‫جامعة الجزائر ‪3‬‬

‫‪2024-2023‬‬ ‫كليـة العلوم االقتصاديـة‬

‫مقياس‪ :‬اإلحصاء ‪3‬‬
‫األستاذة المحاضرة‬ ‫والعلوم التجاريـة وعلوم التسييـر‬
‫السنـة الثانية مالية و محاسبة‬
‫‪ -‬برج نزيهة ‪-‬‬ ‫قسم العلوم المالية و المحاسبة‬

‫المحاضرة الثالثة‪ :‬التوزيعات االحتمالية الشهيرة المستمرة‬

‫‪The Uniform Distribution‬‬ ‫‪ .1‬ال توزيع المنتظم المتصل أو المستمر‪:‬‬
‫نقول أن المتغير العشوائي المستمر 𝑿 والمعرف في المجال ]𝑏 ‪ ، [a,‬يتبع التوزيع المنتظم )𝑏 ‪ 𝑈(𝑎,‬فإن‬
‫الدالة الكثافة االحتمالية ل 𝑿 هي ‪:‬‬
‫𝟏‬
‫= )𝒙( 𝑿𝒇‬ ‫]𝑏 ‪; 𝒙 ∈ [𝑎,‬‬
‫𝒂‪𝒃−‬‬

‫والشكل أدناه يوضح التمثيل البياني لمنحنى دالة الكثافة لمتغير عشوائي يتبع التوزيع المنتظم المستمر‬
‫والذي يأخذ شكل مستطيل‪.‬‬

‫ودالة توزيعه تكون من الشكل ‪:‬‬

‫𝒙‬
‫𝒂‪𝒙−‬‬
‫= 𝒕𝒅 )𝒕( 𝑿𝒇 ∫ = )𝒙 ≤ 𝑿(𝑷 = )𝒙( 𝑿𝑭‬ ‫]𝑏 ‪; 𝒙 ∈ [𝑎,‬‬
‫∞‪−‬‬ ‫𝒂‪𝒃−‬‬
‫بعض القيم العددية المميزة لتوزيع المنتظم المستمر ‪:‬‬
‫𝒃‪𝒂+‬‬
‫= )𝑿(𝑬‬
‫𝟐‬
‫التوقع الرياضي ‪:‬‬ ‫‪‬‬
‫𝟐)𝒂‪(𝒃−‬‬
‫= )𝑿(𝑽‬
‫𝟐𝟏‬
‫التباين ‪:‬‬ ‫‪‬‬

‫مثال‪:‬‬
‫اتفق شخصان أن يلتقيا في حديقة بحدود الساعة ‪ 18h20 – 18h00‬ماهو اإلحتمال ان يلتقيا قبل الساعة‬
‫‪18h10‬؟‬
‫الحل‪:‬‬
‫يعتبر الزمن متغيرا عشوائيا مستمرا ‪ ،‬بحيث الشخصان يستطيعان أن يلتقيا في أي لحظة في المجال‬
‫الزمني ‪ ، 18h20 – 18h00‬وتمتد هذه الفترة الزمنية إلى ‪ 20 min‬إبتداءا من الساعة ‪ ،18h00‬إذن‬
‫فالمجال الزمني الذي يمكن أن يلتقيا فيه الشخصان هو محدد من ]‪ [0, 20‬دقيقة‪.‬‬
‫ونضع ال متغير العشوائي المستمر الذي يمثل الوقت الذي يلتقيان فيه الشخصان والمعرف في المجال‬
‫]‪ ، [0, 20‬والذي يتبع التوزيع المنتظم )‪ . 𝑈(0,20‬دالة الكثافة االحتمالية ل 𝑋 هي ‪:‬‬

‫‪2‬‬
 ‫‪1‬‬
‫= ) 𝑥( 𝑋𝑓‬ ‫]‪; 𝑥 ∈ [0, 20‬‬
‫‪20‬‬

‫وبالتالي إحتمال ان يلتقيا الشخصان قبل الساعة ‪ 18h10‬هو‪:‬‬

‫‪10‬‬
‫‪10 − 0‬‬
‫= 𝑡𝑑 )𝑡( 𝑋𝑓 ∫ = )‪𝑃(𝑋 ≤ 10‬‬ ‫‪= 0.5‬‬
‫‪0‬‬ ‫‪20 − 0‬‬

‫‪The Exponentiel Distribution‬‬ ‫‪ .2‬التوزيع األسي‪:‬‬

‫التوزيع األسي هو توزيع احتمالي مستمر يستخدم غالبًا لنمذجة الوقت بين حدوث األحداث النادرة‬
‫والعشوائية‪ .‬يتم استخدامه عادة ً لنمذجة الوقت بين أعطال المعدات‪ ،‬ووقت االنتظار في طوابير‪ ،‬والوقت‬
‫الفاصل بين وصول الزبائن إلى شبابيك‪ .… ،‬ويرتبط التوزيع األسي ارتبا ً‬
‫طا وثيقًا بتوزيع بواسون‪ ،‬ألنه‬
‫يصف الوقت المستغرق لحدوث أحداث تتبع التوزيع بواسون‪.‬‬

‫نقول أن المتغير العشوائي المستمر 𝑿 والمعرف في المجال [∞‪ ، [0, +‬يتبع التوزيع األسي )𝜆( 𝜉 فإن‬
‫الدالة الكثافة االحتمالية ل 𝑿 هي ‪:‬‬
‫𝝀‪−‬‬ ‫𝒙‬
‫𝒆𝝀 = )𝒙( 𝑿𝒇‬ ‫[∞‪; 𝒙 ∈ [0, +‬‬

‫والشكل أدناه يوضح التمثيل البياني لمنحنى دالة الكثافة لمتغير عشوائي يتبع التوزيع األسي ‪:‬‬

‫ودالة توزيعه تكون من الشكل ‪:‬‬

‫𝒙‬
‫[∞‪𝑭𝑿 (𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫ 𝒇𝑿 (𝒕) 𝒅𝒕 = 𝟏 − 𝒆−𝝀 𝒙 ; 𝒙 ∈ [0, +‬‬
‫∞‪−‬‬
‫بعض القيم العددية المميزة لتوزيع األسي ‪:‬‬
‫𝟏‬
‫= )𝑿(𝑬‬
‫𝝀‬
‫‪ ‬التوقع الرياضي ‪:‬‬
‫𝟏‬
‫= )𝑿(𝑽‬ ‫التباين ‪:‬‬ ‫‪‬‬
‫𝟐𝝀‬

‫مثال‪:‬‬
‫اذا فرضنا ان عمر المصابيح الكهربائية يتبع التوزيع األسي بمتوسط ‪ 1000‬ساعة‪.‬‬
‫‪ .1‬أكتب دالة الكثافة لهذا التوزيع‪.‬‬
‫‪ .2‬أحسب احتمال ان يعمل احد المصابيح اكثر من ‪ 2000‬ساعة‪.‬‬
‫‪ .3‬أحسب احتمال ان يحترق احد المصابيح خالل ‪ 100‬ساعة‪.‬‬
‫الحل‪:‬‬

‫‪3‬‬
‫نضع 𝑋 ال متغير العشوائي الذي يمثل عمر المصابيح الكهربائية والذي يتبع التوزيع األسي بمتوسط‬
‫‪ 1000‬ساعة‪.‬‬
‫إذن )𝜆(‪ 𝑋 → ξ‬ولدينا التوقع الرياضي لهذا المتغير هو ‪:1000‬‬

‫‪1‬‬ ‫‪1‬‬
‫= )𝑋( 𝐸‬ ‫‪= 1000‬‬ ‫=𝜆 ⇒‬
‫𝜆‬ ‫‪1000‬‬
‫‪ .1‬دالة الكثافة االحتمالية ل 𝑋 هي ‪:‬‬
‫‪1‬‬ ‫‪1‬‬
‫= ) 𝑥( 𝑋𝑓‬ ‫𝑥‪𝑒 −1000‬‬ ‫[∞‪; 𝑥 ∈ [0, +‬‬
‫‪1000‬‬
‫‪ .2‬أحسب احتمال ان يعمل احد المصابيح اكثر من ‪ 2000‬ساعة‪:‬‬
‫‪1‬‬
‫‪𝑃 (𝑋 > 2000) = 1 − 𝑃 (𝑋 ≤ 2000) = 1 − [1 − 𝑒 −1000 .2000 ] = 𝑒 −2‬‬
‫‪≈ 0.135‬‬
‫‪ .3‬أحسب احتمال ان يحترق احد المصابيح خالل ‪ 100‬ساعة‪.‬‬
‫‪1‬‬
‫‪.𝑃(𝑋 < 100) = 𝑃(𝑋 < 100) = 1 − 𝑒 −1000 .100 = 1 − 𝑒 −0.1 = 1 − 0.905 = 0.095‬‬

‫‪The Gamma Distribution‬‬ ‫‪ .3‬التوزيع قاما‬

‫توزيع قاما هو توزيع احتمالي مستمر يستخدم غالبًا لنمذجة المتغيرات العشوائية الموجبة والمستمرة‪ .‬يتم‬
‫استخدامه بشكل شائع في عدة مجاالت كالمالية والطب وغيرها من المجاالت التي تكون فيها المتغيرات‬
‫موجبة ومستمرة‪ ،‬مثل مراقبة عمر المعدات واآلالت‪ ،‬وخاصة األجهزة الطبية‪ .‬ويتميز توزيع قاما بمرونة‬
‫وقدرة على توليد توزيعات متعددة‪.‬‬
‫نقول أن المتغير العشوائي المستمر 𝑿 والمعرف في المجال [∞‪ ، ]0, +‬يتبع التوزيع قاما )‪ Γ(α, λ‬ذو‬
‫معلمات موجبة ‪ α > 0‬و‪. λ > 0‬فإن دالة كثافته االحتمالية هي‪:‬‬
‫𝛂𝛌‬
‫= )𝒙( 𝑿𝒇‬ ‫[∞‪𝒙𝜶−𝟏 𝒆−𝝀 𝒙 ; 𝛼, λ > 0 ; 𝒙 ∈]0, +‬‬
‫)‪Γ(α‬‬

‫مع )‪ Γ(α‬دالة قاما المعرفة بالعبارة التالية‪:‬‬

‫∞‪+‬‬
‫𝟎∫ = )‪Γ(α‬‬ ‫[∞‪𝒙𝜶−𝟏 𝒆−𝒙 𝒅𝒙 ; α > 0 ; 𝒙 ∈]0, +‬‬

‫بحيث‪:‬‬
‫‪1‬‬
‫‪‬‬ ‫‪Γ ( ) = √π‬‬
‫‪2‬‬
‫‪‬‬ ‫‪Γ(1) = Γ(2) = 1‬‬
‫‪‬‬ ‫‪Γ(α) = (α − 1) Γ(α − 1) ; α > 1 , α ∈ ℝ+‬‬
‫‪‬‬ ‫∗‪Γ(n) = (n − 1)! ; n > 1, n ∈ ℕ‬‬
‫مالحظة‪:‬‬
‫إذا كان المتغير العشوائي يتبع التوزيع قاما )‪ 𝑋 → Γ(1, λ‬فإن دالة كثافته تكتب على شكل‪:‬‬

‫‪4‬‬
 ‫; 𝒙 𝛌‪𝒇𝑿 (𝒙) = 𝛌𝐞−‬‬ ‫[∞‪λ > 0 ; 𝒙 ∈ [0, +‬‬
‫وبالتالي نتحصل على الدالة الكثافة االحتمالية لتوزيع األسي )𝜆(‪ ξ‬ذو معلمة 𝛌 إذن)𝜆(‪. Γ(1, λ) = ξ‬‬

‫بعض القيم العددية المميزة لتوزيع قاما‪:‬‬

‫𝜶‬
‫= )𝑿(𝑬‬
‫𝝀‬
‫‪ ‬التوقع الرياضي ‪:‬‬
‫𝜶‬
‫= )𝑿(𝑽‬ ‫‪ ‬التباين ‪:‬‬
‫𝟐𝝀‬

‫مثال‪:‬‬
‫إذا كانت أعمار أجهزة طبية في أحد العيادات تقدر بالسنوات وتتبع التوزيع اإلحتمالي ذو دالة كثافة‬
‫التالية‪:‬‬
‫ثابت 𝜃 ‪𝑓 (𝑥 ) = 𝜃 𝑥 𝑒 −7𝑥 ; 𝑥 ≥ 0 ,‬‬

‫‪ .1‬أوجد قيمة الثابت ‪θ‬‬

‫‪ .2‬إذا اخترنا عشوائيا جهاز ما‪ ،‬ماهو احتمال أن يعمل أقل من سنتين؟‬
‫‪ .3‬حساب التوقع الرياضي و التباين في هذه الحالة‪.‬‬

‫الحل‪:‬‬
‫ليكن 𝑋 المتغير العشوائي الذي يمثل أعمار األجهزة الطبية بالسنوات‪ ،‬ودالة كثافته االحتمالية هي ‪:‬‬

‫ثابت 𝜃 ‪𝑓 (𝑥 ) = 𝜃 𝑥 𝑒 −7𝑥 ; 𝑥 ≥ 0 ,‬‬

‫‪ .1‬إيجاد قيمة الثابت ‪:‬‬

‫من الواضح أن ‪ X‬يتبع التوزيع قاما‪ ،‬بحيث إذا كان )‪ X → Γ(α, λ‬فإن دالة كثافته تكتب على الشكل‬
‫التالي‪:‬‬
‫𝛌‬ ‫𝛂‬
‫= )𝒙( 𝑿𝒇‬ ‫[∞‪𝒙𝜶−𝟏 𝒆−𝝀 𝒙 ; 𝛼, λ > 0 ; 𝒙 ∈]0, +‬‬
‫)‪Γ(α‬‬

‫بالتطابق دالة كثافة المتغير ‪ X‬مع دالة كثافة التوزيع قاما نجد أن‪:‬‬

‫‪𝜶=𝟐,‬‬ ‫𝟕=𝝀‬
‫وبالتالي‪:‬‬
‫𝛂‬ ‫𝟐‬
‫𝛌‬ ‫𝟕‬ ‫𝟗𝟒‬
‫=‪γ‬‬ ‫=‬ ‫=‬ ‫𝟗𝟒 =‬
‫)‪Γ(α) Γ(2‬‬ ‫𝟏‬
‫إذن دالة الكثافة هي ‪:‬‬
‫𝑥‪−7‬‬
‫𝑒 𝑥 ‪𝑓 (𝑥 ) = 49‬‬ ‫‪;𝑥 ≥ 0‬‬

‫‪ .2‬إيجاد احتمال أن يعمل الجهاز أقل من سنتين‪:‬‬

‫‪5‬‬
 ‫𝟐‬ ‫𝟐‬ ‫𝟐‬
‫𝒙𝒅 𝑥‪𝑷(𝑿 < 2) = ∫ 𝒇𝑿 (𝒙) 𝒅𝒙 = ∫ 49 𝑥 𝑒−7𝑥 𝒅𝒙 = 𝟒𝟗 ∫ 𝑥 𝑒−7‬‬
‫𝟎‬ ‫𝟎‬ ‫𝟎‬

‫لحساب هذا التكامل نستعمل التكامل بالتجزئة‪ ،‬نضع‪ 𝑢 = 𝑥 :‬و 𝑥‪𝑣 ′ = 𝑒 −7‬‬

‫‪𝑢 = 𝑥 → 𝑢′ = 1‬‬
‫{‬ ‫‪1‬‬
‫𝑥‪𝑣 ′ = 𝑒 −7𝑥 → 𝑣 = − 𝑒 −7‬‬
‫‪7‬‬

‫𝑣 ‪∫ 𝑢 𝑣 ′ = 𝑢 𝑣 − ∫ 𝑢′‬‬
‫إذن‬
‫𝟐‬ ‫𝟐 𝑥‪−7‬‬
‫‪1‬‬ ‫𝑥‪1 𝟐 −7‬‬
‫𝑥 ∫‬ ‫𝑥 ‪𝑒−7𝑥 𝒅𝒙 = [−‬‬ ‫𝑒‬ ‫‪] +‬‬ ‫𝑒 ∫‬ ‫𝒙𝒅‬
‫𝟎‬ ‫‪7‬‬ ‫𝟎 ‪7‬‬
‫𝟎‬

‫𝑥‪−7‬‬ ‫𝟐‬ ‫‪−14‬‬

‫‪1‬‬ ‫‪1‬‬ ‫𝟐‬ ‫‪1‬‬ ‫‪1 −14‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪15 −14‬‬
‫𝑒𝑥 ‪= [− 7‬‬ ‫𝑒 ‪] − 49 [𝑒−7𝑥 ]𝟎 = − 7 . 2.‬‬ ‫‪−‬‬ ‫𝑒‬ ‫‪+‬‬ ‫=‬ ‫‪−‬‬ ‫𝑒‬
‫𝟎‬
‫‪49‬‬ ‫‪49‬‬ ‫‪49‬‬ ‫‪49‬‬

‫‪1‬‬ ‫‪15‬‬
‫‪⇒ 𝑷(𝑿 < 2) = 𝟒𝟗. [49 − 49 𝑒−14 ] = 1 − 15𝑒−14 = 0.999.‬‬

‫‪ .3‬إيجاد)𝑋( 𝐸 و )𝑋( 𝑉 لهذا المتغير‪:‬‬

‫𝛼‬ ‫‪2‬‬
‫= )𝑋( 𝐸‬ ‫‪= = 0.28‬‬ ‫التوقع الرياضي ‪:‬‬ ‫‪‬‬
‫𝜆‬ ‫‪7‬‬
‫𝛼‬ ‫‪2‬‬
‫= )𝑋( 𝑉‬ ‫=‬ ‫‪= 0.04‬‬ ‫التباين ‪:‬‬ ‫‪‬‬
‫‪𝜆2‬‬ ‫‪72‬‬

‫‪The Bêta Distribution‬‬ ‫‪ .4‬التوزيع بيتا‪:‬‬

‫نقول أن المتغير العشوائي المستمر 𝑿 والمعرف في المجال [‪ ، ]0, 1‬يتبع التوزيع بيتا )‪ Β(α, β‬ذو‬
‫معلمات موجبة ‪ α > 0‬و‪ . β > 0‬فإن دالة كثافته االحتمالية هي‪:‬‬
‫𝟏‬
‫= )𝒙( 𝑿𝒇‬ ‫[𝟏 ‪𝒙𝜶−𝟏 (𝟏 − 𝒙)𝜷−𝟏 ; 𝜶, 𝜷 > 𝟎 ; 𝒙 ∈]𝟎,‬‬
‫)𝜷‪𝜝(𝜶,‬‬

‫مع )‪ Β(α, β‬دالة بيتا والمعرفة بالعبارة التالية‪:‬‬

‫𝟏‬
‫[‪𝛣(𝛼, 𝛽 ) = ∫𝟎 𝒙𝜶−𝟏 (𝟏 − 𝒙)𝜷−𝟏 𝒅𝒙 ; α, β > 0 ; 𝒙 ∈]0, 1‬‬

‫والدالة بيتا لها عالقة بالدالة قاما بحيث ‪:‬‬

‫)𝛃(𝚪)𝛂(𝚪‬
‫= )𝜷 ‪𝜝(𝜶,‬‬
‫)𝜷 ‪𝚪(𝜶 +‬‬
‫وبالتالي يمكن كتابة دالة الكثافته االحتمالية لتوزيع بيتا )‪ Β(α, β‬على الشكل التالي‪:‬‬
‫)𝜷‪𝚪(𝜶+‬‬
‫= )𝒙( 𝑿𝒇‬ ‫[𝟏 ‪𝒙𝜶−𝟏 (𝟏 − 𝒙)𝜷−𝟏 ; 𝜶, 𝜷 > 𝟎 ; 𝒙 ∈]𝟎,‬‬
‫)𝛃(𝚪)𝛂(𝚪‬
‫بعض القيم العددية المميزة لتوزيع بيتا‪:‬‬

‫‪6‬‬
 ‫𝜶‬
‫= )𝑿(𝑬‬
‫𝜷‪𝜶+‬‬
‫التوقع الرياضي ‪:‬‬ ‫‪‬‬
‫𝜷𝜶‬
‫( = )𝑿(𝑽‬
‫)𝟏‪𝜶+𝜷)𝟐 (𝜶+𝜷+‬‬
‫التباين ‪:‬‬ ‫‪‬‬

‫مثال‪:1‬‬

‫‪B(3, 4),‬‬ ‫‪B(1 / 2,1 / 2),‬‬ ‫‪B(n, 2),‬‬ ‫‪B(1, n),‬‬ ‫أحسب ما يلي‪B(n,1) (n  N ) :‬‬

‫!‪Γ(3)Γ(4) (3 − 1)! (4 − 1)! 2! 3‬‬ ‫‪2‬‬ ‫‪1‬‬

‫= )‪∗ 𝛣(3, 4‬‬ ‫=‬ ‫=‬ ‫=‬ ‫‪= .‬‬
‫) ‪Γ(3 + 4‬‬ ‫!)‪(7 − 1‬‬ ‫!‪6‬‬ ‫‪120 60‬‬

‫‪Γ(1/2)Γ(1/2) √π . √π‬‬
‫= )‪∗ 𝛣(1/2, 1/2‬‬ ‫=‬ ‫‪= 𝜋.‬‬
‫)‪Γ(1/2 + 1/2‬‬ ‫‪1‬‬

‫!)‪Γ(n)Γ(2) (n − 1)! (2 − 1‬‬ ‫‪1‬‬

‫= )‪∗ 𝛣 (𝑛, 2‬‬ ‫=‬ ‫=‬ ‫‪.‬‬
‫)‪Γ(𝑛 + 2‬‬ ‫!)‪(n + 1‬‬ ‫)‪𝑛(𝑛 + 1‬‬

‫‪Γ(1)Γ(n) (n − 1)! 1‬‬

‫= )𝑛 ‪∗ 𝛣 (1,‬‬ ‫=‬ ‫‪= .‬‬
‫)𝑛 ‪Γ(1 +‬‬ ‫!)‪(n‬‬ ‫𝑛‬
‫‪Γ(n)Γ(1) (n − 1)! 1‬‬
‫= )‪∗ 𝛣 (𝑛, 1‬‬ ‫=‬ ‫‪= .‬‬
‫)‪Γ(𝑛 + 1‬‬ ‫!‪n‬‬ ‫𝑛‬

‫‪1‬‬ ‫‪1‬‬
‫‪x‬‬ ‫‪(1  x) 3 dx,‬‬ ‫‪ x(1  x)dx‬‬ ‫مثال ‪ :2‬أحسب ما يلي‪:‬‬
‫‪4‬‬
‫‪B (3, 2) ,‬‬
‫‪0‬‬ ‫‪0‬‬

‫‪B(3, 2)  1 /[n(n  1)]  1 /[3(4)]  1 / 12‬‬

‫!‪5(4) 4!3‬‬ ‫‪1‬‬ ‫!‪1!1‬‬

‫‪x‬‬ ‫‪ x(1  x)dx  B(2, 2) ‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪4‬‬
‫‪(1  x) 3 dx  B(5, 4) ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪,‬‬ ‫‪ 1/ 6‬‬
‫‪0‬‬ ‫)‪(5  4‬‬ ‫!‪8‬‬ ‫‪280‬‬ ‫‪0‬‬ ‫!‪3‬‬

‫مثال ‪:3‬‬

‫لتكن نسبة اإلنتاج المباع في مؤسسة ما تتبع التوزيع التالي‪:‬‬

‫[‪𝑓𝑋 (𝑥 ) = 12 𝑥 2 (1 − 𝑥 ) ; 𝑥 ∈]0, 1‬‬

‫‪.1‬أحسب النسبة المتوقعة‪.‬‬

‫‪ .2‬إيجاد احتمال أن تبلغ نسبة المبيعات أكثر من ‪.%35‬‬

‫الحل‬
‫ليكن 𝑋 المتغير العشوائي الذي يمثل نسبة اإلنتاج المباع في المؤسسة ما‪ ،‬بحيث دالة كثافته االحتمالية هي‪:‬‬

‫[‪𝑓𝑋 (𝑥 ) = 12 𝑥 2 (1 − 𝑥 ) ; 𝑥 ∈]0, 1‬‬

‫‪7‬‬
 ‫‪ .1‬إيجاد النسبة المتوقعة‪:‬‬

‫من الواضح أن ‪ X‬يتبع التوزيع بيتا‪ ،‬بحيث إذا كان )‪ X → Β(α, β‬فإن دالة كثافته تكتب على الشكل‬
‫التالي‪:‬‬
‫‪Γ(𝛼+𝛽) 𝛼−1‬‬
‫= ) 𝑥( 𝑋𝑓‬ ‫𝑥‬ ‫[‪(1 − 𝑥 )𝛽−1; 𝛼, 𝛽 > 0 ; 𝑥 ∈]0, 1‬‬
‫)‪Γ(α)Γ(β‬‬

‫بالتطابق دالة كثافة المتغير ‪ X‬مع دالة كثافة التوزيع بيتا نجد أن‪:‬‬

‫‪𝛼 =3,‬‬ ‫‪𝛽=2‬‬

‫وبالتالي‪:‬‬
‫)‪X → Β(3,2‬‬
‫و لتأكد لدينا ‪:‬‬
‫)𝛽‪Γ(𝛼+‬‬ ‫)‪Γ(3+2‬‬ ‫)‪Γ(5‬‬ ‫!‪4‬‬
‫=‬ ‫=‬ ‫=‬ ‫‪= 4.3 = 12.‬‬
‫)‪Γ(α)Γ(β‬‬ ‫)‪Γ(3)Γ(2‬‬ ‫)‪Γ(3)Γ(2‬‬ ‫!‪2!1‬‬
‫النسبة المتوقعة للمتغير هي‬
‫𝛼‬ ‫‪3‬‬ ‫‪3‬‬
‫= )𝑋( 𝐸‪.‬‬ ‫=‬ ‫‪= = 0.6‬‬
‫𝛽‪𝛼+‬‬ ‫‪3+2‬‬ ‫‪5‬‬

‫‪ .2‬إيجاد احتمال أن تبلغ نسبة المبيعات أكثر من ‪.%35‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫(‪2‬‬
‫∫ = 𝑥𝑑 ) 𝑥( 𝑋𝑓 ∫ = )‪𝑃(𝑋 > 0.35‬‬ ‫∫ ‪12 𝑥 1 − 𝑥 ) 𝑑𝑥 = 12‬‬ ‫𝑥𝑑 ) 𝑥 ‪𝑥 2 (1 −‬‬
‫‪0.35‬‬ ‫‪0.35‬‬ ‫‪0.35‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪1‬‬
‫∫ ‪= 12‬‬ ‫] ‪𝑥 2 − 𝑥 3 𝑑𝑥 = 12 [ 𝑥 3 − 𝑥 4‬‬
‫‪0.35‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪0.35‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪= 12 ( 3 (1)3 −‬‬ ‫‪(1)4 ) − 12 ( (0.35)3 −‬‬ ‫‪(0.35)4 ) = 0.8735‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪4‬‬

‫‪The Normal Distribution‬‬ ‫‪ .4‬التوزيع الطبيعي‪:‬‬

‫التوزيع الطبيعي يعرف كذلك بقانون ‪ Gauss‬أو قانون ‪ Laplace-Gauss‬وهو يعتبر من أهم‬
‫التوزيعات االحتمالية وأكثرها استخداما في نظرية االحتماالت واإلحصاء الرياضي‪ .‬وفي ظروف معينة‬
‫نجد ان معظم التوزيعات االحتمالية تؤول إلى هذا التوزيع‪.‬‬
‫إذا كان 𝑿 متغيرا عشوائيا مستمرا ويتبع التوزيع الطبيعي بمتوسط 𝛍 وإنحراف معياري 𝛔 فإن الدالة‬
‫الكثافة االحتمالية ل 𝑿 هي ‪:‬‬

‫) 𝟐𝝈‪𝑿 → 𝑵(𝝁,‬‬

‫𝟏‬ ‫𝟏‬
‫‪−‬‬ ‫𝟐)𝝁‪(𝒙−‬‬
‫= )𝒙( 𝑿𝒇‬ ‫𝒆‬ ‫𝟐𝝈𝟐‬ ‫‪; 𝒙, 𝝁 ∈ ℝ, 𝝈 > 0‬‬
‫𝝅𝟐√𝝈‬

‫والشكل أدناه يوضح التمثيل البياني لمنحنى دالة الكثافة لمتغير عشوائي يتبع التوزيع الطبيعي‪.‬‬

‫‪8‬‬
‫ومن خالل هذا التمثيل البياني يتضح أن منحنى دالة الكثافة يأخذ شكل ناقوس وأن توزيع الطبيعي هو‬
‫توزيع متناظر بالنسبة للمحور 𝝁 = 𝒙 ‪ .‬وكذلك المساحة الكلية تحت هذا المنحنى تساوي الواحد‪:‬‬
‫∞‪+‬‬
‫∫‬ ‫𝟏 = 𝒙𝒅 )𝒙( 𝑿𝒇‬
‫∞‪−‬‬

‫ودالة توزيعه تكون من الشكل ‪:‬‬

‫𝒙‬
‫𝒕𝒅 )𝒕( 𝑿𝒇 ∫ = )𝒙 ≤ 𝑿(𝑷 = )𝒙( 𝑿𝑭‬
‫∞‪−‬‬

‫ولكن بسبب صعوبة حساب االحتمال في حالة متغير يتبع التوزيع الطبيعي‪ ،‬فنستعين بالتوزيع الطبيعي‬
‫المعياري‪.‬‬

‫التوزيع الطبيعي المعياري‪:‬‬

‫إذا كان 𝑿 متغيرا عشوائيا يتبع التوزيع الطبيعي بمتوسط 𝛍 وإنحراف معياري 𝛔 فإن المتغير 𝒁 ‪:‬‬

‫𝝁‪𝑿−‬‬
‫=𝒁‬ ‫)𝟏 ‪→ 𝑵(𝟎,‬‬
‫𝝈‬

‫بمعنى أن 𝒁 متغيرا عشوائيا يتبع التوزيع الطبيعي المعياري بمتوسط يساوي الصفر وانحراف معياري‬
‫يساوي الواحد و دالة الكثافته االحتمالية هي‪:‬‬
‫𝟏‬ ‫)𝟐‪𝟐 /‬‬
‫)𝒛( 𝐙𝒇‬ ‫𝒛‪𝒆(−‬‬ ‫‪; 𝒛 ∈ ℝ.‬‬
‫𝝅𝟐√‬
‫ودالة توزيعه تكون من الشكل ‪:‬‬
‫𝒛‬
‫𝒕𝒅 )𝒕( 𝒁𝒇 ∫ = )𝒛 ≤ 𝒁(𝑷 = )𝒛(𝛗‬
‫∞‪−‬‬

‫بحيث لدينا ‪:‬‬

‫)𝒛 ≤ 𝒁(𝑷 = )𝒛(𝛗‬
‫)𝒛(𝛗 ‪𝑷(𝒁 ≥ 𝒛) = 𝟏 − 𝑷(𝒁 ≤ 𝒛) = 𝟏 −‬‬

‫)𝒛(𝛗 ‪𝑷(𝒁 ≤ −𝒛) = 𝟏 − 𝑷(𝒁 ≤ 𝒛) ⇒ 𝛗(−𝒛) = 𝟏 −‬‬

‫)𝒂(𝛗 ‪𝑷(𝒂 ≤ 𝒁 ≤ 𝒃) = 𝛗(𝒃) −‬‬

‫‪9‬‬
 ‫ولحساب اإلحتمال نستعين بالجدول التوزيع الطبيعي المعياري الستخراج قيمة )𝒛(𝛗 (النظر إلى الملحق‬
‫رقم ‪ .)1‬فللحصول على قيمة االحتمال نستعمل جدول هذا التوزيع والذي نحدد فيه أوال قيمة 𝒛 في الجدول‬
‫من خالل تفكيك قيمتها إلى قيمتين على المحورين االفقي و العمودي و نقوم باإلسقاط هاتين القيمتين على‬
‫القيم الموجودة بداخل الجدول ونستخرج بعدها قيمة االحتمال الموافق لتقاطع هاتين القيمتين‪.‬‬
‫مثال‪:‬‬
‫ليكن 𝑿 متغيرا عشوائيا يتبع التوزيع الطبيعي بمتوسط ‪ 6‬وإنحراف معياري 𝟐‪ .‬أحسب االحتمال‪:‬‬

‫‪𝑷(𝑿 = 𝟕),‬‬ ‫‪𝑷(𝑿 ≤ 𝟕. 𝟓),‬‬ ‫‪𝑷(𝑿 > 8),‬‬ ‫‪𝑷(𝑿 > 4),‬‬ ‫‪𝑷(𝟕. 𝟓 ≤ 𝑿 ≤ 𝟖).‬‬

‫الحل‪:‬‬
‫𝟐‪𝑿 → 𝑵(𝟔,‬‬ ‫)𝟐‬
‫لدينا‪:‬‬

‫‪ .1‬حساب )𝟕 = 𝑿(𝑷 ‪:‬‬

‫بما أن 𝑋 يتبع التوزيع الطبيعي وهو توزيع مستمر فإن‪:‬‬
‫𝟎 = )𝟕 = 𝑿(𝑷‬
‫‪ .2‬حساب )𝟓 ‪: 𝑷(𝑿 ≤ 𝟕.‬‬
‫𝝁 ‪𝑿 − 𝝁 𝟕. 𝟓 −‬‬ ‫𝟔 ‪𝟕. 𝟓 −‬‬
‫( 𝑷 = )𝟓 ‪𝑷(𝑿 ≤ 𝟕.‬‬ ‫≤‬ ‫≤ 𝒁( 𝑷 = )‬ ‫)𝟓𝟕 ‪) = 𝑷(𝒁 ≤ 𝟎.‬‬
‫𝝈‬ ‫𝝈‬ ‫𝟐‬
‫𝟒𝟑𝟕𝟕 ‪= 𝝋(𝟎. 𝟕𝟓) = 𝟎.‬‬

‫‪ .3‬حساب )𝟖 > 𝑿(𝑷 ‪:‬‬

‫𝝁‪𝑿−𝝁 𝟖−‬‬ ‫𝟔‪𝟖−‬‬
‫( 𝑷 = )‪𝑷(𝑿 > 8‬‬ ‫>‬ ‫> 𝒁( 𝑷 = )‬ ‫)𝟏 < 𝒁(𝑷 ‪) = 𝑷(𝒁 > 𝟏) = 𝟏 −‬‬
‫𝝈‬ ‫𝝈‬ ‫𝟐‬

‫‪= 𝟏 − 𝝋(𝟏) = 𝟏 − 𝟎. 𝟖𝟒𝟏𝟑 = 𝟎. 𝟏𝟓𝟖𝟕.‬‬

‫‪ .4‬حساب )‪: 𝑷(𝑿 > 4‬‬

‫𝝁‪𝑿−𝝁 𝟒−‬‬ ‫𝟔‪𝟒−‬‬
‫( 𝑷 = )𝟒 > 𝑿(𝑷‬ ‫>‬ ‫> 𝒁( 𝑷 = )‬ ‫)𝟏‪) = 𝑷(𝒁 > −‬‬
‫𝝈‬ ‫𝝈‬ ‫𝟐‬
‫‪= 𝟏 − 𝑷(𝒁 < −𝟏) = 𝟏 − 𝝋(−𝟏) = 𝟏 − [𝟏 − 𝝋(𝟏)] = 𝝋(𝟏) = 𝟎. 𝟖𝟒𝟏𝟑.‬‬

‫‪ .5‬حساب )𝟖 ≤ 𝑿 ≤ 𝟓 ‪: 𝑷(𝟕.‬‬
‫𝝁 ‪𝟕. 𝟓 − 𝝁 𝑿 − 𝝁 𝟖 −‬‬ ‫𝟔 ‪𝟕. 𝟓 −‬‬ ‫𝟔‪𝟖−‬‬
‫( 𝑷 = )𝟖 ≤ 𝑿 ≤ 𝟓 ‪𝑷(𝟕.‬‬ ‫≤‬ ‫≤‬ ‫(𝑷 = )‬ ‫≤𝒁≤‬ ‫)‬
‫𝝈‬ ‫𝝈‬ ‫𝝈‬ ‫𝟐‬ ‫𝟐‬
‫𝟒𝟑𝟕𝟕 ‪= 𝑷(𝟎. 𝟕𝟓 ≤ 𝒁 ≤ 𝟏) = 𝝋(𝟏) − 𝝋(𝟎. 𝟕𝟓) = 𝟎. 𝟖𝟒𝟏𝟑 − 𝟎.‬‬
‫‪= 𝟎. 𝟎𝟔𝟕𝟗.‬‬

‫‪10‬‬
 ‫‪The Khi-square Distribution‬‬ ‫‪ .4.3‬التوزيع كاي مربع 𝟐𝝌 ‪:‬‬
‫لدينا 𝒏 متغيرة عشوائية 𝒏𝑿 ‪ 𝑿𝟏 , 𝑿𝟐 , … . ,‬مستقلة فيما بينها وتتبع التوزيع الطبيعي المعياري أي‬
‫التوزيع الطبيعي )𝟏 ‪ (𝟎,‬فإن المتغيرة 𝑼 المعرفة ب‪:‬‬
‫𝒏‬

‫𝒏𝟐𝑿 ‪𝑼 = ∑ 𝑿𝟐𝒊 = 𝑿𝟐𝟏 + 𝑿𝟐𝟐 + ⋯ +‬‬

‫𝟏=𝒊‬

‫تتبع التوزيع كاي مربع 𝟐𝝌 بدرجة الحرية 𝒏 ونرمز له ب )𝒏( 𝟐𝝌 ‪ ،‬ودالة كثافتها‪:‬‬
‫𝒏‬
‫𝟐 𝟏‬
‫) (‬ ‫𝒏‬ ‫𝒖‬
‫‪𝒇𝑼 (𝒖) = 𝟐𝒏 𝒖(𝟐)−𝟏 𝒆−𝟐 ; 𝒖 > 0.‬‬
‫) (𝚪‬
‫𝟐‬

‫دالة قاما (‪ )Gamma‬المعرفة ب‪:‬‬ ‫مع 𝚪‬

‫∞‪+‬‬
‫∫ = )𝛂(𝚪‬ ‫‪𝒕𝜶−𝟏 𝒆−𝒕 𝒅𝒕 ; 𝜶 > 0 .‬‬
‫𝟎‬
‫مالحظة‪:‬‬
‫𝒏‬
‫التوزيع كاي مربع 𝟐𝝌 بدرجة الحرية𝒏 ‪ ،‬هو عبارة عن التوزيع قاما )𝟐 ‪. 𝚪 ( ,‬‬
‫𝟐‬

‫بعض القيم المميزة لتوزيع كاي مربع ‪:‬‬

‫𝒏 = )𝑼(𝑬‬ ‫التوقع الرياضي ‪:‬‬ ‫‪‬‬
‫𝒏𝟐 = )𝑼(𝑽‬ ‫التباين ‪:‬‬ ‫‪‬‬

‫لحساب االحتمال نستعين بالجدول التوزيع كاي مربع (النظر إلى الملحق رقم ‪ .)2‬فللحصول على قيمة‬
‫االحتمال نستعمل جدول هذا التوزيع والذي نحدد فيه أوال درجة الحرية 𝒏 على المحور العمودي للجدول‪.‬‬
‫وبعدها نبحث عند هذه درجة الحرية‪ ،‬عن القيمة 𝒖 ونقوم باإلسقاط على المحور األفقي للجدول الستخراج‬
‫قيمة االحتمال‪.‬‬
‫مثال‪:‬‬
‫ليكن 𝑼 متغير عشوائي يتبع التوزيع كاي مربع ‪:‬‬
‫‪ -‬أحسب االحتماالت التالية‪:‬‬
‫)‪ 𝒏 = 𝟏𝟎 ; 𝑷(𝑼 < 18.3‬‬
‫)‪ 𝒏 = 𝟒 ; 𝑷(𝑼 > 11.1‬‬
‫)‪ 𝒏 = 𝟏𝟓 ; 𝑷(𝟖. 𝟓𝟓 < 𝑼 < 25‬‬
‫‪ -‬استخرج القيم الجدولية 𝑢 في الحاالت التالية‪:‬‬
‫𝟗 ‪ 𝒏 = 𝟔 ; 𝑷(𝑼 < 𝒖) = 𝟎.‬‬
‫𝟓𝟗𝟗 ‪ 𝒏 = 𝟗 ; 𝑷(𝑼 > 𝒖) = 𝟎.‬‬
‫𝟓𝟎 ‪ 𝒏 = 𝟏𝟑 ; 𝑷(𝒖𝟏 < 𝑼 < 𝒖𝟐 ) = 𝟎.‬‬
‫الحل‪:‬‬
‫‪ -‬حساب االحتماالت‪:‬‬
‫𝟓𝟗 ‪ 𝒏 = 𝟏𝟎 ; 𝑷(𝑼 < 18.3) = 𝟎.‬‬

‫‪11‬‬
 ‫𝟓𝟐𝟎 ‪ 𝒏 = 𝟒 ; 𝑷(𝑼 > 11.1) = 𝟏 − 𝑷(𝑼 < 11.1) = 𝟏 − 𝟎. 𝟗𝟕𝟓 = 𝟎.‬‬
‫)‪ 𝒏 = 𝟏𝟓 ; 𝑷(𝟖. 𝟓𝟓 < 𝑼 < 2𝟓) = 𝑷(𝑼 < 25) − 𝑷(𝑼 < 8.55‬‬
‫𝟓𝟖 ‪= 𝟎. 𝟗𝟓 − 𝟎. 𝟏𝟎 = 𝟎.‬‬

‫‪ -‬استخرج القيم الجدولية 𝑢 في الحاالت التالية‪:‬‬

‫𝟔 ‪ 𝒏 = 𝟔 ; 𝑷(𝑼 < 𝒖) = 𝟎. 𝟗 ⇒ 𝒖 = 𝟏𝟎.‬‬
‫𝟓𝟗𝟗 ‪ 𝒏 = 𝟗 ; 𝑷(𝑼 > 𝒖) = 𝟎. 𝟗𝟗𝟓 ⇔ 𝟏 − 𝑷(𝑼 < 𝒖) = 𝟎.‬‬

‫𝟑𝟕 ‪⇔ 𝑷(𝑼 < 𝒖) = 𝟎. 𝟎𝟎𝟓 ⇒ 𝒖 = 𝟏.‬‬

‫‪ 𝒏 = 𝟏𝟑 ; 𝑷(𝒖𝟏 < 𝑼 < 𝒖𝟐 ) = 𝟎. 𝟎𝟓.‬‬

‫𝟗 ‪⇔ 𝑷(𝑼 < 𝐮𝟐 ) − 𝑷(𝑼 < 𝐮𝟏 ) = 𝟎. 𝟎𝟓 = 𝟎. 𝟗𝟓 − 𝟎.‬‬

‫𝟒 ‪𝑷(𝑼 < 𝐮𝟐 ) = 𝟎. 𝟗𝟓 ⇒ 𝐮𝟐 = 𝟐𝟐.‬‬

‫{⇒‬
‫𝟖 ‪𝑷(𝑼 < 𝐮𝟏 ) = 𝟎. 𝟗 ⇒ 𝐮𝟏 = 𝟏𝟗.‬‬

‫‪The Student Distribution‬‬ ‫‪ .5.3‬توزيع ستيودنت‬

‫إذا كان لدينا متغيران عشوائيان 𝑿 و 𝑼 مستقالن بحيث 𝑿 يتبع التوزيع الطبيعي المعياري )𝟏 ‪ 𝑵(𝟎,‬و‬
‫𝑼 يتبع التوزيع كاي مربع 𝟐𝝌 بدرجة الحرية 𝒏 فإن المتغير𝑻 المعرف ب ‪:‬‬
‫𝑿‬
‫=𝑻‬
‫𝑼√‬
‫𝒏‬
‫يتبع التوزيع ستيودنت بدرجة الحرية 𝒏 و نرمز له ب )𝒏(𝒕 ‪ ،‬و دالة كثافته‪:‬‬

‫𝟏‪𝒏+‬‬ ‫𝟏‪𝒏+‬‬
‫) 𝟐 (‪𝟐 −‬‬
‫(𝜞‬ ‫)‬ ‫𝒕‬
‫= )𝒕( 𝑻𝒇‬ ‫𝟐‬
‫) 𝒏 ‪𝒏 (𝟏 +‬‬ ‫‪; 𝒕 ∈ ℝ.‬‬
‫) 𝟐(𝜞 𝝅𝒏√‬

‫دالة قاما (‪ )Gamma‬المعرفة ب‪:‬‬ ‫مع 𝚪‬

‫∞‪+‬‬
‫∫ = )𝛂(𝚪‬ ‫‪𝒕𝜶−𝟏 𝒆−𝒕 𝒅𝒕 ; 𝜶 > 0 .‬‬
‫𝟎‬

‫بعض القيم المميزة لتوزيع ستيودنت ‪:‬‬

‫𝟎 = )𝑻(𝑬‬ ‫التوقع الرياضي ‪:‬‬ ‫‪‬‬
‫𝒏‬
‫= )𝑻(𝑽‬ ‫;‬
‫𝟐‪𝒏−‬‬
‫𝟐>𝒏‬ ‫التباين‪:‬‬ ‫‪‬‬

‫‪12‬‬
‫لحساب االحتمال نستعين بالجدول التوزيع ستيودنت (النظر إلى الملحق رقم ‪ .)3‬فللحصول على قيمة‬
‫االحتمال نستعمل جدول هذا التوزيع والذي نحدد فيه أوال درجة الحرية 𝒏 على المحور العمودي للجدول‪.‬‬
‫وبعدها نبحث عند هذه درجة الحرية‪ ،‬عن القيمة 𝒕 ونقوم باإلسقاط على المحور األفقي للجدول الستخراج‬
‫قيمة االحتمال‪.‬‬
‫مثال‪:‬‬
‫ليكن 𝑇 متغير عشوائي يتبع التوزيع ستيودنت‬
‫‪ -‬أحسب االحتماالت التالية‪:‬‬
‫)𝟖𝟖𝟔 ‪ 𝒏 = 𝟏𝟗 ; 𝑷(𝑻 ≤ 𝟎.‬‬
‫)‪ 𝒏 = 𝟑 ; 𝑷(𝑻 > 1.64‬‬
‫)‪ 𝒏 = 𝟏𝟑 ; 𝑷(𝟎. 𝟖𝟕𝟎 < 𝑻 < 3.012‬‬
‫الحل‪:‬‬
‫𝟓𝟕 ‪ 𝒏 = 𝟏𝟗 ; 𝑷(𝑻 ≤ 𝟎. 𝟔𝟖𝟖) = 𝟎.‬‬
‫𝟏 ‪ 𝒏 = 𝟑 ; 𝑷(𝑻 > 1.64) = 𝟏 − 𝑷(𝑻 < 1.64) = 𝟏 − 𝟎. 𝟗𝟎 = 𝟎.‬‬
‫)‪ 𝒏 = 𝟏𝟑 ; 𝑷(𝟎. 𝟖𝟕𝟎 < 𝑻 < 3.012) = 𝑷(𝑻 < 3.012) − 𝑷(𝑻 < 0.870‬‬
‫𝟓𝟗𝟏 ‪= 𝟎. 𝟗𝟗𝟓 − 𝟎. 𝟖𝟎 = 𝟎.‬‬
‫‪‬‬

‫‪13‬‬