دانلود تحقیق آمار و احتمال

توزیع دو جمله ای :

اگر آزمایشی دارای ویژگی های زیر باشد ، آزمایش تصادفی دوجمله ای است .

1- آزمایش ها مستقل از یکدیگر تکرار شوند

2- آزمایش ها به تعداد دفعات معین مثلا n  بار تکرار شوند

3- آزمایش تصادفی به دو نتیجه ممکن موفقیت و شکست منجرگردد .

4- احتمال موفقیت ها در همه آزمایش ها ثابت و برابر p  باشد .

مثال 1 :  کدام یک از موارد زیر می تواند به عنوان آزمایش دوجمله ای تلقی شود ؟

الف- نمونه گیری تصادفی از 500 زندانی برای تعیین اینکه آیا آنها قبلا در زندان بوده اند یا خیر .

ب- نمونه گیری تصادفی از 500 زندانی برای تعیین طول مدت محکومیت آنها .

حل :

مورد « الف » شرایط لازم برای یک آزمایش دوجمله ای را دارد .

1- آزمایش ها مستقل از یکدیگرند

2- تعداد آزمایش ها ( 500 ) ثابت است

3- هرآزمایش دو نتیجه دارد : یا در زندان بوده یا نبوده

4- احتمال موفقیت ها ( مثلا زندانی نبودن ) در همه آزمایش ها  ثابت است .

مورد « ب » شرایط لازم برای یک آزمایش دوجمله ای را ندارد زیرا طول مدت محکومیت زندانیان متفاوت بوده و بنابراین هرآزمایش بیش از دو نتیجه دارد .

متغیر تصادفی و تابع توزیع احتمال

متغیر تصادفی دو جمله ای عبارت است از تعداد موفقیت ها دریک آزمایش تصادفی دو جمله ای تابع توزیع احتمال دو جمله ای که در آن p  احتمال موفقیت و x تعداد موفقیت ها در n آزمایش باشد به صورت زیر تعریف می شود :

نکته 1 :  توزیع احتمال دوجمله ای دارای دو پارامتر p , n  می باشد .

مثال 2  : یک آزمون چندگزینه ای دارای 30 سئوال ، و هرسئوال دارای 5 جواب ممکن است که یکی از آنها درست می باشد اگر به تمام سئوالات پاسخ داده شود ، چقدر احتمال داردکه دقیقا 4 تای آنها پاسخ درست باشد ؟

حل :

امید ریاضی ، واریانس و تابع مولدگشتاور

1-                                              E ( X ) = np

2-               Var ( X ) = npq                      

3-                                          

مثال 3  : احتمال اینکه مشتری ای که وارد فروشگاهی می شود چیزی بخرد 6 /0 است . اگر 10 مشتری وارد فروشگاهی شده باشند امید ریاضی و واریانس تعداد مشتریان خریدکرده چقدر است ؟

حل :

این موقعیت شرایط لازم برای یک آزمایش دوجمله ای را داردکه درآن 6 /0 = p ، 4/0= q و 10 = n  ، پس :

24 /0 = 4 /0 * 6 /0 * 10 = npq = Var ( x)   ،    6 = 6 /0 * 10 = np = E ( X)

مثال 4  : تابع مولدگشتاورهابرای کمیت تصادفی X به صورت10 ( t e 8 /0 +2 /0 ) =M x ( t )

به دست آمده است ضریب تغییرات متغیرتصادفی X  را بیابید .

حل :

   10 = n   ،   8 /0 = p  ،  2 /0  = q  → 10 ( t e 8 /0 + 2 /0 ) = M X ( t ) 

27 /1=  → 6 /1 = 2 /0 * 8 /0 * 10 = npq = Var (x) ،

            8 = 8 /0 * 10 = n .p = μ = E ( X )  

توزیع پواسن :

اگر آزمایشی دارای ویژگی های زیرباشد ، آزمایش تصادفی پواسن است .

1- احتمال رخداد بیش ازیک حادثه دریک فاصله زمانی یا مکانی بسیارکوچک تقریبا صفر باشد .

2- احتمال رخداد یک حادثه درهرفاصله زمانی یامکانی متناسب با طول آن فاصله باشد.

3- احتمال رخدادها درفواصل زمانی یا مکانی مستقل ازهم باشد .

متغیر تصادفی و تابع توزیع احتمال :

متغیر تصادفی X که بیانگر رخدادهای تصادفی پواسن دریک فاصله زمانی یامکانی معین است را متغیر تصادفی پواسن گویند اگر متوسط تعداد موفقیت درهرفاصله زمانی یامکانی برابر λ باشد ، تابع احتمال پواسن به صورت زیرتعریف می شود :

               . . . و 2 و 1 و 0 = x                

نکته 2  :  توزیع احتمال پواسن دارای یک پارامتر λ می باشد .

مثال 1  :  به طورمتوسط درهردقیقه 2 اتومبیل برای تحویل بنزین وارد پمپ بنزین می شوند احتمال اینکه 2 اتومبیل در 5 دقیقه وارد پمپ بنزین شوند ، چقدر است ؟

حل :

                        اتومبیل                         دقیقه

                        2                                  1                   

                        10 = λ             5

نکته 3 :  اگر در توزیع دوجمله ای n بزرگ و p خیلی کوچک باشد می توان از توزیع پواسن استفاده کرد به طورکلی وقتی 20 ≤ n  و 05 /0 ≥ p باشد ، توزیع پواسن تقریب خوبی برای توزیع دوجمله ای و وقتی 100  ≤  n  و 10  ≥ np باشد ، تقریب بسیارعالی برای آن محسوب می شود یعنی :

        Np  =  λ     ،                    

مثال 2  :  احتمال اینکه محصولی ضمن تولید معیوب شده 2 % است . 200 واحد محصول را به طورتصادفی انتخاب می کنیم ، احتمال اینکه حداقل یک محصول معیوب باشد چقدر است ؟

حل  : 

5  > 4  =  λ =  np   → 02 /0 =  p  ،  200  =  n

982 / 0 =  - 1 = ( 0 = x ) f x  -1 = ( 1 ≤ x  ) f x   

امید ریاضی ، واریانس و تابع مولدگشتاور

1-                                            λ = E ( X ) 

2-                                            λ = Var ( X)

3-                                             = ( t ) M x

مثال 3  : براساس تجربه مشخص شده است که یک تلفنچی 4 % از تلفن ها را اشتباه وصل می کند . اگر امروز 200 تلفن وصل کرده باشد ، واریانس تلفن هایی که اشتباه وصل شده است را پیدا کنید .

حل :

                                    8 = 04 /0  *  200  =  p  ، n  = λ 

                                    8 = λ = Var ( X ) 

توزیع نرمال :

مهمترین توزیع احتمال پیوسته در سرتاسر علم آمار ، توزیع نرمال است . نمودار آن به نام منحنی نرمال نامیده شده و هم شکل زنگوله است .

متغیرتصادفی X که دارای توزیع زنگوله ای شکل باشد متغیرتصادفی نرمال نامیده می شود اگر X یک متغیرتصادفی نرمال با میانگین μ و واریانس  باشد تابع چگالی آن به صورت زیر خواهد بود :

که درآن . . . 14159 / 3 = π و . . . 71828 / 2 = e  است . وقتی که مقادیر μ و σ مشخص شده باشند منحنی نرمال دقیقا مشخص شده است . معمولا وقتی متغیرتصادفی X دارای توزیع نرمال با میانگین μ و واریانس  است آن را به صورت زیر نمایش می دهیم :

نکته 4  : توزیع احتمال نرمال دارای دو پارامتر μ و  می باشد .

مثال 1  : تابع فراوانی توزیع X  به صورت  است . میانگین و انحراف معیار این توزیع را به دست آورده و مقدار A  را حساب کنید .

حل  : 

از مقایسه تابع  با تابع توزیع نرمال نتیجه می شودکه : 4 = μ و 1=  و از اینجا 707 / 0 =  σ از طرفی :

امید ریاضی ، واریانس و تابع مولدگشتاور :

1-                                E ( X ) = μ 

2-                                Var ( X ) =  σ 2 

3-                                  

مثال 2  :  تابع مولدگشتاورها برای کمیت تصادفی X  به صورت  بیان شده است . ضریب تغییرات کمیت تصادفی X ، چقدر است ؟

حل :

ازمقایسه M x ( t ) با تابع مولدگشتاور نرمال نتیجه می شودکه 50 = μ و 16=  یا 4 = σ و ضریب تغییرات مساوی خواهد شد با :