نمونه سوالات و بحث در مورد توزیع احتمال
توزیع احتمال یکی از مفاهیم اساسی در آمار و احتمال است. از آن برای درک احتمال وقوع مقادیر مختلف یک عدد تصادفی استفاده میشود. توزیعهای احتمال میتوانند بسته به ماهیت دادههای مورد تجزیه و تحلیل، اشکال مختلفی به خود بگیرند. دو نوع رایج توزیع احتمال، گسسته و پیوسته هستند. در این مقاله، چندین مثال از مسائل را بررسی خواهیم کرد و توزیعهای احتمال را مورد بحث قرار خواهیم داد تا به ما در درک بهتر این موضوع کمک کنیم.
توزیع گسسته
توزیع گسسته، توزیعی است که احتمال یک متغیر تصادفی گسسته، یعنی متغیری که فقط میتواند مقادیر خاصی را بپذیرد، محاسبه میکند. نمونههای شناختهشده توزیعهای گسسته، توزیع دوجملهای و توزیع پواسون هستند.
مثال ۱: توزیع دوجملهای
توزیع دوجملهای تعداد موفقیتها را در یک سری از آزمایشهای برنولی توصیف میکند. هر آزمایش برنولی دو نتیجه دارد: موفقیت یا شکست. احتمال موفقیت در طول آزمایش ثابت میماند.
سوال:
یک شرکت داروسازی در حال آزمایش داروی جدیدی روی 10 بیمار است. احتمال اینکه دارو در هر بیمار مؤثر باشد 0.7 است. احتمال اینکه دارو دقیقاً در 7 نفر از 10 بیمار مؤثر باشد را محاسبه کنید.
بحث:
متغیر تصادفی \(X\) از توزیع دوجملهای با \(n = 10\) و \(p = 0.7\) پیروی میکند. تابع احتمال دوجملهای به صورت زیر است:
\[ P(X = k) = \binom{n}{k} p^k (1 – p)^{n – k} \]
برای \(k = 7\):
\[ P(X = 7) = \binom{10}{7} (0.7)^7 (0.3)^3 \]
محاسبه ضریب دوجملهای \(\binom{10}{7}\):
\[ \binom{10}{7} = \frac{10!}{7!(10-7)!} = \frac{10!}{7!3!} = 120 \]
محاسبه مقادیر احتمال:
\[ P(X = 7) = 120 \ضربدر (0.7)^7 \ضربدر (0.3)^3 \]
\[ P(X = 7) \تقریباً 120 \ضربدر 0.0823543 \ضربدر 0.027 \]
\[ P(X = 7) \تقریباً 0.231 \]
بنابراین، احتمال اینکه دارو دقیقاً در ۷ نفر از ۱۰ بیمار مؤثر باشد، حدود ۰.۲۳۱ یا ۲۳.۱٪ است.
مثال ۲: توزیع پواسون
توزیع پواسون برای مدلسازی تعداد وقوع یک رویداد نادر در یک بازه زمانی یا مکانی مشخص استفاده میشود.
سوال:
یک مغازه به طور متوسط در هر ساعت ۴ مشتری دارد. احتمال اینکه این مغازه در یک ساعت دقیقاً ۵ مشتری داشته باشد، چقدر است؟
بحث:
متغیر تصادفی \(X\) از توزیع پواسون با پارامتر \(\lambda = 4\) پیروی میکند. تابع جرم احتمال پواسون به صورت زیر است:
\[ P(X = k) = \frac{\lambda^ke^{-\lambda}}{k!} \]
برای \(k = 5\):
\[ P(X = 5) = \frac{4^5 e^{-4}}{5!} \]
تعداد:
\[ P(X = 5) = \frac{10^24 \cdot e^{-4}}{120} \]
\[ P(X = 5) \approx \frac{10^24 \cdot 0.0183}{120} \]
\[ P(X = 5) \تقریباً 0.156 \]
بنابراین، احتمال اینکه فروشگاه دقیقاً ۵ مشتری در یک ساعت داشته باشد، حدود ۰.۱۵۶ یا ۱۵.۶٪ است.
توزیع پیوسته
توزیعهای پیوسته زمانی استفاده میشوند که متغیر تصادفی مورد اندازهگیری بتواند هر مقداری را در یک محدوده خاص بپذیرد. نمونههای شناختهشده توزیعهای پیوسته، توزیع نرمال و توزیع نمایی هستند.
مثال ۳: توزیع نرمال
توزیع نرمال که اغلب توزیع گاوسی نامیده میشود، توزیعی است که معمولاً در زمینههای مختلف از جمله علوم، مهندسی و اقتصاد مورد استفاده قرار میگیرد.
سوال:
قد مردان بالغ در یک شهر به طور نرمال با میانگین ۱۷۰ سانتیمتر و انحراف معیار ۱۰ سانتیمتر توزیع شده است. احتمال اینکه مردی که به طور تصادفی انتخاب شده است، قدی بین ۱۶۰ سانتیمتر و ۱۸۰ سانتیمتر داشته باشد، چقدر است؟
بحث:
ما باید امتیاز z را برای ۱۶۰ سانتیمتر و ۱۸۰ سانتیمتر محاسبه کنیم. امتیاز z به صورت زیر تعریف میشود:
\[ Z = \frac{X – \mu}{\sigma} \]
برای \(X = 160\):
\[ Z_{160} = \frac{160 - 170}{10} = -1 \]
برای \(X = 180\):
\[ Z_{180} = \frac{180 - 170}{10} = 1 \]
حالا باید به مقادیر احتمال از -1 تا 1 در جدول z نگاه کنیم. مقدار از z = -1 تا z = 1 تقریباً 0.6826 است.
بنابراین، احتمال اینکه یک مرد که به صورت تصادفی انتخاب شده است، قدی بین ۱۶۰ تا ۱۸۰ سانتیمتر داشته باشد، تقریباً ۰.۶۸۲۶ یا ۶۸.۲۶٪ است.
مثال ۴: توزیع نمایی
توزیع نمایی برای مدلسازی زمان بین رویدادها در یک فرآیند پواسون استفاده میشود.
سوال:
میانگین زمان بین ورود دو مشتری به یک فروشگاه ۱۵ دقیقه است. احتمال اینکه زمان بین ورود دو مشتری کمتر از ۱۰ دقیقه باشد، چقدر است؟
بحث:
توزیع نمایی پارامتری به نام \(\lambda\) دارد که معکوس میانگین (\(\mu\)) است. با میانگین ۱۵ دقیقه:
\[ \lambda = \frac{1}{\mu} = \frac{1}{15} = 0.0667 \]
تابع توزیع تجمعی نمایی به صورت زیر است:
\[ P(X \leq x) = 1 – e^{-\lambda x} \]
برای \(x = 10\):
\[ P(X \leq 10) = 1 – e^{-0.0667 \times 10} \]
\[ P(X \leq 10) = 1 – e^{-0.667} \]
\[ P(X \leq 10) \تقریباً ۱ – ۰.۵۱۳۴ \]
\[ P(X \leq 10) \تقریباً 0.4866 \]
بنابراین، احتمال اینکه زمان بین دو ورود مشتری کمتر از 10 دقیقه باشد، حدود 0.4866 یا 48.66٪ است.
نتیجه گیری
توزیعهای احتمال، چه گسسته و چه پیوسته، مفاهیم بسیار مفیدی برای مدلسازی و درک رفتار متغیرهای تصادفی هستند. توزیعهای دوجملهای و پواسون اغلب برای متغیرهای گسسته استفاده میشوند، در حالی که توزیعهای نرمال و نمایی نمونههایی از توزیعهای پیوسته هستند.
از طریق مثالهای بالا، امیدواریم درک بهتری از نحوه محاسبه و تفسیر احتمالات در توزیعهای احتمال به دست آورده باشید. با تمرین مداوم، توانایی شما در درک توزیعهای احتمال بهبود مییابد و میتواند در رشتههای مختلف به کار گرفته شود.
