‫برخی از توزیعهای پیوسته‬

‫فردوس گرجی‬
 ‫چند توزیع احتمال پیوسته‬

‫‪ ‬توزیع یکنواخت پیوسته ‪:‬‬

‫تابع چگالی متغیر تصادفی یکنواخت پیوسته 𝑋 در فاصله ]𝐵‪ [𝐴,‬عبارت است از‪:‬‬
‫)𝑥(𝑓‬
‫‪1‬‬
‫𝐴 ‪𝑓 𝑥; 𝑘 = ቐ𝐵 −‬‬ ‫𝐵≤𝑥≤𝐴 ;‬ ‫‪1‬‬
‫𝐴‪𝐵−‬‬
‫‪0‬‬ ‫;‬ ‫𝑤 ‪𝑜.‬‬
‫𝑥‬
‫𝐴‬ ‫𝐵‬
‫‪1‬‬
‫)‬ ‫* توزیع مستطیلی (مستطیلی با قاعده 𝐴 ‪ 𝐵 −‬و ارتفاع‬
‫𝐴‪𝐵−‬‬
 ‫‪ ‬قضیه ‪ :‬میانگین و واریانس توزیع یکنواخت پیوسته عبارت است از‪:‬‬

‫𝐵‪𝐴+‬‬ ‫‪(𝐵 − 𝐴)2‬‬

‫=𝜇‬ ‫‪𝜎2‬‬ ‫=‬
‫‪2‬‬ ‫‪12‬‬

‫‪ ‬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 ‫‪; 0≤𝑥≤1‬‬ ‫‪1+0‬‬ ‫‪1‬‬

‫‪𝑓 𝑥 =ቊ‬‬ ‫= 𝑋𝜇‬ ‫𝟓 ‪= = 𝟎.‬‬
‫‪0‬‬ ‫;‬ ‫𝑤 ‪𝑜.‬‬ ‫‪2‬‬ ‫‪2‬‬

‫‪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

‫* احتمال اینکه کمتر از ‪ 17‬دقیقه تا مدرسه راه طی کند چقدر است؟‬

‫‪17‬‬
‫‪1‬‬ ‫‪1 17 17 15 2‬‬
‫‪𝑃 𝑋 ≤ 17 = න‬‬ ‫= ‪𝑑𝑥 = 𝑥 ቤ‬‬ ‫‪−‬‬ ‫𝟒 ‪= = 𝟎.‬‬
‫‪15‬‬ ‫‪5‬‬ ‫‪5 15‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬
 ‫‪ ‬توزیع نرمال یا گاوسی ‪:‬‬

‫* مهمترین توزیع احتمال پیوسته در آمار‬

‫* بررسی پدیدههای طبیعی (علت نامگذاری) و فیزیکی مانند نوسان فیزیکی حول یک مقدار خاص‪،‬‬
‫مدلسازی خطاهای اندازهگیری‪ ،‬پردازش سیگنالها و تصاویر‪ ،‬تقریب توزیعهای دیگر‪ ،‬استفاده در‬
‫توزیعهای نمونهای‪ ،‬اندازه قطعات ساخته شده در کارخانه‪ ،‬نمرات یک کالس‪ ،‬قد و وزن و فشار خون‬
‫افراد و ‪...‬‬
‫* به احترام کارل گاوس که نخستین بار این توزیع را پیشنهاد داد نامگذاری شده است‪( .‬برای محاسبه‬
‫خطا)‬
‫* تابع چگالی آن با دو پارامتر میانگین (𝜇) و انحراف معیار (𝜎) توزیع مشخص میشود‪.‬‬
‫* شکل زنگولهای شکل‬
 ‫‪ ‬توزیع نرمال یا گاوسی ‪:‬‬

‫* تابع چگالی متغیر تصادفی نرمال 𝑋 ‪ ،‬با میانگین 𝜇 و واریانس ‪ 𝜎 2‬عبارت است از‪:‬‬

‫‪1‬‬ ‫‪1 𝑥−𝜇 2‬‬

‫‪𝑛 𝑥 ; 𝜇, σ‬‬ ‫‪2‬‬
‫=‬ ‫) 𝜎 ‪𝑒 2‬‬
‫( ‪−‬‬
‫∞< 𝑥<∞‪−‬‬
‫𝜋‪𝜎 2‬‬
‫که … ‪ 𝑒 = 2.7182‬و … ‪𝜋 = 3.1415‬‬

‫* 𝜇 = میانگین ‪ ،‬میانه ‪ ،‬مد‬

‫* متقارن حول 𝜇‬
‫* نقاط عطف 𝜎 ‪ 𝑥2 = 𝜇 +‬و 𝜎 ‪𝑥2 = 𝜇 −‬‬
‫* ‪lim 𝑛(𝑥 ; 𝜇,𝜎) = 0‬‬
‫∞‪𝑥→±‬‬
‫مثالها را حل میکنیم‪ .‬در بسیاری از کاربردها (فصلهای آینده)‪ ،‬دادهها در‬ ‫‪2‬‬
‫دانستن 𝜇 و 𝜎‬ ‫* در این فصل با‬
‫مسئله رفتاری شبیه توزیع نرمال دارند و ما به دنبال یافتن 𝜇 و‪ 𝜎 2‬هستیم تا دادهها را تحلیل کنیم‪.‬‬
 ‫‪ ‬محاسبه میانگین توزیع نرمال‪:‬‬
‫∞‬ ‫𝜇‪𝑥−‬‬
‫‪1‬‬ ‫𝜇‪1 𝑥−‬‬
‫‪−2( 𝜎 )2‬‬ ‫=𝑢‬
‫‪𝐸 𝑋 =න‬‬ ‫‪𝑥.‬‬ ‫𝑒‬ ‫𝑥𝑑‬ ‫‪1‬‬
‫𝜎‬

‫∞‪−‬‬ ‫𝜋‪𝜎 2‬‬ ‫𝑥𝑑 = ‪𝑢′‬‬

‫𝜎‬

‫∞‬
‫𝜎‬ ‫‪𝜇 −1 𝑢 2‬‬
‫=‬ ‫𝑢𝑑 ‪න (𝑢 + )𝑒 2‬‬
‫∞‪2𝜋 −‬‬ ‫𝜎‬

‫∞‬ ‫‪𝑢2‬‬ ‫∞‬ ‫‪𝑢2‬‬

‫𝜎‬ ‫‪−‬‬ ‫‪1‬‬ ‫‪−‬‬
‫=‬ ‫‪න‬‬ ‫𝑒𝑢‬ ‫𝑢𝑑 ‪2‬‬ ‫‪+𝜇න‬‬ ‫𝑒‬ ‫𝑢𝑑 ‪2‬‬ ‫𝜇=‬
‫𝜋‪2‬‬ ‫∞‪−‬‬ ‫∞‪−‬‬ ‫𝜋‪2‬‬
‫‪𝑢2‬‬ ‫∞‬
‫𝑒‪−‬‬ ‫‪−‬‬ ‫)‪𝑛(𝑥; 0,1‬‬
‫‪2‬‬ ‫‪ฬ‬‬
‫∞‪−‬‬
‫‪0‬‬ ‫‪1‬‬
 ‫‪ ‬محاسبه واریانس توزیع نرمال‪:‬‬

‫∞‬ ‫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 ‪:‬‬

‫مساحت زیر منحنی بین دو مقدار ‪ 𝑥1‬و ‪𝑃 𝑥1 ≤ 𝑋 ≤ 𝑥2 = 𝑥1‬‬

‫* محاسبه انتگرال چگالی نرمال سخت است‪.‬‬

‫* 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:‬‬

‫𝜇‪𝑋−‬‬ ‫𝜇 ‪𝑥1 −‬‬ ‫𝜇 ‪𝑥2 −‬‬

‫=𝑧‬ ‫⇒‬ ‫⇔ ‪𝑥1 ≤ 𝑋 ≤ 𝑥2‬‬ ‫≤𝑍≤‬
‫𝜎‬ ‫𝜎‬ ‫𝜎‬
‫⇓‬
‫‪1‬‬
‫𝑥𝑑 = 𝑍𝑑‬
‫𝜎‬
‫‪𝑥2‬‬ ‫‪𝑧2‬‬
‫‪1‬‬ ‫‪1 𝑥−𝜇 2‬‬ ‫‪1‬‬ ‫‪1 2‬‬
‫‪𝑃 𝑥1 ≤ 𝑋 ≤ 𝑥2 = න‬‬ ‫𝑥𝑑 ) 𝜎 (‪𝑒 −2‬‬ ‫‪=න‬‬ ‫‪𝑒 −2𝑧 𝑑𝑧 = 𝑃 𝑧1 ≤ 𝑍 ≤ 𝑧2‬‬
‫‪𝑥1‬‬ ‫𝜋‪𝜎 2‬‬ ‫‪𝑧1‬‬ ‫𝜋‪2‬‬
‫‪1‬‬
‫‪1‬‬ ‫‪− 𝑧2‬‬
‫= ‪𝑛 𝑧 ;0 ,1‬‬ ‫‪𝑒 2‬‬ ‫توزیع نرمال استاندارد‬
‫𝜋‪2‬‬

‫‪ ‬تعریف‪:‬‬
‫توزیع متغیر تصادفی نرمال با میانگین صفر و واریانس یک را توزیع نرمال استاندارد گوییم‪.‬‬

‫مساحت ناحیه 𝐵 = مساحت ناحیه 𝐴‬

‫‪𝑃 𝑥1 ≤ 𝑋 ≤ 𝑥2 = 𝑃 𝑧1 ≤ 𝑍 ≤ 𝑧2‬‬
 ‫‪ ‬مثال‪ :3‬فرض کنید 𝑍 دارای توزیع نرمال استاندارد است‪ .‬مقدار احتماالت زیر را بیابید‪:‬‬

‫)‪(𝑃(𝑍 ≤ 1.53‬الف‬ ‫)‪(𝑃(𝑍 > 0.87‬ب‬

‫‪(𝑃 −1.94 ≤ 𝑍 ≤ 0.12‬ج‬

‫)‪(𝑃(𝑍 ≤ 1.53‬الف‬
‫(با استفاده از جدول توزیع تجمعی 𝑍)‬

‫مساحت𝐴 = ‪(𝑃 𝑍 > 0.87‬ب‬

‫‪= 1 − 𝑃 𝑍 ≤ 0.87‬‬
‫‪= 1 − 0.8078 = 0.1922‬‬

‫راه دوم با استفاده از تقارن توزیع‬

‫‪𝑃 𝑍 > 0.87 = 𝑃 𝑍 < −0.87‬‬
‫‪ = 0.1922‬مساحت𝐵 =‬
‫مساحت𝐴 = ‪( 𝑃 −1.94 ≤ 𝑍 ≤ 0.12‬ج‬
‫‪= 𝑃 𝑍 ≤ 0.12 − 𝑃 𝑍 < −1.94‬‬
‫‪0.5478 − 0.0262 = 0.5216‬‬
 ‫‪ ‬مثال‪ :4‬فرض کنید 𝑍 دارای توزیع نرمال استاندارد است‪ .‬مقدار 𝓏 را به نحوی بیابید که‪:‬‬

‫‪(𝑃 𝑍 ≤ 𝓏 = 0.7019‬الف‬ ‫‪(𝑃 𝑍 ≥ 𝓏 = 0.7517‬ب‬

‫‪(𝑃 𝓏 ≤ 𝑍 ≤ 1.5 = 0.3‬ج‬

‫‪(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

‫‪⟹ 𝑃 𝑍 ≤ 1.5 − 𝑍 < 𝓏 = 0.3‬‬

‫‪( 0.9332‬با مشاهده جدول)‬

‫‪⟹ 𝑃 𝑍 < 𝓏 = 0.9332 − 0.3 = 0.6332‬‬

‫با مشاهده جدول‬

‫‪𝓏 ≈ 0.34‬‬
 ‫‪ ‬مثال‪ : 5‬فرض کنید 𝑍 دارای توزیع نرمال استاندارد است‪ .‬مقادیر 𝓏 را در هر حالت بیابید‪:‬‬

‫𝑃‬ ‫𝑍‬ ‫𝓏≤‬ ‫‪= 0.8944‬‬ ‫⟶‬ ‫𝓏‬ ‫‪= 1.25‬‬

‫𝑃‬ ‫𝑍‬ ‫𝓏<‬ ‫‪= 0.8962‬‬ ‫⟶‬ ‫𝓏‬ ‫‪= 1.26‬‬
‫𝑃‬ ‫𝑍‬ ‫𝓏<‬ ‫‪= 0.8950‬‬ ‫⟶‬ ‫𝓏‬ ‫‪≈ 1.25‬‬
‫𝑃‬ ‫𝑍‬ ‫𝓏<‬ ‫‪= 0.8959‬‬ ‫⟶‬ ‫𝓏‬ ‫‪≈ 1.26‬‬
‫𝑃‬ ‫𝑍‬ ‫𝓏<‬ ‫‪= 0.8953‬‬ ‫⟶‬ ‫𝓏‬ ‫‪≈ 1.255‬‬
 ‫‪ ‬مثال‪ : 6‬فرض کنید وزن بستههای شکالت تولیدشده توسط یک کارخانه دارای‬
‫توزیع نرمال بوده و به طور متوسط ‪ 500‬گرم با انحراف معیار ‪ 10‬گرم باشد‪.‬‬
‫احتمال اینکه بستهای بیش از ‪ 520‬گرم وزن داشته باشد چقدر است؟‬

‫‪𝜇 = 500‬‬ ‫‪𝜎 = 10‬‬

‫‪𝑋 − 500 520 − 500‬‬

‫𝑃 = ‪𝑃 𝑋 > 520‬‬ ‫>‬ ‫)‪= 𝑃(𝑍 > 2‬‬
‫‪10‬‬ ‫‪10‬‬

‫‪= 1 − 𝑃 𝑍 ≤ 2 = 1 − 0.9772 = 0.0228‬‬

‫‪ቊ‬‬
‫‪= 𝑃 𝑍 ≤ −2 = 0.0228‬‬
 ‫‪ ‬مثال‪ : 7‬قطر نوعی میلگرد خریداری شده دارای توزیع نرمال با میانگین ‪ 16‬میلیمتر و انحراف‬
‫معیار ‪ 0/2‬میلیمتر است‪ .‬با احتمال ‪ %95‬قطر میلگردها از چه عددی بزرگتر است؟‬
‫‪𝑃 𝑋 > 𝑥 = 0.95‬‬ ‫?= 𝑥‬
‫‪𝑋 − 16 𝑥 − 16‬‬
‫𝑃 = 𝑥 > 𝑋 𝑃 = ‪0.95‬‬ ‫>‬ ‫𝓏≤ 𝑍 𝑃‪=𝑃 𝑍 >𝓏 =1−‬‬
‫‪0.2‬‬ ‫‪0.2‬‬
‫‪⟹ 𝑃 𝑍 ≤ 𝓏 = 0.05‬‬ ‫‪𝓏 = −1.645‬‬

‫𝝁‪𝒙−‬‬
‫𝔃=‬ ‫⇔‬ ‫𝝁 ‪𝒙 = 𝝈𝔃 +‬‬
‫𝝈‬

‫‪⟹ 𝑥 = 0.2 −1.654 + 16 = 15.671‬‬

‫با احتمال ‪ %95‬قطر میلگردها از ‪ 15/671‬میلیمتر بیشتر است‪.‬‬
 ‫‪ ‬مثال‪ : 8‬یک مهندس کنترل کیفیت وزن قطعات ساخته شده در مرحلهای از خط‬
‫تولید یک کارخانه را بررسی میکند‪ .‬طبق استاندارد‪ ،‬قطعاتی که وزن معادل‬
‫‪ 10±1‬گرم دارند قابل قبول بوده و بقیه قطعات باید از فرآیند تولید خارج شوند‪.‬‬
‫فرض کنید وزن قطعات ساخته شده دارای توزیع نرمال با میانگین ‪ 10‬گرم و‬
‫واریانس ‪ 0/25‬باشد‪ .‬انتظار میرود چند درصد قطعات ساخته شده از فرآیند تولید‬
‫خارج شوند؟‬
‫‪ 𝑋 < 9 = 1 − 𝑃 9 ≤ 𝑋 ≤ 11‬یا 𝑋 < ‪𝑃 11‬‬
‫‪9 − 10 𝑋 − 10 11 − 10‬‬
‫𝑃‪=1−‬‬ ‫<‬ ‫<‬ ‫‪= 1 − 𝑃 −2 ≤ 𝑍 ≤ 2‬‬
‫‪0.5‬‬ ‫‪0.5‬‬ ‫‪0.5‬‬
‫𝟔𝟓𝟒𝟎 ‪= 1 − 𝑃 𝑍 ≤ 2 − 𝑃 𝑍 ≤ −2 = 1 − 0.9772 − 0.0228 = 𝟎.‬‬

‫بین ‪ 4‬تا ‪ 5‬درصد‬

 ‫‪ ‬مثال‪ : 9‬در مثال ‪ ، 7‬اگر ‪ %80‬قطعات تولیدشده وزنی معادل 𝑎‪ 10±‬گرم داشته‬
‫باشند‪ ،‬مقدار 𝑎 را بیابید‪.‬‬
‫‪𝑃 10 − 𝑎 < 𝑋 < 10 + 𝑎 = 0.8‬‬
‫‪10 − 𝑎 − 10 𝑋 − 𝜇 10 + 𝑎 − 10‬‬
‫𝑃⇒‬ ‫<‬ ‫<‬ ‫‪= 0.8‬‬
‫‪0.5‬‬ ‫𝜎‬ ‫‪0.5‬‬
‫‪⇒ 𝑃 −2𝑎 < 𝑍 < 2𝑎 = 0.8‬‬
‫‪⇒ 𝑃 𝑍 ≥ 2𝑎 = 0.1‬‬
‫‪⇒ 𝑃 𝑍 ≤ −2𝑎 = 0.1‬‬
‫‪⇒ 𝓏 = −2𝑎 = −1.28‬‬
‫𝟒𝟔 ‪⇒ 𝒂 = 𝟎.‬‬

‫‪𝑃 9.36 < 𝑋 < 10.64 = 0.8‬‬

‫𝒂𝟐 < 𝒁 < 𝒂𝟐‪* 𝑷 𝟏𝟎 − 𝒂 < 𝑿 < 𝟏𝟎 + 𝒂 = 𝑷 −‬‬

‫‪𝑥1‬‬ ‫‪𝑥2‬‬ ‫‪𝑧1‬‬ ‫‪𝑧2‬‬
 ‫‪ ‬مثال ‪ :10‬ولتاژی نویزی دارای توزیع نرمال با میانگین ‪ 𝜇 = 0‬و انحراف معیار 𝜎‬
‫‪ = 0.75‬ولت است‪ .‬اگر 𝑋 نشاندهندهی ولتاژ نویز باشد‪ ،‬الف) احتمال اینکه‬
‫‪ |𝑥| ≤ 1.5‬چقدر است؟ ب) ولتاژ نویز 𝑋 از چه سطح ولتاژی در ‪ %99‬موارد‬
‫تجاوز نمیکند؟ ج) |𝑥| از چه سطح ولتاژی در ‪ %99‬موارد تجاوز نمیکند؟‬
‫‪−1.5−0‬‬ ‫‪𝑋−0‬‬ ‫‪1.5−0‬‬
‫‪( 𝑃 𝑥 ≤ 1.5 = 𝑃 −1.5 ≤ 𝑋 ≤ 1.5 = 𝑃 0.75 ≤ 0.75 ≤ 0.75‬الف‬
‫‪= 𝑃 −2 ≤ 𝑍 ≤ 2 = 𝑃 𝑍 ≤ 2 − 𝑃 𝑍 < −2 = 0.9772 − 0.0228 = 0.9544‬‬

‫‪𝑋−0‬‬ ‫‪𝑥−0‬‬
‫‪( 𝑃 𝑋 ≤ 𝑥 = 0.99‬ب‬ ‫𝑃 ⇒‬ ‫≤‬ ‫‪= 0.99‬‬
‫‪0.75‬‬ ‫‪0.75‬‬

‫‪⇒ 𝑃 𝑍 ≤ 𝓏 = 0.99‬‬ ‫‪⇒ 𝓏 = 2.33‬‬ ‫⇒‬ ‫ولت ‪𝑥 = 𝜎𝓏 + 𝜇 = 1.7475‬‬

 ‫‪−𝑥−0‬‬ ‫‪𝑥−0‬‬
‫𝑃 = 𝑥 ≤ 𝑋 ≤ 𝑥‪( 𝑃 𝑋 ≤ 𝑥 = 0.99 ⇒ 𝑃 −‬ج‬ ‫≤𝑋≤‬ ‫‪= 0.99‬‬
‫‪0.75‬‬ ‫‪0.75‬‬

‫‪⇒ 𝑃 −𝑧 ≤ 𝑍 ≤ 𝑧 = 0.99‬‬ ‫⇒‬ ‫‪𝑃 𝑍 ≤ 𝑧 = 0.005‬‬

‫‪⇒ 𝓏1 = −𝑧 = −2.575‬‬ ‫‪𝓏2 = 𝑧 = 2.575‬‬
‫‪⇒ −2.575 × 0.75 + 0 ≤ 𝑋 ≤ 2.575 × 0.75 + 0‬‬
‫‪𝑥1‬‬ ‫‪𝑥2‬‬

‫‪⇒ −1.931 ≤ 𝑋 ≤ 1.931‬‬

 ‫‪ ‬تقریب توزیع دوجملهای با توزیع نرمال ‪:‬‬

‫‪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 1.16 < 𝑍 < 2.71 = 𝑃 𝑍 < 2.71 − 𝑃 𝑍 ≤ 1.16‬‬

‫𝟔𝟗𝟏𝟏 ‪= 0.9966 − 0.8770 = 𝟎.‬‬

 ‫‪ ‬مثال‪ :12‬شرکتی قطعاتی تولید میکند که ادعا دارد ‪ %95‬آنها کیفیت مطلوب را‬
‫دارد‪ .‬در یک محموله ‪ 100‬تایی از قطعات مورد نظر‪ ،‬احتمال اینکه بیش از دو‬
‫قطعه معیوب باشد چقدر است؟‬

‫‪ 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

‫* تعریف خانوادهای از توزیع‬

‫* مسائل نظریه قابلیت اعتماد‬
‫* مسائل نظریه صف‬
‫* کاربردهای دیگر‬
 ‫‪ ‬قضیه‪ :‬میانگین و واریانس توزیع گاما عبارتند از‪:‬‬
‫𝛽𝛼 = 𝜇‬ ‫;‬ ‫‪𝜎 2 = 𝛼𝛽2‬‬

‫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

‫∞‬ ‫‪2‬‬ ‫𝑥‬ ‫‪2‬‬ ‫‪∞ 𝛼+1‬‬ ‫‪𝑥 1‬‬

‫𝑥‬ ‫‪−‬‬ ‫𝛽‬ ‫𝑥‬ ‫‪−‬‬
‫𝛼 ‪𝐸 𝑋2 = න‬‬ ‫= 𝑥𝑑 𝛽 𝑒 ‪𝑥 𝛼−1‬‬ ‫𝑥𝑑 ‪න 𝛼+1 . 𝑒 𝛽 .‬‬
‫)𝛼(‪0 𝛽 Γ‬‬ ‫𝛽 ‪Γ(𝛼) 0‬‬ ‫𝛽‬
‫𝑢‪𝛽 2 ∞ 𝛼+1 −‬‬ ‫‪𝛽2‬‬ ‫‪𝛽2‬‬
‫=‬ ‫𝑢 ‪න‬‬ ‫= 𝑢𝑑 𝑒‬ ‫= ‪Γ 𝛼+2‬‬ ‫)𝛼 ‪(𝛼 + 1)𝛼Γ 𝛼 = 𝛽 2 (𝛼 2 +‬‬
‫‪Γ(𝛼) 0‬‬ ‫𝛼 ‪Γ‬‬ ‫𝛼 ‪Γ‬‬
‫‪2‬‬
‫𝑋 𝐸 ‪𝜎𝑋2 = 𝐸 𝑋 2 −‬‬ ‫𝟐𝜷𝜶 = ‪= 𝛽 2 𝛼 2 + 𝛼 − 𝛼 2 𝛽 2 = 𝛽 2 𝛼 2 + 𝛼 − 𝛼 2‬‬
 ‫‪ ‬مثال‪ :2‬زمان بازدهی نوعی نهال میوه برحسب سال‪ ،‬دارای توزیع گاما با پارامترهای ‪ 𝛼 = 2‬و‬
‫‪ 𝛽 = 3‬است‪ .‬الف) احتمال اینکه نهالی خریداری شده از این نوع‪ ،‬زودتر از ‪ 3‬سال بار دهد چقدر‬
‫است؟ ب) احتمال اینکه پس از ‪ 6‬سال بار دهد چقدر است؟ ج) زمان مورد انتظار باردهی نهال‬
‫چقدر است؟‬
‫𝑥‬
‫𝑥‬ ‫𝑥‬ ‫=𝑢‬
‫‪3‬‬ ‫‪1‬‬ ‫‪−3‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪−3‬‬ ‫‪3‬‬
‫‪0‬׬ = ‪( 𝑃 𝑋 < 3‬الف‬ ‫‪2‬‬ ‫𝑒 ‪𝑥 2−1‬‬ ‫‪0‬׬ = 𝑥𝑑‬ ‫𝑒𝑥‬ ‫𝑥𝑑‬ ‫‪1‬‬
‫)‪3 Γ(2‬‬ ‫)‪9Γ(2‬‬ ‫𝑥𝑑 = 𝑢𝑑‬
‫‪3‬‬
‫‪1 1‬‬
‫‪0‬׬ =‬ ‫𝑢𝑑 𝑢‪𝑢𝑒 −‬‬ ‫محاسبه تابع گامای ناقص → 𝟎𝟒𝟔𝟐 ‪= 𝟎.‬‬
‫)‪Γ(2‬‬
‫(با استفاده از جدول صفحه ‪ 767‬کتاب انگلیسی)‬
‫‪𝑥=1 ; 𝛼=2‬‬
‫𝑥‬ ‫𝑥‬
‫‪∞ 1‬‬ ‫‪2−1 −3‬‬ ‫‪∞ 1‬‬ ‫‪−‬‬
‫> 𝑋 𝑃 (ب‬ ‫‪6 2‬׬ = ‪6‬‬ ‫‪6‬׬ = 𝑥𝑑 𝑒 𝑥‬ ‫𝑥𝑑 ‪𝑥𝑒 3‬‬
‫)‪3 Γ(2‬‬ ‫)‪9Γ(2‬‬
‫∞‬ ‫‪2‬‬
‫‪1‬‬ ‫𝑢‪−‬‬
‫‪1‬‬
‫‪=න‬‬ ‫‪𝑢𝑒 𝑑𝑢 = 1 − න‬‬ ‫‪𝑢𝑒 −𝑢 𝑑𝑢 = 1 − 0.5940‬‬ ‫𝟎𝟔𝟎𝟒 ‪= 𝟎.‬‬
‫)‪2 Γ(2‬‬ ‫‪0‬‬ ‫‪Γ 2‬‬ ‫(با استفاده از جدول)‬

‫‪( 𝐸 𝑋 = 𝛼𝛽 = 2 × 3 = 6‬ج‬ ‫انتظار داریم ‪ 6‬سال پس از کاشت بار دهد‬

 ‫* در توزیع گاما اگر ‪ 𝛼 = 1‬باشد‪ ،‬توزیع نمایی بدست میآید‪.‬‬

‫‪ ‬توزیع نمایی (‪: )Exponential distribution‬‬

‫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.‬‬

‫نتیجه‪ :‬میانگین و واریانس توزیع نمایی عبارتند از‪:‬‬

‫𝛽=𝜇‬ ‫;‬ ‫‪𝜎 2 = 𝛽2‬‬
 ‫‪ ‬تمرین ‪ :1‬زمان پاسخ دادن کامپیوتری معین برحسب ثانیه‪ ،‬دارای توزیع نمایی با‬
‫میانگین ‪ 3‬است‪ .‬الف) احتمال اینکه زمان پاسخ بیشتر از ‪ 5‬ثانیه باشد چقدر‬
‫است؟ ب) احتمال اینکه زمان پاسخ بیشتر از ‪ 10‬ثانیه باشد چقدر است؟‬

‫𝑥‪1 −‬‬
‫= 𝑥 𝑓‬ ‫‪𝑒 3‬‬ ‫;‬ ‫‪𝑥>0‬‬
‫‪3‬‬

‫𝑥‪∞ 1 −‬‬ ‫∞‬ ‫𝑥‬

‫‪−3‬‬
‫‪5‬‬
‫‪−3‬‬
‫= ‪( 𝑃 𝑋 > 5‬الف‬ ‫𝑥𝑑 ‪5 3 𝑒 3‬׬‬
‫‪= −𝑒 ฬ = 0 + 𝑒 = 0.19‬‬
‫‪5‬‬
‫𝑥‬ ‫∞ 𝑥‬ ‫‪10‬‬
‫‪∞1 −‬‬ ‫‪−‬‬ ‫‪−‬‬
‫‪10 𝑒 3 𝑑𝑥 = −𝑒 3 ฬ = 0 + 𝑒 3 = 0.04‬׬ = ‪( 𝑃 𝑋 > 10‬ب‬
‫‪3‬‬ ‫‪10‬‬
 ‫‪ ‬مثال ‪ :3‬طول عمر یک نوع المپ با توزیع نمایی با میانگین ‪ 𝛽 = 2‬سال‬
‫مدلسازی میشود‪ .‬الف) احتمال اینکه این نوع المپ بیش از سه سال کار کند‬
‫چقدر است؟ ب) اگر لوستری شامل ‪ 5‬عدد از این نوع المپ باشد‪ ،‬احتمال اینکه‬
‫این لوستر پس از سه سال‪ ،‬حداقل دو المپ سالم داشته باشد چقدر است؟‬

‫𝑥‪1 −‬‬
‫→ ‪𝛽=2‬‬ ‫= 𝑥 𝑓‬ ‫‪𝑒 2‬‬ ‫;‬ ‫‪𝑥>0‬‬
‫‪2‬‬

‫𝑥‪∞ 1 −‬‬ ‫‪−2‬‬

‫𝑥‬ ‫∞‬ ‫‪−2‬‬
‫‪3‬‬
‫‪( 𝑃 𝑋 > 3‬الف‬ ‫𝑥𝑑 ‪3 𝑒 2‬׬ =‬ ‫𝟐𝟐 ‪= −𝑒 ฬ = 0 + 𝑒 = 𝟎.‬‬
‫‪2‬‬ ‫‪3‬‬
‫‪( 𝑃 𝑌 ≥ 2‬ب‬ ‫‪= σ5𝑦=2 𝑏(𝑥 ; 5‬‬ ‫𝟕𝟒𝟎𝟑 ‪, 0.22) = 1 − σ1𝑦=0 𝑏(𝑥 ; 5 , 0.22) = 𝟎.‬‬
 ‫‪ ‬ارتباط توزیع پوآسن و نمایی و گاما ‪:‬‬

‫پوآسن ⟵ تعداد رخداد پیشامدها در زمان‬

‫(میانگین = 𝜆 ← متوسط تعداد پیشامدها در واحد زمان)‬
‫‪-------------------------------‬‬
‫نمایی ⟵ مدت زمان الزم برای رخداد اولین پیشامد (یا زمان بین دو رخداد)‬
‫‪1‬‬
‫(میانگین = 𝛽 = ← متوسط زمان الزم برای رخداد اولین پیشامد)‬
‫𝜆‬
‫‪-------------------------------‬‬
‫گاما ⟵ مدت زمان الزم برای رخداد 𝛼 پیشامد (یا زمان بین یک پیشامد تا 𝛼 پیشامد بعد)‬
‫(میانگین = 𝛽𝛼 ← متوسط زمان الزم برای رخداد 𝛼 امین پیشامد)‬
‫(یکی از کاربردها ؛ 𝑛 = 𝛼 ← توزیع ارالنگ یا حاصل جمع چند توزیع نمایی)‬
 ‫𝑋 ‪ :‬زمان الزم برای وقوع اولین پیشامد پوآسن‬
‫𝑌 ‪ :‬متغیر تصادفی پوآسن (تعداد رخداد پیشامد)‬

‫)𝑥𝜆 = 𝜇 ;‪) = 𝑝𝑜𝑖𝑠𝑠𝑜𝑛(𝑦 = 0‬تا زمان 𝑥 پیشامد رخ ندهد(𝑃 = 𝑥 ≥ 𝑋 𝑃‬

‫𝑥𝜆‪(𝜆𝑥)0 𝑒 −‬‬
‫=‬ ‫𝑥𝜆‪= 𝑒 −‬‬
‫!‪0‬‬

‫𝑥𝜆‪ = 𝐹 𝑋 = 𝑃 𝑋 ≤ 𝑥 = 1 − 𝑃 𝑋 ≥ 𝑥 = 1 − 𝑒 −‬تابع توزیع تجمعی 𝑋 ⟹‬

‫𝒙‬
‫𝐹𝑑‬ ‫𝜷‪𝟏 −‬‬
‫= 𝑋 𝑓 = تابع چگالی 𝑋 ⟹‬ ‫= 𝑥𝜆‪= 𝜆𝑒 −‬‬ ‫𝒆‬ ‫چگالی توزیع نمایی‬
‫𝑥𝑑‬ ‫𝜷‬
‫⇑‬
‫(𝜆 ‪ :‬فرکانس‪،‬تعداد رخداد)‬ ‫‪1‬‬ ‫(𝛽 ‪ :‬زمان)‬
‫=𝛽‬
‫𝜆‬
 ‫‪ ‬مثال ‪ :4‬تعداد دفعات نقص فنی در یک سایت کامپیوتری دارای توزیع پوآسن با‬
‫میانگین سهبار در یک ماه است‪ .‬الف) احتمال اینکه این سایت در یک ماه بیش از‬
‫‪ 4‬بار دچار نقص فنی شود چقدر است؟ ب) احتمال اینکه سایت در کمتر از پانزده‬
‫روز دچار نقص فنی شود چقدر است؟‬
‫‪𝜆=3‬‬
‫‪( 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛 3‬الف‬
‫‪𝜏=1‬‬
‫‪4‬‬

‫‪𝑃 𝑋 > 4 = 1 − 𝑃 𝑋 ≤ 4 = 1 − ෍ 𝑝 𝑥; 3 = 1 − 0.8153 = 0.1847‬‬

‫‪𝑥=0‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪: 𝑌~𝐸𝑥𝑝𝑜𝑛𝑒𝑛𝑡𝑖𝑎𝑙 𝛽 = 𝜆 = 3‬زمان الزم تا وقوع نقص فنی (ب‬
‫‪1‬‬ ‫‪1‬‬
‫‪1‬‬ ‫𝑥‪2 1 −‬‬ ‫‪2‬‬ ‫‪1ൗ‬‬ ‫‪3‬‬
‫‪−2‬‬
‫𝑥‪−3‬‬ ‫𝑥‪−3‬‬
‫<𝑌 𝑃‬ ‫𝛽‬
‫𝑒‪= න 𝑒 𝑑𝑥 = න 3‬‬ ‫𝑒‪𝑑𝑥 = −‬‬ ‫‪อ 2 = −𝑒 + 1 = 0.78‬‬
‫‪2‬‬ ‫𝛽 ‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪ ‬مثال ‪ : 5‬در مثال ‪ ،4‬الف) احتمال اینکه سایت در طول سهماه‪ ،‬هفت بار نقص فنی پیدا کند چقدر‬
‫است؟ ب) احتمال اینکه کمتر از ‪ 3‬ماه طول بکشد تا ‪ 7‬بار نقص فنی پیدا کند چقدر است؟‬

‫‪( 𝜆 = 3‬الف‬ ‫→‬ ‫‪𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛 9‬‬

‫‪𝜏=3‬‬

‫‪7‬‬ ‫‪6‬‬

‫‪𝑃 𝑋 = 7 = 𝑃 7,9 = ෍ 𝑝(𝑥; 9) − ෍ 𝑝 𝑥; 9 = 0.3239 − 0.2068 = 0.1171‬‬

‫‪𝑥=0‬‬ ‫‪𝑥=0‬‬
‫‪1‬‬
‫‪: 𝑌~𝐺𝑎𝑚𝑚𝑎 𝛼 = 7, 𝛽 = 3‬زمان الزم برای رخداد ‪ 7‬نقص فنی (ب‬

‫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

‫‪9 1‬‬ ‫𝑢𝑑 𝑢‪6 𝑒 −‬‬

‫‪0‬׬ =‬ ‫𝑢‬ ‫‪= 0.7930‬‬ ‫(با استفاده از جدول)‬
‫)‪𝛤(7‬‬
 ‫𝛽‬

‫‪ ‬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؟‬

‫زمان رسیدن مشتری بعدی ‪( 𝑋~𝐸𝑥𝑝𝑜𝑛𝑒𝑛𝑡𝑖𝑎𝑙 𝛽 = 5‬الف‬

‫‪: 𝑌~𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝜆𝜏 = 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 2‬تعداد مشتریها در ‪ 10‬دقیقه‬
‫‪1‬‬
‫=𝜆‬ ‫یک دقیقه = واحد زمان‬ ‫‪𝜏 = 10‬‬
‫‪5‬‬
‫‪4‬‬

‫‪𝑃 𝑋 > 4 = 1 − 𝑃 𝑋 ≤ 4 = 1 − ෍ 𝑝 𝑥; 3 = 1 − 0.8153 = 0.1847‬‬

‫‪𝑥=0‬‬
‫‪: 𝑍~𝐺𝑎𝑚𝑚𝑎 𝛼 = 5, 𝛽 = 5‬زمان الزم برای رسیدن پنجمین مشتری (ب‬
‫‪15‬‬ ‫‪15‬‬
‫‪1‬‬ ‫‪5−1‬‬
‫𝑥‬
‫‪−5‬‬ ‫‪1 𝑥 4 −𝑥 1‬‬
‫‪𝑃 𝑍 ≤ 15 = න‬‬ ‫‪𝑥 𝑒 𝑑𝑥 = න‬‬ ‫𝑥𝑑 ‪4 𝑒 . 5‬‬
‫‪5‬‬
‫‪0‬‬ ‫)‪55 Γ(5‬‬ ‫‪0‬‬ ‫)‪Γ(5‬‬ ‫‪5‬‬
‫𝑥‬ ‫‪1‬‬
‫𝑥𝑑 =𝑢𝑑 ‪𝑢= ,‬‬ ‫‪3‬‬
‫‪5‬‬ ‫‪5‬‬ ‫𝑢‪1 4 −‬‬
‫‪න‬‬ ‫‪𝑢 𝑒 𝑑𝑢 = 0.1850‬‬
‫‪0‬‬ ‫)‪Γ(5‬‬
 ‫‪ ‬مثال ‪ : 7‬در مطالعه درجه خلوص مواد خام‪ ،‬فرض کنید تعداد ذرات ناخالصی در‬
‫یک گرم از مادهای دارای توزیع پوآسن با میانگین ‪ 0/02‬ذره در هر گرم باشد‪.‬‬
‫الف) مقدار مورد انتظار وزن ماده الزم جهت یافتن ‪ 15‬ذره ناخالصی چقدر است؟‬
‫ب) انحراف معیار وزن ماده الزم جهت یافتن ‪ 15‬ذره ناخالصی چقدر است؟‬
‫‪𝜆 = 0.02‬‬ ‫یک گرم = واحد وزن (جرم)‬
‫‪1‬‬
‫= 𝛽 ‪: 𝑋~𝐺𝑎𝑚𝑚𝑎 𝛼 = 15,‬مقدار وزن الزم جهت یافتن ‪ 15‬ذره‬
‫𝜆‬

‫𝑔 ‪⟹ 𝜇𝑋 = 𝛼𝛽 = 15 × 50 = 750‬‬
‫‪𝜎𝑋2 = 𝛼𝛽2 = 15 × 502 = 37500 𝑔2‬‬

‫𝑔 ‪𝜎𝑋 = 37500 ≈ 193.65‬‬

 ‫تمرین ‪ 6.58‬کتاب (ورژن انگلیسی) در صفحه ‪ 207‬را حل کنید‪.‬‬
‫𝜈‬
‫در توزیع گاما‪ :‬اگر ‪ 𝛽 = 2‬و = 𝛼 ⟵ توزیع خی‪ -‬دو با 𝜈 درجه آزادی‬
‫‪2‬‬
‫توزیعهای نمونهای‬
‫تحلیل واریانس‬ ‫‪ ‬توزیع خی‪ -‬دو ‪: (𝝌𝟐 ) Chi-squared distribution‬‬
‫آمار ناپارامتری‬

‫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.‬‬

‫نتیجه‪ :‬میانگین و واریانس توزیع خی‪ -‬دو عبارتند از‪:‬‬

‫𝜈=𝜇‬ ‫;‬ ‫𝜈‪𝜎 2 = 2‬‬
 ‫* در بسیاری از مسائل به جای کار با خود دادهها‪ ،‬از لگاریتم طبیعی )𝑛𝐿( آنها استفاده‬
‫میکنیم‪ .‬اگر لگاریتم طبیعی دادهها دارای توزیع نرمال باشد‪ ،‬میگوییم دادهها دارای توزیع‬
‫نرمال لگاریتمی هستند‪.‬‬

‫‪ ‬توزیع نرمال لگاریتمی (‪: )Lognormal distribution‬‬

‫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

‫نتیجه‪ :‬میانگین و واریانس توزیع نرمال لگاریتمی برابر است با ‪:‬‬

‫‪𝜎2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪𝜇+‬‬
‫𝑒 = )𝑋(𝐸‬ ‫‪2‬‬ ‫;‬ ‫‪𝜎2‬‬ ‫=‬ ‫𝑒‬ ‫𝜎‪2𝜇+‬‬ ‫𝑒(‬ ‫𝜎‬ ‫)‪− 1‬‬
 ‫(برحسب گالن در ساعت)‬

‫‪ ‬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؟‬

‫‪𝑃 𝑋 > 50000 = 1 − 𝑃 𝑋 ≤ 50000 = 1 − 𝑃 𝑙𝑛 𝑥 ≤ 𝑙𝑛 50000‬‬

‫𝜇 ‪𝐿𝑛 𝑋 − 𝜇 10.85 −‬‬

‫𝑃‪1−‬‬ ‫≤‬ ‫‪= 1 − 𝑃 𝑍 ≤ 2.91 = 1 − 0.9982 = 0.0018‬‬
‫𝜎‬ ‫𝜎‬