تئوري احتمال و كاربردآن
DESCRIPTION
تئوري احتمال و كاربردآن. http://www.Beiki.info. جلسه سوم. مقدمه تعريف يك متغير تصادفي متغيرهاي تصادفي گسسته، پيوسته و آميخته توزيعهاي احتمال گسسته توابع توزيع جمعي توابع توزيع جمعي گسسته توزيعهاي احتمال پيوسته توابع توزيع جمعي پيوسته توزيعهاي احتمال آميخته متغيرهاي تصادفي چندبعدي. - PowerPoint PPT PresentationTRANSCRIPT
تئوري احتمال و كاربردآن
http://www.Beiki.info
2http://www.Beiki.info
جلسه سوم
مقدمه متغير تصادفيتعريف يكمتغيرهاي تصادفي گسسته، پيوسته و آميختهتوزيعهاي احتمال گسستهتوابع توزيع جمعي
oگسستهتوابع توزيع جمعي پيوستهتوزيعهاي احتمال
oپيوستهتوابع توزيع جمعي آميختهتوزيعهاي احتمال متغيرهاي تصادفي چندبعدي
3http://www.Beiki.info
جلسه سوم
مقدمهo نتيجه برخي از پديده ها تصادفي زير
مجموعه اعداد حقيقي است.زمان رسيدن مشتري به يك فروشگاهعمر انسان...
o در مواردي كه نتايج عددي نيستند عالقهمند به نتايج عددي هستيم
تعداد شيرها در سه بار پرتاب سكه
4http://www.Beiki.info
جلسه سوم
تعريف يك متغير تصادفيo آزمايشي با فضاي نمونهS را در نظر بگيريد. اگر به هر نقطه مانند e موجود در S
تعريف مي گردد كه به R و S نسبت دهيم رابطه اي بين X(e)عددي حقيقي مانند آن متغير تصادفي گويند.
o با دامنه تابعيهر متغير تصادفي S زيرمجموعه و برديR.است o در آزمايش مربوط به پرتاب يك سكه اگر 1مثال :X تعداد شيرها را نشان دهد
آنگاه داريم:X(H H H)=3، X(H H T)=2 ,…
o مقادير متغير تصادفي 2مثال :Y توپ بدون 2 كه تعداد توپهاي قرمز در انتخاب توپ سياه است به شرح زير مي 3 توپ قرمز و 4جايگذاري از ظرفي شامل
باشد:Y(RR)=2، Y(RB)=1، Y(BR)=1 و Y(BB)=0
o احتمال مربوط به هر يك از مقادير متغير تصادفي 1: در مثال 4مثال X:عبارتند از P(X=1)=P{TTH,THT,HTT)=3/8, P(X=0)=P{TTT)=1/8,
P(X=2)=P{THH,HTH,HHT)=3/8, P(X=3)=P{HHH}=1/8o احتمال شير آمدن در پرتاب يك سكه برابر6مثال : p است سكه را آنقدر پرتاب
متغير تصادفي تعداد X بار پرتاب كرده باشيم اگر nمي كنيم تا يا به شير برسيم يا دفعات پرتاب سكه باشد آنگاه داريم:
P(X=1)=P{H}=pP(X=2)=P{T,H}=(1-p)pP(X=n-1)=P{T,T,T,..,T,H}=(1-p)npP(X=n)=P{T,T,T,…,T}يا P{T,T,T,…,T,H}=(1-p)n+(1-p)n-1p=(1-p)n-1
5http://www.Beiki.info
جلسه سوم
متغيرهاي تصادفي گسسته، پيوسته و آميختهo متغير تصادفي برداگر X نامحدود ولي يا محدود شامل تعداد
متغير يك X از نقاط باشد آنگاه متغير تصادفي شمارش پذير ناميده مي شود.تصادفي گسسته
مقادير ممكن متغير تصادفي 2: در مثال 8مثال Y و 1، 0 عبارت است از گسسته است.Y بنابراين 2
اگر متغير تصادفي 9مثال :X تعداد پرتابهاي الزم يك سكه براي رسيدن به گسسته مي باشد.X است و Nنتيجه شير باشد آنگاه برد تابع
o متغير تصادفي برداگر X از نقاط باشد نامحدودي شامل تعداد ناميده مي شود.متغير تصادفي پيوسته يك Xآنگاه متغير تصادفي
اگر بتوان طول را با هر دقتي اندازه گيري نمود آنگاه مسافت 10مثال : ليتر بنزين يك متغير تصادفي 10پيموده شده توسط يك خودرو به ازاي هر
پيوسته است.o در صورتي كه فضاي نمونه آميخته داشته باشيم مي توانيم
داشته باشيم به اين معنا كه برخي از متغيرهاي تصادفي آميختهمقادير محدود(يا نامحدود ولي شمارش پذير) باشند و برخي از
مقادير نامحدود و شمارش ناپذير
6http://www.Beiki.info
جلسه سوم
توزيعهاي احتمال گسستهo اگرX يك متغير تصادفي گسسته باشد آنگاه P(X=x) كه آنرا با
fX(x) يا f(x) نشان مي دهند به ازاي مقادير مختلف x احتمالي را تخصيص مي دهد و چگونگي توزيع احتمال را به ازاي مقادير
يا تابع احتمال نمايش مي دهد. به آن كه يك تابع است xمختلف مي گويند.X متغير تصادفي تابع توزيع احتمال
o تعريف: مجموعه زوجهاي مرتب)x,fX(x)( توزيع احتمال متغير x نام دارد، اگر براي هر يك از مقادير ممكن Xتصادفي گسسته
داشته باشيم:0=<fX(x)<=1 P(X=x)=fX(x)
o تعبير مكانيكي تابع توزيع احتمال گسسته عبارت است از جرم كه روي محور اعداد حقيقي به Xمقادير مختلف متغير تصادفي
توزيع شده اند به همين دليل توابع ,…fX(xi),i=1,2,3صورت نيز معروفند و با توابع جرمي احتمالتوزيع احتمال گسسته به نامه
pmf.نشان داده مي شوند
X X
xf 1)(
7http://www.Beiki.info
جلسه سوم
توزيعهاي احتمال گسستهo نفره از ميان 2: فرض كنيد مايل به انتخاب كميته اي 12مثال
متغير تصادفي نشان دهنده تعداد Y زن هستيم اگر 3 مرد و 3مردها باشد توزيع احتمال آن چيست؟
o:پاسخ
o:بهترين پاسخ
5
1
15
3*)2()2(
5
3
15
9*)1()1(
5
1
15
3*)0()0(
6
2
3
0
3
2
6
2
3
1
3
1
6
2
3
2
3
0
CCCf
CCCf
CCCf
YP
YP
YP
Y
Y
Y
0
1/5
2/5
3/5
f(y)
0 1 2
هيستوگرام احتمال
2,1,0;*
)()( 6
2
3
2
3
yyYPyCCCf yy
Y
8http://www.Beiki.info
جلسه سوم
توابع توزيع جمعيo در بسياري از موارد عالقه مند به محاسبه احتمال اينكه متغير
باشد هستيم بنابراين x كوچكتر يا مساوي مقدار معلوم Xتصادفي داريم:
FX(x)=F(x)=P(X<=x)o يا به اختصار تابع توزيع تجمعيبه آن cdf.گويند o:خواص آن به شرح زير مي باشد
o و خاصيت پنجم به معناي غير نزولي بودنخاصيت دوم به معناي است.پيوستگي تابع از سمت راست
0)]()()5
0)()4
1)()3
)()(|)2
1)(0)1
[limlimlim
0
xx
x
x
bFaFba
x
FFFF
F
XX
Xx
Xx
X
9http://www.Beiki.info
جلسه سوم
توابع توزيع جمعي
baabbXaP
aXPbXPbXaP
bXaPaXPbXP
bXaaXbX
bXaP
FF XX
bXaaX
);()()(
)()()(
)()()(
)()()(
?)()()(
)1
()1
(
})1
{()(
?)(
limlim
lim
nb
nbXP
nbXPbXP
bXP
F Xnn
n
10http://www.Beiki.info
جلسه سوم
توابع توزيع جمعيo تابع توزيع تجمعي متغير تصادفي 14مثال :X:عبارت است از
o در اين صورتP(X<3) و P(X=1) و P(X<1/2) و P(2<X<=4).را بدست اوريد
o:پاسخ
xx<00=<x<11=<x<22=<x<3X<=3
FX(x)01/22/311/121
12
1
12
111)2()4()42(
2
1
2
11)
2
1(1)
2
1(1)
2
1(
6
1
2
1
3
2)1
1()1()1()1()1(
12
11)1
3()1
3()3(
lim
limlim
FF
F
FF
F
XX
X
XnX
Xnn
XP
XPXP
nXPXPXP
nnXPXP
11http://www.Beiki.info
جلسه سوم
توابع توزيع جمعيoتوابع توزيع تجمعي گسستهo تعربف: متغير تصادفي گسستهX با توزيع احتمال f(x) مفروض
به شرح زير قابل ارائه مي باشد:Xاست تابع توزيع تجمعي
o اگر متغير تصادفي گسسته 15مثال :X تعداد شيرهاي بدست بار پرتاب مستقل يك سكه باشد در اين صورت مي 4آمده از
به شرح زير استXتوان نشان داد كه تابع توزيع جرمي احتمال
xtXxtfxXPxF );()()(
x01234
f(x)1/164/166/164/161/16
12http://www.Beiki.info
جلسه سوم
توابع توزيع جمعيو داريم
FX(0)=P(X<=0)=f(0)=1/16
FX(1)=P(X<=1)=f(0)+f(1)=5/16
FX(2)=P(X<=2)=f(0)+f(1)+f(2)=11/16
FX(3)=P(X<=2)=f(0)+f(1)+f(2)+f(3)=15/16
FX(3)=P(X<=2)=f(0)+f(1)+f(2)+f(3)+f(4)=1
xX<00=<x<1
1=<x<2
2=<x<3
3=<x<4
X<=4
FX(x)01/165/1611/16
15/16
1
13http://www.Beiki.info
جلسه سوم
پيوستهتوزيعهاي احتمالo اگرX يك متغير تصادفي پيوسته داشته باشيم احتمال اينكه
متغير ما برابر يك مقدار خاص گردد صفر است.P(a<x<=b)=P(a<x<b)+P(X=b)=P(a<x<b)
+0=P(a<x<b)o توزيع احتمال يك متغير تصادفي پيوستهX را با f(x) نشان داده
گويند.pdf يا به اختصار تابع چگالي احتمالو به آن of(x).از رابطه مقابل به دست مي آيد
o تعريف: تابعf(x) چگالي احتمال متغير تصادفي پيوسته X است اگر روابط زير برقرار باشد
b
a
dxxfbXaP )()(
b
a
dxxfbXaP
dxxf
xfx
)()()3
1)()2
0)(;)1
14http://www.Beiki.info
جلسه سوم
پيوستهتوزيعهاي احتمالoفرض كنيد خطاي اندازه گيري دما در يك آزمايش 16مثال :
با چگالي احتمال زير Xشيميايي متغير تصادفي . پيوسته مانند است:
f(x)=x2/3 ; -1<x<2 واقعا يك چگالي احتمال است و آنگاه f(x)ابتدا نشان دهيد
P(0<X<=1)را پيدا كنيد o پاسخ: چونf(x)مربع كامل است شرط اول را دارد
9
1)10(
19
1
9
8)(
]93
]93
1
0
31
0
2
2
1
32
1
2
xx
xx
dxXP
dxdxxf
15http://www.Beiki.info
جلسه سوم
پيوستهتوزيعهاي احتمالoمدت زماني كه يك رايانه قبل از خراب شدن كار مي 19مثال :
معرفي مي شود كه چگالي احتمال زير Xكند با متغير تصادفي را دارد.
ساعت كار كند چيست؟150 و 50احتمال اينكه رايانه بين ساعت كار كند چيست؟100احتمال اينكه رايانه كمتر از
o:پاسخ
0;)(100/ xxf e
x
633.01100
1)100(
384.0100
1)15050(
100
1100)100(1
1100
0
100/100
0
100/
5.15.0150
50
100/150
50
100/
0
100/
0
100/100/
]
]
]
eee
eeee
eee
xx
xx
xxx
dxXP
dxXP
dxdx
16http://www.Beiki.info
جلسه سوم
پيوستهتوزيعهاي احتمالoتوابع توزيع تجمعي پيوسته
تعريف: توزيع تجمعي متغير تصادفي پيوستهX با چگالي عبارت است از:f(x)احتمال
يك متغير تصادفي پيوسته برابر است با چگالي احتماليعني آنتوزيع تجمعي تابع مشتق
x
x
xfdttfdx
dxF
dx
d
xdttfxXPxXPxF
)()()(
;)()()},({)(
17http://www.Beiki.info
جلسه سوم
پيوستهتوزيعهاي احتمالoتوابع توزيع تجمعي پيوسته
مدت زمان مورد نياز براي كامل شدن يك فرايند 23مثال : با تابع توزيع تجمعي زير است:Xشيميايي متغير تصادفي
F(X)=1-e-0.1x ; x<=0F(X)=0 ; X<0
چيست؟Xچگالي احتمال متغير تصادفي هزارم ثانيه كامل شود 200احتمال اينكه يك فرآيند در كمتر از
را محاسبه كنيد. پاسخ: با توجه به اينكه چگالي احتمال متغير تصادفي مشتق
اين مقدار صفر است x<0تابع توزيع تجمعي آن است براي داريمx<=0و براي
f(x)=0.01e-0.01x
8647.011)200(01.0)200(2)200(01.0
200
0
01.0
eee FdxXPx
18http://www.Beiki.info
جلسه سوم
آميختهتوزيعهاي احتمالo اگرX متغير تصادفي آميخته باشد و تابع توزيع تجمعي قسمت
F2(x) و تابع توزيع تجمعي قسمت پيوسته آن F1(x)گسسته آن جمع c1 كه FX(x)=c1F1(x)+ c2F2(x)باشد آنگاه داريم
جمع احتماالت همه c2=1-c1احتماالت همه نقاط گسسته و نقاط پيوسته است.
o فرض كنيد متغير تصادفي 24مثال :X عمر مفيد نوعي قطعه % از همان ابتدا خراب است 25الكترونيكي باشد كه به احتمال
-f(x)=eو در غير اينصورت عمر مفيد آن داراي چگالي احتمال
x ;x<=0 .است P(X<10).را به دست آوريد
eeF
eFcFcF
eeF
F
cc
X
x
X
xx
t
XPXP
xxx
xdtx
xx
1010
2211
02
1
21
4
3)]1(
4
3
4
1[1)10(1)10(1)10(
)1(4
3
4
1)()()(
0;1)(
0;1)(4
3;4
1
19http://www.Beiki.info
جلسه سوم
متغيرهاي تصادفي چندبعديo ،احتمال موفقيت در تحصيالت دانشگاهي بر اساس مولفه هاي معدل
رتبه كنكور و شهرستان محل فراغت از تحصيلo تعريف: اگرS فضاي نمونه آزمايش و X1، X2 و ... ،Xn توابعي باشند كه
تايي مرتب متشكل از اعداد nبه صورت همزمان فقط و فقط يك e را به هر يك از عناصر xn=Xn(e)،... و x1=X1(e)، x2=X1(e)حقيقي
بعدي n يك بردار تصادفي [X1,X2,…,Xn] نسبت دهند آنگاه Sموجود در خواهد بود در اينصورت برد بردار تصادفي فوق عبارت است از حاصل ضرب دكارتي بردهاي متغيرهاي تصادفي موجود در بردار تصادفي كه
تايي هاي مرتب به صورت زير است.nمجموعه اي از
o توپ به صورت تصادفي و بدون 2: آزمايشي براي انتخاب 25مثال توپ مشكي 3 توپ قرمز و 2 توپ آبي، 3جايگذاري از جعبه اي شامل
را به عنوان تعداد توپهاي آبي Xرا در نظر بگيريد. اگر متغير تصادفي را به عنوان تعداد توپهاي قرمز انتخاب Yانتخاب شده و متغير تصادفي
به صورت مجموعه [X,Y]شده در نظر بگيريم آنگاه برد بردار تصادفي خواهد بود.[}2,0[,]0,2[,]1,1[,]1,0[,]0,1[,]0,0{]
},...,2,1,];,...,,{[21],...,,[
21
niXXXX RxxxxR
inin