Professional Documents
Culture Documents
RandomVariables Mean Variance 1
RandomVariables Mean Variance 1
Uploaded by
hastihosseiniOriginal Title
Copyright
Available Formats
Share this document
Did you find this document useful?
Is this content inappropriate?
Report this DocumentCopyright:
Available Formats
RandomVariables Mean Variance 1
RandomVariables Mean Variance 1
Uploaded by
hastihosseiniCopyright:
Available Formats
آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯽ
ﻣﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ
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
• ﺑﺮد Xﻣﺠﻤﻮﻋﻪاي ﻣﺘﻨﺎﻫﯽ اﺳﺖ.
.
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
X : S → {0, 1, 2, 3} ⊆ R ))(ω → X(ω
(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
• ﺑﺮد Xﻣﺠﻤﻮﻋﻪاي ﻣﺘﻨﺎﻫﯽ اﺳﺖ.
ﭘﯿﺸﺎﻣﺪ }) = {(N, N, D), (N, D, N ), (D, N, Nﭘﯿﺸﺎﻣﺪ } = {X = 2ﭘﯿﺸﺎﻣﺪ }{ω|X(ω) = 2
. . . . . . . . . . . . . . . . . . . .
3/64 . . . . . . . . . . . . . . . . . . . .
64 / 3 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
ﻣﺜﺎل 3
در ﺑﺮرﺳﯽ ﻣﺪت زﻣﺎن ﮐﺎرﮐﺮد ﯾﮏ ﻻﻣﭗ ،ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﻃﻮل ﻋﻤﺮ ﻻﻣﭗ )ﺑﺮ ﺣﺴﺐ ﯾﮏ واﺣﺪ زﻣﺎﻧﯽ
)∞ S = (0, ﻣﺎﻧﻨﺪ ﻣﺎه ﯾﺎ ﺳﺎل( در ﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ:
X : S → (0, ∞) ⊆ R
• ﺑﺮد Xﻣﺠﻤﻮﻋﻪاي ﻧﺎﻣﺘﻨﺎﻫﯽ و ﺑﻪ ﺻﻮرت ﯾﮏ ﺑﺎزه اﺳﺖ.
ﭘﯿﺸﺎﻣﺪ اﯾﻦﮐﻪ ﻻﻣﭗ ﺑﯿﺶ از t1و ﮐﻢﺗﺮ از t2ﻣﺎه ﮐﺎر ﮐﻨﺪ:
} {ω|t1 < X(ω) < t2 } = {t1 < X < t2
ﻣﺜﺎل 4
در ﭘﺮﺗﺎب ﯾﮏ دارت ﺑﻪ ﺳﻤﺖ ﯾﮏ ﺳﯿﺒﻞ ،ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xرا ﻣﯿﺰان ﻓﺎﺻﻠﻪ ﻧﻘﻄﻪ ﺑﺮﺧﻮرد دارت ﺗﺎ ﻣﺮﮐﺰ
ﻧﻘﺎط ﺳﻄﺢ داﯾﺮه = S ﺳﯿﺒﻞ در ﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ:
X : S → [0, r] ⊆ R
• ﺑﺮد Xﻣﺠﻤﻮﻋﻪاي ﻧﺎﻣﺘﻨﺎﻫﯽ و ﺑﻪ ﺻﻮرت ﯾﮏ ﺑﺎزه اﺳﺖ.
ﭘﯿﺸﺎﻣﺪ اﯾﻦ ﮐﻪ دارت در ﻓﺎﺻﻠﻪ ﮐﻢﺗﺮ از dﺗﺎ ﻣﺮﮐﺰ ﺳﯿﺒﻞ
4/64 .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ﺑﺮﺧﻮرد ﮐﻨﺪ = }{ω|X(ω) < d} = {X < d
64 / 4 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
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:
S = {H, T H, T T H, T T T H, . . . , |T T {z
}. . . T} H, . . .
k−1ﺑﺎر
X : S → {1, 2, 3, . . .} ⊆ R
• ﺑﺮد Xﻣﺠﻤﻮﻋﻪاي ﻧﺎﻣﺘﻨﺎﻫﯽ اﺳﺖ وﻟﯽ ﺑﻪ ﺻﻮرت ﺑﺎزه ﻧﯿﺴﺖ.
ﭘﯿﺸﺎﻣﺪ اﯾﻦ ﮐﻪ ﺣﺪاﻗﻞ 4ﭘﺮﺗﺎب ﺗﺎ رﺧﺪاد اوﻟﯿﻦ ﺷﯿﺮ اﻧﺠﺎم ﺷﻮد = }{ω|X(ω) ≥ 4} = {X ≥ 4
. . . . . . . . . . . . . . . . . . . .
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:
= )}P (X = 2) = P ({ω|X(ω) = 2
} | {z
ﭘﯿﺸﺎﻣﺪ
3
= )}) P ({(N, N, D), (N, D, N ), (D, N, N
8
• در ﻣﺜﺎل ) 5ﭘﺮﺗﺎب ﻣﮑﺮر ﺳﮑﻪ ﺗﺎ رﺧﺪاد اوﻟﯿﻦ ﺷﯿﺮ( ،ﺑﺮاي ﻣﺤﺎﺳﺒﻪ اﺣﺘﻤﺎل ﭘﯿﺸﺎﻣﺪ } {X ≥ 3دارﯾﻢ:
= )}P (X ≥ 3) = P ({ω|X(ω) ≥ 3
)}P ({(T, T, H), (T, T, T, H), (T, T, T, T, H), . . .
. . . . . . . . . . . . . . . . . . . .
7/64 . . . . . . . . . . . . . . . . . . . .
64 / 7 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺟﺮم اﺣﺘﻤﺎل
ﺗﻌﺮﯾﻒ :ﻣﺠﻤﻮﻋﻪ زوجﻫﺎي ﻣﺮﺗﺐ )) (x, f (xرا ﺗﺎﺑﻊ اﺣﺘﻤﺎل ﯾﺎ ﺗﺎﺑﻊ ﺟﺮم اﺣﺘﻤﺎل ﯾﺎ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻣﺘﻐﯿﺮ
ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ Xﻣﯽﻧﺎﻣﯿﻢ اﮔﺮ ﺑﻪ ازاي ﻫﺮ ﻣﻘﺪار :x ∈ R
∑
;f (x) = P (X = x); f (x) ≥ 0 f (x) = 1. )(1
x
ﺟﺪول ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻣﺜﺎل 1
x 2 3 4 ... 12
1 2 3 1
)f (x 36 36 36 ... 36 )ﻣﺠﻤﻮع(1
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
ﺟﺪول ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻣﺜﺎل 5
x 1 2 3 ... k ...
1 1 1
)f (x 2 4 8 ... ( 21 )k ... )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
x 0 1 2 3
1 21 63 35
)f (x 120 120 120 120 )ﻣﺠﻤﻮع( 1
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.
x 1 2 3
1
)f (x 8 a 3a
اوﻻ ﺑﺎﯾﺪ a ≥ 0
ﺛﺎﻧﯿﺎ ﺑﺎﯾﺪ ﻣﺠﻤﻮع ﻣﻘﺎدﯾﺮ ﺗﺎﺑﻊ اﺣﺘﻤﺎل ﺑﻪ ﻫﻤﻪ ﻣﻘﺎدﯾﺮ ﻣﻤﮑﻦ xﯾﮏ ﺑﺎﺷﺪ .ﭘﺲ
1 32a + 1 7
→ + a + 3a = 1 )= 1 → a = (≥ 0
8 8 32
. . . . . . . . . . . . . . . . . . . .
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.
;) f (x) = a(2−x x = 2, 3, 4, . . . . )(6
اوﻻ ﻣﻘﺪار aﺑﺎﯾﺪ ﻧﺎﻣﻨﻔﯽ ﺑﺎﺷﺪ )(a ≥ 0
ﺛﺎﻧﯿﺎ ﺑﺎﯾﺪ ﻣﺠﻤﻮع ﻣﻘﺎدﯾﺮ fﺑﻪ ازاي ﻫﻤﻪ ﻣﻘﺎدﯾﺮ xﯾﮏ ﺷﻮد.
∞
∑ ∑∞
1 ( 12 )2
a(2−x ) = 1 →a ( )x = 1 ×→a =1 →a }= 2
| {z )(7
x=2 x=2
2 1 − 21
≥0
2 2 2 14
= )P (X < 5) = f (2) + f (3) + f (4 + + = )(8
4 8 16 16
. . . . . . . . . . . . . . . . . . . .
13/64 . . . . . . . . . . . . . . . . . . . .
64 / 13 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ )(cdf
ﺗﻌﺮﯾﻒ :ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ Xﮐﻪ داراي ﺗﺎﺑﻊ )ﺟﺮم( اﺣﺘﻤﺎل ﯾﺎ ﺗﻮزﯾﻊ اﺣﺘﻤﺎل )f (x
اﺳﺖ ﻋﺒﺎرت اﺳﺖ از:
∑
= )F (x) = P (X ≤ x ∞ < f (t); −∞ < x )(9
t≤x
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
ﻧﻤﻮدار ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺜﺎل 2
. . . . . . . . . . . . . . . . . . . .
15/64 . . . . . . . . . . . . . . . . . . . .
64 / 15 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
ﻣﺤﺎﺳﺒﻪ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺜﺎل 5
x 1 2 3 ... k ...
1 1 1
)f (x 2 4 8 ... ( 21 )k ... )ﻣﺠﻤﻮع(1
0 ;x < 1
1
2 ;1 ≤ x < 2
3
4 ;2 ≤ x < 3
7
8 ;3 ≤ x < 4
= )F (x .. .. )(11
. .
) ( 21 −( 12 )k+1
1− 12
;k ≤ x < k + 1
.. ..
. .
. . . . . . . . . . . . . . . . . . . .
16/64 . . . . . . . . . . . . . . . . . . . .
64 / 16 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
ﻧﻤﻮدار ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺜﺎل 5
. . . . . . . . . . . . . . . . . . . .
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
• x1 < x 2 ⇒= ﻏﯿﺮ ﻧﺰوﻟﯽ ) F (x1 ) ≤ F (x2
• limx→−∞ F (x) = 0 )(F (−∞) = 0
• limx→+∞ F (x) = 1 )(F (+∞) = 1
)• limx→a+ = F (a از راﺳﺖ ﭘﯿﻮﺳﺘﻪ ))(F (x+ ) = F (x
) •P (X < a) = limx→a− F (x) = F (a−
) •P (X = a) = P (X ≤ a) − P (X < a) = F (a) − F (a−
ﻣﻘﺪار ﭘﺮش در ﻧﻘﻄﻪ aﮐﻪ از آن ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ) f (aاﺳﺘﻔﺎده ﻣﯽﮐﻨﯿﻢ.
){X ≤ a} = {X < a} ∪ {X = a} ⇒ P (X ≤ a) = P (X < a) + P (X = a
. . . . . . . . . . . . . . . . . . . .
19/64 . . . . . . . . . . . . . . . . . . . .
64 / 19 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
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.
ﺧﻮاص ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
)•P (a < X ≤ b) = P (X ≤ b) − P (X ≤ a) = F (b) − F (a
) •P (a ≤ X ≤ b) = P (X ≤ b) − P (X < a) = F (b) − F (a−
)•P (X > a) = 1 − P (X ≤ a) = 1 − F (a
) •P (X ≥ a) = 1 − P (X < a) = 1 − F (a−
. . . . . . . . . . . . . . . . . . . .
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
;∀x < 1 : f (x) = 0
1 1
= ) f (1) = P (X = 1) = F (1) − F (1− 3 =−0 3
1 1
∀1 < x < 3 : f (x) = P (X = x) = F (x) − ) F (x− = 3 − 3 =0
1 1
f (3) = P (X = 3) = F (3) − ) F (3− = 2 − 3 = 16
1 1
∀3 < x < 7 : f (x) = P (X = x) = F (x) − ) F (x− = 2 − 2 =0
f (7) = P (X = 7) = F (7) − ) F (7− = 1 − 12 = 21
= )∀x > 7 : f (x) = P (X = x
. . . . . . . . . . . . . . . . . . . .
F (x) − F (x− ) = 1 −1=0
21/64 . . . . . . . . . . . . . . . . . . . .
64 / 21 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺟﺪول ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻣﺜﺎل 11
x 1 3 7
1 1 1
)f (x 3 6 2 )ﻣﺠﻤﻮع(1
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؟
x 0 1 2 3 4
)f (x 0/41 0/37 0/16 0/05 0/01
∑
)E(X) = x xf (x
= 0 × 0/41 + 1 × 0/37 + 2 × 0/16 + 3 × 0/05 + 4 × 0/01 = 0/88
ﺗﻌﺪاد ﻣﻮرد اﻧﺘﻈﺎر )ﻣﯿﺎﻧﮕﯿﻦ ﺗﻌﺪاد( اﯾﺮاد ﻫﺎ در ﻫﺮ ده ﻣﺘﺮ
100
× 10 10 × 0/88 = 88
ﺗﻌﺪاد ﻣﻮرد اﻧﺘﻈﺎر اﯾﺮادﻫﺎ در ده ﺗﻮپ ﺻﺪ ﻣﺘﺮي
. . . . . . . . . . . . . . . . . . . .
24/64 . . . . . . . . . . . . . . . . . . . .
64 / 24 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ
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؟
x 7 8 9 10 11 12
)f (x 1/6 1/6 1/4 1/4 1/12 1/12
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.
x 1 2 3 4
)f (x 1/2 1/4 1/8 1/8
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
وارﯾﺎﻧﺲ Xرا ﺣﺴﺎب ﮐﻨﯿﺪ.
دارﯾﻢ:
x -1 0 1
)f (x 2/5 1/5 2/5
)µX = E(X) = −1(2/5) + 0(1/5
∑ + 1(2/5) = 0
= )V ar(X) = E((X − µX )2 ) = x (x − µX )2 f (x
4
= )(−1 − 0)2 (2/5) + (0 − 0)2 (1/5) + (1 − 0)2 (2/5 5
. . . . . . . . . . . . . . . . . . . .
30/64 . . . . . . . . . . . . . . . . . . . .
64 / 30 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
وارﯾﺎﻧﺲ
ﻗﻀﯿﻪ
وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﻋﺒﺎرت اﺳﺖ از:
σ 2 = E(X 2 ) − µ2 = E(X 2 ) − (E(X))2
ﻣﺜﺎل 18
ﻓﺮض ﮐﻨﯿﺪ ﺟﺪول ﺗﻮزﯾﻊ اﺣﺘﻤﺎل ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﮔﺴﺴﺘﻪ Xﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ:
x 0 1 2 3
)f (x 1/10 2/10 3/10 4/10
وارﯾﺎﻧﺲ Xرا ﺑﯿﺎﺑﯿﺪ.
دارﯾﻢ:
E(X) = 0(1/10) + 1(2/10) + 2(3/10) + 3(4/10) = 2
E(X 2 ) = 02 (1/10) + 12 (2/10) + 22 (3/10) + 32 (4/10) = 5
V ar(X) = E(X 2 ) − (E(X))2 = 5 − 22 = 1
. . . . . . . . . . . . . . . . . . . .
31/64 . . . . . . . . . . . . . . . . . . . .
64 / 31 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
وارﯾﺎﻧﺲ
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:
)V ar(aX + b) = a2 V ar(X
. . . . . . . . . . . . . . . . . . . .
32/64 . . . . . . . . . . . . . . . . . . . .
64 / 32 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
وارﯾﺎﻧﺲ
ﻣﺜﺎل 19
در ﻣﺜﺎل ،18ﻣﻄﻠﻮب اﺳﺖ
V ar(2X ), V ar( X−1
) 3
دارﯾﻢ:
V ar(2X ) = E[(2X − E(2X ))2 ] = E[(2X )2 ] − (E(2X ))2
E[(2X )2 ] = E(22X ) = 20 (1/10) + 22 (2/10) + 24 (3/10) + 26 (4/10) = 31/3
E(2X ) = 20 (1/10) + 21 (2/10) + 22 (3/10) + 23 (4/10) = 4/9
V ar(2X ) = 31/3 − 4/92 = 7/29
X−1 2 X−1 2 X−1 2
)) 3 ) = E[( 3 − E( 3 )) ] = E[( 3 ) ] − (E( 3
V ar( X−1 X−1
E[( X−1 2
=] ) 3
(−1/3) (1/10) + (0/3)2 (2/10) + (1/3)2 (3/10) + (2/3)2 (4/10) = 2/9
2
3 ) = (−1/3)(1/10) + (0/3)2/10) + (1/3)(3/10) + (2/3)(4/10) = 1/3
E( X−1
3 ) = 2/9 − 1/9 = 1/9
V ar( X−1
. . . . . . . . . . . . . . . . . . . .
33/64 . . . . . . . . . . . . . . . . . . . .
64 / 33 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ
ﺗﻌﺮﯾﻒ :ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﺗﺎﺑﻌﯽ اﺳﺖ ﮐﻪ ﺑﻪ ﻫﺮ ﻋﻨﺼﺮ ﻓﻀﺎي ﻧﻤﻮﻧﻪاي ﯾﮏ ﻋﺪد ﺣﻘﯿﻘﯽ ﻧﺴﺒﺖ ﻣﯽدﻫﺪ.
X:S→R )(13
ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
ﺗﻌﺮﯾﻒ :اﮔﺮ ﻣﺠﻤﻮﻋﻪ ﻣﻘﺎدﯾﺮ ﻣﻤﮑﻦ ﺑﺮاي ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﻧﺎﻣﺘﻨﺎﻫﯽ و ﺑﻪ ﺻﻮرت ﯾﮏ ﺑﺎزه و ﯾﺎ اﺟﺘﻤﺎع ﭼﻨﺪ
ﺑﺎزه ﺑﺎﺷﺪ X ،را ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ ﻧﺎﻣﯿﻢ.
در اﯾﻦ ﺣﺎﻟﺖ اﺣﺘﻤﺎل رﺧﺪاد ﻫﺮ ﯾﮏ ﻧﻘﻄﻪ از ﻣﻘﺎدﯾﺮ ﻣﻤﮑﻦ Xﺻﻔﺮ اﺳﺖ )ﺻﻔﺮ ﺣﺪي(.
ﻣﻌﻤﻮﻻ اﺣﺘﻤﺎل را روي ﺑﺎزه ﻫﺎ ﺑﺮرﺳﯽ ﻣﯽﮐﻨﯿﻢ ﮐﻪ ﺑﻪ ﺻﻮرت ﻣﺤﺎﺳﺒﻪ ﻣﺴﺎﺣﺖ زﯾﺮ ﻣﻨﺤﻨﯽ ﺗﺎﺑﻊ اﺣﺘﻤﺎل در
ﺑﺎزه ﻣﺮﺑﻮﻃﻪ اﺳﺖ.
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
X : S → [0, r] ⊆ R )(15
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
∞∫ ∫0 ∫ 30 ∞∫ دارﯾﻢ:
∞− f (x)dx = 1 ⇒ ∞− 0dx + 0 a(30 − x)dx + 30 0dx = 1
∫ 30 2
⇒ 0 a(30 − x)dx = 1 ⇒ a(30x − x2 )|30 0 = 1 ⇒ a(900 − 900
⇒ 2 − 0) = 1
1 √
a = 450 ; f (x) ≥ 0
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
ﻧﻤﻮدار ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﻣﺜﺎل 4
. . . . . . . . . . . . . . . . . . . .
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
ﻧﻤﻮدار ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﻣﺜﺎل 5
. . . . . . . . . . . . . . . . . . . .
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
∞∫ ∫ 0/1 ∫ 0/5 ∞∫ دارﯾﻢ:
−∞ f (x)dx = 1 ⇒ −∞ 0dx + 0/1 adx + 0/5 0dx = 1
∫ 0/5 0/5 10
= ⇒ 0/1 adx = 1 ⇒ ax|0/1 = 1 ⇒ a(0/5 − 0/1) = 1 ⇒ a 4 ⇒ = 2/5
{
2/5 ; 0/1 ≤ x ≤ 0/5
= )f (x
0 ; ow
ﻫﻤﭽﻨﯿﻦ:
∞∫ ∫ 0/5 0/5
= )P (X ≥ 0/35 0/35 f (x)dx = 0/35 2/5dx = 2/5x|0/35 = = 1/25 − 0/875
0/375 . . . . . . . . . . . . . . . . . . . .
43/64 . . . . . . . . . . . . . . . . . . . .
64 / 43 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل
ﻧﻤﻮدار ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﻣﺜﺎل 6
. . . . . . . . . . . . . . . . . . . .
44/64 . . . . . . . . . . . . . . . . . . . .
64 / 44 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ
ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
ﺗﻌﺮﯾﻒ :ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ Xﮐﻪ داراي ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ) f (xاﺳﺖ ﻋﺒﺎرت اﺳﺖ
از:
∫ x
= )F (x) = P (X ≤ x ∞ < f (t)dt; −∞ < x )(16
∞−
• 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:
)P (a < X < b) = F (b) − F (a
• ) F (xﻏﯿﺮ ﻧﺰوﻟﯽ اﺳﺖ و ﻣﻘﺪار آن در ﺑﺎزه ] [0, 1ﻗﺮار ﻣﯽﮔﯿﺮد )ﺑﺮد(.
. . . . . . . . . . . . . . . . . . . .
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
= )P (X ≥ 10) = P (X > 10) = 1 − P (X ≤ 10) = 1 − F (10
−10
1 − (−e 10 + 1) = e1 = 0/37
ﻧﻤﻮدار ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺜﺎل 7
. . . . . . . . . . . . . . . . . . . .
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
1 102 5
= )P (X ≤ 10) = F (10 )450 (30(10 − ) 2 = 9
ﻧﻤﻮدار ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺜﺎل 8
. . . . . . . . . . . . . . . . . . . .
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
ﻧﻤﻮدار ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺜﺎل 9
. . . . . . . . . . . . . . . . . . . .
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
= )P (X ≥ 0/35) = P (X > 0/35) = 1 − P (X ≤ 0/35) = 1 − F (0/35
1 − (2/5(0/35) − 0/25) = 0/375
ﻧﻤﻮدار ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻣﺜﺎل 10
. . . . . . . . . . . . . . . . . . . .
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.
)F (x) = P (X ≤ x
0 ;x < 0
2
= )F (x πx
; 0 ≤ x < 30
π302
1 ; x ≥ 30
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
à 1 ó ;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
;)V ar(aX + b) = a2 V ar(X ∀b ∈ R : V ar(b) = 0 ﻧﺘﯿﺠﻪ:
. . . . . . . . . . . . . . . . . . . .
58/64 . . . . . . . . . . . . . . . . . . . .
64 / 58 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
ﻣﺜﺎل 14
در ﻣﺜﺎل ،4ﻣﻘﺪار ﻓﺎﺻﻠﻪاي ﮐﻪ اﻧﺘﻈﺎر ﻣﯽرود ﻧﻘﻄﻪ ﺑﺮﺧﻮرد دارت ﺑﺎ ﻣﺮﮐﺰ ﺳﯿﺒﻞ داﺷﺘﻪ ﺑﺎﺷﺪ ﭼﻘﺪر اﺳﺖ؟
{ 1
وارﯾﺎﻧﺲ و اﻧﺤﺮاف ﻣﻌﯿﺎر Xرا ﻧﯿﺰ ﺣﺴﺎب ﮐﻨﯿﺪ.
= )f (x 450 (30 − x) ; 0 ≤ x ≤ 30
0 )در ﻏﯿﺮ اﯾﻦ ﺻﻮرت(; ow
∫ 0
∞∫ ∫ 30 1 دارﯾﻢ:
= E(X) = −∞ xf (x)dx x × 0dx + 0 x × 450 (30 − x)dx+
∫ | −∞ {z }
∞ 0
1 2 x3 30
= x × 0dx 450 (15x − 3 |) 0 = 30 − 20 = 10
| 30 {z }
0
∫ 0
∞∫ ∫ 30
) E(X 2 = ∞− x2 f (x)dx = x2 × 0dx + 0 × x2 1
450 (30 ﻫﻤﭽﻨﯿﻦ − x)dx
∞−
| {z }
∫ ∞ 0
x4 30
+ = x2 × 0dx 1
450 (10x
3 − |)
4 0 = 600 − 450 = 150
| 30 {z }
0 √
;V ar(X) = E(X 2 ) − (E(X))2 = 150 − 100 = 50
. . . . . . . . . . . . . . . . . . . .
= σX 50 = 7/07
59/64 . . . . . . . . . . . . . . . . . . . .
64 / 59 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
ﻣﺜﺎل 15
در ﻣﺜﺎل ،14ﻓﺮض ﮐﻨﯿﺪ ﺑﻪ ﻫﺮ ﺑﺎزﯾﮑﻦ ،ﺑﺴﺘﻪ ﺑﻪ ﻣﯿﺰان ﻓﺎﺻﻠﻪ ﻧﻘﻄﻪ ﺑﺮﺧﻮرد دارﺗﺶ ﺗﺎ ﻣﺮﮐﺰ ،X ،ﺑﻪ ﻣﻘﺪار
9 − 0/3Xدﻻر ﺟﺎﯾﺰه ﻣﯽدﻫﻨﺪ .ﻣﻘﺪار ﻣﺘﻮﺳﻂ ﺟﺎﯾﺰهاي ﮐﻪ ﯾﮏ ﺑﺎزﯾﮑﻦ درﯾﺎﻓﺖ ﻣﯽﮐﻨﺪ ﭼﻘﺪر اﺳﺖ؟
ﻣﻘﺪار اﻧﺤﺮاف از ﻣﻌﯿﺎر را ﺑﺮاي ﺟﺎﯾﺰه درﯾﺎﻓﺘﯽ ﺑﯿﺎﺑﯿﺪ.
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻦ ﮐﻪ
،E(X) = 10, V ar(X) = 50
دارﯾﻢ:
E(9 − 0/3X) = 9 − 0/3E(X) = 9 − 0/3 × 10 = 6
V ar(9 − 0/3X) = 0/09V ar(X) = 0/09 × 50 = 4/5
√
⇒ σ9−0/3X = 4/5 = 2/12
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
ﻣﻘﺎدﯾﺮ ) ،E( X1 ) ،V ar(X) ،E(Xو ) σ√(Xرا ﺑﯿﺎﺑﯿﺪ:
∞∫ ∫2 3 4
= )E(X x × 34 (2x − x2 )dx = x2 − 3x
−∞ xf (x)dx
2
16 |0 = 4 − 3 = 1 = 0
∞∫ ∫2 4 5
E(X 2 ) = −∞ x2 f (x)dx = 0 x2 × 34 (2x − x2 )dx = 3x8 − 3x 2
20 |0 = 1/2
V ar(X) = E(X 2 ) − (E(X))2 = 1/2 − 12 = 0/2
∞∫ ∫2 3x2 2
E( X1 ) = −∞ x1 f (x)dx = 0 x1 × 43 (2x − x2 )dx = 3x 3
2 − 8 |0 = 3 − 2 = 1/5
√ √ ∞∫ √∫2
= E( X) = −∞ xf (x)dx = 0 x × 34 (2x − x2 )dx
√3 2 3 3√ 2
5 x √ x − 14 x x|0 = 0/96
2 √
E( X ) = E(X) = 1 ⇒ V ar( X) = 1 − 0/962 = 0/0784
√
⇒ σ√X = 0/0784 = 0/28
. . . . . . . . . . . . . . . . . . . .
61/64 . . . . . . . . . . . . . . . . . . . .
64 / 61 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ﭘﯿﻮﺳﺘﻪ
ﻣﺜﺎل 17
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 .ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈﺎر ﻣﺪت زﻣﺎن ﮐﺎرﮐﺮد اﯾﻦ ﻗﻄﻌﻪ ﭼﻘﺪر اﺳﺖ؟
{
1 −x وارﯾﺎﻧﺲ اﯾﻦ زﻣﺎن را ﺣﺴﺎب ﮐﻨﯿﺪ.
10 e 10 ; x ≥ 0
= )f (x
0 ; ow
∞∫ ∞∫ 1 −x
}E(X) = −∞ xf (x)dx = 0 |{z = x × e 10 dx دارﯾﻢ:
} |10 {z u
∞∫ dv
∞|) (−xe− 10 ∞| − 0 −e− 10 dx = −10e− 10
x x x
0 = 0 + 10 = 10
| }{z 0
0
∞∫ ∫∞ 2 1 −x
}E(X ) = −∞ x2 f (x)dx = 0 |{z
2 = x × e 10 dx
10
} | {z
u
∫ ∞
dv
∞|) (−x2 e− 10 − 10
x x
− −2xe dx = 200 ⇒ V ar(X) = 200 − 102 = 100
| }{z 0 0
0
. . . . . . . . . . . . . . . . . . . .
62/64 . . . . . . . . . . . . . . . . . . . .
64 / 62 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
ﺧﻮاص اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ
ﺧﻮاص اﻣﯿﺪ رﯾﺎﺿﯽ
• اﮔﺮ b ،aو cاﻋﺪاد ﺣﻘﯿﻘﯽ ﺛﺎﺑﺖ ﺑﺎﺷﻨﺪ ،آﻧﮕﺎه
;E(aX + b) = aE(X) + b E(c) = c
• اﮔﺮ ،X ≥ 0آﻧﮕﺎه E(X) ≥ 0
• اﮔﺮ ،a ≤ X ≤ bآﻧﮕﺎه a ≤ E(X) ≤ b
• اﮔﺮ ) g(Xو ) h(Xدو ﺗﺎﺑﻊ دﻟﺨﻮاه از Xﺑﺎﺷﻨﺪ ،آﻧﮕﺎه
))E(g(X) ± h(X)) = E(g(X)) ± E(h(X
ﺧﻮاص وارﯾﺎﻧﺲ و اﻧﺤﺮاف ﻣﻌﯿﺎر
• ﺑﺮاي ﻫﺮ ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ ،Xﻫﻤﻮاره V ar(X) ≥ 0
• اﮔﺮ b ،aو cاﻋﺪاد ﺣﻘﯿﻘﯽ ﺛﺎﺑﺖ ﺑﺎﺷﻨﺪ ،آﻧﮕﺎه
2
; V ar(aX + b) = a V ar(X), σaX+b = |a|σX V ar(c) = 0, σc = 0
• اﮔﺮ ) g(Xﺗﺎﺑﻌﯽ از ﻣﺘﻐﯿﺮ ﺗﺼﺎدﻓﯽ Xﺑﺎﺷﻨﺪ ،آﻧﮕﺎه
V ar(g(X)) = E([g(X) − E(g(X))]2 ) = E([g(X)]2 ) − [E(g(X))]2
. . . . . . . . . . . . . . . . . . . .
63/64 . . . . . . . . . . . . . . . . . . . .
64 / 63 آﻣﺎر و اﺣﺘﻤﺎﻻت ﻣﻬﻨﺪﺳﯿﻤﺘﻐﯿﺮﻫﺎي ﺗﺼﺎدﻓﯽ ،اﻣﯿﺪ رﯾﺎﺿﯽ و وارﯾﺎﻧﺲ ﻓﺮدوس ﮔﺮﺟﯽ
You might also like
- (KtabPDF Com) TNzcOdPtH5Document131 pages(KtabPDF Com) TNzcOdPtH5ahmedsalshrefNo ratings yet
- (1) القوى والجذورDocument19 pages(1) القوى والجذورAisha MohammedNo ratings yet
- أسئلة دورات الفيزياء بحسب كل وحدة منذ عام 1990Document21 pagesأسئلة دورات الفيزياء بحسب كل وحدة منذ عام 1990bashirjihad96No ratings yet
- ریاضی انور غوری ۱Document225 pagesریاضی انور غوری ۱Ah Naweed Najeeb SakhaNo ratings yet
- 1678735941Document3 pages1678735941alaamabood6No ratings yet
- الإطار المرجعي الرياضيات 2024Document13 pagesالإطار المرجعي الرياضيات 2024tr.ch.e.riadNo ratings yet
- 5-Work Planning-2 SlidesDocument41 pages5-Work Planning-2 Slidesmohammadmehrabi9640No ratings yet
- الانظمة العدديةDocument16 pagesالانظمة العدديةRahma MrtNo ratings yet
- حاسوب المحاضرة 4Document16 pagesحاسوب المحاضرة 4Safaa WaganNo ratings yet
- رياضيات المتجهاتDocument11 pagesرياضيات المتجهاتGuessab HocineNo ratings yet
- مقاييس التشتتDocument21 pagesمقاييس التشتتحيدر فاضلNo ratings yet
- التباين والانحراف المعياري والنسبيDocument11 pagesالتباين والانحراف المعياري والنسبيNour AlhazzaaNo ratings yet
- نسخة Ch.3 السمبلكس 2Document19 pagesنسخة Ch.3 السمبلكس 2Dalal IbrahimNo ratings yet
- سماخلا لصفلا تتشتلا سيياقم Measures of Dispersion or VariationDocument34 pagesسماخلا لصفلا تتشتلا سيياقم Measures of Dispersion or Variationمصطفى أحمد عبد الرزاق هاديNo ratings yet
- ملخص دروس الرياضيات السادس ابتدائي في ملف واحد PDF -قلم-ماط -الشامل9alamathsDocument9 pagesملخص دروس الرياضيات السادس ابتدائي في ملف واحد PDF -قلم-ماط -الشامل9alamathskhadijaNo ratings yet
- ملخص دروس الرياضيات السادس ابتدائي في ملف واحد pdf -قلم-ماط -الشامل9alamaths PDFDocument9 pagesملخص دروس الرياضيات السادس ابتدائي في ملف واحد pdf -قلم-ماط -الشامل9alamaths PDFMohamed ElNo ratings yet
- تمارين حول الاشتقاقDocument3 pagesتمارين حول الاشتقاقtalbiyahia2006No ratings yet
- Dzexams Docs 1ap 905120Document20 pagesDzexams Docs 1ap 905120Fisli KhaledNo ratings yet
- كتاب الرياضيات الثاني اختبار الفصلDocument18 pagesكتاب الرياضيات الثاني اختبار الفصلNabeel MohammedNo ratings yet
- المستدرك على شعر سُليم ـ Banu SulaymDocument56 pagesالمستدرك على شعر سُليم ـ Banu SulaymHashem EL-MaRimeyNo ratings yet
- 44امتحان في مادة الرياضياتDocument5 pages44امتحان في مادة الرياضياتaboabdellah2014No ratings yet
- مذكرات السنة الثالثةDocument19 pagesمذكرات السنة الثالثةAbdErrahmaneMouffokiNo ratings yet
- اسئلة مراجعة لمادة الرياضيات (الفصل 3)Document2 pagesاسئلة مراجعة لمادة الرياضيات (الفصل 3)Abdullah Ebrahim alahdalNo ratings yet
- مادة تفوق للصف السابع للفصلين.-شبكة رياضيات فلسطين PDFDocument51 pagesمادة تفوق للصف السابع للفصلين.-شبكة رياضيات فلسطين PDFMusa AbdNo ratings yet
- Devoir de Synthèse N°1 - Math - 8ème (2016-2017) MR Zantour HamdiDocument4 pagesDevoir de Synthèse N°1 - Math - 8ème (2016-2017) MR Zantour HamdiFřäđj ŤŕîpłėxNo ratings yet
- نموذج ميد الاحصاءDocument5 pagesنموذج ميد الاحصاءShooq AlnaddafNo ratings yet
- Chapter 1 Part 3 First PDFDocument19 pagesChapter 1 Part 3 First PDFEmad MustafaNo ratings yet
- Nutural NumbersDocument250 pagesNutural NumbersAhmadullah ZadranNo ratings yet
- رياضيات ثلاثي ثالثDocument2 pagesرياضيات ثلاثي ثالثMarzouki FaouziNo ratings yet
- رياضيات ثلاثي ثالثDocument2 pagesرياضيات ثلاثي ثالثMarzouki FaouziNo ratings yet
- الرياضيات دورة فبراير2024-1Document3 pagesالرياضيات دورة فبراير2024-1Self madeNo ratings yet
- الاسئلة الرياضيات الصف الرابعDocument4 pagesالاسئلة الرياضيات الصف الرابعNailla AlbdleNo ratings yet
- الزبدة في الفيزياءDocument12 pagesالزبدة في الفيزياءmarwansamsskNo ratings yet
- اقتصاد قياسي PDFDocument32 pagesاقتصاد قياسي PDFBbaggi Bk100% (1)
- اساسيات هندسهDocument8 pagesاساسيات هندسهahmed albaronNo ratings yet
- Erased PDFDocument2 pagesErased PDFHanane HamzaNo ratings yet
- PDFDocument251 pagesPDFNasir Khan100% (1)
- ensnombالرياضيات جدع مشترك علميDocument5 pagesensnombالرياضيات جدع مشترك علميadildida100% (1)
- Dzexams 2as Mathematiques 1405226Document6 pagesDzexams 2as Mathematiques 1405226kheliddalila156No ratings yet
- Dzexams 2as Mathematiques 1405226Document6 pagesDzexams 2as Mathematiques 1405226Na HouleNo ratings yet
- Informatique Compo 2am1 Dzprimaire - Com 1Document1 pageInformatique Compo 2am1 Dzprimaire - Com 1chorouksay22No ratings yet
- Dzexams 1as Mathematiques 458680Document3 pagesDzexams 1as Mathematiques 458680Lökmãnë BbaNo ratings yet
- فروض مادة الرياضيات المستوى السادس ابتدائي الدورة الاولى المرحلة 1 الDocument2 pagesفروض مادة الرياضيات المستوى السادس ابتدائي الدورة الاولى المرحلة 1 الEl mahjoub OulaasakriNo ratings yet
- Cheatsheet Supervised LearningDocument5 pagesCheatsheet Supervised Learningmasda ssasaNo ratings yet
- موقع مدونة قسمي - امتحان الرياضيات CE2Document2 pagesموقع مدونة قسمي - امتحان الرياضيات CE2citizen WatchesNo ratings yet
- VDHADHJDocument2 pagesVDHADHJAdem SiradjNo ratings yet
- Dzexams 4am Mathematiques 858127Document5 pagesDzexams 4am Mathematiques 858127bennacer.mansourNo ratings yet
- (ةيلضافتلا تلاداعملا Differential Equations)Document12 pages(ةيلضافتلا تلاداعملا Differential Equations)abdo gobaNo ratings yet
- تحليل رياضي1 - الاستاذ نوري فرحانDocument129 pagesتحليل رياضي1 - الاستاذ نوري فرحانsabri wahidNo ratings yet
- D 985Document30 pagesD 985hadiled1234No ratings yet
- Materials ScienceDocument63 pagesMaterials Scienceazizieh5701No ratings yet
- سلسلة التطبيقاتDocument1 pageسلسلة التطبيقاتNassah AllaabNo ratings yet
- 5- تطبيقات التكاملات الثنائيةDocument6 pages5- تطبيقات التكاملات الثنائيةMahmoud Naguib100% (1)
- تحليل 1 - الفصل الأولDocument16 pagesتحليل 1 - الفصل الأولAmine BnbNo ratings yet
- حلول السلسلة الخامسةDocument1 pageحلول السلسلة الخامسةAmel ACHOURINo ratings yet
- قائمة مباريات الكلاسيكو - ويكيبيدياDocument1 pageقائمة مباريات الكلاسيكو - ويكيبيدياsaud سعودNo ratings yet
- Cem MathDocument14 pagesCem MathNadjiiiibNo ratings yet
- Math 4cem Math Exams 4cem m201 343851Document6 pagesMath 4cem Math Exams 4cem m201 343851Massi HsnNo ratings yet
