‫بسمه تعالی‬

‫پروژه کامپیوتری‬
‫درس احتمال مهندسی‬
‫برای تحویل پروژه به موارد زیر دقت فرمایید‪:‬‬

‫خروجی پروژهی شما باید شامل یک فایل کد با فرمت ‪ text‬و یک فایل ‪ PDF‬باشد‪ ،‬که هر دو در یک فایل ‪Zip‬‬ ‫•‬
‫با نام "اسم و فامیل" خودتان قرار گیرد‪( .‬زبان برنامه نویسی دلخواه است)‬
‫برای تکمیل هر پروژه‪ ،‬گزارشی تهیه كنید متشکل از توضیح و تفسیر راه حلتان‪ ،‬شبیه سازی و اجرای کد ها‬ ‫•‬
‫و نمودار های خواسته شده و در مواردی که نیاز به حل دستی است‪ ،‬حل سوال‪ .‬گزارش را به فرمت ‪ pdf‬در‬
‫فایل ‪ zip‬مذکور قرار دهید‪.‬‬
‫حل سواالت نیاز به ‪ a‬و ‪ b‬دارد که در آن ‪ a-1‬رقم دهگان و ‪ b-1‬رقم صدگان شماره دانشجوییتان است‪ .‬به عنوان‬ ‫•‬
‫مثال یک دانشجو با شمارهی دانشجویی ‪ 9910353‬در آن ‪ a=6‬و ‪ b=4‬است‪.‬‬
‫موعد تحویل ‪ :‬حداکثر تا ‪ 8‬روز پس از امتحان پایان ترم‬ ‫•‬
‫كه باید در محل تعبیه شده در سامانه یكتا آپلود شود‪.‬‬

‫قسمت اول‬
‫شبیه سازي یك متغیرهای تصادفی با استفاده از متغیرهای تصادفی یکنواخت‪.‬‬ ‫‪-1‬‬
‫فرض کنید یک متغیر تصادفی ‪ U‬داریم که با توزیع یکنواخت مقادیری بین صفر و یک تولید میکند‪ ،‬یعنی تابع چگالی آن به صورت زیر‬
‫است‪:‬‬
‫‪1‬‬ ‫‪0 < 𝑢 < 1,‬‬
‫{ = )𝑢( 𝑈𝑓‬
‫‪0‬‬ ‫‪𝐸𝑙𝑠𝑒.‬‬
‫میخواهیم با استفاده از ‪ ،U‬مقادیر مشاهده شده از متغیر تصادفی ‪ X‬با تابع توزیع تجمعی دلخواه )𝑥( 𝑋𝐹 را تولید كنیم‪ .‬با استفاده از بخش‬
‫‪ 4.9‬کتاب ‪ Leon-Garcia‬می دانیم که )𝑈( ‪ 𝐹𝑋−1‬با ‪ X‬همتوزیع است‪ .‬یعنی برای تولید مشاهدات ‪ X‬می توانیم مشاهدات )𝑈( ‪ 𝐹𝑋−1‬را تولید‬
‫کنیم‪.‬‬
‫𝟏‪ 𝑭−‬را به دست آوریم‪ ،‬استفاده از تکنیک فوق میسر نیست‪ .‬مثال برای تولید متغیر تصادفی گاوسی‬
‫توجه کنید در قسمت الف اگر نتوانیم ) ‪𝑿 (.‬‬
‫این روش بکار نمیرود‪.‬‬
‫الف) با توجه به نکته فوق‪ ،‬با استفاده ‪ 100 ،MATLAB‬داده از توزیع نمایی با پارامتر ‪ λ = 3‬تولید کنید و با دستور هیستوگرام ‪ hist‬در‬
‫‪ MATLAB‬تابع احتمال تجربی (نمودار ستونی ) را رسم کنید و با تابع چگالی احتمال نمایی مقایسه کنید‪.‬‬
‫ب) اگر ‪ X‬یک متغیر تصادفی گسسته با تابع جرم احتمال مثال به فرم ‪ 𝑝𝑋 (−𝑏) = 0.3 ، 𝑝𝑋 (0) = 0.45‬و ‪ 𝑝𝑋 (𝑏) = 0.25‬باشد‪ ،‬برای‬
‫تولید هر مشاهده از ‪ X‬ابتدا ‪ u‬را از توزیع یکنواخت تولید کنید‪ .‬سپس مشاهده ‪ X‬به صورت زیر تولید می شود‪:‬‬
‫‪0‬‬ ‫‪0 < 𝑢 < 0.45‬‬
‫𝑏‪𝑋 = {−‬‬ ‫‪0.45 ≤ 𝑢 < 0.75‬‬
‫𝑏‬ ‫‪0.75 ≤ 𝑢 < 1‬‬
‫با این روش ‪ 100‬داده از ‪ X‬تولید کنید و سپس قسمت الف را تکرار کنید‪.‬‬
‫ج) با توجه به ترکیبی از مطالب باال ‪ 100‬داده از ‪ X‬با تابع توزیع زیر تولید کنید‪.‬‬
 ‫شبیه سازی ِ آشکارسازی در یک سیستم انتقال اطالعات نویزی‪.‬‬
‫یک فرستنده‪ ،‬پیام ‪ X‬را بر روی یک کانال ارسال میکند‪ .‬گیرنده در خروجی کانال‪ ،‬مقدار 𝑁 ‪ 𝑌 = 𝑋 +‬را دریافت میکند که در آن‪𝑁 ،‬‬
‫‪3 1‬‬
‫نویز کانال و مستقل از پیام است‪ .‬فرض کنید 𝑋 یک متغیر تصادفی گسسته باشد که مقادیر ‪ −2.5‬و ‪ +2.5‬را به ترتیب با احتماالت و‬
‫‪4 4‬‬
‫‪5‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪3‬‬
‫اتخاذ میکند‪ .‬همچنین 𝑁 یک متغیر تصادفی گسسته باشد که مقادیر ‪ +1 ،0 ،−3‬و ‪ +3‬را با احتماالت ‪ 12 ،12 ،12‬و ‪ 12‬اتخاذ میکند‪.‬‬

‫گیرنده باید با مشاهده 𝑦 = ‪ ،Y‬برای مقدار ‪ X‬بهترین حدس را بزند و این حدس را که تابعی از ‪ y‬است با )𝑦(̂𝑋 نمایش میدهیم؛ برای این‬
‫کار گیرنده به ازای هر مقدار مشاهده شده از ‪ ،y‬احتماالت شرطی ِ‬
‫]𝑦 = 𝑌|‪𝑃𝑟[𝑋 = −2.5|𝑌 = 𝑦] ≶ 𝑃𝑟[𝑋 = +2.5‬‬
‫را مقایسه میکند‪ .‬طبیعتا اگر عبارت سمت چپ بزرگتر باشد آنگاه ‪( 𝑋̂(𝑦) = −2.5‬یعنی گیرنده محتملتر میداند که ‪ 𝑋 = −2.5‬باشد) و‬
‫در غیر این صورت‪ 𝑋̂(𝑦) = +2.5 ،‬میشود‪.‬‬
‫الف) اوال تابع )𝑦(̂𝑋 را به ازاء تک تک مقادیرممکن ‪ y‬به دست آورید ( که نشان میدهد به ازاء مقادیر مختلف ‪ ،y‬گیرنده چه حدسی در مورد‬
‫پیام میزند)‪.‬‬
‫ب) احتمال خطا‪ ،‬یعنی احتمال آن که 𝑋 ≠ )𝑦(̂𝑋‪ ،‬را به دست آورید‪.‬‬

‫قسمت دوم‬
‫‪ -1‬شبیه سازی نویز‬
‫نویز بخش جدایی ناپذیر در تحلیل مسااا ل مهندساای و مدل سااازی فرآیند های طبیعی اساات‪ .‬از این رو‪ ،‬نویز را می توان به عنوان مدل ساااده‬
‫شااده ای از آن چه فرد تحلیل کننده نمی داند‪ ،‬در نظر گرفت‪ .‬طبیعی اساات هر پروژه عملی قبل از اجرا نیاز به شاابیه سااازی دارد تا بتوان به‬
‫کمک مدل ساازی هم به دید مناساب تری از مسا له رساید و هم در هزینه های عملی صارفه جویی کرد تا در نهایت به راه حل بهینه ای رساید‪.‬‬
‫در این قسمت هدف مدلسازی یک نمونه سیگنال تصادفی نویزی و بررسی اثرات مختلف آن به کمک نرم افزار متلب است‪.‬‬
‫شرح‪ :‬در یک ایستگاه رادیویی قرار است موج )𝑡𝜋‪ 𝑦(𝑡) = 𝑐𝑜𝑠(2𝜋𝑡) − 0.3 cos(𝜋𝑡) + 1.5sin (7‬ارسال گردد‪.𝑡 ∈ [0, 1] ،‬‬
‫برای رسم این تابع از دستور زیر در نرم افزار متلب کمک بگیرید‪:‬‬
‫;‪t=0:0.001:1‬‬
‫;)‪y=cos(2*pi*t)-0.3*cos(pi*t)+1.5*sin(7*pi*t‬‬
‫;)'‪figure, plot(t, y,'-o‬‬
‫توجه کنید که شکل موج ها به طور گسسته در نظر گرفته شده و رسم شده اند‪ .‬یعنی بر بازه ی ‪ 0‬تا ‪ 1‬ثانیه تعداد ‪ 1001‬نمونه از شکل موج‬
‫رسم شده است‪.‬‬
‫الف) نویز برای انسان ماهیت تصادفی دارد‪ ،‬پس می توانیم به کمک نمونه هایی از یک متغیر تصادفی آن را مدلسازی کنیم‪ .‬یکی از رایج‬
‫ترین مدلسازی ها‪ ،‬مدلسازی با متغیر تصادفی گوسی است‪ .‬تابع )(‪ randn‬مولفه های تصادفی از یک متغیر تصادفی نرمال استاندارد تولید‬
‫می کند (میانگین برابر صفر و واریانس برابر ‪ .)1‬به کمک این تابع یک بردار ستونی ‪ 1001‬بعدی با درایه هایی که مشاهداتی از توزیع‬
‫نرمال استاندارد هستند‪ ،‬تولید نمایید و بعد آن را به مشاهدات یک متغیر تصادفی گوسی با میانگین ‪ a‬و واریانس ‪ b‬تبدیل کنید‪.‬‬

‫راهنمایی‪ :‬ابتدا بردار نمونه های نرمال استاندارد را ‪ N1‬بنامید و سپس با عملیات ریاضی مناسب آن را به مشاهدات گوسی مطلوب تبدیل‬
‫کنید‪.‬‬
‫;)]‪N1=randn([1, 1001‬‬
‫رابطه مطلوب را بدست آورید‪N2=?? %‬‬
‫;)‪figure, histogram(N1,15‬‬
‫;)‪figure, histogram(N2,15‬‬
‫سیگنال های نویزی شده ‪ Z1=y+N1‬و ‪ Z2=y+N2‬را طبق دستور زیر رسم کنید‪:‬‬
‫;‪Z1=y+N1‬‬
‫;‪Z2=y+N2‬‬
‫;)‪figure, plot(t,Z1‬‬
‫;)‪figure, plot(t,Z2‬‬
 ‫میانگین و واریانس مشاهدات داخل بردارهای ‪ Z1‬و ‪ Z2‬تولیدي را بدست آورید‪.‬‬
‫با استفاده از قسمت های قبلی و به کمک خواص آماری ‪ Z1‬و ‪ Z2‬به طور کامل توضیح دهید که کدام سیگنال نسبت به ‪ y‬بیشتر تخریب شده‬
‫است؟‬
‫ب) مانند بخش قبل به کمک دستور )(‪ rand‬یک بردار تصادفی از نویز یکنواخت بر بازه ]‪ [0, 1‬تولید کنید و در بردار ‪ N3‬ذخیره کنید‪.‬‬
‫سپس به کمک بردار ‪ N3‬یک نویز تصادفی یکنواخت بر بازه ]𝑏√‪ [−√𝑏, +‬ایجاد کرده و آن را ‪ N4‬بنماید‪.‬‬
‫راهنمایی‪ :‬ابتدا بردار نمونه های نویز یکنواخت را ‪ N3‬بنامید و سپس با عملیات ریاضی مناسب آن را به نویز یکنواخت بر بازه خواسته‬
‫شده (‪ )N4‬تبدیل کنید‪.‬‬
‫;)]‪N3=rand([1, 1001‬‬
‫رابطه مطلوب را بدست آورید‪N4=?? %‬‬
‫;)‪figure, histogram(N3,15‬‬
‫;)‪figure, histogram(N4,15‬‬
‫سیگنال های نویزی شده ‪ Z3=y+N3‬و ‪ Z4=y+N4‬را طبق دستور زیر رسم کنید‪:‬‬
‫;‪Z3=y+N3‬‬
‫;‪Z4=y+N4‬‬
‫;)‪figure, plot(t,Z3‬‬
‫;)‪figure, plot(t,Z4‬‬
‫میانگین و واریانس ‪ Z3‬و ‪ Z4‬هاي تولیدي را بدست آورید‪.‬‬
‫با استفاده از قسمت های قبلی و به کمک خواص آماری ‪ Z3‬و ‪ Z4‬به طور کامل توضیح دهید که کدام سیگنال نسبت به ‪ y‬بیشتر تخریب شده‬
‫است؟‬
‫ج) با مقایسه بخش الف و ب بررسی کنید که کدام سیگنال نسبت به ‪ y‬بیشتر تخریب شده است (راهنمایی‪ :‬از خواص آماری ‪، Z2 ،Z1‬‬
‫‪ Z3‬و ‪ Z4‬در دو قسمت استفاده کنید)‬

‫مجموع متغیر های تصادفی‬ ‫‪-2‬‬

‫به کمک دستور )(‪ random‬نیز می توان نمونه های تصادفی از متغیر های تصادفی مختلف تولید کرد‪ ،‬راهنمای آن در قسمت ‪ help‬نرم‬
‫افزار متلب را برای آشنایی بیشتر مطالعه کنید‪ .‬همچنین می توان با هر بار فراخوانی این تابع‪ ،‬نمونه هایی از متغیر های تصادفی مستقل‬
‫تولید کرد‪.‬‬
‫الف) یک بردار تصادفی با توزیع پوآسن و پارامتر ‪ 3a-2‬تولید کنید و ‪ X1‬بنامید و هیستوگرام آن را رسم کنید‪.‬‬
‫;)]‪X1= random('Poisson',3a-2,[1,2000‬‬
‫;)‪histogram(X1,30‬‬
‫ب) یک بردار تصادفی دیگر با توزیع پوآسون و پارامتر ‪ 3a-2‬تولید کرده‪ X2،‬بنامید و هیستوگرام آن را رسم کنید‪.‬‬
‫پ) هیستوگرام ‪ X1+X2‬را رسم کنید‪ ،‬تفاوت هیستوگرام ‪ X1+X2‬با هیستوگرام هر یک از ‪ X1‬و ‪ X2‬در چیست؟‬
‫ج) به کمک یک حلقه‪ 5 ،‬بردار متمایز از مشاهدات متغیر تصادفی پوآسون با پارامتر ‪ 3a-2‬تولید کنید و هیستوگرام مجموعشان را رسم‬
‫کنید‪.‬‬
‫چ) به کمک یک حلقه‪ 50 ،‬بردار تصادفی پوآسون متمایز با پارامتر ‪ 3a-2‬تولید کنید و هیستوگرام مجموعشان را رسم کنید‪ ،‬به کمک‬
‫هیستوگرام توضیح دهید که به چه توزیعی شباهت دارد؟ آیا می توانید دلیلی برای آن ارا ه کنید؟‬
‫ح) مراحل قبل را برای یک توزیع گاما با پارامترهای ‪ 𝛼 = 2, 𝜆 = 0.1‬تکرار کنید‪.‬‬
‫د) با مقایسه نتیجه حاصل از مجموع متغیر های تصادفی پوآسون و مجموع متغیر های تصادفی گاما چه نتیجه ای می توان گرفت؟‬
 ‫قسمت سوم‬
‫محاسبهی احتمال با استفاده از شبیهسازی‬ ‫‪-1‬‬
‫نکته‪ :‬فرض کنید که یک متغیر تصادفی ‪ U‬داریم که دارای توزیع یکنواخت بین ‪ 0‬و ‪ 1‬است‪ .‬میدانیم که ‪ X‬با )𝑈( ‪ 𝐹𝑋−1‬هم توزیع است‪.‬‬
‫‪2‬‬
‫‪ 𝑓𝑌 (𝑦) = 𝑦 3‬باشد و ‪ X‬و ‪ Y‬از یکدیگر مستقل باشند‪ .‬هدف به دست‬ ‫‪ 𝑓𝑋 (𝑥) = 5𝑒 −5(𝑥−3) 𝑥 > 3‬و ‪𝑦 ≥ 1‬‬ ‫فرض کنید‬
‫آوردن )𝑋√ > 𝑌(𝑃 به صورت تقریبی است‪.‬‬
‫الف) یک نمونهی تصادفی )‪ 100(a+b‬تایی از ‪ X‬تولید کنید‪.‬‬
‫ب) یک نمونهی تصادفی )‪ 100(a+b‬تایی از ‪ Y‬تولید کنید‪.‬‬

‫ج) برای هر زوج مشاهده از ‪ X‬و ‪ Y‬تعیین کنید آیا پیشامد 𝑋√ > 𝑌 رخ داده است یا نه؟ در نهایت نسبت دفعاتی که از )‪ 100(a+b‬مرتبه‬
‫پیشامد مورد نظر رخ داده است‪ ،‬بدست آورید و با مقدار دقیق )𝑋√ > 𝑌(𝑃 مقایسه کنید‪.‬‬

‫محاسبهی امید ریاضی با استفاده از شبیهسازی‬ ‫‪-2‬‬

‫فرض کنید ∞ < 𝑥 ≤ 𝑦 ≤ ‪ . 𝑓𝑋,𝑌 (𝑥, 𝑦) = 2𝑒 −𝑥 𝑒 −𝑦 0‬هدف مقایسه )‪ 𝐸(√𝑋|𝑌 = 5‬با مقدار براورد آن از مشاهدات است‪.‬‬

‫الف) ابتدا چگالی شرطی )𝑥( ‪ 𝑓𝑋|𝑌=5‬را به دست آورید‪.‬‬

‫ب) یک بردار تصادفی )‪ 100(a+b‬تایی از ‪ 𝑋|𝑌 = 5‬تولید کرده و سپس جذر تک تک آنها را محاسبه کنید‪.‬‬

‫ج) میانگین اعداد تولیدی را حساب کرده و با )‪ 𝐸(√𝑋|𝑌 = 5‬مقایسه کنید‪.‬‬

‫‪ -3‬محاسبه ی میانگین تعداد تصادفی متغیرهای تصادفی با شبیه سازی‬

‫در یک فروشگاه بزرگ تعداد مشتریان یک متغیر تصادفی ‪ N‬با توزیع پوآسون با پارامتر 𝑎 = ‪ λ‬است‪ .‬میزان خرید هر مشتری یک متغیر‬
‫تصادفی ‪ X‬با توزیع نمایی با میانگین ‪ 𝑁 2‬است‪ .‬هدف به دست آوردن متوسط خرید مشتری با استفاده از شبیهسازی می باشد‪.‬‬
‫الف) یک عدد تصادفی از توزیع پوآسون با پارامتر ‪ a‬تولید کنید و آن را ‪ n‬بنامید‪.‬‬
‫ب) یک نمونهی تصادفی ‪ n‬تایی از توزیع نمایی با میانگین ‪ 𝑛2‬تولید کنید و سپس میانگین نمونه ی ‪ n‬تایی را به دست آورید‪.‬‬
‫ج) مراحل الف و ب را به اندازه ی )‪ 100(a+b‬به کمک یک حلقه تکرار کنید و هر بار یک میانگین بدست آورید و در نهایت میانگین‬
‫میانگینهارا بدست آورید‪.‬‬
‫د) مقدار بدست آمده را با مقدار دقیق )𝑋(𝐸 مقایسه کنید‪.‬‬