‫دانشگاه صنعتي اصفهان‬

‫دانشكده مهندسي صنایع و سیستمها‬

‫آمار مهندسي‬
‫‪Applied Statistics for Engineers‬‬

‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫‪Interval Estimation‬‬

‫حسین خسروشاهي‬

‫بهمن ماه ‪1401‬‬

‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫فهرست مطالب‬
‫صفحه‬ ‫عنوان‬

‫‪ -1‬مقدمه ‪1 .............................................................................................................................................................‬‬

‫‪ -2‬تعریف فاصله اطمینان ‪1 ........................................................................................................................................‬‬

‫‪ -۳‬فاصله اطمینان برای میانگین توزیع نرمال – واریانس جامعه معلوم ‪2 .............................................................................‬‬

‫‪ -4‬فاصله اطمینان برای میانگین توزیع نرمال – واریانس جامعه نامعلوم ‪7 ...........................................................................‬‬

‫‪ -۵‬فاصله اطمینان برای واریانس توزیع نرمال ‪9 ............................................................................................................‬‬

‫‪ -6‬فاصله اطمینان برای تفاوت میانگینهای دو جامعه نرمال – انحراف معیارها معلوم ‪11 ......................................................‬‬

‫‪ -7‬فاصله اطمینان برای تفاوت میانگینهای دو جامعه نرمال – انحراف معیارها نامعلوم ولي مساوی ‪1۳ ....................................‬‬

‫‪ -8‬فاصله اطمینان برای نسبت واریانسهای دو توزیع نرمال ‪1۵ .......................................................................................‬‬

‫‪ -9‬فواصل اطمینان تقریبي ‪16 ....................................................................................................................................‬‬

‫‪ -1-9‬فاصله اطمینان برای پارامتر 𝒑 در توزیع برنولي‪16 .................................................................................‬‬

‫‪ -2-9‬فاصله اطمینان برای تفاوت نسبت در دو جامعه ‪17 ................................................................................‬‬
‫‪ -3-9‬فاصله اطمینان برای 𝝀 در توزیع پواسون ‪18 ........................................................................................‬‬
‫‪ -4-9‬فاصله اطمینان برای میانگین توزیع نمایي ‪19 .......................................................................................‬‬
‫‪ -5-9‬استفاده از برآوردگر روش ‪19 .............................................................................................. MLE‬‬

‫‪ -10‬فواصل اطمینان همزمان ‪20 ................................................................................................................................‬‬

‫‪ -1-10‬فواصل اطمینان همزمان مستقل ‪20 .................................................................................................‬‬

‫‪ -2-10‬فواصل اطمینان همزمان وابسته ‪20 .................................................................................................‬‬

‫‪ -11‬نمونه مسائل مربوط به برآورد فاصلهای ‪22 .............................................................................................................‬‬

‫اهداف فصل‬

‫• تعریف برآورد فاصلهای‬

‫• روش محاسبه برآورد فاصلهای یکطرفه و دو طرفه برای پارامترهای مجهول‬
‫• روش یافتن برآورد فاصلهای تقریبي‬
‫• محاسبه برآورد فاصلهای توأم‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫‪ -1‬مقدمه‬

‫برآورد نقطهای معموال برای برآورد یک پارامتر و استنتاج در مورد آن ناکافي است‪ .‬زیرا‪:‬‬

‫• برآوردگر یک متغیر تصادفي است‪.‬‬

‫• به ندرت با پارامتر مورد نظر برابر ميشود‪.‬‬

‫نکته‪ :‬برآورد فاصلهای معموال به شكل ]‪ [L,U‬ارائه ميشود و داریم‪:‬‬

‫• ‪ L‬حد پایین پارامتر مورد نظر و ‪ U‬حد باالی آن است‪.‬‬

‫• ‪ L‬و ‪ U‬توابعي از نمونه بوده و بر حسب نمونه به دست ميآیند‪ .‬بنابراین ‪ L‬و ‪ U‬هر دو پارامتر تصادفي هستند‪.‬‬

‫‪ -2‬تعریف فاصله اطمینان‬

‫چون ‪ L‬و ‪ U‬پارامتر تصادفي هستند‪ ،‬فاصله ]‪ [L,U‬همواره شامل پارامتر مورد نظر نميشود‪ .‬بنابراین یک موضوع مهم در برآورد‬
‫فاصلهای‪ ،‬احتمال این است که برآورد ارائه شده شامل پارامتر مورد نظر بشود‪.‬‬

‫پارامتری را درنظر بگیرید که باید برآورد شود را با 𝜃 و برآورد فاصلهای را با ]‪ [L,U‬نمایش دهیم‪ .‬اگر احتمال اینكه فاصله ]‪[L,U‬‬

‫شامل پارامتر 𝜃 شود برابر با 𝛼 ‪ 1 −‬باشد‪:‬‬

‫‪P (L   U ) = 1−‬‬

‫در این صورت‪:‬‬

‫• ‪ L‬و ‪ U‬را حدود اطمینان ‪ 100(1 − 𝛼)%‬پارامتر 𝜃 گویند‪.‬‬

‫• 𝛼 ‪ 1 −‬را ضریب اطمینان و 𝛼 را ضریب عدم اطمینان گویند‪.‬‬
‫• فاصله ]‪ [L,U‬را فاصله اطمینان ‪ 100(1 − 𝛼)%‬برای پارامتر 𝜃 گویند‪.‬‬

‫فرض کنید ميخواهیم یک فاصله اطمینان ‪ ٪90‬برای پارامتر 𝜇 در یک جامعه نرمال به صورت ]‪ [L,U‬ارائه دهیم‪ .‬چون فاصله‬
‫اطمینان یک متغیر تصادفي است‪ ،‬در نمونهگیریهای مختلف فواصل مختلفي ایجاد ميشود که این فواصل لزوما شامل 𝜇 نميشود‪.‬‬

‫نکته‪ :‬ضریب اطمینان ‪ 90‬درصد بیان ميکند که در نمونهگیریهای مختلف و در بلندمدت انتظار ميرود در ‪90‬درصد موارد‬
‫فاصله اطمینان ایجاد شده شامل 𝜇 شود و در ‪ 10‬درصد موارد شامل 𝜇 نشود‪:‬‬

‫‪1‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫نكته‪ :‬در عمل هر تجربه فقط یک بار انجام ميشود و عموما فواصل اطمینان مختلفي وجود ندارد که به طور متوسط ‪ ٪90‬آنها‬
‫شامل پارامتر 𝜇 شود‪ .‬بنابراین معموال با توجه به یک نمونه تصادفي فاصله اطمینان محاسبه شده و چنین بیان ميشود‪:‬‬

‫« با ‪ ٪90‬اطمینان اعالم ميکنیم که فاصله ]‪ [L,U‬شامل پارامتر 𝜇 ميشود‪».‬‬

‫جمله اشتباه‪ :‬پارامتر 𝜇 با احتمال ‪ ٪90‬در فاصله ]‪ [L,U‬قرار ميگیرد‪.‬‬

‫‪ -3‬فاصله اطمینان برای میانگین توزیع نرمال – واریانس جامعه معلوم‬

‫متغیر تصادفي 𝑋 دارای توزیع نرمال با میانگین مجهول 𝜇 و واریانس معلوم ‪ 𝜎 2‬است‪ .‬یک نمونه تصادفي با اندازه 𝑛 از این‬
‫‪𝜎2‬‬
‫= ̅‪ 𝜎𝑋2‬خواهد بود‪ .‬بدین ترتیب داریم‪:‬‬ ‫𝑛‬
‫توزیع ميگیریم‪ .‬ميدانیم توزیع ̅𝑋 دارای توزیع نرمال با میانگین 𝜇 = ̅𝑋𝜇 و واریانس‬

‫‪X − X‬‬ ‫‪X −‬‬

‫=‬ ‫)‪~ N ( 0,1‬‬
‫‪X‬‬ ‫‪‬‬
‫‪n‬‬

‫از سوی دیگر داریم‪:‬‬

‫(‬
‫‪P −z   Z  z  = 1 − ‬‬
‫‪2‬‬ ‫‪2‬‬
‫)‬

‫بنابراین ميتوان نوشت‪:‬‬

‫‪‬‬ ‫‪X −‬‬ ‫‪‬‬

‫‪‬‬ ‫‪−z  ‬‬ ‫‪z ‬‬
‫‪P‬‬ ‫‪‬‬ ‫‪= 1−‬‬
‫‪ 2‬‬ ‫‪2 ‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬
‫‪P  −z ‬‬ ‫‪X − z‬‬ ‫‪‬‬ ‫‪= P X −z ‬‬ ‫‪  X +z‬‬ ‫‪= 1−‬‬
‫‪ 2 n‬‬ ‫‪2‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪n ‬‬

‫‪2‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫بنابراین فاصله اطمینان دوطرفه ‪ 100(1 − 𝛼)%‬برای پارامتر مجهول 𝜇 در جامعه نرمال با واریانس معلوم به صورت زیر‬
‫است‪:‬‬

‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬

‫‪ L = X − z  n ,U = X + z  n ‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪‬‬

‫که به صورت زیر نیز قابل نمایش است‪:‬‬

‫‪‬‬
‫‪X z‬‬
‫‪2‬‬ ‫‪n‬‬

‫نکته‪ L :‬و ‪ U‬متغیرهای تصادفي هستند (چون آماره هستند)‪ .‬بنابراین فاصله ایجاد شده نیز متغیر تصادفي است‪ .‬داریم‪:‬‬

‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬

‫‪E (L ) = E  X − z ‬‬ ‫‪ =  −z‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪n‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬
‫‪E (U ) = E  X + z ‬‬ ‫‪=  +z‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪n‬‬
‫‪2‬‬
‫= ) ‪V ar ( L ) =V ar (U‬‬
‫‪n‬‬

‫طول فاصله اطمینان‪:‬‬

‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬

‫‪U −L = X +z‬‬ ‫‪−X −z ‬‬ ‫‪ = 2z ‬‬
‫‪2‬‬ ‫‪n ‬‬ ‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪n‬‬

‫𝜎‬
‫𝛼𝑧 حداکثر خطای برآوردگر گویند‪:‬‬ ‫نکته‪ :‬به‬
‫𝑛√ ‪2‬‬

‫‪‬‬
‫‪E = X − =z‬‬
‫‪2‬‬ ‫‪n‬‬

‫بنابراین ميتوان نوشت‪:‬‬

‫‪U − L = 2E‬‬

‫مثال‪ :‬مقاومت نوع خاصي از پارچه در مقابل پارگي از توزیع نرمال پیروی ميکند‪ .‬یک نمونه ‪10‬تایي از این پارچهها گرفته‬
‫شده است که نتایج زیر برحسب ‪ psi‬به دست آمده است‪:‬‬

‫‪186, 182, 181, 179, 182, 184, 180, 185, 182‬‬

‫براساس دادههای گذشته ميدانیم انحراف معیار مقاومت دادهها ‪ 2.5‬است‪ .‬یک فاصله اطمینان ‪ 95‬درصدی برای میانگین‬

‫‪3‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫مقاومت این پارچه بیابید‪.‬‬

‫پاسخ‪ :‬اطالعات موجود در مساله به صورت زیر است‪:‬‬

‫‪X = 182.6,  = 2.5, n = 10,  = 0.05 → z  = z 0.025 = 1.96‬‬

‫‪2‬‬

‫بنابراین یک فاصله اطمینان ‪ 95‬درصدی برای میانگین مقاومت این پارچه به صورت زیر است‪:‬‬

‫‪2.5‬‬ ‫‪2.5‬‬
‫‪182.6 − 1.96‬‬ ‫‪   182.6 + 1.96‬‬
‫‪10‬‬ ‫‪10‬‬
‫‪181.05    184.15 or [181.05,184.15] or 182.6  1.55‬‬

‫ميتوان گفت به احتمال ‪95‬درصد بازه ]‪ [181.05,184.15‬میانگین جامعه یا 𝜇 را شامل ميشود‪.‬‬

‫نکته‪ :‬این تفسیر که به احتمال ‪ 0.95‬میانگین جامعه 𝜇 در بازه ]‪ [181.05,184.15‬قرار ميگیرد اشتباه است‪.‬‬

‫مثال‪ :‬برای جمعآوری اطالعات و برآورد میانگین یک جامعه نرمال با واریانس ‪ 𝜎 2 = 4‬چه تعداد نمونه باید انتخاب شود تا‬
‫یک فاصله اطمینان ‪95‬درصد به دست آید که حداکثر خطای برآوردگر برابر با ‪ 1‬باشد‪.‬‬

‫پاسخ‪:‬‬

‫‪2‬‬
‫‪‬‬ ‫‪ ‬‬
‫‪E =z‬‬ ‫‪→ n = z  ‬‬
‫‪2‬‬ ‫‪n‬‬ ‫‪ 2 E‬‬

‫‪ ‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪2‬‬
‫‪n =  z 0.025  = 1.96  = 15.37  16‬‬
‫‪‬‬ ‫‪E ‬‬ ‫‪1‬‬

‫نکته‪ :‬فاصله اطمینان ارائه شده برای پارامتر میانگین توزیع نرمال‪ ،‬یكتا نبوده و فوصل اطمینان متفاوت )𝛼 ‪ 100(1 −‬درصدی‬
‫دیگر ميتوان ارائه کرد‪ .‬مثال‪:‬‬

‫(‬
‫‪P −z   Z  z 2 = 1 − ‬‬
‫‪3‬‬ ‫‪3‬‬
‫)‬
‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬
‫‪P  X − z 2‬‬ ‫‪  X +z‬‬ ‫‪= 1−‬‬
‫‪‬‬ ‫‪3‬‬ ‫‪n‬‬ ‫‪3‬‬ ‫‪n ‬‬

‫‪4‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫به راحتي ميتوان نشان داد که طول فاصله اطمینان در حالت متقارن کمتر و بنابراین دقت آن بیشتر است‪ .‬به همین دلیل‬
‫عموما فاصله اطمینانهای دوطرفه را به گونهای درنظر ميگیرند که سمت چپ و راست تابع توزیع به یک میزان حذف شده باشد‬
‫(به گونهای که طول فاصله اطمینان کمینه شود)‪.‬‬

‫مثال‪ :‬استاندارد ‪ ASTM E23‬روشهای استاندارد تست را برای تست ضربه با میله شیاردار که برروی مواد فلزی انجام ميشود‬
‫تعریف مي کند‪ .‬تكنیک )‪ Charpy V-notch (CVN‬انرژی ضربه را اندازه گیری ميکند و غالباً برای تعیین اینكه آیا یک ماده‬
‫با کاهش دما تغییر شكلپذیری به شكل شكننده را تجربه مي کند یا نه استفاده ميشود‪ .‬ده اندازه گیری انرژی ضربه (ژول) بر روی‬
‫نمونه های برش خورده فوالد ‪ A238‬در دمای ‪ 60‬درجه سانتیگراد به شرح زیر است‪:‬‬

‫‪64.1, 64.7, 64.5, 64.6, 64.5, 64.3, 64.6, 64.8, 64.2, 64.3‬‬

‫الف) فرض کنید انرژی ضربه به طور معمول به صورت نرمال با واریانس ‪ 1‬توزیع ميشود‪ .‬یک فاصله اطمینان ‪95‬درصد برای‬
‫متوسط انرژی ضربه پیدا کنید‪.‬‬

‫ب) اگر بخواهیم یک فاصله اطمینان ‪95‬درصد برای متوسط انرژی ضربه داشته باشیم که مطمئن شویم طول فاصله اطمینان بیش‬
‫از ‪ 1‬ژول نميشود‪ ،‬اندازه نمونه را بیابید‪.‬‬

‫پاسخ‪:‬‬

‫‪x‬‬ ‫‪i‬‬
‫= ‪X‬‬ ‫‪i‬‬
‫‪= 64.46,  = 1, n = 10,  = 0.05 → z  = z 0.025 = 1.96‬‬
‫‪n‬‬ ‫‪2‬‬

‫بنابراین یک فاصله اطمینان ‪95‬درصد برای متوسط انرژی ضربه به صورت زیر است‪:‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪64.46 − 1.96‬‬ ‫‪   64.46 + 1.96‬‬ ‫‪→ 63.84    65.08 or 64.46  0.62‬‬
‫‪10‬‬ ‫‪10‬‬

‫ب) از آنجایي که طول فاصله اطمینان باید حداکثر ‪ 1‬ژول باشد پس‪:‬‬

‫‪U −L 1‬‬
‫=‪E‬‬ ‫‪= = 0.5‬‬
‫‪2‬‬ ‫‪2‬‬

‫بنابراین‪:‬‬

‫‪2‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪ ‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪1 ‬‬
‫‪E =z‬‬ ‫‪→ n = z   → n = z ‬‬ ‫‪=  z 0.025  = 1.96‬‬ ‫‪ = 15.37  16‬‬
‫‪2‬‬ ‫‪n‬‬ ‫‪ 2E‬‬ ‫‪2‬‬ ‫‪n ‬‬ ‫‪E ‬‬ ‫‪0.5 ‬‬

‫‪5‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫نکته‪ :‬ميتوان فواصل اطمینان یک طرفه ‪ 100(1 − 𝛼)%‬نیز ایجاد نمود‪ .‬در این صورت‪:‬‬

‫برای فاصله یک طرفه حد باال‪ ،‬از طریق جانشین کردن 𝛼𝑧 به جای 𝛼𝑧 و قرار دادن ∞‪ 𝐿 = −‬در فاصله اطمینان دوطرفه‬
‫‪2‬‬

‫اولیه‪ ،‬رابطه زیر حاصل ميگردد‪.‬‬

‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬

‫‪  X +z‬‬ ‫‪or  −, X + z ‬‬
‫‪n‬‬ ‫‪‬‬ ‫‪n ‬‬

‫برای فاصله یک طرفه حد پایین‪ ،‬از طریق جانشین کردن 𝛼𝑧 به جای 𝛼𝑧 و قرار دادن ∞ =‪ U‬در فاصله اطمینان دوطرفه‬
‫‪2‬‬

‫اولیه‪ ،‬رابطه زیر حاصل ميگردد‪.‬‬

‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬

‫‪X −z‬‬ ‫‪  or X − z ‬‬ ‫‪,‬‬
‫‪n‬‬ ‫‪‬‬ ‫‪n‬‬ ‫‪‬‬

‫مثال‪ :‬مقاومت نوع خاصي از پارچه در مقابل پارگي از توزیع نرمال پیروی ميکند‪ .‬یک نمونه ‪10‬تایي از این پارچهها گرفته‬
‫شده است و میانگین دادهها برحسب ‪ psi‬برابر با ‪ 182.6‬به دست آمده است‪ .‬براساس دادههای گذشته ميدانیم انحراف معیار‬
‫مقاومت دادهها ‪ 2.5‬است‪ .‬یک فاصله اطمینان ‪ 95‬درصدی حد پایین برای میانگین مقاومت این پارچه بیابید‪.‬‬

‫پاسخ‪:‬‬

‫‪X = 182.6,  = 2.5, n = 10,  = 0.05 → z  = z 0.05 = 1.645‬‬

‫‪2.5‬‬
‫‪182.6 − 1.645‬‬ ‫‪  → 181.3   or‬‬ ‫) ‪181.3, ‬‬
‫‪10‬‬

‫نکته‪ :‬چنانچه نمونهها زیاد باشد (‪ ،)𝑛 ≥ 30‬با استفاده از قضیه حد مرکزی ميتوان این روش را برای برآورد فاصلهای میانگین‬
‫یک جامعه غیرنرمال هم استفاده کرد‪.‬‬

‫نکته‪ :‬برای برآورد فاصلهای میانگین یک جامعه غیرنرمال با واریانس معلوم ‪ ،𝜎 2‬چنانچه اندازه نمونه کم باشد‪ ،‬براساس نامساوی‬
‫چبیشف‪ ،‬فاصله‪:‬‬

‫‪6‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫‪‬‬
‫‪X k‬‬
‫‪n‬‬
‫‪1‬‬
‫دارای ضریب اطمینان حداقل ‪ 1 − 𝑘2‬است‪ .‬یعني‪:‬‬

‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪1‬‬

‫‪X −z‬‬ ‫‪  or X − z ‬‬ ‫‪,  1 −   1 − 2‬‬
‫‪n‬‬ ‫‪‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪k‬‬

‫اثبات‪:‬‬

‫‪X 2‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬

‫‪‬‬
‫‪P X −   k  X  1−‬‬ ‫‪‬‬ ‫‪ P X − k‬‬ ‫‪  X +k‬‬
‫‪1‬‬
‫‪  1− 2‬‬
‫) ‪(k  X‬‬
‫‪2‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪k‬‬

‫𝜎‪2‬‬
‫‪ 𝑋̅ ±‬برای میانگین هر جامعه نامحدود دارای ضریب اطمینان حداقل ‪ 0.75‬است‪:‬‬ ‫مثال‪ :‬فاصله اطمینان‬
‫𝑛√‬

‫‪1‬‬ ‫‪3‬‬
‫‪1−  1−‬‬ ‫‪2‬‬
‫‪→ 1−  ‬‬
‫‪2‬‬ ‫‪4‬‬

‫‪ -4‬فاصله اطمینان برای میانگین توزیع نرمال – واریانس جامعه نامعلوم‬

‫در عمل وقتي پارامتر 𝜇 در یک جامعه نرمال مجهول است و قصد برآورد آن را داریم‪ ،‬انتظار ميرود که پارامتر 𝜎 نیز مجهول‬
‫باشد‪ .‬در این صورت اگر ̅𝑋 و 𝑆 میانگین و انحراف معیار یک نمونه تصادفي با اندازه 𝑛 از یک توزیع نرمال با پارامترهای مجهول‬
‫باشند داریم‪:‬‬

‫‪X −‬‬
‫‪~ t n −1‬‬
‫‪S‬‬
‫‪n‬‬

‫بنابراین ميتوان نوشت‪:‬‬

‫‪‬‬ ‫‪X −‬‬ ‫‪‬‬

‫(‬ ‫‪2‬‬ ‫‪2‬‬
‫)‬ ‫‪‬‬
‫‪−t‬‬
‫‪P −t  ,n −1  t n −1  t  ,n −1 = 1 −  → P  2 ,n −1‬‬
‫‪‬‬
‫‪S‬‬
‫‪ t ‬‬
‫‪2‬‬
‫‪, n −1 = 1 − ‬‬
‫‪‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪‬‬

‫بنابراین فاصله اطمینان دوطرفه ‪ 100(1 − 𝛼)%‬برای پارامتر مجهول 𝜇 در جامعه نرمال با واریانس نامعلوم به صورت زیر‬
‫است‪:‬‬

‫‪‬‬ ‫‪S‬‬ ‫‪S ‬‬ ‫‪S‬‬

‫‪ L = X − t  ,n −1‬‬ ‫‪,U = X + t ‬‬
‫‪, n −1‬‬
‫‪‬‬ ‫‪or X  t ‬‬
‫‪, n −1‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪n‬‬

‫‪7‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫طول فاصله اطمینان در این حالت برابر با مقدار زیر است‪:‬‬

‫‪S‬‬
‫‪U − L = 2t ‬‬
‫‪, n −1‬‬ ‫‪n‬‬
‫‪2‬‬

‫همچنین حداکثر خطای برآوردگر در این حالت برابر است با‪:‬‬

‫‪S‬‬
‫‪E = t‬‬
‫‪, n −1‬‬ ‫‪n‬‬
‫‪2‬‬

‫همچنین فاصله اطمینان یک طرفه حد باالی ‪ 100(1 − 𝛼)%‬برای پارامتر مجهول 𝜇 در جامعه نرمال با واریانس نامعلوم‬
‫به صورت زیر است‪:‬‬

‫‪S‬‬ ‫‪‬‬ ‫‪S ‬‬

‫‪  X + t  ,n −1‬‬ ‫‪or  −, X + t  ,n −1‬‬
‫‪n‬‬ ‫‪‬‬ ‫‪n ‬‬

‫همچنین فاصله اطمینان یک طرفه حد پایین ‪ 100(1 − 𝛼)%‬برای پارامتر مجهول 𝜇 در جامعه نرمال با واریانس نامعلوم‬
‫به صورت زیر است‪:‬‬

‫‪S‬‬ ‫‪‬‬ ‫‪S‬‬ ‫‪‬‬

‫‪X − t  ,n −1‬‬ ‫‪  or  X − t  ,n −1‬‬ ‫‪,‬‬
‫‪n‬‬ ‫‪‬‬ ‫‪n‬‬ ‫‪‬‬

‫مثال‪ :‬مقاومت نوع خاصي از پارچه در مقابل پارگي از توزیع نرمال پیروی ميکند‪ .‬یک نمونه ‪10‬تایي از این پارچهها گرفته‬
‫شده است که نتایج زیر برحسب ‪ psi‬به دست آمده است‪:‬‬

‫‪186, 182, 181, 179, 182, 184, 180, 185, 182‬‬

‫اگر واریانس مقاومت پارچهها معلوم نباشد‪ ،‬یک فاصله اطمینان ‪ ٪95‬برای میانگین این جامعه به دست آورید‪.‬‬

‫پاسخ‪:‬‬

‫‪(X‬‬ ‫)‬
‫‪2‬‬
‫‪i‬‬ ‫‪−X‬‬
‫= ‪X = 182.6, S 2‬‬ ‫‪i‬‬
‫‪= 5.38 → S = 2.32, t ‬‬ ‫‪= t 0.025,9 = 2.26‬‬
‫‪n −1‬‬ ‫‪2‬‬
‫‪, n −1‬‬

‫‪2.32‬‬ ‫‪2.32‬‬
‫‪182.6 − 2.26‬‬ ‫‪   182.6 + 2.26‬‬ ‫‪ 180.94    184.26‬‬
‫‪10‬‬ ‫‪10‬‬

‫نکته‪ :‬در صورتي که اندازه جامعه بزرگ باشد (‪ ،)𝑛 ≥ 30‬آنگاه آماره ‪ 𝑆 2‬به سمت ‪ 𝜎 2‬و توزیع 𝑡 به سمت توزیع نرمال‬
‫استاندارد میل مي کند‪ .‬بنابراین معموال زماني که اندازه نمونه بزرگ باشد‪ ،‬حتي اگر واریانس جامعه نامعلوم باشد‪ ،‬ميتوان با‬

‫‪8‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫جایگزین کردن 𝑆 به جای 𝜎‪ ،‬با تقریب بسیار خوبي از نرمال استاندارد به جای 𝑡 استفاده کرد‪.‬‬

‫‪ -5‬فاصله اطمینان برای واریانس توزیع نرمال‬

‫فرض کنید 𝑋 دارای توزیع نرمال با پارامترهای مجهول باشد‪ .‬در این صورت اگر ̅𝑋 و 𝑆 میانگین و انحراف معیار یک نمونه‬
‫تصادفي با اندازه 𝑛 از یک توزیع نرمال با پارامترهای مجهول باشند‪ ،‬برای تشكیل برآورد فاصلهای واریانس جامعه ( ‪ )𝜎 2‬داریم‪:‬‬

‫‪n‬‬

‫‪(X‬‬ ‫)‬
‫‪2‬‬
‫‪−X‬‬
‫‪i‬‬
‫‪( n − 1) S 2 ~  2  P  2‬‬ ‫‪( n − 1) S 2   2  = 1 − ‬‬
‫‪i =1‬‬
‫=‬ ‫‪n −1‬‬ ‫‪‬‬
‫‪ 1−  ,n −1‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪2‬‬ ‫‪‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪‬‬‫‪2‬‬ ‫‪, n −1‬‬
‫‪2‬‬ ‫‪‬‬
‫‪ 1‬‬ ‫‪‬‬ ‫‪1 ‬‬
‫‪2‬‬
‫‪ ( n − 1) S‬‬ ‫(‬ ‫‪n − 1) S 2 ‬‬ ‫‪2‬‬

‫‪ P  2‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪  2‬‬

‫‪2‬‬
‫‪ = 1− ‬‬
‫‪  ,n −1 ( n − 1) S‬‬
‫‪2‬‬
‫‪ 2   = 1 −   P   2‬‬ ‫‪ ‬‬
‫‪1− , n −1‬‬ ‫‪1− , n −1 ‬‬
‫‪ 2‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪2‬‬
‫‪, n −1‬‬
‫‪2‬‬ ‫‪‬‬

‫بنابراین فاصله اطمینان دوطرفه ‪ 100(1 − 𝛼)%‬برای پارامتر مجهول ‪ 𝜎 2‬در جامعه نرمال به صورت زیر است‪:‬‬

‫‪‬‬ ‫‪n‬‬ ‫‪n‬‬

‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪(X i − X‬‬ ‫)‬ ‫‪(X‬‬ ‫)‬
‫‪2‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪−X‬‬ ‫‪‬‬
‫‪‬‬ ‫(‬ ‫‪n − 1) S 2‬‬ ‫(‬ ‫‪n − 1) S 2 ‬‬ ‫‪i‬‬

‫‪L =  2‬‬ ‫‪,U = 2‬‬ ‫= ‪ or  L‬‬ ‫= ‪,U‬‬ ‫‪‬‬

‫‪i =1‬‬ ‫‪i =1‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪ 2‬‬ ‫‪2 ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪, n −1‬‬ ‫‪1− , n −1 ‬‬
‫‪‬‬ ‫‪, n −1‬‬ ‫‪1− , n −1‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪‬‬

‫یا به طور معادل فاصله اطمینان دوطرفه ‪ 100(1 − 𝛼)%‬برای پارامتر مجهول 𝜎 در جامعه نرمال به صورت زیر است‪:‬‬

‫‪‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪‬‬

‫‪‬‬ ‫‪‬‬ ‫‪(X i − X‬‬ ‫)‬ ‫‪(X‬‬ ‫)‬
‫‪2‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪−X‬‬ ‫‪‬‬
‫‪‬‬ ‫‪n −1‬‬ ‫‪n −1 ‬‬ ‫‪i‬‬

‫‪L = S‬‬ ‫‪,U = S‬‬ ‫= ‪or  L‬‬ ‫‪i =1‬‬

‫= ‪,U‬‬ ‫‪i =1‬‬ ‫‪‬‬
‫‪‬‬
‫‪ 2‬‬ ‫‪ 2  ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪2‬‬
‫‪2 ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪2‬‬
‫‪, n −1‬‬ ‫‪1− , n −1‬‬
‫‪2‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪2‬‬
‫‪, n −1‬‬ ‫‪1− , n −1‬‬
‫‪2‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬

‫مثال‪ :‬فرض کنید مدت زمان آمادهسازی یک دستگاه برای تولید از توزیع نرمال پیروی ميکند‪ .‬اگر نتایج حاصل از ‪ 12‬بار‬
‫اندازهگیری این زمان بر حسب دقیقه به صورت زیر باشد‪:‬‬

‫‪81, 82, 79, 87, 85, 79, 82, 71, 89, 83, 77, 86‬‬

‫یک برآورد فاصلهای ‪ 95‬درصدی برای انحراف معیار واقعي مدت زمان آمادهسازی این دستگاه به دست آورید‪.‬‬

‫‪9‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫پاسخ‪:‬‬

‫‪n‬‬

‫‪(X‬‬ ‫)‬
‫‪2‬‬
‫‪i‬‬ ‫‪−X‬‬
‫= ‪X = 81.75, S‬‬ ‫‪i =1‬‬
‫‪= 4.90,  0.025,12‬‬
‫‪2‬‬
‫‪−1 = 21.920,  0.975,12 −1 = 3.816‬‬
‫‪2‬‬

‫‪n −1‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪( n − 1) , S ( n − 1)  = S‬‬ ‫‪12 − 1‬‬ ‫‪12 − 1  ‬‬ ‫‪12 − 1‬‬ ‫‪12 − 1 ‬‬
‫‪S‬‬ ‫‪‬‬ ‫‪,S‬‬ ‫‪ =  4.90‬‬ ‫‪, 4.90‬‬ ‫‪ = 3.47,8.32‬‬
‫‪‬‬
‫‪‬‬‫‪2‬‬
‫‪   ‬‬
‫‪2‬‬
‫‪‬‬ ‫‪2‬‬
‫‪0.025,12 −1‬‬ ‫‪ 0.975,12−1  ‬‬
‫‪2‬‬
‫‪21.920‬‬ ‫‪3.816 ‬‬
‫‪, n −1‬‬ ‫‪1− , n −1‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪‬‬

‫همچنین فاصله اطمینان یک طرفه حد باالی ‪ 100(1 − 𝛼)%‬برای پارامتر مجهول ‪ 𝜎 2‬در جامعه نرمال به صورت زیر‬
‫است‪:‬‬

‫‪02 ‬‬
‫‪( n − 1) S 2‬‬ ‫‪ ( n − 1) S 2 ‬‬
‫‪or 0, 2‬‬ ‫‪‬‬
‫‪12− ,n −1‬‬ ‫‪ 1− ,n −1 ‬‬

‫همچنین فاصله اطمینان یک طرفه حد پایین ‪ 100(1 − 𝛼)%‬برای پارامتر مجهول ‪ 𝜎 2‬در جامعه نرمال به صورت زیر‬
‫است‪:‬‬

‫‪( n − 1) S 2   2‬‬ ‫‪ ( n − 1) S 2 ‬‬

‫‪or ‬‬ ‫‪,‬‬
‫‪2 ,n −1‬‬ ‫‪  ,n −1‬‬
‫‪2‬‬ ‫‪‬‬
‫‪‬‬

‫مثال‪ :‬براساس یک نمونه تصادفي سهتایي از یک جامعه با توزیع نرمال‪ ،‬یک فاصله اطمینان یک طرفه ‪95‬درصد با حدپایین‬
‫برای ‪ 𝜎 2‬تشكیل شده است‪ .‬اگر حد پایین فاصله اطمینان بر اساس نتایج نمونه‪ ،‬برابر با ‪ 3‬باشد‪ ،‬مقدار واریانس نمونه چقدر بوده‬
‫است؟‬

‫پاسخ‪:‬‬

‫‪( n − 1) S 2‬‬ ‫= ‪= 3→S 2‬‬

‫‪32 ,n −1‬‬
‫=‬
‫‪30.05,3‬‬
‫‪2‬‬
‫‪−1‬‬
‫=‬
‫)‪3 ( −2ln 0.05‬‬
‫‪= −3ln 0.05 = 8.99‬‬
‫‪ ,n −1‬‬
‫‪2‬‬
‫‪n −1‬‬ ‫‪3 −1‬‬ ‫‪2‬‬

‫نکته‪ :‬در عمل وقتي پارامتر 𝜎 در یک جامعه نرمال مجهول است‪ ،‬انتظار داریم 𝜇 نیز مجهول باشد‪ .‬اما اگر در مسئلهای پارامتر‬
‫𝜇 معلوم باشد‪ ،‬در یک نمونه تصادفي با اندازه 𝑛 از توزیع مربع کای با 𝑛 درجه آزادی (و نه ‪ )𝑛 − 1‬به صورت زیر استفاده‬
‫ميکنیم‪:‬‬

‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬

‫) ‪(X i − ‬‬ ‫) ‪(X i − ‬‬ ‫‪(X‬‬ ‫)‪− ‬‬

‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪i‬‬
‫' ‪nS‬‬
‫= ‪S '2‬‬ ‫‪i =1‬‬
‫→‬ ‫‪i =1‬‬
‫=‬ ‫‪~  n2  P (  2  ‬‬ ‫‪i =1‬‬
‫‪  2 ) = 1 − ‬‬
‫‪n‬‬ ‫‪‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪1− , n‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪,n‬‬

‫‪10‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫‪n‬‬ ‫‪n‬‬

‫) ‪(X i − ‬‬ ‫‪(X‬‬ ‫)‪− ‬‬

‫‪2‬‬ ‫‪2‬‬
‫‪i‬‬
‫‪nS '2‬‬ ‫‪nS '2‬‬
‫‪ P ( i =1‬‬ ‫‪2 ‬‬ ‫‪i =1‬‬
‫(‪) = P‬‬ ‫‪2 ‬‬ ‫‪) = 1−‬‬
‫‪ 2‬‬ ‫‪2 ‬‬ ‫‪ 2‬‬ ‫‪2 ‬‬
‫‪,n‬‬ ‫‪1− , n‬‬ ‫‪,n‬‬ ‫‪1− , n‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬

‫‪ -6‬فاصله اطمینان برای تفاوت میانگینهای دو جامعه نرمال – انحراف معیارها معلوم‬

‫فرض کنید متغیر تصادفي 𝑋 دارای توزیع نرمال با میانگین مجهول 𝑥𝜇 و واریانس ‪ 𝜎𝑥2‬باشد و ̅𝑋 و ‪ 𝑆𝑥2‬میانگین و واریانس یک‬
‫نمونه تصادفي با اندازه 𝑥𝑛 از آن باشد‪ .‬همچنین متغیر تصادفي 𝑌 دارای توزیع نرمال با میانگین مجهول 𝑦𝜇 و واریانس ‪ 𝜎𝑦2‬باشد و‬
‫̅𝑌 و ‪ 𝑆𝑦2‬میانگین و واریانس یک نمونه تصادفي با اندازه 𝑦𝑛 از آن باشد‪.‬‬

‫در این صورت یک فاصله اطمینان دو طرفه )𝛼 ‪ 100(1 −‬درصدی برای 𝑦𝜇 ‪ 𝜇𝑥 −‬به صورت زیر به دست ميآید‪:‬‬

‫‪‬‬ ‫) ‪X −Y − ( x −  y‬‬ ‫‪‬‬

‫) ‪X −Y − ( x −  y‬‬ ‫‪ −z  ‬‬ ‫‪z‬‬ ‫‪‬‬
‫‪Z →P 2‬‬ ‫‪ x2  y‬‬
‫‪2‬‬
‫‪2‬‬ ‫‪ = 1−‬‬
‫‪ x2‬‬ ‫‪ y2‬‬ ‫‪‬‬ ‫‪+‬‬ ‫‪‬‬
‫‪+‬‬ ‫‪‬‬ ‫‪nx n y‬‬ ‫‪‬‬
‫‪nx‬‬ ‫‪ny‬‬
‫‪‬‬ ‫‪ x2  y‬‬
‫‪2‬‬
‫‪ x2  y ‬‬
‫‪2‬‬
‫‪→ P  X −Y − z ‬‬ ‫‪+‬‬ ‫‪ x −  y  X −Y + z ‬‬ ‫‪+‬‬ ‫‪ = 1−‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪x‬‬ ‫‪y‬‬ ‫‪2‬‬ ‫‪x‬‬ ‫‪y ‬‬

‫بنابراین فاصله اطمینان دوطرفه ‪ 100(1 − 𝛼)%‬برای 𝑦𝜇 ‪ 𝜇𝑥 −‬در جامعه نرمال با واریانس معلوم به صورت زیر است‪:‬‬

‫‪‬‬ ‫‪ x2  y‬‬

‫‪2‬‬
‫‪ x2  y ‬‬
‫‪2‬‬
‫‪ x2  y‬‬
‫‪2‬‬
‫‪ X −Y − z ‬‬ ‫‪+‬‬ ‫‪, X −Y + z ‬‬ ‫‪+‬‬ ‫‪ or X −Y  z ‬‬ ‫‪+‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪nx n y‬‬ ‫‪2‬‬ ‫‪nx n y ‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪nx n y‬‬

‫در این صورت طول فاصله اطمینان برابر است با‪:‬‬

‫‪ x2‬‬ ‫‪ y2‬‬

‫‪U − L = 2z ‬‬ ‫‪+‬‬
‫‪2‬‬ ‫‪nx‬‬ ‫‪ny‬‬

‫حداکثر خطای برآورد نیز برابر است با‪:‬‬

‫‪ x2‬‬ ‫‪ y2‬‬

‫‪E =z‬‬ ‫‪+‬‬
‫‪2‬‬ ‫‪nx‬‬ ‫‪ny‬‬

‫همچنین فاصله اطمینان یک طرفه حد باالی ‪ 100(1 − 𝛼)%‬برای تفاوت میانگینهای دو جامعه نرمال به صورت زیر‬
‫است‪:‬‬

‫‪11‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫‪ 12‬‬ ‫‪ 22‬‬ ‫‪‬‬ ‫‪ 12  22 ‬‬

‫‪x −  y  X 1 − X 2 + z ‬‬ ‫‪+‬‬ ‫‪or  −, X 1 − X 2 + z ‬‬ ‫‪+‬‬ ‫‪‬‬
‫‪n1‬‬ ‫‪n2‬‬ ‫‪‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪‬‬
‫‪‬‬ ‫‪1‬‬ ‫‪2‬‬

‫همچنین فاصله اطمینان یک طرفه حد پایین ‪ 100(1 − 𝛼)%‬برای تفاوت میانگینهای دو جامعه نرمال به صورت زیر‬
‫است‪:‬‬

‫‪ 12‬‬ ‫‪ 22‬‬ ‫‪‬‬ ‫‪ 12  22 ‬‬

‫‪X 1 −X 2 −z‬‬ ‫‪+‬‬ ‫‪ x −  y or  X 1 − X 2 − z ‬‬ ‫‪+‬‬ ‫‪,‬‬
‫‪n1‬‬ ‫‪n2‬‬ ‫‪‬‬ ‫‪n1 n 2‬‬ ‫‪‬‬
‫‪‬‬

‫نکته‪ :‬چنانچه اندازه نمونهها زیاد باشد (‪ ،)𝑛𝑥 , 𝑛𝑦 ≥ 30‬با استفاده از قضیه حد مرکزی ميتوان این روش را برای برآورد‬
‫فاصلهای تفاوت میانگینهای دو جامعه غیرنرمال نیز استفاده نمود‪.‬‬

‫مثال‪ :‬یک فاصله اطمینان ‪ 94‬درصد برای تفاضل میانگین طول عمر واقعي دو نوع المپ روشنایي ارائه کنید‪ ،‬با این فرض که‬
‫نمونههای تصادفي ‪ 40‬و ‪ 50‬تایي از دو المپ روشنایي به طور متوسط و به ترتیب ‪ 418‬و ‪ 402‬ساعت در استفاده مستمر دوام‬
‫آوردهاند و انحراف معیار واقعي آنها به ترتیب برابر با ‪ 26‬و ‪ 22‬باشد‪.‬‬

‫پاسخ‪ :‬از آنجا که ‪ 𝑧𝛼 = 𝑧0.03 = 1.88‬داریم‪:‬‬

‫‪2‬‬

‫‪ 12‬‬ ‫‪ 22‬‬ ‫‪ 12‬‬ ‫‪ 22‬‬

‫‪X1 −X 2 −z‬‬ ‫‪+‬‬ ‫‪ 1 − 2  X 1 − X 2 + z ‬‬ ‫‪+‬‬
‫‪2‬‬ ‫‪n1‬‬ ‫‪n2‬‬ ‫‪2‬‬ ‫‪n1‬‬ ‫‪n2‬‬
‫‪262 222‬‬ ‫‪262 222‬‬
‫‪ 418 − 402 − 1.88‬‬ ‫‪+‬‬ ‫‪ 1 − 2  418 − 402 + 1.88‬‬ ‫‪+‬‬ ‫‪ 6.3  1 −  2  25.7‬‬
‫‪40 50‬‬ ‫‪40 50‬‬

‫مثال‪ :‬فرض کنید از دو جامعه نرمال مستقل دو نمونه با اندازه یكسان 𝑛 گرفته شده است‪ .‬واریانس جامعه اول برابر ‪ 9‬و واریانس‬
‫جامعه دوم برابر با ‪ 16‬است‪ .‬اندازه نمونه گرفته شده از دو جامعه چقدر باشد تا طول فاصله اطمینان دوطرفه ‪ 95‬درصد ایجاد شده‬
‫برای تفاوت میانگینهای این دو جامعه حداقل برابر با ‪ 2‬باشد‪.‬‬

‫پاسخ‪:‬‬

‫‪ 12‬‬ ‫‪ 22‬‬ ‫‪16 9‬‬ ‫‪25‬‬

‫‪L − U = 2z ‬‬ ‫‪+‬‬ ‫‪= 2 → 1.96‬‬ ‫‪+ = 1.96‬‬ ‫‪= 1 → n = ( 5 1.96 ) = 96.4  97‬‬
‫‪2‬‬

‫‪2‬‬ ‫‪n1‬‬ ‫‪n2‬‬ ‫‪n n‬‬ ‫‪n‬‬

‫نکته‪ :‬باید توجه داشت که در نمونه گیری از جوامع نرمال‪ ،‬اگر واریانس جوامع معلوم نباشد‪ ،‬ولي اندازه نمونهها زیاد باشد‪،‬‬
‫ميتوان با جایگزین کردن 𝑥𝑆 به جای 𝑥𝜎 و 𝑦𝑆 به جای 𝑦𝜎 از روش اخیر برای برآورد فاصلهای تفاوت میانگینهای دو جامعه‬
‫استفاده نمود‪.‬‬

‫‪12‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫‪ -7‬فاصله اطمینان برای تفاوت میانگینهای دو جامعه نرمال – انحراف معیارها نامعلوم ولي مساوی‬

‫فرض کنید متغیر تصادفي 𝑋 دارای توزیع نرمال با میانگین مجهول 𝑥𝜇 و واریانس مجهول ‪ 𝜎 2‬باشد و ̅𝑋 و ‪ 𝑆𝑥2‬میانگین و‬
‫واریانس یک نمونه تصادفي با اندازه 𝑥𝑛 از آن باشد‪ .‬همچنین متغیر تصادفي 𝑌 دارای توزیع نرمال با میانگین مجهول 𝑦𝜇 و واریانس‬
‫مجهول ‪ 𝜎 2‬باشد و ̅𝑌 و ‪ 𝑆𝑦2‬میانگین و واریانس یک نمونه تصادفي با اندازه 𝑦𝑛 از آن باشد‪ .‬در این صورت‪:‬‬

‫) ‪X −Y − ( x −  y‬‬ ‫‪(n x − 1)S x2 + (n y − 1)S y2‬‬

‫‪t nx + n y −2‬‬ ‫= ‪S‬‬
‫‪2‬‬

‫‪nx + n y − 2‬‬
‫‪p‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪Sp‬‬ ‫‪+‬‬
‫‪nx n y‬‬

‫در این صورت یک فاصله اطمینان دو طرفه )𝛼 ‪ 100(1 −‬درصدی برای 𝑦𝜇 ‪ 𝜇𝑥 −‬به صورت زیر به دست ميآید‪:‬‬

‫‪‬‬ ‫) ‪X −Y − ( x −  y‬‬ ‫‪‬‬

‫) ‪X −Y − ( x −  y‬‬ ‫‪ −t ‬‬ ‫‪‬‬ ‫‪ t‬‬ ‫‪‬‬
‫‪→ P  2 ,nx + n y − 2‬‬ ‫‪,n x + n y − 2 = 1 − ‬‬
‫‪t nx + n y −2‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪‬‬ ‫‪Sp‬‬ ‫‪+‬‬ ‫‪2‬‬
‫‪‬‬
‫‪Sp‬‬ ‫‪+‬‬ ‫‪nx n y‬‬
‫‪nx n y‬‬ ‫‪‬‬ ‫‪‬‬

‫‪‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1 ‬‬

‫‪→ P  X −Y − t ‬‬ ‫‪Sp‬‬ ‫‪+‬‬ ‫‪ x −  y  X −Y + t ‬‬ ‫‪Sp‬‬ ‫‪+‬‬ ‫‪ = 1 − ‬‬
‫‪‬‬ ‫‪,nx + n y −2‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪,n x + n y − 2‬‬ ‫‪n‬‬ ‫‪n‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪x‬‬ ‫‪y‬‬ ‫‪2‬‬ ‫‪x‬‬ ‫‪y‬‬ ‫‪‬‬

‫بنابراین فاصله اطمینان دوطرفه ‪ 100(1 − 𝛼)%‬برای 𝑦𝜇 ‪ 𝜇𝑥 −‬در جامعه نرمال با واریانس نامعلوم ولي مساوی به صورت‬
‫زیر است‪:‬‬

‫‪‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1 ‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪ X −Y − t ‬‬ ‫‪Sp‬‬ ‫‪+ , X −Y + t ‬‬ ‫‪Sp‬‬ ‫‪+‬‬ ‫‪ or X −Y  t ‬‬ ‫‪Sp‬‬ ‫‪+‬‬
‫‪‬‬ ‫‪2‬‬
‫‪,nx + n y −2‬‬ ‫‪nx n y‬‬ ‫‪2‬‬
‫‪,n x + n y − 2‬‬ ‫‪n x n y ‬‬ ‫‪2‬‬
‫‪,n x + n y − 2‬‬ ‫‪nx n y‬‬

‫در این صورت طول فاصله اطمینان برابر است با‪:‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪U − L = 2t ‬‬ ‫‪Sp‬‬ ‫‪+‬‬
‫‪,nx + n y −2‬‬ ‫‪nx n y‬‬
‫‪2‬‬

‫حداکثر خطای برآورد نیز برابر است با‪:‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪E = t‬‬ ‫‪Sp‬‬ ‫‪+‬‬
‫‪,nx + n y −2‬‬ ‫‪nx n y‬‬
‫‪2‬‬

‫همچنین فاصله اطمینان یک طرفه حد باالی ‪ 100(1 − 𝛼)%‬برای تفاوت میانگینهای دو جامعه نرمال به صورت زیر‬
‫است‪:‬‬

‫‪13‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫‪1‬‬ ‫‪1‬‬ ‫‪‬‬ ‫‪1‬‬ ‫‪1 ‬‬

‫‪x −  y  X −Y + t  ,n‬‬ ‫‪Sp‬‬ ‫‪+‬‬ ‫‪or  −, X −Y + t  ,n x + n y − 2S p‬‬ ‫‪+‬‬ ‫‪‬‬
‫‪x +n y −2‬‬
‫‪nx n y‬‬ ‫‪‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪‬‬
‫‪‬‬ ‫‪x‬‬ ‫‪y‬‬

‫همچنین فاصله اطمینان یک طرفه حد پایین ‪ 100(1 − 𝛼)%‬برای تفاوت میانگینهای دو جامعه نرمال به صورت زیر‬
‫است‪:‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪‬‬

‫‪X −Y − t  ,n x + n y − 2S p‬‬ ‫‪+‬‬ ‫‪ x −  y or  X −Y − t  ,n x + n y − 2S p‬‬ ‫‪+ ,‬‬
‫‪nx n y‬‬ ‫‪‬‬ ‫‪nx n y‬‬ ‫‪‬‬
‫‪‬‬

‫مثال‪ :‬فرض کنید میزان برد دو نوع موشک از توزیع نرمال با واریانسهای یكسان پیروی ميکند‪ .‬میانگین و واریانس یک‬
‫نمونه تصادفي ‪ 9‬تایي از موشک اول برابر با ‪ 2050‬و ‪ 50‬و میانگین و واریانس یک نمونه تصادفي ‪ 11‬تایي از موشک دوم برابر با‬
‫‪ 1950‬و ‪ 70‬است‪ .‬یک فاصله اطمینان دو طرفه ‪95‬درصدی برای تفاوت میانگینهای واقعي این دو نوع موشک بیابید‪.‬‬

‫پاسخ‪:‬‬

‫‪X = 2050, S x2 = 50,Y = 1950, S y2 = 70, t ‬‬ ‫‪= t 0.025,18 = 2.10‬‬

‫‪,nx + n y −2‬‬
‫‪2‬‬

‫‪(n x − 1)S x2 + (n y − 1)S y2‬‬ ‫‪8  50 + 10  70‬‬

‫= ‪Sp‬‬ ‫=‬ ‫‪= 7.82‬‬
‫‪nx + n y − 2‬‬ ‫‪18‬‬

‫در نتیجه فاصله اطمینان ‪95‬درصد به صورت زیر خواهد شد‪:‬‬

‫‪‬‬ ‫‪1 1‬‬ ‫‪1 1‬‬

‫‪ 2050 − 1950 − 2.10  7.82 + , 2050 − 1950 + 2.10  7.82 +  = 92.62,107.38‬‬
‫‪‬‬ ‫‪9 11‬‬ ‫‪9 11 ‬‬

‫مثال‪ :‬برای مقایسه محتوای نیكوتین دو نوع سیگار‪ ،‬نمونههای ‪10‬تایي و ‪8‬تایي از دو نوع سیگار گرفته شده است‪ .‬میانگین و‬
‫انحراف معیار محتوای نیكوتین این دو نوع سیگار به صورت زیر است‪:‬‬

‫‪X 1 = 3.1, S 1 = 0.5, X 2 = 2.7, S 2 = 0.7‬‬

‫اگر محتوای نیكوتین سیگارها از توزیع نرمال با واریانسهای برابر پیروی کنند‪ ،‬یک فاصله اطمینان ‪ 95‬درصد دو طرفه برای‬
‫تفاوت میانگین واقعي محتوای نیكوتین دو نوع سیگار بیابید‪.‬‬

‫پاسخ‪:‬‬

‫‪9  0.25 + 7  0.49‬‬

‫= ‪Sp‬‬ ‫‪= 0.596‬‬
‫‪16‬‬

‫‪14‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫‪1 1‬‬ ‫‪1 1‬‬

‫‪3.1 − 2.7 − 2.12  0.596‬‬ ‫‪+  1 − 2  3.1 − 2.7 + 2.12  0.596‬‬ ‫‪+ → −0.2  1 − 2  1‬‬
‫‪10 8‬‬ ‫‪10 8‬‬

‫‪ -8‬فاصله اطمینان برای نسبت واریانسهای دو توزیع نرمال‬

‫فرض کنید متغیر تصادفي 𝑋 دارای توزیع نرمال با واریانس مجهول ‪ 𝜎𝑥2‬باشد و ‪ 𝑆𝑥2‬واریانس یک نمونه تصادفي با اندازه 𝑥𝑛‬

‫از آن باشد‪ .‬همچنین متغیر تصادفي 𝑌 دارای توزیع نرمال با میانگین واریانس مجهول ‪ 𝜎𝑦2‬باشد و ‪ 𝑆𝑦2‬واریانس یک نمونه تصادفي‬
‫با اندازه 𝑦𝑛 از آن باشد‪ .‬در این صورت‪:‬‬

‫‪S y2  x2‬‬ ‫‪‬‬ ‫‪S y2  x2‬‬ ‫‪‬‬

‫‪Fn y −1,nx −1  P  F ‬‬ ‫‪ 2 2  F‬‬
‫‪ 1− ,n y −1,nx −1 S ‬‬ ‫‪ = 1−‬‬
‫‪S x2  y2‬‬ ‫‪, n y −1, n x −1 ‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪x‬‬ ‫‪y‬‬ ‫‪2‬‬ ‫‪‬‬
‫‪ S x2‬‬ ‫‪ x2 S x2‬‬ ‫‪‬‬
‫‪P 2 F ‬‬ ‫‪ 2  2 F‬‬ ‫‪ = 1−‬‬
‫‪Sy‬‬
‫‪1− , n y −1, n x −1‬‬
‫‪2‬‬ ‫‪ y S y 2 ,n y −1,nx −1 ‬‬

‫در این صورت فاصله اطمینان دو طرفه ‪ 100(1 − 𝛼)%‬برای نسبت واریانسهای دو جامعه به صورت زیر به دست ميآید‪:‬‬

‫‪‬‬ ‫‪S x2‬‬ ‫‪S x2‬‬ ‫‪‬‬

‫‪ L = 2 F1−  ,n −1,n −1 ,U = 2 F ,n −1,n −1 ‬‬
‫‪‬‬ ‫‪Sy‬‬ ‫‪2‬‬
‫‪y‬‬ ‫‪x‬‬ ‫‪S y 2 y x ‬‬

‫اما از آنجایي که معموال ‪ 𝐹1−𝛼,𝑛𝑦−1,𝑛𝑥−1‬در جدول توزیع ‪ F‬وجود ندارد‪ ،‬فاصله اطمینان ‪ 100(1 − 𝛼)%‬برای نسبت‬
‫‪2‬‬

‫واریانسهای دو جامعه به صورت زیر نیز قابل محاسبه است‪:‬‬

‫‪‬‬ ‫‪2 ‬‬ ‫‪1‬‬ ‫‪‬‬ ‫‪S2‬‬ ‫‪‬‬

‫‪ L = S x2  F‬‬ ‫‪ ,U = x2 F‬‬ ‫‪‬‬
‫‪‬‬ ‫‪S y   ,nx −1,n y −1 ‬‬ ‫‪S y 2 ,n y −1,nx −1 ‬‬
‫‪‬‬ ‫‪ 2‬‬ ‫‪‬‬ ‫‪‬‬

‫همچنین فاصله اطمینان یک طرفه حد باالی ‪ 100(1 − 𝛼)%‬برای نسبت واریانسهای دو جامعه نرمال به صورت زیر‬
‫است‪:‬‬

‫‪ x2‬‬ ‫‪S x2‬‬ ‫‪‬‬ ‫‪S x2 ‬‬

‫‪ F ,n‬‬ ‫‪y −1, n x −1‬‬
‫‪or  0, F ,n y −1,n x −1 2 ‬‬
‫‪ y2‬‬ ‫‪S y2‬‬ ‫‪‬‬ ‫‪S y ‬‬

‫و فاصله اطمینان یک طرفه حد پایین ‪ 100(1 − 𝛼)%‬برای نسبت واریانسهای دو جامعه نرمال به صورت زیر است‪:‬‬

‫‪S x2 ‬‬ ‫‪1‬‬ ‫‪  x2‬‬ ‫‪S 2‬‬ ‫‪1‬‬ ‫‪‬‬

‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪or‬‬ ‫‪‬‬ ‫‪x‬‬
‫‪,‬‬ ‫‪‬‬ ‫‪‬‬
‫‪S y2  F ,nx −1,n y −1   y2‬‬ ‫‪ S y F ,nx −1,n y −1 ‬‬
‫‪2‬‬

‫‪15‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫مثال‪ :‬فرض کنید میزان برد دو نوع موشک از توزیع نرمال پیروی ميکند‪ .‬میانگین و واریانس یک نمونه تصادفي ‪ 9‬تایي از‬
‫موشک اول برابر با ‪ 2050‬و ‪ 50‬و میانگین و واریانس یک نمونه تصادفي ‪ 11‬تایي از موشک دوم برابر با ‪ 1950‬و ‪ 70‬است‪ .‬یک‬
‫فاصله اطمینان دو طرفه ‪95‬درصدی برای نسبت واریانسهای برد دو نوع موشک بیابید‪.‬‬

‫پاسخ‪:‬‬

‫‪50  1   x2 50‬‬ ‫‪ x2‬‬

‫→ ‪F0.025,9−1,11−1 = 3.07, F0.025,11−1,9−1 = 3.35‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪3.35‬‬ ‫‪‬‬ ‫‪0.233‬‬ ‫‪‬‬ ‫‪ 2.39‬‬
‫‪70  3.07   y2 70‬‬ ‫‪ y2‬‬

‫‪ -9‬فواصل اطمینان تقریبي‬

‫‪ -1-9‬فاصله اطمینان برای پارامتر 𝒑 در توزیع برنولي‬

‫در بسیاری مواقع عالقهمندیم که پارامتر 𝑝 در یک توزیع برنولي را برآورد نماییم‪ .‬این پارامتر عموما نشان دهنده نسبتها‪،‬‬
‫احتمالها‪ ،‬درصدها و یا نرخها است‪ .‬مثال‪:‬‬

‫• نسبت اقالم معیوب در یک خط تولید‬

‫• نسبت افرادی که در یک جامعه بزرگ به یک کاندیدا رأی دادهاند‬

‫ميدانیم ̅𝑋 برآوردگر نااریب پارامتر 𝑝 در توزیع برنولي است‪ .‬اما برای برآورد فاصلهای پارامتر 𝑝 در صورتي که اندازه نمونه‬
‫زیاد باشد با استفاده از قضیه حدمرکزی داریم‪:‬‬

‫‪‬‬ ‫‪X −p‬‬ ‫‪‬‬

‫‪X −p‬‬ ‫‪−z ‬‬ ‫‪z ‬‬
‫‪lim‬‬ ‫‪Z  P  2‬‬ ‫) ‪p (1 − p‬‬ ‫‪2 ‬‬
‫‪ 1−‬‬
‫‪n →‬‬
‫) ‪p (1 − p‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪‬‬
‫‪n‬‬
‫‪‬‬ ‫) ‪p (1 − p‬‬ ‫‪p (1 − p ) ‬‬
‫‪ p X −z ‬‬
‫‪‬‬ ‫‪ p X +z‬‬ ‫‪  1 − ‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪n‬‬ ‫‪‬‬

‫همانطور که مشاهده ميشود‪ ،‬حدود باال و پایین به پارامتر مجهول وابسته هستند‪ .‬یک راه ساده این است که در حدود باال و‬
‫پایین‪ ،‬به جای 𝑝 از برآورد نقطهای آن یعني ̅𝑋 = ̂𝑝 استفاده کرد‪ .‬چرا که ̂𝑝 در حد به 𝑝 میل ميکند‪ .‬این کار باعث ميشود‬
‫برآورد با دقت کمتری انجام شود‪ .‬اما اگر اندازه نمونه باال باشد‪ ،‬دقت برآورد تغییر چنداني نميکند‪ .‬در نهایت فاصله اطمینان به‬
‫صورت زیر خواهد شد‪:‬‬

‫‪X (1 − X‬‬ ‫‪)  p X‬‬ ‫‪X (1 − X‬‬ ‫)‬

‫‪X −z‬‬ ‫‪+z‬‬
‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪n‬‬

‫‪16‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫نکته‪ :‬اگر برآوردی از 𝑝 از دادههای گذشته موجود باشد از آن در حدود باال و پایین استفاده میشود‪.‬‬

‫مثال‪ :‬در یک نمونه تصادفي ‪ 200‬تایي از قطعات یک خط تولید‪ ،‬تعداد ‪ 46‬عدد از آنها معیوب بودهاند‪ .‬یک فاصله اطمینان‬
‫‪ 95٪‬برای درصد اقالم معیوب این خط تولید به دست آورید‪.‬‬

‫پاسخ‪:‬‬

‫‪46‬‬ ‫)‪0.23(1 − 0.23‬‬ ‫)‪0.23(1 − 0.23‬‬

‫= ‪X‬‬ ‫‪= 0.23  0.23 − 1.96‬‬ ‫‪ p  0.23 + 1.96‬‬ ‫‪ 0.172  p  0.289‬‬
‫‪200‬‬ ‫‪200‬‬ ‫‪200‬‬

‫مثال‪ :‬قرار است نسبت افرادی از یک منطقه که به یک کاندیدای خاص رأی ميدهند برآورد شود‪ .‬اگر بخواهیم ‪95‬درصد‬
‫اطمینان داشته باشیم که خطای برآورد حداکثر ‪ 0.05‬است‪ ،‬حداقل از چند نفر باید سوال شود؟‬

‫پاسخ‪:‬‬

‫‪X (1 − X‬‬ ‫‪) = 0.05‬‬

‫‪E =z‬‬
‫‪2‬‬ ‫‪n‬‬

‫‪1‬‬
‫مشخص است که طول فاصله اطمینان بستگي به مقدار ̅𝑋 دارد‪ .‬اما زماني )̅𝑋 ‪ 𝑋̅(1 −‬حداکثر ميشود که ‪ 𝑋̅ = 2‬شود‪ ،‬با قرار‬
‫‪1‬‬
‫دادن ‪ 𝑋̅ = 2‬حداکثر خطا به ازای یک مقدار ثابت 𝑛 به دست ميآید‪.‬‬

‫‪1 1‬‬ ‫‪2‬‬

‫‪ z‬‬ ‫‪‬‬
‫‪X (1 − X‬‬ ‫‪) →E =z‬‬ ‫‪‬‬
‫‪2 2 →n = 2‬‬
‫‪2‬‬
‫‪ → n =  1.96   385‬‬
‫‪E =z‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪ 2E‬‬ ‫‪‬‬ ‫‪ 2  0.05 ‬‬
‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬

‫‪ -2-9‬فاصله اطمینان برای تفاوت نسبت در دو جامعه‬

‫گاهي عالقهمندیم که تفاوت احتمال موفقیت (𝑝) در دو توزیع برنولي مستقل را برآورد کنیم‪ .‬تفاوت نسبت اقالم معیوب در‬
‫دو خط تولید مختلف یک نمونه از آن است‪.‬‬

‫حال فرض کنید متغیر تصادفي 𝑋 دارای توزیع برنولي با پارامتر 𝑥𝑝 و متغیر تصادفي 𝑌 دارای توزیع برنولي با پارامتر 𝑦𝑝 باشد‪.‬‬
‫اگر ̅𝑋 = 𝑥̂𝑝 نسبت موفقیت در یک نمونه تصادفي با اندازه 𝑥𝑛 و اگر ̅𝑌 = 𝑦̂𝑝 نسبت موفقیت در یک نمونه تصادفي با اندازه‬
‫𝑦𝑛 باشد و 𝑦𝑛 ‪ 𝑛𝑥 ,‬بزرگ باشند‪ ،‬داریم‪:‬‬

‫) ‪X −Y − ( p x − p y‬‬
‫‪Z‬‬
‫) ‪p x (1 − p x‬‬ ‫) ‪p y (1 − p y‬‬
‫‪+‬‬
‫‪nx‬‬ ‫‪ny‬‬

‫‪17‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫‪‬‬ ‫) ‪p x (1 − p x ) p y (1 − p y‬‬ ‫‪p x (1 − p x ) p y (1 − p y ) ‬‬

‫‪ P  X −Y − z ‬‬ ‫‪+‬‬ ‫‪ p x − p y  X −Y + z ‬‬ ‫‪+‬‬ ‫‪ 1−‬‬
‫‪‬‬ ‫‪nx‬‬ ‫‪ny‬‬ ‫‪nx‬‬ ‫‪ny‬‬ ‫‪‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪‬‬

‫از آنجایي که فاصله اطمینان به دست آمده بر حسب 𝑥𝑝 و 𝑦𝑝 است‪ ،‬با جایگذاری ̅𝑋 = 𝑥̂𝑝 به جای 𝑥𝑝 و ̅𝑌 = 𝑦̂𝑝 به جای‬
‫𝑦𝑝 فاصله اطمینان تقریبي با اطمینان کمتری به صورت زیر حاصل ميشود‪:‬‬

‫‪X (1 − X‬‬ ‫‪) + Y (1 −Y )  p‬‬ ‫‪X (1 − X‬‬ ‫) ‪) + Y (1 −Y‬‬

‫‪X −Y − z ‬‬ ‫‪x‬‬ ‫‪− p y  X −Y + z ‬‬
‫‪2‬‬ ‫‪nx‬‬ ‫‪ny‬‬ ‫‪2‬‬ ‫‪nx‬‬ ‫‪ny‬‬

‫که به صورت زیر نیز قابل نمایش است‪:‬‬

‫‪X (1 − X‬‬ ‫) ‪) + Y (1 −Y‬‬

‫‪X −Y  z ‬‬
‫‪2‬‬ ‫‪nx‬‬ ‫‪ny‬‬

‫مثال‪ :‬در مورد تأسیس یک نیروگاه در یک منطقه‪ ،‬از مردم شهر و حومه آن نظرخواهي شده است‪ .‬از ‪ 100‬نفری که در شهر از‬
‫آنها سوال شده است‪ 16 ،‬نفر و از ‪ 50‬نفری که در حومه از آنها سوال شده است‪ 6 ،‬نفر با تاسیس نیروگاه مخالف بودهاند‪ .‬یک‬
‫فاصله اطمینان ‪ 90‬درصد برای تفاوت بین نسبت مخالفین در دو جامعه بیابید‪.‬‬

‫پاسخ‪:‬‬

‫‪16‬‬ ‫‪6‬‬
‫= ‪pˆ x = X‬‬ ‫‪, pˆ y =Y = ,  = 0.1  z  = z 0.05 = 1.645‬‬
‫‪100‬‬ ‫‪50‬‬ ‫‪2‬‬

‫بنابراین فاصله اطمینان برای 𝑦𝑝 ‪ 𝑝𝑥 −‬برابر است با‪:‬‬

‫‪0.16  0.84 0.12  0.88‬‬

‫‪0.16 − 0.12  1.645‬‬ ‫‪+‬‬ ‫‪= 0.04  0.096 =  −0.057, 0.137‬‬
‫‪100‬‬ ‫‪50‬‬

‫‪ -3-9‬فاصله اطمینان برای 𝝀 در توزیع پواسون‬

‫ميدانیم که برآورد کننده نااریب پارامتر 𝜆 در توزیع پواسون ̅𝑋 است‪ .‬اما برای یافتن برآورد فاصلهای با استفاده از قضیه حد‬
‫مرکزی داریم‪:‬‬

‫‪‬‬ ‫‪X −‬‬ ‫‪‬‬

‫‪X −‬‬ ‫‪X −‬‬ ‫‪‬‬ ‫‪−z  ‬‬ ‫‪z‬‬ ‫‪  1−‬‬
‫‪lim‬‬ ‫‪= lim‬‬ ‫‪Z P‬‬ ‫‪‬‬
‫‪n →‬‬
‫) ‪V ar (X‬‬ ‫‪n →‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪‬‬
‫‪n‬‬

‫‪18‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫‪‬‬ ‫‪‬‬ ‫‪‬‬

‫‪ p X −z ‬‬ ‫‪ X +z‬‬ ‫‪  1−‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪n‬‬

‫حدود باال و پایین به 𝜆 وابسته هستند‪ .‬بنابراین در حدود باال و پایین‪ ،‬به جای 𝜆 از برآورد نقطهای آن یعني ̅𝑋 = ̂𝜆 استفاده‬
‫ميشود‪ .‬درنهایت فاصله اطمینان به صورت زیر خواهد شد‪:‬‬

‫‪X‬‬ ‫‪X‬‬
‫‪X −z‬‬ ‫‪ X +z‬‬
‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪n‬‬

‫‪ -4-9‬فاصله اطمینان برای میانگین توزیع نمایي‬

‫اگر میانگین توزیع نمایي را 𝜃 درنظر بگیریم‪ ،‬برای یافتن برآورد فاصلهای آن با استفاده از قضیه حد مرکزی داریم‪:‬‬

‫‪X −‬‬ ‫‪X −‬‬ ‫‪X −‬‬

‫‪lim‬‬ ‫‪= lim‬‬ ‫‪= lim‬‬ ‫‪Z‬‬
‫‪n →‬‬
‫) ‪V ar (X‬‬ ‫‪n →‬‬
‫‪2‬‬ ‫‪n →‬‬ ‫‪‬‬
‫‪n‬‬ ‫‪n‬‬
‫‪‬‬ ‫‪X −‬‬ ‫‪‬‬ ‫‪ z‬‬ ‫‪z‬‬ ‫‪‬‬
‫‪‬‬ ‫‪−z  ‬‬ ‫‪z‬‬ ‫‪  1−  P ‬‬ ‫‪X −‬‬
‫‪P‬‬ ‫‪‬‬ ‫‪  1−‬‬
‫‪−‬‬ ‫‪‬‬ ‫‪ 2‬‬
‫‪2‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪n‬‬ ‫‪‬‬

‫برای اینكه حدود باال و پایین فاصله اطمینان به پارامتر مجهول وابسته نباشند‪ ،‬داریم‪:‬‬

‫‪ z‬‬ ‫‪z ‬‬ ‫‪ z‬‬ ‫‪z ‬‬ ‫‪ z‬‬ ‫‪z ‬‬
‫‪ P  − 2  X −   2  = p  − 2  X − 1  2  = p 1 − 2  X‬‬ ‫‪ 1 + 2   1 − ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪n ‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪n ‬‬ ‫‪n‬‬
‫‪ 1‬‬ ‫‪‬‬ ‫‪1 ‬‬ ‫‪ X‬‬ ‫‪X‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬
‫‪z‬‬ ‫‪z‬‬ ‫‪ 1−  p ‬‬ ‫‪  1− ‬‬
‫‪ p‬‬ ‫‪‬‬ ‫‪X‬‬ ‫‪‬‬ ‫‪z‬‬ ‫‪z‬‬
‫‪‬‬ ‫‪‬‬

‫‪ 1+‬‬ ‫‪1− 2 ‬‬ ‫‪ 1+ 2‬‬ ‫‪1− 2‬‬ ‫‪‬‬

‫‪2‬‬

‫‪‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪‬‬

‫درنهایت فاصله اطمینان به صورت زیر خواهد شد‪:‬‬

‫‪X‬‬ ‫‪X‬‬
‫‪ ‬‬
‫‪z‬‬ ‫‪z‬‬
‫‪1+ 2‬‬ ‫‪1− 2‬‬
‫‪n‬‬ ‫‪n‬‬

‫‪ -5-9‬استفاده از برآوردگر روش ‪MLE‬‬

‫قبال توضیح داده شده است که برآوردگر روش ‪ MLE‬برای پارامتر 𝜃 از هر توزیع‪ ،‬زماني که اندازه نمونه (𝑛) بزرگ باشد‪،‬‬
‫به گونهای است که متغیر تصادفي ̂𝜃 دارای توزیع نرمال با میانگین 𝜃 و واریانسي برابر با حد پایین کرامر‪-‬رائو ( ‪ )𝜎𝑏2‬است‪ .‬در این‬

‫‪19‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫صورت برای یافتن فاصله اطمینان تقریبي برای پارامتر 𝜃 داریم‪:‬‬

‫‪‬‬ ‫‪ˆ − ‬‬ ‫‪‬‬ ‫ˆ‬ ‫ˆ‬

‫‪P  −z  ‬‬ ‫‪ z    P   − z   b     + z   b  = 1 −   ˆ − z   b    ˆ + z   b or ˆ  z   b‬‬
‫‪ 2‬‬ ‫‪b‬‬ ‫‪2 ‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬

‫‪ -10‬فواصل اطمینان همزمان‬

‫‪ -1-10‬فواصل اطمینان همزمان مستقل‬

‫گاهي الزم است برای چندین پارامتر به صورت همزمان برآورد صورت گیرد‪ .‬مثال فرض کنید دو فرآیند مستقل در یک‬
‫کارخانه انجام ميشود‪ .‬یک فاصله ‪ 100(1 − 𝛼1 )%‬برای میانگین فرآیند اول و یک فاصله ‪ 100(1 − 𝛼2 )%‬برای میانگین‬
‫فرآیند دوم وجود دارد‪ .‬احتمال اینكه هر دو فاصله اطمینان شامل پارامترهای خود باشند برابر است با‪:‬‬

‫) ‪1 − T = (1 − 1 )(1 −  2‬‬

‫در حالت کلي نیز اگر 𝑘 فاصله اطمینان مستقل داشته باشیم که ضریب اطمینان هرکدام از آنها ‪ 100(1 − 𝛼𝑖 )%‬باشد‪ ،‬احتمال‬
‫صحت توأم تمام فواصل اطمینان یا ضریب اطمینان کل به صورت زیر به دست ميآید‪:‬‬

‫‪k‬‬
‫) ‪1 − T =  (1 −  i‬‬
‫‪i =1‬‬

‫نکته‪ :‬اگر ضریب اطمینان کل یا 𝑇𝛼 ‪ 1 −‬توسط مهندس فرآیند قبال مشخص شده باشد و ضریب اطمینان هر یک از فرآیندها‬
‫مورد سوال بود‪ ،‬در صورت برابر بودن ضریب اطمینان همه فرآیندها داریم‪:‬‬

‫‪k‬‬
‫‪1 − T =  (1 −  i ) = (1 −  i )  1 −  i = k 1 − T‬‬
‫‪k‬‬

‫‪i =1‬‬

‫مثال‪ :‬فرض کنید برای سه فاصله اطمینان مستقل‪ ،‬ضریب اطمینان کل ‪ 95‬درصد تعیین شده است‪ .‬در این صورت باید ضریب‬
‫اطمینان هر کدام از فواصل را چه میزان در نظر گرفت؟‬

‫پاسخ‪:‬‬

‫‪1 − i = k 1 − T  1 − i = 3 .95 = 0.9830‬‬

‫‪ -2-10‬فواصل اطمینان همزمان وابسته‬

‫گاهي اوقات فواصل اطمینان همزمان به همدیگر وابسته هستند‪ .‬مثال فرض کنید در یک فرآیند نرمال‪ ،‬باید پارامترهای 𝜇 و ‪𝜎 2‬‬

‫به صورت توأم تحت کنترل باشند‪ .‬فواصل اطمینان ‪ 100(1 − 𝛼𝑖 )%‬برای 𝜇 و ‪ 𝜎 2‬به صورت زیر است‪:‬‬

‫‪20‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫‪X − t 1‬‬
‫‪S‬‬
‫‪   X + t 1‬‬
‫‪S‬‬ ‫‪( n − 1) S 2   2  ( n − 1) S 2‬‬
‫‪2‬‬
‫‪, n −1‬‬ ‫‪n‬‬ ‫‪2‬‬
‫‪, n −1‬‬ ‫‪n‬‬ ‫‪ 2‬‬ ‫‪2 ‬‬
‫‪2‬‬
‫‪, n −1‬‬ ‫‪1−‬‬ ‫‪2‬‬
‫‪, n −1‬‬
‫‪2‬‬ ‫‪2‬‬

‫اما این دو فاصله اطمینان شامل متغیر مشترک 𝑆 هستند‪ .‬بنابراین نميتوان آنها را مستقل در نظر گرفت‪ .‬در این شرایط برای‬
‫محاسبه ضریب اطمینان کل از نامساوی بونفروني استفاده ميشود‪:‬‬

‫‪P (A1‬‬ ‫‪A2‬‬ ‫)‪... A k )  P (A1 ) + P (A1 ) + ... + P (A k ) − (k − 1‬‬

‫بنابراین مقدار ضریب اطمینان کل به صورت زیر محاسبه ميشود‪:‬‬

‫‪k‬‬
‫‪1 − T  1 − 1 + 1 −  2 + ... + 1 −  k − ( k − 1) = 1 −   i‬‬
‫‪i =1‬‬

‫بدان معني که اگر ضریب اطمینان هر یک از 𝑘 فاصله اطمینان برابر با ‪ 100(1 − 𝛼𝑖 )%‬باشد‪ ،‬آنگاه ضریب اطمینان کل‬
‫حداقل برابر با 𝑖𝛼 ‪ 1 − ∑𝑘𝑖=1‬خواهد بود‪.‬‬

‫نکته‪ :‬اگر ضریب اطمینان کل یا 𝑇𝛼 ‪ 1 −‬توسط مهندس فرآیند قبال مشخص شده باشد‪ ،‬در صورت برابر بودن ضریب اطمینان‬
‫همه فرآیندها داریم‪:‬‬

‫‪k‬‬
‫‪T‬‬ ‫‪T‬‬
‫‪1 − T  1 −   i = 1 − k  i  1 −  i  1 −‬‬ ‫‪ 1 − i  1 −‬‬
‫‪i =1‬‬ ‫‪k‬‬ ‫‪k‬‬

‫𝛼‬
‫یعني اگر ضریب اطمینان هریک برابر با 𝑘 ‪ 1 −‬باشد‪ ،‬ضریب اطمینان کل حداقل برابر 𝛼 ‪ 1 −‬است‪.‬‬

‫مثال‪ :‬فرض کنید سه جامعه نرمال با واریانسهای مشترک و میانگینهای به ترتیب 𝑧𝜇 ‪ 𝜇𝑥 , 𝜇𝑦 ,‬وجود دارد‪.‬اگر بخواهیم سه‬
‫فاصله اطمینان توأم با ضرایب یكسان برای 𝑦𝜇 ‪ ،𝜇𝑦 − 𝜇𝑧 ،𝜇𝑥 −‬و 𝑥𝜇 ‪ 𝜇𝑧 −‬طوری بسازیم که ضریب اطمینان کل ‪95‬درصد‬
‫شود‪ ،‬ضریب اطمینان هر یک از فواصل باید چقدر باشد؟‬

‫پاسخ‪ :‬فواصل اطمینان به هم وابسته هستند‪( .‬چرا؟) بنابراین داریم‪:‬‬

‫‪T‬‬ ‫‪1 − 0.95‬‬

‫‪1 − i = 1 −‬‬ ‫‪= 1−‬‬ ‫‪= 0.9833‬‬
‫‪k‬‬ ‫‪3‬‬

‫بدین معني که اگر ضریب اطمینان اطمینان تکتک فواصل اطمینان برابر با ‪ ٪98.33‬باشد‪ ،‬فاصله اطمینان توأم حداقل برابر با‬
‫‪ 95٪‬ميشود‪.‬‬

‫‪21‬‬
 ‫آمار مهندسي‪ ،‬خسروشاهي‬ ‫دانشگاه صنعتي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬

‫‪ -11‬نمونه مسائل مربوط به برآورد فاصلهای‬

‫مثال ‪ :1‬یک نمونه تصادفي به اندازه ‪ 36‬از توزیع نرمال با میانگین مجهول 𝜇 و واریانس ‪ 4‬انتخاب ميشود‪ .‬احتمال اینكه فاصله‬
‫‪ 𝑋̅ ± 0.653‬شامل پارامتر 𝜇 شود چقدر است؟‬

‫پاسخ‪ :‬فاصله اطمینان برای میانگین توزیع نرمال با واریانس معلوم به صورت زیر است‪:‬‬

‫‪‬‬
‫‪X z‬‬
‫‪2‬‬ ‫‪n‬‬

‫بنابراین داریم‪:‬‬

‫‪‬‬ ‫‪4‬‬ ‫‪‬‬

‫‪z‬‬ ‫‪= 0.653 → z ‬‬ ‫‪= 0.653 → z  = 1.96 → = 0.025 → 1 −  = 0.95‬‬
‫‪2‬‬ ‫‪n‬‬ ‫‪2‬‬ ‫‪36‬‬ ‫‪2‬‬ ‫‪2‬‬

‫پس احتمال اینكه فاصله اطمینان ‪ 𝑋̅ ± 0.653‬شامل پارامتر 𝜇 شود ‪ 0.95‬است‪ .‬به عبارت دیگر ضریب اطمینان این فاصله‬
‫اطمینان ‪ 95%‬است‪.‬‬

‫مثال ‪ :2‬اگر ‪ 𝑋1 , 𝑋2‬یک نمونه تصادفي از یک توزیع یكنواخت در فاصله ]𝜃 ‪ [0,‬باشد‪ ،‬مقدار ‪ k‬چقدر باشد تا بازه ≤ ‪0‬‬

‫) ‪ 𝜃 ≤ 𝑘(𝑋1 + 𝑋2‬یک فاصله اطمینان ‪ 95%‬برای 𝜃 باشد؟‬

‫پاسخ‪ :‬در مورد فاصله اطمینان داریم‪:‬‬

‫‪‬‬ ‫‪‬‬
‫‪P 0    k ( X 1 + X 2 ) = 1 −   P   X 1 + X 2  = 1 −   P  X 1 + X 2 ‬‬ ‫‪ =‬‬
‫‪‬‬
‫‪k‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪k‬‬ ‫‪‬‬

‫همانطور که ميدانیم اگر تابع چگالي در یک ناحیه یكنواخت باشد‪ ،‬احتمال یک بخش آن برابر با مساحت آن بخش به مساحت‬
‫کل است‪ .‬پس‪:‬‬

‫‪‬‬ ‫‪‬‬
‫‪P 0    k ( X 1 + X 2 ) = 1 −   P   X 1 + X 2  = 1 −   P  X 1 + X 2   = ‬‬
‫‪k‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪k ‬‬

‫‪22‬‬
 ‫دانشگاه صنتعي اصفهان‪ ،‬دانشكده مهندسي صنایع و سیستمها‬ ‫فصل پنجم‪ :‬برآورد فاصلهای‬

‫مثال ‪ :۳‬یک شرکت تاکسیرانیدر فكر این است که الستیکهایي از نوع ‪ A‬و یا از نوع ‪ B‬خریداری نماید‪ .‬شرکت عالقهمند‬
‫به تخمین نسبت واریانس بین دونوع الستیک ميباشد‪ .‬برای این منظور‪ ،‬نمونهای تصادفي با ‪ 3‬الستیک از هر نوع را درنظر گرفته‬
‫است‪ .‬از الستیکها آنقدر استفاده شده است که قابل استفاده نباشند و نتایج ‪ 𝑆𝐴2 = 27002 , 𝑆𝐵2 = 35002‬به دست آمده است‪.‬‬

‫الف) اگر طول عمر الستیکها دارای متغیر تصادفي نرمال باشند‪ ،‬یک فاصله اطمینان ‪ 95%‬برای نسبت واریانس الستیک ‪A‬‬

‫به واریانس الستیک ‪ B‬بیابید‪.‬‬

‫‪𝜎2‬‬
‫ب) اگر یک فاصله اطمینان یکطرفه حد باال به صورت 𝑏 ≤ ‪ 0 ≤ 𝜎𝐴2‬باشد‪ ،‬ضریب اطمینان را بیابید‪.‬‬
‫𝐵‬

‫پاسخ‪:‬‬

‫الف) فاصله اطمینان خواسته شده به صورت زیر است‪:‬‬

‫‪S A2‬‬ ‫‪1‬‬ ‫‪ A2 S A2‬‬ ‫‪27002‬‬ ‫‪1‬‬ ‫‪ A2 27002‬‬

‫‪ 2  2 F‬‬ ‫→‬ ‫‪‬‬ ‫‪‬‬ ‫‪F0.025,2,2‬‬
‫‪2‬‬
‫‪S B F‬‬ ‫‪ B S B 2 ,n‬‬ ‫‪y −1, n x −1‬‬ ‫‪35002 F0.025,2,2  B2 35002‬‬
‫‪, n x −1, n y −1‬‬
‫‪2‬‬

‫‪1‬‬ ‫‪ A2‬‬

‫‪→ 0.6‬‬ ‫‪ 2  0.6F0.025,2,2‬‬
‫‪F0.025,2,2‬‬ ‫‪B‬‬

‫اما در مورد تابع فیشر با ‪ 2‬و ‪ 2‬درجه آزادی داریم‪:‬‬

‫‪−1 ‬‬
‫‪‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫= ) ‪f F2,2 ( x‬‬
‫) ‪(1 + x‬‬ ‫‪2‬‬
‫= ‪, x  0‬‬ ‫‪‬‬
‫‪F ,2,2‬‬
‫) ‪(1 + x‬‬ ‫‪2‬‬
‫= ‪dx‬‬ ‫=‬
‫‪1 + x F ,2,2 1 + F ,2,2‬‬
‫‪=   F ,2,2 = − 1‬‬
‫‪‬‬

‫در نهایت داریم‪:‬‬

‫‪1‬‬ ‫‪2‬‬
‫‪ = 0.05 → F‬‬ ‫= ‪= F0.025,2,2‬‬ ‫‪− 1 = 39  0.015  A2  23.4‬‬
‫‪2‬‬
‫‪,2,2‬‬ ‫‪0.025‬‬ ‫‪B‬‬

‫ب)‬

‫‪ A2 S A2‬‬ ‫‪S A2‬‬ ‫‪1‬‬ ‫‪0.6‬‬ ‫‪b‬‬

‫‪0‬‬ ‫‪‬‬ ‫‪F‬‬ ‫= ‪→b‬‬ ‫= ‪F ,n y −1,nx −1 = 0.6( − 1) → ‬‬ ‫= ‪→ 1− ‬‬
‫‪ B2 S B2  ,n‬‬ ‫‪y −1, n x −1‬‬
‫‪SB‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪b + 0.6‬‬ ‫‪b + 0.6‬‬

‫مثال ‪ 𝑋 :4‬یک تک مشاهده از توزیع نمایي با تابع ‪ 𝑓(𝑥) = 𝜃𝑒 −𝜃𝑥 , 𝑥 ≥ 0‬است که در آن ‪ 𝜃 > 0‬است‪ .‬اگر ]𝑋‪[𝑋, 2‬‬
‫‪1‬‬
‫یک فاصله اطمینان برای 𝜃 باشد‪ ،‬ضریب اطمینان را بیابید‪.‬‬

‫‪23‬‬
 ‫ خسروشاهي‬،‫آمار مهندسي‬ ‫ دانشكده مهندسي صنایع و سیستمها‬،‫دانشگاه صنعتي اصفهان‬

:‫پاسخ‬

 1   1 1  1 1 1  1 
P  x   2x  = 1 −  → P   x   = 1− → 1− = P   x   = F  −F  
    2   2     2 

(1 − e ) − (1 − e ) =e
1
−
−   −  − e −1 = e −0.5 (1 − e −0.5 )
1 
→ 1− =
1
 2
   2 

‫ ضریب اطمینان برآورد فاصلهای‬،‫𝜇(𝑁 باشد‬, 𝜎 2 ) ‫𝑋 یک نمونه تصادفي دوتایي از یک توزیع‬1 , 𝑋2 ‫ اگر‬:۵ ‫مثال‬
‫(𝑋[ برای 𝜇 کدام است؟‬1) , 𝑋(2) ]

:‫پاسخ‬

P ( X (1)    X ( 2) ) = P ( X ( 2)   ) − P ( X (1)   )

P ( X ( 2)   ) = 1 − P ( X ( 2)   ) = 1 − P ( X 1   ) P ( X 2   ) = 1 −  
1 1 3
  =
 2  2  4
P ( X (1)   ) = P ( X 1   ) P ( X 2   ) =  
1 1 1
  =
 2  2  4
 P ( X (1)    X ( 2) ) = P ( X ( 2)   ) − P ( X (1)   ) = − =
3 1 1
4 4 2

‫ اگر فاصله اطمینان‬.‫[ باشد‬0, 𝜃] ‫𝑋 یک نمونه تصادفي از توزیع یكنواخت در بازه‬1 , … , 𝑋𝑛 ‫ فرض کنید‬:6 ‫مثال‬
.‫ مقدار 𝐶 را پیدا کنید‬،‫ )𝑛(𝑋[ برای پارامتر 𝜃 دارای ضریب اطمینان 𝛼 باشد‬, 𝐶𝑋(𝑛) ]

:‫پاسخ‬

P ( X ( n )    CX ( n ) ) = 1 − 
  
P ( X ( n )    CX ( n ) ) = P (CX ( n )   ) − P ( X ( n )   ) = P  X ( n )   − P ( X (n )   )
 C 
n
k 
P ( X ( n )  k ) = 1 − P ( X ( n )  k ) = 1 − P ( X 1  k ) P ( X 2  k ) ...P ( X n  k ) = 1 −
k k
 ...  = 1−  
   
 
 P  X (n )   − P ( X (n )   ) = 1 − 
 C
  
n

     
n
1 1 1
 1 −  C   1 −    = 1 − n − 0 = 1 −   C =  C = n
− n

          C  


24