‫بعض التوزيعات االحتمالية‬

‫اوال توزيع زى الحديه ‪:‬ـ‬

‫‪The Binomial Distribution.‬‬

‫إرا وأد ٕ٘ان ٔعشتح ػش‪ٛ‬ائ‪١‬ح ٌ‪ٙ‬ا ٔر‪١‬عراْ فمؾ ّ٘ا ظ‪ٛٙ‬س ؼذز ِؼ‪ٔ ٓ١‬عاغ ا‪ ٚ‬ػذَ ظ‪ٛٙ‬س فشً ِصً ٔعاغ‬
‫اٌطاٌة ا‪ ٚ‬فشٍح‪ ،‬اٌّظثاغ اٌى‪ٙ‬شتائ‪ ٝ‬ظ‪١‬ذ ا‪ ٚ‬ذاٌف‪ٚ ،‬ط‪ٛ‬ي ؽائشج ف‪ِٛ ٝ‬ػذ٘ا ا‪ ٚ‬ػذَ ‪ٚ‬ط‪ٌٙٛ‬ا‪ ،‬ظ‪ٛٙ‬س اٌظ‪ٛ‬سج‬
‫ػٕذ اٌغاء لطؼح ٔم‪ٛ‬د ا‪ ٚ‬ػذَ ظ‪ٛٙ‬س٘ا‪.‬‬
‫ـــ ‪ ٚ‬إرا أظش‪٠‬د ٘زج اٌرعشتح ‪ ِٓ n‬اٌّشاخ‬
‫‪ ٚ‬ارا افرشػٕا أ‪٠‬ؼا أْ اؼرّاي ٔعاغ ٘زج اٌرعشتح ٘‪ ٚ . p ٛ‬اؼرّاي فشٍ‪ٙ‬ا ٘‪ q =1-p ٛ‬ؼ‪١‬س ‪p + q = 1‬‬
‫ــــ ٔفشع أْ ‪ ٛ٘ x‬اٌرغ‪١‬ش اٌؼش‪ٛ‬ائ‪ ٝ‬اٌّؼشف ػٍ‪٘ ٝ‬زج اٌرعشتح ‪٠ ٚ‬شِض اٌ‪ ٝ‬ػذد ِشاخ إٌعاغ ٌ‪ٙ‬زج اٌرعشتح‪.‬‬
‫ذؼط‪ ٝ‬داٌح وصافح االؼرّاي ٌٍّرغ‪١‬ش اٌؼش‪ٛ‬ائ‪ ٚ X ٝ‬اٌر‪ٔ ٝ‬شِض ٌ‪ٙ‬ا تاٌشِض )‪ f (x‬تاٌّؼادٌح‬
‫‪ n  x‬‬
‫‪nx‬‬
‫)‪  P (1  p‬‬
‫‪p  X  x   f ( x)   x ‬‬
‫‪‬‬
‫‪0‬‬

‫‪‬‬
‫‪x  0 ,1, 2 , .... , n‬‬
‫‪‬‬
‫‪‬‬
‫‪else where .‬‬
‫‪‬‬

‫ؼ‪١‬س ‪ n‬ػذد طؽ‪١‬ػ ِ‪ٛ‬ظة‪0  p  1 ،‬‬
‫ٔؽد ٘زج اٌشش‪ٚ‬ؽ ‪ٚ‬اػػ أْ ‪f ( x)  0‬‬
‫ِفى‪ٛ‬ن ر‪ ٜ‬اٌؽذ‪.ٓ٠‬‬
‫‪x‬‬

‫‪n‬‬
‫‪( a  b)     b a n  x‬‬
‫‪xo  x ‬‬
‫‪n‬‬

‫‪n‬‬

‫‪1) f ( x)  o‬‬
‫ـــ أرا وأد )‪ f(x‬داٌح وصافح اؼرّاي ٌٍرغ‪١‬ش اٌؼش‪ٛ‬ائ‪٠ x ٝ‬عة أْ ذؽمك‬

‫‪n‬‬

‫‪2)  f ( x) 1‬‬
‫‪x0‬‬

‫سثرد أْ ‪f ( x)  0‬‬

‫!‪n‬‬
‫‪n‬‬
‫‪1)   ‬‬
‫‪o‬‬
‫! ) ‪ x  x !( n  x‬‬
‫‪x  0 ,1, 2, ..... n‬‬

‫‪ٚ‬ا‪٠‬ؼا ‪ِٛ q n  x  (1 p) n  x , p x‬ظثراْ ٌعّ‪١‬غ ل‪ x ُ١‬ؼ‪١‬س ‪ِٕٙ ٚ x  0,1, 2, ...., n‬ا‬
‫ٔسرٕرط أْ )‪ِٛ f(x‬ظثح‪.‬‬
‫‪2‬ــ شأ‪١‬ا‬
‫‪n‬‬
‫‪ x‬‬
‫‪nx‬‬
‫‪ (1  p)  p   1‬‬
‫)‪ p (1  p‬‬
‫‪x‬‬

‫‪n‬‬

‫‪ ‬‬
‫‪n‬‬

‫‪xo‬‬

‫‪1‬‬

‫ا‪ ٜ‬أْ )‪ٔ f (x‬ؽمك شش‪ٚ‬ؽ داٌح وصافح االؼرّاي ٌٍّرغ‪١‬ش اٌؼش‪ٛ‬ائ‪ X ٝ‬إٌّفظً ‪٠ ٚ‬طٍك ػٍ‪ٙ١‬ا داٌح وصافح اؼرّاي‬
‫ص‪ ٜ‬اٌؽذ‪٠ ٚ binomial p.d.f ٓ١٠‬ماي ف‪٘ ٝ‬زج اٌؽاٌح أْ اٌرغ‪١‬ش اٌؼش‪ٛ‬ائ‪٠ X ٝ‬رثغ ذ‪ٛ‬ص‪٠‬غ ر‪ ٚ‬اٌؽذ‪ ٓ١٠‬تثاسا‬
‫ِشاخ ‪٠ ٚ n.p‬شِض ٌزٌه تاٌشِض )‪X ~ b ( n , p‬‬

‫‪1‬‬
‫‪ ٚ‬ارا لٍٕا ِص‪ ٣‬أْ ف‪٘ ٝ‬زج اٌؽاٌح ‪‬‬
‫‪3‬‬

‫‪‬‬
‫‪ X ~ b  5 ,‬ذى‪ ْٛ‬داٌح وصافح االؼرّاي‬
‫‪‬‬
‫‪5 x‬‬

‫‪x  0 ,1, 2 , ..... , 5‬‬

‫‪x‬‬

‫‪5  1   2 ‬‬
‫‪f ( x)       ‬‬
‫‪ x  3  3 ‬‬

‫ثاويا ‪ :‬ــ الدالة المولدة للحسوم لتوزيع زى الحدييه‪.‬‬

‫‪n‬‬

‫)‪e t x f ( x‬‬

‫‪‬‬

‫‪M (t ) ‬‬

‫‪x0‬‬

‫‪n‬‬
‫‪e t x   P x (1  p) n  x‬‬
‫‪ x‬‬

‫‪n‬‬

‫‪‬‬

‫‪x0‬‬

‫‪n‬‬
‫‪t x‬‬
‫‪nx‬‬
‫)‪   p e  (1  p‬‬
‫‪‬‬
‫‪x0  x ‬‬
‫‪n‬‬

‫ٌعّ‪١‬غ ل‪ t ُ١‬اٌؽم‪١‬م‪١‬ح‪.‬‬

‫‪‬‬

‫‪n‬‬

‫‪‬‬
‫‪‬‬

‫‪‬‬

‫‪M (t )  (1 p)  p e t‬‬

‫شاٌصا ‪:‬ــ اٌ‪ٛ‬سؾ اٌؽسات‪ ٚ ٟ‬االٔؽشاف اٌّؼ‪١‬اس‪ٌٍ ٞ‬ر‪ٛ‬ص‪٠‬غ‬
‫سٕ‪ٛ‬ظذ ّ٘ا ِٓ اٌذاٌح اٌّ‪ٌٛ‬ذج ٌٍؽض‪ َٚ‬وّا دسسٕا ساتمآ‪.‬‬
‫ٌٍؽظ‪ٛ‬ي ػٍ‪ ٝ‬اٌؼضَ اٌشائ‪ ٝ‬ؼ‪ٛ‬ي اٌظفش ٔفاػً اٌذاٌح اٌّ‪ٌٛ‬ذج ٌٍؼض‪ َٚ‬تإٌسثح ي ‪ t‬ػذد ‪ ِٓ r‬اٌّشاخ شُ ٔؼ‪ٛ‬ع‬
‫ػٓ ‪٘ٚ ( t=0‬زٖ ؽش‪٠‬مح اخش‪ٌٍ ٜ‬ؽظ‪ٛ‬ي ػٍ‪ ٝ‬اٌؼض‪.)َٚ‬‬

‫‪ p e ‬‬
‫‪  M  (0)  n (1  p)  p e ‬‬
‫‪n 1‬‬

‫‪t‬‬

‫‪p eo‬‬

‫‪0 n 1‬‬

‫‪‬‬

‫‪n2‬‬

‫‪p et‬‬

‫‪‬‬

‫‪n 1‬‬

‫‪‬‬

‫‪M  (t )  n (1  p)  P e t‬‬

‫‪  M  ( 0)  n p‬‬

‫‪‬‬

‫‪M  (t )  n (n 1) (1  p)  p e t‬‬

‫‪‬‬

‫‪ n (1  p)  p e t‬‬

‫‪2‬‬

‫‪ ‬‬

‫‪2‬‬

‫‪ p et‬‬

 ~  M  ( 0)   2
 n (n 1) P 2  (n p)  (n p) 2
 n2 p2  n p2  n p  n2 p2

 ~  n p (1  p)

‫ـــ‬: ‫الوسط الحسابي بالطريقة المعتادة‬
  E ( x) 

n

x f ( x)

x0

n

x0

n
x   Px qnx
 x

n
n
  E ( x)   x   p x q n  x
x 1

 x

n!
n
x   x
x ! ( n  x) !
 x
x n!
n
x  
 x  x ( x  1) ! (n  x) !
n (n 1)
n
x  
 x  ( x  1) ! (n  x) !
 n 1 
n
x  n  
 x
 x 1 

x – 1 = r ‫ػغ‬ٛ‫ت‬
n 1

 n 1  x n  x
P q
 r 

  E ( x)   n 
r 0

n 1

 n 1 
  n   P P ( x  1) q n  x
 r 
r 0
n 1
 n 1 
 n p    P r q n  ( r  1)
r 0  r 

n 1

 n 1 
 n p    P r q ( n  1)  r
r 0  r 

ٍٝ٠ ‫ٓ ِؼشفح وّا‬١٠‫ اٌؽذ‬ٜ‫غ ص‬٠‫ص‬ٛ‫ داٌح وصافح اؼرّاي ذ‬ٝ٘ f (x) ٓ‫ـــ ٌرى‬: ‫ِصاي‬

3

x  0 . ... ..7 x  7   1  x   1 . 2 .. 7     1   f ( x)   x   2   2  0    ‫خالف رٌه‬ )َٚ‫ٌذج ٌٍؼض‬ٌّٛ‫ ( اٌذاٌح ا‬M (t ) ‫ظذ‬ٚ‫ا‬ 1 1  M (t )    e t  2 2  p ( X  5) 1)    n p  7 .1.. P (0  x  1) : ‫ظذ‬ٚ‫شُ أ‬ 7 2 7 4 2)  2  n p ( 1  p)  3) p ( 0  X  1)  1  x 0 70 0 1 7 1  1 7  1   1  f ( x )      1        1   1  2   2  0 2  2 1 7 8 1     128 128 128 16 7 4) pr ( X  5)  f (5)    5 5 7 1 2 21 1 1      128 2 2 ٝ٘ X ٝ‫ائ‬ٛ‫ش اٌؼش‬١‫َ ٌٍّرغ‬ٚ‫ٌذج ٌٍؼض‬ٌّٛ‫ ـــ أرا وأد اٌذاٌح ا‬: ‫ِصاي‬ 2 1  M (t )    e t  3 3  5 X ‫رثؼح‬٠ ٜ‫غ اٌز‬٠‫ص‬ٛ‫ اٌر‬ٛ٘ ‫ِا‬ 4 .

. .. .1. 2. 5    ‫خالف رٌه‬  np  5 3  2  n p (1  p)  5 10 9 .ٜ‫اس‬١‫ٔؽشاف اٌّؼ‬٤‫ ا‬ٚ ٝ‫سؾ اٌؽسات‬ٌٛ‫ظذ ا‬ٚ‫ ا‬ٚ ‫اورة داٌح وصافح اٌؽرّاي‬ ‫ ــ‬: ً‫اٌؽــــ‬  1 X ~ b 5.   3  5   1  x  2  5  x        f ( x)   x   3   3  0   x  0 ..

16666666‬‬ ‫‪6‬‬ ‫)‪ 1  p ( x  1‬‬ ‫)‪1  f (0‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪p ( x  1)  1     1  0. . 5.1. 4.٣‬‬ ‫(‪ )1‬اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ٚ ٝ‬ظح ‪ٚ‬اؼذ ‪٠‬ؽًّ اٌشلُ (‪ّ٠ )3‬ىٓ اٌؽظ‪ٛ‬ي ػٍ‪١‬ح ِٓ داٌح وصافح االؼرّاي تؼذ‬ ‫اٌرؼ‪٠ٛ‬غ ‪x  1‬‬ ‫‪5‬‬ ‫‪1‬‬ ‫‪6 1 5‬‬ ‫‪f (1)       ‬‬ ‫‪1 6 6‬‬ ‫(‪ )2‬اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ٚ ٝ‬ظح ‪ٚ‬اؼذ ػٍ‪ ٝ‬االلً ‪٠‬ؽًّ اٌشلُ (‪ّ٠ )3‬ىٓ اٌؽظ‪ٛ‬ي ػٍ‪١‬ح وا‪٤‬ذ‪: ٝ‬ــ‬ ‫)‪p ( x  1)  f (1)  f (2)  f (3)  f (4)  f (5)  f (6‬‬ ‫‪1‬‬ ‫‪p   0. 2.‬‬ ‫‪‬‬ ‫‪‬‬ ‫خالف رٌه‬ ‫‪ّ٠‬ىٓ اسرخذاَ داٌح وصافح االؼرّاي ال ‪٠‬عاد ػذج اؼرّاالخ واْ ِٓ اٌظؼة ا‪٠‬عاد٘ا تاسرخذاَ اٌّثادئ اال‪١ٌٚ‬ح‬ ‫ٌالؼرّاالخ‪ .‬فّص‪. 6‬‬ ‫‪     ‬‬ ‫‪f ( x)   x   6   6 ‬‬ ‫‪‬‬ ‫‪0‬‬ ‫‪‬‬ ‫‪. x  0.‫ِصاي ‪:‬ـــ اٌم‪١‬د سرح ص٘شاخ ‪ٔ .‬فشع إٔا ٔشالة ظ‪ٛٙ‬س اٌ‪ٛ‬ظح اٌز‪٠ ٜ‬ؽًّ اٌش لُ (‪ . 3. )3‬ا‪ٚ‬ظذ داٌح وصافح‬ ‫االؼرّاي اٌخاطح تاٌّرغ‪١‬ش )‪ّ٠ ٛ٘ٚ (X‬صً ظ‪ٛٙ‬س اٌشلُ (‪.3348979‬‬ ‫‪6‬‬ ‫‪6‬‬ . )3‬‬ ‫اٌؽً ‪:‬ــ‬ ‫‪ n  6‬اؼرّاي إٌعاغ شاتد‬ ‫‪1‬‬ ‫‪ p‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫اؼرّاي اٌفشً شاتد ‪ (1  p)  q ‬‬ ‫‪6‬‬ ‫ذى‪ ْٛ‬داٌح وصافح االؼرّاي ٘‪ٝ‬‬ ‫‪ 6   1  x  5  6  x‬‬ ‫‪‬‬ ‫‪.

1‬‬ ‫‪   ‬‬ ‫‪f ( x)   2   2 ‬‬ ‫‪‬‬ ‫‪0‬‬ ‫‪‬‬ ‫‪.ٓ١٠‬فؤرا ذىشسخ ِؽا‪ٌٚ‬ح تشٔ‪ِ n ٌٝٛ‬شج‬ ‫‪ ٚ‬وأد ‪ ٝ٘ X i‬اٌّرغ‪١‬ش اٌؼش‪ٛ‬ائ‪ ٝ‬ف‪ ٝ‬اٌّؽا‪ٌٚ‬ح ‪ I‬فؤْ اٌّرغ‪١‬ش‬ ‫‪Xi‬‬ ‫‪‬‬ ‫‪X ‬‬ ‫‪٠‬رثغ ذ‪ٛ‬ص‪٠‬غ ر‪ ٜ‬اٌؽذ‪.‫ِالؼظح ٘اِح ‪:‬ـ‬ ‫ارا واْ ػذد اٌّؽا‪ٚ‬الخ ‪٠‬ســـا‪ٚ ٜٚ‬اؼذ‪ N = 1‬فؤْ ذ‪ٛ‬ص‪٠‬غ ص‪ ٜ‬اٌؽذ‪٠ ٓ٠‬ؤخز اٌشىً ا‪٢‬ذ‪:ٝ‬ــ‬ ‫‪‬‬ ‫‪x  0.‬‬ ‫‪‬‬ ‫خالف رٌه‬ ‫‪x  0.ٓ١٠‬‬ ‫أ‪ ٜ‬أْ ذ‪ٛ‬ص‪٠‬غ ر‪ ٜ‬اٌؽذ‪ ٓ٠‬تّؼاٌُ ‪ِ ٛ٘ n.‬‬ ‫‪‬‬ ‫‪‬‬ ‫ِا ػذا رٌه‬ ‫‪ِ ٚ‬ؼٕ‪٘ ٝ‬زا أْ اٌر‪ٛ‬ص‪٠‬غ اٌّزو‪ٛ‬س ‪٠‬ؼرثش ؼاٌح خاطح ِٓ ذ‪ٛ‬ص‪٠‬غ ر‪ ٜ‬اٌؽذ‪ ٓ١٠‬ػٕذِا ذى‪n = 1 ْٛ‬‬ ‫داٌح اٌر‪ٛ‬ص‪٠‬غ اٌرشاوّ‪١‬ح ٌر‪ٛ‬ص‪٠‬غ ر‪ ٜ‬اٌؽذ‪. p‬‬ ‫‪7‬‬ .‬‬ ‫‪x  0.‬‬ ‫)‪  p (1  p‬‬ ‫‪X‬‬ ‫‪x‬‬ ‫‪‬‬ ‫‪F ( x)  p ( X  x ) ‬‬ ‫‪X 0‬‬ ‫‪ٚ‬اػػ أْ ٕ٘ان ػاللح ‪ٚ‬ش‪١‬مح ت‪ ٓ١‬ذ‪ٛ‬ص‪٠‬غ تشٔ‪ ٚ ٌٍٝٛ‬ذ‪ٛ‬ص‪٠‬غ ر‪ ٜ‬اٌؽذ‪ .1‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ 1  x‬‬ ‫‪1 x‬‬ ‫‪  p (1  p) .‬‬ ‫‪f ( x)   x ‬‬ ‫‪0‬‬ ‫‪.1‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ p x (1  p)1  x .ٜ‬‬ ‫ِصاي ‪ :‬ــ ػٕذ اٌغاء ػٍّح ِشج ‪ٚ‬اؼذج فؤْ داٌح وصافح االؼرّاي ٌظ‪ٛٙ‬س اٌ‪ٛ‬ظح ٘‪ٝ‬‬ ‫‪ 1  x  1 1  x‬‬ ‫‪‬‬ ‫‪.ٓ١٠‬‬ ‫‪n x‬‬ ‫‪n X‬‬ ‫‪.‬‬ ‫‪f ( x)  ‬‬ ‫‪.‬‬ ‫‪0‬‬ ‫ِا ػذا رٌه‬ ‫‪٠ ٚ‬طٍك ػٍ‪ ٗ١‬اسُ ذ‪ٛ‬ص‪٠‬غ تشٔ‪ٔ Bernoulli Distribution ٌٝٛ‬سثح اٌ‪ِ ٝ‬ىرشـــــفح اٌش‪٠‬اػ‪ ٝ‬اٌســ‪٠ٛ‬سش‪. p‬عّ‪ٛ‬ع ‪ِ n‬رغ‪١‬ش ػش‪ٛ‬ائ‪٠ ٝ‬رثغ وً ِٕ‪ٙ‬ا ذ‪ٛ‬ص‪٠‬غ تشٔ‪ ٌٝٛ‬تّؼٍّح ‪.

718‬‬ ‫ذّصً ِمذاس شاتد‪..‬‬ ‫‪ ٚ‬تزٌه ذى‪ ْٛ‬شش‪ٚ‬ؽ ٘زا اٌر‪ٛ‬ص‪٠‬غ وا‪٢‬ذ‪:ٝ‬ــ‬ ‫‪ 1‬ــ أْ ذى‪ ْٛ‬اؼرّاي إٌعاغ شاتد ‪ ٚ‬وزٌه اؼرّاي اٌفشً ف‪ ٝ‬وً ِؽا‪ٌٚ‬ح ‪٠ ٚ‬شِض ٌ‪ّٙ‬ا تاٌشِض ‪ q. ........ .‬‬ ‫اشثاخ أ‪ٙ‬ا داٌح وصافح اؼرّاي ‪:‬ـــ‬ ‫‪٠‬الؼع أْ اٌّرســــٍســـٍح‬ ‫‪8‬‬ . p‬ػٍ‪ ٝ‬اٌّر‪ٛ‬اٌ‪.. n.‬سّ‪٘ ٝ‬زا اٌر‪ٛ‬ص‪٠‬غ ت‪ٙ‬زا ا‪٤‬سُ ٔسثح اٌ‪ ٝ‬أؼذ ِىرشـــفح ‪ ٛ٘ ٚ‬ت‪ٛ‬اس‪٠ ٚ ْٛ‬ؼرثش ِٓ اُ٘ اٌر‪ٛ‬ص‪٠‬ؼاخ ف‪ٝ‬‬ ‫اٌسائً اٌّرؼٍمح تاٌّىاٌّاخ اٌرٍ‪١‬ف‪١ٔٛ‬ح ‪ ٚ‬ؼشوح اٌّش‪ٚ‬س‪ ،‬تؼغ اٌظ‪ٛ‬ا٘ش إٌادسج ِصً اٌضٌضاي‪ ٚ ،‬اٌؽشائك‪ ،‬اٌؽ‪ٛ‬ادز‬ ‫ػٍ‪ ٝ‬أؼذ‪ ٜ‬اٌطشق‪ ،‬ػذد االخطاء اٌّطثؼ‪١‬ح ف‪ ٝ‬طفؽح ِا ِٓ وراب ‪ ٚ‬غ‪١‬ش رٌه‪ ٚ .‬‬ ‫‪ x e  ‬‬ ‫‪‬‬ ‫! ‪f ( x)   x‬‬ ‫‪0‬‬ ‫‪‬‬ ‫خالف رٌه‬ ‫ؼ‪١‬س ‪e = 2.‫‪ ٚ ‬تّؼٕ‪ ٝ‬آخش أرا وأد‬ ‫‪X 1 ..‬ى‪ٔ ٝ‬شالة‬ ‫تؼغ ؼاالخ إٌعاغ فؤٕٔا سٕعذ أْ ‪ n‬س‪ٛ‬ف ذى‪ ْٛ‬وث‪١‬شج ظذآ فّص‪ ٌٛ ٣‬اسدٔا ؼساب اؼرّاي خش‪ٚ‬ض اٌمطاس ِٓ‬ ‫ػٍ‪ ٝ‬اٌشش‪٠‬ؾ اٌّؽفظ‪ " ٌٗ ٝ‬اٌمؼثاْ" فؤٕٔا سٕم‪ َٛ‬تّشالثح اٌمطاساخ ا‪ ٚ‬ػذد وث‪١‬ش ظذآ ِٕ‪ٙ‬ا ‪ٔ ٚ‬ؽسة ػذد ِشاخ‬ ‫خش‪ٚ‬ض اٌمطاس ِٓ ػٍ‪ ٝ‬اٌشش‪٠‬ؾ أ‪ ٜ‬ؼاالخ إٌعاغ (اٌر‪ ٝ‬ؼممد ف‪ٙ١‬ا اٌؽادشح) ؼر‪ٔ ٝ‬سرط‪١‬غ أْ ٔؽسة االؼرّاي‪.. X 2 . X n‬‬ ‫ِرغ‪١‬شاخ ػش‪ٛ‬ائ‪١‬ح ‪٠‬رثغ وً ِٕ‪ٙ‬ا ذ‪ٛ‬ص‪٠‬غ تشٔ‪ ٌٍٝٛ‬تّؼٍّح ‪ p‬فؤْ‬ ‫‪Xi‬‬ ‫‪‬‬ ‫‪X ‬‬ ‫‪٠‬رثغ ذ‪ٛ‬ص‪٠‬غ ر‪ ٜ‬اٌؽذ‪ ٓ٠‬تّؼاٌُ ‪...‬داٌح وصافح االؼرّاي ٌر‪ٛ‬ص‪٠‬غ‬ ‫ت‪ٛ‬اس‪: ٝ٘ ْٛ‬ــ‬ ‫‪‬‬ ‫‪x  0..‬‬ ‫‪n p‬‬ ‫‪ٔ ٚ‬ؤخز ‪ X‬ل‪ّ١‬آ طؽ‪١‬ؽح ِ‪ٛ‬ظح اػرثاسآ ِٓ اٌظفش اٌ‪ِ ٝ‬االٔ‪ٙ‬ا‪٠‬ح‪.‬‬ ‫‪ 3‬ــ أْ ذى‪ ْٛ‬ػذد اٌّؽا‪ٚ‬الخ وث‪١‬شآ ظذآ ؼ‪١‬س أْ ‪ِ  n p  ‬مذاس شاتد‪.ٝ‬‬ ‫‪ 2‬ــ أْ ‪٠‬ى‪ ْٛ‬اؼرّاي إٌعاغ طغ‪١‬شآ ‪٠ ٚ‬مرشب ِٓ اٌظفش ‪ ٚ‬اؼرّاي اٌفشً ‪٠‬مرشب ِٓ اٌ‪ٛ‬اؼذ اٌظؽ‪١‬ػ‪.1.‬‬ ‫‪٠ ٚ‬ؼرثش ذ‪ٛ‬ص‪٠‬غ ت‪ٌٛ‬س‪ ِٓ ْٛ‬اٌر‪ٛ‬ص‪٠‬ؼاخ االؼرّاٌ‪١‬ح اٌّرمطؼح اٌر‪ ٝ‬ذمف ِرغ‪١‬شاخ ػش‪ٛ‬ائ‪١‬ح ِٕمطؼح ٌ‪ٙ‬ا اٌشش‪ٚ‬ؽ‬ ‫اٌساتمح‪ ٚ .. 3.. . 2.‬‬ ‫‪.. p‬‬ ‫ثاويآ ‪ :‬توزيع بواسون ‪Poisson Distribution‬‬ ‫ف‪ ٝ‬اٌؽ‪١‬اج اٌؼٍّ‪١‬ح اؼ‪١‬أآ ِا ٔماتً تؼغ اٌظ‪ٛ‬ا٘ش اٌر‪ٕ٠ ٝ‬طثك ػٍ‪ٙ١‬ا شش‪ٚ‬ؽ ذ‪ٛ‬ص‪٠‬غ ر‪ ٜ‬اٌؽذ‪ٌ ٚ ٓ٠‬ىٓ ٘زج اٌؽ‪ٛ‬ادز‬ ‫ذى‪ٔ ْٛ‬ادسج اٌ‪ٛ‬ل‪ٛ‬ع ‪٘ ٚ‬زا ‪٠‬ؼٕ‪ ٝ‬أْ اؼرّاي إٌعاغ ‪٠‬ى‪ ْٛ‬طغ‪١‬ش ظذآ ‪٠‬مرشب ِٓ اٌظفش ‪ ٚ‬ػٍ‪١‬ح فؤٔح ‪ّ٠‬ىٓ اٌم‪ٛ‬ي أْ‬ ‫‪ n p  ‬ؼ‪١‬س ‪ِ ٝ٘ ‬مذاس شاتد ‪ ٚ‬تزٌه ‪٠‬ى‪ ْٛ‬اؼرّاي اٌفشً وث‪١‬ش أ‪ ٜ‬أٔح ‪٠‬مرشب ِٓ اٌ‪ٛ‬اؼذ‪ٌ ٚ ..‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪..

.‫غ‬٠‫ص‬ٛ‫ ٌٍر‬ٝ‫سؾ اٌؽسات‬ٌٛ‫ ا‬ٝ٘ ْٛ‫اس‬ٛ‫غ ت‬٠‫ص‬ٛ‫ ذ‬ٝ‫ ف‬ ‫ اٌّؼٍّح‬ ...ْٛ‫اســـ‬ٛ‫غ ت‬٠‫ص‬ٛ‫ح ٌر‬١ّ‫غ اٌرشاو‬٠‫ص‬ٛ‫داٌح اٌر‬ 9 .2 e  1     2! 3  .‫ح‬١‫م‬١‫ اٌؽم‬t ُ١‫غ ل‬١ّ‫ٌع‬ ْٛ‫اس‬ٛ‫غ ت‬٠‫ص‬ٛ‫ ٌر‬ٜ‫اس‬١‫ االٔؽشاف اٌّؼ‬ٚ ٝ‫سؾ اٌؽسات‬ٌٛ‫ا‬ M  (t )  e  ( e t  1) t 1  e t   e t   (e  M  (t )  e  ( e )  e t   e t   M  (0)    2 t  1)  ( et  1 ) e  ~  M  (0)   2    2  2   ....  3!  x x0 x!    0 ‫س‬١‫ؼ‬  f (x) ٝ‫ ف‬  0 ْ‫س أ‬١‫ ؼ‬ٚ f ( x)  0    f ( x)  x0 e x e     x! x0  x x0 x!    e e  e  1 ...‫ ِٕمطغ‬ٝ‫ائ‬ٛ‫ش ػش‬١‫ؽ داٌح وصافح اؼرّاي ٌّرغ‬ٚ‫ ذؽمك شش‬f (x) ‫ اٌذاٌح‬ َٚ‫ٌذج ٌٍؼض‬ٌّٛ‫اٌذاٌح ا‬   M (t )  E (e t x )  e t x f ( x) x    et x x e   e x   x! e   x t    e eet  x! x  e   e ( e t  )  e    e t   e   (1  e ) t M (t )  e  ( e t  1)) .

2) x‬‬ ‫!‪x‬‬ ‫‪x  0.2‬‬ ‫‪ e  0.‫‪x‬‬ ‫‪X o‬‬ ‫)‪f ( x‬‬ ‫‪‬‬ ‫‪F ( x)  p  X  x  ‬‬ ‫‪x0‬‬ ‫‪e   x‬‬ ‫!‪x‬‬ ‫‪X 0‬‬ ‫‪x‬‬ ‫‪‬‬ ‫‪F ( x) ‬‬ ‫‪x0‬‬ ‫‪ٛ٠ ٚ‬ظذ ظذ‪ٚ‬ي ص ‪٠ 24‬ؼط‪ ٝ‬ل‪٘ ُ١‬زج اٌذاٌح اٌرشاوّ‪١‬ح ٌر‪ٛ‬ص‪٠‬غ ت‪ٛ‬اســـ‪ ْٛ‬ػٕذ ل‪ِ ُ١‬خرٍفح ٌــ ‪‬‬ ‫ِصاي ‪ :‬ــ ارا وأد ٔسثح اٌ‪ٛ‬ؼذاخ اٌّؼ‪١‬ثح ف‪ ٝ‬أراض ٔ‪ٛ‬ع ِٓ اٌٍّثاخ اٌى‪ٙ‬شتائ‪١‬ح ٘‪ٚ 0..2‬‬ ‫‪ 0.‬‬ ‫‪f ( x) ‬‬ ‫‪ 2‬ــ اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ٚ ٝ‬ؼذج ‪ٌ ٚ‬ؼذج ِؼ‪١‬ثح‪.. 2 (1  0.1..‬‬ ‫)‪e  0..‬‬ ‫‪ 3‬ــ اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ِ ٝ‬ظذج ِؼ‪١‬ثح ػٍ‪ ٝ‬االوصش‪.2‬‬ ‫‪0. 2.2  0.‬‬ ‫‪e  0. .‬اٌّطٍ‪ٛ‬ب‬ ‫‪1‬ــ ا‪٠‬عاد اٌر‪ٛ‬ص‪٠‬غ االؼرّاٌ‪ٌٙ ٝ‬زا اٌّرغ‪١‬ش‪.ْٛ‬فشع إٔٔا سؽثٕا ػٕ‪١‬ح ػش‪ٛ‬ائ‪١‬ح ِٓ ػششج ٌّثاخ‪ .2‬‬ ‫‪  0.02 ٝ‬اْ ػذد اٌ‪ٛ‬ؼذاخ‬ ‫اٌّؼ‪١‬ثح‬ ‫‪٠‬رثغ ذ‪ٛ‬ص‪٠‬غ ت‪ٛ‬اســـ‪ٔ .2‬‬ ‫‪ ٚ‬ؼ‪١‬س أْ ‪٠ X‬رثغ ذ‪ٛ‬ص‪٠‬غ ت‪ٛ‬اســ‪  ْٛ‬داٌح وصافح االؼرّاي ٘‪ٝ‬‬ ‫‪e  0.‬‬ ‫‪ 2‬ــ اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ِ ٝ‬ظذج ‪ٚ‬اؼذج ِؼ‪١‬ثح‪.2 (0.2 (0.. 2 (1.9825‬‬ ‫‪10‬‬ .163746‬‬ ‫!‪1‬‬ ‫‪e‬‬ ‫‪f (1) ‬‬ ‫‪ 3‬ــ اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ٚ ٝ‬ؼذج ِؼ‪١‬ثح ػٍ‪ ٝ‬االوصش‪.2)  0. 2‬‬ ‫‪e‬‬ ‫)‪ e  0..02)  0..‬‬ ‫اٌؽً ‪:‬ــ‬ ‫‪  n p  (10) (0.2) x‬‬ ‫‪1‬‬ ‫‪‬‬ ‫‪p ( X  1)  F (1) ‬‬ ‫‪x0‬‬ ‫)‪ e  0.2 (0. 2 (0.

ْٛ‫اســ‬ٛ‫غ ت‬٠‫ص‬ٛ‫ٌذج ٌالؼرّاالخ ٌر‬ٌّٛ‫اٌذاٌح ا‬ Probability Generating Function For Poisson Distribution.   t  G (t )  E t x  x f ( x) x0    t x x e   x! x0    (t  ) x x0  e   x0 e  e x! (t  ) x x! et   e   t  G (t )  e  ( t  1)  e   (1  t ) ‫ٌذج ٌالؼرّاالخ‬ٌّٛ‫ْ ِٓ اٌذاٌح ا‬ٛ‫اســـ‬ٛ‫َ ت‬ٚ‫اشرماق ػض‬  G  (t )  e  (t  1)  G  (t )   e  (t  1)   2 e  (t  1)  G  (1)      E ( x) G  (1)  2  2  2    2   ْٛ‫اســـ‬ٛ‫غ ت‬٠‫ص‬ٛ‫ذاتغ ٌر‬ 11 .

ٝ٘ ‫غ‬٠‫ص‬ٛ‫ضج ٌٍر‬١ٌّّ‫ف داٌح ا‬٠‫ٔؼٍُ أْ ذؼش‬  x (t )  E e i t x  X ‫ش‬١‫ ارا فاػٍٕا٘ا تإٌسثح ٌٍّرغ‬ٚ    Q X (t )  E e i t x i x Q x (0)  E i x   i E ( x) 1  E ( x)  Q x (0) x    1  E ( x)  1 Q x (0) i ٜ‫ ِشج أخش‬t ٌٝ‫ تاٌرفاػً تإٌسثح ا‬ٚ 12 ..)ٓ٠‫ اٌثٕا‬ٚ ‫سؾ‬ٛ‫ا (اٌّر‬ِٕٙ َٚ‫عاس اٌؼض‬٠‫ أ‬ٚ ْٛ‫اســر‬ٛ‫غ ت‬٠‫ص‬ٛ‫ؼرّاالخ ٌر‬٥ٌ ‫ٌذج‬ٌّٛ‫اٌذاٌح ا‬ G (t )  E (t x )    t x f ( x) x0    tx x e   x! x0 e    x0 (t  ) x x!  e  et   e t  G (t )  e  ( t  1) G  (t )  e  ( t  1)    G  (1)    11 G  (t )   e  ( t  1)   2 e  ( t  1) G  (1)  2  x2  G  (1)  G  (1)  G  (1)2  x2  2    2  x2   ْٛ‫اســـ‬ٛ‫غ ت‬٠‫ص‬ٛ‫غ ٌر‬٠‫ص‬ٛ‫ضج ٌٍر‬١ٌّّ‫اٌذاٌح ا‬ Characteristic function of poisson Distributio.

  Q  (t )  E (i x) e  Q  (0)  E  i x  Q x (t )  E e i t x (i x) (i x) 2 it x x 2 2 x Q x (0)  i 2 1 E ( x 2 )  E (x 2 )  1 i2 Q x (0) 1 i2  2  E ( x 2 )  Q x (0) ْ‫ّىٓ أشثاخ أ‬٠ ٚ 1 Qx (0) i3  3  E ( x 3 )  ْ‫ظح ػاَ فؤ‬ٛ٠ ٚ  r  E ( x r )  1 ir Qxr (0) ‫ا‬ِٕٙ ٓ١ِ‫را‬١ٌ‫ ا‬ٚ ‫سؾ‬ٛ‫عاد اٌّر‬٠‫ ا‬ٚ ْٛ‫اســ‬ٛ‫غ ت‬٠‫ص‬ٛ‫غ ٌر‬٠‫ص‬ٛ‫ضج ٌٍر‬١ٌّّ‫عاد اٌذاٌح ا‬٠‫اظة ا‬ٌٛ‫ا‬ Q x (t )  E (e i t x )  x e     ei t x x! x0  x   e   it x0 e   e  it x   x! xo  e Q x (t )  e  ( e e e i t 1 e it ) 176 ‫ْ ص‬ٛ‫اســـ‬ٛ‫غ ت‬٠‫ص‬ٛ‫اي ٌر‬ٌّٕٛ‫ا‬ Mean Mode Median 13 ‫سؾ‬ٛ‫اٌّر‬ ‫اي‬ٌّٕٛ‫ا‬ ‫ؾ‬١‫س‬ٌٛ‫ا‬ .

..  x! f ( x)  e   x0  x xo x!   e e 1 .f ( x  1)  x  1 e   / x  1 !  f ( x) x e   l x ! ْٛ‫اســـ‬ٛ‫غ ت‬٠‫ص‬ٛ‫ذ‬ f ( x)     e x  o.1. 2...‫مح اٌّؼرادج‬٠‫َ تاٌطش‬ٚ‫ٌٍؼض‬ E ( x)  1 ( x)    x x xo    e xo e e x! x   x 1 x ( x 1) ! x    ( x  1) ! xo  x 1     e ( x 1) ! x 1 ‫سؾ‬ٛ‫ـــ اٌّر‬1 y  x 1   e   y 0 e E ( x)   14  e  y y! .. .. .

‫ا‬ِٕٙ  e x x e   x ! x0   e  x x ! x0 2  E (e x )   ee    e  e   1 M x ( )  e  e M x ( )   e e M x ( )   e ( e M x (0)   e0  1    e        1)   M x ( )   15  M x ( )   e  ( e  1)  [2 e (e      1)  2  e  1   e  ( e   1)   ] .  E (x 2 )  x 2 f ( x) x0    x2 x e   x! x0   x  2 xx x e    x1 x0    x e   x0 x!  x ( x  1)  x   x ( x  1) x e   x0    x ( x  1) x0 x!     x6 x e   x ( x 1) ( x  2) x e   x!  E ( x) e   2) !  when x  2 y0  y x e   y! 2 y e M x ( )  y! E ( x)2 e     e  M x ( ) ‫اٌذاٌح‬ ‫ٌذج‬ٌّٛ‫ا‬ َٚ‫ٌٍؼض‬ ‫غ‬٠‫ص‬ٛ‫ٌر‬ ْٛ‫اســــ‬ٛ‫ت‬ ‫عاد‬٠‫ ا‬ٚ ٚ ‫سؾ‬ٛ‫اٌّر‬ ٓ٠‫اٌرثا‬ .

ْ‫ٔالؼع أ‬ f ( x  1)  x  1 e   / ( x  1) !  f ( x) x e   / x ! f ( x  1)   f ( x) x 1 ‫ٕا شالز ؼاالخ‬٠‫ظذ ٌذ‬ٛ‫ رٌه ذ‬ٍٝ‫ ػ‬ٚ ْ‫ أ‬ٜ‫أ‬ َ‫أ ـــ ارا واْ اٌثسؾ > اٌّما‬ f ( x  1)  f ( x)   x 1  x   1 )‫ذ‬١‫ؼ‬ٚ ‫اي‬ٛ‫ا ِر‬ٌٙ( ‫ذج‬٠‫ ِرضا‬f (x) ْٛ‫ ذى‬ ْ‫ أ‬ٜ‫أ‬ َ‫اٌّما‬ ً‫ال‬  ‫ب ــ ارا واْ اٌثسؾ‬   x 1  x   1 )‫ذ‬١‫ؼ‬ٚ ‫اي‬ٛ‫ا ِر‬ٌٙ ( ‫ داٌح ِرٕالظح‬f (x) ْٛ‫ ذى‬ َ‫ض ــ ارا واْ اٌثسؾ = اٌّما‬   x 1  x    1  f ( x  1) 1 f ( x) ‫ــ‬1  f ( x  1)  f ( x) 1 ِٓ x ٓ‫ع ػ‬ٛ‫ٔف‬ f (  1  1)  f (  1)  f ( )  f (  1) 16 .M x (0)  2    2 ( x)   2 ( x)  12 ( x)  2    2     x2 ْٛ‫اســـ‬ٛ‫غ ت‬٠‫ص‬ٛ‫اي ذ‬ِٕٛ Mode of Poisson Distribution.

ُ‫ػػ رٌه تاٌشس‬ٛٔ ٚ f ( x)  4x e4 x! x  0.x .. x    1 ‫ػ ػٕذ‬١‫ ػذد طؽ‬  1 ْ‫الْ ارا وا‬ٚ‫ْ ٕ٘ان ِٕا‬ٛ‫ى‬٠ ٚ   1 ‫سآ تؼذ‬ٛ‫ ف‬ٟ‫ؤذ‬٠ ‫ػ‬١‫ي ػذد طؽ‬ٚ‫ أ‬ٛ٘ ْٛ‫ى‬٠ ‫اي‬ٌّٕٛ‫ػ فؤْ ا‬١‫ش طؽ‬١‫ ػذد غ‬  1 ْ‫ إِا إرا وا‬ ‫ــ‬: ٝ‫ؽ‬١‫ػ‬ٛ‫ِصاي ذ‬   4 ْ‫ــ ٔفشع ا‬1  1 4 1 3 ... f (0)  e  4  0.1954 45 e  4 4  44  4  4   e   f ( 4) 5! 5  4 ! 5  f (5)  0.146525 2!   43  4 4  4 2 e  4 f (3)  e   3! 3  2! f (3)  0..1562934518 f (5)  17 ..0183 f (1)  4 e  4  0.0733  4 ( f (0)) f (2)  42 e 4  2 4 e  4  2 f (1)  0..1.. 2. .‫ػ‬١‫ ػذد طؽ‬ x4 . x  3 ‫ ػٕذ‬ٜ‫ أ‬x   ٚ x    1 ‫ْ ػٕذ‬ٛ‫اســـ‬ٛ‫غ ت‬٠‫ص‬ٛ‫االْ ٌر‬ِٕٛ ‫ْ ٕ٘ان‬ٛ‫ى‬٠  .1953668148  4   f (2)   3 44 e 4 43 e  4 f (4)    f (3) 4! 3!  f (4)  f (3)  0.. 3.. 4. ...

5‬‬ ‫∏ ٔفشع أْ ‪   4.5‬‬ ‫‪ ‬إٌّ‪ٛ‬اي ٘‪ ٛ‬أ‪ٚ‬ي ػذد طؽ‪١‬ػ ‪٠‬ؤذ‪ ٝ‬ف‪ٛ‬سآ تؼذ )‪(3.5‬‬ ‫‪ 1‬‬ ‫‪18‬‬ ‫أ‪ ٜ‬ػٕذ ‪. x  4‬‬ .‫‪  1  3.

5) 4  4.f ( x)  (4. 5 f ( 2)  2! 4. 5 5! 4 .5) x e  4 . 5  f (1)  0.11 2 (4.5) 2 e  4.5  0. 5 f (3)  3!  4 .5 f ( 2) 3  0. 5 f ( 4)  e 4! 4.5) e  4.17  (4. 5 f (1)  0.19  f (5)  (4.17 5 . 5 f (3) 4  0.5) 3 e  4.05 (4.5 f (4)  0.5) 5  19 e  4.5 x! f (0)  e  4.01 f (1)  (4.

‬‬ ‫أْ اٌظ‪١‬غح اٌرىشاس‪٠‬ح ف‪ ٝ‬ذ‪ٛ‬ص‪٠‬غ ت‪ٛ‬اســـ‪ٝ٘ ْٛ‬‬ ‫)‪ p ( x‬‬ ‫‪‬‬ ‫‪x 1‬‬ ‫‪p ( x  1) ‬‬ ‫اٌثش٘اْ ‪:‬ـــ‬ ‫‪x 1 e  ‬‬ ‫)‪p ( x  1‬‬ ‫)‪f ( x  1‬‬ ‫! )‪( x  1‬‬ ‫‪‬‬ ‫‪‬‬ ‫)‪p ( x‬‬ ‫)‪f ( x‬‬ ‫‪x e  ‬‬ ‫!‪x‬‬ ‫)‪p ( x  1‬‬ ‫‪‬‬ ‫‪‬‬ ‫)‪p ( x‬‬ ‫‪x 1‬‬ ‫‪p ( x)     1‬‬ ‫‪‬‬ ‫‪x 1‬‬ ‫‪ p ( x  1) ‬‬ ‫‪ ٚ‬ػٓ ؽش‪٠‬ك ٘زج اٌظ‪١‬غح ‪ّ٠‬ىٓ ذؽذ‪٠‬ذ االؼرّاالخ اٌّمرشٔح تؼٕاطش فؼاء ‪ X‬د‪ ْٚ‬اٌٍع‪ٛ‬ء ٌٍرؼ‪٠ٛ‬غ ف‪ٝ‬‬ ‫اٌذاٌح )‪ ٚ P (x‬أّٔا ‪٠‬رطٍة رٌه فمؾ ؼساب )‪ ِٓ ٚ P(0‬ذُ ذؽذد تم‪١‬ح االؼرّاالخ اٌالؼمح ٌٍؼٕظش ‪X = 0‬‬ ‫ِٓ خالي ٘زج اٌظ‪١‬غح ‪ ٚ‬وّا ٘‪ِٛ ٛ‬ػػ تا‪٢‬ذ‪ ٝ‬تاٌرؼ‪٠ٛ‬غ ف‪ I ٝ‬ب ‪X = 0‬‬ ‫‪p (0)  p ( X  0) e  ‬‬ ‫)‪p (0)   p (0‬‬ ‫‪‬‬ ‫‪ p (1) ‬‬ ‫‪0 1‬‬ ‫‪x 1‬‬ ‫)‪p (0‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪ p (0) ‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪p (1) ‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪p (2) ‬‬ ‫‪x2‬‬ ‫)‪p (2‬‬ ‫‪‬‬ ‫‪3‬‬ ‫‪p (3) ‬‬ ‫‪ ٚ‬تشىً ػاَ فؤْ‬ ‫‪j  1.‬‬ ‫‪‬‬ ‫‪j‬‬ ‫‪p ( j) ‬‬ ‫‪20‬‬ ..... 2. 3... .‬‬ ‫‪p ( j  1) .‫ط‪١‬غح ذىشاس‪٠‬ح (ط‪١‬غح اٌرشاظغ) ٌر‪ٛ‬ص‪٠‬غ ت‪ٛ‬اســ‪ْٛ‬‬ ‫‪Recurrence formula for Poisson distribution.

1.2. n‬‬ ‫‪N‬‬ ‫‪ ‬‬ ‫‪n‬‬ ‫‪٠‬رؼػ ٌٕا أْ شش‪ٚ‬ؽ ذطث‪١‬ك ٘زا اٌر‪ٛ‬ص‪٠‬غ ٘‪ ٝ‬ا‪٢‬ذ‪: ٝ‬ــ‬ ‫‪ 1‬ــ أْ ‪ٕ٠‬مســُ اٌّعرّغ اٌ‪ ٝ‬لسّ‪ ٓ١‬لســُ ‪ٍّ٠‬ه خاط‪١‬ح ِؼ‪ٕ١‬ح ‪ ٚ‬ا‪٢‬خش ال ‪ٍّ٠‬ى‪ٙ‬ا‪.‬‬ ‫ِصاي ‪ِ ِٓ 2‬عّ‪ٛ‬ػح ا‪ٚ‬ساق اٌٍؼة سؽثد خّسح ‪ٚ‬سلاخ ‪ ٚ‬اٌّطٍ‪ٛ‬ب ؼساب اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ٌٚ ٝ‬ذ‪ٚ ٓ٠‬‬ ‫‪ 3‬أ‪ٚ‬ساق ِٓ أ‪ٛٔ ٜ‬ع ِغ اٌؼٍُ أْ اٌسؽة ‪٠‬رُ تذ‪ ْٚ‬أسظاع‪. . 2.‬‬ ‫اٌؽً ‪:‬ــ‬ ‫‪ 4   48 ‬‬ ‫‪   ‬‬ ‫‪2  3 ‬‬ ‫‪ 52 ‬‬ ‫‪ ‬‬ ‫‪5‬‬ ‫‪f (2) ‬‬ ‫‪ ٚ‬ذى‪ ْٛ‬داٌح وصافح االؼرّاي ٘‪ٝ‬‬ ‫‪.. 4 ... . n‬‬ ‫(‪ِ ٚ‬صاي رٌه ػٕذ سؽة ػ‪ٕ١‬ح لذس٘ا ‪ n = 5‬وش‪ٚ‬خ ِٓ ا‪ٚ‬ساق اٌى‪ٛ‬ذش‪ٕ١‬ح ِا ٘‪ ٛ‬اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ٝ‬‬ ‫‪ X = 4‬وش‪ٚ‬خ ِٓ إٌ‪ٛ‬ع ‪ ٚ spade‬وشخ ِٓ أ‪ٛٔ ٜ‬ع ف‪٘ ٝ‬زج اٌؽاٌح ‪ٔ x‬رثغ ذ‪ٛ‬ص‪٠‬غ اٌّ‪ٙ‬ا‪٠‬ثشظ‪ِ ٛ١‬رشن‬ ‫‪ٔ ٚ‬ؤخز داٌح وصافح االؼرّاي اٌخاطح تح اٌشىً ا‪٢‬ذ‪: ٝ‬ــ‬ ‫‪M  N  M ‬‬ ‫‪‬‬ ‫‪  ‬‬ ‫‪ x  n  x‬‬ ‫‪f ( x)  p r ( X  x) ‬‬ ‫‪. …. x  0 .‬‬ ‫‪ٌٍ ٚ‬رؼشف ػٍ‪ ٝ‬داٌح ٘زا اٌر‪ٛ‬ص‪٠‬غ ٔفشع أْ‬ ‫‪1‬ــ ؼعُ اٌّعرّغ ِؽذ‪ٚ‬د ‪ِ ( N‬صاي رٌه ِعرّغ ا‪ٚ‬ساق اٌٍؼة ا‪ ٜ‬اٌى‪ٛ‬ذش‪ٕ١‬ح ؼ‪١‬س ‪N = 52‬‬ ‫‪ 2‬ــ ٔفشع أْ ٘زا اٌّعرّغ ِمسُ اٌ‪ ٝ‬ظضئ‪ ٓ١‬ا‪ٚ٤‬ي ‪٠‬رى‪ٚ M ِٓ ْٛ‬ؼذج ٌ‪ٙ‬ا خاط‪١‬ح ِؼ‪ٕ١‬ح (ا‪ٚ٤‬ساق ِٓ إٌ‪ٛ‬ع‬ ‫‪ ٚ Spade‬ػذد٘ا ‪ 13‬أ‪ ٜ‬أْ ‪ ٚ ،)M = 13‬اٌعضء اٌصأ‪ِ ٝ‬ى‪ٚ N – M ِٓ ْٛ‬ؼذج ‪١ٌ ٚ‬س ٌح ٘زج اٌخاط‪١‬ح‬ ‫(تم‪١‬ح ا‪ٚ‬ساق اٌى‪ٛ‬ذش‪ٕ١‬ح اٌر‪١ٌ ٝ‬سد ِٓ إٌ‪ٛ‬ع ‪N – M = 52 – 13 = 39 Spade‬‬ ‫‪ 3‬ــ ٔفشع إٔٔا أخزٔا ػ‪ٕ١‬ح تطش‪٠‬مح ػش‪ٛ‬ائ‪١‬ح ِٓ ٘زا اٌّعرّغ ؼعّ‪ٙ‬ا ‪ ٚ n‬واْ اٌسؽة ا‪ ٚ‬اخر‪١‬اس ِفشداخ‬ ‫٘زج اٌؼ‪ٕ١‬ح تذ‪ ْٚ‬اسظاع أ‪ ٜ‬أْ (اٌؽ‪ٛ‬ادز غ‪١‬ش ِسرمٍح)‪ .‬‬ ‫‪3‬ــ ‪٠‬عة أْ ذى‪ِ N ْٛ‬ؽذ‪ٚ‬دج أ‪ ٜ‬ال ذى‪ ْٛ‬وث‪١‬شج ظذآ‪.ٜ‬‬ ‫‪4‬ــ ٔفشع إٔٔا ٔش‪٠‬ذ اٌؽظ‪ٛ‬ي ػٍ‪ x ٝ‬ؼاٌح ٔعاغ تاٌؼثؾ ِٓ ‪ِ n‬ؽا‪ٌٚ‬ح ‪x = 0.1. 2 .‬‬ ‫‪ 2‬ــ اٌسؽة ف‪٘ ٝ‬زج اٌؽاٌح ‪٠‬ى‪ ْٛ‬تذ‪ ْٚ‬اسظاع ا‪ ٜ‬أْ اؼرّاي إٌعاغ غ‪١‬ش شاتد ‪ ٚ‬وزٌه اؼرّاي اٌفشً‪.. x  0.‬زا اٌر‪ٛ‬ص‪٠‬غ ‪٠‬ظٍػ‬ ‫ٌٍّعرّؼاخ اٌّؽذ‪ٚ‬دج ػٕذِا ‪٠‬ى‪ ْٛ‬اٌسؽة تذ‪ ْٚ‬اسظاع‪. 3 ... ...4. 1.‫ذ‪ٛ‬ص‪٠‬غ اٌ‪ٙ‬ا‪٠‬ثشظ‪ِ ٛ١‬رشن‬ ‫‪The Hypergeometric Distribution‬‬ ‫ف‪ ٝ‬اٌر‪ٛ‬ص‪٠‬ؼ‪ ٓ١١‬اٌساتم‪( ٓ١‬ذ‪ٛ‬ص‪٠‬غ ر‪ ٜ‬اٌؽذ‪ ٚ ٓ٠‬ذ‪ٛ‬ص‪٠‬غ ت‪ٛ‬اســ‪ )ْٛ‬افرشػٕا أْ اؼرّاي إٌعاغ شاتد ِٓ ِؽا‪ٌٚ‬ح ا‪ٜ‬‬ ‫أْ ا‪٤‬ؼذاز ِسرمٍح‪ .‬وّا افرشػٕا ف‪ ٝ‬ذ‪ٛ‬ص‪٠‬غ ت‪ٛ‬اســـ‪ ْٛ‬أْ ػذد اٌّؽا‪ٚ‬الخ وث‪١‬ش ظذآ ‪ ٚ‬ا‪ٔ ْ٢‬ش‪٠‬ذ أْ ٔرؼشف ػٍ‪ٝ‬‬ ‫ذ‪ٛ‬ص‪٠‬غ ‪٠‬ى‪ ْٛ‬اؼرّاي إٌعاغ ف‪١‬ح غ‪١‬ش شاتد ‪ ٚ‬ػذد اٌّؽا‪ٚ‬الخ ال ‪ّ٠‬ىٓ أْ ‪٠‬ى‪ ْٛ‬وث‪١‬ش‪٘ ٚ . 5‬‬ ‫‪ 4   52  4 ‬‬ ‫‪‬‬ ‫‪  ‬‬ ‫‪ x 5  x‬‬ ‫‪f ( x) ‬‬ ‫‪ 52 ‬‬ ‫‪ ‬‬ ‫‪5‬‬ ‫‪21‬‬ .‬فطث‪١‬ؼ‪ ٝ‬أْ اؼرّاي إٌعاغ ف‪ ٝ‬وً ِؽا‪ٌٚ‬ح س‪ٛ‬ف‬ ‫‪٠‬خرٍف ػٓ اٌّؽا‪ٚ‬الخ ا‪٤‬خش‪.3.

‬اٌّطٍ‪ٛ‬ب أ‪٠‬عاد اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ٚ )5( ٝ‬ؼذاخ سٍ‪ّ١‬ح‬ ‫‪ ٚ‬وزٌه اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ٚ )4( ٝ‬ؼذاخ ِؼ‪١‬ثح‪.ٛ‬‬ ‫‪ 4   48 ‬‬ ‫‪   ‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪f (3)    52 ‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪5‬‬ ‫الْ اٌؽظ‪ٛ‬ي ػٍ‪ 5 ٝ‬أ‪ٚ‬الد ؼذشؤ ِسرؽ‪.ً١‬‬ ‫طفش = )‪f (5‬‬ ‫ِصاي ‪: 3‬ــ ِعّ‪ٛ‬ػح ِى‪ٔٛ‬ح ِٓ ‪ٚ 25‬ؼذج ِٕ‪ٙ‬ا (‪ٚ )10‬ؼذاخ ِؼ‪١‬ثح ٔفشع إٔٔا سؽ‪ٕ١‬ا ػ‪ٕ١‬ح ِى‪ٔٛ‬ح ِٓ خّســح‬ ‫‪ٚ‬ؼذاخ تطش‪٠‬مح ػش‪ٛ‬ائ‪١‬ح ‪ ٚ‬واْ اٌسؽة تذ‪ ْٚ‬أسظاع‪ .‬‬ ‫اٌؽً ‪:‬ــ‬ ‫ؼ‪١‬س اٌسؽة تذ‪ ْٚ‬اسظاع فؤْ داٌح وصافح االؼرّاي ٔؤخز اٌشىً ا‪٢‬ذــ‪: ٝ‬ــ‬ ‫‪ 10   25  10 ‬‬ ‫‪‬‬ ‫‪  ‬‬ ‫‪x  5 x ‬‬ ‫‪f ( x) ‬‬ ‫‪ 25 ‬‬ ‫‪ ‬‬ ‫‪5‬‬ ‫‪ِٕٙ ٚ‬ا اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ ٝ‬خّسح ‪ٚ‬ؼذاخ سٍ‪ّ١‬ح ا‪ ٜ‬ػذَ اٌؽظ‪ٛ‬ي ػٍ‪ٚ ٝ‬ؼذاخ ِؼ‪١‬ثح ‪ٛ٘ x = 0‬‬ ‫‪ 10   15 ‬‬ ‫‪ 15 ‬‬ ‫‪   ‬‬ ‫‪ ‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪f (0)  25    25‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪ 10   15 ‬‬ ‫‪‬‬ ‫‪  ‬‬ ‫‪ 4  5  4‬‬ ‫‪f ( 4) ‬‬ ‫‪ 25 ‬‬ ‫‪ ‬‬ ‫‪5‬‬ ‫‪22‬‬ .‫‪ّ٠ ٚ‬ىٓ اٌؽظ‪ٛ‬ي ػٍ‪ ٝ‬أ‪ ٜ‬اؼرّاي ٔش‪٠‬ذج ِٓ داٌح وصافح االؼرّاي فّص‪ ٣‬اؼرّاي اٌؽظ‪ٛ‬ي ػٍ‪ 3 ٝ‬أ‪ٚ‬الد ‪ ٚ‬وشذ‪ٓ١‬‬ ‫ِٓ أ‪ٛٔ ٜ‬ع ٘‪.

‫ِرشن‬ٛ١‫ثشظ‬٠‫ا‬ٌّٙ‫غ ا‬٠‫ص‬ٛ‫ ٌر‬ٞ‫اس‬١‫ االٔؽشاف اٌّؼ‬ٚ ٟ‫سؾ اٌؽسات‬ٌٛ‫ا‬ ‫ــ‬: ‫ح‬٠‫ٔظش‬ ْ‫ِرشن فؤ‬ٛ١‫ثشظ‬٠‫غ ٘ا‬٠‫ص‬ٛ‫ ذر‬X ‫ارا وأد‬ 23 .‫ االورش‬ٍٝ‫اؼذ ػ‬ٚ ‫ٌذ‬ٚ ٍٝ‫ي ػ‬ٛ‫ظذ اؼرّاي اٌؽظ‬ٚ‫ ا‬2 ُ‫ ِٓ ِصاي سل‬4 ‫ِصاي‬ p ( X  1)  p ( x  0)  p ( x 1)  f (0)  f (1) 1   x0  4   48       x 5  x  52    5  4   48   4   48          0  5  1 4  p ( x  1)     52  52         5 5 ‫ــ‬: ‫غ‬٠‫ص‬ٛ‫خظائض اٌر‬  f (x)  1 ْ‫ أ‬ٜ‫ أ‬..‫ داٌح وصافح اؼرّاي‬ٝ٘ f (x) ْ‫ــ اشثاخ أ‬1 ‫ــ‬: ْ‫اٌثش٘ا‬ m  i 0 a  b 9  b         i  m  i  m  ْ‫ٔالؼع أ‬ ْ‫ْ تش٘ا‬ٚ‫ا تذ‬ِٙ‫ػاللح ٘اِح سٕسرخذ‬ n   f ( x)  x0 n  x0 M  N  M       x n  x N   n ‫ظثػ‬١‫ تاسرخذاَ اٌؼاللح اٌساتمح فؤْ اٌثسؾ س‬ٚ n  x0 M  f ( x)    N    n   n  1 N N     n n  N M .

‬‬ ‫‪ ٛ٘ ٚ‬اؼرّاي إٌعاغ ف‪ ٝ‬اٌّعرّغ‬ ‫ا‪٤‬شــثاخ ‪:‬ـــ‬ ‫‪n‬‬ ‫)‪x f ( x‬‬ ‫‪‬‬ ‫‪x0‬‬ ‫‪N  M  N‬‬ ‫‪‬‬ ‫‪  ‬‬ ‫‪ nx  n‬‬ ‫‪M  N  M ‬‬ ‫‪‬‬ ‫‪  ‬‬ ‫‪n‬‬ ‫‪ x  nx ‬‬ ‫‪  E ( x)   x‬‬ ‫‪‬‬ ‫‪N‬‬ ‫‪xo‬‬ ‫‪ ‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫!‪M‬‬ ‫‪ x‬‬ ‫! )‪x ! ( M  x‬‬ ‫‪x0‬‬ ‫ؽش‪٠‬مح أخش‪ِّ ٜ‬ىٓ اسرخذاَ اٌؼاللح ِثاششج ػٍ‪ ٝ‬اٌثسؾ وا‪٢‬ذ‪: ٝ‬ــ‬ ‫‪24‬‬ .‫‪N M‬‬ ‫‪N n‬‬ ‫‪M‬‬ ‫‪M‬‬ ‫‪. Var ( x)  n ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪N‬‬ ‫‪N‬‬ ‫‪N‬‬ ‫‪N 1‬‬ ‫‪M‬‬ ‫ــــ أ‪ ٜ‬أْ اٌّر‪ٛ‬سؾ ‪ ‬‬ ‫‪N‬‬ ‫‪  E ( x)  n ‬‬ ‫‪  n‬ؼعُ اٌؼ‪١‬ــٕح ِفش‪ِٚ‬آ ف‪ ٝ‬اؼرّاي إٌعاغ ف‪ ٝ‬اٌّعرّغ‪.‬‬ ‫‪M‬‬ ‫ــــ (‪ ٚ‬االٔؽشاف اٌّؼ‪١‬اس‪ = 2 ) ٜ‬اٌرثا‪ = ٓ١٠‬ؼعُ اٌؼ‪ٕ١‬ح ِفش‪ِٚ‬آ ف‪ٝ‬‬ ‫‪N‬‬ ‫‪N M‬‬ ‫‪M‬‬ ‫‪N n‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ٚ ‬‬ ‫‪ ٛ٘ ٚ 1 ‬اؼرّاي اٌفشــً ف‪ ٝ‬اٌّعرّغ ِؼش‪ٚ‬تآ ف‪ٝ‬‬ ‫ِؼش‪ٚ‬تآ ف‪ ٝ‬‬ ‫‪N‬‬ ‫‪N ‬‬ ‫‪N 1‬‬ ‫‪‬‬ ‫٘‪ِ ٛ‬مذاس ‪٠‬ســا‪ ٜٚ‬اٌ‪ٛ‬اؼذ اٌظؽ‪١‬ػ ػٕذِا ‪٠‬ى‪ ْٛ‬اٌسؽة تؤسظاع ‪٠ ٚ‬طٍك ػٍ‪١‬ح اسُ اٌرظؽ‪١‬ػ ٌٍّعرّؼاخ‬ ‫اٌّؽذ‪ٚ‬دج‪.

a  b     c  M a  b       r  C  r c  r 0 n 1  y 0  M  1  N  M       y  n 1  y N   n M 1 N  M  M   y  n 1y    N   n  N  1 M  M  (n  1) ! n 1     N     n! n ( N  1) ! M (n  1) ! ( N  n) !  N ( N  1) ! n (n  1) ! ( N  1) ! ( N  1) ! ( N  1  (n  1) ! N! ( N  n) ! n N M  n N  M  n  x0  n  x 1  n   M  1  N  M   N  M        x 1   n x   n   M  1  N  M  M      x 1  n  x  N  N  1   n  n 1  M  1  N  M       x 1   n  x   N  1    n 1 n M N  x 1 y  n 1  n  x ‫ ػٕذ‬y  0 M n N 1 . x  1 ‫ ػٕذ‬ y  x  1 ‫ػغ‬ٛ‫ت‬ n 1  y 0 n 1  M  1   ( N  1)  ( M  1)   N  1        y   n  ( y  1)   n  1   M  1   ( N  1)  ( M  1)   N  1        ( n  1)  y y 0  y     n 1 M   E ( x)  n N n 25 M N  .

‫ِرشن‬ٛ١‫ثشظ‬٠‫غ ٘ا‬٠‫ص‬ٛ‫ٓ ٌر‬١٠‫اٌرثا‬ Var ( X )  E ( x 2 )  E ( x) 2  E ( x 2  x)  E ( x) 2  E ( x 2  x)  E ( x)  E ( x) 2 Var ( X )  E x ( x  1)   E ( x)  E ( x) 2 E ( x ( x  1)) ْ٢‫ظذ ا‬ٕٛ‫س‬ M  N  M      n  x  nx  E x ( x  1)   x ( x  1) N x0   n M!  N  m x ( x  1 )   n x ! ( M  x) !  n  x  E ( x) ( x  1)   N x0   n m (m  1) (m  2) !  N  m x ( x  1 )   n x ( x  1) ( x  2) ! (m  x) !  n  x    N x2   n  M ( M  1) n  x2  M ( M  1) n  x2  M  2  N  M       x 2   n  x  N   n  M  2  N  M       x2  nx  N ( N  1)  N  2    n (n  1)  n  2            x2  nx   N  2   n2 M 2  n (n  1) M ( M  1) N ( N  1) n  x0 N M 2 y  0 ْ‫ فؤ‬x  2 ‫ ػٕذ‬ y  x  2 ‫ٔؼغ‬ y  n  2 ْ‫ فا‬x  n ‫ ػٕذ‬x  y  2 26 ..

‫ا داٌح وصافح اؼرّاي‬ٙٔ٤  Var ( x)  E x ( x 1)  E ( x)  E ( x) 2 2 M M 1 M 2 M  n (n  1)  n n N N 1 N N2 n M N  M 1 M  1  n (n  1)  N 1 M  ‫ ٔظٍػ‬ٚ ‫ظذ اٌّماِاخ‬ٛٔ n M  N (n  1) ( M  1)  N ( N  1)  n m ( N  1)    N  N ( N  1)  M N nM  N n  N M  N  N2  N  nM N  nM    N  N ( N  1)  M  N ( N  M )  n (M  N )  Var ( x)  n  N  N ( N  1)  n M  N (N  M )  n (N  M )    N  N ( N  1)  M ( N  M ) ( N  n)  n N N ( N  1) Var ( x)  n Var ( x)  n  M  N  M   N  n      N  N   N  1  27 . M  2   ( N  2)  ( M  2)      n (n 1) M ( M  1) n  2  y   n  ( y  2)  E ( x ( x  1))   N ( N  1)  N  2 y 0   n2  M  2   ( N  2)  ( M  2)      n (n  1) M ( M  1) n  2  y   ( N  2 )  y   1  N ( N 1)  N  2 y 0   n2 E ( x( x  1))  n (n  1) M N M 1 N 1 .

4 .‬‬ ‫شأ‪١‬آ ‪:‬ــ‬ ‫ارا واْ اٌســؽة تذ‪ ْٚ‬اسظاع فؤْ اؼرّاي إٌعاغ ‪ ٚ‬وزٌه اؼرّاي اٌفشــً غ‪١‬ش شاتد ‪ ٚ‬ذى‪ ْٛ‬داٌح وصافح‬ ‫االؼرــّاي ٌر‪ٛ‬ص‪٠‬غ ٘ا‪٠‬ثشظ‪ِٛ١‬رشن ٘‪ٝ‬‬ ‫‪28‬‬ .‫‪M‬‬ ‫‪M‬‬ ‫ِالؼظح ‪:‬ـــ ارا ‪ٚ‬ػؼٕا‬ ‫‪ p ‬فؤْ اٌ‪ٛ‬سؾ ‪ n p‬‬ ‫‪N‬‬ ‫‪N‬‬ ‫ِســا‪٠ٚ‬آ ٌٍ‪ٛ‬سؾ اٌؽســات‪ٌ ٝ‬ر‪ٛ‬ص‪٠‬غ ر‪ ٜ‬اٌؽذ‪ ٚ . x  0 .‬‬ ‫اٌؽً ‪ :‬ــ ا‪ ٢ٚ‬ارا افرشػٕا أْ اٌســؽة ذُ تؤسظــاع فؤْ اؼرــّاي إٌعاغ س‪ٛ‬ف ‪٠‬ى‪ ْٛ‬شاترـآ ‪ِ ٚ‬مذاسج‬ ‫‪5‬‬ ‫‪ ٚ P ‬تزٌه ‪٠‬ى‪ ْٛ‬اؼرــّاي اٌفشــً ‪q  1  0.ٓ٠‬االٔؽشاف‬ ‫‪ٌ   n‬ر‪ٛ‬ص‪٠‬غ اٌ‪ٙ‬ا‪٠‬ثشظ‪ِٛ١‬رشن ‪٠‬ى‪ْٛ‬‬ ‫‪N M‬‬ ‫‪M‬‬ ‫‪1‬‬ ‫‪1  p‬‬ ‫‪N‬‬ ‫‪N‬‬ ‫‪ N  n‬‬ ‫‪n p (1  p) ‬‬ ‫‪‬‬ ‫‪ N ‬‬ ‫‪Var ( x) ‬‬ ‫اٌّؼ‪١‬اس‪ٌ ٜ‬ر‪ٛ‬ص‪٠‬غ اٌ‪ٙ‬ا‪٠‬ثشظ‪ِٛ١‬رشن = االٔؽشاف اٌّؼ‪١‬اس‪ٌ ٜ‬ر‪ٛ‬ص‪٠‬غ ر‪ ٜ‬اٌؽذ‪ِ ٓ٠‬مش‪ِٚ‬آ ف‪ ٝ‬اٌّمذاس ‪٠‬سّ‪٘ ٝ‬زا‬ ‫‪N n‬‬ ‫تّؼاًِ ذظؽ‪١‬ػ اٌّعرّؼاخ‪.1‬‬ ‫‪50‬‬ ‫‪ ٚ‬ذى‪ ْٛ‬داٌح اٌر‪ٛ‬ص‪٠‬غ االؼرــّاي ٌر‪ٛ‬ص‪٠‬غ ص‪ ٜ‬اٌؽذ‪ٝ٘ ٓ٠‬‬ ‫‪5‬‬ ‫‪f ( x)    (0.9) 5  x . 2 .9‬‬ ‫‪ 0.‬‬ ‫اٌّمذاس‬ ‫‪N 1‬‬ ‫داٌح اٌر‪ٛ‬ص‪٠‬غ اٌرشاوّ‪١‬ح ٌر‪ٛ‬ص‪٠‬غ اٌ‪ٙ‬ا‪٠‬ثش ظ‪ِٛ١‬رشن‪. 5‬‬ ‫‪ x‬‬ ‫‪ ٚ‬تاٌرؼ‪٠ٛ‬غ ‪٠‬م‪ x ُ١‬اٌّخرــٍفح ٔؽظً ػٍ‪ f (x) ٝ‬اٌّ‪ٛ‬ػؽح ف‪ ٝ‬اٌعذ‪ٚ‬ي‪.1.1) x (0. 3 .1  0.‬‬ ‫‪0xn‬‬ ‫‪M  N  M ‬‬ ‫‪‬‬ ‫‪  ‬‬ ‫‪ x  nx ‬‬ ‫‪N‬‬ ‫‪ ‬‬ ‫‪n‬‬ ‫‪x‬‬ ‫‪‬‬ ‫‪F ( x)  p ( X  x ) ‬‬ ‫‪x0‬‬ ‫ذمش‪٠‬ة ر‪ ٜ‬اٌؽذ‪ ٓ٠‬ورمش‪٠‬ة ٌر‪ٛ‬ص‪٠‬غ اٌ‪ٙ‬ا‪٠‬ثش ظ‪ِٛ١‬رشن ‪:‬ـــ‬ ‫‪ّ٠‬ىٓ اسرخذاَ ذ‪ٛ‬ص‪٠‬غ صر اٌؽذ‪ ٓ٠‬ورمش‪٠‬ة ٌٍؽاالخ اٌر‪٠ ٝ‬طثك ػٍ‪ٙ١‬ا ذ‪ٛ‬ص‪٠‬غ اٌ‪ٙ‬ا‪٠‬ثشظ‪ِٛ١‬رشن تششؽ اال ذى‪(N) ْٛ‬‬ ‫طغ‪١‬شج ظذآ ‪ّ٠ ٚ‬ىٓ ذ‪ٛ‬ػ‪١‬ػ رٌه تاٌّصاي ا‪٢‬ذ‪: ٝ‬ـــ‬ ‫ػ‪ٕ١‬ح ِى‪ٔٛ‬ح ِٓ (‪ٚ )5‬ؼذاخ اخر‪١‬شخ تطش‪٠‬مح ػش‪ٛ‬ائ‪١‬ح ِٓ ِعّ‪ٛ‬ػح ِى‪ٔٛ‬ح ِٓ (‪ٚ )50‬ؼذج ذؽر‪ ٜٛ‬ػٍ‪)5( ٝ‬‬ ‫‪ٚ‬ؼذاخ ِؼ‪١‬ثح ‪ ٚ‬اٌّطٍ‪ٛ‬ب ؼســاب االؼرــّاالخ اٌّخرٍفح تاسـرخذاَ ص‪ ٜ‬اٌؽذ‪ ٚ ٓ٠‬اٌر‪ٛ‬ص‪٠‬غ اٌ‪ٙ‬ا‪٠‬ثش ظ‪ِٛ١‬رشن ‪ٚ‬‬ ‫اٌّماسٔح ت‪ّٕٙ١‬ا‪.

35336‬‬ ‫‪٠‬رؼـػ ِٓ اٌعذ‪ٚ‬ي أْ االؼرــّاالخ ٔمرشب ِٓ تؼؼ‪ٙ‬ا ‪ ٚ‬تزٌه ‪ّ٠‬ىٓ اػرثاس ذ‪ٛ‬ص‪٠‬غ ص‪ ٜ‬اٌؽذ‪ ٓ٠‬ذمش‪٠‬ة ظ‪١‬ذ‬ ‫ٌر‪ٛ‬ص‪٠‬غ اٌ‪ٙ‬ا‪٠‬ثشظ‪ِٛ١‬رشن ػٕذِا ذى‪١ٌ n ْٛ‬سـد طغ‪١‬شج‪ .0729‬‬ ‫‪0. 4 .‫‪.‬ىٓ ‪٠‬عً أْ ٕٔ‪ٛ‬ج اٌ‪ ٝ‬أٔح ف‪ ٝ‬ؼاٌح اٌسـؽة‬ ‫تؤسظـاع ‪٠‬ى‪ ْٛ‬ذ‪ٛ‬ص‪٠‬غ ص‪ ٜ‬اٌؽذ‪ ٛ٘ ٓ٠‬اٌز‪٠ ٜ‬ؼط‪ ٝ‬االؼرـّاي اٌّؼث‪ٛ‬ؽ أِا ف‪ ٝ‬ؼاٌح اٌسـؽة تذ‪ ْٚ‬اسظاع‬ ‫فؤْ ذ‪ٛ‬ص‪٠‬غ اٌ‪ٙ‬ا‪٠‬ثشظ‪ِٛ١‬رشن ‪٠‬ؼط‪ ٝ‬االؼرـّاي اٌّؼث‪ٛ‬ؽ‪.0081‬‬ ‫‪0.00011‬‬ ‫‪0.49‬‬ ‫‪0. 5‬‬ ‫‪ 5   45 ‬‬ ‫‪‬‬ ‫‪  ‬‬ ‫‪ x 5  x‬‬ ‫‪f ( x) ‬‬ ‫‪ 50 ‬‬ ‫‪ ‬‬ ‫‪5‬‬ ‫‪ ٚ‬تاٌرؼ‪٠ٛ‬غ تمــ‪ x ُ١‬اٌّخرــٍفح ٔؽسـة )‪ f (x‬اٌّـ‪ٛ‬ػؽح تاٌعذ‪ٚ‬ي ا‪٢‬ذ‪: ٝ‬ــ‬ ‫االؼرــّاالخ تاسـررخذاَ ذ‪ٛ‬ص‪٠‬غ اٌ‪ٙ‬ا‪٠‬ثشظ‪ِٛ١‬رشن‬ ‫‪ X‬االؼرــّاالخ تاســرخذاَ ذ‪ٛ‬ص‪٠‬غ ص‪ ٜ‬اٌؽذ‪ٓ٠‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪0. 3 .00001‬‬ ‫‪0.32805‬‬ ‫‪0.0005‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪0.‬‬ ‫‪29‬‬ . x  0 .0000015‬‬ ‫‪0. 2 .00045‬‬ ‫‪0.1.59.5766‬‬ ‫‪0.06392‬‬ ‫‪0.‬ظذآ‪ٌ ٚ .

30 .

31 .

32 .

33 .

34 .

35 .

36 .

Sign up to vote on this title
UsefulNot useful