第七章常態分配.doc

第七章 常態分配 7.2 連續隨機變數的機率分配 例7.1：二項分配的直方圖可用連續曲線做其近似圖：丟擲銅板4次的Histogram如圖7.1所示，將0,1,2,3,4當作是各組的組中點，將組中點連起來就成為連續曲線。 例7.2，例7.3複習第六章的累積機率分配(for discrete random variable) 連續(Continuous)隨機變數的機率分配： 機率密度函數(probability density function, pdf) 注意：機率密度函數不等於機率，但機率密度函數可用來求機率，如：求P(a X b) 均等分配(uniform distribution)： So, 7.3 常態與標準常態分配 常態分配(Normal Distribution)： 1. 是對稱的分配，mean=median=mode 2. 許多隨機變數都趨近於常態分配 其機率密度函數(pdf)為： 無論其平均數與標準差為何，表7-2所示可作為常態分配曲線下的面積（機率值）的近似值。 Recall: Rule of Thumb in previous chapters 例7.4：EPS 標準常態分配與Z統計式： 常態分配因平均數與標準差不同而在計算pdf下的面積時必須查不同的機率表，為避免查表繁瑣，可將常態分配標準化─即標準常態分配，如此我們只需要一張表就好。 其標準化的公式如下： Recall: 這就是前面提過的 Z-Score 注意：標準常態分配：μ=0, σ=1 查標準常態分配表： 例1：某大學的學生IQ為常態分配，μ=120, σ=15,請問P(120IQ142.5)=? 例2：超商經理想知道超大品種的盒裝蛋的銷售情形如何？調查過去25週之資料發現其為常態分配：μ=743盒,σ=254盒，P(550X850)=? 例7.5：甜甜圈之需求亦是常態分配：μ=50打, σ=5打, 為避免賣不完而虧錢（店的噱頭為不售隔夜的甜甜圈），要生產多少才能應付95％的需求？i.e. P(Xx0) = 0.95, x0=? 7.4 Lognormal 分配 若Y為常態分配，且連續隨機變數X = eY，X即為lognormal 分配之變數。 Ln(X) = ln(eY) = Y E[ln(X)] = E(Y) =μ V[ln(X)] = V(Y) =σ2 因此 7.5 常態分配作為二項與普瓦松分配的近似分配 二項分配→常態分配： E(X)=np V(X)=np(1-p) → 例7.6：p=0.16, n=1000, P(142≦x≦185)=? Poisson分配→常態分配： E(X)=V(X)=λ → 例7.7：20分鐘內平均50顧客上門，λ＝50，求20分鐘內有42到57個顧客上門的機率？ i.e. P(42≦X≦57)=? 7.6 應用 應用7.1：分析每股盈餘與報酬率 假設GM與Ford的資料是常態分配，表7.7是其區間估計值，這兒主要是看平均報酬率與其投資風險。 應用7.2：不確定之情形下的成本─數量─利潤(CVP) 分析 在確定情況下：Q, P, V(variable cost)為已知。 在不確定情況下：兩種可能假設： 1. Q為不確定變數，但為常態分配， Q→N(μq,σ2q),因此，w=TR-TC=Q(P-V)-F, w→N(μw,σ2w) 假設：μq＝5000, σq＝400, P＝3000, V＝1750, F＝5,800,000 →μw＝450,000, σq＝500,000, 可用A3的機率表來求P(w＞200,000)＝？ P(w＝0)＝？ 或 2. Q為不確定變數，但為lognormal分配， 而μ＝E(lnQ), σ2＝V(lnQ), 因為Q≧0 因而CVP分析比較趨近於lognormal分配。 應用7.3：在不確定情況下的投資決定 Hillier(1963)的一種分析方法： 他假設：某計畫中的投資在未來第t年的net cash inflow (=net profit + depreciation)為常態分配，且其NPV亦為常態分配。 , Ct為net cash inflow at year t. P(NPVi＜0)=？ P(NPVi＜A)=？, i=1,2,….. 可用來比較不同的投資案，i=1,2,….. 應用7.4：貸款利率的決定 Rf: risk-free rate; Rp: risk premium EBIT: earnings before interest and tax 假設：貸款利率為常態分配。 根據表7.9算出之mean及standard de