งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

1 การแจกแจงความน่าจะเป็นแบบต่อเนื่องต่าง ๆ The Normal Distribution and Other Continuous Distributions.

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "1 การแจกแจงความน่าจะเป็นแบบต่อเนื่องต่าง ๆ The Normal Distribution and Other Continuous Distributions."— ใบสำเนางานนำเสนอ:

1 1 การแจกแจงความน่าจะเป็นแบบต่อเนื่องต่าง ๆ The Normal Distribution and Other Continuous Distributions

2 2 การแจกแจงความน่าจะเป็น Continuous Probability Distributions Binomial Hypergeometric Poisson Probability Distributions Discrete Probability Distributions Normal Uniform Exponential

3 3 Continuous Probability Distributions  A continuous random variable หมายถึงตัวแปรสุ่มที่มีค่า ต่อเนื่อง หรือ เป็นเศษส่วนได้ เช่น  ความหนาของชิ้นงาน  เวลาการทำงาน  อุณหภูมิ  ความสูง  ระดับความระเอียดของค่าที่วัดได้ขึ้นกับความสามารถของเครื่องมือวัด

4 4 The Normal Distribution  รูประฆังคว่ำ (Bell Shaped)  สมมาตร (Symmetrical)  Mean, Median และ Mode มีค่าเท่ากัน ตำแหน่งของค่ากลางวัดด้วยค่าเฉลี่ย (mean, μ) การกระจายตัววัดด้วยค่าเบี่ยงเบนมาตรฐาน (standard deviation, σ) ตัวแปรมีค่าในช่วง +  to   Mean = Median = Mode X f(X) μ σ

5 5 The Normal Distribution Shape X f(X) μ σ การเปลี่ยนค่า μ จะทำให้รูปการ กระจายตัวเลื่อนไปทางซ้ายหรือขวา การเปลี่ยนค่า σ หมายถึงการเพิ่มหรือ ลดของความผันแปร และทำให้ความสูง ของการกระจายตัวเปลี่ยนไป

6 6 The Normal Probability Density Function  ฟังก์ชั่นความหนาแน่น (probability density function, pdf) เมื่อ e = ค่าคงที่ทางคณิตศาสตร์ มีค่าประมาณ π = ค่าคงที่ทางคณิตศาสตร์ มีค่าประมาณ μ = ค่าเฉลี่ยของประชากร (population mean) σ = ค่าเบี่ยงเบนมาตรฐานของประชากร (population standard deviation) X = ตัวแปรสุ่มแบบต่อเนื่อง

7 7 การแจกแจงแบบปกติมาตรฐาน The Standardized Normal  ตัวแปรสุ่มที่แจกแจงแบบ normal (X) ทุกตัวสามารถแปลงให้เป็นตัว แปรสุ่มที่มีการแจกแจงแบบปกติมาตรฐาน standardized normal distribution (Z) ได้

8 8 Translation to the Standardized Normal Distribution  แปลง X เป็น Z โดย subtracting the mean of X and dividing by its standard deviation ดังนี้ : ตัวแปรสุ่ม Z มีค่า mean = 0 และ standard deviation = 1 เสมอ

9 9 The Standardized Normal Probability Density Function  probability density function ของตัวแปรสุ่ม Z เมื่อ e = ค่าคงที่ทางคณิตศาสตร์ มีค่าประมาณ π = ค่าคงที่ทางคณิตศาสตร์ มีค่าประมาณ Z = ตัวแปรสุ่มแบบ standardized normal distribution

10 10 The Standardized Normal Distribution  อาจเรียกว่า “Z” distribution  Mean = 0  Standard Deviation = 1 Z f(Z) 0 1 Values above the mean have positive Z-values, values below the mean have negative Z-values

11 11 Example  ถ้า X แจกแจงแบบปกติ (normally distributed) มีค่า mean = 100 และ standard deviation = 50, จะได้ค่า Z สำหรับ X = 200 คือ  หมายถึงค่า X = 200 มีค่าสูงกว่าค่าเฉลี่ยไป 2 เท่าของค่าเบี่ยงเบน มาตรฐาน

12 12 เปรียบเทียบระหว่าง X และ Z units Z X Note that the distribution is the same, only the scale has changed. We can express the problem in original units (X) or in standardized units (Z) (μ = 100, σ = 50) (μ = 0, σ = 1)

13 13 การคำนวณความน่าจะเป็นของการแจกแจงแบบปกติ Probability is the area under the curve! ab X f(X) PaXb( ) ≤ Probability วัดได้จากพื้นที่ใต้กราฟ (area under the curve) ≤ PaXb( ) << = (Note that the probability of any individual value is zero)

14 14 f(X) X μ Probability as Area Under the Curve 0.5 The total area under the curve is 1.0, and the curve is symmetric, so half is above the mean, half is below

15 15 Empirical Rules μ ± 1σ encloses about 68% of X’s  f(X) X μμ+1σμ-1σ What can we say about the distribution of values around the mean? There are some general rules: σσ 68.26%

16 16 The Empirical Rule  μ ± 2σ covers about 95% of X’s  μ ± 3σ covers about 99.7% of X’s xμ 2σ2σ2σ2σ xμ 3σ3σ3σ3σ 95.44%99.72% (continued)

17 17 The Standardized Normal Table  การหาค่าความน่าจะเป็นสามารถทำได้โดยการใช้ตารางปกติมาตรฐาน Z Example: P(Z < 2.00) =.9772

18 18 การใช้ตารางปกติมาตรฐาน The value within the table gives the probability from Z =   up to the desired Z value P(Z < 2.00) =.9772 The row shows the value of Z to the first decimal point The column gives the value of Z to the second decimal point (continued) Z …

19 19 ขั้นตอนทั่วไปของการคำนวณความน่าจะเป็นของตัว แปรสุ่มที่แจกแจงแบบปกติ  วาดรูป normal curve บนสเกล X  แปลงค่าตัวแปรสุ่ม X เป็นตัวแปรสุ่ม Z  หาความน่าจะเป็นจาก Standardized Normal Table จงหา P(a < X < b) เมื่อ X is distributed normally:

20 20 Finding Normal Probabilities  Suppose X is normal with mean 8.0 and standard deviation 5.0  Find P(X < 8.6) X

21 21  Suppose X is normal with mean 8.0 and standard deviation 5.0. Find P(X < 8.6) Z X μ = 8 σ = 10 μ = 0 σ = 1 (continued) Finding Normal Probabilities P(X < 8.6)P(Z < 0.12)

22 22 Z 0.12 Z Solution: Finding P(Z < 0.12) Standardized Normal Probability Table (Portion) 0.00 = P(Z < 0.12) P(X < 8.6)

23 23 Upper Tail Probabilities  Suppose X is normal with mean 8.0 and standard deviation 5.0.  Now Find P(X > 8.6) X

24 24  Now Find P(X > 8.6)… (continued) Z Z =.4522 P(X > 8.6) = P(Z > 0.12) = P(Z ≤ 0.12) = =.4522 Upper Tail Probabilities

25 25 Probability Between Two Values  Suppose X is normal with mean 8.0 and standard deviation 5.0. Find P(8 < X < 8.6) P(8 < X < 8.6) = P(0 < Z < 0.12) Z X8.6 8 Calculate Z-values:

26 26 Z 0.12 Solution: Finding P(0 < Z < 0.12) = P(0 < Z < 0.12) P(8 < X < 8.6) = P(Z < 0.12) – P(Z ≤ 0) = = Z Standardized Normal Probability Table (Portion)

27 27  Suppose X is normal with mean 8.0 and standard deviation 5.0.  Now Find P(7.4 < X < 8) X Probabilities in the Lower Tail

28 28 Probabilities in the Lower Tail Now Find P(7.4 < X < 8)… X P(7.4 < X < 8) = P(-0.12 < Z < 0) = P(Z < 0) – P(Z ≤ -0.12) = =.0478 (continued) Z The Normal distribution is symmetric, so this probability is the same as P(0 < Z < 0.12)

29 29  Steps to find the X value for a known probability: 1. หาค่า Z สำหรับความน่าจะเป็นที่ทราบค่า จากตารางค่า Z 2. หาค่า X จากสูตร : การหาค่า X ที่สอดคล้องกับความน่าจะเป็นที่ กำหนด

30 30 Finding the X value for a Known Probability Example:  สมมติ X is normal with mean 8.0 and standard deviation 5.0.  จงหาค่า X ที่คาดว่าจะมีตัวแปร X อื่น ๆ ซึ่งมีค่าน้อยค่านี้ประมาณ 20% X ? Z ? 0 (continued)

31 31 Find the Z value for 20% in the Lower Tail  20% area in the lower tail is consistent with a Z value of Z Standardized Normal Probability Table (Portion) … … … … X ? Z Find the Z value for the known probability

32 32 2. Convert to X units using the formula: Finding the X value So 20% of the values from a distribution with mean 8.0 and standard deviation 5.0 are less than 3.80

33 33 การประเมินว่าข้อมูลแจกแจงแบบปกติหรือไม่  ตัวแปรสุ่มแบบต่อเนื่องทั้งหมดมิได้แจกแจงแบบปกติ  ก่อนการใช้งานจริง จึงควรศึกษาก่อนว่าการแจกแจงแบบปกติสามารถอธิบายพฟ ติกรรมของข้อมูลที่สนใจได้ดีเพียงใด

34 34 การประเมินว่าข้อมูลแจกแจงแบบปกติหรือไม่  สร้าง charts or graphs  For small- or moderate-sized data sets, do stem-and- leaf display and box-and-whisker plot look symmetric?  For large data sets, does the histogram or polygon appear bell-shaped?  คำนวณ descriptive summary measures  mean, median และ mode มีค่าใกล้เคียงกันหรือไม่ ?  Is the interquartile range approximately 1.33 σ?  ค่าพิสัยมีค่าประมาณ 6 σ? (continued)

35 35 การประเมินว่าข้อมูลแจกแจงแบบปกติหรือไม่  Observe the distribution of the data set  Do approximately 2/3 of the observations lie within mean 1 standard deviation?  Do approximately 80% of the observations lie within mean 1.28 standard deviations?  Do approximately 95% of the observations lie within mean 2 standard deviations?  Evaluate normal probability plot  Is the normal probability plot approximately linear with positive slope? (continued)

36 36 The Uniform Distribution  The uniform distribution is a probability distribution that has equal probabilities for all possible outcomes of the random variable  Also called a rectangular distribution

37 37 The Continuous Uniform Distribution: where f(X) = value of the density function at any X value a = minimum value of X b = maximum value of X The Uniform Distribution (continued) f(X) =

38 38 Properties of the Uniform Distribution  The mean of a uniform distribution is  The standard deviation is

39 39 Uniform Distribution Example ตัวอย่าง : Uniform probability distribution over the range 2 ≤ X ≤ 6: f(X) = =.25 for 2 ≤ X ≤ X f(X)

40 40 The Exponential Distribution  Used to model the length of time between two occurrences of an event (the time between arrivals)  Examples:  เวลาระหว่างการมาถึงท่าเรือของรถบรรทุก  เวลาระหว่างการถูกใช้งานโดยลูกค้าของเครื่อง ATM  เวลาระหว่างการเข้ามาถึงของโทรศัพท์ที่ Operators

41 41 The Exponential Distribution  Defined by a single parameter, its mean λ (lambda)  The probability that an arrival time is less than some specified time X is where e = mathematical constant approximated by λ = the population mean number of arrivals per unit X = any value of the continuous variable where 0 < X <

42 42 Exponential Distribution Example Example: Customers arrive at the service counter at the rate of 15 per hour. What is the probability that the arrival time between consecutive customers is less than three minutes?  The mean number of arrivals per hour is 15, so λ = 15  Three minutes is.05 hours  P(arrival time <.05) = 1 – e -λX = 1 – e -(15)(.05) =.5276  So there is a 52.76% probability that the arrival time between successive customers is less than three minutes

43 43 Sampling Distributions Sampling Distributions of the Mean Sampling Distributions of the Proportion

44 44 Sampling Distributions  A sampling distribution is a distribution of all of the possible values of a statistic for a given size sample selected from a population

45 45 Developing a Sampling Distribution  Assume there is a population …  Population size N=4  Random variable, X, is age of individuals  Values of X: 18, 20, 22, 24 (years) A B C D

46 A B C D Uniform Distribution P(x) x (continued) Summary Measures for the Population Distribution: Developing a Sampling Distribution

47 47 16 possible samples (sampling with replacement) Now consider all possible samples of size n=2 (continued) Developing a Sampling Distribution 16 Sample Means

48 48 Sampling Distribution of All Sample Means P(X) X Sample Means Distribution 16 Sample Means _ Developing a Sampling Distribution (continued) (no longer uniform) _

49 49 Summary Measures of this Sampling Distribution: Developing a Sampling Distribution (continued)

50 50 Comparing the Population with its Sampling Distribution P(X) X A B C D Population N = 4 P(X) X _ Sample Means Distribution n = 2 _

51 51 Sampling Distributions of the Mean Sampling Distributions Sampling Distributions of the Mean Sampling Distributions of the Proportion

52 52 Standard Error of the Mean  Different samples of the same size from the same population will yield different sample means  A measure of the variability in the mean from sample to sample is given by the Standard Error of the Mean:  Note that the standard error of the mean decreases as the sample size increases

53 53 If the Population is Normal  If a population is normal with mean μ and standard deviation σ, the sampling distribution of is also normally distributed with and (This assumes that sampling is with replacement or sampling is without replacement from an infinite population)

54 54 Z-value for Sampling Distribution of the Mean  Z-value for the sampling distribution of : where:= sample mean = population mean = population standard deviation n = sample size

55 55 Finite Population Correction  Apply the Finite Population Correction if:  the sample is large relative to the population (n is greater than 5% of N) and…  Sampling is without replacement Then

56 56 Normal Population Distribution Normal Sampling Distribution (has the same mean) Sampling Distribution Properties  (i.e. is unbiased )

57 57 Sampling Distribution Properties  For sampling with replacement: As n increases, decreases Larger sample size Smaller sample size (continued)

58 58 If the Population is not Normal  We can apply the Central Limit Theorem:  Even if the population is not normal,  …sample means from the population will be approximately normal as long as the sample size is large enough. Properties of the sampling distribution: and

59 59 n↑n↑ Central Limit Theorem As the sample size gets large enough… the sampling distribution becomes almost normal regardless of shape of population

60 60 Population Distribution Sampling Distribution (becomes normal as n increases) Central Tendency Variation (Sampling with replacement) Larger sample size Smaller sample size If the Population is not Normal (continued) Sampling distribution properties:

61 61 How Large is Large Enough?  For most distributions, n > 30 will give a sampling distribution that is nearly normal  For fairly symmetric distributions, n > 15  For normal population distributions, the sampling distribution of the mean is always normally distributed

62 62 Example  Suppose a population has mean μ = 8 and standard deviation σ = 3. Suppose a random sample of size n = 36 is selected.  What is the probability that the sample mean is between 7.8 and 8.2?

63 63 Example Solution:  Even if the population is not normally distributed, the central limit theorem can be used (n > 30)  … so the sampling distribution of is approximately normal  … with mean = 8  …and standard deviation (continued)

64 64 Example Solution (continued): (continued) Z Sampling Distribution Standard Normal Distribution Population Distribution ? ? ? ? ? ? ?? ? ? ? ? SampleStandardize X

65 65 Sampling Distributions of the Proportion Sampling Distributions Sampling Distributions of the Mean Sampling Distributions of the Proportion

66 66 Population Proportions, p p = the proportion of the population having some characteristic  Sample proportion ( p s ) provides an estimate of p:  0 ≤ p s ≤ 1  p s has a binomial distribution (assuming sampling with replacement from a finite population or without replacement from an infinite population)

67 67 Sampling Distribution of p  Approximated by a normal distribution if:  where and (where p = population proportion) Sampling Distribution P( p s ) psps

68 68 Z-Value for Proportions  If sampling is without replacement and n is greater than 5% of the population size, then must use the finite population correction factor: Standardize p s to a Z value with the formula:

69 69 Example  If the true proportion of voters who support Proposition A is p =.4, what is the probability that a sample of size 200 yields a sample proportion between.40 and.45?  i.e.: if p =.4 and n = 200, what is P(.40 ≤ p s ≤.45) ?

70 70 Example  if p =.4 and n = 200, what is P(.40 ≤ p s ≤.45) ? (continued) Find : Convert to standard normal:

71 71 Example Z Standardize Sampling Distribution Standardized Normal Distribution  if p =.4 and n = 200, what is P(.40 ≤ p s ≤.45) ? (continued) Use standard normal table: P(0 ≤ Z ≤ 1.44) = psps


ดาวน์โหลด ppt 1 การแจกแจงความน่าจะเป็นแบบต่อเนื่องต่าง ๆ The Normal Distribution and Other Continuous Distributions.

งานนำเสนอที่คล้ายกัน


Ads by Google