Professional Documents
Culture Documents
RandomVariables Mean Variance 1
RandomVariables Mean Variance 1
ﻓﺮدوس ﮔﺮﺟﯽ
. . . . . . . . . . . . . . . . . . . .
1/64 . . . . . . . . . . . . . . . . . . . .
64 / 1 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
ﺗﻌﺮﯾﻒ :ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺗﺎﺑﻌﯽ اﺳﺖ ﮐﻪ ﺑﻪ ﻫﺮ ﻋﻨﺼﺮ ﻓﻀﺎي ﻧﻤﻮﻧﻪاي ﯾﮏ ﻋﺪد ﺣﻘﯿﻘﯽ ﻧﺴﺒﺖ ﻣﯽدﻫﺪ.
X:S→R
• ﻣﻌﻤﻮﻻ ﺑﺮاي ﮐﻤﯽﺳﺎزي ﻧﯿﺎز ﺑﻪ ﻣﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ دارﯾﻢ .ﻣﺜﻼ ﺗﻌﺪاد ﻗﻄﻌﺎت ﻧﺎﺳﺎﻟﻢ ،ﻃﻮل ﻋﻤﺮ ﻻﻣﭗ... ،
ﻣﺜﺎل 1
در آزﻣﺎﯾﺶ ﭘﺮﺗﺎب ﯾﮏ ﺟﻔﺖ ﺗﺎس ،ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﻣﺠﻤﻮع ﺧﺎلﻫﺎ در ﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ:
})S = {(1, 1), . . . , (1, 6), (2, 1), . . . , (2, 6), . . . , (6, 1), . . . , (6, 6
X : S → {2, 3, . . . , 12} ⊆ R ))(ω → X(ω
(1, 1) → 2, (1, 2) → 3, . . . , (1, 6) → 7
..
.
(6, 1) → 7, (6, 2) → 8, . . . , (6, 6) → 12
.
ﭘﯿﺸﺎﻣﺪ }) = {(1, 1), (1, 2), (2, 1ﭘﯿﺸﺎﻣﺪ } = {X ≤ 3ﭘﯿﺸﺎﻣﺪ }{ω|X(ω) ≤ 3
. . . . . . . . . . . . . . . . . . .
2/64 . . . . . . . . . . . . . . . . . . . .
64 / 2 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﻣﺜﺎل 2
از ﺧﻂ ﺗﻮﻟﯿﺪ ﯾﮏ ﮐﺎرﺧﺎﻧﻪ ﺳﻪ ﻗﻄﻌﻪ ﺑﻪ ﺗﺼﺎدف اﻧﺘﺨﺎب ﻣﯽﮐﻨﯿﻢ .ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﺗﻌﺪاد ﻗﻄﻌﺎت ﺳﺎﻟﻢ
در ﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ:
S = {(N, N, N ), (N, N, D), (N, D, N ), (D, N, N ), (N, D, D), (D, N, D),
})(D, D, N ), (D, D, D
(N, N, N ) → 3,
(N, N, D) → 2, (N, D, N ) → 2, (D, N, N ) → 2,
(N, D, D) → 1, (D, N, D) → 1, (D, D, N ) → 1,
(D, D, D) → 0
ﻣﺜﺎل 5
ﯾﮏ ﺳﮑﻪ را آﻧﻘﺪر ﭘﺮﺗﺎب ﻣﯽﮐﻨﯿﻢ ﺗﺎ ﺷﯿﺮ ﻇﺎﻫﺮ ﺷﻮد )ﺑﻪ ﻣﺤﺾ ﻇﻬﻮر ﺷﯿﺮ ،ﭘﺮﺗﺎب ﺳﮑﻪ ﻣﺘﻮﻗﻒ ﻣﯽ ﺷﻮد(.
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﺗﻌﺪاد ﭘﺮﺗﺎبﻫﺎي ﻻزم ﺑﺮاي ﻇﺎﻫﺮ ﺷﺪن ﺷﯿﺮ در ﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ:
. . . . . . . . . . . . . . . . . . . .
5/64 . . . . . . . . . . . . . . . . . . . .
64 / 5 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ
ﺗﻌﺮﯾﻒ :اﮔﺮ ﻣﺠﻤﻮﻋﻪ ﻣﻘﺎدﯾﺮ ﻣﻤﮑﻦ ﺑﺮاي ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﻣﺘﻨﺎﻫﯽ ﺑﺎﺷﺪ و ﯾﺎ در ﺻﻮرت ﻧﺎﻣﺘﻨﺎﻫﯽ ﺑﻮدن،
ﺑﻪ ﺻﻮرت ﺑﺎزه ﻧﺒﺎﺷﺪ X ،را ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ ﻧﺎﻣﯿﻢ.
در اﯾﻦ ﺣﺎﻟﺖ ﺑﺎ داﻧﺴﺘﻦ اﺣﺘﻤﺎل رﺧﺪاد ﻫﺮ ﯾﮏ از ﻣﻘﺎدﯾﺮ ﻣﻤﮑﻦ ) Xﺗﮏ ﺗﮏ ﻧﻘﺎط( ﻣﯽﺗﻮان اﺣﺘﻤﺎل ﻫﻤﻪ
ﭘﯿﺸﺎﻣﺪﻫﺎ را ﻣﺤﺎﺳﺒﻪ ﮐﺮد.
در ﻣﺜﺎل ) 1ﭘﺮﺗﺎب ﯾﮏ ﺟﻔﺖ ﺗﺎس( ،ﻣﺜﺎل ) 2ﺗﻌﺪاد ﻗﻄﻌﺎت ﺳﺎﻟﻢ( و ﻣﺜﺎل ) 5ﭘﺮﺗﺎب ﻣﮑﺮر ﺳﮑﻪ ﺗﺎ رﺧﺪاد
ﺷﯿﺮ( ،ﻣﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ﺗﻌﺮﯾﻒ ﺷﺪه ﮔﺴﺴﺘﻪ ﻫﺴﺘﻨﺪ.
در ﻣﺜﺎل ) 3ﻃﻮل ﻋﻤﺮ ﻻﻣﭗ( و ﻣﺜﺎل ) 4ﭘﺮﺗﺎب دارت( ،ﻣﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ﺗﻌﺮﯾﻒ ﺷﺪه ﭘﯿﻮﺳﺘﻪ ﻫﺴﺘﻨﺪ .در
ﭼﻨﯿﻦ ﻣﺘﻐﯿﺮﻫﺎﯾﯽ اﺣﺘﻤﺎل در ﺑﺎزهﻫﺎ و ﻣﺴﺎﺣﺖﻫﺎ و ...ﻣﺤﺎﺳﺒﻪ ﻣﯽﺷﻮد و اﺣﺘﻤﺎل در ﯾﮏ ﻧﻘﻄﻪ ﺻﻔﺮ اﺳﺖ.
• ﻓﻌﻼ ﺑﺎ ﻣﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ ﮐﺎر ﻣﯽﮐﻨﯿﻢ.
. . . . . . . . . . . . . . . . . . . .
6/64 . . . . . . . . . . . . . . . . . . . .
64 / 6 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺣﺎل ﻣﯽﺧﻮاﻫﯿﻢ اﺣﺘﻤﺎل ﭘﯿﺸﺎﻣﺪﻫﺎ را در ﻓﻀﺎي ﻣﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ ﺑﯿﺎﺑﯿﻢ.
• در ﻣﺜﺎل ) 1ﭘﺮﺗﺎب ﯾﮏ ﺟﻔﺖ ﺗﺎس( ،ﺑﺮاي ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎل ﭘﯿﺸﺎﻣﺪ } {X ≤ 3دارﯾﻢ:
3
= )})P (X ≤ 3) = P ({ω|X(ω) ≤ 3}) = P ({(1, 1), (1, 2), (2, 1
} | {z 36
ﭘﯿﺸﺎﻣﺪ
• در ﻣﺜﺎل ) 2ﺗﻌﺪاد ﻗﻄﻌﺎت ﺳﺎﻟﻢ( ،ﻓﺮض ﮐﻨﯿﺪ اﺣﺘﻤﺎل ﺳﺎﻟﻢ ﯾﺎ ﻣﻌﯿﻮب ﺑﻮدن ﻫﺮ ﻗﻄﻌﻪ ﭘﻨﺠﺎه درﺻﺪ اﺳﺖ،
در اﯾﻦ ﺻﻮرت ﺑﺮاي ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎل ﭘﯿﺸﺎﻣﺪ } {X = 2دارﯾﻢ:
ﻧﮑﺘﻪ
ﺗﮑﯿﻪﮔﺎه ) (supportﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﻣﺠﻤﻮﻋﻪ ﻣﻘﺎدﯾﺮي از Rﮐﻪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ آنﻫﺎ را
ﺑﺎ اﺣﺘﻤﺎل ﻧﺎﺻﻔﺮ اﺧﺘﯿﺎر ﻣﯽﮐﻨﺪ.
. . . . . . . . . . . . . . . . . . . .
8/64 . . . . . . . . . . . . . . . . . . . .
64 / 8 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺟﺪول ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻣﺜﺎل 2
x 0 1 2 3
1 3 3 1
)f (x 8 8 8 8 )ﻣﺠﻤﻮع(1
. . . . . . . . . . . . . . . . . . . .
9/64 . . . . . . . . . . . . . . . . . . . .
64 / 9 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺟﺮم اﺣﺘﻤﺎل
ﻣﺜﺎل 6
ﺟﻌﺒﻪاي ﺷﺎﻣﻞ 10ﻻﻣﭗ اﺳﺖ ﮐﻪ ﺳﻪ ﺗﺎي آنﻫﺎ ﺳﻮﺧﺘﻪ اﺳﺖ .ﺳﻪ ﻻﻣﭗ ﺑﻪ ﺗﺼﺎدف اﻧﺘﺨﺎب ﻣﯽﮐﻨﯿﻢ .اﮔﺮ
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﺗﻌﺪاد ﻻﻣﭗﻫﺎي ﺳﺎﻟﻢ در ﺑﯿﻦ ﻻﻣﭗﻫﺎي اﻧﺘﺨﺎب ﺷﺪه ﺑﺎﺷﺪ ،ﺗﺎﺑﻊ اﺣﺘﻤﺎل آن را ﺣﺴﺎب
ﮐﻨﯿﺪ .ﻣﻄﻠﻮب اﺳﺖ اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﺣﺪاﻗﻞ دو ﻻﻣﭗ ﺳﺎﻟﻢ اﻧﺘﺨﺎب ﺷﺪه ﺑﺎﺷﺪ.
)(3 )(3)(7
3 1 21
= )f (0) = P (X = 0) = (10 = f (1) = P (X = 1) = (2 10)1 )(2
3
120 3
120
)(3)(7 )(7
63 35
= f (2) = P (X = 2) = 1(10)2 )3
f (3) = P (X = 3) = (10 =
3
120 3
120
98
= )P (X ≥ 2) = f (2) + f (3 )(3
120
. . . . . . . . . . . . . . . . . . . .
10/64 . . . . . . . . . . . . . . . . . . . .
64 / 10 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺟﺮم اﺣﺘﻤﺎل
ﻣﺜﺎل 7
در ﺟﺪول زﯾﺮ f (x) ،ﯾﮏ ﺗﺎﺑﻊ ﺟﺮم اﺣﺘﻤﺎل اﺳﺖ .ﻣﻘﺪار aرا ﺑﯿﺎﺑﯿﺪ.
. . . . . . . . . . . . . . . . . . . .
11/64 . . . . . . . . . . . . . . . . . . . .
64 / 11 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺟﺮم اﺣﺘﻤﺎل
ﻣﺜﺎل 8
) f (xﯾﮏ ﺗﺎﺑﻊ ﺟﺮم اﺣﺘﻤﺎل اﺳﺖ ،ﻣﻘﺪار aرا ﺑﯿﺎﺑﯿﺪ.
1
; f (x) = a( )x x = 0, 1, 2, . . . . )(4
3
اوﻻ ﻣﻘﺪار aﺑﺎﯾﺪ ﻧﺎﻣﻨﻔﯽ ﺑﺎﺷﺪ )(a ≥ 0
ﺛﺎﻧﯿﺎ ﺑﺎﯾﺪ ﻣﺠﻤﻮع ﻣﻘﺎدﯾﺮ fﺑﻪ ازاي ﻫﻤﻪ ﻣﻘﺎدﯾﺮ xﯾﮏ ﺷﻮد.
∞
∑ 1 ( 31 )0 2
a( )x = 1 ×→a =1 =→a )(5
x=0
3 1 − 31 }| {z 3
≥0
. . . . . . . . . . . . . . . . . . . .
12/64 . . . . . . . . . . . . . . . . . . . .
64 / 12 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺟﺮم اﺣﺘﻤﺎل
ﻣﺜﺎل 9
) f (xﯾﮏ ﺗﺎﺑﻊ ﺟﺮم اﺣﺘﻤﺎل اﺳﺖ P (X < 5) .را ﺑﯿﺎﺑﯿﺪ.
ﺑﺎ داﺷﺘﻦ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ در ﻣﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ،اﺣﺘﻤﺎل ﻫﻤﻪ ﭘﯿﺸﺎﻣﺪﻫﺎ را ﻣﯽﺗﻮان ﺣﺴﺎب ﮐﺮد.
ﻣﺤﺎﺳﺒﻪ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺜﺎل 2
x 0 1 2 3
1 3 3 1
)f (x 8 8 8 8 )ﻣﺠﻤﻮع(1
0 ;x < 0
18 ; 0 ≤ x < 1
4
= )F (x
8 ;1 ≤ x < 2 )(10
7
;2 ≤ x < 3
8
. . . . . . . . . . . . . . . . .
1 ;x ≥ 3
. . .
14/64 . . . . . . . . . . . . . . . . . . . .
64 / 14 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
. . . . . . . . . . . . . . . . . . . .
15/64 . . . . . . . . . . . . . . . . . . . .
64 / 15 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
. . . . . . . . . . . . . . . . . . . .
16/64 . . . . . . . . . . . . . . . . . . . .
64 / 16 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
. . . . . . . . . . . . . . . . . . . .
17/64 . . . . . . . . . . . . . . . . . . . .
64 / 17 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
ﻣﺜﺎل 10
ﻓﺮض ﮐﻨﯿﺪ اﺣﺘﻤﺎل ﺗﻮﻟﺪ ﻧﻮزاد دﺧﺘﺮ pو اﺣﺘﻤﺎل ﺗﻮﻟﺪ ﻧﻮزاد ﭘﺴﺮ 1 − pﺑﺎﺷﺪ .(0 < p < 1) .اﮔﺮ ﻣﺘﻐﯿﺮ
ﺗﺼﺎدﻓﯽ Xرا ﺗﻌﺪاد ﺗﻮﻟﺪ ﻫﺎي ﺛﺒﺖ ﺷﺪه ﺗﺎ ﺗﻮﻟﺪ اوﻟﯿﻦ دﺧﺘﺮ از زﻣﺎن ﻣﺸﺨﺼﯽ در ﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ ،ﻣﻄﻠﻮب
اﺳﺖ = )F (X = 3) = P (X ≤ 3
)اﺣﺘﻤﺎل اﯾﻦ ﮐﻪ ﺣﺪاﮐﺜﺮ ﭘﺲ از ﺛﺒﺖ ﺳﻮﻣﯿﻦ ﺗﻮﻟﺪ ﻧﻮزاد دﺧﺘﺮي ﺑﻪ دﻧﯿﺎ آﻣﺪه ﺑﺎﺷﺪ(.
x 1 2 3 ... k ...
)f (x p (1 − p)p (1 − p)2 p ... (1 − p)k−1 p ... )ﻣﺠﻤﻮع(1
0 ;x < 1
p ;1 ≤ x < 2
1 − (1 − p)2 ;2 ≤ x < 3
= )F (x 1 − (1 − p)3 ;3 ≤ x < 4 F (3) = 1 − (1 − p)3 )(12
.. ..
. .
1 − (1 − )pk ;k ≤ x < k + 1
.. ..
. .
. . . . . . . . . . . . . . . . . . . .
18/64 . . . . . . . . . . . . . . . . . . . .
64 / 18 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
ﺧﻮاص ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
• ∀x ∈ R : 0 ≤ F (x) ≤ 1
ﻧﮑﺘﻪ :اﮔﺮ ) F (xﭘﻠﮑﺎﻧﯽ ﺑﺎﺷﺪ ،ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﮔﺴﺴﺘﻪ اﺳﺖ و اﮔﺮ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ
ﺑﺎﺷﺪ F (x) ،ﭘﻠﮑﺎﻧﯽ ﻣﯽ ﺷﻮد .ﻣﻘﺪار ﭘﺮش در ﭘﻠﻪﻫﺎ در واﻗﻊ ﻫﻤﺎن ﻣﻘﺪار ﺟﺮم اﺣﺘﻤﺎل در ﻧﻘﺎط ﭘﺮش اﺳﺖ.
. . . . . . . . . . . . . . . . . . . .
20/64 . . . . . . . . . . . . . . . . . . . .
64 / 20 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﻣﺜﺎل 11
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ Xﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ .ﺗﺎﺑﻊ ﺟﺮم اﺣﺘﻤﺎل را ﺑﯿﺎﺑﯿﺪ.
0 ;x < 1
1
= )F (x 3 ;1 ≤ x < 3
1
;3 ≤ x < 7
2
1 ;x ≥ 7
ﻣﺜﺎل 12
در ﻣﺜﺎل ،11ﻣﻘﺎدﯾﺮ زﯾﺮ راﺑﯿﺎﺑﯿﺪP (x > 3), P (2 < X < 6) :
0 ;x < 1
1
= )F (x 3 ;1 ≤ x < 3
1
;3 ≤ x < 7
2
1 ;x ≥ 7
1 1
P (X > 3) = 1 − P (X ≤ 3) = 1 − F (3) = 1 − 2 = 2
1 1 1
= )P (2 < X < 6) = P (X < 6) − P (X ≤ 2 F (6− ) − = )F (2 2 − 3 = 6
. . . . . . . . . . . . . . . . . . . .
22/64 . . . . . . . . . . . . . . . . . . . .
64 / 22 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ
ﺗﻌﺮﯾﻒ :اﮔﺮ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ Xداراي ﺗﺎﺑﻊ ﺟﺮم اﺣﺘﻤﺎل ) f (xﺑﺎﺷﺪ ،ﻣﯿﺎﻧﮕﯿﻦ ﯾﺎ ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎر
ﯾﺎ اﻣﯿﺪ رﯾﺎﺿﯽ Xﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ:
∑
)E(X) = x xf (x
اﻣﯿﺪ رﯾﺎﺿﯽ در واﻗﻊ ﻣﺮﮐﺰ ﺛﻘﻞ ﺟﺎﻣﻌﻪ آﻣﺎري اﺳﺖ .آن را ﺑﺎ µﻧﯿﺰ ﻧﻤﺎﯾﺶ ﻣﯽدﻫﻨﺪ.
. . . . . . . . . . . . . . . . . . . .
23/64 . . . . . . . . . . . . . . . . . . . .
64 / 23 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ
ﻣﺜﺎل 13
در ﯾﮏ ﮐﺎرﺧﺎﻧﻪ ﻧﺴﺎﺟﯽ ،ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﺗﻌﺪاد اﯾﺮادﻫﺎ در ﻫﺮ ده ﻣﺘﺮ از ﭘﺎرﭼﻪاي ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ.
ﻣﯿﺎﻧﮕﯿﻦ اﯾﺮادﻫﺎ در ﻫﺮ ده ﻣﺘﺮ را ﺑﯿﺎﺑﯿﺪ .در ده ﺗﻮپ ﺻﺪﻣﺘﺮي ،ﭼﻪ ﺗﻌﺪاد اﯾﺮاد ﻣﻮرد اﻧﺘﻈﺎر اﺳﺖ؟
∑
)E(X) = x xf (x
= 0 × 0/41 + 1 × 0/37 + 2 × 0/16 + 3 × 0/05 + 4 × 0/01 = 0/88
ﻣﺜﺎل 14
ﭘﯿﮏ ﯾﮏ رﺳﺘﻮران ﺑﻪ ﺗﻌﺪاد دﻓﻌﺎﺗﯽ ﮐﻪ ﻏﺬا ﺗﺤﻮﯾﻞ ﻣﺸﺘﺮي ﻣﯽدﻫﺪ ﭘﻮل درﯾﺎﻓﺖ ﻣﯽﮐﻨﺪ .او ﺑﺎ اﺣﺘﻤﺎل 35
درﺻﺪ روزي ﭘﺮﺗﺮاﻓﯿﮏ ﺑﺎ درآﻣﺪ ﺣﺪاﻗﻞ 100ﻫﺰارﺗﻮﻣﺎن و ﺑﺎ اﺣﺘﻤﺎل 5درﺻﺪ روزي ﺑﺪون ﺳﻔﺎرش دارد .ﺑﺎ
اﺣﺘﻤﺎل 60درﺻﺪ ﻧﯿﺰ روزي ﻣﻌﻤﻮﻟﯽ ﺑﺎ درآﻣﺪ ﺣﺪاﻗﻞ 40ﻫﺰار ﺗﻮﻣﺎن درآﻣﺪ دارد .ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎر درآﻣﺪ
روزاﻧﻪ او را ﺣﺴﺎب ﮐﻨﯿﺪ.
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﻣﯿﺰان دﺳﺘﻤﺰد روزاﻧﻪ در ﻧﻈﺮ ﻣﯽﮔﯿﺮﯾﻢ .دارﯾﻢ:
∑ 35 5 60
E(X) = x xf (x) = 100 × 100000 + 100 × 0 + 100 × 40000 = 59000
ٍ
. . . . . . . . . . . . . . . . . . . .
25/64 . . . . . . . . . . . . . . . . . . . .
64 / 25 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ
ﻗﻀﯿﻪ
ﻓﺮض ﮐﻨﯿﺪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ ﺑﺎ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ) f (xﺑﺎﺷﺪ .ﻣﯿﺎﻧﮕﯿﻦ ﯾﺎ ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎر
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ) g(Xﻋﺒﺎرت اﺳﺖ از:
∑
)E(g(X)) = x g(x)f (x
ﻧﮑﺘﻪ
اﻣﯿﺪ رﯾﺎﺿﯽ Xﺧﺎﺻﯿﺖ ﺧﻄﯽ دارد:
∑ ∑ ∑
E(aX
∑ = )∑ + b = )x (ax + b)f (x x axf (x) + = )x bf (x
a xf (x) +b f (x) = aE(X) + b
| x {z } } | x {z
)E(X 1
. . . . . . . . . . . . . . . . . . . .
26/64 . . . . . . . . . . . . . . . . . . . .
64 / 26 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ
ﻣﺜﺎل 15
ﮐﺎرﮔﺮي در ﯾﮏ ﮐﺎرواش ﺑﻪ ازاي ﺷﺴﺘﻦ ﻫﺮ ﺧﻮدرو 2دﻻر درﯾﺎﻓﺖ ﻣﯽﮐﻨﻨﺪ و ﻫﺮ روز ﺳﻪ دﻻر ﻫﺰﯾﻨﻪ رﻓﺖ و
آﻣﺪ ﻣﯽدﻫﺪ .ﻓﺮض ﮐﻨﯿﺪ ﺟﺪول ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﺑﺮاي ﺗﻌﺪاد ﺧﻮدروﻫﺎﯾﯽ ﮐﻪ در ﯾﮏ روز ﺑﻪ ﮐﺎرواش ﻣﯽآﯾﻨﺪ
ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ .ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎر درآﻣﺪ ﺧﺎﻟﺺ ﮐﺎرﮔﺮ در ﻫﺮ روز ﭼﻘﺪر اﺳﺖ؟
اﮔﺮ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﺗﻌﺪاد ﺧﻮدروﻫﺎﯾﯽ ﮐﻪ ﺑﻪ ﮐﺎرواش ﻣﯽاﯾﻨﺪ در ﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ ،درآﻣﺪ ﺧﺎﻟﺺ ﮐﺎرﮔﺮ در
ﭘﺎﯾﺎن ﻫﺮ روز ﺑﺮاﺑﺮ ﺑﺎ g(X) = 2X − 3اﺳﺖ .ﺑﺮاي ﻣﯿﺎﻧﮕﯿﻦ درآﻣﺪ او دارﯾﻢ:
∑
= )E(g(X)) = X g(x)f (x
11 × 1/6 + 13 × 1/6 + 15 × 1/4 + 17 × 1/4 + 19 × 1/12 + 21 × 1/12 = 15/33
. . . . . . . . . . . . . . . . . . . .
27/64 . . . . . . . . . . . . . . . . . . . .
64 / 27 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ
ﻣﺜﺎل 16
ﻓﺮض ﮐﻨﯿﺪ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﺗﻌﺪاد ﺧﺮﯾﺪاري ﺷﺪه از ﻣﺤﺼﻮﻟﯽ از ﯾﮏ ﮐﺎرﺧﺎﻧﻪ ﺑﺮاي ﯾﮏ ﺷﺮﮐﺖ در ﯾﮏ ﺳﺎل
ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ.
ﻗﯿﻤﺖ ﻫﺮ ﻣﺤﺼﻮل ﺻﺪ دﻻر اﺳﺖ و ﺷﺮﮐﺖ ﺑﺮاي ﻫﺮ ﺧﺮﯾﺪ ،ﺗﺨﻔﯿﻔﯽ ﻣﻌﺎدل 3X 2ﻣﯽﮔﯿﺮد ﮐﻪ Xﻧﻌﺪاد
ﻣﺤﺼﻮل ﺧﺮﯾﺪاري ﺷﺪه اﺳﺖ .ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎر ﭘﻮﻟﯽ ﮐﻪ ﺷﺮﮐﺖ ﺑﺮاي ﺧﺮﯾﺪ ﻣﺤﺼﻮل ﻣﻮرد ﻧﻈﺮ در ﯾﮏ
ﺳﺎل ﭘﺮداﺧﺖ ﻣﯽﮐﻨﺪ ﭼﻘﺪر اﺳﺖ؟
ﻣﻘﺪار ﭘﻮل ﭘﺮداﺧﺘﯽ = g(X) = 100X − 3X 2
∑ ∑ 2
∑
∑ 2 = x g(x)f (x) = x (100x − 3x )f (x) = 100 x xf (x) −
))E(g(X
3 x x f (x) = 100(1(1/2)+2(1/4)+3(1/8)+4(1/8))−3(1(1/2)+4(1/4)+
9(1/8) + 16(1/8)) = 100(15/8) − 3(37/8) = 187/5 − 13/875 = 173/625
. . . . . . . . . . . . . . . . . . . .
28/64 . . . . . . . . . . . . . . . . . . . .
64 / 28 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
وارﯾﺎﻧﺲ
وارﯾﺎﻧﺲ
ﺗﻌﺮﯾﻒ :ﻓﺮض ﮐﻨﯿﺪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ ﺑﺎ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ) f (xو ﻣﯿﺎﻧﮕﯿﻦ E(X) = µ
ﺑﺎﺷﺪ .وارﯾﺎﻧﺲ Xﻋﺒﺎرت اﺳﺖ از:
∑
)V AR(X) = σ 2 = E[(X − µ)2 ] = x (x − µ)2 f (x
ﻣﯿﺎﻧﮕﯿﻦ ﻧﺸﺎن ﻣﯽدﻫﺪ ﮐﻪ دادهﻫﺎ ﺣﻮل ﭼﻪ ﻋﺪدي ﻗﺮار دارﻧﺪ و ﻣﺮﮐﺰﺷﺎن ﮐﺠﺎﺳﺖ .وارﯾﺎﻧﺲ ﻧﺸﺎن ﻣﯽدﻫﺪ
ﮐﻪ دادهﻫﺎ ﭼﮕﻮﻧﻪ ﺣﻮل اﯾﻦ ﻣﺮﮐﺰ ﭘﺮاﮐﻨﺪه ﺷﺪهاﻧﺪ .آﯾﺎ ﻫﻤﻪ در ﻧﺰدﯾﮑﯽ اﯾﻦ ﻣﺮﮐﺰ ﻗﺮار دارﻧﺪ ﯾﺎ از آن دور
ﻫﺴﺘﻨﺪ.
وارﯾﺎﻧﺲ ﮐﻤﯿﺘﯽ ﻫﻤﻮاره ﻧﺎﻣﻨﻔﯽ اﺳﺖ .ﺟﺬر وارﯾﺎﻧﺲ را اﻧﺤﺮاف ﻣﻌﯿﺎر ﮔﻮﯾﻨﺪ و ﻣﻌﻤﻮﻻ ﺑﺎ σﻧﺸﺎن ﻣﯽدﻫﻨﺪ.
. . . . . . . . . . . . . . . . . . . .
29/64 . . . . . . . . . . . . . . . . . . . .
64 / 29 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
وارﯾﺎﻧﺲ
ﻣﺜﺎل 17
ﻓﺮض ﮐﻨﯿﺪ ﺑﺮاي ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xدارﯾﻢ:
|x|+1
= )f (X ; 5 x = −1, 0, 1
ﻣﺜﺎل 18
ﻓﺮض ﮐﻨﯿﺪ ﺟﺪول ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ Xﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ:
ﻗﻀﯿﻪ
ﻓﺮض ﮐﻨﯿﺪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ ﺑﺎ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ) f (xﺑﺎﺷﺪ .وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
) g(Xﻋﺒﺎرت اﺳﺖ از:
2
∑
)σg(X )= E[(g(X) − µg(X) )2 ] = x (g(x) − µg(x) )2 f (x
} | {z
))E(g(X
= E[g(X)2 ] − (E[g(X)])2
ﻧﮑﺘﻪ:
. . . . . . . . . . . . . . . . . . . .
32/64 . . . . . . . . . . . . . . . . . . . .
64 / 32 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
وارﯾﺎﻧﺲ
ﻣﺜﺎل 19
در ﻣﺜﺎل ،18ﻣﻄﻠﻮب اﺳﺖ
دارﯾﻢ:
X:S→R )(13
ﻧﮑﺘﻪ
ﺗﮑﯿﻪﮔﺎه ) (supportﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﻣﺠﻤﻮﻋﻪ ﻣﻘﺎدﯾﺮي از Rﮐﻪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ آنﻫﺎ را
ﺑﺎ اﺣﺘﻤﺎل ﻧﺎﺻﻔﺮ اﺧﺘﯿﺎر ﻣﯽﮐﻨﺪ.
. . . . . . . . . . . . . . . . . . . .
34/64 . . . . . . . . . . . . . . . . . . . .
64 / 34 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
ﻣﺜﺎل 1
در ﭘﺮﺗﺎب ﯾﮏ دارت ﺑﻪ ﺳﻤﺖ ﯾﮏ ﺳﯿﺒﻞ ،ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﻣﯿﺰان ﻓﺎﺻﻠﻪ ﻧﻘﻄﻪ ﺑﺮﺧﻮرد دارت ﺗﺎ ﻣﺮﮐﺰ
ﺳﯿﺒﻞ در ﻧﻈﺮ ﻣﯽﮔﯿﺮﯾﻢ.
ﻧﻘﺎط ﺳﻄﺢ داﯾﺮه = S )(14
ﺗﮑﯿﻪﮔﺎه Xﺑﺎزهاي از اﻋﺪاد ﺣﻘﯿﻘﯽ اﺳﺖ X .ﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ اﺳﺖ.
ﻣﺜﺎل 2
• ﻃﻮل ﻋﻤﺮ ﯾﮏ ﻻﻣﭗX ∈ [0, ∞) :
]X ∈ [a, b • ﻣﺴﺎﻓﺖ ﻃﯽ ﺷﺪه ﺑﺎ ﯾﮏ اﺗﻮﻣﺒﯿﻞ ﺑﺎ 1ﻟﯿﺘﺮ ﺑﻨﺰﯾﻦ:
• ﻣﺪت زﻣﺎن ﯾﮏ ﻣﮑﺎﻟﻤﻪ ﺗﻠﻔﻨﯽ ] X ∈ [0, T
. . . . . . . . . . . . . . . . . . . .
35/64 . . . . . . . . . . . . . . . . . . . .
64 / 35 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
)P (a < X ≤ b) = P (a < X < b) + P (X = b) = P (a < X < b
} | {z
0
)P (a < X < b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a ≤ X ≤ b
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﺗﺎﺑﻊ ) ،f (xﮐﻪ روي ﻣﺠﻤﻮﻋﻪ اﻋﺪاد ﺣﻘﯿﻘﯽ Rﺗﻌﺮﯾﻒ ﺷﺪه اﺳﺖ ،ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل )ﯾﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ(
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xﻧﺎﻣﯿﺪه ﻣﯽﺷﻮد اﮔﺮ:
∫ b ∞ ∫
= )P (a < X < b ;)f (x)dx; f (x) ≥ 0(∀x ∈ R f (x)dx = 1
a ∞−
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ را ﻧﻤﯽﺗﻮان ﺑﻪ ﺻﻮرت ﺟﺪول ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻧﺸﺎن داد و ﻣﻌﻤﻮﻻ ﺑﺎ ﻓﺮﻣﻮل ﻧﺸﺎن داده ﻣﯽﺷﻮد.
ﻣﻤﮑﻦ اﺳﺖ در ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ﺗﻌﺪاد ﻣﺘﻨﺎﻫﯽ ﻧﺎﭘﯿﻮﺳﺘﮕﯽ داﺷﺘﻪ ﺑﺎﺷﯿﻢ ،وﻟﯽ در ﻣﺜﺎلﻫﺎي ﮐﺎرﺑﺮدي ﻏﺎﻟﺒﺎ اﯾﻦ
ﺗﺎﺑﻊ ﭘﯿﻮﺳﺘﻪ اﺳﺖ.
در واﻗﻊ ) f (xﺑﻪ ﮔﻮﻧﻪ اي ﺳﺎﺧﺘﻪ ﻣﯽﺷﻮد ﮐﻪ ﻣﻘﺪار اﺣﺘﻤﺎل ﻫﺮ ﭘﯿﺸﺎﻣﺪ ﺑﺎ ﻣﺤﺎﺳﺒﻪ ﻣﺴﺎﺣﺖ زﯾﺮ ﻧﻤﻮدار
) f (xدر ﺑﺎزه ﻣﺮﺑﻮط ﺑﻪ آن ﭘﯿﺸﺎﻣﺪ ﺑﻪ دﺳﺖ ﻣﯽآﯾﺪ.
ﭼﻮن اﺣﺘﻤﺎل ﻫﺮ ﭘﯿﺸﺎﻣﺪ ﻧﺎﻣﻨﻔﯽ اﺳﺖ ،ﻧﻤﻮدار ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل رو و ﯾﺎ ﺑﺎﻻي ﻣﺤﻮر ﻃﻮلﻫﺎ )ﮐﻪ ﻧﺸﺎن
. . . . . . . . .
دﻫﻨﺪه ﻣﻘﺎدﯾﺮ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xاﺳﺖ (،ﻗﺮار دارد.
. . . . . . . . . . .
36/64 . . . . . . . . . . . . . . . . . . . .
64 / 36 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻣﺜﺎل 3
ﻓﺮض ﮐﻨﯿﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xﻧﺸﺎن دﻫﻨﺪه ﻣﺪت زﻣﺎن ﮐﺎرﮐﺮد ﯾﮏ ﻗﻄﻌﻪ ﺑﺮ ﺣﺴﺐ روز ﺑﻮده و ﺗﺎﺑﻊ
ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل آن ﺑﻪ ﺻﻮرت زﯾﺮ ﺑﺎﺷﺪ .اﺣﺘﻤﺎل اﯾﻦ ﮐﻪ ﻗﻄﻌﻪ ﻣﺬﮐﻮر ﺑﯿﻦ 5ﺗﺎ 15روز ﮐﺎر ﮐﻨﺪ ﭼﻘﺪر
اﺳﺖ؟ اﺣﺘﻤﺎل اﯾﻦ ﮐﻪ ﻗﻄﻌﻪ ﺑﯿﺶ از 10روز ﮐﺎر ﮐﻨﺪ ﭼﻘﺪر اﺳﺖ؟
{
1 −x
10 e
10 ;x ≥ 0
= )f (x
0 )در ﻏﯿﺮ اﯾﻦ ﺻﻮرت(; ow
دارﯾﻢ:
∫ 15 ∫ 15 1 −x −x
= )P (5 ≤ X ≤ 15 5 = f (x)dx 5 10 e
10 dx = −e 10 |15
5 =
−15 −5
−e 10 +e 10 = 0/38
ﻫﻤﭽﻨﯿﻦ:
∞∫ ∞∫ 1 −x −x −10
= )P (X ≥ 10 10 = f (x)dx 10 10 e
10 dx = −e 10 ∞|
10 = −e
−∞ + e 10 =
0 + e1 = 0/37
. . . . . . . . . . . . . . . . . . . .
37/64 . . . . . . . . . . . . . . . . . . . .
64 / 37 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻧﻤﻮدار ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﻣﺜﺎل 3
. . . . . . . . . . . . . . . . . . . .
38/64 . . . . . . . . . . . . . . . . . . . .
64 / 38 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻣﺜﺎل 4
ﻓﺮض ﮐﻨﯿﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xﻧﺸﺎن دﻫﻨﺪه ﻣﯿﺰان ﻓﺎﺻﻠﻪ ﻧﻘﻄﻪ ﺑﺮﺧﻮرد دارت ﺗﺎ ﻣﺮﮐﺰ ﺳﯿﺒﻠﯽ ﺑﻪ
ﺷﻌﺎع 30ﺳﺎﻧﺘﯽﻣﺘﺮ ﺑﻮده و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل آن ﺑﻪ ﺻﻮرت زﯾﺮ ﺑﺎﺷﺪ .اوﻻ ﻣﻘﺪار aرا ﺑﯿﺎﺑﯿﺪ .ﺛﺎﻧﯿﺎ اﺣﺘﻤﺎل
اﯾﻦ ﮐﻪ دارت در ﻓﺎﺻﻠﻪاي ﮐﻤﺘﺮ از 10ﺳﺎﻧﺘﯽﻣﺘﺮ ﺗﺎ ﻣﺮﮐﺰ ﺳﯿﺒﻞ ﺑﻪ آن اﺻﺎﺑﺖ ﮐﻨﺪ ﭼﻘﺪر اﺳﺖ؟
{
a(30 − x) ; 0 ≤ x ≤ 30
= )f (x
0 )در ﻏﯿﺮ اﯾﻦ ﺻﻮرت(; ow
ﻫﻤﭽﻨﯿﻦ
∫ 10 ∫ 10 1 1 x2 10
= P (X ≤ 10) = 0 f (x)dx 0 450 (30 − x)dx = − 450 (30x − 2 )|0 =
1 5
450 (300 − 50 − 0) = 9
. . . . . . . . . . . . . . . . . . . .
39/64 . . . . . . . . . . . . . . . . . . . .
64 / 39 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
. . . . . . . . . . . . . . . . . . . .
40/64 . . . . . . . . . . . . . . . . . . . .
64 / 40 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻣﺜﺎل 5
ﻓﺮض ﮐﻨﯿﺪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل زﯾﺮ ﺑﺎﺷﺪ .ﻣﻘﺪار aﭼﻘﺪر اﺳﺖ؟ اﺣﺘﻤﺎل
) P (X ≥ 1ﭼﻘﺪر اﺳﺖ؟
{
a(2x − x2 ) ; 0 ≤ x ≤ 2
= )f (x
0 )در ﻏﯿﺮ اﯾﻦ ﺻﻮرت(; ow
دارﯾﻢ:
∞∫ ∫0 ∫2 ∞∫
∞− f (x)dx = 1 ⇒ −∞ 0dx + 0 a(2x − x2 )dx + 2 0dx = 1
∫2 3
= ⇒ 0 a(2x − x2 )dx = 1 ⇒ a(x2 − x3 )|20 = 1 ⇒ a(4 − 83 − 0) = 1 ⇒ a 3
4
ﻫﻤﭽﻨﯿﻦ:
∞∫ ∫2 3 x3
= P (X ≥ 1) = 1 f (x)dx 1 4 (2x − x2 )dx = 43 (x2 − 3 = )|21
3 8 1 1
4 ((4 − 3 ) − (1 − 3 )) = 2
. . . . . . . . . . . . . . . . . . . .
41/64 . . . . . . . . . . . . . . . . . . . .
64 / 41 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
. . . . . . . . . . . . . . . . . . . .
42/64 . . . . . . . . . . . . . . . . . . . .
64 / 42 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻣﺜﺎل 6
ﻣﯽﺧﻮاﻫﯿﻢ ﻋﺪدي در ﺑﺎزه ) (0/1, 0/5ﺑﻪ ﺗﺼﺎدف اﻧﺘﺨﺎب ﮐﻨﯿﻢ )ﻫﯿﭻ ﻋﺪدي ﺑﺮ اﻋﺪاد دﯾﮕﺮ ﺑﺮﺗﺮي ﻧﺪارد(.
ﻓﺮض ﮐﻨﯿﺪ Xﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪاي اﺳﺖ ﮐﻪ ﻣﻘﺪار ﻋﺪد اﻧﺘﺨﺎب ﺷﺪه را ﻧﺸﺎن ﻣﯽدﻫﺪ .ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ
اﺣﺘﻤﺎل Xﺑﻪ ﺻﻮرت زﯾﺮ ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد .ﻣﻘﺪار aﭼﻘﺪر اﺳﺖ؟ اﺣﺘﻤﺎل اﯾﻦ ﮐﻪ ﻋﺪدي ﺑﺰرﮔﺘﺮ از 0/35
{ اﻧﺘﺨﺎب ﺷﻮد ﭼﻘﺪر اﺳﺖ؟
a ; 0/1 ≤ x ≤ 0/5
= )f (x
)در ﻏﯿﺮ اﯾﻦ ﺻﻮرت(0 ; ow
. . . . . . . . . . . . . . . . . . . .
44/64 . . . . . . . . . . . . . . . . . . . .
64 / 44 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
• اﮔﺮ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ﺑﺎﺷﺪ ،ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ آن ﭘﯿﻮﺳﺘﻪ اﺳﺖ و ﺑﺎﻟﻌﮑﺲ .ﯾﻌﻨﯽ در ﻫﯿﭻ
ﻧﻘﻄﻪاي در ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﭘﺮش ﻧﺪارﯾﻢ .زﯾﺮا در ﻫﻤﻪ ﺗﮏﻧﻘﻄﻪﻫﺎ ﻣﻘﺪار اﺣﺘﻤﺎل ﺻﻔﺮ اﺳﺖ.
• ﺑﺮاي ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xدارﯾﻢ:
. . . . . . . . . . . . . . . . . . . .
45/64 . . . . . . . . . . . . . . . . . . . .
64 / 45 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻣﺜﺎل 7
{ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ را در ﻣﺜﺎل 3ﺑﯿﺎﺑﯿﺪ.
1 −x
10 e
10 ;x ≥ 0
= )f (x
0 )در ﻏﯿﺮ اﯾﻦ ﺻﻮرت(; ow
دارﯾﻢ:
∫x
= F (x) = P (X ≤ x) = −∞ f (t)dt
∫x
∫−∞ 0dt = ∫0 x ;x < 0
0 1 −t −x
0dt + e 10 dt = −e 10 + 1 ; x ≥ 0
∞− 0 10
| } | {z {z }
0 −t
−e 10 |x
0
{ ﺑﻨﺎﺑﺮاﯾﻦ:
0 ;x < 0
= )F (x −x
−e 10 + 1 ;x ≥ 0
. . . . . . . . . . . . . . . . . . . .
46/64 . . . . . . . . . . . . . . . . . . . .
64 / 46 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
−15 −5
P (5 ≤ X ≤ 15) = F (15) − F (5) = (−e 10 + 1) − (−e 10 + 1) = 0/38
. . . . . . . . . . . . . . . . . . . .
47/64 . . . . . . . . . . . . . . . . . . . .
64 / 47 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻣﺜﺎل 8
{ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ را در ﻣﺜﺎل 4ﺑﯿﺎﺑﯿﺪ.
1
450 (30 − x) ; 0 ≤ x ≤ 30
= )f (x
0 ; ow
دارﯾﻢ:
∫x
= F (x) = P (X ≤ x) = −∞ f (t)dt
∫x
∞∫− 0dt = ∫0 ;x < 0
0 x
1
1 x2
0dt + (30 − t)dt = 450 (30x − 2 ) ; 0 ≤ x < 30
∞− 0 450
| {z } | {z }
0 1 t2 x
450
(30t− 2
)|0
∫ 0 ∫ 30 ∫ x
1 1
0dt + (30 − t)dt + = 0dt )450 (450 = 1 ; x ≥ 30
450
∞−
| } | {z 0
{z 30
} } | {z
0 1
450
(900− 900
2
) 0
. . . . . . . . . . . . . . . . . . . .
48/64 . . . . . . . . . . . . . . . . . . . .
64 / 48 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﺑﻨﺎﺑﺮاﯾﻦ:
0 ;x < 0
1 x2
(30x − 2 ) ; 0 ≤ x < 30
= )F (x
450
1 ; x ≥ 30
. . . . . . . . . . . . . . . . . . . .
49/64 . . . . . . . . . . . . . . . . . . . .
64 / 49 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻣﺜﺎل 9
{ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ را در ﻣﺜﺎل 5ﺑﯿﺎﺑﯿﺪ.
3
4 (2x − x2 ) ; 0 ≤ x ≤ 2
= )f (x
0 ; ow
دارﯾﻢ:
∫x
= F (x) = P (X ≤ x) = −∞ f (t)dt
∫x
∞∫− 0dt = ∫0 ;x < 0
0 x
3
x3
0dt + (2t − t2 )dt = 34 (x2 − 3 ) ;0 ≤ x < 2
∞− 0 4
| } {z }
| {z
0 3 2 t3 x
4
(t − 3
)|0
∫ 0 ∫ 2 ∫ x
3 2
0dt + (2t − t )dt + 0dt = 34 ( 43 ) = 1 ; x ≥ 2
4
{z } | 0
∞| − {z } } | 2 {z
0 3
4
(4− 8
3
) 0
. . . . . . . . . . . . . . . . . . . .
50/64 . . . . . . . . . . . . . . . . . . . .
64 / 50 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﺑﻨﺎﺑﺮاﯾﻦ:
0 ;x < 0
3 2 x3
(x − 3 ) ;0 ≤ x < 2
= )F (x
4
1 ;x ≥ 2
3
= ) P (X ≥ 1) = P (X > 1) = 1 − P (X ≤ 1) = 1 − F (1) = 1 − 34 (x2 − x3 1
2
. . . . . . . . . . . . . . . . . . . .
51/64 . . . . . . . . . . . . . . . . . . . .
64 / 51 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻣﺜﺎل 10
{ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ را در ﻣﺜﺎل 6ﺑﯿﺎﺑﯿﺪ.
2/5 ; 0/1 ≤ x ≤ 0/5
= )f (x
0 ; ow
دارﯾﻢ:
∫x
= F (x) = P (X ≤ x) = −∞ f (t)dt
∫x
0dt = 0 ; x < 0/1
∞∫− ∫ x
0/1
0dt + 2/5dt = 2/5x − 0/25 ; 0/1 ≤ x < 0/5
∞− 0/1
} | {z } | {z
0 2/5t|x
0/1
∫ 0/1 ∫ 0/5 ∫ x
0dt + 2/5dt + 0dt = 1 ; x ≥ 0/5
∞− 0/1
} | {z } | {z } | {z 0/5
0 1/25−0/25 0
. . . . . . . . . . . . . . . . . . . .
52/64 . . . . . . . . . . . . . . . . . . . .
64 / 52 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﺑﻨﺎﺑﺮاﯾﻦ:
0 ; x < 0/1
= )F (x 2/5x − 0/25 ; 0/1 ≤ x < 0/5
1 ; x ≥ 0/5
. . . . . . . . . . . . . . . . . . . .
53/64 . . . . . . . . . . . . . . . . . . . .
64 / 53 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻣﺜﺎل 11
ﻓﺮض ﮐﻨﯿﺪ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xﻧﺸﺎن دﻫﻨﺪه ﻣﯿﺰان ﻓﺎﺻﻠﻪ ﻧﻘﻄﻪ ﺑﺮﺧﻮرد دارت ﺗﺎ ﻣﺮﮐﺰ ﺳﯿﺒﻠﯽ ﺑﻪ
ﺷﻌﺎع 30ﺳﺎﻧﺘﯽﻣﺘﺮ ﺑﺎﺷﺪ .در اﯾﻦ ﻣﺜﺎل ﻓﺮض ﮐﻨﯿﺪ ﻫﻤﻪ ﻧﻘﺎط ﺳﯿﺒﻞ ﺷﺎﻧﺲ ﯾﮑﺴﺎﻧﯽ در ﺑﺮﺧﻮرد دارت
دارﻧﺪ .ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ Xرا ﺑﯿﺎﺑﯿﺪ .ﺛﺎﻧﯿﺎ اﺣﺘﻤﺎل اﯾﻦ ﮐﻪ دارت در ﻓﺎﺻﻠﻪاي ﮐﻤﺘﺮ از 10ﺳﺎﻧﺘﯽﻣﺘﺮ ﺗﺎ
ﻣﺮﮐﺰ ﺳﯿﺒﻞ ﺑﻪ آن اﺻﺎﺑﺖ ﮐﻨﺪ ﭼﻘﺪر اﺳﺖ؟ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل Xرا ﻧﯿﺰ ﺑﯿﺎﺑﯿﺪ.
دارﯾﻢ:
102 1
= )P (X ≤ 10) = F (10 302 = 9
. . . . . . . . . . . . . . . . . . . .
54/64 . . . . . . . . . . . . . . . . . . . .
64 / 54 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﺑﺮاي ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xﺑﺎ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ) ،F (xﺑﻪ ﺷﺮط وﺟﻮد ﻣﺸﺘﻖ ) ،F (xدارﯾﻢ:
)dF (x
= )f (x dx
ﻣﺜﺎل 12
در ﻣﺜﺎل 11ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل را ﺑﯿﺎﺑﯿﺪ.
0 ;x < 0
πx2
= )F (x π302 ; 0 ≤ x < 30
1 ; x ≥ 30
دارﯾﻢ:
{
)dF (x d x2 2x
x
450 ; 0 ≤ x ≤ 30
= )f (x = ) dx ( 900 = 900 = x
450 ⇒ = )f (x
dx 0 ; ow
. . . . . . . . . . . . . . . . . . . .
55/64 . . . . . . . . . . . . . . . . . . . .
64 / 55 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ و ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻣﺜﺎل 13
ﻓﺮض ﮐﻨﯿﺪ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ .ﻣﻘﺪار aرا ﺑﯿﺎﺑﯿﺪ .ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ Xرا
ﺑﻪ دﺳﺖ آورﯾﺪ.
0 ;x < 0
= )F (x ax2 + 23 x ; 0 ≤ x < 3
√ 1 √≥ ;x 3
F (∞) = 1 ،F (−∞) = 0
ﺣﺎل ﺑﺎﯾﺪ aرا ﺑﻪ ﮔﻮﻧﻪاي ﺑﯿﺎﺑﯿﻢ ﮐﻪ Fﭘﯿﻮﺳﺘﻪ ،ﻏﯿﺮ ﻧﺰوﻟﯽ و ﺑﯿﻦ 0و 1ﺑﺎﺷﺪ:
F (3) = F (3− ) ⇒ 1 = a(32 ) + 32 (3) ⇒ 9a + 2 = 1 ⇒ 9a = −1 ⇒ a = −1 9
F ′ (x) = 0 → x = 3; F ′′ (x) = −2 ﻣﺎﮐﺰﯾﻤﻢ ﻧﺴﺒﯽ< 0 ⇒ x = 3
√ √ 9
ﻏﯿﺮﻧﺰوﻟﯽ ⇒ 0 ≤ F (x) ≤ 1 , F
ﻫﻤﭽﻨﯿﻦ
= )f (x )dF (x
= d ( −1 x2 + 23 x) = −2
9 x + 2
⇒
{dx−2 dx2 9 3
9 x + 3 ; 0 ≤ x ≤ 3
= )f (x
0 ; ow
. . . . . . . . . . . . . . . . . . . .
56/64 . . . . . . . . . . . . . . . . . . . .
64 / 56 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
اﻣﯿﺪ رﯾﺎﺿﯽ
ﺗﻌﺮﯾﻒ :اﮔﺮ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xداراي ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ) f (xﺑﺎﺷﺪ ،ﻣﯿﺎﻧﮕﯿﻦ ﯾﺎ ﻣﻘﺪار ﻣﻮرد
∞∫ اﻧﺘﻈﺎر ﯾﺎ اﻣﯿﺪ رﯾﺎﺿﯽ Xﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ:
E(X) = −∞ xf (x)dx
اﻣﯿﺪ رﯾﺎﺿﯽ در واﻗﻊ ﻣﺮﮐﺰ ﺛﻘﻞ ﺟﺎﻣﻌﻪ آﻣﺎري اﺳﺖ .آن را ﺑﺎ µﻧﯿﺰ ﻧﻤﺎﯾﺶ ﻣﯽدﻫﻨﺪ.
ﻗﻀﯿﻪ
ﻓﺮض ﮐﻨﯿﺪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ﺑﺎ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ) f (xﺑﺎﺷﺪ .ﻣﯿﺎﻧﮕﯿﻦ ﯾﺎ ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎر
∞∫ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ) g(Xﻋﺒﺎرت اﺳﺖ از:
E(g(X)) = −∞ g(x)f (x)dx
ﻧﮑﺘﻪ
اﻣﯿﺪ رﯾﺎﺿﯽ Xﺧﺎﺻﯿﺖ ﺧﻄﯽ دارد:
∞∫ ∞∫ ∞∫
= E(aX + b) = −∞ (ax + b)f (x)dx = −∞ axf (x)dx + −∞ bf (x)dx
∞ ∫ ∞ ∫
a xf (x)dx +b f (x)dx = aE(X) + b
∞− ∞−
| {z } | {z }
)E(X 1 ∀b ∈ R : E(b) = b
. . . . . . . . . . . . . . . . . . . .
57/64 . . . . . . . . . . . . . . . . . . . .
64 / 57 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
وارﯾﺎﻧﺲ
ﺗﻌﺮﯾﻒ :ﻓﺮض ﮐﻨﯿﺪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ﺑﺎ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ) f (xو ﻣﯿﺎﻧﮕﯿﻦ E(X) = µ
∞∫ ﺑﺎﺷﺪ .وارﯾﺎﻧﺲ Xﻋﺒﺎرت اﺳﺖ از:
2 2
V AR(X) = σ = E[(X − µ) ] = −∞ (x − µ) f (x)dx 2
وارﯾﺎﻧﺲ ﮐﻤﯿﺘﯽ ﻫﻤﻮاره ﻧﺎﻣﻨﻔﯽ اﺳﺖ .ﺟﺬر وارﯾﺎﻧﺲ را اﻧﺤﺮاف ﻣﻌﯿﺎر ﮔﻮﯾﻨﺪ و ﻣﻌﻤﻮﻻ ﺑﺎ σﻧﺸﺎن ﻣﯽدﻫﻨﺪ.
ﻗﻀﯿﻪ
وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﻋﺒﺎرت اﺳﺖ از:
σ 2 = E(X 2 ) − µ2 = E(X 2 ) − (E(X))2
ﻗﻀﯿﻪ
ﻓﺮض ﮐﻨﯿﺪ Xﯾﮏ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ﺑﺎ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ) f (xﺑﺎﺷﺪ .وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
∞∫ ) g(Xﻋﺒﺎرت اﺳﺖ از:
2 2
σg(X) = E[(g(X) − µg(X) ) ] = −∞ (g(x) − µg(x) ) f (x)dx 2
} | {z
))E(g(X
دارﯾﻢ:
E(9 − 0/3X) = 9 − 0/3E(X) = 9 − 0/3 × 10 = 6
ﻧﮑﺘﻪ
σaX+b = |a|σX
. . . . . . . . . . . . . . . . . . . .
60/64 . . . . . . . . . . . . . . . . . . . .
64 / 60 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
ﻣﺜﺎل 16
{ 3
− x2 ) ; 0 ≤ x ≤ 2 ﺑﺮاي ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﺑﺎ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
= )f (x 4 (2x
0 )در ﻏﯿﺮ اﯾﻦ ﺻﻮرت(; ow