‫ﺍﳌﺒﺎﺩﺉ ﺍﻷﻭﻟﻴﺔ ﰲ ﺍﻻﺣﺘﻤﺎﻻﺕ‬

‫اﻷﺴﺘﺎذ أﺤﻤد أﺒو ﻨﺒوت‬

‫‪2013‬‬
‫‪k =n‬‬
‫= ) ‪E (X‬‬ ‫‪∑x‬‬ ‫‪k‬‬ ‫‪⋅f (x k‬‬ ‫)‬
‫‪k =1‬‬

‫‪B‬‬
‫‪A‬‬
‫‪A ∩B‬‬
‫‪B \A‬‬
‫‪A \B‬‬

‫‪Probability‬‬
‫~‪~0‬‬
 ‫اﻝﺤﻤد ﷲ‬
‫وددت أن أدﻝو ﺒدﻝوي ﻓﻲ ﻤوﻀوع اﻻﺤﺘﻤﺎﻻت ‪ ،‬ﻝﻌﻠﻲ أﻗدم ﻓﻜرة ﺠدﻴدة أو ﺘوﻀﻴﺢ ﻝﻤﺴﺄﻝﺔ ﻗد ﺘﻜون‬
‫ﻏﺎﻤﻀﺔ ﻗﻠﻴﻼً ‪ ،‬أو أﻀﻊ ﻤﺴﺄﻝﺔ ﻴﺴﺘﻔﻴد ﻤﻨﻬﺎ دارس أو ﺒﺎﺤث ﻓﻲ ﻫذا اﻝﻤوﻀوع ‪.‬‬
‫وأﻗﺼد ﻤن ذﻝك وﺠﻪ اﷲ اﻝﻜرﻴم ‪ ،‬داﻋﻴﺎً راﺠﻴﺎً أن ﻴﻘﺒل ﻋﻤﻠﻲ‪،‬‬
‫وأن ﻴﻌﻔو ﻋﻨﻲ ﻋﻨد اﻝﺴؤال ﻋن ﻋﻠﻤﻪ ﻤﺎذا ﻋﻤل ﺒﻪ‪.‬‬
‫وﻫذا اﻝﻜﺘﺎب ﻝﻠﻤرﺤﻠﺔ اﻝﺜﺎﻨوﻴﺔ‬
‫وأﺘﻘدم ﺒﺎﻝﺸﻜر ﻝﻤن ﻴرى ﻋﻴﺒﺎً وﻴﺨﺒرﻨﻲ ﺒﻪ ‪،‬ﻷﻨﻲ ﻻ أدﻋﻲ اﻝﻜﻤﺎل ﻓﻴﻤﺎ ﻜﺘﺒت ﻓﺎﻝﻜﻤﺎل ﷲ وﺤدﻩ‪.‬‬
‫ﻻﺘﻨﺴوﻨﺎ ﻤن دﻋوة ﺼﺎﻝﺤﺔ‬

‫أﺤﻤد أﺒو ﻨﺒوت‬

‫~‪~1‬‬
 ‫اﻟﻔﻬﺮس‬
‫رﻗم اﻝﺼﻔﺤﺔ‬ ‫ﻋﻨوان اﻝﺒﺤث‬
‫اﻝﻔﻬرس‪2................................................................................‬‬
‫ﺘﻤﻬﻴد ‪4.................................................................................‬‬

‫ت‪5.......................................‬‬ ‫ط تا‬ ‫‪ :‬ھمو‬ ‫اﻟﺒﺤﺚ اﻷول‬

‫اﻻﺨﺘﺒﺎر اﻝﻌﺸواﺌﻲ ‪--‬اﻻﺨﺘﺒﺎر‪ --‬ﻓﻀﺎء اﻝﻌﻴﻨﺔ ‪5.........................................‬‬
‫ﺸﺠرة اﻝﺘﺠﺎرب اﻝﻤﺘﺘﺎﻝﺒﺔ‪10................................................................‬‬
‫اﻝﻤﺒدأ اﻷﺴﺎﺴﻲ ﻓﻲ اﻝﻌد‪11................................................................‬‬
‫اﻝﺘرﺘﻴﺒﺎت‪ --‬اﻝﺘﺒدﻴﻼت‪12.................................................................:‬‬
‫اﻝﺘوﻓﻴﻘﺎت‪13...............................................................................‬‬
‫اﻝﺤدث‪ --‬ﻤﺠﻤوﻋﺔ اﻷﺤداث‪ --‬ﺠﺒر اﻷﺤداث‪15...........................................‬‬
‫داﻝﺔ اﻻﺤﺘﻤﺎل‪19.........................................................................‬‬
‫اﻝﻔﻀﺎء اﻝﻤﻨﺘﻬﻲ اﻝﻤﺘﺴﺎوي اﻻﺤﺘﻤﺎﻻت‪20..................................................‬‬
‫ﻤﺒرﻫﻨﺎت اﻻﺤﺘﻤﺎﻻت‪21...................................................................‬‬
‫اﻝﺘﺠﺎرب اﻝﻤﺘﻜررة اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﺜﻨﺎﺌﻲ اﻝﺤد‪30..........................................‬‬

‫‪ :‬اﻻﺤﺘﻤﺎل اﻝﺸرطﻲ‪33.................................................‬‬ ‫اﻟﺒﺤﺚ اﻟﺜﺎﻧﻲ‬

‫داﻝﺔ اﻻﺤﺘﻤﺎل اﻝﺸرطﻲ‪34.................................................................‬‬
‫ﻗﺎﻨون اﻻﺤﺘﻤﺎل اﻝﻤرﻜب‪40................................................................‬‬
‫ﻤﺒدأ اﻻﺤﺘﻤﺎﻻت اﻝﻜﻠﻴﺔ―ﻗﺎﻋدة ﺒﺎﻴز ‪43...................................................‬‬
‫ﺘﺠﺎرب اﻝﺴﺤب وﺤﺎﻻﺘﻪ‪48................................................................‬‬

‫‪ :‬اﻻﺴﺘﻘﻼل اﻻﺤﺘﻤﺎﻝﻲ‪53..............................................‬‬ ‫اﻟﺒﺤﺚ اﻟﺜﺎﻟﺚ‬

‫اﻻﺴﺘﻘﻼل اﻻﺤﺘﻤﺎﻝﻲ ﻝﺤدﺜﻴن‪53...........................................................‬‬
‫اﻻﺴﺘﻘﻼل اﻻﺤﺘﻤﺎﻝﻲ ﻝﺜﻼﺜﺔ أﺤداث ﻤﻌﺎً ‪57................................................‬‬

‫~‪~2‬‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ واﻝﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ واﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ‪59..................‬‬
‫ّ‬ ‫‪:‬‬ ‫اﻟﺒﺤﺚ اﻟﺮاﺑﻊ‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ‪59.........................................................................‬‬
‫ّ‬
‫اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ‪64.......................................................‬‬
‫اﻝرﻴﺎﻀﻲ ( ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ‪66.....................................‬‬
‫اﻝرﻴﺎﻀﻲ ) اﻷﻤل ّ‬
‫اﻝﺘّوﻗﻊ ّ‬
‫ﺨواص اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ‪71..................................................................‬‬
‫ﺘوﻗﻊ اﻝﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد‪75..................................................................‬‬
‫داﻝﺔ اﻝﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ اﻝﻤﺘﺠﻤﻌﺔ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪77......................................‬‬
‫اﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري‪79...............................................................‬‬
‫اﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري ﻝﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد‪80. ...........................................‬‬
‫اﻝﻘﻴﻤﺔ اﻝﻤﻌﻴﺎرﻴﺔ‪82..........................................................................‬‬
‫ﺘوزﻴﻊ ﺒواﺴن ‪83............................................................................‬‬
‫ﻤدﺨل إﻝﻰ اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ اﻝﻤﺴﺘﻤر )اﻝﻤﺘﺼل(‪88..........................................‬‬
‫ﺘﻌرﻴف اﻝﺘوزﻴﻊ اﻝطﺒﻴﻌﻰ‪91..................................................................‬‬

‫ﻣﺴﺎﺋﻞ ﻋﺎﻣﺔ‪92...........................................................................‬‬

‫~‪~3‬‬
 ‫ﺍﻻﺣﺘﻤﺎﻻﺕ‬
‫‪-------------------------------------------------‬‬
‫ﺘﻤﻬﻴد ‪:‬‬
‫ﻓﻲ ﺠﻠﺴﺔ ﻷﻓراد اﻷﺴرة ﺘﺴﻤﻊ أﺤﻴﺎﻨﺎً ﻤن أﺤد أﻓراد اﻷﺴرة ﻴﻘول إن ﻓﻼن )رﺠل ﻗرﻴب ﻝﻸﺴرة( ﺴﺘﺠري ﻝﻪ‬
‫ﻋﻤﻠﻴﺔ‪ ،‬وﺘﺴﻤﻌﻪ ﻴﻘول إن اﺤﺘﻤﺎل ﻨﺠﺎح اﻝﻌﻤﻠﻴﺔ ‪ 15‬ﺒﺎﻝﻤﺌﺔ ) ‪ ، ( 15 0 0‬ﻴﺘﺄﺜر ﺠﻤﻴﻊ أﻓراد اﻷﺴرة ﻤن ﻫذا‬
‫اﻝﺨﺒر ‪ ،‬وﻴدﻋون اﷲ ﻝﻪ ﺒﺎﻝﺸﻔﺎء‪.‬‬
‫ورد ﻓﻲ ﻫذا اﻝﻨص ﻜﻠﻤﺔ اﺤﺘﻤﺎل ﻤﺎذا ﺘﻌﻨﻲ ﻫذﻩ اﻝﻜﻠﻤﺔ ؟ وورد ﻗﻴﺎس ﻝﻬذا اﻻﺤﺘﻤﺎل ﻤن أﻴن ﺠﺎء ﻫذا‬
‫اﻝﻘﻴﺎس وﻜﻴف ﻴﺘم ﺤﺴﺎﺒﻪ؟‬
‫وﺘﺄﺜر أﻓراد اﻷﺴرة ﻝﻘﻴﻤﺔ ﻫذا اﻝﻘﻴﺎس ﻝﻤﺎذا ؟ ﻨﻼﺤظ أن ِﺨ َﺒرة اﻹﻨﺴﺎن ﻓﻲ اﻝﺤﻴﺎة ﺒﻴﻨت ﻝﻪ أن اﻻﺤﺘﻤﺎل ﻫو‬
‫ﻨﺴﺒﺔ ﺤﺼول اﻝﻨﺘﻴﺠﺔ ‪.‬‬
‫ﻜﺄن ﻫذﻩ اﻝﻌﻤﻠﻴﺔ أﺠرﻴت ﺴﺎﺒﻘﺎً ﺤﺴب ﺴﺠﻼت اﻷطﺒﺎء ﻋﻠﻰ ‪ 100‬ﻤرﻴض ﺒﻨﻔس اﻝﻤرض ﻨﺠﺤت اﻝﻌﻤﻠﻴﺔ ﻤﻊ‬
‫‪85‬‬ ‫‪15‬‬
‫أي ﻨﺴﺒﺔ‬ ‫واﺤﺘﻤﺎل ﻓﺸﻠﻬﺎ‬ ‫‪ 15‬ﺸﺨص وﻓﺸﻠت ﻤﻊ ‪ 85‬ﺸﺨص ﻓﺄﺼﺒﺢ اﺤﺘﻤﺎل ﻨﺠﺎح اﻝﻌﻤﻠﻴﺔ‬
‫‪100‬‬ ‫‪100‬‬
‫اﻝﻔﺸل أﻜﺒر ﺒﻜﺜﻴر ﻤن ﻨﺴﺒﺔ اﻝﻨﺠﺎح وﻫو ﺴﺒب ـﺘﺄﺜر أﻓراد اﻷﺴرة ﻋﻠﻰ ﻫذا اﻝﻤرﻴض‪.‬‬
‫ﻓﻲ ﻤﻌظم ﻤﻴﺎدﻴن اﻝﺤﻴﺎة اﻝﻌﻤﻠﻴﺔ اﻝﻴوﻤﻴﺔ واﻝﻨﺸﺎط اﻝﻌﻠﻤﻲ ‪ ،‬ﺘﺠﺎرب وﻤﺸﺎﻫدات وظواﻫر ﻴﻤﻜن أن ﺘﺘﻜرر‬
‫ﻋدداً ﻜﺒﻴ اًر ﻤن اﻝﻤرات ﺘﺤت ظروف ﻤﺘﺸﺎﺒﻬﺔ ‪ ،‬وﻓﻲ ﻜل ﻤرة ﻨﻬﺘم ﺒﻨﺘﺎﺌﺞ ﻫذﻩ اﻝﺘﺠﺎرب واﻝﻤﺸﺎﻫدات ‪.‬‬
‫ﻝﻴﺒﻨﻰ ﺒذﻝك ﻋﻠم ﻫو ﻋﻠم اﻻﺤﺘﻤﺎل‪ ،‬واﻝذي ﻴﺴﺘﻔﺎد ﻤﻨﻪ اﻝﺘﻨﺒؤ ﺒﻨﺘﻴﺠﺔ ﺘﺠرﺒﺔ ﻤﺎ ﻋﻨدﻤﺎ ﺘﺘﻜرر اﻝﺘﺠرﺒﺔ‬
‫ﻓﻲ ﻨﻔس اﻝظروف اﻝﺘﻲ ﺘم ﺤﺴﺎب اﺤﺘﻤﺎﻻت أﺤداﺜﻬﺎ‪.‬‬
‫ﻓﻲ اﻝﻤﺜﺎل اﻝﺴﺎﺒق ﻨﺠد اﻝﺘراﺒط اﻝوﺜﻴق ﺒﻴن ﻋﻠم اﻻﺤﺘﻤﺎل وﻋﻠم اﻹﺤﺼﺎء‪.‬‬
‫ﻝﻜن ﻋﻤﻠﻴﺎً ﻫل ﻋﻨدﻤﺎ ﻨﻠﻘﻲ ﺤﺠر اﻝﻨرد ﺴت ﻤرات ﺴﺘظﻬر اﻝﻨواﺘﺞ‪ 1, 2, 3, 4,5, 6 :‬ﺒﺎﻝﺘﺴﻠﺴل ﻨﻔﺴﻪ‬
‫‪1‬‬
‫‪ ،‬اﻝﺠواب ﺒﺎﻝﻨﻔﻲ‪.‬‬ ‫وﻨﻘول ﻋﻨدﺌذ اﺤﺘﻤﺎل ﻜل ﻨﺘﻴﺠﺔ ﻫو‬
‫‪6‬‬
‫ﻷﻨﻪ ﻋﻤﻠﻴﺎً ﻋﻨدﻤﺎ ﻨﻠﻘﻲ ﺤﺠر اﻝﻨرد ﺴت ﻤرات ﻗد ﻻ ﻴظﻬر أﺤد اﻝﻨواﺘﺞ اﻝﺴﺘﺔ أو ﺘظﻬر اﻝﻨﺘﻴﺠﺔ ﻨﻔﺴﻬﺎ ﺴت‬
‫‪1‬‬
‫‪ ،‬إن ﻫذا اﻻﺤﺘﻤﺎل اﻝﺘﺠرﻴﺒﻲ أﺨذﻨﺎﻩ ﻋﻠﻰ‬ ‫ﻤرات ‪،‬ﻜﻴف ﻨﻘول إن اﺤﺘﻤﺎل ظﻬور أي وﺠﻪ ﻤن وﺠوﻫﻪ‬
‫‪6‬‬
‫أﺴﺎس أن اﻝﺘﺠرﺒﺔ ﺘﻜررت ﻋدد ﻏﻴر ﻤﻨﺘﻬﻲ ﻤن اﻝﻤرات ﺴﻴﻜون ﻋﻨدﺌذ اﺤﺘﻤﺎل ظﻬور ﻜل وﺠﻪ ﻴﺴﺎوي‬
‫‪1‬‬
‫ﻓﺒﻨﻲ اﻻﺤﺘﻤﺎل اﻝﺘﺠرﻴﺒﻲ ﻋﻠﻰ ﻫذا اﻷﺴﺎس‬ ‫اﺤﺘﻤﺎل ظﻬور اﻝوﺠﻪ اﻵﺨر وﻫو‬
‫‪6‬‬

‫~‪~4‬‬
 ‫اﻟﺒﺤﺚ اﻷول ‪:‬‬
‫ت‬ ‫ط تا‬ ‫ھمو‬

‫①اﻻﺨﺘﺒﺎر اﻝﻌﺸواﺌﻲ‪:‬‬
‫إذا ﻜﺎن ﻝدﻴك ﻤﺠوﻋﺔ ﻤﻔﺎﺘﻴﺢ أﺒواب ﺒﻴﺘك اﻝذي ﺘﻤﻠﻜﻪ )ﺘﺨﺘﻠف ﻓﻘط ﺒﺸﻜل اﻷﺴﻨﺎن(‪ ،‬وﺘﺴﺘﺨدﻤﻬﺎ ﻴوﻤﻴﺎً‪،‬‬
‫إذا أردت أن ﺘﻔﺘﺢ اﻝﺒﺎب اﻝﺨﺎرﺠﻲ ﻝﻠﺒﻴت ‪ ،‬ﻤﺒﺎﺸرة ﺘﺨﺘﺎر اﻝﻤﻔﺘﺎح اﻝﻤﻨﺎﺴب وﺘﻔﺘﺢ اﻝﺒﺎب‪ ،‬ﻫذا اﻻﺨﺘﻴﺎر‬
‫ﻝﻴس ﻋﺸواﺌﻴﺎً‪ ،‬أﻤﺎ إن أﻋطﻴت ﻫذﻩ اﻝﻤﻔﺎﺘﻴﺢ ﻝﻐﻴرك وﻴﺴﺘﺨدﻤﻬﺎ ﻷول ﻤرة ‪،‬ﻓﺈن اﺨﺘﻴﺎرﻩ ﻝﻠﻤﻔﺘﺎح اﻝﻤﻨﺎﺴب‬
‫ﻝﻠﺒﺎب اﻝﺨﺎرﺠﻲ ﺴﻴﻜون ﻋﺸواﺌﻴﺎً ‪ ،‬وﻴﻜون ﻝﺠﻤﻴﻊ أﺤداﺜﻪ اﻻﺒﺘداﺌﻴﺔ اﻻﺤﺘﻤﺎل ذاﺘﻪ أي ﻨﺴﺘﺨدم اﻻﺨﺘﻴﺎر‬
‫اﻝﻌﺸواﺌﻲ ﻓﻲ اﻝﻔﻀﺎء اﻝﻤﺘﺴﺎوي اﻻﺤﺘﻤﺎل ) ﺴﻨرى ﻻﺤﻘﺎً ﺘﻔﺴﻴ اًر ﻝﻜﻠﻤﺎت وﻋﺒﺎرات وردت ﺒﺎﻝﻨص(‬
‫اﻝﺘﺠرﺒﺔ اﻝﻌﺸواﺌﻴﺔ ﻫﻲ ﺘﺠرﺒﺔ أو ﻋﻤﻠﻴﺔ ﺘﺤﻘق اﻝﺸروط اﻵﺘﻴﺔ‪:‬‬
‫‪ (1‬ﺠﻤﻴﻊ اﻝﻨﺘﺎﺌﺞ ﻝﻠﺘﺠرﺒﺔ ﺘﻜون ﻤﻌﻠوﻤﺔ ﻤﺴﺒﻘﺎً ﻗﺒل إﺠراﺌﻬﺎ‬
‫‪ (2‬ﻻ ﻴﻤﻜن اﻝﺘﻨﺒؤ ﺒﻨﺘﻴﺠﺔ اﻝﺘﺠرﺒﺔ ﺒﺸﻜل ﻗطﻌﻲ وﻤؤﻜد ﻗﺒل إﺠراﺌﻬﺎ‬
‫‪ (3‬ﻴﻤﻜن ﻤﻌرﻓﺔ أو ﻗﻴﺎس ﻓرﺼﺔ ظﻬور ﻜل ﻨﺘﻴﺠﺔ ﻤن ﻨﺘﺎﺌﺞ اﻝﺘﺠرﺒﺔ ﻗﺒل إﺠراء اﻝﺘﺠرﺒﺔ‬
‫② اﻻﺨﺘﺒﺎر‪:‬‬
‫ﻫو ﺘﺠرﺒﺔ ﻤﺼﻤﻤﺔ ﻴﻤﻜن إﺠراؤﻫﺎ ‪ ،‬أو اﺴﺘﻌراض ﻝظﺎﻫرة طﺒﻴﻌﻴﺔ أو اﺠﺘﻤﺎﻋﻴﺔ‬
‫ﺒﺤﻴث ﻨﻌﻠم ﻤﺴﺒﻘﺎً ﻤﺠﻤوﻋﺔ ﻨﺘﺎﺌﺠﻬﺎ اﻝﻤﻤﻜﻨﺔ ) ﻝﻜﻨﻨﺎ ﻻ ﻨﻌﻠم اﻝﻨﺘﻴﺠﺔ اﻝﺘﻲ ﺴﻨﺤﺼل ﻋﻠﻴﻬﺎ (‬
‫③ﻓﻀﺎء اﻝﻌﻴﻨﺔ ‪:‬‬
‫ﻨﻘﺒل ﺒﺄن ﻝﻜل ﺘﺠرﺒﺔ ﻤﺠﻤوﻋﺔ ﻤن اﻹﻤﻜﺎﻨﺎت)اﻝﻨﺘﺎﺌﺞ( ﻨرﻤز ﻝﻬﺎ ‪ Ω‬ﻴﺤددﻫﺎ اﻝﻐرض ﻤن ﻫذﻩ اﻝﺘﺠرﺒﺔ ‪.‬‬
‫ﻨدﻋو ‪ Ω‬ﻓﻀﺎء اﻝﻌﻴﻨﺔ‬

‫أﻤﺜﻠﺔ‪:‬‬
‫ﻓﻲ ﻫذﻩ ﺘﻌﺘﺒر اﻝﻘطﻊ اﻝﺘﻲ ﺘﻠﻘﻲ ﻗطﻊ ﻤﺘوازﻨﺔ) إﻤﻜﺎﻨﻴﺔ وﻗوع أي وﺠﻪ ﺘﺴﺎوي إﻤﻜﺎﻨﻴﺔ وﻗوع أي وﺠﻪ آﺨر(‬
‫إﻻ إذا ذﻜر ﺨﻼف ذﻝك ﻓﻲ اﻝﺴؤال‬

‫① ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﺤﺠر ﻨرد ﻤﻜﻌب‬

‫ﻨﻌﺘﺒر اﻝﻨﺘﻴﺠﺔ ﻋدد اﻝﻨﻘط ﻋﻠﻰ اﻝوﺠﻪ اﻝﻌﻠوي‬
‫}‪ Ω = {1, 2,3, 4,5, 6‬ﻓﻀﺎء اﻝﻌﻴﻨﺔ‬
‫ﻻﺤظ ‪n ( Ω ) = 6‬‬

‫~‪~5‬‬
 ‫② ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﺤﺠر ﻨرد رﺒﺎﻋﻲ‬
‫ﻨﻌﺘﺒر اﻝﻨﺘﻴﺠﺔ ﻋدد اﻝﻨﻘط ﻋﻠﻰ ﻗﺎﻋدة رﺒﺎﻋﻲ اﻝوﺠوﻩ‬
‫}‪ Ω = {1, 2,3, 4‬ﻓﻀﺎء اﻝﻌﻴﻨﺔ‬
‫ﻻﺤظ ‪n ( Ω ) = 4‬‬

‫ﻤﻼﺤظﺔ ‪ :‬إن ﻝم ﻨذﻜر ﺤﺠر ﻨرد رﺒﺎﻋﻲ ﺼراﺤﺔ ﻓﻬو ﺤﺠر ﻨرد ﻤﻜﻌب‬
‫ﻨظ اًر ﻝﺸﻬرﺘﻪ ﻓﻲ ﺘﺠﺎرب اﻻﺤﺘﻤﺎﻻت‬

‫③ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﻗطﻌﺔ ﻨﻘد } ‪، Ω = {H ,T‬‬

‫‪ T‬رﻤز ظﻬور اﻝﺸﻌﺎر)اﻝﺼورة( ‪ H ،‬رﻤز ظﻬور اﻝﻜﺘﺎﺒﺔ )اﻝﻨﻘش(‬
‫ﻓﻴﻜون ‪n ( Ω ) = 2‬‬

‫‪H‬‬ ‫‪T‬‬ ‫ﻻﺤظ ﻴﻤﻜن ﺘﻤﺜﻴل ‪ Ω‬ﻋﻠﻰ ﺸﻜل ﺸﺠرة‬

‫④ ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﻗطﻌﺔ ﻨﻘد ﻤرﺘﻴن أو إﻝﻘﺎء ﻗطﻌﺘﻲ ﻨﻘد }) ‪، Ω = {(H , H ), (H ,T ), (T , H ), (T ,T‬‬
‫ﻓﻴﻜون ‪ n ( Ω ) = 4‬ﻻﺤظ ﻴﻤﻜن ﺘﻤﺜﻴل ‪ Ω‬ﻋﻠﻰ ﺸﻜل ﺸﺠرة‬
‫‪H‬‬ ‫‪T‬‬ ‫ﻜﻤﺎ ﻴﻤﻜن ﺘﻤﺜﻴل ﻓﻀﺎء اﻝﻌﻴﻨﺔ ﻓﻲ ﻫذﻩ اﻝﺤﺎﻝﺔ ﺒﺠدول‪:‬‬
‫‪H‬‬ ‫‪T‬‬
‫‪T‬‬
‫‪H‬‬
‫ﻨﻌﺘﺒر اﻝﻌﻤود اﻝرﻤﻴﺔ اﻷوﻝﻰ واﻝﺴطر اﻝرﻤﻴﺔ اﻝﺜﺎﻨﻴﺔ‬

‫‪Ω‬‬ ‫‪H‬‬ ‫‪T‬‬

‫‪H‬‬ ‫) ‪(H , H‬‬ ‫) ‪( H ,T‬‬

‫‪T‬‬ ‫) ‪(T , H‬‬ ‫) ‪(T ,T‬‬

‫وﻨﻼﺤظ ﺘﺘﺎﺒﻊ ظﻬور اﻝ ّﺸﻌﺎر ‪ T‬واﻝﻜﺘﺎﺒﺔ ‪ H‬ﻓﺘﻜون ‪:‬‬

‫ﻤرات ُ‬
‫⑤ ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﻗطﻌﺔ ﻨﻘود ﺜﻼث ّ‬
‫‪Ω = {(T ,T ,T‬‬ ‫)‬ ‫‪, ( H ,T ,T ) , (T , H ,T ) , (T ,T , H ) , ( H , H ,T ) ,‬‬
‫}) ‪( H ,T , H ) , (T , H , H ) , ( H , H , H‬‬
‫‪H‬‬ ‫‪T‬‬ ‫‪ n ( Ω ) = 8‬ﻻﺤظ ﻴﻤﻜن ﺘﻤﺜﻴل ‪ Ω‬ﻋﻠﻰ ﺸﻜل ﺸﺠرة‬
‫‪H‬‬ ‫‪T‬‬
‫‪H‬‬ ‫‪T‬‬

‫‪H‬‬ ‫‪T H T H T H T‬‬ ‫ﻻﺤظ ﻓﻲ ﻫذﻩ اﻝﺤﺎﻝﺔ ﻋدم إﻤﻜﺎﻨﻴﺔ ﺘﻤﺜﻴل ﻓﻀﺎء اﻝﻌﻴﻨﺔ ﻓﻲ ﺠدول‬

‫~‪~6‬‬
 ‫⑥ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﺤﺠر ﻨرد ﻤرﺘﻴن أو إﻝﻘﺎء ﺤﺠري ﻨرد‪n ( Ω ) = 36 :‬‬

‫أﻓﻀل طرﻴﻘﺔ ﻝﻜﺘﺎﺒﺔ ﻓﻀﺎء اﻝﻌﻴﻨﺔ اﻝﺠدول ‪ ،‬وﻴﻤﻜن ﻜﺘﺎﺒﺘﻪ ﻤﺠﻤوﻋﺔ أو ﺸﺠرة‬
‫‪Ω‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬
‫‪1‬‬ ‫) ‪(1, 1‬‬ ‫) ‪(1, 2‬‬ ‫) ‪(1, 3 ) (1, 4‬‬ ‫) ‪(1, 5‬‬ ‫) ‪(1, 6‬‬
‫‪2‬‬ ‫) ‪(2 ,1‬‬ ‫) ‪(2 , 2‬‬ ‫) ‪(2 , 3 ) (2 , 4‬‬ ‫) ‪(2 , 5‬‬ ‫) ‪(2 , 6‬‬
‫‪3‬‬ ‫) ‪(3 , 1‬‬ ‫) ‪(3 , 2‬‬ ‫) ‪(3 , 3 ) (3 , 4‬‬ ‫) ‪(3 , 5‬‬ ‫) ‪(3 , 6‬‬
‫‪4‬‬ ‫) ‪(4 ,1‬‬ ‫) ‪(4 , 2‬‬ ‫) ‪(4 , 3 ) (4 , 4‬‬ ‫) ‪(4 , 5‬‬ ‫) ‪(4 , 6‬‬
‫‪5‬‬ ‫) ‪(5 , 1‬‬ ‫) ‪(5 , 2‬‬ ‫) ‪(5 , 3 ) (5 , 4‬‬ ‫) ‪(5 , 5‬‬ ‫) ‪(5 , 6‬‬
‫‪6‬‬ ‫) ‪(6 ,1‬‬ ‫) ‪(6 , 2‬‬ ‫) ‪(6 , 3 ) (6 , 4‬‬ ‫) ‪(6 , 5‬‬ ‫) ‪(6 , 6‬‬
‫ؤ ف ن ‪! 21‬ر ن ا !ر ا ذي‬ ‫ء‬ ‫د إ ء ري ا رد ً ن‬ ‫ظأ‬
‫ط او &ن ذك‬ ‫و)وع ا !ر ا ذي ‪ $‬وى‬ ‫‪ *+‬إ‬ ‫دد ط ا و & ن‬ ‫‪ $‬وى‬
‫ل‬ ‫‪ /0‬ھذا ا و ‪&$‬و ‪ $‬ب ا‬ ‫ءا‬ ‫ت أن ب‬ ‫ا‪ 2‬ل * ‪ $‬ب ا‬
‫‪n ( Ω ) = 16‬‬ ‫⑦ ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﺤﺠر ﻨرد رﺒﺎﻋﻲ ﻤرﺘﻴن‪:‬‬
‫‪Ω‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪1‬‬ ‫) ‪(1, 1‬‬ ‫) ‪(1, 2‬‬ ‫) ‪(1, 3‬‬ ‫) ‪(1, 4‬‬
‫‪2‬‬ ‫) ‪(2 ,1‬‬ ‫) ‪(2 , 2‬‬ ‫) ‪(2 , 3‬‬ ‫) ‪(2 , 4‬‬
‫‪3‬‬ ‫) ‪(3 , 1 ) (3 , 2 ) (3 , 3 ) (3 , 4‬‬
‫‪4‬‬ ‫) ‪(4 ,1 ) (4 , 2 ) (4 , 3 ) (4 , 4‬‬

‫ﻨﺘﻴﺠﺔ ‪ :‬إذا ﻜﺎن ﻋدد اﻝﻨﺘﺎﺌﺞ ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﻗطﻌﺔ ﻤﺘوازﻨﺔ ﻴﺴﺎوي ‪n‬‬

‫وأﻝﻘﻴت ﻫذﻩ اﻝﻘطﻌﺔ ‪ r‬ﻤرة ﻓﺈن ﻋدد اﻝﻨﺘﺎﺌﺞ ﺒﻌد إﺘﻤﺎم اﻝﺘﺠرﺒﺔ ‪:‬‬

‫‪r × r × ....... × r = r n‬‬

‫‪ n‬ﻤرة‬
‫أﻤﺜﻠﺔ ‪:‬‬
‫ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﻗطﻌﺔ ﻨﻘد ﺨﻤس ﻤرات ‪ ،‬ﺴﻨﺠد ﻋدد ﻋﻨﺎﺼر ﻓﻀﺎء اﻝﻌﻴﻨﺔ ‪:‬‬
‫‪n ( Ω ) = 25 = 32‬‬

‫ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﺤﺠر ﻨرد ﻤﻜﻌب ﺜﻼث ﻤرات‪ ،‬ﺴﻨﺠد ﻋدد ﻋﻨﺎﺼر ﻓﻀﺎء اﻝﻌﻴﻨﺔ‪:‬‬
‫‪n ( Ω ) = 63 = 216‬‬

‫ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﺤﺠر ﻨرد رﺒﺎﻋﻲ ﺴت ﻤرات ‪،‬ﺴﻨﺠد ﻋدد ﻋﻨﺎﺼر ﻓﻀﺎء اﻝﻌﻴﻨﺔ ‪:‬‬
‫‪n ( Ω ) = 46 = 4096‬‬

‫~‪~7‬‬
 ‫ﻤﻼﺤظﺔ‪ :‬ﻋﻨد ﺴﺤب ﻋﻨﺼرﻴن ﻤن ﻤﺠﻤوﻋﺔ ﻋدد ﻋﻨﺎﺼرﻫﺎ ﺼﻐﻴر ﻨﺴﺒﻴﺎً ‪ ،‬أو ﺴﺤب ﻋﻨﺼرﻴن ﻤن‬

‫ﻤﺠﻤوﻋﺘﻴن ﻤﺨﺘﻠﻔﺘﻴن‪ ،‬ﻤن ﻜل ﻤﺠﻤوﻋﺔ ﻋﻨﺼر‪ ،‬ﻴﻤﻜن ﻜﺘﺎﺒﺔ ﻓﻀﺎء اﻝﻌﻴﻨﺔ ﻋﻠﻰ ﺸﻜل ﺠدول‪.‬‬

‫‪ :‬ﻴﺤﺘوي ﻤﻐﻠف أرﺒﻊ ﺒطﺎﻗﺎت ﻤﺘﻤﺎﺜﻠﺔ ﻜﺘب ﻋﻠﻴﻬﺎ اﻝﺤروف ‪a , b , c , d‬‬ ‫ﻤﺜﺎل‬

‫ﻨﺴﺤب ﻤن اﻝﻤﻐﻠف ﺒطﺎﻗﺘﻴن اﻜﺘب ﻓﻀﺎء اﻝﻌﻴﻨﺔ ﻓﻲ ﺤﺎﻻت اﻝﺴﺤب اﻝﻤﺨﺘﻠﻔﺔ‬

‫ﻝﻨﻨظم اﻝﺠدول اﻵﺘﻲ ﺜم ﻨﻨﺎﻗش اﻝﺤﺎﻻت اﻝﺘﻲ ﺘم وﻓﻘﻬﺎ اﻝﺴﺤب‪:‬‬

‫‪a‬‬ ‫‪b‬‬ ‫‪c‬‬ ‫‪d‬‬

‫‪a‬‬ ‫) ‪(a , a‬‬ ‫) ‪(a , b‬‬ ‫) ‪(a , c‬‬ ‫) ‪(a , d‬‬
‫‪b‬‬ ‫) ‪(b , a‬‬ ‫) ‪(b , b‬‬ ‫) ‪(b , c‬‬ ‫) ‪(b , d‬‬
‫‪c‬‬ ‫) ‪(c , a‬‬ ‫) ‪(c , b‬‬ ‫) ‪(c , c‬‬ ‫) ‪(c , d‬‬
‫‪d‬‬ ‫) ‪(d , a‬‬ ‫) ‪(d , b‬‬ ‫) ‪(d , c‬‬ ‫) ‪(d , d‬‬

‫‪ (1‬إذا ﻜﺎن اﻝﺴﺤب ﻤﻊ إﻋﺎدة ‪:‬‬

‫ﻓﺈن ﻋﻨﺎﺼر ‪ Ω‬ﻫﻲ ﻜل ﻋﻨﺎﺼر اﻝﺠدول وﻴﻜون‪:‬‬

‫‪n ( Ω ) = 16‬‬

‫‪ (2‬إذا ﻜﺎن اﻝﺴﺤب دون إﻋﺎدة ‪:‬‬

‫ﻓﺈن ﻋﻨﺎﺼر ‪ Ω‬ﻫﻲ ﻜل ﻋﻨﺎﺼر اﻝﺠدول ﻋدا ﻋﻨﺎﺼر اﻝﻘطر اﻝرﺌﻴس وﻴﻜون‪:‬‬

‫‪n ( Ω ) = 12‬‬

‫‪ (3‬إذا ﻜﺎن اﻝﺴﺤب ﻤﻌﺎً‬

‫ﻓﺈن ﻋﻨﺎﺼر ‪ Ω‬ﻫﻲ ﻋﻨﺎﺼر ﻤن اﻝﺠدول ﻫﻲ اﻝواﻗﻌﺔ ﻓوق اﻝﻘطر اﻝرﺌﻴس )ﺒدون ﻋﻨﺎﺼراﻝﻘطر( وﻴﻜون‪:‬‬

‫‪n ( Ω) = 6‬‬

‫وﺘﻜﺘب ﻋﻨﺎﺼر ﻓﻀﺎء اﻝﻌﻴﻨﺔ ﻓﻲ ﻫذﻩ اﻝﺤﺎﻝﺔ )ﻝﻌدم وﺠود أﻫﻤﻴﺔ ﻝﺘرﺘﻴب اﻝﻌﻨﺎﺼر اﻝﻤﺴﺤوﺒﺔ (ﻋﻠﻰ ﺸﻜل‬

‫}} ‪Ω = {{a, b } , {a, c } , {a, d } , {b , c } , {b , d } , {c , d‬‬ ‫ﻤﺠﻤوﻋﺎت ﻜﻤﺎ ﻴﻠﻲ‪:‬‬

‫~‪~8‬‬
 ‫‪ :‬ﻴﺤﺘوي اﻝﺼﻨدوق ) ‪ ( Ι‬أرﺒﻊ ﻜرات ﻤرﻗﻤﺔ ﺒﺎﻷرﻗﺎم ‪1, 2,3, 4‬‬ ‫ﻤﺜﺎل‬

‫و ﻴﺤﺘوي اﻝﺼﻨدوق ) ‪ ( Π‬ﺨﻤس ﻜرات ﻜﺘب ﻋﻠﻴﻬﺎ اﻷرﻗﺎم‪1,1, 2,3, 4 :‬‬

‫ﻨﺴﺤب ﻤن اﻝﺼﻨدوق ) ‪ ( Ι‬وﻤن اﻝﺼﻨدوق ) ‪ ( Π‬ﻜرة اﻜﺘب ﻓﻀﺎء ﻋﻴﻨﺔ ﻤﻨﺎﺴب‪.‬‬

‫اﻝﺤل ‪:‬‬

‫ﻴﻤﻜن ﻜﺘﺎﺒﺔ ﻓﻀﺎء ﻋﻴﻨﺔ ﻤﺠدول ﺘظﻬر ﻓﻴﻪ ﻜل اﻝﻨﺘﺎﺌﺞ‬

‫ﻤﻊ ﻤﻼﺤظﺔ ‪:‬‬

‫أن ﻋدد طرق اﺨﺘﻴﺎر اﻝﻜرة اﻷوﻝﻰ ‪4‬‬

‫وﻋدد طرق اﺨﺘﻴﺎر اﻝﻜرة اﻝﺜﺎﻨﻴﺔ ‪5‬‬

‫‪n ( Ω ) = 4 × 5 = 20‬‬ ‫ﻓﺈن ‪:‬‬

‫ﻨﻜﺘب ﻓﻀﺎء اﻝﻌﻴﻨﺔ ﺒﺠدول‬

‫‪Ω 1‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬

‫) ‪1 (1,1) (1,1) (1, 2 ) (1,3) (1, 4‬‬
‫) ‪2 ( 2,1) ( 2,1) ( 2, 2 ) ( 2,3) ( 2, 4‬‬
‫) ‪3 ( 3,1) ( 3,1) ( 3, 2 ) ( 3,3) ( 3, 4‬‬
‫) ‪4 ( 4,1) ( 4,1) ( 4, 2 ) ( 4,3) ( 4, 4‬‬

‫ﻜﻤﺎ ﻴﻤﻜن ﻜﺘﺎﺒﺘﻪ ﻜﻤﺠﻤوﻋﺔ ﻝﻜن ﻝﻴس ﻝﻌﻨﺎﺼرﻩ ﻨﻔس ﻓرﺼﺔ اﻝوﻗوع‬

‫‪Ω = {(1,1) , ( 2,1) , ( 3,1) , ( 4,1) , (1, 2 ) , ( 2, 2 ) , ( 3, 2 ) , ( 4, 2 ) , (1,3) ,‬‬

‫})‪( 2,3) , ( 3,3) , ( 4,3) , (1, 4 ) , ( 2, 4 ) , ( 3, 4 ) , ( 4,3‬‬

‫ﻻﺤظ أن ﻜل ﻋﻨﺼر ﻤن اﻝﻌﻨﺎﺼر )‪(1,1) , ( 2,1) , ( 3,1) , ( 4,1‬‬

‫ﻝﻪ ﻀﻌﻔﻲ إﻤﻜﺎﻨﻴﺔ اﻝوﻗوع ﺒﺎﻝﻨﺴﺒﺔ ﻝﻜل ﻋﻨﺼر آﺨر ﻤن اﻝﻌﻨﺎﺼر اﻷﺨرى ﻓﻲ ﻓﻀﺎء اﻝﻌﻴﻨﺔ‬

‫ﻝذﻝك ﻓﻀﺎء اﻝﻌﻴﻨﺔ اﻝﻤﺠدول أﻓﻀل ﻝﺤﺴﺎب اﻻﺤﺘﻤﺎل‬

‫~‪~9‬‬
 ‫ﺷﺠﺮة اﻟﺘﺠﺎرب اﻟﻤﺘﺘﺎﻟﺒﺔ‬
‫‪a‬‬
‫‪a‬‬
‫‪b‬‬
‫‪c‬‬ ‫ﻴﻤﻜن ﺘﺸﻜﻴل ﺸﺠرة ﻝﻜل اﻝﺘﺠﺎرب اﻝﺘﻲ ﺒﻜون ﻓﻴﻬﺎ ﺘﺘﺎﻝﻲ‬
‫‪d‬‬
‫‪a‬‬ ‫ﻤﺜﺎل ‪:‬ﻴﺤﺘوي ﻤﻐﻠف أرﺒﻊ ﺒطﺎﻗﺎت ﻤﺘﻤﺎﺜﻠﺔ ﻜﺘب ﻋﻠﻴﻬﺎ اﻝﺤروف‬
‫‪b‬‬ ‫‪b‬‬
‫‪c‬‬
‫‪a‬‬ ‫‪d‬‬ ‫} ‪ {a , b , c , d‬ﻨﺴﺤب ﻤن ﻫذا اﻝﻤﻐﻠف ﺜﻼث ﺒطﺎﻗﺎت‬
‫‪a‬‬
‫‪c‬‬ ‫‪b‬‬ ‫ﺴﻨﺠد ﺜﻼث أﻨواع ﻤن اﻝﺴﺤب‪:‬‬
‫‪c‬‬
‫‪d‬‬
‫‪a‬‬
‫‪b‬‬
‫‪d‬‬ ‫‪c‬‬ ‫اﻝﺤﺎﻝﺔ اﻷوﻝﻰ إذا ﻜﺎن اﻝﺴﺤب ﻤﻊ إﻋﺎدة‪:‬‬
‫‪d‬‬
‫‪a‬‬ ‫أي ﻨﺴﺤب ﺒطﺎﻗﺔ ﻨﺸﺎﻫد اﻝﻨﺘﻴﺠﺔ ﺜم ﻨﻌﻴد اﻝﺒطﺎﻗﺔ اﻝﻤﺴﺤوﺒﺔ ﻝﻠﻤﻐﻠف‬
‫‪b‬‬
‫‪a‬‬ ‫‪c‬‬
‫‪d‬‬ ‫ﻓﻴﻜون ‪ n ( Ω ) = 64‬ﺤﺴب اﻝﻤﺨطط‬
‫‪a‬‬
‫‪b‬‬ ‫‪b‬‬
‫‪c‬‬ ‫ﻻﺤظ أن ﻋدد اﻝﻨواﺘﺞ ﻓﻲ اﻝﺴﺤب اﻷول وﻓﻲ اﻝﺴﺤب اﻝﺜﺎﻨﻲ‬
‫‪b‬‬ ‫‪d‬‬
‫‪a‬‬ ‫وﻓﻲ اﻝﺜﺎﻝث أرﺒﻊ ﻨواﺘﺞ‬
‫‪c‬‬ ‫‪b‬‬
‫‪c‬‬ ‫وﻋدد اﻝﻨواﺘﺞ ﺒﻌد إﺘﻤﺎم اﻝﺘﺠرﺒﺔ وﻫﻲ‬
‫‪d‬‬
‫‪a‬‬
‫‪b‬‬ ‫ﺴﺤب ﺜﻼﺜﺔ ﺒطﺎﻗﺎت ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ ﻤﻊ إﻋﺎدة‬
‫‪d‬‬ ‫‪c‬‬
‫‪d‬‬ ‫‪n ( Ω ) = 4 × 4 × 4 = 64‬‬

‫‪a‬‬
‫‪b‬‬
‫‪a‬‬ ‫‪c‬‬
‫‪d‬‬ ‫ﻻﺤظ ﻝو ﻜﺎن ﻋدد اﻝﺒطﺎﻗﺎت اﻝﺘﻲ ﻴﺘم ﻤﻨﻬﺎ اﻝﺴﺤب ﻤﺌﺔ ﺒطﺎﻗﺔ!‬
‫‪a‬‬
‫‪b‬‬ ‫‪b‬‬ ‫ﻜﻴف ﺴﻴﻜون ﺤﺎل ﻫذﻩ اﻝﺸﺠرة ؟‬
‫‪c‬‬
‫ﻤﺎ اﻝطرﻴﻘﺔ اﻝﺘﻲ ﺘﺴﺎﻋدﻨﺎ ﻓﻲ اﻝوﺼول إﻝﻰ ﻤﻌرﻓﺔ ) ‪ n ( Ω‬دون رﺴم اﻝﺸﺠرة ؟ ‪a‬‬
‫‪c‬‬ ‫‪d‬‬

‫‪b‬‬
‫‪c‬‬ ‫‪c‬‬ ‫اﻝﺠواب‪ :‬ﻓﻲ اﻝواﻗﻊ أﻨﻨﺎ ﻗﻤﻨﺎ ﺒﺎﺨﺘﻴﺎر اﻝﺒطﺎﻗﺔ اﻷوﻝﻰ ﺒﺄرﺒﻊ طرق‬
‫‪d‬‬
‫‪a‬‬
‫‪b‬‬ ‫ﺜم ﻗﻤﻨﺎ ﺒﺎﺨﺘﻴﺎر اﻝﺒطﺎﻗﺔ اﻝﺜﺎﻨﻴﺔ ﺒﺄرﺒﻊ طرق‬
‫‪d‬‬ ‫‪c‬‬
‫‪d‬‬ ‫ﺜم ﻗﻤﻨﺎ ﺒﺎﺨﺘﻴﺎر اﻝﺒطﺎﻗﺔ اﻝﺜﺎﻝﺜﺔ ﺒﺄرﺒﻊ طرق‬
‫‪a‬‬
‫‪b‬‬ ‫وﻋدد اﻝطرق اﻝﺘﻲ ﺘﻤت ﺒﻬﺎ اﻝﺘﺠرﺒﺔ ﻫو‪:‬‬
‫‪a‬‬ ‫‪c‬‬
‫‪d‬‬
‫‪a‬‬ ‫‪n ( Ω ) = 4 × 4 × 4 = 64‬‬
‫‪b‬‬ ‫‪b‬‬
‫‪c‬‬
‫‪d‬‬ ‫‪d‬‬
‫‪a‬‬
‫‪c‬‬ ‫‪b‬‬
‫‪c‬‬
‫‪d‬‬
‫‪a‬‬
‫‪b‬‬
‫‪d‬‬ ‫‪c‬‬ ‫~ ‪~ 10‬‬
‫‪d‬‬
 ‫‪b‬‬
‫‪c‬‬
‫اﻝﺤﺎﻝﺔ اﻝﺜﺎﻨﻴﺔ إذا ﻜﺎن اﻝﺴﺤب دون إﻋﺎدة‪:‬‬
‫‪d‬‬
‫‪a‬‬ ‫‪c‬‬
‫‪b‬‬ ‫أي ﻨﺴﺤب ﺒطﺎﻗﺔ ﻨﺸﺎﻫد اﻝﻨﺘﻴﺠﺔ وﻻ ﻨﻌﻴد اﻝﺒطﺎﻗﺔ ﻝﻠﻤﻐﻠف‬
‫‪d‬‬
‫‪b‬‬ ‫ﻤن اﻝﺸﺠرة اﻝﻤﺠﺎورة ‪n ( Ω ) = 24‬‬ ‫)ﻨﻀﻌﻬﺎ ﺨﺎرج اﻝﻤﻐﻠف(‬
‫‪d‬‬ ‫‪c‬‬
‫‪a‬‬
‫‪c‬‬ ‫واﻝﺴؤال ﻜﻴف ﻨﺠد اﻝﻨﺘﻴﺠﺔ دون رﺴم اﻝﺸﺠرة؟‬
‫‪d‬‬

‫‪b‬‬
‫‪a‬‬ ‫ﻨﻼﺤظ أن ﻋدد ﻨﺘﺎﺌﺞ اﻝﺴﺤب اﻷول ‪4‬‬
‫‪c‬‬
‫‪d‬‬
‫‪a‬‬ ‫وﻤن أﺠل ﻜل ﻨﺘﻴﺠﺔ ﻨﺠد أن ﻋدد ﻨﺘﺎﺌﺞ اﻝﺴﺤب اﻝﺜﺎﻨﻲ ‪3‬‬
‫‪d‬‬ ‫‪c‬‬

‫‪b‬‬
‫وﻤن أﺠل ﻜل ﻨﺘﻴﺠﺔ ﻤن ﻨﺘﺎﺌﺞ اﻝﺴﺤب اﻝﺜﺎﻨﻲ ﻨﺠد ﻋدد ﻨﺘﺎﺌﺞ‬
‫‪a‬‬
‫اﻝﺴﺤب اﻝﺜﺎﻝث ‪2‬‬
‫‪d‬‬
‫‪a‬‬
‫‪c‬‬
‫وﺒﺎﻝﺘﺎﻝﻲ ﻋدد ﻨﺘﺎﺌﺞ اﻝﺘﺠرﺒﺔ ‪n ( Ω ) = 4 × 3 × 2 = 24‬‬
‫‪b‬‬ ‫‪d‬‬
‫‪a‬‬
‫‪d‬‬ ‫‪b‬‬
‫اﻝﻨﺘﻴﺠﺔ ‪:‬‬
‫‪b‬‬
‫‪a‬‬ ‫‪c‬‬ ‫‪(1‬اﻝﻤﺒدأ اﻷﺴﺎﺴﻲ ﻓﻲ اﻝﻌد‪:‬‬
‫‪a‬‬
‫‪d‬‬ ‫‪b‬‬ ‫‪c‬‬ ‫ﻤن اﻷﻤﺜﻠﺔ اﻝﺴﺎﺒﻘﺔ ﺘﺠﺎرب إﻝﻘﺎء اﻝﻘطﻊ ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ وﺘﺠﺎرب اﻝﺴﺤب‬
‫‪a‬‬
‫‪c‬‬
‫‪b‬‬ ‫ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ وﺒﺎﻝﻤﺜل ﻜل اﻝﺘﺠﺎرب اﻝﻤﺘﺘﺎﻝﻴﺔ‪:‬‬

‫إذا ﻗﻤﻨﺎ ﺒﺘﺠرﺒﺔ ﻤﺎ وﻜﺎن ﻝﻬﺎ ‪ n1‬ﻨﺘﻴﺠﺔ وﻤن أﺠل ﻜل ﻨﺘﻴﺠﺔ ﻗﻤﻨﺎ ﺒﺘﺠرﺒﺔ ﺜﺎﻨﻴﺔ‬
‫وﻜﺎن ﻝﻬﺎ ‪ n 2‬ﻨﺘﻴﺠﺔ وﻤن أﺠل ﻜل ﻨﺘﻴﺠﺔ ﻗﻤﻨﺎ ﺒﺘﺠرﺒﺔ ﺜﺎﻝﺜﺔ وﻜﺎن ﻝﻬﺎ ‪ n 3‬ﻨﺘﻴﺠﺔ‬
‫وﻫﻜذا ﺤﺘﻰ ‪ k‬ﺘﺠرﺒﺔ ﻤﺘﺘﺎﻝﻴﺔ ﻓﺈن ﻋدد اﻝﻨﺘﺎﺌﺞ ﻝﻬذﻩ اﻝﺘﺠﺎرب ﻤﺠﺘﻤﻌﺔ ﻫو ‪:‬‬
‫‪ n (Ω) = n1 × n 2 × ...... × n k‬وﻨﺴﻤﻲ ﻫذﻩ اﻝطرﻴﻘﺔ ﻓﻲ اﻝﺤﺴﺎب )اﻝﻤﺒدأ اﻷﺴﺎﺴﻲ ﻓﻲ اﻝﻌد(‬

‫ﻤﺜﺎل ‪ :‬ﻜم ﻋدد ﻓردي ﻤؤﻝف ﻤن ﺜﻼﺜﺔ أرﻗﺎم ﻴﻤﻜن ﺘﺸﻜﻴﻠﻪ ﻤن اﻷرﻗﺎم ‪1, 2,5, 6, 7‬‬

‫‪ (1‬ﺒﺸرط اﺴﺘﺨدام ﻜل رﻗم ﻤرةً واﺤدة ﻓﻲ ﺘﺸﻜﻴل اﻝﻌدد ؟‬

‫‪ (2‬ﻴﻤﻜن اﺴﺘﺨدام ﻜل رﻗم أﻜﺜر ﻤن ﻤرةً واﺤدة ﻓﻲ ﺘﺸﻜﻴل اﻝﻌدد ؟‬
‫اﻝﺤل ‪ (1 :‬ﻴﻜون اﻝﻌدد ﻓردي ﻋﻨدﻤﺎ ﻴﻜون آﺤﺎدﻩ ﻓردي‬
‫ﻴوﺠد ﺜﻼث طراﺌق ﻻﺨﺘﻴﺎر رﻗم اﻵﺤﺎد وﻫﻨﺎك أرﺒﻊ طراﺌق ﻻﺨﺘﻴﺎر رﻗم اﻝﻌﺸرات وﺜﻼﺜﺔ طراﺌق ﻻﺨﺘﻴﺎر‬
‫اﻝﻤﺌﺎت ﻓﻴﻜون ﻋدد اﻷﻋداد اﻝﻔردﻴﺔ اﻝﺘﻲ ﻴﻤﻜن ﺘﺸﻜﻴﻠﻬﺎ ﻤن اﻷرﻗﺎم اﻝﻤﻔروﻀﺔ ﻫو ‪3 × 4 × 3 = 36‬‬

‫‪ (2‬ﻴوﺠد ﺜﻼث طراﺌق ﻻﺨﺘﻴﺎر رﻗم اﻵﺤﺎد ﻝﻠﻌدد اﻝﻔردي اﻝﻤطﻠوب ﺘﺸﻜﻴﻠﻪ وﻫﻨﺎك ﺨﻤس طراﺌق‬
‫ﻻﺨﺘﻴﺎر رﻗم اﻝﻌﺸرات وﺨﻤس طراﺌق ﻻﺨﺘﻴﺎر اﻝﻤﺌﺎت ﻓﻴﻜون ﻋدد اﻷﻋداد اﻝﻔردﻴﺔ اﻝﺘﻲ ﻴﻤﻜن‬
‫ﺘﺸﻜﻴﻠﻬﺎ ﻤن اﻷرﻗﺎم اﻝﻤﻔروﻀﺔ ﻫو ‪3 × 5 × 5 = 75‬‬

‫~ ‪~ 11‬‬
 ‫‪(2‬اﻝﺘرﺘﻴﺒﺎت ‪:‬‬
‫إذا ﻜﺎن ﻝدﻴﻨﺎ ‪ n‬ﻤﺘﺴﺎﺒق ‪ ،‬وﺒﺤﺜﻨﺎ ﻋن ﻋدد طرق اﺨﺘﻴﺎراﻷواﺌل ﻤﻨﻬم ‪ ،‬إذا ﻜﺎن ﻋدد اﻷواﺌل اﻝﻤطﻠوب‬
‫ﺘرﺘﻴﺒﻬم ﺒﺤﺴب ﺘرﺘﻴب ﻓوزﻫم ﻫو ‪ r‬ﻤن اﻝﻤﺘﺴﺎﺒﻘﻴن ) ∗ ‪ n , r ∈ ℕ‬و ‪( n ≥ r ≥ 1‬‬
‫ﻴوﺠد ‪ n‬طرﻴﻘﺔ ﻻﺨﺘﻴﺎر اﻝﻤﺘﺴﺎﺒق اﻷول‬
‫و ‪ n − 1‬ﻻﺨﺘﻴﺎر اﻝﻤﺘﺴﺎﺒق اﻝﺜﺎﻨﻲ وﻫﻜذا ‪.....‬‬
‫ﺴﻨﺠد ‪ n − r + 1‬ﻻﺨﺘﻴﺎر اﻝﻤﺘﺴﺎﺒق ذو اﻝﺘرﺘﻴب ‪r‬‬

‫وﺤﺴب اﻝﻤﺒدأ اﻷﺴﺎﺴﻲ ﻓﻲ اﻝﻌد ﻋدد طرق اﺨﺘﻴﺎر ‪ r‬ﻤﺘﺴﺎﺒق ﺒﺤﺴب ﺘرﺘﻴب ﻓوزﻫم ﻤن ‪ n‬ﻤﺘﺴﺎﺒق ﻴﻌطﻰ‬
‫وﻴﺴﻤﻰ ﻤﺒدأ اﻝﺘرﺘﻴب‬ ‫)‪P (n , r ) = n (n − 1)...........(n − r + 1‬‬ ‫ﺒﺎﻝﺼﻴﻐﺔ‪:‬‬
‫اﻝﻌﻴﻨﺎت اﻝﻤرﺘّﺒﺔ ذات ‪ r‬ﻋﻨﺼر ﻤن ﻤﺠﻤوﻋﺔ ذات ‪ n‬ﻋﻨﺼر‬
‫واﻝﺼﻴﻐﺔ اﻝﺴﺎﺒﻘﺔ ﺘﺤﺴب ﻝﻨﺎ ﻋدد ّ‬
‫اﻝﻨﺘﻴﺠﺔ‪:‬إذا ﻜﺎن ‪ r ، n‬ﻋددﻴن طﺒﻴﻌﻴﻴن ﻏﻴر ﻤﻌدوﻤﻴن ﺤﻴث ‪ n ≥ r‬ﻓﺈن ﻋدد ﺘرﺘﻴﺒﺎت ‪ r‬ﻋﻨﺼ اًر‬
‫ﻤن ﻤﺠﻤوﻋﺔ ذات ‪ n‬ﻋﻨﺼ اًر ﻫو اﻝﻌدد اﻝطﺒﻴﻌﻲ ) ‪ P ( n , r‬اﻝﻤﻌرف ﻜﻤﺎ ﻴﺄﺘﻲ‪:‬‬

‫)‪P ( n , r ) = n ( n − 1)...........( n − r + 1‬‬

‫ﻤﺜﺎل‪ :‬ﻴﺘﻜون ﻤﺠﻠس إدارة ﺸرﻜﺔ ﻤن ‪ 10‬أﺸﺨﺎص‪ ،‬ﻴراد ﺘﻌﻴﻴن ﻝﺠﻨﺔ ﻤؤﻝﻔﺔ ﻤن‪:‬‬
‫)ﻤدﻴر وﻤﻌﺎون ﻤدﻴر وﻤﺤﺎﺴب( ﺒﻜم طرﻴﻘﺔ ﻴﺘم ﻫذا اﻻﺨﺘﻴﺎر‬
‫اﻝﺤل‪:‬‬
‫إن ﻋدد اﻝﻠﺠﺎن اﻝﺘﻲ ﻴﻤﻜن ﺘﺸﻜﻴﻠﻬﺎ ‪ ،‬ﻫو ﻋدد ﺘرﺘﻴﺒﺎت ‪3‬ﻋﻨﺎﺼر ﻤن ﻤﺠﻤوﻋﺔ ذات ‪ 10‬ﻋﻨﺎﺼر‪،‬‬
‫ﻓﻬو إذن ﻴﺴﺎوي ‪ P (10,3) = 10 × 9 × 8 = 720‬أي ‪ 720‬ﻝﺠﻨﺔ‬

‫‪(3‬اﻝﺘﺒدﻴﻼت‪ :‬إذا ﻜﺎﻨت ‪ E‬ﻤﺠﻤوﻋﺔ ذات ‪ n‬ﻋﻨﺼ اًر ﻓﺈﻨﻨﺎ ﻨﺴﻤﻲ ﻜل ﺘرﺘﻴﺒﺔ ‪ n‬ﻋﻨﺼ اًر ﻤن ‪ E‬ﺘﺒدﻴﻠﺔ‬
‫ﻝﻠﻤﺠﻤوﻋﺔ ‪ ، E‬وﻴﻜون ﻋدد ﺘﺒدﻴﻼت ﻤﺠﻤوﻋﺔ ذات ‪ n‬ﻋﻨﺼ اًر ﻴﺴﺎوي‬

‫‪P ( n , n ) = n ( n − 1)...........2.1‬‬

‫وﻨﻘ أر ﻋﺎﻤﻠﻲ ‪n‬‬ ‫‪n ! = n ( n − 1)...........2.1‬‬ ‫وﻨرﻤز‪:‬‬

‫ﻓﻴﻜون ﻋدد اﻝﺘﺒدﻴﻼت ﻤﺠﻤوﻋﺔ ذات ‪ n‬ﻋﻨﺼ اًر ‪:‬‬
‫! ‪pn = p ( n , n ) = n‬‬

‫ﻤﺜﺎل ‪ :‬ﺘﺒدﻴﻼت ﻋﻨﺎﺼر اﻝﻤﺠﻤوﻋﺔ } ‪ E = {a , b , c‬ﻋددﻫﺎ ‪ 3! = 3 × 2 × 1 = 6‬واﻝﺘﺒدﻴﻼت ﻫﻲ ‪:‬‬

‫‪(a , b‬‬ ‫) ‪, c ) , ( a , c , b ) , (b , a , c ) , (b , c , a ) , ( c , a , b ) , ( c , b , a‬‬

‫~ ‪~ 12‬‬
 ‫اﻝﺤﺎﻝﺔ اﻝﺜﺎﻝﺜﺔ إذا ﻜﺎن اﻝﺴﺤب ﻤﻌﺎً )اﻝﺴﺤب ﺒﺂن واﺤد(أو) ﺘﺂﻨﻴﺎً(‬
‫)ﺴﺤب ﺜﻼث ﺒطﺎﻗﺎت ﻤﻌﺎً( ﻤن اﻝﺒطﺎﻗﺎت } ‪E = {a , b , c , d‬‬

‫ﻓﺈن } } ‪Ω = {{a , b , c } , {a , b , d } , {a , c , d } , {b , c , d‬‬

‫‪ n (Ω) = 4‬وﻫو ﻋدد اﻝﻤﺠﻤوﻋﺎت اﻝﺠزﺌﻴﺔ ذات ﺜﻼث ﻋﻨﺎﺼر ﻤن ﻋﻨﺎﺼر اﻝﻤﺠﻤوﻋﺔ } ‪E = {a , b , c , d‬‬

‫ﻨﻼﺤظ أن اﻝﺘﺒدﻴﻼت‬
‫‪(a , b‬‬ ‫) ‪, c ) , ( a , c , b ) , (b , a , c ) , (b , c , a ) , ( c , a , b ) , ( c , b , a‬‬
‫)‪P (4, 3‬‬
‫= ) ‪n (Ω‬‬ ‫أي أن ‪= 4 :‬‬ ‫ﺘﻤﺜل ﻤﺠﻤوﻋﺔ واﺤدة } ‪{a , b , c‬‬
‫!‪3‬‬
‫‪(4‬اﻝﺘوﻓﻴﻘﺎت ‪:‬‬

‫‪r‬‬ ‫ﺘﻌرﻴف ‪:‬إذا ﻜﺎن ‪ r ، n‬ﻋددﻴن طﺒﻴﻌﻴﻴن ﻏﻴر ﻤﻌدوﻤﻴن ﺤﻴث ) ‪ ( 0 ≤ r ≤ n‬ﻓﺈن ﻋدد ﺘوﻓﻴﻘﺎت‬
‫ﻋﻨﺼ اًر ﻤن ﻤﺠﻤوﻋﺔ ذات ‪ n‬ﻨﺼ اًر ﻫو اﻝﻌدد اﻝطﺒﻴﻌﻲ ) ‪ C ( n , r‬اﻝﻤﻌرف ﻜﻤﺎ ﻴﺄﺘﻲ‪:‬‬
‫)‪n (n − 1)...........(n − r + 1‬‬ ‫) ‪p (n, r‬‬
‫= ) ‪C (n , r‬‬ ‫أو‬ ‫= ) ‪C (n, r‬‬
‫!‪r‬‬ ‫!‪r‬‬

‫أو إذا ﻜﺎن ‪ r ، n‬ﻋددﻴن طﺒﻴﻌﻴﻴن ﻏﻴر ﻤﻌدوﻤﻴن ﺤﻴث ‪ n ≥ r‬ﻓﺈن ﻋدد طرق ﺴﺤب ‪r‬‬

‫ر ﻫو اﻝﻌدد اﻝطﺒﻴﻌﻲ ) ‪C ( n , r‬‬

‫ﻋﻨﺼ اًر ﻤﺘﻔﻘﺔ ﺒﺎﻝﺼﻔﺔ ﻤن ﻤﺠﻤوﻋﺔ ذات ‪ n‬ﻋﻨﺼ اً‬
‫)‪n (n − 1)...........(n − r + 1‬‬
‫= ) ‪C (n , r‬‬ ‫اﻝﻤﻌرف ﻜﻤﺎ ﻴﺄﺘﻲ‪:‬‬
‫!‪r‬‬
‫!‪n‬‬
‫= ) ‪C (n, r‬‬ ‫وﻴﻜﺘب ﺒﺼﻴﻐﺔ اﻝﻌﺎﻤﻠﻲ ﻋﻠﻰ اﻝﻨﺤو اﻝﺘﺎﻝﻲ ‪:‬‬
‫!) ‪r !(n − r‬‬

‫ﻨﺘﺎﺌﺞ‪:‬‬

‫ر ﻤن اﻝﻤﺠﻤوﻋﺔ ‪ Ε‬وﻤﻨﻪ ‪C ( n, r ) = 0‬‬

‫‪ (1‬إذا ﻜﺎن ‪ ، r > n‬ﻓﺈﻨﻪ ﻻ ﺘوﺠد أﻴﺔ ﺘوﻓﻴﻘﺔ ذات ‪ r‬ﻋﻨﺼ اً‬
‫‪ (2‬إذا ﻜﺎن ‪ ، r = 0‬ﻓﺈﻨﻪ ﺘوﺠد ﻤﺠﻤوﻋﺔ وﺤﻴدة ﺘﻀم ﺼﻔر ﻋﻨﺼ اًر‪ ،‬ﻫﻲ اﻝﻤﺠﻤوﻋﺔ اﻝﺨﺎﻝﻴﺔ ‪،‬‬
‫ر ﻤن اﻝﻤﺠﻤوﻋﺔ ‪ ، Ε‬وﻤﻨﻪ ‪C ( n, 0 ) = 1‬‬
‫إذن ﺘوﺠد ﺘوﻓﻴﻘﺔ وﺤﻴدة ذات ﺼﻔر ﻋﻨﺼ اً‬
‫! ‪n ( n − 1) .....2 × 1 n‬‬
‫= ) ‪C ( n, n‬‬ ‫‪= =1‬‬ ‫‪(3‬‬
‫!‪n‬‬ ‫!‪n‬‬
‫!‪n‬‬
‫= ) ‪C ( n, r‬‬ ‫‪(4‬‬
‫! ) ‪r !( n − r‬‬

‫)ﺨﺎﺼﺔ اﻻﺘﻤﺎم(‬ ‫‪C ( n , n − r ) = C ( n , r ) (5‬‬

‫‪ (6‬ﻤن اﻝﺨﺎﺼﺔ اﻷﺨﻴرة ﻨﺴﺘﻨﺘﺞ أﻨﻪ إذا ﻜﺎن ) ‪ ، C ( n, m ) = C ( n, r‬ﻓﺈن‪ m = r :‬أو ‪m + r = n‬‬

‫~ ‪~ 13‬‬
 ‫ﻋدد ﻋﻨﺎﺼر ) ‪ n ( Ω‬ﻓﻲ ﺒﻌض اﻻﺨﺘﺒﺎرات‪:‬‬

‫)‪n (Ω‬‬ ‫اﻻﺨﺘﺒﺎر‬

‫‪21 = 2‬‬ ‫ﻤرة واﺤدة‬

‫رﻤﻲ ﻗطﻌﺔ ﻨﻘود ّ‬
‫‪22 = 4‬‬ ‫ﻤرة واﺤدة أو رﻤﻲ ﻗطﻌﺔ ﻨﻘود ﻤرﺘﻴن‬
‫رﻤﻲ ﻗطﻌﺘﻲ ﻨﻘود ّ‬
‫‪23 = 8‬‬ ‫ﻤرات‬
‫ﻤرة واﺤدة أو رﻤﻲ ﻗطﻌﺔ ﻨﻘود ﺜﻼث ّ‬
‫رﻤﻲ ﺜﻼث ﻗطﻊ ﻨﻘود ّ‬
‫‪2n‬‬ ‫ﻤرة‬
‫ﻤرة واﺤدة أو رﻤﻲ ﻗطﻌﺔ ﻨﻘود ‪ّ n‬‬
‫رﻤﻲ ‪ n‬ﻗطﻌﺔ ﻨﻘود ّ‬
‫‪61 = 6‬‬ ‫ﻤرة واﺤدة‬
‫رﻤﻲ ﺤﺠر ﻨرد ﻤﻜﻌب ّ‬
‫‪62 = 36‬‬ ‫ﻤرة واﺤدة أو رﻤﻲ ﺤﺠر ﻨرد ﻤرﺘﻴن‬
‫رﻤﻲ ﺤﺠري ﻨرد ﻤﻜﻌب ّ‬
‫ﻤرة واﺤدة أو رﻤﻲ ﺤﺠر ﻨرد ‪n‬‬
‫رﻤﻲ ‪ n‬ﺤﺠر ﻨرد ﻤﻜﻌب ﻤﻌﺎً ّ‬
‫‪n‬‬
‫‪6‬‬
‫ﻤرة‬
‫ّ‬
‫‪41 = 4‬‬ ‫ﻤرة واﺤدة‬
‫رﻤﻲ ﺤﺠر ﻨرد رﺒﺎﻋﻲ ّ‬
‫‪42 = 16‬‬ ‫ﻤرة واﺤدة أو رﻤﻲ ﺤﺠر ﻨرد ﻤرﺘﻴن‬
‫رﻤﻲ ﺤﺠري ﻨرد رﺒﺎﻋﻲ ّ‬
‫ﻤرة واﺤدة أو رﻤﻲ ﺤﺠر ﻨرد ‪n‬‬
‫رﻤﻲ ‪ n‬ﺤﺠر ﻨرد رﺒﺎﻋﻲ ﻤﻌﺎً ّ‬
‫‪n‬‬
‫‪4‬‬
‫ﻤرة‬
‫ّ‬
‫‪nr‬‬ ‫‪n‬‬ ‫ﺴﺤب ‪ r‬ﻋﻨﺼر ﺒﺎﻝﺘﺘﺎﻝﻲ ﻤﻊ اﻹﻋﺎدة وﻤراﻋﺎة اﻝﺘرﺘﻴب ﻤن‬
‫ﻋﻨﺼر‬
‫)‪Ρ ( n, r ) = n ( n − 1)( n − 2 ) × ... × ( n − r + 1‬‬ ‫ﺴﺤب ‪ r‬ﻋﻨﺼر دون إﻋﺎدة وﻤراﻋﺎة اﻝﺘرﺘﻴب ﻤن ‪ n‬ﻋﻨﺼر‬
‫) ‪(1 ≤ r ≤ n‬‬
‫)‪n ( n − 1)( n − 2 ) × ... × ( n − r + 1‬‬ ‫ﺴﺤب ‪ r‬ﻋﻨﺼر ﻤﻌﺎً ﻤن ‪ n‬ﻋﻨﺼر‬
‫= ) ‪C ( n, r‬‬
‫!‪r‬‬
‫) ‪(0 ≤ r ≤ n‬‬

‫~ ‪~ 14‬‬
 ‫④اﻝﺤدث‬

‫ﻫو ﻜل ﻤﺠﻤوﻋﺔ ﺠز ّﺌﻴﺔ ﻤن ﻓﻀﺎء اﻝﻌﻴﻨﺔ ‪ُ Ω‬‬

‫وﻴرﻤز ‪.... ، H ، B ، A‬‬
‫وﻗوع اﻝﺤدث‪ :‬ﻨﻘول إن اﻝﺤدث ‪ A‬ﻗد وﻗﻊ ) أو ﺘﺤﻘق ( إذا ظﻬر ﺒﻌد ﺘﻨﻔﻴذ اﻻﺨﺘﺒﺎر أﺤد ﻋﻨﺎﺼر ‪A‬‬

‫ﻤﺜﺎل ذﻝك‪:‬‬
‫ﻤرة واﺤدة‪ ،‬اﻝﺤدث ‪ A‬ظﻬور ﻋدد ﻓردي }‪ A = {1,3,5‬ﻴﻘﻊ إذا ظﻬر ﺒﻌد ﺘﻨﻔﻴذ‬
‫اﻝﻨرد ّ‬
‫ﻓﻲ اﺨﺘﺒﺎر إﻝﻘﺎء ﺤﺠر ّ‬
‫‪5‬‬ ‫اﻻﺨﺘﺒﺎر‪ 1‬أو ‪ 3‬أو‬
‫وﻗوع ﺤدث ‪ :‬إذا ﻜﺎن ‪ A‬ﺤدﺜﺎً ﻤرﺘﺒطﺎً ﺒﺘﺠر ٍ‬
‫ﺒﺔ ﻤﺎ ‪،‬ﻓﺈﻨﻪ ﺒﻌد إﺠراء اﻝﺘﺠرﺒﺔ ﻻ ﺒد ﻤن ظﻬور أﺤد اﻹﻤﻜﺎﻨﺎت‬
‫ﻨدﻋو ﻫذا اﻹﻤﻜﺎن اﻝذي ﻴظﻬر واﻝذي ﻫو ﻋﻨﺼر ﻤن ‪ " Ω‬واﻗﻌﺔ "‬
‫وﻨرﻤز ﻝﻪ ﺒﺎﻝرﻤز ) ‪ ( x‬ﻓﺈذا ﻜﺎن ‪ x ∈ A‬ﻗﻠﻨﺎ إن اﻝﺤدث ‪ A‬ﻗد وﻗﻊ‬
‫ٕواذا ﻜﺎن ‪ x ∉ A‬ﻗﻠﻨﺎ إن اﻝﺤدث ‪ A‬ﻝم ﻴﻘﻊ‬
‫أو ﻨﻘول إن اﻝﺤدث ‪ A‬ﻗد وﻗﻊ ) أو ﺘﺤﻘق ( إذا ظﻬر ﺒﻌد ﺘﻨﻔﻴذ اﻻﺨﺘﺒﺎر أﺤد ﻋﻨﺎﺼر ‪A‬‬

‫ﻤﺜﺎل ذﻝك‪:‬‬
‫ﻤرة واﺤدة‪ ،‬اﻝﺤدث ‪ A‬ظﻬور ﻋدد ﻓردي }‪ A = {1,3,5‬ﻴﻘﻊ إذا ظﻬر ﺒﻌد ﺘﻨﻔﻴذ‬
‫اﻝﻨرد ّ‬
‫ﻓﻲ اﺨﺘﺒﺎر إﻝﻘﺎء ﺤﺠر ّ‬
‫اﻻﺨﺘﺒﺎر‪ 1‬أو ‪ 3‬أو ‪5‬‬

‫ﻤﺠﻤوﻋﺔ اﻷﺤداث‪:‬‬
‫إذن ‪ A‬ﺤدث ﻴﻜﺎﻓﺊ ‪A ⊆ Ω‬‬

‫ٕواذا ﻜﺎﻨت ) ‪ P ( Ω‬ﻤﺠﻤوﻋﺔ ﺠﻤﻴﻊ اﻷﺤداث اﻝﻤﺘﻌﻠﻘﺔ ﺒﺎﻝﺘﺠرﺒﺔ ﻴﻜون ‪. A ⊆ Ω ⇔ A ∈ P ( Ω ) :‬‬

‫) ) ‪ P ( Ω‬ﻴدل ﻋﻠﻰ ﻤﺠﻤوﻋﺔ أﺠزاء اﻝﻤﺠﻤوﻋﺔ ‪( Ω‬‬
‫ٕواذا ﻜﺎن ﻋدد ﻋﻨﺎﺼر ‪ Ω‬ﻫو ‪ n ( Ω ) = m‬ﻓﺈن ﻋدد ﻋﻨﺎﺼر ) ‪ P ( Ω‬ﻫو ‪n ( P ( Ω ) ) = 2m‬‬

‫ﻤﺜﺎل ‪ :‬إذا ﻜﺎﻨت } ‪ Ω = {a , b , c‬ﻓﺈن }‪P ( Ω ) = {Φ, {a} , {b } , {c } , {a, b } , {a , c } , {b , c } , Ω‬‬

‫ﺠﺒر اﻷﺤداث‪:‬‬
‫اﻝﺤدث اﻝﺒﺴﻴط‪ :‬ﻫو ﻤﺠﻤوﻋﺔ ﺠز ّﺌﻴﺔ ﻤن ﻓﻀﺎء اﻝﻌﻴﻨﺔ ذات ﻋﻨﺼر وﺤﻴد‬
‫ﺴﻤﻴﻪ اﻷﻜﻴد ﻷن ﻨﺘﻴﺠﺔ اﻝﺘﺠرﺒﺔ ﻫﻲ أﺤد ﻋﻨﺎﺼرﻩ‪.‬‬
‫وﻨ ّ‬
‫اﻝﺤدث اﻷﻜﻴد ‪ : Ω‬ﺤدث ُ‬
‫ﺴﻤﻴﻪ اﻝﺤدث اﻝﻤﺴﺘﺤﻴل‬
‫وﻨ ّ‬
‫اﻝﺤدث اﻝﻤﺴﺘﺤﻴل ‪ : φ‬ﺒﻤﺎ أن ‪ φ ⊆ Ω‬إذن ‪ φ‬ﺤدث ُ‬
‫ﻓﻔﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﺤﺠر اﻝﻨرد اﻝﻨظﺎﻤﻲ ﻤرة واﺤدة ﻴﻜون ظﻬور وﺠﻪ ﻋﻠﻴﻪ ‪ 7‬ﻨﻘط ﺤدﺜﺎً ﻤﺴﺘﺤﻴﻼً ‪.‬‬

‫~ ‪~ 15‬‬
 ‫اﺠﺘﻤﺎع ﺤدﺜﻴن ‪:‬‬
‫‪A‬‬
‫اﺠﺘﻤﺎع ﺤدﺜﻴن ‪ A‬و ‪ B‬ﻫو ﺤدث ﻴﺘﻀﻤن ﻜﺎﻓﺔ ﻨﺘﺎﺌﺞ اﻝﺘﺠرﺒﺔ اﻝﺘﻲ‬
‫‪B‬‬ ‫‪A ∪B‬‬
‫ﺘﻨﺘﻤﻲ إﻝﻰ ‪ A‬أو إﻝﻰ ‪ B‬أو إﻝﻴﻬﻤﺎ ﻤﻌﺎً وﻨرﻤز ﻝﻪ ﺒﺎﻝرﻤز ‪. A ∪ B‬‬
‫ﺘﻘﺎطﻊ ﺤدﺜﻴن ‪:‬‬
‫ﺘﻘﺎطﻊ ﺤدﺜﻴن ‪ A‬و ‪ B‬ﻫو ﺤدث ﻴﺘﻀﻤن ﻨﺘﺎﺌﺞ اﻝﺘﺠرﺒﺔ اﻝﺘﻲ‬
‫‪B‬‬
‫‪A‬‬ ‫ﺘﻨﺘﻤﻲ إﻝﻰ ‪ A‬و إﻝﻰ ‪ B‬ﻤﻌﺎً وﻨرﻤز ﻝﻪ ﺒﺎﻝرﻤز ‪. A ∩ B‬‬
‫‪A ∩B‬‬
‫‪B \A‬‬
‫اﻻﺠﺘﻤﺎع واﻝﺘﻘﺎطﻊ ﻴﺤﻘﻘﺎن‪:‬‬
‫‪A \B‬‬
‫‪A ∩A =A , A ∪A =A‬‬ ‫ﺨﺎﺼﺔ اﻝﻼ ﻨﻤو ‪:‬‬
‫ﺨﺎﺼﺔ ﺘوزﻴﻊ اﻝﺘﻘﺎطﻊ ﻋﻠﻰ اﻻﺠﺘﻤﺎع‪A ∩ ( B ∪ C ) = ( A ∩ B ) ∪ ( A ∩ C ) :‬‬

‫ﺨﺎﺼﺔ ﺘوزﻴﻊ اﻻﺠﺘﻤﺎع ﻋﻠﻰ اﻝﺘﻘﺎطﻊ ) ‪A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C‬‬

‫اﻝﻔرق ﺒﻴن ﺤدﺜﻴن ‪:‬‬

‫اﻝﻔرق ﺒﻴن ﺤدﺜﻴن ‪ A‬و ‪ B‬ﻫو ﺤدث ﻴﺘﻀﻤن ﻜﺎﻓﺔ ﻨﺘﺎﺌﺞ اﻝﺘﺠرﺒﺔ اﻝﺘﻲ ﺘﻨﺘﻤﻲ‬
‫‪B‬‬ ‫إﻝﻰ ‪ A‬وﻻ ﺘﻨﺘﻤﻲ إﻝﻰ ‪ B‬وﻨرﻤز ﻝﻪ ﺒﺎﻝرﻤز ‪. A \ B‬‬

‫‪A‬‬ ‫ﻤﻼﺤظﺔ ‪ :‬إذا ﻜﺎﻨت ‪ A ⊆ B‬ﻓﺈن ‪ A ∩ B = A‬و ‪A ∪ B = B‬‬

‫‪B \A‬‬ ‫‪B \A ⊆B‬‬ ‫و ‪ A \B =φ‬و‬

‫اﻝﺤدﺜﺎن اﻝﻤﺘﺘﺎﻤﺎن )اﻝﻤﺘﻀﺎدان(‪:‬‬
‫ﻤﺘﻤم ﺤدث ‪ A‬ﻫو ﺤدث ﻴﺘﻀﻤن ﻜﺎﻓﺔ ﻨﺘﺎﺌﺞ اﻝﺘﺠرﺒﺔ اﻝﺘﻲ ﻻ ﺘﻨﺘﻤﻲ إﻝﻰ ‪ A‬وﻨرﻤز ﻝﻪ ﺒﺎﻝرﻤز ‪. A′‬‬
‫ﻴﻨﺘﺞ ﻤن اﻝﺘﻌرﻴﻔﻴن اﻝﺴﺎﺒﻘﻴن أن ‪:‬‬

‫‪،A ∪A′ = Ω‬‬ ‫‪،‬‬ ‫‪A ∩A′ =φ‬‬ ‫‪، A = Ω \ A ′ ، A ′ = Ω \ A ، ( A ′ )′ = A‬‬

‫‪A ∪ B = (A ∩ B )′ ,‬‬ ‫ﻗواﻨﻴن دوﻤورﻏﺎن ‪A ∩ B = ( A ∪ B ) ′ , A \ B = A ∩ B ′ :‬‬

‫اﻝﺤدﺜﺎن اﻝﻤﺘﻨﺎﻓﻴﺎن ) اﻝﻤﻨﻔﺼﻼن ( ‪ :‬ﻫﻤﺎ ﺤدﺜﺎن ﻴﻨﻔﻲ وﻗوع أﺤدﻫﻤﺎ وﻗوع اﻵﺨر‬
‫إذن ﺘﻘﺎطﻌﻬﻤﺎ ‪ ، φ‬ﻓﺈذا ﻜﺎن ‪ B ، A‬ﻤﺘﻨﺎﻓﻴﻴن ﻴﻜﺎﻓﺊ ‪A ∩ B = φ‬‬

‫ﻻﺤظ أن ﻜل ﺤدﺜﻴن ﻤﺘﺘﺎﻤﻴﻴن ﻫﻤﺎ ﺤدﺜﻴن ﻤﺘﻨﺎﻓﻴﻴن ﻝﻜن اﻝﻌﻜس ﻏﻴر ﺼﺤﻴﺢ دوﻤﺎً‬

‫~ ‪~ 16‬‬
 ‫ﻤﺜﺎل①‬
‫ﻤرة واﺤدة }‪n ( Ω ) = 6 ، Ω = {1, 2,3, 4,5, 6‬‬
‫ﻓﻲ ﺘﺠرﺒﺔ رﻤﻲ ﺤﺠر ﻨرد ّ‬
‫اﻷﺤداث ‪ ..... {3} ، {2} ، {1} :‬أﺤداث ﺒﺴﻴطﺔ‬
‫ﺤدﺜﺎن ﻤﺘﻨﺎﻓﻴﺎن )ﻻﺤظ ﻏﻴر ﻤﺘﺘﺎﻤﻴن(‬ ‫}‪{1, 2} , {3,5, 6‬‬
‫}‪ {1,3,5} , {4, 2, 6‬ﺤدﺜﺎن ﻤﺘﺘﺎﻤﺎن‬
‫ﻤﺜﺎل②‬
‫واﻝﻜﺘﺎﺒﺔ ‪ H‬ﻓﺘﻜون‬ ‫ﺸﻌﺎر ‪T‬‬
‫وﻨﻼﺤظ ﺘﺘﺎﺒﻊ ظﻬور اﻝ ّ‬
‫ﻤرات ُ‬
‫ﻨﻠﻘﻲ ﻗطﻌﺔ ﻨﻘود ﺜﻼث ّ‬
‫‪Ω = {(T ,T ,T‬‬ ‫)‬ ‫‪, ( H ,T ,T ) , (T , H ,T ) , (T ,T , H ) , ( H , H ,T ) ,‬‬
‫}) ‪( H ,T , H ) , (T , H , H ) , ( H , H , H‬‬
‫‪ A‬ﺤدث ظﻬور ﺸﻌﺎرﻴن ﻤﺘﺘﺎﻝﻴﻴن أو أﻜﺜر‬
‫اﻝﻨﺘﺎﺌﺞ ﻓﻲ اﻝرﻤﻴﺎت اﻝﺜﻼث‬
‫‪ : B‬ﺤدث ظﻬور ﻨﻔس ّ‬
‫‪ : C‬ﺤدث ظﻬور ﻜﺘﺎﺒﺘﻴن ﻋﻠﻰ اﻷﻗل‬

‫‪ : D‬ﺤدث ظﻬور ﺸﻌﺎرﻴن ﻓﻘط ﺨﻼل اﻝرﻤﻴﺎت اﻝﺜﻼث‬

‫‪A‬‬ ‫اذﻜر ﺤدﺜﻴن ﻤﺘﻨﺎﻓﻴﻴن ‪ ،‬و اذﻜر ﺤدث ﻤﺴﺘﺤﻴل و اﻜﺘب ﻤﺘﻤﻤﺔ‬
‫‪A ∪D , A ∪D‬‬ ‫‪,‬‬ ‫‪A ∩B‬‬ ‫أوﺠد ‪، D \ A ، A \ D‬‬
‫اﻝﺤل‪:‬‬
‫‪A = { (T ,T ,T‬‬ ‫)‬ ‫‪, ( H ,T ,T‬‬ ‫)‬ ‫‪, (T ,T , H‬‬ ‫})‬
‫‪B = {( H , H , H ) , (T ,T ,T‬‬ ‫})‬
‫‪C = {( H , H ,T ) , ( H ,T , H ) , (T , H , H ) , ( H , H , H‬‬ ‫})‬
‫‪D = {( H ,T ,T‬‬ ‫}) ‪) , (T , H ,T ) , (T ,T , H‬‬
‫‪ A ∩ C = φ‬ﻓﺈن ‪ A , C‬ﻤﺘﻨﺎﻓﻴﺎن‬
‫ﻤرات ﻓﻲ ﻫذﻩ اﻝﺘّﺠرﺒﺔ ﻫو اﻝﻤﺠﻤوﻋﺔ اﻝﺨﺎﻝﻴﺔ‬
‫وﻴﻜون ﺤدث ظﻬور اﻝ ّﺸﻌﺎر ﺨﻤس ّ‬
‫ﻤﺘﻤﻤﺔ ‪ A‬ﻫﻲ ‪A ′ = { (T , H ,T ) , ( H , H ,T ) , ( H ,T , H ) , (T , H , H ) , ( H , H , H )} :‬‬

‫}) ‪ A \ D = {(T ,T ,T‬ﻫو اﻝﺤدث اﻝﺒﺴﻴط اﻝﻤﻜون ﻤن ظﻬور اﻝ ّﺸﻌﺎر ﻓﻲ اﻝرﻤﻴﺎت اﻝﺜﻼث‬
‫}) ‪ D \ A = {(T , H ,T‬ﻫو اﻝﺤدث اﻝﺒﺴﻴط اﻝﻤﻜون ﻤن ظﻬور اﻝﻜﺘﺎﺒﺔ ﻓﻘط ﻓﻲ اﻝرﻤﻴﺔ اﻝﺜﺎﻨﻴﺔ‬
‫}) ‪ A ∩ B = {(T ,T ,T‬ﻫو اﻝﺤدث اﻝﺒﺴﻴط اﻝﻤﻜون ﻤن ظﻬور اﻝ ّﺸﻌﺎر ﻓﻲ اﻝرﻤﻴﺎت اﻝﺜﻼث‬

‫~ ‪~ 17‬‬
 ‫‪A ∪ B = {( H , H , H ) , (T ,T ,T‬‬ ‫)‬ ‫‪, ( H ,T ,T‬‬ ‫)‬ ‫}) ‪, (T ,T , H‬‬
‫}) ‪A ∪ D = { ( H ,T ,T ) , (T , H ,T ) , (T ,T , H ) , ( H , H ,T ) , ( H ,T , H ) , (T , H , H ) , ( H , H , H‬‬
‫‪= Ω \ {(T ,T ,T‬‬ ‫})‬
‫وﻫو اﻝﺤدث اﻝﻤﺘﻤم ﻝظﻬور ﺜﻼث ﺸﻌﺎرات‬

‫ﻤﺜﺎل ③ ﻨﻠﻘﻲ ﺤﺠر ﻨرد ﻤﻜﻌب‪ ،‬إذا ظﻬرﻋدد ﻓردي ﻨﻠﻘﻲ ﺤﺠر ﻨرد رﺒﺎﻋﻲ‪ٕ ،‬وان ظﻬر ﻋدد زوﺠﻲ ﻨﻠﻘﻲ‬
‫ﻗطﻌﺔ ﻨﻘود ﻤرةً واﺤدة‬
‫‪ (1‬اﻜﺘب ﻓﻀﺎء اﻝﻌﻴﻨﺔ ‪ Ω‬ﻝﻬذﻩ اﻝﺘﺠرﺒﺔ‬
‫‪ (2‬ﺤدد ﻨﻘﺎط اﻝﻌﻴﻨﺔ ﻝﻜل ﻤن اﻷﺤداث اﻝﺘﺎﻝﻴﺔ ‪:‬‬
‫‪ : A‬ظﻬور ﻋدد زوﺠﻲ ﻋﻠﻰ ﺤﺠر اﻝﻨرد اﻝرﺒﺎﻋﻲ‬
‫‪ : B‬ظﻬور وﺠﻪ ‪ H‬ﻋﻠﻰ ﻗطﻌﺔ اﻝﻨﻘود‬
‫‪ : C‬ظﻬور وﺠﻪ اﻝﺼورة ‪ T‬ﻋﻠﻰ ﻗطﻌﺔ اﻝﻨﻘود وﻋدد أﻗل ﻤن ‪ 5‬ﻋﻠﻰ ﺤﺠر اﻝﻨرد اﻝﻤﻜﻌب ‪.‬‬
‫‪ : D‬ظﻬور وﺠﻪ اﻝﻜﺘﺎﺒﺔ ‪ H‬ﻋﻠﻰ ﻗطﻌﺔ اﻝﻨﻘود أو ﻋدد ﻻ ﻴﻘل ﺘﻤﺎﻤﺎً ﻋن ‪ 3‬ﻋﻠﻰ ﺤﺠر اﻝﻨرد اﻝﻤﻜﻌب‬
‫‪1‬‬
‫‪2‬‬ ‫‪ : E‬اﻝﺤﺼول ﻋﻠﻰ ‪ A‬أو ‪B‬‬
‫‪1‬‬
‫‪ : F‬اﻝﺤﺼول ﻋﻠﻰ ‪ A‬و ‪D‬‬
‫‪3‬‬

‫‪4‬‬
‫‪ (3‬ﺒﻴن أي زوﺠﻴن ﻤن اﻷﺤداث اﻝﺴﺎﺒﻘﺔ ﻫﻤﺎ ﺤدﺜﻴن ﻤﺘﻨﺎﻓﻴﻴن ‪.‬‬
‫‪T‬‬

‫اﻝﺤل‪:‬‬
‫‪2‬‬
‫‪H‬‬

‫‪1‬‬ ‫‪(1‬‬
‫‪2‬‬
‫‪3‬‬ ‫‪Ω = ( (1,1) , (1, 2) , (1,3) , (1, 4 ) , ( 3,1)( 3, 2 ) , ( 3,3) , ( 3, 4 ) , ( 5,1) ,‬‬
‫‪3‬‬

‫‪4‬‬ ‫}) ‪( 5, 2) , ( 5,3) , ( 5, 4) ( 2, H ) , ( 2,T ) , ( 4, H ) , ( 4,T ) , ( 6, H ) , ( 6,T‬‬

‫‪(2‬‬
‫‪T‬‬
‫‪4‬‬
‫‪H‬‬ ‫}) ‪A = {(1, 2 ) , (1, 4 ) , ( 3, 2 ) , ( 3, 4 ) , ( 5, 2 ) , ( 5, 4‬‬

‫}) ‪B = {( 2, H ) , ( 4, H ) , ( 6, H‬‬
‫‪1‬‬
‫‪2‬‬ ‫‪C = {( 2,T ) , ( 4,T‬‬ ‫})‬
‫‪5‬‬
‫}) ‪D = {( 6, H ) , ( 4, H ) ,} (1, 4) , ( 3, 4 ) , ( 5, 4‬‬
‫‪3‬‬

‫‪4‬‬
‫}) ‪E = A ∪ B = {(1, 2 ) , (1, 4 ) , ( 3, 2 ) , ( 3, 4 ) , ( 5, 2 ) , ( 5, 4) , ( 2, H ) , ( 4, H ) , ( 6, H‬‬
‫‪T‬‬
‫‪6‬‬
‫‪H‬‬ ‫~ ‪~ 18‬‬
 ‫}) ‪F = A ∩ D = {(1, 4 ) , ( 3, 4 ) , ( 5, 4‬‬

‫‪(3‬اﻷﺤداث اﻝﻤﺘﻨﺎﻓﻴﺔ ‪ :‬ﻜل زوج ﻤن ﻫذﻩ اﻷزواج ﺤدﺜﻴن ﻤﺘﻨﺎﻓﻴﻴن‬

‫)‪ A‬و ‪ A) ، (B‬و ‪ C ) ، ( C‬و ‪، (B‬‬

‫) ‪ C‬و ‪ F ) ، ( D‬و ‪ F ) ، ( B‬و ‪ E ) ، (C‬و ‪(C‬‬

‫⑤ داﻝﺔ اﻻﺤﺘﻤﺎل‬

‫اﻝﻌﻴﻨﺔ ﻻﺨﺘﺒﺎر ﻤﻌﻴن‪ P ( Ω ) ،‬ﻤﺠﻤوﻋﺔ اﻷﺤداث‬

‫ﺘﻌرﻴف‪ :‬إذا ﻜﺎن ‪ Ω‬ﻓﻀﺎء ّ‬
‫ﻓﺈن داﻝﺔ اﻻﺤﺘﻤﺎل ﻫﻲ ﻜل داﻝﺔ‪ P : P ( Ω ) → [ 0,1] :‬وﺘﺤﻘق‪:‬‬
‫‪P (Ω) = 1 (1‬‬

‫ﻓﺈن‪P ( A ∪ B ) = P (A ) + P (B ) :‬‬
‫‪ (2‬إذا ﻜﺎن ‪ A‬و ‪ B‬ﺤدﺜﻴن ﻤﺘﻨﺎﻓﻴﻴن ّ‬
‫ﻓﻀﺎء اﺤﺘﻤﺎﻝﻴﺎً‬
‫ً‬ ‫وﻨﺴﻤﻲ اﻝﺜّﻼﺜﻴﺔ ) ‪( Ω , P (S ) , P‬‬
‫ّ‬
‫ﻤﻼﺤظﺔ‬

‫ﻓﺈن‬
‫إذا ﻜﺎﻨت ‪ A1 , A2 , A3 ,...., An‬ﻤﺠﻤوﻋﺔ ﻤن اﻷﺤداث اﻝﻤﺘﻨﺎﻓﻴﺔ ﻤﺜﻨﻰ ّ‬
‫) ‪P ( A1 ∪ A 2 ∪ A3 ∪ ..... ∪ A n ) = P ( A1 ) + P ( A 2 ) + .... + P ( A n‬‬

‫ٕواذا ﻜﺎﻨت ‪ A1 , A2 , A3 ,...., An‬ﺘﺸﻜل ﺘﺠزﺌﺔ ﻝﻠﻤﺠﻤوﻋﺔ ‪Ω‬‬

‫ﻓﺈن ‪:‬‬
‫أن ﻜﻼً ﻤن ﻫذﻩ اﻝﻤﺠﻤوﻋﺎت ‪ :‬ﻏﻴر ﺨﺎﻝﻴﺔ وﻤﺘﻨﺎﻓﻴﺔ ﻤﺜﻨﻰ و اﺠﺘﻤﺎﻋﻬﺎ ﻴﺴﺎوي ‪ّ ( Ω‬‬
‫) أي ّ‬
‫) ‪P ( A1 ) + P ( A 2 ) + .... + P ( A n ) = P ( Ω‬‬

‫أي ‪P ( A1 ) + P ( A 2 ) + .... + P ( A n ) = 1‬‬

‫ﻤﺜﺎل‬

‫ﻤﻌﺎً‬ ‫ﻴﺘﺴﺎﺒق ﺜﻼﺜﺔ ﻋداﺌﻴن ‪C ، B ، A‬‬

‫إذا ﻜﺎن اﺤﺘﻤﺎل ﻓوز اﻝﻌداء ‪ A‬ﻫـو ﻀـﻌﻔﻲ اﺤﺘﻤـﺎل ﻓـوز اﻝﻌـداء ‪ ، B‬واﺤﺘﻤـﺎل ﻓـوز اﻝﻌـداء ‪ B‬ﻫـو ﻀـﻌﻔﻲ‬
‫اﺤﺘﻤﺎل ﻓوز اﻝﻌداء ‪ C‬ﻓﻤﺎ ﻫو اﺤﺘﻤﺎل ﻓوز ﻜل واﺤد ﻤﻨﻬم ؟‬
‫اﻝﺤل‬
‫ﻨﻔرض ‪ P (C ) = x‬ﻓﻴﻜون ‪ P ( B ) = 2x‬و ‪ P ( A ) = 4x‬و ‪ A , B , C‬ﺘﺠزﺌﺔ ﻝﻠﻤﺠﻤوﻋﺔ ‪Ω‬‬

‫إن ‪P ( A ) + P ( B ) + P (C ) = 1‬‬
‫‪4‬‬ ‫‪2‬‬ ‫‪1‬‬
‫= ) ‪P (A‬‬ ‫وﻤﻨﻪ = ) ‪، P ( B‬‬ ‫= ‪x‬‬ ‫إذن ‪ 4x + 2x + x = 1‬وﻤﻨﻪ ) ‪= P (C‬‬
‫‪7‬‬ ‫‪7‬‬ ‫‪7‬‬

‫~ ‪~ 19‬‬
 ‫ﻤﺜﺎل‬
‫ﻨﻠﻘﻲ ﺜﻼث ﻗطﻊ ﻨﻘدﻴﺔ ﻤﻌﺎً ُﻨﻼﺤظ ﻋدد اﻝ ّﺸﻌﺎرات ‪T‬اﻝﺘﻲ ﺘظﻬر ﻓﻲ ﻫذﻩ اﻝﺘّﺠرﺒﺔ إن ﻓﻀﺎء اﻝﻌﻴﻨﺔ ﻫو‬
‫‪Ω = {(T ,T ,T‬‬ ‫)‬ ‫‪, ( H ,T ,T ) , (T , H ,T ) , (T ,T , H ) , ( H , H ,T ) ,‬‬
‫}) ‪( H ,T , H ) , (T , H , H ) , ( H , H , H‬‬
‫إن ﻋ ــدد ﻤ ـ ّـرات ظﻬ ــور اﻝ ّﺸ ــﻌﺎر ﻫ ــﻲ ﻋﻨﺎﺼ ــر اﻝﻤﺠﻤوﻋ ــﺔ }‪ {3, 2,1, 0‬ﺤﻴ ــث ﻴ ــدل اﻝﺼ ــﻔر ﻋﻠ ــﻰ ﻋ ــدم ظﻬ ــور‬
‫ﻤرة واﺤدة ‪ ...‬وﻫﻜذا‬
‫اﻝ ّﺸﻌﺎر ‪ ،‬واﻝﻌدد ‪ 1‬ﻴدل ﻋﻠﻰ ظﻬور اﻝ ّﺸﻌﺎر ّ‬
‫‪ n ( Ω ) = 8‬ﺤﻴث ﻴدل ) ‪ n ( Ω‬ﻋﻠﻰ ﻋدد ﻋﻨﺎﺼر اﻝﻤﺠﻤوﻋﺔ ‪Ω‬‬
‫‪1‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪1‬‬
‫= )‪P ( 3‬‬ ‫= ) ‪، P ( 2 ) = ، P (1) = ، P ( 0‬‬
‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬
‫أن ‪:‬‬
‫ُﻨﻼﺤظ ّ‬
‫‪1 3 3 1‬‬
‫= )‪P ( 0 ) + P (1) + P ( 2 ) + P ( 3‬‬ ‫‪+ + + =1‬‬
‫‪8 8 8 8‬‬
‫⑥اﻝﻔﻀﺎء اﻝﻤﻨﺘﻬﻲ اﻝﻤﺘﺴﺎوي اﻻﺤﺘﻤﺎﻻت ) اﻝﻤﻨﺘظم(‬

‫ﺘﻌرﻴف‬
‫اﻝﻔﻀــﺎء اﻝﻤﺘﺴــﺎوي اﻻﺤﺘﻤــﺎﻻت ﻫــو ﻜــل ﻓﻀــﺎء اﺤﺘﻤــﺎﻝﻲ ﻤﻨﺘــﻪ } ‪ Ω = {a1 , a2 ,...., an‬ﻴﻜــون ﻝﺠﻤﻴــﻊ ﺤوادﺜــﻪ‬
‫اﻻﺒﺘداﺌﻴﺔ اﻻﺤﺘﻤﺎل ذاﺘﻪ‬
‫‪1‬‬
‫= ) ‪P (A‬‬ ‫ﺤﻴث ‪ a ∈ Ω‬ﻫو‬ ‫ﻓﺈذا ﻜﺎن ‪ ، n ( Ω ) = m‬ﻓﺈن اﺤﺘﻤﺎل وﻗوع اﻝﺤدث اﻝﺒﺴﻴط }‪{a‬‬
‫‪m‬‬
‫‪1‬‬ ‫‪r‬‬
‫× ‪P (A ) = r‬‬ ‫=‬ ‫ٕواذا ﻜﺎن اﻝﺤدث ‪ A‬ﻤؤﻝﻔﺎً ﻤن ‪ r‬ﻋﻨﺼ اًر ﻓﺈن‬
‫‪m m‬‬
‫وﻴﻨﺘﺞ ﻤن ذﻝك أن اﺤﺘﻤﺎل وﻗوع اﻝﺤدث ‪ A‬ﻓﻲ ﻓﻀﺎء ﻋﻴﻨـﺔ ﻤﻨﺘـﻪ ‪ Ω‬وﻤﺘﺴـﺎوي اﻻﺤﺘﻤـﺎﻻت ﻴﺴـﺎوي ﺤﺎﺼـل‬
‫ٍ‬
‫ﺒﺘﻌﺒﻴر آﺨر‬ ‫ﻗﺴﻤﺔ ﻋدد ﻋﻨﺎﺼر ‪ A‬ﻋﻠﻰ ﻋدد ﻋﻨﺎﺼر ‪ Ω‬أو‬

‫ﻋدد ﻋﻨﺎﺼر ‪A‬‬

‫= ) ‪P (A‬‬
‫ﻋدد ﻋﻨﺎﺼر ‪Ω‬‬

‫ﻋدد طراﺌق وﻗوع اﻝﺤدث ‪A‬‬

‫= ) ‪P (A‬‬
‫ﻋدد طراﺌق وﻗوع ﻓﻀﺎء اﻝﻌﻴﻨﺔ ‪Ω‬‬

‫) ‪n (A‬‬ ‫ﻋدد اﻝﺤﺎﻻت اﻝﻤواﺘﻴﺔ‬

‫= ) ‪P (A‬‬ ‫=‬
‫)‪n ( Ω‬‬ ‫ﻋدد اﻝﺤﺎﻻت اﻝﻤﻤﻜﻨﺔ‬

‫~ ‪~ 20‬‬
 ‫ت‪:‬‬ ‫⑦ رھ ت ا‬

‫ﻤﺒرﻫﻨﺔ‬

‫إذا ﻜﺎﻨت ‪ φ‬ﻫﻲ اﻝﻤﺠﻤوﻋﺔ اﻝﺨﺎﻝﻴﺔ ﻓﺈن ‪P (φ ) = 0‬‬

‫اﻝﺒرﻫﺎن‬
‫‪ A‬و ‪ φ‬ﺤدﺜﺎن ﻤﺘﻨﺎﻓﻴﺎن و ‪A ∪ φ = A‬‬

‫إذن ) ‪P ( A ∪ φ ) = P ( A‬‬

‫) ‪ P ( A ) + P (φ ) = P ( A‬وﻤﻨﻪ ‪P (φ ) = 0‬‬

‫ﻤﺒرﻫﻨﺔ‬

‫إذا ﻜﺎن ‪ A′‬ﻫو اﻝﺤدث اﻝﻤﺘﻤم ﻝﻠﺤدث ‪ ، A‬ﻜﺎن ) ‪P ( A ′ ) = 1 − P ( A‬‬

‫اﻝﺒرﻫﺎن‬
‫‪ A‬و ‪ A′‬ﺤدﺜﺎن ﻤﺘﻨﺎﻓﻴﺎن و ‪A ∪ A ′ = Ω‬‬

‫إذن ) ‪P ( A ∪ A ′) = P ( Ω‬‬

‫أو ‪ P ( A ) + P ( A ′) = 1‬وﻤﻨﻪ ) ‪P ( A ′ ) = 1 − P ( A‬‬

‫ﻤﺒرﻫﻨﺔ‬

‫) ‪P (A ) ≤ P (B‬‬ ‫إذا ﻜﺎن ‪ A‬و ‪ B‬ﺤدﺜﻴن وﻜﺎن ‪ ، A ⊆ B‬ﻜﺎن‬

‫اﻝﺒرﻫﺎن‬
‫‪Ω‬‬
‫‪ A‬و ‪ B \ A‬ﺤدﺜﺎن ﻤﺘﻨﺎﻓﻴﺎن‬
‫‪B‬‬ ‫‪A‬‬ ‫و ‪B = (B \ A ) ∪ A‬‬
‫‪B \A‬‬
‫وﻤﻨﻪ ) ‪P ( B ) = P ( B \ A ) + P ( A‬‬

‫ﺒﻤﺎ أن ‪ P ( B \ A ) ≥ 0‬إذن ) ‪P ( A ) ≤ P ( B‬‬

‫~ ‪~ 21‬‬
 ‫ﻤﺒرﻫﻨﺔ‬

P ( A \ B ) = P ( A ) − P ( A ∩ B ) ‫ ﻜﺎن‬، Ω ‫ ﻤن‬B ‫ و‬A ‫أﻴﺎً ﻜﺎن اﻝﺤدﺜﺎن‬

‫اﻝﺒرﻫﺎن‬
Ω
B ‫ ﺤدﺜﺎن ﻤﺘﻨﺎﻓﻴﺎن‬A ∩ B ‫ و‬A / B
B \A
A
A = (A \ B ) ∪ (A ∩ B ) ‫و‬
A \B
A∩ B
P ( A ) = P ( A \ B ) + P ( A ∩ B ) ‫إذن‬

P ( A \ B ) = P ( A ) − P ( A ∩ B ) ‫وﻤﻨﻪ‬
Ω
B ‫ﻤﺒرﻫﻨﺔ‬
A
‫ ﻜﺎن‬، Ω ‫ ﻤن‬B ‫ و‬A ‫أﻴﺎً ﻜﺎن اﻝﺤدﺜﺎن‬
A \B P (A ∪ B ) = P (A ) + P (B ) − P (A ∩ B )

‫اﻝﺒرﻫﺎن‬
‫ ﺤدﺜﺎت ﻤﺘﻨﺎﻓﻴﺎن‬B ‫ و‬A \ B
A ∪ B = ( A \ B ) ∪ B ‫إن‬

P ( A ∪ B ) = P ( A \ B ) + P ( B ) ‫وﻤﻨﻪ‬

= P (A ) − P (A ∩ B ) + P (B )

= P (A ) + P (B ) − P (A ∩ B )

A ∪ B ∪ C ‫ﺘﻌﻤم ﻫذﻩ اﻝﻤﺒرﻫﻨﺔ إﻝﻰ ﺤﺎﻝﺔ اﻝﺤدث‬

: ‫ﻓﺘﻜون ﻋﻠﻰ اﻝﻨﺤو اﻝﺘﺎﻝﻲ‬

P ( A ∪ B ∪ C ) = P ( A ) + P ( B ) + P (C ) − P ( A ∩ B ) − P ( B ∩ C ) − P ( A ∩ C ) + P ( A ∩ B ∩ C )
: ‫اﻝﺒرﻫﺎن‬
P ( A ∪ B ∪C )
= P ( A ∪ ( B ∪C ))
= P (A ) + P ( B ∪ C ) − P ( A ∩ ( B ∪ C ) )
= P ( A ) + P ( B ) + P (C ) − P ( B ∩ C ) − P ( ( A ∩ B ) ∪ ( A ∩ C ) )
= P ( A ) + P ( B ) + P (C ) − P ( B ∩ C ) −  P ( A ∩ B ) + P ( A ∩ C ) − P ( A ∩ B ∩ A ∩ C ) 
= P ( A ) + P ( B ) + P (C ) − P ( B ∩ C ) − P ( A ∩ B ) − P ( A ∩ C ) + P ( A ∩ B ∩ C )

~ 22 ~
 ‫أﻤﺜﻠﺔ ﻤﺤﻠوﻝﺔ‬

‫① ﻴوﺠد ﻓﻲ ﺼﻨدوق ‪ 10‬ﻤﺼﺎﺒﻴﺢ ﻤﻨﻬﺎ ‪ 4‬ﻏﻴر ﺼﺎﻝﺤﺔ ‪ ،‬ﻨﺨﺘﺎر ﻤﺼﺒﺎﺤﻴن ﻋﺸواﺌﻴﺎً ﻤﻌﺎً ‪،‬‬
‫ﻓﺈذا ﻜﺎن اﻝﺤدث ‪ A‬ﻴدل ﻋﻠﻰ اﺨﺘﻴﺎر ﻤﺼﺒﺎﺤﻴن ﻏﻴر ﺼﺎﻝﺤﻴن اﻝﺤدث ‪ B‬ﻴدل ﻋﻠﻰ اﺨﺘﻴﺎر‬
‫ﻤﺼﺒﺎﺤﻴن ﺼﺎﻝﺤﻴن أوﺠد ) ‪ P ( B ) ، P ( A‬ﺜم أوﺠد اﺤﺘﻤﺎل اﻝﺤدث ‪ H‬اﻝدال ﻋﻠﻰ أن‬
‫أﺤد اﻝﻤﺼﺒﺎﺤﻴن ﻋﻠﻰ اﻷﻗل ﻏﻴر ﺼﺎﻝﺢ‪.‬‬

‫اﻝﺤل‬
‫ﻋدد اﻝطراﺌق اﻝﺘﻲ ﻴﻤﻜن ﺒﻬﺎ اﺨﺘﻴﺎر ﻤﺼﺒﺎﺤﻴن ﻤن ‪ 10‬ﻤﺼﺎﺒﻴﺢ ﻫﻲ‬
‫‪10 × 9‬‬
‫= ) ‪ ، C (10, 2‬أي أن ﻋدد اﻝﺤﺎﻻت اﻝﻤﻤﻜﻨﺔ ﻫو ‪n ( Ω ) = 45‬‬ ‫‪= 45‬‬
‫‪2 ×1‬‬
‫ﻋدد اﻝطراﺌق اﻝﺘﻲ ﻴﻤﻜن ﺒﻬﺎ اﺨﺘﻴﺎر ﻤﺼﺒﺎﺤﻴن ﻏﻴر ﺼﺎﻝﺤﻴن ﻫﻲ‬
‫‪4×3‬‬
‫= ) ‪ C ( 4, 2‬أي ‪n ( A) = 6‬‬ ‫‪=6‬‬
‫‪2 ×1‬‬
‫ﻋدد اﻝطراﺌق اﻝﺘﻲ ﻴﻤﻜن ﺒﻬﺎ اﺨﺘﻴﺎر ﻤﺼﺒﺎﺤﻴن ﺼﺎﻝﺤﻴن ﻫﻲ‬
‫‪8× 7‬‬
‫= ) ‪ C ( 8, 2‬أي ‪n ( B ) = 28‬‬ ‫‪= 28‬‬
‫‪2 ×1‬‬
‫) ‪n (A‬‬ ‫‪6‬‬ ‫‪2‬‬
‫= ) ‪P (A‬‬ ‫=‬ ‫=‬ ‫ﻓﻴﻜون‬
‫)‪n (Ω‬‬ ‫‪45 15‬‬
‫) ‪n (B‬‬ ‫‪28‬‬
‫= ) ‪P (B‬‬ ‫=‬
‫)‪n (Ω‬‬ ‫‪45‬‬

‫أﻤﺎ اﻝﺤدث ‪ H‬ﻓﻬو اﻝﺤدث اﻝﻤﻀﺎد ﻻﺨﺘﻴﺎر ﻤﺼﺒﺎﺤﻴن ﺼﺎﻝﺤﻴن أي أن‬

‫‪28 17‬‬
‫‪P (H ) = 1 − P (B ) = 1 −‬‬ ‫=‬
‫‪45 45‬‬

‫② ﻴﺤﺘوي ﺼﻨدوق ﻋﻠﻰ ‪ 12‬ﻜرة ﻝﻬﺎ ﻨﻔس اﻝﻤﻠﻤس ‪ ،‬ﻤﻨﻬﺎ ‪ 5‬ﺤﻤراء واﻝﺒﺎﻗﻲ ﺒﻴﻀﺎء‪،‬‬
‫اﺨﺘرﻨﺎ ﻋﺸواﺌﻴﺎً ﺜﻼﺜﺔ ﻜرات ﻤﻌﺎً اﺤﺴب‬
‫‪ (1‬اﺤﺘﻤﺎل أن ﺘﻜون ﺠﻤﻴﻊ اﻝﻜرات اﻝﻤﺴﺤوﺒﺔ ﺒﻴﻀﺎء‬
‫‪ (2‬اﺤﺘﻤﺎل أن ﻴﻜون ﺒﻴن اﻝﻜرات اﻝﻤﺴﺤوﺒﺔ ﻜرة واﺤدة ﻓﻘط ﺤﻤراء‬
‫‪ (3‬اﺤﺘﻤﺎل أن ﻴﻜون ﺒﻴن اﻝﻜرات اﻝﻤﺴﺤوﺒﺔ ﻜرة واﺤدة ﻋﻠﻰ اﻷﻗل ﺤﻤراء‬

‫~ ‪~ 23‬‬
 ‫اﻝﺤل‬
‫‪12 × 11 × 10‬‬
‫= )‪ C (12,3‬طرﻴﻘﺔ ﻻﺨﺘﻴﺎر ﺜﻼﺜﺔ ﻜرات ﻤن ﺒﻴن ‪ 12‬ﻜرة‬ ‫ﺘوﺠد ‪= 220‬‬
‫‪3 × 2 ×1‬‬
‫أي ‪n ( Ω ) = 220‬‬

‫‪ (1‬ﻋدد اﻝﻜرات اﻝﺒﻴﻀﺎء ﻴﺴﺎوي ‪12 − 5 = 7‬‬

‫ﻨﻔرض ‪ A‬اﻝﺤدث اﻝدال ﻋﻠﻰ اﺨﺘﻴﺎر ﺜﻼث ﻜرات ﺒﻴﻀﺎء‬

‫‪7×6×5‬‬
‫= )‪ C ( 7, 3‬طرﻴﻘﺔ‬ ‫ﻋدد طراﺌق اﺨﺘﻴﺎر ﺜﻼث ﻜرات ﺒﻴﻀﺎء ﻫﻲ ‪= 35‬‬
‫‪3 × 2 ×1‬‬
‫)‪C ( 7,3‬‬ ‫‪35‬‬ ‫‪7‬‬
‫= ) ‪P (A‬‬ ‫=‬ ‫=‬
‫)‪C (12, 3‬‬ ‫‪220 44‬‬

‫‪ (2‬ﻨﻔرض ‪ B‬اﻝﺤدث اﻝدال ﻋﻠﻰ اﺨﺘﻴﺎر )ﻜرة واﺤدة ﻓﻘط ﺤﻤراء(‬

‫ﻓﻲ ﻫذﻩ اﻝﺤﺎﻝﺔ ﻨﺨﺘﺎر ﻜرﺘﻴن ﺒﻴﻀﺎوﻴن وﻜرة ﺤﻤراء‬
‫ﻓﻴﻜون ﻋدد طراﺌق اﺨﺘﻴﺎر ﺜﻼث ﻜرات واﺤدة ﻓﻘط ﺤﻤراء ﻫﻲ‬
‫‪C ( 5,1) × C ( 7, 2 ) = 5 × 21 = 105‬‬
‫‪105 21‬‬
‫= ) ‪P (B‬‬ ‫=‬ ‫وﻤﻨﻪ‬
‫‪220 44‬‬
‫‪ (3‬ﻨﻔرض اﻝﺤدث ‪ H‬اﻝدال ﻋﻠﻰ )ﻜرة واﺤدة ﻋﻠﻰ اﻷﻗل ﺤﻤراء( ‪:‬‬
‫إن اﻝﺤدث ‪ H‬ﻫو اﻝﺤدث اﻝﻤﻀﺎد ) اﻝﻤﺘﻤم ( ﻷن ﺘﻜون ﺠﻤﻴﻊ اﻝﻜرات ﺒﻴﻀﺎء ‪،‬‬
‫ّ‬
‫إذن ﻫو اﻝﺤدث اﻝﻤﻀﺎد ﻝﻠﺤدث ‪ A‬ﻓﻴﻜون ‪H = A ′ :‬‬
‫‪7‬‬
‫‪P (H ) = 1− P (A ) = 1−‬‬
‫‪44‬‬
‫‪37‬‬
‫= ) ‪P (H‬‬
‫‪44‬‬
‫أو طرﻴﻘﺔ أﺨرى ‪:‬‬
‫)‪C ( 5,1) × C ( 7, 2 ) + C ( 5, 2 ) × C ( 7,1) + C ( 5,3‬‬
‫= ) ‪P (H‬‬
‫‪455‬‬
‫‪105 + 70 + 10 185 37‬‬
‫= ) ‪P (H‬‬ ‫=‬ ‫=‬
‫‪220‬‬ ‫‪220 44‬‬

‫~ ‪~ 24‬‬
‫③إذا ﻜﺎﻨت ﻨﺴﺒﺔ اﻷﺸﺨﺎص اﻝذﻴن ﻋﻴوﻨﻬم ﺴوداء ﻓﻲ إﺤدى اﻝﻤدن ﻫﻲ ‪ 80%‬وﻜﺎﻨت ﻨﺴﺒﺔ اﻷﺸﺨﺎص‬
‫اﻝذﻴن ﺸﻌرﻫم أﺴود ‪ ، 60%‬وﻨﺴﺒﺔ اﻷﺸﺨﺎص اﻝذﻴن ﻋﻴوﻨﻬم ﺴوداء وﺸﻌرﻫم أﺴود ‪. 50%‬‬
‫ﻓﺈذا اﺨﺘرﻨﺎ ﺸﺨﺼﺎً ﻋﺸواﺌﻴﺎً ﻤن ﻫذﻩ اﻝﻤدﻴﻨﺔ أوﺠد اﺤﺘﻤﺎل ‪:‬‬
‫‪ ( 1‬أن ﻴﻜون ﻋﻴوﻨﻪ ﺴوداء أو ﺸﻌرﻩ أﺴود‪.‬‬
‫‪ ( 2‬أن ﻻ ﻴﻜون ذو ﻋﻴون ﺴوداء ‪.‬‬
‫‪ ( 3‬أن ﻴﻜون ذو ٍ‬
‫ﺸﻌر أﺴود وﻋﻴون ﻝﻴﺴت ﺴوداء‪.‬‬
‫‪ ( 4‬أﺜﺒت أن ) ‪P ( A ∪ B ′ ) = 1 − P ( B ) + P ( A ∩ B‬‬

‫واﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون اﻝﺸﺨص اﻝذي اﺨﺘرﻨﺎﻩ ذو ﻋﻴون ﺴوداء أو ﺸﻌرﻩ ﻝﻴس أﺴوداً‬
‫اﻝﺤل ‪ :‬ﻨﻔرض ‪ A‬اﻝﺤدث اﻝدال ﻋﻠﻰ أن اﻝﺸﺨص اﻝذي ﺘم اﺨﺘﻴﺎرﻩ ذو ﻋﻴون ﺴوداء ‪ B ،‬اﻝﺤدث اﻝدال‬
‫ﻋﻠﻰ أن اﻝﺸﺨص اﻝذي ﺘم اﺨﺘﻴﺎرﻩ ذو ٍ‬
‫ﺸﻌر أﺴود ﻓﻴﻜون‪:‬‬
‫‪5‬‬ ‫‪6‬‬ ‫‪8‬‬
‫= ) ‪P (A ∩ B‬‬ ‫= ) ‪، P (B‬‬ ‫= ) ‪، P (A‬‬
‫‪10‬‬ ‫‪10‬‬ ‫‪10‬‬
‫‪A ∪B‬‬ ‫‪ ( 1‬اﻝﺤدث اﻝﻤطﻠوب اﺤﺘﻤﺎﻝﻪ‬
‫) ‪P ( A ∪ B ) = P (A ) + P ( B ) − P ( A ∩ B‬‬
‫‪8 6 5‬‬ ‫‪9‬‬
‫=‬ ‫= ‪+ −‬‬
‫‪10 10 10 10‬‬
‫‪ ( 2‬اﻝﺤدث اﻝﻤطﻠوب اﺤﺘﻤﺎﻝﻪ ‪A ′‬‬
‫‪2 1‬‬
‫= ) ‪P ( A ′) = 1 − P ( A‬‬ ‫=‬
‫‪10 5‬‬
‫‪ ( 3‬اﻝﺤدث اﻝﻤطﻠوب اﺤﺘﻤﺎﻝﻪ ‪A ′ ∩ B = B \ A‬‬
‫‪6 5‬‬ ‫‪1‬‬
‫= ) ‪P (A ′ ∩ B‬‬ ‫‪−‬‬ ‫=‬ ‫وﻤﻨﻪ‬ ‫) ‪P ( B \ A ) = P (B ) − P ( A ∩ B‬‬
‫‪10 10 10‬‬
‫) ‪P ( A ∪ B ′ ) = P (A ) + P (B ′) − P ( A ∩ B ′) = P (A ) + 1 − P (B ) − P (A \ B‬‬ ‫‪(4‬‬
‫) ) ‪= P ( A ) + 1 − P (B ) − ( P (A ) − P ( A ∩ B‬‬
‫) ‪P ( A ∪ B ′ ) = 1 − P (B ) + P (A ∩ B‬‬

‫أن ﻴﻜون اﻝﺸﺨص اﻝذي اﺨﺘرﻨﺎﻩ ذو ﻋﻴون ﺴوداء أو ﺸﻌرﻩ ﻝﻴس أﺴوداً ﻫو اﻝﺤدث ‪A ∪ B ′‬‬
‫) ‪P ( A ∪ B ′) = 1 − P (B ) + P (A ∩ B‬‬
‫‪6 5‬‬ ‫‪9‬‬
‫‪= 1−‬‬ ‫‪+‬‬ ‫=‬
‫‪10 10 10‬‬

‫~ ‪~ 25‬‬
 :‫ ﺒﺤﻴث‬Ω ‫ ﺤدﺜﺎن ﻤن ﻓﻀﺎء اﻝﻌﻴﻨﺔ‬B ‫ و‬A ‫④ﺒﻔرض‬
1 5 1
P (A ∩ B ) = ، P (B ) = ، P (A ) =
4 8 2
:‫أوﺠد‬
P ( A ∪ B ) ، P ( A ′ ) ، P ( B ′ ) ، P ( B ∩ A ′ ) ، P ( A ∩ B ′ ) ، P ( Α ′ ∩ Β′ ) ، P ( Α ′ ∪ Β′ )

:‫اﻝﺤل‬
P ( A ∪ B ) = P (A ) + P ( B ) − P ( A ∩ B )
4 5 2 7
P (A ∪ B ) = + − =
8 8 8 8
P (A ′) = 1 − P (A )
1 1
P (A ′) = 1 − =
2 2
P (B ′) = 1 − P (B )
5 3
P (B ′) = 1 − =
8 8
P (B ∩ A ′) = P (B \ A ) = P (B ) − P (A ∩ B )
5 2 3
P (B ∩ A ′) = − =
8 8 8
P (A ∩ B ′) = P (A \ B ) = P (A ) − P (A ∩ B )
1 1 1
P (A ∩ B ′) = − =
2 4 4
P (A ′ ∩ B ′) = P (A ∪ B )′ = 1 − P (A ∪ B )
7 1
P (A ′ ∩ B ′) = 1 − =
8 8
P ( A ∪ B ) = P ( A ∩ B )′ = 1 − P ( A ∩ B )
′ ′
1 3
P (A ′ ∪ B ′) = 1 − =
4 4
:‫ ﺒﺤﻴث‬Ω ‫ ﺤدﺜﺎن ﻤن ﻓﻀﺎء اﻝﻌﻴﻨﺔ‬B ‫ و‬A ‫⑤ﺒﻔرض‬
1 1 3
P (A ∩ B ) = ، P ( A ′) = ، P ( A ∪ B ) =
6 3 4
P ( Α′ ∪ Β′ ) ، P ( A ∩ B ′ ) ، P ( B ) ، P ( A ) :‫أوﺠد‬

:‫اﻝﺤل‬
P ( A ) = 1 − P ( A ′)
1 2
P (A ) = 1 − =
3 3
~ 26 ~
 ‫) ‪P (A ∪ B ) = P (A ) + P (B ) − P (A ∩ B‬‬
‫‪3 2‬‬ ‫‪1‬‬
‫‪= + P (B ) −‬‬
‫‪4 3‬‬ ‫‪6‬‬
‫‪1‬‬
‫وﻤﻨﻪ = ) ‪P ( B‬‬
‫‪4‬‬
‫) ‪P ( A ∩ B ′ ) = P (A \ B ) = P (A ) − P (A ∩ B‬‬
‫‪2 1 1‬‬
‫= )‪P ( A ∩ B ′‬‬ ‫= ‪−‬‬
‫‪3 6 2‬‬

‫) ‪P ( Α ′ ∪ Β′ ) = P ( A ∩ B ) ′ = 1 − P ( A ∪ B‬‬
‫‪3 1‬‬
‫‪P ( Α ′ ∪ Β′ ) = 1 −‬‬ ‫=‬
‫‪4 4‬‬

‫⑥ﻓﻲ ﺘﺠرﺒﺔ رﻤﻲ ﺤﺠري ﻨرد ﻤﻌﺎً ﻤرة واﺤدة )أو ﺤﺠر ﻨرد ﻤرﺘﻴن ﻤﺘﺘﺎﻝﻴﺘﻴن (‪.‬‬
‫اﺤﺴب اﺤﺘﻤﺎﻻت اﻝﺤدﺜﻴن‪:‬‬
‫اﻝﻨﻘطﺘﻴن ﻋﻠﻰ واﺤد ﻓﻘط ﻤن اﻝوﺠﻬﻴن اﻝظّﺎﻫرﻴن‬
‫‪ : A‬ظﻬور اﻝوﺠﻪ ذي ّ‬
‫‪ : B‬ﻤﺠﻤوع ﻨﻘط اﻝوﺠﻬﻴن اﻝظّﺎﻫرﻴن أﺼﻐر ﺘﻤﺎﻤﺎً ﻤن ‪7‬‬

‫‪A ∩ B , A ∪ B , B ∩ A ′ , A ′ ∩ B ′, A ′ ∪ B ′‬‬ ‫واﺤﺴب اﺤﺘﻤﺎﻻت‪:‬‬

‫اﻝﺤل‪:‬‬
‫}) ‪Ω = {(1,1) , (1, 2 ) ,....., (1, 6 ) , ( 2,1) ,...,....,.... ( 6,6‬‬

‫وﻴﻤﻜن ﻜﺘﺎﺒﺔ ﻋﻨﺎﺼر ‪ Ω‬ﺒﺠدول وﻨﺠد ‪n ( Ω ) = 62 = 36‬‬

‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬

‫‪1‬‬ ‫) ‪(1, 1 ) (1, 2 ) (1, 3‬‬ ‫) ‪(1, 4 ) (1, 5‬‬ ‫) ‪(1, 6‬‬
‫‪2‬‬ ‫) ‪(2 ,1 ) (2 , 2 ) (2 , 3‬‬ ‫) ‪(2 , 4 ) (2 , 5‬‬ ‫) ‪(2 , 6‬‬
‫‪3‬‬ ‫) ‪(3 , 1 ) (3 , 2 ) (3 , 3‬‬ ‫) ‪(3 , 4 ) (3 , 5‬‬ ‫) ‪(3 , 6‬‬
‫‪4‬‬ ‫) ‪(4 ,1 ) (4 , 2 ) (4 , 3‬‬ ‫) ‪(4 , 4 ) (4 , 5‬‬ ‫) ‪(4 , 6‬‬
‫‪5‬‬ ‫) ‪(5 , 1 ) (5 , 2 ) (5 , 3‬‬ ‫) ‪(5 , 4 ) (5 , 5‬‬ ‫) ‪(5 , 6‬‬
‫‪6‬‬ ‫) ‪(6 , 1 ) (6 , 2 ) (6 , 3‬‬ ‫) ‪(6 , 4 ) (6 , 5‬‬ ‫) ‪(6 , 6‬‬
‫}) ‪A = {( 2,1) , (1, 2 ) , (2,3), ( 3, 2 ) , ( 4, 2 ) , ( 2, 4 ) , ( 5, 2 ) , ( 2,5) , ( 6, 6 ) , ( 2, 2‬‬
‫}) ‪B = {(1,1)( 2,1) , ( 3,1) , ( 4,1) , ( 5,1) , (1, 2 ) , (1,3), (1, 4 ) , (1,5 ) , ( 2,3) , ( 2, 4 ) , ( 4, 2 ) , ( 3, 2 ) , ( 3,3 ) , ( 2, 2‬‬

‫~ ‪~ 27‬‬
‫اﻝرﻤـز × ﻴـدل ﻋﻠـﻰ ظﻬـور ﻨﻘطﺘـﻴن ﻋﻠـﻰ وﺠـﻪ واﺤـد ﻓﻘـط‬
‫أن ّ‬‫ﻜﻤﺎ ﻴﻤﻜن ﺘﻤﺜﻴل اﻝﺤدﺜﻴن ﺒﺠدول ﻓﺈذا اﻋﺘﺒرﻨـﺎ ّ‬

‫‪7‬‬ ‫اﻝرﻤز ‪ Ο‬ﻴدل ﻋﻠﻰ ﻤﺠﻤوع ﻨﻘط اﻝوﺠﻬﻴن اﻝظّﺎﻫرﻴن أﺼﻐر ﺘﻤﺎﻤﺎً ﻤن‬
‫ﻤن اﻝوﺠﻬﻴن اﻝظّﺎﻫرﻴن‪ ،‬و ّ‬

‫اﻝدال ﻋﻠﻰ ظﻬور ﻨﻘطﺘﻴن ﻋﻠﻰ وﺠﻪ واﺤد ﻓﻘط ﻤن اﻝوﺠﻬﻴن‬

‫اﻝرﻤز ⊗ ﻝﺘﻘﺎطﻊ اﻝﺤدﺜﻴن اﻝﺴﺎﺒﻘﻴن ﻓﻬو ّ‬
‫وّ‬

‫وﻤﺠﻤوع ﻨﻘط اﻝوﺠﻬﻴن اﻝظّﺎﻫرﻴن أﺼﻐر ﺘﻤﺎﻤﺎً ﻤن ‪ ، 7‬ﻓﺈﻨﻨﺎ ﻨﺤﺼل ﻋﻠﻰ اﻝﺠدول اﻝﺘّﺎﻝﻲ‪:‬‬

‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫أن‬

‫وﻨﺠد ﻤﺒﺎﺸرةً ﻤن اﻝﺠدول ّ‬
‫‪1 Ο ⊗ Ο Ο Ο‬‬
‫‪n ( A ) = 10‬‬
‫⊗ ⊗ ‪2 ⊗ Ο‬‬ ‫× ×‬
‫‪n ( B ) = 15‬‬
‫‪3 Ο ⊗ Ο‬‬
‫‪n (A ∩ B ) = 6‬‬
‫⊗ ‪4 Ο‬‬
‫‪5 Ο‬‬ ‫×‬ ‫‪n ( A ∪ B ) = 19‬‬
‫‪6‬‬ ‫×‬ ‫ﻓﻴﻜون ‪:‬‬
‫‪10 5‬‬
‫= ) ‪P (A‬‬ ‫=‬
‫‪36 18‬‬
‫‪15 5‬‬
‫= ) ‪P (B‬‬ ‫=‬
‫‪36 12‬‬
‫‪6 1‬‬
‫= ) ‪P (A ∩ B‬‬ ‫=‬
‫‪36 6‬‬
‫‪19‬‬
‫= ) ‪P (A ∪ B‬‬
‫‪36‬‬
‫) ‪P (B ∩ A ′) = P (B \ A ) = P (B ) − P ( A ∩ B‬‬
‫‪9 1‬‬
‫= )‪P (B ∩ A ′‬‬ ‫=‬
‫‪36 4‬‬
‫) ‪P (A ′ ∩ B ′) = P ( A ∪ B )′ = 1 − P ( A ∪ B‬‬
‫‪17‬‬
‫= )‪P (A ′ ∩ B ′‬‬
‫‪36‬‬
‫) ‪P (A ′ ∪ B ′) = P ( A ∩ B )′ = 1 − P ( A ∩ B‬‬
‫‪30 5‬‬
‫= )‪P (A ′ ∪ B ′‬‬ ‫=‬
‫‪36 6‬‬

‫~ ‪~ 28‬‬
‫⑦ ﻓﻲ ﺘﺠرﺒﺔ رﻤﻲ ﺤﺠري ﻨرد رﺒﺎﻋﻴﻴن ﻤﻌﺎً ﻤرة واﺤدة أو) ﺤﺠر ﻨرد رﺒﺎﻋﻴﻴن ﻤرﺘﻴن ﻤﺘﺘﺎﻝﻴﺘﻴن (‪.‬‬
‫اﺤﺴب اﺤﺘﻤﺎﻻت اﻝﺤدﺜﻴن‪:‬‬
‫اﻝﻨﻘطﺘﻴن ﻋﻠﻰ ﻗﺎﻋدة رﺒﺎﻋﻲ وﺠوﻩ واﺤد ﻓﻘط‬
‫‪ : A‬أن ﻴﻜون اﻝوﺠﻪ ذي ّ‬
‫‪5‬‬ ‫‪ : B‬ﻤﺠﻤوع ﻨﻘط ﻗﺎﻋدﺘﻲ اﻝرﺒﺎﻋﻴﻴن أﻜﺒر ﺘﻤﺎﻤﺎً ﻤن‬
‫)‪( A ∩ B ) , ( A ∪ B ) , ( B ∩ A ′) , ( A ′ ∩ B ′) , ( A ′ ∪ B ′‬‬ ‫واﺤﺘﻤﺎﻻت‪:‬‬

‫اﻝﺤل‪:‬‬
‫ﻴﻤﻜن ﻜﺘﺎﺒﺔ ﻓﻀﺎء اﻝﻌﻴﻨﺔ ﻜﻤﺎ ﻓﻲ اﻝﺠدول ‪:‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬
‫)‪1 (1,1‬‬ ‫) ‪(1, 2‬‬ ‫)‪(1,3‬‬ ‫) ‪(1, 4‬‬
‫‪2‬‬ ‫) ‪( 2,1) ( 2, 2 ) ( 2,3) ( 2, 4‬‬
‫اﻝﺤدث }) ‪A = {(1, 2 ) , ( 3, 2 )( 4, 2 ) , ( 2,1) , ( 2,3) , ( 2, 4‬‬
‫‪3‬‬ ‫) ‪( 3,1) ( 3, 2 ) ( 3,3) ( 3, 4‬‬
‫‪4‬‬ ‫) ‪( 4,1) ( 4, 2 ) ( 4,3) ( 4, 4‬‬ ‫واﻝﺤدث )‪B = {( 3, 4 ) , ( 4, 2 ) , ( 4, 4 ) , ( 3,3) , ( 2, 4 ) ,} ( 4,3‬‬

‫‪n ( Ω ) = 16‬‬ ‫‪, n ( A ) = 6 , n ( B ) = 6 , n ( A ∩ B ) = 2 , n ( A ∪ B ) = 10‬‬

‫‪6 3‬‬
‫= ) ‪P (A‬‬ ‫=‬
‫‪16 8‬‬
‫‪6 3‬‬
‫= = ) ‪P (B‬‬
‫‪16 8‬‬
‫‪2 1‬‬
‫= = ) ‪P (A ∩ B‬‬
‫‪16 8‬‬
‫‪10 5‬‬
‫= = ) ‪P (A ∪ B‬‬
‫‪16 8‬‬
‫‪2 1‬‬
‫= )‪P (B ∩ A ′) = P (B \ A ) = P (B ) − P ( A ∩ B ) , P (B ∩ A ′‬‬ ‫=‬
‫‪8 4‬‬
‫) ‪P (A ′ ∩ B ′) = P ( A ∪ B )′ = 1 − P ( A ∪ B‬‬
‫‪3‬‬
‫= )‪, P (A ′ ∩ B ′‬‬
‫‪8‬‬
‫) ‪P (A ′ ∪ B ′) = P ( A ∩ B )′ = 1 − P ( A ∩ B‬‬
‫‪7‬‬
‫= )‪, P (A ′ ∪ B ′‬‬
‫‪8‬‬

‫~ ‪~ 29‬‬
 ‫اﻝﺘﺠﺎرب اﻝﻤﺘﻜررة اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﺜﻨﺎﺌﻲ اﻝﺤد‪:‬‬
‫ﺘذﻜرة ﺒﻘﺎﻨون ﺜﻨﺎﺌﻲ اﻝﺤد‪:‬‬
‫) ‪(a + b‬‬ ‫‪= C ( n , 0) ⋅ a n + C ( n ,1) ⋅ a n −1 ⋅ b 1 + C ( n , 2) ⋅ a n − 2 ⋅ b 2 + ........... + C ( n , n ) ⋅ b n‬‬
‫‪n‬‬

‫‪k =n‬‬
‫) ‪(a + b‬‬
‫‪n‬‬
‫‪= ∑ C (n , k ) ⋅ a n −k ⋅ b k‬‬ ‫أو‬
‫‪k =0‬‬

‫ﺘﻤﻬﻴد ‪ :‬ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﻗطﻌﺔ ﻨﻘد ﺨﻤس ﻤرات ‪ n ( Ω ) = 32‬إذا اﻋﺘﺒرﻨﺎاﻝﺤدث ‪ A‬ﻋدد ﻤرات ظﻬور‬
‫ﻋدد اﻝﺼور‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫اﻝﺼورة ﻓﻲ اﻝﺨﻤس رﻤﻴﺎت ‪:‬‬
‫‪n (A‬‬ ‫)‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪1‬‬

‫‪5‬‬ ‫‪0‬‬
‫‪1 1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫= ‪C ( 5,5 )    ‬‬ ‫و‬ ‫اﺤﺘﻤﺎل ظﻬور اﻝﺼورة ﺨﻤس ﻤرات ﻴﺴﺎوي ‪:‬‬
‫‪2 2‬‬ ‫‪32‬‬ ‫‪32‬‬
‫‪4‬‬ ‫‪1‬‬
‫‪1 1‬‬ ‫‪5‬‬ ‫‪5‬‬
‫= ‪C ( 5, 4 )    ‬‬ ‫و‬ ‫اﺤﺘﻤﺎل ظﻬور اﻝﺼورة أرﺒﻊ ﻤرات ﻴﺴﺎوي ‪:‬‬
‫‪ 2   2  32‬‬ ‫‪32‬‬
‫‪3‬‬ ‫‪2‬‬
‫‪1 1‬‬ ‫‪10‬‬ ‫‪10‬‬
‫= ‪C ( 5,3)    ‬‬ ‫و‬ ‫اﺤﺘﻤﺎل ظﻬور اﻝﺼورة ﺜﻼث ﻤرات ﻴﺴﺎوي ‪:‬‬
‫‪2 2‬‬ ‫‪32‬‬ ‫‪32‬‬
‫‪2‬‬ ‫‪3‬‬
‫‪1 1‬‬ ‫‪10‬‬ ‫‪10‬‬
‫= ‪C ( 5, 2 )    ‬‬ ‫و‬ ‫اﺤﺘﻤﺎل ظﻬور اﻝﺼورة ﻤرﺘﻴن ‪:‬‬
‫‪2 2‬‬ ‫‪32‬‬ ‫‪32‬‬
‫‪1‬‬ ‫‪4‬‬
‫‪1 1‬‬ ‫‪5‬‬ ‫‪5‬‬
‫= ‪C ( 5,1)    ‬‬ ‫و‬ ‫اﺤﺘﻤﺎل ظﻬور اﻝﺼورة ﻤرة واﺤدة ‪:‬‬
‫‪2 2‬‬ ‫‪32‬‬ ‫‪32‬‬
‫‪0‬‬ ‫‪5‬‬
‫‪1 1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫= ‪C ( 5, 0 )    ‬‬ ‫و‬ ‫اﺤﺘﻤﺎل ﻋدم ظﻬور اﻝﺼورة‪:‬‬
‫‪2 2‬‬ ‫‪32‬‬ ‫‪32‬‬
‫‪5‬‬

‫ﻨﻼﺤظ أن ﻫذﻩ اﻝﺤدود ﻫﻲ اﻝﺤدود اﻝﻤﺘﺘﺎﻝﻴﺔ ﻓﻲ ﻤﻨﺸور ﺜﻨﺎﺌﻲ اﻝﺤد ‪  + ‬وﻝﺤﺴﺎب اﺤﺘﻤﺎﻻت ﻫذﻩ‬
‫‪1 1‬‬
‫‪2 2‬‬
‫اﻝﺤﺎﻻت ﻓﻲ اﻝﺘﺠﺎرب اﻝﻤﺴﺘﻘﻠﺔ ذات اﻻﺤﺘﻤﺎل اﻝﺜﺎﺒت ﻨﺴﺘﺨدم اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﺜﻨﺎﺌﻲ اﻝﺤد‬
‫اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﺜﻨﺎﺌﻲ اﻝﺤد ‪:‬‬
‫ﺒﻤﺎ أن ﻋدد ﻤرات وﻗوع اﻝﺤدث ﻓﻲ اﻝﺘﺠﺎرب اﻝﻤﺘﻜررة اﻝﺘﻲ ﻋددﻫﺎ ‪ n‬ﻗد ﺘﺄﺨذ اﻝﻘﻴم ‪0 , 1 , 2 , ......, n‬‬

‫وﻫﻲ ﺤﺎﻻت ﻜل ﻤﻨﻬﺎ ﻝﻴﺴت ﺨﺎﻝﻴﺔ وﻤﺘﻨﺎﻓﻴﺔ ﻤﺜﻨﻰ واﺠﺘﻤﺎﻋﻬﺎ ‪ Ω‬ﻓﺈن ‪P (0) + P (1) + ......... + P (n ) = 1 :‬‬

‫وﻴﻤﻜﻨﻨﺎ أن ﻨﻌﻤم ‪ :‬إذا ﻜﺎﻨت اﻝﺘﺠرﺒﺔ ﻫﻲ وﻗوع ﺤدث ﺒﻌﻴﻨﻪ أو ﻋدم وﻗوﻋﻪ‬
‫إذاﻜﺎن اﺤﺘﻤﺎل وﻗوع اﻝﺤدث ﻫو ‪ p‬ﻓﺈن اﺤﺘﻤﺎل ﻋدم وﻗوﻋﻪ ﻫو ‪ q = 1 − p‬ﻋﻨدﻤﺎﻨﻜرر اﻝﺘﺠرﺒﺔ ‪ n‬ﻤرة ﻓﺈن‪:‬‬
‫اﺤﺘﻤﺎل وﻗوع ﻫذا اﻝﺤدث ﻓﻲ ‪ r‬ﻤرة ﺤﻴث ‪ n ≥ r > 0‬وﻝﻴﻜن ﺤدث ‪ A‬ﻨرﻤز } ‪ A = {X = r‬ﻴﺴﺎوي‬

‫‪f (r ) = C (n , r ) ⋅ p r ⋅ q n −r‬‬ ‫أو‬ ‫‪P (A ) = C (n , r ) ⋅ p r ⋅ q n −r‬‬

‫~ ‪~ 30‬‬
 ‫ﻤﺜﺎل ①‪ :‬ﻓﻲ ﻋﺎﺌﻠﺔ ﺴﺒﻌﺔ أﺒﻨﺎء اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون ﻫؤﻻء اﻷﺒﻨﺎء ﺜﻼث ذﻜور وأرﺒﻌﺔ إﻨﺎث‬
‫‪1‬‬
‫= ‪x‬‬ ‫اﻝﺤل‪ :‬اﺤﺘﻤﺎل وﺠود اﻝذﻜر ﻓﻲ اﻝﻌﺎﺌﻠﺔ ﻴﺴﺎوي اﺤﺘﻤﺎل وﺠود اﻷﻨﺜﻰ ﻴﺴﺎوي‬
‫‪2‬‬
‫وﻝﻔرض اﻝﺤدث ‪ A‬أن ﻴﻜون أﺒﻨﺎء اﻷﺴرة ﺜﻼث ذﻜور وأرﺒﻌﺔ إﻨﺎث‬
‫‪P (A ) = C (n , r ) ⋅ x r ⋅ (1 − x ) n − r‬‬ ‫ﻓﺈن‬
‫‪3‬‬ ‫‪4‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪35‬‬
‫‪P (A ) = C (7,3) ⋅  ‬‬ ‫= ‪⋅ ‬‬ ‫أي ‪:‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪96‬‬
‫‪7‬‬
‫ﻴطﻠق اﻝراﻤﻲ ﻋﻠﻰ اﻝﻬدف ‪ 10‬طﻠﻘﺎت‬ ‫ﻤﺜﺎل ②‪ :‬اﺤﺘﻤﺎل إﺼﺎﺒﺔ راﻤﻲ ﻝﻠﻬدف ﻴﺴﺎوي‬
‫‪10‬‬
‫‪ (1‬ﻤﺎﻫو اﺤﺘﻤﺎل إﺼﺎﺒﺔ اﻝﻬدف ﻓﻲ ‪ 8‬طﻠﻘﺎت‬
‫‪(2‬اﺤﺘﻤﺎل إﺼﺎﺒﺔ اﻝﻬدف ﺒﺄرﺒﻊ طﻠﻘﺎت‬
‫‪(3‬اﺤﺘﻤﺎل إﺼﺎﺒﺔ اﻝﻬدف ﺒﺜﻼث طﻠﻘﺎت ﻋﻠﻰ اﻷﻗل‬
‫‪3‬‬ ‫‪7‬‬
‫= ‪1− x‬‬ ‫اﻝﺤل‪:‬ﺤﺘﻤﺎل إﺼﺎﺒﺔ راﻤﻲ ﻝﻠﻬدف ﻴﺴﺎوي = ‪ x‬ﻴﻜون اﺤﺘﻤﺎل ﻋدم إﺼﺎﺒﺔ اﻝراﻤﻲ ﻝﻠﻬدف‬
‫‪10‬‬ ‫‪10‬‬
‫ورﻤزﻨﺎ } ‪ {x = r‬ﺤدث إﺼﺎﺒﺔ اﻝﻬدف ﺒـ ‪ r‬طﻠﻘﺔ‬
‫‪ (1‬اﻝﺤدث }‪ {x = 8‬أن ﻴﺼﺎب اﻝﻬدف ﻓﻲ ‪ 8‬طﻠﻘﺎت ﺤﺴب اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﺜﻨﺎﺌﻲ اﻝﺤد‬
‫‪P (x = r ) = C (n , r ) ⋅ x r ⋅ (1 − x ) n − r‬‬ ‫ﻓﺈن‬
‫ﻤن أﺠل ‪n = 10 , r = 8 :‬‬
‫‪8‬‬ ‫‪2‬‬
‫‪ 7  3‬‬
‫‪P (x = 8) = C (10,8) ⋅   ⋅  ‬‬ ‫ﻨﺠد ‪:‬‬
‫‪ 10   10 ‬‬
‫‪8‬‬ ‫‪2‬‬
‫‪7  3‬‬
‫) ‪P (x = 8) = C (10, 2) ⋅   ⋅   = ( 45)( 7 ) ( 3) (10‬‬
‫‪8‬‬ ‫‪2‬‬ ‫‪−10‬‬

‫‪ 10   10 ‬‬
‫‪P (x = 8) = 0.233474405‬‬

‫‪ (2‬اﻝﺤدث }‪ {x = 4‬أن ﻴﺼﺎب اﻝﻬدف ﻓﻲ ‪ 4‬طﻠﻘﺎت ﺤﺴب اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﺜﻨﺎﺌﻲ اﻝﺤد‬
‫‪ P (B ) = C (n , r ) ⋅ x r ⋅ (1 − x ) n − r‬ﻤن أﺠل ‪n = 10 , r = 4 :‬‬
‫‪4‬‬ ‫‪6‬‬
‫‪ 7‬‬ ‫‪ 3‬‬
‫‪P (x = 4) = C (10, 4) ⋅  ‬‬ ‫ﻨﺠد ‪⋅   :‬‬
‫‪ 10 ‬‬ ‫‪ 10 ‬‬
‫) ‪ P ( x = 4) = ( 210 )( 2401)( 729 )(10‬أو ‪P ( x = 4) = 0.0367569090‬‬
‫‪−10‬‬

‫‪ (3‬اﻝﺤدث ‪ A‬أن ﻴﺼﺎب اﻝﻬدف ﺒﺜﻼث طﻠﻘﺎت ﻋﻠﻰ اﻷﻗل ﻓﺈن‪:‬‬

‫}‪A ′ = {x = 0} ∪ {x = 1} ∪ {x = 2‬‬

‫~ ‪~ 31‬‬
 ‫ﺤﺴب اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﺜﻨﺎﺌﻲ اﻝﺤد‪:‬‬
‫)‪P (A ′) = P (x = 0) + P (x = 1) + P (x = 1‬‬
‫‪0‬‬ ‫‪10‬‬ ‫‪1‬‬ ‫‪9‬‬ ‫‪2‬‬ ‫‪8‬‬
‫‪7  3‬‬ ‫‪7  3‬‬ ‫‪7‬‬ ‫‪ 3‬‬
‫‪= C (10, 0) ⋅   ⋅   + C (10,1) ⋅   ⋅   + C (10, 2) ⋅  ‬‬ ‫‪⋅ ‬‬
‫‪ 10   10 ‬‬ ‫‪ 10   10 ‬‬ ‫‪ 10 ‬‬ ‫‪ 10 ‬‬
‫‪= 0.0000059049 + 0.0001377810 + 0.0014467005‬‬
‫‪P (A ′) = 0.0015903864‬‬

‫ﻝﻜن ‪P (A ) = 1 − P (A ′) :‬‬

‫‪P ( A ) = 1 − 0.0015903864 = 0.9984096136‬‬ ‫وﻤﻨﻪ ‪:‬‬

‫‪9‬‬
‫ﻤﺜﺎل③‪ :‬ﻴﻘوم ﺠﺎﺒﻲ اﻝﻀراﺌب ﺒزﻴﺎرة ﺘﺠﺎر اﻝﻤدﻴﻨﺔ اﺤﺘﻤﺎل أن ﻴﺠد اﻝﺘﺎﺠر ﻓﻲ ﻤﺘﺠرﻩ‬
‫‪10‬‬
‫ﻤﺎ اﺤﺘﻤﺎل أن ﻴﺠد ‪ 7‬ﺘﺠﺎر ﻤوﺠودﻴن ﻓﻲ ﻤﺘﺎﺠرﻫم ﺨﻼل ‪ 10‬زﻴﺎرات‬
‫‪1‬‬ ‫‪9‬‬
‫= )‪P (A ′‬‬ ‫= ) ‪ P (A‬ﻴﻜون‬ ‫اﻝﺤل ‪ :‬اﻝﺤدث ‪ A‬أن ﻴﺠد ﺠﺎﺒﻲ اﻝﻀراﺌب اﻝﺘﺎﺠر ﻓﻲ ﻤﺘﺠرﻩ‬
‫‪10‬‬ ‫‪10‬‬
‫‪10‬‬ ‫اﻝﺤدث ‪ B‬أن ﻴﺠد ﺠﺎﺒﻲ اﻝﻀراﺌب ‪ 7‬ﺘﺠﺎر ﻓﻲ ﻤﺘﺎﺠرﻫم ﻓﻲ‬
‫‪7‬‬ ‫‪3‬‬
‫‪ 9‬‬ ‫‪ 1‬‬
‫‪P (B ) = C (10, 7) ⋅  ‬‬ ‫‪⋅ ‬‬
‫‪ 10 ‬‬ ‫‪ 10 ‬‬
‫) ‪(120 )( 9‬‬
‫‪7‬‬

‫=‬ ‫‪= 0.057395628‬‬

‫) ‪(10‬‬
‫‪10‬‬

‫‪1‬‬
‫ﻤﺜﺎل④‪:‬ﻓﻲ أﺤد اﻝﻤﺼﺎﻨﻊ ﻝﺼﻨﻊ اﻝﻌﺒوات اﻝﻔﺎرﻏﺔ اﺤﺘﻤﺎل أن ﺘﻜون اﻝﻌﻠﺒﺔ ﻏﻴر ﺼﺎﺤﺔ ﻫو‬
‫‪100‬‬
‫ﻓﻤﺎﻫو اﺤﺘﻤﺎل أن ﺘﻜون اﻝﻌﻠﺒﺔ اﻝﺨﺎﻤﺴﺔ أول ﻋﻠﺒﺔ ﻏﻴر ﺼﺎﻝﺤﺔ‬
‫اﻝﺤل‪:‬‬
‫‪1‬‬
‫= ‪ x‬واﺤﺘﻤﺎل أن ﺘﻜون اﻝﻌﻠﺒﺔ‬ ‫ﺤﺴب ﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد ‪:‬اﺤﺘﻤﺎل أن ﺘﻜون اﻝﻌﻠﺒﺔ ﺼﺎﻝﺤﺔ‬
‫‪100‬‬
‫‪99‬‬
‫= ‪1− x‬‬ ‫ﻏﻴر ﺼﺎﻝﺤﺔ‬
‫‪100‬‬
‫واﻝﺴؤال ﻴدل ﻋل أن ﺘﻜون اﻝﻌﻠب اﻷرﺒﻌﺔ اﻷوﻝﻰ ﺼﺎﻝﺤﺔ واﻝﺨﺎﻤﺴﺔ ﻏﻴر ﺼﺎﻝﺤﺔ وﻝﻨﻔرض أﻨﻪ ﺤدث ‪A‬‬
‫‪‬‬ ‫‪ 1   99   ‬‬
‫‪0‬‬ ‫‪4‬‬
‫‪ 1   99  ‬‬
‫‪1‬‬ ‫‪0‬‬

‫‪P ( A ) = C (4, 0) ‬‬ ‫‪ ‬‬ ‫×‬

‫‪  ‬‬ ‫‪C‬‬ ‫)‪(1,1‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪ ‬‬
‫‪‬‬ ‫‪ 100   100   ‬‬ ‫‪ 100   100  ‬‬

‫‪P (A ) = 9.6 × 10−3‬‬

‫اﻷﺴﺘﺎذ أﺤﻤد أﺒو ﻨﺒوت‬

‫~ ‪~ 32‬‬
 ‫اﻻﺤﺘﻤﺎل اﻝﺸرطﻲ‬ ‫‪:‬‬ ‫اﻟﺒﺤﺚ اﻟﺜﺎﻧﻲ‬

‫ﻤن اﻝﻤﺴﺎﺌل اﻝﻤﻬﻤﺔ ﻓﻲ ﺤﺴﺎب اﻻﺤﺘﻤﺎل دراﺴﺔ اﻝﻌﻼﻗﺎت اﻻﺤﺘﻤﺎﻝﻴﺔ ﻤﺎ ﺒﻴن اﻷﺤداث‪ ،‬ﻓﺈذا ﻜﺎن ‪ A‬و ‪B‬‬

‫ﺤدﺜﻴن ﻤﺘﻌﻠﻘﻴن ﺒﺘﺠرﺒﺔ ﻤﻌﻴﻨﺔ ﻓﺈن وﻗوع أﺤد اﻝﺤدﺜﻴن ﻗد ﻴؤﺜر ﻋﻠﻰ وﻗوع اﻝﺤدث اﻵﺨر‪.‬‬
‫وﻝﺘوﻀﻴﺢ ذﻝك ﻨﺘﺄﻤل اﻝﻤﺜﺎل اﻝﺘّﺎﻝﻲ‪:‬‬
‫ﻤﺜﺎل‪:‬‬
‫ﻓﻲ اﺨﺘﺒﺎر رﻤﻲ ﺤﺠر ﻨرد ﻤرة واﺤدة‬
‫‪(1‬أوﺠد اﺤﺘﻤﺎل ظﻬور ﻋدد أوﻝﻲ‬
‫‪(2‬إذا ﺤﺼﻠﻨﺎ ﻋﻠﻰ ﻋدد ﻓردي اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون ﻫذا اﻝﻌدد ﻋدد أوﻝﻲ‬
‫اﻝﺤل ‪:‬‬
‫‪3 1‬‬
‫= ) ‪P (A‬‬ ‫ﻓﻀﺎء اﻝﻌﻴﻨﺔ }‪ Ω = {1, 2,3, 4,5, 6‬و } ‪ A = {2,3,5‬ﺤدث ظﻬور ﻋدد أوﻝﻲ ﻴﻜون =‬ ‫‪(1‬‬
‫‪6 2‬‬
‫‪ (2‬ﻓﻀﺎء اﻝﻌﻴﻨﺔ اﻝﺠدﻴد ﻝﻬذﻩ اﻝﺘﺠرﺒﺔ ﻫو } ‪ B = {1,3,5‬واﻝﺤدث اﻝذي وﻗﻊ وﻫو ﺠزء ﻤن ﻓﻀﺎء اﻝﻌﻴﻨﺔ‬
‫ﻓﻬو } ‪X = { 3,5‬‬
‫‪2‬‬
‫‪P1 ( X‬‬ ‫=)‬ ‫ﻓﻴﻜون‪ :‬اﺤﺘﻤﺎل وﻗوع ‪ X‬ﻋﻠﻤﺎً أن ‪ B‬ﻗد وﻗﻊ وﻨرﻤز ﻝﻪ‬
‫‪3‬‬
‫‪2‬‬
‫= ) ‪ P1 ( X‬ﻫو اﺤﺘﻤﺎل وﻗوع ‪ A‬ﻋﻠﻤﺎً ﺒﺄن ‪ B‬ﻗد وﻗﻊ وﻨرﻤز ﻝﻪ‬ ‫إن‬
‫‪3‬‬
‫‪2‬‬ ‫‪2‬‬
‫= ) ‪P (A | B‬‬ ‫= ) ‪ PB ( A‬أو‬
‫‪3‬‬ ‫‪3‬‬
‫اﻝﺴؤال ﻫل ﻴﻤﻜن ﺤﺴﺎب اﻻﺤﺘﻤﺎل ‪ P1‬ﺒدﻻﻝﺔ اﻻﺤﺘﻤﺎل ‪ P‬؟‬
‫إذا ﻻﺤظﻨﺎ أن ‪ X = A ∩ B‬ﻴﻜون‬
‫) ‪n (A ∩ B‬‬
‫) ‪n (A ∩ B‬‬ ‫)‪n (Ω‬‬ ‫) ‪P (A ∩ B‬‬
‫= ) ‪P1 ( X ) = P ( A | B‬‬ ‫=‬ ‫=‬ ‫‪: P (B ) ≠ 0‬‬
‫) ‪n (B‬‬ ‫) ‪n (B‬‬ ‫) ‪P (B‬‬
‫)‪n (Ω‬‬

‫ﻝﻨﺒرﻫن أن ‪ P1‬داﻝﺔ اﺤﺘﻤﺎل‪:‬‬

‫ﻓﻀﺎء اﺤﺘﻤﺎﻝﻴﺎً‪ ،‬وﻝﻴﻜن ) ‪ B ∈ P ( S‬ﺤﻴث ‪P ( B ) ≠ 0‬‬
‫ً‬ ‫ﻝﻴﻜن ) ‪( Ω , P (S ) , P‬‬
‫) ‪P (A ∩ B‬‬ ‫) ‪P (A ∩ B‬‬ ‫ٍ‬
‫= ) ‪ PB ( A‬داﻝﺔ اﺤﺘﻤﺎل‬ ‫= ) ‪ P ( A | B‬أو‬ ‫ﻋﻨدﺌذ اﻝداﻝﺔ اﻝﻤﻌرﻓﺔ وﻓق‪:‬‬
‫) ‪P (B‬‬ ‫) ‪P (B‬‬

‫~ ‪~ 33‬‬
 ‫اﻹﺜﺒﺎت‪ A ∩ B ⊆ B :‬ﻓﻴﻜون ) ‪ 0 ≤ P ( A ∩ B ) ≤ P ( B‬ﺒﺎﻝﺘﻘﺴﻴم ﻋﻠﻰ ‪ P ( B ) > 0‬ﻨﺠد‬
‫) ‪P (A ∩ B‬‬
‫≤‪0‬‬ ‫‪≤1‬‬
‫) ‪P (B‬‬

‫)‪P ( A | B ) ∈ [ 0,1] ........................ (1‬‬ ‫أي‬

‫‪Ω‬‬
‫‪A1‬‬
‫) ‪P (Ω ∩ B‬‬ ‫) ‪P (B‬‬
‫‪B‬‬ ‫= ) ‪P (Ω | B‬‬ ‫=‬ ‫) ‪= 1 ...................... ( 2‬‬
‫) ‪P (B‬‬ ‫) ‪P (B‬‬
‫‪A1 ∩ B‬‬
‫ﻓﺈن‪:‬‬
‫إذا ﻜﺎن ‪ A1 , A 2‬ﺤدﺜﻴن ﻤﺘﻨﺎﻓﻴﻴن ّ‬
‫‪A2‬‬
‫‪A2 ∩ B‬‬ ‫‪P ( A1 ∪ A 2 ) ∩ B ‬‬
‫= ) ‪P ( ( A1 ∪ A 2 ) | B‬‬
‫) ‪P (B‬‬
‫‪P ( A1 ∩ B ) ∪ ( A 2 ∩ B ) ‬‬
‫=‬
‫) ‪P (B‬‬

‫‪ A 2 ∩ B‬ﻤﺘﻨﺎﻓﻴﺎن أﻴﻀﺎً وﺒﺎﻝﺘّﺎﻝﻲ‪:‬‬ ‫ﻓﺈن اﻝﺤدﺜﻴن ‪, A1 ∩ B‬‬

‫أن اﻝﺤدﺜﻴن ‪ A 2 , A1‬ﻤﺘﻨﺎﻓﻴﺎن ّ‬
‫وﺒﻤﺎ ّ‬
‫) ‪P ( A1 ∩ B ) + P ( A 2 ∩ B‬‬
‫= ) ‪P ( ( A1 ∪ A 2 ) | B‬‬
‫) ‪P (B‬‬
‫) ‪P ( A1 ∩ B‬‬ ‫) ‪P ( A2 ∩ B‬‬
‫= ) ‪P ( ( A1 ∪ A 2 ) | B‬‬ ‫‪+‬‬
‫) ‪P (B‬‬ ‫) ‪P (B‬‬

‫)‪P ( ( A1 ∪ A 2 ) | B ) = P ( A 1 | B ) + P ( A 2 | B ) ..................... ( 3‬‬ ‫وﻤﻨﻪ‬

‫ﻤن )‪ ( 3) , ( 2 ) , (1‬ﻨﺴﺘﻨﺘﺞ أن ‪ P1‬داﻝﺔ اﺤﺘﻤﺎل ﻷﻨﻬﺎ ﺤﻘﻘت ﺸروط داﻝﺔ اﻻﺤﺘﻤﺎل‬
‫ﺘﻌرﻴف‪ :‬داﻝﺔ اﻻﺤﺘﻤﺎل اﻝﺸرطﻲ‬

‫ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ ) ‪ّ ( Ω , P ( Ω ) , P‬‬

‫ﻨﺴﻤﻲ اﻝداﻝﺔ‪:‬‬
‫) ‪P (A ∩ B‬‬
‫= ) ‪P1 : P ( Ω ) → [ 0 , 1] : P1 ( A ) = P ( A | B‬‬ ‫‪, P (B ) ≠ 0‬‬
‫) ‪P (B‬‬

‫داﻝﺔ اﻻﺤﺘﻤﺎل اﻝﺸرطﻲ ﺒﺎﻝﻨﺴﺒﺔ إﻝﻰ اﻝﺤدث ‪. B‬‬

‫ﻨﺘﺎﺌﺞ‪:‬‬
‫أن ‪ P1‬اﻝﺔ اﺤﺘﻤﺎل ﻓﺈن ﺠﻤﻴﻊ ﺨواص داﻝﺔ اﻻﺤﺘﻤﺎل ﻤﺤﻘﻘﺔ وﻤﻨﻬﺎ‪:‬‬
‫‪ 1‬ﺒﻤﺎ ّ‬
‫)‪1‬‬ ‫) ‪P (A ′ | B ) = 1− P (A | B‬‬
‫)‪2‬‬ ‫‪P ( ( A1 ∪ A 2 ) | B ) = P ( A 1 | B ) + P ( A 2 | B ) − P‬‬ ‫‪(( A‬‬ ‫‪1‬‬ ‫‪∩A2)| B‬‬ ‫)‬

‫~ ‪~ 34‬‬
 ‫‪ 2‬إذا ﻜﺎن ‪ B , A‬ﺤدﺜﻴن ﻤن ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ ) ‪ ، ( Ω , P ( Ω ) , P‬وﻜﺎن ‪P ( B ) ≠ 0‬‬
‫ٍ‬
‫ﻋﻨدﺌذ‪:‬‬
‫ﻓﺈن‪:‬‬
‫إذا ﻜﺎن ∅ = ‪ّ A ∩ B‬‬
‫) ‪P (A ∩ B‬‬ ‫) ∅( ‪P‬‬
‫= ) ‪P (A | B‬‬ ‫=‬ ‫‪=0‬‬
‫) ‪P (B‬‬ ‫) ‪P (B‬‬

‫ﻓﺈن‪:‬‬
‫إذا ﻜﺎن ‪ّ B ⊆ A‬‬
‫) ‪P (A ∩ B‬‬ ‫) ‪P (B‬‬
‫= ) ‪P (A | B‬‬ ‫=‬ ‫‪=1‬‬
‫) ‪P (B‬‬ ‫) ‪P (B‬‬

‫ﻤﺜﺎل ①‪ :‬ﻓﻲ ﻤﻌﻬد ﻝﻠﻐﺎت ﻤﺘﻌددة ‪ % 75‬ﻤن اﻝطﻠﺒﺔ ﻴدرﺴون اﻝﻠﻐﺔ اﻹﻨﻜﻠﻴزﻴﺔ و ‪ % 40‬ﻴدرﺴون اﻝﻠﻐﺔ‬
‫اﻝﻔرﻨﺴﻴﺔ و ‪ % 35‬ﻴدرﺴون اﻝﻠﻐﺘﻴن ﻤﻌﺎً‪ .‬اﺨﺘرﻨﺎ ﻋﺸواﺌﻴﺎً طﺎﻝﺒﺎً واﺤداً ﻤن طﻼب اﻝﻤﻌﻬد‪.‬‬
‫أن اﻝطﺎﻝب ﻴدرس اﻝﻠﻐﺔ اﻹﻨﻜﻠﻴزﻴﺔ ﻋﻠﻤﺎً ﺒﺄﻨﻪ ﻴدرس اﻝﻠﻐﺔ اﻝﻔرﻨﺴﻴﺔ‪.‬‬
‫‪ (1‬ﻤﺎ اﺤﺘﻤﺎل ّ‬
‫أن اﻝطﺎﻝب ﻴدرس اﻝﻠﻐﺔ اﻝﻔرﻨﺴﻴﺔ‪.‬‬
‫‪ (2‬إذا ﻋﻠﻤت أن اﻝطﺎﻝب ﻴدرس اﻝﻠﻐﺔ اﻹﻨﻜﻠﻴزﻴﺔ ﻤﺎ اﺤﺘﻤﺎل ّ‬
‫أن اﻝطﺎﻝب ﻴدرس اﻝﻠﻐﺔ اﻹﻨﻜﻠﻴزﻴﺔ ﻋﻠﻤﺎً ﺒﺄﻨﻪ ﻻ ﻴدرس اﻝﻠﻐﺔ اﻝﻔرﻨﺴﻴﺔ‪.‬‬
‫‪(3‬ﻤﺎ اﺤﺘﻤﺎل ّ‬
‫اﻝﺤل‪:‬‬
‫ﻨﻔرض اﻝﺤدث ‪ : A‬اﻝطﺎﻝب ﻴدرس اﻹﻨﻜﻠﻴزﻴﺔ‬
‫واﻝﺤدث ‪ : B‬اﻝطﺎﻝب ﻴدرس اﻝﻔرﻨﺴﻴﺔ‬
‫‪75‬‬ ‫‪40‬‬ ‫‪35‬‬
‫= ) ‪P (A‬‬ ‫= ) ‪, P (B‬‬ ‫‪,‬‬ ‫= ) ‪P (A ∩ B‬‬ ‫ﻓﻴﻜون‪:‬‬
‫‪100‬‬ ‫‪100‬‬ ‫‪100‬‬
‫‪ (1‬اﻻﺤﺘﻤﺎل اﻝﻤطﻠوب ﻫو ) ‪P ( A | B‬‬
‫) ‪P (A ∩ B‬‬
‫= ) ‪P (A | B‬‬
‫) ‪P (B‬‬
‫‪35‬‬
‫‪35 7‬‬
‫= ‪P ( A | B ) = 100‬‬ ‫=‬
‫‪40 40 8‬‬
‫‪100‬‬
‫‪ (2‬اﻻﺤﺘﻤﺎل اﻝﻤطﻠوب ﻫو‪P ( B | A ) :‬‬
‫) ‪P (A ∩ B‬‬
‫= ) ‪P (B | A‬‬
‫) ‪P (A‬‬
‫‪35‬‬
‫‪7‬‬
‫= ‪P ( B | A ) = 100‬‬
‫‪75 15‬‬
‫‪100‬‬
‫~ ‪~ 35‬‬
 ‫‪ (3‬اﻻﺤﺘﻤﺎل اﻝﻤطﻠوب‪P ( A | B ′) :‬‬
‫)‪P ( A ∩ B ′‬‬
‫= )‪P ( A | B ′‬‬ ‫)‪.............. (1‬‬
‫)‪P ( B ′‬‬
‫) ‪P ( A ∩ B ′) = P ( A \ B ) = P ( A ) − P ( A ∩ B‬‬
‫‪75 35‬‬ ‫‪40‬‬
‫=‬ ‫‪−‬‬ ‫=‬ ‫إن‪:‬‬
‫‪100 100 100‬‬
‫‪40‬‬ ‫‪60‬‬
‫‪P ( B ′) = 1 −‬‬ ‫=‬
‫‪100 100‬‬
‫ﺒﺎﻝﺘﻌوﻴض ﻓﻲ )‪ (1‬ﻨﺠد‪:‬‬
‫‪40‬‬
‫‪P ( A | B ′ ) = 100‬‬
‫‪60‬‬
‫‪100‬‬
‫‪2‬‬
‫= )‪P ( A | B ′‬‬
‫‪3‬‬

‫ﻤﺜﺎل )‪ :(2‬ﻋﻨد إﺠراء ﻓﺤص اﻝزﻤرة اﻝدﻤوﻴﺔ ﻝطﻼب ﻤدرﺴﺘﻴن ) ‪ ( Ι‬و ) ‪ ( Π‬ﻜﺎﻨت ﻝدﻴﻨﺎ اﻝﻨﺘﺎﺌﺞ اﻝﺘّﺎﻝﻴﺔ‪:‬‬
‫اﻝزﻤرة اﻝدﻤوﻴﺔ‬ ‫‪O‬‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪A B‬‬ ‫اﻝﻤﺠﻤوع‬
‫اﻝﻤدرﺴﺔ ‪Ι‬‬ ‫‪80‬‬ ‫‪138‬‬ ‫‪142‬‬ ‫‪97‬‬ ‫‪457‬‬
‫اﻝﻤدرﺴﺔ ‪Π‬‬ ‫‪130‬‬ ‫‪180‬‬ ‫‪172‬‬ ‫‪100‬‬ ‫‪582‬‬
‫اﻝﻤﺠﻤوع‬ ‫‪210‬‬ ‫‪318‬‬ ‫‪314‬‬ ‫‪197‬‬ ‫‪1039‬‬

‫اﺨﺘرﻨﺎ طﺎﻝﺒﺎً ﻋﺸواﺌﻴﺎً واﻝﻤطﻠوب‪:‬‬

‫أن ﺘﻜون زﻤرة دﻤﻪ ‪ AB‬ﻋﻠﻤﺎً ﺒﺄﻨﻪ ﻤن اﻝﻤدرﺴﺔ ‪ Ι‬؟‬
‫‪ (1‬ﻤﺎ اﺤﺘﻤﺎل ّ‬
‫أن ﻴﻜون ﻤن اﻝﻤدرﺴﺔ ‪ ΙΙ‬ﻋﻠﻤﺎً ﺒﺄن زﻤرة دﻤﻪ ‪ O‬؟‬
‫‪ (2‬ﻤﺎ اﺤﺘﻤﺎل ّ‬
‫أن ﻴﻜون ﻤن اﻝﻤدرﺴﺔ ‪ Ι‬أو زﻤرة دﻤﻪ ‪ A‬؟‬
‫‪ (3‬ﻤﺎ اﺤﺘﻤﺎل ّ‬
‫اﻝﺤل‪:‬‬
‫‪P ( Ι ∩ A B ) 97‬‬
‫= ) ‪P ( AB | Ι‬‬ ‫=‬ ‫‪(1‬‬
‫)‪P (Ι‬‬ ‫‪457‬‬
‫‪P (O ∩ ΙΙ ) 130 13‬‬
‫= ) ‪P (Π |O‬‬ ‫=‬ ‫=‬ ‫‪(2‬‬
‫) ‪P (O‬‬ ‫‪210 21‬‬

‫)‪P (A ∪ Ι) = P ( Α) + P (Ι) − P (A ∩ Ι‬‬ ‫‪(3‬‬

‫‪318 457 138‬‬ ‫‪637‬‬
‫= )‪P (A ∪ Ι‬‬ ‫‪+‬‬ ‫‪−‬‬ ‫=‬
‫‪1039 1039 1039 1039‬‬

‫~ ‪~ 36‬‬
 ‫ﻤﺜﺎل )‪:(3‬‬
‫ﻴﺤوي ﻤﻐﻠف ‪ 9‬ﺒطﺎﻗﺎت ﻤرﻗﻤﺔ ﺒﺎﻷرﻗﺎم ‪1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9‬‬

‫ﻨﺴﺤب ﻋﺸواﺌﻴﺎً ﻤن اﻝﻤﻐﻠف ﺒطﺎﻗﺘﻴن ﻤﻌﺎً‪.‬‬

‫أن رﻗم إﺤدى اﻝﺒطﺎﻗﺘﻴن اﻝﻤﺴﺤوﺒﺘﻴن زوﺠﻴﺎً‬

‫‪(1‬ﻓﺈذا ﻋﻠﻤت ّ‬
‫أن ﻴﻜون ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن ﻋدداً زوﺠﻴﺎً ؟‪.‬‬
‫ﻓﻤﺎ اﺤﺘﻤﺎل ّ‬
‫‪ (2‬اﺤﺴب اﺤﺘﻤﺎل أن ﺘﻜون إﺤدى اﻝﺒطﺎﻗﺎت ﻓﻘط ﻤن ﻗواﺴم اﻝﻌدد ‪ 8‬إذا ﻜﺎن‬
‫ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن ﻋدد ﻓردي؟‪.‬‬

‫اﻝﺤل‪:‬‬
‫‪ (1‬ﻨﻔرض اﻝﺤدث ‪ : A‬ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن اﻝﻤﺴﺤوﺒﺘﻴن ﻋدداً زوﺠﻴﺎً‪.‬‬
‫‪ : B‬رﻗم إﺤدى اﻝﺒطﺎﻗﺘﻴن اﻝﻤﺴﺤوﺒﺘﻴن زوﺠﻴﺎً‪.‬‬
‫ﻓﻴﻜون اﻝﻤطﻠوب‪P ( A | B ) :‬‬
‫) ‪P (A ∩ B‬‬ ‫) ‪n (A ∩ B‬‬
‫= ) ‪P (A | B‬‬ ‫=‬ ‫)∗ ( ‪........................‬‬
‫) ‪P (B‬‬ ‫) ‪n (B‬‬

‫) ‪n (B‬‬ ‫ﻝﻨﺤﺴب اﻝﻌددﻴن‪, n ( A ∩ B ) :‬‬

‫ﻴﻘﻊ اﻝﺤدث ‪ B‬إذا ﻜﺎن ) رﻗﻤﺎ اﻝﺒطﺎﻗﺘﻴن زوﺠﻴﻴن (‬

‫أو ) رﻗم إﺤداﻫﻤﺎ زوﺠﻴﺎً ورﻗم اﻷﺨرى ﻓردﻴﺎً ( وﺒﺎﻝﺘّﺎﻝﻲ‪:‬‬
‫)‪n ( B ) = C ( 4, 2 ) + C ( 4,1) .C ( 5,1‬‬
‫‪= 6 + 4 × 5 = 26‬‬

‫ﻴﻘﻊ اﻝﺤدث ‪ A ∩ B‬إذا ﻜﺎن رﻗﻤﺎ اﻝﺒطﺎﻗﺘﻴن اﻝﻤﺴﺤوﺒﺘﻴن ﻋددﻴن زوﺠﻴﻴن‪ ،‬وﺒﺎﻝﺘّﺎﻝﻲ‪:‬‬
‫‪n ( A ∩ B ) = C ( 4, 2 ) = 6‬‬

‫ﺒﺎﻝﺘﻌوﻴض ﻓﻲ )∗ ( ﻨﺠد‪:‬‬
‫‪6‬‬ ‫‪3‬‬
‫= ) ‪P (A | B‬‬ ‫=‬
‫‪26 13‬‬
‫‪ (2‬ﻨﻔرض اﻝﺤدث ‪ C‬إﺤدى اﻝﺒطﺎﻗﺎت اﻝﻤﺴﺤوﺒﺔ ﻓﻘط ﻤن ﻗواﺴم اﻝﻌدد ‪ 8‬ﻓﻴﻜون }‪C = {1 , 2 , 4 ,8‬‬

‫ﻨﻔرض اﻝﺤدث ‪ D‬ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن اﻝﻤﺴﺤوﺒﺘﻴن ﻓردي‬

‫) ‪P (C ∩ D‬‬ ‫) ‪n (C ∩ D‬‬
‫= ) ‪P (C | D‬‬ ‫=‬ ‫واﻝﻤطﻠوب ‪......... ........ ( ∗ ∗) :‬‬
‫) ‪P (D‬‬ ‫) ‪n (D‬‬

‫~ ‪~ 37‬‬
 ‫ﻴﻘﻊ اﻝﺤدث ‪ D‬إذا ﺴﺤﺒﻨﺎ ﺒطﺎﻗﺔ ذات رﻗم ﻓردي وأﺨرى ذات رﻗم زوﺠﻲ‬
‫‪n ( D ) = C ( 5,1) .C ( 4,1) = 20‬‬

‫ﻴﻘﻊ اﻝﺤدث ‪ D ∩ C‬إذا )ﺴﺤﺒﻨﺎ اﻝﺒطﺎﻗﺔ ذات اﻝرﻗم‪ 1‬ﻤﻊ اﻝﺒطﺎﻗﺔ ذات اﻝرﻗم ‪( 6‬‬
‫أو )ﺒطﺎﻗﺔ ﻤن اﻝﻤﺠﻤوﻋﺔ }‪ {2, 4 , 8‬ﻤﻊ ﺒطﺎﻗﺔ ﻤن اﻝﻤﺠﻤوﻋﺔ }‪( {3 , 5, 7 , 9‬‬

‫‪n ( D ∩ C ) = C (1,1) ⋅ C (1,1) + C (3,1) ⋅ C (4,1) = 13‬‬

‫‪13‬‬
‫= ) ‪P (C | D‬‬ ‫ﺒﺎﻝﺘﻌوﻴض ﻓﻲ )∗∗ ( ﻨﺠد‪:‬‬
‫‪20‬‬

‫ﻤﺜﺎل )‪:(4‬‬
‫ﻝﻴﻜن ‪ A , B‬ﺤدﺜﻴن ﻤن ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ ) ‪ ( Ω , P ( Ω ) , P‬ﺒﺤﻴث‪:‬‬
‫‪1‬‬ ‫‪7‬‬ ‫‪1‬‬
‫= ) ‪P (A \ B‬‬ ‫= ) ‪, P (A ∪ B‬‬ ‫= ) ‪, P (B | A‬‬
‫‪8‬‬ ‫‪8‬‬ ‫‪2‬‬
‫واﻝﻤطﻠوب ﺤﺴﺎب‪:‬‬
‫)‪P ( B ) , P ( A ∩ B ) , P ( A ) , P ( A | B ) , P ( A ′ | B ) , P ( A | B ′‬‬
‫)) ‪P ( A ′ ∩ B ′) , P ( A | ( A ∪ B‬‬

‫اﻝﺤل‪:‬‬
‫‪1‬‬
‫= ) ‪P (A \ B‬‬
‫‪8‬‬
‫‪1‬‬
‫= ) ‪P (A ) − P ( A ∩ B‬‬ ‫)‪.............. (1‬‬
‫‪8‬‬
‫‪7‬‬
‫= ) ‪P (A ∪ B‬‬
‫‪8‬‬
‫‪7‬‬
‫) ‪P ( A ) + P ( B ) − P ( A ∩ B ) = ................... ( 2‬‬
‫‪8‬‬
‫‪1‬‬
‫= ) ‪P (B | A‬‬
‫‪2‬‬
‫‪P (A ∩ B ) 1‬‬
‫=‬
‫) ‪P (A‬‬ ‫‪2‬‬

‫أو )‪P (A ) = 2P (A ∩ B )................... ( 3‬‬

‫ﻴطرح )‪ (1‬ﻤن )‪ ( 2‬ﻨﺠد ‪:‬‬

‫‪3‬‬
‫= ) ‪P (B‬‬
‫‪4‬‬

‫~ ‪~ 38‬‬
 : ‫( ﻨﺠد‬1) ‫ ( ﻓﻲ‬3) ‫ﻨﻌوض‬
1
P (A ∩ B ) =
8
: ‫ ( ﻨﺠد‬2) ‫وﺒﺎﻝﺘﻌوﻴض ﻓﻲ‬
1
P (A ) =
4
P (A ∩ B ) 1
P (A | B ) − =
P (B ) 6
P (A ′ | B ) = 1− P (A | B )
5
P (A ′ | B ) =
6
P (A ∩ B ′)
P ( A | B ′) =
P (B ′)
P (A \ B )
=
1 − P (B )
1
1
=8=
1 2
4
P ( A ′ ∩ B ′) = P ( A ∪ B )′
1
= 1 − P (A ∪ B ) =
8
P ( A ∩ ( A ∪ B ))
P ( A | ( A ∪ B )) = :A ⊆ A ∪ B
P (A ∪ B )
P (A )
=
P (A ∪ B )
1
P ( A | ( A ∪ B )) = 4 =
2
7 7
8

‫اﻷﺴﺘﺎذ أﺤﻤد أﺒو ﻨﺒوت‬

~ 39 ~
 ‫ﻗﺎﻨون اﻻﺤﺘﻤﺎل اﻝﻤرﻜب‪:‬‬
‫) ‪P (A ∩ B‬‬
‫ﻨﺴﺘﻨﺘﺞ‪:‬‬ ‫= ) ‪P (A | B‬‬ ‫‪, P (B ) ≠ 0‬‬
‫) ‪P (B‬‬

‫‪ P ( A ∩ B ) = P ( B ) . P ( A | B ) , P ( B ) ≠ 0‬اﺤﺘﻤﺎل وﻗوع اﻝﺤدﺜﻴن) ‪ A‬و ‪( B‬‬

‫وﻴدل ﻋﻠﻰ وﻗوع ‪ B‬ﺜم وﻗوع ‪A‬‬
‫) ‪P (A ∩ B‬‬
‫= ) ‪ P ( A | B‬ﻨﺴﺘﻨﺘﺞ‪:‬‬ ‫‪, P (B ) ≠ 0‬‬
‫) ‪P (B‬‬

‫‪ P ( A ∩ B ) = P ( A ) . P ( B | A ) , P ( A ) ≠ 0‬اﺤﺘﻤﺎل وﻗوع اﻝﺤدﺜﻴن) ‪ A‬و ‪( B‬‬

‫وﻴدل ﻋﻠﻰ وﻗوع ‪ A‬ﺜم وﻗوع ‪B‬‬

‫وﻴﻤﻜن ﺘﻌﻤﻴم اﻝﺨﺎﺼﺔ اﻷﺨﻴرة ﻋﻠﻰ ﻋدد ٍ‬

‫ﻤﻨﺘﻪ ﻤن اﻷﺤداث‪ ،‬ﻓﺈذا ﻜﺎﻨت‬

‫) ‪ ، A , B , C ∈ P ( Ω‬وﻜﺎن ‪ P ( A ) ≠ 0‬و ‪ّ P ( A ∩ B ) ≠ 0‬‬

‫ﻓﺈن‪:‬‬
‫) ) ‪P ( A ∩ B ∩ C ) = P ( ( A ∩ B ) ∩ C ) = P ( A ∩ B ) .P (C | ( A ∩ B‬‬
‫) ) ‪P ( A ∩ B ∩ C ) = P ( A ) . P ( B | A ) . P (C | ( A ∩ B‬‬

‫وﻫو اﺤﺘﻤﺎل وﻗوع اﻷﺤداث) ‪ A‬و ‪ C‬و ‪ ( B‬وﻴدل ﻋﻠﻰ وﻗوع ‪ A‬ﺜم وﻗوع ‪ B‬ﺜم وﻗوع ‪C‬‬

‫) ﻨﺴﻤﻲ اﻝﺼﻴﻐﺔ اﻷﺨﻴرة ﻗﺎﻨون اﻻﺤﺘﻤﺎل اﻝﻤرﻜب أو ﻗﺎﻨون ﻀرب اﻻﺤﺘﻤﺎﻻت(‬

‫ﻤﺜﺎل )‪:(1‬‬
‫اﻝﺼــﻨدوق‬
‫ﻴﺤــوي ﺼــﻨدوق ‪ 10‬ﻜ ـرة ﻤﺘﻤﺎﺜﻠــﺔ ) ‪ 5‬ﺤﻤ ـراء ‪ 3 ،‬ﺒﻴﻀــﺎء ‪ 2 ،‬ﺴــوداء ( ﻨﺴــﺤب ﻤــن ّ‬
‫ﻋﺸواﺌﻴﺎً ﺜﻼث ﻜرات ﺒﺎﻝﺘﺘﺎﻝﻲ دون إﻋﺎدة‪ .‬اﻝﻤطﻠوب‪:‬‬
‫أن ﺘﻜون اﻝﻜرة اﻝﻤﺴﺤوﺒﺔ اﻷوﻝﻰ ﺤﻤراء واﻝﺜﺎﻨﻴﺔ ﺒﻴﻀﺎء واﻝﺜﺎﻝﺜﺔ ﺴوداء؟‪.‬‬
‫‪(1‬ﻤﺎ اﺤﺘﻤﺎل ّ‬
‫أن ﻤﺨﺘﻠﻔﺔ ؟ )ﻜرة ﻤن ﻜل ﻝون(‪.‬‬
‫أن ﺘﻜون اﻝﻜرات اﻝﺜّﻼث ﻤن أﻝو ّ‬
‫‪( 2‬ﻤﺎ اﺤﺘﻤﺎل ّ‬

‫اﻝﺤل‪:‬‬
‫‪ (1‬ﻨﻔرض اﻝﺤدث ‪ : A‬اﻝﻜرة اﻝﻤﺴﺤوﺒﺔ اﻷوﻝﻰ ﺤﻤراء‪.‬‬
‫‪ : B‬اﻝﻜرة اﻝﻤﺴﺤوﺒﺔ اﻝﺜﺎﻨﻴﺔ ﺒﻴﻀﺎء‪.‬‬
‫‪ : C‬اﻝﻜرة اﻝﻤﺴﺤوﺒﺔ اﻝﺜﺎﻝﺜﺔ ﺴوداء‪.‬‬

‫~ ‪~ 40‬‬
 ‫ﻓﻴﻜون اﻝﻤطﻠوب‪P ( A ∩ B ∩ C ) :‬‬

‫) ) ‪P ( A ∩ B ∩ C ) = P ( A ) . P ( B | A ) . P (C | ( A ∩ B‬‬
‫‪5 3 2 1‬‬
‫=‬ ‫= × ×‬
‫‪10 9 8 24‬‬
‫‪ (2‬ﻨﻔرض اﻝﺤدث ‪ : D‬اﻝﻜرات اﻝﻤﺴﺤوﺒﺔ ﻤن أﻝوان ﻤﺨﺘﻠﻔﺔ ﻓﻴﻜون‪:‬‬
‫!‪P ( D ) = P ( A ∩ B ∩ C ) × 3‬‬
‫‪1‬‬ ‫‪1‬‬
‫=‬ ‫= !‪× 3‬‬
‫‪24‬‬ ‫‪4‬‬

‫ﻤﺜﺎل )‪:(2‬‬
‫ﻴﺤوي ﺼﻨدوق ﻜرﺘﻴن ﺒﻴﻀﺎوﻴن وﺜﻼث ﻜـرات ﺴـود ‪ .‬ﻴﺴـﺤب ﻜـل ﻤـن اﻷﺸـﺨﺎص ‪ A , B , C , D‬ﻋﻠـﻰ‬
‫اﻝﺘﺘــﺎﺒﻊ ) وﺒﻬــذا اﻝﺘرﺘﻴــب ( ﻜ ـرة وﻻ ﻴﻌﻴــدﻫﺎ إﻝــﻰ اﻝﺼــﻨدوق ‪ .‬وﻴﻌــد راﺒﺤ ـﺎً أول ﺸــﺨص ﻴﺴــﺤب ﻜ ـرة ﺒﻴﻀــﺎء ‪.‬‬
‫اﺤﺴب اﺤﺘﻤﺎل رﺒﺢ ﻜل ﻤن اﻷﺸﺨﺎص اﻷرﺒﻌﺔ ‪.‬‬

‫اﻝﺤل ‪ :‬ﻴﺴﺎﻋدﻨﺎ ﻓﻲ ﻓﻬم اﻝﺘﺠرﺒﺔ رﺴم ﺸﺠرة ﺒﻴﺎﻨﻴﺔ ‪:‬‬

‫ﻴرﺒﺢ ‪C‬‬ ‫‪2‬‬ ‫‪ Ο‬ﻴرﺒﺢ ‪B‬‬ ‫‪1‬‬ ‫‪ Ο‬ﻴرﺒﺢ ‪A‬‬ ‫‪2‬‬

‫‪Ο‬‬
‫‪3‬‬ ‫‪2‬‬ ‫‪5‬‬
‫‪ Ο‬ﻴرﺒﺢ ‪D‬‬ ‫ﻴﺴﺤب ‪D‬‬ ‫ﻴﺴﺤب ‪C‬‬ ‫‪1‬‬ ‫ﻴﺴﺤب ‪B‬‬ ‫ﻴﺴﺤب ‪A‬‬
‫‪1‬‬ ‫‪3‬‬
‫‪1‬‬ ‫‪2‬‬
‫‪3‬‬ ‫‪5‬‬

‫ﻓﺘﻜون اﺤﺘﻤﺎﻻت رﺒﺢ ﻜل ﻤﻨﻬم ‪:‬‬

‫‪2‬‬
‫= ) ‪P (A‬‬
‫‪5‬‬
‫)‪P ( B ) = P (A ′) ⋅ P ( B | A ′‬‬
‫‪3 1 3‬‬
‫= × = ) ‪P (B‬‬
‫‪5 2 10‬‬
‫) )‪P (C ) = P (A ′) ⋅ P ( B | A ′) ⋅ P (C | ( A ′ ∩ B ′‬‬
‫‪3 1 2 2‬‬
‫= × × = ) ‪P (C‬‬
‫‪5 2 3 10‬‬
‫) )‪P ( D ) = P (A ′) ⋅ P ( B | A ′) ⋅ P (C | ( A ′ ∩ B ′) ) ⋅ P ( D | ( A ′ ∩ B ′ ∩C ′‬‬
‫‪3 1 1‬‬ ‫‪1‬‬
‫= ‪P ( D ) = × × ×1‬‬
‫‪5 2 3‬‬ ‫‪10‬‬

‫~ ‪~ 41‬‬
 ‫ﻤﺜﺎل )‪:(3‬‬
‫ﻴﺤوي ﺠﻬﺎز ﻜﻬرﺒﺎﺌﻲ )‪ ( 5‬ﻜﺘل اﺜﻨﺘﺎن ﻤﻨﻬﺎ ﻤﻌﻴﺒﺘﺎن ‪ ،‬ﻴﻘوم ﻋﺎﻤل إﺼﻼح ﺒﺴﺤب ﻫذﻩ اﻝﻜﺘل‬
‫واﺤدة ﺘﻠو اﻷﺨرى وﻓﺤﺼﻬﺎ ﻋﻠﻰ ﺠﻬﺎز ﺨﺎص ﻝﻤﻌرﻓﺔ اﻝﻜﺘﻠﺘﻴن اﻝﻤﻌﻴﺒﺘﻴن ‪.‬‬
‫‪ (1‬ﻤﺎ اﺤﺘﻤﺎل ﻤﻌرﻓﺔ اﻝﻜﺘﻠﺘﻴن اﻝﻤﻌﻴﺒﺘﻴن ﺒﻌد اﻨﺘﻬﺎء اﻝﻔﺤص اﻝﺜﺎﻝث ؟‬
‫‪ (2‬إذا ﻋﻠﻤﻨﺎ أن اﻝﻜﺘﻠﺘﻴن اﻝﻤﻌﻴﺒﺘﻴن ﻋرﻓﺘﺎ ﺒﻌد اﻨﺘﻬﺎء اﻝﻔﺤص اﻝﺜﺎﻝث ﻓﻤﺎ اﺤﺘﻤﺎل أن ﺘﻜون اﻝﻜﺘﻠﺔ‬
‫اﻝﻤﻔﺤوﺼﺔ أوﻻً ﺼﺎﻝﺤﺔ ؟‬

‫اﻝﺤل‪:‬‬
‫‪ (1‬ﻴﻤﻜن ﻤﻌرﻓﺔ اﻝﻜﺘﻠﺘﻴن اﻝﻤﻌﻴﺒﺘﻴن ﺒﻌد اﻨﺘﻬﺎء اﻝﻔﺤص اﻝﺜﺎﻝث إذا ﺘم اﻝﺴﺤب ﺒﺎﻝﺘرﺘﻴب اﻵﺘﻲ‪:‬‬
‫)ﺼﺎﻝﺤﺔ ‪ ،‬ﺼﺎﻝﺤﺔ ‪ ،‬ﺼﺎﻝﺤﺔ( أو)ﻤﻌﻴﺒﺔ ‪ ،‬ﺼﺎﻝﺤﺔ ‪ ،‬ﻤﻌﻴﺒﺔ(‪) ،‬ﺼﺎﻝﺤﺔ ‪ ،‬ﻤﻌﻴﺒﺔ ‪ ،‬ﻤﻌﻴﺒﺔ(‬
‫ﻨﺴﻤﻴﻪ ﺤدث ‪ A‬ﻴﻜون‪:‬‬
‫‪3 2 1 2 3 1 3 2 1‬‬
‫× × ‪P (A ) = × × + × × +‬‬
‫‪5 4 3 5 4 3 5 4 3‬‬
‫‪3‬‬
‫= ) ‪P (A‬‬
‫‪10‬‬
‫‪ ( 2‬ﺒﻔرض ‪ B‬اﻝﻜﺘﻠﺔ اﻝﻤﻔﺤوﺼﺔ أوﻻً ﺼﺎﻝﺤﺔ‬
‫) ‪P (A ∩ B‬‬
‫= ) ‪P (B | A‬‬
‫) ‪P (A‬‬
‫‪3 2 1 3 2 1‬‬
‫× × ‪× × +‬‬
‫‪P (B | A ) = 5 4 3 5 4 3‬‬
‫‪3‬‬
‫‪3‬‬ ‫‪2‬‬ ‫‪10‬‬
‫‪5‬‬ ‫‪5‬‬ ‫= ) ‪P (B | A‬‬
‫‪2‬‬
‫‪3‬‬
‫ص‬
‫‪2‬‬ ‫م‬
‫‪1‬‬
‫‪2‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪4‬‬
‫‪4‬‬ ‫‪4‬‬
‫ص‬ ‫م‬ ‫ص‬
‫‪1‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫م ‪1‬‬ ‫ﻤﻌرﻓﺔ اﻝﻜﺘﻠﺘﺎن اﻝﻤﻌﻴﺒﺘﺎن ﺒﻌد اﻝﻘﻴﺎم ﻓﺤﺼﺒن‬
‫‪2‬‬ ‫‪2‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪3‬‬ ‫‪3‬‬
‫ص‬ ‫م‬ ‫ص‬ ‫م‬ ‫ﻤﻌرﻓﺔ اﻝﻜﺘﻠﺘﺎن اﻝﻤﻌﻴﺒﺘﺎن ﺒﻌد اﻝﻘﻴﺎم ﺒﺜﻼث ﻓﺤوص‬
‫ص‬ ‫م‬

‫~ ‪~ 42‬‬
 ‫ﻤﺒدأ اﻻﺤﺘﻤﺎﻻت اﻝﻜﻠﻴﺔ‪ :‬وﻗﺎﻋدة ﺒﺎﻴز‬
‫إذا ﻜﺎﻨت ‪ A 1 , A 2 , A 3 ,...., A n‬ﺘﺸﻜل ﺘﺠزﺌﺔ ﻝﻠﻤﺠﻤوﻋﺔ ‪Ω‬‬

‫أن ﻜﻼً ﻤن ﻫذﻩ اﻝﻤﺠﻤوﻋﺎت‪ :‬ﻏﻴر ﺨﺎﻝﻴﺔ و ﻤﺘﻨﺎﻓﻴﺔ ﻤﺜﻨﻰ و اﺠﺘﻤﺎﻋﻬﺎ ﻴﺴﺎوي ‪( Ω‬‬
‫) أي ّ‬
‫‪Ω‬‬
‫ﻓﺈن ‪B = Ω ∩ B = ( A 1 ∪ A 2 ∪ A 3 ∪ ..... ∪ A n ) ∩ B :‬‬
‫وﻜﺎن ) ‪ّ B ∈ P ( Ω‬‬
‫‪A1‬‬
‫‪A1 ∩ B‬‬
‫‪A2 A ∩ B‬‬ ‫ﺒﺘوزﻴﻊ اﻝﺘﻘﺎطﻊ ﻋﻠﻰ اﻻﺠﺘﻤﺎع ‪:‬‬
‫‪12‬‬

‫‪i‬‬ ‫‪i‬‬ ‫) ‪B = ( A 1 ∩ B ) ∪ ( A 2 ∩ B ) ∪ ( A 3 ∩ B ) ∪ ..... ∪ ( A n ∩ B‬‬

‫‪i‬‬ ‫‪i‬‬
‫‪i‬‬ ‫‪i‬‬ ‫وﺒﻤﺎ أن ‪ A 1 , A 2 , A 3 ,...., A n‬أﺤداث ﻤﺘﻨﺎﻓﻴﺔ ﻤﺜﻨﻰ ﻓﺈن ‪:‬‬
‫‪An‬‬ ‫‪An ∩ B‬‬
‫) ‪ (B ∩ A 1 ) , (B ∩ A 2 ) , (B ∩ A 3 ),....., (B ∩ A n‬أﺤداث ﻤﺘﻨﺎﻓﻴﺔ ﻤﺜﻨﻰ‬

‫) ) ‪P (B ) = P ( (A 1 ∩ B ) ∪ (A 2 ∩ B ) ∪ ..... ∪ (A n ∩ B‬‬
‫) ‪= P (A 1 ∩ B ) + P (A 2 ∩ B ) + .... + P (A n ∩ B‬‬

‫أي ) ‪P ( B ) = P ( A 1 ) ⋅ P ( B | A 1 ) + P (A 2 ) ⋅ P ( B | A 2 ) + .................... + P ( A n ) ⋅ P ( B | A n‬‬

‫ﺘﺴﻤﻰ ﻗﺎﻋدة اﻻﺤﺘﻤﺎﻻت اﻝﻜﻠﻴﺔ‬

‫‪k =n‬‬
‫‪P ( B ) = ∑ P (A k ) ⋅ P ( B | A k‬‬ ‫وﺘﻜﺘب ‪) :‬‬
‫‪k =1‬‬

‫) ‪P ( Ah ∩ B‬‬
‫= ) ‪P (A h | B‬‬ ‫و‬ ‫ﺒﻤﺎ أن ‪P (A h ∩ B ) = P (A h ) ⋅ P ( B | A h ) :‬‬
‫) ‪P (B‬‬

‫ﻨﺴﺘﻨﺘﺞ أن ‪:‬‬

‫) ‪P ( Ah ) ⋅ P ( B | Ah‬‬
‫= ) ‪P (A h | B‬‬
‫) ‪P (B‬‬
‫) ‪P ( Ah ) ⋅ P ( B | Ah‬‬
‫= ) ‪P (A h | B‬‬
‫) ‪P (A 1 ∩ B ) + P (A 2 ∩ B ) + .... + P (A n ∩ B‬‬

‫) ‪P ( Ah ) ⋅ P ( B | Ah‬‬
‫واﻝﺘﻲ ﺘﺴﻤﻰ ﻗﺎﻋدة ﺒﺎﻴز‬ ‫= ) ‪P (A h | B‬‬ ‫‪k =n‬‬
‫} ‪: h ∈ {1, 2,......., n‬‬ ‫أو‬
‫‪∑ P (A‬‬ ‫‪k‬‬ ‫) ‪) ⋅ P ( B | Ak‬‬
‫‪k =1‬‬

‫~ ‪~ 43‬‬
 ‫ﻤﻼﺤظﺔ ‪ :‬ﻴﻤﻜن ﺘﻠﺨﻴص ﻤﺒدأ اﻻﺤﺘﻤﺎﻻت اﻝﻜﻠﻴﺔ وﻓق ﺸﺠرة ﺒﻴﺎﻨﻴﺔ‪:‬‬
‫ﻤن أﺠل ‪ A1 , A 2 , A3‬ﺘﺸﻜل ﺘﺠزﺌﺔ ﻝﻠﻤﺠﻤوﻋﺔ ‪Ω‬‬
‫) ‪P ( B | A1‬‬
‫‪A1‬‬ ‫‪B | A1‬‬ ‫) ‪P ( A1 ) ⋅ P ( B | A1‬‬
‫) ‪P ( A1‬‬

‫) ‪P (A2‬‬ ‫) ‪P (B | A2‬‬
‫‪A2‬‬ ‫‪B | A2‬‬ ‫) ‪P (A2 ) ⋅ P (B | A2‬‬

‫) ‪P (A3‬‬ ‫) ‪P (B | A3‬‬
‫‪A3‬‬ ‫‪B | A3‬‬ ‫) ‪P (A3 ) ⋅ P (B | A3‬‬

‫) ‪P (B ) = P (A1 ) ⋅ P (B | A1 ) + P (A2 ) ⋅ P (B | A2 ) + P (A3 ) ⋅ P (B | A3‬‬ ‫ﺒﻌﻤﻠﻴﺔ اﻝﺠﻤﻊ‬

‫‪:‬‬
‫ﻤﺜﺎل ‪:‬‬
‫ﻓﻲ إﺤدى اﻝﻤدارس ‪ ،‬ﻜﺎﻨت ﻨﺴﺒﺔ ﻤدرﺴو اﻝﻤواد اﻷدﺒﻴﺔ ‪ 40 0 0‬ﻤﻨﻬم ‪ 10 0 0‬ﻴﻤﻠﻜون ﺴﻴﺎرات ‪،‬‬
‫و ﻨﺴﺒﺔ ﻤدرﺴو اﻝﻤواد اﻝﻌﻠﻤﻴﺔ ‪ 60 0 0‬ﻤﻨﻬم ‪ 30 0 0‬ﻴﻤﻠﻜون ﺴﻴﺎرات اﺨﺘرﻨﺎ ﻋﺸواﺌﻴﺎً أﺤد ﻤدرﺴﻲ اﻝﻤدرﺴﺔ‪.‬‬
‫‪ (a‬أوﺠد اﺤﺘﻤﺎل أن ﻴﻜون اﻝﻤدرس ﻴﻤﻠك ﺴﻴﺎرة؟‬
‫‪(b‬إذا ﻜﺎن اﻝﻤدرس اﻝذي اﺨﺘرﻨﺎﻩ ﻴﻤﻠك ﺴﻴﺎرة ﻓﻤﺎ اﺤﺘﻤﺎل أن ﻴﻜون ﻤدرس ﻤﺎدة أدﺒﻴﺔ؟‬

‫اﻝﺤل‪ :‬ﻨﻔرض‪ A :‬اﻝﺤدث اﻝدال ﻋﻠﻰ أن اﻝﻤدرس اﻝذي اﺨﺘرﻨﺎﻩ ﻴدرس ﻤﺎدة أدﺒﻴﺔ‬
‫‪ B‬اﻝﺤدث اﻝدال ﻋﻠﻰ أن اﻝﻤدرس اﻝذي اﺨﺘرﻨﺎﻩ ﻴدرس ﻤﺎدة ﻋﻠﻤﻴﺔ‬
‫‪ D‬اﻝﺤدث اﻝدال ﻋﻠﻰ أن اﻝﻤدرس ﻴﻤﻠك ﺴﻴﺎرة ﺨﺎﺼﺔ‬
‫) ‪D = (A ∩ D ) ∪ (B ∩ D‬‬ ‫‪(a‬‬
‫) ‪P ( D ) = P ( A ) ⋅ P (D | A ) + P ( B ) ⋅ P (D | B‬‬

‫‪:‬‬ ‫وﻤﻨﻪ‬
‫‪4 1 6 3 11‬‬
‫= ) ‪P (D‬‬ ‫= × ‪× +‬‬
‫‪10 10 10 10 50‬‬
‫‪ (b‬اﻝﻤطﻠوب ) ‪: P (A | D‬‬
‫‪4 1‬‬ ‫‪1‬‬
‫= ) ‪P (A ∩ D‬‬ ‫= ×‬
‫‪10 10 25‬‬
‫‪P (A ∩ D ) 2‬‬
‫= ) ‪P (A | D‬‬ ‫=‬ ‫ﻓﻴﻜون‬
‫) ‪P (D‬‬ ‫‪11‬‬

‫~ ‪~ 44‬‬
 ‫ﺜﻼث ﺼﻨﺎدﻴق ﻤﺘﺸﺎﺒﻬﺔ ﻴﺤﺘوي اﻷول ‪ 10‬ﻜرات ﻤﻨﻬﺎ ‪ 7‬ﻜرات ﺒﻴﻀﺎء واﻝﺒﺎﻗﻲ ﺴوداء‬ ‫ﻤﺜﺎل ‪:‬‬
‫وﻴﺤﺘوي اﻝﺜﺎﻨﻲ ‪ 15‬ﻜرة ﻤﻨﻬﺎ ‪ 8‬ﻜرات ﺒﻴﻀﺎء واﻝﺒﺎﻗﻲ ﺴوداء‪ ،‬وﻴﺤﺘوي اﻝﺜﺎﻝث ‪ 20‬ﻜرة ﻤﻨﻬﺎ ‪ 13‬ﻜرة ﺒﻴﻀﺎء‬
‫واﻝﺒﺎﻗﻲ ﺴوداء ‪ ،‬اﺨﺘﻴر أﺤد اﻝﺼﻨﺎدﻴق ﻋﺸواﺌﻴﺎً أوﺠد‪:‬‬
‫‪ (a‬اﺤﺘﻤﺎل ﺴﺤب ﻜرة ﺒﻴﻀﺎء‬
‫‪ (b‬إذا ﻜﺎﻨت اﻝﻜرة اﻝﻤﺴﺤوﺒﺔ ﺒﻴﻀﺎء ﻓﻤﺎ ﻫو اﺤﺘﻤﺎل أن ﺘﻜون ﻤن اﻝﺼﻨدوق اﻝﺜﺎﻝث؟‬

‫اﻝﺤل‪:‬‬
‫‪ (a‬ﻨﻔرض ‪ A1 , A 2 , A3‬أﺤداث ﺴﺤب اﻝﺼﻨﺎدﻴق اﻝﺜﻼﺜﺔ وﻫﻲ ﺘﺠزﺌﺔ ﻝﻠﻔﻀﺎء ‪Ω‬‬

‫و ﻨﻔرض ‪ B‬ﺤدث ﺴﺤب اﻝﻜرة اﻝﺒﻴﻀﺎء‬

‫ﺤﺴب ﻤﺒﺘدأ اﻻﺤﺘﻤﺎﻻت اﻝﻜﻠﻴﺔ‬

‫‪7‬‬
‫‪1‬‬ ‫= )‪P( B | A1‬‬
‫= ) ‪P ( A1‬‬ ‫‪7‬‬
‫= ) ‪P ( A1 ) ⋅ P ( B | A1‬‬
‫‪10‬‬
‫‪3‬‬ ‫‪A1‬‬ ‫‪B | A1‬‬
‫‪30‬‬
‫‪8‬‬
‫= ) ‪P ( B | A2‬‬
‫‪1‬‬
‫= ) ‪P ( A2‬‬ ‫‪8‬‬
‫‪3‬‬ ‫‪A2‬‬ ‫‪15‬‬ ‫‪B | A2‬‬ ‫= ) ‪P ( A2 ) ⋅ P ( B | A2‬‬
‫‪45‬‬
‫‪1‬‬
‫= ) ‪P ( A3‬‬
‫‪13‬‬
‫= ) ‪P ( B | A3‬‬ ‫‪13‬‬
‫‪3‬‬ ‫‪A3‬‬ ‫‪20 B | A 3‬‬ ‫= ) ‪P ( A3 ) ⋅ P ( B | A 3‬‬
‫‪60‬‬
‫ﺒﻌﻤﻠﻴﺔ اﻝﺠﻤﻊ ‪P (B ) = P (A1 ) ⋅ P (B | A1 ) + P (A2 ) ⋅ P (B | A2 ) + P (A 3 ) ⋅ P (B | A 3 ) :‬‬

‫‪7‬‬ ‫‪8 13‬‬

‫= ) ‪P (B‬‬ ‫‪+ +‬‬
‫‪30 45 60‬‬
‫‪42 + 32 + 39 113‬‬
‫=‬ ‫=‬
‫‪180‬‬ ‫‪180‬‬
‫‪(b‬‬
‫) ‪P ( A3 ) ⋅ P ( B | A3‬‬
‫= ) ‪P (A 3 | B‬‬
‫) ‪P (B‬‬
‫‪13‬‬
‫‪39‬‬
‫= ‪P (A 3 | B ) = 60‬‬
‫‪113 113‬‬
‫‪180‬‬

‫~ ‪~ 45‬‬
 ‫ﻤﺜﺎل‬
‫ﻴﺘم إﻨﺘﺎج اﻝﺤﺎﺴوب ﻓﻲ أﺤد ﺸرﻜﺎت ﺘﺠﻤﻴﻊ اﻝﺤواﺴﻴب ﺒواﺴطﺔ ﺜﻼث ﻤﺠﻤوﻋﺎت ﺘﻨﺘﺞ اﻝﻤﺠﻤوﻋﺔ اﻷوﻝﻰ‬
‫‪ 20 0 0‬ﻤن اﻹﻨﺘﺎج اﻝﻜﻠﻲ ﻝﻠﺸرﻜﺔ و ﺘﻨﺘﺞ اﻝﻤﺠﻤوﻋﺔ اﻝﺜﺎﻨﻴﺔ ‪ 30 0 0‬ﻤن اﻹﻨﺘﺎج اﻝﻜﻠﻲ ﻝﻠﺸرﻜﺔ و ﺘﻨﺘﺞ‬
‫اﻝﻤﺠﻤوﻋﺔ اﻝﺜﺎﻝﺜﺔ ‪ 50 0 0‬ﻤن اﻹﻨﺘﺎج اﻝﻜﻠﻲ ﻝﻠﺸرﻜﺔ وﻤﻌﻠوم ﻤن ﺨﻼل ﻋﻤﻠﻴﺎت ﻓﺤص ﻫذﻩ اﻝﺤواﺴﻴب‬
‫اﻝﻤﺠﻤﻌﺔ أن ﻨﺴﺒﺔ اﻹﻨﺘﺎج اﻝﺘﺎﻝف ﻝﻠﻤﺠﻤوﻋﺔ اﻷوﻝﻰ ‪ 3 0 0‬وﻨﺴﺒﺔ اﻹﻨﺘﺎج اﻝﺘﺎﻝف ﻝﻠﻤﺠﻤوﻋﺔ اﻝﺜﺎﻨﻴﺔ ‪4 0 0‬‬

‫وﻨﺴﺒﺔ اﻹﻨﺘﺎج اﻝﺘﺎﻝف ﻝﻠﻤﺠﻤوﻋﺔ اﻝﺜﺎﻝﺜﺔ ‪7 0 0‬‬

‫اﺨﺘرﻨﺎ ﻋﺸواﺌﻴﺎً ﺤﺎﺴوب واﺤد ﻤن إﻨﺘﺎج اﻝﺸرﻜﺔ ﻗﺒل أن ﻴﻌرض ﻝﻠﻔﺤص‬

‫‪ (a‬اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون اﻝﺤﺎﺴوب اﻝذي اﺨﺘرﻨﺎﻩ ﺘﺎﻝف‬
‫‪ (b‬إذا ﻜﺎن اﻝﺤﺎﺴوب اﻝذي اﺨﺘرﻨﺎﻩ ﺘﺎﻝف اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون ﻤن ﺘﺠﻤﻴﻊ اﻝﻤﺠﻤوﻋﺔ اﻷوﻝﻰ؟‬

‫اﻝﺤل ‪:‬‬
‫وﻫﻲ ﺘﺠزﺌﺔ ﻝﻠﻔﻀﺎء ‪Ω‬‬ ‫‪ (a‬ﻨﻔرض ‪ A1 , A 2 , A3‬أﺤداث ﺘﻤﺜل اﻝﻤﺠﻤوﻋﺎت اﻝﺜﻼث‬
‫و ﻨﻔرض ‪ B‬ﺤدث اﺨﺘﻴﺎر ﺤﺎﺴوب ﺘﺎﻝف‬
‫ﺤﺴب ﻤﺒدأ اﻻﺤﺘﻤﺎﻻت اﻝﻜﻠﻴﺔ‬
‫‪20‬‬ ‫‪3‬‬
‫= ) ‪P ( A1‬‬ ‫= )‪P( B| A1‬‬
‫‪6‬‬
‫= ) ‪P ( A1 ) ⋅ P ( B | A 2‬‬
‫‪100‬‬ ‫‪100‬‬
‫‪A1‬‬ ‫‪B | A1‬‬
‫‪1000‬‬
‫‪30‬‬ ‫‪4‬‬
‫= ) ‪P ( A2‬‬ ‫= ) ‪P ( B | A2‬‬
‫‪12‬‬
‫‪100‬‬ ‫‪A2‬‬ ‫‪100‬‬ ‫‪B | A2‬‬ ‫= ) ‪P ( A2 ) ⋅ P ( B | A2‬‬
‫‪1000‬‬
‫‪50‬‬ ‫‪7‬‬
‫= ) ‪P ( A3‬‬ ‫= ) ‪P ( B | A3‬‬ ‫‪35‬‬
‫‪100 A‬‬
‫‪3‬‬
‫‪100‬‬ ‫‪B | A3‬‬ ‫= ) ‪P ( A3 ) ⋅ P ( B | A 3‬‬
‫‪1000‬‬
‫ﺒﻌﻤﻠﻴﺔ اﻝﺠﻤﻊ ‪P (B ) = P (A1 ) ⋅ P (B | A1 ) + P (A2 ) ⋅ P (B | A2 ) + P (A 3 ) ⋅ P (B | A 3 ) :‬‬

‫‪6‬‬ ‫‪12‬‬ ‫‪35‬‬ ‫‪53‬‬

‫= ) ‪P (B‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫=‬
‫‪1000 1000 1000 1000‬‬
‫) ‪P ( A1 ) ⋅ P ( B | A1‬‬
‫= ) ‪P ( A1 | B‬‬
‫) ‪P (B‬‬
‫‪6‬‬ ‫‪(b‬‬
‫‪6‬‬
‫= ‪= 1000‬‬
‫‪53‬‬ ‫‪53‬‬
‫‪1000‬‬

‫~ ‪~ 46‬‬
 ‫ﻤﺜﺎل ‪:‬‬
‫اﻝﺼﻨدوق ) ‪ 6 ) ( Ι‬ﺒرﺘﻘﺎﻻت و ‪ 5‬ﺘﻔﺎﺤﺎت (‬
‫ﺼﻨدوﻗﺎن ) ‪ ( ΙΙ‬و ) ‪ . ( Ι‬ﻴﺤوي ّ‬
‫اﻝﺼﻨدوق ) ‪ 8) ( ΙΙ‬ﺒرﺘﻘﺎﻻت و ‪ 6‬ﺘﻔﺎﺤﺎت ( ﻴﺴﺤب طﻔل ﻋﺸواﺌﻴﺎً ﻤن أﺤد ّ‬
‫اﻝﺼﻨدوﻗﻴن ﺤﺒﺔ واﺤدة‬ ‫ﻴﺤوي ّ‬
‫أن ﺘﻜون اﻝﺤﺒﺔ اﻝﻤﺴﺤوﺒﺔ ﺒرﺘﻘﺎﻝﺔ ؟‬
‫‪ -1‬ﻤﺎ اﺤﺘﻤﺎل ّ‬
‫اﻝﺼﻨدوق ) ‪( ΙΙ‬‬
‫أن ﺘﻜون ﻤن ّ‬
‫‪ -2‬إذا ﻜﺎﻨت اﻝﺤﺒﺔ اﻝﻤﺴﺤوﺒﺔ ﺘﻔﺎﺤﺔ ﻤﺎ اﺤﺘﻤﺎل ّ‬
‫اﻝﺤل‪:‬‬
‫ﻨﻔرض اﻝﺤدث ‪ : B‬اﻝﺤﺒﺔ اﻝﻤﺴﺤوﺒﺔ ﺒرﺘﻘﺎﻝﺔ و اﻝﺤدث ‪ :T‬اﻝﺤﺒﺔ اﻝﻤﺴﺤوﺒﺔ ﺘﻔﺎﺤﺔ ‪:‬‬

‫‪B‬‬
‫‪6‬‬
‫= )‪P (B | Ι‬‬
‫‪11‬‬
‫‪Ι‬‬
‫‪1‬‬
‫‪P‬‬ ‫‪(Ι‬‬ ‫)‬ ‫=‬ ‫‪5‬‬
‫‪2‬‬ ‫= )‪P (T | Ι‬‬
‫‪11‬‬ ‫‪T‬‬

‫‪4‬‬ ‫‪B‬‬
‫‪P‬‬ ‫) ‪(Ι Ι‬‬ ‫=‬
‫‪1‬‬
‫= )‪P (B | ΙΙ‬‬
‫‪2‬‬ ‫‪7‬‬
‫‪ΙΙ‬‬

‫‪3‬‬
‫= )‪P (T | ΙΙ‬‬
‫‪7‬‬ ‫‪T‬‬
‫‪1 6 1 4 43‬‬
‫= ) ‪P (B‬‬ ‫= × ‪× +‬‬ ‫‪(1‬‬
‫‪2 11 2 7 77‬‬
‫‪ T (2‬ﺤدث أن ﺘﻜون اﻝﺤﺒﺔ اﻝﻤﺴﺤوﺒﺔ ﺘﻔﺎﺤﺔ اﻝﻤطﻠوب ﺤﺴب ﻗﺎﻋدة ﺒﺎﻴز‬
‫) ‪P (T ∩ ΙΙ‬‬ ‫) ‪P ( ΙΙ ) ⋅ P (T | ΙΙ‬‬
‫= ) ‪P ( Π |T‬‬ ‫=‬
‫) ‪P (T‬‬ ‫) ‪P ( Ι ) ⋅ P (T | Ι ) + P ( ΙΙ ) ⋅ P (T | ΙΙ‬‬
‫‪1 3‬‬
‫×‬
‫= ) ‪P ( Π |T‬‬ ‫‪2‬‬ ‫‪7‬‬
‫‪1 5 1 3‬‬
‫× ‪× +‬‬
‫‪2 11 2 7‬‬
‫‪3‬‬
‫‪33‬‬
‫= ‪P ( Π |T ) = 7‬‬
‫‪3 4 61‬‬
‫‪+‬‬
‫‪7 11‬‬

‫~ ‪~ 47‬‬
 ‫ﺘﺠﺎرب اﻝﺴﺤب وﺤﺎﻻﺘﻪ‪:‬‬
‫ﻴﺤﺘﺎر ﺒﻌض اﻝطﻠﺒﺔ ﻓﻲ اﺨﺘﻴﺎر طرﻴﻘﺔ اﻝﺤل اﻝﻤﻨﺎﺴﺒﺔ ﻝﺘﺠرﺒﺔ اﻝﺴﺤب ﻝﺘﺴﻬﻴل ذﻝك‬
‫أوﻻُ‪ :‬ﻋﻨد ﺴﺤب ﻋﻨﺼر واﺤد ﻓﻘط‪:‬‬
‫ﻋدد اﻝﻌﻨﺎﺼر ﻤن ﻨﻔس ﻨوع اﻝﻌﻨﺼر اﻝﻤﺴﺤوب‬
‫ﻓﺈن اﺤﺘﻤﺎﻝﻪ =‬
‫اﻝﻌدد اﻝﻜﻠﻲ ﻝﻠﻌﻨﺎﺼر اﻝﺘﻲ ﺴﺤب ﻤﻨﻬﺎ‬

‫ﻤﺜﺎل ‪ :‬اﺨﺘرﻨﺎ ﻋﺸواﺌﻴﺎً ورﻗﺔ ﻤن أوراق رزﻨﺎﻤﺔ )ﺘﻘوﻴم ﺴﻨوي( ﻋدد أوراﻗﻪ ‪ 365‬ورﻗﺔ ﻜﺘب ﻋﻠﻴﻬﺎ اﻝﻴوم‬
‫واﻝﺸﻬر اﺤﺴب اﺤﺘﻤﺎل أن ﺘﻜون ﻫذﻩ اﻝورﻗﺔ ﻤن أوراق ﺸﻬر ﻜﺎﻨون اﻷول‬
‫‪31‬‬
‫اﻝﺤل ‪ :‬ﻨﻌﻠم أن ﻋدد أﻴﺎم ﺸﻬر ﻜﺎﻨون اﻷول ‪ 31‬ﻴوم ﻓﺎﻻﺤﺘﻤﺎل اﻝﻤطﻠوب‬
‫‪365‬‬
‫ﻤﺜﺎل آﺨر ‪ :‬ﻴﺤﺘوي ﻤﻐﻠف ﺴﺒﻊ ﺒطﺎﻗﺎت ﻤرﻗﻤﺔ ﻜﺘب ﻋﻠﻴﻬﺎ اﻷرﻗﺎم ‪1 , 1 , 1 , 2 , 2 , 3, 4‬‬
‫‪3‬‬ ‫‪4‬‬
‫و اﺤﺘﻤﺎل ﺴﺤب ﺒطﺎﻗﺔ ﻜﺘب ﻋﻠﻴﻬﺎ رﻗم ‪ 1‬ﻫو‬ ‫اﺤﺘﻤﺎل ﺴﺤب ﺒطﺎﻗﺔ ﻜﺘب ﻋﻠﻴﻬﺎ رﻗم ﻓردي ﻫو‬
‫‪7‬‬ ‫‪7‬‬
‫‪1‬‬
‫و اﺤﺘﻤﺎل ﺴﺤب ﺒطﺎﻗﺔ ﻜﺘب ﻋﻠﻴﻬﺎ رﻗم ‪ 3‬ﻫو و اﺤﺘﻤﺎل ﺴﺤب ﺒطﺎﻗﺔ ﻜﺘب ﻋﻠﻴﻬﺎ رﻗم أﻜﺒر ﺘﻤﺎﻤﺎً ﻤن‬
‫‪7‬‬
‫‪2‬‬
‫‪ 2‬ﻫو‬
‫‪7‬‬
‫ﺜﺎﻨﻴﺎُ‪ :‬ﻋﻨد ﺴﺤب ﻋﻨﺼرﻴن ﻓﺄﻜﺜر‪:‬‬

‫ﺴﺤب ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ‬

‫اﻝﺴﺤب ﺘﺂﻨﻴﺎً‬
‫أو)ﺒﺂن واﺤد(‬
‫أو ﻤﻌ ًﺎ‬ ‫ﻤﻊ إﻋﺎدة‬ ‫دون إﻋﺎدة‬

‫ﻤرﺘب‬ ‫ﻏﻴر ﻤرﺘب‬ ‫ﻤرﺘب‬ ‫ﻏﻴر ﻤرﺘب‬

‫‪ (1‬ﻨﺴﺘدل ﻋﻠﻰ اﻝﺴﺤب اﻝﻤرﺘب ﺒﺄن اﻝﺘﺠرﺒﺔ ﺘﺤدد ﺼﻔﺔ ﻝﻜل ﻋﻨﺼر ﻤﺴﺤوب‬
‫)ﺒﻘوﻝﻨﺎ اﻷول ﻜذا اﻝﺜﺎﻨﻲ ﻜذا وﻫﻜذا‪(.....‬‬

‫~ ‪~ 48‬‬
 ‫) ‪n (A‬‬
‫= ) ‪P (A‬‬ ‫‪ (2‬ﻓﻲ ﺤﺎﻝﺔ اﻝﺴﺤب ﻤﻌﺎً ﻴﺤﺴب اﺤﺘﻤﺎل اﻝﺤدث ‪ A‬ﺒﺎﻝﺼﻴﻐﺔ ‪:‬‬
‫)‪n ( Ω‬‬

‫وﻨﺤﺴب )‪ n (A ) , n (Ω‬ﺤﺴب ﻤﺒدأ اﻝﺘواﻓﻴق‬

‫‪ (3‬ﻓﻲ ﻜل ﺤﺎﻻت اﻝﺴﺤب ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ ﻨﺤﺴب اﺤﺘﻤﺎل اﻝﺤدث ﺤﺴب ﻤﺒدأ ﻀرب اﻻﺤﺘﻤﺎﻻت‬
‫)اﻻﺤﺘﻤﺎل اﻝﻤرﻜب(‬
‫ﺴﺤب ‪ A‬ﺜم ﺴﺤب ‪) B‬ﺘﺠرﺒﺔ ‪ A‬ﺘﻠﻴﻬﺎ ﺘﺠرﺒﺔ ‪ ( B‬ﻫو ﺤدث ﻤرﻜب ﻤرﺘب ﻨرﻤز ﻝﻪ‬
‫) ‪ ( A , B‬أ و ‪ A ∩ B‬واﺤﺘﻤﺎﻝﻪ ‪:‬‬
‫) ‪P (A ∩ B ) = P (A ) . P (B | A‬‬ ‫‪, P (A ) ≠ 0‬‬

‫ﺴﺤب ‪ A‬و ‪) B‬ﺘﺠرﺒﺘﻴن ‪ A‬و ‪ ( B‬ﻫو ﺤدث ﻤرﻜب ﻏﻴر ﻤرﺘب ﻨرﻤز ﻝﻪ ‪ D‬ﻤؤﻝف ﻤن ﺘﺒﺎدﻴل ‪ A‬ﻤﻊ ‪B‬‬

‫) ‪P ( D ) = 2P ( A ) . P ( B | A‬‬ ‫‪: P (A ) ≠ 0‬‬ ‫أو }) ‪ D = {( A , B ) , ( B , A‬واﺤﺘﻤﺎﻝﻪ ‪:‬‬

‫) ‪P ( D ) = 2P ( B ) . P ( A | B‬‬ ‫أو ‪: P (B ) ≠ 0 :‬‬

‫ﺴﺤب ‪ A‬ﺜم ﺴﺤب ‪ B‬ﺜم ﺴﺤب ‪) C‬ﺘﺠرﺒﺔ ‪ A‬ﺘﻠﻴﻬﺎ ﺘﺠرﺒﺔ ‪ B‬ﺘﻠﻴﻬﺎ ﺘﺠرﺒﺔ ‪( C‬‬
‫ﻫو ﺤدث ﻤرﻜب ﻤرﺘب ﻨرﻤز ﻝﻪ ) ‪ ( A , B , C‬أو ‪ A ∩ B ∩ C‬واﺤﺘﻤﺎﻝﻪ ‪:‬‬

‫)) ‪P ( A ∩ B ∩ C ) = P ( A ) . P ( B | A ) ⋅ P (C | ( A ∩ B‬‬ ‫‪: P (A ) ≠ 0 , P (B | A ) ≠ 0‬‬

‫ﺴﺤب ‪ A‬و ‪ B‬و ‪) C‬ﺘﺠرﺒﺔ ﻤرﻜﺒﺔ ﻤن ﺜﻼث ﺘﺠﺎرب ‪ A‬و ‪ B‬و ‪( C‬‬
‫ﻫو ﺤدث ﻤرﻜب ﻏﻴر ﻤرﺘب ﻨرﻤز ﻝﻪ ‪ H‬ﻤؤﻝف ﻤن ﺘﺒﺎدﻴل ‪ A‬ﻤﻊ ‪ B‬ﻤﻊ ‪ C‬إذا ﻜﺎن ﻋدد ﻫذﻩ اﻝﺘﺒﺎدﻴل ‪h‬‬

‫ﻓﺈن اﺤﺘﻤﺎﻝﻪ ‪:‬‬

‫)) ‪P ( H ) = h ⋅ P ( A ) . P ( B | A ) ⋅ P (C | ( A ∩ B‬‬ ‫‪: P (A ) ≠ 0 , P (B | B ) ≠ 0‬‬

‫ﻻﺤظ ‪ h = 3! = 6 :‬إذا ﻜﺎﻨت ‪ A‬و ‪ B‬و ‪ C‬ﻤﺨﺘﻠﻔﺔ‪ :‬واﻝﺘﺒﺎدﻴل ﻫﻲ ‪:‬‬

‫) ‪( B , A ,C ) ، ( B ,C , A ) ، (C , A , B ) ، (C , B , A ) ، ( A ,C , B ) ، ( A , B ,C‬‬
‫‪ h = 3‬إذا ﻜﺎﻨت ‪ A‬و ‪ B‬و ‪ C‬أﺜﻨﻴن ﻤن ﻨﻔس اﻝﻨوع ‪ A = C‬واﻝﺜﺎﻝﺜﺔ ﻤﺨﺘﻠﻔﺔ‬
‫) ‪(B , A , A ) ،(A , A , B ) ، (A , B , A‬‬ ‫واﻝﺘﺒﺎدﻴل ﻫﻲ‪:‬‬

‫~ ‪~ 49‬‬
 ‫‪ 3‬ل ‪ :‬ﻝدﻴﻨﺎ ‪ 9‬ﺒطﺎﻗﺎت ﻤﺘﻤﺎﺜﻠﺔ ﻤرﻗﻤﺔ ﻤن ‪ 1‬إﻝﻰ ‪ ، 9‬ﻨﺴﺤب ورﻗﺘﻴن ﻋﺸواﺌﻴﺎً ‪ ،‬أوﺠد اﺤﺘﻤﺎل أن‬
‫ﻴﻜون ﻤﺠﻤوع أرﻗﺎم اﻝﺒطﺎﻗﺘﻴن ﻋدداً ﻓردﻴﺎً إذا ‪:‬‬

‫‪ (1‬ﺘم ﺴﺤب اﻝﺒطﺎﻗﺘﻴن ﻤﻌﺎً‬

‫‪ (2‬ﺘم ﺴﺤب اﻝﺒطﺎﻗﺘﻴن ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ ﺒدون إﻋﺎدة‬
‫‪ (3‬ﺘم ﺴﺤب اﻝﺒطﺎﻗﺘﻴن ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ ﻤﻊ اﻹﻋﺎدة‬

‫اﻝﺤل‬
‫ﻨﻔرض ‪ A‬اﻝﺤدث اﻝدال ﻋﻠﻰ ) ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن ﻋدد ﻓردي (‬
‫ﻴﻜون اﻝﻤﺠﻤوع ﻓردﻴﺎً ‪ ،‬إذا ﺘم ﺴﺤب ﺒطﺎﻗﺔ ذات رﻗم ﻓردي ﻤﻊ ﺒطﺎﻗﺔ ذات رﻗم زوﺠﻲ‬
‫اﻝزوﺠﻴﺔ وﻋددﻫﺎ ‪4‬‬
‫ّ‬ ‫اﻝﻔردﻴﺔ وﻋددﻫﺎ ‪ 5‬و }‪ {2, 4, 6,8‬ﻤﺠﻤوﻋﺔ اﻷرﻗﺎم‬
‫ّ‬ ‫}‪ {1,3, 7,5,9‬ﻤﺠﻤوﻋﺔ اﻷرﻗﺎم‬

‫‪ (1‬اﻝﺴﺤب ﻤﻌﺎً‬
‫إن ‪n ( Ω ) = C ( 9, 2 ) = 36‬‬
‫)‪C ( 5,1) × C ( 4,1‬‬ ‫‪20 5‬‬
‫= ) ‪P (A‬‬ ‫=‬ ‫=‬
‫) ‪C ( 9, 2‬‬ ‫‪36 9‬‬

‫‪ (2‬اﻝﺴﺤب ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ دون إﻋﺎدة‪:‬‬

‫‪5 4 4 5 5‬‬
‫= ) ‪P (A‬‬ ‫إن = × ‪× +‬‬
‫‪9 8 9 8 9‬‬
‫} ﻴدل اﻝﺤﺴﺎب ﻫﻨﺎ أﻨﻪ ﺘم ﺴﺤب) ﺒطﺎﻗﺔ ذات رﻗم ﻓردي ﺜم ﺴﺤب ﺒطﺎﻗﺔ ذات رﻗم زوﺠﻲ (‬
‫أو ﺘم ﺴﺤب ) ﺒطﺎﻗﺔ ذات رﻗم زوﺠﻲ ﺜم ﺴﺤب ﺒطﺎﻗﺔ ذات رﻗم ﻓردي ( {‬
‫‪5 4‬‬ ‫‪5‬‬
‫= ‪) P ( A ) = × × 2‬ﺤﺴﺒﻨﺎ أﺤد اﻝﺤﺎﻝﺘﻴن ﺜم ﻀرﺒﻨﺎ ﺒـ ‪ 2‬ﻋدد ﺘﺒﺎدﺒل اﻝﻔردي ﻤﻊ اﻝزوﺠﻲ(‬
‫‪9 8‬‬ ‫‪9‬‬
‫‪ (3‬اﻝﺴﺤب ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ ﻤﻊ إﻋﺎدة‬
‫إن ‪n ( Ω ) = 92 = 81‬‬
‫‪5 4 4 5 40‬‬
‫= ) ‪Ρ (A‬‬ ‫= × ‪× +‬‬
‫‪9 9 9 9 81‬‬
‫ﻴدل اﻝﺤﺴﺎب ﻫﻨﺎ أﻨﻪ ﺘم ) ﺴﺤب ﺒطﺎﻗﺔ ذات رﻗم ﻓردي ﺜم ﺴﺤب ﺒطﺎﻗﺔ ذات رﻗم زوﺠﻲ ( أو‬
‫ﺘم ) ﺴﺤب ﺒطﺎﻗﺔ ذات رﻗم زوﺠﻲ ﺜم ﺴﺤب ﺒطﺎﻗﺔ ذات رﻗم ﻓردي (‬
‫‪5 4‬‬ ‫‪40‬‬
‫= ) ‪Ρ (A‬‬ ‫= ‪× ×2‬‬ ‫وﻴﻤﻜن أن ﻨﻜﺘب‬
‫‪9 9‬‬ ‫‪81‬‬

‫~ ‪~ 50‬‬
 ‫‪:‬ﻴﺤوي ﺼﻨدوق ‪ 8‬ﺒطﺎﻗﺎت ﻤﺘﻤﺎﺜﻠﺔ وﻤرﻗﻤﺔ ﻜﻤﺎ ﻴﻠﻲ‪0 , 0 , 2 , 2 , 3 , 3 , 3 , 4 :‬‬ ‫ﻤﺜﺎل‬
‫اﻝﺼﻨدوق ﻋﺸواﺌﻴﺎً ﺒطﺎﻗﺘﻴن ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ دون إﻋﺎدة‪ .‬اﻝﻤطﻠوب‪:‬‬
‫ﻨﺴﺤب ﻤن ّ‬
‫‪ (1‬اﺤﺴب اﺤﺘﻤﺎل أن ﻨﻜون اﻝﺒطﺎﻗﺔ اﻷوﻝﻰ ﺘﺤﻤل اﻝرﻗم ‪ 0‬واﻝﺜﺎﻨﻴﺔ ﺘﺤﻤل اﻝرﻗم ‪3‬‬

‫‪ (2‬اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن اﻝﻤﺴﺤوﺒﺘﻴن ‪3‬‬

‫أن ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن اﻝﻤﺴﺤوﺒﺘﻴن أﻜﺒر ﺘﻤﺎﻤﺎً ﻤن ‪5‬‬

‫‪ (3‬إذا ﻋﻠﻤﻨﺎ ّ‬
‫ﻓﻤﺎ اﺤﺘﻤﺎل أن ﻴﻜون ﻤﺠﻤوﻋﻬﻤﺎ ﻓردﻴﺎً؟‬
‫أن اﻝﺒطﺎﻗﺘﻴن ﺘﺤﻤﻼن اﻝرﻗم ﻨﻔﺴﻪ ﻓﻤﺎ اﺤﺘﻤﺎل أن ﻴﻜون ﻫذا اﻝرﻗم ﻫو ‪ 3‬؟‪.‬‬
‫‪ (4‬إذا ﻋﻠﻤﻨﺎ ّ‬
‫أن اﻝﺒطﺎﻗﺘﻴن‬
‫‪ (5‬اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن اﻝﻤﺴﺤوﺒﺘﻴن ﻓردﻴﺎً إذا ﻋﻠﻤﻨﺎ ّ‬
‫ﺘﺤﻤﻼن رﻗﻤﻴن ﻤﺨﺘﻠﻔﻴن ‪.‬‬

‫اﻝﺤل‪:‬‬
‫‪ (1‬ﻨﻔرض ‪ A‬ﺴﺤب اﻝﺒطﺎﻗﺔ اﻷوﻝﻰ ﺘﺤﻤل اﻝرﻗم ‪ 0‬وﻨﻔرض اﻝﺤدث ‪ B‬ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺜﺎﻨﻴﺔ ﺘﺤﻤل اﻝرﻗم ‪3‬‬

‫اﻝﻤطﻠوب ﺤﺴﺎب اﺤﺘﻤﺎل اﻝﺤدث ‪: A ∩ B‬‬

‫‪2 3 3‬‬
‫= ) ‪P (A ∩ B ) = P (A ) . P (B | A‬‬ ‫= ×‬
‫‪8 7 28‬‬
‫‪ (2‬ﻨﻔرض اﻝﺤدث ‪ C‬ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن اﻝﻤﺴﺤوﺒﺘﻴن ‪ 3‬ﻓﻬو ﻤؤﻝف ﻤن ﺘﺒﺎدﻴل ‪ A‬ﻤﻊ ‪ B‬وﻋددﻫﺎ ‪2‬‬
‫‪3‬‬
‫= ) ‪P (C ) = 2P ( A ) . P ( B | A‬‬
‫‪14‬‬
‫‪ (3‬ﻨﻔرض اﻝﺤدث ‪ : D‬ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن اﻝﻤﺴﺤوﺒﺘﻴن أﻜﺒر ﺘﻤﺎﻤﺎً ﻤن ‪5‬‬

‫‪ : H‬ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن ﻓردي‬

‫ﻓﻴﻜون اﻝﻤطﻠوب‪P ( H | D ) :‬‬
‫‪P (D ∩ H‬‬ ‫)‬
‫= ) ‪P (H | D‬‬ ‫)‪............ (1‬‬
‫) ‪P (D‬‬

‫ﻴﻘﻊ اﻝﺤدث ‪ D‬إذا ﻜﺎﻨت ﻨﺘﻴﺠﺔ اﻝﺴﺤب‪:‬‬

‫) ﻜل ﻤن اﻝﺒطﺎﻗﺘﻴن ﺘﺤﻤل اﻝرﻗم ‪ ( 3‬أو ) إﺤداﻫﻤﺎ ﺘﺤﻤل اﻝرﻗم ‪ 4‬واﻷﺨرى ﺘﺤﻤل أﺤد اﻝرﻗﻤﻴن }‪( {2,3‬‬
‫‪3 2 1 5‬‬ ‫‪16‬‬
‫= ‪P (D ) = × + × × 2‬‬ ‫ﻓﻴﻜون‪:‬‬
‫‪8 7 8 7‬‬ ‫‪56‬‬
‫ﻴﻘﻊ اﻝﺤدث ‪ D ∩ H‬إذا ﻜﺎﻨت ﻨﺘﻴﺠﺔ اﻝﺴﺤب )إﺤداﻫﻤﺎ ﺘﺤﻤل اﻝرﻗم ‪ 4‬واﻷﺨرى اﻝرﻗم ‪( 3‬‬
‫‪1 3‬‬ ‫‪6‬‬
‫= ‪P (D ∩ H ) = × × 2‬‬ ‫ﻓﻴﻜون‪:‬‬
‫‪8 7‬‬ ‫‪56‬‬

‫~ ‪~ 51‬‬
 ‫‪6 3‬‬
‫= ) ‪P (H | D‬‬ ‫=‬ ‫ﺒﺎﻝﺘﻌوﻴض ﻓﻲ )‪ (1‬ﻨﺠد‪:‬‬
‫‪16 8‬‬
‫‪ : G‬ظﻬور اﻝرﻗم ‪. 3‬‬ ‫‪ (4‬ﻨﻔرض اﻝﺤدث ‪ : F‬اﻝﺒطﺎﻗﺘﺎن ﺘﺤﻤﻼن اﻝرﻗم ﻨﻔﺴﻪ‪.‬‬
‫ﻓﻴﻜون اﻝﻤطﻠوب‪P (G | F ) :‬‬
‫) ‪P (G ∩ F‬‬
‫= ) ‪P (G | F‬‬ ‫) ‪............... ( 2‬‬
‫) ‪P (F‬‬

‫ﻴﻘﻊ اﻝﺤدث ‪ F‬إذا ﻜﺎﻨت ﻨﺘﻴﺠـﺔ اﻝﺴـﺤب ) اﻝﺒطﺎﻗﺘـﺎن ﺘﺤﻤـﻼن اﻝـرﻗم ‪ ( 0‬أو ) اﻝﺒطﺎﻗﺘـﺎن ﺘﺤﻤـﻼن اﻝـرﻗم ‪( 2‬‬
‫أو ) اﻝﺒطﺎﻗﺘﺎن ﺘﺤﻤﻼن اﻝرﻗم ‪ ( 3‬ﻓﻴﻜون‪:‬‬
‫‪5‬‬ ‫‪2 1 2 1 3 2‬‬
‫= ) ‪P (F‬‬ ‫وﻤﻨﻪ‬ ‫‪P (F ) =  ×  +  ×  +  × ‬‬
‫‪28‬‬ ‫‪8 7 8 7 8 7‬‬
‫ﻴﻘﻊ اﻝﺤدث ‪ G ∩ F‬إذا ﻜﺎﻨت ﻨﺘﻴﺠﺔ اﻝﺴﺤب ) اﻝﺒطﺎﻗﺘﺎن ﺘﺤﻤﻼن اﻝرﻗم ‪ ( 3‬ﻓﻴﻜون‬
‫‪3‬‬ ‫‪3 2‬‬
‫= ) ‪P (G ∩ F‬‬ ‫وﻤﻨﻪ‬ ‫× = ) ‪P (G ∩ F‬‬
‫‪28‬‬ ‫‪8 7‬‬
‫ﺒﺎﻝﺘﻌوﻴض ﻓﻲ )‪ ( 2‬ﻨﺠد‪:‬‬
‫‪3‬‬
‫= ) ‪P (G | F‬‬
‫‪5‬‬
‫‪ (5‬ﻨﻔرض اﻝﺤدث ‪ : E‬اﻝﺒطﺎﻗﺘﺎن ﺘﺤﻤﻼن رﻗﻤﻴن ﻤﺨﺘﻠﻔﻴن‪.‬‬
‫‪ : Z‬ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن ﻓردي‪.‬‬
‫ﻓﻴﻜون اﻝﻤطﻠوب ) ‪P ( Z | E‬‬
‫) ‪P (Z ∩ E‬‬
‫= ) ‪P (Z | E‬‬ ‫)‪...................... ( 3‬‬
‫) ‪P (E‬‬

‫إن اﻝﺤدﺜﻴن ‪ F , E‬ﻤﺘﻀﺎدان وﺒﺎﻝﺘّﺎﻝﻲ‪:‬‬

‫‪5 23‬‬
‫‪P (E ) = 1 −‬‬ ‫=‬ ‫) ‪ P ( E ) = 1 − Ρ ( F‬وﻤﻨﻪ‬
‫‪28 28‬‬
‫ﻴﻘﻊ اﻝﺤدث ‪ Z ∩ E‬إذا ﻜﺎﻨت ﻨﺘﻴﺠﺔ اﻝﺴﺤب) إﺤدى اﻝﺒطﺎﻗﺘﻴن ﺘﺤﻤل اﻝرﻗم ‪ 3‬واﻷﺨرى ﻤن ﺒﺎﻗﻲ اﻷرﻗﺎم (‬
‫‪3 5‬‬ ‫‪15‬‬
‫= ‪P (Z ∩ E ) = × × 2‬‬ ‫ﻓﻴﻜون‬
‫‪8 7‬‬ ‫‪28‬‬

‫‪15‬‬
‫‪15‬‬
‫= ‪P ( Z | E ) = 28‬‬ ‫ﺒﺎﻝﺘﻌوﻴض ﻓﻲ ) ‪ ( 3‬ﻨﺠد‪:‬‬
‫‪23 23‬‬
‫‪28‬‬

‫~ ‪~ 52‬‬
 ‫اﻻﺴﺘﻘﻼل اﻻﺤﺘﻤﺎﻝﻲ‬ ‫‪:‬‬ ‫اﻟﺒﺤﺚ اﻟﺜﺎﻟﺚ‬
‫‪P (A ∩ B ) = P (B ) . P (A | B ) , P (B ) ≠ 0‬‬ ‫وﺠدﻨﺎ أن‬
‫‪P (A ∩ B ) = P (A ) . P (B | A ) , P (A ) ≠ 0‬‬ ‫و‬
‫إذا ﻜﺎن ) ‪ P ( A ∩ B ) = P ( A ) . P ( B‬أي أن ) ‪ P ( A | B ) = P ( A‬وﻜذﻝك ) ‪ P ( B | A ) = P ( B‬أي أن‬
‫وﻗوع أﺤد اﻝﺤدﺜﻴن ‪ A , B‬ﻻ ﻴؤﺜر ﻋﻠﻰ وﻗوع اﻵﺨر وﻤﻨﻪ اﻝﺘﻌرﻴف‬
‫اﻻﺴﺘﻘﻼل اﻻﺤﺘﻤﺎﻝﻲ ﻝﺤدﺜﻴن‪:‬‬

‫ﺘﻌرﻴف‪ :‬ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ ) ‪ ( Ω , P ( Ω ) , P‬ﻨﻘول ﻋن اﻝﺤدﺜﻴن ‪ A , B‬إﻨﻬﻤﺎ ﻤﺴﺘﻘﻼن اﺤﺘﻤﺎﻝﻴﺎً‬

‫‪P ( A ∩ B ) = P ( A ).P ( B ) :‬‬ ‫أو ﻤﺴﺘﻘﻼن إذا وﻓﻘط إذا ﺘﺤﻘق اﻝﺸرط‬

‫ﻤﺜﺎل①‪ :‬ﻓﻲ ﺘﺠرﺒﺔ رﻤﻲ ﺤﺠر ﻨرد ﻤرة واﺤدة‪ ،‬ﻝﺘﻜن اﻷﺤداث‪:‬‬
‫ادرس اﺴﺘﻘﻼل ﻜل ﺤدﺜﻴن ﻤن ﻫذﻩ اﻷﺤداث‬ ‫}‪A = {2, 4, 6} , B = {3, 6} , C = {3, 2, 4‬‬
‫‪3 1‬‬ ‫‪2 1‬‬ ‫‪3 1‬‬
‫= ) ‪P (A‬‬ ‫=‬ ‫= ) ‪, P (B‬‬ ‫=‬ ‫= ) ‪, P (C‬‬ ‫اﻝﺤل ‪= :‬‬
‫‪6 2‬‬ ‫‪6 3‬‬ ‫‪6 2‬‬
‫}‪C ∩ B = {3‬‬ ‫‪،‬‬ ‫}‪A ∩ C = {2, 4‬‬ ‫}‪، A ∩ B = {6‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫= ) ‪P (C ∩ B‬‬ ‫‪،‬‬ ‫= ) ‪P (A ∩C‬‬ ‫‪،‬‬ ‫= ) ‪P (A ∩ B‬‬
‫‪6‬‬ ‫‪3‬‬ ‫‪6‬‬
‫‪1‬‬
‫اﻝﺤدﺜﻴن ‪ A , B‬ﻤﺴﺘﻘﻼن‬ ‫= ) ‪P (A ∩ B ) = P (A ).P (B‬‬
‫‪6‬‬
‫‪1‬‬ ‫‪1‬‬
‫= ) ‪ P ( A ∩ C ) = , P ( A ) . P ( B‬اﻝﺤدﺜﻴن ‪ A , C‬ﻏﻴر ﻤﺴﺘﻘﻠﻴن‬
‫‪2‬‬ ‫‪4‬‬
‫‪1‬‬
‫= ) ‪ P (C ∩ B ) = P (C ) . P ( B‬اﻝﺤدﺜﻴن ‪ C , B‬ﻤﺴﺘﻘﻼن‬
‫‪6‬‬

‫ﻤﺜﺎل ② ‪:‬‬
‫ﻓﻲ ﺘﺠرﺒﺔ رﻤﻲ ﻗطﻌﺔ ﻨﻘود ﺜﻼث ﻤرات ﻝﻴﻜن‬
‫أن اﻝﺤدﺜﻴن‬
‫اﻝﺤدث ‪ : A‬ظﻬور ﺸﻌﺎر وﻜﺘﺎﺒﺔ‪ ،‬واﻝﺤدث ‪ : B‬ظﻬور ﺸﻌﺎر واﺤد ﻋﻠﻰ اﻷﻜﺜر‪ .‬ﺒرﻫن ّ‬
‫‪ A , B‬ﻤﺴﺘﻘﻼن‪.‬‬

‫~ ‪~ 53‬‬
 ‫اﻝﺤل‪:‬‬
‫‪Ω = {( H , H , H ) , (T , H , H ) , ( H ,T , H ) , ( H , H ,T ) ,‬‬
‫}) ‪(T , H ,T ) , ( H ,T ,T ) , (T ,T , H ) , (T ,T ,T‬‬
‫‪n ( Ω) = 8 , n ( A ) = 6‬‬ ‫‪, n (B ) = 4‬‬ ‫‪, n (A ∩ B ) = 3‬‬
‫‪6 3‬‬ ‫‪4 1‬‬ ‫‪3‬‬
‫= ) ‪P (A‬‬ ‫=‬ ‫= ) ‪, P (B‬‬ ‫=‬ ‫‪,‬‬ ‫= ) ‪P (A ∩ B‬‬
‫‪8 4‬‬ ‫‪8 2‬‬ ‫‪8‬‬
‫أن ) ‪P ( A ∩ B ) = P ( A ) .P ( B‬‬
‫ﺒﺎﻝﻤﻘﺎرﻨﺔ ﻨﺠد ّ‬
‫ﻓﺎﻝﺤدﺜﺎن ‪ A , B‬ﻤﺴﺘﻘﻼن‪.‬‬

‫ﻤﺒرﻫﻨﺔ‪:‬‬

‫ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ ) ‪ ، ( Ω , P ( Ω ) , P‬إذا ﻜﺎن اﻝﺤدﺜﺎن ‪ A , B‬ﻤﺴﺘﻘﻠﻴن‬

‫ﻓﺈن اﻝﺤدﺜﻴن ‪ A , B ′‬ﻤﺴﺘﻘﻼن‪.‬‬

‫اﻹﺜﺒﺎت‪P ( A ∩ B ′ ) = P ( A \ B ) :‬‬
‫) ‪= P (A ) − P (Α ∩ B‬‬
‫) ‪= P ( A ) − P ( Α).P ( B‬‬
‫ﻷن ‪ A , B‬ﻤﺴﺘﻘﻼن (‬
‫) ّ‬ ‫‪= P ( A ) 1 − P ( B ) ‬‬
‫)‪= P ( A ) . P ( B ′‬‬

‫إذن اﻝﺤدﺜﺎن ‪ A , B ′‬ﻤﺴﺘﻘﻼن‪.‬‬

‫ﻨﺘﺎﺌﺞ‪:‬‬
‫) ‪( Ω, P ( Ω ) , P‬‬ ‫ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ‬
‫إذا ﻜﺎن اﻝﺤدﺜﺎن ‪ A , B‬ﻤﺴﺘﻘﻠﻴن اﺤﺘﻤﺎﻝﻴﺎً ﻓﺈن اﻝﺤدﺜﻴن ‪ A ′ , B‬ﻤﺴﺘﻘﻼن‪.‬‬
‫إذا ﻜﺎن اﻝﺤدﺜﺎن ‪ A , B‬ﻤﺴﺘﻘﻠﻴن اﺤﺘﻤﺎﻝﻴﺎً ﻓﺈن اﻝﺤدﺜﻴن ‪ A ′ , B ′‬ﻤﺴﺘﻘﻼن‬

‫ﻤﻼﺤظﺎت‪:‬‬
‫أن اﻝﻤﺴﺎواة ) ‪ P ( A ∩ B ) = P ( A ) .P ( B‬ﺼﺤﻴﺤﺔ إذا ﻜﺎن اﻝﺤدﺜﺎن ‪ A , B‬ﻤﺴﺘﻘﻠﻴن وﺒﺎﻝﺘّﺎﻝﻲ‬
‫ّ‬
‫ﻴﻤﻜن اﺴﺘﺨداﻤﻬﺎ إذا ﻜﺎن اﻝﺤدﺜﺎن ‪ A , B‬ﻤﺴﺘﻘﻠﻴن‪.‬‬
‫ﻫﻨﺎك أﺤداث ﻨﻘﺒل ﺒﺄﻨﻬﺎ ﻤﺴﺘﻘﻠﺔ ) ﻤﺎ ﻝم ﻴرد ﺨﻼف ذﻝك (‬

‫~ ‪~ 54‬‬
 ‫أﻤﺜﻠﺔ‪:‬‬
‫●اﻷﺤداث ﻓﻲ اﻝرﻤﻲ ﻋﻠﻰ ﻫدف‪ A , B :‬ﺤدﺜﺎ إﺼﺎﺒﺔ راﻤﻴﺎن ﻋﻠﻰ ﻫدف ﺤدث إﺼﺎﺒﺔ أﺤدﻫﻤﺎ ﻻ ﺘؤﺜر‬
‫ﻋﻠﻰ ﺤدث إﺼﺎﺒﺔ اﻵﺨر‪،‬‬
‫● إﻝﻘﺎء ﻗطﻌﺔ ﻨﻘود ﻤرﺘﻴن ‪ A‬ﺤدث إﻝﻘﺎء اﻝﻘطﻌﺔ اﻷوﻝﻰ ‪ B‬ﺤدث إﻝﻘﺎء اﻝﻘطﻌﺔ اﻝﺜﺎﻨﻴﺔ أو أﻜﺜر ﻤن ﻤرﺘﻴن‬
‫● إﻝﻘﺎء ﺤﺠر ﻨرد ﻤرﺘﻴن أو أﻜﺜر‪.....،‬ﻻ ﺘﺘﺄﺜر اﻝﻨﺘﻴﺠﺔ اﻝﺜﺎﻨﻴﺔ ﺒﺎﻝﻨﺘﻴﺠﺔ اﻷوﻝﻰ‬
‫●اﻷﺤداث اﻝﻨﺎﺘﺠﺔ ﻋن ﺘﺠرﺒﺔ ﻴﺘم ﻓﻴﻬﺎ اﻝﺴﺤب ﺒﺎﻝﺘﺘﺎﻝﻲ ﻤﻊ اﻹﻋﺎدة‪ A ،‬ﺤدث ﺴﺤب اﻝﻘطﻌﺔ اﻷوﻝﻰ‬
‫‪ B‬ﺤدث ﺴﺤب اﻝﻘطﻌﺔ اﻝﺜﺎﻨﻴﺔ‪......‬ﻻ ﻴﺘﺄﺜر اﻝﺴﺤب اﻝﺜﺎﻨﻲ ﺒﺎﻝﺴﺤب اﻷول‬
‫●اﻝوﻻدات اﻝﻤﺘﺘﺎﻝﻴﺔ )ذﻜر أو أﻨﺜﻰ( ‪،‬‬
‫● )دواﻝﻴب اﻝﺤظ) اﻝﻴﺎﻨﺼﻴب( ﻨﺘﻴﺠﺔ ﻜل دوﻻب ﻻ ﺘؤﺜر ﻋﻠﻰ ﻨﺘﻴﺠﺔ اﻵﺨر(‬
‫ﻫﻨﺎك أﺤداث ﻻ ﻴﻤﻜن اﻝﺤﻜم ﻤﺒﺎﺸرة ﻋﻠﻰ اﺴﺘﻘﻼﻝﻴﺘﻬﺎ إﻻ ﻤن ﺨﻼل اﻝﻤﻌﻴﺎر‬
‫) ‪ P ( A ∩ B ) = P ( A ) .P ( B‬وﻫذا ﻴطﻠب ﺼراﺤﺔ ﻓﻲ ﻨص اﻝﺴؤال‬

‫ﻤﺜﺎل)‪:(1‬‬
‫‪7‬‬
‫‪،‬‬ ‫‪ ( X‬اﻝﻬدف ﻴﺴﺎوي‬ ‫أن ﻴﺼﻴب اﻝراﻤﻲ )‬
‫ﻴﺼوب راﻤﻴﺎن ) ‪ ( X ) , (Y‬ﻋﻠﻰ ﻫدف‪ .‬اﺤﺘﻤﺎل ّ‬
‫‪10‬‬
‫‪9‬‬
‫‪ .‬أطﻠق ﻜل ﻤﻨﻬﻤﺎ طﻠﻘﺔ واﺤدة‬ ‫‪ (Y‬اﻝﻬدف ﻴﺴﺎوي‬ ‫أن ﻴﺼﻴب اﻝراﻤﻲ )‬
‫واﺤﺘﻤﺎل ّ‬
‫‪10‬‬
‫‪ (1‬ﻤﺎ اﺤﺘﻤﺎل إﺼﺎﺒﺔ اﻝﻬدف ﺒطﻠﻘﺘﻴن ؟‪.‬‬
‫‪ (2‬ﻤﺎ اﺤﺘﻤﺎل إﺼﺎﺒﺔ اﻝﻬدف ﺒطﻠﻘﺔ واﺤدة ﻋﻠﻰ اﻷﻗل ؟‪.‬‬
‫أن ﻴﻜون اﻝراﻤﻲ ) ‪ ( X‬ﻓﻘط ﻫو اﻝذي أﺼﺎب اﻝﻬدف‪.‬‬
‫أن اﻝﻬدف ﻗد أﺼﻴب ﻓﻤﺎ اﺤﺘﻤﺎل ّ‬
‫‪ (3‬إذا ﻋﻠﻤت ّ‬
‫اﻝﺤل‪:‬‬
‫ﻨﻔرض اﻝﺤدث ‪ : A‬إﺼﺎﺒﺔ اﻝﻬدف ﻤن ﻗﺒل اﻝراﻤﻲ ) ‪( X‬‬
‫‪ : B‬إﺼﺎﺒﺔ اﻝﻬدف ﻤن ﻗﺒل اﻝراﻤﻲ ) ‪(Y‬‬
‫ﻓﻲ ﺘﺠرﺒﺔ اﻝراﻤﻴﺎن ‪ A‬و ‪ B‬ﻤﺴﺘﻘﻠﻴن وﻤﻨﻪ ‪ A‬و ‪ B ′‬ﻤﺴﺘﻘﻠﻴن‬
‫‪ (1‬اﺤﺘﻤﺎل إﺼﺎﺒﺔ اﻝﻬدف ﺒطﻠﻘﺘﻴن ﻫو‪ P ( A ∩ B ) :‬وﺒﺎﻝﺘّﺎﻝﻲ‪:‬‬
‫) ‪P ( A ∩ B ) = P ( A ) .P ( B‬‬
‫‪7 9‬‬ ‫‪63‬‬
‫=‬ ‫= ×‬
‫‪10 10 100‬‬

‫~ ‪~ 55‬‬
 ‫‪ (2‬اﺤﺘﻤﺎل إﺼﺎﺒﺔ اﻝﻬدف ﺒطﻠﻘﺔ واﺤدة ﻋﻠﻰ اﻷﻗل ﻫو ) ‪ P ( A ∪ B‬وﻤﻨﻪ‪:‬‬
‫) ‪P (A ∪ B ) = P (A ) + P (B ) − P (A ∩ B‬‬
‫‪7‬‬ ‫‪9‬‬ ‫‪63‬‬ ‫‪97‬‬
‫=‬ ‫‪+ −‬‬ ‫=‬
‫‪10 10 100 100‬‬
‫أن ‪، A1 ⊆ A ∪ B‬‬
‫‪ (3‬ﻨﻔرض اﻝﺤدث ‪ : A1‬إﺼﺎﺒﺔ اﻝراﻤﻲ ‪ X‬ﻓﻘط ﻝﻠﻬدف ﻓﻴﻜون ‪ ، A1 = A ∩ B ′‬ﻻﺤظ ّ‬
‫إذن اﻻﺤﺘﻤﺎل اﻝﻤطﻠوب ﻫو ) ) ‪P ( A1 | ( A ∪ B‬‬ ‫ﻴﻜون ‪( A ∪ B ) ∩ A1 = A1 = A ∩ B ′‬‬
‫‪P ( A ∪ B ) ∩ A1 ‬‬ ‫)‪P ( A ∩ B ′‬‬
‫= ) ) ‪P ( A1 | ( A ∪ B‬‬ ‫=‬
‫) ‪P (A ∪ B‬‬ ‫) ‪P (A ∪ B‬‬
‫‪7 1‬‬
‫‪1‬‬ ‫) ‪P ( A ) .P ( B ′‬‬ ‫×‬
‫= )‪P ( B ′‬‬ ‫ﺤﻴث‬ ‫=‬ ‫=‬ ‫‪10‬‬ ‫‪10 = 7‬‬
‫‪10‬‬ ‫) ‪P (A ∪ B‬‬ ‫‪97‬‬ ‫‪97‬‬
‫‪100‬‬

‫ﻤﺜﺎل)‪:(2‬‬
‫‪72‬‬
‫ﺘﻘدم طﺎﻝﺒﺎن إﻝﻰ اﻤﺘﺤﺎن اﻝﻠﻐﺔ اﻹﻨﻜﻠﻴزﻴﺔ‪ .‬اﺤﺘﻤﺎل ﻨﺠﺎح اﻷول‬
‫‪100‬‬
‫‪80‬‬
‫واﻝﻤطﻠوب‪:‬‬ ‫واﺤﺘﻤﺎل ﻨﺠﺎح اﻝﺜﺎﻨﻲ‬
‫‪100‬‬
‫‪ (1‬ﻤﺎ اﺤﺘﻤﺎل ﻨﺠﺎﺤﻬﻤﺎ ﻤﻌﺎً ؟‪.‬‬
‫‪ (2‬ﻤﺎ اﺤﺘﻤﺎل ﻨﺠﺎح أﺤدﻫﻤﺎ ﻋﻠﻰ اﻷﻗل ؟‪.‬‬

‫اﻝﺤل‪:‬‬
‫ﻨﻔرض اﻝﺤدث ‪ : A‬ﻨﺠﺎح اﻷول ﻓﻲ اﻻﻤﺘﺤﺎن‬
‫‪ : B‬ﻨﺠﺎح اﻝﺜﺎﻨﻲ ﻓﻲ اﻻﻤﺘﺤﺎن‪.‬‬

‫‪ (1‬إ ّن اﺤﺘﻤﺎل ﻨﺠﺎح اﻝطﺎﻝﺒﻴن ﻤﻌﺎً ﻫو ) ‪ P ( A ∩ B‬وﺒﻤﺎ ّ‬

‫أن اﻝﺤدﺜﻴن ‪ A , B‬ﻤﺴﺘﻘﻼن اﺤﺘﻤﺎﻝﻴﺎً )ﻷن ﻨﺠﺎح‬
‫ﻓﺈن‪:‬‬
‫أﺤدﻫﻤﺎ ﻻ ﻴؤﺜر ﻋﻠﻰ ﻨﺠﺎح اﻵﺨر ( ّ‬
‫) ‪P ( A ∩ B ) = P ( A ) .P ( B‬‬
‫‪72 80‬‬ ‫‪576‬‬
‫=‬ ‫×‬ ‫=‬
‫‪100 100 1000‬‬
‫أن اﺤﺘﻤﺎل ﻨﺠﺎح أﺤدﻫﻤﺎ ﻋﻠﻰ اﻷﻗل ﻫو ) ‪ P ( A ∪ B‬وﻤﻨﻪ‬
‫‪ّ (2‬‬

‫) ‪P (A ∪ B ) = P (A ) + P (B ) − P (A ∩ B‬‬
‫‪72‬‬ ‫‪80‬‬ ‫‪576‬‬ ‫‪944‬‬
‫=‬ ‫‪+‬‬ ‫‪−‬‬ ‫=‬
‫‪100 100 1000 1000‬‬

‫~ ‪~ 56‬‬
 ‫اﻻﺴﺘﻘﻼ ل اﻻﺤﺘﻤﺎﻝﻲ ﻝﺜﻼﺜﺔ أﺤداث ﻤﻌﺎً‬
‫) ‪( Ω , P (S ) , P‬‬ ‫ﺘﻌرﻴف)‪ :(1‬ﻝﺘﻜن اﻷﺤداث ‪ A , B , C‬ﻤن ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ‬
‫ﻨﻘول ﻋن اﻷﺤداث ‪ A , B , C‬إﻨﻬﺎ ﻤﺴﺘﻘﻠﺔ ﻤﺜﻨﻰ إذا ﻜﺎن أي ﺤدﺜﻴن ﻤﻨﻬﺎ ﻤﺴﺘﻘﻠﻴن‬

‫ٍ‬
‫ﻋﻨدﺌذ‪:‬‬ ‫ﺜﻼﺜﺔ أﺤداث ﻤن ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ ) ‪( Ω , P (S ) , P‬‬ ‫ﺘﻌرﻴف)‪ :(2‬ﻝﺘﻜن ‪A , B , C‬‬

‫‪ A , B ,C‬ﻤﺴﺘﻘﻠﺔ اﺤﺘﻤﺎﻝﻴﺎً ﻤﻌﺎً إذا وﻓﻘط إذا‪:‬‬

‫ﻤﺴﺘﻘﻠﺔ ﻤﺜﻨﻰ‬ ‫‪A , B ,C ........... . (1) ‬‬
‫‪‬‬
‫‪P ( A ∩ B ∩ C ) = P ( A ) . P ( B ) . P (C ) ........ ( 2 ) ‬‬

‫ﻤﺜﺎل)‪:(1‬‬
‫ﻓﻲ ﻤﻐﻠف )‪ ( 8‬ﺒطﺎﻗﺎت ﻤرﻗﻤﺔ ﻤن ‪ 1‬إﻝﻰ ‪ 8‬ﻨﺴﺤب ﻤن اﻝﻤﻐﻠف ﻋﺸواﺌﻴﺎً ﺒطﺎﻗﺔ واﺤدة وﻝﺘﻜن اﻷﺤداث‪:‬‬
‫‪ : A‬رﻗم اﻝﺒطﺎﻗﺔ اﻝﻤﺴﺤوﺒﺔ أﺼﻐر أو ﻴﺴﺎوي ‪. 4‬‬
‫‪ : B‬رﻗم اﻝﺒطﺎﻗﺔ اﻝﻤﺴﺤوﺒﺔ أوﻝﻲ‪.‬‬
‫‪ : C‬رﻗم اﻝﺒطﺎﻗﺔ اﻝﻤﺴﺤوﺒﺔ أﻜﺒرﺘﻤﺎﻤﺎً ﻤن ‪ 2‬وأﺼﻐر ﺘﻤﺎﻤﺎً ‪. 7‬‬
‫أن اﻷﺤداث ‪ A , B , C‬ﻤﺴﺘﻘﻠﺔ ﻤﻌﺎً‪.‬‬
‫أﺜﺒت ّ‬
‫اﻝﺤل‪:‬‬
‫}‪Ω = {1, 2,3, 4,5, 6, 7 ,8‬‬ ‫‪, n (Ω) = 8‬‬
‫‪4 1‬‬
‫}‪A = {1, 2 ,3, 4‬‬ ‫‪, n (A ) = 4‬‬ ‫= ) ‪, P (A‬‬
‫=‬
‫‪8 2‬‬
‫‪4 1‬‬
‫}‪B = {2,3,5, 7‬‬ ‫= = ) ‪, n (B ) = 4 , P (B‬‬
‫‪8 2‬‬
‫‪4 1‬‬
‫}‪C = {3, 4,5, 6‬‬ ‫= = ) ‪, n (C ) = 4 , P (C‬‬
‫‪8 2‬‬
‫‪2 1‬‬
‫} ‪A ∩ B = {2,3‬‬ ‫= = ) ‪, P (A ∩ B‬‬
‫‪8 4‬‬
‫‪2 1‬‬
‫} ‪A ∩ C = {3, 4‬‬ ‫= ) ‪, P (A ∩C‬‬ ‫=‬
‫‪8 4‬‬
‫‪2 1‬‬
‫} ‪B ∩ C = {3,5‬‬ ‫= ) ‪, P ( B ∩C‬‬ ‫=‬
‫‪8 4‬‬
‫‪1‬‬
‫}‪A ∩ B ∩ C = {3‬‬ ‫= ) ‪, P ( A ∩ B ∩C‬‬
‫‪8‬‬
‫~ ‪~ 57‬‬
 :‫ﺒﺎﻝﻤﻘﺎرﻨﺔ ﻨﺠد أن‬
P ( A ∩ B ) = P ( A ) .P ( B )
P ( A ∩ C ) = P ( A ) .P (C )
P ( B ∩ C ) = P ( B ) .P (C )

‫ ﻤﺴﺘﻘﻠﺔ ﻤﺜﻨﻰ‬A , B ,C ‫ﻓﺎﻷﺤداث‬

P ( A ∩ B ∩ C ) = P ( A ) .P ( B ) .P (C ) ‫أن‬
ّ ‫ﻜﻤﺎ‬
.ً‫ ﻤﺴﺘﻘﻠﺔ ﻤﻌﺎ‬A , B ,C ‫ﻓﺎﻷﺤداث‬

:(2)‫ﻤﺜﺎل‬

ً‫ ﻤﺴﺘﻘﻠﺔ ﻤﻌﺎ‬A , B ,C ‫ إذا ﻜﺎﻨت اﻷﺤداث‬، ( Ω , P ( S ) , P ) ‫ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ‬

.‫ ﻤﺴﺘﻘﻼن‬A ∪ B , C :‫أن اﻝﺤدﺜﻴن‬
ّ ‫ﺒرﻫن‬
:‫اﻝﺤل‬
P ( A ∪ B ) ∩ C  = P ( A ∪ B ) . P (C ) ‫أن‬
ّ ‫أن ﻨﺒرﻫن‬
ّ ‫ﻴﺠب‬
ℓ1 = P ( A ∪ B ) ∩ C  = P ( A ∩ C ) ∪ ( B ∩ C ) 
= P (A ∩C ) + P (B ∩C ) − P (A ∩C ∩ B ∩C )
= P (A ∩C ) + P (B ∩C ) − P (A ∩ B ∩C )
= P ( A ) .Ρ (C ) + P ( B ) .P (C ) − P ( A ) .P ( B ) .P (C )
=  P ( A ) + P ( B ) − P ( Α ) .P ( B )  .P (C )
=  P ( A ) + P ( B ) − P ( A ∩ B )  .P (C )
= P ( A ∪ B ) P (C )
= ℓ2

‫اﻷﺴﺘﺎذ أﺤﻤد أﺒو ﻨﺒوت‬

~ 58 ~
 ‫‪:‬‬ ‫اﻟﺒﺤﺚ اﻟﺮاﺑﻊ‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ واﻝﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ واﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ‬
‫ّ‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ‪:‬‬
‫ّ‬ ‫أوﻻً‪:‬‬
‫إن اﻝﺘﺠرﺒﺔ اﻹﺤﺼﺎﺌﻴﺔ ﺘزودﻨﺎ ﺒﻤﺠﻤوﻋﺔ ﺒﻴﺎﻨﺎت ) ﻜﻴﻔﻴﺔ أو ﻜﻤﻴﺔ (‬
‫إن رد ﻫذﻩ اﻝﺒﻴﺎﻨﺎت اﻝﻜﻴﻔﻴﺔ إﻝﻰ ﺒﻴﺎﻨﺎت ﻜﻤﻴﺔ ) ﻋددﻴﺔ ( ﻗد ﻴﺴﺎﻋد اﻹﺤﺼﺎﺌﻲ‬
‫ﻋﻠﻰ ﺘﺴﻬﻴل اﻝدراﺴﺔ واﺴﺘﻘراء اﻝﻨﺘﺎﺌﺞ‪.‬‬

‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ﺒﺄﻨﻪ داﻝﺔ‬

‫ّ‬ ‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪:‬ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ ) ‪ّ . ( Ω , P ( Ω ) , P‬‬
‫ﻨﻌرف‬ ‫ّ‬ ‫ﺘﻌرﺒف‬
‫‪X :Ω → ℝ‬‬ ‫اﻝﻌﻴﻨﺔ ‪ Ω‬وﻤﺴﺘﻘرﻫﺎ ﻤﺠﻤوﻋﺔ اﻷﻋداد اﻝﺤﻘﻴﻘﻴﺔ ‪ ℝ‬وﻨرﻤز ﻝﻪ ‪ X‬أي‬
‫ﻤﻨطﻠﻘﻬﺎ ﻓﻀﺎء ّ‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪. X‬‬
‫ّ‬ ‫وﻨﺴﻤﻲ اﻝﻤﺠﻤوﻋﺔ ) ‪ X ( Ω‬ﻤﺠﻤوﻋﺔ ﻗﻴم‬
‫ّ‬

‫اﻝﻤﺘﻐﻴرات اﻝﻌﺸواﺌﻴﺔ اﻝﺘﻲ ﻤﺠﻤوﻋﺔ ﻗﻴﻤﻬﺎ ﻤﺠﻤوﻋﺔ ﻤﻨﺘﻬﻴﺔ‬

‫ّ‬ ‫ﺴﻨدرس ﻓﻘط‬
‫∗‪X ( Ω ) = {x 1 , x 2 ,......, x n } : n ∈ ℕ‬‬ ‫ﺘﻜون‬
‫ﻠﻤﺘﻐﻴرات اﻝﻌﺸواﺌﻴﺔ اﻝﺘﻲ ﻤﺠﻤوﻋﺔ ﻗﻴﻤﻬﺎ ﻤﺠﻤوﻋﺔ ﻏﻴر ﻤﻨﺘﻬﻴﺔ‬
‫وﻨﻌطﻲ ﺘﻠﻤﻴﺤﺎً ﻝ ّ‬
‫‪ :‬ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﻗطﻌﺔ ﻨﻘد ﺜﻼث ﻤرات إن‪:‬‬ ‫ﻤﺜﺎل‬
‫‪Ω = {( H , H , H ) , (T , H , H ) , ( H ,T , H ) , ( H , H ,T ) ,‬‬
‫}) ‪(T , H ,T ) , (T ,T , H ) , ( H ,T ,T ) , (T ,T ,T‬‬
‫وﻋرﻓﻨﺎ اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ : X‬ﺼورة ﻜل ﻋﻨﺼر ﻤن اﻝﻤﺠﻤوﻋﺔ ‪Ω‬‬

‫ﺒﻌدد ﻤرات ظﻬور اﻝﻜﺘﺎﺒﺔ ) ‪ ( H‬ﻓﻲ ﻜل رﻤﻴﺔ‬

‫ﻓﺈﻨﻨﺎ ﻨﺤﺼل ﻋﻠﻰ اﻝﻤﺠﻤوﻋﺔ‪ {3, 2,1, 0} :‬اﻝﺘﻲ ﻨﺴﻤﻴﻬﺎ ﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪X‬‬
‫‪Ω‬‬
‫) ‪(H , H , H‬‬ ‫‪ℝ‬‬
‫) ‪(T , H , H‬‬
‫) ‪(H ,T , H‬‬ ‫‪3‬‬
‫) ‪(H , H ,T‬‬ ‫‪2‬‬
‫) ‪(T , T , H‬‬ ‫‪1‬‬
‫) ‪(T , H , T‬‬ ‫‪0‬‬
‫) ‪(H ,T ,T‬‬
‫}‪X ( Ω ) = {3, 2,1, 0‬‬
‫) ‪(T , T , T‬‬

‫~ ‪~ 59‬‬
 ‫وﻨﻼﺤظ أن اﻝﺼور اﻝﻌﻜﺴﻴﺔ ﻝﻘﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ﻫﻲ أﺤداث وﺘﺸﻜل ﺘﺠزﺌﺔ ﻝﻔﻀﺎء اﻝﻌﻴﻨﺔ ‪Ω‬‬

‫‪X‬‬ ‫‪−1‬‬
‫ﺼورﺘﻬﺎ اﻝﻌﻜﺴﻴﺔ ﻫﻲ اﻝﺤدث‪( 3) = {( H , H , H )} :‬‬ ‫ﻓﺎﻝﻘﻴﻤﺔ ‪3‬‬

‫‪X‬‬ ‫‪−1‬‬
‫ﺼورﺘﻬﺎ اﻝﻌﻜﺴﻴﺔ ﻫﻲ اﻝﺤدث‪( 2 ) = {(T , H , H ) , ( H ,T , H ) , ( H , H ,T )} :‬‬ ‫واﻝﻘﻴﻤﺔ ‪2‬‬

‫‪X‬‬ ‫‪−1‬‬
‫واﻝﻘﻴﻤﺔ ‪ 1‬ﺼورﺘﻬﺎ اﻝﻌﻜﺴﻴﺔ ﻫﻲ اﻝﺤدث‪(1) = {(T ,T , H ) , (T , H ,T ) , ( H ,T ,T )} :‬‬
‫‪X‬‬ ‫‪−1‬‬
‫ﺼورﺘﻬﺎ اﻝﻌﻜﺴﻴﺔ ﻫﻲ اﻝﺤدث‪( 0 ) = {(T ,T ,T )} :‬‬ ‫واﻝﻘﻴﻤﺔ ‪0‬‬

‫‪{X‬‬ ‫‪ X‬ﺒﺎﻝرﻤز } ‪= x k‬‬ ‫‪−1‬‬

‫ﻤﻼﺤظﺔ ‪ :‬ﺴﻨرﻤز ﻝﻠﺤدث ) ‪( x k‬‬
‫ر ﻝـ ) } ‪ P ({X = x k‬ﺒﺎﻝرﻤز ) ‪P (X = x k‬‬
‫وﻨرﻤز اﺨﺘﺼﺎ اً‬
‫‪ :‬ﻓﻲ ﺘﺠرﺒﺔ رﻤﻲ ﺤﺠر ﻨرد ﻤرة واﺤدة‪ .‬ﻝﻴﻜن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴدل ﻋﻠﻰ ﻋدد ﻨﻘط اﻝوﺠﻪ إن‬ ‫ﻤﺜﺎل‬
‫ﻜﺎن ﻓردي وﻋﻠﻰ ﻨﺼف ﻋدد ﻨﻘط اﻝوﺠﻪ إن ﻜﺎن زوﺠﻲ ﻝﻴﻜن ‪ Y‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً آﺨرﻴدل ﻋﻠﻰ اﻝﻘﻴﻤﺔ ‪ 3‬إذا‬
‫ﻜﺎن ﻋدد ﻨﻘط اﻝوﺠﻪ أوﻝﻲ وﻋﻠﻰ اﻝﻘﻴﻤﺔ ‪ 2‬إن ﻜﺎن زوﺠﻲ ﻏﻴر أوﻝﻲ وﻋﻠﻰ اﻝﻘﻴﻤﺔ ‪ 1‬إذا ظﻬر ﻨﻘطﺔ واﺤدة‬
‫اﻝﻤﺘﻐﻴرﻴن اﻝﻌﺸواﺌﻴﻴن‬
‫ّ‬ ‫‪ (1‬اﻜﺘب ﻤﺠﻤوﻋﺔ اﻝﻘﻴم ٍ‬
‫ﻝﻜل ﻤن‬
‫‪ (2‬اﻜﺘب اﻷﺤداث اﻝﺘﻲ ﺘﺸﻜل ﺘﺠزﺌﺔ ﻓﻀﺎء اﻝﻌﻴﻨﺔ ‪ Ω‬ﻝﻜل ﻤن اﻝﻤﺘﻐﻴرﻴن ‪.‬‬
‫‪ (3‬أﺜﺒت أن اﻝﺤدﺜﻴن }‪ {X = 1} , {Y = 3‬ﻤﺴﺘﻘﻼن اﺤﺘﻤﺎﻝﻴﺎً؟‬

‫اﻝﺤل‪:‬‬
‫‪(1‬‬
‫‪ℝ‬‬ ‫‪ℝ‬‬
‫‪5‬‬ ‫‪X‬‬
‫‪5‬‬
‫‪6‬‬
‫‪6‬‬ ‫‪Y‬‬
‫‪5‬‬ ‫‪5‬‬
‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪4‬‬
‫‪2‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪Ω‬‬ ‫‪0‬‬
‫‪Ω‬‬
‫‪X (Ω) = {1,2,3,5‬‬ ‫}‬ ‫} ‪Y ( Ω) = {1, 2,3‬‬

‫‪ (2‬ﺘﺠزﺌﺔ ‪ Ω‬وﻓق اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪: X‬‬

‫‪{X‬‬ ‫‪= 1} = {1, 2} , {X = 2} = {4} ,‬‬ ‫‪{X‬‬ ‫‪= 3} = {3, 6} ,‬‬ ‫‪{X‬‬ ‫}‪= 5} = {5‬‬

‫ﺘﺠزﺌﺔ ‪ Ω‬وﻓق اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪:Y‬‬

‫‪{Y‬‬ ‫}‪= 1} = {1} , {Y = 2} = {4, 6} , {Y = 3} = {2,3,5‬‬

‫~ ‪~ 60‬‬
 ‫‪{X‬‬ ‫}‪= 1} ∩ {Y = 3} = {2‬‬ ‫‪،‬‬ ‫‪{Y‬‬ ‫}‪= 3} = {2,3,5‬‬ ‫‪، {X = 1} = {1, 2} (3‬‬
‫‪1‬‬ ‫‪1‬‬
‫= ) ‪P (Y = 3‬‬ ‫= )‪ P ( X = 1‬و‬
‫‪2‬‬ ‫‪3‬‬

‫و = ) }‪P ({X = 1} ∩ {Y = 3‬‬

‫‪1 1 1‬‬ ‫‪1‬‬
‫و = × = )‪P ( X = 1) ⋅ P (Y = 3‬‬
‫‪3 2 6‬‬ ‫‪6‬‬
‫أي )‪P ({X = 1} ∩ {Y = 3} ) = P ( X = 1) ⋅ P (Y = 3‬‬

‫ﻓﺎﻝﺤدﺜﻴن }‪ {X = 1} , {Y = 3‬ﻤﺴﺘﻘﻼن اﺤﺘﻤﺎﻝﻴﺎً‬

‫ﻤﻼﺤظﺔ‪ :‬اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ﻝﻴس وﺤﻴداً ﻴﻤﻜن ﺘﻌرﻴف أﻜﺜر ﻤن ﻤﺘﻐﻴر ﻋﺸواﺌﻲ ﻋﻠﻰ اﻝﻔﻀﺎء ﻨﻔﺴﻪ‬

‫ﻜﻤﺎ ﻻﺤظت ﻓﻲ اﻝﻤﺜﺎل اﻝﺴﺎﺒق‬

‫ﻨﺘﺎﺌﺞ‪ :‬ﻓﻲ اﻝﻔﻀﺎء اﻻﺤﺘﻤﺎﻝﻲ ) ‪ ( Ω, P ( Ω ) , P‬إذا ﻜﺎن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً‬

‫وﻤﺠﻤوﻋﺔ اﻝﻘﻴم } ‪X ( Ω ) = {x 1 , x 2 ,....., x n‬‬

‫‪ (1‬اﻝﺼور اﻝﻌﻜﺴﻴﺔ ﻝﻜل ﻋﻨﺎﺼر ﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ﺘﺸﻜل ﺘﺠزﺌﺔ ﻝـ ‪Ω‬‬

‫ﺘﺸﻜل ﺘﺠزﺌﺔ ﻝـ ‪Ω‬‬ ‫‪{X‬‬ ‫‪= x 1 } , {X = x 2 } ,............. ,‬‬ ‫‪{X‬‬ ‫أي اﻷﺤداث ‪= x n } :‬‬

‫‪ (2‬ﻤﺠﻤوع اﺤﺘﻤﺎﻻت ﺠﻤﻴﻊ اﻝﺼور اﻝﻌﻜﺴﻴﺔ ﻝﻌﻨﺎﺼر )‪ X ( Ω‬ﻴﺴﺎوي اﺤﺘﻤﺎل ‪ Ω‬وﻴﺴﺎوي ‪1‬‬

‫‪P ( X = x 1 ) + P ( X = x 2 ) + ............. + P ( X = x n ) = 1‬‬ ‫أي‬

‫‪k =n‬‬

‫‪∑ P (X‬‬ ‫‪= xk ) =1‬‬ ‫‪:‬‬ ‫أو‬

‫‪k =1‬‬

‫~ ‪~ 61‬‬
 ‫ﻤﺜﺎل①‪:‬‬
‫ﻓﻲ ﺘﺠرﺒﺔ رﻤﻲ ﺤﺠري ﻨرد ﻤرة واﺤدة‪ .‬ﻝﻴﻜن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴدل ﻋﻠﻰ ﻤﺠﻤوع ﻨﻘط اﻝوﺠﻬﻴن اﻝظّﺎﻫرﻴن‬
‫واﻝﻤطﻠوب‪:‬‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ‬
‫ّ‬ ‫‪ (1‬اﻜﺘب ﻤﺠﻤوﻋﺔ ﻗﻴم‬
‫‪ (2‬ﻤﺎ ﻫو اﻝﺤدث اﻝذي ﺘﻌﻴﻨﻪ اﻝﻘﻴﻤﺔ ‪ 3‬وﻤﺎ اﺤﺘﻤﺎل وﻗوع ﻫذا اﻝﺤدث ؟‬
‫‪ (3‬ﻤﺎ ﻫو اﻝﺤدث اﻝذي ﺘﻌﻴﻨﻪ اﻝﻘﻴﻤﺔ ‪ 7‬وﻤﺎ اﺤﺘﻤﺎل وﻗوع ﻫذا اﻝﺤدث ؟‬

‫اﻝﺤل‪:‬‬

‫ﻴﻤﻜن ﻤﻌرﻓﺔ ﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ﻤن ﺨﻼل اﻝﺠدول‬ ‫‪(1‬‬

‫‪X‬‬ ‫‪1 2 3 4‬‬ ‫‪5‬‬ ‫‪6‬‬
‫‪1‬‬ ‫‪2 3 4 5‬‬ ‫‪6‬‬ ‫‪7‬‬
‫‪2‬‬ ‫‪3 4 5 6‬‬ ‫‪7‬‬ ‫‪8‬‬
‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬
‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬
‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬
‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬ ‫‪12‬‬

‫}‪X ( Ω ) = {2,3, 4,5, 6, 7 ,8,9,10,11,12‬‬

‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬اﻝﻘﻴﻤﺔ ‪ 3‬ﻋﻨدﻤﺎ ﻴظﻬر وﺠﻬﺎن ﻤﺠﻤوع ﻨﻘﺎطﻬﻤﺎ ﻴﺴﺎوي ‪3‬‬
‫ّ‬ ‫‪ (2‬ﻴﺄﺨذ‬

‫‪{X‬‬ ‫وﻫو اﻝﺤدث‪= 3} = {(1, 2 ) , ( 2,1)} :‬‬

‫‪2‬‬ ‫‪1‬‬
‫= )‪P ( X = 3‬‬ ‫=‬ ‫وﻴﻜون اﺤﺘﻤﺎل وﻗوع ﻫذا اﻝﺤدث ﻫو‪:‬‬
‫‪36 18‬‬

‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬اﻝﻘﻴﻤﺔ ‪ 7‬ﻋﻨدﻤﺎ ﻴﻜون ﻤﺠﻤوع ﻨﻘﺎط اﻝوﺠﻬﻴن اﻝظّﺎﻫرﻴن ﻤﺴﺎوﻴﺎً ‪.7‬‬
‫ّ‬ ‫‪ (3‬ﻴﺄﺨذ‬

‫‪{X‬‬ ‫})‪= 7} = {(1, 6 ) , ( 6,1) , ( 2,5) , ( 5, 2 ) , ( 3, 4 ) , ( 4,3‬‬

‫‪6 1‬‬
‫= )‪P (X = 7‬‬ ‫وﻴﻜون اﺤﺘﻤﺎل وﻗوع ﻫذا اﻝﺤدث ﻫو‪= :‬‬
‫‪36 6‬‬

‫~ ‪~ 62‬‬
 ‫ﻤﺜﺎل②‪:‬‬
‫ﻓﻲ ﺘﺠرﺒﺔ رﻤﻲ ﺤﺠري ﻨرد ﻤرة واﺤدة‪ .‬ﻝﻴﻜن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴدل ﻋﻠﻰ أﻜﺒر ﻋدد ﻝﻨﻘط اﻝوﺠﻬﻴن‬
‫اﻝظّﺎﻫرﻴن اﺨﺘﻠﻔﺎ وأﺤدﻫﻤﺎ إن ﺘﺴﺎوﻴﺎ واﻝﻤطﻠوب‪:‬‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ‬
‫ّ‬ ‫‪ (1‬اﻜﺘب ﻤﺠﻤوﻋﺔ ﻗﻴم‬
‫‪ (2‬ﻤﺎ ﻫو اﻝﺤدث اﻝذي ﺘﻌﻴﻨﻪ اﻝﻘﻴﻤﺔ ‪ 1‬وﻤﺎ اﺤﺘﻤﺎل وﻗوع ﻫذا اﻝﺤدث ؟‬
‫‪ (3‬ﻤﺎ ﻫو اﻝﺤدث اﻝذي ﺘﻌﻴﻨﻪ اﻝﻘﻴﻤﺔ ‪ 4‬وﻤﺎ اﺤﺘﻤﺎل وﻗوع ﻫذا اﻝﺤدث ؟‬

‫اﻝﺤل‪:‬‬

‫‪ (1‬ﻴﻤﻜن ﻤﻌرﻓﺔ ﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ﻤن ﺨﻼل اﻝﺠدول‬

‫‪X‬‬ ‫‪1 2 3 4 5 6‬‬
‫‪1‬‬ ‫‪1 2 3 4 5 6‬‬
‫‪2‬‬ ‫‪2 2 3 4 5 6‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬
‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬

‫}‪X ( Ω ) = {1, 2,3, 4,5, 6‬‬

‫‪{X‬‬ ‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬اﻝﻘﻴﻤﺔ ‪ 1‬وﻫو اﻝﺤدث اﻝﺒﺴﻴط } )‪= 1} = {(1,1‬‬

‫ّ‬ ‫‪ (2‬ﻴﺄﺨذ‬
‫‪1‬‬
‫= )‪P ( X = 1‬‬ ‫و‬
‫‪36‬‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬اﻝﻘﻴﻤﺔ ‪ 4‬وﻫو اﻝﺤدث‬
‫ّ‬ ‫‪ (3‬ﻴﺄﺨذ‬
‫‪{X‬‬ ‫}) ‪= 4} = {(1, 4 ) , ( 4,1) , ( 2, 4 ) , ( 4, 2 ) , ( 3, 4 ) , ( 4,3) , ( 4, 4‬‬
‫‪7‬‬
‫= )‪P ( X = 4‬‬
‫‪36‬‬

‫~ ‪~ 63‬‬
 ‫ﺜﺎﻨﻴﺎً ‪:‬اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ)داﻝﺔ ﻜﺜﺎﻓﺔ اﻻﺤﺘﻤﺎل ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ(‬

‫وﻤﺠﻤوﻋﺔ اﻝﻘﻴم ﻝﻬذا اﻝﻤﺘﻐﻴر‬ ‫) ‪( Ω , P ( Ω) , P‬‬ ‫ﺘﻌرﻴف‪:‬إذا ﻜﺎن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ‬

‫} ‪ X ( Ω ) = {x 1 , x 2 ,....., x n‬ﻓﺈﻨﻨﺎ ّ‬
‫ﻨﺴﻤﻲ اﻝداﻝﺔ‪:‬‬
‫} ‪f : X ( Ω ) → [ 0 ,1] ; f ( x k ) = P ( X = x k ) ; k ∈ {1, 2,..., n‬‬

‫اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬أو داﻝﺔ ﻜﺜﺎﻓﺔ اﻻﺤﺘﻤﺎل ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ‬

‫اﻝﻌﻴﻨﺔ ﻝﻬﺎ‪:‬‬
‫ﻤﺜﺎل ‪ :‬ﻓﻲ ﺘﺠرﺒﺔ رﻤﻲ ﺜﻼث ﻗطﻊ ﻨﻘدﻴﺔ واﻝﺘﻲ ﻓﻀﺎء ّ‬
‫‪Ω = {( H , H , H ) , (T , H , H ) , ( H ,T , H ) , ( H , H ,T ) ,‬‬
‫}) ‪(T , H ,T ) , (T ,T , H ) , ( H ,T ,T ) , (T ,T ,T‬‬
‫وﻝــﻴﻜن ‪ X‬ﻤﺘﻐﻴـ اًر ﻋﺸـواﺌﻴﺎً ﻴــدل ﻋﻠــﻰ ﻋــدد ﻤـرات ظﻬــور اﻝﻜﺘﺎﺒــﺔ ) ‪ ( H‬ﻓــﻲ ﻜــل رﻤﻴــﺔ‪ ،‬ﻋﻨدﺌـ ٍـذ ﻤﺠﻤوﻋــﺔ ﻗــﻴم‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫﻲ‪X ( Ω ) = {3, 2,1, 0} :‬‬
‫ّ‬
‫ﻤﺒﻴن ﻜﻤﺎ ﻴﻠﻲ‪:‬‬
‫اﻝﺼور اﻝﻌﻜﺴﻴﺔ وﻓق ‪ X‬ﻝﻜل ﻗﻴﻤﺔ ﻤن ﻫذﻩ اﻝﻘﻴم ﻫﻲ ﺤدث ّ‬
‫إن ّ‬
‫}) ‪= 3} = {( H , H , H‬‬
‫‪1‬‬
‫= )‪f (3) = P ( x = 3‬‬ ‫‪،‬‬ ‫‪{X‬‬
‫‪8‬‬

‫‪= 2} = {(T , H , H ) , ( H ,T , H ) , ( H , H ,T‬‬ ‫})‬

‫‪3‬‬
‫= ) ‪f (2) = P ( X = 2‬‬ ‫‪،‬‬ ‫‪{X‬‬
‫‪8‬‬

‫‪= 1} = {(T ,T , H ) , (T , H ,T ) , ( H ,T ,T‬‬ ‫})‬

‫‪3‬‬
‫= )‪f (1) = P ( X = 1‬‬ ‫‪،‬‬ ‫‪{X‬‬
‫‪8‬‬

‫‪= 0} = {(T ,T ,T‬‬ ‫})‬

‫‪1‬‬
‫= ) ‪f (0) = P ( X = 0‬‬ ‫‪،‬‬ ‫‪{X‬‬
‫‪8‬‬
‫ﻤﻼﺤظﺔ‪ :‬ﻴﻨظم ﻝداﻝﺔ اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ﺠدول ﻴﺴﻤﻰ ﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ‬
‫ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪X‬‬

‫اﻷول ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪. x 1 , x 2 ,......, x n‬‬

‫ﻨﻀﻊ ﻓﻲ ﺴطرﻩ ّ‬
‫وﻓﻲ ﺴطرﻩ اﻝﺜّﺎﻨﻲ اﻻﺤﺘﻤﺎﻻت اﻝﻤﻘﺎﺒﻠﺔ ﻝﻬﺎ وﻫﻲ ) ‪ f ( x 1 ) , f ( x 2 ) ,......, f ( x r‬ﻋﻠﻰ اﻝﺘّرﺘﻴب‬
‫‪xk‬‬ ‫‪x1‬‬ ‫‪x2‬‬ ‫‪........‬‬ ‫‪xn‬‬
‫ﻜﻤﺎ ﻓﻲ اﻝ ّﺸﻜل‪:‬‬
‫‪f (x k‬‬ ‫)‬ ‫‪f ( x 1 ) f ( x 2 ) .........‬‬ ‫) ‪f (x n‬‬

‫ﻓﻲ اﻝﻤﺜﺎل اﻝﺴﺎﺒق ﻴﻜون ﺠدول اﻝﺘوزﻴﻊ ‪:‬‬

‫‪xk‬‬ ‫‪0 1‬‬ ‫‪2‬‬ ‫‪3‬‬

‫‪1‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪1‬‬

‫) ‪f (x k‬‬
‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬

‫~ ‪~ 64‬‬
 ‫ﻨﺘﺎﺌﺞ ‪ :‬داﻝﺔ اﻝﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﺘﺤﻘق‪:‬‬

‫وذﻝك أﻴﺎً ﻜﺎن ) ‪x k ∈ X ( Ω‬‬ ‫‪f (x k ) ≥ 0‬‬ ‫‪1‬‬

‫‪k =n‬‬

‫‪∑ P ({X‬‬
‫‪k =1‬‬
‫ﺒﻤﺎ أن ‪= x k }) = 1‬‬ ‫‪2‬‬

‫‪k =n‬‬

‫‪∑ f (x ) = 1‬‬
‫‪k‬‬ ‫ﻓﺈن‬
‫‪k =1‬‬

‫إذا اﻋﺘﺒرﻨﺎ ‪ x 1 , x 2 ,......, x n‬ﺒﻴﺎﻨﺎت إﺤﺼﺎﺌﻴﺔ ﺤﺠﻤﻬﺎ ‪N‬‬

‫ﻓﺈذا ﻜﺎﻨت ﺘﻜ اررات اﻝﺒﻴﺎﻨﺎت ‪ x 1 , x 2 ,......, x n‬ﻫﻲ ﻋﻠﻰ اﻝﺘرﺘﻴب ‪ N 1 , N 2 ,......, N n‬ﻓﺈن‪:‬‬

‫‪N = n ( Ω ) = N 1 + N 2 + ....... + N n‬‬

‫ﻓﺘﻜون اﻝﺘﻜ اررات اﻝﻨﺴﺒﻴﺔ ﻝﻬذﻩ اﻝﺒﻴﺎﻨﺎت ﻫﻲ‪:‬‬

‫‪N1‬‬ ‫‪N‬‬ ‫‪Nn‬‬

‫‪، 2 ،.........‬‬ ‫‪،‬‬
‫‪N‬‬ ‫‪N‬‬ ‫‪N‬‬
‫‪{X‬‬ ‫‪= x 1 } , {X = x 2 } ,............. ,‬‬ ‫‪{X‬‬ ‫وﻫﻲ اﺤﺘﻤﺎﻻت ﻝﻸﺤداث } ‪= x n‬‬
‫‪N1‬‬ ‫‪N‬‬ ‫‪N‬‬
‫= ) ‪f (x 1‬‬ ‫‪, f (x 2 ) = 2 ,..............., f (x n ) = n‬‬ ‫أي‬
‫‪N‬‬ ‫‪N‬‬ ‫‪N‬‬
‫إذاً ﺠدول اﻝﻘﺎﻨوت اﻻﺤﺘﻤﺎﻝﻲ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو ﺠدول اﻝﺘﻜرار اﻝﻨﺴﺒﻲ ﻝﻌﻨﺎﺼر‬
‫} ‪X ( Ω ) = {x 1 , x 2 ,......, x n‬‬

‫وﺒﻤﺎ أن اﻝﻤﺘوﺴط اﻝﺤﺴﺎﺒﻲ ﻝﻬذﻩ اﻝﺒﻴﺎﻨﺎت اﻹﺤﺼﺎﺌﻴﺔ ‪:‬‬

‫‪x 1 N 1 + x 2 N 2 + ........... + x n N n‬‬ ‫‪N‬‬ ‫‪N‬‬ ‫‪N‬‬
‫= ‪x‬‬ ‫‪= x 1 1 + x 2 2 ........... + x n n‬‬
‫‪N‬‬ ‫‪N‬‬ ‫‪N‬‬ ‫‪N‬‬
‫) ‪x = x 1 × f (x 1 ) + x 2 × f (x 2 )........... + x n × f (x n‬‬
‫‪k =n‬‬
‫= ‪x‬‬ ‫‪∑x‬‬ ‫‪k‬‬ ‫‪× f (x k‬‬ ‫وﺒﺎﻝﺘﺎﻝﻲ اﻝﻤﺘوﺴط اﻝﺤﺴﺎﺒﻲ ﻝﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪) :‬‬
‫‪k =1‬‬

‫ﺴﻨﺴﻤﻴﻬﺎ اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ‬

‫~ ‪~ 65‬‬
 ‫اﻝرﻴﺎﻀﻲ ( ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ‪:‬‬
‫اﻝرﻴﺎﻀﻲ ) اﻷﻤل ّ‬
‫ﺜﺎﻝﺜﺎً ‪ :‬اﻝﺘّوﻗﻊ ّ‬
‫‪k =n‬‬
‫‪E (X‬‬ ‫وﻨرﻤز ﻝﻪ )‬ ‫اﻝرﻴﺎﻀﻲ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪X‬‬
‫اﻝﺘّوﻗﻊ ّ‬ ‫‪∑x‬‬ ‫‪k‬‬ ‫‪× f (x k‬‬ ‫ﻨﺴﻤﻲ اﻝﻌدد )‬
‫ّ‬
‫‪k =1‬‬

‫‪k =n‬‬ ‫‪k =n‬‬

‫=‪µ‬‬ ‫‪∑ x k ⋅f (x k‬‬
‫‪k =1‬‬
‫) ‪ E ( X ) = ∑ x k ⋅ f ( x k‬أو )‬
‫‪k =1‬‬
‫أي‪:‬‬

‫وﻗد وﺠدﻨﺎ أﻨﻔﺎً أﻨﻪ ﻴﻌﺒر ﻋن اﻝﻤﺘوﺴط اﻝﺤﺴﺎﺒﻲ ﻝﻠﺒﻴﺎﻨﺎت اﻹﺤﺼﺎﺌﻴﺔ اﻝﺘﻲ ﺘﻤﺜل ﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر‬
‫اﻝﻌﺸواﺌﻲ ‪ X‬ﻤﻊ اﻷﺨذ ﺒﻌﻴن اﻻﻋﺘﺒﺎر اﻝﺘﻜ اررات ﻝﻬذﻩ اﻝﻴﺒﺎﻨﺎت‬

‫اﻷﻤﺜﻠﺔ ﻋﻠﻰ اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ‪:‬‬

‫ﻤﺜﺎل①‪ :‬ﻓﻲ ﺘﺠرﺒﺔ رﻤﻲ ﺤﺠري ﻨرد ﻤرة واﺤدة‪ .‬ﻝﻴﻜن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴدل ﻋﻠﻰ أﻜﺒر ﻋدد ﻝﻨﻘط‬
‫اﻝوﺠﻬﻴن اﻝظّﺎﻫرﻴن اﺨﺘﻠﻔﺎ وأﺤدﻫﻤﺎ إن ﺘﺴﺎوﻴﺎ واﻝﻤطﻠوب‪:‬‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪. X‬‬
‫ّ‬ ‫‪ (1‬اﻜﺘب ﻤﺠﻤوﻋﺔ ﻗﻴم‬
‫‪ (2‬اﻜﺘب ﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝﻠﻤﺘﻐﻴر ‪. X‬‬
‫اﻝرﻴﺎﻀﻲ ﻝﻠﻤﺘﻐﻴر ‪. X‬‬
‫‪ (3‬اﺤﺴب اﻝﺘّوﻗﻊ ّ‬

‫اﻝﺤل‪:‬‬
‫‪(1‬‬
‫‪X‬‬ ‫‪1 2 3 4 5 6‬‬
‫‪1‬‬ ‫‪1 2 3 4 5 6‬‬
‫‪2‬‬ ‫‪2 2 3 4 5 6‬‬
‫}‪X ( Ω ) = {1, 2,3, 4,5, 6‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬
‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬

‫‪ :‬ﻷن })‪= 1} = {(1,1‬‬

‫‪1‬‬
‫‪{X‬‬ ‫= )‪f (1) = P ( X = 1‬‬ ‫‪(2‬‬
‫‪36‬‬

‫= ) ‪ : f ( 2 ) = P ( X = 2‬ﻷن }) ‪ {X = 1} = {(1, 2 ) , ( 2,1) , ( 2, 2‬وﻫﻜذا ﻨﺠد‬

‫‪3‬‬
‫‪36‬‬
‫‪9‬‬ ‫‪7‬‬ ‫‪5‬‬
‫= )‪f ( 5) = P ( X = 5‬‬ ‫‪،‬‬ ‫= )‪f ( 4) = P ( X = 4‬‬ ‫= ) ‪، f ( 3) = P ( X = 3‬‬
‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬
‫‪11‬‬
‫= )‪f ( 6) = P ( X = 6‬‬
‫‪36‬‬
‫~ ‪~ 66‬‬
 ‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬
‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬

‫‪xk‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬

‫‪1‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪9‬‬ ‫‪11‬‬

‫‪f (x k‬‬ ‫)‬
‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬
‫‪k =6‬‬
‫‪E (X‬‬ ‫=)‬ ‫‪∑x‬‬ ‫‪k‬‬ ‫‪f (x k‬‬ ‫)‬ ‫‪(3‬‬
‫‪k =1‬‬

‫‪1‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪9‬‬ ‫‪11‬‬

‫‪E (X‬‬ ‫)‬ ‫×‪= 1‬‬ ‫× ‪+ 2 × + 3× + 4 × + 5× + 6‬‬
‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬
‫‪161‬‬
‫‪E (X‬‬ ‫)‬ ‫=‬
‫‪36‬‬

‫اﻝﺼﻨدوق ﻋﺸواﺌﻴﺎً ﺜﻼث‬

‫ﻤﺜﺎل② ﻴﺤوي ﺼﻨدوق ‪ 5‬ﻜرات ﻤﺘﻤﺎﺜﻠﺔ ) ‪ 3‬ﺒﻴﻀﺎء و ‪ 2‬ﺤﻤراء ( ﻨﺴﺤب ﻤن ّ‬
‫ﻜرات ﻤﻌﺎً‪.‬و ﻝﻴﻜن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴدل ﻋﻠﻰ ﻋدد اﻝﻜرات اﻝﺤﻤراء اﻝﻤﺴﺤوﺒﺔ‪ .‬اﻜﺘب ﻤﺠﻤوﻋﺔ ﻗﻴم‬
‫اﻝرﻴﺎﻀﻲ‪.‬‬ ‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬واﺤﺴب ﺘوﻗﻌﻪ ّ‬ ‫ّ‬

‫}‪X ( Ω ) = {0 , 1 , 2‬‬ ‫اﻝﺤل‪:‬‬

‫)‪C ( 3,3‬‬ ‫‪1‬‬
‫= )‪f ( 0) = P ( X = 0‬‬ ‫=‬ ‫ﻓﻴﻜون‬ ‫اﻝﺤدث ‪ {X = 0} :‬ﺴﺤب ﺜﻼث ﻜرات ﺒﻴﻀﺎء ‪،‬‬
‫)‪C ( 5,3‬‬ ‫‪10‬‬

‫اﻝﺤدث ‪ {X = 1} :‬ﺴﺤب ﻜرﺘﻴن ﺒﻴﻀﺎوﻴن وﻜرة ﺤﻤراء ‪ ،‬ﻓﻴﻜون‬

‫)‪C ( 3, 2 ) .C ( 2,1‬‬ ‫‪6‬‬
‫= )‪f (1) = P ( X = 1‬‬ ‫=‬
‫)‪C ( 5,3‬‬ ‫‪10‬‬

‫اﻝﺤدث ‪ {X = 2} :‬ﺴﺤب ﻜرﺘﻴن ﺤﻤراوﻴن وﻜرة ﺒﻴﻀﺎء ‪ ،‬ﻓﻴﻜون‬

‫) ‪C ( 3,1) .C ( 2, 2‬‬ ‫‪3‬‬
‫= )‪f ( 2) = P ( X = 2‬‬ ‫=‬
‫)‪C ( 5,3‬‬ ‫‪10‬‬

‫‪xk‬‬ ‫‪0 1‬‬ ‫‪2‬‬

‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬
‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫‪1 6 3‬‬
‫‪f (x k‬‬ ‫)‬ ‫‪10 10 10‬‬
‫‪3‬‬
‫‪E (X ) = ∑ x k f (x k‬‬ ‫وﻤﻨﻪ‪) :‬‬
‫‪k =1‬‬

‫‪6 6 12‬‬
‫‪E (X ) = 0 +‬‬ ‫= ‪+‬‬
‫‪10 10 10‬‬
‫‪6‬‬
‫= ) ‪E (X‬‬
‫‪5‬‬

‫~ ‪~ 67‬‬
 ‫ﻤﺜﺎل③‪ :‬ﻴﺤوي ﻤﻐﻠف ﺘﺴﻊ ﺒطﺎﻗﺎت ﻤرﻗﻤﺔ ﺒﺎﻷرﻗﺎم ‪0 , 0 , 0 , 0 , 0 ,1,1,1,1‬‬

‫ﻨﺴﺤب ﻤن اﻝﻤﻐﻠف ﺜﻼث ﺒطﺎﻗﺎت ﻤﻌﺎً‪ .‬وﻝﻴﻜن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴدل ﻋﻠﻰ ﻤﺠﻤوع أرﻗﺎم اﻝﺒطﺎﻗﺎت‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬واﺤﺴب‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫ّ‬ ‫اﻝﻤﺴﺤوﺒﺔ‪ .‬اﻜﺘب ﻗﻴم‬
‫اﻝرﻴﺎﻀﻲ‪.‬‬
‫ﺘوﻗﻌﻪ ّ‬
‫اﻝﺤل‪:‬‬
‫}‪X ( S ) = {0 , 1 , 2 , 3‬‬

‫اﻝﺤدث ‪ {X = 0} :‬ﺴﺤب ﺜﻼث ﺒطﺎﻗﺎت ﻜل ﻤﻨﻬﺎ ﺘﺤﻤل ‪0‬‬

‫)‪C ( 5,3‬‬ ‫‪10 5‬‬
‫= )‪f (0‬‬ ‫=‬ ‫=‬ ‫ﻓﻴﻜون ‪:‬‬
‫)‪C ( 9,3‬‬ ‫‪84 42‬‬

‫اﻝﺤدث ‪ {X = 1} :‬ﺴﺤب ﺜﻼث ﺒطﺎﻗﺎت ﺒطﺎﻗﺘﻴن ﻤﻨﻬﺎ ﺘﺤﻤل ‪ 0‬وأﺨرى ﺘﺤﻤل اﻝرﻗم‪1‬‬
‫)‪C ( 5, 2 ) .C ( 4,1‬‬ ‫‪40 20‬‬
‫= )‪f (1‬‬ ‫=‬ ‫=‬ ‫ﻓﻴﻜون ‪:‬‬
‫)‪C ( 9,3‬‬ ‫‪84 42‬‬

‫اﻝﺤدث ‪ {X = 2} :‬ﺴﺤب ﺜﻼث ﺒطﺎﻗﺎت ﺒطﺎﻗﺘﻴن ﻤﻨﻬﺎ ﺘﺤﻤل ‪ 1‬وأﺨرى ﺘﺤﻤل اﻝرﻗم ‪0‬‬
‫) ‪C ( 5,1) .C ( 4, 2‬‬ ‫‪30 15‬‬
‫= )‪f ( 2‬‬ ‫=‬ ‫=‬ ‫ﻓﻴﻜون ‪:‬‬
‫)‪C ( 9,3‬‬ ‫‪84 42‬‬

‫اﻝﺤدث ‪ {X = 3} :‬ﺴﺤب ﺜﻼث ﺒطﺎﻗﺎت ﻜل ﻤﻨﻬﺎ ﺘﺤﻤل ‪1‬‬

‫)‪C ( 4,3‬‬ ‫‪4‬‬ ‫‪2‬‬
‫= )‪f ( 3‬‬ ‫=‬ ‫=‬ ‫ﻓﻴﻜون ‪:‬‬
‫)‪C ( 9,3‬‬ ‫‪84 42‬‬

‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬

‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫‪xk‬‬ ‫‪0 1‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪5 20‬‬ ‫‪15 2‬‬
‫‪f (x k‬‬ ‫)‬
‫‪42 42‬‬ ‫‪42 42‬‬
‫‪4‬‬
‫‪20 30 6‬‬
‫‪E (X ) = ∑ x k f (x k ) = 0 +‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫وﻤﻨﻪ‪:‬‬
‫‪k =1‬‬ ‫‪42 42 42‬‬
‫‪4‬‬
‫= ) ‪E (X‬‬
‫‪3‬‬

‫~ ‪~ 68‬‬
 ‫ﻤﺜﺎل④‪:‬‬
‫ﻴطﻠق رٍام طﻠﻘﺘﻴن ﻋﻠﻰ ﻫدف اﻝطﻠﻘﺔ اﻷوﻝﻰ ﻴﻤﺴدس واﻝﺜﺎﻨﻴﺔ ﺒﺎﻝﺒﺎرودة‪.‬‬
‫‪8‬‬ ‫‪6‬‬
‫‪.‬‬ ‫‪ ،‬واﺤﺘﻤﺎل إﺼﺎﺒﺘﻪ ﻝﻠﻬدف ﺒﺒﺎرودة‬ ‫اﺤﺘﻤﺎل إﺼﺎﺒﺘﺔ ﻝﻠﻬدف ﺒﻤﺴدس‬
‫‪10‬‬ ‫‪10‬‬
‫ﻴرﺒﺢ اﻝراﻤﻲ ‪ 5‬ﻨﻘط إذا أﺼﺎب اﻝﻬدف ﺒﺎﻝﻤﺴدس وﻴرﺒﺢ ‪ 3‬ﻨﻘط إذا أﺼﺎب اﻝﻬدف ﺒﺎﻝﺒﺎرودة‪.‬‬
‫ﻴﺨﺴر اﻝراﻤﻲ ‪ 4‬ﻨﻘط إذا ﻝم ﻴﺼب اﻝﻬدف ﺒﺎﻝﻤﺴدس وﻴﺨﺴر ‪ 5‬ﻨﻘط إذا ﻝم ﻴﺼب اﻝﻬدف ﺒﺎﻝﺒﺎرودة‪.‬‬
‫اﻝﻤﺘﻐﻴـر‬
‫ّ‬ ‫ﺒﻔرض ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴـدل ﻋﻠـﻰ ﻋـدد اﻝـﻨﻘط اﻝﺘـﻲ ﻴﻨﺎﻝﻬـﺎ اﻝ ارﻤـﻲ ﻓـﻲ ﻨﻬﺎﻴـﺔ اﻝﻤﺒـﺎراة‪ ،‬اﻜﺘـب ﻗـﻴم‬
‫اﻝرﻴﺎﻀﻲ‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬واﺤﺴب ﺘوﻗﻌﻪ ّ‬
‫اﻝﻌﺸواﺌﻲ ‪ X‬واﻜﺘب وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫اﻝﺤل‪:‬‬
‫إذا ﻓرﻀﻨﺎ ‪ A‬ﺤدث إﺼﺎﺒﺔ اﻝراﻤﻲ اﻝﻬدف ﺒﺎﻝﻤﺴدس و ‪ B‬ﺤدث إﺼﺎﺒﺔ اﻝراﻤﻲ اﻝﻬدف ﺒﺎﻝﺒﺎرودة ﻓﺈن‪:‬‬
‫‪Ω = {A ∩ B , A ∩ B ′ , A ′ ∩ B , A ′ ∩ B ′‬‬ ‫}‬
‫إذا أﺼﺎب ﻓﻲ اﻝرﻤﻴﺘﻴن ﻓﻬو اﻝﺤدث ‪ {X = 8} = A ∩ B‬و ا‬
‫اﻝرﻤﻲ ﻴﻨﺎل‪ 5 + 3 = 8 :‬ﻨﻘطﺔ‬
‫إذا ﻝم ﻴﺼب ﻓﻲ اﻝرﻤﻴﺔ اﻷوﻝﻰ وأﺼﺎب ﻓﻲ اﻝرﻤﻴﺔ اﻝﺜﺎﻨﻴﺔ ﻓﻬو اﻝﺤدث ‪ {X = −1} = A ′ ∩ B‬و ا‬
‫اﻝرﻤﻲ ﻴﻨﺎل‪:‬‬
‫‪ −4 + 3 = −1‬ﻨﻘطﻪ‬
‫إن أﺼﺎب ﻓﻲ اﻝرﻤﻴﺔ اﻷوﻝﻰ وﻝم ﻴﺼب ﻓﻲ اﻝرﻤﻴﺔ اﻝﺜﺎﻨﻴﺔ ﻓﻬو اﻝﺤدث ‪ {X = 0} = A ∩ B ′‬و ا‬
‫اﻝرﻤﻲ ﻴﻨﺎل‪:‬‬
‫‪ 5 − 5 = 0‬ﻨﻘطﻪ‬
‫إن ﻝم ﻴﺼب اﻝراﻤﻲ ﺒﺎﻝطﻠﻘﺘﻴن ﻓﻬو اﻝﺤدث ‪ {X = −9} = A ′ ∩ B ′‬و ا‬
‫اﻝرﻤﻲ ﻴﻨﺎل‪−4 − 5 = −9 :‬‬

‫وﺒﺎﻝﺘّﺎﻝﻲ ﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ﻫﻲ‪X ( Ω ) = {−9 , − 1 , 0 , 8 } :‬‬

‫ﻓﻲ ﻫذﻩ اﻝﺘﺠرﺒﺔ‪ :‬ﻜل زوج ﻤن اﻷﺤداث ) ‪ ( A , B ) , ( A , B ′ ) , ( A ′, B ) , ( A ′, B ′‬ﻤﺴﺘﻘﻠﻴن اﺤﺘﻤﺎﻝﻴﺎً‬

‫) ‪f ( −9 ) = P ( A ′ ∩ B ′‬‬
‫) ‪= P ( A ′ ) .P ( B ′‬‬
‫‪4 2‬‬ ‫‪8‬‬
‫=‬ ‫= ×‬
‫‪10 10 100‬‬
‫‪4 8‬‬ ‫‪32‬‬
‫= ) ‪f ( −1) = P ( A ′ ∩ B ) = P ( A ′ ) .P ( B‬‬ ‫= ×‬
‫‪10 10 100‬‬
‫)‪f ( 0) = P ( A ∩ B ′‬‬
‫‪6 2‬‬ ‫‪12‬‬
‫= ) ‪= P ( A ) .P ( B ′‬‬ ‫= ×‬
‫‪10 10 100‬‬

‫~ ‪~ 69‬‬
 ‫) ‪f ( 8) = P ( A ∩ B‬‬
‫‪6 8‬‬ ‫‪48‬‬
‫= ) ‪= P ( A ) .P ( B‬‬ ‫= ×‬
‫‪10 10 100‬‬
‫وﺒذﻝك ﻨﺤﺼل ﻋﻠﻰ ﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ‪:‬‬
‫‪xk‬‬ ‫‪−9‬‬ ‫‪−1‬‬ ‫‪0‬‬ ‫‪8‬‬
‫‪8‬‬ ‫‪32 12‬‬ ‫‪48‬‬
‫‪f (x k‬‬ ‫)‬
‫‪100 100 100 100‬‬

‫اﻝرﻴﺎﻀﻲ‪:‬‬
‫واﻝﺘّوﻗﻊ ّ‬
‫‪4‬‬
‫‪E ( X ) = ∑ x k .f ( x k‬‬ ‫)‬
‫‪k =1‬‬

‫‪−72 −32‬‬ ‫‪384‬‬

‫=‬ ‫‪+‬‬ ‫‪+0+‬‬
‫‪100 100‬‬ ‫‪100‬‬
‫‪280‬‬
‫= ) ‪E (X‬‬ ‫ﻋدد اﻝﻨﻘط اﻝﻤﺘوﻗﻊ أن ﻴرﺒﺤﻬﺎ اﻝراﻤﻲ ‪= 2,8‬‬
‫‪100‬‬

‫ﻤﺜﺎل⑤‪ :‬ﻴرﻤﻲ ﺸﺨص ﻗطﻌﺔ ﻨﻘود ﺜﻼث ﻤرات ﻤﺘﺘﺎﻝﻴﺔ ﻓﻴرﺒﺢ ‪ 12‬ﻨﻘطﺔ إذا ظﻬرت ﺜﻼث ﺸﻌﺎرات‬

‫ﻤﺘﺘﺎﻝﻴﺔ وﻴرﺒﺢ ‪ m‬ﻨﻘط إذا ظﻬر ﺸﻌﺎران ﻓﻘط وﻴﺨﺴر ‪ 6‬ﻨﻘط ﻓﻴﻤﺎ ﻋدا ذﻝك‪ .‬ﺒﻔرض ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً‬
‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﺜم اﺤﺴب ﺘوﻗﻌﻪ‬
‫ّ‬ ‫ﻴدل ﻋﻠﻰ ﻋدد اﻝﻨﻘط اﻝﺘﻲ ﻴﻨﺎﻝﻬﺎ اﻝﺸﺨص‪ .‬اﻜﺘب ﻤﺠﻤوﻋﺔ ﻗﻴم‬
‫اﻝرﻴﺎﻀﻲ ﺒدﻻﻝﺔ ‪ m‬واﺤﺴب ﻗﻴﻤﺔ ‪ m‬إذا ﻜﺎن اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ‪) E ( X ) = 0‬ﻻﻴرﺒﺢ وﻻ ﻴﺨﺴر(‪.‬‬
‫ّ‬
‫}‪X ( Ω ) = {12 , m , − 6‬‬ ‫اﻝﺤل‪: :‬‬

‫‪= 12} = {(T ,T ,T‬‬ ‫})‬

‫‪1‬‬
‫= ) ‪f (12) = P ( X = 12‬‬ ‫‪،‬‬ ‫‪{X‬‬
‫‪8‬‬

‫‪= m } = {(T ,T , H ) , (T , H ,T ) , ( H ,T ,T‬‬ ‫})‬

‫‪3‬‬
‫‪f (m ) = P ( X = m ) = ،‬‬ ‫‪{X‬‬
‫‪8‬‬
‫‪،‬‬ ‫‪{X‬‬ ‫}) ‪= −6} = {(T , H , H ) , ( H ,T , H ) , ( H , H ,T ) , ( H , H , H‬‬
‫‪4‬‬
‫= ) ‪f ( −6) = P ( X = −6‬‬
‫‪8‬‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬
‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫‪xk‬‬ ‫‪12 m‬‬ ‫‪−6‬‬
‫‪1‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪f (x k‬‬ ‫)‬
‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬
‫‪3‬‬
‫‪12 3m −24 3m − 12‬‬
‫= ) ‪E (X ) = ∑ x k f (x k‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫=‬
‫‪k =1‬‬ ‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬

‫ﻋﻨدﻤﺎ ﻴﻜون ‪ E ( X ) = 0‬ﻓﺈن ‪m = 4‬‬

‫~ ‪~ 70‬‬
 :‫ﺨواص اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ‬

E (X ) ‫ ( وﺘوﻗﻌﻪ اﻝرﻴﺎﻀﻲ‬Ω, P ( Ω ) , P ) ‫ ﻤﺘﻐﻴر ﻋﺸواﺌﻲ ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ‬X ‫ إذا ﻜﺎن‬:ً‫أوﻻ‬

: ‫ ﻓﺈن‬ℝ ‫ ﺜواﺒت ﻤن‬a,b ‫وﻤن أﺠل‬

E (aX + b ) = aE ( X ) + b E (a ) = a E (aX ) = aE ( X )

E (X − E ( X )) = 0) E ( E ( X )) = E ( X )

E (aX ) = aE ( X )

: ‫اﻝﺒرﻫﺎن‬
n
E ( aX ) = ∑ ( a ⋅ x k ) f (x k )
k =1
n
= ∑a ⋅ (x k f (x k ))
k =1
n
= a∑ x k f ( x k )
k =1

= aE ( X )
E (a ) = a

: ‫اﻝﺒرﻫﺎن‬
n n
E ( a ) = ∑ a f ( x k ) =a ∑ f ( x k ) = a (1) = a
k =1 k =1

E (aX + b ) = aE ( X ) + b

: ‫اﻝﺒرﻫﺎن‬
n
E ( aX + b ) = ∑ ( a ⋅ x k + b ) f ( x k )
k =1
n
= ∑ ((a ⋅ x k ) f ( x k ) + bf ( x k ) )
k =1
n n
= ∑ (a ⋅ x k ) f ( x k ) +∑b f (x k )
k =1 k =1
n n
= a∑ ( x k ⋅ f ( x k )) +b ∑ f ( x k )
k =1 k =1

= aE ( X ) + b (1)
= aE ( X ) + b

~ 71 ~
 ‫) ‪E ( E ( X )) = E ( X‬‬

‫اﻝﺒرﻫﺎن ‪:‬‬
‫ﺒﻤﺎ أن ‪ E ( X ) = a‬ﺜﺎﺒت ﺤﺴب اﻝﺨﺎﺼﺔ ‪ 2‬ﻓﺈن ) ‪ E (E ( X )) = E (a‬أو ) ‪E (E ( X )) = E (X‬‬

‫)‪E (X − E ( X )) = 0‬‬

‫اﻝﺒرﻫﺎن ‪:‬‬
‫)) ‪E (X − E ( X )) = E (X ) − E (E (X‬‬
‫‪= E (X ) − E (X ) = 0‬‬

‫ﺜﺎﻨﻴﺎً‪ :‬إذا ﻜﺎن ‪ X , Y‬ﻤﺘﻐﻴران ﻋﺸواﺌﻴﺎن ﻤﺴﺘﻘﻼن ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ ) ‪ ( Ω, P ( Ω ) , P‬وﺘوﻗﻌﻬﻤﺎ‬

‫اﻝرﻴﺎﻀﻲ ) ‪ E ( X ) , E (Y‬ﻓﺈن ) ‪ E ( X ±Y ) = E ( X ) ± E (Y‬و ) ‪E ( X ⋅Y ) = E ( X ) ⋅ E (Y‬‬

‫ﻤﺜﺎل① ‪ :‬ﻴﺤوي ﻤﻐﻠف ﺘﺴﻊ ﺒطﺎﻗﺎت ﻤرﻗﻤﺔ ﺒﺎﻷرﻗﺎم ‪0 , 0 ,1,1,1, 2 , 2 , 2 , 2‬‬

‫ﻨﺴﺤب ﻤن اﻝﻤﻐﻠف ﺜﻼث ﺒطﺎﻗﺎت ﺒﺂن واﺤد‪ .‬وﻝﻴﻜن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴدل ﻋﻠﻰ ﻤﺠﻤوع أرﻗﺎم اﻝﺒطﺎﻗﺎت‬
‫اﻝرﻴﺎﻀﻲ‪.‬‬
‫اﻝﻤﺴﺤوﺒﺔ‪ .‬اﺤﺴب اﻝﺘوﻗﻊ ّ‬
‫اﻝﺤل ‪:‬‬
‫ﻨﻌﺘﺒر اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X 1‬ﻴدل ﻋﻠﻰ رﻗم اﻝﺒطﺎﻗﺔ اﻝﻤﺴﺤوﺒﺔ اﻷوﻝﻰ و اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X 2‬ﻴدل ﻋﻠﻰ‬
‫رﻗم اﻝﺒطﺎﻗﺔ اﻝﻤﺴﺤوﺒﺔ اﻝﺜﺎﻨﻴﺔ و اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X 2‬ﻴدل ﻋﻠﻰ رﻗم اﻝﺒطﺎﻗﺔ اﻝﻤﺴﺤوﺒﺔ اﻝﺜﺎﻝﺜﺔ‬
‫}‪ X 1 ( Ω ) = X 2 ( Ω ) = X 3 ( Ω ) = {0,1, 2‬وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝﻜل ﻤﻨﻬﺎ‬
‫‪xk‬‬ ‫‪0 1‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪f (x k‬‬ ‫)‬
‫‪9‬‬ ‫‪9‬‬ ‫‪9‬‬
‫) ‪E (X 1 ) = E (X 2 ) = E (X 3‬‬
‫‪3‬‬
‫‪0 3 8‬‬
‫= ) ‪= ∑ x k f (x k‬‬ ‫‪+ +‬‬
‫‪k =1‬‬ ‫‪9 9 9‬‬
‫‪11‬‬
‫=‬
‫‪9‬‬
‫) ‪E ( X ) = E ( X 1 + X 2 + X 3 ) = E ( X 1 ) + E ( X 2 ) + E (X 3‬‬ ‫وﺒﻤﺎ أن‬
‫‪11‬‬
‫= ) ‪E ( X ) = 3E ( X 1‬‬ ‫‪ E ( X ) = 11 + 11 + 11 = 11‬أو‬
‫‪3‬‬ ‫‪9 9 9‬‬ ‫‪3‬‬

‫~ ‪~ 72‬‬
 ‫}‪X ( Ω ) = {1, 2, 3, 4,5, 6‬‬ ‫ﺤل آﺨر‪:‬‬
‫‪{X‬‬ ‫ﺒﻤﺎ أن })‪= 1} = {( 0, 0,1‬‬
‫‪C (2, 2) ⋅ C (3,1) 3‬‬
‫= )‪f (1) = P ( X = 1‬‬ ‫=‬ ‫ﻓﺈن ‪:‬‬
‫)‪C (9,3‬‬ ‫‪84‬‬

‫ﺒﻤﺎ أن }) ‪ {X = 2} = {( 0, 0, 2 ) , (1,1, 0‬ﻓﺈن ‪:‬‬

‫‪C (2, 2) ⋅ C (4,1) + C (2,1) ⋅ C (3, 2) 10‬‬
‫= )‪f ( 2) = P ( X = 2‬‬ ‫=‬
‫)‪C (9,3‬‬ ‫‪84‬‬

‫ﺒﻤﺎ أن }) ‪ {X = 3} = {(1,1,1) , ( 0,1, 2‬ﻓﺈن ‪:‬‬

‫‪C (3,3) + C (2,1) ⋅ C (3,1)C (4,1) 25‬‬
‫= )‪f ( 3) = P ( X = 3‬‬ ‫=‬
‫)‪C (9,3‬‬ ‫‪84‬‬

‫ﺒﻤﺎ أن }) ‪ {X = 4} = {(1,1, 2 ) , ( 0, 2, 2‬ﻓﺈن ‪:‬‬

‫‪C (3, 2)C (4,1) + C (2,1) ⋅ C (4, 2) 24‬‬
‫= )‪f ( 4) = P ( X = 4‬‬ ‫=‬
‫)‪C (9,3‬‬ ‫‪84‬‬
‫‪C (3,1) ⋅ C (4, 2) 18‬‬
‫= )‪f ( 5 ) = P ( X = 5‬‬ ‫=‬ ‫ﺒﻤﺎ أن })‪ {X = 5} = {( 2, 2,1‬ﻓﺈن ‪:‬‬
‫)‪C (9,3‬‬ ‫‪84‬‬

‫ﺒﻤﺎ أن }) ‪ {X = 6} = {( 2, 2, 2‬ﻓﺈن ‪:‬‬

‫‪C (4,3) 4‬‬
‫= )‪f ( 6) = P ( X = 6‬‬ ‫=‬
‫‪C (9,3) 84‬‬

‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬

‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬

‫‪xk‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬

‫‪3‬‬ ‫‪10‬‬ ‫‪25‬‬ ‫‪24‬‬ ‫‪18‬‬ ‫‪4‬‬

‫‪f (x k‬‬ ‫)‬
‫‪84‬‬ ‫‪84‬‬ ‫‪84‬‬ ‫‪84‬‬ ‫‪84‬‬ ‫‪84‬‬
‫‪k =6‬‬
‫= ) ‪E (X‬‬ ‫‪∑x‬‬ ‫‪k‬‬ ‫‪f (x k‬‬ ‫)‬
‫‪k =1‬‬

‫‪3‬‬ ‫‪10‬‬ ‫‪25‬‬ ‫‪24‬‬ ‫‪18‬‬ ‫‪4‬‬

‫×‪= 1‬‬ ‫× ‪+ 2 × + 3× + 4‬‬ ‫×‪+ 5× + 6‬‬
‫‪84‬‬ ‫‪84‬‬ ‫‪84‬‬ ‫‪84‬‬ ‫‪84‬‬ ‫‪84‬‬
‫‪308 11‬‬
‫= ) ‪E (X‬‬ ‫=‬
‫‪84‬‬ ‫‪3‬‬

‫~ ‪~ 73‬‬
‫ﻤﺜﺎل ②‪ :‬ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﺤﺠر ﻨرد ﻤﺘوازن إذا ﻜﺎن ‪ x‬ﻫو ﻋدد اﻝﻨﻘط اﻝﺘﻲ ﺘظﻬر ﻋﻠﻰ وﺠﻬﻪ اﻝﻌﻠوي‬
‫وﻝﻴﻜن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻤﻌرف وﻓق ‪ X : Ω → ℝ , x → −3x + 1‬اﺤﺴب اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ‬

‫اﻝﺤل ‪:‬‬
‫‪k =6‬‬
‫= ) ‪E (T‬‬ ‫‪∑x‬‬ ‫‪k‬‬ ‫‪f (x k‬‬ ‫ﻝﻨﻔرض ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ‪ T‬ﻴدل ﻋﻠﻰ ﻋدد ﻨﻘط اﻝوﺠﻪ ﻴﻜون ﺘوﻗﻌﻪ اﻝرﻴﺎﻀﻲ‪) :‬‬
‫‪k =1‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪E (T ) = (1)   + ( 2 )   + ( 3)   + ( 4 )   + ( 5 )   + ( 6 )  ‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬
‫‪1‬‬ ‫‪7‬‬
‫= ) ‪=   (1 + 2 + 3 + 4 + 5 + 6‬‬
‫‪6‬‬ ‫‪2‬‬

‫ﻴﻜون ‪:‬‬
‫)‪E ( X ) = E ( −3x + 1‬‬
‫‪= −3E (T ) + 1‬‬
‫‪7‬‬
‫‪= −3   + 1‬‬
‫‪2‬‬
‫‪19‬‬
‫‪E (X ) = −‬‬
‫‪2‬‬
‫ﺤل آﺨر‪:‬‬
‫}‪X ( Ω ) = {−2, −5, −8, −11, −14, −17‬‬
‫‪k =6‬‬
‫= ) ‪E (T‬‬ ‫‪∑x‬‬ ‫‪k‬‬ ‫‪f (x k‬‬ ‫)‬
‫‪k =1‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪= ( −2 )   + ( −5)   + ( −8)   + ( −11)   + ( −14 )   + ( −17 )  ‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬
‫‪1‬‬ ‫‪57‬‬ ‫‪19‬‬
‫‪=   ( −2 − 5 − 8 − 11 − 14 − 17 ) = −‬‬ ‫‪=−‬‬
‫‪6‬‬ ‫‪6‬‬ ‫‪2‬‬

‫اﻷﺴﺘﺎذ أﺤﻤد أﺒو ﻨﺒوت‬

‫~ ‪~ 74‬‬
 ‫ﺘوﻗﻊ اﻝﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد‬

‫ﻤﺒرﻫﻨﺔ‪ :‬إذا ﻜﺎن ‪ p‬ﻫو اﺤﺘﻤﺎل اﻝﻨﺠﺎح و ‪ q‬ﻫو اﺤﺘﻤﺎل اﻝﻔﺸل ﻓﻲ ﻜل اﺨﺘﺒﺎر) ‪( p + q = 1‬‬
‫ﻓﺈن ﻋدد ﻤرات اﻝﻨﺠﺎح اﻝﻤﺘوﻗﻌﺔ ﻤن ‪ n‬اﺨﺘﺒﺎر ﻴﺴﺎوي ‪np‬‬
‫‪n‬‬
‫‪E (X‬‬ ‫‪) = ∑x k‬‬ ‫اﻝﺒرﻫﺎن‪ :‬ﺤﺴب ﺘﻌرﻴف اﻝﺘوﻗﻊ‪f ( x k ) :‬‬
‫‪k =1‬‬

‫‪xk = r‬‬ ‫ﻨﻌﻠم ﻤن اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝﺜﻨﺎﺌﻲ اﻝﺤد أن ‪ f (r ) = C (n , r ) ⋅ p r ⋅ q n −r :‬و‬

‫‪n‬‬
‫‪E ( X ) = ∑ r ⋅ C (n , r ) ⋅ p r ⋅ q n −r‬‬
‫‪r =1‬‬
‫‪n‬‬
‫!‪r‬‬
‫⋅ ‪= ∑r‬‬ ‫‪⋅ p r ⋅ q n −r‬‬ ‫!)‪: r ! = r (r − 1‬‬
‫‪r =1‬‬ ‫!) ‪r !(n − r‬‬
‫‪n‬‬
‫!‪n‬‬
‫⋅ ‪= ∑r‬‬ ‫‪⋅ p r ⋅ q n −r‬‬
‫‪r =1‬‬ ‫!) ‪r (r − 1)!(n − r‬‬
‫‪n‬‬
‫!‪n‬‬
‫∑=‬ ‫)‪⋅ p r ⋅ q ( n −1)− ( r −1‬‬
‫‪r =1‬‬ ‫!] )‪(r − 1)![ (n − 1) − (r − 1‬‬
‫‪n‬‬
‫!)‪n (n − 1‬‬
‫∑=‬ ‫)‪⋅ p ⋅ p r −1 ⋅ q ( n −1) −( r −1‬‬
‫‪r =1‬‬ ‫!])‪(r − 1)![ (n − 1) − (r − 1‬‬
‫‪n‬‬
‫!)‪(n − 1‬‬
‫∑‪= n ⋅ p‬‬ ‫)‪⋅ p r −1 ⋅ q ( n −1)− ( r −1‬‬
‫‪r =1‬‬ ‫!] )‪(r − 1) ![ (n − 1) − (r − 1‬‬
‫‪n‬‬
‫)‪= n ⋅ p ∑ ⋅ C (n − 1, r − 1) ⋅ p r −1 ⋅ q ( n −1) −( r −1‬‬
‫‪k =1‬‬

‫‪= n ⋅ p ( p + q ) n −1‬‬ ‫‪:‬‬ ‫‪p +q =1‬‬

‫‪E (X ) = n ⋅ p‬‬

‫ﻤﺜﺎل① ‪ :‬إذا أﻝﻘﻴت ﻗطﻌﺔ ﻨﻘدﻴﺔ ‪ 50‬ﻤرة ﻓﻤﺎ ﻫو ﻋدد اﻝﻤرات اﻝﻤﺘوﻗﻌﺔ ﻝظﻬور اﻝﺼورة‬

‫اﻝﺤل ‪:‬‬
‫إذا ﻜﺎﻨت ‪ X‬ﺘﻤﺜل داﻝﺔ اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ اﻝذي ﻴدل ﻋﻠﻰ ﻋدد ﻤرات ظﻬور اﻝوﺠﻪ ﺼورة ﻓﺈن ‪ X‬ﻝﻬﺎ‬
‫‪1‬‬
‫= ‪ p‬و ‪ n = 50‬واﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ‪ E ( X ) = n ⋅ p‬وﻤﻨﻪ‬ ‫ﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد و‬
‫‪2‬‬

‫‪) = ( 50 ) ⋅ ‬‬
‫‪1‬‬
‫‪E (X‬‬ ‫‪ = 25‬‬
‫‪2‬‬

‫~ ‪~ 75‬‬
 ‫ﻤﺜﺎل ② ‪ :‬ﻗطﻌﺔ ﻨﻘدﻴﺔ ﻤزورﻩ اﺤﺘﻤﺎل ظﻬور اﻝﺼورة ﻀﻌﻔﻲ ظﻬور اﻝﻜﺘﺎﺒﺔ إذا أﻝﻘﻴت ‪ 50‬ﻤرة‬
‫ﻓﻤﺎ ﻫو ﻋدد اﻝﻤرات اﻝﻤﺘوﻗﻌﺔ ﻝظﻬور اﻝﺼورة وﻋدد اﻝﻤرات اﻝﻤﺘوﻗﻌﺔ ﻝظﻬور اﻝﻜﺘﺎﺒﺔ‬

‫اﻝﺤل ‪ :‬إذا ﻜﺎﻨت ‪ X‬ﺘﻤﺜل داﻝﺔ اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ اﻝذي ﻴدل ﻋﻠﻰ ﻋدد ﻤرات ظﻬور اﻝوﺠﻪ ﺼورة ﻓﺈن ‪X‬‬

‫ﻝﻬﺎ ﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد ‪:‬‬

‫إذا ﻜﺎن ‪ p‬اﺤﺘﻤﺎل ظﻬور اﻝوﺠﻪ ﺼورة و ‪ q‬اﺤﺘﻤﺎل ظﻬور اﻝوﺠﻪ ﻜﺘﺎﺒﺔ‪ ،‬ﻓﺈن ‪ p = 2q‬ﻝﻜن ‪p + q = 1‬‬
‫‪1‬‬ ‫‪2‬‬
‫=‪q‬‬ ‫ﻓﻴﻜون = ‪ p‬و‬
‫‪3‬‬ ‫‪3‬‬

‫‪n = 50‬‬
‫اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ﻝظﻬور اﻝﺼورة ‪E ( X ) = n ⋅ p :‬‬

‫‪) = ( 50 ) ⋅ ‬‬
‫‪2  100‬‬
‫‪E (X‬‬ ‫=‪‬‬ ‫وﻤﻨﻪ‬
‫‪3‬‬ ‫‪3‬‬

‫اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ﻝظﻬور اﻝﺼورة ‪E ( X ) = n ⋅ q :‬‬

‫‪) = ( 50 ) ⋅ ‬‬
‫‪1  50‬‬
‫‪E (X‬‬ ‫=‪‬‬ ‫وﻤﻨﻪ‬
‫‪ 3 3‬‬

‫ﻤﺜﺎل③إذا أﻝﻘﻲ ﺤﺠر ﻨرد ‪ 30‬ﻤرة اﺤﺴب ‪:‬‬

‫‪(1‬ﻋدد اﻝﻤرات اﻝﻤﺘوﻗﻌﺔ ﻝﻠﺤﺼول ﻋﻠﻰ اﻝوﺠﻪ ذو اﻝﻨﻘطﺘﻴن‬
‫‪(2‬ﻋدد اﻝﻤرات اﻝﻤﺘوﻗﻌﺔ ﻝﻠﺤﺼول ﻋﻠﻰ وﺠﻪ ﻋدد ﻨﻘﺎطﻪ ﻋدد ﻤﻀﺎﻋف ﻝﻠﻌدد ‪3‬‬

‫اﻝﺤل ‪:‬‬
‫‪ (1‬إذا ﻜﺎﻨت ‪ X‬ﺘﻤﺜل داﻝﺔ اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ اﻝذي ﻴدل ﻋﻠﻰ ﻋدد ﻤرات ظﻬور اﻝوﺠﻪ ذي اﻝﻨﻘطﺘﻴن‬
‫ﻓﺈن ‪ X‬ﻝﻬﺎ ﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد‬
‫‪5‬‬ ‫‪1‬‬
‫= ‪ q‬و ‪n = 30‬‬ ‫اﺤﺘﻤﺎل ظﻬور اﻝوﺠﻪ ذو اﻝﻨﻘطﺘﻴن ﻫو = ‪ p‬و اﺤﺘﻤﺎل ظﻬور اﻝوﺠوﻩ اﻷﺨرى‬
‫‪6‬‬ ‫‪6‬‬
‫اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ﻝظﻬور اﻝوﺠﻪ ذو اﻝﻨﻘطﺘﻴن ‪E ( X ) = n ⋅ p :‬‬

‫‪) = ( 30 ) ⋅ ‬‬
‫‪1‬‬
‫‪E (X‬‬ ‫‪=5‬‬ ‫وﻤﻨﻪ‬
‫‪6‬‬
‫ﻻﺤظ اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ﻝظﻬور اﻝوﺠوﻩ اﻷﺨرى‪E ( X ) = n ⋅ q :‬‬

‫‪) = ( 30 ) ⋅ ‬‬
‫‪5‬‬
‫‪E (X‬‬ ‫‪ = 25‬‬ ‫وﻤﻨﻪ‬
‫‪6‬‬

‫~ ‪~ 76‬‬
‫‪ (2‬إذا ﻜﺎﻨت ‪ X‬ﺘﻤﺜل داﻝﺔ اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ اﻝذي ﻴدل ﻋﻠﻰ ﻋدد ﻤرات ظﻬور اﻝوﺠﻪ اﻝذي ﻋدد ﻨﻘﺎطﻪ‬
‫ﻋدد ﻤﻀﺎﻋف ﻝﻠﻌدد ‪ ، 3‬ﻓﺈن ‪ X‬ﻝﻬﺎ ﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد‬
‫‪1‬‬
‫=‪p‬‬ ‫اﺤﺘﻤﺎل ظﻬور اﻝوﺠﻪ اﻝذي ﻋدد ﻨﻘﺎطﻪ ﻋدد ﻤﻀﺎﻋف ﻝﻠﻌدد ‪ 3‬أي }‪ {3, 6‬ﻫو‬
‫‪3‬‬
‫‪2‬‬
‫ﻻﺤظ اﺤﺘﻤﺎل ظﻬور اﻝوﺠوﻩ اﻷﺨرى أي }‪ {1, 2, 4, 5‬ﻫو = ‪q‬‬
‫‪3‬‬
‫واﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ﻝظﻬور اﻝوﺠﻪ اﻝذي ﻋدد ﻨﻘﺎطﻪ ﻤﻀﺎﻋف ﻝﻠﻌدد ‪3‬‬ ‫‪n = 30‬‬
‫‪1‬‬
‫‪E ( X ) = ( 30 ) ⋅   = 10‬‬ ‫ﻓﻴﻜون ‪:‬‬ ‫‪E (X ) = n ⋅ p‬‬
‫‪3‬‬
‫ﻻﺤظ اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ﻝظﻬوراﻝوﺠﻪ اﻝذي ﻋدد ﻨﻘﺎطﻪ ﻝﻴس ﻤﻀﺎﻋف ﻝﻠﻌدد ‪3‬‬
‫‪2‬‬
‫‪E ( X ) = ( 30 ) ⋅   = 20‬‬ ‫ﻫو‬
‫‪3‬‬

‫راﺒﻌﺎً ‪ :‬داﻝﺔ اﻝﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ اﻝﻤﺘﺠﻤﻌﺔ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ‬

‫وﻤﺠﻤوﻋﺔ اﻝﻘﻴم ﻝﻬذا اﻝﻤﺘﻐﻴر‬ ‫) ‪( Ω , P ( Ω) , P‬‬ ‫ﺘﻌرﻴف ‪:‬إذا ﻜﺎن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ‬

‫} ‪ X ( Ω ) = {x 1 , x 2 ,....., x n‬ﻓﺈﻨﻨﺎ ّ‬
‫ﻨﺴﻤﻲ اﻝداﻝﺔ‪:‬‬
‫‪r‬‬
‫) ‪F : X ( Ω ) → [ 0 ,1] ; F ( x k ≤ x r ) = ∑ f ( x k‬‬
‫‪k =1‬‬

‫‪X‬‬ ‫داﻝﺔ اﻝﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ اﻝﻤﺘﺠﻤﻌﺔ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ‬

‫ﻻﺤظ ‪ F ( x k ) = P (x k ≤ r ) :‬أي ﻫو ﻤﺠﻤوع اﺤﺘﻤﺎﻻت ‪:‬‬

‫‪{X‬‬ ‫} ‪= x 1 } , {X = x 2 } ......................{X = x r‬‬

‫) ‪F ( x k ≤ x r ) = P ( X = x 1 ) + P ( X = x r ) + ..................... + P ( X = x r‬‬

‫ﻤﺜﺎل ‪ :‬ﻓﻲ ﺘﺠرﺒﺔ رﻤﻲ ﺤﺠري ﻨرد ﻤرة واﺤدة‪ .‬ﻝﻴﻜن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴدل ﻋﻠﻰ اﻝﻘﻴﻤﺔ اﻝﻤطﻠﻘﺔ ﻝﻠﻔرق‬
‫ﺒﻴن ﻋدد ﻝﻨﻘط اﻝوﺠﻬﻴن اﻝظّﺎﻫرﻴن | ‪X ( x , y ) =| x − y‬‬

‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬واﺤﺴب ﺘوﻗﻌﻪ‬

‫اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬واﻜﺘب وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫ّ‬ ‫اﻜﺘب ﻗﻴم‬
‫اﻝرﻴﺎﻀﻲ واﻜﺘب ﺠدوﻻً ﻴﺘﻀﻤن اﻝﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ اﻝﻤﺘﺠﻤﻊ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪X‬‬
‫ّ‬
‫واﺤﺴب ) ‪F ( 2 ≤ x k ≤ 4‬‬

‫~ ‪~ 77‬‬
 ‫اﻝﺤل‪:‬‬
‫‪X‬‬ ‫‪1 2 3 4 5 6‬‬
‫‪1‬‬ ‫‪0 1 2 3 4 5‬‬
‫‪2‬‬ ‫‪1 0 1 2 3 4‬‬
‫} ‪X ( Ω ) = {0,1, 2,3, 4,5‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬
‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪0‬‬

‫‪(2‬‬
‫‪10‬‬ ‫‪6‬‬
‫= )‪f (1) = P ( X = 1‬‬ ‫‪،‬‬ ‫= )‪f ( 0) = P ( X = 0‬‬
‫‪36‬‬ ‫‪36‬‬
‫‪6‬‬ ‫‪8‬‬
‫= )‪f ( 3) = P ( X = 3‬‬ ‫‪،‬‬ ‫= )‪f (2) = P (X = 2‬‬
‫‪36‬‬ ‫‪36‬‬
‫‪2‬‬ ‫‪4‬‬
‫= )‪f ( 5) = P ( X = 5‬‬ ‫‪،‬‬ ‫= )‪f ( 4) = P ( X = 4‬‬
‫‪36‬‬ ‫‪36‬‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬
‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬

‫‪xk‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬

‫‪6‬‬ ‫‪10‬‬ ‫‪8‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪2‬‬

‫‪f (x k‬‬ ‫)‬
‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬
‫‪k =6‬‬
‫= ) ‪E (X‬‬ ‫‪∑x‬‬ ‫‪k‬‬ ‫‪f (x k‬‬ ‫)‬
‫‪k =1‬‬

‫‪6‬‬ ‫‪10‬‬ ‫‪8‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪2‬‬

‫×‪= 0‬‬ ‫× ‪+ 1× + 2 × + 3 × + 4 × + 5‬‬
‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬
‫‪70 35‬‬
‫= ) ‪E (X‬‬ ‫=‬
‫‪36 18‬‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬
‫وﺠدول داﻝﺔ اﻝﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ اﻝﻤﺘﺠﻤﻌﺔ ﻝ ّ‬

‫‪xk‬‬ ‫‪≤ 0 ≤1 ≤ 2 ≤ 3 ≤ 4 ≤ 5‬‬

‫‪6‬‬ ‫‪16‬‬ ‫‪24‬‬ ‫‪30‬‬ ‫‪34‬‬

‫) ‪F (x k ≤ x r‬‬ ‫‪1‬‬
‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬ ‫‪36‬‬

‫‪8‬‬ ‫‪6‬‬ ‫‪4‬‬

‫= )‪F ( 2 ≤ x k ≤ 4‬‬ ‫‪+‬‬ ‫‪+‬‬
‫‪36 36 36‬‬
‫‪3‬‬
‫= )‪F ( 2 ≤ x k ≤ 4‬‬
‫‪6‬‬

‫~ ‪~ 78‬‬
 ‫ﺨﺎﻤﺴﺎً ‪ :‬اﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري‪:‬‬
‫ﻨﻌﻠم أن اﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري ﻤﻘﺎﻴﻴس ﻝﻠﺘﺸﺘت ﻓﻲ اﻝﺒﻴﺎﻨﺎت اﻹﺤﺼﺎﺌﻴﺔ وﻴﻤﻜن اﻋﺘﺒﺎر ﻤﺠﻤوﻋﺔ ﻗﻴم ‪X‬‬
‫} ‪ X (Ω) = {x 1 , x 2 ,......, x r‬ﺒﻴﺎن إﺤﺼﺎﺌﻲ‬ ‫وﻫﻲ‪:‬‬
‫ﺴﻨﻌرف اﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري ﻜﻤﻘﺎﻴﻴس ﻝﻠﺘﺸﺘت ﻝﻠﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ‬
‫‪r‬‬ ‫‪r‬‬
‫‪ E ( X ) = ∑ x k f ( x k‬أو ) ‪µ = ∑ x k f ( x k‬‬ ‫إن اﻝﻘﻴﻤﺔ اﻝﻤﺘوﻗﻌﺔ ﻝﺘوزﻴﻊ اﺤﺘﻤﺎﻝﻲ )‬
‫‪k =1‬‬ ‫‪k =1‬‬

‫وﻫﻲ اﻝﻤﺘوﺴط اﻝﺤﺴﺎﺒﻲ ﻝﻠﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬أي ﻤرﻜز اﻝﺘوزﻴﻊ‬
‫اﻝﺘﺒﺎﻴن ‪: variance‬‬
‫ﻫو اﻝﻤﺘوﺴط اﻝﺤﺴﺎﺒﻲ ﻝﻤرﺒﻌﺎت اﻨﺤراﻓﺎت ﻗﻴم ‪ X‬ﻋن ﻤﺘوﺴطﻬﺎ اﻝﺤﺴﺎﺒﻲ )اﻝﺘوﻗﻊ( ﻨرﻤز ﻝﻪ ) ‪V ( X‬‬
‫‪r‬‬
‫= ) ‪V (X‬‬ ‫‪∑(x‬‬ ‫‪− E (X ) ) f ( x k‬‬ ‫)‬ ‫ﻴﻜون‬
‫‪2‬‬
‫‪k‬‬
‫‪k =1‬‬

‫ﻨﺴﺘﻨﺘﺞ أن اﻝﺘﺒﺎﻴن ﻫو اﻝﺘوﻗﻊ ﻝﻤرﺒﻌﺎﺘﺎﻨﺤراﻓﺎت ﻗﻴم ‪ X‬ﻋن ﻤﺘوﺴطﻬﺎ اﻝﺤﺴﺎﺒﻲ ‪ µ‬أي ‪:‬‬
‫‪V (X ) = E (x k − µ ) 2‬‬
‫اﻻﻨﺤراف اﻝﻤﻌﻴﺎري‪Standard Deviation :‬‬
‫ﻫو اﻝﺠذر اﻝﺘرﺒﻴﻌﻲ اﻝﻤوﺠب ﻝﻠﺘﺒﺎﻴن ﻴرﻤز ﻝﻪ ‪σ x‬‬
‫‪r‬‬
‫‪σ x = E (x k − µ ) 2‬‬ ‫= ‪ σ x‬أو‬ ‫‪∑(x‬‬ ‫‪k‬‬ ‫‪− E (X ) ) f ( x k‬‬
‫‪2‬‬
‫‪ σ x‬أو )‬ ‫‪= V (X‬‬ ‫)‬
‫‪k =1‬‬

‫وﻫو ﻴﻌﺒر ﻋن اﻝﻤﺘوﺴط اﻝﺤﺴﺎﺒﻲ ﻻﻨﺤراﻓﺎت اﻝﺒﻴﺎﻨﺎت ﻋن ﻤﺘوﺴطﻬﺎ)اﻝﺘوﻗﻊ(‬

‫ﻤﺜﺎل‪ :‬ﻓﻲ ﺘﺠرﺒﺔ إﻝﻘﺎء ﺜﻼث ﻗطﻊ ﻨﻘدﻴﺔ وﺠدﻨﺎ أن ﺠدول ﻗﺎﻨون اﺤﺘﻤﺎل اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ‬
‫‪xk‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪1‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪1‬‬
‫‪f (x k‬‬ ‫)‬
‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬
‫اﺤﺴب اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ واﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري‬
‫اﻝﺤل‪:‬‬
‫‪4‬‬
‫‪E (X‬‬ ‫‪) = ∑x k‬‬ ‫‪f (x k‬‬ ‫)‬
‫‪k =1‬‬

‫‪0‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪9 19‬‬

‫=‬
‫‪+ + +‬‬ ‫=‬
‫‪12 12 12 12 12‬‬
‫‪0+3+6+3 3‬‬
‫= ) ‪E (X‬‬ ‫=‬
‫‪8‬‬ ‫‪2‬‬
‫ﻝﺤﺴﺎب اﻝﺘﺒﺎﻴن ﻴﻤﻜن ﺘﺸﻜﻴل اﻝﺠدول‪:‬‬

‫~ ‪~ 79‬‬
 f (x k ) x k ⋅ f (x k ) (x k − E (X ) ) (x k − E (X ) ) ⋅ f ( x k )
2 2
xk
1 9 9
0 8 0 4 32
3 3 1 3
1 8 8 4 32
3 6 1 3
2 8 8 4 32
1 3 9 9
3 8 8 4 32
r

∑
k =1 1 E (X ) V (X )
4
V (X ) = ∑ (x k − E (X ) ) f ( x k )
2

k =1

9 + 3 + 3 + 9 24 3
V (X ) = = = ‫أي‬
32 32 4
3
σ x = V (X ) = ‫وﺒﺎﻝﺘﺎﻝﻲ‬
2
:‫ﺘﺒﺎﻴن اﻝﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد‬

‫ اﺤﺘﻤﺎل اﻝﻔﺸل ﻓﻲ ﻜل اﺨﺘﺒﺎر‬q ‫ و ﻫو‬A ‫ ﻫو اﺤﺘﻤﺎل اﻝﻨﺠﺎح ﻝﻠﺤدث‬p ‫إذا ﻜﺎن‬: ‫ﻤﺒرﻫﻨﺔ‬
σ x2 = V (X ) = n ⋅ p ⋅ q ‫ اﺨﺘﺒﺎر ﻫو‬n ‫ﻓﺈن ﺘﺒﺎﻴن اﻝﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ ﻝـ‬

: ‫ ﻨﻌﻠم ﻤن اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝﺜﻨﺎﺌﻲ اﻝﺤد أن‬: ‫اﻝﺒرﻫﺎن‬

xk =r ‫ و‬f (r ) = C (n , r ) ⋅ p r ⋅ q n −r
n
E ( X ) = ∑ r ⋅ C (n , r ) ⋅ p r ⋅ q n −r = n ⋅ p ‫و‬
r =1
n
E (X 2 ) = ∑ r 2C (n , r ) p r q n − r : ‫ﻴﻜون‬
r =0
n
r 2 n ! p r q n −r
E (X 2 ) = ∑ : r = r (r − 1) + r : ُ‫إذا‬
r = 0 r !( n − r )!

E (X 2 ) = ∑
n
[ r (r − 1) + r ] n !p r q n −r
r =0 r !(n − r )!
n
r (r − 1)n ! r n − r n r ⋅n!
=∑ p q +∑ p r q n −r
r = 0 r !( n − r )! r = 0 r !( n − r )!
n
r (r − 1)n (n − 1)(n − 2)! r n − r n
E (X 2 ) = ∑ p q + ∑ r ⋅C ( n , r ) p r q n − r
r = 0 r ( r − 1)( r − 2)!( n − r )! r =0

~ 80 ~
 n
n (n − 1)(n − 2)!
E (X 2 ) = ∑ p 2 ⋅ p r −2 ⋅ q n −r + E (X )
r = 0 ( r − 2)![ ( n − 2) − ( r − 2) ]!
n
(n − 2)!
E (X 2 ) = n (n − 1) p 2 ∑ p x − 2q ( n − 2) −( r − 2) + n ⋅ p
r = 0 ( r − 2)![ ( n − 2) − (r − 2) ]!
n
E (X ) = n (n − 1) p
2 2
∑C (n − 2, r − 2)p q ( n − 2) −( r − 2) + n ⋅ p
r −2

r =0
n
E (X 2 ) = n (n − 1) p 2 ∑C (n − 2, r − 2)p r − 2q (
n − 2 ) − ( r − 2)
+n⋅p
r =0

= n (n − 1) p 2 ( p + q )
n −2
+n⋅p : p +q =1
= n2 ⋅ p2 − n ⋅ p2 + n ⋅ p
:‫ﻨﻌﻠم أن ﻗﺎﻨون اﻝﺘﺒﺎﻴن‬
σ x2 = E (X 2 ) − [ E (X )]
2

σ x2 = n 2 ⋅ p 2 − n ⋅ p 2 + n ⋅ p − n 2 ⋅ p 2
= n ⋅ p − n ⋅ p 2 = n ⋅ p (1 − p )
σ x2 = n ⋅ p ⋅ q

10
‫ وﺘﺒﺎﻴﻨﻪ‬5 ‫ إذا ﻜﺎن ﺘوﻗﻌﻪ‬n , p ‫ ﻓﻲ ﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد أوﺠد‬:‫ﻤﺜﺎل‬
3

:‫اﻝﺤل‬
‫ ﺒﺎﻝﺘﻌوﻴض‬E (X ) = n ⋅ p , V (X ) = n ⋅ p ⋅ q ‫ﻨﻌﻠم أﻨﻪ ﻓﻲ ﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد‬
5 = n ⋅ p ........... (1)
10 ‫ﻨﺠد‬
= n ⋅ p ⋅ q .... ( 2 )
3
2
q = ‫ ( ﻨﺠد‬2 ) ‫( ﻓﻲ‬1) ‫ﺒﺘﻌوﻴض‬
3
1
p = ‫ ﺘﻜون‬p = 1 − q ‫ﻝﻜن‬
3
n = 15 ‫ﻨﺠد‬ (1) ‫ﺒﺎﻝﺘﻌوﻴض ﻓﻲ‬

~ 81 ~
 ‫) ‪(Ω , P (Ω) , P‬‬ ‫اﻝﻘﻴﻤﺔ اﻝﻤﻌﻴﺎرﻴﺔ ‪ :‬ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ‬
‫إذا اﻋﺘﺒرﻨﺎ } ‪ X (Ω) = {x 1 , x 2 ,......, x n‬ﺒﻴﺎن إﺤﺼﺎﺌﻲ‬
‫‪n‬‬
‫= ) ‪E (X‬‬ ‫‪∑x‬‬ ‫‪k‬‬ ‫ﻓﺎﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ‪f ( x k ) = µ‬‬
‫‪k =1‬‬

‫‪n‬‬
‫= ‪σx‬‬ ‫‪∑ (x‬‬ ‫‪− µ ) f (x k‬‬ ‫واﻻﻨﺤراف اﻝﻤﻌﻴﺎري )‬
‫‪2‬‬
‫‪k‬‬
‫‪k =1‬‬

‫ﺘﻌرﻴف ‪:‬‬
‫اﻝﻘﻴﻤﺔ اﻝﻤﻌﻴﺎرﻴﺔ ﻝﻠﻤﻔردة ‪ x k‬ﻫﻲ ﻨﺴﺒﺔ اﻨﺤراﻓﻬﺎ ﻋن اﻝﺘوﻗﻊ إﻝﻰ اﻻﻨﺤراف اﻝﻤﻌﻴﺎري‬
‫‪xk −µ‬‬
‫= ‪z‬‬ ‫أي‬
‫‪σx‬‬

‫ﺘﺴﺘﺨدم ﻝﻠﻤﻘﺎرﻨﺔ ﺒﻴن اﻝﻤﺸﺎﻫدات اﻝﻤﺨﺘﻠﻔﺔ ﻝﻠﺒﻴﺎﻨﺎت‬

‫ﻤﺜﺎل ‪ :‬اﺤﺘﺎر ﻤﺴﺘﺜﻤر ﻝدﻴﻪ ‪ 5‬ﻤﻠﻴون دوﻻر ﻴرﻴد اﺴﺘﺜﻤﺎر أﻤواﻝﻪ ﻓﻲ إﺤدى ﺸرﻜﺘﻴن ﻻﺤظ‪:‬‬
‫أن ﺘوﻗﻊ اﻷرﺒﺎح ﻝﻠﺸرﻜﺔ اﻷوﻝﻰ ‪ 3‬ﻤﻠﻴون دوﻻر واﻻﻨﺤراف اﻝﻤﻌﻴﺎري ﻝﻘﻴم اﻻﺴﺘﺜﻤﺎرات ‪ 10‬ﻤﻠﻴون دوﻻر‬
‫وﻜﺎن ﺘوﻗﻊ اﻷرﺒﺎح ﻝﻠﺸرﻜﺔ اﻝﺜﺎﻨﻴﺔ ‪ 2‬ﻤﻠﻴون دوﻻر واﻻﻨﺤراف اﻝﻤﻌﻴﺎري ﻝﻘﻴم اﻻﺴﺘﺜﻤﺎرات ‪ 7‬ﻤﻠﻴون دوﻻر‬
‫ﺒﺄي اﻝﺸرﻜﺘﻴن ﺘﻨﺼﺢ ﻫذا اﻝﻤﺴﺘﺜﻤرأن ﻴﺴﺘﺜﻤر أﻤواﻝﻪ ؟‬

‫اﻝﺤل ‪:‬‬
‫ﻨﺤﺴب اﻝﻘﻴﻤﺔ اﻝﻤﻌﻴﺎرﻴﺔ ﻷﻤوال اﻝﻤﺴﺘﺜﻤر ﻓﻲ ٍ‬
‫ﻜل ﻤن اﻝﺸرﻜﺘﻴن‬
‫‪xk −µ‬‬
‫= ‪z‬‬
‫‪σx‬‬

‫اﻝﻘﻴﻤﺔ اﻝﻤﻌﻴﺎرﻴﺔ ﻷ ﻤوال اﻝﻤﺴﺘﺜﻤر ﻓﻲ اﻝﺸرﻜﺔ اﻷوﻝﻰ ﺤﺴب اﻝﻘﺎﻨون‬

‫‪xk −µ‬‬ ‫‪5−3‬‬
‫= ‪z1‬‬ ‫=‬ ‫‪= 0.2‬‬
‫‪σx‬‬ ‫‪10‬‬

‫اﻝﻘﻴﻤﺔ اﻝﻤﻌﻴﺎرﻴﺔ ﻷﻤوال اﻝﻤﺴﺘﺜﻤر ﻓﻲ اﻝﺸرﻜﺔ اﻝﺜﺎﻨﻴﺔ‪:‬‬

‫‪xk −µ‬‬ ‫‪5−2 3‬‬
‫= ‪z2‬‬ ‫=‬ ‫‪= = 0.43‬‬
‫‪σx‬‬ ‫‪7‬‬ ‫‪7‬‬

‫ﻨﻨﺼﺢ اﻝﻤﺴﺘﺜﻤر أن ﻴﺴﺘﺜﻤر أﻤواﻝﻪ ﻓﻲ اﻝﺸرﻜﺔ اﻝﺜﺎﻨﻴﺔ‬ ‫ﺒﻤﺎ أن ‪z 1 < z 2‬‬

‫~ ‪~ 82‬‬
 ‫ﺘوزﻴﻊ ﺒواﺴن ‪:‬‬

‫ﻋﻨدﻤﺎ ﻴﻜون ﻋدد اﻝﺘﺠﺎرب ﻜﺒﻴر واﺤﺘﻤﺎل اﻝﻨﺠﺎح ﻓﻲ ﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد ﺼﻐﻴر ﺒﺤﻴث ﻴﻜون اﻝﻤﻌدل‬
‫‪ E ( X ) = np‬ﻗﻴﻤﺔ ﺜﺎﺒﺘﺔ ﻨرﻤز ﻝﻬﺎ ‪λ‬‬

‫وﺠد ﺒواﺴن داﻝﺔ ﺘوزﻴﻊ ﻝﻠﺘﺠﺎرب اﻝﺘﻲ ﺘﻜون ﻓﻴﻬﺎ ﻨﺘﻴﺠﺔ وﻗوع اﻝﺤدث ﺨﻼل وﺤدة ﻗﻴﺎس ﻤﺤددة ﻤﺜل‪:‬‬
‫واﺤدة اﻝطول أو اﻝﻤﺴﺎﺤﺔ أو اﻝزﻤن وﻏﻴرﻫﺎ ﻤن اﻝواﺤدات ‪.‬‬
‫وﻤن اﻷﻤﺜﻠﺔ ﻋﻠﻰ ﺘطﺒﻴق ﺘوزﻴﻊ ﺒواﺴن‪:‬‬

‫)‪ (1‬ﻋدد اﻝﺴﻴﺎرات اﻝﺘﻲ ﺘﻌﺒر اﺤد اﻝﺠﺴور ﻓﻲ اﻝدﻗﻴﻘﺔ‬

‫) ‪ ( 2‬ﻋدد اﻝﺴﻴﺎرات أو اﻝﻘطﺎرات اﻝﺘﻲ ﺘﻨطﻠق ﻤن ﻤﺤطﺔ اﻨطﻼﻗﻬﺎ ﻓﻲ اﻝﺴﺎﻋﺔ‬
‫) ‪ ( 3‬ﻋدد اﻝﻤرﺠﻌﻴن ﻝداﺌرة ﺨﻼل اﻷﺴﺒوع‬
‫) ‪ ( 4‬ﻋدد اﻝﺤﻔر ﻋﻠﻰ طرﻴق ﻓﻲ اﻝﻜﻴﻠو ﻤﺘر اﻝواﺤد‬
‫) ‪ ( 5‬ﻋدد اﻝﻌﻴوب ﻓﻲ اﻝﻤﺘر اﻝﻤرﺒﻊ ﻓﻲ ﺼﻨﺎﻋﺔ ﺴﺠﺎدﻩ‬
‫) ‪ ( 6‬ﻋدد اﻝﻜﻴو واﺘﺎت اﻝﺘﻲ ﻴﺴﺘﻬﻠﻜﻬﺎ ﻤﻨزل ﻓﻲ اﻝﺸﻬر‬
‫) ‪ ( 7‬ﻋدد اﻷﺨطﺎء اﻝﻤطﺒﻌﻴﺔ ﻓﻲ ﺼﻔﺤﺔ ﻤن ﺼﻔﺤﺎت ﻜﺘﺎب ﻗﺒل ﺘﺼﺤﻴﺤﻬﺎ‬
‫وﻏﻴر ذﻝك ﻤن اﻷﻤﺜﻠﺔ اﻝﺘﻲ ﺘﺴﺘﺨدم واﺤدﻩ ﻤن واﺤدات اﻝﻘﻴﺎس اﻝﻤﺨﺘﻠﻔﺔ‬

‫داﻝﺔ اﻝﺘوزﻴﻊ ﻝﺒواﺴون‪:‬‬

‫ﻻﺤظ ﺒواﺴون ﺤﺴب ﻤﻨﺸور ﺜﻨﺎﺌﻲ اﻝﺤد أن ‪:‬‬
‫∞‬
‫‪λx‬‬ ‫‪1 λ λ2‬‬
‫‪ e‬ﻨﺠد أن‪:‬‬ ‫‪−λ‬‬
‫∑ = ‪ e‬ﺒﻀرب اﻝطرﻓﻴن ﺒـ‬
‫‪λ‬‬
‫‪= + +‬‬ ‫‪+ .......‬‬
‫‪x =0‬‬ ‫!‪x ! 0! 1! 2‬‬
‫‪e −λ λ x‬‬ ‫∞‬
‫‪e −λ λ x‬‬ ‫∞‬
‫‪λx‬‬
‫= ) ‪ f (x‬أﻴﺎً ‪n ∈ ℕ‬‬ ‫]‪∈ [ 0,1‬‬ ‫ﺤﻴث‬ ‫∑‬ ‫‪=1‬‬ ‫وﺘﻜﺘب‬ ‫∑ ‪1 = e −λ‬‬
‫!‪x‬‬ ‫‪x =0‬‬ ‫!‪x‬‬ ‫‪x =0‬‬ ‫!‪x‬‬

‫ﺘﻌرﻴف ‪ :‬إذا ﻜﺎن ‪ X‬ﻤﺘﻐﻴر ﺒواﺴون اﻝﻌﺸواﺌﻲ واﻝﻘﻴم اﻝﻤﻤﻜﻨﺔ ﻝﻪ ﻫﻲ ‪..........4,3, 2,1, 0‬‬

‫‪e −λ λ x‬‬
‫= ) ‪f (x ) = P ( X = x‬‬ ‫ﻓﺈن داﻝﺔ اﻝﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ ﺘﻌطﻰ ﺒﺎﻝﺼﻴﻐﺔ‬
‫!‪x‬‬

‫ﺤﻴث‪ e = 2, 7183 ، x = 0,1, 2........... :‬اﻝﻌدد اﻝﻨﻴﺒري‬

‫‪ λ = np‬ﻤﺘوﺴط ﻋدد ﻤرات اﻝﻨﺠﺎح ﻓﻲ اﻝﻔﺘرﻩ أو اﻝﺤﻴز اﻝﻤﺤدد ﻝﻠدراﺴﺔ‬
‫وﺘﺴﻤﻰ ﻤﻌﻠﻤﺔ اﻝﺘوزﻴﻊ )واﺤدة اﻝﺘوزﻴﻊ(‬

‫~ ‪~ 83‬‬
 ‫ﻤﻼﺤظﺔ‪:‬‬
‫ﻤﺘﻐﻴر ﺒواﺴون ﻤﺘﻐﻴر ﻤﺘﻘطﻊ ﻴﺄﺨذ اﻝﻘﻴم ‪ ..........4,3, 2,1, 0‬ﻓﻲ ﻓﺘرة زﻤﻨﻴﻪ ﻤﺘﺼﻠﺔ أو ﻓﻲ ﻤﺠﺎل‬
‫أو ﻤﻨطﻘﺔ ﻤﺘﺼﻠﺔ وﻴﺠب أن ﻴﺤﻘق اﻝﺸروط ‪:‬‬
‫)‪ (1‬ﻋدد ﻤرات اﻝﻨﺠﺎح ﺘﻜون ﻤﺴﺘﻘﻠﺔ ﻓﻲ ﻓﺘرﺘﻴن ﻤن اﻝزﻤن أو ﻤﻨطﻘﺘﻴن ﻤﺘﺼﻠﺘﻴن ﻤن اﻝﺤﻴز‬
‫) ‪ ( 2‬اﺤﺘﻤﺎل اﻝﻨﺠﺎح ﺨﻼل ﻓﺘرة ﻗﺼﻴرة ﻤن اﻝزﻤن أوﻤﻨطﻔﺔ ﺼﻐﻴﺔ ﻤن اﻝﺤﻴز ﻴﺘﻨﺎﺴب ﻤﻊ طول اﻝﻔﺘرة‬
‫او ﻤﻨطﻘﺔ ﻫذا اﻝﺤﻴز‬

‫)‪ ( 3‬اﺤﺘﻤﺎل ﻨﺠﺎﺤﻴن أو أﻜﺜر ﺨﻼل ﻓﺘرة زﻤﻨﻴﺔ ﻗﺼﻴرة أو ﻤﻨطﻘﺔ ﺼﻐﻴرة ﻤن اﻝﺤﻴز ﻴﻜون ﺼﻐﻴر ﺠداً‬
‫ﺒﺤﻴث ﻴﻤﻜن اﻫﻤﺎﻝﻪ‬
‫أﻤﺜﻠﺔ‬

‫إذا ﻜﺎن ﻤﺘوﺴط ﻋدد ﺤوادث اﻝﺴﻴر ﻓﻲ أﺤد اﻝﻤدن ﺨﻼل اﻻﺴﺒوع ‪ 5‬ﺤوادث‬ ‫ﻤﺜﺎل‬
‫‪ (1‬اﺤﺴب اﺤﺘﻤﺎل أن ﻻﻴﻘﻊ أي ﺤﺎدث ﻓﻲ اﺴﺒوع ﻤﻌﻴن ﻤن أﺴﺎﺒﻴﻊ اﻝﺴﻨﺔ‬
‫‪ (2‬اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻘﻊ ﺤﺎدﺜﻴن ﻋﻠﻰ اﻷﻜﺜر ﻓﻲ اﺴﺒوع ﻤﻌﻴن ﻤن أﺴﺎﺒﻴﻊ اﻝﺴﻨﺔ‬

‫اﻝﺤل‪:‬‬
‫ﻨﻔرض اﻝﻤﺘﻐر اﻝﻌﺸواﺌﻲ ‪ X‬ﻴدل ﻋﻠﻰ ﻋدد اﻝﺤوادث ﻓﻲ اﻷﺴﺒوع اﻝﻤﻌﻴن ﻓﻴﻜون ﻝﻬﺎ ﺘوزﻴﻊ ﺒواﺴون‬
‫‪e −λ λ x‬‬
‫= ) ‪f (x‬‬ ‫اﻝذي ﻤﻌﻠﻤﺘﻪ ‪ 5‬وﺘوزﻴﻊ ﺒواﺴون‬
‫!‪x‬‬
‫‪e −5 50‬‬
‫= )‪f (0‬‬ ‫‪ (1‬اﺤﺘﻤﺎل أن ﻻﻴﻘﻊ أي ﺤﺎدث ﻫو ‪= 0.006737‬‬
‫!‪0‬‬
‫‪ (2‬اﺤﺘﻤﺎل أن ﺘﻘﻊ ﺜﻼﺜﺔ ﺤوادث ﻋﻠﻰ اﻷﻗل‬

‫)‪f ( x ≤ 2) = f (0) + f (1) + f (2‬‬

‫‪e −5 50 e −5 51 e −5 52‬‬
‫= )‪f (x ≤ 2‬‬ ‫‪+‬‬ ‫‪+‬‬
‫!‪0‬‬ ‫!‪1‬‬ ‫!‪2‬‬
‫‪f (x ≤ 2) = 0.006737 + 0.016844 + 0.028074‬‬
‫‪f (x ≤ 2) = 0.0516548‬‬

‫~ ‪~ 84‬‬
 ‫وﺠد أن ﻤﻌدل ﻋﻴوب ﺼﻨﺎﻋﺔ اﻝﺴﺠﺎد ﻓﻲ اﺤد اﻝﻤﺼﺎﻨﻊ ﻋﻴب واﺤد ﻝﻜل ‪4m 2‬‬ ‫ﻤﺜﺎل‬
‫ﺘم ﺸراء ﺴﺠﺎدة ﻤن اﻝﻤﺼﻨﻊ أﺒﻌﺎدﻫﺎ ‪4m × 6m‬‬

‫‪ (1‬اﺤﺴب اﺤﺘﻤﺎل أن ﺘﻜون اﻝﺴﺠﺎدة ﺨﺎﻝﻴﺔ ﻤن اﻝﻌﻴوب‬

‫‪ (2‬اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون ﻓﻲ اﻝﺴﺠﺎدة ﻋﻴب واﺤد ﻋﻠﻰ اﻷﻜﺜر‬
‫‪ (3‬اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون ﻓﻲ اﻝﺴﺠﺎدة ﻋﻴﺒﻴن ﻋﻠﻰ اﻷﻗل‬

‫اﻝﺤل‪:‬‬
‫ﻨﻔرض اﻝﻤﺘﻐر اﻝﻌﺸواﺌﻲ ‪ X‬ﻴدل ﻋﻠﻰ ﻋدد اﻝﻌﻴوب ﻓﻲ اﻝﻤﺘر اﻝﻤرﺒﻊ اﻝواﺤد ﻓﻴﻜون‬
‫ﻝﻬﺎ ﺘوزﻴﻊ ﺒواﺴون‬
‫‪e −λ λ x‬‬ ‫‪1‬‬
‫= ) ‪f (x‬‬ ‫اﻝذي ﻤﻌﻠﻤﺘﻪ ‪ × 4 × 6 = 6‬وﺘوزﻴﻊ ﺒواﺴون‬
‫!‪x‬‬ ‫‪4‬‬
‫‪e −6 6 0‬‬
‫= )‪f (0‬‬ ‫‪ (1‬اﺤﺘﻤﺎل أن ﺘﻜون اﻝﺴﺠﺎدة ﺨﺎﻝﻴﺔ ﻤن اﻝﻌﻴوب ﻫو ‪= 0.00247865‬‬
‫!‪0‬‬
‫‪ (2‬اﺤﺘﻤﺎل أن ﻴﻜون ﻓﻲ اﻝﺴﺠﺎدة ﻋﻴب ﻋﻠﻰ اﻷﻜﺜر‬

‫)‪f ( x ≤ 1) = f (0) + f (1‬‬

‫‪e −6 60 e −6 61‬‬
‫= )‪f (x ≤ 1‬‬ ‫‪+‬‬
‫!‪0‬‬ ‫!‪1‬‬
‫‪f (x ≤ 1) = 0.00247865 + 0.01487192‬‬
‫‪f (x ≤ 1) = 0.01735‬‬

‫‪ (3‬اﺤﺘﻤﺎل أن ﻴﻜون ﻓﻲ اﻝﺴﺠﺎدة ﻋﻴﺒﻴن ﻋﻠﻰ اﻷﻗل‬

‫)‪f (x ≥ 2) = 1 − f (x ≤ 1‬‬
‫‪f (x ≥ 2) = 1 − 0.01735‬‬
‫‪f (x ≥ 2) = 0.98265‬‬

‫وﺠد ﻓﻲ ﻤزارع اﻝزﻴﺘون أن ﻤرض ﺤﻔﺎر اﻝﺴﺎق أﺼﺎب ﺸﺠرﺘﻴن ﻓﻲ ﻜل ‪ 5‬ﻫﻜﺘﺎر‬ ‫ﻤﺜﺎل‬
‫‪ (1‬اﺤﺴب اﺤﺘﻤﺎل أن ﻻﺘوﺠد أي ﺸﺠرة ﻤﺼﺎﺒﺔ ﻓﻲ ﻤزرﻋﺔ ﻤﺴﺎﺤﺘﻬﺎ ‪ 20‬ﻫﻜﺘﺎر‬
‫‪ (2‬اﺤﺴب اﺤﺘﻤﺎل أن ﺘوﺠد أرﺒﻊ ﺸﺠرات ﻤﺼﺎﺒﺔ ﻓﻲ ﻤزرﻋﺔ ﻤﺴﺎﺤﺘﻬﺎ ‪ 15‬ﻫﻜﺘﺎر‬

‫اﻝﺤل ‪:‬‬
‫ﻨﻔرض اﻝﻤﺘﻐر اﻝﻌﺸواﺌﻲ ‪ X‬ﻴدل ﻋﻠﻰ ﻋدد اﻝﺸﺠرات اﻝﻤﺼﺎﺒﺔ ﻓﻲ اﻝﻬﻜﺘﺎراﻝواﺤد ﻓﻴﻜون‬
‫‪e −λ λ x‬‬
‫= ) ‪f (x‬‬ ‫ﻝﻬﺎ ﺘوزﻴﻊ ﺒواﺴون وﺘوزﻴﻊ ﺒواﺴون‬
‫!‪x‬‬
‫‪ (1‬ﻝﺤﺴﺎب اﺤﺘﻤﺎل أن ﻻﺘوﺠد أي ﺸﺠرة ﻤﺼﺎﺒﺔ ﻓﻲ ﻤزرﻋﺔ ﻤﺴﺎﺤﺘﻬﺎ ‪ 20‬ﻫﻜﺘﺎر‬
‫~ ‪~ 85‬‬
 ‫‪2‬‬
‫ﺘﻜون ﻤﻌﻠﻤﺔ اﻝﺘوزﻴﻊ ‪λ = × 20 = 8‬‬
‫‪5‬‬
‫) ‪e −8 ( 8‬‬
‫‪0‬‬

‫= )‪f (0‬‬ ‫‪= 0.00035‬‬ ‫واﻻﺤﺘﻤﺎل اﻝﻤطﻠوب‪:‬‬

‫!‪0‬‬
‫‪ (2‬ﻝﺤﺴﺎب اﺤﺘﻤﺎل أن ﺘوﺠد أرﺒﻊ ﺸﺠرات ﻤﺼﺎﺒﺔ ﻓﻲ ﻤزرﻋﺔ ﻤﺴﺎﺤﺘﻬﺎ ‪ 15‬ﻫﻜﺘﺎر‬
‫‪2‬‬
‫=‪λ‬‬ ‫ﺘﻜون ﻤﻌﻠﻤﺔ اﻝﺘوزﻴﻊ ‪× 15 = 6‬‬
‫‪5‬‬
‫) ‪e −6 ( 6‬‬
‫‪4‬‬

‫= )‪f (4‬‬ ‫‪= 0.1309‬‬ ‫واﻻﺤﺘﻤﺎل اﻝﻤطﻠوب‪:‬‬

‫!‪4‬‬
‫ﺨﺼﺎﺌص ﺘوزﻴﻊ ﺒواﺴن‬
‫ﺒﻤﻼﺤظﺔ أن ‪:‬‬
‫∞‬
‫‪λx‬‬ ‫‪1 λ λ2‬‬
‫∑ = ‪eλ‬‬ ‫=‬ ‫‪+ +‬‬ ‫‪+ .......‬‬ ‫]‪[1‬‬
‫‪x =0‬‬ ‫!‪x‬‬ ‫!‪0! 1! 2‬‬
‫∞‬ ‫∞‬
‫‪e −λλ x‬‬ ‫∞‬
‫‪λx‬‬
‫∑‬‫‪x=0‬‬
‫= ) ‪p (X = x‬‬ ‫∑‬
‫‪x=0‬‬ ‫!‪x‬‬
‫‪= e −λ‬‬ ‫∑‬
‫‪x=0‬‬ ‫! ‪x‬‬
‫‪= e − λe λ = 1‬‬

‫]‪ [ 2‬ﺘوزﻴﻊ ﺒواﺴون ﻫو ﺘﻘرﻴب ﻝﺘوزﻴﻊ ذي اﻝﺤدﻴن وذﻝك ﻋﻨدﻤﺎ‬

‫‪) p → 0‬اﺤﺘﻤﺎل اﻝﻨﺠﺎح ﺼﻐﻴر ﺠداً( ﺒﺘوﻗﻊ ‪λ = n ⋅ p‬‬ ‫∞ → ‪) n‬ﻋدد اﻝﺘﺠﺎرب ﻜﺒﻴر ﺠداً(‬
‫‪ E ( X ) = λ‬واﻝﺘﺒﺎﻴن ‪V ( X ) = λ‬‬ ‫]‪ [3‬اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ‬
‫اﻝﺒرﻫﺎن ‪:‬‬
‫∞‬
‫) ‪E (X ) = ∑ xf (x‬‬
‫‪x =0‬‬

‫∞‬
‫‪e −λ λ x‬‬
‫‪E (X ) = ∑ x‬‬
‫‪x =0‬‬ ‫!‪x‬‬
‫∞‬
‫‪e − λ ⋅ λ ⋅ λ x −1‬‬
‫∑ = ) ‪E (X‬‬
‫‪x =1‬‬ ‫!)‪(x − 1‬‬
‫∞‬
‫‪e − λ ⋅ λ ⋅ λ x −1‬‬
‫∑ ‪E (X ) = e − λ ⋅ λ‬‬
‫‪x =1‬‬ ‫!)‪(x − 1‬‬
‫∞‬
‫‪λx‬‬ ‫‪1 λ λ2‬‬ ‫∞‬
‫‪λ x −1‬‬
‫∑ = ‪eλ‬‬ ‫=‬ ‫‪+ +‬‬ ‫∑ = ‪+ .......‬‬ ‫ﻝﻜن‬
‫‪x =0‬‬ ‫!‪x‬‬ ‫!‪0! 1! 2‬‬ ‫!)‪x =1 ( x − 1‬‬

‫‪E (X ) = e − λ ⋅ λ ⋅ e λ = λ‬‬ ‫إذاً ‪:‬‬

‫أي أن اﻝﺘوﻗﻊ ﻓﻲ ﺘوزﻴﻊ ﺒواﺴون ‪E (X ) = µ = λ :‬‬

‫~ ‪~ 86‬‬
 V ( X ) = λ ‫وﻝﺒرﻫﺎن‬

V (X ) = σ 2 = E (X 2 ) − [ E (X )] ‫ﻨﻌﻠم أن‬
2

∞ ∞
e −λ λ x
E (X 2 ) = ∑ x 2f (x ) = ∑ x 2 ‫ﻝﻜن‬
x =0 x =0 x!

x 2 = x (x − 1) + x ‫ﻨﻌوض‬
∞
e −λ λ x
E (X 2 ) = ∑ [ x (x − 1) + x ]
x =0 x!
∞
e −λ λ x ∞
e −λ λ x
= ∑ [ x (x − 1)] + ∑x
x =0 x! x =0 x!
∞
e −λ λ x
=∑ + E (x ) : ‫ﻨﺠد‬
x = 0 ( x − 2)!
∞
λ x −2
= e −λ ⋅ λ 2 ∑ + E (x )
x =0 (x − 2)!
= e −λ ⋅ λ 2 ⋅ e λ + E (x )
E (X 2 ) = λ 2 + λ

V (X ) = σ 2 = E (X 2 ) − [ E (X )] ‫ﺒﺎﻝﺘﻌوﻴض ﻓﻲ‬
2

V (X ) = λ 2 + λ − [λ ] : ‫ﻨﺠد‬
2

V (X ) = λ ‫وﻤﻨﻪ‬

‫اﻷﺴﺘﺎذ أﺤﻤد أﺒو ﻨﺒوت‬

~ 87 ~
 ‫ﻤدﺨل إﻝﻰ اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ اﻝﻤﺴﺘﻤر )اﻝﻤﺘﺼل( ‪) :‬ﻨﺘرك اﻝﺨوض ﻓﻲ ﻫذا اﻝﻤوﻀوع ﻝﻠﻤﺨﺘﺼﻴن(‬
‫ﻫو اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ اﻝذي ﻴﺄﺨذ ﻗﻴﻤﻪ ﻀﻤن ﻤﺠﺎل ﻤﻌﻴن أو )ﻓﺌﺔ ﻤﻌﻴﻨﺔ(‬
‫ﻤﺜل ﻤﻘﻴﺎس اﻝطول أو اﻝزﻤن أو اﻝوزن‬
‫أﻤﺜﻠﺔ‬
‫● رواﺘب اﻝﻤوظﻔﻴن ﻓﻲ ﺸرﻜﺔ أو ﻤﺒﻴﻌﺎت ﺸرﻜﺔ وﻏﻴرﻫﺎ‬
‫● أطوال طﻼب ﻤدرﺴﻪ‬
‫●أوزان طﻼب اﻝﺼف اﻷول ﻓﻲ ﻤدرﺴﺔ‬
‫● ﺜﻤن ﻋﻤﻠﺔ ﻤﺎ ﺒﺎﻝﻨﺴﺒﺔ ﻝﻠﻌﻤﻠﺔ اﻝوطﻨﻴﺔ‬
‫ﻤﺜﺎل‪ :‬ﻓﻲ اﺴﺘﺒﻴﺎن ﻝﻌدد ﺴﺎﻋﺎت اﻝدراﺴﺔ اﻝﻴوﻤﻴﺔ ﻝطﻼب ﻤﻌﻬد ‪ 250‬طﺎﻝب ﻜﺎﻨت ﻋدد ﺴﺎﻋﺎت اﻝدراﺴﺔ‬
‫وﻨﺴﺒﺔ اﻝطﻼب اﻝﻤواﻓﻘﺔ ﻤوزﻋﺔ ﻜﻤﺎ ﻓﻲ اﻝﺠدول اﻵﺘﻲ‪:‬‬

‫اﻝﻔﺌﺔ‬
‫]‪]0, 2] ]2, 4 ] ]4, 6] ]6,8] ]8,10] ]10,12‬‬
‫ﻋدد اﻝطﻼب‬
‫‪10‬‬ ‫‪25‬‬ ‫‪60‬‬ ‫‪70‬‬ ‫‪80‬‬ ‫‪5‬‬
‫ﻨﺴﺒﺔ اﻝطﻼب‬ ‫‪10‬‬ ‫‪24‬‬ ‫‪60‬‬ ‫‪70‬‬ ‫‪80‬‬ ‫‪5‬‬
‫‪250‬‬ ‫‪250‬‬ ‫‪250‬‬ ‫‪250‬‬ ‫‪250‬‬ ‫‪250‬‬

‫إذا اﻋﺘﺒرﻨﺎ أن ﻫذﻩ اﻝدراﺴﺔ ﺘﻤﺜل ﺸرﻴﺤﺔ ﻜل اﻝطﻼب واﺨﺘرﻨﺎ طﺎﻝب ﻋﺸواﺌﻴﺄ ﻓﻤﺎ ﻫو اﺤﺘﻤﺎل أن ﻴﻜون‬
‫ﻋدد ﺴﺎﻋﺎت دراﺴﺘﻪ ) ‪ 5‬و ‪ 20‬دﻗﻴﻘﺔ(‬

‫ﺴﺘﻜون اﻹﺠﺎﺒﺔ أن ﻫذا اﻝطﺎﻝب ﻤن اﻝﻔﺌﺔ ]‪ ]4, 6‬واﻻﺤﺘﻤﺎل اﻝﻤطﻠوب ﻫو‬

‫‪60‬‬
‫=‪P‬‬
‫‪250‬‬
‫واﻝواﻗﻊ أن ﻫذا اﻻﺤﺘﻤﺎل ﻫو ﻗﻴﻤﺔ ﺘﻘرﻴﺒﻴﺔ ﻝﻼﺤﺘﻤﺎل اﻝﻤطﻠوب‬
‫ﻌرف داﻝﺔ ﻤﺴﺘﻤرة ﻋﻠﻰ اﻝﻤﺠﺎل ]‪]0,12‬‬
‫واﻝﻘﻴﻤﺔ اﻷﻜﺜر ﻗرﺒﺎً إﻝﻰ اﻝﺤﻘﻴﻘﺔ ﻫو أن ُﻨ ّ‬
‫ﻴﻤر ﺨطﻬﺎ اﻝﺒﻴﺎﻨﻲ ﻤن اﻝﻨﻘﺎط اﻝﺘﻲ ﻓواﺼﻠﻬﺎ ﻤراﻜز اﻝﻔﺌﺎت اﻝﻤذﻜورة وﺘراﺘﻴﺒﻬﺎ اﻝﺘﻜرار اﻝﻨﺴﺒﻲ‬
‫)ﻨﺴﺒﺔ اﻝطﻼب(‬
‫ﺼورة ) ‪ 5‬و ‪ 20‬دﻗﻴﻘﺔ( وﻓق ﻫذﻩ اﻝداﻝﺔ ﻫو اﻻﺤﺘﻤﺎل اﻝﻤطﻠوب‬

‫~ ‪~ 88‬‬
 ‫داﻝﺔ اﻻﺤﺘﻤﺎل ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ اﻝﻤﺴﺘﻤر‬

‫ﺘﻌرﻴف‪:‬‬
‫وﻤﺠﻤوﻋﺔ اﻝﻘﻴم ﻝﻬذا اﻝﻤﺘﻐﻴر‬ ‫) ‪(Ω , P (Ω) , P‬‬ ‫إذا ﻜﺎن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻓﻲ ﻓﻀﺎء اﺤﺘﻤﺎﻝﻲ‬
‫اﻝﻤﺠﺎل ] ‪X ( Ω ) = [a , b‬‬
‫ﻨﺴﻤﻲ اﻝداﻝﺔ‪ f : X (Ω ) → [ 0,1] :‬اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ اﻝﻤﺴﺘﻤر ‪X‬‬
‫ﻓﺈﻨﻨﺎ ّ‬
‫‪x =d‬‬
‫إذا ﺤﻘﻘت ‪ :‬إذا ﻜﺎن ‪ x ∈ [c , d ] ⊆ [a , b ] :‬ﻜﺎن ) ‪P (c ≤ x ≤ d ) = ∑ f (x‬‬
‫‪x =c‬‬
‫‪x =b‬‬
‫‪P ( Ω ) = ∑ f (x ) = 1‬‬
‫‪x =a‬‬

‫‪y‬‬
‫ﻨﺘﺎﺌﺞ‪:‬‬
‫①أﻴﺎً ﻜﺎن ] ‪ x ∈ X ( Ω ) = [a, b‬ﻜﺎن ‪f (x ) ≥ 0‬‬

‫ث ] ‪x ∈ [c , d‬‬ ‫ل و)وع ا دث ‪A‬‬ ‫② ا‬

‫‪k =d‬‬

‫‪x‬‬
‫= ) ‪P (A‬‬ ‫ھو ) ‪∑ f (x‬‬
‫‪k =c‬‬
‫‪a‬‬ ‫‪c‬‬ ‫‪d‬‬ ‫‪b‬‬
‫③ ﺤﺴب اﻝﻤﻔﻬوم اﻝﻬﻨدﺴﻲ ﻝﻠﺘﻜﺎﻤل اﻝﻤﺤدد‬
‫‪d‬‬
‫‪P ( A ) = ∫ f ( x )dx‬‬
‫‪c‬‬

‫وﻫو ﻤﺴﺎﺤﺔ اﻝﺴطﺢ اﻝﻤﺤدد ﺒﺎﻝﺨط اﻝﺒﻴﺎﻨﻲ ﻝﻠداﻝﺔ ‪ f‬واﻝﻤﺤور ‪ x ′x‬واﻝﻤﺴﺘﻘﻴﻤﻴن ‪x = c , x = d‬‬
‫‪b‬‬ ‫‪‬‬
‫‪P ( Ω ) = lim  ∫ f ( x )dx‬‬
‫∞‪b →+‬‬
‫④ ‪ X (Ω) = ℝ‬ﻓﺈن ‪ = 1‬‬
‫‪a →−∞  a‬‬ ‫‪‬‬

‫‪b‬‬
‫‪P ( Ω ) = ∫ f ( x )dx = 1‬‬ ‫⑤ ] ‪ X (Ω) = [a , b‬ﻓﺈن‬
‫‪a‬‬

‫⑥ اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ‪:‬‬

‫‪b‬‬
‫ﻋﻨدﻤﺎ ] ‪ X (Ω) = [a , b‬ﻓﺈن ‪ E ( X ) = ∫ xf ( x )dx = µ‬ﺤﻴث ‪ µ‬ﺜﺎﺒت ﻷﻨﻪ ﺘﻜﺎﻤل ﻤﺤدود‬
‫‪a‬‬

‫‪b‬‬ ‫‪‬‬
‫وﻋﻨدﻤﺎ ‪ X (Ω) = ℝ‬ﻓﺈن ‪ E ( x ) = lim  ∫ xf ( x )dx  = µ‬ﺤﻴث ‪ µ‬ﺜﺎﺒت ﻷﻨﻪ ﺘﻜﺎﻤل ﻤﺤدود‬
‫∞‪b →+‬‬
‫∞‪a →−‬‬ ‫‪a‬‬ ‫‪‬‬

‫~ ‪~ 89‬‬
 ‫ر ﻋﺸواﺌﻴﺎُ داﻝﺘﻪ اﻻﺤﺘﻤﺎﻝﻴﺔ ‪ f ( x ) = x‬ﺤﻴث ‪ 0 ≤ x ≤ 2‬أوﺠد ) ‪E (X‬‬
‫‪ :‬إذا ﻜﺎن ‪ X‬ﻤﺘﻐﻴ اً‬ ‫ﻤﺜﺎل‬
‫‪2‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪1 ‬‬
‫‪E (X ) =  x 3 ‬‬ ‫= ) ‪ E (X‬ﻓﻴﻜون‬ ‫‪∫ x dx‬‬ ‫وﻤﻨﻪ‬ ‫= ) ‪E (X‬‬ ‫‪∫ xf (x )dx‬‬ ‫اﻝﺤل‪:‬‬
‫‪2‬‬

‫‪3 0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫‪2‬‬
‫‪2‬‬
‫‪1 2 ‬‬ ‫‪2‬‬
‫(‬ ‫‪ E (X ) = 3 2‬ﻻﺤظ‪∫0 f (x )dx =  2 x  = 1 ) :‬‬ ‫أي‬
‫‪0‬‬

‫‪1‬‬
‫أوﺠد ) ‪E (X‬‬ ‫ﺤﻴث ‪1 ≤ x ≤ e‬‬ ‫= ) ‪f (x‬‬ ‫‪ :‬إذا ﻜﺎن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎُ داﻝﺘﻪ اﻻﺤﺘﻤﺎﻝﻴﺔ‬ ‫ﻤﺜﺎل‬
‫‪x‬‬
‫‪e‬‬
‫‪1‬‬
‫وﻤﻨﻪ ‪E (X ) = [x ]1 = e − 1‬‬ ‫= ) ‪E (X‬‬ ‫‪∫ x ⋅ x dx‬‬ ‫اﻝﺤل‪:‬‬
‫‪e‬‬

‫‪1‬‬
‫‪e‬‬ ‫‪e‬‬
‫‪1‬‬
‫(‬ ‫∫‬ ‫∫= ‪f (x )dx‬‬ ‫ﻻﺤظ‪dx = [ln x ]1 = 1 ) :‬‬
‫‪e‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪x‬‬

‫⑦ اﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري‪:‬‬

‫اﻝﺘﺒﺎﻴن ‪:‬‬
‫ﻋﻨدﻤﺎ ] ‪ X (Ω) = [a , b‬ﻓﺈن‬
‫‪b‬‬
‫ﺤﻴث ‪ µ‬ﺜﺎﺒت ‪E ( X ) = µ :‬‬ ‫= ) ‪V (X‬‬ ‫) ‪∫ (x − µ‬‬
‫‪2‬‬
‫‪f ( x )dx‬‬
‫‪a‬‬

‫وﻋﻨدﻤﺎ ‪X (Ω) = ℝ‬‬

‫‪b‬‬ ‫‪‬‬
‫ﻓﺈن ‪ V ( x ) = lim  ∫ ( x − µ ) f ( x )dx ‬ﺤﻴث ‪ µ‬ﺜﺎﺒت ‪E ( X ) = µ‬‬
‫‪2‬‬

‫∞‪b →+‬‬
‫‪a →−∞  a‬‬ ‫‪‬‬
‫= ‪σ‬‬ ‫) ‪V (X‬‬ ‫⑧اﻻﻨﺤراف اﻝﻤﻌﻴﺎري‬
‫⑨اﻝﺘوزﻴﻊ اﻝطﺒﻴﻌﻲ ‪:‬‬
‫أﻫﻤﻴﺔ اﻝﺘوزﻴﻊ اﻝطﺒﻴﻌﻰ‬
‫]‪ [1‬ﺠﻤﻴﻊ اﻝﺘوزﻴﻌﺎت اﻹﺤﺘﻤﺎﻝﻴﺔ ﻤﺜل ﺘوزﻴﻊ ذات اﻝﺤدﻴن وﺘوزﻴﻊ ﺒواﺴون وﻏﻴرﻫﺎ ﻤن اﻝﺘوزﻴﻌﺎت ﺘؤل إﻝﻰ‬
‫اﻝﺘوزﻴﻊ اﻝطﺒﻴﻌﻰ ﻋﻨدﻤﺎ ﻴﻜون ﻓﻀﺎء اﻝﻌﻴﻨﺔ ﻜﺒﻴر ﺠدا‪.‬‬
‫]‪ [ 2‬ﻴﺼف ﻤﻌظم اﻝظواﻫر اﻝطﺒﻴﻌﻴﺔ‪.‬‬
‫]‪ [3‬إذا ﺘم أﺨذ ﻤﺠﻤوﻋﺔ ﻤن اﻝطﻼب وﻗﻤﻨﺎ ﺒﻘﻴﺎس أطواﻝﻬم أو ﻤﺴﺘوى ذﻜﺎﺌﻬم ورﺴﻤﻨﺎ اﻝﻤﻨﺤﻨﻰ اﻝﺘﻜرارى‬
‫اﻝﻨﺴﺒﻰ ﻝﻸطوال أو ﻤﺴﺘوى اﻝذﻜﺎء ﻝوﺠدﻨﺎ أﻨﻪ ﺒزﻴﺎدة ﻋدد اﻝطﻼب ﻓﻰ اﻝﻤﺠﻤوﻋﺔ ﻓﺈن اﻝﻤﻨﺤﻨﻰ ﻴؤل إﻝﻰ‬
‫ﻤﻨﺤﻨﻰ ﻤﺘﻤﺎﺜل ﺤول ﻤﺤور ﻴﻤر ﺒﺎﻝوﺴط اﻝﺤﺴﺎﺒﻰ ﻝﻠﻤﺠﻤوﻋﺔ اﻝﻤﺨﺘﺎرة‪ ،‬ﻫذا اﻝﻤﻨﺤﻨﻰ اﻝﻤﻨﺎظر ﻝداﻝﺔ‬
‫ﻜﺜﺎﻓﺔ ﻝﻬﺎ اﻝﺘوزﻴﻊ اﻝطﺒﻴﻌﻰ‪.‬‬

‫~ ‪~ 90‬‬
 ‫ﺘﻌرﻴف اﻝﺘوزﻴﻊ اﻝطﺒﻴﻌﻰ‬

‫ﻨﻘول إن ﻝﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻰ اﻝﻤﺘﺼل ‪ X‬ﻝﻪ ﺘوزﻴﻊ طﺒﻴﻌﻰ‬

‫‪1  x −µ 2‬‬
‫‪1‬‬ ‫‪− ‬‬ ‫‪‬‬
‫= ) ‪f (x‬‬ ‫‪e 2‬‬ ‫‪σ ‬‬
‫إذا ﻜﺎﻨت داﻝﺔ ﻜﺜﺎﻓﺘﻪ ﻝﻬﺎ اﻝﺼﻴﻐﺔ ‪:‬‬
‫‪σ 2π‬‬

‫ﺤﻴث اﻝﺜﺎﺒﺘﺎن ‪π ≈ 3.1416 , e ≈ 2.7183‬‬

‫واﻝﺘﺒﺎﻴن ‪ ، V (X ) = σ 2‬و اﻻﻨﺤراف اﻝﻤﻌﻴﺎري ‪σ‬‬ ‫اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ﻫو ‪، E (X ) = µ‬‬

‫وﻨﻘول إن ‪ X‬ﻝﻪ ﺘوزﻴﻊ طﺒﻴﻌﻲ ﺒﺘوﻗﻊ ‪ µ‬واﻨﺤراف ﻤﻌﻴﺎري ‪σ‬‬

‫ﺨﺼﺎﺌص اﻝﺘوزﻴﻊ اﻝطﺒﻴﻌﻰ‬

‫‪1  x −µ 2‬‬
‫‪1‬‬ ‫‪− ‬‬ ‫‪‬‬
‫= ) ‪ f (x‬ﻝﻬذﻩ اﻝداﻝﺔ اﻝﺨط اﻝﺒﻴﺎﻨﻲ‬ ‫‪e 2‬‬ ‫‪σ ‬‬

‫‪f (x‬‬ ‫‪σ 2π‬‬

‫‪M‬‬

‫ﻨﻘطﺔ اﻨﻘﻼب )اﻨﻌطﺎف(‬ ‫‪B‬‬ ‫‪A‬‬ ‫ﻨﻘطﺔ اﻨﻘﻼب )اﻨﻌطﺎف(‬

‫‪x‬‬
‫‪µ −σ‬‬ ‫‪µ‬‬ ‫‪µ+σ‬‬

‫‪x =µ‬‬ ‫]‪ [1‬اﻝﻤﻨﺤﻨﻰ ﻤﺘﻤﺎﺜل)ﻤﺘﻨﺎظر( ﺤول ﺨط اﻝﻤﺴﺘﻘﻴم‬

‫]‪ [ 2‬اﻝﻤﺤور ‪ x ′x‬ﻫو ﻤﺴﺘﻘﺴم ﻤﻘﺎرب ﻝﻤﻨﺤﻨﻰ داﻝﺔ اﻝﺘوزﻴﻊ اﻝطﺒﻴﻌﻰ‬
‫]‪ [3‬اﻝﻤﻨوال واﻝوﺴﻴط واﻝوﺴط اﻝﺤﺴﺎﺒﻰ ﺘﺴﺎوى ‪ x = µ‬واﻝﺘﺒﺎﻴن ﻴﺴﺎوى ‪σ 2‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫]‪ [ 4‬ﻨﻘط اﻨﻘﻼب اﻝﻤﻨﺤﻨﻰ ﻫﻰ ‪ :‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪σ + µ ,‬‬ ‫‪ ، σ − µ ,‬‬
‫‪‬‬ ‫‪σ 2π e ‬‬ ‫‪‬‬ ‫‪σ 2π e ‬‬
‫]‪ [5‬اﻝﻤﺴﺎﺤﺔ اﻝﻜﻠﻴﺔ ﺘﺤت ﻤﻨﺤﻨﻰ داﻝﺔ اﻝﺘوزﻴﻊ اﻝطﺒﻴﻌﻰ ﺘﺴﺎوى اﻝواﺤد اﻝﺼﺤﻴﺢ‬
‫]‪ [ 6‬ﻨﺴﺒﺔ اﻝﻤﺴﺎﺤﺔ ﺒﻴن‪:‬‬
‫‪68.27 0 0‬‬ ‫‪ x = µ − σ , x = µ + σ‬ﻫﻲ‬
‫‪95.5 0 0‬‬ ‫‪ x = µ − 2σ , x = µ + 2σ‬ﻫﻲ‬
‫‪99.7 0 0‬‬ ‫‪ x = µ − 3σ , x = µ + 3σ‬ﻫﻲ‬

‫~ ‪~ 91‬‬
 ‫ﻣﺴﺎﺋﻞ ﻋﺎﻣﺔ‬
‫ﻤﺴﺄﻝﺔ ① ﻴﺤوي ﺼﻨدوق ﻋﻠﻰ ﺴت ﻜرات ﻤرﻗﻤﺔ ﻤن ‪ 1‬إﻝﻰ ‪ 6‬ﻨﺴﺤب ﻤن اﻝﺼﻨدوق ﻋﺸواﺌﻴﺎً ﻜرﺘﻴن‬
‫‪x +y‬‬
‫ﻤﻌﺎً ﻨﻔرض رﻗم إﺤداﻫﻤﺎ ‪ x‬و اﻷﺨرى اﻝرﻗم ‪ y‬ﻨﻌرف ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ‪ X‬اﻝذي ﻗﻴﻤﺘﻪ ﻫﻲ ‪:‬‬
‫‪2‬‬
‫‪x −y‬‬
‫)‪(0‬‬ ‫إذا ﻜﺎن ﻜل ﻤن اﻝرﻗﻤﻴن ‪ x , y‬ﻓردﻴﺎً ‪.‬‬ ‫إذا ﻜﺎن ﻜل ﻤن اﻝرﻗﻤﻴن ‪ x , y‬زوﺠﻴﺎً ‪.‬‬
‫‪2‬‬
‫إذا ﻜﺎن أﺤد اﻝرﻗﻤﻴن ﻓردﻴﺎً واﻵﺨر زوﺠﻴﺎً ‪ .‬اﻜﺘب ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬واﺤﺴب ﺘوﻗﻌﻪ اﻝرﻴﺎﻀﻲ‬
‫ﻝ ّ‬
‫اﻝﺤل‪:‬‬

‫‪X‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬

‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪0‬‬ ‫‪4‬‬
‫‪3‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪4‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪0‬‬ ‫‪4‬‬ ‫‪0‬‬ ‫‪5‬‬
‫‪5‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪6‬‬ ‫‪0‬‬ ‫‪4‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪0‬‬ ‫‪6‬‬

‫}‪X ( Ω ) = {0 , 1 , 2 , 3 , 4 , 5, 6‬‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬
‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬

‫‪xk‬‬ ‫‪0 1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬

‫‪21 4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬
‫‪f (x k‬‬ ‫)‬ ‫‪36 36‬‬ ‫‪36 36‬‬ ‫‪36 36‬‬ ‫‪36‬‬

‫‪7‬‬
‫‪E (X ) = ∑ x k f (x k‬‬ ‫)‬
‫‪k =1‬‬

‫‪4‬‬ ‫‪6‬‬ ‫‪6 12 10 6‬‬

‫‪E (X ) = 0 +‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪+‬‬
‫‪36 36 36 36 36 36‬‬
‫‪44 11‬‬
‫= ) ‪E (X‬‬ ‫=‬
‫‪36 9‬‬

‫~ ‪~ 92‬‬
‫ﻤﺴﺄﻝﺔ ②‪ :‬ﺼﻨدوﻗﺎن ﻤﺘﻤﺎﺜﻼن ﻓﻴﻬﻤﺎ ﻜرات ﻤﺘﻤﺎﺜﻠﺔ اﻝﺼﻨدوق ) ‪ ( Ι‬ﻴﺤﺘوي )‪ ( 3‬ﻜرات ﻤرﻗﻤﺔ ﺒﺎﻷﻋداد‬
‫‪ 1 , 2 , 3‬اﻝﺼﻨدوق ) ‪ ( ΙΙ‬ﻴﺤﺘوي ) ‪ ( 4‬ﻜرات ﻤرﻗﻤﺔ ﺒﺎﻷﻋداد ‪2 , 3 , 4 , 5‬‬
‫ﻨﺴﺤب ﻋﺸواﺌﻴﺎً ﻜرة ﻤن اﻝﺼﻨدوق ) ‪ ( Ι‬ﺜم ﻨﺴﺤب ﻜرة ﻤن اﻝﺼﻨدوق ) ‪ ( ΙΙ‬واﻝﻤطﻠوب ‪:‬‬
‫‪ (1‬اﻜﺘب ﻓﻀﺎء اﻝﻌﻴﻨﺔ اﻝﻤرﺘﺒط ﺒﻬذا اﻻﺨﺘﺒﺎر ‪.‬‬
‫‪3‬‬ ‫‪ (2‬ﻨﻔرض اﻝﺤدث ‪: A‬إﺤدى اﻝﻜرﺘﻴن ﻋﻠﻰ اﻷﻗل ﺘﺤﻤل رﻗم‬
‫‪5‬‬ ‫ﻨﻔرض اﻝﺤدث ‪ : B‬ﻤﺠﻤوع رﻗﻤﻲ اﻝﻜرﺘﻴن أﻜﺒر ﺘﻤﺎﻤﺎً ﻤن‬
‫ﻫل اﻝﺤدﺜﺎن ‪ A , B‬ﻤﺴﺘﻘﻼن اﺤﺘﻤﺎﻝﻴﺎً ؟ ﻋﻠل ‪.‬‬
‫و رﻗم اﻝﺒطﺎﻗﺔ اﻝﻤﺴﺤوﺒﺔ ﻤن اﻝﺼﻨدوق ) ‪( ΙΙ‬‬ ‫‪x‬‬ ‫‪ (3‬ﻨﻔرض رﻗم اﻝﺒطﺎﻗﺔ اﻝﻤﺴﺤوﺒﺔ ﻤن اﻝﺼﻨدوق ) ‪ ( Ι‬ﻫﻲ‬
‫ﻨﻌرف ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ‪ X‬ﺒﺎﻝﻘﺎﻋدة ‪:‬‬ ‫ﻫﻲ ‪y‬‬
‫‪x + y‬‬
‫‪‬‬ ‫إذا ﻜﺎن ‪ x , y‬ﻓردﻴﺎن ﻤﻌﺎً أو زوﺠﻴﺎن ﻤﻌﺎً ‪:‬‬
‫‪X (x , y ) =  2‬‬
‫| ‪| x − y‬‬ ‫إذا ﻜﺎن ‪ x , y‬أﺤدﻫﻤﺎ ﻓردﻴﺎً واﻵﺨر زوﺠﻴﺎً ‪:‬‬
‫ﻤﻌﺎً‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬واﺤﺴب ﺘوﻗﻌﻪ اﻝرﻴﺎﻀﻲ‬
‫اﻜﺘب ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫اﻝﺤل‪:‬‬
‫‪Ω = {(1, 2 ) , (1,3) , (1, 4 ) , (1,5) , ( 2, 2 ) , ( 2,3) , ( 2, 4 ) , ( 2,5 ) , ( 3, 2 ) , ( 3,3) , ( 3, 4 ) , ( 3,5)} (1‬‬

‫})‪A = {(1,3), (2,3), (3,3), (3, 2), (3, 4), (3,5‬‬

‫})‪B = {(2, 4), (3, 4), (3,3), (1,5), (2,5)(3, 5‬‬
‫‪3 1‬‬ ‫‪6 1‬‬ ‫‪6 1‬‬
‫= ) ‪P (A ∩ B‬‬ ‫=‬ ‫= ) ‪P (B‬‬ ‫= ) ‪= ، P (A‬‬ ‫=‬ ‫‪(2‬‬
‫‪12 4‬‬ ‫‪12 2‬‬ ‫‪12 2‬‬
‫ﻓﺎﻝﺤدﺜﺎن ‪ B ، A‬ﻤﺴﺘﻘﻼن اﺤﺘﻤﺎﻝﻴﺎً‬ ‫إذاً‪P ( A ∩ B ) = P ( A ) .P ( B ) :‬‬
‫‪(3‬‬
‫‪X‬‬ ‫‪2 3 4 5‬‬

‫} ‪X ( Ω ) = {0,1, 2,3‬‬
‫‪1‬‬ ‫‪1 2 3 3‬‬
‫‪2‬‬ ‫‪0 1 2 3‬‬
‫‪3‬‬ ‫‪1 0 1 2‬‬

‫‪xk‬‬ ‫‪0 1‬‬ ‫‪2 3‬‬

‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬
‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫‪2 4 3 3‬‬
‫‪f (x k‬‬ ‫)‬ ‫‪12 12 12 12‬‬
‫‪4‬‬
‫= ) ‪E (X‬‬ ‫‪∑x‬‬ ‫‪k‬‬ ‫‪f (x k‬‬ ‫)‬
‫‪k =1‬‬

‫‪0‬‬ ‫‪4 6 9 19‬‬

‫=‬ ‫‪+ + +‬‬ ‫=‬
‫‪12 12 12 12 12‬‬

‫~ ‪~ 93‬‬
‫ﻤﺴﺄﻝﺔ ③‪ :‬راﻤﻴﺎن ﻴطﻠق ﻜل ﻤﻨﻬﻤﺎ طﻠﻘﺔ واﺤدة ﻋﻠﻰ ﻫدف ﻤﻌﻴن ‪ ،‬إذا ﻜﺎن اﺤﺘﻤﺎل ﻋدم إﺼﺎﺒﺔ اﻝﻬدف‬
‫‪1‬‬ ‫‪1‬‬
‫واﺤﺘﻤﺎل إﺼﺎﺒﺔ اﻷول ﻓﻘط ﻝﻠﻬدف ﻴﺴﺎوي‬ ‫ﺒﺄﻴﺔ طﻠﻘﺔ ﻴﺴﺎوي‬
‫‪6‬‬ ‫‪12‬‬
‫واﻋﺘﺒرﻨﺎ ‪ A‬ﺤدث إﺼﺎﺒﺔ اﻷول ﻝﻠﻬدف و ‪ B‬ﺤدث إﺼﺎﺒﺔ اﻷول اﻝﺜﺎﻨﻲ ﻝﻠﻬدف‬
‫أوﻻً‪ :‬اﺤﺴب اﺤﺘﻤﺎل إﺼﺎﺒﺔ ﻜل ﻤن اﻝراﻤﻴﺎن ﻝﻠﻬدف أن ﻴﺼﻴب اﻝراﻤﻲ‬
‫‪2‬‬
‫= ) ‪P (A‬‬ ‫ﺜﺎﻨﻴﺎً‪ :‬إذا ﻜﺎن اﺤﺘﻤﺎل أن ﻴﺼﻴب اﻝراﻤﻲ ‪ A‬اﻝﻬدف‬
‫‪3‬‬
‫‪3‬‬
‫و ﻜﺎن اﺤﺘﻤﺎل أن ﻴﺼﻴب اﻝراﻤﻲ ‪ B‬اﻝﻬدف = ) ‪P ( A‬‬
‫‪4‬‬
‫‪ (1‬اﺤﺴب اﺤﺘﻤﺎل أن ﻴﺼﺎب اﻝﻬدف‬
‫‪ (2‬إذا أﺼﻴب اﻝﻬدف اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون اﻝراﻤﻲ اﻷول ﻗد أﺼﺎب اﻝﻬدف‬
‫‪ (3‬إذا أﺼﻴب اﻝﻬدف ﺒطﻠﻘﺔ واﺤدة ﻓﻘط اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون اﻝراﻤﻲ اﻷول ﻗد أﺼﺎب اﻝﻬدف‬
‫‪ (4‬ﻨﻌرف ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ‪ X‬ﻴدل ﻋﻠﻰ ﻋدد اﻝطﻠﻘﺎت اﻝﺘﻲ أﺼﻴب ﺒﻬﺎ اﻝﻬدف ‪.‬‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪X‬‬
‫اﻜﺘب ﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬واﻜﺘب وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫واﺤﺴب اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ واﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري‬

‫اﻝﺤل‪:‬‬
‫}‪Ω = {A ∩ B , A ∩ B ′, A ′ ∩ B , A ′ ∩ B ′‬‬
‫أوﻻً‪ :‬اﻷﺤداث ‪ A‬و ‪ B‬ﻤﺴﺘﻘﻠﺔ اﺤﺘﻤﺎﻝﻴﺎً ﻴﻜون ‪ A‬و ‪ B ′‬ﻤﺴﺘﻘﻠﻴن و ‪ A ′‬و ‪ B ′‬ﻤﺴﺘﻘﻠﻴن‬
‫‪1‬‬
‫= )‪P ( A ′ ∩ B ′ ) = P ( A ′) × P ( B ′‬‬ ‫)‪........ (1‬‬
‫‪12‬‬
‫‪1‬‬
‫) ‪P ( A ∩ B ′ ) = P ( A ) P ( B ′) = ........... ( 2‬‬
‫‪6‬‬
‫‪1 1‬‬
‫= )‪P ( A ) P ( B ′) + P ( A ′) × P ( B ′‬‬ ‫‪+‬‬ ‫ﺒﺠﻤﻊ )‪ (1‬و ) ‪ ( 2‬ﻨﺠد‬
‫‪12 6‬‬
‫‪3‬‬ ‫‪1‬‬ ‫‪1‬‬
‫= ) ‪P (B‬‬ ‫= )‪ (P (A ) + P (A ′))P (B ′‬ﻝﻜن ‪ P (A ) + P (A ′) = 1‬ﻓﻴﻜون = )‪ P (B ′‬وﻤﻨﻪ‬
‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬
‫‪2‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫= ) ‪ P ( A‬وﻤﻨﻪ = ) ‪P ( A‬‬ ‫ﻨﺒدل ﻗﻴﻤﺔ = )‪ P (B ′‬ﻓﻲ ) ‪ ( 2‬ﻨﺠد‬
‫‪3‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪4‬‬
‫ﺜﺎﻨﻴﺎً‪:‬‬
‫‪ (1‬اﻝﺤدث إﺼﺎﺒﺔ اﻝﻬدف ﻫو‪ A ∪ B :‬أو } ‪{A ∩ B , A ∩ B ′, A ′ ∩ B‬‬
‫) ‪P ( A ∪ B ) = P (A ) + P (B ) − P (A ∩ B‬‬
‫‪11‬‬ ‫‪2 3 2 3‬‬
‫= ) ‪P (A ∪ B‬‬ ‫وﻤﻨﻪ‬ ‫= ) ‪P (A ∪ B‬‬ ‫× ‪+ −‬‬
‫‪12‬‬ ‫‪3 4 3 4‬‬
‫‪ (2‬اﻝﻤطﻠوب ) ) ‪P ( A | ( A ∪ B‬‬

‫~ ‪~ 94‬‬
 ‫)) ‪P ( A ∩ ( A ∪ B‬‬
‫= )) ‪P ( A | ( A ∪ B‬‬
‫)) ‪P (( A ∪ B‬‬
‫) ‪P (A‬‬
‫= )) ‪P ( A | ( A ∪ B‬‬
‫‪8‬‬
‫=‬ ‫ﻓﻴﻜون‬ ‫ﻝﻜن ‪A ⊆ A ∪ B‬‬
‫) ‪P (A ∪ B‬‬ ‫‪11‬‬
‫‪ (3‬ﻝﻴﻜن ‪ H‬ﺤدث إﺼﺎﺒﺔ اﻝﻬدف ﺒطﻠﻘﺔ واﺤدة ﻓﻘط ﻓﺈن‪H = {( A ∩ B ′ ) , ( A ′ ∩ B )} :‬‬

‫) ‪P (A ∩ H‬‬
‫= ) ‪P (A | H‬‬ ‫‪:A ∩H = A ∩B′‬‬
‫) ‪P (H‬‬
‫)‪P ( A ∩ B ′‬‬
‫=‬
‫) ‪P ( A ∩ B ′) + P ( A ′ ∩ B‬‬
‫) ‪P ( A ) ⋅ P (B ′‬‬
‫=‬
‫) ‪P ( A ) ⋅ P (B ′ ) + P ( A ′) ⋅ P (B‬‬
‫‪2 1‬‬
‫×‬
‫‪3‬‬ ‫‪4‬‬ ‫‪2‬‬
‫=‬ ‫=‬
‫‪2 1 1 3 5‬‬
‫× ‪× +‬‬
‫‪3 4 3 4‬‬
‫‪X ( Ω ) = {0,1.2} (4‬‬
‫‪1‬‬
‫= )‪f (0‬‬ ‫‪ {X = 0} = A ′ ∩ B ′‬وﻤﻨﻪ‬
‫‪12‬‬
‫‪5‬‬
‫= ) ‪f (1) = P (H‬‬ ‫‪ {X = 1} = {A ∩ B ′, A ′ ∩ B } = H‬وﻤﻨﻪ‬
‫‪12‬‬
‫‪2 3 6‬‬
‫‪ {X = 2} = A ∩ B‬وﻤﻨﻪ = × = )‪f (2‬‬
‫‪3 4 12‬‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬
‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬

‫‪3‬‬ ‫‪xk‬‬ ‫‪0 1‬‬ ‫‪2‬‬

‫‪E (X‬‬ ‫) ‪) = ∑ x k .f ( x k‬‬
‫‪k =1‬‬ ‫‪1 5 6‬‬
‫‪f (x k ) 12 12 12‬‬
‫‪0 + 5 + 12 17‬‬
‫= ) ‪E (X‬‬ ‫=‬ ‫وﻤﻨﻪ‬
‫‪12‬‬ ‫‪12‬‬
‫ﻝﺤﺴﺎب اﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري‬

‫~ ‪~ 95‬‬
 ‫‪f (x k‬‬ ‫)‬ ‫‪x k ⋅ f (x k‬‬ ‫‪) (x k‬‬ ‫) ) ‪− E (x‬‬ ‫‪(x k‬‬ ‫‪− E (x ) ) ⋅ f ( x k‬‬ ‫)‬
‫‪2‬‬ ‫‪2‬‬
‫‪xk‬‬
‫‪1‬‬ ‫‪289‬‬ ‫‪289‬‬
‫‪0‬‬ ‫‪12‬‬ ‫‪0‬‬ ‫‪144‬‬ ‫‪1728‬‬
‫‪5‬‬ ‫‪5‬‬ ‫‪25‬‬ ‫‪125‬‬
‫‪1‬‬ ‫‪12‬‬ ‫‪12‬‬ ‫‪144‬‬ ‫‪1728‬‬
‫‪6‬‬ ‫‪49‬‬ ‫‪294‬‬
‫‪2‬‬ ‫‪12‬‬ ‫‪1‬‬ ‫‪144‬‬ ‫‪1728‬‬
‫‪3‬‬
‫‪708‬‬ ‫‪59‬‬
‫∑‬
‫‪k =1‬‬ ‫‪1‬‬
‫= ) ‪E (x‬‬
‫‪17‬‬
‫‪12‬‬
‫= ) ‪V (X‬‬ ‫=‬
‫‪1728 144‬‬
‫‪3‬‬
‫‪V (X‬‬ ‫‪) = ∑ (x k‬‬ ‫‪− E (X ) ) f ( x k‬‬ ‫)‬
‫‪2‬‬

‫‪k =1‬‬

‫‪59‬‬
‫= ) ‪V (X‬‬
‫‪144‬‬
‫‪59‬‬
‫= ‪σx‬‬ ‫) ‪ σ x = V ( X‬وﻤﻨﻪ‬
‫‪12‬‬

‫ﻤﺴﺄﻝﺔ ④ ﻴﺤوي ﺼﻨدوق )‪ (10‬ﻜرات ﻤﺘﻤﺎﺜﻠﺔ ) ‪ 5‬ﺤﻤراء ‪ 3 ،‬ﺴوداء ‪ 2 ،‬زرﻗﺎء ( ‪.‬‬

‫ﻨﺴﺤب ﻤن اﻝﺼﻨدوق ﺜﻼث ﻜرات ﻋﺸواﺌﻴﺎً ﺒﺎﻝﺘﺘﺎﻝﻲ ﻤﻊ اﻹﻋﺎدة واﻝﻤطﻠوب ‪:‬‬
‫‪ (1‬ﻤﺎ اﺤﺘﻤﺎل أن ﺘﻜون اﻝﻜرة اﻝﻤﺴﺤوﺒﺔ اﻷوﻝﻰ ﺤﻤراء واﻝﺜﺎﻨﻴﺔ ﺴوداء واﻝﺜﺎﻝﺜﺔ زرﻗﺎء ؟‬
‫‪ (2‬ﻤﺎ اﺤﺘﻤﺎل أن ﺘﻜون اﻝﻜرات اﻝﺜﻼث ﻤن ٍ‬
‫ﻝون واﺤد ؟‬
‫‪ (3‬ﻤﺎ اﺤﺘﻤﺎل أن ﺘﻜون واﺤدة ﻓﻘط ﻤن اﻝﻜرات اﻝﻤﺴﺤوﺒﺔ زرﻗﺎء ﻋﻠﻤﺎً ﺒﺄن ﻜرة ﺴوداء ﻋﻠﻰ اﻷﻗل وﺠدت‬
‫ﺒﻴن اﻝﻜرات اﻝﻤﺴﺤوﺒﺔ ‪.‬‬
‫ر ﻋﺸواﺌﻴﺎً ‪ X‬ﻴدل ﻋﻠﻰ ﻋدد اﻝﻜرات اﻝزرﻗﺎء اﻝﻤﺴﺤوﺒﺔ ‪ .‬اﻜﺘب ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪X‬‬
‫‪ (4‬ﻨﻌرف ﻤﺘﻐﻴ اً‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬واﺤﺴب اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ﻝﻪ‬
‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫اﻝﺤل‪:‬‬
‫‪(1‬ﻝﻴﻜن ﺤدث ‪ A‬أن ﺘﻜون اﻝﻜرة اﻝﻤﺴﺤوﺒﺔ اﻷوﻝﻰ ﺤﻤراء واﻝﺜﺎﻨﻴﺔ ﺴوداء واﻝﺜﺎﻝﺜﺔ زرﻗﺎء‬
‫)ﻻﺤظ اﻝﺘرﺘﻴب ﺒﻌﻤﻠﻴﺔ اﻝﺴﺤب(‬
‫‪5 3 2‬‬ ‫‪3‬‬
‫= ) ‪P (A‬‬ ‫= × ×‬
‫‪10 10 10 100‬‬
‫‪ (2‬ﻝﻴﻜن اﻝﺤدث ‪ B‬أن ﺘﻜون اﻝﻜرات اﻝﺜﻼث اﻝﻤﺴﺤوﺒﺔ ﻤن ٍ‬
‫ﻝون واﺤد‬
‫ﻴﻘﻊ اﻝﺤدث ‪ B‬إذا ﻜﺎﻨت اﻝﻜرات اﻝﺜﻼث اﻝﻤﺴﺤوﺒﺔ إﻤﺎ ﺤﻤراء أو ﺴوداء أو زرﻗﺎء‬
‫)ﻻﺤظ اﻝﺴﺤب ﻤﻊ إﻋﺎدة(‬

‫~ ‪~ 96‬‬
 ‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪ 5  3  2‬‬ ‫‪4‬‬
‫= ‪P (B ) =   +   +  ‬‬
‫‪ 10   10   10 ‬‬ ‫‪25‬‬
‫‪ C (3‬ﺤدث أن ﺘﻜون واﺤدة ﻓﻘط ﻤن اﻝﻜرات اﻝﻤﺴﺤوﺒﺔ زرﻗﺎء ‪ D‬ﺤدث ﻜرة ﺴوداء ﻋﻠﻰ اﻷﻗل وﺠدت‬
‫ﺒﻴن اﻝﻜرات اﻝﻤﺴﺤوﺒﺔ ) ‪ D ′‬ﺤدث ﻋدم ﺴﺤب أي ﻜرة ﺴوداء(‬
‫ﻴﻘﻊ اﻝﺤدث ‪ C ∩ D :‬إذا )ﺴﺤﺒﻨﺎ ﻜرة ﻤن ﻜل ﻝون( أو )ﺴﺤﺒﻨﺎ ﻜرﺘﻴن ﺴوداوﻴن وﻜرة زرﻗﺎء(‬
‫‪3‬‬
‫‪ 7‬‬ ‫‪657‬‬
‫= ‪P ( D ) = 1 − P ( D ′) = 1 −  ‬‬
‫‪ 10  1000‬‬
‫) ‪P (C ∩ D‬‬
‫= ) ‪P (C | D‬‬
‫) ‪P (D‬‬
‫‪2‬‬
‫‪ 5  2  3 ‬‬ ‫‪ 3  2‬‬
‫‪      × 6 +     × 3 234‬‬
‫‪=    ‬‬ ‫‪ 10   10 ‬‬
‫‪10 10 10‬‬
‫‪3‬‬
‫=‬
‫‪7‬‬ ‫‪657‬‬
‫‪1−  ‬‬
‫‪ 10 ‬‬
‫‪X ( Ω ) = {0 , 1 , 2,3} (4‬‬
‫‪3‬‬
‫‪8‬‬ ‫‪64‬‬
‫= ‪f ( 0) =  ‬‬ ‫اﻝﺤدث }‪ : {X = 0‬ﻋدم ﺴﺤب أي ﻜرة زرﻗﺎء وﻤﻨﻪ‬
‫‪ 10  125‬‬
‫‪2‬‬
‫‪ 2  8 ‬‬ ‫‪48‬‬
‫= ‪f (1) =    × 3‬‬ ‫اﻝﺤدث }‪ : {X = 1‬ﺴﺤب ﻜرة زرﻗﺎء وﻜرﺘﻴن ﻤن ﺒﺎﻗﻲ اﻝﻜرات وﻤﻨﻪ‬
‫‪ 10  10 ‬‬ ‫‪125‬‬
‫‪2‬‬
‫‪ 2 8‬‬ ‫‪12‬‬
‫= ‪f ( 2) =     × 3‬‬ ‫اﻝﺤدث }‪ : {X = 2‬ﺴﺤب ﻜرﺘﻴن زرﻗﺎء وﻜرة ﻤن ﺒﺎﻗﻲ اﻝﻜرات وﻤﻨﻪ‬
‫‪ 10   10 ‬‬ ‫‪125‬‬
‫‪3‬‬

‫‪f‬‬ ‫‪( 3 ) = ‬‬

‫‪2 ‬‬
‫= ‪‬‬
‫‪1‬‬ ‫اﻝﺤدث }‪ : {X = 3‬ﺴﺤب ﺜﻼث ﻜرات زرﻗﺎء وﻤﻨﻪ‬
‫‪ 10 ‬‬ ‫‪125‬‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬
‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫‪xk‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪64 48 12‬‬ ‫‪1‬‬
‫‪f (x k‬‬ ‫)‬
‫‪125 125 125 125‬‬
‫‪4‬‬
‫‪E (X‬‬ ‫‪) = ∑xk‬‬ ‫‪f (x i‬‬ ‫)‬
‫‪k1‬‬

‫‪48 24‬‬ ‫‪3‬‬ ‫‪75 3‬‬

‫‪E (X‬‬ ‫)‬ ‫‪=0+‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫=‬ ‫=‬ ‫وﻤﻨﻪ‬
‫‪125 125 125 125 5‬‬

‫~ ‪~ 97‬‬
‫ﻤﺴﺄﻝﺔ ⑤‪ :‬ﺘﺴﻊ ﺒطﺎﻗﺎت ﻤﺘﻤﺎﺜﻠﺔ ﻜﺘب ﻋﻠﻰ ‪ n‬ﻤﻨﻬﺎ اﻝﻌدد ‪ 1‬وﻜﺘب ﻋﻠﻰ ﺒﺎﻗﻲ اﻝﺒطﺎﻗﺎت اﻝرﻗم ‪. 2‬‬
‫ﻨﺴﺤب ﻋﺸواﺌﻴﺎً ﺒطﺎﻗﺘﻴن ﻤﻌﺎً ‪ .‬واﻝﻤطﻠوب ‪:‬‬
‫‪ (1‬ﻨﻔرض ‪ A‬ﺤدث ﺴﺤب ﺒطﺎﻗﺘﻴن ﺘﺤﻤﻼن اﻝرﻗم ذاﺘﻪ‬
‫‪1‬‬
‫= ) ‪ P (A‬اﺤﺴب ‪. n‬‬ ‫‪ (a‬إذا ﻜﺎن‬
‫‪2‬‬
‫‪2‬‬
‫= ) ‪ ، P (A‬وﻝﻤﺎذا؟‬ ‫‪ (b‬ﻫل ﻴوﺠد ﻗﻴﻤﺔ ﻝﻠﻌدد ‪ n‬ﺘﺠﻌل‬
‫‪3‬‬
‫‪ (c‬ﻤﺎ ﻗﻴم ‪ n‬اﻝﺘﻲ ﺘﺠﻌل ) ‪ P (A‬أﺼﻐر ﻤﺎ ﻴﻤﻜن؟ وﻤﺎ ﻗﻴﻤﺔ ‪ n‬اﻝﺘﻲ ﺘﺠﻌل ) ‪ P (A‬أﻜﺒر ﻤﺎ ﻴﻤﻜن؟‬
‫‪ (2‬إذا ﻜﺎﻨت ) ‪ ( n = 6‬ﻨﻌرف ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ‪ X‬ﻴدل ﻋﻠﻰ ﻤﺠﻤوع رﻗﻤﻲ اﻝﺒطﺎﻗﺘﻴن اﻝﻤﺴﺤوﺒﺘﻴن ‪،‬‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪X‬‬
‫اﻜﺘب ﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫واﺤﺴب اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ﻝﻪ ‪.‬‬
‫اﻝﺤل‪:‬‬
‫‪(1‬‬

‫‪1‬‬
‫= ) ‪P (A‬‬ ‫‪ A‬ﺤدث ﺴﺤب ﺒطﺎﻗﺘﻴن ﺘﺤﻤﻼن اﻝرﻗم‪ 1‬أو ﺴﺤب ﺒطﺎﻗﺘﻴن ﺘﺤﻤﻼن اﻝرﻗم ‪ 2‬و‬ ‫‪(a‬‬
‫‪2‬‬
‫ﻝﻜن‪:‬‬
‫)‪C ( n , 2) + C (9 − n , 2‬‬
‫= ) ‪P (A‬‬
‫)‪C (9 , 2‬‬
‫) ‪n (n − 1) (9 − n )(8 − n‬‬
‫‪+‬‬
‫= ) ‪P (A‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪36‬‬
‫‪n 2 − 9n + 36‬‬
‫=‬
‫‪36‬‬
‫إذن‪:‬‬
‫‪n − 9n + 36 1‬‬
‫‪2‬‬
‫=‬ ‫}‪: n ∈ {1, 2,3, 4,5, 6, 7,8,9‬‬
‫‪36‬‬ ‫‪2‬‬
‫‪n 2 − 9n + 18 = 0‬‬ ‫ﺒﺈﺼﻼح اﻝﻤﻌﺎدﻝﺔ ﻨﺠد ‪:‬‬
‫ﺘﻜﺘب ‪ (n − 6)( n − 3) = 0 :‬ﻝﻬﺎ ﺤﻼن ﻤﻘﺒوﻻن ‪n = 6 , n = 3‬‬
‫‪n 2 − 9n + 36 2‬‬ ‫‪2‬‬
‫=‬ ‫‪،‬‬ ‫= ) ‪P (A‬‬ ‫‪(b‬‬
‫‪36‬‬ ‫‪3‬‬ ‫‪3‬‬
‫ﺒﺈﺼﻼح اﻝﻤﻌﺎدﻝﺔ ﻨﺠد ‪n 2 − 9n + 12 = 0 :‬‬
‫‪9 ∓ 33‬‬
‫= ‪n ∉ {1, 2,3, 4,5, 6, 7,8,9} : n‬‬ ‫ﻝﻬﺎ ﺠذران ﻤرﻓوﻀﺎن‬
‫‪2‬‬

‫~ ‪~ 98‬‬
 ‫) ‪P (A ) = f (n‬‬ ‫‪ (c‬ﻨﻀﻊ‬

‫) ‪f : {n1 , n 2 ,................, n r } → ℝ , n k → f (n k‬‬ ‫ﻤﻼﺤظﺔ ﻫﺎﻤﺔ ‪ :‬اﻝداﻝﺔ ‪: n k ∈ Z‬‬

‫ﺤﻴث ) ‪x → f (x‬‬ ‫اﻝﻤﺴﺘﻤرة ﻋﻠﻰ ] ‪[ n1 , n r‬‬ ‫ﻫﻲ داﻝﺔ ﻨﻘطﻴﺔ وﻨﻘﺎطﻬﺎ ﺘﻨﺘﻤﻲ ﻝﻠﺨط اﻝﺒﻴﺎﻨﻲ ﻝﻠداﻝﺔ ‪f‬‬

‫وﻝﻬﺎ ﻗﻴﻤﺔ ﻜﺒرى ﺸﺎﻤﻠﺔ وﻗﻴﻤﺔ ﺼﻐرى ﺸﺎﻤﻠﺔ‬

‫إذا ﻜﺎﻨت ] ‪ f (a) : a ∈ [ n1 , n r‬ﻗﻴﻤﺔ ﻜﺒرى ﺸﺎﻤﻠﺔ ﻝﻠداﻝﺔ اﻝﻤﺴﺘﻤرة ‪ f‬ﻓﺈن أﻗرب ﻋدد ‪ n k‬إﻝﻰ ‪ a‬ﻴﺠﻌل‬
‫اﻝداﻝﺔ اﻝﻨﻘطﻴﺔ ‪ f‬أﻜﺒر ﻤﺎ ﻴﻤﻜن) وﻗد ﻨﺠد ﻋدد واﺤد أو ﻋددﻴن ﻤﺘﻨﺎظرﻴن ﺒﺎﻝﻨﺴﺒﺔ إﻝﻰ اﻝﻌدد اﻝﺤﻘﻴﻘﻲ ‪( a‬‬
‫ﺤﻴث } ‪n k ∈ {n1 , n 2 ,................, n r‬‬

‫إذا ﻜﺎﻨت ] ‪ f (b ) : b ∈ [ n1 , n r‬ﻗﻴﻤﺔ ﻜﺒرى ﺸﺎﻤﻠﺔ ﻝﻠداﻝﺔ اﻝﻤﺴﺘﻤرة ‪ f‬ﻓﺈن أﻗرب ﻋدد ‪ n k‬إﻝﻰ ‪ b‬ﻴﺠﻌل‬
‫اﻝداﻝﺔ اﻝﻨﻘطﻴﺔ ‪ f‬أﺼﻐر ﻤﺎ ﻴﻤﻜن )وﻗد ﻨﺠد ﻋدد واﺤد أو ﻋددﻴن ﻤﺘﻨﺎظرﻴن ﺒﺎﻝﻨﺴﺒﺔ إﻝﻰ اﻝﻌدد اﻝﺤﻘﻴﻘﻲ ‪( b‬‬
‫ﺤﻴث } ‪n k ∈ {n1 , n 2 ,................, n r‬‬

‫‪n 2 − 9n + 36‬‬
‫ﻨﻘﺎطﻬﺎ ﺘﻘﻊ ﻋﻠﻰ اﻝﺨط اﻝﺒﻴﺎﻨﻲ ﻝﻠداﻝﺔ اﻝﻤﺴﺘﻤرة‬ ‫ﻓﻲ اﻝﻤﺴﺄﻝﺔ اﻝداﻝﺔ اﻝﻨﻘطﻴﺔ ) ‪= f ( n‬‬
‫‪36‬‬
‫‪x 2 − 9x + 36‬‬
‫= ) ‪f (x‬‬ ‫]‪: x ∈ [1,9‬‬
‫‪f(n‬‬ ‫‪36‬‬
‫‪4‬‬ ‫اﺸﺘﻘﺎﻗﻴﺔ ﻋﻠﻰ ]‪[1,9‬‬ ‫اﻝداﻝﺔ ‪f‬‬
‫‪2x − 9‬‬ ‫‪7‬‬
‫‪3‬‬
‫= ) ‪f ′( x‬‬ ‫= )‪ f (1‬و‬ ‫‪, f (9) = 1‬‬
‫‪36‬‬ ‫‪9‬‬
‫‪2‬‬
‫‪9‬‬ ‫‪7‬‬ ‫‪9‬‬
‫=) ( ‪f‬‬ ‫ﻴﻨﻌدم ) ‪ f ′(x‬ﻤن أﺠل ‪ x = = 4.5‬و‬
‫‪1‬‬
‫‪2 16‬‬ ‫‪2‬‬
‫‪n‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪9‬‬
‫‪-1‬‬ ‫‪x‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪9‬‬
‫‪-2‬‬

‫) ‪f ′(x‬‬ ‫‪−‬‬ ‫‪0‬‬ ‫‪+‬‬

‫‪7‬‬ ‫‪7‬‬ ‫‪1‬‬
‫) ‪f (x‬‬ ‫‪9 ց‬‬ ‫‪16‬‬ ‫‪ր‬‬
‫أﻜﺒر ﻗﻴم اﻝداﻝﺔ ﻫﻲ اﻝﻘﻴﻤﺔ ‪ 1‬ﺘواﻓق اﻝﻌدد ‪ n = 9‬ﻤن اﻝﻤﺠﻤوﻋﺔ }‪ {1, 2,3, 4,5, 6, 7,8,9‬ﻤﻘﺒول‬
‫أﻜﺒر ﻗﻴﻤﺔ ﻝـ ) ‪ P ( A‬ﻫﻲ اﻝﻘﻴﻤﺔ ‪ 1‬ﻤن أﺠل ‪n = 9‬‬
‫‪9‬‬ ‫‪7‬‬
‫أﺼﻐر ﻗﻴم اﻝداﻝﺔ ﺘواﻓق اﻝﻌدد = ‪ x‬ﻻ ﻴﻨﺘﻤﻲ اﻝﻤﺠﻤوﻋﺔ }‪ {1, 2,3, 4,5, 6, 7,8,9‬وأﻗرب اﻷﻋداد‬
‫‪2‬‬ ‫‪16‬‬
‫‪9‬‬ ‫‪9‬‬
‫ﻝﻠﻌدد = ‪ x‬ﻤن اﻝﻤﺠﻤوﻋﺔ }‪ {1, 2,3, 4,5, 6, 7,8,9‬ﻫﻤﺎ ‪ n = 4 , n = 5‬ﻤﺘﻨﺎظرﺘﻴن ﺒﺎﻝﻨﺴﺒﺔ إﻝﻰ = ‪x‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪4‬‬
‫= ) ‪f (4) = f (5) = P (A‬‬ ‫ﺘﺠﻌل ﻜل ﻤﻨﻬﻤﺎ ) ‪ P (A‬أﺼﻐر ﻤﺎ ﻴﻤﻜن وﻫو‬
‫‪9‬‬
‫~ ‪~ 99‬‬
 ‫‪n 2 − 9n + 36‬‬
‫و }‪n ∈ {1, 2,3, 4,5, 6, 7,8,9‬‬ ‫طرﻴﻘﺔ ﺜﺎﻨﻴﺔ ‪ :‬ﺒﺴﺒب ﻜون ) ‪= f ( n‬‬
‫‪36‬‬
‫ﺘﻤﺜل ﻤﺠﻤوﻋﺔ ﻨﻘﺎط ﻋﻠﻰ ﻗوس ﻤن ﻤﻨﺤﻨﻲ ﻗطﻊ ﻤﻜﺎﻓﺊ ﻓﺄﻜﺒر وأﺼﻐر اﻝﻘﻴم إﻤﺎ ﻓﻲ طرﻓﻲ اﻝﻘوس أو ﻋﻨد‬
‫أﻗرب اﻝﻨﻘﺎط إﻝﻰ ذروة اﻝﻘطﻊ‬
‫‪9‬‬ ‫‪63‬‬ ‫‪9‬‬ ‫‪81‬‬
‫‪(n − )2 +‬‬ ‫‪(n − )2 − + 36‬‬
‫‪2‬‬ ‫أو ) ‪4 = f ( n‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫ﺘﻜﺘب ) ‪= f (n‬‬
‫‪36‬‬ ‫‪36‬‬
‫‪9‬‬ ‫‪‬‬ ‫‪63 ‬‬
‫‪(n − ) 2 = 36  f ( n ) −‬‬ ‫وﺘﻜﺘب ‪‬‬
‫‪2‬‬ ‫‪‬‬ ‫‪144 ‬‬
‫إﻨﻬﺎ ﻤﻌﺎدﻝﺔ ﻗطﻊ ﻤﻜﺎﻓﺊ ﻤﻔﺘوح ﻨﺤو اﻷﻋﻠﻰ ﻤﻌﺎدﻝﺔ ﻤﺤورﻩ ‪ n = 9‬وﺘﻜون ذروﺘﻪ أدﻨﻰ ﻨﻘطﺔ ﻝﻪ‬
‫‪2‬‬
‫‪9‬‬ ‫‪9‬‬
‫=‪n‬‬ ‫ﺘواﻓق }‪ n = ∉ {1, 2,3, 4, 5, 6, 7,8,9‬ﻓﺄﻗرب ﻗﻴﻤﺔ ﻝﻠﻌدد }‪ n ∈ {1, 2,3, 4,5, 6, 7,8,9‬ﻤن اﻝﻘﻴﻤﺔ‬
‫‪2‬‬ ‫‪2‬‬
‫‪4‬‬
‫ﻫﻤﺎ ‪ n = 5 , n = 4‬ﻓﻬﻤﺎ اﻝﻘﻴﻤﺘﺎن اﻝﻠﺘﺎن ﺘﺠﻌﻼن ) ‪ P ( A‬أﺼﻐر ﻤﺎ ﻴﻤﻜن وﻫﻲ = ) ‪P ( A‬‬
‫‪9‬‬
‫‪7‬‬
‫= )‪f (1‬‬ ‫وﺼورﺘﻲ اﻝطرﻓﻴن ﻝﻠﻤﺠﻤوﻋﺔ ‪, f (9) = 1‬‬
‫‪9‬‬
‫و ﻗﻴﻤﺔ ‪ n‬اﻝﺘﻲ ﺘﺠﻌل ) ‪ P ( A‬أﻜﺒر ﻤﺎ ﻴﻤﻜن ﻫﻲ ‪ n = 9‬وﻫﻲ ‪f (9) = P ( A ) = 1‬‬
‫طرﻴﻘﺔ ﺜﺎﻝﺜﺔ ﻨﺤﺴب ﺠﻤﻴﻊ ﻗﻴم ) ‪ P ( A‬اﻝﻤواﻓﻘﺔ }‪ n ∈ {1, 2,3, 4,5, 6, 7,8,9‬وﻨﺨﺘﺎر ﻗﻴم ‪ n‬اﻝﺘﻲ ﺘﺠﻌل‬
‫) ‪ P ( A‬أﺼﻐر ﻤﺎ ﻴﻤﻜن أو أﻜﺒر ﻤﺎ ﻴﻤﻜن‬
‫}‪{1,2,3,4,5,6,7,8,9‬‬
‫)ﻝﻜن ﻫذﻩ اﻝطرﻴﻘﺔ ﻏﻴر ﻋﻤﻠﻴﺔ ﻋﻨدﻤﺎ ﻴﻜون ‪ n‬ﻋدد ﻜﺒﻴر(‬
‫‪ (2‬ﻤن أﺠل ) ‪X ( Ω ) = {2,3, 4} ، ( n = 6‬‬
‫) ‪C ( 6, 2‬‬ ‫‪5‬‬
‫= )‪f ( 2‬‬ ‫=‬ ‫اﻝﺤدث }‪ : {X = 2‬ﺴﺤب ﺒطﺎﻗﺘﻴن ﻜل ﻤﻨﻬﻤﺎ ﺘﺤﻤل اﻝرﻗم‪: 1‬‬
‫) ‪C ( 9, 2‬‬ ‫‪12‬‬
‫اﻝﺤدث }‪ : {X = 3‬ﺴﺤب ﺒطﺎﻗﺘﻴن إﺤداﻫﻤﺎ ﺘﺤﻤل اﻝرﻗم‪ 1‬واﻷﺨرى ﺘﺤﻤل اﻝرﻗم ‪: 2‬‬
‫)‪C ( 6,1) .C ( 3,1‬‬ ‫‪6‬‬
‫= )‪f ( 3‬‬ ‫=‬
‫) ‪C ( 9, 2‬‬ ‫‪12‬‬
‫) ‪C ( 3, 2‬‬ ‫‪1‬‬
‫= )‪f ( 4‬‬ ‫=‬ ‫‪:‬‬ ‫اﻝﺤدث }‪ : {X = 4‬ﺴﺤب ﺒطﺎﻗﺘﻴن ﻜل ﻤﻨﻬﻤﺎ ﺘﺤﻤل اﻝرﻗم ‪2‬‬
‫) ‪C ( 9, 2‬‬ ‫‪12‬‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬ﻫو‪:‬‬
‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬

‫‪xk‬‬ ‫‪2 3 4‬‬

‫ﺠدول اﻝﺘوزﻴﻊ اﻻﺤﺘﻤﺎﻝﻲ ﻫو‪:‬‬
‫‪5 6 1‬‬
‫‪f (x k‬‬ ‫)‬ ‫‪12 12 12‬‬
‫‪3‬‬
‫‪E (X ) = ∑ x k .f (x k‬‬ ‫وﻤﻨﻪ‪) :‬‬
‫‪k =1‬‬
‫‪10 + 18 + 4 8‬‬
‫= ) ‪E (x‬‬ ‫=‬
‫‪12‬‬ ‫‪3‬‬
‫~ ‪~ 100‬‬
 ‫ﻤﺴﺄﻝﺔ ⑥ ‪ :‬ﻓﻲ دراﺴﺔ ﻝﻤدﻴرﻴﺔ اﻝﻨﻘل ﻓﻲ إﺤدى اﻝﻤﺤﺎﻓظﺎت وﺠد أن ‪ 30 0 0‬ﻤن اﻝﺴﻴﺎرات ذات ﻓراﻤل‬
‫ﻀﻌﻴﻔﺔ ‪،‬وﻤن ﻫذﻩ اﻝﺴﻴﺎرات ‪ 60 0 0‬ﻓﻴﻬﺎ ﺨﻠل ﺒﺎﻹﻨﺎرة ‪،‬وﻤن ﺒﻴن اﻝﺴﻴﺎرات ذات اﻝﻔراﻤل اﻝﻘوﻴﺔ ‪ 10 0 0‬ﻓﻴﻬﺎ‬
‫ﺨﻠل ﺒﺎﻹﻨﺎرة ‪،‬إذا ﻜﺎن اﻝﺤدث ‪ A‬اﻝﺴﻴﺎرة ذات ﻓراﻤل ﻗوﻴﺔ ‪،‬واﻝﺤدث ‪ B‬اﻝﺴﻴﺎرة ذات إﻨﺎرة ﺠﻴدﻩ ‪ ،‬وﻜﺎﻨت‬
‫ﻤﺨﺎﻝﻔﺔ ﻀﻌف اﻹﻨﺎرة ‪ 100‬ل‪ ،‬وﻤﺨﺎﻝﻔﺔ اﻝﻔراﻤل اﻝﻀﻌﻴﻔﺔ ‪ 200‬ل‬
‫أوﻗﻔت ﺸرطﺔ اﻝﺴﻴر أﺤد ﺴﻴﺎرات اﻝﻤﺤﺎﻓظﺔ‬
‫‪ (1‬اﺤﺴب اﺤﺘﻤﺎل أن ﺘدﻓﻊ اﻝﺴﻴﺎرة ﻤﺨﺎﻝﻔﺔ ﺒﻘﻴﻤﺔ ‪ 300‬ل‬
‫‪(2‬اﺤﺴب اﺤﺘﻤﺎل أن ﺘﻜون اﻝﺴﻴﺎرة ﻓﻲ ﺤﺎﻝﺔ ﺠﻴدة )ﻓراﻤل ﻗوﻴﺔ ٕواﻨﺎرة ﺠﻴدة(‬
‫‪ (3‬إذا ﻜﺎﻨت اﻝﺴﻴﺎرة اﻝﻤوﻗوﻓﺔ ذات إﻨﺎرة ﻀﻌﻴﻔﺔ اﺤﺴب اﺤﺘﻤﺎل أن ﺘﻜون ذات ﻓراﻤل ﺠﻴدة‬
‫‪(4‬إذا ﻜﺎن ‪ X‬ﻴدل ﻋﻠﻰ ﻤﻘدار اﻝﻤﺨﺎﻝﻔﺔ اﻝﺘﻲ ﺘدﻓﻌﻬﺎ اﻝﺴﻴﺎرة اﻝﻤوﻗوﻓﺔ ‪ ،‬اﻜﺘب ﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر‬
‫اﻝﻌﺸواﺌﻲ ‪ X‬واﻜﺘب ﺠدول ﻗﺎﻨون اﺤﺘﻤﺎﻝﻪ ﺜم اﺤﺴب ﺘوﻗﻌﻪ اﻝرﻴﺎﻀﻲ‬

‫‪9‬‬ ‫اﻝﺤل‪:‬‬
‫= ) ‪P (B | A‬‬
‫‪10 B | A‬‬
‫‪7‬‬
‫= ) ‪P (A‬‬ ‫‪ (1‬ﺘدﻓﻊ اﻝﺴﻴﺎرة ﻤﺨﺎﻝﻔﺔ ﺒﻘﻴﻤﺔ ‪ 300‬ل‬
‫‪10‬‬ ‫‪A‬‬ ‫‪1‬‬
‫= ) ‪P (B ′ | A‬‬ ‫ﻫو ﺤدث ‪ A ′ ∩ B ′‬و‬
‫‪10 B ′ | A‬‬
‫)‪P ( A ′ ∩ B ′ ) = P (A ′) ⋅ P (B ′ | A ′‬‬
‫‪3 6‬‬ ‫‪9‬‬
‫‪4‬‬ ‫=‬ ‫= ⋅‬
‫= )‪P ( B | A ′‬‬ ‫‪10 10 50‬‬
‫‪10 B | A ′‬‬
‫‪3‬‬
‫‪(2‬ﺤدث أن ﺘﻜون اﻝﺴﻴﺎرة ﻓﻲ ﺤﺎﻝﺔ ﺠﻴدة‬
‫= )‪P ( A ′‬‬
‫‪10‬‬
‫‪A′‬‬
‫ﻫو ﺤدث ‪ A ∩ B‬و‬
‫= )‪P ( B ′ | A ′‬‬
‫‪6‬‬ ‫) ‪P ( A ∩ B ) = P (A ) ⋅ P (B | A‬‬
‫‪10 B ′ | A ′‬‬
‫‪7 9‬‬ ‫‪63‬‬
‫=‬ ‫= ⋅‬
‫‪10 10 100‬‬
‫) ‪P (A ) ⋅ P (B ′ | A‬‬
‫= )‪P (A | B ′‬‬ ‫‪(3‬ﺤﺴب ﻗﺎﻋدة ﺒﺎﻴز ‪:‬‬
‫)‪P (A ) ⋅ P (B ′ | A ) + P (A ′) ⋅ P (B ′ | A ′‬‬
‫‪7 1‬‬
‫⋅‬
‫‪10 10‬‬ ‫‪7‬‬
‫= )‪P (A | B ′‬‬ ‫=‬
‫‪7 1‬‬ ‫‪3 6‬‬ ‫‪25‬‬
‫⋅ ‪⋅ +‬‬
‫‪10 10 10 10‬‬
‫‪(4‬‬
‫} ‪X ( Ω ) = {0,100, 200,300‬‬

‫~ ‪~ 101‬‬
 ‫‪63‬‬
‫= ) ‪f ( 0 ) = P (A ) ⋅ P ( B | A‬‬
‫‪100‬‬
‫‪7‬‬
‫= ) ‪f (100 ) = P (A ) ⋅ P (B ′ | A‬‬
‫‪100‬‬
‫‪12‬‬
‫= )‪f ( 200 ) = P (A ′) ⋅ P (B | A ′‬‬
‫‪100‬‬
‫‪18‬‬
‫= )‪f ( 300 ) = P (A ′) ⋅ P (B ′ | A ′‬‬
‫‪100‬‬

‫‪xk‬‬ ‫‪0‬‬ ‫‪100 200 300‬‬

‫ﺠدول ﺘوزﻴﻊ اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ‬
‫‪63‬‬ ‫‪7‬‬ ‫‪12 18‬‬
‫‪f (x k‬‬ ‫)‬ ‫‪100 100 100 100‬‬
‫‪4‬‬
‫‪E (X ) = ∑ x k ⋅f (x k‬‬ ‫)‬
‫‪k =1‬‬

‫‪0 + 7 + 12 + 18‬‬
‫= ) ‪E (X‬‬ ‫‪= 0.37‬‬
‫‪100‬‬
‫‪ 1, 2,3, 4,5, 6‬اﺤﺘﻤﺎﻻت ظﻬورﻫﺎ‬ ‫ﻤﺴﺄﻝﺔ⑦ ‪ :‬ﻨرﻤﻲ ﺤﺠر ﻨرد ﻏﻴر ﻤﺘﺠﺎﻨس اﻷوﺠﻪ ﺘﺤﻤل اﻷرﻗﺎم‬
‫‪1‬‬
‫ﻋﻠﻰ اﻝﺘرﺘﻴب ذاﺘﻪ ‪ P1 , P2 , P3 , P4 , P5 , P6‬وﺘﺸﻜل ﻤﺘﺘﺎﻝﻴﺔ ﺤﺴﺎﺒﻴﺔ ﺤدﻫﺎ اﻷول‬
‫‪12‬‬
‫‪ (1‬اﺤﺴب ‪P1 , P2 , P3 , P4 , P5 , P6‬‬
‫‪ (2‬إذا ﻜﺎن ‪ A‬ﺤدث اﻝﺤﺼول ﻋﻠﻰ ﻋدد أوﻝﻲ‬
‫وﻜﺎن ‪ B‬ﺤدث اﻝﺤﺼول ﻋﻠﻰ ﻓردي ﻫل ‪ A‬و ‪ B‬ﻤﺴﺘﻘﻼن اﺤﺘﻤﺎﻝﻴﺎً‬
‫‪3‬‬ ‫‪(3‬ﻝﻴﻜن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴدل ﻋﻠﻰ اﻝﻌدد ﻨﻔﺴﻪ إن ﻜﺎن‬
‫‪5‬‬
‫ﻓردي وﻋﻠﻰ ﻨﺼف اﻝﻌدد إن ﻜﺎن زوﺠﻲ‬
‫‪2‬‬ ‫‪1‬‬
‫‪4‬‬
‫‪6‬‬ ‫أوﺠد ﻤﺠﻤوﻋﺔ ﻗﻴم ‪ X‬وﺠدول ﺘوزﻴﻊ ﻗﺎﻨوﻨﻪ اﻻﺤﺘﻤﺎﻝﻲ‬
‫واﺤﺴب ﺘوﻗﻌﻪ اﻝرﻴﺎﻀﻲ اﻻﻨﺤراف اﻝﻤﻌﻴﺎري ﻝﻪ‬

‫اﻝﺤل‪:‬‬
‫ﺘذﻜرة‪ :‬اﻝﺤد اﻝﻌﺎم ﻝﻤﺘﺘﺎﻝﻴﺔ ﺤﺴﺎﺒﻴﺔ ‪U n = U 1 + (n − 1)r :‬‬
‫‪n‬‬
‫= ‪Sn‬‬ ‫وﻤﺠﻤوع ‪ n‬ﺤد ﻤن ﺤدود ﻤﺘﺘﺎﻝﻴﺔ ﺤﺴﺎﺒﻴﺔ ﺤدﻫﺎ اﻷول ‪ U 1‬ﻫو‪(U 1 + U n ) :‬‬
‫‪2‬‬
‫‪1‬‬ ‫‪1‬‬
‫= ‪Un‬‬ ‫= ‪ U 1‬ﻓﻴﻜون ‪+ 5r‬‬ ‫ﻝﻜن ‪, n = 6‬‬ ‫‪(1‬‬
‫‪12‬‬ ‫‪12‬‬

‫~ ‪~ 102‬‬
 ‫‪6 1‬‬
‫= ‪S6‬‬ ‫) ‪( +U n‬‬ ‫‪:‬‬ ‫‪S 6 = P (Ω ) = 1‬‬
‫‪2 12‬‬
‫‪1 1‬‬
‫‪3( + + 5r ) = 1‬‬
‫‪12 12‬‬
‫‪1‬‬
‫‪+ 15r = 1‬‬
‫‪2‬‬
‫‪1‬‬
‫=‪r‬‬
‫‪30‬‬
‫‪1‬‬ ‫‪5‬‬ ‫‪1 1‬‬ ‫‪7‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪9‬‬
‫= ‪P1‬‬ ‫=‬ ‫= ‪, P2 = +‬‬ ‫‪,‬‬ ‫= ‪P3‬‬ ‫= ‪+‬‬ ‫ﻓﻴﻜون ‪:‬‬
‫‪12 60‬‬ ‫‪12 30 60‬‬ ‫‪12 30 60‬‬
‫‪1‬‬ ‫‪3 11‬‬ ‫‪13‬‬ ‫‪15‬‬
‫= ‪P4 = +‬‬ ‫‪,‬‬ ‫= ‪P5‬‬ ‫‪,‬‬ ‫= ‪P6‬‬
‫‪12 30 60‬‬ ‫‪60‬‬ ‫‪60‬‬
‫}‪A ∩ B = {3,5‬‬ ‫‪،‬‬ ‫‪B = {1,3,5} ،‬‬ ‫}‪A = {2,3,5‬‬ ‫‪(2‬‬
‫‪9‬‬ ‫‪29‬‬
‫‪،‬‬ ‫= ‪P (B ) = P1 + P3 + P5‬‬ ‫‪،‬‬ ‫= ‪P (A ) = P2 + P3 + P5‬‬
‫‪20‬‬ ‫‪60‬‬
‫‪29 9‬‬ ‫‪87‬‬ ‫‪11‬‬
‫‪،‬‬ ‫= × = ) ‪P (A ) ⋅ P ( B‬‬ ‫‪،‬‬ ‫= ‪P (A ∩ B ) = P3 + P5‬‬
‫‪60 20 400‬‬ ‫‪30‬‬
‫اﻝﺤدﺜﺎن ‪ A , B‬ﻏﻴر ﻤﺴﺘﻘﻠﻴن اﺤﺘﻤﺎﻝﻴﺎً‬ ‫) ‪P (A ∩ B ) ≠ P (A ) ⋅ P (B‬‬
‫‪X (Ω) = {1, 2,3,5} (3‬‬
‫‪12‬‬
‫= ‪f (1) = P1 + P2‬‬ ‫}‪: {X = 1} = {1, 2‬‬ ‫اﻝﺤدث‬
‫‪60‬‬
‫‪11‬‬
‫= ‪f ( 4 ) = P4‬‬ ‫}‪: {X = 2} = {4‬‬ ‫اﻝﺤدث‬
‫‪60‬‬
‫‪24‬‬
‫= ‪f ( 3) = P3 + P6‬‬ ‫}‪: {X = 3} = {3, 6‬‬ ‫اﻝﺤدث‬
‫‪60‬‬
‫‪13‬‬
‫= ‪f ( 5 ) = P5‬‬ ‫}‪: {X = 5} = {5‬‬ ‫اﻝﺤدث‬
‫‪60‬‬

‫‪xk‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪5‬‬

‫‪12‬‬ ‫‪11 24 13‬‬
‫‪f (x k‬‬ ‫)‬ ‫‪60‬‬ ‫‪60 60 60‬‬
‫‪4‬‬
‫‪E (X ) = ∑ x k f (x k‬‬ ‫)‬
‫‪k =1‬‬

‫‪12 22 72 65‬‬
‫=‬‫‪+‬‬ ‫‪+‬‬ ‫‪+‬‬
‫‪60 60 60 60‬‬
‫‪171 57‬‬
‫= ) ‪E (X‬‬ ‫=‬
‫‪60 20‬‬
‫ﻝﺤﺴﺎب اﻻﻨﺤراف اﻝﻤﻌﻴﺎري ﻨﺸﻜل اﻝﺠدول اﻝﺘﺎﻝﻲ‪:‬‬

‫~ ‪~ 103‬‬
 ‫‪f (x k‬‬ ‫)‬ ‫‪x k ⋅ f (x k‬‬ ‫‪) (x k‬‬ ‫) ) ‪− E (X‬‬ ‫‪(x k‬‬ ‫‪− E (X ) ) ⋅ f ( x k‬‬ ‫)‬
‫‪2‬‬ ‫‪2‬‬
‫‪xk‬‬
‫‪12‬‬ ‫‪12‬‬ ‫‪1369‬‬ ‫‪16428‬‬
‫‪1‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪400‬‬ ‫‪24000‬‬
‫‪11‬‬ ‫‪22‬‬ ‫‪289‬‬ ‫‪3179‬‬
‫‪2‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪400‬‬ ‫‪24000‬‬
‫‪24‬‬ ‫‪72‬‬ ‫‪9‬‬ ‫‪216‬‬
‫‪3‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪400‬‬ ‫‪24000‬‬
‫‪13‬‬ ‫‪65‬‬ ‫‪1849‬‬ ‫‪24037‬‬
‫‪5‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪400‬‬ ‫‪24000‬‬
‫‪r‬‬
‫‪57‬‬
‫∑‬
‫‪k =1‬‬ ‫‪1‬‬
‫= ) ‪E (X‬‬
‫‪20‬‬ ‫) ‪V (X‬‬
‫‪4‬‬
‫‪V (X‬‬ ‫‪) = ∑ (x k‬‬ ‫‪− E (X ) ) f ( x k‬‬ ‫)‬
‫‪2‬‬

‫‪k =1‬‬

‫‪16428 + 3179 + 216 + 24037‬‬

‫= ) ‪V (X‬‬ ‫‪= 1.8275‬‬
‫‪24000‬‬
‫‪ σ x = V ( X‬وﻤﻨﻪ ‪σ x ≈ 1.35‬‬ ‫)‬

‫‪ 1, 2,3, 4‬اﺤﺘﻤﺎﻻت ظﻬورﻫﺎ‬ ‫ﻤﺴﺄﻝﺔ⑧‪ :‬ﻨرﻤﻲ ﺤﺠر ﻨرد رﺒﺎي ﻏﻴر ﻤﺘﺠﺎﻨس اﻷوﺠﻪ ﺘﺤﻤل اﻷرﻗﺎم‬
‫‪1‬‬
‫ﻋﻠﻰ اﻝﺘرﺘﻴب ذاﺘﻪ ‪ P1 , P2 , P3 , P4‬وﺘﺸﻜل ﻤﺘﺘﺎﻝﻴﺔ ﻫﻨدﺴﻴﺔ أﺴﺎﺴﻬﺎ‬
‫‪2‬‬
‫‪3‬‬ ‫‪ (1‬اﺤﺴب ‪P1 , P2 , P3 , P4‬‬
‫‪1‬‬
‫‪2‬‬ ‫‪ (2‬إذا ﺤﺼﻠﻨﺎ ﻋﻠﻰ ﻋدد ﻓردي اﺤﺴب اﺤﺘﻤﺎل أن ﻴﻜون ﻫذا اﻝﻌدد أوﻝﻲ‬
‫‪(3‬ﻝﻴﻜن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴدل ﻋﻠﻰ اﻝﻌدد ﻨﻔﺴﻪ إن‬
‫ﻜﺎن ﻓردي وﻋﻠﻰ اﻝﻘﻴﻤﺔ ‪ m‬إن ﻜﺎن اﻝﻌدد زوﺠﻲ‬
‫‪3‬‬ ‫أوﺠد ﻤﺠﻤوﻋﺔ ﻗﻴم وﺠدول ﺘوزﻴﻊ ﻗﺎﻨوﻨﻪ اﻻﺤﺘﻤﺎﻝﻲ‬
‫‪4‬‬
‫‪2‬‬ ‫‪m‬‬ ‫واﺤﺴب ﺘوﻗﻌﻪ اﻝرﻴﺎﻀﻲ ﺒدﻻﻝﺔ ‪ m‬ﺜم اﺤﺴب‬
‫‪34‬‬
‫= ) ‪ E ( X‬ﻋﻨدﺌذ اﺤﺴب اﻻﻨﺤراف اﻝﻤﻌﻴﺎري ﻝﻪ‬ ‫ﻋﻨدﻤﺎ ﻴﻜون‬
‫‪15‬‬

‫ﺘذﻜرة ‪ :‬اﻝﺤد اﻝﻌﺎم ﻝﻤﺘﺘﺎﻝﻴﺔ ﻫﻨدﺴﻴﺔ ‪V n = V 1 ⋅ q n −1‬‬ ‫اﻝﺤل‪:‬‬

‫‪1− q n ‬‬
‫‪S n =V 1 ‬‬ ‫وﻤﺠﻤوع ‪ n‬ﺤداﻷوﻝﻰ ﻤن ﺤدودﻫﺎ ‪‬‬
‫‪ 1−q ‬‬
‫ﻝﻜن ‪S n = P (Ω) = 1‬‬

‫~ ‪~ 104‬‬
 ‫‪ 15 ‬‬
‫‪  1 4‬‬ ‫‪‬‬
‫‪ 16 ‬‬ ‫‪1−  ‬‬ ‫‪‬‬
‫‪2‬‬
‫‪ 1 = V 1 ‬وﻤﻨﻪ ‪1 = V 1  ‬‬ ‫‪‬‬
‫‪ 1 ‬‬ ‫‪‬‬ ‫‪1‬‬ ‫‪‬‬
‫‪ 1 − 2‬‬ ‫‪‬‬
‫‪ 2 ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪8‬‬
‫= ‪V4‬‬ ‫= ‪، V3‬‬ ‫= ‪، V2‬‬ ‫= ‪، V1‬‬ ‫ﻴﻜون ‪:‬‬
‫‪15‬‬ ‫‪15‬‬ ‫‪15‬‬ ‫‪15‬‬
‫ﻨﻔرض اﻝﺤدث ‪ : A‬اﻝﺤﺼول ﻋﻠﻰ ﻋدد ﻓردي ﻴﻜون }‪. A = {1,3‬‬
‫‪: B‬اﻝﺤﺼول ﻋﻠﻰ ﻋدد أوﻝﻲ ﻴﻜون }‪. A ∩ B = {3‬‬
‫ﻓﻴﻜون اﻝﻤطﻠوب ) ‪P (B | A‬‬
‫) ‪P (A ∩ B‬‬
‫= ) ‪P (B | A‬‬
‫) ‪P (A‬‬
‫‪2‬‬
‫‪1‬‬ ‫‪8 2 10‬‬
‫= ‪ P ( A ) = +‬وﻤﻨﻪ = ‪P (B | A ) = 15‬‬
‫‪10 5‬‬ ‫‪15 15 15‬‬
‫‪15‬‬
‫} ‪X (Ω) = {1,3, m‬‬
‫‪8‬‬
‫= ‪f (1) = P12‬‬ ‫اﻝﺤدث }‪: {X = 1} = {1‬‬
‫‪15‬‬
‫‪2‬‬
‫= ‪f ( 3) = P3‬‬ ‫اﻝﺤدث }‪: {X = 3} = {3‬‬
‫‪15‬‬
‫‪5‬‬
‫= ‪f ( 5 ) = P2 + P4‬‬ ‫اﻝﺤدث }‪: {X = m } = {2, 4‬‬
‫‪15‬‬

‫‪xk‬‬ ‫‪1 3 m‬‬

‫‪8 2 5‬‬
‫‪f (x k ) 15 15 15‬‬
‫‪3‬‬
‫‪E (X‬‬ ‫وﻤﻨﻪ‪) = ∑ x k . f ( x k ) :‬‬
‫‪k =1‬‬

‫‪8 + 6 + 5m‬‬
‫= ) ‪E (X‬‬
‫‪15‬‬
‫‪14 + 5m‬‬
‫= ) ‪E (X‬‬
‫‪15‬‬

‫‪34‬‬
‫= ) ‪E (X‬‬ ‫ﻋﻨدﻤﺎ ‪:‬‬
‫‪15‬‬
‫‪14 + 5m 34‬‬
‫‪m =4‬‬ ‫وﻤﻨﻪ‬ ‫=‬ ‫ﻨﺠد‬
‫‪15‬‬ ‫‪15‬‬

‫~ ‪~ 105‬‬
 ‫ﻝﺤﺴﺎب اﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري‬

‫‪f (x k‬‬ ‫)‬ ‫‪x k ⋅ f (x k‬‬ ‫‪) (x k‬‬ ‫) ) ‪− E (x‬‬ ‫‪(x k‬‬ ‫‪− E (x ) ) ⋅ f ( x k‬‬ ‫)‬
‫‪2‬‬ ‫‪2‬‬
‫‪xk‬‬
‫‪8‬‬ ‫‪8‬‬ ‫‪49‬‬ ‫‪392‬‬
‫‪1‬‬ ‫‪15‬‬ ‫‪15‬‬ ‫‪225‬‬ ‫‪3375‬‬
‫‪2‬‬ ‫‪6‬‬ ‫‪1521‬‬ ‫‪3042‬‬
‫‪3‬‬ ‫‪15‬‬ ‫‪15‬‬ ‫‪225‬‬ ‫‪3375‬‬
‫‪5‬‬ ‫‪20‬‬ ‫‪1600‬‬ ‫‪8000‬‬
‫‪4‬‬ ‫‪15‬‬ ‫‪15‬‬ ‫‪225‬‬ ‫‪3375‬‬
‫‪3‬‬
‫‪34‬‬ ‫‪11434‬‬
‫∑‬
‫‪k =1‬‬ ‫‪1‬‬
‫= ) ‪E (x‬‬
‫‪15‬‬
‫= ) ‪V (X‬‬
‫‪3375‬‬
‫‪3‬‬
‫‪V (X‬‬ ‫‪) = ∑ (x k‬‬ ‫‪− E (X ) ) f ( x k‬‬ ‫)‬
‫‪2‬‬

‫‪k =1‬‬

‫‪11434‬‬
‫= ) ‪V (X‬‬ ‫‪≈ 3,39‬‬
‫‪3375‬‬
‫‪ σ x = V ( X‬وﻤﻨﻪ ‪σ x ≈ 1,84‬‬ ‫)‬

‫ﻤﺴﺄﻝﺔ ⑨ﺼﻨدوق ﻴﺤوي ﻜرﺘﻴن ﺤﻤراوﻴن وﺜﻼث ﻜرات ﺒﻴﻀﺎء ‪ ،‬وﻴوﺠد ﺨﺎرج اﻝﺼﻨدوق ﻜرات ﻤن اﻝﻠوﻨﻴن‬
‫ﺘﻜﻔﻲ ﻝﻠﺘﺠرﺒﺔ‪ ،‬ﻨﺴﺤب ﻤن اﻝﺼﻨدوق ﻜرة ﻋﺸواﺌﻴﺎً وﻻ ﻨﻌﻴدﻫﺎ ﻝﻠﺼﻨدوق ‪ ،‬إذا ﻜﺎﻨت اﻝﻜرة اﻝﻤﺴﺤوﺒﺔ ﺤﻤراء‬
‫ﻨﻀﻊ ﻓﻲ اﻝﺼﻨدوق ﻜرﺘﻴن ﺒﻴض و إذا ﻜﺎﻨت اﻝﻜرة اﻝﻤﺴﺤوﺒﺔ ﺒﻴﻀﺎء ﻨﻀﻊ ﻓﻲ اﻝﺼﻨدوق ‪ n‬ﻜرة ﺤﻤراء‬
‫ﺜم ﻨﺴﺤب ﻤن اﻝﺼﻨدوق ﻜرة ﺜﺎﻨﻴﺔ ﻋﺸواﺌﻴﺄ‬
‫أوﻻً‪ :‬ﻝﻴﻜن اﻝﺤد ث ‪ A‬ﻫو اﻝﺤﺼول ﻋﻠﻰ ﻜرة ﺒﻴﻀﺎء ﻓﻲ اﻝﺴﺤب اﻝﺜﺎﻨﻲ‪ ،‬واﻝﺤدث ‪ B‬ﻫو اﻝﺤﺼول ﻋﻠﻰ‬
‫‪3‬‬
‫= ) ‪ P ( B | A‬اﺤﺴب ‪. n‬‬ ‫ﻜرة ﺤﻤراء ﻓﻲ اﻝﺴﺤب اﻷول إذا ﻋﻠﻤت أن‬
‫‪5‬‬
‫ﺜﺎﻨﻴﺄ ‪ :‬إذا ﻜﺎﻨت ‪ n‬ﻨﻌرف ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ‪ X‬ﻴدل ﻋﻠﻰ ﻋدد اﻝﻜرات اﻝﺤﻤراء اﻝﻤﺴﺤوﺒﺔ ﻓﻲ اﻝﻤرﺘﻴن ‪،‬‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪X‬‬
‫اﻜﺘب ﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫واﺤﺴب اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ ﻝﻪ ‪.‬‬

‫~ ‪~ 106‬‬
 ‫اﻝﺤل‪ :‬أوﻻً‬
‫) ‪P (A ∩ B‬‬
‫= ) ‪P (B | A‬‬
‫) ‪P (A‬‬
‫‪2‬‬
‫‪n +4‬‬ ‫‪Ο‬‬ ‫‪2 1‬‬
‫ﻜرﺘﻴن ﺒﻴض‬ ‫×‬
‫‪3‬‬ ‫‪Ο‬‬ ‫=‬ ‫‪5‬‬ ‫‪6‬‬
‫‪5‬‬ ‫و) ‪ ( n + 2‬ﻜرﻩ ﺤﻤراء‬ ‫‪n +2‬‬
‫‪3‬‬
‫×‬
‫‪2‬‬ ‫‪2 1‬‬
‫× ‪+‬‬
‫‪n +4‬‬ ‫‪5 n +4 5 6‬‬
‫‪1‬‬
‫‪1‬‬
‫= ) ‪P (B | A‬‬ ‫‪3‬‬
‫‪2‬‬
‫‪Ο‬‬
‫ﻜرة ﺤﻤراء‬ ‫‪6‬‬ ‫‪1‬‬
‫‪6‬‬
‫‪5‬‬ ‫‪+‬‬
‫‪5‬‬ ‫‪n +4 3‬‬
‫وﺨﻤس ﻜرات ﺒﻴض‬ ‫‪6‬‬
‫‪3n + 12‬‬
‫=‬
‫‪22 + 3n‬‬

‫‪3‬‬
‫‪2‬‬ ‫= ) ‪ P ( B | A‬ﻴﻜون‬ ‫ﺒﻤﺎ أن‬
‫‪5‬‬ ‫‪Ο‬‬ ‫‪5‬‬
‫ﻜرﺘﻴن ﺒﻴض‬ ‫‪3n + 12 3‬‬
‫‪3‬‬ ‫‪Ο‬‬ ‫=‬
‫‪5‬‬ ‫و) ‪ ( 3‬ﻜرﻩ ﺤﻤراء‬ ‫‪22 + 3n 5‬‬
‫‪3‬‬
‫‪5‬‬
‫وﻤﻨﻪ ‪15n + 60 = 66 + 9n‬‬
‫‪1‬‬
‫‪2‬‬
‫‪Ο‬‬ ‫ﺘﻜون ‪n = 1‬‬
‫ﻜرة ﺤﻤراء‬
‫‪6‬‬
‫‪5‬‬

‫ﺜﺎﻨﻴﺎً‪:‬‬
‫‪5‬‬
‫وﺨﻤس ﻜرات ﺒﻴض‬ ‫‪6‬‬

‫}‪X (Ω) = {0,1, 2‬‬

‫‪3 2 6 18‬‬
‫= )‪f (0‬‬ ‫= ×‬ ‫=‬
‫‪5 5 25 75‬‬
‫‪3 3 2 1 32‬‬
‫= × ‪f (1) = × +‬‬
‫‪5 5 5 6 75‬‬
‫‪2 5 1 25‬‬
‫= = × = )‪f (2‬‬
‫‪5 6 3 75‬‬

‫‪xk‬‬ ‫‪0 1‬‬ ‫‪2‬‬

‫‪18 32‬‬ ‫‪25‬‬
‫‪f (x k‬‬ ‫)‬ ‫‪75 75‬‬ ‫‪75‬‬

‫~ ‪~ 107‬‬
 ‫‪3‬‬
‫‪E (X‬‬ ‫‪) = ∑xk‬‬ ‫‪f (x k‬‬ ‫)‬
‫‪k =1‬‬

‫‪32 50‬‬
‫‪=0+‬‬ ‫‪+‬‬
‫‪75 75‬‬
‫‪82‬‬
‫= ) ‪E (X‬‬
‫‪75‬‬

‫ﻤﺴﺄﻝﺔ ⑩ ﻴﺤوي ﻤﻐﻠف )‪ (7‬ﺒطﺎﻗﺎت ﻤﺘﻤﺎﺜﻠﺔ ﻤرﻗﻤﺔ ﺒﺎﻷﻋداد } ‪{1 , 2 , 3 , 4 , 5 , 6 , 7‬‬

‫ﻨﺴﺤب ﻤن اﻝﻤﻐﻠف ﻋﺸواﺌﻴﺎً ﺜﻼث ﺒطﺎﻗﺎت ﺒﺎﻝﺘﺘﺎﻝﻲ دون إﻋﺎدة واﻝﻤطﻠوب ‪:‬‬
‫‪ (1‬ﻤﺎ اﺤﺘﻤﺎل ظﻬور اﻝﺒطﺎﻗﺔ ذات اﻝرﻗم ‪ 2‬ﺒﻴن اﻝﺒطﺎﻗﺎت اﻝﻤﺴﺤوﺒﺔ ؟‬
‫‪ (2‬إذا ﻋﻠﻤت أن ﻤﺠﻤوع أرﻗﺎم اﻝﺒطﺎﻗﺎت اﻝﺜﻼث اﻝﻤﺴﺤوﺒﺔ ﻓردي ‪،‬‬
‫ﻤﺎ اﺤﺘﻤﺎل أن ﺘﻜون اﻝﺒطﺎﻗﺔ ذات اﻝرﻗم ‪ 2‬ﺒﻴﻨﻬﺎ ‪.‬‬
‫‪ (3‬ﻨﻌرف ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ‪ X‬ﻴدل ﻋﻠﻰ أﻜﺒر رﻗم ﺒﻴن أرﻗﺎم اﻝﺒطﺎﻗﺎت اﻝﻤﺴﺤوﺒﺔ ‪.‬‬
‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪X‬‬
‫اﻜﺘب ﻤﺠﻤوﻋﺔ ﻗﻴم اﻝﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪ X‬وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬
‫واﺤﺴب اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ واﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري‬
‫‪ (4‬أﻋد ﺤل اﻝﻤﺴﺄﻝﺔ إذا ﻜﺎن ﺴﺤب اﻝﺒطﺎﻗﺎت ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ ﻤﻊ اﻹﻋﺎدة‬
‫اﻝﺤل‪:‬‬
‫‪ A (1‬ﺤدث ظﻬور اﻝﺒطﺎﻗﺔ ذات اﻝرﻗم ‪ 2‬ﺒﻴن اﻝﺒطﺎﻗﺎت اﻝﻤﺴﺤوﺒﺔ‬
‫ﻴﻘﻊ اﻝﺤدث ‪ A‬إذا ﺘم ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 2‬وﺒطﺎﻗﺘﻴن ﻤن اﻝﻤﻐﻠف ﻻ ﺘﺤﻤل أي ﻤﻨﻬﻤﺎ‬
‫)‪C ( 6, 2 )C (1,1‬‬ ‫‪15 3‬‬ ‫‪1‬‬ ‫‪6 5‬‬ ‫‪3‬‬
‫= ) ‪P (A‬‬ ‫=‬ ‫=‬ ‫= ‪ P ( A ) = × × × 3‬أو‬ ‫اﻝرﻗم ‪2‬‬
‫)‪C ( 7 , 3‬‬ ‫‪35 7‬‬ ‫‪7‬‬ ‫‪6 5‬‬ ‫‪7‬‬
‫) ‪P (A ∩ B‬‬
‫= ) ‪P (A | B‬‬ ‫‪ B (2‬ﺤدث أن ﻤﺠﻤوع أرﻗﺎم اﻝﺒطﺎﻗﺎت اﻝﺜﻼث اﻝﻤﺴﺤوﺒﺔ ﻓردي اﻝﻤطﻠوب‬
‫) ‪P (B‬‬

‫ﻴﻘﻊ اﻝﺤدث ‪ B‬إذا ﺘم) ﺴﺤب ﺜﻼث ﺒطﺎﻗﺎت ﻜل ﻤﻨﻬﺎ ﺘﺤﻤل رﻗم ﻓردي( أو إذا ﺘم‬
‫) ﺴﺤب ﺜﻼث ﺒطﺎﻗﺎت واﺤدة ﻤﻨﻬﺎ ﺘﺤﻤل رﻗم ﻓردي واﻝﺒطﺎﻗﺘﺎن اﻷﺨرﻴﻴن ﺘﺤﻤل ﻜل ﻤﻨﻬﻤﺎ رﻗم زوﺠﻲ(‬

‫) ‪C ( 4,3) + C ( 4,1)C ( 3, 2‬‬ ‫‪16‬‬ ‫‪4 3 2 3 2 4‬‬ ‫‪16‬‬

‫= ) ‪P (B‬‬ ‫=‬ ‫أو‬ ‫= ) ‪P (B‬‬ ‫= ‪× × + × × ×3‬‬
‫)‪C (7,3‬‬ ‫‪35‬‬ ‫‪7 6 5 7 6 5‬‬ ‫‪35‬‬

‫وﻴﻘﻊ اﻝﺤدث ‪ A ∩ B‬إذا ﺘم ﺴﺤب ﺜﻼث ﺒطﺎﻗﺎت إﺤداﻫﺎ ﺘﺤﻤل اﻝرﻗم ‪ 2‬وأﺨرى ﺘﺤﻤل رﻗم زوﺠﻲ ﻻ‬
‫ﻴﺴﺎوي ‪ 2‬واﻝﺜﺎﻝﺜﺔ ﺘﺤﻤل رﻗم ﻓردي‬

‫~ ‪~ 108‬‬
 ‫)‪C (1,1) ⋅ C ( 2,1) ⋅ C ( 4,1‬‬ ‫‪8‬‬ ‫‪1 2 4‬‬ ‫‪8‬‬
‫= ) ‪P (B‬‬ ‫=‬ ‫= ‪ P ( A ∩ B ) = × × × 6‬أو‬
‫)‪C (7,3‬‬ ‫‪35‬‬ ‫‪7 6 5‬‬ ‫‪35‬‬
‫‪8‬‬
‫‪1‬‬
‫= ‪P ( A | B ) = 35‬‬ ‫وﻤﻨﻪ‬
‫‪16‬‬ ‫‪2‬‬
‫‪35‬‬
‫‪X ( Ω ) = {3 , 4 ,5 , 6, 7} (3‬‬

‫وﺴﺤب ﺒطﺎﻗﺘﻴن ﻤن أرﻗﺎم اﻝﻤﺠﻤوﻋﺔ }‪{1,2‬‬ ‫اﻝﺤدث ‪ {X = 3} :‬ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪3‬‬
‫‪C (1,1)C (2,2) 1‬‬ ‫‪1 2 1‬‬ ‫‪1‬‬
‫= )‪f (3‬‬ ‫=‬ ‫= ‪ f (3) = × × × 3‬أو‬
‫)‪C (7,3‬‬ ‫‪35‬‬ ‫‪7 6 5‬‬ ‫‪35‬‬

‫وﺴﺤب ﺒطﺎﻗﺘﻴن ﻤن أرﻗﺎم اﻝﻤﺠﻤوﻋﺔ }‪{1,2,3‬‬ ‫اﻝﺤدث ‪ {X = 4} :‬ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪4‬‬
‫‪C (1,1)C (3,2) 3‬‬ ‫‪1 3 2‬‬ ‫‪3‬‬
‫= )‪f (4‬‬ ‫=‬ ‫= ‪ f (4) = × × × 3‬أو‬
‫)‪C (7,3‬‬ ‫‪35‬‬ ‫‪7 6 5‬‬ ‫‪35‬‬

‫وﺴﺤب ﺒطﺎﻗﺘﻴن ﻤن أرﻗﺎم اﻝﻤﺠﻤوﻋﺔ }‪{1,2,3,4‬‬ ‫اﻝﺤدث ‪ {X = 5} :‬ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪5‬‬
‫‪C (1,1)C (4,2) 6‬‬ ‫‪1 4 3‬‬ ‫‪6‬‬
‫= )‪f (5‬‬ ‫=‬ ‫= ‪ f (5) = × × × 3‬أو‬
‫)‪C (7,3‬‬ ‫‪35‬‬ ‫‪7 6 5‬‬ ‫‪35‬‬

‫اﻝﺤ ـ ــدث‪ {X = 6} :‬ﺴ ـ ــﺤب اﻝﺒطﺎﻗ ـ ــﺔ اﻝﺘ ـ ــﻲ ﺘﺤﻤ ـ ــل اﻝـ ـ ـرﻗم ‪ 6‬وﺴ ـ ــﺤب ﺒط ـ ــﺎﻗﺘﻴن ﻤ ـ ــن أرﻗ ـ ــﺎم اﻝﻤﺠﻤوﻋ ـ ــﺔ‬
‫‪C (1,1)C (5,2) 10‬‬ ‫‪1 5 4‬‬ ‫‪10‬‬
‫= )‪f (6‬‬ ‫=‬ ‫= ‪ f (6) = × × × 3‬أو‬ ‫}‪ {1,2,3,4,5‬وﻤﻨﻪ‬
‫)‪C (7,3‬‬ ‫‪35‬‬ ‫‪7 6 5‬‬ ‫‪35‬‬

‫اﻝﺤ ـ ــدث ‪ {X = 7} :‬ﺴ ـ ــﺤب اﻝﺒطﺎﻗ ـ ــﺔ اﻝﺘ ـ ــﻲ ﺘﺤﻤ ـ ــل اﻝـ ـ ـرﻗم ‪ 7‬وﺴ ـ ــﺤب ﺒط ـ ــﺎﻗﺘﻴن ﻤ ـ ــن أرﻗ ـ ــﺎم اﻝﻤﺠﻤوﻋ ـ ــﺔ‬
‫‪C (1,1)C (6,2) 15‬‬ ‫‪1 5 4‬‬ ‫‪15‬‬
‫= )‪f (7‬‬ ‫=‬ ‫= ‪ f (7) = × × × 3‬أو‬ ‫}‪ {1,2,3,4,5,6‬وﻤﻨﻪ‬
‫)‪C (7,3‬‬ ‫‪35‬‬ ‫‪7 6 5‬‬ ‫‪35‬‬

‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪X‬‬

‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬

‫‪xk‬‬ ‫‪3 4 5 6 7‬‬

‫‪1 3 6 10 15‬‬
‫) ‪f (x k‬‬ ‫‪35 35 35 35 35‬‬
‫‪5‬‬
‫‪E (X‬‬ ‫) ‪) = ∑ x i .f ( x i‬‬
‫‪k =1‬‬

‫‪3 + 12 + 30 + 60 + 105‬‬
‫= ) ‪ E ( X‬وﻤﻨﻪ ‪E ( X ) = 6‬‬
‫‪35‬‬
‫ﺤﺴﺎب اﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري‬

‫~ ‪~ 109‬‬
 ‫‪f (x k‬‬ ‫)‬ ‫‪x k ⋅ f (x k‬‬ ‫‪) (x k‬‬ ‫) ) ‪− E (X‬‬ ‫‪(x k‬‬ ‫‪− E (X ) ) ⋅ f ( x k‬‬ ‫)‬
‫‪2‬‬ ‫‪2‬‬
‫‪xk‬‬
‫‪1‬‬ ‫‪3‬‬ ‫‪9‬‬
‫‪3‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪9‬‬ ‫‪35‬‬
‫‪3‬‬ ‫‪12‬‬ ‫‪12‬‬
‫‪4‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪4‬‬ ‫‪35‬‬
‫‪6‬‬ ‫‪30‬‬ ‫‪6‬‬
‫‪5‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪1‬‬ ‫‪35‬‬
‫‪10‬‬ ‫‪60‬‬
‫‪6‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪15‬‬ ‫‪105‬‬ ‫‪15‬‬
‫‪7‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪1‬‬ ‫‪35‬‬
‫‪5‬‬

‫∑‬‫‪k =1‬‬ ‫‪1‬‬ ‫‪E (X ) = 6‬‬ ‫) ‪V (X‬‬

‫‪4‬‬
‫‪V (X‬‬ ‫‪) = ∑ (x k‬‬ ‫‪− E (X ) ) f ( x k‬‬ ‫)‬
‫‪2‬‬

‫‪k =1‬‬

‫‪9 + 12 + 6 + 0 + 15 6‬‬
‫‪V (X‬‬ ‫=)‬ ‫=‬
‫‪35‬‬ ‫‪5‬‬
‫‪6‬‬
‫= ‪σx‬‬ ‫) ‪ σ x = V ( X‬وﻤﻨﻪ‬
‫‪5‬‬

‫‪ (4‬إﻋﺎدة ﺤل اﻝﻤﺴﺄﻝﺔ إذا ﻜﺎن ﺴﺤب اﻝﺒطﺎﻗﺎت ﻋﻠﻰ اﻝﺘﺘﺎﻝﻲ ﻤﻊ اﻹﻋﺎدة‪:‬‬

‫‪ A‬ﺤدث ظﻬور اﻝﺒطﺎﻗﺔ ذات اﻝرﻗم ‪ 2‬ﺒﻴن اﻝﺒطﺎﻗﺎت اﻝﻤﺴﺤوﺒﺔ‬

‫ﻴﻘــﻊ اﻝﺤــدث ‪ A‬إذا ﺘــم ﺴــﺤب اﻝﺒطﺎﻗــﺔ اﻝﺘــﻲ ﺘﺤﻤــل اﻝ ـرﻗم ‪ 2‬وﺒطــﺎﻗﺘﻴن ﻤــن اﻝﻤﻐﻠــف ﻻ ﺘﺤﻤــل أي‬

‫ﻤﻨﻬﻤﺎ اﻝرﻗم ‪2‬‬

‫أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 2‬ﻤرﺘﻴن ﻤﻊ ﺒطﺎﻗﺔ ﻻ ﺘﺤﻤل اﻝرﻗم ‪ 2‬أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ‬

‫‪:‬‬ ‫ﺘﺤﻤل اﻝرﻗم)‪(2‬ﺜﻼث ﻤرات‬

‫‪1 6 6‬‬ ‫‪1 1 6‬‬ ‫‪1 1 1 127‬‬

‫= ) ‪P (A‬‬ ‫= × × ‪× × ×3+ × × ×3+‬‬
‫‪7 7 7‬‬ ‫‪7 7 7‬‬ ‫‪7 7 7 343‬‬

‫أو ‪ A‬ﻫو اﻝﺤدث اﻝﻤﻀﺎد ﻝﻌدم ﺴﺤب ﺒطﺎﻗﺔ ﺘﺤﻤل اﻝرﻗم ‪2‬‬

‫)‪P ( A ) = 1 − P (A ′‬‬
‫‪3‬‬
‫‪6‬‬ ‫‪216 127‬‬
‫‪P (A ) = 1 −   = 1 −‬‬ ‫=‬
‫‪7‬‬ ‫‪343 343‬‬
‫~ ‪~ 110‬‬
 ‫) ‪P (A ∩ B‬‬
‫= ) ‪P (A | B‬‬ ‫‪ B‬ﺤدث أن ﻤﺠﻤوع أرﻗﺎم اﻝﺒطﺎﻗﺎت اﻝﺜﻼث اﻝﻤﺴﺤوﺒﺔ ﻓردي اﻝﻤطﻠوب‬
‫) ‪P (B‬‬

‫ﻴﻘﻊ اﻝﺤدث ‪ B‬إذا ﺘم ﺴﺤب ﺜﻼث ﺒطﺎﻗﺎت ﻜل ﻤﻨﻬﺎ ﺘﺤﻤل رﻗم ﻓردي أو إذا ﺘم ﺴﺤب ﺜﻼث ﺒطﺎﻗﺎت‬

‫واﺤدة ﻤﻨﻬﺎ ﺘﺤﻤل رﻗم ﻓردي واﻝﺒطﺎﻗﺘﻴن اﻷُﺨرﻴﻴن ﺘﺤﻤل ﻜل ﻤﻨﻬﻤﺎ رﻗم زوﺠﻲ‬

‫‪4 4 4 3 3 4‬‬ ‫‪172‬‬

‫= ) ‪P (B‬‬ ‫= ‪× × + × × ×3‬‬
‫‪7 7 7 7 7 7‬‬ ‫‪343‬‬

‫وﻴﻘﻊ اﻝﺤدث ‪ A ∩ B‬إذا ﺘم ﺴﺤب ﺜﻼث ﺒطﺎﻗﺎت إﺤداﻫﺎ ﺘﺤﻤل اﻝرﻗم ‪ 2‬وأﺨرى ﺘﺤﻤل رﻗم زوﺠﻲ‬

‫ﻻ ﻴﺴﺎوي ‪ 2‬واﻝﺜﺎﻝﺜﺔ ﺘﺤﻤل رﻗم ﻓردي أو ﺒطﺎﻗﺘﺎن ﻜل ﻤﻨﻬﻤﺎ ﺘﺤﻤل اﻝرﻗم ‪ 2‬واﻝﺜﺎﻝﺜﺔ ﻋدد ﻓردي‬

‫‪1 2 4‬‬ ‫‪1 1 4‬‬ ‫‪60‬‬

‫= ) ‪P (A ∩ B‬‬ ‫= ‪× × ×6 + × × ×3‬‬
‫‪7 7 7‬‬ ‫‪7 7 7‬‬ ‫‪343‬‬

‫‪60‬‬
‫‪15‬‬
‫= ‪P ( A | B ) = 343‬‬ ‫وﻤﻨﻪ‬ ‫ؤ‬
‫‪172‬‬ ‫‪43‬‬
‫‪343‬‬

‫}‪X ( Ω ) = {1.2,3 , 4 ,5 ,6, 7‬‬

‫‪1 1 1 1‬‬
‫= × × = )‪f (1‬‬ ‫اﻝﺤدث ‪ {X = 1} :‬ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 1‬ﺜﻼث ﻤرات‬
‫‪7 7 7 343‬‬

‫اﻝﺤدث ‪ {X = 1} :‬ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 2‬ﻤرة واﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 1‬ﻤرﺘﻴن‬

‫أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 2‬ﻤرﺘﻴن واﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 1‬ﻤرة‬

‫أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 2‬ﺜﻼث ﻤرات‬

‫‪1 1 1‬‬ ‫‪1 1 1‬‬ ‫‪1 1 1 7‬‬

‫= × × ‪f (2) = × × × 3 + × × × 3 +‬‬
‫‪7 7 7‬‬ ‫‪7 7 7‬‬ ‫‪7 7 7 343‬‬

‫وﺴﺤب ﺒطﺎﻗﺘﻴن ﻤن أرﻗﺎم اﻝﻤﺠﻤوﻋﺔ }‪{1,2‬‬ ‫اﻝﺤدث ‪ {X = 3} :‬ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪3‬‬

‫ﻤرﺘﻴن وﺴﺤب ﺒطﺎﻗﺔ ﻤن أرﻗﺎم اﻝﻤﺠﻤوﻋﺔ }‪{1,2‬‬ ‫أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪3‬‬

‫أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 3‬ﺜﻼث ﻤرات‬

‫~ ‪~ 111‬‬
 ‫‪1 2 2‬‬ ‫‪1 1 2‬‬ ‫‪1 1 1 19‬‬
‫= × × ‪f (3) = × × × 3 + × × × 3 +‬‬
‫‪7 7 7‬‬ ‫‪7 7 7‬‬ ‫‪7 7 7 343‬‬

‫وﺴﺤب ﺒطﺎﻗﺘﻴن ﻤن أرﻗﺎم اﻝﻤﺠﻤوﻋﺔ }‪{1,2,3‬‬ ‫اﻝﺤدث ‪ {X = 4} :‬ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪4‬‬

‫ﻤرﺘﻴن وﺴﺤب ﺒطﺎﻗﺔ ﻤن أرﻗﺎم اﻝﻤﺠﻤوﻋﺔ }‪{1,2,3‬‬ ‫أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪4‬‬

‫أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 4‬ﺜﻼث ﻤرات‬

‫‪1 3 3‬‬ ‫‪1 1 3‬‬ ‫‪1 1 1 37‬‬

‫= × × ‪f (4) = × × × 3 + × × × 3 +‬‬
‫‪7 7 7‬‬ ‫‪7 7 7‬‬ ‫‪7 7 7 343‬‬

‫وﺴﺤب ﺒطﺎﻗﺘﻴن ﻤن أرﻗﺎم اﻝﻤﺠﻤوﻋﺔ }‪{1,2,3,4‬‬ ‫اﻝﺤدث ‪ {X = 5} :‬ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪5‬‬

‫ﻤرﺘﻴن وﺴﺤب ﺒطﺎﻗﺔ ﻤن أرﻗﺎم اﻝﻤﺠﻤوﻋﺔ }‪{1,2,3,4‬‬ ‫أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪5‬‬

‫أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 5‬ﺜﻼث ﻤرات‬

‫‪1 4 4‬‬ ‫‪1 1 4‬‬ ‫‪1 1 1 61‬‬

‫= × × ‪f (5) = × × × 3 + × × × 3 +‬‬
‫‪7 7 7‬‬ ‫‪7 7 7‬‬ ‫‪7 7 7 343‬‬

‫اﻝﺤ ـ ــدث ‪ {X = 6} :‬ﺴ ـ ــﺤب اﻝﺒطﺎﻗ ـ ــﺔ اﻝﺘ ـ ــﻲ ﺘﺤﻤ ـ ــل اﻝـ ـ ـرﻗم ‪ 6‬وﺴ ـ ــﺤب ﺒط ـ ــﺎﻗﺘﻴن ﻤ ـ ــن أرﻗ ـ ــﺎم اﻝﻤﺠﻤوﻋ ـ ــﺔ‬

‫}‪ {1,2,3,4,5‬أو ﺴ ـ ــﺤب اﻝﺒطﺎﻗ ـ ــﺔ اﻝﺘ ـ ــﻲ ﺘﺤﻤ ـ ــل اﻝـ ـ ـرﻗم ‪ 6‬ﻤـ ـ ـرﺘﻴن وﺴ ـ ــﺤب ﺒطﺎﻗـ ـ ـﺔ ﻤ ـ ــن أرﻗ ـ ــﺎم اﻝﻤﺠﻤوﻋ ـ ــﺔ‬

‫}‪ {1,2,3,4,5‬أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 6‬ﺜﻼث ﻤرات‬

‫‪1 5 5‬‬ ‫‪1 1 5‬‬ ‫‪1 1 1 91‬‬

‫= × × ‪f (6) = × × × 3 + × × × 3 +‬‬
‫‪7 7 7‬‬ ‫‪7 7 7‬‬ ‫‪7 7 7 343‬‬

‫اﻝﺤ ـ ــدث ‪ {X = 7} :‬ﺴ ـ ــﺤب اﻝﺒطﺎﻗ ـ ــﺔ اﻝﺘ ـ ــﻲ ﺘﺤﻤ ـ ــل اﻝـ ـ ـرﻗم ‪ 7‬وﺴ ـ ــﺤب ﺒط ـ ــﺎﻗﺘﻴن ﻤ ـ ــن أرﻗ ـ ــﺎم اﻝﻤﺠﻤوﻋ ـ ــﺔ‬

‫}‪ {1,2,3,4,5,6‬أو ﺴـ ــﺤب اﻝﺒطﺎﻗـ ــﺔ اﻝﺘـ ــﻲ ﺘﺤﻤـ ــل اﻝ ـ ـرﻗم ‪ 7‬ﻤ ـ ـرﺘﻴن وﺴـ ــﺤب ﺒطﺎﻗ ـ ـﺔ ﻤـ ــن أرﻗـ ــﺎم اﻝﻤﺠﻤوﻋـ ــﺔ‬

‫}‪ {1,2,3,4,5,6‬أو ﺴﺤب اﻝﺒطﺎﻗﺔ اﻝﺘﻲ ﺘﺤﻤل اﻝرﻗم ‪ 7‬ﺜﻼث ﻤرات‬

‫‪1 6 6‬‬ ‫‪1 1 6‬‬ ‫‪1 1 1 127‬‬

‫= × × ‪f (7) = × × × 3 + × × × 3 +‬‬
‫‪7 7 7‬‬ ‫‪7 7 7‬‬ ‫‪7 7 7 343‬‬

‫ﻠﻤﺘﻐﻴر اﻝﻌﺸواﺌﻲ ‪X‬‬

‫وﺠدول اﻝﻘﺎﻨون اﻻﺤﺘﻤﺎﻝﻲ ﻝ ّ‬

‫~ ‪~ 112‬‬
 xk 1 2 3 4 5 6 7
1 7 19 37 61 91 127
f (x k ) 343 343 343 343 343 343 343

7
E (X ) = ∑ x i .f ( x i )
k =1

1960 40 1 + 14 + 57 + 148 + 305 + 546 + 889

E (X )= = ‫ وﻤﻨﻪ‬E ( X )=
343 7 343

‫ﺤﺴﺎب اﻝﺘﺒﺎﻴن واﻻﻨﺤراف اﻝﻤﻌﻴﺎري‬

f (x k ) x k ⋅ f (x k ) (x k − E (X ) ) (x k − E (X ) ) ⋅ f ( x k )
2 2
xk
2
1 1  40  1089 1089
1 −  =
1 343 343  7  49 16807
2
7 1  40  676 4732
2 −  =
2 343 343  7  49 16807
2
19 1  40  361 6859
3 −  =
3 343 343  7  49 16807
2
37 1  40  144 5328
4 −  =
4 343 343  7  49 16807
2
61 1  40  25 1225
5 −  =
5 343 343  7  49 16807
2
91 1  40  4 364
6 −  =
6 343 343  7  49 16807
2
127 1  40  81 10287
7 −  =
7 343 343  7  49 16807
7

∑
k =1 1
E (X ) =
40
7
V (X ) =
29884
16807
4
V (X ) = ∑ (x k − E (X ) ) f ( x k )
2

k =1

9 + 12 + 6 + 0 + 15
V (X )= = 1.778
35
σ x = 7.9 ‫ وﻤﻨﻪ‬σ x = V ( X )

~ 113 ~
‫ﻤﺴﺄﻝﺔ⑪ ﻤﻐﻠف ﻴﺤﺘوي ﻋﻠﻰ ﺒذور ورد ﻴﻌطﻲ ﺒﻌد زراﻋﺘﻪ ‪ 40 0 0‬ورد أﺤﻤر واﻝﺒﺎﻗﻲ ﻴﻌطﻲ ورد أﺒﻴض‬

‫ﻨزرع ﻤﻨﻬﺎ ‪ 8‬ﺒذرات اﺤﺴب اﺤﺘﻤﺎل ‪:‬‬

‫أن ﻻ ﻨﺤﺼل ﻋﻠﻰ أي وردة ﺒﻴﻀﺎء‬

‫أن ﻨﺤﺼل ﻋﻠﻰ وردة ﺤﻤراء واﺤدة‬

‫أن ﻨﺤﺼل ﻋﻠﻰ ﺜﻼث وردات ﺒﻴﻀﺎء ﻋﻠﻰ اﻷﻜﺜر‬

‫إذا ﻜﺎن ‪ X‬ﻤﺘﻐﻴ اًر ﻋﺸواﺌﻴﺎً ﻴدل ﻋﻠﻰ ﻋدد اﻝوردات اﻝﺤﻤراء اﻝﺘﻲ ﺴﻨﺤﺼل ﻋﻠﻴﻬﺎ ﺒﻌد زراﻋﺔ اﻝﺒذور‬

‫اﺤﺴب اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ واﻨﺤراﻓﻪ اﻝﻤﻌﻴﺎري‬

‫اﻝﺤل ‪ :‬ﻨﻔرض ‪ p‬اﺤﺘﻤﺎل أن ﺘﺒت وردة ﺤﻤراء و ‪ q‬اﺤﺘﻤﺎل أن ﺘﺒت وردة ﺒﻴﻀﺎء ﻴﻜون ‪:‬‬

‫‪3‬‬ ‫‪2‬‬
‫= ‪ q‬و ‪ n = 8‬ﻨﺴﺘﺨدم ﺘوزﻴﻊ ﺜﻨﺎﺌﻲ اﻝﺤد‬ ‫=‪ p‬و‬
‫‪5‬‬ ‫‪5‬‬

‫ﻨﻔرض ‪ A‬ﺤدث ﻋدم اﻝﺤﺼول ﻋﻠﻰ أي وردة ﺒﻴﻀﺎء ‪:‬‬

‫‪2  3‬‬
‫‪8‬‬ ‫‪0‬‬
‫‪256‬‬
‫= ‪P (A) = C (8, 0)    ‬‬
‫‪5  5‬‬ ‫‪390625‬‬

‫ﻨﻔرض ‪ B‬ﺤدث اﻝﺤﺼول ﻋﻠﻰ وردة ﺤﻤراء واﺤدة‬

‫‪2 ‬‬ ‫‪3‬‬

‫‪1‬‬ ‫‪7‬‬
‫‪34992‬‬
‫‪P (B ) = C (8, 1)  ‬‬ ‫‪ ‬‬
‫‪ 5  = 390625‬‬
‫‪5‬‬

‫ﻨﻔرض ‪ C‬ﺤدث اﻝﺤﺼول ﻋﻠﻰ ﺜﻼث وردات ﺒﻴﻀﺎء ﻋﻠﻰ اﻷﻜﺜر‬

‫‪2‬‬
‫‪3‬‬ ‫‪2  3‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪2 ‬‬ ‫‪ 3 ‬‬
‫‪5‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪2‬‬ ‫‪7‬‬ ‫‪1‬‬ ‫‪8‬‬ ‫‪0‬‬
‫‪P (C ) = C (8, 3)  ‬‬
‫‪  + C (8, 2)     + C (8, 1)  ‬‬ ‫‪  + C (8, 0)  ‬‬ ‫‪‬‬
‫‪ 5 ‬‬
‫‪5‬‬ ‫‪ 5   5 ‬‬ ‫‪ 5 ‬‬ ‫‪ 5 ‬‬ ‫‪ 5 ‬‬ ‫‪ 5 ‬‬
‫‪48384‬‬ ‫‪16128‬‬ ‫‪3072‬‬ ‫‪256‬‬
‫=‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪+‬‬
‫‪390625 390625 390625 390625‬‬
‫‪67840‬‬
‫= ) ‪P (C‬‬ ‫‪= 0.1736704‬‬
‫‪390625‬‬

‫~ ‪~ 114‬‬
 ‫اﻝﺘوﻗﻊ اﻝرﻴﺎﻀﻲ واﻻﻨﺤراف اﻝﻤﻌﻴﺎري‬

‫‪2‬‬
‫× ‪E (X ) = n ⋅ p = 8‬‬ ‫‪= 3.2‬‬
‫‪5‬‬
‫‪48‬‬
‫= ‪V (X ) = n ⋅ p ⋅ q‬‬
‫‪25‬‬
‫‪4‬‬
‫= ) ‪σx = V (X‬‬ ‫‪3‬‬
‫‪5‬‬

‫اﻷﺴﺘﺎذ أﺤﻤد أﺒو ﻨﺒوت‬

‫ﺘم ﺒﻌون اﷲ وﺤﻤدﻩ‬

‫اﻝﻤواﻓق ‪2013 \ 8 \ 5‬‬ ‫‪1434‬‬ ‫‪ 27‬رﻤﻀﺎن‬

‫ﺘﻌرﻴف ﺒﻜﺎﺘب اﻝﻜﺘﺎب ‪ :‬اﻝﻤﺒﺎدئ اﻷوﻝﻴﻪ ﻝﻼﺤﺘﻤﺎﻻت‬

‫ﻤواﻝﻴد ‪ 1951‬ﺴورﻴﺎ – درﻋﺎ‬ ‫اﻷﺴﺘﺎذ أﺤﻤد ﻤﺤﻤود أﺒو ﻨﺒوت‬
‫ﺘﺨرج ﻤن ﺠﺎﻤﻌﺔ دﻤﺸق ﻜﻠﻴﺔ اﻝﻌﻠوم ﻗﺴم اﻝرﻴﺎﻀﻴﺎت ﻋﺎم ‪1975‬‬
‫ﻋﻤل ﻤدرﺴﺎً ﻓﻲ اﻝﺜﺎﻨوي ﺤﺘﻰ ﻋﺎم ‪2002‬‬
‫ﺜم ﻋﻤل ﻤوﺠﻬﺎً ﻝﻤﺎدة اﻝرﻴﺎﻀﻴﺎت ﺤﺘﻰ ﻋﺎم ‪2011‬‬
‫ﻴﻌﻤل ﺤﺎﻝﻴﺎً ﻤدرﺴﺎً ﻓﻲ ﻤدرﺴﺔ ﺨﺎﺼﺔ وﻴﻜﺘب ﻓﻲ ﻤواﻀﻴﻊ اﻝرﻴﺎﻀﻴﺎت‬
‫‪ ، 963 15 220723‬م ‪0965728199 ، 0933337384 :‬‬ ‫ﻫـ‪:‬‬
‫اﻝﺨﺎﺼﺔ ﺒﺎﻝﻤرﺤﻠﺔ اﻝﺜﺎﻨوﻴﺔ‬

‫~ ‪~ 115‬‬