مثالی از یک سوال بحث برانگیز در مورد مقدار مورد انتظار توزیع نرمال
توزیع نرمال، که با نام توزیع گاوسی نیز شناخته می‌شود، یکی از پرکاربردترین توزیع‌های احتمال پیوسته در آمار و احتمال است. این توزیع اغلب به دلیل خواص ریاضی مطلوبش، مانند تقارن و منحصر به فرد بودنش در پارامترسازی با میانگین (µ) و انحراف معیار (σ)، به عنوان یک فرض اساسی در استنباط‌های آماری مختلف مورد استفاده قرار می‌گیرد. این مقاله به بررسی مثال‌ها و بحث در مورد مقدار مورد انتظار توزیع نرمال می‌پردازد تا درک عمیق‌تری از این مفهوم ارائه دهد.
درک توزیع نرمال
توزیع نرمال با یک منحنی زنگوله‌ای متقارن نشان داده می‌شود که در آن بیشتر مقادیر حول مقدار میانی یا میانگین متمرکز شده‌اند. در این توزیع، میانگین (µ) و انحراف معیار (σ) دو پارامتر مهم هستند که مکان و میزان پراکندگی در داده‌ها را تعیین می‌کنند.
تابع چگالی احتمال (PDF) توزیع نرمال به صورت زیر است:
\[f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x – \mu)^2}{2\sigma^2}}\]
کجا:
- \( \mu \) میانگین یا معدل است
- \( \sigma \) انحراف معیار است
- \(x \) یک متغیر تصادفی است
مقدار مورد انتظار در توزیع نرمال
مقدار مورد انتظار یک متغیر تصادفی با توزیع نرمال برابر با میانگین توزیع است. اگر \( X \sim N(\mu, \sigma^2) \)، آنگاه مقدار مورد انتظار \( E(X) \) برابر است با:
\[ E(X) = \mu \]
بیایید با چند مثال از مسائل مربوط به مقادیر مورد انتظار در توزیع‌های نرمال ادامه دهیم تا درک خود را تقویت کنیم.
Contoh Soal Dan Pembahasan
مثال سوال ۱:
فرض کنید \(X \) یک متغیر تصادفی با توزیع نرمال با \( \mu = 50 \) و \( \sigma = 10 \) باشد. مقدار مورد انتظار \(X \) را محاسبه کنید.
بحث:
همانطور که قبلاً ذکر شد، در یک توزیع نرمال، مقدار مورد انتظار \( E(X) \) برابر با \( \mu \) است. بنابراین،
\[ E(X) = \mu = 50 \]
مثال سوال ۱:
با توجه به اینکه متغیر تصادفی \(Y \) به طور نرمال با \( \mu = 120 \) و \( \sigma = 15 \) توزیع شده است، مقدار مورد انتظار \(Y \) را بیابید.
بحث:
مشابه مثال اول، مقدار مورد انتظار \(Y \) مقدار میانی یا میانگین توزیع نرمال است، یعنی:
\[ E(Y) = \mu = 120 \]
مثال سوال ۱:
اگر متغیر تصادفی \(Z \) از توزیع نرمال با \( \mu = 0 \) و \( \sigma = 1 \) (توزیع نرمال استاندارد) پیروی کند، مقدار مورد انتظار \(Z \) چیست؟
بحث:
توزیع نرمال استاندارد دارای میانگین \( \mu = 0 \) است، بنابراین مقدار مورد انتظار \( E(Z) \) برابر است با:
\[ E(Z) = \mu = 0 \]
مثال سوال ۱:
فرض کنید \(W \) یک متغیر تصادفی با توزیع نرمال با میانگین \( \mu = 75 \) و انحراف معیار \( \sigma = 20 \) باشد. اگر یک متغیر تصادفی جدید \(V = 2W + 3 \) تعریف کنیم، مقدار مورد انتظار \(V \) چقدر است؟
بحث:
برای یافتن مقدار مورد انتظار \(V\)، باید از خاصیت خطی بودن مقدار مورد انتظار استفاده کنیم. با توجه به \(V = 2W + 3\)، آنگاه:
\[ E(V) = E(2W + 3) \]
بر اساس خاصیت خطی بودن مقدار مورد انتظار، می‌توانیم متغیر ثابت را از متغیر تصادفی جدا کنیم:
\[ E(V) = 2E(W) + E(3) \]
با دانستن اینکه مقدار مورد انتظار یک ثابت، خود آن ثابت است:
\[ E(3) = 3 \]
و مقدار مورد انتظار \(W \) میانگین توزیع نرمال \(W \) است:
\[ E(W) = \mu = 75 \]
بنابراین،
\[ E(V) = 2 \ضرب در 75 + 3 \]
\[ E(V) = 150 + 3 \]
\[ E(V) = 153 \]
مثال سوال ۱:
متغیر تصادفی \(Q \) از توزیع نرمال با میانگین \( \mu = 40 \) و انحراف معیار \( \sigma = 5 \) پیروی می‌کند. اگر \[U = Q/2 \] باشد، مقدار مورد انتظار \(Q \) چقدر است؟
بحث:
ما از همان اصل مثال ۴، یعنی ویژگی خطی بودن مقدار مورد انتظار، استفاده می‌کنیم. با توجه به اینکه \(U = Q/2 \)، آنگاه:
\[ E(U) = E(\frac{Q}{2}\right) \]
بر اساس خاصیت خطی بودن مقدار مورد انتظار:
\[ E(U) = \frac{1}{2} E(Q) \]
می‌دانیم که مقدار مورد انتظار \(Q \) میانگین توزیع نرمال \(Q \) است:
\[ E(Q) = \mu = 40 \]
بنابراین،
\[ E(U) = \frac{1}{2} \times 40 \]
\[ E(U) = 20 \]
نتیجه گیری
در توزیع نرمال، مقدار مورد انتظار یک متغیر تصادفی همیشه برابر با میانگین (µ) توزیع است. مثال‌های بالا شرایط مختلفی را برای محاسبه مقدار مورد انتظار با استفاده از خاصیت خطی بودن نشان می‌دهند. درک این مفهوم اساسی، مدیریت مسائل توزیع نرمال در آمار و احتمال را آسان‌تر می‌کند.
توزیع نرمال در آمار بسیار مهم است زیرا در طیف گسترده‌ای از کاربردهای عملی، از جمله آزمون فرضیه، تخمین پارامتر و سایر استنباط‌های آماری مختلف استفاده می‌شود. درک خوب از مقدار مورد انتظار این توزیع، اولین گام مهم در تجزیه و تحلیل داده‌ها است.
امید است این مقاله توضیحی روشن و مفید از مقدار مورد انتظار در توزیع نرمال به همراه نمونه سوالات و مباحث مرتبط ارائه دهد.
