Professional Documents
Culture Documents
Chapter 2
Chapter 2
Chapter 2
آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ ) (Random Experimentآزﻣﺎﯾﺸﯽ اﺳﺖ ﮐﻪ ﻧﺘﯿﺠﮥ آن از ﭘﯿﺶ ﻣﻌﻠﻮم ﻧﯿﺴﺖ ،ﻣﺜﻼً اﻧﺪاﺧﺘﻦ ﺗﺎس ﯾﺎ ﺳﮑﻪ.
ﻃﺒﻖ ﺗﻌﺮﯾﻒ ﻓﻀﺎی ﻧﻤﻮﻧﻪﻫﺎ ) (Sample Spaceﻋﺒﺎرت اﺳﺖ از ﻣﺠﻤﻮﻋﮥ ﮐﻠﯿﮥ ﻧﺘﺎﯾﺞ ) (Outcomeﻣﻤﮑﻨﻪ ﺑﺮای ﯾﮏ آزﻣﺎﯾﺶ
ﺗﺼﺎدﻓﯽ ﮐﻪ آن را ﺑﺎ ) Ωﯾﺎ (Sﻧﻤﺎﯾﺶ ﻣﯽدﻫﯿﻢ )ﺗﻮﺟﻪ ﮐﻨﯿﺪ ﮐﻪ ﻣﻤﮑﻦ اﺳﺖ آزﻣﺎﯾﺸﯽ ﻓﻘﻂ ﯾﮏ ﺑﺎر اﻧﺠﺎم ﺷﻮد ،وﻟﯽ در ﻋﯿﻦ ﺣﺎل
آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ ﺑﺎﺷﺪ( و اﺣﺘﻤﺎل ﺑﺮای ﻫﺮ زﯾﺮ ﻣﺠﻤﻮﻋﻪای از Ωﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد.
ωN
1
ﻫﺮ زﯾﺮ ﻣﺠﻤﻮﻋﻪ از ﻓﻀﺎی ﻧﻤﻮﻧﻪ را واﻗﻌﻪ ) (Eventﻣﯽﻧﺎﻣﻨﺪ .اﺣﺘﻤﺎل ﺑﺮای واﻗﻌﻪﻫﺎ ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد.
2
ﯾﺎدآوری ﺗﺌﻮری ﻣﺠﻤﻮﻋﻪﻫﺎ:
ﻣﺠﻤﻮﻋﻪ ) :(Setدﺳﺘﻪای از اﺷﯿﺎء را ﻣﺠﻤﻮﻋﻪ ﮔﻮﯾﻨﺪ .ﻣﺎﻧﻨﺪ } :ﺗﻮپ . {a, b, 2,
ﻫﺮ ﻋﻀﻮ ﻣﺠﻤﻮﻋﻪ را ﯾﮏ ﻋﻨﺼﺮ ) (Elementﮔﻮﯾﻨﺪ .ﺗﻌﺪاد اﻋﻀﺎی ﻣﺠﻤﻮﻋﻪ ﻣﯽﺗﻮاﻧﺪ ﻣﺤﺪود ،ﻧﺎﻣﺤﺪود ﻗﺎﺑﻞ ﺷﻤﺎرش )ﺗﻨﺎﻇﺮ ﯾﮏ ﺑﻪ
ﯾﮏ ﺑﺎ اﻋﺪاد ﻃﺒﯿﻌﯽ( ﯾﺎ ﻏﯿﺮﻗﺎﺑﻞ ﺷﻤﺎرش ﺑﺎﺷﺪ .ﺗﺮﺗﯿﺐ در اﻋﻀﺎی ﻣﺠﻤﻮﻋﻪﻫﺎ ﻣﻬﻢ ﻧﯿﺴﺖ.
ﻣﺠﻤﻮﻋﮥ Aرا زﯾﺮﻣﺠﻤﻮﻋﮥ ﻣﺠﻤﻮﻋﮥ Bﮔﻮﯾﻨﺪ ، A ⊂ B :اﮔﺮ و ﺗﻨﻬﺎ اﮔﺮ ﻫﺮ ﻋﻀﻮ Aﻣﺘﻌﻠﻖ ﺑﻪ Bﻧﯿﺰ ﺑﺎﺷﺪ.
ﻣﺠﻤﻮﻋﮥ Aرا ﻣﺴﺎوی ﻣﺠﻤﻮﻋﮥ Bﮔﻮﯾﻨﺪ ،اﮔﺮ و ﺗﻨﻬﺎ اﮔﺮ A ⊂ Bو . B ⊂ A
ﻣﺠﻤﻮﻋﮥ ﺷﺎﻣﻞ ﺗﻤﺎم ﻋﻨﺎﺻﺮ )اﻟﻤﺎﻧﻬﺎی( ﻣﻮرد ﻧﻈﺮ را ﻣﺠﻤﻮﻋﮥ ﻣﺮﺟﻊ Ωﮔﻮﯾﻨﺪ.
3
اﺟﺘﻤﺎع )اﺗﺤﺎد( ):(Union
ﻣﺠﻤﻮﻋﮥ ) A ∪ Bﯾﺎ ،( A + Bﻣﺠﻤﻮﻋﮥ ﻋﻨﺎﺻﺮی اﺳﺖ ﮐﻪ در Aﯾﺎ در Bﺑﺎﺷﻨﺪ )ﯾﺎ در Aﯾﺎ در Bﯾﺎ در ﻫﺮ دو(.
اﺷﺘﺮاک ):(Intersection
ﻣﺠﻤﻮﻋﮥ ) A ∩ Bﯾﺎ ،( ABﻣﺠﻤﻮﻋﮥ ﻋﻨﺎﺻﺮی اﺳﺖ ﻫﻢ در Aو ﻫﻢ در Bﺑﺎﺷﻨﺪ.
دو ﻣﺠﻤﻮﻋﻪ را ﺟﺪاازﻫﻢ ) (Disjointﮔﻮﯾﻨﺪ ،اﮔﺮ و ﺗﻨﻬﺎ اﮔﺮ ∅= ، A ∩ Bﯾﻌﻨﯽ ﻋﻀﻮ ﻣﺸﺘﺮﮐﯽ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻨﺪ.
4
:(Venn Diagram) دﯾﺎﮔﺮام وِن
Ω Ω
A A −B A
B A
B⊂A
Ω Ω
A B A B
A ∪B A ∩B
5
از ﺗﻌﺎرﯾﻒ ﻓﻮق )ﺑﻪ ﺳﺎدﮔﯽ( ﻣﯽﺗﻮان ﻧﺘﯿﺠﻪ ﮔﺮﻓﺖ:
1) A ∪ Ω=Ω 2) A ∩ Ω= A 3) A ∪ ∅ = A ∅= ∅ ∩ 4) A
5) B ⊂ A ⇒ A ∪ B = A 6) B ⊂ A ⇒ A ∩ B = B
ﻗﺎﻧﻮن ﺗﻌﺪّی 7) A ⊂ B ,B ⊂ C ⇒ A ⊂ C : ﻗﺎﻧﻮن ﺟﺎﺑﺠﺎﯾﯽ 8) A ∪ B = B ∪ A ,A ∩ B = B ∩ A :
)(A ∪ B)∪ C = A ∪ (B ∪ C
9) ﻗﺎﻧﻮن ﺷﺮﮐﺖﭘﺬﯾﺮی )ﯾﻌﻨﯽ ﭘﺮاﻧﺘﺰ ﻟﺰوﻣﯽ ﻧﺪارد( :
(A ∩ )B ∩ C = A ∩ (B ∩ )C
)(A ∪ B)∩ C = (A ∩ C)∪ (B ∩ C
10) ﻗﺎﻧﻮن ﺗﻮزﯾﻊﭘﺬﯾﺮی :
(A ∩ )B ∪ C = (A ∪ )C ∩ (B ∪ )C
(A ∪ B) = A ∩ B
11) ﻗﻮاﻧﯿﻦ دﻣﻮرﮔﺎن :
(A ∩ B) = A ∪ B
6
اﻓﺮاز:
ﺣﺎﺻﻠﻀﺮب دﮐﺎرﺗﯽ:
ﺣﺎﺻﻠﻀﺮب دﮐﺎرﺗﯽ ﻣﺠﻤﻮﻋﮥ ) Aﺑﺎ ﻋﻨﺎﺻﺮ ( αiدر ﻣﺠﻤﻮﻋﮥ ) Bﺑﺎ ﻋﻨﺎﺻﺮ ( β jﻋﺒﺎرت اﺳﺖ از ﻣﺠﻤﻮﻋﮥ ﺗﻤﺎم زوج ﻣﺮﺗﺐﻫﺎی ﺑﻪ ﺻﻮرت
) (α i , β jو ﺑﻪ ﺻﻮرت C = A × Bﻧﺸﺎن داده ﻣﯽﺷﻮد.
اﮔﺮ m ،Aﻋﻀﻮ و n ،Bﻋﻀﻮ داﺷﺘﻪ ﺑﺎﺷﺪ mn ، A ×B ،ﻋﻀﻮ ﺧﻮاﻫﺪ داﺷﺖ )ﻣﯽداﻧﯿﺪ ﮐﻪ ﺗﺮﺗﯿﺐ در زوج ﻣﺮﺗﺐ ﻣﻬﻢ اﺳﺖ(.
ﻣﺜﺎل :ﺣﺎﺻﻠﻀﺮب دﮐﺎرﺗﯽ ﻣﺠﻤﻮﻋﮥ } A = {H, Tدر ﺧﻮدش ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ:
})C = A ×A = {(H,H),(H, T),(T,H),(T, T
7
ﻓﻀﺎی اﺣﺘﻤﺎل:
ﻓﻀﺎی اﺣﺘﻤﺎل ﯾﺎ ﻣﺪل اﺣﺘﻤﺎﻻﺗﯽ ﯾﮏ آزﻣﺎﯾﺶ از ﻋﻮاﻣﻞ زﯾﺮ ﺗﺸﮑﯿﻞ ﻣﯽﺷﻮد:
.1ﻣﺠﻤﻮﻋﮥ Ωﺷﺎﻣﻞ ﮐﻠﯿﮥ ﻧﺘﺎﯾﺞ ﻣﻤﮑﻨﮥ ωiﺑﺮای آزﻣﺎﯾﺶ
.2زﯾﺮﻣﺠﻤﻮﻋﻪﻫﺎی Ωﮐﻪ واﻗﻌﻪ ﻧﺎﻣﯿﺪه ﻣﯽﺷﻮﻧﺪ.
.3ﻋﺪد ) P(Aﮐﻪ ﺑﻪ ﻫﺮ ﯾﮏ از واﻗﻌﻪﻫﺎ )ﻃﺒﻖ اﺻﻮل ﻣﻮﺿﻮﻋﻪ( ﻧﺴﺒﺖ داده ﻣﯽﺷﻮد.
:ﻣﺠﻤﻮﻋﮥ ﮐﻠﯿﮥ ﻧﺘﺎﯾﺞ ﻣﻤﮑﻨﻪ ﺑﺮای ﯾﮏ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ ﻓﻀﺎی ﻧﻤﻮﻧﻪﻫﺎ )Ω = (Sample Space
8
در ﻣﺪاری ﺑﺎ ﭼﻬﺎر ﺳﻮﺋﯿﭻِ 0) ON/OFFﯾﺎ :(1
دارای 24=16ﻋﻀﻮ )اﻋﺪاد ﭼﻬﺎر ﺑﯿﺘﯽ ﺑﺎﯾﻨﺮی ﺗﺼﺎدﻓﯽ( Ω= {0000,0001,… ,1110,1111} :
ﻃﻮل ﻋﻤﺮ ﯾﮏ اﻟﻤﺎن اﻟﮑﺘﺮﯾﮑﯽ در ﻣﺪار:
}∞Ω= {T:0 ≤ T <+
وﻟﺘﺎژ ﻧﻮﯾﺰ روی ﯾﮏ ﻣﻘﺎوﻣﺖ:
}∞Ω= {V: −∞< V <+
9
ﮔﻮﯾﯿﻢ واﻗﻌﮥ Aاﺗﻔﺎق اﻓﺘﺎده اﺳﺖ ،ﻫﺮ ﮔﺎه ﻧﺘﯿﺠﮥ آزﻣﺎﯾﺶ ﯾﮑﯽ از اﻋﻀﺎی Aﺑﺎﺷﺪ.
ﺗﻮﺟﻪ ﮐﻨﯿﺪ ﮐﻪ در ﯾﮏ ﺑﺎر اﻧﺠﺎم آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ ) ،(Trialﯾﮏ ﻧﺘﯿﺠﻪ )ﭘﯿﺸﺎﻣﺪ( ) (Outcomeﺣﺎﺻﻞ ﻣﯽﺷﻮد )ﯾﮑﯽ از اﻋﻀﺎی ،( Ω
وﻟﯽ ﻫﻤﺰﻣﺎن واﻗﻌﻪﻫﺎی ﻣﺨﺘﻠﻔﯽ اﺗﻔﺎق اﻓﺘﺎدهاﻧﺪ.
Ωرا واﻗﻌﮥ ﺣﺘﻤﯽ ) (Sure Eventﮔﻮﯾﻨﺪ ،زﯾﺮا ﻧﺘﯿﺠﮥ آزﻣﺎﯾﺶ ﻣﺴﻠﻤﺎً ﻋﻀﻮ Ωاﺳﺖ .ﭘﺲ Ωاﺗﻔﺎق ﻣﯽاﻓﺘﺪ.
∅ را واﻗﻌﮥ ﻧﺎﻣﻤﮑﻦ ﯾﺎ واﻗﻌﮥ ﺧﻨﺜﯽ ) (Null Eventﻣﯽﮔﻮﯾﻨﺪ ﮐﻪ ﻫﺮﮔﺰ اﺗﻔﺎق ﻧﻤﯽاﻓﺘﺪ ،زﯾﺮا ﻧﺘﯿﺠﮥ آزﻣﺎﯾﺶ ﻧﻤﯽﺗﻮاﻧﺪ ﻋﻀﻮی از
اﻋﻀﺎی ∅ ﺑﺎﺷﺪ!
دو واﻗﻌﮥ Aو Bرا ﻧﺎﺳﺎزﮔﺎر )ﻣﺎﻧﻌﻪ اﻟﺠﻤﻊ ﯾﺎ ﻏﯿﺮﻣﺘﻼﻗﯽ( ﮔﻮﯾﻨﺪ ،ﻫﺮ ﮔﺎه ﻣﺠﻤﻮﻋﻪﻫﺎی Aو Bﺟﺪاازﻫﻢ ﺑﺎﺷﻨﺪ ،ﯾﻌﻨﯽ:
∅= A ∩ B
10
واﻗﻌﻪای را ﮐﻪ ﺗﻨﻬﺎ ﯾﮏ ﻋﻀﻮ داﺷﺘﻪ ﺑﺎﺷﺪ ،واﻗﻌﮥ ﺳﺎده ﮔﻮﯾﻨﺪ .ﻣﺜﻼً واﻗﻌﮥ اﯾﻨﮑﻪ در آزﻣﺎﯾﺶ اﻧﺪاﺧﺘﻦ ﺗﺎس ﻋﺪد 2ﺑﯿﺎﯾﺪ:
} A ={ f2
ﺗﻮﺟﻪ ﮐﻨﯿﺪ ﮐﻪ (Outcome) f 2ﺑﺎ } (Event) { f 2ﻓﺮق دارد.
)در ﺑﻌﻀﯽ ﮐﺘﺎﺑﻬﺎ ،Event ،ﭘﯿﺸﺎﻣﺪ ﺗﺮﺟﻤﻪ ﺷﺪه اﺳﺖ(.
اﻟﺒﺘﻪ ﻧﺤﻮۀ ﺗﻌﺮﯾﻒ واﻗﻌﻪ و ﻧﺘﯿﺠﻪ ﺑﻪ ﻧﻈﺮ و ﻣﺸﺨﺼﺎت ﻣﻮرد ﺗﻮﺟﻪ ﻣﺎ ﺑﺴﺘﮕﯽ دارد.
ﻣﺜﻼً ﻣﻤﮑﻦ اﺳﺖ ﺑﮕﻮﯾﯿﻢ Ω= { f 1 , f 2 , f 3 , f 4 , f 5 , f 6 } :ﮐﻪ در اﯾﻦ ﺻﻮرت } زوج { ﯾﮏ واﻗﻌﮥ 3ﻋﻨﺼﺮی اﺳﺖ.
ﯾﺎ ﻣﻤﮑﻦ اﺳﺖ ﺑﮕﻮﯾﯿﻢ } :ﻓﺮد ,زوج { = Ωﮐﻪ در اﯾﻦ ﺻﻮرت } زوج { ﯾﮏ واﻗﻌﮥ ﺳﺎده ﺧﻮاﻫﺪ ﺑﻮد.
از ﻃﺮف دﯾﮕﺮ ﻣﻤﮑﻦ اﺳﺖ ﻣﺤﻞ ﻗﺮار ﮔﺮﻓﺘﻦ ﺗﺎس روی ﻣﯿﺰ ﻫﻢ ﻣﻮرد ﻧﻈﺮ ﻣﺎ ﺑﺎﺷﺪ ﮐﻪ در اﯾﻦ ﺻﻮرت دﯾﮕﺮ } { f 2ﻧﯿﺰ ﯾﮏ واﻗﻌﮥ ﻣﺮﮐﺐ
ﻣﺘﺸﮑﻞ از ﺑﯽﻧﻬﺎﯾﺖ ﻋﻨﺼﺮ ﺧﻮاﻫﺪ ﺑﻮد.
ﺣﺎل ﮐﻪ ﻓﻀﺎی ﻧﻤﻮﻧﻪ و واﻗﻌﻪ ﻣﻌﻠﻮم ﺷﺪ ،ﻗﺴﻤﺖ ﺳﻮم ﻣﺪل ،ﻧﺴﺒﺖ دادن اﺣﺘﻤﺎل ﺑﻪ واﻗﻌﻪﻫﺎ اﺳﺖ.
11
ﺗﻌﺮﯾﻒ :Axiomatic
ﺑﻪ ﻫﺮ واﻗﻌﮥ Aﻋﺪد ) P(Aﻧﺴﺒﺖ داده ﻣﯽﺷﻮد ﺑﻪ ﻃﻮری ﮐﻪ )اﺻﻮل ﮐﻮﻟﻤﻮﮔﺮوف(:
اﺻﻞ ) P(A) ≥ 0 : (1؛
اﺻﻞ ) P(Ω ) = 1 : (2؛
اﺻﻞ ) : (3اﮔﺮ واﻗﻌﻪﻫﺎی Aو Bﻧﺎﺳﺎزﮔﺎر ﺑﺎﺷﻨﺪ ) ∅= ، (A ∩ Bآﻧﮕﺎه. P(A ∪ B) = P(A) + P(B) :
اﺻﻞ 3ﺑﺎ ﺗﮑﺮار آن ﺑﺮای ﻫﺮ ﺗﻌﺪاد ﻣﺤﺪودی از وﻗﺎﯾﻊ ﻗﺎﺑﻞ ﺑﯿﺎن اﺳﺖ ،وﻟﯽ ﻧﻪ ﺑﺮای ﺗﻌﺪاد ﻧﺎﻣﺤﺪود .اﮔﺮ ﻋﻨﺎﺻﺮ ﻓﻀﺎی ﻧﻤﻮﻧﻪ ﻧﺎﻣﺤﺪود
ﺑﺎﺷﻨﺪ ،ﺑﺎﯾﺪ ﺑﻪ ﺟﺎی اﺻﻞ ،3اﺻﻞ ﻗﻮیﺗﺮی را ﺟﺎﯾﮕﺰﯾﻦ ﮐﺮد.
اﺻﻞ )’ :(3اﮔﺮ A 2 ، A 1و ...دو ﺑﻪ دو ﻧﺎﺳﺎزﮔﺎر ﺑﺎﺷﻨﺪ ،آﻧﮕﺎه:
P(A 1 ∪ A 2 ∪ ) = P(A 1 ) + P(A 2 ) +
اﯾﻦ را اﺻﻞ ﺟﻤﻊﭘﺬﯾﺮی ﻧﺎﻣﺤﺪود )ﻗﺎﺑﻞ ﺷﻤﺎرش( ﮔﻮﯾﻨﺪ )اﺻﻞ 3ﺣﺎﻟﺖ ﺧﺎﺻﯽ از اﺻﻞ ’ 3اﺳﺖ(.
] ﯾﺎ ﻣﻌﺎدﻻً ﻣﯽﺗﻮاﻧﯿﻢ در ﮐﻨﺎر اﺻﻞ ،3اﺻﻞ دﯾﮕﺮی را اﺿﺎﻓﻪ ﮐﻨﯿﻢ ﮐﻪ ﭘﯿﻮﺳﺘﮕﯽ اﺣﺘﻤﺎل اﺳﺖ .اﮔﺮ B 2 ، B1و ...ﯾﮏ ﺳﺮی ﻣﺠﻤﻮﻋﮥ
ﻫﻤﮕﺮا )ﺻﻌﻮدی ﯾﺎ ﻧﺰوﻟﯽ( ﺑﺎﺷﻨﺪ ،آﻧﮕﺎه:
) P( lim Bn ) = lim P(B n
∞n→+ ∞n→+
ﺑﻪ راﺣﺘﯽ ﺑﺎ ﻣﻔﺮوض ﮔﺮﻓﺘﻦ اﺻﻞ ’ 3ﻣﯽﺗﻮان ﭘﯿﻮﺳﺘﮕﯽ را ﺛﺎﺑﺖ ﮐﺮد )ﮐﺘﺎب راس ،ﺻﻔﺤﮥ [ .(48
12
ﺣﺎل ﺑﺎ اﺳﺘﻔﺎده از ﻫﻤﯿﻦ اﺻﻮل ﻣﯽﺗﻮاﻧﯿﻢ اﺣﺘﻤﺎل واﻗﻌﻪﻫﺎی ﻣﺨﺘﻠﻒ را از روی اﺣﺘﻤﺎل واﻗﻌﻪﻫﺎی داده ﺷﺪه ﺑﻪ دﺳﺖ آورﯾﻢ.
ﺧﻮاﻫﯿﻢ دﯾﺪ ﮐﻪ اﮔﺮ ﭼﻪ اﺣﺘﻤﺎل واﻗﻌﮥ ﻧﺎﻣﻤﮑﻦ ﺻﻔﺮ اﺳﺖ ،اﻣﺎ ﻫﺮ ﭼﻪ اﺣﺘﻤﺎﻟﺶ ﺻﻔﺮ ﺑﺎﺷﺪ را ﻧﻤﯽﮔﻮﯾﯿﻢ ﻧﺎﻣﻤﮑﻦ! و ﺑﻪ ﻫﻤﯿﻦ ﺗﺮﺗﯿﺐ
اﮔﺮ ﭼﻪ اﺣﺘﻤﺎل واﻗﻌﮥ ﺣﺘﻤﯽ ﯾﮏ اﺳﺖ ) ، ( P( Ω) = 0وﻟﯽ ﻫﺮ ﭼﻪ اﺣﺘﻤﺎﻟﺶ ﯾﮏ ﺑﺎﺷﺪ ،ﺣﺘﻤﯽ ﻧﯿﺴﺖ!
13
ﻗﻀﯿﮥ P(A) ≤ 1 :3؛
زﯾﺮا ﻃﺒﻖ ﻗﻀﯿﮥ 1دارﯾﻢ:
P(A) = 1 − P(A) → P(A) ≥ 0 ⇒ P(A) ≤ 1
)ﭘﺲ 0 ≤ P(A) ≤ 1اﺳﺖ(.
Ω
A A −B
B
B⊂A
14
ﻗﻀﯿﮥ :5اﮔﺮ B ⊂ Aﺑﺎﺷﺪ ،آﻧﮕﺎه P(A − B) = P(A) − P(B) :؛
زﯾﺮا:
)A = B ∪(A − B
ﭼﻮن Bو A − Bﺟﺪاازﻫﻢ ﻫﺴﺘﻨﺪ ،ﻃﺒﻖ اﺻﻞ 3دارﯾﻢ:
)P(A) = P(B) + P(A − B) ⇒ P(A − B) = P(B) − P(A
Ω
A A −B
B
B⊂A
15
: )ﻧﻪ ﻟﺰوﻣﺎً ﻧﺎﺳﺎزﮔﺎر( دارﯾﻢB وA ﺑﺮای ﻫﺮ دو ﻣﺠﻤﻮﻋﮥ:6 ﻗﻀﯿﮥ
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
:اﺛﺒﺎت
P(A ∪ B) = P(A ∪(A ∩ B)) = P(A) + P(A ∩ B)
⇒ P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
B = (A ∩ B)∪(A ∩ B) ⇒ P(B) = P(A ∩ B) + P(A ∩ B)
Ω
A B
A −(A∩B) A ∩ B B−(A∩B)
16
ﺗﻌﯿﯿﻦ اﺣﺘﻤﺎل واﻗﻌﻪﻫﺎ:
ﮔﻔﺘﯿﻢ ﮐﻪ ﺑﺮای ﻣﺪل ﮐﺮدن ﯾﮏ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ ﺑﺎﯾﺪ اﺣﺘﻤﺎل ﮐﻠﯿﮥ واﻗﻌﻪﻫﺎ را ﺗﻌﯿﯿﻦ ﮐﻨﯿﻢ )ﯾﮏ ﻣﺠﻤﻮﻋﮥ Nﻋﻀﻮی 2 N ،زﯾﺮﻣﺠﻤﻮﻋﻪ
دارد( .وﻟﯽ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﺻﻮل ﻣﻮﺿﻮﻋﻪ )و ﻗﻀﺎﯾﺎ( ﻧﯿﺎزی ﻧﯿﺴﺖ ﮐﻪ ﺑﻪ ﻫﺮ واﻗﻌﻪ اﺣﺘﻤﺎﻟﯽ ﻧﺴﺒﺖ دﻫﯿﻢ .ﻣﺜﻼً اﮔﺮ ) P(Aرا ﻣﻌﻠﻮم ﮐﻨﯿﻢ،
) P(A) = 1 − P(Aﺧﻮدﺑﻪﺧﻮد ﻣﻌﻠﻮم ﺧﻮاﻫﺪ ﺑﻮد .ﻟﺬا ﺑﺎ ﻣﺸﺨﺺ ﮐﺮدن اﺣﺘﻤﺎل ﯾﮏ ﺗﻌﺪاد ﺣﺪاﻗﻞ واﻗﻌﻪ ،اﺣﺘﻤﺎل ﻫﻤﮥ واﻗﻌﻪﻫﺎ ﻣﻌﻠﻮم
ﺧﻮاﻫﺪ ﺑﻮد .ﻣﺜﻼً اﮔﺮ Ωﻣﺘﺸﮑﻞ از Nﻧﻘﻄﮥ ﻧﻤﻮﻧﮥ ω1 , ω2 ,… , ωNﺑﺎﺷﺪ ،ﮐﺎﻓﯽ اﺳﺖ اﺣﺘﻤﺎل وﻗﺎﯾﻊ ﺳﺎدۀ } { ω1 },{ω2 },… ,{ ωN
را ﺑﺪاﻧﯿﻢ .در اﯾﻦ ﺻﻮرت اﮔﺮ ﻣﺠﻤﻮﻋﮥ Aﺷﺎﻣﻞ ωk 1 , ωk 2 ,… , ωk rﺑﺎﺷﺪ ،ﻃﺒﻖ اﺻﻞ 3ﺧﻮاﻫﯿﻢ داﺷﺖ:
} P(A) = P{ωk 1 } + P{ωk 2 } + + P{ωk r
N
ﺑﺎﺷﺪ .وﻟﯽ Piﻫﺎ از ﻫﺮ ﺣﯿﺚ دﯾﮕﺮ اﺧﺘﯿﺎری اﮔﺮ } P{ωiرا Piﺑﻨﺎﻣﯿﻢ ،ﻃﺒﻖ اﺻﻞ 1ﺑﺎﯾﺪ Pi ≥ 0ﺑﻮده و ﻃﺒﻖ اﺻﻞ 2ﺑﺎﯾﺪ ∑ Pi = 1
i =1
ﻫﺴﺘﻨﺪ )در ﺗﻌﺮﯾﻒ اﺻﻮﻟﯽ(.
ﺣﺎل اﮔﺮ ﺗﻌﺪاد ﻋﻨﺎﺻﺮ Ωﻧﺎﻣﺤﺪود ،وﻟﯽ ﻗﺎﺑﻞ ﺷﻤﺎرش ﺑﺎﺷﺪ ،ﺑﺎز ﻫﻢ ﺑﺤﺚ ﻓﻮق ﺻﺎدق اﺳﺖ و ﺑﺎ ﺗﻌﯿﯿﻦ } Pi = P{ωiﻫﺎ ﮐﻪ Pi ≥ 0و
∞+
،ﻓﻀﺎی اﺣﺘﻤﺎل ﻣﺸﺨﺺ ﻣﯽﺷﻮد )ﻣﺜﻼً P3 = 81 ، P2 = 14 ، P1 = 21و .(... ∑ Pi = 1
i =1
17
وﻟﯽ اﮔﺮ ﺗﻌﺪاد ﻋﻨﺎﺻﺮ Ωﻧﺎﻣﺤﺪود ﻏﯿﺮﻗﺎﺑﻞ ﺷﻤﺎرش ﺑﺎﺷﺪ ،ﻣﺜﻼً ﻓﻀﺎی ﻧﻤﻮﻧﮥ زﻣﺎن ﺷﺮوع ﯾﮏ ﻣﮑﺎﻟﻤﮥ ﺗﻠﻔﻨﯽ )ﯾﺎ زﻣﺎن ﺧﺮاب ﺷﺪن ﯾﮏ
اﻟﻤﺎن اﻟﮑﺘﺮوﻧﯿﮑﯽ( ،در اﯾﻨﺠﺎ ﻫﺮ ﻓﺎﺻﻠﮥ } {t 1 ≤ t ≤ t 2ﯾﮏ واﻗﻌﻪ اﺳﺖ و }∞. Ω= {0 ≤ t ≤+
اﻏﻠﺐ در ﭼﻨﯿﻦ ﻣﻮاردی اﺣﺘﻤﺎل واﻗﻌﮥ ﺳﺎدۀ } P{t = t iﺑﺮاﺑﺮ ﺻﻔﺮ اﺳﺖ ،اﮔﺮ ﭼﻪ Ωاﺟﺘﻤﺎع اﯾﻦ واﻗﻌﻪﻫﺎی ﺳﺎده اﺳﺖ.
)اﯾﻦ ﻣﺴﺌﻠﻪ ﺗﻨﺎﻗﻀﯽ ﺑﺎ اﺻﻞ 3ﯾﺎ اﺻﻞ ’ 3ﻧﺪارد ،زﯾﺮا اﯾﻦ اﺻﻮل ﺑﺮای ﺣﺎﻟﺖ ﻏﯿﺮﻗﺎﺑﻞ ﺷﻤﺎرش ﻧﺒﻮدﻧﺪ(.
)اﮔﺮ ﭼﻪ اﺣﺘﻤﺎل واﻗﻌﮥ ﻧﺎﻣﻤﮑﻦ ﺻﻔﺮ اﺳﺖ ،اﻣﺎ ﻫﺮ ﭼﻪ اﺣﺘﻤﺎﻟﺶ ﺻﻔﺮ ﺑﺎﺷﺪ ﻧﺎﻣﻤﮑﻦ ﺗﻠﻘﯽ ﻧﻤﯽﺷﻮد(.
در اﯾﻨﺠﺎ ﻓﻀﺎی اﺣﺘﻤﺎل را ﻧﻤﯽﺗﻮان ﺑﺎ اﺣﺘﻤﺎل واﻗﻌﻪﻫﺎی ﺳﺎده ﻣﺸﺨﺺ ﮐﺮد .در ﻋﻮض ﺑﺎﯾﺪ اﺣﺘﻤﺎل ﺑﺎزهﻫﺎ را ﻣﻌﯿﻦ ﮐﺮد .ﺑﺮای اﯾﻦ
ﻣﻨﻈﻮر ﺗﺎﺑﻌﯽ را ﮐﻪ ﺑﯿﺎﻧﮕﺮ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل اﺳﺖ ﻣﻌﺮﻓﯽ ﻣﯽﮐﻨﯿﻢ:
P{t 1 ≤ t ≤ t 1 + dt} =α(t 1 )dt
ﯾﺎ:
t2
= } P{t 1 ≤ t ≤ t 2 ∫t 1
α(t)dt
ﭼﻮن اﺣﺘﻤﺎل ﻫﯿﭻ ﻓﺎﺻﻠﻪای ﻧﻤﯽﺗﻮاﻧﺪ ﻣﻨﻔﯽ ﺷﻮد ،ﭘﺲ α(t) ≥ 0 :و ﭼﻮن اﺣﺘﻤﺎل Ωﯾﮏ اﺳﺖ ،ﺑﺎﯾﺪ داﺷﺘﻪ ﺑﺎﺷﯿﻢ:
18
)α (t در ﻣﺜﺎل ﺑﺎﻻ ﮐﻪ }∞ {0 ≤ t ≤+ﺑﻮد ،ﺧﻮاﻫﯿﻢ داﺷﺖ:
∞+
∫0 α(t)dt = 1
t
ﭼﻮن ﮐﻠﯿﮥ واﻗﻌﻪﻫﺎی Ωﺑﻪ ﺻﻮرت اﺟﺘﻤﺎع و اﺷﺘﺮاک ﻓﻮاﺻﻞ ] [t 1 , t 2ﻗﺎﺑﻞ ﺑﯿﺎن ﻫﺴﺘﻨﺪ ،ﺑﻪ اﯾﻦ ﺗﺮﺗﯿﺐ اﺣﺘﻤﺎل ﮐﻠﯿﮥ واﻗﻌﻪﻫﺎ
ﺗﻌﯿﯿﻦ ﺷﺪه اﺳﺖ.
19
ﻣﺎ اﺣﺘﻤﺎل را ﺑﺮ ﻣﺒﻨﺎی ﺗﻌﺮﯾﻒ اﺻﻮﻟﯽ ﭘﯽرﯾﺰی ﻣﯽﮐﻨﯿﻢ ،وﻟﯽ از ﺗﻌﺎرﯾﻒ دﯾﮕﺮ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﺷﮑﺎﻻﺗﺸﺎن ﻧﻪ ﺑﻪ ﻋﻨﻮان ﺗﻌﺮﯾﻒ ﺑﻠﮑﻪ در ﻣﺮاﺣﻞ
1و 3ﻣﺪلﺳﺎزی ﺑﺮای اﯾﺠﺎد ارﺗﺒﺎط ﻣﺪل ﺑﺎ ﺟﻬﺎن ﺧﺎرج اﺳﺘﻔﺎده ﻣﯽﻧﻤﺎﯾﯿﻢ.
20
ﻣﺜﻼً در آزﻣﺎﯾﺶ ﭘﺮﺗﺎب ﺳﮑﻪ Ω= {H, T} :اﺳﺖ .اﮔﺮ } A = {Hﺑﺎﺷﺪ ،ﺑﺮای ﻣﺤﺎﺳﺒﮥ ) ، P(Aﺳﮑﻪای را ﺑﻪ ﮐﺮّات ﭘﺮﺗﺎب ﻣﯽﮐﻨﯿﻢ:
آزﻣﺎﯾﺶ :Pearson
12012ﺗﻌﺪاد ﺷﯿﺮﻫﺎی ﺣﺎﺻﻠﻪ در ﭘﺮﺗﺎبﻫﺎ nA
= n ﺗﻌﺪاد ﭘﺮﺗﺎبﻫﺎ
=
24000
= 0.5005
وﻟﯽ اﯾﻦ ﺗﻌﺮﯾﻒ ﺧﯿﻠﯽ ﺷﻬﻮدی و ﻏﯿﺮرﯾﺎﺿﯽ اﺳﺖ» :ﺑﺮای nﺑﺰرگ«» ،ﻋﺪدی ﻧﺰدﯾﮏ ﺑﻪ« و ...
ﭘﺲ اﯾﻦ ﻫﻢ ﺑﻪ ﻋﻨﻮان ﺗﻌﺮﯾﻒ اﺣﺘﻤﺎل ﻗﺎﺑﻞ اﺳﺘﻔﺎده ﻧﯿﺴﺖ .وﻟﯽ در ﻣﺮاﺣﻞ 1و 3ﺑﺮای اﯾﺠﺎد ارﺗﺒﺎط ﺑﯿﻦ ) P(Aدر ﻣﺪل ﺑﺎ ﻧﺴﺒﺖ
n
ﺗﺠﺮﺑﯽ nAو رﺑﻂ دادن ﻣﺪل ﺑﻪ ﺟﻬﺎن ﺧﺎرج ﻣﻔﯿﺪ اﺳﺖ .ﺣﺘﯽ ﻣﯽﺗﻮاﻧﯿﻢ ﺑﺮای اﺻﻮل ﻣﻮﺿﻮﻋﻪ و ﻗﻀﺎﯾﺎی اﺣﺘﻤﺎل ،ﺗﻌﺒﯿﺮ ﻓﺮﮐﺎﻧﺴﯽ
ﺑﯿﺎورﯾﻢ ﺗﺎ ﻣﺤﺴﻮس ﺑﻮدن آﻧﻬﺎ را ﻧﺸﺎن دﻫﺪ.
21
nΩ
). P( Ω ﻣﺜﻼً Ωدر ﻫﺮ واﻗﻌﻪای اﺗﻔﺎق ﻣﯽاﻓﺘﺪ ،ﭘﺲ در nﺑﺎر ﺗﮑﺮار آزﻣﺎﯾﺶ ، n Ω = n ،ﯾﻌﻨﯽn = 1 :
ﯾﺎ ﻣﺜﻼً اﮔﺮ واﻗﻌﻪﻫﺎی Aو Bﻧﺎﺳﺎزﮔﺎر ﺑﺎﺷﻨﺪ )ﻣﺠﻤﻮﻋﻪﻫﺎی Aو Bﻋﻨﺼﺮ ﻣﺸﺘﺮﮐﯽ ﻧﺪارﻧﺪ ،ﭘﺲ Aو Bﺗﻮأﻣﺎً اﺗﻔﺎق ﻧﻤﯽاﻓﺘﻨﺪ( .ﭘﺲ در
nﺑﺎر ﺗﮑﺮار آزﻣﺎﯾﺶ ،اﮔﺮ واﻗﻌﮥ n A ،Aﺑﺎر و واﻗﻌﮥ n B ،Bﺑﺎر اﺗﻔﺎق ﺑﯿﻔﺘﺪ ،آﻧﮕﺎه:
n A∪B = n A + n B
nA∪B nA n B
)P(A ∪ B )n = n + n P(A) + P(B
ﯾﻌﻨﯽ ﺑﺎ اﯾﻦ ﺗﻌﺮﯾﻒ دﯾﮕﺮ ﻧﯿﺎزی ﺑﻪ اﺻﻮل ﻣﻮﺿﻮﻋﻪ ﻧﯿﺴﺖ و آﻧﻬﺎ ﻗﺎﺑﻞ اﺛﺒﺎت ﻫﺴﺘﻨﺪ.
ﺗﻌﺮﯾﻒ ﺑﻬﺘﺮ:
n
P(A) = lim nA
∞n→+
وﻟﯽ ﭼﻪ دﻟﯿﻞ رﯾﺎﺿﯽ دارﯾﺪ ﮐﻪ ﺣﺪ ﻓﻮق وﺟﻮد دارد؟ )و ﺑﻪ ﭼﻪ دﻟﯿﻞ اﮔﺮ ﺗﮑﺮار ﺷﻮد ،دوﺑﺎره ﻫﻤﺎن ﺣﺪ ﻣﯽﺷﻮد؟(
22
ﺑﻪ ﻋﻼوه ﭼﻮن nو n Aاﻋﺪادی ﻫﺴﺘﻨﺪ ﮐﻪ از آزﻣﺎﯾﺶ ﺑﻪ دﺳﺖ ﻣﯽآﯾﻨﺪ ،ﻫﺮﮔﺰ ﻧﻤﯽﺗﻮاﻧﻨﺪ ﻧﺎﻣﺤﺪود ﺑﺎﺷﻨﺪ .ﭘﺲ ﺑﻪ اﯾﻦ وﺳﯿﻠﻪ ﻧﯿﺰ
n
ﻣﺸﮑﻞ اﯾﻦ ﺗﻌﺮﯾﻒ ﺣﻞ ﻧﺸﺪه اﺳﺖ .ﻣﮕﺮ اﯾﻨﮑﻪ ) P(Aرا ﯾﮏ ﻣﻔﻬﻮم ﺗﺌﻮرﯾﮏ ﺑﺪاﻧﯿﻢ )ﺗﻌﺮﯾﻒ اﺻﻮﻟﯽ( و nAﻓﻘﻂ ﺑﺮای ﺗﺨﻤﯿﻦ ﺻﺤﺖ
آن اﺳﺘﻔﺎده ﺷﻮد )در ﻓﺼﻞ ﺗﺨﻤﯿﻦ در اﯾﻦ ﺑﺎره دﻗﯿﻘﺎً ﺻﺤﺒﺖ ﺧﻮاﻫﯿﻢ ﮐﺮد( .ﺑﻪ ﻋﻼوه در ﺑﺮﺧﯽ آزﻣﺎﯾﺶﻫﺎی ﺗﺼﺎدﻓﯽ ،اﻣﮑﺎن ﺗﮑﺮار ﯾﺎ
ﺗﮑﺮار زﯾﺎد آزﻣﺎﯾﺶ وﺟﻮد ﻧﺪارد.
)ﻃﺮﻓﺪاران اﯾﻦ ﻧﻈﺮﯾﻪ ﻣﯽﮔﻮﯾﻨﺪ ﮐﻪ وﺟﻮد اﯾﻦ ﺣﺪ ﯾﮏ ﻓﺮض ﯾﺎ اﺻﻞ اﺳﺖ ،وﻟﯽ اﯾﻦ ﻓﺮﺿﯽ ﭘﯿﭽﯿﺪه و دور از ذﻫﻦ اﺳﺖ .وﻟﯽ ﻣﺎ ﺑﺎ
n
اﺳﺘﻔﺎده از اﺻﻮل ﮐﻮﻟﻤﻮﮔﺮوف ﮐﻪ اﺻﻮل ﺳﺎدهﺗﺮی ﻫﺴﺘﻨﺪ ،ﻣﯽﺗﻮاﻧﯿﻢ اﯾﻦ ﻣﻮﺿﻮع را ﮐﻪ nAﺑﻪ ﺳﻤﺖ ) P(Aﻣﯿﻞ ﻣﯽﮐﻨﺪ ،ﺛﺎﺑﺖ ﮐﻨﯿﻢ
ﮐﻪ اﯾﻦ اﺛﺒﺎت را ﺑﻌﺪاً در ﻗﺎﻧﻮن اﻋﺪاد ﺑﺰرگ ﺧﻮاﻫﯿﻢ دﯾﺪ(.
ﺗﻌﺮﯾﻒ ﮐﻼﺳﯿﮏ:
اﮔﺮ در ﯾﮏ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ N ،ﻧﺘﯿﺠﮥ ﻣﻤﮑﻨﻪ ) (N outcomesوﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ و NAﺗﺎ از آﻧﻬﺎ ﻣﻄﻠﻮب ﺑﺎﺷﻨﺪ )ﺗﻌﺪاد اﻋﻀﺎی
واﻗﻌﮥ NA ،Aﺑﺎﺷﺪ( ،آﻧﮕﺎه:
NA
= )P(A
N
اﺳﺖ ،زﯾﺮا: 2 ﻣﺜﻼً در آزﻣﺎﯾﺶ اﻧﺪاﺧﺘﻦ ﺗﺎس ،اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﻋﺪد ﺣﺎﺻﻞ ﮐﻮﭼﮑﺘﺮ از 3ﺑﺎﺷﺪ،
6
)از ﺗﻘﺎرن ﺗﺎس ،ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﺑﻮدن ﻧﺘﺎﯾﺞ را ﻓﺮض ﮐﺮدهاﯾﻢ( }Ω= {1, 2, 3, 4, 5,6} , A = {1, 2
23
اﻟﺒﺘﻪ ﺑﺎﯾﺪ ﺑﻪ ﺗﻔﺎوت Nو nو ﻧﯿﺰ ﺗﻔﺎوت NAو n Aدﻗﺖ ﺷﻮد n .ﺗﻌﺪاد آزﻣﺎﯾﺶﻫﺎی اﻧﺠﺎم ﺷﺪه و n Aﺗﻌﺪادی از اﯾﻦ آزﻣﺎﯾﺶﻫﺎ ﮐﻪ
واﻗﻌﮥ Aاﺗﻔﺎق اﻓﺘﺎده ﺑﻮد .در ﺣﺎﻟﯽ ﮐﻪ Nﺗﻌﺪاد ﻧﺘﺎﯾﺞ ﻣﻤﮑﻨﻪ در ﯾﮏ آزﻣﺎﯾﺶ اﺳﺖ و NAﺗﻌﺪادی از اﯾﻦ ﻧﺘﺎﯾﺞ ﮐﻪ ﻋﻀﻮ Aﺑﺎﺷﻨﺪ.
ﺑﺎ اﯾﻦ ﺗﻌﺮﯾﻒ دﯾﮕﺮ ﻧﯿﺎزی ﺑﻪ اﺻﻮل ﻣﻮﺿﻮﻋﻪ ﻧﺨﻮاﻫﺪ ﺑﻮد و ﻫﻤﮥ آﻧﻬﺎ ﻗﺎﺑﻞ اﺛﺒﺎت ﻫﺴﺘﻨﺪ .ﻣﺜﻼً اﮔﺮ Aو Bﻧﺎﺳﺎزﮔﺎر ﺑﺎﺷﻨﺪ و واﻗﻌﮥ ،A
NAﻋﻀﻮ و واﻗﻌﮥ N B ،Bﻋﻀﻮ داﺷﺘﻪ ﺑﺎﺷﺪ A ∪ B ،دارای NA + N Bﻋﻀﻮ ﺧﻮاﻫﺪ ﺑﻮد .ﻟﺬا:
NA∪B NA NB
= )P(A ∪ B = + )= P(A) + P(B
N N N
اﻣﺎ ﺗﻌﺮﯾﻒ ﮐﻼﺳﯿﮏ ،اﮔﺮ ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ) (Equally Likelyﻧﺒﺎﺷﻨﺪ ،دﯾﮕﺮ درﺳﺖ ﻧﺨﻮاﻫﺪ ﺑﻮد.
ﻣﺜﻼً در آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ ﺗﻮﻟﺪ ﯾﮏ ﮐﻮدک ﮐﻪ } Ω= {m, fاﺳﺖ ،وﻗﺎﯾﻊ } A = {mو } B = {fﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﻧﯿﺴﺘﻨﺪ و
ﻟﺬا P{m} = 21ﺻﺤﯿﺢ ﻧﯿﺴﺖ.
ﯾﺎ در آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ رأیﮔﯿﺮی دوﺣﺰﺑﯽ ﮐﻪ } Ω= {α , βاﺳﺖ ،وﻗﺎﯾﻊ } A = {αو } B = {βﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﻧﯿﺴﺘﻨﺪ و
ﻟﺬا P{α} = 21ﺻﺤﯿﺢ ﻧﯿﺴﺖ.
ﺑﻪ ﻋﻼوه ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺶ ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ ﮔﻮﻧﻪﻫﺎی ﻣﺨﺘﻠﻒ ﺗﻌﺒﯿﺮ ﺷﻮد ﮐﻪ ﻟﺰوﻣﺎً ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﻧﺒﺎﺷﻨﺪ.
24
ﻣﺜﺎل :دو ﺗﺎس را ﻣﯽاﻧﺪازﯾﻢ .اﺣﺘﻤﺎل اﯾﻦ واﻗﻌﻪ را ﻣﯽﺧﻮاﻫﯿﻢ ﮐﻪ ﻣﺠﻤﻮع اﻋﺪاد دو ﺗﺎس ﻣﺴﺎوی 7ﺑﺎﺷﺪ.
اﻟﻒ( ﻧﺘﺎﯾﺞ ﻣﻤﮑﻨﻪ را ﻣﯽﺗﻮاﻧﯿﻢ ﺑﻪ ﺻﻮرت ﺟﻤﻊﻫﺎی ﻣﺨﺘﻠﻒ ﻣﻤﮑﻨﻪ ﺑﯿﺎن ﮐﻨﯿﻢ ،ﯾﻌﻨﯽ اﻋﺪاد .12 ،... ،3 ،2ﭘﺲ:
}Ω= {2, 3,… ,12} , A = {7
اﺳﺖ! 1 ﭘﺲ اﺣﺘﻤﺎل
11
ب( ﻣﻤﮑﻦ اﺳﺖ ﺑﮕﻮﯾﯿﻢ 21ﻧﺘﯿﺠﻪ دارﯾﻢ )ﺑﺪون ﺗﻤﺎﯾﺰ ﺑﯿﻦ ﺗﺎس اول و ﺗﺎس دوم( .ﭘﺲ:
}Ω= {1 − 1,1 − 2,1 − 3,… , 5 − 6,6 − 6} , A = {1 − 6, 2 − 5, 3 − 4
اﺳﺖ! 3 ﭘﺲ اﺣﺘﻤﺎل
21
ج( ﻣﻤﮑﻦ اﺳﺖ ﺑﮕﻮﯾﯿﻢ 36ﻧﺘﯿﺠﮥ ﻣﻤﮑﻨﻪ دارﯾﻢ )ﺗﻤﺎﯾﺰ ﺑﯿﻦ ﺗﺎس اول و ﺗﺎس دوم( .ﭘﺲ:
})Ω= {(i, j) : i, j = 1, 2,… ,6} , A = {(1,6),(2, 5),(3, 4),(4, 3),(5, 2),(6,1
اﺳﺖ. 6 =1 ﭘﺲ اﺣﺘﻤﺎل
36 6
ﮐﻪ ﻓﻘﻂ در ﺣﺎﻟﺖ آﺧﺮ ﮐﻪ ﻧﺘﺎﯾﺞ ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﻫﺴﺘﻨﺪ ،ﺟﻮاب درﺳﺖ اﺳﺖ.
25
ﺑﻪ ﻋﻼوه ﻣﻌﻤﻮﻻً ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﺑﻮدن را ﺻﺮﻓﺎً از روی ﻧﺒﻮدن دﻟﯿﻠﯽ ﺑﺮای ﺗﺮﺟﯿﺢ ﺑﯿﺎن ﻣﯽﮐﻨﯿﻢ ﮐﻪ در ﻣﻮرد ﺳﮑﻪ ﯾﺎ ﺗﺎس درﺳﺖ
درﻣﯽآﯾﺪ ،وﻟﯽ دﯾﺪﯾﻢ ﮐﻪ در ﻣﻮرد ﺗﻮﻟﺪ ﺑﭽﻪ درﺳﺖ درﻧﻤﯽآﯾﺪ.
ﺑﻪ اﯾﻦ ﺗﺮﺗﯿﺐ ﻣﺎ از ﺗﻌﺮﯾﻒ ﮐﻼﺳﯿﮏ ﻧﻪ ﺑﻪ ﻋﻨﻮان ﺗﻌﺮﯾﻒ ،ﺑﻠﮑﻪ در ﻣﻮاردی ﮐﻪ ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﺑﻮدن ﻣﻌﻘﻮل ﺑﺎﺷﺪ ،ﺑﺮای اﻧﺘﺨﺎب
) P(A iﻫﺎ از آن اﺳﺘﻔﺎده ﻣﯽﮐﻨﯿﻢ.
اﺻﻞ ﻧﺎﮐﺎﻓﯽ ﺑﻮدن دﻟﯿﻞ :اﮔﺮ ﯾﮏ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ دارای Nﻧﺘﯿﺠﮥ ﻣﻤﮑﻨﮥ ω1 , ω2 ,… , ωNﺑﺎﺷﺪ و ﻣﺎ ﻫﯿﭻ اﻃﻼﻋﯽ در ﻣﻮرد ﻧﺤﻮۀ
وﻗﻮع آﻧﻬﺎ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﯿﻢ ،ﺑﺎﯾﺪ اﺣﺘﻤﺎل آﻧﻬﺎ را ﻣﺴﺎوی ﻓﺮض ﮐﻨﯿﻢ ،ﯾﻌﻨﯽ:
= } P{ω1 } = P{ω2 = P{ωN } = 1
N
ﺗﻔﺎوت اﯾﻦ اﺻﻞ ﺑﺎ ﺗﻌﺮﯾﻒ ﮐﻼﺳﯿﮏ اﯾﻦ اﺳﺖ ﮐﻪ در ﺗﻌﺮﯾﻒ ﮐﻼﺳﯿﮏ ﻣﯽﮔﻮﯾﯿﻢ :ﻣﯽداﻧﯿﻢ ﮐﻪ ﻧﺘﺎﯾﺞ ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﻫﺴﺘﻨﺪ .وﻟﯽ اﯾﻨﺠﺎ
ﻣﯽﮔﻮﯾﯿﻢ :ﭼﻮن اﺣﺘﻤﺎلﻫﺎ را ﻧﻤﯽداﻧﯿﻢ و ﻫﯿﭻ دﻟﯿﻠﯽ ﺑﺮ ﺑﺮﺗﺮی و ﻣﺤﺘﻤﻞ ﺑﻮدن ﯾﮑﯽ ﺑﺮ دﯾﮕﺮی ﻧﺪارﯾﻢ ،آﻧﻬﺎ را ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل
ﻓﺮض ﻣﯽﮐﻨﯿﻢ.
26
= } P{ω1 } = P{ω2ﻣﯽﺑﺎﺷﺪ .از ﺗﻌﺮﯾﻒ اﺻﻮﻟﯽ ﻫﻢ دارﯾﻢ: در آزﻣﺎﯾﺶ ﺑﺎ ﻧﺘﺎﯾﺞ ﻫﻢ اﺣﺘﻤﺎل = P{ωN } = 1
N
NA
1 NA
= )P(A ∑ =
N N
i=1
اﯾﻦ در واﻗﻊ ﺗﻌﻤﯿﻢ اﺻﻞ 3اﺳﺖ ،زﯾﺮا Aاﺟﺘﻤﺎع NAﺗﺎ ﻣﺠﻤﻮﻋﮥ ﺟﺪاازﻫﻢ ﺑﺎ اﺣﺘﻤﺎل 1اﺳﺖ.
N
Ω
A
در ﭼﻨﯿﻦ ﻣﻮاردی ﺑﺮای ﻣﻌﯿﻦ ﮐﺮدن اﺣﺘﻤﺎل واﻗﻌﻪﻫﺎ ،ﮐﺴﺐ ﻣﻬﺎرت ﻣﺤﺎﺳﺒﮥ ﺗﻌﺪاد ﻧﻘﺎﻃﯽ از Ωﮐﻪ ﺧﺎﺻﯿﺖ ﻣﻌﯿﻨﯽ دارﻧﺪ ﻻزم اﺳﺖ و
اﯾﻦ ﮐﺎر ﺑﻪ وﺳﯿﻠﮥ آﻧﺎﻟﯿﺰ ﺗﺮﮐﯿﺒﯽ ) (Combinational Analysisﺻﻮرت ﻣﯽﮔﯿﺮد.
27
ﻣﺮوری ﺑﺮ آﻧﺎﻟﯿﺰ ﺗﺮﮐﯿﺒﯽ:
ﺗﺮﺗﯿﺐ )ﺟﺎﯾﮕﺸﺖ( ) :(Permutationﺗﻌﺪاد ﻧﺤﻮۀ ﻣﺮﺗﺐ ﮐﺮدن mﺷﯽء از Nﺷﯽء
ﻓﺮض ﮐﻨﯿﺪ Nﺷﯽء )ﻣﺘﻤﺎﯾﺰ( دارﯾﻢ و ﻣﯽﺧﻮاﻫﯿﻢ mﺗﺎ ) (m ≤ Nاز آﻧﻬﺎ را اﻧﺘﺨﺎب ﮐﺮده و در ﯾﮏ ﺧﻂ ﺑﭽﯿﻨﯿﻢ )ﺗﺮﺗﯿﺐ ﻣﻬﻢ اﺳﺖ(.
ﺗﻌﺪاد ﺣﺎﻻت ﻣﻤﮑﻦ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ:
1 2 m
−−−−−− −−−−−− −−−−−−
N × )(N − 1 × )× (N − m + 1
N !N
Pm = )= N×(N − 1)× ×(N − m + 1 : 0≤m≤N
!)(N − m
ﻧﺘﯿﺠﻪ:
N N
1) Pm = (N − m + 1)Pm −1
28
در ﺗﺮﺗﯿﺐ ) (Permutationﻓﺮض ﻣﯽﮐﻨﯿﻢ ﺗﮑﺮار ﻣﺠﺎز ﻧﯿﺴﺖ ،ﯾﻌﻨﯽ وﻗﺘﯽ ﺷﯿﺌﯽ را در ﺟﺎﯾﮕﺎه 1ﮔﺬاﺷﺘﯿﻢ ،دﯾﮕﺮ ﻫﻤﺎن ﺷﯽء
ﻧﻤﯽﺗﻮاﻧﺪ در ﺟﺎﯾﮕﺎه دﯾﮕﺮی ﻫﻢ ﺑﺎﺷﺪ .وﻟﯽ اﮔﺮ ﺗﮑﺮار ﻣﺠﺎز ﺑﺎﺷﺪ ،ﺗﻌﺪاد ﺣﺎﻻت ﭼﻘﺪر ﻣﯽﺷﻮد؟
ﭘﺎﺳﺦ N mاﺳﺖ.
ﻣﺜﺎل :ﺳﻪ ﺗﺎس را ﭘﺮﺗﺎب ﻣﯽﮐﻨﯿﻢ .ﺗﻌﺪاد ﺣﺎﻻت ﻣﻤﮑﻨﻪ ﭼﻨﺪﺗﺎ اﺳﺖ؟
}) Ω= {( f 1 , f 1 , f 1 ),( f 1 , f 1 , f 2 ),… ,( f 6 , f 6 , f 6
ﯾﻌﻨﯽ 6 3 = 216ﺣﺎﻟﺖ ﺧﻮاﻫﯿﻢ داﺷﺖ.
29
ﭘﺲ اﮔﺮ آزﻣﺎﯾﺸﯽ ﺑﺎ Nﻧﺘﯿﺠﮥ ﻣﻤﮑﻨﻪ را mﺑﺎر اﻧﺠﺎم دﻫﯿﻢ N m ،ﺣﺎﻟﺖ ﺧﻮاﻫﯿﻢ داﺷﺖ.
در ﺣﺎﻟﺖ ﮐﻠﯽﺗﺮ اﮔﺮ mآزﻣﺎﯾﺶ ﮐﻪ ﺗﻌﺪاد ﻧﺘﺎﯾﺞ ﻣﻤﮑﻨﮥ ﻫﺮ ﯾﮏ N 1 ,N 2 ,… ,N mﺑﺎﺷﺪ ،اﻧﺠﺎم ﺷﻮﻧﺪ ،ﺗﻌﺪاد ﻧﺘﺎﯾﺞ ﻣﻤﮑﻨﮥ ﮐﻞ
mآزﻣﺎﯾﺶ ﺑﺮاﺑﺮ N 1N 2 N mﻣﯽﺑﺎﺷﺪ )ﺗﻌﺪاد ﻋﻨﺎﺻﺮ ﺣﺎﺻﻠﻀﺮب دﮐﺎرﺗﯽ ) ( Ω1 ×Ω 2 × ×Ωmاﺻﻞ ﺷﻤﺎرش(.
ﺗﺮﮐﯿﺐ ):(Combination
اﮔﺮ Nﺷﯽء )ﻣﺘﻤﺎﯾﺰ( داﺷﺘﻪ ﺑﺎﺷﯿﻢ و ﺑﺨﻮاﻫﯿﻢ ﯾﮏ ﮔﺮوه mﺗﺎﯾﯽ از ﻣﯿﺎن آﻧﻬﺎ اﻧﺘﺨﺎب ﮐﻨﯿﻢ )ﺗﺮﺗﯿﺐ دﯾﮕﺮ ﻣﻬﻢ ﻧﯿﺴﺖ( ،دارﯾﻢ:
N PmN !N
CN
m == = :0 ≤ m ≤ N
!) m m! m!(N − m
، C Nزﯾﺮا ﻫﺮ زﻣﺎن ﮐﻪ mﺷﯽء را از Nﺗﺎ اﻧﺘﺨﺎب ﻣﯽﮐﻨﯿﻢ N − m ،ﺗﺎ را ﺑﺎﻗﯽ ﻣﯽﮔﺬارﯾﻢ. N
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ راﺑﻄﻪ روﺷﻦ اﺳﺖ ﮐﻪm = C N −m :
ﻣﺜﺎل :ﮐﻼﺳﯽ 20ﻧﻔﺮ داﻧﺸﺠﻮ دارد 3 .ﻧﻔﺮ ﺑﺮای ﺻﺤﺒﺖ ﺑﺎ رﺋﯿﺲ داﻧﺸﮕﺎه اﻧﺘﺨﺎب ﻣﯽﺷﻮﻧﺪ .ﭼﻨﺪ ﮔﺮوه ﻧﻤﺎﯾﻨﺪه ﻣﺘﺼﻮر اﺳﺖ؟
20 20 × 19 × 18
= = ﺗﻌﺪاد ﺣﺎﻻت = 1140
3 !3
30
ﻣﺜﺎل 7 :ﺗﻮپ ﺳﻔﯿﺪ و 3ﺗﻮپ ﻗﺮﻣﺰ دارﯾﻢ .ﺑﻪ ﭼﻨﺪ ﻃﺮﯾﻖ ﻣﯽﺗﻮان اﯾﻦ ﺗﻮﭘﻬﺎ را در ده ﺟﻌﺒﻪ ﻗﺮار داد؟
.......
1 ....... 10
درﺳﺖ اﺳﺖ ﮐﻪ ﺗﻮﭘﻬﺎی ﺳﻔﯿﺪ از ﻫﻢ ﻣﺘﻤﺎﯾﺰ ﻧﯿﺴﺘﻨﺪ و ﺗﻮﭘﻬﺎی ﻗﺮﻣﺰ ﻧﯿﺰ از ﻫﻢ ﻣﺘﻤﺎﯾﺰ ﻧﯿﺴﺘﻨﺪ ،وﻟﯽ ﺟﻌﺒﻪﻫﺎ از ﻫﻢ ﻣﺘﻤﺎﯾﺰﻧﺪ .در واﻗﻊ
ﻣﯽﺗﻮاﻧﯿﻢ از ﻣﯿﺎن ده ﺟﻌﺒﻪ3 ،ﺗﺎ را ﺑﺮای ﻗﺮار ﮔﺮﻓﺘﻦ ﺗﻮﭘﻬﺎی ﻗﺮﻣﺰ اﻧﺘﺨﺎب ﮐﻨﯿﻢ )ﯾﺎ ﻣﻌﺎدﻻً 7ﺗﺎ را ﺑﺮای ﻗﺮار ﮔﺮﻓﺘﻦ ﺗﻮﭘﻬﺎی ﺳﻔﯿﺪ اﻧﺘﺨﺎب
ﮐﻨﯿﻢ( و ﺗﺮﺗﯿﺐ ﺟﻌﺒﻪﻫﺎی اﻧﺘﺨﺎﺑﯽ ﻣﻬﻢ ﻧﯿﺴﺘﻨﺪ.
10 10 × 9 × 8
= = ﺗﻌﺪاد ﺣﺎﻻت = 120
3 3!
ﮐﻼً اﮔﺮ Nﺷﯽء ﺗﺸﮑﯿﻞ دو ﮔﺮوه ﺑﺪﻫﻨﺪ ،ﯾﮏ ﮔﺮوه mﺗﺎﯾﯽ و ﮔﺮوه دﯾﮕﺮ N − mﺗﺎﯾﯽ ،ﻗﺮار دادن اﯾﻨﻬﺎ در Nﺟﻌﺒﻪ )ﯾﺎ ﺑﻪ ﺧﻂ ﮐﺮدن
N
آﻧﻬﺎ( ﺑﻪ ﻃﺮﯾﻖ ﻣﻤﮑﻦ اﺳﺖ.
m
31
ﻣﺜﺎل :ﺗﻌﺪاد اﻋﺪاد ﺑﺎﯾﻨﺮی Nﺑﯿﺘﯽ ﮐﻪ mرﻗﻢ 1و N − mرﻗﻢ 0داﺷﺘﻪ ﺑﺎﺷﻨﺪ؟
ﻣﺎﻧﻨﺪ ﻣﺜﺎل ﻗﺒﻠﯽ دارﯾﻢ:
N
= ﺗﻌﺪاد ﺣﺎﻻت
m
در Permutationدﯾﺪﯾﻢ ﮐﻪ اﮔﺮ ﺗﮑﺮار را ﻣﺠﺎز ﻣﯽداﻧﺴﺘﯿﻢ ،ﺗﻌﺪاد ﺣﺎﻻت ﺑﻪ ﺟﺎی PmNﻣﯽﺷﻮد . N m :وﻟﯽ در ﺗﺮﮐﯿﺐ ﭼﻪ؟
32
-وﻟﯽ اﮔﺮ در ﻫﺮ ﺟﻌﺒﻪ ﺑﻪ ﺗﻌﺪاد دﻟﺨﻮاه )ﺣﺘﯽ ﮐﻠﯿﮥ mﺗﻮپ را( ﺑﺘﻮان ﻗﺮار داد ،ﺗﻌﺪاد ﺣﺎﻻت ﭼﻘﺪر ﺧﻮاﻫﺪ ﺑﻮد؟ )در اﯾﻨﺠﺎ ﻻزم ﻧﯿﺴﺖ
داﺷﺘﻪ ﺑﺎﺷﯿﻢ( m ≤ N :
........
دﯾﻮارهﻫﺎی ﻣﯿﺎﻧﯽ را ﻫﻢ ﺑﻪ ﻋﻨﻮان ﺷﯽء در ﻧﻈﺮ ﺑﮕﯿﺮﯾﺪ .ﮔﺮوه 1ﺗﻮﭘﻬﺎ ﻫﺴﺘﻨﺪ ﮐﻪ ﺗﻌﺪاد آﻧﻬﺎ mﺗﺎ اﺳﺖ و ﮔﺮوه 2دﯾﻮارهﻫﺎ ﻫﺴﺘﻨﺪ ﮐﻪ
ﺗﻌﺪاد آﻧﻬﺎ N − 1ﺗﺎ اﺳﺖ .ﻣﯽﺧﻮاﻫﯿﻢ اﯾﻦ N + m − 1ﺷﯽء را در N + m − 1ﻣﮑﺎن ﻗﺮار دﻫﯿﻢ.
ﻣﺜﻼً اﮔﺮ N = 3و m = 2ﺑﺎﺷﺪ ،ﮔﻮﯾﯽ دو ﺗﺎ wو دو ﺗﺎ bدارﯾﻢ و ﻣﯽﺧﻮاﻫﯿﻢ آﻧﻬﺎ را در ﭼﻬﺎر ﻣﮑﺎن ﻗﺮار دﻫﯿﻢ:
bwbw
wbwb
bwwb
bbww
wbbw
wwbb
33
ﭘﺲ در ﻣﺜﺎل ﻓﻮق دارﯾﻢ:
3 + 2 − 1 4
= ﺗﻌﺪاد ﺣﺎﻻت = =6
2 2
N + m − 1
ﺑﺮدار Nﻋﻨﺼﺮی ) (k 1 ,…, k Nﺑﺎ ﻋﻨﺎﺻﺮ ﺻﺤﯿﺢ ﻧﺎﻣﻨﻔﯽ k iﺑﺎ ﺷﺮط ﺿﻤﻨﺎً ﻧﺘﯿﺠﻪ ﻣﯽﮔﯿﺮﯾﻢ ﺑﻪ ﺗﻌﺪاد
m
k 1 + k 2 + + k N = mوﺟﻮد دارد.
ﺳﺆال :اﮔﺮ اﻟﺰام ﺑﺪارﯾﻢ ﮐﻪ ﻫﯿﭻ ﯾﮏ از ﻇﺮﻓﻬﺎ ﻧﺒﺎﯾﺪ ﺧﺎﻟﯽ ﺑﻤﺎﻧﺪ ) ، (m ≥ Nﭼﻨﺪ ﺣﺎﻟﺖ ﺧﻮاﻫﯿﻢ داﺷﺖ؟
m-1ﺟﺎی ﺧﺎﻟﯽ اﮐﻨﻮن mﺗﻮپ دارﯾﻢ m − 1 .ﺗﺎ wرا ﺑﺎﯾﺪ از ﻣﯿﺎن N − 1ﺗﺎ ﻓﺎﺻﻠﮥ ﺑﯿﻦ ﺗﻮﭘﻬﺎ اﻧﺘﺨﺎب ﮐﺮد ﺗﺎ ﺑﯿﻦ ﻫﺮ دو w
b b b b m − 1
.
− ﺣﺪاﻗﻞ ﯾﮏ bﺑﺎﺷﺪ .ﭘﺲ ﺗﻌﺪاد ﺣﺎﻻت ﺑﺮاﺑﺮ ﻣﯽﺷﻮد ﺑﺎ :
↑ ↑ ↑ ↑ N 1
ww w
N-1ﺗﺎ w
34
اﯾﻦ ﻣﻌﺎدل اﺳﺖ ﺑﺎ:
m − 1
ﺑﺮدار Nﻋﻨﺼﺮی ) (k 1 , k 2 ,… , k Nﺑﺎ ﻋﻨﺎﺻﺮ ﺻﺤﯿﺢ ﻣﺜﺒﺖ i = 1, 2, …, N) kiو (ki > 0ﮐﻪ ﺑﻪ ﺗﻌﺪاد
N − 1
(m ≥ N ) k 1 + k 2 + + k N = mوﺟﻮد دارد.
ﻗﻀﯿﮥ دوﺟﻤﻠﻪای:
N
N k N −k
N
(x + y) = x y
k =0
∑
k
N
دﻟﯿﻞ وﺟﻮد ﺿﺮﯾﺐ
k
)ﻋﯿﻦ ﻣﺜﺎل ﻋﺪد ﺑﺎﯾﻨﺮی Nرﻗﻤﯽ(
n n − 1 n − 1
) = ﮐﺘﺎب راس ،ص 8و (9 + ﯾﺎ اﺛﺒﺎت ﺑﺎ اﺳﺘﻘﺮاء و ﺑﺎ اﺳﺘﻔﺎده از : 1 ≤ k ≤ n :
k
k − 1 k
N
∑
N
2 N
= k ﺣﺎﻟﺖ ﺧﺎص :اﮔﺮ x = y = 1ﺑﺎﺷﺪ ،دارﯾﻢ:
k =0
35
N
ﻣﺜﺎل :دﯾﺪﯾﻢ ﮐﻪ ﺗﻌﺪاد اﻋﺪاد ﺑﺎﯾﻨﺮی Nﺑﯿﺘﯽ ﮐﻪ mرﻗﻢ 1داﺷﺘﻪ ﺑﺎﺷﻨﺪ ،اﺳﺖ.
m
ﭘﺲ ﺗﻌﺪاد ﮐﻞ اﻋﺪاد ﺑﺎﯾﻨﺮی Nﺑﯿﺘﯽ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ:
N
N N
∑ =2
m =0
m
) 2 Nرا از راه دﯾﮕﺮی ﻫﻢ ﻣﯽﺗﻮاﻧﯿﺪ ﺑﻪ دﺳﺖ آورﯾﺪ(.
ﺗﻌﺪاد زﯾﺮﻣﺠﻤﻮﻋﻪﻫﺎﯾﯽ ﮐﻪ ﻋﻨﺼﺮ ﺧﺎﺻﯽ از Ωرا ﺷﺎﻣﻞ ﺑﺎﺷﻨﺪ )ﺗﻌﺪاد واﻗﻌﻪﻫﺎﯾﯽ ﮐﻪ ﻧﺘﯿﺠﮥ ﺧﺎﺻﯽ را ﺷﺎﻣﻞ ﺑﺎﺷﻨﺪ( 2 N −1اﺳﺖ .ﯾﻌﻨﯽ
در ﯾﮏ آزﻣﺎﯾﺶ ﯾﮏ ﻧﺘﯿﺠﻪ اﺗﻔﺎق ﻣﯽاﻓﺘﺪ ،وﻟﯽ 2 N −1واﻗﻌﻪ اﺗﻔﺎق ﻣﯽاﻓﺘﻨﺪ و 2 N −1واﻗﻌﻪ اﺗﻔﺎق ﻧﻤﯽاﻓﺘﻨﺪ.
36
ﺗﺮﮐﯿﺐ ﺗﻌﻤﯿﻢﯾﺎﻓﺘﻪ:
در ﺗﺮﮐﯿﺐ از Nﺷﯽء mﺗﺎ را اﻧﺘﺨﺎب ﻣﯽﮐﺮدﯾﻢ .در واﻗﻊ Nﺷﯽء را ﺑﻪ دو ﮔﺮوه mﺗﺎﯾﯽ و N − mﺗﺎﯾﯽ ﺗﻘﺴﯿﻢ ﻣﯽﮐﺮدﯾﻢ و
!N
C Nﻋﺒﺎرت ﺑﻮد از ﺗﻌﺪاد ﺣﺎﻻت ﻣﻤﮑﻨﻪ ﺑﺮای ﺗﻘﺴﯿﻢﺑﻨﺪی ﺑﻪ دو ﮔﺮوه .ﺣﺎل اﮔﺮ Nﺷﯽء داﺷﺘﻪ ﺑﺎﺷﯿﻢ و ﺑﺨﻮاﻫﯿﻢ آﻧﻬﺎ
m =
!) m!(N − m
را ﺑﻪ rﮔﺮوه ... ، A 1و A rﮐﻪ ﺑﻪ ﺗﺮﺗﯿﺐ ... ، m 1و m rﻋﻀﻮ داﺷﺘﻪ ﺑﺎﺷﻨﺪ ) (m 1 + + m r = Nﺗﻘﺴﯿﻢ ﮐﻨﯿﻢ ،ﺗﻌﺪاد ﺣﺎﻻت
ﻣﻤﮑﻨﻪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ:
N !N
= C N
m 1 ,m 2 ,…,m r =
m 1 , m 2 ,…, m r ! m 1!m 2 !…m r
در واﻗﻊ ﺑﺮای r = 2ﻫﻤﺎن ﻓﺮﻣﻮل ﺗﺮﮐﯿﺐ ﻗﺒﻠﯽ را ﺧﻮاﻫﯿﻢ داﺷﺖ .اﺛﺒﺎت دﯾﮕﺮ ﺑﺎ ﻧﮕﺎه ﺑﻪ ﺻﻮرت و ﻣﺨﺮج ﮐﺴﺮ ﻣﺸﺨﺺ اﺳﺖ .ﻫﻤﺎنﻃﻮر
ﮐﻪ ﺗﺮﮐﯿﺐ را ﻣﯽﺗﻮاﻧﺴﺘﯿﻢ ﺑﺮای وﻗﺘﯽ ﮐﻪ اﺷﯿﺎء دو ﮔﺮوه را ﻣﯽﺧﻮاﻫﯿﻢ ﺑﭽﯿﻨﯿﻢ اﺳﺘﻔﺎده ﮐﻨﯿﻢ ،در اﯾﻨﺠﺎ ﻧﯿﺰ وﻗﺘﯽ Nﺷﯽء ﻣﺎ rﮔﺮوه ﺑﺎﺷﻨﺪ
ﻗﺎﺑﻞ اﺳﺘﻔﺎده اﺳﺖ.
37
ﻣﺜﺎل 10 :ﺗﻮپ دارﯾﻢ2 .ﺗﺎ ﻗﺮﻣﺰ3 ،ﺗﺎ ﺳﻔﯿﺪ و 5ﺗﺎ ﺳﯿﺎه .ﺑﻪ ﭼﻨﺪ ﻃﺮﯾﻖ ﻣﯽﺗﻮان آﻧﻬﺎ را در ﯾﮏ ﺧﻂ ﭼﯿﺪ )ﯾﺎ در 10ﺟﻌﺒﻪ ﻗﺮار داد(؟
! 10 10
=
! 2,3,5 2!3!5
38
ﻗﻀﯿﮥ ﭼﻨﺪﺟﻤﻠﻪای:
N
N k1 k2
(x 1 + x 2 + N
= ) + xr ∑
k 1 ,k 2 ,…,k r =0
k ,
1 2 k ,…, k
x 1 x 2
r
x kr r
k 1 + k 2 + + k r =N
ﻣﺜﺎل :ﮐﻼﺳﯽ 20ﻧﻔﺮ داﻧﺸﺠﻮ دارد .ﺑﺎﯾﺪ 3ﻧﻔﺮ ﺑﺮای رواﺑﻂ ﻋﻤﻮﻣﯽ 7 ،ﻧﻔﺮ ﺑﺮای ﻫﻤﮑﺎری ﺑﺎ اﻣﻮر داﻧﺸﺠﻮﯾﯽ )و 10ﻧﻔﺮ ﺑﺮای ﻫﻤﮑﺎری ﺑﺎ
اﻣﻮر آﻣﻮزﺷﯽ( اﻧﺘﺨﺎب ﺷﻮﻧﺪ .ﺗﻌﺪاد ﺣﺎﻻت ﻣﻤﮑﻨﻪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ:
20 !20
=
! 3,7 ,10 10!7!3
ﺗﺎ اﯾﻨﺠﺎ دﯾﺪﯾﻢ ﮐﻪ ﭼﮕﻮﻧﻪ ﺗﻌﺪاد ﻧﻘﺎط را ﺣﺴﺎب ﮐﻨﯿﻢ .ﺣﺎل در ﻣﺜﺎﻟﻬﺎﯾﯽ اﺣﺘﻤﺎل را ﺣﺴﺎب ﻣﯽﮐﻨﯿﻢ )آزﻣﺎﯾﺸﻬﺎی ﺑﺎ ﻧﺘﺎﯾﺞ ﻫﻢاﺣﺘﻤﺎل(.
39
ﻣﺜﺎﻟﻬﺎﯾﯽ از ﺗﻌﯿﯿﻦ اﺣﺘﻤﺎل واﻗﻌﻪﻫﺎ در آزﻣﺎﯾﺸﻬﺎی ﺑﺎ ﻧﺘﺎﯾﺞ ﻫﻢاﺣﺘﻤﺎل
ﻣﺜﺎل :1اﮔﺮ ﯾﮏ ﺳﮑﻪ را 10ﺑﺎر ﭘﺮﺗﺎب ﮐﻨﯿﻢ ،اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﺣﺪاﮐﺜﺮ 3ﺑﺎر ﺷﯿﺮ ﺑﯿﺎﯾﺪ ﭼﻘﺪر اﺳﺖ؟
ﻣﺠﻤﻮﻋﮥ ،Ωﻣﺠﻤﻮﻋﮥ 10ﺗﺎﯾﯽﻫﺎی ﻣﺮﺗﺒﯽ اﺳﺖ ﮐﻪ ﻫﺮ ﻋﻀﻮ اﯾﻦ 10ﺗﺎﯾﯽﻫﺎی ﻣﺮﺗﺐ ﻣﯽﺗﻮاﻧﺪ Hﯾﺎ Tﺑﺎﺷﺪ.
}Ω = {HHH H,…, TTT T
Ωدارای 210ﻋﻀﻮ اﺳﺖ .ﻓﺮض ﻣﯽﮐﻨﯿﻢ اﯾﻦ 210ﻋﻀﻮ ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﺑﺎﺷﻨﺪ )ﺳﮑﻪ ﺳﺎﻟﻢ ﺑﺎﺷﺪ و ﭘﺮﺗﺎﺑﻬﺎ ﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ(.
= 210ﮐﻞ ﺣﺎﻻت ﻣﻤﮑﻨﻪ
واﻗﻌﮥ :Aﺣﺪاﮐﺜﺮ 3ﺑﺎر ﺷﯿﺮ ﺑﯿﺎﯾﺪ.
اﯾﻦ واﻗﻌﻪ اﺟﺘﻤﺎع ﭼﻬﺎر واﻗﻌﮥ ﻏﯿﺮﻣﺘﻼﻗﯽ اﺳﺖ:
واﻗﻌﮥ :A3دﻗﯿﻘﺎً 3ﺑﺎر ﺷﯿﺮ ﺑﯿﺎﯾﺪ .واﻗﻌﮥ :A2دﻗﯿﻘﺎً 2ﺑﺎر ﺷﯿﺮ ﺑﯿﺎﯾﺪ .واﻗﻌﮥ :A1دﻗﯿﻘﺎً 1ﺑﺎر ﺷﯿﺮ ﺑﯿﺎﯾﺪ .واﻗﻌﮥ :A0اﺻﻼً ﺷﯿﺮ ﻧﯿﺎﯾﺪ.
10
ﺗﻌﺪاد ﻋﻨﺎﺻﺮ = A3و ﺑﻪ ﻫﻤﯿﻦ ﺗﺮﺗﯿﺐ ﺗﻌﺪاد ﻋﻨﺎﺻﺮ A1 ،A2و A0ﻧﯿﺰ ﺑﻪ دﺳﺖ ﻣﯽآﯾﺪ:
3
10 10 10 10
+ + +
0 1 2 3 176
P (A ) = P (A 0 ) + P (A 1 ) + P (A 2 ) + P (A 3 ) = 10 = 10 = 0.1719
2 2
40
ﻣﺜﺎل :2ﺑﻪ ﻃﻮر ﮐﺎﻣﻼً ﺗﺼﺎدﻓﯽ mﺗﻮپ را در nﺟﻌﺒﻪ ﻗﺮار ﻣﯽدﻫﯿﻢ ) ) . (n ≥ mاﺣﺘﻤﺎل ﻗﺮار ﮔﺮﻓﺘﻦ ﻫﺮ ﯾﮏ از ﺗﻮﭘﻬﺎ در ﺟﻌﺒﻪﻫﺎی
ﻣﺨﺘﻠﻒ ﻣﺴﺎوی اﺳﺖ و ﺣﺘﻤﺎً ﻫﻢ در ﯾﮑﯽ از ﺟﻌﺒﻪﻫﺎ ﻗﺮار ﻣﯽﮔﯿﺮد(.
اﺣﺘﻤﺎل اﯾﻨﮑﻪ اﯾﻦ mﺗﻮپ در mﺟﻌﺒﮥ ﻣﻮرد ﻧﻈﺮ )ﯾﮑﯽ در ﻫﺮ ﺟﻌﺒﻪ( ﻗﺮار ﺑﮕﯿﺮﻧﺪ ﭼﯿﺴﺖ؟
اﻟﻒ( اﮔﺮ ﻫﺮ ﺟﻌﺒﻪ ﮔﻨﺠﺎﯾﺶ ﻓﻘﻂ ﯾﮏ ﺗﻮپ را داﺷﺘﻪ ﺑﺎﺷﺪ؛
ﻓﺮﻗﯽ ﻧﻤﯽﮐﻨﺪ ﭼﻪ ﺗﻮﭘﻬﺎ را ﻣﺘﻤﺎﯾﺰ ﺑﮕﯿﺮﯾﻢ و ﭼﻪ ﻏﯿﺮﻣﺘﻤﺎﯾﺰ )ﻓﻠﺴﻔﺘﺎً ﭼﻪ ﻓﺮﻗﯽ ﻣﯽﮐﻨﺪ؟(
n
ﮐﻞ ﺣﺎﻻت ﻣﻤﮑﻨﮥ ﻗﺮار ﮔﺮﻓﺘﻦ mﺗﻮپ در nﺟﻌﺒﻪ :ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل .1ﺗﻮﭘﻬﺎ ﻏﯿﺮﻣﺘﻤﺎﯾﺰ:
m
ﺣﺎﻟﺖ ﻣﻮرد ﻧﻈﺮ mﺗﻮپ در mﺟﻌﺒﮥ ﺧﺎص1 :
1 !) m !(n − m
=P =
n !n
m
ﺣﺎﻻت ﻣﻤﮑﻨﻪ Pmn :ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل )ﺗﺮﺗﯿﺐ :ﺣﺎﻻت ﻣﻤﮑﻦ ﺑﺮای اﯾﻨﮑﻪ از nﺷﯽء ﻣﺘﻤﺎﯾﺰ mﺗﺎ را .2ﺗﻮﭘﻬﺎ ﻣﺘﻤﺎﯾﺰ:
اﻧﺘﺨﺎب ﮐﻨﯿﻢ ﺑﺎ ﻣﻬﻢ ﺑﻮدن ﺗﺮﺗﯿﺐ(
ﺣﺎﻻت ﻣﻮرد ﻧﻈﺮm! :
!) m ! m !( n − m
=P =
Pmn !n
41
ب( اﮔﺮ ﮔﻨﺠﺎﯾﺶ ﺟﻌﺒﻪ ﻣﺤﺪود ﻧﺒﺎﺷﺪ )در ﻫﺮ ﺟﻌﺒﻪ ﻫﺮ ﺗﻌﺪاد ﺗﻮپ ﻣﻤﮑﻦ اﺳﺖ ﻗﺮار ﮔﯿﺮد(؛
ﺑﺎز ﻫﻢ ﻓﺮﻗﯽ ﻧﻤﯽﮐﻨﺪ ﺗﻮﭘﻬﺎ را ﻣﺘﻤﺎﯾﺰ ﺑﮕﯿﺮﯾﻢ ﯾﺎ ﻏﯿﺮﻣﺘﻤﺎﯾﺰ؛ وﻟﯽ دﻗﺖ ﮐﻨﯿﺪ ﮐﻪ ﭼﻪ ﭼﯿﺰی را ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﻣﯽﮔﯿﺮﯾﺪ.
ﺣﺎﻻت ﻣﻤﮑﻨﻪ n m :ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل )ﺑﺮای ﻫﺮ ﺗﻮپ nﺣﺎﻟﺖ دارﯾﻢ( .1ﺗﻮﭘﻬﺎ ﻣﺘﻤﺎﯾﺰ:
ﺣﺎﻻت ﻣﻮرد ﻧﻈﺮm! :
!m
=P
nm
n + m − 1
m ﺣﺎﻻت ﻣﻤﮑﻨﻪ )ﺗﺮﺗﯿﺐ ﻣﻬﻢ ﻧﯿﺴﺖ ،ﺗﮑﺮار ﻣﺠﺎز اﺳﺖ( : .2ﺗﻮﭘﻬﺎ ﻏﯿﺮﻣﺘﻤﺎﯾﺰ:
ﺣﺎﻻت ﻣﻮرد ﻧﻈﺮ1 :
1
=P
n + m − 1
m
42
n + m − 1
m اﯾﻦ ﺟﻮاب ﺑﺎ ﻣﻔﺮوﺿﺎت ﻣﺴﺄﻟﻪ )ﮐﻪ اﺣﺘﻤﺎل ﻗﺮار ﮔﺮﻓﺘﻦ ﻫﺮ ﺗﻮپ در ﺟﻌﺒﻪﻫﺎی ﻣﺨﺘﻠﻒ ﻣﺴﺎوی اﺳﺖ( ﻏﻠﻂ اﺳﺖ ،زﯾﺮا
ﺣﺎﻟﺖ ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﻧﯿﺴﺘﻨﺪ .ﻣﺜﻼً اﮔﺮ n = 2و ،m = 2ﮔﺮ ﭼﻪ ﺳﻪ ﺣﺎﻟﺖ دارﯾﻢ 11 :و 02و 20؛ وﻟﯽ اﯾﻦ ﺳﻪ ﺣﺎﻟﺖ
1 2
ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﻧﯿﺴﺘﻨﺪ و اﺣﺘﻤﺎل وﻗﻮع ،11اﺳﺖ و ﻧﻪ .
3 4
ﻣﮕﺮ اﯾﻨﮑﻪ ﺻﻮرت ﻣﺴﺄﻟﻪ ﻃﻮری ﺑﺎﺷﺪ ﮐﻪ اﯾﻦ ﺣﺎﻻت ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﻓﺮض ﺷﺪه ﺑﺎﺷﻨﺪ.
)ﭘﺲ از ﻣﺘﻤﺎﯾﺰ ﮔﺮﻓﺘﻦ ﻫﯿﭻ وﻗﺖ ﺿﺮر ﻧﻤﯽﮐﻨﯿﺪ(.
43
ﻣﺜﺎل :3ﺟﻌﺒﻪای ﺷﺎﻣﻞ 60ﺗﻮپ ﻗﺮﻣﺰ و 40ﺗﻮپ ﺳﯿﺎه اﺳﺖ 20 .ﺗﻮپ از اﯾﻦ ﺟﻌﺒﻪ ﺑﻪ ﻃﻮر ﮐﺎﻣﻼً ﺗﺼﺎدﻓﯽ اﻧﺘﺨﺎب ﻣﯽﮐﻨﯿﻢ )ﺑﺪون
ﺟﺎﯾﮕﺰﯾﻨﯽ( .اﺣﺘﻤﺎل اﯾﻨﮑﻪ 15ﺗﺎ از اﯾﻦ ﺗﻮﭘﻬﺎ ﻗﺮﻣﺰ و 5ﺗﺎ ﺳﯿﺎه ﺑﺎﺷﻨﺪ ﭼﯿﺴﺖ؟
)راه ﻏﻠﻂ :ﺗﻌﺪاد ﺣﺎﻻت ﻣﻤﮑﻨﻪ 21 :ﺣﺎﻟﺖ ،ﺗﻌﺪاد ﺣﺎﻻت ﻣﻄﻠﻮب 1 :ﺣﺎﻟﺖ .وﻟﯽ اﯾﻦ 21ﺣﺎﻟﺖ ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﻧﯿﺴﺘﻨﺪ(.
44
اﮔﺮ ﺗﻮﭘﻬﺎ را ﻣﺘﻤﺎﯾﺰ ﺑﮕﯿﺮﯾﻢ ،ﺧﻮاﻫﯿﻢ داﺷﺖ:
100 !100
P20 = ﺗﻌﺪاد ﺣﺎﻻت ﻣﻤﮑﻨﻪ:
!80
60 40 20 !20! 40! 60
20! = P540P1560
= ﺗﻌﺪاد ﺣﺎﻻت ﻣﻄﻠﻮب:
15 5 5 !15!5! 35! 45
ﮐﻪ ﺣﺎﺻﻞ ﺗﻘﺴﯿﻢ ﻫﻤﺎن ﻋﺪد ﻗﺒﻠﯽ ﺧﻮاﻫﺪ ﺑﻮد.
ﺑﺮای ﻣﺤﺎﺳﺒﮥ ﺗﻘﺮﯾﺒﯽ ﻓﺎﮐﺘﻮرﯾﻞﻫﺎی ﺑﺰرگ ﻣﯽﺗﻮاﻧﯿﺪ از ﻓﺮﻣﻮل اﺳﺘﺮﻟﯿﻨﮓ ) (Stirling’s Formulaاﺳﺘﻔﺎده ﮐﻨﯿﺪ:
ﺑﺮای nﺑﺰرگ n ! n n e − n 2 πn :
)ﺑﺮای n = 10ﺧﻄﺎ ﮐﻤﺘﺮ از %1اﺳﺖ(
45
ﻣﺜﺎل :4ﻣﺴﺄﻟﮥ ﺳﻮزن (1777) Buffon
ﺳﻮزﻧﯽ ﺑﻪ ﻃﻮل Lرا روی ﮐﺎﻏﺬی ﺧﻂﮐﺸﯽ ﺷﺪه ﮐﻪ ﻓﺎﺻﻠﮥ ﺧﻄﻮط آن d > Lاﺳﺖ ﻣﯽاﻧﺪازﯾﻢ .اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﺳﻮزن ﺧﻄﯽ را
ﻗﻄﻊ ﮐﻨﺪ ﭼﯿﺴﺖ؟ ﺑﺎ ﻓﺮض اﯾﻨﮑﻪ ﮐﻠﯿﮥ ﻣﮑﺎﻧﻬﺎی ﻣﺮﮐﺰ ﺳﻮزن و ﮐﻠﯿﮥ ﺟﻬﺘﻬﺎی ﻗﺮار ﮔﺮﻓﺘﻦ ﺳﻮزن ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﺑﺎﺷﻨﺪ.
d
x > xﺧﻂ دﯾﮕﺮ ﻧﺰدﯾﮑﺘﺮ ﺧﻮاﻫﺪ ﺑﻮد و ﻣﺴﺄﻟﻪ ﻋﯿﻨﺎً ﺗﮑﺮار ﻣﯽﺷﻮد( و ﻣﻘﺎدﯾﺮ ﻣﻤﮑﻨﻪ ﺑﺮای φﻋﺒﺎرت اﺳﺖ از. 0 < ϕ < π : )ﺑﺮای
2
d ﯾﻌﻨﯽ اﺣﺘﻤﺎل را ﺑﺎﯾﺪ روی اﯾﻦ ﺳﻄﺢ ﺣﺴﺎب ﮐﻨﯿﻢ:
2
x = L2 sin ϕ
Ω
D
π φ
46
∫∫
ﺗﻌﺪاد ﻧﻘﺎط ﻣﻄﻠﻮب
=P = ( α(x, ϕ)dxdϕ )
ﺗﻌﺪاد ﮐﻞ ﻧﻘﺎط
D
1
= )α( x, ϕ
π d2
π
1 11 L 2L
=⇒P ∫∫
D
π d2
dxdϕ = ∫
π d2 0 2
sin ϕdϕ =
πd
ﺟﺎﻟﺐ اﺳﺖ ﮐﻪ ﺑﺮای Lو dﻣﺸﺨﺺ ﺑﻪ اﯾﻦ ﺗﺮﺗﯿﺐ ﻣﯽﺗﻮان ﺑﻪ روش آﻣﺎری πرا ﺗﺨﻤﯿﻦ زد! )روش ﻣﻮﻧﺖ ﮐﺎرﻟﻮ(
47
اﺣﺘﻤﺎل ﺷﺮﻃﯽ:
اﮔﺮ Mواﻗﻌﻪای در Ωﺑﺎﺷﺪ ﮐﻪ ، P (M ) ≠ 0دارﯾﻢ:
) P (A ∩ M
) P (A | M
) P (M
ﺗﻌﺒﯿﺮ ﺗﺠﺮﺑﯽ )ﻓﺮاواﻧﯽ ﻧﺴﺒﯽ( :اﮔﺮ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ nﺑﺎر اﻧﺠﺎم ﺷﻮد ،دارﯾﻢ:
nA ∩M
) P (A ∩ M n A ∩M
= n
nM
=
) P (M n
nM
ﺑﻪ اﯾﻦ ﻣﻌﻨﯽ ﮐﻪ در nMﺑﺎری ﮐﻪ واﻗﻌﮥ Mاﺗﻔﺎق اﻓﺘﺎده ،ﻓﺮاواﻧﯽ ﻧﺴﺒﯽ )ﻣﯿﺰان ﺗﮑﺮار ﻧﺴﺒﯽ( وﻗﻮع Aﭼﻘﺪر اﺳﺖ .ﯾﻌﻨﯽ اﮔﺮ ﮐﻠﯿﮥ
آزﻣﺎﯾﺸﻬﺎﯾﯽ ﮐﻪ Mدر آﻧﻬﺎ اﺗﻔﺎق ﻧﯿﻔﺘﺎده را دور ﺑﺮﯾﺰﯾﻢ ،ﻓﺮاواﻧﯽ ﻧﺴﺒﯽ Aاﯾﻨﻘﺪر ﺑﻮده اﺳﺖ.
) P(A|Mرا ﺑﻪ ﺻﻮرت ﻧﺴﺒﺖ دو اﺣﺘﻤﺎل ﺗﻌﺮﯾﻒ ﮐﺮدﯾﻢ .اﻣﺎ از ﮐﺠﺎ ﻣﻌﻠﻮم ﮐﻪ اﯾﻦ ﻫﻢ ﯾﮏ اﺣﺘﻤﺎل ﺑﺎﺷﺪ؟ )اﮔﺮ ﭼﻪ از ﻧﻈﺮ ﺗﻌﺒﯿﺮ
ﻓﺮﮐﺎﻧﺲ ﻧﺴﺒﯽ اﺣﺘﻤﺎل اﺳﺖ ،اﻣﺎ ﺑﺎﯾﺪ ﺗﻮﺳﻂ اﺻﻮﻟﻤﺎن اﯾﻦ اﻣﺮ را ﻧﺸﺎن دﻫﯿﻢ( ﺑﺮای اﯾﻦ ﻣﻨﻈﻮر ﺑﺎﯾﺪ ﻧﺸﺎن دﻫﯿﻢ ﮐﻪ در اﺻﻮل ﺳﻪﮔﺎﻧﻪ
ﺻﺪق ﻣﯽﮐﻨﺪ.
48
(1
) P (A ∩ M
= ) P (A | M ≥0
) P (M
(2
) P (Ω ∩ M ) P ( M
= ) P (Ω | M = =1
) P (M ) P (M
(3اﮔﺮ ∅ = ، A ∩ Bدارﯾﻢ:
) P[(A ∪ B) ∩ M ] P[(A ∩ M ) ∪ (B ∩ M )] P (A ∩ M ) P (B ∩ M
= ) P (A ∪ B | M = = +
) P (M ) P (M ) P (M ) P (M
) = P (A | M ) + P (B | M
ﻟﺬا اﺣﺘﻤﺎﻟﻬﺎی ﺷﺮﻃﯽ ﻫﻤﮥ ﺧﺼﻮﺻﯿﺎت ﯾﮏ اﺣﺘﻤﺎل ﻣﻌﻤﻮﻟﯽ را دارا ﻣﯽﺑﺎﺷﻨﺪ و در ﺗﻤﺎم ﻗﻀﺎﯾﺎﯾﯽ ﮐﻪ اﺛﺒﺎت ﺷﺪ ﺻﺪق ﻣﯽﮐﻨﻨﺪ.
ﻣﺜﻼً دارﯾﻢP (A c | M ) = 1 − P (A | M ) :
49
اﮔﺮ P (A ) ≠ 0ﺑﺎﺷﺪ ،از ﺗﻌﺮﯾﻒ اﺣﺘﻤﺎل ﺷﺮﻃﯽ دارﯾﻢ:
) P (AB) = P (A )P (B | A
50
ﻣﺜﺎل :1در آزﻣﺎﯾﺶ اﻧﺪاﺧﺘﻦ ﺗﺎس اﮔﺮ ﺑﺪاﻧﯿﻢ ﮐﻪ ﺗﺎس زوج آﻣﺪه اﺳﺖ ،اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﮐﻮﭼﮑﺘﺮ از 4ﺑﺎﺷﺪ ﭼﯿﺴﺖ؟
} } = {1, 2, 3ﮐﻮﭼﮑﺘﺮ از A = { 4
} } = {2, 4, 6زوج { = B
} ⇒ A ∩ B = {2
1
)P (A ∩ B 1
= )⇒ P (A | B = 6
3
= ﻓﻀﺎی ﻧﻤﻮﻧﻪ ﮐﺎﻫﺶ ﯾﺎﻓﺘﻪ →
)P (B 6
3
3 1
= ) ، P (Aﯾﻌﻨﯽ ) P(A|Bﮐﻤﺘﺮ از ) P(Aاﺳﺖ )واﻗﻌﮥ Bاﻃﻼﻋﺎت ﻣﻨﻔﯽ در ﻣﻮرد وﻗﻮع Aدارد(. در ﺣﺎﻟﯽ ﮐﻪ =
6 2
51
−αt 2
eاﺳﺖ .اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﺑﯿﻦ ﻟﺤﻈﺎت t1و t2ﺧﺮاب ﺷﻮد ﭼﻪ ﺧﻮاﻫﺪ ﻣﺜﺎل :2اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﺧﺮاﺑﯽ دﯾﻮد ﭘﺲ از ﻟﺤﻈﮥ tاﺗﻔﺎق ﺑﯿﻔﺘﺪ
ﺑﻮد اﮔﺮ ﺑﺪاﻧﯿﻢ ﮐﻪ ﺗﺎ ﻟﺤﻈﮥ Tﮐﻪ T < t1 < t2درﺳﺖ ﮐﺎر ﻣﯽﮐﺮده اﺳﺖ؟
آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ :ﺧﺮاب ﺷﺪن دﯾﻮد
زﻣﺎن ﺧﺮاﺑﯽ Ω = {t : 0 ≤ t < ∞} → t :
2
P ({τ ≤ t < ∞}) = e −ατ
}∞ < A = {t 1 < t < t 2 } = {t 1 < t < ∞} − {t 2 ≤ t
}∞ < M = {T ≤ t
2 2
P (A ∩ M ) P (A ) e −αt1 − e −αt 2
= ) P (A | M = = 2
) P (M ) P (M e −αT
ﯾﻌﻨﯽ ) P(A|Mﺑﺰرﮔﺘﺮ از ) P(Aاﺳﺖ )واﻗﻌﮥ Mاﻃﻼﻋﺎت ﻣﺜﺒﺖ در ﻣﻮرد وﻗﻮع واﻗﻌﮥ Aدارد(.
52
ﻣﺜﺎل :3ﻣﺆﺳﺴﻪای ﮐﻪ در آن آﻗﺎی xﮐﺎر ﻣﯽﮐﻨﺪ ﯾﮏ ﻣﻬﻤﺎﻧﯽ ﺷﺎم ﺑﺮای ﮐﺎرﻣﻨﺪاﻧﯽ ﮐﻪ ﺣﺪاﻗﻞ ﯾﮏ ﭘﺴﺮ داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﺗﺮﺗﯿﺐ داده اﺳﺖ.
اﮔﺮ ﺑﺪاﻧﯿﻢ ﮐﻪ آﻗﺎی xدو ﻓﺮزﻧﺪ دارد و ﺑﻪ ﻣﻬﻤﺎﻧﯽ دﻋﻮت ﺷﺪه اﺳﺖ ،اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﻫﺮ دو ﻓﺮزﻧﺪ او ﭘﺴﺮ ﺑﺎﺷﻨﺪ ﭼﻘﺪر اﺳﺖ؟
}) Ω = {(b, b),(b, g ),(g , b),(g , g
53
ﻣﺜﺎل :4ﻇﺮﻓﯽ دارای 8ﺗﻮپ ﻗﺮﻣﺰ و 4ﺗﻮپ ﺳﻔﯿﺪ اﺳﺖ .دو ﺗﻮپ )ﺑﺪون ﺟﺎﯾﮕﺬاری( اﻧﺘﺨﺎب ﻣﯽﮐﻨﯿﻢ .اﮔﺮ اﻧﺘﺨﺎب ﻫﺮ ﯾﮏ از ﺗﻮﭘﻬﺎ
ﻫﻢﺷﺎﻧﺲ ﺑﺎﺷﺪ اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﻫﺮ دو ﺗﻮپ اﻧﺘﺨﺎﺑﯽ ﻗﺮﻣﺰ ﺑﺎﺷﻨﺪ ﭼﯿﺴﺖ؟
P28 + P28 ﻗﺒﻼً ﺑﻪ دﺳﺖ آورده ﺑﻮدﯾﻢ(82 ) :
) (122
؛ 12
ﯾﺎ
P2
ﻧﻘﺎط Ωرا ﺗﻮﭘﻬﺎی داﺧﻞ ﻇﺮف ﻣﯽﮔﯿﺮﯾﻢ.
8
ﻗﺮﻣﺰ ﺑﻮدن ﺗﻮپ اول R1 : = ) ⇒ P (R 1
12
7
ﻗﺮﻣﺰ ﺑﻮدن ﺗﻮپ دوم R2 : = ) ⇒ P (R 2 | R 1
11
8 7
= ) ⇒ P (R 1R 2 × = 0.424
12 11
اﺣﺘﻤﺎل ﺷﺮﻃﯽ را ﺑﻪ ﻋﻨﻮان اﺑﺰاری ﺑﺮای ﻣﺤﺎﺳﺒﮥ اﺣﺘﻤﺎل ﭘﯿﺸﺎﻣﺪﻫﺎ ﻣﯽﺗﻮان اﺳﺘﻔﺎده ﮐﺮد.
54
ﻗﻀﯿﮥ اﺣﺘﻤﺎل ﮐﻞ ):(Total Probability Theorem
اﮔﺮ i = 1, 2, …, mو Biﻫﺎ اﻓﺮازی از Ωﺑﺎﺷﻨﺪ ،ﺑﺮای ﻫﺮ واﻗﻌﮥ دﻟﺨﻮاه Aاز Ωدارﯾﻢ:
m
= ) P (A ∑=
i 1
) P (A | Bi )P (Bi
اﺛﺒﺎت:
m m m
( ∩ P (A ) = P (A ∩ Ω) = P (A ) ∪ B )) = P[∪ (A ∩ B )] = ∑ P(A ∩ B
i i
i =1
i
i =1 i =1
m
= ) ∑ P(A | B )P(B
i =1
i i
از اﯾﻦ ﻗﻀﯿﻪ ﺑﺮای ﻣﺤﺎﺳﺒﮥ اﺣﺘﻤﺎل ﯾﮏ واﻗﻌﻪ ) ) ( P(Aﮐﻪ اﺣﺘﻤﺎلﻫﺎی ﻣﺸﺮوط آن ) ) ( P(A|Biداده ﺷﺪه اﺳﺘﻔﺎده ﻣﯽﮐﻨﯿﻢ.
ﯾﻌﻨﯽ ) P(Aﻣﺘﻮﺳﻂ وزندادهﺷﺪﻫﺎی از )P(A|Biﻫﺎ اﺳﺖ ﮐﻪ ﻣﻘﺪار وزن ) P(Biاﺳﺖ.
55
ﻣﺜﺎل :دو ﺟﻌﺒﻪ دارﯾﻢ .ﺟﻌﺒﮥ اول ﺷﺎﻣﻞ 2ﺗﺎ ﺗﺮاﻧﺰﯾﺴﺘﻮر ﺧﺮاب و 8ﺗﺎ ﺳﺎﻟﻢ اﺳﺖ .ﺟﻌﺒﮥ دوم ﺷﺎﻣﻞ 9ﺗﺎ ﺗﺮاﻧﺰﯾﺴﺘﻮر ﺧﺮاب و 6ﺗﺎ ﺳﺎﻟﻢ
اﺳﺖ .ﺑﻪ ﻃﻮر ﺗﺼﺎدﻓﯽ ﯾﮑﯽ از ﺟﻌﺒﻪﻫﺎ را اﻧﺘﺨﺎب ﻣﯽﮐﻨﯿﻢ و از ﺟﻌﺒﮥ اﻧﺘﺨﺎب ﺷﺪه ﺑﻪ ﻃﻮر ﺗﺼﺎدﻓﯽ ﯾﮏ ﺗﺮاﻧﺰﯾﺴﺘﻮر ﺑﺮﻣﯽدارﯾﻢ .اﺣﺘﻤﺎل
اﯾﻨﮑﻪ ﺗﺮاﻧﺰﯾﺴﺘﻮر اﻧﺘﺨﺎب ﺷﺪه ﺧﺮاب ﺑﺎﺷﺪ ﭼﻘﺪر اﺳﺖ؟
ﻧﻘﺎط Ωﻋﺒﺎرت اﺳﺖ از ﺗﺮاﻧﺰﯾﺴﺘﻮرﻫﺎی ﻣﻮﺟﻮد در دو ﺟﻌﺒﻪ
واﻗﻌﮥ B2ﻋﺒﺎرت اﺳﺖ از 15ﺗﺮاﻧﺰﯾﺴﺘﻮر ﺟﻌﺒﮥ دوم واﻗﻌﮥ B1ﻋﺒﺎرت اﺳﺖ از 10ﺗﺮاﻧﺰﯾﺴﺘﻮر ﺟﻌﺒﮥ اول
واﻗﻌﮥ ﺳﺎﻟﻢ ﺷﺎﻣﻞ 14ﺗﺮاﻧﺰﯾﺴﺘﻮر ﺳﺎﻟﻢ اﺳﺖ واﻗﻌﮥ ﺧﺮاب ) (Dﻋﺒﺎرت اﺳﺖ از 11ﺗﺮاﻧﺰﯾﺴﺘﻮر ﺧﺮاب
ﻃﺒﻖ ﻣﻔﺮوﺿﺎت ﻣﺴﺄﻟﻪ دارﯾﻢ:
1
= ) P (B 1 ) = P ( B 2
2
2 9
= ) P (D | B 1 = ) , P (D | B 2
10 15
ﺑﺎﯾﺪ ) P(Dرا ﺑﻪ دﺳﺖ آورﯾﻢ:
1 2 1 9 Ω
P (D) = P (B1 )P (D | B1 ) + P (B 2 )P (D | B 2 ) = × + × = 0.4
2 10 2 15 B1 B2
D
2d 9d
8g 6g
56
در ﺑﺮﺧﯽ ﻣﻮارد )P(A|Biﻫﺎ داده ﺷﺪه و ﻣﺎ ﻃﺎﻟﺐ )P(Bi|Aﻫﺎ ﻫﺴﺘﯿﻢ .در اﯾﻦ ﺻﻮرت از ﻗﻀﯿﮥ ﺑِﯿﺰ ﮐﻤﮏ ﻣﯽﮔﯿﺮﯾﻢ.
ﻗﻀﯿﮥ ﺑﯿﺰ ﮐﺎرﺑﺮد ﺑﺴﯿﺎر زﯾﺎدی در آﻣﺎر ،ﺗﺨﻤﯿﻦ و آﺷﮑﺎرﺳﺎزی دارد و در ﺗﺤﻠﯿﻞ ﻧﺤﻮه ﯾﺎ ﻋﻠﺖ وﻗﻮع واﻗﻌﻪﻫﺎی اﻧﺠﺎم ﺷﺪه از آن اﺳﺘﻔﺎده
ﻣﯽﺷﻮد.
57
ﻣﺜﺎل :1در ﻣﺜﺎل ﭘﯿﺶ اﮔﺮ ﺗﺮاﻧﺰﯾﺴﺘﻮر اﻧﺘﺨﺎب ﺷﺪه ﺧﺮاب ﺑﺎﺷﺪ اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﻣﺘﻌﻠﻖ ﺑﻪ ﺟﻌﺒﮥ دوم ﺑﺎﺷﺪ ﭼﻘﺪر اﺳﺖ؟
) P(Dرا ﻗﺒﻼً ﺣﺴﺎب ﮐﺮدﯾﻢ .ﭘﺲ دارﯾﻢ:
9
P (D | B 2 )P (B 2 ) 15 × 21 3
= ) P (B 2 | D = =
) P (D 0.4 4
2
10 D درﺧﺖ اﺣﺘﻤﺎل )دﯾﺎﮔﺮام درﺧﺘﯽ(:
ﺟﻌﺒﮥ اول B1 ) P (D | B 2 ) P (B 2 9
×1 3
1
8
= ) P (B 2 | D = 15 2
=
2
10 G ) P (D 9
× 1 + 10
15 2
2 ×1
2
4
9
1 15 D
2
ﺟﻌﺒﮥ دوم B2
6
15 G
58
3 1
.( 1 − ﺿﻤﻨﺎً ﺗﻮﺟﻪ ﮐﻨﯿﺪ ﮐﻪ) P (B1 | D) = :ﯾﻌﻨﯽ
4 4
m
. ∑=
i 1
اﺻﻮﻻً اﮔﺮ i = 1, 2, …, mو Bﻫﺎ اﻓﺮازی از Ωﺑﺎﺷﻨﺪ ،دارﯾﻢP (Bi | A ) = 1 :
i
ﺗﻮﺟﻪ ﮐﻨﯿﺪ ﮐﻪ اﮔﺮ ﺟﺎی ﺷﺮط و ﻣﺸﺮوط را ﻋﻮض ﮐﻨﯿﺪ اﯾﻦ راﺑﻄﻪ دﯾﮕﺮ ﺻﺎدق ﻧﯿﺴﺖ.
ﭼﻪ در ﻗﻀﯿﮥ اﺣﺘﻤﺎل ﮐﻞ و ﭼﻪ در ﻗﻀﯿﮥ ﺑﯿﺰ اﮔﺮ Biﻫﺎ اﻓﺮازی از واﻗﻌﮥ Aﯾﺎ واﻗﻌﮥ ﺷﺎﻣﻞ واﻗﻌﮥ Aﺑﺎﺷﻨﺪ ﻧﯿﺰ ﻗﻀﺎﯾﺎ ﺻﺎدق ﺧﻮاﻫﻨﺪ ﺑﻮد.
59
ﻣﺜﺎل :2ﮐﺎﻧﺎل ﻣﺨﺎﺑﺮاﺗﯽ دﯾﺠﯿﺘﺎل
ﻓﺮﺳﺘﻨﺪه ﮐﺎﻧﺎل ﮔﯿﺮﻧﺪه
ﭘﯿﻐﺎم ﺑﻪ ﺻﻮرت ﺑﺎﯾﻨﺮی ﮐﺪ ﺷﺪه و ارﺳﺎل ﻣﯽﺷﻮد و اﺣﺘﻤﺎل ارﺳﺎل ﺻﻔﺮ ) pو اﺣﺘﻤﺎل ارﺳﺎل ﯾﮏ 1-pاﺳﺖ(.
وﻟﯽ ﺑﻪ دﻟﯿﻞ وﺟﻮد ﻧﻮﯾﺰ ﺑﻌﻀﯽ 0ﻫﺎ ﺑﻪ 1و ﺑﻌﻀﯽ 1ﻫﺎ ﺑﻪ 0ﺗﺒﺪﯾﻞ ﻣﯽﺷﻮﻧﺪ.
اﺣﺘﻤﺎل ﺧﻄﺎی ﻧﻮع اول p1و اﺣﺘﻤﺎل ﺧﻄﺎی ﻧﻮع دوم p2اﺳﺖ.
1-p1
0 0
p1
p2 دﯾﺎﮔﺮام اﺣﺘﻤﺎل ﮔﺬر ):(Transition Probability Diagram
1 1-p2
1
1-p1 0
0 دﯾﺎﮔﺮام درﺧﺘﯽ:
p p1
1
p2 0
1-p
1
1-p2
1
ﻧﻘﺎط ﻓﻀﺎی ﻧﻤﻮﻧﻪ ﺗﺮﮐﯿﺐ ارﺳﺎل و درﯾﺎﻓﺘﻬﺎی ﻣﺨﺘﻠﻒ ) ) ( (T,Rاﺳﺖ .وﻟﯽ اﯾﻦ ﻧﻘﺎط ﻫﻢاﺣﺘﻤﺎل ﻧﯿﺴﺘﻨﺪ:
})Ω = {(0, 0),(0, 1),(1, 0),(1, 1
60
اﮔﺮ واﻗﻌﮥ ،T0واﻗﻌﮥ ارﺳﺎل 0ﺑﺎﺷﺪ ،دارﯾﻢ T0 = {(0,0),(0,1)} :و P(T0) = p؛
اﮔﺮ واﻗﻌﮥ ،T1واﻗﻌﮥ ارﺳﺎل 1ﺑﺎﺷﺪ ،دارﯾﻢ T1 = {(1,0),(1,1)} :و P(T1) = 1-p؛
اﮔﺮ واﻗﻌﮥ ،R0واﻗﻌﮥ درﯾﺎﻓﺖ 0ﺑﺎﺷﺪ ،دارﯾﻢR0 = {(0,0),(1,0)} :؛
اﮔﺮ واﻗﻌﮥ ،R1واﻗﻌﮥ درﯾﺎﻓﺖ 1ﺑﺎﺷﺪ ،دارﯾﻢR1 = {(0,1),(1,1)} :؛
و ﻣﯽداﻧﯿﻢ ﮐﻪ:
P(R 1|T0 ) = p1 , P(R 0|T1 ) = p2
) P ( T0 )P (R 0 | T0 ) p × (1 − p 1
= ) P (T0 | R 0 =
P ( T0 )P (R 0 | T0 ) + P (T1 )P (R 0 | T1 ) p × (1 − p1 ) + (1 − p) × p 2
61
) P ( T1 )P (R 1 | T1 ) ( 1 − p) × ( 1 − p 2
= ) P (T1 | R 1 =
P ( T1 )P (R 1 | T1 ) + P (T0 )P (R 1 | T0 ) (1 − p) × (1 − p 2 ) + p × p1
اﺻﻮﻻً اﺛﺮ ﻣﺨﺎﺑﺮه آن اﺳﺖ ﮐﻪ اﺣﺘﻤﺎل ﭘﯿﺸﯿﻦ ﭘﯿﻐﺎم را ﺑﻪ اﺣﺘﻤﺎل ﭘﺴﯿﻦ آن ﺗﻐﯿﯿﺮ دﻫﺪ ،ﻣﺜﻼً ﺑﺎ درﯾﺎﻓﺖ P(T0) ،0ﺑﻪ )P(T0|R0
ﺗﻐﯿﯿﺮ ﻣﯽﯾﺎﺑﺪ.
62
ﻣﺜﺎل :3ﺳﻪ ﺳﮑﻪ دارﯾﻢ .ﺳﮑﮥ C1ﻫﺮ دو ﻃﺮﻓﺶ ﺷﯿﺮ ،ﺳﮑﮥ C2ﻫﺮ دو ﻃﺮﻓﺶ ﺧﻂ و ﺳﮑﮥ C3ﯾﮏ ﻃﺮﻓﺶ ﺷﯿﺮ و ﻃﺮف دﯾﮕﺮش ﺧﻂ
اﺳﺖ .ﯾﮑﯽ از اﯾﻦ ﺳﻪ را ﺑﻪ ﺗﺼﺎدف اﻧﺘﺨﺎب ﮐﺮده و ﭘﺮﺗﺎب ﻣﯽﮐﻨﯿﻢ .اﮔﺮ ﻃﺮف ﻫﻮﯾﺪای اﯾﻦ ﺳﮑﻪ ﺷﯿﺮ ﺑﺎﺷﺪ ،اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﻃﺮف دﯾﮕﺮش
ﺧﻂ ﺑﺎﺷﺪ ﭼﯿﺴﺖ؟
) P (H | C 3 )P ( C 3
= ) P (C 3 | H
) P ( H | C 1 ) P ( C 1 ) + P ( H | C 2 )P (C 2 ) + P (H | C 3 )P (C 3
2×3
1 1
1
= =
×1 1 + 0× 1
3 3 + 21 × 31 3
63
وﻗﺎﯾﻊ ﻣﺴﺘﻘﻞ ):(Independent Events
دو واﻗﻌﮥ Aو Bرا ﻣﺴﺘﻘﻞ ﮔﻮﯾﻨﺪ ،ﻫﺮﮔﺎه:
)P (A ∩ B) = P (A )P (B
از ﻃﺮﻓﯽ )اﮔﺮ ) P(Aو ) P(Bﺻﻔﺮ ﻧﺒﺎﺷﻨﺪ( دارﯾﻢ . P (A ∩ B) = P (A )P (B | A ) = P (B)P (A | B) :ﭘﺲ اﮔﺮ Aو Bﻣﺴﺘﻘﻞ
ﺑﺎﺷﻨﺪ ،دارﯾﻢ:
)P (A | B) = P (A ) , P (B | A ) = P (B
n A n A ∩B
) P (A؛ ﯾﻌﻨﯽ ﻓﺮﮐﺎﻧﺲ ﻧﺴﺒﯽ وﻗﻮع Aدر ﮐﻞ nآزﻣﺎﯾﺶ ﺑﺎ ﻓﺮﮐﺎﻧﺲ ﻧﺴﺒﯽ آن در = ﺗﻌﺒﯿﺮ ﺗﺠﺮﺑﯽP (A | B) :
n nB
nBآزﻣﺎﯾﺶ ﮐﻪ Bدر آﻧﻬﺎ رخ داده ﯾﮑﺴﺎن اﺳﺖ )ﻣﻮاﻓﻖ ﺑﺎ ﺷﻬﻮد ﻣﺎ از ﻣﻔﻬﻮم اﺳﺘﻘﻼل(.
64
ﻗﻀﯿﻪ :اﮔﺮ Aو Bﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ A ،و Bﻧﯿﺰ ﻣﺴﺘﻘﻠﻨﺪ.
اﺛﺒﺎت :ﺻﻔﺤﮥ 55ﮐﺘﺎب.
اﻣﺎ اﮔﺮ Aاز Bو Aاز Cﻣﺴﺘﻘﻞ ﺑﺎﺷﺪ A ،از BCﯾﺎ ﺗﺮﮐﯿﺒﻬﺎی دﯾﮕﺮ Bو Cﻣﺴﺘﻘﻞ ﻧﺨﻮاﻫﺪ ﺑﻮد )راس ،ﺻﻔﺤﮥ .(82ﻟﺬا ﺗﻌﺮﯾﻒ
اﺳﺘﻘﻼل ﺳﻪ واﻗﻌﻪ ﺑﺎﯾﺪ ﻓﺮاﺗﺮ از اﺳﺘﻘﻼل دو ﺑﻪ دوی آﻧﻬﺎ ﺑﺎﺷﺪ.
ﯾﻌﻨﯽ اﮔﺮ ﺳﻪ واﻗﻌﻪ ﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ ،دو ﺑﻪ دو ﻧﯿﺰ ﻣﺴﺘﻘﻠﻨﺪ؛ وﻟﯽ ﻋﮑﺲ آن ﻟﺰوﻣﺎً ﺻﺤﯿﺢ ﻧﯿﺴﺖ.
در ﺗﻤﺮﯾﻦ ﻧﺸﺎن ﺧﻮاﻫﯿﺪ داد ﮐﻪ اﮔﺮ Aو Bو Cﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ A ،از BCو ) B+Cو اﺻﻮﻻً از ﻫﺮ ﺗﺮﮐﯿﺐ آﻧﻬﺎ( ﻣﺴﺘﻘﻞ اﺳﺖ.
65
اﺻﻮﻻً ﻫﯿﭻ ﯾﮏ از اﯾﻦ ﭼﻬﺎر راﺑﻄﻪ از ﺳﻪ راﺑﻄﮥ دﯾﮕﺮ ﻧﺘﯿﺠﻪ ﻧﻤﯽﺷﻮد:
A 1 B A 1 B A 1 B
1
8
8 1
4
1 8 1 0 4 0
1 8 1 8
1 8 1 8 1 1 0 1
8 0 8 8 4 4
1 1 0
1 1
4 0 8
C C 8 C 4
nواﻗﻌﮥ ... ،A2 ،A1و Anرا ﻣﺴﺘﻘﻞ ﮔﻮﯾﻨﺪ ،ﻫﺮﮔﺎه ﺑﺮای ﻫﺮ دﺳﺘﻪ اﻋﺪاد ﺻﺤﯿﺢ ) k 1 , k 2 ,..., k rﮐﻪ ( r ≤ nداﺷﺘﻪ ﺑﺎﺷﯿﻢ:
P (A k 1 A k 2 ) A k r ) = P (A k 1 )P (A k 2 ) P (A k r
66
ﻣﺜﺎل :ﯾﮏ ﻟﯿﻨﮏ ﻣﺨﺎﺑﺮاﺗﯽ ﺑﯿﻦ ﻧﻘﺎط 1و 2از اﯾﺴﺘﮕﺎهﻫﺎی Aو Bو Cو Dو Eاﺳﺘﻔﺎده ﻣﯽﮐﻨﺪ )از Dوﻗﺘﯽ اﺳﺘﻔﺎده ﻣﯽﺷﻮد ﮐﻪ B
ﯾﺎ Cاز ﮐﺎر ﺑﯿﻔﺘﺪ( .ﺗﻤﺎم اﯾﺴﺘﮕﺎهﻫﺎی رﻟﻪ ﻣﺜﻞ ﻫﻤﻨﺪ و ﺑﺮرﺳﯽﻫﺎی آﻣﺎری ﻧﺸﺎن داده اﺳﺖ ﮐﻪ اﺣﺘﻤﺎل ﺳﺎﻟﻢ ﺑﻮدن آﻧﻬﺎ در ﻃﯽ زﻣﺎن T
ﺑﺮاﺑﺮ ﺑﺎ pاﺳﺖ .اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﻟﯿﻨﮏ ﺑﯿﻦ 1و 2در اﯾﻦ زﻣﺎن ﺑﺮﻗﺮار ﺑﺎﺷﺪ ﭼﻘﺪر اﺳﺖ )ﺑﺎ ﻓﺮض اﺳﺘﻘﻼل ﺧﺮاﺑﯽ رﻟﻪﻫﺎ(؟
B C
67
= اﺣﺘﻤﺎل ﺑﺮﻗﺮار ﺑﻮدن ﻟﯿﻨﮏP (A (BC + D)E)
= P (A )P (BC + D)P (E)
= P (A )[P (BC) + P (D) − P (BCD)]P (E)
= P (A )[P (B)P (C ) + P (D) − P (B)P (C)P (D)]P (E)
= p(p 2 + p − p 3 ) p = p 3 (1 + p − p 2 )
68