‫‪ECOLE SUPERIEURE DE COMMERCE‬‬ ‫اﻟﻣدرﺳـﺔ اﻟﻌﻠﯾـﺎ ﻟﻠﺗﺟـﺎرة‬

‫اﻻﺣﺗﻣــﺎﻻت ‪3‬‬

‫اﻟﺴﻨـﺔ ‪ 2‬ﺗﺤﻀﻴـﺮي‬

‫اﻟﺴﺪاﺳﻲ ‪4‬‬

‫اﻻﺳﺗﺎذ ‪ :‬ﺣﺳﯾـن ﻣﻘـراوي‬

‫‪2020‬‬
 " 3 ‫ﺑرﻧﺎﻣﺞ درس " اﻻﺣﺗﻣﺎﻻت‬
.‫ اﻟﻣﺗﻐﯾراﻟﻌﺷواﺋﻲ ذو اﻟﺑﻌدﯾن واﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك‬-1 ‫اﻟﻔﺻل‬
Chapitre 1 : Variables aléatoires à deux dimensions et distribution conjointe.
1.0- Introduction : rappels. . ‫ ﻣراﺟﻌﺔ‬: ‫ ﻣﻘدﻣﺔ‬-1.0
1.1- Notion de couple aléatoire ‫ ﻣﻔﮭوم زوج ﻋﺷواﺋﻲ‬-1.1
• Exemple introductif. ‫• ﻣﺛﺎل ﺗﻣﮭﯾدي‬
• Définition. .‫• ﺗﻌرﯾف‬
1.2- Distribution de probabilité conjointe d’un couple aléatoire. .‫اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ اﻟﻣﺷﺗرك ﻟزوج ﻋﺷواﺋﻲ‬-1.2
• Définitions : cas discret et continu. .‫ زوج ﻣﻧﻔﺻل و زوج ﻣﺳﺗﻣر‬: ‫• ﺗﻌﺎرﯾف‬
1.3- Distributions de probabilité marginales d’un couple aléatoire. .‫ اﻟﺗوزﯾﻌﺎت اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﺣدﯾﺔ‬-1.3
• Définitions : cas discret et continu. .‫ ﺣﺎﻻت زوج ﻣﻧﻔﺻل و زوج ﻣﺳﺗﻣر‬: ‫• ﺗﻌﺎرﯾف‬
1.4- Distributions de probabilité conditionnelles d’un couple aléatoire. .‫ اﻟﺗوزﯾﻌﺎت اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﺷرطﯾﺔ‬-1.4
• Définitions: cas discret et continu. .‫ ﺣﺎﻻت زوج ﻣﻧﻔﺻل و زوج ﻣﺳﺗﻣر‬: ‫• ﺗﻌﺎرﯾف‬
1.5- Indépendance stochastique et corrélation. ‫ اﻹﺳﺗﻘﻼل و اﻻرﺗﺑﺎط‬-1.5
• Indépendance de variables aléatoires : Définition. . ‫• إﺳﺗﻘﻼل اﻟﻣﺗﻐﯾرات اﻟﻌﺷواﺋﯾﺔ‬
• Covariance et corrélation : Définition. . ‫• اﻟﺗﺑﺎﯾن اﻟﻣﺷﺗرك و اﻹرﺗﺑﺎط‬
1.6- Moments d’un vecteur aléatoire. .‫ ﻋزوم ﺷﻌﺎع ﻋﺷواﺋﻲ‬-1.6
• Espérance d’un vecteur aléatoire : Définition. . ‫• اﻟﺗوﻗﻊ اﻟرﯾﺎﺿﻲ ﻟﺷﻌﺎع ﻋﺷواﺋﻲ‬
• Matrice de variance-covariance Définition. .‫اﻟﺗﺑﺎﯾن اﻟﻣﺷﺗرك‬-‫• ﻣﺻﻔوﻓﺔ اﻟﺗﺑﺎﯾن‬
1.7- Distributions usuelles multidimensionnelles ‫ اﻟﺗوزﯾﻌﺎت اﻟﺷﮭﯾرة اﻟﻣﺗﻌددة اﻷﺑﻌﺎد‬-1.7

.‫ ﺗوازﯾﻊ دوال ﻟﻣﺗﻐﯾرات ﻋﺷواﺋﯾﺔ‬-2 ‫اﻟﻔﺻل‬

Chapitre 2 : Distributions de fonctions de variables aléatoires
2.1- Introduction : problématique générale (Exemples). (‫ اﻹﺷﻛﺎﻟﯾﺔ اﻟﻌﺎﻣﺔ )أﻣﺛﻠﺔ‬: ‫ ﻣﻘدﻣﺔ‬- 2.1
2.2- Moments d’une fonction linéaire de variables aléatoires. .‫ – ﻋزوم داﻟﺔ ﺧطﯾﺔ ﻟﻣﺗﻐﯾرات ﻋﺷواﺋﯾﺔ‬2.2
2.3- Stabilité (additivité) des distributions usuelles. .‫ اﺳﺗﻘرار اﻟﺗوزﯾﻌﺎت اﻟﺷﮭﯾرة‬- 2.3
2.4- Les autres distributions usuelles. .‫ اﻟﺗوزﯾﻌﺎت ااﺷﮭﯾرة أﻷﺧرى‬- 2.4
• Distibution du χ .
2 2
. χ ‫• اﻟﺗوزﯾﻊ‬
• Distibution de Student (t). . Student (t) ‫• اﻟﺗوزﯾﻊ‬
• Distibution de Fisher (F). . Fisher (F) ‫• اﻟﺗوزﯾﻊ‬

.‫ اﻟﺗﺻرف اﻟﺗﻘﺎرﺑﻲ و اﻟﺗﻘﺎرب‬-3 ‫اﻟﻔﺻل‬

Chapitre 3 : Comportements asymptotiques et convergences
3.1- Introduction : problématique générale (Exemples). (‫ اﻹﺷﻛﺎﻟﯾﺔ اﻟﻌﺎﻣﺔ )أﻣﺛﻠﺔ‬: ‫ ﻣﻘدﻣﺔ‬- 1.2
3.2- Convergence en probabilité. .‫ – اﻟﺗﻘﺎرب ﺑﺎﻹﺣﺗﻣﺎل‬2.2
• Définition et théorèmes. . ‫• ﺗﻌرﯾف و ﻧظﺎرﯾﺎت‬
3.3- Convergence en loi . .‫ – اﻟﺗﻘﺎرب ﺑﺎﻟﻘﺎﻧون‬2.3
• Convergence de la loi hypergéométrique .‫• ﺗﻘﺎرب اﻟﺗوزﯾﻊ ﻓوق اﻟﮭﻧدﺳﻲ‬
• Convergence de la loi binomiale .‫• ﺗﻘﺎرب اﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن‬
• Théorème central limite. . ‫• اﻟﻧظرﯾﺔ اﻟﻧﮭﺎﯾﺔ اﻟﻣرﻛزﯾﺔ‬
• Applications du Théorème central limite. . ‫• ﺗطﺑﯾﻘﺎت ﻟﻠﻧظرﯾﺔ اﻟﻧﮭﺎﯾﺔ اﻟﻣرﻛزﯾﺔ‬
 ‫‪-1-‬‬

‫‪.‬‬‫اﻟﻔﺻل ‪ : 1‬اﻟﻣﺗﻐﯾراﻟﻌﺷواﺋﻲ ذو اﻟﺑﻌدﯾن واﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ اﻟﻣﺷﺗرك‬

‫‪Chapitre 1 : Variables aléatoires à deux dimensions et distribution de‬‬
‫‪probabilité conjointe‬‬
‫‪1ère Séance de Cours : le 24-02-2020‬‬
‫‪ -1.0‬ﻣﻘدﻣﺔ ‪ :‬ذﻛر ﺗﻌرﯾف ﻣﺗﻐﯾر ﻋﺷواﺋﻲ ذو ﺑﻌد واﺣد )ﻣراﺟﻌﺔ(‪.‬‬
‫)‪Faite (en présentiel‬‬

‫اﻟﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ھو ﻣﻔﮭوم اﻟذي ﯾﺳﻣﺢ ﺗﻌﺑﯾر 'ﻛﻣﻲ أو ﻋددي' ﻟﻧﺗﺎﺋﺞ ﺗﺟرﺑﺔ ﻋﺷواﺋﯾﺔ ‪.‬‬
‫ﻣﺛﺎل ﺗﻣﮭﯾدي ‪:‬‬
‫ﻧﻌﺗﺑر الﺗﺟرﺑﺔ اﻟﻌﺷواﺋﯾﺔ اﻟﺗﺎﻟﯾﺔ ‪ } = ξ :‬رﻣﻲ ﻗطﻌﺔ ﻧﻘدﯾﺔ ﻣﺗزﻧﺔ ﻣرﺗﺎن { ‪.‬‬

‫⇐ ﻓﺿﺎء اﻻﺣﺗﻣﺎﻟﻲ اﻟﻣراﻓق ﻟﮭذه اﻟﺗﺟرﺑﺔ ھو )]•[‪ (E= Ω, F, P‬ﺑﺣﯾث ) ﻣﻌطﯾﺎت( ‪:‬‬

‫• اﻟﻣﺟﻣوﻋﺔ اﻻﺳﺎﺳﯾﺔ )ﻓﺿﺎء اﻟﻌﯾﻧﺔ( ‪ E‬ھﻲ ‪. E= Ω ={(PP), (PF), (FP), (FF)} :‬‬

‫) )‪ P(E‬ھﻲ ﻣﺟﻣوﻋﺔ أﺟزاء ‪.( E‬‬ ‫• ‪ F‬ھﻲ ‪-σ‬ﺟﺑر ﻋﻠﻲ ‪F = P(E) : E‬‬
‫• اﻟﻘﯾﺎس )أو اﻟﺗطﺑﯾق( اﻻﺣﺗﻣﺎﻟﻲ ]•[‪ P‬ﻣﻌرف ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬

‫‪FIG 0‬‬

‫]‪P : F =P(E) → [0 , 1‬‬

‫= ] ‪∀ej∈E, ej ɪ→ P[ej‬‬ ‫‪1‬‬
‫‪4‬‬
‫‪A‬‬
‫‪∀A∈F, Aɪ→ P[A}= E‬‬
‫=]‪Ex : P[E2‬‬ ‫‪E2‬‬ ‫‪2 1‬‬
‫=‬ ‫=‬
‫‪E‬‬ ‫‪4 2‬‬

‫ﻧﻔﺗرض أن اھﺗﻣﺎﻣﻧﺎ ھو ﻋدد اﻟوﺟوه ’‪ ‘Face‬اﻟﺗﻲ ﻧﺗﺣﺻل ﻋﻠﯾﮭﺎ ‪.‬‬

‫ﻟﺗﻌﺑﯾرﻋن ﻧﺗﺎﺋﺞ ‪ ξ‬ﺑﺻﻔﺔ ﻛﻣﯾـﺔ ﻧﻌرف اﻟﻣﺗﻐﯾر ‪} = X :‬ﻋدد اﻟوﺟوه ’‪ ‘Face‬اﻟﺗﻲ ﻧﺗﺣﺻل ﻋﻠﯾﮭﺎ{‪.‬‬ ‫⇐‬
‫اﻟﺗﺎﻟﻲ ﯾﺟﻣﻊ ﻧﺗﺎﺋﺞ ‪ ξ‬و ﯾﺳﻣﺢ ﻣﻌﺎﻟﺟﺔ اﻟﻣﺷﻛﻠﺔ اﻟﺗﺎﻟﯾﺔ ‪:‬‬ ‫‪FIG 1‬‬ ‫اﻟﺑﯾﺎن‬
‫• اﺳﺗﻧﺗﺎج ﺗﻌرﯾف ﻟﻣﻔﮭوم " اﻟﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ"‪.‬‬
‫• اﺳﺗﻧﺗﺎج ﻛﯾﻔﯾﺔ ﺗﺣدﯾد اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ ﻟﻣﺗﻐﯾر ﻟﻠﻌﺷواﺋﻲ‪.‬‬
 ‫‪-2-‬‬

‫‪FIG 1‬‬

‫♦ ﻣﻼﺣظﺎت و ﺗﻌﺎﻟﯾق‪.‬‬
‫‪X: E→R‬‬

‫‪→ X(ei) = xi‬ا ‪ei‬‬ ‫اﻟﺧﻼﺻـﺔ ‪ : 1‬ﺗﻌرﯾف اﻟﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ‬

‫‪-1‬‬
‫‪∀xi∈RX : X (xi) = Ei∈F‬‬

‫اﻟﺗطﺑﯾق اﻟﻌﻛﺳﻲ )‪ X (.‬ﯾﺳﻣﺢ 'اﻟﻣرور' ﻣن اﻟﻘﯾم ‪ xi‬اﻟﻰ اﻟﺣوادث ‪ (Ei∈F ) Ei‬اﻟﻣﺟﮭزة ﺑﺎﻻﺣﺗﻣﺎﻻت ﺑـ ]‪.P[Ei‬‬
‫‪-1‬‬

‫ﻋﻠﻲ أﺳﺎس اﻟﻣﻼﺣظﺔ اﻷﺧﯾرة‪ ،‬اﻟﺑﯾﺎن ﯾﻌطﻲ أﯾﺿﺎ 'طرﯾﻘﺔ' ﺣﺳﺎب إﺣﺗﻣﺎﻻت اﻟﻘﯾم ‪،pi = Px[X= xi] ، xi‬‬
‫أي ﻛﯾﻔﯾﺔ ﺗﺣدﯾد اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ ﻟـ ‪: X‬‬
‫ﻣﺛﺎل ‪:‬‬
‫‪-1‬‬ ‫‪-1‬‬
‫‪. p1= Px[X = x1]= Px[X =0]= P[X (0)]= P[X (x1)]= P[E1]= 1/4‬‬
‫‪-1‬‬ ‫‪-1‬‬
‫‪. p2= Px[X = x2]= Px[X =1]= P[X (1)]= P[X (x2)]= P[E2]= 1/2‬‬
‫‪-1‬‬ ‫‪-1‬‬
‫‪. p3= Px[X = x3]= Px[X =2]= P[X (2)]= P[X (x3)]= P[E3]= 1/4‬‬

‫اﻟﺧﻼﺻـﺔ ‪ : 2‬ﺗﻌرﯾف اﻟداﻟﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ )أو داﻟﺔ اﻟﻠﻛﺗﻠﺔ( )‪.(fonction de masse de X‬‬

‫‪-1‬‬
‫]‪∀xi∈Rx , pi = Px[X= xi] = P[X (xi)] = P[Ei‬‬
 ‫‪-3-‬‬

‫ﺣﺎﻟﺔ ﻣﺗﻐﯾر ﻋﺷواﺋﻲ ﻣﺳﺗﻣر ‪:‬‬

‫ﻓﻲ ھذه اﻟﺣﺎﻟﺔ‪ ،‬اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ ﻟـ ‪ X‬ﻣﻌرف ﺑﺎﻋطﺎء داﻟﺔ ﻛﺛﺎﻓﺔ اﺣﺗﻣﺎﻟﯾﺔ )‪ f(x‬اﻟﺗﻲ ﺗﺣﻘق اﻟﺷروط اﻟﺗﺎﻟﯾﺔ ‪:‬‬

‫‪. f(x) ≥ 0 : ∀x∈R .1‬‬

‫‪ f(x) .2‬ھﻲ ﻣﺳﺗﻣرة )اﻻ ﻓﻲ ﺑﻌض اﻟﻧﻘﺎط(‪.‬‬
‫∞‪+‬‬
‫‪.‬‬ ‫‪∫ f ( x ).dx = 1‬‬
‫∞‪−‬‬
‫‪.3‬‬

‫‪xo‬‬
‫= ]‪. F(xo)= P[X≤ xo‬‬ ‫∫‬ ‫‪f ( x ).dx‬‬ ‫‪: ∀xo∈R .4‬‬
‫∞‪−‬‬

‫ﻣﻼﺣظﺎت ‪ X :‬ﻣﺗﻐﯾر ﻋﺷواﺋﻲ ﻣﺳﺗﻣر‪ ،‬ﻋﻧدﺋذ ‪:‬‬

‫‪. ∀x∈R , P[X= x]= 0‬‬ ‫•‬

‫ﻗﯾﻣﺔ اﻟداﻟﺔ )‪ f(x‬ﻟﯾﺳت اﺣﺗﻣﺎل ‪.f(x) # P[X= x] :‬‬ ‫•‬
‫) ‪dF ( x‬‬
‫= )‪. f(x) = F’(x‬‬ ‫•‬
‫‪dx‬‬
 ‫‪-4-‬‬

‫ھدف ھذا اﻟﻔﺻل ‪: 1‬‬

‫ﺗﻌﻣﯾم ﻣﻔﮭوم اﻟﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ )و اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ( اﻟﻲ اﻟﺣﺎﻻت اﻟﻣﺗﻌددة اﻷﺑﻌﺎد ‪:‬‬
‫♦ ﺗﻌﻣﯾم اﻟﻣﺻطﻠﺣﺎت اﻟﻣﻘدﻣﺔ ﺳﺎﺑﻘﺎ‪.‬‬
‫♦ اﺿﺎﻓﺔ ﻣﺻطﻠﺣﺎت و ادوات اﺧرى )ﺗوزﯾﻌﺎت ﺣدﯾﺔ و ﺷرطﯾﺔ‪ ،‬اﺳﺗﻘﻼل اﻟﻣﺗﻐﯾرات‪ ،‬اﻻرﺗﺑﺎط‪(... ،‬‬

‫‪ -1.1‬ﻣﻔﮭوم ﻣﺗﻐﯾر ﻋﺷواﺋﻲ ذو اﻟﺑﻌدﯾن ‪. Couple aléatoire‬‬

‫‪ -1.1.1‬ﻣﺛﺎل ﺗﻣﮭﯾدي ‪:‬‬
‫ﻧﺳﺗﻌﻣل ﻣﻌطﯾﺎت ھذا اﻟﻣﺛﺎل ﻹﺳﺗﻧﺗﺎج ﺗﻌرﯾف ﻟزوج ﻋﺷواﺋﻲ وﻛﯾﻔﯾﺔ ﺗﺣدﯾد ﺗوزﯾﻌﮫ‪.‬‬
‫ﻟﺗﻛن الﺗﺟرﺑﺔ اﻟﻌﺷواﺋﯾﺔ اﻟﺗﺎﻟﯾﺔ ‪ } : ξ‬رﻣﻲ ﻗطﻌﺔ ﻧﻘدﯾﺔ ﻣﺗزﻧﺔ ﻣرﺗﺎن{‪.‬‬
‫⇐ ﻓﺿﺎء اﻻﺣﺗﻣﺎﻟﻲ اﻟﻣراﻓق ﻟﮭذه اﻟﺗﺟرﺑﺔ ھو )]•[‪ (E= Ω, F , P‬ﺑﺣﯾث ) ﻣﻌطﯾﺎت( ‪:‬‬

‫اﻟﻣﺟﻣوﻋﺔ اﻻﺳﺎﺳﯾﺔ )ﻓﺿﺎء اﻟﻌﯾﻧﺔ( ‪ E‬ھﻲ ‪. E= Ω ={(PP), (PF), (FP), (FF)} :‬‬ ‫•‬
‫‪ F‬ھﻲ ‪ -σ‬ﺟﺑر ﻋﻠﻲ ‪ P(E) ] F = P(E) : E‬ھﻲ ﻣﺟﻣوﻋﺔ أﺟزاء ‪.[ E‬‬ ‫•‬

‫اﻟﻘﯾﺎس )أو اﻟﺗطﺑﯾق( اﻻﺣﺗﻣﺎﻟﻲ ]•[‪ P‬ﻣﻌرف ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬ ‫•‬
‫‪FIG 1‬‬

‫]‪P : F =P(E) → [0 , 1‬‬

‫= ] ‪∀ej∈E, ej ɪ→ P[ej‬‬ ‫‪1‬‬
‫‪4‬‬
‫‪A‬‬
‫‪∀A∈F, Aɪ→ P[A}= E‬‬
‫=]‪Ex : P[E2‬‬ ‫‪E2‬‬ ‫‪2 1‬‬
‫=‬ ‫=‬
‫‪E‬‬ ‫‪4 2‬‬

‫اﻟﻣﺷﻛﻠﺔ ‪:‬‬
‫ﻧﻌﺗﺑراﻟﻣﺗﻐﯾران اﻟﻌﺷواﺋﯾﺎن ‪ X‬و ‪ Y‬اﻟﻣﻌرﻓﺎن ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫‪} = X‬ﻋدد اﻟوﺟوه ’‪ ‘Face‬اﻟﺗﻲ ﻧﺗﺣﺻل ﻋﻠﯾﮭﺎ { ‪،‬‬
‫‪} = Y‬اﻟﻔرق ﺑﺎﻟﻘﯾﻣﺔ اﻟﻣطﻠﻘﺔ ﻟﻌدد وﺟوه ’‪ ‘Face‬و ﻋدد وﺟوه ’‪.{ ‘Pile‬‬

‫ﯾﻣﻛن دراﺳﺔ اﻟﻣﺗﻐﯾرﯾن ‪ X‬و ‪ Y‬ﺑﺻﻔﺔ ﻣﻧﻔﺻﻠﺔ )درس ' اﻻﺣﺗﻣﺎﻻت ‪ (' 2‬أو ﺑﺻﻔﺔ ﻣﺗزاﻣﻧﺔ )ادوات ھذا اﻟﻔﺻل( ‪.‬‬
 ‫‪-5-‬‬

‫اﻟﺑﯾﺎن ‪ FIG 2‬اﻟﻼﺣق ﯾﺟﻣﻊ ﻧﺗﺎﺋﺞ ‪ ξ‬و ﯾﺳﻣﺢ ﻣﻌﺎﻟﺟﺔ ھذه اﻟﻣﺷﻛﻠﺔ ‪ :‬اﺳﺗﻧﺗﺎج ﺗﻌرﯾف ﻟﻣﻔﮭوم "زوج ﻋﺷواﺋﻲ"‬
‫و اﺳﺗﺧراج ﻛﯾﻔﯾﺔ ﺗﺣدﯾد اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ اﻟﻣﺷﺗرك ﻟـ ‪ X‬و ‪. Y‬‬

‫‪FIG 2‬‬
‫اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ ﻟـ ‪X‬‬
‫‪-1‬‬
‫‪PoX = Px‬‬
‫‪E‬‬
‫‪0-‬‬ ‫‪E1‬‬ ‫)‪(PP‬‬ ‫‪X‬‬ ‫‪x0‬‬ ‫‪Rx={0,1,2}⊂r‬‬ ‫‪0x‬‬ ‫‪Px‬‬ ‫‪-0‬‬
‫]‪P[.‬‬ ‫‪-1/4‬‬
‫‪-1‬‬
‫‪1/4-‬‬ ‫‪E2‬‬ ‫)‪(PF‬‬ ‫‪X‬‬ ‫‪x‬‬ ‫‪1‬‬ ‫‪1x‬‬ ‫‪-1/2‬‬
‫)‪(FP‬‬
‫‪1/2-‬‬ ‫‪2x‬‬ ‫‪-1‬‬
‫‪E3‬‬ ‫)‪(FF‬‬ ‫‪x‬‬ ‫‪2‬‬
‫‪x‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬
‫‪Px‬‬ ‫‪1/4‬‬ ‫‪1/2‬‬ ‫‪1/4‬‬

‫اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ ﻟـ ‪Y‬‬

‫‪-1‬‬
‫‪PoY = Py‬‬
‫‪E‬‬
‫‪0-‬‬ ‫‪E1‬‬ ‫)‪(PP‬‬ ‫‪Y‬‬ ‫‪x0‬‬ ‫‪Ry={0,1,2}⊂r‬‬ ‫‪0x‬‬ ‫‪Py‬‬ ‫‪-0‬‬
‫]‪P[.‬‬ ‫‪-1/4‬‬
‫‪-1‬‬
‫‪1/4-‬‬ ‫‪E2‬‬ ‫)‪(PF‬‬ ‫‪Y‬‬ ‫‪-1/2‬‬
‫)‪(FP‬‬
‫‪1/2-‬‬ ‫‪x2‬‬ ‫‪2x‬‬ ‫‪-1‬‬
‫‪E3‬‬ ‫)‪(FF‬‬
‫‪y‬‬ ‫‪0‬‬ ‫‪2‬‬
‫‪Py‬‬ ‫‪1/2‬‬ ‫‪1/2‬‬

‫دراﺳﺔ ﻣﺗزاﻣﻧﺔ ﻟﻠﻣﺗﻐﯾرﯾن ‪ X‬و ‪Y‬‬

‫‪-1‬‬
‫‪Po(X,Y) = Pxy‬‬
‫‪E‬‬ ‫‪Rxy⊂r2‬‬
‫‪0-‬‬ ‫‪E1‬‬ ‫)‪(PP‬‬ ‫)‪𝑽𝑽= (X,Y‬‬ ‫)‪x(0,2‬‬ ‫ﺧﻼﺻﺔ اﻟﺑﯾﺎن ‪ :‬ﺗﻌرﯾف ﻣﺗﻐﯾرﻋﺷواﺋﻲ ذو اﻟﺑﻌدﯾن ‪:‬‬
‫]‪P[.‬‬ ‫)‪V = (X, Y‬‬
‫‪1/4-‬‬ ‫‪E2‬‬ ‫)‪(PF‬‬ ‫)‪x (1,0‬‬ ‫‪E    ‬‬ ‫‪→ R 2‬‬
‫)‪(FP‬‬ ‫‪ei  → V (ei ) = (X, Y)(ei ) = ( xi , y j ) ∈ R 2‬‬
‫‪1/2-‬‬
‫‪E3‬‬ ‫)‪(FF‬‬ ‫)‪x (2,2‬‬ ‫‪∀( xr , ys ) ∈ R 2 : (X, Y)-1 ( xr , ys ) = Axy ∈ F‬‬

‫‪(X,Y)-1‬‬
 ‫‪-6-‬‬

‫ﻣﻼﺣظﺎت و ﺗﻌﺎﻟﯾق‪.‬‬
‫• إذن ‪ ،‬ﻣن اﻟﺑﯾﺎن ﻧﺳﺗﻧﺗﺞ أن اﻟزوج )‪ V = (X, Y‬ھو ﺗطﺑﯾق ﻣن ﻓﺿﺎء اﻟﻌﯾﻧﺔ ‪ E‬ﻓﻲ اﻟﻣﺟﻣوﻋﺔ ‪ R‬أي ‪:‬‬
‫‪2‬‬

‫• اﻷزواج ﻣن اﻟﻘﯾم )‪ (xi, yj‬اﻟﺗﻲ ﯾﺄﺧذھﺎ اﻟﺷﻌﺎع )‪ V = (X, Y‬ﺗﻛون ﻣﺟﻣوﻋﺔ ‪ ،‬ﻧرﻣز اﻟﯾﮭﺎ ﺑـ ‪، (RXY⊆R ) Rxy‬‬
‫‪2‬‬

‫ﺗﺳﻣﻰ 'ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف )‪ ' V = (X, Y‬ﺑﺣﯾث ‪. Rxy = 𝑽𝑽(E) :‬‬

‫ﺑﻣﺎ أن ‪ Rxy‬ھﻲ ﻣﺟﻣوﻋﺔ ﻣﻧﺗﮭﯾﺔ ⇐ ﻧﻘول أن )‪ V = (X, Y‬ھو زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل ‪.‬‬

‫• ﻧﻼﺣظ أن ﻛل زوج )‪ (xi, yj‬ﻟﮫ ﺻورة ﻋﻛﺳﯾﺔ ‪ Ek‬ﻓﻲ ‪ ، E‬أي ‪:‬‬

‫‪ Ek∈F ) 𝑽𝑽 (xi, yj) = (X,Y) (xi, yj) = Ek⊂E (Ek∈F) ، ∀(xi, yj)∈Rxy‬ھو ﺣﺎدث(‪.‬‬
‫‪-1‬‬ ‫‪-1‬‬

‫‪-1‬‬
‫ﻣﺛﺎل ‪.𝑽𝑽 (2,2) = (FF) = E3∈ F= P(E) :‬‬

‫• اﻟﺗطﺑﯾق اﻟﻌﻛﺳﻲ )‪ 𝑽𝑽 = (X,Y‬ﯾﺳﻣﺢ 'اﻟﻣرور' ﻣن اﻟﻧﻘﺎط )‪ (xi, yj‬اﻟﻰ اﻟﺣوادث ‪ Ek‬اﻟﻣﺟﮭزة ﺑﺎﻻﺣﺗﻣﺎﻻت ]‪P[Ek‬‬
‫‪-1‬‬ ‫‪-1‬‬

‫ﻋﻠﻲ أﺳﺎس ھذه اﻟﻣﻼﺣظﺔ اﻷﺧﯾرة‪ ،‬اﻟﺑﯾﺎن ﯾﻌطﻲ 'طرﯾﻘﺔ' ﺣﺳﺎب إﺣﺗﻣﺎﻻت اﻟﻧﻘﺎط )‪ (xi , yj‬أي ‪:‬‬

‫‪Pxy[X= xi ∩Y=yj] = pij‬‬ ‫‪:‬‬ ‫‪∀(xi , yj)∈Rxy‬‬

‫ﻣﺛﺎل ‪:‬‬
‫‪-1‬‬ ‫‪-1‬‬
‫½ =]‪Pxy[X=1∩Y=0]= Pxy[X= x2∩Y=y1]= p21 = P[(X,Y) (x2, y1)]= P[(X,Y) (1,0)]= P[E2‬‬

‫ﺗﻌرﯾف ‪ : 1‬ﻣﺗﻐﯾر ﻋﺷواﺋﻲ ذو اﻟﺑﻌدﯾن‬

‫ﻟﺗﻛن ‪ ξ‬ﺗﺟرﺑﺔ ﻋﺷواﺋﯾﺔ و )]•[‪ (E, F, P‬ﻓﺿﺎء اﺣﺗﻣﺎﻟﻲ اﻟﻣراﻓق ﻟﮭﺎ ) ]‪.( F ⊆ P(E‬‬

‫ﻧﺳﻣﻲ ﻣﺗﻐﯾر ﻋﺷواﺋﻲ ذو اﻟﺑﻌدﯾن )أو زوج ﻋﺷواﺋﻲ( ﻛل ﺗطﺑﯾق )‪ V = (X, Y‬ﻣن ﻓﺿﺎء اﻟﻌﯾﻧﺔ ‪ E‬ﻓﻲ اﻟﻣﺟﻣوﻋﺔ ‪R‬‬
‫‪2‬‬

‫‪-1‬‬ ‫‪2‬‬
‫ﺑﺣﯾث )ﺷرط( ‪ ، ∀Dxy⊂R :‬اﻟﺻورة اﻟﻌﻛﺳﯾﺔ ﻟـ ‪ ، (XY) (Dxy) = Axy ، Dxy‬ھﻲ ﺣﺎدث أي ‪. Axy∈F‬‬

‫أﻣﺛﻠﺔ ﻟﻠﻣﻧطﻘﺔ ‪: Dxy‬‬

‫})‪) Dxy ={( xi , yj‬ھﻲ ﻧﻘطﺔ( ‪) Dxy = {(x, y)∈R2) : (X≤xo) ∩ (Y≤yo) } ،‬ھﻲ ﻣﺟﺎل ذو اﻟﺑﻌدﯾن(‪.‬‬

‫ﻣﻼﺣظﺔ ‪ :‬اﻟﺗرﻣﯾزة )ﺗﺄﺷﯾرة(‪.‬‬

‫ﻧﺳﺗﻌﻣل داﺋﻣﺎ اﻟﺣروف اﻟﻛﺑرى ﻟﺗرﻣﯾز اﻟﻣﺗﻐﯾرات اﻟﻌﺷواﺋﯾﺔ ) ‪ (.. ،Y،X‬و اﻟﺣروف اﻟﺻﻐﯾرة ) ‪ (x‬ﻟﺗرﻣﯾزﻷي ﻗﯾﻣﺔ ﻣﻣﻛﻧﺔ ﻣﺎ‪.‬‬

‫ﺗﻌرﯾف ‪ : 2‬ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف ﻟزوج ﻋﺷوﺋﻲ‪.‬‬

‫‪2‬‬
‫ﻧﺳﻣﻲ ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف ﻟﻠزوج اﻟﻌﺷواﺋﻲ )‪ V = (X, Y‬اﻟﻣﺟﻣوﻋﺔ ‪ (RXY⊆R ) RXY‬اﻟﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬

‫) ‪ RXY‬ھﻲ ﺻورة ﻓﺿﺎء اﻟﻌﯾﻧﺔ ‪ E‬ﺑـ )‪.( V = (X, Y‬‬ ‫)‪RXY = 𝑽𝑽(E) = (X,Y)(E‬‬
 ‫‪-7-‬‬

‫ﻧﻘول أن )‪ (X,Y‬ھو زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل اذا ‪ X‬و ‪ Y‬ﻣﺗﻐﯾران ﻋﺷوﺋﯾﺎن ﻣﻧﻔﺻﻼن )‪ RXY‬ﻣﺟﻣوﻋﺔ ﻣﻧﺗﮭﯾﺔ(‪.‬‬ ‫•‬

‫ﻧﻘول أن )‪ (X,Y‬ھو زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر )ﻣطﻠﻘﺎ( اذا ‪ X‬و ‪ Y‬ﻣﺗﻐﯾران ﻋﺷوﺋﯾﺎن ﻣﺳﺗﻣران )‪ RXY‬ﻣﺟﻣوﻋﺔ‬ ‫•‬
‫ﻏﯾرﻣﻧﺗﮭﯾﺔ و ﻏﯾر ﻗﺎﺑﻠﺔ ﻟﻠﻌد(‪.‬‬

‫ﺗﻌرﯾف ‪ : 3‬داﻟﺔ اﻟﺗوزﯾﻊ )اﻟﺗراﻛﻣﻲ( ﻟزوج ﻋﺷواﺋﻲ ‪.Fonction de répartition d’un couple aléatoire‬‬
‫ﻟﯾﻛن )‪ V = (X, Y‬زوج ﻋﺷواﺋﻲ ﻣﻌرف ﻋﻠﻲ اﻟﻔﺿﺎء اﻹﺣﺗﻣﺎﻟﻲ )]•[‪.(E, F, P‬‬
‫ﻧﺳﻣﻲ داﻟﺔ اﻟﺗوزﯾﻊ )اﻟﺗراﻛﻣﻲ( اﻟﻣﺷﺗرﻛﺔ ﻟـ )‪ V = (X, Y‬اﻟداﻟﺔ )‪ F(x, y‬اﻟﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫‪. ∀(x, y)∈R2‬‬ ‫]‪: F(x, y) = Pxy[X≤ x ∩ Y≤ y‬‬

‫ﻣﻼﺣظﺔ ‪ :‬ﻧﻌﺗﺑر اﻟﻣﻧطﻘﺔ )ﻣﺟﺎل ذو اﻟﺣدﯾن( ‪ ، Dxy = {(x, y)∈Rxy) : (X≤x)∩ (Y≤y) } : Dxy⊂R2‬ﻋﻧدﺋذ ‪:‬‬
‫‪-1‬‬
‫)‪F(x, y)=Pxy[X≤ x∩Y≤ y]=Pxy[(X,Y)∈Dxy]=P[(X,Y) (Dxy)]=P[ej∈E/(X,Y)(ej)∈Dxy]=P[Axy] (Axy∈F‬‬

‫اﻟداﻟﺔ )‪ F(x, y‬ھﻲ ﻣﻌرﻓﺔ ﻋﻠﻲ أﺳﺎس ﻣﻌرﻓﺔ اﻟﻘﯾﺎس اﻻﺣﺗﻣﺎﻟﻲ ]•[‪) P‬اﻋطﺄ )]•[‪.((E, F, P‬‬

‫‪ -1.1.2‬اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ اﻟﻣﺷﺗرك ﻟزوج ﻋﺷوﺋﻲ ﻣﻧﻔﺻل ‪.‬‬

‫اﻟﻣﺷﻛﻠﺔ ‪ :‬ﻧرﯾد ﺗﺣدﯾد اﻹﺣﺗﻣﺎﻻت ] ‪ pij = Pxy[ X= xi ∩Y= yj‬ﻟﻛل اﻷزوج ‪. (xi , yj)∈Rxy‬‬

‫ﻣﺛﺎل ‪ :‬ﻣﻌطﯾﺎت اﻟﻣﺛﺎل اﻟﺗﻣﮭﯾدي اﻟﺳﺎﺑق‪.‬‬

‫‪FIG 3‬‬
‫اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ اﻟﻣﺷﺗرك ﻟـ )‪(X,Y‬‬
‫‪-1‬‬
‫‪Po(X,Y) = Pxy‬‬
‫‪E‬‬
‫‪0-‬‬ ‫‪E1‬‬ ‫)‪(PP‬‬ ‫)‪𝑽𝑽= (X,Y‬‬ ‫)‪x(0,2‬‬ ‫‪Rxy⊂r2‬‬ ‫‪(0,2)x‬‬ ‫‪Pxy‬‬ ‫‪-0‬‬
‫]‪P[.‬‬ ‫‪-1/4‬‬
‫‪-‬‬
‫‪1/4-‬‬ ‫‪E2‬‬ ‫)‪(PF‬‬ ‫‪(X,Y) 1‬‬ ‫)‪x (1,0‬‬ ‫‪(1,0)x‬‬ ‫‪-1/2‬‬
‫)‪(FP‬‬
‫‪1/2-‬‬ ‫‪(2,2)x‬‬ ‫‪-1‬‬
‫‪E3‬‬ ‫)‪(FF‬‬ ‫)‪x (2,2‬‬

‫‪-‬‬
‫‪(X,Y) 1‬‬
‫‪yj‬‬
‫‪y1 = 0‬‬ ‫‪y2 = 2‬‬
‫‪xi‬‬
‫‪-1‬‬
‫‪Pxy[X=0∩Y=2]=P[(X,Y) (0,2)]=P[E1]=1/4‬‬ ‫‪x1 = 0‬‬ ‫‪0‬‬ ‫‪1/4‬‬
‫‪-1‬‬
‫‪Pxy[X=1∩Y=0]=P[(X,Y) (1,0)]=P[E2]=1/2‬‬ ‫‪x2 = 1‬‬ ‫‪1/2‬‬ ‫‪0‬‬
‫‪-1‬‬
‫‪Pxy[X=2∩Y=2]=P[(X,Y) (2,2)]=P[E3]=1/4‬‬ ‫‪x3 = 2‬‬ ‫‪0‬‬ ‫‪1/4‬‬
‫‪-1‬‬
‫‪Pxy[X=0∩Y=0]=P[(X,Y) (0,0)]=P[∅] = 0‬‬
 ‫‪-8-‬‬

‫ﻣن اﻟﺑﯾﺎن ‪ FIG 3‬ﻧﺳﺗﻧﺗﺞ اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ اﻟﻣﺷﺗرك ‪ .‬ھذا اﻟﺗوزﯾﻊ ﻣﻘدم ﻓﻲ اﻟﺟدوال اﻟﻣﻧﺎﺳب ﺑﺣﯾث ‪:‬‬
‫‪-1‬‬ ‫‪-1‬‬
‫‪p11 = Pxy[X= x1∩Y=y1]= Pxy[X=0∩Y=0]= P[(X,Y) (x1, y1)]=P[(X,Y) (0,0)]= P[∅] = 0 ,‬‬
‫‪-1‬‬ ‫‪-1‬‬
‫‪p12 = Pxy[X= x1∩Y=y2]= Pxy[X=0∩Y=2]= P[(X,Y) (x1, y2)]=P[(X,Y) (0,2)] = P[E1] = 1/4 ,‬‬
‫‪-1‬‬ ‫‪-1‬‬
‫‪p31 = Pxy[X= x3∩Y=y1]= Pxy[X=2∩Y=0]= P[(X,Y) (x3, y1)]=P[(X,Y) (2,0)]= P[∅] = 0 ,‬‬
‫‪-1‬‬ ‫‪-1‬‬
‫‪p21 = Pxy[X= x2∩Y=y1]= Pxy[X=1∩Y=0]= P[(X,Y) (x2, y1)]=P[(X,Y) (1,0)]= P[E2]= 1/2 ,‬‬
‫‪-1‬‬ ‫‪-1‬‬
‫‪p22=Pxy[X= x2∩Y=y2]= Pxy[X=1∩Y=2]= P[(X,Y) (x2, y2)]=P[(X,Y) (2,2)]= P[∅] = 0 ,‬‬
‫‪-1‬‬ ‫‪-1‬‬
‫‪p32 = Pxy[X= x3∩Y=y2]= Pxy[X=2∩Y=2]= P[(X,Y) (x3, y2)]= P[(X,Y) (2,3)]= P[E3]= 1/4‬‬

‫‪-1‬‬
‫) ‪pij = Pxy[X= xi∩Y=yj] = P[(X,Y) (xi, yj)] = P[Ek] , Ek∈F ( ou Ek∈F‬‬ ‫ﺑﺷﻛل ﻋﺎم ‪:‬‬

‫ﺗﻌرﯾف ‪ : 3‬اﻟﺗوزﯾﻊ اﻹﺣﺗﻣﺎﻟﻲ اﻟﻣﺷﺗرك‪.‬‬

‫‪2‬‬
‫ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل ﻣﻌرف ﻋﻠﻲ )‪ (E, F, P‬و ‪ RXY⊆R‬ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف )‪.(X,Y‬‬

‫ﺑﺣﯾث ‪:‬‬ ‫ﻧﺳﻣﻲ ﺗوزﯾﻊ إﺣﺗﻣﺎﻟﻲ ﻣﺷﺗرك ﻟـ )‪ (X,Y‬ﻣﺟﻣوﻋﺔ اﻷزواج اﻟﺗﺎﻟﯾﺔ ‪{( x , y ) ; p } :‬‬
‫‪i‬‬ ‫‪j‬‬ ‫‪ij‬‬

‫‪-1‬‬
‫‪∀(xi, yj)∈RXY , pij = Pxy[X= xi ∩Y=yj] = P[(X,Y) (xi, yj)] = P[Ek] , Ek∈F‬‬

‫‪n m‬‬
‫∑∑‬ ‫‪p =1‬‬
‫‪j =1 ij‬‬
‫‪i =1‬‬
‫‪-(2‬‬ ‫‪∀i,j , pij ≥ 0 -(1‬‬ ‫ﺑﺷرط ‪:‬‬
‫‪Y‬‬ ‫‪y1‬‬ ‫‪yj‬‬ ‫‪ym‬‬
‫…‬ ‫…‬
‫‪X‬‬
‫‪x1‬‬ ‫‪p11‬‬ ‫‪p1j‬‬ ‫‪p1m‬‬ ‫داﻟﺔ اﺣﺗﻣﺎﻟﯾﺔ ﻣﺷﺗرﻛﺔ ﻟﻠزوج )‪.(X,Y‬‬ ‫ﻧﺳﻣﻲ اﻟداﻟﺔ ‪pij‬‬
‫…‬ ‫…‬ ‫…‬
‫‪xi‬‬ ‫‪pi1‬‬ ‫‪pij‬‬ ‫‪pim‬‬
‫…‬ ‫…‬ ‫…‬ ‫ﻋﻣوﻣﺎ‪ ،‬ﯾﻘدم ھذا اﻟﺗوزﯾﻊ ﻓﻲ ﺷﻛل ﺟدول أو ﻓﻲ ﺷﻛل ﺻﯾﻐﺔ رﯾﺎﺿﯾﺔ ‪.‬‬
‫‪xn‬‬ ‫‪pn1‬‬ ‫‪pnj‬‬ ‫‪pnm‬‬

‫ﺗﻌرﯾف ‪ : 5‬داﻟﺔ اﻟﺗوزﯾﻊ )اﻟﺗراﻛﻣﻲ( ﻣﺷﺗرﻛﺔ ﻟزوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل ‪.Fonction de répartition d’un couple aléatoire‬‬
‫‪2‬‬
‫ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل و ‪ RXY⊆R‬ﻣﺟﻣوﻋﺗﮫ اﻟﺗﻌرﯾف و ‪ pij‬داﻟﺗﮫ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ‪.‬‬

‫ﻧﺳﻣﻲ داﻟﺔ اﻟﺗوزﯾﻊ )اﻟﺗراﻛﻣﻲ( ﻣﺷﺗرﻛﺔ ﻟﻠزوج )‪ (X,Y‬اﻟداﻟﺔ )‪ F(x,y‬اﻟﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬

‫‪2‬‬
‫= ])‪∀(x,y)∈R : F(x;y) = Pxy[(X≤ x)∩(Y≤ y‬‬ ‫‪∑ ∑p‬‬
‫‪xi ≤ x y j ≤ y‬‬
‫‪ij‬‬

‫‪Fin de séance du cours 1 : le 24-02-2020‬‬

‫)‪(Cours présentiel‬‬
 ‫‪-9-‬‬
‫‪2ère Séance : le 02-03-2020‬‬
‫)‪Faite (en présentiel‬‬

‫ﻣراﺟﻌﺔ ‪ :‬ﻣﻠﺧص اﻟﺣﺻﺔ اﻟﺳﺎﺑﻘﺔ‬

‫⇐ )]•[‪. (E= Ω, F , P‬‬ ‫‪ } = ξ‬رﻣﻲ ﻗطﻌﺔ ﻧﻘدﯾﺔ ﻣﺗزﻧﺔ ﻣرﺗﺎن{‬ ‫‪:‬‬ ‫ﻣﺜﺎل ﺗﻤﮭﯿﺪي‬ ‫♦‬

‫‪} = X‬ﻋدد اﻟوﺟوه ’‪ ‘Face‬اﻟﺗﻲ ﻧﺗﺣﺻل ﻋﻠﯾﮭﺎ { ‪،‬‬ ‫♦‬

‫‪} = Y‬اﻟﻔرق ﺑﺎﻟﻘﯾﻣﺔ اﻟﻣطﻠﻘﺔ ﻟﻌدد وﺟوه ’‪ ‘Face‬و ﻋدد وﺟوه ’‪.{ ‘Pile‬‬
‫♦‬

‫ﺗﺣدﯾد اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ اﻟﻣﺷﺗرك ﻟﻠزوج )‪) V = (X, Y‬ﻣﻧﻔﺻل(‪.‬‬ ‫♦‬

‫‪ : RXY = 𝑽𝑽(E) = (X,Y)(E) ⊆R‬ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف )‪V = (X, Y‬‬

‫‪2‬‬
‫•‬
‫‪-1‬‬
‫‪∀(xi, yj)∈RXY , pij = Pxy[X= xi ∩Y=yj] = P[(X,Y) (xi, yj)] = P[Ek] , Ek∈F‬‬ ‫•‬
‫‪n m‬‬
‫∑∑‬ ‫‪p =1‬‬
‫‪j =1 ij‬‬
‫‪i =1‬‬
‫‪-(2‬‬ ‫‪∀i,j , pij ≥ 0‬‬ ‫‪-(1‬‬

‫‪ pij‬ﺗدﻋﻰ داﻟﺔ اﺣﺗﻣﺎﻟﯾﺔ ﻣﺷﺗرﻛﺔ ﻟﻠزوج )‪.(X,Y‬‬ ‫•‬

‫♦ داﻟﺔ اﻟﺗوزﯾﻊ )اﻟﺗراﻛﻣﻲ( اﻟﻣﺷﺗرﻛﺔ )‪ F(x;y‬ﻟﻠزوج )‪. (X,Y‬‬

‫= ])‪∀(x,y)∈R2 : F(x;y) = Pxy[(X≤ x)∩(Y≤ y‬‬ ‫‪∑ ∑p‬‬

‫‪xi ≤ x y j ≤ y‬‬
‫‪ij‬‬

‫‪Fin de la révision‬‬
 ‫‪-9bis-‬‬

‫ﻣﺛﺎل ﺗطﺑﯾﻘﻲ ‪ :‬ﻣﻌطﯾﺎت اﻟﻣﺛﺎل اﻟﺗﻣﮭﯾدي‪.‬‬

‫اﻟﻣطﻠوب ‪ :‬ﺗﺣدﯾد داﻟﺔ اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرﻛﺔ )‪F(x ; y‬‬

‫‪F(0 ; 0) = Pxy[(X≤0)∩(Y≤0)] = p11= 0‬‬

‫‪F(0 ; 2) = Pxy[(X≤0)∩(Y≤2)] = p11+ p12= 0 +1/4 = 1/4‬‬
‫‪F(1 ; 0) = Pxy[(X≤1)∩(Y≤0)] = p11+ p21 = 0 + 1/2 + 0 = 1/2‬‬
‫‪F(1 ; 2) = Pxy[(X≤1)∩(Y≤2)] = p11+ p12 + p21+ p22 = 0 +1/4 +1/2 + 0 = 3/4‬‬
‫‪F(2 ; 1) = Pxy[(X≤2)∩(Y≤1)] = p11+ p21 + p31 = 0 + 1/2 + 0 = 1/2‬‬
‫‪F(0.5 ; 2) = Pxy[(X≤0.5)∩(Y≤2)] = Pxy[(X≤0)∩(Y≤2)] = F(0 ; 2) = 1/4‬‬
‫‪F(3.5 ; 3) = Pxy[(X≤3.5)∩(Y≤3)] = Pxy[(X≤2)∩(Y≤2)] = F(2; 2) = 1‬‬
‫‪F(0 ; -1) = Pxy[(X≤0)∩(Y≤-1)] = 0‬‬

‫داﻟﺔ اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك )‪ F(x,y‬ﻟـ )‪(X,Y‬‬

‫‪Y‬‬
‫‪<0‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪>2‬‬
‫‪X‬‬
‫‪<0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫= ‪p11+ p12‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪p11 = 0‬‬ ‫‪1/4‬‬
‫‪1/4‬‬
‫‪p11+ p21‬‬
‫‪1‬‬ ‫‪0‬‬ ‫‪3/4‬‬ ‫‪3/4‬‬
‫‪= 1/2‬‬
‫‪2‬‬ ‫‪0‬‬ ‫‪1/2‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪>2‬‬ ‫‪0‬‬ ‫‪1/2‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪ -1.1.3‬اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ اﻟﻣﺷﺗرك ﻟزوج ﻋﺷوﺋﻲ ﻣﺳﺗﻣر ‪.‬‬

‫ﺗﻌرﯾف ‪ : 1‬داﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻹﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ ‪.Fonction de densité de probabilité conjointe‬‬

‫‪2‬‬
‫ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر)ﻣطﻠﻘﺎ( و ‪ RXY⊆R‬ﻣﺟﻣوﻋﺗﮫ اﻟﺗﻌرﯾف ﺑﺣﯾث [‪.RXY = RX*RY = ]a , b[*]c , d‬‬

‫ﻧﺳﻣﻲ داﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻹﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ ﻟـ )‪ (X,Y‬اﻟداﻟﺔ )‪) f(x,y‬اذا وﺟدت( اﻟﺗﻲ ﺗﺣﻘق اﻟﺷروط اﻟﺗﺎﻟﯾﺔ ‪:‬‬
‫‪. f(x,y) ≥ 0 : ∀(x,y)∈R2 .1‬‬
‫‪ f(x,y) .2‬ھﻲ ﻣﺳﺗﻣرة ﻓﻲ ﻛل ﻧﻘطﺔ )‪) (x,y‬اﻻ ﻓﻲ ﺑﻌض اﻟﻧﻘﺎط(‪.‬‬
‫‪db‬‬
‫‪. ∫ ∫ f ( x, y ).dx.dy = 1 .3‬‬
‫‪ca‬‬
‫‪y1 x1‬‬

‫= ]‪.P[xo ≤ X ≤ x1 ∩ yo ≤ Y ≤ y1‬‬ ‫∫∫‬

‫‪xo y0‬‬
‫‪f ( x, y ).dx.dy‬‬ ‫‪.4‬‬
 ‫‪-10-‬‬

‫ﻣﻼﺣظﺎت ھﺎﻣﺔ ‪ :‬إذا )‪ (X,Y‬ھو زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر‪ ،‬ﻋﻧدﺋذ ‪:‬‬

‫‪. ∀(x,y)∈ R2 , P[X= x ∩Y=y] = P[X≤ x ∩Y=y] = P[X= x∩Y≤y] = … = 0‬‬ ‫•‬
‫ﻗﯾﻣﺔ اﻟداﻟﺔ )‪ f(x,y‬ﻟﯾﺳت ھﻲ اﺣﺗﻣﺎل ‪ :‬اﻻﺣﺗﻣﺎل ھو اﻟﺣﺟم اﻟﻣﺣﺻور ‪...‬‬ ‫•‬

‫ﺗﻌرﯾف ‪ : 2‬داﻟﺔ اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرﻛﺔ ‪.Fonction de répartition conjointe‬‬

‫‪2‬‬
‫ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر و ‪ RXY⊆R‬ﻣﺟﻣوﻋﺗﮫ اﻟﺗﻌرﯾف‪.‬‬
‫ﻧﺳﻣﻲ داﻟﺔ اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك ﻟـ )‪ (X,Y‬اﻟداﻟﺔ )‪ F(x, y‬اﻟﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫‪y o xo‬‬

‫= ]‪. F(xo, yo) = P[X ≤ xo ∩ Y ≤ yo‬‬ ‫∫ ∫‬

‫∞‪−∞ −‬‬
‫‪f ( x, y ).dx.dy : ∀( xo, yo)∈R2‬‬

‫) ‪d 2 F( x, y‬‬
‫= )‪. f(x,y) = F’’(x,y‬‬ ‫ﻣﻼﺣظﺔ ‪:‬‬
‫‪dx ⋅ dy‬‬

‫ﺧﺻﺎﺋص ﻣﻣﯾّزة ﻟـ )‪: F(x,y‬‬

‫‪ - 1‬ﺑﺎﻟﺗﻌرﯾف ‪) 0 ≤ F(x,y) ≤ 1 ، ∀(x,y)∈R2 ،‬ﻷن )‪ F(.‬ھﻲ اﺣﺗﻣﺎل(‪.‬‬
‫‪ F(x,y) - 2‬ھﻲ داﻟﺔ رﺗﯾﺑﺔ ﻏﯾر ﻣﺗﻧﺎﻗﺻﺔ ‪. ∀x1, x2 : x1 < x2 ⇒ F(x1 , y) ≤ F(x2 , y) :‬‬
‫‪ F(x,y) - 3‬ھﻲ داﻟﺔ ﻣﺳﺗﻣرة ﻋﻠﻲ ﯾﻣﯾن و ﯾﺳﺎر ﻛل ﻧﻘطﺔ ‪.R2‬‬
‫‪ Lim F( x, y ) = 0 - 4‬و ‪. Lim F( x, y ) = 1‬‬
‫∞‪x → +‬‬ ‫‪et‬‬ ‫‪x → - ∞ ou‬‬
‫∞‪y → +‬‬ ‫∞ ‪y→ -‬‬

‫)‪P[(a≤X≤b) ∩ (c≤Y≤d)] = F(b,d) - F(b,c) - F(a,d) + F(a,c‬‬ ‫ﺗﻣرﯾن ‪ :‬ﺑرھن اﻟﻌﻼﻗﺔ اﻟﺗﺎﻟﯾﺔ ‪:‬‬

‫ﻣﺛﺎل ﺗطﺑﯾﻘﻲ ‪ :‬ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر ﻣﻌرف ﻋﻠﻲ ‪RXY = RX*RY = ]0 , 1[*]1 , e[ :‬‬
‫‪ k . x si‬‬ ‫‪( x, y )∈RXY‬‬
‫‪‬‬ ‫‪y‬‬
‫‪‬‬
‫‪f ( x, y ) = ‬‬ ‫ﻟﺗﻛن )‪ f(x,y‬داﻟﺔ ﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫‪ 0 si‬‬ ‫‪( x, y )∉RXY‬‬
‫‪‬‬
‫‪‬‬
‫‪ .1‬أوﺟد ﻗﯾﻣﺔ اﻟﺛﺎﺑت ‪ k‬ﻟﻛﻲ ﺗﺻﺑﺢ ﻓﻌﻼ )‪ f(x,y‬داﻟﺔ ﻛﺛﺎﻓﺔ اﺣﺗﻣﺎﻟﯾﺔ ﻣﺷﺗرﻛﺔ ﻟـ )‪.(X,Y‬‬
‫‪ .2‬أﺣﺳب اﻻﺣﺗﻣﺎﻻت اﻟﺗﺎﻟﯾﺔ ‪. P[(X >1/2) ∩Y>2] ، P[X=1∩Y<2] :‬‬
‫‪ .3‬أوﺟد ﺻﯾﻐﺔ داﻟﺔ اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرﻛﺔ )‪ F(x,y‬ﺛم اﺳﺗﻧﺗﺞ ])‪. P[1/4≤(X≤1/2) ∩(1≤Y≤2‬‬
‫])‪. P[(X >1/2) ∩Y>2] ≠ 1 - P[(X≤1/2) ∩(Y≤2‬‬ ‫‪ .4‬ﺗﺣﻘق أن ‪:‬‬
 -11-

e
1
1. a ) f(x, y) ≥ 0 ⇒ k > 0 b) - ∫ ∫ k. xy .dy.dx = 1
0
1
⇒ k=2
e
b)- P[X > 1/2 ∩ Y > 2] = ∫ ∫ 2. x. .dyd x =
1
.(1 − Ln 2) = 0.23
2. a)- P[X=1∩Y<2] = 0 ; 3
1/2 4
2 y

 0 si x < 0 ou y < 1

 x2 si 0 ≤ x ≤ 1 ∩ y > e

F ( x, y ) = x 2 .Ln( y ) si 0 ≤ x ≤ 1 ∩ 1 ≤ y ≤ e
3.
 Ln( y ) si x > 1 ∩ 1 ≤ y ≤ e

 1 si x > 1 et y > e

P[(1/4≤X<1/2) ∩(1≤Y≤2)] = F(1/2 ; 2) - F(1/4 ; 2) - F(1/2 ; 1) + F(1/4 ; 1) = 0.17 – 0.04 = 0.13

4. De b)- P[(X >1/2)∩Y>2]= 0.23 et de 3. F(1/2 ; 2) = 0.17 ⇒ P[(X>1/2)∩Y>2]≠1- F(1/2; 2)=0.83

RXY = RX*RY = [0 , 1] * [0 , 1] : ‫( زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر ﻟﮫ اﻟﺗوزﯾﻊ اﻟﻣﻧﺗظم ﻣﻌرف ﻋﻠﻲ‬X,Y) ‫ ﻟﯾﻛن‬: 2 ‫ﻣﺛﺎل‬
 1 si ( x, y ) ∈ R XY
. f ( x, y ) =  : ‫داﻟﺔ ﻛﺛﺎﻓﺗﮫ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ ھﻲ‬
 0 si ( x , y ) ∉ R XY

. P[(X >1/4)] ‫ و‬P[(X≤1/2)∩(Y<1/3)] : ‫ اﺣﺳب‬.1

. P[(X,Y)∈Dxy ] ‫ اﺣﺳب‬Dxy = { (x,y)∈R : x>0 , y>0 et x+y<1} ‫ ﺑﺣﯾث‬Dxy⊂ RXY ‫ ﻧﻌﺗﺑر اﻟﻣﻧطﻘﺔ‬.2
. 2

1 1 1 1
1 1 2 3 2 3 1 1 1 1
P ��X ≤ � ∩ �Y ≤ �� = � � 1. 𝑑𝑑𝑑𝑑. 𝑑𝑑𝑑𝑑 = � ( � 1. 𝑑𝑑𝑑𝑑). 𝑑𝑑𝑑𝑑 = [𝑥𝑥]20 . [𝑦𝑦]30 = � − 0� . � − 0� = 1�6
2 3 0 0 0 0 2 3

1
P �X > � = P ��X > � ∩(0 ≤ Y ≤ 1)� = ∫1 ∫0 1. 𝑑𝑑𝑑𝑑. 𝑑𝑑𝑑𝑑 = [𝑥𝑥 ]11 . [𝑦𝑦]10 = �1 − � . (1 − 0) = 3�4
1 1 1 1
4 4 4 44

1 1−𝑥𝑥 1 1
P[(X,Y)∈Dxy ] = ∬𝐃𝐃 1 ∙ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = ∫0 (∫0 𝑑𝑑𝑑𝑑)𝑑𝑑𝑑𝑑 = ∫0 [𝑦𝑦]1−𝑥𝑥
0 𝑑𝑑𝑑𝑑 = ∫0 (1 − 𝑥𝑥 )𝑑𝑑𝑑𝑑 =
𝒙𝒙𝒙𝒙

= �1 − 2� − (0 − 0) = 1�2
1

Fin de séance du cours 2 le 02-03-2020

(Cours présentiel)
 ‫‪-12-‬‬
‫‪ème‬‬
‫‪3‬‬ ‫‪Séance : le 09-03-2020‬‬
‫)‪Faite (en présentiel‬‬ ‫‪- 1.2‬اﻟﺗوزﯾﻌﺎت اﻟﺣدﯾﺔ ‪. Distributions marginales‬‬
‫اﻟﻣﺷﻛﻠﺔ ‪ :‬ﻋﻠﻲ أﺳﺎس ﻣﻌرﻓﺔ اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك ﻟـ )‪ ، (X,Y‬ھل ﯾﻣﻛن اﺳﺗﻧﺗﺎج اﻟﺗوزﯾﻊ اﻹﺣﺗﻣﺎﻟﻲ ﻟـ ‪) X‬ﻋﻠﻲ اﻟﺗواﻟﻲ ﻟـ ‪ ( Y‬؟‬

‫‪ -1.2.1‬ﻣﺛﺎل ‪ :‬ﻧﻌﺗﺑرﻣﻌطﯾﺎت اﻟﻣﺛﺎل اﻟﺗﻣﮭﯾدي )ﺣﺎﻟﺔ زوج ﻋﺷوﺋﻲ ﻣﻧﻔﺻل(‪.‬‬

‫ﻧرﯾد ﺗﺣدﯾد اﻟﺗوزﯾﻊ اﻹﺣﺗﻣﺎﻟﻲ ﻟـ ‪ X‬أي اﻷزواج })‪ ) {(xi ; pi .‬و ﻟـ‪ Y‬أي اﻷزواج })‪ ({(yj ; p. j‬ﻋﻠﻲ‬

‫ﻟـ )‪ (X,Y‬؟‬ ‫‪{(x , y‬‬

‫‪i‬‬ ‫‪j‬‬ ‫‪) ; pij‬‬ ‫أﺳﺎس ﻣﻌرﻓﺔ اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك }‬
‫‪P[X= x1] = P[X= 0] = P[(X=0∩Y=0)∪(X=0∩Y=2)] = P[(X=0∩Y=0)] + P[(X=0∩Y=2)] = p11+ p12=1/4‬‬

‫اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك ﻟـ )‪(X,Y‬‬ ‫)‪(Bloc X‬‬ ‫اﻟﺗوزﯾﻊ اﻟﺣدي ﻟـ ‪X‬‬

‫‪yj‬‬ ‫‪xi‬‬ ‫•‪pi‬‬ ‫• ‪xi * pi • xi2* pi‬‬
‫‪y1= 0‬‬ ‫‪y2 = 2‬‬ ‫‪Σ‬‬ ‫• ‪pi‬‬
‫‪xi‬‬ ‫‪j‬‬ ‫‪x1= 0‬‬ ‫‪1/4‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪x2= 1‬‬ ‫‪1/2‬‬ ‫‪1/2‬‬ ‫‪1/2‬‬
‫‪x1= 0‬‬ ‫‪p11 = 0‬‬ ‫‪p12 =1/4‬‬ ‫‪→ p1.= p11+ p12 =1/4‬‬
‫‪x3= 2‬‬ ‫‪1/4‬‬ ‫‪1/2‬‬ ‫‪1‬‬
‫‪x2= 1‬‬ ‫‪p21 =1/2‬‬ ‫‪p22 = 0‬‬ ‫‪→ p2.= p21+ p22 =1/2‬‬
‫‪Σ‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪3/2‬‬
‫‪x3= 2‬‬ ‫‪p31 = 0‬‬ ‫‪p32 = 1/4‬‬ ‫‪→ p3.= p31+ p32 =1/4‬‬
‫‪Σ‬‬ ‫ﺣﺳﺎب اﻟﻌزوم اﻟﺣدﯾﺔ ﻟـ ‪: X‬‬
‫‪i‬‬ ‫↓‬ ‫↓‬ ‫‪E[X,.] = E[X] = 1‬‬
‫‪1‬‬
‫‪E[X2] = 3/2‬‬
‫‪p•j‬‬ ‫‪1/2‬‬ ‫‪1/2‬‬ ‫‪V[X]= E[X2] - E[X]2 = 1/2‬‬

‫)‪(Bloc Y‬‬ ‫اﻟﺗوزﯾﻊ اﻟﺣدي ﻟـ ‪Y‬‬

‫‪yj‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪Σ‬‬ ‫ﺣﺳﺎب اﻟﻌزوم اﻟﺣدﯾﺔ ﻟـ ‪: Y‬‬
‫‪p•j‬‬ ‫‪1/2‬‬ ‫‪1/2‬‬ ‫‪1‬‬
‫‪E[Y,.] = E[Y] = 1‬‬
‫‪yj *p•j‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪E[Y2] = 2‬‬
‫‪V[Y] = E[Y2] - E[Y]2 = 1‬‬
‫‪yj 2*p•j‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪2‬‬

‫‪ -1.2.2‬اﻟﺗوزﯾﻌﺎت اﻟﺣدﯾﺔ اﻟﻣﻧﻔﺻﻠﺔ ‪.‬‬

‫ﺗﻌرﯾف ‪ : 1‬ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل و ‪ pij‬داﻟﺗﮫ اﻹﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ ﻣﻌرﻓﺔ ﻋﻠﻲ ‪. RXY‬‬
‫♦ ﻧﺳﻣﻲ 'ﺗوزﯾﻊ اﺣﺗﻣﺎﻟﻲ ﺣدي' ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪ X‬ﻣﺟﻣوﻋﺔ اﻷزواج } •‪ ، xi∈Rx ،{ xi , pi‬ﺑﺣﯾث ‪:‬‬

‫𝑚𝑚∑ = ] ‪.∀xi∈Rx , pi• = P[X= xi‬‬

‫𝑖𝑖𝑖𝑖𝑝𝑝 ‪𝑗𝑗 =1‬‬ ‫� 𝑗𝑗𝑦𝑦 = 𝑌𝑌∩ 𝑖𝑖𝑥𝑥 = 𝑋𝑋�𝑃𝑃 𝑅𝑅𝑅𝑅∈ 𝑗𝑗 𝑦𝑦∑ =‬

‫اﻟداﻟﺔ ]‪ pi• = P[X= xi‬ﺗدﻋﻰ داﻟﺔ اﺣﺗﻣﺎﻟﯾﺔ ﺣدﯾﺔ ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪. X‬‬
 ‫‪-13-‬‬
‫♦ ﻧﺳﻣﻲ 'ﺗوزﯾﻊ اﺣﺗﻣﺎﻟﻲ ﺣدي' ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪ Y‬ﻣﺟﻣوﻋﺔ اﻷزواج } ‪ ، yj∈Ry ،{ yj , p• j‬ﺑﺣﯾث ‪:‬‬

‫� 𝑗𝑗𝑦𝑦 = 𝑌𝑌∩ 𝑖𝑖𝑥𝑥 = 𝑋𝑋�𝑃𝑃 𝑅𝑅𝑅𝑅∈𝑖𝑖 𝑥𝑥∑ = 𝑖𝑖𝑖𝑖𝑝𝑝 ‪.∀yj∈Ry , p• j = P[Y= yj ] = ∑𝑛𝑛𝑖𝑖=1‬‬

‫اﻟداﻟﺔ ]‪ p• j = P[Y= yj‬ﺗدﻋﻰ داﻟﺔ اﺣﺗﻣﺎﻟﯾﺔ ﺣدﯾﺔ ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪. Y‬‬

‫ﻣﻼﺣظﺔ ‪ :‬اﻟﺗوزﯾﻊ اﻟﺣدي ﻟـ ‪) X‬وﻟـ ‪ (Y‬ھو ﺗوزﯾﻊ اﺣﺗﻣﺎﻟﻲ ﻋدي )ذو ﺑﻌد واﺣد ﻓﻘط( ﺑﺎﻟﺗﺎﻟﻲ ﯾﻣﻛن ﺣﺳﺎب ﻛل اﻟﻌزوم‬
‫اﻟﻣﺧﺗﻠﻔﺔ )ﺗﺳﻣﻰ اﻟﻌزوم اﻟﺣدﯾﺔ( و اﻟﻣﻘﺎﯾس اﻻﺣﺻﺎﺋﯾﺔ اﻷﺧرى ﻟـ ‪) X‬وﻟـ ‪(...، Me ، mr ، V[.,Y] ، E[X,.] ) (Y‬‬

‫‪ -1.2.3‬اﻟﺗوزﯾﻌﺎت اﻟﺣدﯾﺔ اﻟﻣﺳﺗﻣرة ‪.‬‬

‫ﻣﻘدﻣﺔ ‪ :‬ﻧﻌﺗﺑر داﻟﺔ اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك )‪ F(x,y‬ﻟـ 'ز‪.‬ع' )‪ .(X,Y‬ﻛﯾف ﯾﻣﻛن ﺗﺣدﯾد اﻟﺗوزﯾﻌﺎت اﻟﺣدﯾﺔ ﻟـ ‪ ) X‬و ﻟـ ‪ ( Y‬؟‬
‫ﻧﺑﺣث ﻋن داﻟﺔ اﻟﺗوزﯾﻊ )اﻟﺗراﻛﻣﻲ( ﻟـ ‪. Fx(x ; •) = P[X≤ x] : X‬‬
‫‪y‬‬
‫= ]‪F(x,y) = P[X≤ x∩Y<y‬‬
‫‪x‬‬
‫‪∫ ∫−‬‬
‫∞‪−‬‬ ‫∞‬
‫‪f (u, v ).dv.du‬‬
‫∞‪+‬‬ ‫‪x‬‬
‫‪⇒ P[X≤ x]= Fx(x ;•) = P[X≤ x∩Y<+∝] = Fx(x ;+∝) = ∫v = − ∞ ∫u = − ∞ f (u, v).du.dv‬‬
‫∞‪+‬‬
‫‪⇒ f(x, •) = F ’x(x, •) = F ’x(x,+∝) = ∫y =−∞ f ( x, y ).dy‬‬

‫ﺗﻌرﯾف ‪ : 2‬ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر و )‪ f(x,y‬داﻟﺔ ﻛﺛﺎﻓﺗﮫ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ ﻣﻌرﻓﺔ ﻋﻠﻲ ‪. RXY‬‬
‫ﻧﺳﻣﻲ داﻟﺔ ﻛﺛﺎﻓﺔ اﺣﺗﻣﺎﻟﯾﺔ ﺣدﯾﺔ ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪) X‬ﻋﻠﻲ اﻟﺗواﻟﻲ ‪ (Y‬اﻟداﻟﺔ ) • ; ‪) f(x‬ﻋﻠﻲ اﻟﺗواﻟﻲ )‪( f(• ; y‬‬
‫اﻟﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬

‫𝑑𝑑𝑑𝑑 ‪𝑓𝑓 (𝑥𝑥; •) = 𝑓𝑓(𝑥𝑥) = ∫. 𝑓𝑓(𝑥𝑥 , 𝑦𝑦).‬‬

‫𝑦𝑦𝑅𝑅‬

‫𝑑𝑑𝑑𝑑 ‪𝑓𝑓 (• ; 𝑦𝑦) = 𝑓𝑓 (𝑦𝑦) = ∫. 𝑓𝑓(𝑥𝑥 , 𝑦𝑦).‬‬

‫𝑅𝑅‬ ‫𝑥𝑥‬

‫و )‪. Fy(y) = F(+∝ ; y‬‬ ‫ﻣﻼﺣظﺔ ‪ :‬داﻟﺔ اﻟﺗوزﯾﻊ اﻟﺣدﯾﺔ ﻟـ ‪ X‬و ﻟـ ‪ Y‬ھﻲ ﻣﻌرف ة ﻛﻣﺎ ﯾﻠﻲ ‪Fx(x) = F(x ;+∝) :‬‬

‫ﻣﺛﺎل ﺗطﺑﯾﻘﻲ ‪ : 1‬ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر ﻣﻌرف ﻋﻠﻲ ‪RXY = RX*RY = ]0 , 1[*]1 , e[ :‬‬

‫‪ 2. x‬‬
‫و )‪ f(x,y‬داﻟﺗﮫ اﻟﻛﺛﺎﻓﺔ اﻟﻣﺷﺗرﻛﺔ‪.‬‬
‫‪si‬‬ ‫‪( x , y )∈RXY‬‬
‫‪‬‬
‫‪‬‬
‫‪f ( x, y ) = ‬‬
‫‪y‬‬ ‫‪ .1‬أوﺟد داﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﺣدﯾﺔ ﻟـ ‪ X‬ﺛم ﻟـ ‪.Y‬‬
‫‪ 0‬‬ ‫‪si‬‬ ‫‪( x , y )∉RXY‬‬
‫‪‬‬ ‫‪ .2‬أﺣﺳب اﻟﻌزوم اﻟﺣدﯾﺔ ‪ E[X,•] :‬و ]‪. E[•,Y2‬‬
‫‪‬‬

‫‪e‬‬ ‫‪e‬‬ ‫‪1‬‬ ‫‪1‬‬

‫)‪f(x) = ∫Ryf(x,y).dy =∫1 2x/y.dy = 2x.[Ln(y)] 1= 2x . IRx(x‬‬ ‫‪⇒ E[X]= ∫Rxf(x).dx = ∫0 x.2x.dx = [2x /3)] 0 = 2/3‬‬
‫‪3‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪e‬‬ ‫‪e‬‬

‫‪e2 − 1‬‬
‫=‪f(y) =∫Rxf(x,y).dy =∫0 2x/y.dy =1/y.[x2] 0= 1/y .IRy(y) ⇒ E[Y2]= ∫Ryy2f(y).dy = ∫1 y2.1/y.dy =[y2/2] 1‬‬ ‫‪= 3,19‬‬
‫‪2‬‬
 ‫‪-14-‬‬

‫‪yj‬‬ ‫‪ - 1.3‬اﻟﺗوزﯾﻌﺎت اﻟﺷرطﯾﺔ ‪. Distributions conditionnelles‬‬

‫‪xi‬‬ ‫‪0‬‬ ‫‪2‬‬

‫‪0‬‬ ‫‪0‬‬ ‫‪1/4‬‬ ‫‪ -1.3.1‬ﻣﺛﺎل ‪ :‬ﻧﻌﺗﺑرﻣﻌطﯾﺎت اﻟﻣﺛﺎل اﻟﺗﻣﮭﯾدي )ﺣﺎﻟﺔ زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل(‪.‬‬
‫‪1‬‬ ‫‪1/2‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪0‬‬ ‫‪1/4‬‬ ‫اﻟﻣﺷﻛﻠﺔ ‪ :‬ﻧﻔﺗرض أن ﻧﻌﻠم أن ‪) Y=2‬أي ‪.(Y= y2‬‬
‫‪p•j‬‬ ‫‪1/2‬‬ ‫‪1/2‬‬
‫ﻓﻲ ھذه اﻟﺣﺎﻟﺔ‪ ،‬ﻣﺎ ھو ﺗوزﯾﻊ اﻟﻣﺗﻐﯾر ‪ X‬؟ أي ‪.P[X= xi/Y=2] = ? ، ∀xi∈Rx :‬‬

‫اﻋﺗﻣﺎدا ﻋﻠﻲ ﺻﯾﻐﺔ ﺗﻌرﯾف اﻹﺣﺗﻣﺎل اﻟﺷرطﻲ ﻧﺗﺣﺻل ﻋﻠﻲ ‪:‬‬

‫‪P[( X = x1 ) ∩ (Y = y 2 ] p 1 2 P[( X = 0) ∩ (Y = 2] 1 / 4‬‬

‫‪‬‬
‫=‬
‫‪P  X x1‬‬ ‫‪=P X =0‬‬
‫‪Y = y 2 ‬‬ ‫‪Y =2‬‬
‫[‬ ‫]‬
‫= ‪= p i =1 / j = 2 = p 1/2‬‬
‫] ‪P[Y = y 2‬‬
‫=‬
‫‪p• 2‬‬
‫=‬
‫]‪P[Y = 2‬‬
‫=‬
‫‪1/ 2‬‬
‫‪= 1/ 2‬‬

‫‪P[( X = x 2 ) ∩ (Y = y 2 ] p 2 2 P[( X = 1) ∩ (Y = 2] 0‬‬

‫‪P‬‬
‫‪‬‬
‫‪X = x2‬‬
‫‪Y = y 2 ‬‬
‫[‬
‫‪ = P X =1‬‬
‫‪Y =2‬‬
‫]‬
‫= ‪= p i = 2 / j = 2 = p 2/2‬‬
‫] ‪P[Y = y 2‬‬
‫=‬
‫‪p• 2‬‬
‫=‬
‫]‪P[Y = 2‬‬
‫=‬
‫‪1/ 2‬‬
‫‪=0‬‬

‫‪P[( X = x 3 ) ∩ (Y = y 2 ] p 3 2 P[( X = 2) ∩ (Y = 2] 1 / 4‬‬

‫‪P‬‬
‫‪‬‬
‫‪X = x3‬‬ ‫‪=PX =2‬‬
‫‪Y = y 2 ‬‬
‫[‬
‫‪Y =2‬‬
‫]‬
‫= ‪= p i =3 / j = 2 = p 3/2‬‬
‫] ‪P[Y = y 2‬‬
‫=‬
‫‪p‬‬
‫=‬
‫]‪P[Y = 2‬‬
‫=‬
‫‪1/ 2‬‬
‫‪= 1/ 2‬‬
‫‪•2‬‬

‫‪P‬‬
‫‪X = xi‬‬ ‫‪ = p = P[( X = xi ) ∩ (Y = y 2 ] = pi 2‬‬
‫اﻟﺧﻼﺻﺔ ‪ :‬ﻣن اﻟﻧﺗﺎﺋﺞ اﻟﺳﺎﺑﻘﺔ ﻧﺳﺗﻧﺗﺞ ‪:‬‬
‫‪‬‬ ‫‪Y = y 2 ‬‬ ‫] ‪P[Y = y 2‬‬
‫‪i‬‬
‫‪/2‬‬ ‫‪p• 2‬‬

‫‪xi /Y=2‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫∑‬

‫اﻟﺗوزﯾﻊ اﻹﺣﺗﻣﺎﻟﻲ )اﻟﺷرطﻲ( ﻟـ ‪ X‬ﻋﻠﻣﺎ ‪ Y=2‬ھو ‪:‬‬
‫]‪pi/ = P[X=xi /Y=2‬‬ ‫‪2‬‬
‫‪2‬‬
‫‪2‬‬
‫‪1/2‬‬ ‫‪1/2‬‬ ‫‪1‬‬
‫إذن ﯾﻣﻛن ﺣﺳﺎب ]‪ E[X /Y= 2‬اﻟذي ﯾﺳﺎوي ‪:‬‬
‫‪x i . pi/2‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪2‬‬

‫‪ -1.3.2‬اﻟﺗوزﯾﻌﺎت اﻟﺷرطﯾﺔ اﻟﻣﻧﻔﺻﻠﺔ‪.‬‬

‫ﺗﻌرﯾف ‪ : 1‬ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل و ‪ pij‬داﻟﺗﮫ اﻹﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ ﻣﻌرﻓﺔ ﻋﻠﻲ ‪. RXY‬‬
‫♦ ﻧﺳﻣﻲ ﺗوزﯾﻊ ﺷرطﻲ ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪ X‬ﻋﻠﻣﺎ أن ‪ Y= yj‬ﻣﺟﻣوﻋﺔ اﻷزواج } ‪ ، xi∈Rx ،{ xi , pi‬ﺑﺣﯾث ‪:‬‬
‫‪/j‬‬

‫= ‪pi‬‬
‫‪pi j‬‬ ‫‪ X = xi‬‬
‫‪= P‬‬ ‫=‬
‫[‬
‫‪ P ( X = xi ) ∩ (Y = y j‬‬ ‫]‬
‫‪j‬‬ ‫‪p• j‬‬ ‫‪‬‬ ‫‪Y = y j ‬‬ ‫] ‪P[Y = y j‬‬

‫ﻧﺳﻣﻲ اﻟداﻟﺔ ‪ pi/j‬داﻟﺔ اﺣﺗﻣﺎﻟﯾﺔ ﺷرطﯾﺔ ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪. X‬‬

‫♦ ﻧﺳﻣﻲ ﺗوزﯾﻊ ﺷرطﻲ ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪ Y‬ﻋﻠﻣﺎ أن ‪ X = xi‬ﻣﺟﻣوﻋﺔ اﻷزواج } ‪ ، yj∈Ry ،{ yj , pj‬ﺑﺣﯾث‪:‬‬
‫‪/i‬‬

‫=‬
‫‪pi j‬‬ ‫‪Y = y j‬‬
‫‪= P‬‬
‫[‬
‫‪ P ( X = xi ) ∩ (Y = y j‬‬ ‫]‬
‫‪. pj‬‬ ‫• ‪pi‬‬ ‫‪‬‬ ‫= ‪X = xi ‬‬ ‫] ‪P[ X = x i‬‬
‫‪i‬‬

‫ﻧﺳﻣﻲ اﻟداﻟﺔ ‪ pj/i‬داﻟﺔ اﺣﺗﻣﺎﻟﯾﺔ ﺷرطﯾﺔ ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪. Y‬‬

 ‫‪-15-‬‬
‫ﻣﻼﺣظﺎت ‪:‬‬

‫∑‬
‫‪n‬‬
‫(‪.‬‬ ‫‪i =1‬‬
‫‪ .1‬ﯾﻣﻛن ﺗﺣﻘﯾق ﺑﺳﮭوﻟﺔ أن ‪) pi/j‬و ‪ ( pj/i‬ھﻲ ﻓﻌﻼ داﻟﺔ اﺣﺗﻣﺎﻟﯾﺔ )أي ‪ pi/j ≥ 0 :‬و ‪pi / j = 1‬‬

‫‪. p i j = p i • ⋅ p j i = p• j ⋅ p i j‬‬ ‫‪ .2‬ﻣن ﺗﻌرﯾف ‪ pi/j‬و ‪ pj/i‬ﻧﺳﺗﻧﺗﺞ )ﺻﯾﻐﺔ ﻧظرﯾﺔ اﻻﺣﺗﻣﺎﻻت اﻟﻣرﻛﺑﺔ( ‪:‬‬

‫‪ -1.3.3‬اﻟﺗوزﯾﻌﺎت اﻟﺷرطﯾﺔ اﻟﻣﺳﺗﻣرة‪.‬‬

‫اﻟﻣﺷﻛﻠﺔ ‪ :‬ﻛﯾف ﻧﺟد اﻟداﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ ﻟـ ‪ X‬ﺑﺷرط أن ‪ Y=y‬أي ) ‪ f ( xY = y) = F ' ( x Y = y‬ﻋﻠﻣﺎ أن ‪ P[Y= y] = 0‬؟‬

‫‪On part de : F( x Y = y) = P[ X ≤ x Y = y ] = Lim  P[ X ≤ x‬‬ ‫‪] = Lim‬‬

‫= ‪ P[( X ≤ x) ∩ ( y ≤ Y ≤ y + dy )] ‬‬
‫‪dy → 0 ‬‬ ‫‪y ≤ Y ≤ y + dy  dy → 0 ‬‬ ‫] ‪P[ y ≤ Y ≤ y + dy‬‬ ‫‪‬‬
‫])‪Lim [ F ( x, y + dy) - F(x, y‬‬
‫) ‪/dy F 'y ( x, y‬‬
‫‪= Lim ‬‬
‫‪F ( x, y + dy) - F(x, y) ‬‬ ‫‪dy → 0‬‬
‫=‬ ‫=‬
‫‪dy → 0  F (., y + dy ) - F(., y) ‬‬ ‫])‪Lim [ F (., y + dy ) - F(., y‬‬
‫‪/dy‬‬
‫)‪F ' (. , y‬‬
‫‪dy → 0‬‬
‫) ‪F 'y ( x, y‬‬ ‫)‪F ' 'xy ( x, y ) f(x, y‬‬
‫‪On dérive‬‬ ‫= ) ‪F( x Y = y‬‬ ‫= ) ‪par rapport à x . On obtient : F ' x ( x Y = y ) = f x (x /Y = y‬‬ ‫=‬
‫)‪F ' (., y‬‬ ‫)‪F ' (., y‬‬ ‫)‪f(., y‬‬

‫ﺗﻌرﯾف ‪ : 2‬ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر و )‪ f(x,y‬داﻟﺔ ﻛﺛﺎﻓﺗﮫ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ ﻣﻌرﻓﺔ ﻋﻠﻲ ‪. RXY‬‬
‫♦ ﻧﺳﻣﻲ داﻟﺔ ﻛﺛﺎﻓﺔ اﺣﺗﻣﺎﻟﯾﺔ ﺷرطﯾﺔ ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪ X‬ﻋﻠﻣﺎ أن ‪ Y=y‬اﻟداﻟﺔ ) ‪ fx(x/y‬اﻟﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫) ‪f ( x, y‬‬
‫= )‪f x ( x y) = f x ( xY = y‬‬
‫) ‪f (•, y‬‬

‫♦ ﻧﺳﻣﻲ داﻟﺔ ﻛﺛﺎﻓﺔ اﺣﺗﻣﺎﻟﯾﺔ ﺷرطﯾﺔ ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪ Y‬ﻋﻠﻣﺎ أن ‪ X = x‬اﻟداﻟﺔ ) ‪ fy(y/x‬اﻟﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫) ‪f ( x, y‬‬
‫= )‪f y ( y x) = f y ( y X = x‬‬
‫)•‪f ( x,‬‬

‫ﻣﻼﺣظﺎت ‪:‬‬
‫‪ .1‬ﯾﻣﻛن ﺗﺣﻘﯾق ﺑﺳﮭوﻟﺔ أن ) ‪) fx(x/y‬و) ‪ ( fy(y/x‬ھﻲ ﻓﻌﻼ داﻟﺔ ﻛﺛﺎﻓﺔ اﺣﺗﻣﺎﻟﯾﺔ‪.‬‬

‫‪.‬‬ ‫) ‪f (x, y) = f(x, • ) ∗ f y ( y x ) = f( • , y) ∗ f x ( x y‬‬ ‫‪ .2‬ﻣن ﺗﻌرﯾف ) ‪ fx(x/y‬و ) ‪ fy(y/x‬ﻧﺳﺗﻧﺗﺞ ‪:‬‬

‫‪b‬‬

‫‪∫ f ( x, y ).dy‬‬
‫‪ f‬ھﻲ اﻟداﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﺷرطﯾﺔ ﻟـ ‪ X‬ﺷرط ‪. a≤Y≤b‬‬ ‫‪( x a ≤Y ≤b ) = F ' ( x‬‬ ‫= )‪a≤Y ≤b‬‬
‫‪a‬‬
‫‪b‬‬ ‫‪.3‬‬
‫‪∫ f (•, y ).dy‬‬
‫‪a‬‬

‫‪ .4‬اﻟﺗوزﯾﻊ اﻟﺷرطﻲ ﻟـ ‪) X‬أو ﻟـ ‪ (Y‬ھو ﺗوزﯾﻊ اﺣﺗﻣﺎﻟﻲ ﻋدي )ذو ﺑﻌد واﺣد( ﺑﺎﻟﺗﺎﻟﻲ ﯾﻣﻛن ﺣﺳﺎب ﻛل اﻟﻌزوم اﻟﻣﺧﺗﻠﻔﺔ‬
‫)ﺗﺳﻣﻰ اﻟﻌزوم اﻟﺷرطﯾﺔ( و اﻟﻣﻘﺎﯾس اﻟﺣﺻﺎﺋﯾﺔ اﻷﺧرى ‪. (... ، mrX/y ، V[Y/X=x] ، E[Y/X=x] :‬‬
‫‪Fin de séance du cours N° 3 :‬‬ ‫‪le 09-03-2020‬‬
‫)‪(Cours présentiel‬‬
 -16-
ème
4 séance de cours : 16-03-2020 ANNULEE !
pour cause de suspension des cours !
Début des vacances de Printemps le 19-03-2020 au 05-04-2020

Reprise du cours de Proba 3 à partir de cette page :

Début de l’Enseignement à Distance (en ligne)

Début du Cours On Live N°1 (Sous-séance_4.1) le

: ‫زوج ﻋﺷواﺋﻲ داﻟﺗﮫ اﻟﻛﺛﺎﻓﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ ﻣﻌطﺎة ﻛﻣﺎ ﯾﻠﻲ‬ (X ,Y) ‫ﻟﯾﻛن‬ : ‫ﺗﻣرﯾن ﺗطﺑﯾﻘﻲ‬

k.( x + y ) ‫إذا‬ 0≤ x ≤ 1 ‫ و‬-1 ≤ y ≤ 1

f(x , y) = . k ‫أوﺟد ﻗﯾﻣﺔ اﻟﺛﺎﺑت‬ –1
0 ‫ﻋﻧد اﻟﻌﻛس‬
Y ‫ ﻟـ‬f(•, y) ‫ﺣ ّدد اﻟداﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻟﺣدﯾﺔ‬ –2

. ( yo∈Ry) Y = yo ‫إذا‬ X ‫ﻟـ‬ f(x/ y) ‫و اﻟداﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻟﺷرطﯾﺔ‬

. E[2X/Y=0] -(b P[X<1/2/Y= 0] -(a : ‫أﺣﺳب‬ –3

[ ]
e 1 1
 y2 
∫0∫1 k.( x + y).dy.dx = 1 ⇔ k.∫0 xy + 2  −1.dx = 1 ⇔ k.∫0 x + 12 − (− x + 12 ) .dx = k.∫0 2 x.d x = 1 ⇒ k = 1
1 1 1
a) -
1.
b) - k = 1 ⇒ f(x, y) ≥ 0 .
1 1
2. f(•, y) = ∫Rxf(x,y).dx =∫0 (x+y).dx = [x2/2 + xy] 0= (1/2 + y ) * I[-1 , 1](y)

f(x, y) x + y0 .
f(x/ y) = = I[0 , 1](x)
f(., y) Y = y0 1
2 + y0
1/2 1/2 x+0 1/2
3. a)- P[X<1/2/Y=0] = ∫0 f(x/ y=0).dx = ∫0 .dx = [x2] = 1/4
1
2 +0 0

∫0 x.f(x/ y=0).dx = ∫0 x. x1 + 0 .dx =∫0 2x2.dx = [2/3.x3] 0= 2/3

1 1 1 1
b)- E[2X/Y=0] = 2.E[X/Y=0] =
2+ 0
 ‫‪-17-‬‬

‫‪. Indépendance stochastique de V.A‬‬ ‫‪ - 1.4‬اﺳﺗﻘﻼل اﻟﻣﺗﻐﯾرات اﻟﻌﺷواﺋﯾﺔ‬

‫ﻣﻘدﻣﺔ ‪ :‬ﻧذﻛر ﺗﻌرﯾف ﻣﻔﮭوم 'اﻻﺳﺗﻘﻼل' ‪.‬‬
‫ﻧﻘول أن اﻟﺣﺎدﺛﺎن ‪ A‬و ‪ B‬ﻣﺳﺗﻘﻼن )ﺑﺎﻻﺣﺗﻣﺎل( إذا وﻓﻘط إذا ‪ P[A∩B] = P[A]*P[B] :‬أو ]‪. P[A/B] = P[A‬‬

‫اﻟﻣﺷﻛﻠﺔ ‪ :‬ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ‪ .‬ﻛﯾف ﻧطﺑق ﻣﻔﮭوم 'اﻻﺳﺗﻘﻼل' اﻟﺳﺎﺑق ﻋﻠﻲ ‪ X‬و‪) Y‬ﻋﻠﻣﺎ أﻧﮭﻣﺎ ﯾﺄﺧذان ﻋدة ﻗﯾم ﻣﺧﺗﻠﻔﺔ(؟‬

‫ﺗﻌرﯾف ‪ :1‬ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ‪ .‬ﻧﻘول أن ‪ X‬و ‪ Y‬ﻣﺳﺗﻘﻼن )ﺑﺎﻻﺣﺗﻣﺎل( إذا وﻓﻘط إذا ‪:‬‬

‫♦ ﺣﺎﻟﺔ زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل ‪.‬‬

‫‪∀(xi , yj)∈RXY , pij = Pxy[X= xi∩Y=yj] = Px[X= xi]*Py[Y=yj] = pi. * p.j‬‬ ‫)*(‬

‫‪yj‬‬
‫‪0‬‬ ‫‪2‬‬ ‫•‪pi‬‬ ‫ﻣﺛﺎل ‪ :‬ﻣﻌطﯾﺎت اﻟﻣﺛﺎل اﻟﺗﻣﮭﯾدي )اﻧظر اﻟﻲ اﻟﺟدول اﻟﺗﺎﻟﻲ(‪.‬‬
‫‪xi‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪1/4‬‬ ‫‪1/4‬‬ ‫ﻟدﯾﻧﺎ ‪ X ⇐ p11 = 0 # p1. * p.1 = 1/4*1/2 = 1/8 :‬و ‪ Y‬ﻏﯾر ﻣﺳﺗﻘﻼن‪.‬‬
‫‪1‬‬ ‫‪1/2‬‬ ‫‪0‬‬ ‫‪1/2‬‬
‫‪2‬‬ ‫‪0‬‬ ‫‪1/4‬‬ ‫‪1/4‬‬
‫‪p•j‬‬ ‫‪1/2‬‬ ‫‪1/2‬‬
‫ﻣﻼﺣظﺔ ھﺎﻣﺔ ‪ :‬ﯾﻛﻔﻲ أن ﺗﻛون اﻟﻌﻼﻗﺔ )*( ﻏﯾر ﻣﺣﻘﻘﺔ ﻻﺣدى اﻷزواج )‪(xi , yj‬‬
‫ﻟﻛﻲ ﯾﺻﺑﺢ ‪ X‬و ‪ Y‬ﻏﯾر ﻣﺳﺗﻘﻼن )و ﻟو ﻛﺎﻧت ﻣﺣﻘﻘﺔ ﻟﻛل اﻷزواج اﻷﺧرى(‬

‫♦ ﺣﺎﻟﺔ زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر ‪.‬‬

‫)‪. ∀(x,y), f(x,y) = f(x ; .) * f(. ; y‬‬
‫ﻣﻼﺣظﺔ ‪:‬‬
‫)‪ f(• ; y) = f(y/x‬ﻋﻧدﺋذ ‪ X :‬و ‪ Y‬ﻣﺳﺗﻘﻼن‪.‬‬ ‫أو‬ ‫ﺗﻌرﯾف ‪ : 2‬إذا )‪f(x ; •) = f(x/y‬‬

‫‪ 2. x si ( x, y )∈R‬‬ ‫ﻣﺛﺎل ‪ :‬ﻣﻌطﯾﺎت اﻟﺗﻣرﯾن اﻟﺗطﺑﯾﻘﻲ ‪ 1‬اﻟﺳﺎﺑق‪.‬‬

‫‪‬‬ ‫‪y‬‬
‫‪XY‬‬
‫‪‬‬
‫‪f ( x, y ) = ‬‬
‫‪‬‬ ‫‪0 si ( x,)∉RXY‬‬ ‫ھل ‪ X‬و ‪ Y‬ﻣﺳﺗﻘﻼن ؟‬
‫‪‬‬
‫‪‬‬
‫)‪f(•, y) = 1/y . IRy(y‬‬ ‫و‬ ‫ﻟدﯾﻧﺎ ‪f(x , •) = 2x . IRx(x) :‬‬
‫‪1 si 𝑥𝑥∈Rx‬‬
‫� = )‪ IRx(x‬ھﻲ اﻟداﻟﺔ اﻟﻣؤﺷرة ﻟﻠﺣﺎدث ‪. 𝑥𝑥∈Rx‬‬ ‫ﻧذﻛر أن ‪:‬‬
‫𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 ‪0‬‬
‫‪x‬‬
‫⇐ ‪ X‬و ‪ Y‬ﻣﺴﺘﻘﻼن‪.‬‬ ‫‪f ( x, y ) = 2.‬‬ ‫)‪= 2 x × 1 = f(x,. ) × f( ., y‬‬
‫‪y‬‬ ‫‪y‬‬
 ‫‪-18-‬‬

‫‪Moments et caractéristiques d’un couple aléatoire‬‬ ‫‪ - 1.5‬اﻟﻌزوم واﻟﻣﻣ ّﯾزات اﻷﺳﺎﺳﯾﺔ ﻟزوج ﻋﺷواﺋﻲ‬
‫ﻗدﻣﻧﺎ ﻣﻔﮭوم و ﺧﺻﺎﺋص اﻟﺗوﻗﻊ )اﻷﻣل( اﻟرﯾﺎﺿﻲ ﻟﻣﺗﻐﯾر ﻋﺷواﺋﻲ واﺣﯾد اﻟﺑﻌد ‪ .‬ﻧﻘدم ‪ ،‬ﻓﯾﻣﺎ ﺑﻌد‪،‬‬
‫ﺗﻌﻣﯾم ھذا اﻟﻣﻔﮭوم و ﺧﺻﺎﺋﺻﮫ اﻟﻲ ﺣﺎﻟﺔ ﺷﻌﺎع ﻋﺷواﺋﻲ ‪.‬‬

‫‪ -1.5.1‬اﻟﺗوﻗﻊ اﻟرﯾﺎﺿﻲ ﻟداﻟﺔ زوج ﻋﺷواﺋﻲ ‪ :‬ﺻﯾﻐﺔ اﻟﺗﺣوﯾل )‪.(Formule de transfert‬‬

‫‪ψ : Rxy → R‬‬

‫‪1‬‬
‫ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﻌرف ﻋﻠﻲ ‪ Rxy⊆R2‬و )‪ W= ψ(X,Y‬داﻟﺔ ﺳﻠﻣﯾﺔ‬
‫)‪ (Scalaire‬اﻟﺗﻲ ﺗراﻓق ﻟﻛل ﻧﻘطﺔ )‪ ، (x,y)∈Rxy⊆R ، (x,y‬ﻧﻘطﺔ ‪ ، w∈R ، w‬أي ‪→ w =ψ (x,y) :‬ا )‪(x,y‬‬
‫‪1‬‬ ‫‪2‬‬

‫‪. ψ(X,Y) = (X-E[X]).(Y-E[Y]) ، ψ(X,Y) = X.Y‬‬ ‫‪، ψ(X,Y) = a.X + bY + c‬‬ ‫أﻣﺛﻠﺔ ‪:‬‬

‫ﺗﻌرﯾف ‪ :‬اﻟﺗوﻗﻊ اﻟرﯾﺎﺿﻲ ﻟﻠداﻟﺔ )‪ ψ(X,Y‬ھﻲ اﻟﻛﻣﯾﺔ اﻟﻣﻧﺗﮭﯾﺔ ])‪) E[ψ(X,Y‬إذا وﺟدت( اﻟﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫ﻧﺳﺗﻌﻣل ھذا اﻟﺻﯾﻐﺔ‬
‫ﻟﺗﻌرﯾف ﻣﻘﺎﯾس‬
‫إﺣﺻﺎﺋﯾﺔ أﺧرى‬
‫‪‬‬ ‫‪n m‬‬
‫‪∑∑ Ψ ( xi , y j )∗ pij‬‬ ‫إذا )‪ (X,Y‬ز‪.‬ع ﻣﻧﻔﺻل‬
‫‪‬‬
‫‪‬‬ ‫‪i =1 j=1‬‬
‫‪E[Ψ ( X , Y )] = ‬‬
‫‪‬‬
‫∫‬ ‫∫‬ ‫إذا )‪ (X,Y‬ز‪.‬ع ﻣﺳﺗﻣر ‪Ψ ( x, y ).f( x, y ).dy.dx‬‬
‫‪‬‬
‫‪ x y‬‬
‫‪R R‬‬

‫ﻣﻼﺣظﺔ ‪ :‬ھذا اﻟﺗﻌرﯾف ﯾﺳﻣﺢ ﺣﺳﺎب ])‪ E[ψ(X,Y‬ﺑدون ﺗﺣدﯾد )أو ﻣﻌرﻓﺔ( ﺗوزﯾﻊ )‪.(formule de transfert) W = ψ(X,Y‬‬
‫ﻧﻘﺑل ھذه اﻟﻧﺗﯾﺟﺔ ﺑدون ﺗﻘدﯾم ﺑرھﻧﮭﺎ )طوﯾل !(‪.‬‬

‫♦ ﺧﺎﺻﯾﺔ ھﺎﻣﺔ ﻟﻠﺗوﻗﻊ اﻟرﯾﺎﺿﻲ ‪’ :‬اﻟﺧطﯾﺔ‘ )‪.(Linéarité‬‬

‫ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻣﻌرف ﻋﻠﻲ ‪ ψ1(X,Y) ، Rxy‬و )‪ ψ2(X,Y‬داﻟﺗﺎن ﻟـ ‪ X‬و‪ ، Y‬ﻋﻧدﺋذ ‪:‬‬

‫])‪. ∀a,b∈R, E[a.ψ1(X,Y) + b.ψ2(X,Y)] = a.E[ψ1(X,Y)] + b.E[ψ2(X,Y‬‬

‫)‪.(opérateur linéaire‬‬ ‫⇐ ﻧﻘول أن ]‪ E[.‬ھو 'ﻣؤﺛر أوﻋﺎﻣل ﺧطﻲ'‬

‫اﻟﺑرھﺎن ‪ :‬ﻧﻔﺗرض أن )‪ (X,Y‬ھو زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل‬

‫‪n‬‬ ‫‪m‬‬ ‫‪n‬‬ ‫‪m‬‬ ‫‪n‬‬ ‫‪m‬‬
‫‪E[a.Ψ1 (X, Y) + b.Ψ2 (X, Y)] = ∑∑ [a.Ψ1 (x i , y j ) + b.Ψ2 (x i , y j )] ⋅ p ij = ∑∑ a.Ψ1 (x i , y j ) ⋅ p ij + ∑∑ b.Ψ2 (x i , y j ) ⋅ p ij‬‬
‫‪i =1 j =1‬‬ ‫‪i =1 j =1‬‬ ‫‪i =1 j =1‬‬
‫‪n‬‬ ‫‪m‬‬ ‫‪n‬‬ ‫‪m‬‬
‫]) ‪= a.∑∑ Ψ1 (x i , y j ) ⋅ p ij + b.∑∑ Ψ2 (x i , y j ) ⋅ p ij = a.E[Ψ1 (x i , y j )] + b.a.E[ Ψ2 (x i , y j‬‬
‫‪i =1 j =1‬‬ ‫‪i =1 j =1‬‬

‫ﻣﻼﺣظﺔ ‪ :‬ﻋﻧدﻣﺎ ﻧﺿﻊ ‪ ψ1(X,Y) = X :‬و ‪ ، ψ2(X,Y) = Y‬ﻧﺳﺗﻧﺗﺞ ﻣن اﻟﻌﻼﻗﺔ اﻟﺳﺎﺑﻘﺔ ‪:‬‬

‫‪∀a,b∈R,‬‬ ‫]‪E[a.X + b.Y] = a.E[X] + b.E[Y‬‬

 ‫‪-19-‬‬

‫] 𝑖𝑖𝑋𝑋[𝐸𝐸 ‪.𝐸𝐸 [∑𝑛𝑛𝑖𝑖=1 𝛼𝛼𝑖𝑖 . 𝑋𝑋𝑖𝑖 ] = ∑𝑛𝑛𝑖𝑖=1 𝛼𝛼𝑖𝑖 .‬‬ ‫ﺗﻌﻣﯾم ‪ :‬ﻟﯾﻛن )‪ 𝐕𝐕= (X1, X2, …, Xn‬ﺷﻌﺎع ﻋﺷواﺋﻲ‪ ،‬ﻋﻧدﺋذ ‪:‬‬

‫♦ ﺣﺎﻟﺔ ﺧﺎﺻﺔ ھﺎﻣﺔ ‪ :‬ﻟﺗﻛون اﻟداﻟﺔ ‪ ψ‬ﺑﺣﯾث ‪ ، W = ψ(X,Y) = X.Y :‬ﻋﻧدﺋذ ‪:‬‬

‫‪ n m‬‬
‫‪ ∑i =1 ∑ j =1 ( xi y j ) ⋅ pij‬‬ ‫إذا )‪ (X,Y‬ھو 'ز‪.‬ع' ﻣﻧﻔﺻل‬
‫‪‬‬
‫‪E[ X ⋅ Y ] = ‬‬
‫‪ ∫ ∫ xy ⋅ f ( x, y ).dydx‬‬ ‫إذا )‪ (X,Y‬ھو 'ز‪.‬ع' ﻣﺳﺗﻣر‬
‫‪ Rx Ry‬‬
‫‪‬‬

‫ﻣﺛﺎل ‪ :‬ﻧﻌﺗﺑر ﻣﻌطﯾﺎت اﻟﻣﺛﺎل اﻟﺗﻣﮭﯾدي )ﺗوزﯾﻊ ‪ X‬و ‪ Y‬ﻣﻌطﻲ ﻓﻲ اﻟﺟدول اﻟﺗﺎﻟﻲ(‪.‬‬
‫‪yj‬‬
‫‪0‬‬ ‫‪2‬‬
‫ﺟدول ﺣﺳﺎب اﻟﻘﯾم ‪xi * yj * pij‬‬
‫•‪pi‬‬
‫‪xi‬‬
‫‪yj‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪1/4‬‬ ‫‪1/4‬‬ ‫‪y1= 0 y2 = 2‬‬
‫‪xi‬‬
‫‪1‬‬ ‫‪1/2‬‬ ‫‪0‬‬ ‫‪1/2‬‬ ‫‪x1= 0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪0‬‬ ‫‪1/4‬‬ ‫‪1/4‬‬ ‫‪x2= 1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪E[X.Y] = ∑3𝑖𝑖=1 ∑2𝑗𝑗 =1(𝑥𝑥𝑖𝑖 ∙ 𝑦𝑦𝑗𝑗 ) ∗ 𝑝𝑝𝑖𝑖𝑗𝑗 = 1‬‬
‫‪p•j‬‬ ‫‪1/2‬‬ ‫‪1/2‬‬ ‫‪x3= 2‬‬ ‫‪0‬‬ ‫‪1‬‬

‫‪ -1.5.2‬اﻟﺗﺑﺎﯾن اﻟﻣﺷﺗرك ﻟـ ‪ X‬و‪.Covariance Y‬‬

‫ﺗﻌرﯾف ‪ :‬ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ‪.‬‬
‫ﻧﺳﻣﻲ ﺗﺑﺎﯾن ﻣﺷﺗرك ﻟـ ‪ X‬و‪ Y‬اﻟﻛﻣﯾﺔ اﻟﺣﻘﯾﻘﯾﺔ )إذا وﺟدت(‪ ،‬ﻧرﻣز اﻟﯾﮭﺎ ﺑـ ]‪ ، Cov[X,Y‬اﻟﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫‪ n‬‬
‫‪ ∑i =1 ∑ j =1 ( xi − E[ X ]).( y j − E[Y ]). pij‬‬
‫‪m‬‬

‫‪‬‬
‫= ])]‪Cov[X,Y] = E[(X - E[X]).(Y - E[Y‬‬ ‫‪‬‬
‫‪ ∫ ∫ ( x − E[ X ]).( y − E[Y ]). f ( x, y ).dy.dx‬‬
‫‪ Rx Ry‬‬
‫‪‬‬

‫]‪Cov[X,Y] = E[X .Y] – E[X] .E[Y‬‬ ‫ﻧظرﯾﺔ ‪ : (Koening-Huyghens) :‬ﯾﻣﻛن ﺑرھﺎن أن ‪:‬‬

‫]]‪Cov[X,Y] = E[(X-E[X]).(Y-E[Y])] = E[X.Y –X.E[Y] –Y.E[X] + E[X].E[Y‬‬ ‫اﻟﺑرھﺎن ‪:‬‬

‫‪linéarité‬‬
‫=‬ ‫]‪E[ X .Y ] - E[X].E[Y] - E[Y].E[X] + E[X].E[Y] = E[X.Y] - E[X].E[Y‬‬

‫ﻣﻼﺣظﺔ ‪ :‬ﺗﺳﻣﺢ ھذه اﻟﻌﻼﻗﺔ ﺗﺳﮭﯾل ﺣﺳﺎب ]‪.Cov[X,Y‬‬

‫ﺧﺻﺎﺋص ]‪. Cov[X,Y‬‬

‫ﻣن اﻟﺧﺎﺻﯾﺔ اﻟﺳﺎﺑﻘﺔ )اﻟﺧطﯾﺔ ‪ (linéarité‬ﻟـ ]•[‪ ، E‬ﻧﺳﺗﻧﺗﺞ ‪:‬‬
‫]‪Cov[X+Y, Z] = Cov[X, Z] + Cov[Y, Z‬‬ ‫]‪ Cov[a.X+ b, c.Y+ d] = a.b.Cov[X,Y‬و‬
 -20-

‫ ﺗﻣرﯾن‬: ‫اﻟﺑرھﺎن‬

Cov[X+Y,Z] = E[((X+Y)-E[X+Y]).(Z-E[Z])] = E[((X-E[X])+(Y-E[Y])).(Z-E[Z])]

= E[(X-E[X]).(Z-E[Z])+(Y-E[Y]).(Z-E[Z])]=E[(X-E[X]).(Z-E[Z])]+E[(Y-E[Y]).(Z-E[Z])]
= Cov[X,Z] + Cov[Y,Z]
Fin du Cours On Live N°1 (Sous-séance_4.1).

Début Cours On Live N°2 (Sous-séance_4.2 le

‫ ﻻ‬،‫ھذه اﻟﻔﻘرة تﻗدم ﻓﻘط ﻧظرﯾﺔ‬ ‫ اﻟﺗﺑﺎﯾن ﻟداﻟﺔ ﺧطﯾﺔ ﻟزوج ﻋﺷواﺋﻲ‬-1.5.3
. ‫تﺳﺗﺣق أي ﺗﻌﻠﯾق اﺿﺎﻓﻲ‬
: ‫ ﯾﻣﻛن ﺑرھﺎن أن‬.‫( زوج ﻋﺷواﺋﻲ‬X,Y) ‫ﻟﯾﻛن‬
2 2
. ∀a,b / a,b ∈R : V[a.X + b.Y ] = a .V[X] + b .V[Y] + 2.a.b.Cov[X,Y]
: ‫اﻟﺑرھﺎن‬
2
V[aX + bY] ≝ E[(aX+ bY – E[aX+ bY]) ] =
2 2
=E[(aX + bY – aE[X] –b.E[Y]) ]=E[(a(X–E[X])+b(Y– E[Y])) ]=
2 2 2
= E[a2(X– E[X]) +2ab.(X– E[X]).(Y– E[Y]) +b .(Y– E[Y]) ] =
2 2 2
= a2E[(X– E[X]) ] + 2ab.E[(X– E[X]).(Y– E[Y])] + b E[(Y– E[Y]) ] =
2
= a2V[X] + 2ab.Cov[X,Y] + b .V[Y] (CQFD).

: ‫ ﻋﻧدﺋذ‬، (X, Y, Z) ‫ ﻟﯾﻛن اﻟﺷﻌﺎع اﻟﻌﺷواﺋﻲ‬: ‫ﺗﻌﻣﯾم‬

V[aX+bY+cZ] = a2V[X]+ b2V[X]+ c2V[X]+ 2abCov[X,Y]+2acCov[X,Z]+2bcCov[Y,Z]

.Coefficient de corrélation linéaire entre X et Y Y ‫ و‬X ‫ ﻣﻌﺎﻣل اﻻرﺗﺑﺎط اﻟﺧطﻲ ﺑﯾن‬-1.5.4

‫ ﯾﺳﻣﺢ ﻛﺷف و ﻗﯾﺎس‬ρxy ‫ﻣﻌﺎﻣل اﻻرﺗﺑﺎط‬
Y ‫ و‬X '‫ع‬.‫ﺷدة اﻟﻌﻼﻗﺔ اﻟﺧطﯾﺔ ﺑﯾن 'م‬ .‫( زوج ﻋﺷواﺋﻲ‬X,Y) ‫ ﻟﯾﻛن‬: ‫ﺗﻌرﯾف‬
: ‫ اﻟﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ‬، Cor[X,Y] = ρXY ‫ ﻧرﻣز اﻟﯾﮭﺎ ﺑـ‬، ‫ اﻟﻛﻣﯾﺔ اﻟﺣﻘﯾﻘﯾﺔ‬Y‫ و‬X ‫ﻧﺳﻣﻲ ﻣﻌﺎﻣل اﻻرﺗﺑﺎط اﻟﺧطﻲ ﺑﯾن‬

Cov[ X , Y ]
Cor(X , Y) = ρ = (-1 ≤ ρ XY ≤ 1)
XY σ xσ y
: -1≤ ρXY ≤1 ‫ﺑرھﺎن أن‬
: ‫ ﺗطﺑﯾﻘﺎ ﻟﺗﻌرﯾف اﻟﺗﺑﺎﯾن‬. ‫ ھﻲ ﻗﯾﻣﺔ ﺣﻘﯾﻘﯾﺔ‬λ ‫( ﺑﺣﯾث‬X+λ.Y) ‫ﻧﻌﺗﺑر اﻟﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ‬

2 2 2
V[X+λ.Y] ≝ E[(X+λ.Y) – E[X+λ.Y]) ] = E[(X + λ.Y – E[X] – λ.E[Y]) ] = E[((X– E[X]) + λ.(Y– E[Y])) ]
2 2 2
= E[(X– E[X]) +2λ.(X– E[X]). (Y– E[Y]) +λ .(Y– E[Y]) ] =
 ‫‪-21-‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫= ] )]‪= E[(X– E[X]) ] + 2λ.E[(X– E[X]).(Y– E[Y])] + λ E[(Y– E[Y‬‬
‫‪2‬‬
‫‪).‬ﻣﺗﻌدد اﻟﺣدود ﻣن اﻟدرﺟﺔ ‪= V[X] + 2λ.Cov[X,Y] + λ .V[Y] (= P(λ) Polynôme de degré 2 en λ 2‬‬

‫ﻋﻠﻣﺎ أن ‪ ⇐ V[X+λ.Y] ≥ 0 ∀λ‬اﻟﻣﺣدّد )‪ ∆(λ‬لﻣﺗﻌدد اﻟﺣدود )‪ P(λ‬ھو ﺳﺎﻟب او ﻣﻌدوم‪ ،‬أي ‪:‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪[Cov[X,Y]] – V[X].V[Y] ≤ 0‬‬ ‫⇔‬ ‫‪∆(λ) = [2.Cov[X,Y]] – 4.V[Y].V[X] ≤ 0‬‬
‫‪2‬‬
‫]‪−�V[X]. V[Y] ≤ Cov[X,Y] ≤ �V[X]. V[Y‬‬ ‫⇔‬ ‫ﻧﺳﺗﻧﺗﺞ أن ‪[Cov[X,Y]] ≤ V[X].V[Y] :‬‬
‫]‪Cov [X,Y‬‬
‫)‪. (CQFD‬‬ ‫≤ ‪–1‬‬ ‫‪= Cor(X,Y) ≤ +1‬‬ ‫⇔‬
‫]‪�V[X].V[Y‬‬

‫ﺗﻔﺳﯾر ‪: ρXY‬‬
‫إذا ‪ : ρXY = ±1‬ﺗوﺟد ﻋﻼﻗﺔ ﺗﺎﺑﻌﯾﺔ ‪ relation foctionnelle‬ﺧطﯾﺔ ﺑﯾن ‪ X‬و‪ Y‬أي ‪) Y = a.X + b :‬و‪ ρXY = +1‬إذا ‪(a> 0‬‬
‫إذا ‪ : ρXY → +1‬ﺗوﺟد ﻋﻼﻗﺔ ﺧطﯾﺔ طردﯾﺔ ﻗوﯾﺔ ﺟدا ﺑﯾن ‪ X‬و‪) Y‬اﻧظر اﻟﻲ اﻟﺑﯾﺎن(‪.‬‬
‫إذا ‪ : ρXY → -1‬ﺗوﺟد ﻋﻼﻗﺔ ﺧطﯾﺔ ﻋﻛﺳﯾﺔ ﻗوﯾﺔ ﺟدا ﺑﯾن ‪ X‬و ‪. Y‬‬
‫إذا ‪ : ρXY → 0‬ﻻ ﺗوﺟد ﻋﻼﻗﺔ ﺧطﯾﺔ ﺑﯾن ‪ X‬و‪) Y‬اﻣﺎ ﺗوﺟد ﻋﻼﻗﺔ ﻏﯾر ﺧطﯾﺔ اﻣﺎ ‪ X‬و‪Y‬ﻣﺳﺗﻘﻼن(‪.‬‬
‫إذا ‪ : -0.5 ≤ ρXY ≤ 0.5‬ﺗوﺟد ﻋﻼﻗﺔ ﺧطﯾﺔ 'ﺿﻌﯾﻔﺔ' ﺑﯾن ‪ X‬و‪. Y‬‬

‫‪ρXY → +1‬‬ ‫‪ρXY >0‬‬ ‫‪ρXY <0‬‬ ‫‪ρXY ≅0‬‬

‫ھذا اﻟﺟدول ﯾﻠﺧص ﻣﻧﮭﺟﯾﺔ ﺣﺳﺎب ‪ρxy‬‬

‫ﻣﺛﺎل ‪) :‬ﻣﻌطﯾﺎت اﻟﻣﺛﺎل اﻟﺗﻣﮭﯾدي (‪ .‬ﺣﺳﺎب ﻣﻌﺎﻣل اﻻرﺗﺑﺎط اﻟﺧطﻲ ﺑﯾن ‪ X‬و‪ . Y‬ﻣﺎذا ﺗﯾﺗﻧﺗﺞ ؟‬
‫ﻣﻌطﯾﺎت ‪ :‬اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك ﻟـ )‪(X,Y‬‬
‫‪yj‬‬ ‫ﺣﺳﺎب اﻟﻌزوم اﻟﺣدﯾﺔ ﻟـ ‪: X‬‬
‫‪xi‬‬ ‫‪y1= 0‬‬ ‫‪y2 = 2‬‬ ‫•‪p i‬‬ ‫•‪xi * pi• xi2* pi‬‬ ‫‪E[X,.] = E[X] = 1‬‬
‫‪E[X2] = 3/2‬‬
‫‪x1= 0‬‬ ‫‪0‬‬ ‫‪1/4‬‬ ‫‪1/4‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪2‬‬
‫‪V[X]= E[X2] - E[X]2 = 3/2 – (1) = 1/2‬‬
‫‪x2= 1‬‬ ‫‪1/2‬‬ ‫‪0‬‬ ‫‪1/2‬‬ ‫‪1/2‬‬ ‫‪1/2‬‬
‫‪σx = �1�2‬‬
‫‪x3= 2‬‬ ‫‪0‬‬ ‫‪1/4‬‬ ‫‪1/4‬‬ ‫‪1/2‬‬ ‫‪1‬‬

‫‪p•j‬‬ ‫‪1/2‬‬ ‫‪1/2‬‬ ‫‪Σ=1‬‬ ‫‪1‬‬ ‫‪3/2‬‬ ‫ﺣﺳﺎب )‪ Cov(X,Y‬و ‪ρxy‬‬

‫‪yj *p•j‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬
‫ﺟدول ﺣﺳﺎب اﻟﻘﯾم ‪xi * yj * pij‬‬ ‫]‪Cov(X,Y) = E[X.Y]-E[X].E[Y‬‬
‫‪yj 2*p•j‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪yj‬‬ ‫‪= 1- (1).(1) = 0‬‬
‫‪xi‬‬ ‫‪y1= 0 y2 = 2‬‬
‫ﺣﺳﺎب اﻟﻌزوم اﻟﺣدﯾﺔ ﻟـ ‪: Y‬‬ ‫)𝑌𝑌‪𝐶𝐶𝐶𝐶𝐶𝐶(𝑋𝑋,‬‬ ‫‪0‬‬
‫‪x1= 0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫= ‪ρxy‬‬ ‫‪σx.σy‬‬
‫=‬ ‫‪=0‬‬
‫‪1.�1�2‬‬
‫‪E[Y,.] = E[Y] = 1‬‬ ‫‪x2= 1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪E[Y2] = 2‬‬ ‫ﻣﻼﺣظﺔ ‪:‬‬
‫‪2‬‬ ‫‪x3= 2‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪V[Y]= E[Y2]-E[Y]2 = 2–(1) = 1‬‬ ‫‪ ρxy = 0‬ﻟﻛن ‪ X‬و‪Y‬ﻏﯾر ﻣﺳﺗﻘﻠﺔ‬
‫‪σy = 1‬‬ ‫‪p11=0 # p1.* p.1 =1/4*1/2=1/8‬‬
‫‪E[X.Y]=∑3𝑖𝑖=1 ∑2𝑗𝑗 =1 𝑥𝑥𝑖𝑖 ∗ 𝑦𝑦𝑗𝑗 ∗ 𝑝𝑝𝑖𝑖𝑗𝑗 = 1‬‬ ‫اﺳﺗﻘﻼل ‪ X‬و ‪Y‬‬ ‫اﻧﻌدام ‪ρxy‬‬
 ‫‪-22-‬‬

‫ﻧظرﯾﺔ ‪:‬‬
‫إذا ‪ X‬و ‪' Y‬م‪.‬ع' ﻣﺳﺗﻘﻼن ‪ ،‬ﻋﻧدﺋذ ‪ Cov[X,Y] = 0 :‬و ‪. ρXY = 0‬‬

‫ﻣﻼﺣظﺔ ھﺎﻣﺔ ‪ :‬اﻟﻌﻛس ﻏﯾر ﺻﺣﯾﺢ )اﻧظر اﻟﻲ اﻟﻣﺛﺎل اﻟﺳﺎﺑق( ‪.‬‬

‫اﻟﺑرھﺎن ‪) :‬ﺗﻣرﯾن(‪.‬‬
‫ﻟﺑرھﺎن أن ‪ Cov[X,Y] = E[X.Y]-E[X].E[Y] = 0‬ﻋﻧدﻣﺎ ‪ X‬و ‪ Y‬ﻣﺳﺗﻘﻼن ﯾﻛﻔﻲ ﺑرھﺎن أن ]‪.E[X.Y] = E[X].E[Y‬‬
‫ﻧﻔﺗرض أن )‪ (X,Y‬ھو زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر ‪ .‬اﺳﺗﻘﻼل ‪ X‬و ‪: f(x,y) = fx(x,.) . fy(.,y) ⇐ Y‬‬

‫ﰲ ﻫﺬﻩ اﻟﻔﻘﺮة ﻧﻘﺪم ﻓﻘﻂ ﺗﻌﺮﻳﻔﺎن‪،‬‬ ‫‪ -1.5.5‬ﺗﻘدﯾم ﻋزوم ﺷﻌﺎع ﻋﺷواﺋﻲ‪.‬‬

‫ﻻ ﻧﺴﺘﺤﻖ أي ﺗﻌﻠﻴﻖ اﺿﺎﰲ‬
‫ﻟﯾﻛن )‪ V′ = (X,Y‬ﺷﻌﺎع ﻋﺷواﺋﻲ )ذو اﻟﺑﻌدﯾن( ﺑﺣﯾث ‪:‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪ V[Y] = σy ، V[X] = σx ، E[Y] = µy ، E[X] = µx‬و ‪.Cov[X,Y] = σxy‬‬

‫ﺗﻌرﯾف ‪Espérance d’un vecteur : 1‬‬

‫‪ X  µx ‬‬
‫‪E [V ] = E   =  ‬‬ ‫ﻧﺳﻣﻲ ﺗوﻗﻊ رﯾﺎﺿﻲ ﻟـ ‪ V‬اﻟﺷﻌﺎع ] ‪ E[ V‬اﻟﻣﻌرف ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫‪ Y   µ y ‬‬

‫ﺗﻌرﯾف ‪Matrice de variance-covariance : 2‬‬

‫ﻧﺳﻣﻲ'ﻣﺻﻔوﻓﺔ اﻟﺗﺑﺎﯾن' ﻟـ ‪ V‬اﻟﻣﺻﻔوﻓﺔ ‪ Σ‬اﻟﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬

‫) ‪ V (X‬‬ ‫‪Cov( X , Y )‬‬ ‫‪ σ x2‬‬ ‫‪σ xy ‬‬

‫‪Var[V ] = Σ = ‬‬ ‫‪= ‬‬ ‫‪‬‬
‫) ‪Cov(Y , X‬‬ ‫‪V (Y ) ‬‬ ‫‪σ xy‬‬ ‫‪σ y2 ‬‬

‫‪Fin du Cours On Live N° 2 ( Sous-séance_4.2 ) le‬‬

 ‫‪-23-‬‬
‫ﺑﻌض ﺗﻣﺎرﯾن إﺿﺎﻓﯾﺔ ﻣﺣﻠوﻟﺔ‬

‫ﺗﻣرﯾن ﺗطﺑﯾﻘﻲ ‪3‬‬

‫𝐂𝐂‬
 ‫‪-24-‬‬

‫ﺗﻣرﯾن ﺗطﺑﯾﻘﻲ ‪: 4‬‬

 ‫‪-25-‬‬
‫ﺣل اﻟﺗﻣرﯾن رﻗم ‪ 2‬ﻣن اﻟﺳﻠﺳﻠﺔ ‪1‬‬
‫)‪(xi, yj‬‬ ‫ﺗﻣرﯾن ﺗطﺑﯾﻘﻲ ‪: 5‬‬

‫)‪(0,0‬‬ ‫)‪(1,1‬‬ ‫)‪(0,2‬‬

‫)‪(1,1‬‬ ‫)‪(2,0‬‬ ‫)‪(1,1‬‬

‫)‪(0,2‬‬ ‫)‪(1,1‬‬ ‫)‪(0,0‬‬

 ‫‪-26-‬‬
‫‪Début du Cours On Live N° 3 (Sous-séance_5.1 le‬‬

‫‪.Distributions multivariées usuelles‬‬ ‫‪ - 1.6‬اﻟﺗوزﯾﻌﺎت اﻟﻣﺗﻌددة اﻷﺑﻌﺎد اﻟﺷﮭﯾرة‬

‫‪ -1.6.1‬ﻣﻘدﻣﺔ ‪ :‬اﻟﻣﺷﻛﻠﺔ ‪.‬‬
‫ﻧﻌﺗﺑر ﻣﻌطﯾﺎت اﻟﺑﯾﺎن اﻟﺗﺎﻟﻲ ‪:‬‬

‫ﻟدﯾﻧﺎ ﻣﺟﺗﻣﻊ ‪) P‬ﻣﺛﺎل‪ :‬ﻋﻠﺑﺔ( ﯾﺣﺗوي ﻋﻠﻲ‬

‫‪ N‬ﻋﻧﺻر )ﻣﺛﺎل‪ :‬ﻛرﯾﺎت( ﻣن ‪ k‬ﻧوع‬
‫)ﻟون( ‪ Ak ،... ، A2 ، A1‬ﺑﺣﯾث ‪:‬‬

‫ﻧﺳﺑﺔ )ﻋدد( اﻟﻌﻧﺎﺻرﻣن اﻟﻧوع ‪) A1‬ﺑﯾﺿﺎء( ھﻲ ‪،(N1) p1‬‬ ‫•‬

‫‪p1 + p2 + … + pk = 1‬‬
‫ﻧﺳﺑﺔ )ﻋدد( اﻟﻌﻧﺎﺻرﻣن اﻟﻧوع ‪) A2‬ﺣﻣراء( ھﻲ ‪،(N2) p2‬‬ ‫•‬
‫‪N1 + N2 + … + Nk = N‬‬
‫ﻧﺳﺑﺔ )ﻋدد( اﻟﻌﻧﺎﺻرﻣن اﻟﻧوع ‪) Ak‬ﺳوداء( ھﻲ ‪.(Nk) pk‬‬ ‫•‬
‫𝒋𝒋𝑵𝑵‬
‫= ‪Nj = pj.N ⇔ pj‬‬
‫𝑵𝑵‬
‫ﻟﺗﺑﺳﯾط اﻟﻣﺷﻛﻠﺔ ﻧﻔﺗرض ﻓﻲ ﻣﺎ ﺑﻌد أن ‪. k = 3‬‬
‫ﻧﺳﺣب ﺑطرﯾﻘﺔ ﻋﺷواﺋﯾﺔ ‪ n‬ﻋﻧﺻر)ﻛرة( ﻣن ھذا اﻟﻣﺟﺗﻣﻊ ‪. P‬‬
‫ﻧﻌﺗﺑراﻟﺷﻌﺎع اﻟﻌﺷواﺋﻲ ) 𝒌𝒌𝑿𝑿 ‪ 𝑽𝑽′ = (𝑿𝑿𝟏𝟏 , 𝑿𝑿𝟐𝟐 ,‬ﺑﺣﯾث اﻟﻣﺗﻐﯾرات اﻟﻌﺷواﺋﯾﺔ ‪ Xj‬ھﻲ ﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬

‫‪ }= Xj‬ﻋدد اﻟﻌﻧﺎﺻر ‪ Aj‬ﻓﻲ اﻟﻌﯾﻧﺔ{ ‪ j=1, 2, k=3 ،‬ﺑﺣﯾث ‪. X1 + X2 + X3 = n‬‬

‫ﻧرﯾد ﺗﺣدﯾد ﺗوزﯾﻊ اﻟﺷﻌﺎع ‪ . 𝑽𝑽′‬ھذا اﻟﺗوزﯾﻊ ﯾﺧﺗﻠف ﻋﻧدﻣﺎ ﯾﻛون اﻟﺳﺣب ﯾﺗم ﺑﺎﻻﻋﺎدة أو ﺑدون اﻋﺎدة‪.‬‬

‫‪ -(b‬ﺳﺣب ﺑدون اﻋﺎدة ← )‪∀j, Xj∼H(N, n ; pj‬‬ ‫ﻣﻼﺣظﺔ ‪ :‬ﻧذﻛرأن ‪ -(a :‬ﺳﺣب ﺑﺎﻻﻋﺎدة ← )‪∀j, Xj∼B(n ; pj‬‬

‫ﻧرﯾد ﺗﻌﻣﯾم ھذان اﻟﺗوزﯾﻌﺎن اﻟﻲ اﻟﺣﺎﻻت اﻟﻣﺗﻌددة اﻷﺑﻌﺎد أي اﻟﺣﺎﻻت ‪ k=2‬و ‪k= ? ،.... ، k=3‬‬

‫‪ -1.6.2‬اﻟﺗوزﯾﻊ اﻟﻣﺗﻌدد اﻟﺣدود ‪.Distribution multinomiale‬‬

‫ﺗﻌرﯾف ‪ :1‬ﺣﺎﻟﺔ ﺳﺣب ﺑﺎﻻﻋﺎدة‬
‫ﻧﻘول أن ) 𝟑𝟑=𝒌𝒌𝑿𝑿 ‪ 𝑽𝑽′ = (𝑿𝑿𝟏𝟏 , 𝑿𝑿𝟐𝟐 ,‬ﯾﺗﺑﻊ اﻟﺗوزﯾﻊ اﻟﻣﺗﻌدد اﻟﺣدود ﺑﺎﻟﻣﻌﺎﻟم ‪ 𝑝𝑝 = (pk=3, …, p2, p1) ، n‬ﺑﺣﯾث ‪:‬‬
‫‪3‬‬
‫‪j=1, 2, k=3.‬‬ ‫‪ Rv= Rx1.Rx2.Rx3 ⊂R‬و } ‪Rxj = { 0,1, 2,…, n‬‬ ‫•‬
‫!𝑛𝑛‬ ‫𝑥𝑥‬ ‫𝑥𝑥‬‫𝑗𝑗‬ ‫𝑥𝑥‬
‫𝑥𝑥! 𝑥𝑥 = ])‪∀v=(xi, xj, xk=3 )∈Rv , pijk = P[(X1=xi)∩(X2=xj)∩(X3=xk=3‬‬ ‫‪.‬‬ ‫𝑝𝑝‬‫‪1‬‬
‫𝑖𝑖‬
‫‪.‬‬ ‫𝑝𝑝‬‫‪2‬‬ ‫𝑘𝑘 ‪. 𝑝𝑝3‬‬ ‫•‬
‫𝑖𝑖‬ ‫𝑘𝑘 𝑥𝑥! 𝑗𝑗‬ ‫!‬

‫‪.V′‬‬ ‫)‪= (X1 , X2 , X3 ) ∼ M(n ; p1, p2, p3‬‬ ‫ﻧرﻣز اﻟﯾﮫ ﺑـ ‪:‬‬
 ‫‪-27-‬‬

‫ﺧﺻﺎﺋص اﻟﺗوزﯾﻊ اﻟﻣﺗﻌدد اﻟﺣدود ‪:‬‬

‫‪ .1‬ﻛل اﻟﻣﺗﻐﯾرات اﻟﺣدﯾﺔ 𝑗𝑗‪ X‬ﺗﺗﺑﻊ اﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن‪ ،‬أي ‪. ∀j, j=1, …, k , Xj ∼ B(n ; pj) :‬‬

‫‪. Cov[Xi, Xj] = -n.pi.pj ≠ 0‬‬ ‫⇐ ‪ V�X𝑗𝑗 � = n. pj . (1 − pj ) ، E[X𝑗𝑗 ] = n. pj‬و‬

‫) و ‪.( Cov[Xi, Xj] = -n.pi.pj ≠ 0‬‬ ‫‪ .2‬اﻟﻣﺗﻐﯾرات 𝑗𝑗‪ X‬ھﻲ ﻏﯾر ﻣﺳﺗﻘﻠﺔ ﻷن ‪∑kj=1 Xj = n‬‬
‫ﻣﻼﺣظﺔ ‪ :‬ھذا اﻟﺗوزﯾﻊ ﯾﺳﻣﺢ ﺗﻌﻣﯾم اﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن اﻟﻲ اﻟﺣﺎﻻت اﻟﻣﺗﻌددة اﻷﺑﻌﺎد ‪.‬‬

‫‪ -1.6.3‬اﻟﺗوزﯾﻊ ﻓوق اﻟﮭﻧدﺳﻲ اﻟﻣﺗﻌدد اﻷﺑﻌﺎد ‪.Distribution Polygéométrique‬‬

‫ﺗﻌرﯾف ‪ :2‬ﺣﺎﻟﺔ ﺳﺣب ﺑدون اﻋﺎدة‬

‫ﻧﻘول أن ‪ 𝑉𝑉′‬ﯾﺗﺑﻊ اﻟﺗوزﯾﻊ ﻓوق اﻟﮭﻧدﺳﻲ اﻟﻣﺗﻌدد اﻷﺑﻌﺎد ﺑﺎﻟﻣﻌﺎﻟم ‪ (p3, p2, p1) ; n ، N‬ﺑﺣﯾث ‪:‬‬

‫و })‪.(Nq=N2+N3) Rxj= {xj∈N : Max(0, n-Nq) ≤ xj ≤ Min(n,Nj‬‬ ‫‪Rv= Rx1.Rx2.Rx3‬‬ ‫•‬

‫𝑥𝑥‬ ‫𝑗𝑗 𝑥𝑥‬ ‫𝑥𝑥‬

‫𝑘𝑘 𝑁𝑁𝐶𝐶‪𝐶𝐶𝑁𝑁 𝑖𝑖 .𝐶𝐶𝑁𝑁 .‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬
‫= ])‪∀v=(xi, xj, xk )∈Rv , pijk = P[(X1=xi)∩(X2=xj)∩(X3=xk‬‬ ‫𝑛𝑛‬ ‫•‬
‫𝑁𝑁𝐶𝐶‬

‫]‪V′ = (X1 , X2 , … , Xk=3 ) ∼ PH[N ; n ; p1, p2, p3‬‬ ‫ﻧرﻣز اﻟﯾﮫ ﺑـ ‪:‬‬

‫ﺧﺻﺎﺋص اﻟﺗوزﯾﻊ ‪:‬‬

‫‪ .1‬ﻛل اﻟﻣﺗﻐﯾرات اﻟﺣدﯾﺔ 𝑗𝑗‪ X‬ﺗﺗﺑﻊ اﻟﺗوزﯾﻊ ﻓوق اﻟﮭﻧدﺳﻲ‪ ،‬أي ‪. ∀j, j=1, …, k , Xj ∼ H(N ; n ; pj) :‬‬
‫‪N−n‬‬
‫⇐ ‪ E[X𝑗𝑗 ] = n. pj‬و ) ‪. V�X𝑗𝑗 � = N−1 . n. pj . (1 − pj‬‬

‫‪ .2‬اﻟﻣﺗﻐﯾرات 𝑗𝑗‪ X‬ھﻲ ﻏﯾر ﻣﺳﺗﻘﻠﺔ ﻷن ‪. ∑kj=1 Xj = n‬‬

‫ﻣﺛﺎل )ﻣﻌطﯾﺎت اﻟﻣﺛﺎل اﻟﺗطﺑﯾﻘﻲ ‪:( 3‬‬

‫ﻟدﯾﻧﺎ ﻋﻠﺑﺔ ﺗﺣﺗوي ﻋﻠﻲ ‪ N = 10‬ﻛرﯾﺎت )‪ 4‬ﺑﯾﺿﺎء ‪ 2 ،‬ﺳوداء و ‪ 4‬ﺣﻣراء(‪.‬‬
‫ﻧﺳﺣب ﻣﻧﮭﺎ ﻋﯾﻧﺔ ﻣن ‪ 3‬ﻛرﯾﺎت ‪ .‬ﻧﻌرف اﻟﻣﺗﻐﯾران اﻟﻌﺷواﺋﯾﺎن ‪ X‬و‪ Y‬ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬

‫و ‪ } = Y‬ﻋدد اﻟﻛرﯾﺎت اﻟﺳوداء ﻓﻲ اﻟﻌﯾﻧﺔ { ‪.‬‬ ‫{‬ ‫‪} = X‬ﻋدد اﻟﻛرﯾﺎت اﻟﺑﯾﺿﺎء ﻓﻲ اﻟﻌﯾﻧﺔ‬

‫ﻣﺎ ھو اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك ﻟﻠزوج )‪ .(X,Y‬أﺣﺳب ]‪ E[X] ، P[X=1∩Y=1‬و ]‪. V[Y‬‬

‫ﻟﯾﻛن ‪} = Z‬ﻋدد اﻟﻛرﯾﺎت اﻟﺣﻣراء ﻓﻲ اﻟﻌﯾﻧﺔ { ‪ .‬ﻣﺎ ھو اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك ﻟﻠﺛﻼﺛﯾﺔ )‪ (X,Y, Z‬؟‬

‫اﻟﺣل ‪:‬‬
 -28-

‫ﺣﺎﻟﺔ ﺳﺣب ﺑدون اﻋﺎدة‬ ‫ﺣﺎﻟﺔ ﺳﺣب ﺑﺎﻻﻋﺎدة‬

(X, Y) ∼ PH(N=10 ; n=3 ; p1=4/10, p2=2/10) (X, Y) ∼ M(n=3 ; p1=4/10, p2=2/10)

𝐶𝐶41 .𝐶𝐶21 .𝐶𝐶41 8 3! 4 2 4 24

P[X=1∩Y=1] = = P[X=1∩Y=1]= ( )1 . ( )1 . ( )1 =
3 1!1!1! 10 10 10 125
𝐶𝐶10 30

X∼H(N=10 ; n=3; p1=4/10) ‫ﺑﻣﺎ أن‬ Y∼B(n=3; p2=2/10) ‫ و‬X∼B(n=3; p1=4/10) ‫ﺑﻣﺎ أن‬
⇐ Y∼H(N=10 ; n=3; p2=2/10) ‫و‬
𝑁𝑁−𝑛𝑛 V[Y]= np2.q=12/25=0.48 ‫ ⇐ و‬E[X]= np1=12/10
V[Y]= 𝑁𝑁−1 . np2.q ‫ و‬E[X]= np1=12/10

= 7/9.12/25 =0.373

(𝐗𝐗, 𝐘𝐘, 𝐙𝐙)∼PH(N=10; n=3;p1=0.4, p2=0.2, p3=0.4) (𝐗𝐗, 𝐘𝐘, 𝐙𝐙) ∼ M(n=3 ; p1=4/10, p2=2/10, p3=4/10)

.‫ﺣﺎﻟﺔ ﺳﺣب ﺑدون إﻋﺎدة‬

𝐂𝐂
 -29-

.Distribution multinormale ‫ اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ اﻟﻣﺗﻌدد اﻷﺑﻌﺎد‬- 1.6.4

: ‫ﺗﻌرﯾف‬
X  µx   σ x2 σ xy   σ x2 ρσ xσ y 
V =  , µ=  , Σ= 2 
=  : ‫( ﺑﺣﯾث‬n=2) ‫ﻟﯾﻛن 𝑉𝑉 ﺷﻌﺎع ﻋﺷواﺋﻲ ذو اﻟﺑﻌدﯾن‬
Y   µ y  σ yx σ y   ρσ yσ x σ y2 

: ‫( إذا ﻛﺎﻧت داﻟﺗﮫ اﻟﻛﺛﺎﻓﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ ﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ‬n=2) ‫ﻧﻘول أن 𝑉𝑉 ﯾﺗﺑﻊ اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ ذو ﺑﻌدﯾن‬

f( v ) = f(x, y) =
1
( 2π )
n
2
⋅
1
det( Σ )
{
⋅ exp − 1 ⋅ ( v - μ )'⋅ Σ −1 ⋅ ( v - μ ) }
2
(ici n = 2)

  2 
  x − µ 2  x − µ   y − µy   y−µ 
 
1 1 1  x  + y 
= n ⋅ ⋅ exp− 1 
⋅  x
 − 2ρ ⋅ ⋅ 
( 2π ) 2 σ σ ⋅ (1 − ρ xy  2 (1 − ρ )  σ x 
2 xy  σ   σ   σ 
 
2)
  x   y   y 
x y xy
 

Fin du Cours On Live N° 3 Sous-séance_5.1 le

. 𝐕𝐕′ = (𝐗𝐗, 𝐘𝐘) ∼ N[𝝁𝝁 ; Σ] : ‫ﻧرﻣز اﻟﯾﮫ ﺑـ‬

FIN DU CHAPITRE 1
 ‫‪-30-‬‬
‫‪Début du Cours On Live N° 4 (Sous-séance_6.1) le‬‬

‫ﺗﻧﺑﯾﮫ ‪ :‬ﻗﺑل ﺑداﯾﺔ ھذا اﻟﻔﺻل‪ ،‬أود اﻟﺗﻧﺑﯾﮫ اﻟﻰ ﻧﻘطﺔ ﻣﮭﯾﻣﺔ ‪ :‬ھذا اﻟﻔﺻل ﯾﺗﻣﯾزﻧﺳﺑﯾﺎ ﺑﻣﺳﺗوى ﻋﺎﻟﻲ ﻣن اﻟﺻﻌوﺑﺔ و ﺑﺎﻟﺗﺎﻟﻲ‬
‫ﯾﺗطﻠب ﻣﻧﻛم ﺑذل ﻣﺟﮭود ﻣﻧﺎﺳب ‪.‬‬

‫اﻟﻔﺻل ‪ : 2‬ﺗوزﯾﻊ داﻟﺔ ﻣﺗﻐﯾرات ﻋﺷواﺋﯾﺔ ‪Distribution d’une fonction de variables aléatoires‬‬
‫‪ - 2.1‬ﻣﻘدﻣﺔ ‪ :‬اﻹﺷﻛﺎﻟﯾﺔ اﻟﻌﺎﻣﺔ‪.‬‬
‫ﻣﺛﺎل ﺗﻣﮭﯾدي ‪:‬‬

‫ﻟﯾﻛن ]‪∀x∈Rx = {1,2,3,4} : Px[X=x]= ¼ ⇔ X∼U[n=4‬‬

‫‪2‬‬
‫ﻧﻌرف اﻟﺗﺣوﯾل ‪.Y= Ψ(X) = X‬‬

‫اﻟﺗﺣﻠﯾل اﻟﺑﯾﺎﻧﻲ ﻟﻠﻣﺷﻛﻠﺔ‬ ‫)أﻧظر اﻟﻲ اﻟﺑﯾﺎن(‬ ‫اﻟﺳؤال ‪ :‬ﻣﺎ ھو ﺗوزﯾﻊ ‪ Y‬؟‬

‫‪-1‬‬ ‫ﺑﻣﺎ أن ‪ X‬ھو 'م‪.‬ع' ﻣﻧﻔﺻل ⇐ ‪ Y‬ھو اﯾﺿﺎ 'م‪.‬ع' ﻣﻧﻔﺻل ‪ ،‬إذن ‪:‬‬
‫‪Py = PxoΨ‬‬
‫ﺗﺣدﯾد ﺗوزﯾﻊ ‪ Y‬ﯾﻌود اﻟﻲ ﺗﺣدﯾد اﻷزوج } ]‪ { y= Ψ(x) ; Py[Y=y‬ﻟﻛل ‪.y‬‬
‫أي ﺗﺣدﯾد ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف ‪ Ry‬و اﻟداﻟﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ ‪ Py‬ﻟـ ‪. Y‬‬
‫‪-1‬‬
‫‪Ψ‬‬
‫‪ Y‬ﻣﻧﻔﺻل ⇒ }‪1- Rx={1,2,3,4} ⇒ Ry=Ψ(Rx) = {1,4,9,16‬‬
‫‪Ex : Si X= 2 ⇒ Y= Ψ(2) = 4‬‬
‫‪-1‬‬
‫¼ = ])‪2- ∀y∈Ry : Py[Y=y] = Py[Ψ(X)=y]= Px[X= Ψ (y‬‬

‫‪-1‬‬
‫¼=]‪Ex : Py[Y=9]= Py[Ψ(X)=9] = Px[X=Ψ (9)] = Px[X=3‬‬

‫‪ -2.2‬ﺗوزﯾﻊ داﻟﺔ ﻣﺗﻐﯾر ﻋﺷواﺋﻲ ذو ﺑﻌد واﺣد‪.‬‬

‫اﻟﻣﺷﻛﻠﺔ اﻟﻌﺎﻣﺔ ‪ :‬ﻟﯾﻛن ‪' X‬م‪.‬ع' ﯾﺗﺑﻊ ﺗوزﯾﻊ ﻣﺎ ‪ :‬ﻧﻌرف اﻟﻣﺗﻐﯾر ‪ Y‬ﻛﺗﺣوﯾل ‪ Ψ‬ﻟـ ‪.( Ψ : R1 → R1 ) Y= Ψ(X) : X‬‬
‫ﻣﺎ ھو ﺗوزﯾﻊ ‪ Y‬؟ )ھﻧﺎ ‪ ،‬ﻟﺗﺑﺳﯾط اﻟﻣﺷﻛﻠﺔ‪ ،‬ﻧﻌﺗﺑر أن ‪ X‬و ‪ Y‬ھﻣﺎ 'م‪.‬ع' ذو ﺑﻌد واﺣد (‪.‬‬

‫ﻣﻼﺣظﺔ ‪ :‬ﯾﻣﻛن أن ﯾﻛون ‪) X‬و ‪ (Y‬ﺷﻌﺎع ﻋﺷواﺋﻲ أي ‪. Ψ : Rn → Rp :‬‬

‫‪ Y‬م‪.‬ع ﻣﻧﻔﺻل‬ ‫‪ψ‬‬ ‫إذا ‪ X‬ﻣﻧﻔﺻل‬ ‫ﺳﻧدرس ھذه اﻟﺣﺎﻟﺔ اﻟﻌﺎﻣﺔ ﻓﻲ اﻟﻔرع اﻟﺗﺎﻟﻲ‪.‬‬
‫‪ Y‬م‪.‬ع ﻣﻧﻔﺻل‬
‫ﻋﻧدﻣﺎ ﻧﺣول ‪) X‬ﺑـ ‪ ( Ψ‬اﻟﻲ ‪ ، Y‬ﯾﻣﻛن ﺗﻣﯾﯾز ‪ 3‬ﺣﺎﻻت ﻣﻣﻛﻧﺔ ‪:‬‬
‫إذا ‪ X‬ﻣﺳﺗﻣر ‪ψ‬‬
‫‪ Y‬م‪.‬ع ﻣﺳﺗﻣر‬
 ‫‪-31-‬‬
‫اﻟﻣﻧﮭﺟﯾﺔ اﻟﻌﺎﻣﺔ ﻟﺗﺣدﯾد ﺗوزﯾﻊ ‪: Y‬‬

‫‪ -(1‬ﻧﺑﺣث ﻋن )‪) Ry = Ψ( Rx‬ﻻﺣظ أن│‪ ⇐ (│Ry│≤│Rx‬ﺗﺣدﯾد ‪ RY‬ﯾﺳﻣﺢ ﺗﺣدﯾد طﺑﯾﻌﺔ ‪) Y‬ﻣﻧﻔﺻل أو ﻣﺳﺗﻣر(‪.‬‬
‫‪ • -(2‬إذا ‪' Y‬م‪.‬ع' ﻣﻧﻔﺻل ‪ ،‬ﻧﺑﺣث ﻋن اﻟداﻟﺔ اﻹﺣﺗﻣﺎﻟﯾﺔ ‪ Py‬ﻟـ ‪. ∀y∈Ry , Py[Y= y] = ? : Y‬‬
‫• إذا ‪' Y‬م‪.‬ع' ﻣﺳﺗﻣر‪ ،‬ﻧﺑﺣث ﻋن داﻟﺔ اﻟﻛﺛﺎﻓﺔ )‪ g(y‬ﻟـ ‪) Y‬أو داﻟﺔ اﻟﺗوزﯾﻊ اﻟﺗراﻛﻣﻲ )‪g(y) = G’(y) : ( G(y‬‬

‫اﻟﺗﺣﻠﯾل اﻟﺑﯾﺎﻧﻲ اﻟﻌﺎم ﻟﻠﻣﺷﻛﻠﺔ )ﺣﺎﻟﺔ ‪: ( n = p = 1‬‬

‫‪-1‬‬
‫‪Py = Px oΨ‬‬
‫‪x‬‬ ‫‪y‬‬
‫‪Rx‬‬
‫‪0‬‬ ‫‪Px‬‬ ‫‪Ψ‬‬ ‫‪Ry‬‬ ‫)‪Ry = Ψ( Rx‬‬
‫]‪Px[X=x‬‬ ‫‪•x‬‬
‫‪Ψ‬‬ ‫)‪•y=Ψ(x‬‬
‫‪-1‬‬

‫‪-1‬‬
‫]‪Py[Y=y]=Px[X=Ψ (y)]=Px[X=x‬‬
‫‪Dx‬‬ ‫‪y1‬‬
‫]‪Px[X∈Dx‬‬ ‫‪Dy‬‬ ‫)‪Dy = Ψ(Dx‬‬
‫‪1‬‬ ‫‪y2‬‬ ‫)‪Dx = Ψ-1(Dy‬‬

‫ﻣن اﻟﺑﯾﺎن اﻟﺳﺎﺑق ﻧﺳﺗﻧﺗﺞ اﻟﻣﺑدأ اﻟﻣﻧﮭﺟﻲ اﻟﺗﺎﻟﻲ ‪:‬‬

‫‪ -1‬ﺗﺣدﯾد ‪. Ry = Ψ( Rx) :‬‬ ‫اﻟﻣﺑدأ اﻟﻌﺎم ‪:‬‬

‫‪ ∀Dy⊂Ry , Py[Y∈Dy] = Px[X∈Ψ-1(Dy)] = Px[X∈Dx] -2‬ﺑﺤﯿﺚ )‪Dx = Ψ-1(Dy‬‬

‫‪ ∑ P[ X = x] si X est discrète‬‬

‫‪‬‬
‫‪∀y∈Ry : Py[Y= y]=Px[X∈Ψ (y)=Dx] =  x∈Dx‬‬
‫‪-1‬‬
‫إذا ‪ Y‬م‪.‬ع ﻣﻧﻔﺻل‪:‬‬ ‫‪‬‬
‫∫‪‬‬ ‫‪f ( x).dx si X est continue‬‬
‫‪ x∈Dx‬‬

‫ﻣﺛﺎل ‪ :‬ﺣﺎﻟﺔ ‪ : 1‬ﻟﯾﻛون ‪' Y‬م‪.‬ع' ﻣﻧﻔﺻل و إذا ‪' X‬م‪.‬ع' ﻣﻧﻔﺻل )أﻧظر اﻟﻲ ﻣﻌطﯾﺎت اﻟﻣﺛﺎل اﻟﺗﻣﮭﯾدي اﻟﺳﺎﺑق(‪.‬‬
‫)‪Dx =Ψ-1(Dy) = {3 , 4} ⇐ Dy= {9 , 16} ⇐ (Y≥5‬‬ ‫اﺣﺳب ]‪ P[Y≥5‬؟‬

‫= ]}‪Py[Y≥5] = Py[Y∈Dy] = Py[(Y=9)∪(Y=16)]=Px[X∈Ψ-1(Dy)] = Px[X∈Dx] = Px[X∈{3 , 4‬‬

‫=‬ ‫¼ =])‪∑ P[ X = x] = Px[(X=3)] + Px[(X=4‬‬ ‫‪+ ¼ = 1/2‬‬

‫‪x∈Dx‬‬
‫ﺣﺎﻟﺔ ‪ : 2‬ﻟﯾﻛون ‪' Y‬م‪.‬ع' ﻣﻧﻔﺻل ﻋﻧدﻣﺎ ‪ X‬ھو 'م‪.‬ع' ﻣﺳﺗﻣر ‪.‬‬
‫‪0 si X > 2‬‬
‫‪ . Y = ψ ( X ) = ‬ﻣﺎ ھو ﺗوزﯾﻊ ‪ Y‬؟‬ ‫ﻧﻌﺗﺑر أن ]‪ X ∼ N[0 , 1‬و ﻧﻌرف ‪ Y‬ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫‪1 si X ≤ 2‬‬
‫ﻟدﯾﻧﺎ }‪Py[Y= 0] = Px[X∈Ψ (0)] = P[X>2] =1- Φ(2) = 0.023 ⇐ Ry = {0 , 1‬‬
‫‪-1‬‬

‫⇔ )‪X∼B(0.977‬‬ ‫‪-1‬‬
‫‪Py[Y=1] = Px[X∈Ψ (1)] = P[X≤ 2] = Φ(2) = 0.977‬‬
 ‫‪-32-‬‬
‫‪ ‬إذا ‪' Y‬م‪.‬ع' ﻣﺳﺗﻣر )إذن ‪ X‬ھو ‪ ،‬اﺟﺑﺎرﯾﺎ‪' ،‬م‪.‬ع' ﻣﺳﺗﻣر( ‪ ،‬ﻧﺑﺣث ﻋن داﻟﺔ اﻟﺗوزﯾﻊ ﻟـ ‪ Y‬أي )‪: G(y‬‬

‫‪G(y) = Py[Y≤ y] Px[X∈Ψ (Y ≤ y)] = ∫Dx f ( x ).dx‬‬ ‫)‪avec Dx = Ψ (Y ≤ y‬‬

‫‪-1‬‬ ‫‪-1‬‬

‫ﻣﺛﺎل ‪:‬‬
‫‪2‬‬
‫ﻟﯾﻛن ‪' X‬م‪.‬ع' ﺑﺣﯾث ‪ . X∼ U[-1; 1] :‬ﻧﻌرف ‪ Y‬ﻛﻣﺎ ﯾﻠﻲ ‪ .𝑌𝑌 = Ψ(X) = 𝑋𝑋 :‬ﻣﺎ ھو ﺗوزﯾﻊ ‪ (g(y) = ?) Y‬؟‬
‫‪ - 1‬ﺗﺣدﯾد ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف ‪' Y ⇐ Ry = Ψ( Rx) = [0 , 1] : Y‬م‪.‬ع' ﻣﺳﺗﻣر‪.‬‬
‫‪ - 2‬ﻧﺑﺣث ﻋن داﻟﺔ اﻟﺗوزﯾﻊ )‪ G(y‬ﻟـ ‪.Y‬‬

‫)‪𝑦𝑦 −(−1‬‬ ‫)‪−√𝑦𝑦 −(−1‬‬

‫‪G(y) =Py[Y≤ y] = Px[𝑋𝑋 2 ≤ y] = Px[ - �𝑦𝑦 ≤X≤ +�𝑦𝑦] = Fx(�𝑦𝑦) - Fx(−�𝑦𝑦) = √1 −(−1) −‬‬ ‫)‪1 −(−1‬‬
‫‪= �y‬‬
‫‪0 𝑠𝑠𝑠𝑠 𝑦𝑦 < 0‬‬ ‫‪1‬‬
‫]‪𝑠𝑠𝑠𝑠 𝑦𝑦∈[0,1‬‬
‫‪𝐸𝐸𝐸𝐸 𝑟𝑟é𝑠𝑠𝑠𝑠𝑠𝑠é ∶ 𝐺𝐺 (𝑦𝑦) = ��𝑦𝑦 𝑠𝑠𝑠𝑠 0 ≤ 𝑦𝑦 ≤ 1‬‬ ‫⇒‬ ‫= )𝑦𝑦 𝐺𝐺 = )𝑦𝑦(𝑔𝑔‬‫(‪′‬‬
‫𝑦𝑦√‪�2‬‬
‫‪1 𝑠𝑠𝑠𝑠 𝑦𝑦 > 1‬‬ ‫‪0‬‬ ‫]‪𝑠𝑠𝑠𝑠 𝑦𝑦∉[0,1‬‬

‫ﻋﻧدﻣﺎ ﯾﻛون اﻟﺗﺣوﯾل ﯾﺗﻣﯾز ﺑﺑﻌض اﻟﺧﺻﺎﺋص )اﺳﺗﻣرارﯾﺔ‪ ،‬ﺗﻘﺎﺑﻠﻲ‪ ،‬ﻗﺎﺑل ﻟﻼﺷﺗﻘﺎق ‪ ، (... ،‬ﻧﺳﺗﻌﻣل اﻟﻧظرﯾﺔ اﻟﺗﺎﻟﯾﺔ ‪:‬‬

‫ﻧظرﯾﺔ ‪ :‬طرﯾﻘﺔ 'ﺟﺎﻛوﺑﻲ' ‪.Méthode du Jacobien‬‬

‫ﻟﯾﻛن ‪' X‬م‪.‬ع' ﻣﺳﺗﻣر و )‪ f(x‬داﻟﺔ ﻛﺛﺎﻓﺗﮫ اﻻﺣﺗﻣﺎﻟﯾﺔ‪ .‬ﻧﻌرف اﻟﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ )‪ Y = ψ(X‬ﺑﺣﯾث ‪ ψ‬ھﻲ داﻟﺔ ﻣﺳﺗﻣرة ‪،‬‬
‫رﺗﯾﺑﺔ )ﻣﺗزاﯾدة أو ﻣﺗﻧﺎﻗﺻﺔ ⇐ ﻟﮭﺎ داﻟﺔ ﻋﻛﺳﯾﺔ وﺣﯾدة( وﻟﮭﺎ ﻣﺷﺗﻘﺔ اوﻟﻲ )‪ ψ’(.‬ﻏﯾر ﻣﻌدوﻣﺔ ﻓﻲ ‪ ، x‬ﻋﻧدﺋذ‪ ،‬اﻟداﻟﺔ اﻟﻛﺛﺎﻓﺔ‬
‫اﻻﺣﺗﻣﺎﻟﯾﺔ ﻟـ ‪ Y‬ھﻲ )‪: g(y‬‬

‫)𝑥𝑥(𝑓𝑓‬ ‫))𝑦𝑦( ‪𝑓𝑓(ψ−1‬‬ ‫))𝑦𝑦( ‪𝑓𝑓(ψ−1‬‬

‫ﺑﺣﯾث )‪. y = ψ(x) ⇔ x = ψ-1(y‬‬ ‫= )𝑦𝑦(𝑔𝑔‬ ‫|)𝑥𝑥( ‪|ψ′‬‬
‫=‬ ‫𝑑𝑑𝑑𝑑‬ ‫=‬ ‫|))𝑦𝑦( 𝟏𝟏‪|ψ′ (ψ−‬‬
‫�‬ ‫�‬
‫𝑑𝑑𝑑𝑑‬

‫اﻟﺑرھﺎن ‪:‬‬
‫𝑑𝑑𝑑𝑑‬
‫⇐ )‪ ) ψ‬و ‪ (ψ-1‬ﻣﺗزاﯾدة(‪.‬‬ ‫• ﺣﺎﻟﺔ ‪= ψ’(𝑥𝑥) > 0 : 1‬‬
‫𝑑𝑑𝑑𝑑‬

‫]‪G(y) = Py[Y ≤ y] = Py[ψ(X) ≤ y]= P[ψ-1(ψ(X)) ≤ ψ-1(y)] = P[X ≤ ψ-1(y)] = Fx[ψ-1(y) ] = Fx[x‬‬

‫)𝑦𝑦( 𝑑𝑑𝑑𝑑‬ ‫)𝑥𝑥( ‪𝑑𝑑𝐹𝐹x‬‬ ‫𝑑𝑑𝑑𝑑 )𝑥𝑥( ‪𝑑𝑑𝐹𝐹x‬‬ ‫𝑑𝑑𝑑𝑑‬ ‫) 𝑥𝑥( 𝑓𝑓‬ ‫) 𝑥𝑥( 𝑓𝑓‬
‫= )‪g(y‬‬ ‫=‬ ‫=‬ ‫|)𝑥𝑥( ‪. 𝑑𝑑𝑑𝑑 = 𝑓𝑓 (𝑥𝑥). [ 𝑑𝑑𝑑𝑑 ]−1 = 𝑓𝑓(𝑥𝑥). [ ψ′ (𝑥𝑥)]−1 = ψ′ (𝑥𝑥) = |ψ′‬‬ ‫‪car ψ’(x)> 0‬‬
‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬
‫𝑑𝑑𝑑𝑑‬
‫⇐ )‪ ) ψ‬و ‪ (ψ-1‬ﻣﺗﻧﺎﻗﺻﺔ(‪.‬‬ ‫• ﺣﺎﻟﺔ ‪= ψ’(x) < 0 : 2‬‬
‫𝑑𝑑𝑑𝑑‬

‫]‪G(y) = Py[Y≤ y] = Py[ψ(X) ≤ y]= P[ψ-1(ψ(X)) ≥ ψ-1(y)] = P[X ≥ x)] = 1- Fx[x‬‬

‫) 𝑦𝑦( 𝑑𝑑𝑑𝑑‬ ‫)𝑥𝑥( ‪𝑑𝑑𝐹𝐹x‬‬ ‫𝑑𝑑𝑑𝑑 )𝑥𝑥( ‪𝑑𝑑𝐹𝐹x‬‬ ‫𝑑𝑑𝑑𝑑‬ ‫‪1‬‬ ‫) 𝑥𝑥( 𝑓𝑓‬
‫= )‪g(y‬‬ ‫‪=−‬‬ ‫‪=−‬‬ ‫‪. 𝑑𝑑𝑑𝑑 = −𝑓𝑓 (𝑥𝑥). [ 𝑑𝑑𝑑𝑑 ]−1 = −𝑓𝑓 (𝑥𝑥). ψ′ (𝑥𝑥) = |ψ′ (𝑥𝑥)| car ψ’(x) < 0‬‬
‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬

‫[∝‪• Ry = Ψ( Rx) = [1/2 , +‬‬

‫‪1‬‬ ‫ﻣﺛﺎل ‪ :‬ﻟﯾﻛن ‪' X‬م‪.‬ع' ﺑﺣﯾث ‪ X∼ U[0 ; 2] :‬و ‪ Y‬ﻣﻌرف‬
‫)𝑥𝑥(𝑓𝑓‬ ‫‪𝑥𝑥 2‬‬
‫= )‪• g(y‬‬ ‫=‬ ‫‪2−0‬‬
‫‪−1‬‬ ‫=‬ ‫ﻧﻌوض ‪ x‬ﺑـ ‪⇒ 1/y‬‬ ‫‪1‬‬
‫|)𝑥𝑥( ‪|ψ′‬‬ ‫�‪� 2‬‬
‫𝑥𝑥‬
‫‪2‬‬ ‫ﻛﻣﺎ ﯾﻠﻲ ‪.𝑌𝑌 = Ψ(X) = 𝑋𝑋 :‬‬
‫‪2‬‬
‫)𝑦𝑦‪(1‬‬ ‫‪1‬‬
‫)‪⇒ g(y) = 2 = 2 si y ≥ 1/2 (0 sinon‬‬
‫𝑦𝑦‪2‬‬
 ‫‪-33-‬‬

‫أﻣﺛﻠﺔ ﺗطﺑﯾﻘﯾﺔ ‪:‬‬

‫ﻣﺛﺎل ‪ : 1‬ﺗﺣوﯾل 'م‪.‬ع' ‪ X‬ﻣﻧﻔﺻل اﻟﻲ 'م‪.‬ع' ‪ Y‬ﻣﻧﻔﺻل‪.‬‬
‫‪. Y= Ψ(X) = X/10‬‬ ‫ﻟﯾﻛن ‪' X‬م‪.‬ع' ﺑﺣﯾث ‪. X ∼ B(n =10 ; p =1/5) :‬ﻧﻌرف اﻟﻣﺗﻐﯾر‪ Y‬ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫اﻟﺳؤال ‪ :‬ﻣﺎ ھو ﺗوزﯾﻊ ‪ Y‬؟‬
‫اﻟﺣل ‪:‬‬
‫‪ -1‬ﻧﺑﺣث ﻋن ‪ Y ⇐ RY = Ψ(RX) = {0/10 , 1/10 , 2/10 , … , 10/10} : RY‬ھو 'م‪.‬ع' ﻣﻧﻔﺻل‪.‬‬
‫‪.{∀y∈RY , Py[Y = y] = Py[X/10 = y] = Px[X = 10y] = C 10‬‬
‫‪10‬‬
‫‪y‬‬
‫⋅‬
‫‪5‬‬ ‫‪5‬‬ ‫‪y‬‬
‫)( )(‬
‫‪ -2‬ﻧﺑﺣث ﻋن ‪1 10 y ⋅ 4 10 −10 y : P‬‬

‫}‪Y∈Dy = {y‬‬ ‫}‪X∈Dx = {10y‬‬

‫ﻣﺛﺎل ‪ : 2‬ﺗﺣوﯾل 'م‪.‬ع' ‪ X‬ﻣﺳﺗﻣر اﻟﻲ 'م‪.‬ع' ‪ Y‬ﻣﻧﻔﺻل‪.‬‬

‫ﻟﯾﻛن ‪' X‬م‪.‬ع' ﯾﺗﺑﻊ اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ ﻣﻌﯾﺎري ‪. X ∼ N(µ = 0 ; σ = 1) :‬‬
‫‪ 0 si x > 1‬‬
‫‪ Y ⇐ RY = {0, 1} ⇐ Y = Ψ (X) = ‬ھو 'م‪.‬ع' ﻣﻧﻔﺻل‪.‬‬ ‫ﻧﻌرف اﻟﻣﺗﻐﯾر‪ Y‬ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫‪ 1 si x ≤ 1‬‬
‫‪-1‬‬
‫‪Py[Y=0] = Px[X∈Ψ (0)] = P[X>1] =1- Φ(1) = 0.1587‬‬
‫⇔ )‪X ∼ B(0.8413‬‬ ‫‪-1‬‬
‫‪Py[Y=1] = Px[X∈Ψ (1)] = P[X≤1] = Φ(1) = 0.8413‬‬

‫}‪Y∈Dy = {1‬‬ ‫}‪Dx ≡{X≤ 1‬‬

‫ﻣﺛﺎل ‪ : 3‬ﺗﺣوﯾل 'م‪.‬ع' ‪ X‬ﻣﺳﺗﻣر اﻟﻲ 'م‪.‬ع' ‪ Y‬ﻣﺳﺗﻣر‪.‬‬
‫ﻟﯾﻛن ‪' X‬م‪.‬ع' ﯾﺗﺑﻊ اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ ‪. X ∼ N[µ ; σ] :‬‬
‫‪X −µ‬‬ ‫‪µ‬‬
‫‪ RZ = RX = R‬و ﻧﻌﻠم أن ]‪. Z∼N[0 ; 1‬‬ ‫=‪⇐ Z‬‬ ‫ﻧﻌرف اﻟﻣﺗﻐﯾر ‪ Z‬ﻛﻣﺎ ﯾﻠﻲ ‪= σ1 ⋅ X − σ :‬‬
‫‪σ‬‬

‫ﺗﻣرﯾن ‪ : 4‬ﺗﺣوﯾل 'م‪.‬ع' ‪ X‬ﻣﺳﺗﻣر اﻟﻲ 'م‪.‬ع' ‪ Y‬ﻣﺳﺗﻣر‪.‬‬

‫ﻟﯾﻛن ‪' X‬م‪.‬ع' ﯾﺗﺑﻊ اﻟﺗوزﯾﻊ اﻷﺳﻲ ﺑﺎﻟﻣﻌﻠﻣﺔ ‪. X∼ ξ(θ =1) : θ‬‬

‫ﻧﻌرف ‪ Y‬ﻛﻣﺎ ﯾﻠﻲ ‪ .(X = Y2 ⇔ ) 𝑌𝑌 = Ψ(X) = √𝑋𝑋 :‬ﻣﺎ ھو ﺗوزﯾﻊ ‪ Y‬؟‬

‫اﻟطرﯾﻘﺔ ‪ : 1‬طرﯾﻘﺔ داﻟﺔ اﻟﺗوزﯾﻊ ‪.‬‬
‫) ‪' Y‬م‪.‬ع' ﻣﺳﺗﻣر( ⇒ [ ∝‪• Ry = Ψ( Rx) = [0 , -‬‬
‫)‪• G(y) = P[Y≤ y] = P[√𝑋𝑋 ≤ y] = = P[ X ≤ y2] = Fx(y2) = [1 – e-1.y2].1R+(y‬‬
‫‪ 0 si y < 0‬‬ ‫‪ 0‬‬ ‫‪si y < 0‬‬
‫‪G ( y ) = ‬‬ ‫‪2‬‬ ‫⇒‬
‫‪‬‬
‫‪g ( y ) = G' ( y ) = ‬‬
‫‪ 1 - e- y‬‬ ‫‪si y ≥ 0‬‬ ‫‪‬‬ ‫‪- y 2 si y ≥ 0‬‬
‫‪‬‬ ‫‪ 2y.e‬‬

‫‪Fin du Cours‬‬ ‫اﻟطرﯾﻘﺔ ‪ : (Jacobien) 2‬ﺑﻣﺎ أن اﻟﺗﺣوﯾل ‪ Ψ‬ﯾﺣﻘﯾق )ﻓﻲ ‪ ( R+‬ﺷروط ﺗطﺑﯾق ﻧظرﯾﺔ ﺟﺎﻛوﺑﻲ ‪:‬‬
‫‪On Live N°4‬‬ ‫‪2‬‬
‫𝑦𝑦‪𝑒𝑒−‬‬ ‫‪2‬‬ ‫)𝑥𝑥( 𝑓𝑓‬ ‫𝑥𝑥‪𝑒𝑒 −‬‬
‫‪Sous-séance_6.1 le‬‬ ‫‪g(y) = −1‬‬ ‫∗ 𝑦𝑦‪= 2𝑦𝑦. 𝑒𝑒−‬‬ ‫⇐ )‪1R+(y‬‬ ‫= )‪ g(y‬ﻧﻌوض ‪ x‬ﺑـ ‪y2‬‬
‫|)𝑥𝑥( ‪|ψ′‬‬
‫=‬ ‫⇐‬
‫� �‬
‫�𝑦𝑦‪2‬‬ ‫�‪�−1‬‬ ‫�‬
‫𝑥𝑥√‪2‬‬
 ‫‪-34-‬‬
‫‪Début du Cours On Live N° 5 (Sous-séance_6.2) le‬‬

‫‪ -2.3‬ﺗوزﯾﻊ داﻟﺔ زوج ﻋﺷواﺋﻲ‪.‬‬

‫ﻓﻲ ھذا اﻟﻔﻘرة ﻧﻌﺗﺑر اﻟﺣﺎﻟﺗﺎن ‪) :‬ﺣﺎﻟﺔ ‪ n =2 , p = 1 :‬ﺗﺣوﯾل ﺳﻠﻣﻲ( و )ﺣﺎﻟﺔ ‪ n = p = 2 :‬ﺗﺣوﯾل ﺷﻌﺎﻋﻲ( ‪( Ψ : R2 → Rp :‬‬

‫اﻟﻣﺷﻛﻠﺔ ‪ :‬ﻟﯾﻛن )‪ (X,Y‬ﺷﻌﺎع ﻋﺷواﺋﻲ )ذو اﻟﺑﻌدﯾن ‪ ( n =2‬ﻟﮫ ﻣﺟﻣوﻋﺔ ﺗﻌرﯾف ‪.Rxy ⊆R2‬‬

‫‪ψ : R2 --→ Rp‬‬ ‫ﻧﻌرف اﻟﺗﺣوﯾل )‪ ψ(.‬ﻟـ )‪ (X,Y‬ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬

‫)‪(x, y) ɪ-→ v = ψ(x,y‬‬ ‫اﻟﺣﺎﻟﺔ ‪si p = 1 : 1‬‬ ‫ﻣﺎ ھو ﺗوزﯾﻊ )‪ ψ(X,Y‬؟‬
‫اﻟﺣﺎﻟﺔ ‪(x, y) ɪ-→ (u,v) = ψ(x,y) si p = 2 : 2‬‬

‫إذا )‪ (X,Y‬ﻣﻧﻔﺻل ‪' (U,V) ψ‬ز‪.‬ع' ﻣﻧﻔﺻل‬

‫)‪' (U,V‬ز‪.‬ع' ﻣﻧﻔﺻل‬ ‫ﻋﻧدﻣﺎ ﻧﺣول )‪) (X,Y‬ﺑـ ‪ ( Ψ‬اﻟﻲ )‪ ، (U,V‬ﯾﻣﻛن‬
‫إذا )‪ (X,Y‬ﻣﺳﺗﻣر ‪ψ‬‬
‫ﺗﻣﯾﯾز‪ 3‬ﺣﺎﻻت ﻣﻣﻛﻧﺔ ﻣﻘدﻣﺔ ﻓﻲ اﻟﺑﯾﺎن اﻟﺗﺎﻟﻲ ‪:‬‬
‫)‪' (U,V‬ز‪.‬ع' ﻣﺳﺗﻣر‬

‫اﻟﻣﻧﮭﺟﯾﺔ اﻟﻌﺎﻣﺔ ﻟﺗﺣدﯾد ﺗوزﯾﻊ )‪) ψ(X,Y‬ﻧﻌﺗﺑرﻓﻲ اﻟﺑداﯾﺔ أن ‪ ، n = p = 2 :‬ﻧﺣول زوج اﻟﻲ زوج أﺧر ( ھﻲ ‪:‬‬

‫‪ -(1‬ﻧﺑﺣث ﻋن )‪ ⇐ Ruv = Ψ( Rxy‬ﺗﺣدﯾد ‪ Ruv‬ﯾﺳﻣﺢ ﺗﺣدﯾد طﺑﯾﻌﺔ اﻟزوج )‪) (U,V‬ﻣﻧﻔﺻل أو ﻣﺳﺗﻣر(‪.‬‬
‫‪ • -(2‬إذا )‪ (U,V‬ﺷﻌﺎع )زوج( ﻋﺷواﺋﻲ ﻣﻧﻔﺻل ‪ ،‬ﻧﺑﺣث ﻋن ﺗﺣدﯾد ? = ]‪. ∀(u,v)∈Ruv , Puv[U= u∩V=v‬‬
‫• إذا )‪ (U,V‬زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر‪ ،‬ﻧﺑﺣث ﻋن داﻟﺔ اﻟﺗوزﯾﻊ )‪ G(u,v‬ﻟـ )‪) (U,V‬أو )‪(g(u,v) =G’(u,v‬‬

‫‪-1‬‬
‫‪Puv = PxyoΨ‬‬ ‫اﻟﺗﺣﻠﯾل اﻟﺑﯾﺎﻧﻲ ﻟﻠﻣﺷﻛﻠﺔ )ﺣﺎﻟﺔ ‪: ( n = p = 2‬‬

‫‪x‬‬ ‫‪u‬‬
‫‪Rxy⊆R‬‬ ‫‪Ruv = Ψ( Rxy)⊆R2‬‬
‫‪2‬‬
‫‪0‬‬
‫‪Pxy‬‬ ‫)‪Ψ(.‬‬
‫]‪Pxy[X=x∩Y= y‬‬ ‫‪x‬‬ ‫)‪• (x,y‬‬
‫‪Ψ‬‬ ‫)‪•(u,v) =Ψ(x,y‬‬
‫‪-1‬‬
‫‪u‬‬

‫‪Dxy‬‬
‫‪Dxy‬‬ ‫‪Duv‬‬ ‫)‪Duv = Ψ(Dxy‬‬
‫‪Ψ‬‬
‫‪-1‬‬
‫]‪Pxy[(X,Y)∈Dxy‬‬
‫‪1‬‬ ‫‪O‬‬ ‫‪y‬‬ ‫‪y‬‬ ‫‪O‬‬ ‫‪v‬‬ ‫‪v‬‬
‫)‪Dxy = Ψ-1(Duv‬‬

‫ﻣن اﻟﺑﯾﺎن اﻟﺳﺎﺑق ﻧﺳﺗﻧﺗﺞ اﻟﻣﺑدأ اﻟﻣﻧﮭﺟﻲ اﻟﺗﺎﻟﻲ ‪:‬‬

‫‪ -1‬ﺗﺣدﯾد ‪. Ruv = Ψ( Rxy) :‬‬ ‫اﻟﻣﺑدأ اﻟﻌﺎم ‪:‬‬

‫‪∀Duv⊂Ruv , Puv[(U,V)∈Duv] = Pxy[(X,Y)∈Ψ-1(Duv)] = Pxy[(X,Y)∈Dxy] -2‬‬
 ‫‪-35-‬‬

‫ﻧظرﯾﺔ ‪:‬‬
‫ﻟﯾﻛن )‪ (X,Y‬زوج ﻋﺷواﺋﻲ ﻟﮫ ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف ‪.Rxy ⊆R2‬‬
‫‪ψ‬‬
‫‪ ،(x, y) ⊢�⎯� ψ(x,y) = (u,v)∈Ruv ⊆R2‬ﻋﻧدﺋذ ‪:‬‬ ‫ﻧﻌﺗﺑر اﻟﺗﺣوﯾل اﻟﺗﺎﻟﻲ )‪ ψ(.‬ﻟـ )‪: (X,Y‬‬

‫• ‪. Ruv = ψ( Rxy ) ⊆R2‬‬

‫• إذا )‪ (U,V‬زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل ‪:‬‬

‫‪‬‬
‫‪‬‬
‫∑∑‬ ‫‪P[ X = x ∩ Y = y ] si (X, Y) est discret‬‬
‫‪-1‬‬ ‫) ‪( x, y )∈Ψ (u ,v‬‬
‫‪−‬‬‫‪1‬‬
‫‪∀(u,v)∈Ruv : Puv[U=u ∩V=v]=Pxy[(X,Y)∈Ψ (u,v)] = ‬‬
‫‪‬‬ ‫‪∫∫ f ( x, y).dx.dy si (X, Y) est continu‬‬
‫) ‪( x, y )∈Ψ −1 (u ,v‬‬

‫• إذا )‪ (U,V‬زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر)إذن )‪ (X,Y‬ھو 'ز‪.‬ع' ﻣﺳﺗﻣر( ‪ ،‬ﻋﻧدﺋذ ‪:‬‬

‫ﻧﻌﺗﺑر أن ‪G(u,v) = P[U≤u ∩V≤v] = Puv[(U,V)∈Duv] ⇐ Duv = (U≤u ∩V≤v) :‬‬

‫= ])‪G(u,v) = P[U≤u ∩V≤v] =Puv[(U,V)∈Duv] = Pxy[(X,Y)∈Ψ (Duv‬‬

‫‪-1‬‬
‫‪∫∫ f ( x, y ).dx.dy‬‬
‫) ‪( x , y ) ∈ ψ − 1 ( Duv‬‬

‫‪Y‬‬
‫‪X‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫ﻣﺛﺎل ‪ :‬ﺗﺣوﯾل زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل‪.‬‬
‫‪0‬‬ ‫‪4/20‬‬ ‫‪3/20‬‬ ‫‪3/20‬‬ ‫ﻧﻌﺗﺑر اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك ﻟﻠزوج )‪ (X,Y‬اﻟﻣﻌطﻲ ﻓﻲ اﻟﺟدول اﻟﺗﺎﻟﻲ ‪:‬‬
‫‪1‬‬ ‫‪3/20‬‬ ‫‪1/20‬‬ ‫‪1/20‬‬ ‫ﻧﻌرف اﻟﻣﺗﻐﯾرات اﻟﺗﺎﻟﯾﺔ ‪ D = │X-Y│ ، S = X+Y :‬و ‪. P = X.Y‬‬
‫ﺣ ّدد اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ ﻟﻠﻣﺗﻐﯾر ‪ P‬و اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك ﻟﻠزوج )‪. (S,D‬‬
‫‪2‬‬ ‫‪3/20‬‬ ‫‪1/20‬‬ ‫‪1/20‬‬

‫اﻟﺣل ‪:‬‬
‫)و اﻟﺤﺘﻤﺎﻻت ‪( pij‬‬ ‫ﺟدول اﻟﻘﯾم ‪ (S, D) :‬و ‪ P‬ﺣﺴﺐ ‪ X‬و‪Y‬‬ ‫اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك ﻟـﻠزوج )‪(S, D‬‬ ‫‪P‬‬ ‫اﻟﺘﻮزﻳﻊ اﻻﺣﺘﻤﺎﱄ ﻟـ‬
‫‪D‬‬
‫‪Y‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪pi‬‬ ‫]‪P[P= pi‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪S‬‬
‫‪X‬‬
‫)‪(s,d)= (0,0‬‬ ‫)‪(s,d)=(1, 1‬‬ ‫)‪(s,d)= (2, 2‬‬ ‫‪0‬‬ ‫‪4/20‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪16/20‬‬
‫‪p = 0 4/20‬‬ ‫‪p = 0 3/20‬‬ ‫‪p = 0 3/20‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪6/20‬‬ ‫‪0‬‬
‫‪3/20‬‬
‫‪1‬‬ ‫‪1/20‬‬
‫)‪(s,d)= (1,1‬‬ ‫)‪(s,d)= (2,0‬‬ ‫)‪(s,d)= (3, 1‬‬ ‫‪2‬‬ ‫‪1/20‬‬ ‫‪0‬‬ ‫‪6/20‬‬
‫‪1‬‬
‫‪p = 0 3/20‬‬ ‫‪p = 1 1/20‬‬ ‫‪p=2‬‬ ‫‪1/20‬‬
‫‪2‬‬ ‫‪2/20‬‬
‫‪3‬‬ ‫‪0‬‬ ‫‪2/20‬‬ ‫‪0‬‬
‫)‪(s,d)= (2,2‬‬ ‫)‪(s,d)= (3,1‬‬ ‫)‪(s,d)= (4,0‬‬
‫‪2‬‬ ‫‪4‬‬ ‫‪1/20‬‬
‫‪p=0‬‬ ‫‪3/20‬‬ ‫‪p = 2 1/20‬‬ ‫‪p = 4 1/20‬‬ ‫‪4‬‬ ‫‪1/20‬‬ ‫‪0‬‬ ‫‪0‬‬
 ‫‪-36-‬‬

‫ﻧظرﯾﺔ ‪ :‬طرﯾﻘﺔ 'ﺟﺎﻛوﺑﻲ' )‪(Méthode du jacobien‬‬

‫ﻟﯾﻛن )‪' (X,Y‬ز‪.‬ع' ﻣﺳﺗﻣر و )‪ f(x,y‬داﻟﺔ ﻛﺛﺎﻓﺗﮫ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ‪ .‬ﻧﻌرف اﻟﺗﺣوﯾل ‪ ψ‬ﻟـ )‪ (X,Y‬ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫))‪ ψ(X,Y) = (U,V) = (U= ψ1(X,Y), V= ψ2(X,Y‬ﺑﺣﯾث ‪ ψ‬ھو ﺗطﺑﯾق ‪:‬‬

‫)𝑦𝑦‪𝑑𝑑ψ𝑖𝑖 (𝑥𝑥,‬‬ ‫)𝑦𝑦‪𝑑𝑑 ψ𝑖𝑖 (𝑥𝑥,‬‬

‫ﻟـ ‪. i=1,2‬‬ ‫و‬ ‫ﻣﺳﺗﻣر )ﺑﺎﻟﻧﺳﺑﺔ ﻟـ ‪ x‬و ‪ ( y‬و ﻟﮫ ﻣﺷﺗﻘﺎت ﺟزﺋﯾﺔ اوﻟﻲ‬ ‫‪.1‬‬
‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬

‫‪ .2‬ﺗﻘﺎﺑﻠﻲ )أي ‪ ψ‬ﻟﮫ ﺗطﺑﯾق ﻋﻛﺳﻲ وﺣﯾد ‪.[ ψ-1(U,V) = (X= ψ1-1(U,V) , Y= ψ2-1(U,V))] :‬‬

‫‪ .3‬ﻣﺣدد 'ﺟﺎﻛوﺑﻲ' ‪ J‬ﻟﻠﺗﺣوﯾل )‪ ψ (.‬ﻏﯾر ﻣﻌدوم ‪.dét[J(ψ )] = dét(J) # 0 :‬‬

‫ﻋﻧدﺋذ ‪ ،‬اﻟداﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ ﻟﻠزوج )‪ (U,V‬ھﻲ )‪: g(u,v‬‬
‫)𝑦𝑦‪𝑓𝑓(𝑥𝑥,‬‬
‫= )𝑣𝑣 ‪𝑔𝑔(𝑢𝑢,‬‬ ‫|)‪|𝒅𝒅é𝒕𝒕 𝑱𝑱(ψ‬‬
‫𝟏𝟏‪= 𝑓𝑓�ψ𝟏𝟏 −1 (𝑢𝑢, 𝑣𝑣) , ψ𝟐𝟐 −1 (𝑢𝑢, 𝑣𝑣)�. |𝒅𝒅é𝒕𝒕( 𝑱𝑱)|−‬‬

‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫))𝑦𝑦‪𝑑𝑑(ψ1(𝑥𝑥,‬‬ ‫))𝑦𝑦‪𝑑𝑑(ψ2 (𝑥𝑥,‬‬

‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑‬
‫)‪. dét(J‬‬ ‫𝑑𝑑𝑑𝑑� =‬ ‫�𝑑𝑑𝑑𝑑‬ ‫=‬ ‫))𝑦𝑦‪�𝑑𝑑(ψ (𝑥𝑥,‬‬ ‫�))𝑦𝑦‪𝑑𝑑(ψ2 (𝑥𝑥,‬‬ ‫𝑑𝑑𝑑𝑑 ∙ 𝑑𝑑𝑑𝑑 ‪= 𝑑𝑑𝑑𝑑 ∙ 𝑑𝑑𝑑𝑑 −‬‬ ‫ﺑﺣﯾث ‪:‬‬
‫‪1‬‬
‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬

‫ﻣﻼﺣظﺔ ‪ :‬ﻋﻧدﻣﺎ ﺗﻛون ﺷروط ﺗطﺑﯾق طرﯾﻘﺔ 'ﺟﺎﻛوﺑﻲ' ﻏﯾر ﻣﺣﻘﻘﺔ ‪ ،‬ﻧﺳﺗﻌﻣل طرﯾﻘﺔ ' داﻟﺔ اﻟﺗوزﯾﻊ اﻟﺗراﻛﻣﻲ اﻟﻣﺷﺗرﻛﺔ '‪.‬‬

‫ﻣﺛﺎل ‪: 6‬‬
‫ﻟﯾﻛن )‪' (X,Y‬ز‪.‬ع' ﻣﺳﺗﻣر ﺑﺣﯾث داﻟﺔ ﻛﺛﺎﻓﺗﮫ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ )‪ f(x,y‬ھﻲ ﻣﻌرﻓﺔ ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬

‫‪ y ≥ 0‬و ‪ x ≥ 0‬إذا )‪e – (x + y‬‬ ‫ﻧﻌرﯾف اﻟزوج )‪ (S , D‬ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬

‫= )‪f(x , y‬‬
‫)‪(S , D) = ψ(X,Y) = (S = X+Y, D = X-Y‬‬
‫‪0‬‬ ‫ﻋﻧد اﻟﻌﻛس‬

‫‪ .1‬ﺣ ّدد اﻟداﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ اﻟﻣﺷﺗرﻛﺔ )‪ g(s,d‬ﻟـ )‪. (S,D‬‬

‫ﻣﻼﺣظﺔ ‪ :‬ﯾﻣﻛن ﺗﻘدﯾم اﻟزوج )‪ (S,D‬ﻛﻣﺎ ﯾﻠﻲ ‪:‬‬
‫‪S = ψ1 (X, Y) = X + Y‬‬ ‫‪ .2‬ﺣ ّدد اﻟﺗوزﯾﻊ اﻟﺣدي ﻟـ ‪.S‬‬
‫�‬
‫‪D = ψ2 (X, Y) = X − Y‬‬ ‫‪ .3‬أﺣﺳب اﻻﺣﺗﻣﺎل ]‪. P[S ≤ 2∩D ≤ 3‬‬

‫اﻟﺣل ‪:‬‬
‫‪ .1‬ﺑﻣﺎ أن اﻟﺗﺣوﯾل )‪ ψ = ( ψ1 , ψ2‬ھو ﺗﺣوﯾل ﺧطﻲ ⇐ ‪ ψ‬ھوﻣﺳﺗﻣر‪ ،‬ﻟﮫ ﻣﺷﺗﻘﺎت ﺟزﺋﯾﺔ ﻣن اﻟدرﺟﺔ اﻷﻟﻰ‬

‫وھو ﺗطﺑﯾق ﺗﻘﺎﺑﻠﻲ )⇐ ﻟﮫ ﺗطﺑﯾق ﻋﻛﺳﻲ وﺣﯾد( ⇐ ﯾﻣﻛن اﺳﺗﻌﻣﺎل طرﯾق 'ﺟﺎﻛووﺑﻲ'‪.‬‬
‫‪-1‬‬
‫ﺑﺣﯾث ‪. (𝑥𝑥 = ψ1 −1 (𝑠𝑠, 𝑑𝑑 ) , 𝑦𝑦 = ψ2 −1 (𝑠𝑠, 𝑑𝑑 )) :‬‬ ‫|)‪g(s,d) = f(x,y)*|dét(J‬‬ ‫ﺣﺳب ﻧظرﯾﺔ 'ﺟﺎﻛوﺑﻲ' ‪:‬‬
‫)) 𝑦𝑦‪𝑑𝑑(ψ1 (𝑥𝑥,‬‬ ‫)) 𝑦𝑦‪𝑑𝑑(ψ2 (𝑥𝑥,‬‬ ‫)𝑆𝑆(𝑑𝑑‬ ‫)𝐷𝐷(𝑑𝑑‬

‫‪= �1‬‬ ‫‪1‬‬

‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬
‫‪dét(J) =�𝑑𝑑(ψ‬‬ ‫) (‬ ‫�)) 𝑦𝑦‪𝑑𝑑(ψ2 (𝑥𝑥,‬‬ ‫)𝑆𝑆(𝑑𝑑� =‬ ‫�)𝐷𝐷(𝑑𝑑‬ ‫• ﺣﺳﺎب ﻣﺣدد 'ﺟﺎﻛوﺑﻲ' )‪� = −2 : dét(J‬‬
‫) 𝑦𝑦‪1 𝑥𝑥,‬‬ ‫‪1 −1‬‬
‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬ ‫𝑑𝑑𝑑𝑑‬
 ‫‪-37-‬‬

‫• ﺗﺣدﯾد )𝑦𝑦 ‪ 𝑓𝑓�ψ𝟏𝟏−1 (𝑠𝑠, 𝑑𝑑 ) , ψ𝟐𝟐 −1 (𝑠𝑠, 𝑑𝑑 )� = 𝑓𝑓 (𝑥𝑥,‬ﺗﺎﺑﻊ ﻟﻠﻣﺗﻐﯾرﯾن ‪ s :‬و ‪. d‬‬
‫‪−1‬‬ ‫𝑑𝑑‪𝑠𝑠+‬‬
‫𝑦𝑦 ‪𝑠𝑠 = 𝑥𝑥 +‬‬ ‫= ) 𝑑𝑑 ‪𝑥𝑥 = ψ1 (𝑠𝑠,‬‬
‫� ⇔ )‪(s,d) = ψ(x,y) = ( ψ1(x,y) = x+y, ψ2(x,y) = x-y‬‬ ‫�⇔‬ ‫‪2‬‬
‫𝑦𝑦 ‪𝑑𝑑 = 𝑥𝑥 −‬‬ ‫( ‪−1‬‬
‫= ) 𝑑𝑑 ‪𝑦𝑦 = ψ2 𝑠𝑠,‬‬
‫𝑑𝑑‪𝑠𝑠−‬‬
‫‪2‬‬

‫𝑑𝑑‪𝑠𝑠+𝑑𝑑 𝑠𝑠−‬‬
‫‪.‬‬ ‫‪f(x,y) = e‬‬ ‫‪– (x‬‬ ‫(‪+ y) = 𝑒𝑒 −‬‬ ‫‪2‬‬
‫‪+‬‬
‫‪2‬‬
‫)‬
‫𝑠𝑠‪= 𝑒𝑒 −‬‬ ‫ﻧﺳﺗﻧﺗﺞ ‪:‬‬

‫• اﻟﺧﻼﺻﺔ ‪:‬‬
‫‪⇒ g(s,d) = f(x,y)*|𝒅𝒅ét( 𝐉𝐉)|−𝟏𝟏 = e-s*|−2| = .e-s‬‬
‫‪-1‬‬

‫‪ -s < d < s‬و ‪ s ≥ 0‬إذا ‪½.e – s‬‬

‫? = ‪Rsd‬‬ ‫‪x>0 et y>0 ⇒ s = x+y >0 ⇒ s >0‬‬ ‫= )‪g(s ,d‬‬
‫𝑑𝑑‪𝑠𝑠+‬‬ ‫𝑑𝑑‪𝑠𝑠−‬‬ ‫‪0‬‬ ‫ﻋﻧد اﻟﻌﻛس‬
‫=‪x‬‬ ‫= ‪> 0 et y‬‬ ‫‪> 0 ⇒ -s < d < s‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪ .2‬ﺗﺣدﯾد اﻟﺗوزﯾﻊ اﻟﺣدي ﻟـ ‪. S‬‬

‫𝑠𝑠‬
‫𝑠𝑠‪g(s) = ∫𝑅𝑅 𝑔𝑔(𝑠𝑠, 𝑑𝑑 ). 𝑑𝑑 (𝑑𝑑 ) = ∫−𝑠𝑠 12. 𝒆𝒆−𝒔𝒔 . 𝒅𝒅(d) = 12. 𝒆𝒆−𝒔𝒔 . [𝑑𝑑]−‬‬
‫𝑠𝑠‬
‫)𝟏𝟏 ‪= 𝑠𝑠. 𝒆𝒆−𝒔𝒔 ( 𝑠𝑠𝑠𝑠 𝑠𝑠 > 0)⇒ 𝑺𝑺∼ γ(𝟐𝟐,‬‬
‫𝐷𝐷‬

‫‪2‬‬ ‫𝑠𝑠‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬

‫‪P[S≤ 2∩D≤ 3] =∫0 ∫−𝑠𝑠 12. 𝒆𝒆−𝒔𝒔 . 𝒅𝒅(𝑑𝑑 ). 𝒅𝒅𝑠𝑠 = 12. ∫0 𝒆𝒆−𝒔𝒔 . [𝑑𝑑]−𝑠𝑠𝑠𝑠 . 𝑑𝑑𝑑𝑑 = 12. ∫0 𝒆𝒆−𝒔𝒔 . [2𝑠𝑠]𝑑𝑑𝑑𝑑 = ∫0 s. 𝒆𝒆−𝒔𝒔 𝒅𝒅𝒅𝒅 =0.594‬‬

‫‪Fin du CoursOn Live N° 5 (Sous-séance_6.2 le‬‬

‫‪2ème Partie du polycopié du chapitre 2‬‬ ‫اﻟﺟزء ‪ 2‬ﻟﻣطﺑوﻋﺔ اﻟﻔﺻل ‪2‬‬

‫‪Début du Cours On Live N° 6 (Sous-séance_7.1 ) le‬‬

‫‪ -2.3‬ﺗوزﯾﻊ داﻟﺔ ﺟﻣﻊ ﻣﺗﻐﯾرات ﻋﺷواﺋﯾﺔ ﻣﺳﺗﻘﻠﺔ ‪.Distribution de la fonction somme de v.a indépendantes‬‬

‫ﻟﯾﻛن )‪ (X,Y‬ﺷﻌﺎع ﻋﺷواﺋﻲ )ذو ‪ n=2‬ﺑﻌد( ﺑﺣﯾث ‪ X‬و ‪ Y‬ﻣﺳﺗﻘﻼن‪.‬‬

‫ﻧﻌرف اﻟﺗﺣوﯾل )‪ ψ(X,Y‬ﻛﻣﺎ ﯾﻠﻲ ‪ ψ(X,Y) = S = X + Y :‬ﺣﯾث ‪ ψ‬ھﻲ داﻟﺔ 'اﻟﺟﻣﻊ'‪ .‬ﻛﯾف ﻧﺣدد ﺗوزﯾﻊ ‪ S‬؟‬

‫‪ -2.3.0‬ﻣﺛﺎل ﺗﻣﮭﯾدي ‪.Exemple introductif‬‬

‫ﻧﻌﺗﺑر اﻟﺗوزﯾﻊ اﻟﻣﺷﺗرك ﻟﻠزوج )‪ (X,Y‬اﻟﻣﻌطﻲ ﻓﻲ اﻟﺟدول اﻟﺗﺎﻟﻲ ﺑﺣﯾث ‪ X‬و ‪' Y‬م‪.‬ع' ﻣﺳﺗﻘﻼن ‪.‬‬
‫‪Y‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫ﻣﻼﺣظﺔ ‪ :‬ﯾﻣﻛن ﺗﺣﻘﯾق ﺑﺳﮭوﻟﺔ أن ‪ X∼ B(1 ; 1/2) :‬و )‪، Y∼ B(2 ; 1/2‬‬
‫‪X‬‬
‫‪0‬‬ ‫‪1/8‬‬ ‫‪1/4‬‬ ‫‪1/8‬‬ ‫ﻧﻌرف اﻟﺗﺣوﯾل )‪ ψ(X,Y‬ﻛﻣﺎ ﯾﻠﻲ ‪.ψ(X,Y) = S = X + Y :‬‬
‫‪1‬‬ ‫‪1/8‬‬ ‫‪1/4‬‬ ‫‪1/8‬‬ ‫ﺣ ّدد اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ ﻟﻠﻣﺗﻐﯾر ‪) S‬أي اﻷزواج } ]‪ { si ; Ps[S = si‬ﻟﻛل ‪.( si∈Rs‬‬
 ‫‪-38-‬‬

‫اﻟﺣل ‪ :‬اﻟﺑﯾﺎن اﻟﺗﺎﻟﻲ ﯾﺟﻣﻊ ﻣﻌطﯾﺎت اﻟﻣﺷﻛﻠﺔ و 'ﻣﻌﺎﻟﺟﺗﮭﺎ' ‪ :‬ﺗﺣدﯾد ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف ‪ Rs‬و اﻟداﻟﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ ‪ Ps‬ﻟـ ‪. S‬‬

‫ﺟدول ﻗﯾم ‪ S‬ﺣﺴﺐ ‪ X‬و ‪Y‬‬ ‫اﻟﺘﻮزﻳﻊ اﻻﺣﺘﻤﺎﱄ ﻟ ـ ‪S‬‬

‫⇐ ﺗﺤﺪﯾﺪ ‪ RS‬و اﻻﺣﺗﻣﺎﻻت اﻟﻣﺷﺗرﻛﺔ ‪pij‬‬
‫‪Y‬‬ ‫]‪si P[S = si‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬
‫‪X‬‬
‫‪0‬‬ ‫‪1/8‬‬
‫‪0‬‬ ‫‪S=0 S=1 S=2‬‬
‫‪1/8‬‬ ‫‪1/4‬‬ ‫‪1/8‬‬ ‫‪1‬‬ ‫‪3/8‬‬
‫‪2‬‬ ‫‪3/8‬‬
‫‪1‬‬ ‫‪S = 1 S = 2 S =3‬‬
‫‪1/8‬‬ ‫‪1/4‬‬ ‫‪1/8‬‬
‫‪3‬‬ ‫‪1/8‬‬

‫ﻣﻼﺣظﺔ ‪ :‬ﯾﻣﻛن ﺗﺣﻘﯾق ﺑﺳﮭوﻟﺔ أن ‪. S ∼ B(3 ; 1/2) :‬‬

‫… ‪1- RS = Ψ(Rxy) = {0, 1, 2 , 3 } : si (x=0, y=0) ⇒ s = x+y = 0 etc.‬‬

‫‪2- Ps[S =0] =Pxy[(X,Y)∈S-1(0)] = Pxy[(X,Y) = (0,0)] = 1/8‬‬

‫‪Ps[S =1] =Pxy[(X,Y)∈S-1(1)] = Pxy[(X,Y) = (0,1)] + Pxy[ (X,Y) = (1,0)] = ¼ +1/8 =3/8‬‬

‫]𝑦𝑦 = 𝑌𝑌 ∩ 𝑥𝑥 = 𝑋𝑋[𝑃𝑃 ‪= ∑𝑥𝑥+𝑦𝑦=𝑠𝑠=1 𝑃𝑃𝑥𝑥𝑥𝑥 [(X, Y) = (𝑥𝑥, 𝑦𝑦)] = ∑𝑥𝑥+𝑦𝑦=𝑠𝑠=1‬‬ ‫)ﺑﺷﻛل ﻋﺎم (‬
‫… ‪…… etc.‬‬
‫‪ -2.3.1‬طرﯾﻘﺔ ﺟذأ اﻟﺗزوﯾﺞ ‪.Méthode du produit de convolution‬‬

‫اﻟﺣﺎﻟﺔ ‪ : 1‬ﺣﺎﻟﺔ زوج ﻋﺷواﺋﻲ ﻣﻧﻔﺻل‪.‬‬

‫اذا ﻛﺎن ‪ X‬و ‪' Y‬م‪.‬ع' ﻣﻧﻔﺻﻠﺗﯾن‪ ،‬ﻏﯾر ﺳﺎﻟﺑﯾن )‪ (X≥0 , Y≥0‬و ﻣﺳﺗﻘﻼن ‪ ،‬ﻋﻧدﺋذ ‪:‬‬
‫‪.RS = Ψ( Rx) = { s∈R : s = x+y , x∈Rx , y∈Ry } = { 0, … , (Max(X) + Max(Y)} .1‬‬
‫]𝑦𝑦 = 𝑌𝑌 [𝑃𝑃 ∗ ]𝑦𝑦 ‪.∀s∈RS : Ps[S = s] =∑𝑠𝑠𝑥𝑥=0 𝑃𝑃[𝑋𝑋 = 𝑥𝑥] ∗ 𝑃𝑃[ 𝑌𝑌 = 𝑠𝑠 − 𝑥𝑥] = ∑𝑠𝑠𝑦𝑦=0 𝑃𝑃[𝑋𝑋 = 𝑠𝑠 −‬‬ ‫‪.2‬‬

‫ﻣﻼﺣظﺔ ‪ :‬إذا ﻛﺎن ﯾﻣﻛن أن ‪ X‬أو‪ Y‬ﯾﺄﺧذ ﻗﯾم ﺳﺎﻟﺑﺔ ‪ ،‬ﻋﻧدﺋذ 'اﻟﺟﻣﻊ ∑ ' ﯾﺗم ﺑﺎﻟﻧﺳﺑﺔ ﻟﻸزوج )‪ (x,y‬اﻟﺗﻲ ﺗﺣﻘق ‪. s = x+y‬‬
‫اﻟﺑرھﺎن ‪:‬‬
‫} )‪1- RS = ? . s = x + y : x≥0 , y≥0 ⇒ RS ={ Min(S)= (0+0) ,…, Max(X) + Max(Y‬‬

‫= ])‪2- ∀s∈RS , Ps[S = s] = Ps[X + Y = s] = Pxy[ (X,Y)∈S-1(s‬‬

‫= ])𝑦𝑦 = 𝑌𝑌( ∩ )𝑥𝑥 = 𝑋𝑋([𝑃𝑃 𝑠𝑠=𝑦𝑦‪= ∑𝑥𝑥+‬‬

‫‪X ,Y indép‬‬
‫=‬ ‫= ]𝑦𝑦 = 𝑌𝑌 [𝑃𝑃 ∗ ]𝑥𝑥 = 𝑋𝑋[𝑃𝑃 𝑠𝑠=𝑦𝑦‪∑𝑥𝑥+‬‬

‫]𝑦𝑦 = 𝑌𝑌 [𝑃𝑃 ∗ ]𝑦𝑦 ‪= ∑𝑠𝑠𝑥𝑥=0 𝑃𝑃[𝑋𝑋 = 𝑥𝑥] ∗ 𝑃𝑃[ 𝑌𝑌 = 𝑠𝑠 − 𝑥𝑥] = ∑𝑠𝑠𝑦𝑦=0 𝑃𝑃[𝑋𝑋 = 𝑠𝑠 −‬‬

‫ﻧﻘول أن ]‪ Ps[S = s‬ھﻲ ﺟذاء اﻟﺗزوﯾﺞ اﻟداﻟﺗﯾن اﻻﺣﺗﻣﺎﻟﺗﯾن ﻟـ ‪ X‬و ‪ Y‬و ﻧرﻣزاﻟﯾﮫ ﺑـ ‪Ps= PxPy :‬‬
 ‫‪-39-‬‬

‫ﻣﺛﺎل ‪ ) :‬اﻧظر اﻟﻲ اﻟﻣﺛﺎل اﻟﺳﺎﺑق و اﻟﻲ اﻟﻔرع ‪ -2.4‬اﺳﺗﻘرار اﻟﺗوزﯾﻌﺎت اﻟﺷﮭﯾرة )ذو اﻟﺣدﯾن أو 'ﺑواﺳون'( اﻟﻼﺣق ‪(.‬‬

‫اﻟﺣﺎﻟﺔ ‪ : 2‬ﺣﺎﻟﺔ زوج ﻋﺷواﺋﻲ ﻣﺳﺗﻣر‪.‬‬

‫اذا ﻛﺎن ‪ X‬و ‪' Y‬م‪.‬ع' ﻣﺳﺗﻣرﯾن‪ ،‬ﻏﯾر ﺳﺎﻟﺑﯾن )‪ (X≥0 , Y≥0‬و ﻣﺳﺗﻘﻠﯾن ‪ ،‬ﻋﻧدﺋذ ‪:‬‬
‫[)‪.RS = Ψ( Rx) = { s∈R : s = x+y , x∈Rx , y∈Ry } = [0, (Max(X) +Max(Y‬‬ ‫‪.1‬‬
‫𝑠𝑠‬ ‫𝑠𝑠‬
‫𝑑𝑑𝑑𝑑) ‪) G[s] =∫0 𝑓𝑓 (𝑥𝑥, . ) ∗ 𝐹𝐹𝑦𝑦 (. , 𝑠𝑠 − 𝑥𝑥)𝑑𝑑𝑑𝑑 = ∫0 𝑓𝑓(. , 𝑦𝑦) ∗ 𝐹𝐹𝑥𝑥 (𝑠𝑠 − 𝑥𝑥, .‬داﻟﺔ اﻟﺗوزﯾﻊ اﻟﺗراﻛﻣﻲ ﻟـ ‪( S‬‬ ‫‪.2‬‬

‫𝑠𝑠‬ ‫‪.‬‬ ‫𝑠𝑠‬

‫𝑑𝑑𝑑𝑑) ‪) g(s) =∫0 𝑓𝑓 (𝑥𝑥, . ) ∗ 𝑓𝑓𝑦𝑦 �. , 𝑠𝑠 − 𝑥𝑥 �𝑑𝑑𝑑𝑑 = ∫0 𝑓𝑓 (. , 𝑦𝑦) ∗ 𝑓𝑓𝑥𝑥 (𝑠𝑠 − 𝑥𝑥, .‬داﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ ﻟـ ‪( S‬‬

‫ﻧﻘول أن )‪ g(s‬ھﻲ ﺟذاء اﻟﺗزوﯾﺞ اﻟداﻟﺗﯾن اﻟﻛﺛﺎﻓﺗﯾن ﻟـ ‪ X‬و ‪ Y‬و ﻧرﻣزاﻟﯾﮫ ﺑـ ‪gs= fxfy :‬‬

‫ﻣﺛﺎل ‪:‬‬
‫ﻟﯾﻛن ‪ X‬و ‪' Y‬م‪.‬ع' ﻣﺳﺗﻘﻼن ﺑﺣﯾث )‪ X ∼ ξ(2‬و )‪ .Y ∼ ξ(1‬ﺣ ّدد الداﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ ﻟـ ‪ S‬إذا ‪.S=Ψ(Rx) = X+Y‬‬
‫[∝ ‪1- RS = Ψ(Rx) = { s∈R : s = x+y , x∈R+ , y∈R+ } = [0, (Max(X) + Max(Y)[ = [0 , +‬‬
‫𝑠𝑠‬ ‫‪.‬‬ ‫𝑠𝑠‬ ‫𝑠𝑠‬ ‫𝑠𝑠‬
‫= 𝑑𝑑𝑑𝑑 ‪2- 𝑔𝑔(𝑠𝑠) = ∫0 𝑓𝑓(𝑥𝑥, . ) ∗ 𝑓𝑓𝑦𝑦 �. , 𝑠𝑠 − 𝑥𝑥 �𝑑𝑑𝑑𝑑 ∫0 𝑒𝑒 −2𝑥𝑥 ∗ 𝑒𝑒 −(𝑠𝑠−𝑥𝑥) . 𝑑𝑑𝑑𝑑 = ∫0 𝑒𝑒 −2𝑥𝑥 ∗ 𝑒𝑒 −(𝑠𝑠−𝑥𝑥) . 𝑑𝑑𝑑𝑑 = ∫0 𝑒𝑒 −(𝑠𝑠+𝑥𝑥) .‬‬
‫𝑠𝑠‬ ‫𝑠𝑠‬

‫)𝒔𝒔( ‪= � 𝑒𝑒 −𝑠𝑠 ∗ 𝑒𝑒 −𝑥𝑥 . 𝑑𝑑𝑑𝑑 = 𝑒𝑒 −𝑠𝑠 � 𝑒𝑒 −𝑥𝑥 . 𝑑𝑑𝑑𝑑 = 𝑒𝑒 −𝑠𝑠 . [−𝑒𝑒 −𝑥𝑥 ]0𝑠𝑠 = 𝑒𝑒 −𝑠𝑠 . ( −𝑒𝑒 −𝑠𝑠 + 𝑒𝑒 −0 ) = (𝒆𝒆−𝒔𝒔 − 𝒆𝒆−𝟐𝟐𝟐𝟐 ). 𝟏𝟏𝑹𝑹+‬‬

‫ﺗﻣﺎرﯾن ‪ :‬ﺣل ﺗﻣرﯾن ‪ 2 ،1‬و ‪ 4‬ﻣﻦ اﻟﺴﻠﺴﻠﺔ رﻗﻢ ‪2‬‬

‫ﻓﻲ ﺑﻘﯾﺔ ھذا اﻟﻔرع ﺳﻧرﺗﻛز ﻓﻘط ﺣول ﺑﻌض اﻟﺗﺣوﯾﻼت اﻟﺧطﯾﺔ ﻟﺷﻌﺎع ﻋﺷواﺋﻲ )دراﺳﺔ ﻣﺷﻛﻠﺔ اﺳﺗﻘرار اﻟﺗوزﯾﻌﺎت اﻟﺷﮭﯾرة(‬
‫و ﺑﻌض اﻟﺗﺣوﯾﻼت ﻏﯾر ﺧطﯾﯾﺔ )ﺗﻘدﯾم ﺗوزﯾﻌﺎت ‪ t ، χ2‬و ‪.( F‬‬

‫‪.Stabilité (additivité) des lois usuelles‬‬ ‫‪ -2.4‬اﺳﺗﻘرار )ﺟﻣﻌﯾﺔ( اﻟﺗوزﯾﻌﺎت اﻟﺷﮭﯾرة‬

‫‪ -2.4.1‬اﻻﺷﻛﺎﻟﯾﺔ ‪.‬‬
‫ﻟﯾﻛن ‪ X‬و ‪' Y‬م‪.‬ع' ﻣﺳﺗﻘﻼن ﻣﻌرﻓﺎن ﻋﻠﻲ ﻧﻔس اﻟﻔﺿﺎء اﻹﺣﺗﻣﺎﻟﻲ و ﯾﺗﺑﻌﺎن ﻧﻔس اﻟﺗوزﯾﻊ )ذو اﻟﺣدﯾن‪ ،‬ﺑواﺳون‪ ،‬طﺑﯾﻌﻲ‪.(... ،‬‬
‫ﻧﻌرف اﻟﺗﺣوﯾل اﻟﺧطﻲ )‪ Ψ(.‬ﻟـ ‪ X‬و ‪. ΨS(X,Y) = S = X+Y : Y‬‬
‫‪ ‬اﻟﺳؤال ‪ :‬ھل ‪ S‬ﯾﺗﺑﻊ ﻧﻔس ﺗوزﯾﻊ ‪ X‬و ‪ Y‬؟‬
‫‪ ℜ‬إذا ﻛﺎن ‪ S‬ﯾﺗﺑﻊ ﻧﻔس ﺗوزﯾﻊ ‪ ⇐ X‬ﻧﻘول أن ﺗوزﯾﻊ ‪ X‬ھو ﻣﺳﺗﻘر ﻟﻠﺟﻣﻊ ) أو ﻟﻠﻣزج اﻟﺧطﻲ(‪.‬‬
‫ﻧﻘدم ﻓﻲ ﻣﺎ ﺑﻌد ﻧظرﯾﺎت ﻣﺗﻌﻠﻘﺔ ﺑﺎﺳﺗﻘرار اﻟﺗوزﯾﺎت اﻟﺷﮭﯾرة اﻟﺗﺎﻟﯾﺔ ‪ :‬ذو اﻟﺣدﯾن‪ ،‬ﺑواﺳون ‪ ،‬طﺑﯾﻌﻲ و 'ﻗٌﺎﻣﺎ'‪.‬‬

‫‪ -2.4.2‬اﺳﺗﻘرار اﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن ‪. Stabilité de la distribution binomiale‬‬

‫ﻧظرﯾﺔ ‪ : 1‬ﻟﺗﻛن ‪ X‬و ‪' Y‬م‪.‬ع' ﻣﺳﺗﻘﻼن ﺑﺣﯾث ‪ X ∼ B(n1 ; p) :‬و )‪ ، Y ∼ B(n2 ; p‬ﻋﻧدﺋذ ‪:‬‬

‫)‪S = X+Y ∼ B(n1+ n2 ; p‬‬

‫ﻧﻘول أن ﺗوزﯾﻊ ذو اﻟﺣدﯾن ﻣﺳﺗﻘر ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﺟﻣﻊ ‪.‬‬
 -40-

(‫ )طرﯾﻘﺔ ﺟذاء اﻟﺗزوﯾﺞ‬: ‫اﻟﺑرھﺎن‬

1- RS = ? . s = x + y : x∈Rx⊂N et y∈Ry⊂N ⇒ s∈N ( Min(s)= 0+0 , Max(s) = n1+n2 )
⇒ RS = {0, 1, … ,(n1 + n2)}.

2- ∀s∈RS , Ps[S = s] = ?

Ps[S = s] = Ps[X + Y = s] = Pxy[ (X,Y)∈S-1(s)] =

= ∑𝑥𝑥+𝑦𝑦=𝑠𝑠 𝑃𝑃[(𝑋𝑋 = 𝑥𝑥 ) ∩ (𝑌𝑌 = 𝑦𝑦)] =

X ,Y indép
= ∑𝑥𝑥+𝑦𝑦=𝑠𝑠 𝑃𝑃[𝑋𝑋 = 𝑥𝑥] ∗ 𝑃𝑃[ 𝑌𝑌 = 𝑦𝑦] =

= ∑𝑠𝑠𝑥𝑥=0 𝑃𝑃[𝑋𝑋 = 𝑥𝑥] ∗ 𝑃𝑃[ 𝑌𝑌 = 𝑠𝑠 − 𝑥𝑥] =

Ps= PxPy : Y ‫ و‬X ‫ﺟذاء اﻟﺗزوﯾﺞ اﻟداﻟﺗﯾن اﻻﺣﺗﻣﺎﻟﺗﯾن ﻟـ‬

= ∑𝑠𝑠𝑥𝑥=0�𝐶𝐶𝑛𝑛𝑥𝑥1 . 𝑝𝑝 𝑥𝑥 . 𝑞𝑞 𝑛𝑛 1 −𝑥𝑥 � ∗ �𝐶𝐶𝑛𝑛𝑠𝑠−𝑥𝑥

2
. 𝑝𝑝 𝑠𝑠−𝑥𝑥 . 𝑞𝑞 𝑛𝑛 2 −(𝑠𝑠−𝑥𝑥) � = Formule de Vandermonde

= ∑𝑠𝑠𝑥𝑥=0 𝐶𝐶𝑛𝑛𝑥𝑥1 . 𝐶𝐶𝑛𝑛𝑠𝑠−𝑥𝑥

2
. 𝑝𝑝 𝑠𝑠 . 𝑞𝑞 (𝑛𝑛 1 +𝑛𝑛 2 )−𝑠𝑠 = 𝑝𝑝 𝑠𝑠 . 𝑞𝑞 (𝑛𝑛 1 +𝑛𝑛 2 )−𝑠𝑠 . (∑𝑠𝑠𝑥𝑥=0 𝐶𝐶𝑛𝑛𝑥𝑥1 . 𝐶𝐶𝑛𝑛𝑠𝑠−𝑥𝑥
2
)=

Ps[S = s] = 𝑝𝑝 𝑠𝑠 . 𝑞𝑞 (𝑛𝑛 1 +𝑛𝑛 2 )−𝑠𝑠 . 𝐶𝐶𝑛𝑛𝑠𝑠1 +𝑛𝑛 2 ≡ ( p ‫( و‬n1+ n2) ‫) ھﻲ اﻟداﻟﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ ﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن ﺑﺎﻟﻣﻌﻠﻣﺗﯾن‬
⇒ S = X+Y ∼ B(n1+ n2 ; p) (CQFD).

. n1 = 2.n2= 10 ‫و‬ i = 1,2 ‫ ﻟـ‬Xi ∼ B(ni ; 1/4) ‫ع' ﻣﺳﺗﻘﻼن ﺑﺣﯾث‬.‫ 'م‬X2 ‫ و‬X1 ‫ ﻟﯾﻛن‬: ‫ﻣﺛﺎل‬
. P[X1 + X2 = 0] : ‫أﺣﺳب ﺑطرﯾﻘﺗﯾن ﻣﺧﺗﻠﻔﺗﯾن اﻻﺣﺗﻣﺎل‬

𝑖𝑖𝑖𝑖𝑖𝑖 é𝑝𝑝
0 10 0 5
• 1 méthode : P[X1+X2 = 0] = P[(X1=0)∩(X2= 0)] =
ère
⏞ P[X1= 0]∗P[X2= 0] = 𝐶𝐶10
0
. �14� . �34� ∗ 𝐶𝐶50 . �14� . �34� =
= 0.0563 ∗ 0.2373 = 0.013359
𝑇𝑇ℎé𝑜𝑜
0
• 2ère méthode : Soit S = X1 + X2 ⏞
∼ β(10 + 5 ; 1/4) ⇒ P[X1+ X2 = 0] = P[S = 0] = 𝐶𝐶15 . (14)0 . (34)15 = 0.01336

.Stabilité de la distribution de Poisson ‫ اﺳﺗﻘرار اﻟﺗوزﯾﻊ ﺑوﺳون‬-2.4.3

: ‫ ﻋﻧدﺋذ‬، Y∼P(λ2) ‫ و‬X ∼ P(λ1) : ‫ع' ﻣﺳﺗﻘﻼن ﺑﺣﯾث‬.‫ 'م‬Y ‫ و‬X ‫ ﻟﺗﻛن‬: 2 ‫ﻧظرﯾﺔ‬

S = X+Y ∼ P(λ1 + λ2)

.‫ﻧﻘول أن ﺗوزﯾﻊ 'ﺑواﺳون' ﻣﺳﺗﻘر ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﺟﻣﻊ‬
: ‫اﻟﺑرھﺎن‬
1- RS = ? . s = x + y : x∈Rx=N et y∈Ry=N ⇒ s∈N .
⇒ RS = {0, 1, 2,… ,+∝} = N
2- ∀s∈RS , Ps[S = s] = ?
Ps[S = s] = Ps[X + Y = s] = Pxy[ (X,Y)∈S-1(s)] =∑𝑥𝑥+𝑦𝑦=𝑠𝑠 𝑃𝑃 [(𝑋𝑋 = 𝑥𝑥) ∩ (𝑌𝑌 = 𝑦𝑦)] =
 ‫‪-41-‬‬
‫‪X ,Y indép‬‬
‫=‬ ‫= ]𝑥𝑥 ‪∑𝑥𝑥+𝑦𝑦=𝑠𝑠 𝑃𝑃[𝑋𝑋 = 𝑥𝑥] ∗ 𝑃𝑃[ 𝑌𝑌 = 𝑦𝑦] = ∑𝑠𝑠𝑥𝑥=0 𝑃𝑃[𝑋𝑋 = 𝑥𝑥] ∗ 𝑃𝑃[ 𝑌𝑌 = 𝑠𝑠 −‬‬
‫‪λ𝑥𝑥1 𝑒𝑒 −λ1‬‬ ‫𝑥𝑥‪λ𝑠𝑠−‬‬
‫𝑒𝑒 ‪2‬‬
‫‪− λ2‬‬
‫‪−λ1‬‬ ‫‪−λ2‬‬ ‫‪λ𝑥𝑥1‬‬ ‫𝑥𝑥‪λ𝑠𝑠−‬‬ ‫!𝑠𝑠‬
‫� ‪= ∑𝑠𝑠𝑥𝑥=0‬‬ ‫�∗�‬ ‫𝑒𝑒 = �‬ ‫𝑒𝑒 ‪.‬‬ ‫‪. ∑𝑠𝑠𝑥𝑥=0‬‬ ‫‪.‬‬ ‫‪2‬‬
‫‪.‬‬ ‫=‬
‫!𝑥𝑥‬ ‫!)𝑥𝑥‪(𝑠𝑠−‬‬ ‫!𝑠𝑠 !)𝑥𝑥‪𝑥𝑥! (𝑠𝑠−‬‬

‫)‪𝑒𝑒 −(λ1+λ2‬‬ ‫!𝑠𝑠‬ ‫)‪𝑒𝑒−(λ1+λ2‬‬

‫=‬ ‫‪. ∑𝑠𝑠𝑥𝑥=0 λ1𝑥𝑥 . λ2𝑠𝑠−𝑥𝑥 .‬‬ ‫=‬ ‫𝑥𝑥𝑠𝑠𝐶𝐶 ‪. ∑𝑠𝑠𝑥𝑥=0 λ1𝑥𝑥 . λ2𝑠𝑠−𝑥𝑥 .‬‬ ‫=‬
‫!𝑠𝑠‬ ‫!)𝑥𝑥‪𝑥𝑥!.(𝑠𝑠−‬‬ ‫!𝑠𝑠‬
‫‪Formule du binôme‬‬
‫)‪𝑒𝑒 −(λ1+λ2‬‬ ‫)‪𝑒𝑒 −(λ1+λ2‬‬
‫=‬ ‫𝑥𝑥‪. ∑𝑠𝑠𝑥𝑥=0 𝐶𝐶𝑥𝑥𝑠𝑠 . λ𝑥𝑥1 . λ𝑠𝑠−‬‬
‫‪2‬‬ ‫=‬ ‫𝑥𝑥‪. (∑𝑠𝑠𝑥𝑥=0 𝐶𝐶𝑥𝑥𝑠𝑠 . λ𝑥𝑥1 . λ𝑠𝑠−‬‬
‫= ) ‪2‬‬
‫!𝑠𝑠‬ ‫!𝑠𝑠‬

‫)‪𝑒𝑒−(λ1+λ2‬‬
‫= ]‪Ps[S = s‬‬ ‫!𝑠𝑠‬
‫‪. (λ1‬‬ ‫)ھﻲ اﻟداﻟﺔ اﻻﺣﺗﻣﺎﻟﯾﺔ ﻟﺗوزﯾﻊ ‪ Poisson‬ﺑﺎﻟﻣﻌﻠﻣﺔ )‪+ λ2 )𝑆𝑆 ≡ ( (λ1+ λ2‬‬
‫‪⇒ S = X+Y ∼ P(λ1 + λ2) (CQFD).‬‬

‫و ‪. λ1 = 2.λ2= 0.5‬‬ ‫‪i = 1,2‬‬ ‫ﻣﺛﺎل ‪ :‬ﻟﯾﻛن ‪ X1‬و ‪' X2‬م‪.‬ع' ﻣﺳﺗﻘﻼن ﺑﺣﯾث )‪ Xi ∼ P(λi‬ﻟـ‬
‫أﺣﺳب ﺑطرﯾﻘﺗﯾن ﻣﺧﺗﻠﻔﺗﯾن اﻻﺣﺗﻣﺎل ‪. P[X1 + X2 = 0] :‬‬

‫𝑝𝑝‪𝑖𝑖𝑖𝑖𝑖𝑖 é‬‬
‫‪(0.5)0 ∙𝑒𝑒 −0.5‬‬ ‫‪(0.25)0 ∙𝑒𝑒 −0.25‬‬
‫= ])‪• 1 méthode : P[X1+X2 = 0] =P[(X1=0)∩(X2= 0‬‬
‫‪ère‬‬
‫=]‪⏞ P[X1= 0]∗P[X2= 0‬‬ ‫∗‬ ‫=‬
‫!‪0‬‬ ‫!‪0‬‬
‫‪= 0.60653 ∗ 0.7788 = 0.47236‬‬
‫𝑜𝑜‪𝑇𝑇ℎé‬‬
‫‪(0.75)0 ∙𝑒𝑒 −0.75‬‬
‫= ]‪∼ P(0.5+0.25) ⇒ P[X1+ X2 = 0] = P[S = 0‬‬
‫⏞ ‪• 2ère méthode : Soit S = X1 + X2‬‬ ‫!‪0‬‬
‫‪= 0.47237‬‬

‫‪ -2.4.4‬اﺳﺗﻘرار اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ ‪.Stabilité de la distribution normale‬‬

‫ﻧظرﯾﺔ ‪ : 3‬ﻟﺗﻛن ‪ X‬و ‪' Y‬م‪.‬ع' ﻣﺳﺗﻘﻼن ﺑﺣﯾث ‪ X ∼ N[µx ; σx] :‬و ]‪ ،Y∼N[µy ; σy‬ﻋﻧدﺋذ ‪:‬‬
‫] ‪S = X+Y ∼ N[µx+µy ; �𝜎𝜎𝑥𝑥2 + 𝜎𝜎𝑦𝑦2‬‬

‫] ‪C = a.X + b.Y ∼ N[a.µx + b.µy ; �𝑎𝑎2 . 𝜎𝜎𝑥𝑥2 + 𝑏𝑏 2 . 𝜎𝜎𝑦𝑦2‬‬

‫ﻧﻘول أن اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ ھو ﻣﺳﺗﻘر ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﺟﻣﻊ و ﻟﻠﻣزج اﻟﺧطﻲ‪.‬‬

‫ﻧظرﯾﺔ ‪) 4‬ﺗﻌﻣﯾم( ‪ :‬ﻟﺗﻛن }‪ {X1, …Xi, …, Xn‬ﻣﺗﺗﺎﻟﯾﺔ ﻣن ‪' n‬م‪.‬ع' ﻣﺳﺗﻘﻠﺔ ﺗﺗﺑﻊ ﻧﻔس اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ ’‪،`i.i.d‬‬
‫أي ‪ ، Xi ∼N[µ ; σ] , ∀i‬ﻋﻧدﺋذ ‪:‬‬

‫] ‪C = ∑𝑛𝑛𝑖𝑖=1 𝛼𝛼𝑖𝑖 . 𝑋𝑋𝑖𝑖 ∼ N[µ.∑𝑛𝑛𝑖𝑖=1 𝛼𝛼𝑖𝑖 ; σ. �∑𝑛𝑛𝑖𝑖=1 𝛼𝛼𝑖𝑖2‬‬ ‫و‬ ‫]‪S = ∑𝑛𝑛𝑖𝑖=1 𝑋𝑋𝑖𝑖 ∼ N[ n.µ ; √𝑛𝑛.σ‬‬

‫ﻣﻼﺣظﺔ ‪ :‬ﻧﻘﺑل ھذه اﻟﻧﺗﺎﺋﺞ ﺑدون أي ﺑرھﺎن‪.‬‬

‫‪ -2.4.5‬اﺳﺗﻘرار اﻟﺗوزﯾﻊ 'ﻗٌﺎﻣﺎ' ‪. Stabilité de la distribution Gamma‬‬

‫)‪S = X+Y ∼ γ (r + v ; θ‬‬
‫‪Fin du Cours On Live N° 6 (Sous-séance_7.1) le‬‬
‫ﻧظرﯾﺔ ‪ : 1‬ﻟﺗﻛن ‪ X‬و ‪' Y‬م‪.‬ع' ﻣﺳﺗﻘﻼن ﺑﺣﯾث ‪ X∼ γr(θ) :‬و )‪ ، Y∼ γv(θ‬ﻋﻧدﺋذ ‪:‬‬
‫ﻧﻘول أن ﺗوزﯾﻊ ' ﻗٌﺎﻣﺎ ' ﻣﺳﺗﻘر ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﺟﻣﻊ ‪.‬‬
‫𝑟𝑟 𝜃𝜃‬
‫= ) 𝑥𝑥( 𝑓𝑓‬ ‫ﻣﻼﺣظﺔ ‪ :‬ﻧذﻛر أن ‪ :‬إذا )‪. 𝒙𝒙𝒓𝒓−𝟏𝟏 𝒆𝒆−𝜃𝜃.𝑥𝑥 : X∼ γr(θ‬‬
‫)𝑟𝑟(‪Γ‬‬

‫ﺗﻣﺎرﯾن اﻟﺳﻠﺳﻠﺔ رﻗم ‪ 2‬اﻟﻣﺗﻌﻠﻘﺔ ﺑﻣﺣﺗوى ھذه اﻟﺣﺻﺔ )اﻟﻔرع( ‪ 8 ، 7 ،6 ، 5 :‬و ‪9‬‬
 ‫‪-42-‬‬
‫‪Début du Cours On Live N° 7 (Sous-séance_7.2 ) le‬‬

‫اﻷﺧرى ‪.Autres lois usuelles‬‬ ‫‪ -2.5‬اﻟﺗوزﯾﻌﺎت اﻟﺷﮭﯾرة‬

‫اﻟﺗوزﯾﻌﺎت اﻟﻣﻘدﻣﺔ ﻓﻲ ھذا اﻟﻔرع ھﻲ ﺗوزﯾﻌﺎت ﻧﺗﯾﺟﺔ ﻟﺗﺣوﯾل ﻣﺗﻐﯾرات ﻋﺷواﺋﯾﺔ ﺷﮭﯾرة ‪ .‬ﺗﺳﺗﻌﻣل ھذه اﻟﺗوزﯾﻌﺎت‬
‫اﻟﺟدﯾدة ﻓﻲ اﻟﺗﻘدﯾر اﻻﺣﺻﺎﺋﻲ و ﺗﺣﺣﻘﯾق اﺧﺗﺑﺎرات اﻟﻔراﺿﯾﺎت اﻟﺗﻲ ﺗﻛون ﻣوﺿوع درس 'اﻻﺣﺻﺎء اﻻﺳﺗدﻻﻟﻲ' ﻓﻲ‬
‫اﻟﺳﻧﺔ اﻷوﻟﻰ 'ﻣﺎﺳﺗر'‪.‬‬

‫‪ -2.5.1‬اﻟﺗوزﯾﻊ ‪. Distribution χ2‬‬

‫‪ -(a‬ﺗﻌرﯾف ‪:‬‬
‫ﻟﺗﻛن ‪ n Z1, Z2, …. , Zn‬ﻣﺗﻐﯾرات ﻋﺷواﺋﯾﺔ ﻣﺳﺗﻘﻠﺔ و ﺗﺗﺑﻊ ﻧﻔس اﻟﺗوزﯾﻊ )ﻧرﻣز ﻟﮭذا ﺑـ ‪ ( i.i.d‬اﻟطﺑﯾﻌﻲ اﻟﻣﻌﯾﺎري‪،‬‬
‫أي‪. ∀i, Zi ∼ N(0 ;1) :‬‬
‫ﻧﻌرف اﻟﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪) K = ∑𝑛𝑛𝑖𝑖=1 𝑍𝑍𝑖𝑖2 :‬ﺗﺣول ﺗرﺑﯾﻌﻲ( ‪.‬‬
‫ﻧﻘول أن ‪ K‬ﯾﺗﺑﻊ اﻟﺗوزﯾﻊ ‪ (ki deux) χ‬ﺑﺎﻟﻣﻌﻠﻣﺔ ‪ n‬و ﻧرﻣز اﻟﯾﮫ ﺑـ ‪. K ∼χ 2(𝑛𝑛) :‬‬
‫‪2‬‬

‫ﻧﺳﻣﻲ اﻟﻣﻌﻠﻣﺔ ‪" n‬ﻋدد دراﺟﺎت اﻟﺣرﯾﺔ" ﻟـ ‪.(Nombre de degré de liberté (d.d.l) χ‬‬
‫‪2‬‬

‫‪ -(b‬ﻣﻼﺣظﺎت ‪ :‬ﯾﻣﻛن اﺛﺑﺎت أن ‪:‬‬

‫‪) RK = R+ .1‬ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف( ‪.‬‬
‫‪n −1‬‬
‫‪1‬‬ ‫‪- k2‬‬
‫= )‪. f(k‬‬ ‫‪n‬‬ ‫‪⋅k 2‬‬ ‫‪⋅e‬‬ ‫‪ .2‬اﻟداﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻹﺣﺗﻣﺎﻟﯾﺔ ﻟـ ‪ K‬ھﻲ ‪:‬‬
‫‪(2) 2‬‬ ‫) ‪⋅ Γ ( 2n‬‬
‫)‪. K ∼ γ ( v = n2 , θ = 2‬‬ ‫⇔‬ ‫‪ .2‬إذا ‪K ∼ χ2(𝑛𝑛) :‬‬
‫‪ .3‬ﻧﺳﺗﻧﺗﺞ أن ‪ :‬إذا )𝑛𝑛(‪ K ∼χ2‬ﻋﻧدﺋذ ‪ E[K] = n :‬و ‪.V[K] = 2n‬‬
‫‪ .4‬ﺑﯾﺎن اﻟﺗوزﯾﻊ ‪: χ‬‬
‫‪2‬‬

‫‪ -(c‬ﻧظرﯾﺔ ‪: 1‬‬
‫ﻟﺗﻛن ‪ n X1, X2, …. , Xn‬ﻣﺗﻐﯾرات ﻋﺷواﺋﯾﺔ ﻣﺳﺗﻘﻠﺔ و ﺗﺗﺑﻊ ﻧﻔس اﻟﺗوزﯾﻊ )أي ‪∀i, Xi ∼N(µi ;σi) :( i.i.d‬‬
‫‪2‬‬
‫‪n X −µ ‬‬
‫=‪K‬‬ ‫‪∑  i i ‬‬ ‫) 𝑛𝑛(‪∼ χ2‬‬ ‫ﻋﻧدﺋذ ‪:‬‬
‫‪i = 1  σi ‬‬

‫‪ -(d‬ﻧظرﯾﺔ ‪ ) : 2‬اﺳﺗﻘرار اﻟﺗوزﯾﻊ ‪(χ2‬‬

‫ﻟﺗﻛن ‪ K1‬و ‪ K2‬ﻣﺗﻐﯾران ﻋﺷواﺋﯾﺎن ﻣﺳﺗﻘﻼن وﯾﺗﺑﻌﺎن ﻧﻔس اﻟﺗوزﯾﻊ )أي ‪∀i, Ki ∼ χ2(𝑛𝑛 𝑖𝑖 ) : ( i.i.d‬‬

‫) ‪K = (K1 + K2 ) ∼χ2(𝑛𝑛 1 +𝑛𝑛 2‬‬ ‫ﻋﻧدﺋذ ‪:‬‬

 ‫‪-43-‬‬
‫ﻣﻼﺣﻈﺔ ھﺎﻣﺔ ‪ :‬ﻗﺑل ﺗﻘدﯾم اﻟﻔﻘرة اﻟﺗﺎﻟﯾﺔ )ﻣﺗﻌﻠﻘﺔ ﺑﻘرأة ﺟدول ‪ ، ( χ‬ﻧرﯾد ذﻛر ﻣﻔﮭوم ھﺎم ﻗدم ﻓﻲ اﻟﺳداﺳﻲ اﻟﺳﺎﺑق ‪:‬‬
‫‪2‬‬

‫ﻣﻔﮭوم "اﻷﺟزاء" )‪.(quantiles‬‬

‫ﺗﻌرﯾف ‪' :‬اﻷﺟزاء' ‪.Les quantiles ou fractiles‬‬

‫داﻟﺔ اﻟﻜﺜﺎﻓﺔ اﻻﺣﺘﻤﺎﻟﻴﺔ‬
‫ﻟﯾﻛن ‪ X‬ﻣﺗﻐﯾر ﻋﺷواﺋﻲ )ﻣﺳﺗﻣر( و )‪ F(x‬داﻟﺔ اﻟﺗوزﯾﻊ ‪ .X‬ﻧﺳﻣﻲ ' ﺟزء' ﺑﺎﻟﺗرﺗﯾب ‪x(1-p)= x(p) (0≤ p≤1) p‬‬
‫‪p‬‬
‫ﻟﻠﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪ X‬اﻟﻘﯾﻣﺔ اﻟﺣﻘﯾﻘﯾﺔ )اذا وﺟدت(‪ ،‬ﻧرﻣز اﻟﯾﮭﺎ ﺑـ )‪ x(p‬أو )‪، x(1-p‬‬

‫‪. F(x(p)) = P[X ≤ x(p) ] = p‬‬ ‫ﺑﺣﯾث ‪:‬‬

‫‪ -(e‬ﻗرأة ﺟدول اﻟﺗوزﯾﻊ ‪: χ‬‬

‫‪2‬‬

‫اﻟﺟدول اﻟﻼﺣق ﯾﻌطﻲ 'اﻷﺟزاء' )‪ (quantiles‬ﺑﺎﻟﺗرﺗﯾب )‪ p = (1-α‬ﻟﺗوزﯾﻊ ) 𝑛𝑛(‪ ، χ2‬ﻧرﻣز اﻟﯾﮭم ﺑـ ‪:‬‬

‫‪. P[K > χ (2n ) (1 − p ) ] = 1- p‬‬ ‫أو‬ ‫‪P[K ≤ χ2(𝑛𝑛; 𝑝𝑝 ) ] = p‬‬ ‫ﺑﺣﯾث ‪:‬‬
‫)‪f(k‬‬

‫‪p=1-α‬‬ ‫‪α =1-p‬‬

‫‪p‬‬

‫)‪χ ( n ; p ) = χ ( n ) 1 − p‬‬
‫‪k‬‬
‫‪0‬‬ ‫‪2‬‬ ‫‪2‬‬
‫(‬
‫⇒‬ ‫‪Ex : Si n = 5 et p = 0.90 ⇒ χ2(5;0.90) = 9.24‬‬

‫ﻣﺛﺎل ‪:‬‬
‫= )‪χ2(90 ;0.99‬‬ ‫‪χ (290 ) (0.01) = 124.1‬‬ ‫‪χ2(9 ;0.05 ) =3.33‬‬ ‫‪χ2(1 ;0.90) = 2.71‬‬

‫‪p‬‬

‫‪n=v‬‬
 ‫‪-44-‬‬
‫ﻣﻼﺣظﺔ ‪ :‬ﺗوﺟد ﺟدوال أﺧرى ﻟﮭذا اﻟﺗوزﯾﻊ ‪ .‬ﻛل ﺟدول ﯾﻘرأ و ﯾﺳﺗﻌﻣل ﺣﺳب اﻟﻣﻌﻠوﻣﺎت )ﺗﻌرﯾف( اﻟﻣﻘدﻣﺔ ﻓﻲ اﻟﻣﻧطﻘﺔ اﻷﻓوﻗﯾﺔ ‪.‬‬

‫ﺗﻣرﯾن ‪ :‬ﻟﯾﻛن )‪. X∼ χ2(15‬‬

‫‪ .1‬أﺣﺳب اﻻﺣﺗﻣﺎﻻت اﻟﺗﺎﻟﯾﺔ ‪. P[X >4.6] ، P[-2.7≤ X ≤14.3] ، P[X<25] :‬‬
‫‪ .2‬أوﺟد اﻟﻘﯾم ‪ a‬و ‪ b‬ﺑﺣﯾث ‪ P[ X > a ] = 0.99 :‬و ‪. P[ b≤ X ≤ 30.58 ] = 0.49‬‬
‫‪ .3‬ﺣ ّدد ]‪. E[X2‬‬
‫‪1- P[X<25] = 0.95 .‬‬
‫‪P[-2.7≤ X≤ 27.5] = P[X≤ 27.5] - P[X≤-2.7] = 0.975-0 = 0.975.‬‬
‫‪P[X > 4.6] = 1- P[X ≤ 4.6] ≤ 1- 0.005 = 0.995.‬‬
‫‪2- P[X>a] = 0.99 ⇒ a = χ (15) ( 0.99) = 30.58 .‬‬
‫‪2‬‬

‫‪P[ b≤X≤30.58] = 0.09 ⇔ P[X≤ b] = P[X≤30.58 ]- 0.09‬‬

‫‪= 0.99-0.09= 0.90 ⇒ b = χ (215 ; 0.90) = 22.31 .‬‬
‫‪3- E[X2]= V[X2] + E[X]2 = 2*15 + (15) = 255.‬‬
‫‪2‬‬

‫ﺗﻣﺎرﯾن ﺗطﺑﯾﻘﯾﺔ ﻓﻲ اﻟﺳﻠﺳﻠﺔ رﻗم ‪ 07 : 2‬و ‪10‬‬

‫‪ -2.5.2‬اﻟﺗوزﯾﻊ 'ﺳﺗودﻧت' ‪. Distribution t‬‬

‫‪ -(a‬ﺗﻌرﯾف ‪:‬‬
‫ﻟﺗﻛن ‪ Z‬و ‪ Y‬ﻣﺗﻐﯾران ﻋﺷواﺋﯾﺎن ﻣﺳﺗﻘﻼن ﺑﺣﯾث ‪ Z ∼N[0 ;1] :‬و )𝑛𝑛(‪. K ∼χ2‬‬

‫𝒁𝒁‬ ‫𝒁𝒁‪√𝑛𝑛.‬‬
‫= ‪) T‬ﺗﺣول ﻏﯾرﺧطﻲ( ‪.‬‬ ‫=‬ ‫ﻧﻌرف اﻟﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪:‬‬
‫𝐊𝐊‬ ‫𝑲𝑲√‬
‫�‬
‫‪n‬‬

‫ﻧﻘول أن ‪ T‬ﯾﺗﺑﻊ اﻟﺗوزﯾﻊ ‪ (student) t‬ﺑﺎﻟﻣﻌﻠﻣﺔ ‪ n‬و ﻧرﻣز اﻟﯾﮫ ﺑـ ‪. T ∼ t(n) :‬‬

‫ﻧﺳﻣﻲ اﻟﻣﻌﻠﻣﺔ ‪" n‬ﻋدد دراﺟﺎت اﻟﺣرﯾﺔ" ﻟـ ‪.(Nombre de degré de liberté (d.d.l) T‬‬

‫‪ -(b‬ﻣﻼﺣظﺎت ‪ :‬ﯾﻣﻛن اﺛﺑﺎت أن ‪:‬‬

‫) ‪Γ ( n2 + 12‬‬ ‫) ‪2 −( n +1‬‬
‫= )‪) f(t‬اﻟداﻟﺔ اﻟﻛﺛﺎﻓﺔ اﻹﺣﺗﻣﺎﻟﯾﺔ ﻟـ ‪.(T‬‬ ‫‪⋅ (1 + tn ) 2‬‬ ‫‪) RT = R .1‬ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف ‪ (T‬و‬
‫) ‪n ⋅ Γ ( 2n ). Γ ( 12‬‬
‫)‪. F(-t) = 1 – F(t‬‬ ‫و‬ ‫)‪f(t) = f(-t‬‬ ‫‪ .2‬ﺗوزﯾﻊ ‪ t‬ﻣﺗﻧﺎظر ﺑﺎﻟﻧﺳﺑﺔ ﻟـ ‪⇔ t = 0‬‬
‫𝑛𝑛‬
‫‪ .3‬إذا )‪ T ∼ t(n‬ﻋﻧدﺋذ ‪ E[T] = 0 :‬و ‪. V[T] = 𝑛𝑛 −2‬‬

‫‪ .4‬ﺑﯾﺎن اﻟﺗوزﯾﻊ ‪: T‬‬

 ‫‪-45-‬‬
‫‪ -(c‬ﻗرأة ﺟدول اﻟﺗوزﯾﻊ ‪: T‬‬
‫اﻟﺟدول اﻟﻼﺣق ﯾﻌطﻲ 'اﻷﺟزاء' )‪ (quantiles‬ﺑﺎﻟﺗرﺗﯾب )‪ p = (1-α‬ﻟﺗوزﯾﻊ )‪ ، t(n‬ﻧرﻣز اﻟﯾﮭم ﺑـ ‪:‬‬

‫‪. P[T> t ( n) (1 − p ) ] = 1- p‬‬ ‫أو‬ ‫‪P[T≤ 𝑡𝑡(𝑛𝑛;𝑝𝑝) ] = p‬‬ ‫ﺑﺣﯾث ‪:‬‬

‫ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﻘﯾم اﻟﺳﺎﻟﺑﺔ ﻟـ ‪ t‬ﻧﺳﺗﻌﻣل ﺧﺎﺻﯾﺔ ﺗﻧﺎظر اﻟﺗوزﯾﻊ ⇐ )𝑝𝑝‪) 𝑡𝑡(𝑛𝑛; 𝑝𝑝) = −𝑡𝑡(𝑛𝑛;1−‬ﻋﻧدﻣﺎ ‪( p < 0.5‬‬
‫)ﻛﻣﺎ ﺑﺎﻟﻧﺳﺑﺔ ﻟﻠﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ اﻟﻣﻌﯾﺎري (‪.‬‬

‫)‪p = (1-α‬‬

‫‪α =1-p‬‬
‫‪α =1-p‬‬

‫‪0‬‬
‫𝒕𝒕‬

‫‪Ex : Si n = 8 et p = 0.05 ⇒ 𝑡𝑡(8;0.05) = −𝑡𝑡(8;0.95) = −1.86‬‬

‫ﻣﻼﺣظﺔ ‪ :‬ﺗوﺟد ﺟدوال أﺧرى ﻟﮭذا اﻟﺗوزﯾﻊ ‪ .‬ﻛل ﺟدول ﯾﻘرأ و ﯾﺳﺗﻌﻣل ﺣﺳب اﻟﻣﻌﻠوﻣﺎت )ﺗﻌرﯾف( اﻟﻣﻘدﻣﺔ ﻓﻲ اﻟﻣﻧطﻘﺔ اﻷﻓوﻗﯾﺔ ‪.‬‬

‫‪p‬‬

‫‪n=v‬‬

‫‪𝑡𝑡(20;0.05 ) =−𝑡𝑡(20;0.95) == -1.725 ,‬‬ ‫‪t (8) ( 0.025 ) = 2.306‬‬ ‫‪,‬‬ ‫ﻣﺛﺎل ‪𝑡𝑡(100;0.90) =1.29 , 𝑡𝑡(9;0.995)=3.25 :‬‬
 ‫‪-46-‬‬

‫ﺗﻣرﯾن ‪ :‬ﻟﯾﻛن ‪. T ∼ t(20) :‬‬

‫‪0.95‬‬ ‫‪,‬‬ ‫‪0.79 , 0.001‬‬ ‫‪ .4‬أﺣﺳب اﻻﺣﺗﻣﺎﻻت اﻟﺗﺎﻟﯾﺔ ‪. P[T≤ 2.086] ، P[-0.86 ≤ T ≤ 2.53] ، P[T>3.55] :‬‬
‫‪b = 0.86‬‬ ‫‪,‬‬ ‫‪a = -2528‬‬ ‫‪ .5‬أوﺟد اﻟﻘﯾم ‪ a‬و ‪ b‬ﺑﺣﯾث ‪ P[ T > a ] = 0.99 :‬و ‪. P[ b≤ T ≤ 1.725 ] = 0.15‬‬

‫ﺗﻣﺎرﯾن ﺗطﺑﯾﻘﯾﺔ ﻓﻲ اﻟﺳﻠﺳﻠﺔ رﻗم ‪ 07 : 2‬و ‪11‬‬

‫‪ -2.5.3‬اﻟﺗوزﯾﻊ 'ﻓﯾﺷر' ‪. Distribution F‬‬

‫‪ -(a‬ﺗﻌرﯾف ‪:‬‬
‫𝑛𝑛(‪.X2 ∼χ2‬‬ ‫𝑛𝑛(‪ X1 ∼χ2‬و‬ ‫ﻟﺗﻛن ‪ X1‬و ‪ X2‬ﻣﺗﻐﯾران ﻋﺷواﺋﯾﺎن ﻣﺳﺗﻘﻼن ﺑﺣﯾث ‪:‬‬
‫)‪2‬‬ ‫)‪1‬‬
‫�‪X 1‬‬
‫‪n1‬‬
‫𝑛𝑛‬ ‫𝑋𝑋‬
‫‪. F = X2‬‬ ‫ﻧﻌرف اﻟﻣﺗﻐﯾر اﻟﻌﺷواﺋﻲ ‪= 𝑛𝑛 2 . 𝑋𝑋1 :‬‬
‫‪�n‬‬ ‫‪1‬‬ ‫‪2‬‬
‫‪2‬‬

‫‪. F ∼ F(n‬‬
‫) ‪1 , n2‬‬
‫ﺑﺎﻟﻣﻌﻠﻣﺗﯾن ‪ n1‬و ‪ ، n2‬ﻧرﻣز اﻟﯾﮫ ﺑـ ‪:‬‬ ‫ﻧﻘول أن ‪ F‬ﯾﺗﺑﻊ اﻟﺗوزﯾﻊ ﻓﯾﺷر‬
‫اﻟﻣﻌﻠﻣﺗﯾن ‪ n1‬و ‪ n2‬ﺗدﻋﻲ "ﻋدد دراﺟﺎت اﻟﺣرﯾﺔ " ﻟـ ‪.F‬‬

‫‪ -(b‬ﻣﻼﺣظﺎت ‪ :‬إذا ) ‪ X ∼ F(n1 , n2‬ﻋﻧدﺋذ ‪:‬‬

‫)‪f(x‬‬ ‫و‬ ‫‪) RX = R+ .1‬ﻣﺟﻣوﻋﺔ اﻟﺗﻌرﯾف(‬

‫𝟐𝟐𝒏𝒏‬
‫]‪V[X‬‬ ‫)‪(n2 > 4‬‬ ‫و‬ ‫= ]‪E[X‬‬ ‫)‪(n2 > 2‬‬ ‫‪.2‬‬
‫𝟐𝟐‪𝒏𝒏𝟐𝟐 −‬‬

‫‪F(2, 20)B‬‬
‫‪ .3‬ﺑﯾﺎن اﻟﺗوزﯾﻊ ‪: F‬‬
‫‪F(20, 20)R‬‬

‫)‪F(20 , 2‬‬ ‫‪V‬‬

 ‫‪-47-‬‬

‫‪ -(c‬ﻗرأة ﺟدول اﻟﺗوزﯾﻊ ‪: F‬‬

‫اﻟﺟدول اﻟﻼﺣق ﯾﻌطﻲ 'اﻷﺟزاء' )‪ (quantiles‬ﺑﺎﻟﺗرﺗﯾب )‪ p = (1-α‬ﻟﺗوزﯾﻊ ) ‪ ، F(n1 , n2‬ﻧرﻣز اﻟﯾﮭم ﺑـ ‪:‬‬

‫‪. P[F> F( n 1, n 2 ) (1 − p ) ] = 1- p‬‬ ‫ﺑﺣﯾث‬ ‫‪F( n‬‬

‫‪1, n 2‬‬ ‫) ‪; p) = F( n 1, n 2) (1 − p‬‬

‫‪p‬‬
‫‪α =1-p‬‬
‫‪1-p‬‬

‫‪F( n‬‬ ‫= )‪n2;p‬‬ ‫‪F( n‬‬ ‫)‪1 − p‬‬

‫(‬
‫‪1,‬‬ ‫) ‪1, n 2‬‬

‫‪Ex : Si n1 = 10 , n2 = 3 et α = 0.025 ⇒ 𝐹𝐹(10,3 ; 0.975) = 𝐹𝐹(10,3) (0.025) = 14.4‬‬

‫)اﻧظر اﻟﻲ اﻟﺟدول اﻟﻼﺣق(‬ ‫ﻣﺛﺎل ‪:‬‬

‫‪𝐹𝐹(4 ,3) (0.05) = 9.12 , 𝐹𝐹(25 ,4) (0.01) = 13 , 𝐹𝐹(2 ,2 ; 0.99) = 99 , 𝐹𝐹(5 ,5;0.95) = 5.05‬‬ ‫‪.1‬‬

‫‪ .2‬ﻟﯾﻛن ‪ . X ∼ F(10 , 3 ) :‬اﺣﺳب ‪:‬‬

‫‪P[X<8.8] = 0.95 .‬‬
‫‪P[-8.79≤ X≤ 14.4] = P[X≤ 14.4] - P[X≤-8.79] = 0.975 - 0 = 0.975.‬‬
‫‪P[X > 43.5] = 0.005 .‬‬

‫‪n1‬‬
‫‪n2‬‬

‫‪𝐹𝐹(8 ,3 ; 0.999) =130.6‬‬ ‫‪𝐹𝐹(20,2) (0.005) = 199‬‬

 -48-

2ème type de table (mais pour 02 niveaux de probabilité seulement : p=0.95 et p=0.975)

1
. 𝐹𝐹 (𝑛𝑛1 , 𝑛𝑛2 ; 𝑝𝑝) = : ‫ ﺑرھن اﻟﻧﺗﯾﺟﺔ اﻟﺗﺎﻟﯾﺔ‬: ‫ﺗﻣرﯾن‬
𝐹𝐹 (𝑛𝑛 2 ,𝑛𝑛 1 ;1−𝑝𝑝 )

12 ‫ و‬07 : 2 ‫ﺗﻣﺎرﯾن ﺗطﺑﯾﻘﯾﺔ ﻓﻲ اﻟﺳﻠﺳﻠﺔ رﻗم‬

Fin du Cours On Live N° 7 (Sous-séance_7.2) le

FIN DU CHAPITRE 2
 ‫‪-49-‬‬
‫‪Début du Cours On Live N° 8 (Sous-séance_9.1 ) le‬‬

‫اﻟﻔﺻل ‪ : 3‬اﻟﺗﺻرف اﻟﺗﻘﺎرﺑﻲ و اﻟﺗﻘﺎرب ‪. Comportement asymptotique et convergences‬‬

‫‪ -3.1‬ﻣﻘدﻣﺔ ‪ :‬اﻹ ﺷﻛﺎﻟﯾﺔ‪.‬‬

‫ﻣﺛﺎل ‪ :‬ﻧﻌﺗﺑر الﺗﺟرﺑﺔ اﻟﻌﺷواﺋﯾﺔ ‪ } = ξ‬رﻣﻲ ﻗطﻌﺔ ﻧﻘدﯾﺔ ﻏﯾر ﻣﺗزﻧﺔ ‪ n‬ﻣرات { ﺑﺣﯾث ‪.P[‘Face’] = p = 0.1‬‬
‫ﻟﯾﻛن ‪' Xn‬م‪.‬ع' ﻣﻌرف ﻛﻣﺎ ﯾﻠﻲ ‪ } = Xn :‬ﻋدد اﻟوﺟوه ’‪ ‘Face‬اﻟﺗﻲ ﻧﺗﺣﺻل ﻋﻠﯾﮭﺎ { ‪.‬‬
‫ﻧﻌﻠم أن ‪.Xn ∼ B(n ; p = 0.1) :‬‬
‫اﻟﻣطﻠوب ‪ :‬اﺣﺳب اﻻﺣﺗﻣﺎﻟﯾن ]‪ P[Xn =101.000‬و ]‪ P[Xn ≤101.000‬ﻋﻧدﻣﺎ ‪. n = 106‬‬
‫‪101000‬‬ ‫‪6 −999000‬‬
‫‪P[Xn =101.000] = 𝐶𝐶10‬‬ ‫‪6‬‬ ‫‪. (0.1)101000 . (0.9)10‬‬ ‫?=‬
‫𝑥𝑥‬ ‫𝑥𝑥‪6 −‬‬
‫‪P[Xn ≤101.000] =∑101000‬‬
‫‪𝑥𝑥=0‬‬ ‫‪𝐶𝐶10‬‬ ‫𝑥𝑥‬
‫)‪6 . (0.1) . (0.9‬‬
‫‪10‬‬
‫?=‬
‫ﻣﺎذا ﻧﻼﺣﻆ ؟ ﺣﺳﺎب اﻷﺣﺗﻣﺎﻟﯾن 'ﺻﻌب' و ﻟو ﻛﺎﻧت ﺻﯾﻐﺔ اﻟﺣﺳﺎب ﻣﻌﻠوﻣﺔ و ﺳﺎھﻠﺔ ‪.‬‬
‫اﻟﺳؤال ‪:‬‬
‫ھل ﯾﻣﻛن ﺣﺳﺎب ‪ ،‬ﺑﺎﻟﺗﻘرﯾب ﻣرﺿﻲ و ﻟﻛن ﺑﺳﮭوﻟﺔ )ﺑدون ﺣﺳوب(‪،‬ھذﯾن اﻻﺣﺗﻣﺎﻟﯾن ؟‬
‫أو‪ ،‬ﻣﺎ ھو اﻟﺗوزﯾﻊ اﻻﺣﺗﻣﺎﻟﻲ )اﻟﺗﻘرﯾﺑﻲ( اﻟذي ﯾﻣﻛن اﺳﺗﻌﻣﺎﻟﮫ ﻟﺗﺳﮭﯾل ھذا اﻟﺣﺳﺎب ؟‬

‫ھذا اﻟﺳؤال ﯾطرح ﻣﺷﻛﻠﺔ ﺗدﻋﻰ " ﺗﻘﺎرب ﺑﺎﻟﻘﺎﻧون " ‪.convergence en loi‬‬
‫𝑳𝑳‬
‫)‪ . X𝑛𝑛 → N[np, �np(1 − p‬ﻋﻧدﺋذ ‪:‬‬ ‫ﺳﻧرأ ﻓﯾﻣﺎ ﺑﻌد أن ﯾﻣﻛن اﺳﺗﻌﻣﺎل اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ اﻟﺗﺎﻟﻲ ‪:‬‬
‫𝑥𝑥‬ ‫𝑥𝑥‪6 −‬‬
‫‪P[Xn ≤101.000] = ∑101000‬‬
‫‪𝑥𝑥=0‬‬ ‫‪𝐶𝐶10 6 . (0.1)𝑥𝑥 . (0.9)10‬‬ ‫‪= 0.99956‬‬ ‫• اﻟﺣﺳﺎب اﻟدﻗﯾق ﯾﻌطﻲ اﻟﻧﺗﯾﺟﺔ ‪:‬‬
‫و ‪. P[Xn =101.000] = 0.0000052‬‬
‫‪101000 −100000‬‬
‫≤ 𝑍𝑍[𝑃𝑃 ≅ ]‪.P[Xn ≤101.000‬‬ ‫‪√90000‬‬
‫‪] = 0.99957‬‬ ‫• اﻟﺣﺳﺎب اﻟﺗﻘرﯾﺑﻲ ﯾﻌطﻲ اﻟﻧﺗﯾﺟﺔ ‪:‬‬

‫‪. P[Xn =101.000] ≅ P[100999,5≤ Xn ≤ 101000,5] ≅ 0.0000051‬‬ ‫)ﺗﻘرﯾب ﺑﺎﻟﺗوزﯾﻊ طﺑﯾﻌﻲ(‬

‫! ‪P[Xn =101.000] ≅ 0.00….0000 = 0‬‬ ‫)ﺗﻘرﯾب ﺑﺎﻟﺗوزﯾﻊ ‪( Poisson‬‬

‫‪ -3.2‬اﻟﺗﻘﺎرب ﺑﺎﻟﻘﺎﻧون ‪.Convergence en loi‬‬

‫‪ -3.2.1‬ﺗﻌرﯾف ‪: 1‬‬
‫ﻟﺗﻛن*‪ { X1, X2, … ,Xn } = {Xn }n∈N‬ﻣﺗﺗﺎﻟﯾﺔ ﻣن ‪' n‬م‪.‬ع' ﻣﻌرﻓﺔ ﻋﻠﻲ ﻧﻔس اﻟﻔﺿﺎء اﻹﺣﺗﻣﺎﻟﻲ )]•[‪(E = Ω, F, P‬‬
‫ﺑﺣﯾث )‪ Fn(x‬ھﻲ داﻟﺔ اﻟﺗوزﯾﻊ اﻟﻣﺗﻐﯾر ‪ . Xn‬ﻟﯾﻛن ‪' X‬م‪.‬ع' أﺧر)ﻣﻌرف ﻋﻠﻲ ﻧﻔس اﻟﻔﺿﺎء( و )‪ Fx(.‬داﻟﺗﮫ اﻟﺗوزﯾﻊ‪.‬‬
‫ﻧﻘول أن اﻟﻣﺗﺗﺎﻟﯾﺔ *‪ {Xn }n∈N‬ﺗﺗﻘﺎرب ﺑﺎﻟﻘﺎﻧون ﻧﺣو اﻟﻣﺗﻐﯾر ‪ X‬إذا ﻛﺎن‪ ،‬ﻓﻲ ﻛل ﻧﻘطﺔ اﺳﺗﻣرارﯾﺔ ‪ xo‬ﻟـ )‪ ، Fx (.‬ﻟدﯾﻧﺎ ‪:‬‬

‫] 𝑜𝑜𝑥𝑥 ≤𝐗𝐗[𝑃𝑃 = ] 𝑜𝑜𝑥𝑥 ≤ 𝑛𝑛𝑋𝑋[𝑃𝑃 ∞‪lim𝑛𝑛 →+∞ 𝐹𝐹𝑛𝑛 (𝑥𝑥𝑜𝑜 ) = 𝐅𝐅𝒙𝒙 (𝑥𝑥𝑜𝑜 ) ⇔ lim𝑛𝑛 →+‬‬
‫𝐿𝐿‬
‫)‪. Xn ≈ 𝐿𝐿𝐿𝐿𝐿𝐿 (X‬‬ ‫أو‬ ‫𝐗𝐗 → ‪Xn‬‬ ‫ﻧرﻣز اﻟﯾﮫ ﺑـ ‪:‬‬
 ‫‪-50-‬‬
‫ﻣﻼﺣظﺎت ھﺎﻣﺔ ‪:‬‬
‫ھذا اﻟﺗﻌرﯾف ﯾﻌﻧﻲ أن ﯾﻣﻛن ﺣﺳﺎب ﺑﺎﻟﺗﻘرﯾب اﻹﺣﺗﻣﺎل ]‪ P[Xn∈I1‬ﺑﺎﺳﺗﻌﻣﺎل ﺗوزﯾﻊ اﻟﻣﺗﻐﯾر ‪) X‬اﻛﺛر ﺳﮭوﻟﺔ اﻻﺳﺗﻌﻣﺎل(‪،‬‬
‫]‪ . P[Xn∈I1] ≅ P[X∈I2‬ﻛﯾف ﻧﺣدد اﻟﻣﺟﺎل ‪ I2‬؟‬ ‫أي ‪:‬‬

‫‪ .1‬إذا ‪ Xn‬و ‪ X‬ﻣﻧﻔﺻﻼن‪ ،‬ﻋﻧدﺋذ ‪ ⇐ P[Xn = x] ≅ P[X = x] :‬ھﻧﺎ }‪. I1 = I2 ={x‬‬

‫ﺑﺷﻛل ﻋﺎم ‪ :‬إذا }‪ ، I1 = { x∈Rx : xi ≤ x ≤ xj‬ﻋﻧدﺋذ ‪. I1 = I2 ⇔ I2 = { x∈Rx : xi ≤ x ≤ xj} :‬‬
‫𝐿𝐿‬
‫ﻣﺛﺎل ‪ :‬ﻟﯾﻛن ]‪ Xn ∼ H[N=5000, n =100, p = 0.1‬ﺳﻨﺮأ ﻓﯿﻤﺎ ﺑﻌﺪ أن ‪Xn → 𝑋𝑋 ~𝛽𝛽(𝑛𝑛, 𝑝𝑝) :‬‬
‫‪− 20‬‬
‫‪20‬‬
‫‪C 500‬‬ ‫‪.C100‬‬ ‫‪2,667 ⋅ 10 35 × 1,2459.10 173‬‬
‫= ]‪P[Xn=20‬‬ ‫‪4500‬‬
‫=‬ ‫ﺣﺴﺎب ]‪ P[Xn=20‬ﺑﺎﻟﺘﻮزﯾﻊ )…(‪= 0,001065 ⇐ H‬‬
‫‪C 100‬‬
‫‪5000‬‬ ‫‪3,12‬‬ ‫⋅‬ ‫‪10‬‬ ‫‪211‬‬

‫ﺣﺴﺎب ]‪ P[Xn=20‬ﺑﺎﻟﺗﻘرﯾب اﻟﺗﺎﻟﻲ ‪: Xn ≈ B(n =100 ; p = 0.1) :‬‬

‫‪20‬‬
‫‪. P[X n = 20] ≅ 𝐶𝐶100‬‬ ‫‪. (0.1)20 . (0.9)100−20 ≅ 0.00117‬‬ ‫⇐‬

‫‪ .2‬إذا ‪' Xn‬م‪.‬ع' ﻣﻧﻔﺻل و ‪' X‬م‪.‬ع' ﻣﺳﺗﻣر ﻋﻧدﺋذ ﯾﺟب ﻟﺣﺳﺎب ]‪ P[Xn∈Ix‬ﺑﺎﺳﺗﻌﻣﺎل ﺗوزﯾﻊ ‪ X‬ﺗطﺑﯾق ﻣﺎ ﯾﺳﻣﻲ ﺑـ‬
‫" ﺗﺻﺣﯾﺢ اﻹﺳﺗﻣرارﯾﺔ " ﻷن ﺑﻣﺎ أن ‪' X‬م‪.‬ع' ﻣﺳﺗﻣر ⇐ ‪. P[Xn=20] = 0 ⇐ ∀x∈R, P[X = x] = 0‬‬
‫ﻧذﻛر أن‪ ،‬ﻓﻲ اﻟﺗوزﯾﻌﺎت اﻟﻣﺳﺗﻣرة‪ ،‬اﻻﺣﺗﻣﺎﻻت )ﻏﯾر ﻣﻌدوﻣﺔ( ﺗﺣﺳب ﻟﻣﺟﺎﻻت و ﻟﯾس ﻟﻧﻘﺎط ﻣﻧﻔﺻﻠﺔ‪.‬‬
‫⇐ ‪ . I1 # I2‬ﻛﯾف ﯾﺗم ھذا اﻟﺗﺻﺣﯾﺢ اﻹﺳﺗﻣرارﯾﺔ ؟‬
‫اﻟﻣﺑدأ اﻟﻌﺎم ‪ :‬ﻛل ﻗﯾﻣﺔ ‪ xi‬اﻟﺗﻲ ﺗﻧﺗﻣﻲ ﻟـ ‪ I1‬ﺗﻌﺗﺑر ﻛﻣرﻛز‬
‫ﻣﺟﺎل ‪ I2‬طوﻟﮫ "‪) "1‬اﻧظر ﻟﻠﺑﯾﺎن( و ﺑﺎﻟﺗﺎﻟﻲ ‪:‬‬
‫]½‪P[Xn = x] ≅ P[x -½ ≤ X ≤ x +‬‬
‫]½ ‪، P[Xn ≤ x] ≅ P[X ≤ x +‬‬
‫]½ ‪P[Xn>x] ≅ P[X > x + ½] ... P[Xn< x] ≅ P[X ≤ x -‬‬
‫‪ .3‬إذا ‪ Xn‬و ‪' X‬م‪.‬ع' ﻣﺳﺗﻣران‪ ،‬ﻋﻧدﺋذ ‪) P[Xn∈I1] ≅ P[X∈I2=I1] ⇐ I1 = I2 :‬ﻻ ﻧطﺑق ﺗﺻﺣﯾﺢ اﻹﺳﺗﻣرارﯾﺔ(‪.‬‬

‫‪ -3.2.2‬ﻧظرﯾﺎت اﻟﺗﻘﺎرب ﺑﺎﻟﻘﺎﻧون ‪.‬‬

‫ﻧظرﯾﺔ ‪ : 1‬ﺗﻘرﯾب اﻟﺗوزﯾﻊ ﻓوق اﻟﮭﻧدﺳﻲ ﺑﺎﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن‪.‬‬
‫𝐿𝐿‬
‫ﻟﯾﻛن ]‪ . Xn ∼ H[N, n, p‬إذا ∝‪ ، N→+‬ﻋﻨﺪﺋﺬ ‪. 𝑋𝑋𝑛𝑛 → 𝑋𝑋 ~β (𝑛𝑛, 𝑝𝑝) :‬‬

‫ﻧﻘول أن ‪ Xn‬ﯾﺗﺑﻊ ﺑﺎﻟﺗﻘرﯾب اﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن ﺑﺎﻟﻣﻌﻠﻣﺗﯾن ‪ n‬و ‪ ، p‬ﻧرﻣز اﻟﯾﮫ ﺑـ ‪. Xn ≈ B(n ; p) :‬‬

‫ﻣﻼﺣظﺎت ‪:‬‬
‫♦ ھذا اﻟﻧظرﯾﺔ ﺗﺳﻣﺢ ﺗﻌوﯾض اﻟﺗوزﯾﻊ ﻓوق اﻟﮭﻧدﺳﻲ ﺑﺎﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن )اﻛﺛر ﺳﮭوﻟﺔ( ﻟﺣﺳﺎب ]‪.P[X∈Ix‬‬

‫) دﻗﺔ اﻟﺗﻘرﯾب ﺗﺗﺣﺳن ﻋﻧدﻣﺎ ﯾﻛون ‪ n‬ﻛﺑﯾرﺑﻣﺎ ﻓﯾﮫ اﻟﻛﻔﺎﯾﺔ و ∝‪.( N→+‬‬ ‫𝑛𝑛‬ ‫♦ ﺷرط ﺗطﺑﯾق اﻟﻧظرﯾﺔ ‪<10% :‬‬
‫‪N‬‬
 ‫‪-51-‬‬

‫اﻟﺑرھﺎن ‪ :‬اﻟورﻗﺔ اﻟﻣوزﻋﺔ ﺧﻼل ﺣﺻﺔ اﻟد رس‪.‬‬

‫‪• Démonstration du théorème 1 : Convergence d’une loi hypergéométrique vers une loi binomiale‬‬

‫‪− 20‬‬
‫‪20‬‬
‫‪C 5000‬‬ ‫‪.C 200‬‬
‫= ]‪P[X=20‬‬ ‫‪200‬‬
‫‪45000‬‬
‫⇐ ‪= 0,09382‬‬ ‫ﻣﺛﺎل ‪X ∼H[N=50000, n=200, p = 0.1] :‬‬
‫‪C 50000‬‬
‫‪20‬‬
‫‪. P[X = 20] ≅ 𝐶𝐶200‬‬ ‫‪. (0.1)20 . (0.9)200−20 ≅ 0,09363‬‬ ‫‪:‬‬ ‫ﺑﺎﻟﺗﻘرﯾب )‪⇐ X ≈ B(n =200 ; p = 0.1‬‬
‫‪Ici le 17-04-2017‬‬

‫ﻧظرﯾﺔ ‪ : 2‬ﺗﻘرﯾب اﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن ﺑﺎﻟﺗوزﯾﻊ ﺑواﺳون‪.‬‬

‫𝐿𝐿‬
‫ﻟﯾﻛن )‪ . Xn ≈ B(n ; p‬إذا ∝‪ n→+‬و‪ p→0‬ﺑﺣﯾث ‪ ،λ= np‬ﻋﻧدﺋذ ‪. 𝑋𝑋𝑛𝑛 → 𝑋𝑋 ~𝑃𝑃(λ = 𝑛𝑛𝑛𝑛) :‬‬

‫و ﻧﻘول أن ‪ Xn‬ﯾﺗﺑﻊ ﺑﺎﻟﺗﻘرﯾب اﻟﺗوزﯾﻊ ‪ poisson‬ﺑﺎﻟﻣﻌﻠﻣﺔ ‪ λ=np‬و ﻧرﻣز اﻟﯾﮫ ﺑـ ‪. Xn ≈ P(λ=np) :‬‬

‫ﻣﻼﺣظﺎت ‪:‬‬
‫♦ ھذا اﻟﻧظرﯾﺔ ﺗﺳﻣﺢ ﺗﻌوﯾض اﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن ﺑﺎﻟﺗوزﯾﻊ ﺑواﺳون )اﻛﺛر ﺳﮭوﻟﺔ( ﻟﺣﺳﺎب ]‪.P[X∈Ix‬‬

‫♦ ﺷرط ﺗطﺑﯾق اﻟﻧظرﯾﺔ ‪ n ≥ 30 :‬و ‪ p ≤ 0.1‬و ‪. np<15‬‬

 ‫‪-52-‬‬

‫اﻟﺑرھﺎن ‪ :‬اﻟورﻗﺔ اﻟﻣوزﻋﺔ ﺧﻼل ﺣﺻﺔ اﻟد رس‪.‬‬

‫)‪• Démonstration du théorème 2 : Convergence d’une loi binomiale vers une loi de Poisson (rappel‬‬

‫‪20‬‬
‫‪) P[X=20] = 𝐶𝐶100‬ﺣﺳﺎب دﻗﯾق(‪.‬‬ ‫ﻣﺛﺎل ‪ :‬ﻟﯾﻛن )‪. (0.1)20 . (0.9)80 = 0.00117 ⇐ X ∼B(n=100 ; p=0.1‬‬
‫‪10 20 .𝒆𝒆−10‬‬
‫≅ ]‪. P[X=20‬‬ ‫‪= 0.00187‬‬ ‫⇐‬ ‫ﺑﺎﻟﺗﻘرﯾب ‪X ≈P(λ=10) :‬‬
‫!‪20‬‬

‫‪Fin du Cours On Live N° 8 (Sous-séance_9.1) le‬‬

‫‪Début du Cours On Live N° 9 (Sous-séance_9.2 ) le‬‬

‫‪ -3.2.3‬اﻟﻧظرﯾﺔ اﻟﻧﮭﺎﯾﺔ اﻟﻣرﻛزﯾﺔ )‪. Théorème Central Limite (T.C.L‬‬

‫ﻧظرﯾﺔ ﺟوھرﯾﺔ ﻓﻲ اﻹﺣﺻﺎء ‪ .‬ﺗﺗﻌﻠق ﺑﺎﻟﺗﺻرف اﻟﺗﻘﺎرﺑﻲ ﻟﻣﺗوﺳط )أو ﺟﻣﻊ( ‪’ n‬م‪.‬ع’ ﻣﺳﺗﻘﻠﺔ ﺗﺗﺑﻊ ﻧﻔس اﻟﺗوزﯾﻊ )‪(i.i.d‬‬
‫الﻋرض ‪: 1‬‬
‫ﻟﺗﻛن *‪ { X1, X2, … ,Xn } = {Xn }n∈N‬ﻣﺗﺗﺎﻟﯾﺔ ﻣن ‪ n‬م‪.‬ع ﻣﺳﺗﻘﻠﺔ و ﺗﺗﺑﻊ ﻧﻔس اﻟﺗوزﯾﻊ )ﻧرﻣز ‪ ( i.i.d‬ﺑﺣﯾث ‪،‬‬
‫‪n‬‬

‫‪ E[Xi] = µ < ∝ ∀i‬و ∝ < ‪ ، V[Xi] = σ2‬ﻋﻧدﺋذ ‪ :‬اﻟﻣﺗﺗﺎﻟﯾﺔ *‪ ، {Sn }n∈N‬ﺑﺣﯾث ‪، S n = ∑ X i‬‬
‫‪i =1‬‬

‫ﺗﺗﻘﺎرب ﺑﺎﻟﻘﺎﻧون ﻧﺣو اﻟﻣﺗﻐﯾر ‪ S‬اﻟذي ﯾﺗﺑﻊ اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ ﺑﺎﻟﻣﻌﺎﻣﺗﯾن ‪ nµ‬و ‪ √𝑛𝑛.σ‬و ﻧرﻣز اﻟﯾﮫ ﺑـ ‪:‬‬
‫𝐿𝐿‬
‫)‪. Sn → 𝑆𝑆 ~𝑁𝑁(𝒏𝒏𝜇𝜇 ; √𝑛𝑛. σ‬‬
 ‫‪-53-‬‬

‫ﻣﻼﺣظﺔ ‪ :‬ﻧﻘول أن ‪ S n‬ﯾﺗﺑﻊ ﺑﺎﻟﺗﻘرﯾب اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ ﺑﺎﻟﻣﻌﻠﻣﺗﯾن ‪ nµ‬و ‪ √𝑛𝑛. σ‬و ﻧرﻣز ﺑـ ‪S n ≈ N(nµ ; √𝑛𝑛. σ) :‬‬

‫ﻣﻼﺣظﺎت ھﺎﻣﺔ ‪:‬‬

‫‪ .1‬ﺷرط ﺗطﺑﯾق اﻟﻧظرﯾﺔ ‪ n ≥ 50 ) n ≥ 30 : T.C.L‬إذا ﺗوزﯾﻊ ‪ Xi‬ﻏﯾر ﻣﺗﻧﺎظر( ‪.‬‬
‫‪ .2‬إذا ‪ Xi‬ﻣﻧﻔﺻﻠﺔ ⇐ ﯾﺟب ﺗطﺑﯾق " ﺗﺻﺣﯾﺢ اﻻﺳﺗﻣرارﯾﺔ " ﻓﻲ ﺣﺳﺎب ﻛل اﺣﺗﻣﺎل‪.‬‬

‫الﻋرض ‪: 2‬‬

‫ﻟﺗﻛن *‪ { X1, X2, … ,Xn } = {Xn }n∈N‬ﻣﺗﺗﺎﻟﯾﺔ ﻣن ‪ n‬م‪.‬ع ﻣﺳﺗﻘﻠﺔ ﺗﺗﺑﻊ ﻧﻔس اﻟﺗوزﯾﻊ )أي ‪ ( i.i.d‬ﺑﺣﯾث ‪،‬‬
‫‪ E[Xi] = µ < ∝ ∀i‬و ∝ < ‪ ، V[Xi] = σ2‬ﻋﻧدﺋذ ‪:‬‬
‫‪1 n‬‬
‫= ‪ ، X n‬ﺗﺗﻘﺎرب ﺑﺎﻟﻘﺎﻧون ﻧﺣو اﻟﻣﺗﻐﯾر �𝑋𝑋 اﻟذي ﯾﺗﺑﻊ اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ‬ ‫اﻟﻣﺗﺗﺎﻟﯾﺔ *‪ ، {X�n }n∈N‬ﺑﺣﯾث ‪∑ X i‬‬
‫‪n i =1‬‬
‫𝐿𝐿‬
‫) 𝜎𝜎 ; 𝜇𝜇(𝑁𝑁~ �𝑋𝑋 → ‪�n‬‬
‫‪.X‬‬ ‫و ﻧرﻣز اﻟﯾﮫ ﺑـ ‪:‬‬
‫𝜎𝜎‬
‫ﺑﺎﻟﻣﻌﺎﻣﺗﯾن ‪ µ‬و‬
‫𝑛𝑛√‬ ‫𝑛𝑛√‬

‫𝜎𝜎‬ ‫𝜎𝜎‬
‫; ‪X n ≈ N(µ‬‬
‫𝑛𝑛√‬
‫و ﻧرﻣز ﺑـ ‪) :‬‬
‫𝑛𝑛√‬
‫ﻣﻼﺣظﺔ ‪ :‬ﻧﻘول أن ‪ 𝑋𝑋�n‬ﯾﺗﺑﻊ ﺑﺎﻟﺗﻘرﯾب اﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ ﺑﺎﻟﻣﻌﻠﻣﺗﯾن ‪ µ‬و‬

‫‪ -3.2.3‬ﺗطﺑﯾﻘﺎت اﻟﻧظرﯾﺔ اﻟﻧﮭﺎﯾﺔ اﻟﻣرﻛزﯾﺔ ‪.‬‬

‫ﻧظرﯾﺔ ‪ : 1‬ﺗﻘرﯾب اﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن ﺑﺎﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ‪.‬‬

‫ﻟﺗﻛن )‪ X ∼ B(n ; p‬ﻋﻧدﺋذ ‪. (q=1-p) X ≈ N(np ; �𝑛𝑛𝑛𝑛𝑛𝑛) :‬‬

‫) ‪. ( npq ≥ 9 ou‬‬ ‫‪ n ≥ 30‬و ‪np ≥ 5‬‬ ‫ﺷرط ﺗطﺑﯾق ‪:‬‬

‫اﻟﺑرھﺎن‪:‬‬
‫ﻟﺗﻛن } ‪ { X1, X2, … ,Xn‬ﻣﺗﺗﺎﻟﯾﺔ ﻣن ‪ n‬م‪.‬ع ﻣﺳﺗﻘﻠﺔ ﺗﺗﺑﻊ ﻧﻔس اﻟﺗوزﯾﻊ ﺑرﻧوﻟﻲ ﺑﺎﻟﻣﻌﻠﻣﺔ ‪ p‬أي ‪Xi∼B(1 ; p) ∀i :‬‬
‫⇐ ‪ E[Xi] = µ = p‬و ‪ ، V[Xi] = σ2 = p.q‬ﻋﻧدﺋذ ‪:‬‬
‫‪n‬‬
‫• ﺗطﺑﯾﻘﺎ ﻟﻠﻧظرﯾﺔ اﺳﺗﻘرار اﻟﺗوزﯾﻊ ذو اﻟﺣدﯾن ﻟﻠﺟﻣﻊ ⇐ )‪S n = ∑ X i ∼B(n ; p‬‬
‫‪i =1‬‬
‫𝑳𝑳‬
‫→ )‪B(n; p‬‬ ‫]‪N[n. p ; �n. p. q‬‬ ‫‪n‬‬
‫• ﺗطﺑﯾﻘﺎ ﻟﻠﻧظرﯾﺔ اﻟﻧﻧﮭﺎﯾﺔ اﻟﻣرﻛزﯾﺔ ⇐ ]𝑞𝑞 ‪S n = ∑ X i ≈ N[n.p ; �𝑛𝑛. 𝑝𝑝.‬‬
‫‪i =1‬‬

‫ﻣﺛﺎل ‪ :‬ﻟﯾﻛن )‪ . X ∼B(n=100 ; p = 0.1‬أﺣﺳب ﺑﺻﻔﺔ دﻗﯾﻘﺔ و ﺑﺎﻟﺗﻘرﯾب ]‪ P[X=10‬و ]‪. P[X≤10‬‬
‫‪10‬‬
‫‪P[X = 10] = 𝐶𝐶100‬‬ ‫‪. (0.1)10 . (0.9)90 = 0.131865‬‬ ‫• اﻟﺣﺳﺎب اﻟدﻗﯾق ‪:‬‬

‫𝑥𝑥‬
‫‪P[X ≤10] = ∑10‬‬ ‫𝑥𝑥‬
‫)‪𝑥𝑥=0 𝐶𝐶100 . (0.1) . (0.9‬‬
‫𝑥𝑥‪100−‬‬
‫‪= 0.583155‬‬
 ‫‪-54-‬‬
‫• اﻟﺣﺳﺎب اﻟﺗﻘرﯾﺑﻲ ‪:‬‬
‫‪𝑋𝑋−10‬‬
‫; ‪=Z ≈ N(0‬‬ ‫ﻟدﯾﻧﺎ ‪ n = 100>30‬و ‪1) ⇔ X ≈ N(np=10 ; �𝑛𝑛𝑛𝑛𝑛𝑛 =3) ⇐ np = 10>5‬‬
‫‪3‬‬
‫‪9.5−10‬‬ ‫‪10.5−10‬‬
‫[‪P[X = 10] ≅ P[10- 1/2≤ X ≤ 10+1/2] ≅ P[9.5≤ X ≤ 10.5] ≅ P‬‬ ‫≤‪≤Z‬‬ ‫]‬
‫‪3‬‬ ‫‪3‬‬

‫‪≅ Φ(0.166) - Φ(-0.166) ≅ 2. Φ(0.166) -1 ≅ 2.0.56592 -1 ≅ 0.131843‬‬

‫‪10.5−10‬‬
‫≤ 𝑍𝑍� 𝑃𝑃 ≅ ]‪P[X≤10] ≅ P[X≤10+1/2‬‬ ‫‪� ≅Φ(0.166) ≅ 0.56592‬‬
‫‪3‬‬
‫‪10−10‬‬
‫≤ 𝑍𝑍� 𝑃𝑃 ≅ ]‪P[X≤10‬‬ ‫‪� ≅Φ(0) ≅ 0.50000‬‬ ‫‪ : NB‬ﺑدون ﺗﺻﺣﯾﺢ اﻻﺳﺗﻣرارﯾﺔ ﻧﺗﺣﺻل ﻋﻠﻲ ‪:‬‬
‫‪3‬‬

‫ﻧظرﯾﺔ ‪ : 2‬ﺗﻘرﯾب اﻟﺗوزﯾﻊ ﺑواﺳون ‪ Poisson‬ﺑﺎﻟﺗوزﯾﻊ اﻟطﺑﯾﻌﻲ‪.‬‬

‫ﻟﺗﻛن )‪ X ∼ P(λ=n.θ‬ﻋﻧدﺋذ ‪. X ≈ N(λ ; √λ) :‬‬

‫‪ n ≥ 30‬و ‪. λ= n.θ ≥ 15‬‬ ‫ﺷرط ﺗطﺑﯾق ‪:‬‬

‫اﻟﺑرھﺎن‪:‬‬

‫‪λ‬‬
‫ﻟﺗﻛن } ‪ { X1, X2, … ,Xn‬ﻣﺗﺗﺎﻟﯾﺔ ﻣن ‪ n‬م‪.‬ع ﻣﺳﺗﻘﻠﺔ ﺗﺗﺑﻊ ﻧﻔس اﻟﺗوزﯾﻊ ‪ Poisson‬ﺑﺎﻟﻣﻌﻠﻣﺔ 𝑛𝑛 = ‪ θ‬أي ‪Xi∼P(θ) ∀i :‬‬

‫⇐ ‪ E[Xi] = µ = θ‬و ‪ ، V[Xi] = σ2 = θ‬ﻋﻧدﺋذ ‪:‬‬

‫‪n‬‬
‫• ﺗطﺑﯾﻘﺎ ﻟﻠﻧظرﯾﺔ اﺳﺗﻘرار اﻟﺗوزﯾﻊ ‪ Poisson‬ﻟﻠﺟﻣﻊ ⇐ )‪S n = ∑ X i ∼P(nθ=λ‬‬
‫‪i =1‬‬
‫𝑳𝑳‬
‫→ )‪P(nθ‬‬ ‫]‪N[n. θ ; √n. θ‬‬ ‫‪n‬‬
‫• ﺗطﺑﯾﻘﺎ ﻟﻠﻧظرﯾﺔ اﻟﻧﻧﮭﺎﯾﺔ اﻟﻣرﻛزﯾﺔ ⇐ ]‪S n = ∑ X i ≈ N[n.θ ; √𝑛𝑛. θ‬‬
‫‪i =1‬‬

‫ﻣﺛﺎل ‪ :‬ﻟﯾﻛن )‪ . X ∼ P(λ=9‬أﺣﺳب ﺑﺻﻔﺔ دﻗﯾﻘﺔ و ﺑﺎﻟﺗﻘرﯾب ]‪ P[X=20‬و ]‪. P[X ≤ 20‬‬
‫‪920 .𝒆𝒆−9‬‬
‫≅ ]‪P[X=20‬‬ ‫‪= 0.000617‬‬ ‫• اﻟﺣﺳﺎب اﻟدﻗﯾق ‪:‬‬
‫!‪20‬‬
‫‪9𝑥𝑥 .𝒆𝒆−9‬‬
‫‪P[X ≤20] = ∑20‬‬
‫‪𝑥𝑥=0‬‬ ‫‪= 0.99956‬‬
‫!𝑥𝑥‬

‫• اﻟﺣﺳﺎب اﻟﺗﻘرﯾﺑﻲ ‪ : λ=9 < 15 :‬ﺷﺮط اﻟﺘﻘﺮﯾﺐ ﻏﯿﺮ ﻣﺤﻘﻖ ﻟﻜﻦ ‪....‬‬
‫‪𝑋𝑋−9‬‬
‫; ‪=Z ≈ N[0‬‬ ‫ﻟدﯾﻧﺎ ]‪1] ⇔ X ≈ N[λ=9 ; √λ =3‬‬
‫‪3‬‬
‫‪19.5−9‬‬ ‫‪20.5−9‬‬
‫[‪P[X = 20] ≅ P[20 - 1/2 ≤ X ≤ 20+1/2] ≅ P[19.5 ≤ X ≤ 20.5] ≅ P‬‬ ‫≤‪≤Z‬‬ ‫]‬
‫‪3‬‬ ‫‪3‬‬

‫‪≅ Φ(3.83) - Φ(3.15) ≅ 0.99994 – 0.99913 ≅ 0.00083‬‬

‫‪20.5−9‬‬
‫≤ 𝑍𝑍� 𝑃𝑃 ≅ ]‪P[X≤20] ≅ P[X≤20+1/2‬‬ ‫‪� ≅Φ(3.83) ≅ 0.99994‬‬
‫‪3‬‬
 -55-

. P[X ≤ 32] ‫ و‬P[X=32] ‫ أﺣﺳب ﺑﺻﻔﺔ دﻗﯾﻘﺔ و ﺑﺎﻟﺗﻘرﯾب‬. X ∼ P(λ=16) : ‫إذا‬

16 32 .𝒆𝒆−16
P[X = 32] = 32!
= 0.000145 : ‫• اﻟﺣﺳﺎب اﻟدﻗﯾق‬
16 𝑥𝑥 .𝒆𝒆−16
P[X ≤ 32] = ∑32
𝑥𝑥=0 = 0.999987
𝑥𝑥!

: ‫• اﻟﺣﺳﺎب اﻟﺗﻘرﯾﺑﻲ‬
𝑋𝑋−16
=Z ≈ N(0 ; 1) ⇔ X ≈ N[λ=16 ; √λ =4] ‫ﻟدﯾﻧﺎ‬
4
31.5−16 32.5−16
P[X = 32] ≅ P[32 - 1/2≤ X ≤ 32+1/2] ≅ P[31.5≤ X ≤ 32.5] ≅ P[ ≤Z≤ ]
4 4

≅ Φ(4.125) - Φ(3.875) ≅ 0.99998 – 0.99994 ≅ 0.00004

32.5−16
P[X ≤ 32] ≅ P[X≤32+1/2] ≅ 𝑃𝑃 �𝑍𝑍 ≤ � ≅Φ(4.125) ≅ 0.99998
4

Fin du Cours On Live N° 9 (Sous-séance_9.1) le

Cette partie du cours ne fait pas

Début du Cours On Live N° 10 (Sous-séance_9.2 ) le
partie du programme officiel !
Mais, nous la présentons car …
.Convergence en probabilité ‫ اﻟﺗﻘﺎرب ﺑﺎﻻﺣﺗﻣﺎل‬-3.2
: 1 ‫ ﺗﻌرﯾف‬-.3.2.1
.(E = Ω, F, P[•]) ‫ع ﻣﻌرﻓﺔ ﻋﻠﻲ ﻧﻔس اﻟﻔﺿﺎء اﻹﺣﺗﻣﺎﻟﻲ‬.‫ م‬n ‫ { ﻣﺗﺗﺎﻟﯾﺔ ﻣن‬X1, X2, … ,Xn } = {Xn }n∈N* ‫ﻟﺗﻛن‬
: ‫ إذا و ﻓﻘط إذا‬a ‫ﻧﻘول أن اﻟﻣﺗﺗﺎﻟﯾﺔ ﺗﺗﻘﺎرب ﺑﺎﻹﺣﺗﻣﺎل ﻧﺣو اﻟﺛﺎﺑﺗﺔ‬
∀ε>0 (ε petit), lim𝑛𝑛 →∝ P[Xn − a > ε] = 0 ⇔ lim𝑛𝑛 →∝ P[Xn − a≤ ε] = 1

𝑃𝑃
Xn → 𝑎𝑎 : ‫ﻧرﻣز اﻟﯾﮫ ﺑـ‬

. ‫ ﺷرط ﻛﺎﻓﻲ ﻟﻠﺗﻘﺎرب ﺑﺎﻹﺣﺗﻣﺎل‬: 1 ‫ ﻧظرﯾﺔ‬-3.2.2

. (E = Ω, F, P[•]) ‫ع ﻣﻌرﻓﺔ ﻋﻠﻲ‬.‫ م‬n ‫ { ﻣﺗﺗﺎﻟﯾﺔ ﻣن‬X1, X2, … ,Xn }= {Xn }n∈N* ‫ﻟﺗﻛن‬

𝑎𝑎 : ‫ { ﻋﻧدﺋذ‬lim𝑛𝑛 →∝ V[Xn ] = 0 ‫ و‬lim𝑛𝑛 →∝ E[Xn ] = a } ‫إذا‬

𝑃𝑃
. Xn →

.Tchebytchev ‫ )ﺧﻼل اﻟدرس( ﻧﺳﺗﻌﻣل ﻧظرﯾﺔ‬: ‫اﻟﺑرھﺎن‬

 ‫‪-56-‬‬
‫ﻣﺛﺎل ‪ :‬ﻟﺗﻛن *‪ {Xn }n∈N‬ﻣﺗﺗﺎﻟﯾﺔ ﻣن ‪ n‬م‪.‬ع ’‪ ‘i.i.d‬ﺑﺣﯾث )‪. ∀n, Xn∼B(1 ; p‬‬
‫‪1 n‬‬
‫= ‪ ، f n‬ھﻲ ﻣﺗﻘﺎرﺑﺔ ﺑﺎﻹﺣﺗﻣﺎل ﻧﺣوﺛﺎﺑﺗﺔ ‪ . c‬ﻣﺎھﻲ ھذه اﻟﺛﺎﺑﺗﺔ ؟‬ ‫ﺗﺣﻘق أن اﻟﻣﺗﺗﺎﻟﯾﺔ *‪ ،{fn }n∈N‬ﺑﺣﯾث ‪∑ X i‬‬
‫‪n i =1‬‬

‫‪ -3.2.3‬ﻧظرﯾﺔ ‪ : 2‬اﻟﻘﺎﻧون )اﻟﺿﻌﯾف( ﻟﻸﻋداد اﻟﻛﺑرى‪.‬‬

‫ﻟﺗﻛن *‪ { X1, X2, … ,Xn }= {Xn }n∈N‬ﻣﺗﺗﺎﻟﯾﺔ ﻣن ‪ n‬م‪.‬ع ﻣﻌرﻓﺔ ﻋﻠﻲ )]•[‪ (E = Ω, F, P‬ﻣﺳﺗﻘﻠﺔ )" ‪ (" 2-2‬و ﺗﺗﺑﻊ‬

‫ﻧﻔس اﻟﺗوزﯾﻊ )ﻧرﻣز ‪ E[Xi] = µ ∀i ،( i.i.d‬و ‪، V[Xi] = σ2‬‬

‫‪n‬‬
‫�{ ‪ ،‬ﺑﺣﯾث ‪ ، X n= ∑ X i‬ﺗﺗﻘﺎرب ﺑﺎﻹﺣﺗﻣﺎل ﻧﺣو اﻟﺛﺎﺑﺗﺔ ‪ µ‬و ﻧرﻣز اﻟﯾﮫ ﺑـ‪:‬‬
‫‪1‬‬
‫�‬ ‫→‬
‫𝑃𝑃‬
‫𝛍𝛍‬ ‫ﻋﻧدﺋذ اﻟﻣﺗﺗﺎﻟﯾﺔ *‪Xn }n∈N‬‬
‫‪𝑋𝑋n‬‬ ‫‪n i =1‬‬

‫اﻟﺑرھﺎن ‪ :‬ﻧﺳﺗﻌﻣل اﻟﻧظرﯾﺔ ‪ 2‬اﻟﺳﺎﺑﻘﺔ أو ﻧظرﯾﺔ ‪.Tchebytchev‬‬

‫ﻣﻼﺣظﺎت ‪:‬‬

‫‪ .1‬إذا ﻛﺎﻧت ﻣﺗﻐﯾرات اﻟﻣﺗﺗﺎﻟﯾﺔ *‪ {Xn }n∈N‬ﺗﺗﺑﻊ ﻛﻠﮭﺎ اﻟﺗوزﯾﻊ ﺑرﻧوﻟﻲ ﺑﺎﻟﻣﻌﻠﻣﺔ ‪ ، p‬ﻋﻧدﺋذ ‪𝒑𝒑 :‬‬
‫𝑃𝑃‬
‫→ ‪. 𝑋𝑋�n‬‬
‫‪ .2‬ﺗﻌﺗﺑر ھذه اﻟﻧظرﯾﺔ ﺗﺑرﯾر ﻧظري ﻻﺳﺗﻌﻣﺎل اﻟﺳﺑر )أواﻹﺳﺗﻘﺻﺎء ‪.(sondage‬‬
‫‪Ici le 24-04-2017‬‬
‫‪Dernière séance‬‬