اینکه بیش از چهار مشتری در ده دقیقه برسند چقدر است؟ ب) احتمال اینکه
زمان الزم برای رسیدن مشتری پنجم کمتر از 15دقیقه باشد چقدر است؟
𝑔 ⟹ 𝜇𝑋 = 𝛼𝛽 = 15 × 50 = 750
𝜎𝑋2 = 𝛼𝛽2 = 15 × 502 = 37500 𝑔2
متغیر تصادفی پیوسته 𝑋 ،دارای توزیع خی -دو با 𝜈 درجه آزادی است ،اگر تابع چگالی آن به
صورت زیر باشد:
1 𝜈
−1 −
𝑥
𝜈 𝜈 𝑥2 𝑒 2 𝑥 > 0
) (𝑓 𝑥 = ൞22 Γ
2
0 𝑤 𝑜.
که در آن 𝜈 یک عدد صحیح مثبت است.
متغیر تصادفی پیوسته 𝑋 دارای توزیع نرمال لگاریتمی است اگر متغیر تصادفی )𝑋(𝑛𝐿 = 𝑌
دارای توزیع نرمال با میانگین 𝜇 و انحراف معیار 𝜎 باشد .تابع چگالی حاصل برحسب متغیر
تصادفی 𝑋 به صورت زیر است:
1 (𝑙𝑛𝑥−𝜇)2
−
𝑒 2𝜎2 𝑥≥0
𝑥𝜎𝜋𝑓 𝑥 = ൞ 2
0 𝑥<0
تمرین :2معلوم شده است که نرخ متوسط مصرف آب در شهری دارای توزیع نرمال
لگاریتمی با پارامترهای 𝜇 = 5و 𝜎 = 2است .احتمال اینکه در ساعت
مفروضی بیش از 50000گالن مصرف شود چقدر است؟