‫ﻓﺼﻞ ‪ :2‬ﻣﻔﺎﻫﯿﻢ اﺳﺎﺳﯽ اﺣﺘﻤﺎل‬

‫‪Chapter 2, Section 1.2‬‬

‫‪ .1‬ﯾﺎدآوری ﺗﺌﻮری ﻣﺠﻤﻮﻋﻪﻫﺎ‬

‫‪ .2‬ﻓﻀﺎی اﺣﺘﻤﺎل و ﺗﻌﺮﯾﻒ اﺻﻮﻟﯽ اﺣﺘﻤﺎل‬
‫‪ .3‬ﺗﻌﯿﯿﻦ اﺣﺘﻤﺎل واﻗﻌﻪﻫﺎ و ﺗﻌﺎرﯾﻒ دﯾﮕﺮ اﺣﺘﻤﺎل‬
‫‪ .4‬ﻣﺮوری ﺑﺮ آﻧﺎﻟﯿﺰ ﺗﺮﮐﯿﺒﯽ‬
‫‪ .5‬ﻣﺜﺎﻟﻬﺎﯾﯽ از ﺗﻌﯿﯿﻦ اﺣﺘﻤﺎل واﻗﻌﻪﻫﺎ در آزﻣﺎﯾﺸﻬﺎی ﺑﺎ ﻧﺘﺎﯾﺞ ﻫﻢ اﺣﺘﻤﺎل‬
‫‪ .6‬اﺣﺘﻤﺎل ﺷﺮﻃﯽ‬
‫‪ .7‬ﻗﻀﯿﮥ اﺣﺘﻤﺎل ﮐﻞ‬
‫‪ .8‬ﻗﻀﯿﮥ ﺑﯿﺰ‬
‫‪ .9‬وﻗﺎﯾﻊ ﻣﺴﺘﻘﻞ‬
‫اﺑﺘﺪا ﻣﯽﺧﻮاﻫﯿﻢ ﺗﺌﻮری ﻣﺠﻤﻮﻋﻪﻫﺎ را ﺑﺮرﺳﯽ ﮐﻨﯿﻢ‪ .‬وﻟﯽ اول آﺷﻨﺎ ﺷﻮﯾﻢ ﮐﻪ ﭼﺮا در اﺣﺘﻤﺎل ﺑﺎ ﺗﺌﻮری ﻣﺠﻤﻮﻋﻪﻫﺎ ﺳﺮ و ﮐﺎر )ﻓﺮاوان(‬
‫ﻣﯽﯾﺎﺑﯿﻢ‪ .‬اﺻﻮﻻً در اﺣﺘﻤﺎل ﺑﺎ ﻣﺸﺎﻫﺪات ﯾﺎ آزﻣﺎﯾﺸﻬﺎی ﺗﺼﺎدﻓﯽ ﺳﺮ و ﮐﺎر دارﯾﻢ‪.‬‬

‫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.‬‬

‫‪Ω‬‬ ‫‪ω1‬‬ ‫‪ω2‬‬ ‫ﻧﻘﺎط ﻧﻤﻮﻧﻪ ‪ωi :‬‬

‫‪ωN‬‬

‫ﻣﺜﻼً در آزﻣﺎﯾﺶ اﻧﺪاﺧﺘﻦ ﺳﮑﻪ دارﯾﻢ‪ Ω= {H, T} :‬ﮐﻪ ‪ 2‬ﻋﻀﻮ دارد‪.‬‬

‫ﯾﺎ در آزﻣﺎﯾﺶ اﻧﺪاﺧﺘﻦ ﺗﺎس دارﯾﻢ‪ Ω= { f 1 , f 2 , f 3 , f 4 , f 5 , f 6 } :‬ﮐﻪ ‪ 6‬ﻋﻀﻮ دارد‪.‬‬

‫‪1‬‬
 ‫ﻫﺮ زﯾﺮ ﻣﺠﻤﻮﻋﻪ از ﻓﻀﺎی ﻧﻤﻮﻧﻪ را واﻗﻌﻪ )‪ (Event‬ﻣﯽﻧﺎﻣﻨﺪ‪ .‬اﺣﺘﻤﺎل ﺑﺮای واﻗﻌﻪﻫﺎ ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮد‪.‬‬

‫ﻣﺜﻼً واﻗﻌﮥ زوج آﻣﺪن ﻋﺪد ﺗﺎس ﻋﺒﺎرت اﺳﺖ از‪:‬‬

‫} ‪ i } = { f 2 , f 4 , f 6‬زوج ﺑﺎﺷﺪ ‪A = { f i :‬‬

‫ﺑﻪ ﻫﻤﯿﻦ ﻟﺤﺎظ ﺑﻪ ﺗﺌﻮری ﻣﺠﻤﻮﻋﻪﻫﺎ ﻧﯿﺎزﻣﻨﺪﯾﻢ‪.‬‬

‫‪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.‬‬

‫ﻣﺠﻤﻮﻋﮥ ﻓﺎﻗﺪ ﻋﻀﻮ را ﺗﻬﯽ ﮔﻮﯾﻨﺪ‪ { } :‬ﯾﺎ ∅ ‪.‬‬

‫‪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.‬‬

‫ﻣﮑﻤﻞ ﯾﮏ ﻣﺠﻤﻮﻋﻪ )‪:(Complement‬‬

‫ﻣﮑﻤﻞ ﻣﺠﻤﻮﻋﮥ ‪ ،A‬ﻣﺠﻤﻮﻋﻪای اﺳﺖ ﺷﺎﻣﻞ ﺗﻤﺎم اﻋﻀﺎی ﻣﺠﻤﻮﻋﮥ ﻣﺮﺟﻊ ﮐﻪ در ‪ A‬ﻧﺒﺎﺷﻨﺪ و آن را ﺑﺎ ‪ A c‬ﯾﺎ ‪ A‬ﻧﻤﺎﯾﺶ ﻣﯽدﻫﯿﻢ‪.‬‬

‫ﻃﺒﻖ ﺗﻌﺮﯾﻒ ﺗﻔﺎﺿﻞ دو ﻣﺠﻤﻮﻋﮥ ‪ A‬و ‪ B‬ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬

‫‪A −B =A ∩B‬‬

‫‪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:‬‬

‫‪Ω‬‬ ‫اﮔﺮ ﻣﺠﻤﻮﻋﻪﻫﺎی ﻏﯿﺮﺗﻬﯽ ‪ A 1 ,A 2 ,… ,A m‬آنﭼﻨﺎن ﺑﺎﺷﻨﺪ ﮐﻪ‪:‬‬

‫‪m‬‬
‫‪A1‬‬
‫‪A2‬‬ ‫‪Am‬‬
‫‪∀i ≠ j:A i ∩ A j =∅ ,‬‬ ‫‪∪ Ai =Ω‬‬
‫‪i=1‬‬
‫‪A3‬‬ ‫ﮔﻮﯾﯿﻢ ‪ A i‬ﻫﺎ اﻓﺮازی از ‪ Ω‬ﻫﺴﺘﻨﺪ‪.‬‬

‫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

‫ﺣﺎل ﻣﯽﺗﻮاﻧﯿﻢ ﺗﻌﺮﯾﻒ اﺻﻮﻟﯽ اﺣﺘﻤﺎل را ﻣﻄﺮح ﮐﻨﯿﻢ‪.‬‬

‫‪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

‫در آزﻣﺎﯾﺶ اﻧﺪاﺧﺘﻦ ﺳﮑﻪ‪:‬‬

‫دارای ‪ 2‬ﻋﻀﻮ ‪Ω= {H, T} :‬‬
‫در آزﻣﺎﯾﺶ اﻧﺪاﺧﺘﻦ دو ﺳﮑﻪ‪:‬‬
‫دارای ‪ 4‬ﻋﻀﻮ ‪Ω= {(H,H),(H, T),(T,H),(T, T)} :‬‬
‫در آزﻣﺎﯾﺶ اﻧﺪاﺧﺘﻦ دو ﺗﺎس‪:‬‬
‫دارای ‪ 36‬ﻋﻀﻮ ‪Ω= {( f i , f j ) : i, j = 1, 2,… ,6} :‬‬

‫‪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 <+‬‬

‫واﻗﻌﻪ )‪ :(Event‬ﻫﺮ زﯾﺮﻣﺠﻤﻮﻋﮥ ﻓﻀﺎی ﻧﻤﻮﻧﻪﻫﺎ را واﻗﻌﻪ ﮔﻮﯾﻨﺪ‪.‬‬

‫در آزﻣﺎﯾﺶ اﻧﺪاﺧﺘﻦ ﺗﺎس‪:‬‬

‫} ‪A = { f i :i ≤ 4} = { f 1 , f 2 , f 3 , f 4‬‬
‫در آزﻣﺎﯾﺶ اﻧﺪاﺧﺘﻦ دو ﺳﮑﻪ‪:‬‬
‫})‪ } = {(H,H),(H, T),(T,H‬ﺣﺪاﻗﻞ ﯾﮑﯽ از ﺳﮑﻪﻫﺎ ﺷﯿﺮ ﺑﺎﺷﺪ { = ‪A‬‬
‫در ﻣﻮرد ﻃﻮل ﻋﻤﺮ ﯾﮏ اﻟﻤﺎن اﻟﮑﺘﺮوﻧﯿﮑﯽ‪:‬‬
‫}‪ } = {T:0 ≤ T ≤ 5h‬ﻋﻤﺮ اﻟﻤﺎن ﺑﯿﺶ از ‪ 5‬ﺳﺎﻋﺖ ﻧﺒﺎﺷﺪ { = ‪A‬‬

‫‪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.‬‬

‫از ﺟﻤﻠﮥ زﯾﺮﻣﺠﻤﻮﻋﻪﻫﺎی ‪) Ω‬واﻗﻌﻪﻫﺎ(‪ ،‬ﺧﻮد ‪ Ω‬و ∅ ﻫﺴﺘﻨﺪ‪.‬‬

‫‪ 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.‬‬

‫ﻗﻀﯿﮥ ‪ P(A) = 1 − P(A) :1‬؛‬

‫زﯾﺮا‪:‬‬
‫‪Ω= A ∪ A‬‬
‫)‪P(Ω) = P(A ∪ A‬‬
‫اﺻﻞ‪↓ 1‬‬ ‫اﺻﻞ‪↓ 2‬‬
‫‪1‬‬ ‫)‪= P(A) + P(A)⇒ P(A) = 1 − P(A‬‬

‫ﻗﻀﯿﮥ ‪ P(∅ ) = 0 :2‬؛‬

‫زﯾﺮا‪:‬‬
‫‪∅ =Ω‬‬
‫‪P(∅ ) = P(Ω) = 1 − P(Ω ) = 1 − 1 = 0‬‬

‫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(.‬‬

‫ﻗﻀﯿﮥ ‪ :4‬اﮔﺮ ‪ B ⊂ A‬ﺑﺎﺷﺪ‪ ،‬آﻧﮕﺎه‪ P(B) ≤ P(A) :‬؛‬

‫زﯾﺮا‪:‬‬
‫)‪A = B ∪(A ∩ B‬‬
‫‪A−B‬‬
‫ﭼﻮن ‪ B‬و ‪ A ∩ B‬ﺟﺪاازﻫﻢ ﻫﺴﺘﻨﺪ‪ ،‬ﻃﺒﻖ اﺻﻞ ‪ 3‬دارﯾﻢ‪:‬‬
‫)‪P(A) = P(B) + P(A ∩ B) → P(A ∩ B) ≥ 0 ⇒ P(B) ≤ P(A‬‬

‫‪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)

:‫ﯾﺎ ﺑﻪ روش دﯾﮕﺮ‬

A ∪ B = (B −(A ∩ B))∪(A ∩ B)∪(A − (A ∩ B)) : ‫اﯾﻦ ﺳﻪ ﻣﺠﻤﻮﻋﻪ ﺟﺪاازﻫﻢ ﻫﺴﺘﻨﺪ‬
P(A ∪ B) = P(B −(A ∩ B)) + P(A ∩ B) + P(A − (A ∩ B))
= P(B) − P(A ∩ B) + P(A ∩ B) + P(A) − P(A ∩ B)
= P(B) + P(A) − P(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:‬‬

‫‪∫Ω α(t)dt = 1‬‬

‫‪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.‬‬

‫ﺑﻪ ﻫﻤﯿﻦ ﺗﺮﺗﯿﺐ در ﻓﻀﺎی دوﺑُﻌﺪی ﻧﯿﺰ دارﯾﻢ‪:‬‬

‫= }‪P{(x, y)∈D‬‬ ‫‪∫∫D α(x, y)dxdy‬‬
‫‪y‬‬ ‫ﮐﻪ )‪ α(x, y‬ﯾﮏ روﯾﻪ اﺳﺖ و ﺑﺎﯾﺪ داﺷﺘﻪ ﺑﺎﺷﯿﻢ‪:‬‬
‫‪Ω‬‬
‫‪α(x, y) ≥ 0 ,‬‬ ‫‪∫∫Ω α(x, y)dxdy = 1‬‬
‫‪D‬‬ ‫ﻣﺜﻼً ﻣﻮﻗﻌﯿﺖ ﯾﮏ ﺷﯽء‪.‬‬
‫‪x‬‬

‫‪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.‬‬

‫ﺗﻌﺮﯾﻒ ذﻫﻨﯽ )ﺷﺨﺼﯽ( )‪ :(Subjective‬اﺣﺘﻤﺎل ﺑﻪ ﻋﻨﻮان ﻣﻌﯿﺎری از ﻣﯿﺰان اﻋﺘﻘﺎد ﺑﻪ ﯾﮏ اﻣﺮ‬

‫ﻣﺜﻼً ﺑﺎ ﻗﺮاﺋﻦ و ﺷﻮاﻫﺪی ﮐﻪ در آﺳﻤﺎن ﻣﯽﺑﯿﻨﯿﻢ‪ ،‬ﻣﯽﮔﻮﯾﯿﻢ ﺑﻪ اﺣﺘﻤﺎل ‪ %80‬ﻓﺮدا ﺑﺎران ﻣﯽﺑﺎرد‪ .‬اﺣﺘﻤﺎلﻫﺎﯾﯽ ﮐﻪ در ﭼﻨﯿﻦ ﺟﻤﻠﻪای ﺑﺪان‬
‫اﺷﺎره ﻣﯽﺷﻮد‪ ،‬اﻧﺪازۀ اﻋﺘﻘﺎد ﻓﺮد ﮔﻮﯾﻨﺪه اﺳﺖ‪ .‬روﺷﻦ اﺳﺖ ﮐﻪ اﯾﻦ ﺗﻌﺮﯾﻒ واﺑﺴﺘﻪﺑﻪﻓﺮد‪ ،‬ﻧﻤﯽﺗﻮاﻧﺪ ﻣﺒﻨﺎی ﯾﮏ ﺗﺌﻮری رﯾﺎﺿﯽ و ﻣﺴﺘﺤﮑﻢ‬
‫ﻗﺮار ﮔﯿﺮد‪ .‬اﻣﺎ ﻣﯽﺗﻮاﻧﯿﻢ در ﻣﻮاردی از آن ﺑﺮای ﻧﺴﺒﺖ دادن ﻣﻌﻘﻮل ) ‪ P(A i‬ﻫﺎ در ﺗﻌﺮﯾﻒ ‪ Axiomatic‬اﺳﺘﻔﺎده ﮐﻨﯿﻢ‪ .‬ﺑﻪ ﻧﻈﺮ ﻣﻨﻄﻘﯽ‬
‫ﻣﯽرﺳﺪ ﮐﻪ اﺣﺘﻤﺎل ﺑﻪ ﻋﻨﻮان اﻧﺪازۀ اﻋﺘﻘﺎد ﻧﯿﺰ ﺑﺎﯾﺪ اﺻﻮل اﺣﺘﻤﺎل را رﻋﺎﯾﺖ ﮐﻨﺪ‪ .‬ﻣﺜﻼً اﮔﺮ ﮐﺴﯽ ﻣﯽﮔﻮﯾﺪ ‪ %70‬ﻣﻄﻤﺌﻦ ﻫﺴﺘﯿﻢ ﮐﻪ ﮐﺘﺎب‬
‫ﺗﺠﺮﯾﺪ اﻻﻋﺘﻘﺎد ﻧﻮﺷﺘﮥ ﺧﻮاﺟﮥ ﻃﻮﺳﯽ ﻣﯽﺑﺎﺷﺪ و ‪ %20‬ﻣﻄﻤﺌﻦ ﻫﺴﺘﯿﻢ ﮐﻪ آن را اﺑﻮرﯾﺤﺎن ﻧﻮﺷﺘﻪ اﺳﺖ‪ ،‬ﭘﺲ ﻣﻨﻄﻘﯽ اﺳﺖ ﮐﻪ ﺑﮕﻮﯾﯿﻢ ﺑﻪ‬
‫اﻋﺘﻘﺎد ﻣﺎ ﺑﻪ اﺣﺘﻤﺎل ‪ %90‬ﯾﮑﯽ از اﯾﻦ دو ﻧﻔﺮ اﯾﻦ ﮐﺘﺎب را ﻧﻮﺷﺘﻪ اﺳﺖ‪ .‬در ﺑﺤﺚ ﺗﺨﻤﯿﻦ از اﯾﻦ ﺗﻌﺒﯿﺮ اﺣﺘﻤﺎل ﺳﻮد ﺧﻮاﻫﯿﻢ ﺑﺮد‪.‬‬

‫ﺗﻌﺮﯾﻒ ﻓﺮاواﻧﯽ )ﻓﺮﮐﺎﻧﺲ( ﻧﺴﺒﯽ )ﺗﻌﺮﯾﻒ آﻣﺎری ﯾﺎ ﺗﺠﺮﺑﯽ(‪:‬‬

‫اﮔﺮ ﯾﮏ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ را ﺑﻪ ﮐﺮّات )‪ n‬ﺑﺎر( اﻧﺠﺎم دﻫﯿﻢ و در اﯾﻦ ‪ n‬ﺑﺎر‪ n A ،‬ﺑﺎر واﻗﻌﮥ ‪ A‬اﺗﻔﺎق اﻓﺘﺪ‪ ،‬ﻋﻠﯽاﻻﺻﻮل »ﺑﺮای ‪ n‬ﺑﺰرگ‪،‬‬
‫‪n‬‬ ‫‪n‬‬
‫)‪ P(A‬ﻋﺪدی ﻧﺰدﯾﮏ ﺑﻪ ‪ nA‬ﺧﻮاﻫﺪ ﺑﻮد«‪ ،‬ﯾﻌﻨﯽ‪ . P(A) nA :‬اﯾﻦ دﯾﮕﺮ ‪ Subjectiv‬ﻧﯿﺴﺖ و ﻗﺎﺑﻞ ﺑﺮرﺳﯽ ﺗﺠﺮﺑﯽ اﺳﺖ‪.‬‬

‫‪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

‫ﯾﺎ در ﻫﺮ ﺗﻮﻟﺪ‪ Ω= {m, f} :‬اﺳﺖ‪ .‬اﮔﺮ }‪ A = {m‬ﺑﺎﺷﺪ‪ ،‬ﺑﺮای ﻣﺤﺎﺳﺒﮥ )‪ ، P(A‬دارﯾﻢ‪:‬‬

‫ﺗﻌﺪاد ﻣﺘﻮﻟﺪﯾﻦ ذﮐﻮر در ﺳﺎل ‪ 1960‬در آﻣﺮﯾﮑﺎ‪:‬‬
‫‪nA 2179708‬‬
‫‪n = 4257850 = 0.5121‬‬
‫)ﻣﻄﺎﻟﻌﺎت ﻓﺮاوان ﻧﺸﺎن داده ﮐﻪ در واﻗﻊ اﯾﻦ ﻋﺪد ﺑﯿﺸﺘﺮ از ‪ 0/5‬اﺳﺖ‪(.‬‬

‫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

‫‪ (2‬ﺗﺮﺗﯿﺐ ‪N‬ﺷﯽء )ﻧﺤﻮۀ ﻣﺮﺗﺐ ﮐﺮدن ﮐﻠﯿﮥ ‪N‬ﺷﯽء(‪:‬‬

‫‪N‬‬
‫‪PN‬‬ ‫)ﻃﺒﻖ ﺗﻌﺮﯾﻒ‪= N×(N − 1)× × 1 = N! ( 0! = 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.‬‬

‫ﻣﺜﻼً ﺑﺎ اﻋﺪاد ‪ 1‬ﺗﺎ ‪ 9‬ﭼﻨﺪ ﻋﺪد ﺳﻪ رﻗﻤﯽ ﻣﯽﺗﻮان ﺳﺎﺧﺖ؟‬

‫‪−−−‬‬ ‫‪−−−‬‬ ‫‪−−−‬‬
‫‪9‬‬ ‫×‬ ‫‪9‬‬ ‫×‬ ‫‪9‬‬ ‫‪→ 9 3 = 729‬‬

‫در ﺣﺎﻟﯽ ﮐﻪ‪:‬‬

‫‪P39 = 9×8×7 = 504‬‬
‫اﯾﻦ ﺗﻌﺪاد اﻋﺪاد ﺳﻪ رﻗﻤﯽ اﺳﺖ ﮐﻪ رﻗﻢ ﺗﮑﺮاری ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻨﺪ‪.‬‬

‫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؟‬

‫ﻣﺜﻼً ‪ m‬ﺗﻮپ ﻏﯿﺮﻣﺘﻤﺎﯾﺰ دارﯾﻢ ﮐﻪ ﻣﯽﺧﻮاﻫﯿﻢ آﻧﻬﺎ را در ‪ N‬ﺟﻌﺒﻪ ﻗﺮار دﻫﯿﻢ‪:‬‬

‫‪ -‬اﮔﺮ در ﻫﺮ ﺟﻌﺒﻪ ﻓﻘﻂ ﯾﮏ ﺗﻮپ ﺑﺘﻮان ﻗﺮار داد؛‬

‫‪N ‬‬
‫‪ =   : m ≤ N‬ﺗﻌﺪاد ﺣﺎﻻت‬
‫‪m‬‬

‫‪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

‫ﻟﺬا ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ آﻧﭽﻪ ﻗﺒﻼً )در ﻣﻮرد دو ﮔﺮوه( ﮔﻔﺘﯿﻢ‪ ،‬دارﯾﻢ‪:‬‬

‫‪ N + m − 1‬‬
‫‪ = ‬ﺗﻌﺪاد ﺣﺎﻻت‬ ‫‪‬‬
‫‪‬‬ ‫‪m‬‬ ‫‪‬‬

‫‪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(.‬‬

‫ﻣﺜﺎل‪ :‬ﺗﻌﺪاد زﯾﺮﻣﺠﻤﻮﻋﻪﻫﺎی ﯾﮏ ﻣﺠﻤﻮﻋﮥ ‪ N‬ﻋﻀﻮی‪:‬‬

‫‪N N N‬‬ ‫‪N N N N‬‬
‫‪ + + +‬‬
‫‪0 1 2‬‬
‫∑‬
‫‪+  =   = 2‬‬
‫‪ N  k =0  k ‬‬

‫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

‫اﯾﺪۀ اﺛﺒﺎت در ﮐﺘﺎب‪:‬‬

‫‪ N  N − m 1 ‬‬ ‫‪ N − m1 − m2 −‬‬ ‫‪− m r −1 ‬‬ ‫!‪N‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫= ‪‬‬
‫‪m‬‬
‫‪ 1 ‬‬ ‫‪m‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪mr‬‬ ‫! ‪ 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؟‬

‫ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺶ ﺗﺼﺎدﻓﯽ‪ :‬ﮐﻠﯿﮥ روﺷﻬﺎی ﻣﻤﮑﻦ در اﻧﺘﺨﺎب ‪ 20‬ﺗﻮپ‬

‫‪ 100 ‬‬

‫‪ ‬ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل‬
‫‪20‬‬ ‫ﺗﻌﺪاد ﺣﺎﻻت ﻣﻤﮑﻨﻪ )ﺗﻌﺪاد ﻧﻘﺎط ‪ :(Ω‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 60  40 ‬‬
‫ﺗﻌﺪاد ﺣﺎﻻت ﻣﻄﻠﻮب‪ 15  5  :‬‬
‫‪  ‬‬
‫‪ 60  40 ‬‬
‫‪ 15  5 ‬‬
‫‪P =    = 0.065‬‬
‫‪ 100 ‬‬
‫‪ 20 ‬‬
‫‪‬‬ ‫‪‬‬
‫ﻣﺘﻤﺎﯾﺰ ﯾﺎ ﻏﯿﺮﻣﺘﻤﺎﯾﺰ ﮔﺮﻓﺘﻦ ﺗﻮﭘﻬﺎ ﻓﺮﻗﯽ اﯾﺠﺎد ﻧﻤﯽﮐﻨﺪ‪ Ω .‬را ﻃﻮری ﺗﻌﺮﯾﻒ ﮐﻨﯿﺪ ﮐﻪ ﻧﻘﺎط ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل ﺑﺎﺷﻨﺪ‪.‬‬

‫)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(‬

‫ﺳﺮاﻧﺠﺎم ﻣﺜﺎﻟﯽ از ﺣﺎﻟﺖ ‪ Ω‬ﺑﺎ ﻧﻘﺎط ﻏﯿﺮﻗﺎﺑﻞ ﺷﻤﺎرش ﻣﯽآورﯾﻢ‪.‬‬

‫‪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.‬‬

‫‪L sin ϕ‬‬

‫ﻓﺮض ﮐﻨﯿﺪ ﮐﻪ ﻓﺎﺻﻠﮥ ﻣﺮﮐﺰ ﺳﻮزن از ﻧﺰدﯾﮑﺘﺮﯾﻦ ﺧﻂ ‪ x‬ﺑﺎﺷﺪ و ‪ φ‬زاوﯾﻪ ﺑﺎ اﯾﻦ ﺧﻂ ﺑﺎﺷﺪ‪.‬‬
‫‪2‬‬
‫‪φ‬‬ ‫‪L‬‬
‫< ‪x‬؛‬ ‫در ﺻﻮرت ﺗﻘﺎﻃﻊ ﺧﻮاﻫﯿﻢ داﺷﺖ‪sin ϕ :‬‬
‫‪x‬‬ ‫‪2‬‬
‫‪d‬‬ ‫‪L‬‬
‫‪d‬‬
‫< ‪0 < x‬؛‬ ‫ﮐﻪ ﻣﻘﺎدﯾﺮ ﻣﻤﮑﻨﻪ )و ﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل( ﺑﺮای ‪ x‬ﻋﺒﺎرت اﺳﺖ از‪:‬‬
‫‪2‬‬

‫‪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

‫ﺣﺎل ﺑﺎ ﺗﻌﻤﯿﻢ آن‪ ،‬ﺑﻪ ﺷﺮط اﯾﻨﮑﻪ ‪ P (AB) ≠ 0‬ﺑﺎﺷﺪ‪ ،‬دارﯾﻢ‪:‬‬

‫)‪P (ABC) = P (A )P (B | A )P (C | AB‬‬

‫ﺑﻪ ﻫﻤﯿﻦ ﺗﺮﺗﯿﺐ ﺧﻮاﻫﯿﻢ داﺷﺖ‪:‬‬

‫‪ P (A 1A 2‬ﺑﺎﺷﺪ‪ ،‬آﻧﮕﺎه‪:‬‬ ‫ﻗﺎﻋﺪۀ زﻧﺠﯿﺮی‪ :‬اﮔﺮ ‪A n −1 ) ≠ 0‬‬
‫‪P (A 1A 2‬‬ ‫) ‪A n ) = P (A 1 )P (A 2 | A 1 )P (A 3 | A 1A 2‬‬ ‫‪P (A n | A 1A 2‬‬ ‫) ‪A n −1‬‬

‫‪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

‫ﻓﺮزﻧﺪ دوم ﻓﺮزﻧﺪ اول‬

‫ﻫﺮ دو ﻓﺮزﻧﺪ ﭘﺴﺮ ‪E :‬‬

‫ﺣﺪاﻗﻞ ﯾﮏ ﻓﺮزﻧﺪ ﭘﺴﺮ ‪F :‬‬
‫‪1‬‬
‫)‪P (EF‬‬ ‫})‪P{( b, b‬‬ ‫‪1‬‬
‫= ) ‪P (E | F‬‬ ‫=‬ ‫=‬ ‫‪4‬‬
‫‪3‬‬
‫=‬
‫})‪P (F) P{( b, b),(b, g ),(g , b‬‬ ‫‪4‬‬
‫‪3‬‬
‫‪1‬‬
‫)ﻓﺮزﻧﺪ دﯾﮕﺮ ﯾﺎ ﭘﺴﺮ اﺳﺖ ﯾﺎ دﺧﺘﺮ(‪ .‬در ﺣﺎﻟﯽ ﮐﻪ ﺳﻪ ﭘﯿﺸﺎﻣﺪ ﻫﻢﺷﺎﻧﺲ دارﯾﻢ‪(b,b) , (b,g) , (g,b) :‬‬ ‫ﻧﻪ‬
‫‪2‬‬

‫‪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 )‪:(Bayes Theorem‬‬

‫اﮔﺮ ‪ i = 1, 2, …, m‬و ‪Bi‬ﻫﺎ اﻓﺮازی از ‪ Ω‬ﺑﺎﺷﻨﺪ‪ ،‬ﺑﺮای ﻫﺮ واﻗﻌﮥ دﻟﺨﻮاه ‪ A‬از ‪ Ω‬دارﯾﻢ‪:‬‬
‫) ‪P (A | Bk )P (Bk‬‬ ‫) ‪P (A | Bk )P (Bk‬‬
‫= ) ‪P (B k | A‬‬ ‫‪= m‬‬
‫) ‪P (A‬‬
‫∑‬ ‫) ‪P (A | Bi )P (Bi‬‬
‫‪i =1‬‬
‫اﺛﺒﺎت‪:‬‬
‫) ‪P (Bk ∩ A ) P (A | Bk )P (Bk‬‬ ‫) ‪P (A | Bk )P (Bk‬‬
‫= ) ‪P (B k | A‬‬ ‫=‬ ‫‪= m‬‬
‫) ‪P (A‬‬ ‫) ‪P (A‬‬
‫∑‬
‫) ‪P (A | Bi )P (Bi‬‬
‫‪i =1‬‬

‫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

‫اﺻﻄﻼﺣﺎً )‪ P(B2‬را اﺣﺘﻤﺎل ﭘﯿﺸﯿﻦ )‪ (A Priory Probability‬ﺟﻌﺒﮥ دوم و )‪ P(B2|D‬را‬

‫اﺣﺘﻤﺎل ﭘﺴﯿﻦ )‪ (A Posteriory Probability‬آن ﮔﻮﯾﻨﺪ‪.‬‬

‫‪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

‫‪ .1‬اﺣﺘﻤﺎل ﺧﻄﺎ‪ ،‬ﯾﻌﻨﯽ )‪ P(E‬ﭼﻘﺪر اﺳﺖ؟‬

‫‪ .2‬اﮔﺮ ﺻﻔﺮ درﯾﺎﻓﺖ ﺷﺪه ﺑﺎﺷﺪ اﺣﺘﻤﺎل اﯾﻨﮑﻪ واﻗﻌﺎً ﺻﻔﺮ ارﺳﺎل ﺷﺪه ﺑﺎﺷﺪ‪ ،‬ﯾﻌﻨﯽ )‪ P(T0|R0‬ﭼﯿﺴﺖ؟‬
‫‪ .3‬اﮔﺮ ﯾﮏ درﯾﺎﻓﺖ ﺷﺪه ﺑﺎﺷﺪ اﺣﺘﻤﺎل اﯾﻨﮑﻪ واﻗﻌﺎً ﯾﮏ ارﺳﺎل ﺷﺪه ﺑﺎﺷﺪ‪ ،‬ﯾﻌﻨﯽ )‪ P(T1|R1‬ﭼﯿﺴﺖ؟‬

‫) ‪Perror = P (E) = P (E | T0 )P (T0 ) + P (E | T1 )P (T1‬‬

‫‪= P (R 1 | T0 )P (T0 ) + P (R 0 | T1 )P (T1 ) = p × p1 + (1 − p) × 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

‫ﻣﺜﻼً اﮔﺮ ‪ p1 = p 2 = pe = 0.05‬و ‪ p = 0.9‬ﺑﺎﺷﺪ‪ ،‬ﺧﻮاﻫﯿﻢ داﺷﺖ‪:‬‬

‫‪Perror = p × pe + (1 − p) × pe = pe = 0.05‬‬
‫‪0.1 × 0.95‬‬
‫= ) ‪P (T1 | R 1‬‬ ‫‪= 0.68‬‬
‫‪0.1 × 0.95 + 0.9 × 0.05‬‬

‫وﻟﯽ اﮔﺮ ‪ p = 0.6‬ﺑﺎﺷﺪ‪ ،‬آﻧﮕﺎه ﺧﻮاﻫﯿﻢ داﺷﺖ‪:‬‬

‫‪0.4 × 0.95‬‬
‫= ) ‪P (T1 | R 1‬‬ ‫‪= 0.926‬‬
‫‪0.4 × 0.95 + 0.6 × 0.05‬‬

‫در ﯾﮏ ﮐﺎﻧﺎل ﺧﻮب ‪ pe‬ﺑﺎﯾﺪ ﺣﺪود ‪ 10 −6‬ﺑﺎﺷﺪ‪.‬‬

‫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.‬‬

‫از اﻋﻤﺎل ﻣﺠﺪد ﻫﻤﯿﻦ ﻗﻀﯿﻪ دارﯾﻢ‪:‬‬

‫ﻗﻀﯿﻪ‪ :‬اﮔﺮ ‪ A‬و ‪ B‬ﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ‪ A ،‬و ‪ B‬ﻧﯿﺰ ﻣﺴﺘﻘﻠﻨﺪ‪.‬‬

‫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.‬‬

‫ﺳﻪ واﻗﻌﮥ ‪ A‬و ‪ B‬و ‪ C‬را ﻣﺴﺘﻘﻞ ﮔﻮﯾﻨﺪ‪ ،‬ﻫﺮﮔﺎه‪:‬‬

‫)‪P (AB) = P (A )P (B‬‬ ‫)‪P (AC) = P (A )P (C‬‬ ‫)‪P (BC) = P (B)P (C‬‬ ‫)‪P (ABC) = P (A )P (B)P (C‬‬

‫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

‫)‪; 14 = 21 × 21 = P (A)P (B‬‬ ‫)‪; 14 = 21 × 21 = P (A)P(B‬‬ ‫)‪; 14 = 21 × 21 = P (A)P(B‬‬

‫)‪; 14 = 21 × 21 = P (A)P (C‬‬ ‫)‪; 14 = 21 × 21 = P (A)P(C‬‬ ‫)‪; 14 = 21 × 21 = P (A)P(C‬‬
‫)‪: 81 ≠ 21 × 21 = P (B)P (C‬‬ ‫)‪; 14 = 21 × 21 = P (B)P (C‬‬ ‫)‪; 14 = 21 × 21 = P (B)P (C‬‬
‫)‪; 81 = 21 × 21 × 21 = P (A )P (B)P(C‬‬ ‫)‪; 81 = 21 × 21 × 21 = P (A )P (B)P(C‬‬ ‫)‪: 0 ≠ 21 × 21 × 21 = P (A)P(B)P(C‬‬
‫‪ A‬و ‪ B‬ﻣﺴﺘﻘﻞ‪ A ،‬و ‪ C‬ﻣﺴﺘﻘﻞ‬ ‫ﻣﺴﺘﻘﻞ‬ ‫دو ﺑﻪ دو ﻣﺴﺘﻘﻞ‬

‫‪ 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

‫ﯾﻌﻨﯽ )‪ 2 n − (n + 1‬راﺑﻄﻪ ﺑﺎﯾﺪ ﺻﺎدق ﺑﺎﺷﻨﺪ‪.‬‬

‫‪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

‫‪1‬‬ ‫‪A‬‬ ‫‪E‬‬ ‫‪2‬‬

‫‪D‬‬
‫اﺣﺘﻤﺎل اﯾﻨﮑﻪ ﺧﻂ ﺑﺎﻻﯾﯽ ﻣﺴﯿﺮ ﻣﻮازی ﮐﺎر ﮐﻨﺪ ‪ p2‬اﺳﺖ )ﺑﻨﺎ ﺑﺮ اﺳﺘﻘﻼل ﺧﺮاﺑﯽ دو اﯾﺴﺘﮕﺎه(‪:‬‬
‫‪P (B ∩ C ) = P ( B )P (C ) = p 2‬‬
‫اﮔﺮ ﭼﻪ اﯾﻦ ﻧﺘﯿﺠﻪ ﺻﺤﯿﺢ اﺳﺖ‪ ،‬وﻟﯽ ﻣﻔﻬﻮم آن ﺑﺮ ﻣﺒﻨﺎی اﺻﻮل اﺣﺘﻤﺎل ﭼﯿﺴﺖ؟ اﺻﻼً ‪ B ∩ C‬ﯾﻌﻨﯽ ﭼﻪ؟‬
‫اﮔﺮ آزﻣﺎﯾﺸﻬﺎی ﺗﺼﺎدﻓﯽ ﺧﺮاب ﺷﺪن اﯾﺴﺘﮕﺎﻫﻬﺎی ﻣﺨﺘﻠﻒ را ﺟﺪا در ﻧﻈﺮ ﺑﮕﯿﺮﯾﻢ اﺷﺘﺮاک ﺑﯿﻦ آﻧﻬﺎ ﻣﻔﻬﻮم ﻧﺪارد‪.‬‬
‫در اﯾﻨﺠﺎ ‪ Ω‬ﺣﺎﺻﻠﻀﺮب دﮐﺎرﺗﯽ ﻓﻀﺎی ﻧﻤﻮﻧﮥ آزﻣﺎﯾﺸﻬﺎی ﺗﺼﺎدﻓﯽ ﺧﺮاب ﺷﺪن اﯾﺴﺘﮕﺎﻫﻬﺎ اﺳﺖ و ‪ 25‬ﻧﻘﻄﻪ دارد )ﻏﯿﺮﻣﺘﺴﺎوی اﻻﺣﺘﻤﺎل(‪:‬‬
‫}) ‪Ω = {(F, F, F, F, F),(F, F, F, F, T ),…,(T , T , T, T, T‬‬
‫↑ ↑↑ ↑↑‬
‫‪AB CDE‬‬
‫ﺧﺮاب ﺑﻮدن ‪ A‬ﻋﺒﺎرت اﺳﺖ از ﮐﻠﯿﮥ ‪5‬ﺗﺎﯾﯽﻫﺎی ﻣﺮﺗﺐ ﮐﻪ ﻋﻨﺼﺮ اول آﻧﻬﺎ ‪ F‬ﺑﺎﺷﺪ‪.‬‬

‫‪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 )

.‫ ﺧﻮاﻫﺪ ﺑﻮد‬0.795 ‫ اﺣﺘﻤﺎل ﻓﻮق‬،‫ ﺑﺎﺷﺪ‬p = 0.9 ‫ﻣﺜﻼً اﮔﺮ‬

68