توضیحات
جزوه آمار مهندسی – توزیع گسسته معروف؛ معرفی، فرمول ها و راهنمای مطالعه
جزوه آمار مهندسی با موضوع توزیع های گسسته معروف، یکی از مباحث پایه ای در درس آمار و احتمال مهندسی را پوشش می دهد. در بسیاری از مسائل مهندسی، نتیجه یک آزمایش یا تعداد رخدادها به شکل شمارشی ثبت می شود؛ برای مثال تعداد قطعات معیوب در یک محموله، تعداد خرابی های یک دستگاه در بازه زمانی مشخص، تعداد تماس های ورودی یا تعداد دفعات موفقیت یک فرایند. در چنین موقعیت هایی، متغیر تصادفی معمولاً مقادیر جدا از هم و قابل شمارش می گیرد و مدل سازی آن با توزیع های گسسته انجام می شود.
در این مقاله، مفهوم متغیر تصادفی گسسته، تابع جرم احتمال، امید ریاضی و واریانس و سپس توزیع های برنولی، دوجمله ای، هندسی، دوجمله ای منفی، فوق هندسی، پواسون و یکنواخت گسسته بررسی می شود. این مطالب یک راهنمای آموزشی موضوع محور هستند؛ چون نسخه یا نویسنده مشخصی برای جزوه معرفی نشده، اطلاعاتی مانند نام مؤلف، دانشگاه، ناشر، تعداد صفحات و فهرست قطعی فصل های یک فایل خاص قابل تأیید نیست و عمداً درج نشده است.
مشخصات جزوه آمار مهندسی – توزیع گسسته معروف
این عنوان به مجموعه ای آموزشی درباره خانواده ای از مدل های احتمالی اشاره دارد که برای توصیف شمارش رخدادها و نتایج گسسته به کار می روند. برخلاف متغیر پیوسته که می تواند هر مقدار حقیقی در یک بازه بگیرد، متغیر گسسته معمولاً مقادیری مانند صفر، یک، دو و … دارد. در کاربردهای مهندسی، این تفاوت تعیین می کند که برای محاسبه احتمال باید از تابع جرم احتمال استفاده شود یا تابع چگالی.
جدول زیر اطلاعات قابل تعیین از عنوان ارائه شده را نشان می دهد. مشخصات کتاب شناختی ای که از نام کوتاه جزوه قابل استخراج نیست، خالی گذاشته شده است. همچنین تعداد صفحات و ناشر به نسخه فایل وابسته است و بدون مشاهده همان فایل نباید درباره آن ها عدد یا نامی اعلام کرد.
| مشخصات | توضیحات |
|---|---|
| نام جزوه | آمار مهندسی – توزیع گسسته معروف |
| نویسنده | پروژه دانلود |
| موضوع | توزیع های احتمال گسسته در آمار و احتمال مهندسی |
| زبان | فارسی |
| مخاطبان | دانشجویان رشته های مهندسی و علاقه مندان به آمار و احتمال |
| سطح آموزشی | دانشگاهی و آموزشی |
| ناشر و نوبت چاپ | |
| تعداد صفحات | |
| فرمت نسخه دیجیتال |
توزیع گسسته معروف در آمار مهندسی درباره چیست؟
توزیع احتمال گسسته الگویی ریاضی برای تخصیص احتمال به مقادیر ممکن یک متغیر تصادفی گسسته است. اگر X تعداد قطعات معیوب در نمونه باشد، مقادیر ممکن آن اعداد صحیح نامنفی اند و هر مقدار با احتمالی مشخص همراه می شود. این مدل به مهندس اجازه می دهد به پرسش هایی مانند احتمال مشاهده دقیقاً سه قطعه معیوب، احتمال حداکثر دو خرابی یا میانگین تعداد رخدادها پاسخ دهد.
«توزیع های معروف» نام خانواده هایی از مدل هاست که به دلیل ساختارهای تکرارشونده در مسائل واقعی کاربرد گسترده دارند. انتخاب مدل درست وابسته به سازوکار تولید داده است؛ صرفاً شمارشی بودن داده برای انتخاب یک توزیع خاص کافی نیست. باید روشن شود تعداد آزمایش ها ثابت است یا نه، احتمال موفقیت ثابت می ماند یا نه، نمونه گیری با جایگذاری انجام می شود یا بدون جایگذاری، و رخدادها در یک بازه زمانی یا مکانی شمرده می شوند.
نگاهی به شیوه آموزشی و روش حل مسائل توزیع های گسسته
یادگیری این مبحث با حفظ کردن فرمول ها به تنهایی کامل نمی شود. ابتدا باید متغیر تصادفی را دقیق تعریف کرد؛ سپس فضای مقادیر ممکن، پارامترهای مسئله و فرض های مدل را مشخص ساخت. پس از آن تابع احتمال انتخاب می شود و با جایگذاری درست پارامترها می توان احتمال مورد نظر را محاسبه کرد. در پایان نیز نتیجه باید در زبان مسئله تفسیر شود؛ مثلاً احتمال ۰٫۰۸ یعنی در شرایط مدل، رخداد مورد نظر در حدود هشت درصد موارد انتظار می رود.
یک روش منظم حل مسئله شامل چهار گام است: تشخیص نوع آزمایش، تعریف X، شناسایی پارامترها و تعیین رویداد احتمالی. بهتر است پیش از محاسبه، بررسی شود که مجموع احتمال های ممکن برابر یک است و هیچ احتمال منفی یا بزرگ تر از یک به دست نمی آید. بررسی واحدها و تفسیر پاسخ نیز از خطاهای رایج جلوگیری می کند.
مفاهیم و نمادهای کلیدی در توزیع های احتمال گسسته
تابع جرم احتمال یا PMF با نماد f(x) یا P(X=x) احتمال آن را نشان می دهد که متغیر تصادفی دقیقاً مقدار x را بگیرد. برای هر مقدار ممکن، این تابع نامنفی است و مجموع آن روی تمام مقادیر ممکن برابر یک می شود. تابع توزیع تجمعی یا CDF با نماد F(x)=P(X≤x) احتمال آن را بیان می کند که متغیر حداکثر تا مقدار x باشد؛ بنابراین از جمع احتمال های PMF تا آن نقطه به دست می آید.
امید ریاضی میانگین نظری متغیر تصادفی است و برای متغیر گسسته از مجموع x ضربدر احتمال همان مقدار محاسبه می شود. واریانس میانگین مربع فاصله مقادیر از امید ریاضی است و میزان پراکندگی را نشان می دهد. رابطه محاسباتی مفید آن Var(X)=E(X²)−[E(X)]² است. انحراف معیار نیز ریشه دوم واریانس است و با واحد خود متغیر بیان می شود؛ واریانس واحدِ مربع شده دارد.
توزیع برنولی؛ مدل یک آزمایش با دو نتیجه
توزیع برنولی ساده ترین مدل گسسته برای یک آزمایش با دو نتیجه است؛ نتیجه ها را معمولاً موفقیت و شکست می نامند. اگر احتمال موفقیت p و احتمال شکست q=1−p باشد، متغیر X را برابر یک در صورت موفقیت و صفر در صورت شکست تعریف می کنیم. در این صورت P(X=1)=p و P(X=0)=1−p است. امید ریاضی X برابر p و واریانس آن p(1−p) خواهد بود.
در مهندسی کنترل کیفیت، می توان وضعیت یک قطعه را با متغیر برنولی نمایش داد: یک برای معیوب و صفر برای سالم. البته این مدل فقط وضعیت یک قطعه یا یک آزمایش را توصیف می کند. اگر تعداد زیادی قطعه مستقل بررسی شود و تعداد قطعات معیوب مورد توجه باشد، مدل دوجمله ای ممکن است مناسب تر باشد. شرط استقلال و ثابت بودن احتمال موفقیت باید با شرایط واقعی فرایند سازگار باشد.
توزیع دوجمله ای؛ شمارش موفقیت در تعداد ثابتی آزمایش
توزیع دوجمله ای تعداد موفقیت ها را در n آزمایش برنولی مستقل با احتمال موفقیت ثابت p مدل می کند. اگر X تعداد موفقیت ها باشد، احتمال دقیقاً k موفقیت برابر است با P(X=k)=C(n,k)p^k(1−p)^(n−k)، برای k از صفر تا n. در این رابطه C(n,k) تعداد راه های انتخاب k آزمایش موفق از میان n آزمایش است. امید ریاضی np و واریانس np(1−p) است.
فرض های کلیدی دوجمله ای عبارت اند از تعداد ثابت آزمایش ها، دوحالتی بودن نتیجه هر آزمایش، استقلال آزمایش ها و یکسان بودن احتمال موفقیت. برای مثال اگر احتمال خرابی هر قطعه مستقل و برابر ۰٫۰۲ باشد و ۲۰ قطعه بررسی شود، تعداد قطعات معیوب را می توان با مدل دوجمله ای بررسی کرد. اگر قطعات از یک محموله محدود و بدون جایگذاری انتخاب شوند، استقلال دقیق برقرار نیست و توزیع فوق هندسی می تواند مناسب تر باشد.
توزیع هندسی و دوجمله ای منفی؛ انتظار برای موفقیت
توزیع هندسی تعداد آزمایش های لازم تا نخستین موفقیت را مدل می کند. با فرض استقلال آزمایش های برنولی و احتمال موفقیت ثابت p، احتمال اینکه نخستین موفقیت در آزمایش kام رخ دهد برابر (1−p)^(k−1)p است؛ k از یک به بعد. امید ریاضی آن 1/p و واریانس آن (1−p)/p² است. این توزیع خاصیت بی حافظگی دارد: با دانستن اینکه تا این لحظه موفقیتی رخ نداده، توزیع تعداد انتظار اضافی مانند آغاز فرایند باقی می ماند.
توزیع دوجمله ای منفی این ایده را گسترش می دهد و تعداد آزمایش های لازم تا دستیابی به r موفقیت را مدل می کند. اگر X تعداد کل آزمایش ها تا rامین موفقیت باشد، احتمال X=k برابر C(k−1,r−1)p^r(1−p)^(k−r) است. امید ریاضی r/p و واریانس r(1−p)/p² خواهد بود. این مدل در تحلیل تعداد تلاش های لازم برای رسیدن به تعداد مشخصی قطعه پذیرفته شده یا تکمیل چند موفقیت مستقل کاربرد دارد.
توزیع فوق هندسی؛ نمونه گیری بدون جایگذاری
در توزیع فوق هندسی از جامعه ای محدود نمونه ای بدون جایگذاری انتخاب می شود. فرض کنید جامعه N عضو دارد که K عضو از آن ها ویژگی مورد نظر را دارند و n عضو انتخاب می کنیم. اگر X تعداد اعضای دارای ویژگی در نمونه باشد، احتمال X=k از رابطه C(K,k)C(N−K,n−k)/C(N,n) به دست می آید. برخلاف دوجمله ای، احتمال موفقیت در برداشت های بعدی ثابت نیست؛ زیرا هر برداشت ترکیب جامعه باقی مانده را تغییر می دهد.
این مدل در بازرسی محموله های محدود، نمونه برداری از قطعات یک دسته تولید و انتخاب تعدادی قطعه از مجموعه ای با تعداد معلوم قطعات معیوب مناسب است. امید ریاضی آن nK/N است و واریانس آن برابر n(K/N)(1−K/N)(N−n)/(N−1) است. اگر جامعه بسیار بزرگ باشد و حجم نمونه در مقایسه با آن کوچک بماند، تغییر احتمال برداشت ها ناچیز می شود و تقریب دوجمله ای ممکن است قابل استفاده باشد.
توزیع پواسون؛ شمارش رخدادها در زمان یا مکان
توزیع پواسون برای تعداد رخدادها در یک بازه زمانی، مکانی یا حجمی به کار می رود؛ به ویژه هنگامی که رخدادها با نرخ متوسط تقریباً ثابت و مستقل از هم مدل می شوند. اگر میانگین تعداد رخداد در بازه مورد نظر λ باشد، احتمال مشاهده k رخداد برابر e^(−λ)λ^k/k! است؛ k برابر صفر، یک، دو و … است. در توزیع پواسون، امید ریاضی و واریانس هر دو برابر λ هستند.
نمونه های مهندسی آن می تواند تعداد تماس های ورودی در یک دقیقه، تعداد نقص های سطحی در واحد مشخصی از ورق یا تعداد خرابی های ثبت شده در یک بازه زمانی باشد. مهم است که نرخ λ با طول بازه متناسب باشد؛ اگر نرخ متوسط در هر ساعت معلوم است، برای بازه نیم ساعته باید پارامتر متناظر با نیم ساعت استفاده شود. پواسون همچنین تقریب مناسبی برای دوجمله ای در شرایط n بزرگ و p کوچک است، به طوری که np تقریباً برابر λ باقی بماند.
توزیع یکنواخت گسسته و مقایسه توزیع ها
در توزیع یکنواخت گسسته، مجموعه ای متناهی از مقادیر ممکن همگی احتمال یکسان دارند. اگر X یکی از m مقدار متمایز را با احتمال برابر انتخاب کند، احتمال هر مقدار 1/m است. برای مقادیر متوالی a تا b، تعداد مقادیر m=b−a+1 است؛ امید ریاضی (a+b)/2 و واریانس ((m²−1)/12) است. این مدل زمانی مناسب است که سازوکار مسئله واقعاً احتمال برابر برای همه گزینه ها ایجاد کند.
تفاوت اصلی خانواده ها در سازوکار تولید داده است: برنولی یک آزمایش دوحالتی، دوجمله ای تعداد موفقیت در n آزمایش، هندسی زمان تا اولین موفقیت، دوجمله ای منفی زمان تا r موفقیت، فوق هندسی نمونه گیری بدون جایگذاری، پواسون تعداد رخداد در بازه و یکنواخت گسسته انتخاب برابر از مقادیر محدود را توصیف می کند. شناخت این تفاوت ها از انتخاب فرمول بر اساس ظاهر صورت سؤال جلوگیری می کند.
کاربرد توزیع های گسسته در مسائل مهندسی
در کنترل کیفیت، متغیرهایی مانند تعداد قطعات معیوب، تعداد خطاهای ثبت شده یا تعداد محصولات پذیرفته شده قابل شمارش اند. اگر هر قطعه مستقل و دارای احتمال عیب ثابت باشد، دوجمله ای می تواند تعداد عیوب در نمونه را مدل کند؛ اما اگر نمونه از محموله ای محدود و بدون جایگذاری گرفته شود، فوق هندسی مناسب تر است. انتخاب مدل بر نتیجه برآورد ریسک و تصمیم گیری درباره پذیرش یا رد محموله اثر می گذارد.
در مهندسی قابلیت اطمینان و نگهداری، تعداد خرابی ها در یک بازه ممکن است با پواسون مدل شود، مشروط بر آنکه فرض نرخ ثابت و شرایط فرایند معقول باشد. تعداد تلاش تا رفع موفق یک خطا می تواند به مدل هندسی یا دوجمله ای منفی نزدیک باشد. در شبکه ها و سامانه های خدماتی نیز تعداد درخواست ها در یک بازه زمانی موضوعی برای مدل سازی شمارشی است. در همه این کاربردها، مدل احتمالی جایگزین بررسی داده و اعتبارسنجی فرض ها نیست.
نکات کلیدی و فرمول های مهم برای مرور
برای جلوگیری از اشتباه، پیش از استفاده از فرمول ها نمادها را تعریف کنید: n تعداد آزمایش ها یا حجم نمونه، p احتمال موفقیت، q=1−p، r تعداد موفقیت های هدف، N اندازه جامعه، K تعداد اعضای دارای ویژگی و λ میانگین رخدادها در بازه مورد نظر است. نماد k معمولاً تعداد موفقیت یا رخداد مشاهده شده را نشان می دهد؛ با این حال، دامنه k در هر توزیع متفاوت است و باید از تعریف متغیر پیروی کند.
در دوجمله ای دامنه k از صفر تا n است؛ در هندسی k از یک شروع می شود؛ در دوجمله ای منفی با تعریف تعداد کل آزمایش ها، k از r شروع می شود؛ در پواسون k هر عدد صحیح نامنفی است؛ و در فوق هندسی دامنه با اندازه نمونه و تعداد اعضای ویژه جامعه محدود می شود. کنترل دامنه متغیر قبل از محاسبه احتمال، یکی از ساده ترین راه های تشخیص خطای مدل سازی است.
چگونه مسائل توزیع گسسته را مرحله به مرحله حل کنیم؟
ابتدا سؤال را به زبان متغیر تصادفی بازنویسی کنید؛ برای نمونه «X تعداد قطعات معیوب در ۱۰ قطعه انتخابی است». سپس بررسی کنید که آزمایش ها مستقل اند یا نمونه گیری بدون جایگذاری است، تعداد آزمایش ها ثابت است یا تا رسیدن به موفقیت ادامه دارد، و آیا رخدادها در بازه زمانی یا مکانی شمرده می شوند. پاسخ این پرسش ها معمولاً توزیع مناسب را مشخص می کند.
در گام بعد پارامترها را از صورت مسئله استخراج کنید و رویداد خواسته شده را به نماد ریاضی تبدیل کنید. «دقیقاً k» به احتمال نقطه ای، «حداکثر k» به مجموع احتمال ها از حد پایین تا k و «حداقل k» به مکمل یا مجموع دنباله مربوط می شود. پس از محاسبه، پاسخ را با توجه به متن مسئله تفسیر کنید و در صورت امکان با کران های منطقی بررسی کنید؛ احتمال باید بین صفر و یک باشد و میانگین شمارش نباید از دامنه ممکن خارج شود.
برنامه 5 روزه مطالعه و مرور توزیع های گسسته
برای یادگیری این مبحث، بهتر است مفاهیم پایه پیش از فرمول های توزیع ها مطالعه شوند. در روزهای نخست روی تعریف متغیر تصادفی و محاسبه احتمال تمرکز کنید؛ سپس توزیع هایی را که از آزمایش برنولی منشأ می گیرند کنار هم بیاموزید. در روزهای پایانی، تفاوت نمونه گیری با جایگذاری و بدون جایگذاری و تفاوت شمارش در تعداد آزمایش ثابت با شمارش در بازه زمانی را مرور کنید.
برنامه زیر یک پیشنهاد مطالعاتی عمومی است و با توجه به زمان امتحان یا سطح درس قابل تغییر خواهد بود. بهتر است در پایان هر روز دست کم چند مسئله حل شود و پاسخ ها نه فقط از نظر عددی، بلکه از نظر انتخاب مدل و تفسیر نتیجه بررسی شوند.
| روز | موضوع مطالعه | تمرین پیشنهادی |
|---|---|---|
| روز اول | متغیر گسسته، PMF، CDF، امید و واریانس | تعریف متغیر و محاسبه میانگین و پراکندگی |
| روز دوم | برنولی و دوجمله ای | حل مسائل دقیقاً، حداکثر و حداقل موفقیت |
| روز سوم | هندسی و دوجمله ای منفی | مقایسه زمان تا اولین و rامین موفقیت |
| روز چهارم | فوق هندسی و پواسون | تشخیص نمونه گیری بدون جایگذاری و نرخ رخداد |
| روز پنجم | یکنواخت گسسته و جمع بندی | ساخت جدول مقایسه و حل تمرین ترکیبی |
دریافت جزوه آمار مهندسی – توزیع گسسته معروف
برای تهیه نسخه دیجیتال، صفحه محصول و مشخصات فایل را بررسی کنید. از آنجا که در اطلاعات فعلی لینک اختصاصی محصول این عنوان و نمونه صفحات آن ارائه نشده است، دکمه های خرید و مشاهده نمونه به صفحه ای ساختگی متصل نشده اند. در صورت بارگذاری فایل جزوه یا ارائه نشانی محصول، می توان اطلاعات دقیق نسخه، تعداد صفحات و کیفیت فایل را به همین بخش افزود.
منابع آموزشی برای بررسی فرمول ها و مفاهیم:
سوالات متداول درباره جزوه آمار مهندسی – توزیع گسسته معروف
توزیع گسسته چیست؟
توزیع گسسته احتمال هر یک از مقادیر قابل شمارش یک متغیر تصادفی را مشخص می کند.
تفاوت دوجمله ای و فوق هندسی چیست؟
دوجمله ای برای آزمایش های مستقل با احتمال ثابت به کار می رود؛ فوق هندسی نمونه گیری بدون جایگذاری از جامعه محدود را توصیف می کند.
چه زمانی از توزیع پواسون استفاده می شود؟
برای شمارش رخدادها در یک بازه با نرخ متوسط تقریباً ثابت و تحت فرض های مدل پواسون.
آیا توزیع هندسی و دوجمله ای منفی یکسان اند؟
توزیع هندسی حالت ویژه دوجمله ای منفی با r=1 است؛ اولی تا نخستین موفقیت و دومی تا rامین موفقیت را مدل می کند.
امید ریاضی و واریانس چه تفاوتی دارند؟
امید ریاضی مرکز یا میانگین نظری توزیع است؛ واریانس پراکندگی مقادیر پیرامون آن را اندازه می گیرد.
آیا اطلاعات نویسنده و تعداد صفحات این جزوه مشخص است؟
در عنوان ارائه شده نویسنده، ناشر و تعداد صفحات ذکر نشده است؛ بنابراین این مشخصات تا زمان مشاهده فایل خالی باقی می مانند.





