Recherche Opérationnelle 2

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/362155240
‫ ﻣﺤﻤﺪ ﺑﺪاوي‬-‫اﻟﺠﺰء اﻟﺜﺎﻧﻲ‬-‫ﻛﺘﺎب ﺑﺤﻮث اﻟﻌﻤﻠﻴﺎت‬
Book · July 2022
CITATIONS
1 author:
Badaoui Mohamed
Université Amar Telidji Laghouat
9 PUBLICATIONS 1 CITATION
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
La Nouvelle Vision De L'Évaluation De La Performance Du Groupe De Travail : La Théorie Binaire View project
All content following this page was uploaded by Badaoui Mohamed on 21 July 2022.
The user has requested enhancement of the downloaded file.

‫دار الضحى للنشر والإشهار‬
‫الجلفة – الجزائر‬
‫‪Dareldouha2014@gmail.com‬‬
‫‪8:.72:7:.7;0/05.50.87.37.71‬‬
‫الطبعة الأولى‬
‫‪2022‬‬
‫الإيداع القانوني‪ :‬جو يلية‬

‫ردمك‪2.0-22;9-0;8-82-0 :‬‬
‫حقوق التأليف محفوظة للمؤلف‬
‫تصميم وتنسيق حمدي مصطفى الأزهر‬

‫‪hamdilazhar;@gmail.com‬‬
‫بحوث العمليات‬ ‫الدكتور ‪ :‬محمد بداوي‬
‫الجزء الثاني‬
‫بحوث العمليات ‪ -‬الجزء الثاني‬
‫‪Operations Research‬‬
‫الدكتور‪ :‬محمد بداوي‬

‫لطلبة‪:‬‬
‫‪ -‬العلوم اإلتقتاادية و للوم التييير والعلوم‬
‫التجارية‬
‫‪ -‬العلوم التكنولوجية‬
‫مع التطبيق للى برنامج ‪Maple‬‬
‫‪1‬‬
‫تقال هللا لز وجل في كتابه الحكيم‪:‬‬
‫اَّللُ َل َملَ ُك ْم َوَر ُيولُ ُه َوا ْل ُم ْؤ ِم ُن َ‬

‫ون ﴾‬ ‫﴿ َوُتق ِل ْ‬
‫ال َملُوا فَ َي َي َرى ه‬
‫[ يورة التوبة‪] 105 :‬‬
‫‪2‬‬
‫دلاء‬
‫باردا من دلواتكم ألمي‬

‫إذا مررتم من ُهنا رشوا رذا ًذا ً‬
‫اللهم فردوياً ونعيماً غير مقطُوع‬
‫تيعدها في تقبرها‪ُ ،‬‬
‫اللهم أرحم أمي برحمتك التي ويعت كل شي‪ ،‬اللهم‬
‫ُ‬
‫أجعل ثواب كل من يق أر هذا الكتاب وييتفيد منه في‬
‫ميزان حيناتي وميزان حينات أمي ( الحاجة يتي‬
‫بداوي )‪.‬‬
‫ِ‬
‫يهرت للى‬ ‫أمي جنة الدنيا تحت تقدميك وأنت من‬
‫تربيتي وراحتي في اغري وكم ِ‬
‫نلت من معاناة تجاهي‬
‫ولو ِ‬
‫الك بعد هللا ما ارت وما تعلمت‪.‬‬
‫اللهم أرحم أمي وأغفر لها وأجعل تقبرها روض ًة من‬
‫رياض الجنة هي وجميع أموات الميلمين‪.‬‬
‫‪3‬‬
‫فهرس الكتاب‪ :‬بحوث العمليات ( الجزء ‪)2+1‬‬
‫الافحة‬ ‫الموضوع‬
‫‪407-1‬‬ ‫الجزء األول‪:‬‬
‫‪07‬‬ ‫مقدمة‬
‫‪57-08‬‬ ‫الفال األول‪ :‬مراجعة بعض المفاهيم العامة في الجبر الخطي‪:‬‬
‫أهمية الجبر الخطي في بحوث العمليات ‪ ،‬أهمية الفضاء‬

‫المصفوفات‬ ‫الشعاعي‪ ،‬الجماعة المولدة ‪ ،‬االستقالل الخطي ‪،‬‬
‫‪ ،‬العمليات على المصفوفات ‪ ،‬جمل المعادالت الخطية ‪ ،‬القيم‬
‫الذاتية و األشعة الذاتية‪ ،‬تقطير المصفوفة ‪ ،‬رتبة جماعة األشعة (‬
‫رتبة المصفوفة )‪.‬‬
‫‪139 - 58‬‬ ‫الفال الثاني‪ :‬مدخل إلى البرمجة الخطية‬

‫ماهية البرمجة الخطية‪ ،‬مفاهيم أساسية في البرمجة الخطية‪،‬‬
‫الشكل القانوني و المعياري لبرنامج خطي‪ ،‬طرق الحل ( الطريقة‬
‫البيانية ‪ ،‬طريقة السمبلكس ‪ ،‬طريقة السمبلكس المعدلة )‪.‬‬
‫‪166-140‬‬ ‫الفال الثالث‪ :‬النموذج الثنائي( المقابل) وتحليل الحيايية‬
‫النموذج الثنائي (المقابل)‪ ،‬تحليل الحساسية‬
‫‪227 - 167‬‬ ‫الفال الرابع‪ :‬ميائل النقل والتخايص‬

‫مسائل النقل ‪ ،‬مسألة التخصيص ( التعيين)‪.‬‬
‫‪290 - 228‬‬ ‫الفال الخامس‪ :‬إدارة المشاريع بايتخدام طريقتي‬
‫‪PERT/CPM‬‬
‫‪4‬‬
‫مفاهيم أساسية‪ ،‬عناصر أساسية في تحليل الشبكة‪ ،‬طريقة المسار‬

‫الحرج ‪ ،CPM‬تقنية تقييم ومراجعة البرنامج ‪ ، PERT‬االختالف‬
‫بين طريقتي ‪ CPM‬و‪ ،PERT‬تقليص زمن انجاز المشروع‬
‫‪. Project Crashing‬‬
‫‪314 - 291‬‬ ‫الفال اليادس‪ :‬البرمجة الاحيحة‬
‫طريقة المستوي القاطع لغوموري ‪ ،‬طريقة الحد والفرع‪.‬‬
‫‪367 - 315‬‬ ‫الفال اليابع‪ :‬البرمجة غير الخطية‬

‫األمثَلة‬
‫األمثَلة الكالسيكية المطبقة ‪ ،‬شروط تحقيق ْ‬
‫مدخل إلى ْ‬
‫المحلية ‪ ،‬البرمجة التربيعية‪ ،‬أنواع أخرى من البرمجة غير الخطية‪.‬‬
‫‪402 - 368‬‬ ‫الفال الثامن‪ :‬البرمجة الديناميكية‬
‫تصميم وتحليل البرمجة الديناميكية ‪ ،‬خصائص البرمجة‬
‫الديناميكية ‪ ،‬مسألة أقصر طريق ‪ ،‬مسألة حقيبة الظهر ‪ ،‬نموذج‬
‫حجم قوة العمل ‪ ،‬مسألة االستثمار( أمثلة االستثمار)‬
‫‪407 - 403‬‬ ‫تقائمة المراجع‬
‫‪355-01‬‬ ‫الجزء الثاني‬
‫‪07‬‬ ‫مقدمة‬
‫‪71 - 08‬‬ ‫الفال التايع‪ :‬نظرية األلعاب‬
‫فلسفة نظرية األلعاب ‪ ،‬أنواع األلعاب ‪ ،‬ألعاب استراتيجية ذات‬
‫المجموع الصفري وغير الصفري ‪ ،‬تمثيل األلعاب ‪ ،‬الحل األمثل‬
‫حل مصفوفة المباراة‬ ‫لأللعاب الثنائية ذات المجموع الصفري ‪،‬‬
‫عن طريق البرمجة الخطية ‪ ،‬الحل األمثل لأللعاب الثنائية ذات‬
‫المجموع غير الصفري‪،‬‬
‫‪104 - 72‬‬ ‫الفال العاشر‪ :‬نظرية اتخاذ القرار‬
‫مدخل نظرية اتخاذ القرار‪ ،‬بيئة اتخاذ القرار‪ ،‬شجرة اتخاذ القرار‪،‬‬
‫نظرية المنفعة‪ ،‬المنفعة األسية ‪.‬‬
‫‪5‬‬
‫‪131 - 105‬‬ ‫الفال الحادي لشر ‪ :‬ياليل ماركوف‬

‫مفهوم العمليات التصادفية ‪ ،‬خاصية ماركوف ‪ ،‬ماهية سلسلة‬
‫ماركوف‪.‬‬
‫‪197 - 132‬‬ ‫الفال الثاني لشر‪ :‬نظرية افوف االنتظار‬
‫مصطلحات أساسية‪ ،‬خصائص صف االنتظار‪ ،‬تصنيفات أنظمة‬
‫صف االنتظار‪ ،‬تطبيقات نظرية صفوف االنتظار‪ ،‬إنشاء صف‬
‫االنتظار‪ ،‬سعة النظام ‪ ،‬نمذجة الوصول ‪ ،‬العملية البواسونية ‪،‬‬
‫تكاليف الطابور ( الصف)‪.‬‬
‫‪245 - 198‬‬ ‫الفال الثالث لشر ‪ :‬إدارة المخزون المثلى‬
‫أنواع المخزون‪ ،‬أنواع تكاليف المخزون‪ ،‬مفاهيم أساسية حول‬
‫المخزون ‪ ،‬نماذج المخزون ( الحتمي واالحتمالي)‬
‫‪271 - 246‬‬ ‫الفال الرابع لشر‪ :‬المحاكاة‬
‫مزايا المحاكاة ‪ ،‬دور المحاكاة في دراسات بحوث العمليات ‪،‬‬
‫خطوات إجراء محاكاة ‪ ،‬محاكاة الحدث المنفصل مقابل المحاكاة‬
‫المستمرة ‪ ،‬محاكاة مونت كارلو‪.‬‬
‫‪350 - 272‬‬ ‫الفال الخامس لشر‪ :‬التوتقع ( التنبؤ)‬
‫أنواع التنبؤات ‪ ،‬معايير تقييم أداء التنبؤ ‪ ،‬طريقة المتوسطات‬
‫المتحرك ‪ ،‬طريقة التمهيد األسي‪ ،‬قياس خطأ التنبؤ ‪ ،‬طريقة‬
‫االنحدار الخطي البسيط ‪ ،‬طريقة االنحدار الخطي المتعدد‪.‬‬
‫‪353 -351‬‬ ‫تقائمة المراجع‬
‫‪6‬‬
‫مقدمة‪:‬‬
‫الحمد هلل رب العالمين ‪ ،‬والصالة والسالم على خاتم النبيئين وسيد المرسلين‪ ،‬نبينا‬
‫محمد الهادي األمين الذي بعثه هللا رحمة للعالمين‪ ،‬وعلى أله وأصحابه وأنصاره وأتباعه‬
‫ومن أهتدى بهديه وعمل بسنته إلى يوم الدين ‪ ،‬و بعد‪:‬‬
‫يتضمن هذا الكتاب دروس موجهة الى طلبة ليسانس (علوم اقتصادية وعلوم تسيير‬
‫وعلوم تجارية والعلوم التكنولوجية )‪ ،‬كما يمكن لطلبة الرياضيات االستفادة منه أيضا ‪،‬‬
‫وشعر المؤلف بالحاجة لمثل هذا الكتاب من خالل تدريسه لمقياس الرياضيات ‪ ،‬ومن‬
‫خالل إشرافه على عدد من المذكرات‪ ،‬ويمكن أن يكون هذا الكتاب بما يحويه ‪ ،‬وبما‬
‫يتضمنه من أمثلة تطبيقية عديدة‪ ،‬ذو فائدة لقطاع واسع من القراء المهتمين‬
‫بالرياضيات التطبيقية واألدوات الكمية المطبقة في االقتصاد و المؤسسة‪.‬‬
‫إن هذا الكتاب كأي نتاج علمي ال يخلو من النواقص والهفوات‪ ،‬وكل أملنا أن يسهم في‬
‫تطوير البحث العلمي‪.‬‬
‫أتقدم بشكري إلى أخي بن دومة محمد الطاهر وذلك لتصميمه الرائع لغالف هذا‬
‫الكتاب ‪ ،‬ونسأل هللا أن يجعل هذا العمل خالصا لوجهه الكريم‪ ،‬ويجعله في ميزان‬
‫حسناتنا‪ ،‬وأن ينفع به الطالب والدارسين‪ ،‬وأي مالحظة علمية يرجى إرسالها عبر بريدنا‬
‫االلكتروني التالي‪m.badaoui@lagh-univ.dz :‬‬
‫و هللا الموفق‬
‫المؤلف األغواط – الجزائر‪2022/06/23 -‬‬
‫‪7‬‬
‫الفال التايع ‪ :‬نظرية األلعاب ‪Games Theory‬‬
‫تمهيد‪:‬‬
‫نظرية األلعاب هي دراسة الطرق التي تؤدي من خاللها اختيارات العوامل االقتصادية‬
‫المتفاعلة إلى تحقيق نتائج تتعلق بتفضيالت هؤالء الوكالء ( نطلق عليهم الالعبون)‪.‬‬
‫تم وصف األسس الرياضية لنظرية األلعاب الحديثة في (‪ )1913‬من قبل إرنست‬
‫زيرميلو‪ 1‬في مقاله ‪Über eine Anwendung der Mengenlehre auf die‬‬
‫‪ ،Theorie des Schachspiels‬وبواسطة إميل بوريل ‪ )1921( 2‬في مقالة "‬
‫نظرية اللعبة والمعادالت المتكاملة مع نواة متماثلة ‪ ،‬ثم ‪ John von Neumann‬عام‬
‫‪ ،1928‬وقد تم تطوير هذه األفكار بشكل أكبر بواسطة ‪ 3Oskar Morgenstern‬و‬
‫‪ 4John von Neumann‬في عام ‪ 1944‬في كتابهما‪Theory of Games " :‬‬
‫‪ " and Economic Behaviour‬الذي يعتبر أساس نظرية األلعاب الحديثة‪ ،‬وكان‬
‫‪1‬‬
‫إرنيست زيرميلو ‪ ، Ernst Friedrich Ferdinand Zermelo 1953 - 1871‬رياضياتي ألماني‪.‬‬
‫‪2‬‬
‫‪ -‬إميل بوريل ‪ Édouard Justin Émile Borel 1956 - 1871‬رياضياتي فرتسي‪ ،‬من المؤسسين لنظريقة القياس‬
‫رفقة مواطنه هنري لوبيغ‪.‬‬
‫‪3‬‬
‫‪ -‬أوسكار مورجنسترن (‪ Oskar Morgenstern )1977 -1902‬اقتصادي ألماني‪ -‬أمريكي‪ ،‬وبالتعاون مع‬
‫الرياضياتي جون فون نيومان تم تأسيس المجال الرياضي لنظرية األلعاب ‪.‬‬
‫‪4‬‬
‫‪ -‬جون فون نيومان‪ ، ) 1957 – 1903 ( John von Neumann‬رياضياتي مجري – أمريكي ‪ ،‬ولد في‬
‫بودابيست و توفي في الواليات المتحدة األمريكية ‪ ،‬يعتبر كذلك كفيزيائي‪ ،‬وعالم حاسوب‪ ،‬ومهندسا‪ ،‬وموسوعيا‪ ،‬أعتُبر‬
‫فون نيومان عموما الرياضياتي األبرز في زمانه‪ ،‬وقيل أنه « أخر ممثل للرياضياتيين العظماء »‪ ،‬دمج بين العلوم البحتة‬
‫والتطبيقية‪ ،‬قدم نيومان إسهامات كبرى في العديد من الميادين ( أُسس الرياضيات‪ ،‬والتحليل الدالي‪ ،‬ونظرية إرجوديك‬
‫‪ ، ergodic theory‬ونظرية الزمر‪ ،‬ونظرية التمثيل‪ ،‬و المؤثرات الجبرية ‪ ،‬والهندسة الرياضية‪ ،‬والطوبولوجيا‪،‬‬
‫والتحليل العددي)‪ ،‬والفيزياء (ميكانيكا الكم‪ ،‬وجريان الموائع ( الهيدرو ديناميك)‪ ،‬وميكانيكا الكم اإلحصائية‪ ،‬واالقتصاد‬
‫(نظرية األلعاب)‪ ،‬والحوسبة (هيكلة فون نيومان‪ ،‬والبرمجة الخطية‪ ،‬واآلالت المتضاعفة ذاتيًا‪ ،‬والحوسبة الستوكاستيكية‬
‫(العشوائية)‪ ،‬واإلحصاء‪ ،‬كان رائدا في تطبيق نظرية المؤثرات على ميكانيكا الكم في تطوير التحليل الدالي‪ ،‬وشخصية‬
‫رئيسة في تطوير نظرية األلعاب ومفاهيم األتمتة الخلوية‪ ،‬والبنّاء الشامل والحاسوب الرقمي‪.‬‬
‫‪4‬‬
‫‪ -‬ديفيد جيل ( ‪ ) David Gale 2008 – 1921‬رياضياتي واقتصادي أمريكي‪ ،‬تشمل مساهمات ‪ Gale‬في االقتصاد‬
‫الرياضي دليال مبكرا على وجود توازن المنافسة ‪ ،‬وحله لمسألة ‪ Ramsey‬من الناحية النظرية للنمو األمثل‪.‬‬
‫‪8‬‬
‫هذا لنمذجة ألعاب محصلتها صفر حيث يكون مجموع المكاسب بين الالعبين دائما‬
‫مساويا للصفر‪ ،‬وفي نفس الفترة ظهرت طريقة السمبلكس ( دانتزيغ ‪ ،)19471‬وكان‬
‫بفضل هذه الطريقة أنها مكنت من تقديم طريقة ناجعة في حل العديد من المباريات‬
‫المعقدة‪ ،‬وال ننسى مساهمة جون ناش ‪ ،)1950(2 Nash‬الذي كان أول من قدم‬
‫تعريفا لإلستراتيجية المثلى للعبة مع العديد من الالعبين تسمى توازن ناش‪ ،‬تم تنقيح‬
‫هذه النتيجة المتأخرة الرائعة بواسطة رينهارد سولتن ‪)1965( Reinhard Selten3‬‬
‫بحيث أكسبهم ذلك "جائزة نوبل في االقتصاد" في عام ‪ 1994‬لعملهم في نظرية‬
‫األلعاب ‪ ،‬جنبا إلى جنب مع جون هارساني‪ Harsányi János 4‬الذي عمل في‬
‫نظرية األلعاب بمعلومات غير كاملة (‪.)1967‬‬
‫ومنذ ذلك الحين ال تزال األبحاث قائمة في هذا المجال نظ ار لوجود بيئة خصبة في‬
‫تطبيقه‪ ،‬حيث أن جل الشركات االقتصادية تسعى للتفوق على منافسيها والسعي لبسط‬
‫السيطرة على األسواق‪.‬‬
‫أصبحت نظرية اللعبة أداة نظرية وتطبيقية مهمة لالقتصاد الجزئي منذ عام ‪، 1944‬‬
‫وقد تم منح ‪" 11‬جائزة نوبل في االقتصاد" لخبراء االقتصاد عن أبحاثهم حول نظرية‬
‫‪1‬‬
‫‪ -‬جورج برنارد دانتزيغ ‪ ، George Bernard Dantzig 1914 - 2005‬رياضياتي أمريكي قدم مساهمات في‬
‫الهندسة الصناعية ‪ ،‬وبحوث العمليات ‪ ،‬وعلوم الكمبيوتر ‪ ،‬واالقتصاد ‪ ،‬واإلحصاء‪ ،‬يشتهر ‪ Dantzig‬بتطويره‬
‫لخوارزمية ‪ Simplex‬لحل مسائل البرمجة الخطية ‪ ،‬وعمله األخر في اإلحصاء ‪ ،‬حل ‪ Dantzig‬مسألتين مفتوحتين في‬
‫النظرية اإلحصائية ( الحادثة الشهيرة التي أعتقد أن المسألتين عبارة عن واجب منزلي بعد وصوله متأخرا إلى محاضرة‬
‫أستاذه ‪)Jerzy Neyman‬‬
‫‪2‬‬
‫‪ -‬جون فوربس ناش (‪ John Forbes Nash )2015 -1928‬رياضياتي أمريكي قدم مساهمات أساسية في نظرية‬
‫األلعاب والهندسة التفاضلية ودراسة المعادالت التفاضلية الجزئية‪ ،‬كذلك كانت لناش نظرة ثاقبة حول العوامل التي تحكم‬
‫الفرصة وصنع القرار داخل األنظمة المعقدة الموجودة في الحياة اليومية ‪ ،‬حاز على جائزة نوبل في االقتصاد سنة‬
‫‪ 1994‬رفقة جون هارساني و رينهارد سولتن‪.‬‬
‫‪3‬‬
‫‪ -‬رينهارد سولتن ‪ ، Reinhard Selten 2016 - 1930‬إقتصادي ألماني ‪.‬‬
‫‪4‬‬
‫‪ -‬جون هارساني ‪ ، Harsányi János 2000 - 1920‬اقتصادي مجري – أمريكي‪.‬‬
‫‪9‬‬
‫األلعاب‪ ،‬باإلضافة إلى مجال االقتصاد ‪ ،‬نجد تطبيق نظرية األلعاب في العلوم‬
‫االجتماعية والعلوم السياسية والتحليل االستراتيجي وكذلك في العالقات الدولية أو في‬
‫نظرية المنظمات وفي علم األحياء التطوري‪.‬‬
‫‪ -1-9‬فليفة نظرية األلعاب‪:‬‬
‫تدرس نظرية األلعاب السلوكيات المقصودة أو الحقيقية أو الالحقة لألفراد الذين‬

‫يواجهون مواقف الخصم ‪ ،‬وتسعى إلى تسليط الضوء على االستراتيجيات المثلى‪ ،‬من‬
‫الواضح أنه يمكن أحيانا تمثيل مواقف مختلفة جدا بهياكل حوافز قابلة للمقارنة ‪،‬‬
‫وتشكل العديد من األمثلة من نفس اللعبة‪.‬‬
‫تنطبق نظرية األلعاب غير التعاونية على المواقف التي يلعب فيها الالعبون عن قصد‬
‫عندما يكون لديهم على األقل أهداف معادية جزئيا ( لذلك ال تنطبق على حاالت‬
‫التعاون الكامل ‪ ،‬ولكن على المنافسة أو متغيرها )‪ ،‬ال ينطبق ذلك على مواقف اللعبة‬
‫ضد الطبيعة غير التخطيطية والسلبية ‪ ،‬والمواقف التي قد يكون فيها في الواقع العب‬
‫واحد فقط‪.‬‬
‫‪ -1-1-9‬العناار األيايية للعبة‪:‬‬
‫أوال ‪ :‬الاللبون ‪ :players‬األفراد الذين يتخذون الق اررات‪.‬‬
‫ثانيا‪ :‬تقوالد اللعبة ‪ : rules of the game‬من يتحرك ومتى؟ ما الذي يستطيعون‬
‫فعله؟‬
‫ثالثا‪ :‬النتائج ‪ :outcomes‬ماذا تنتج مجموعات مختلفة من اإلجراءات؟‬
‫‪10‬‬
‫رابعا‪ :‬العوائد ‪ : payoffs‬ما هي تفضيالت الالعبين على النتائج؟‬
‫خاميا‪ :‬المعلومات ‪ :information‬ماذا يعرف الالعبون عندما يتخذون الق اررات؟‬
‫ياديا‪ :‬الفراة ‪ :chance‬توزيع احتمالي على أحداث الصدفة إن وجدت‪.‬‬
‫يابعا‪ :‬مجمولات المعلومات (‪ : )Information Sets‬هي مجموعة من العقد التي‬

‫تكون النحو االتي‪:‬‬
‫‪ -1‬نفس الالعب ‪ i‬يتحرك في كل من هذه العقد؛‬

‫‪ -2‬تتوفر نفس الحركات في كل من هذه العقد‪.‬‬
‫ثامنا‪ :‬تقييم المعلومات‪ :‬هو تخصيص لكل عقدة غير طرفية للشجرة بمجموعة‬
‫معلومات‪ ،‬يجب أن تكون عقدة البداية " بمفردها "‪.‬‬
‫‪ -2-1-9‬االيتراتيجيات ‪: Strategies‬‬
‫استراتيجية الالعب هي خطة تحدد اإلجراء الذي سيتخذه في كل مجموعة معلومات‬
‫سينقلها ( بما في ذلك مجموعات المعلومات التي لن يتم الوصول إليها وفقا لهذه‬
‫اإلستراتيجية)‪ ،‬من الناحية الحسابية فإن استراتيجية الالعب ‪ i‬هي دالة ‪ Si‬تحدد كل‬
‫مجموعة معلومات ‪ hi‬خاصة بالالعب ‪ i‬إلى إجراء متاح في ‪. hi‬‬
‫يمكن تقسيم االستراتيجية إلى‪:‬‬
‫أوال‪ :‬ايتراتيجيات بحتة ‪: pure Strategies‬‬
‫في اإلستراتيجية البحتة يتبنى الالعبون إستراتيجية توفر أفضل المكاسب‪ ،‬بمعنى أخر‬
‫هي اإلستراتيجية التي توفر أقصى ربح أو أفضل نتيجة لالعبين‪ ،‬لذلك تعتبر أفضل‬
‫استراتيجية لكل العب في اللعبة‪.‬‬
‫‪11‬‬
‫ثانيا‪ :‬ايتراتيجيات مختلطة ‪: Mixed Strategies‬‬

‫في كثير من الحاالت قد ال يتمكن الالعب من تخمين االستراتيجيات التي يلعبها‬
‫الالعبون األخرون بالضبط من أجل تغطية هذه المواقف نستخدم االستراتيجيات‬
‫المختلطة ‪ ،‬بحيث أن اإلستراتيجية المختلطة لالعب هي توزيع احتمالي على مجموعة‬
‫إستراتيجياته‪.‬‬
‫إذا كان الالعب ‪ i‬له إستراتيجيات ‪ ، Si  si1 , si 2 ,....., sik ‬فأن االستراتيجية المختلطة‬
‫‪  i‬لالعب ‪ i‬هي دالة في ‪ Si‬حيث‪. 0   i  sij   1 :‬‬
‫‪ i  si1    i  si 2   .........   i  sik   1‬‬
‫هناك العديد من التفسيرات لالستراتيجيات المختلطة ‪ ،‬من التوزيع العشوائي المتعمد‬
‫(كما في رمي قطعة نقد) إلى عدم تجانس االستراتيجيات في المجتمع المدروس‪ ،‬ومع‬
‫ذلك في جميع الحاالت فإنها تعمل كجهاز لتمثيل حالة عدم اليقين التي يواجهها‬
‫الالعبون األخرون فيما يتعلق باالستراتيجية التي يلعبها الالعب ‪ i‬طوال المباراة ‪ ،‬يتم‬
‫تفسير ‪  i‬على أنه معتقدات الالعبين األخرين حول لعب إستراتيجية الالعب ‪.i‬‬
‫‪ -2-9‬أنواع األلعاب‪:‬‬
‫تصنف نظرية األلعاب إلى فئات بناء على مقاربات القرار الخاصة بحلها‪ ،‬الفئات‬
‫األكثر شيوعا هي‪:‬‬
‫‪ -1-2-9‬األلعاب التعاونية‪:‬‬
‫األلعاب التعاونية هي األلعاب التي نسعى فيها للحصول على أفضل وضع لالعبين‬
‫وفقا لمعايير مثل العدالة‪ ،‬يعتبر أن الالعبين سيلعبون بعد ذلك ما تم اختياره‪ ،‬وهذا نهج‬
‫‪12‬‬
‫معياري على سبيل المثال‪ ،‬عند مفترق طرق لكل من السائقين خيار المرور أم ال‪،‬‬
‫يفرض كود الطريق السريع استراتيجيته على كل العب من خالل الالفتات‪.‬‬
‫‪ -2-2-9‬نظرية التفاوض‬
‫تستند نظرية التفاوض الحديثة إلى حقيقة أن التفاوض هو لعبة محصلتها صفر‪،‬‬
‫وبالتالي فإن فن التفاوض ال يتمثل في جعل المحاور يستسلم لخط المعارضة الرئيسي‬
‫(السعر على سبيل المثال) أكثر من إيجاد ترتيبات خارج هذا الخط من شأنها أن تجلب‬
‫الكثير ألحدهم دون أن يكلف الكثير‪ ،‬تسمى استراتيجيات الفوز أو الفوز للجانبين (‬
‫رابح – رابح )‪.‬‬
‫‪ -3-9‬ألعاب ايتراتيجية ذات المجموع الافري وغير الافري‪:‬‬
‫ألعاب المحصل الصفري هي جميع األلعاب التي يكون فيها المجموع "الجبري" لمكاسب‬
‫الالعبين ثابتا)‪ ،‬الشطرنج أو البوكر هي ألعاب محصلتها صفر ألن مكاسب إحداهما‬
‫هي بالضبط خسائر األخرى‪.‬‬
‫مواقف العمل أو الحياة السياسية أو معضلة السجين هي ألعاب محصلتها غير صفرية‬
‫ألن بعض النتائج تكون مربحة للجميع أو أكثر ضر ار للجميع‪ ،‬تاريخيا بدأنا بدراسة‬
‫ألعاب محصلتها صفر عند التطرق لموضوع قانون حفظ الطاقة ‪:‬المجموع الجبري‬
‫الصفري ‪ ،‬يمكن تصور لعبة المجموع غير الصفري في األمثلة التالية ‪ :‬في العلوم‬
‫االجتماعية ‪ ،‬يستشهد أحيانا بأيديولوجية التناغم الصناعي لليابان الحديثة (تحالف‬
‫ثالثي بين رأس المال والعمل والحكومة) كمثال على لعبة محصلتها غير صفرية‪ ،‬في‬
‫التجارة الدولية مثال أخر عن اللعبة ذات المجموع غير الصفري في المنافسة‬
‫‪13‬‬
‫التعاونية بين النمور األسيوية والتنين األسيوي (الصين) ‪ ،‬في أعقاب المعجزة اليابانية‬
‫في الخمسينيات والستينيات من القرن الماضي التي فتحت األبواب لكوريا وهونغ كونغ‬
‫وسنغافورة وتايوان وفيتنام في تطور مشترك تقني تجاري‪.‬‬
‫‪ -1-3-9‬لعبة متزامنة أو غير متزامنة‪:‬‬
‫في لعبة متزامنة يقرر الالعبون حركتهم في وقت واحد دون معرفة ما يلعبه األخرون‪،‬‬
‫في لعبة غير متزامنة ( أو بديلة ‪ ،‬ثنائية الالعبين) ‪ ،‬يلعبون واحدا تلو األخر‪ ،‬و في‬
‫كل مرة لديهم معلومات حول حركة الخصم‪.‬‬
‫‪ -2-3-9‬العاب متكررة‪:‬‬
‫غالبا ما يؤدي تكرار اللعبة مع معرفة النتائج الوسيطة إلى تغيير مسارها بشكل جذري‬
‫(أفضل الحركات والنتيجة)‪ ،‬على سبيل المثال قد يكون من المفيد أحيانا المخاطرة‬
‫بخسارة "شيء" واختبار الالعبين األخرين واعداد استراتيجيات اتصال من خالل‬
‫الحركات التي يتم لعبها (في حالة عدم وجود أي وسيلة اتصال أخرى)‪.‬‬
‫‪ -3-3-9‬معلومات كاملة‪:Perfect Information‬‬
‫ُيقال أن اللعبة تحتوي على معلومات كاملة إذا كان كل العب يعرف عند اتخاذ القرار‪:‬‬
‫‪ -‬إمكانياته في العمل؛‬
‫‪ -‬احتماالت عمل الالعبين األخرين؛‬
‫‪ -‬المكاسب الناتجة عن هذه األعمال؛‬
‫‪ -‬دوافع الالعبين األخرين؛‬
‫‪14‬‬
‫عالوة على ذلك ‪ ،‬نتحدث عن لعبة بمعلومات كاملة في حالة اللعبة بآلية متسلسلة ‪،‬‬
‫حيث يعرف كل العب بالتفصيل جميع اإلجراءات التي تم تنفيذها قبل اختياره‪.‬‬
‫‪ -4-3-9‬معلومات غير كاملة‪ :Imperfect information‬عدم اليقين بشأن حالة‬

‫اللعبة الحالية ‪ ،‬مثل اإلجراءات التي يتخذها األخرون ‪.‬‬
‫‪ -5-3-9‬معلومات غير تامة‪ : Incomplete information‬عدم اليقين بشأن‬

‫قواعد اللعبة ‪ ،‬مثل األدوات المساعدة لالعبين اآلخرين (ألعاب بييز ‪Bayesian‬‬
‫‪.)Games‬‬
‫‪ -6-3-9‬الطبيعة كاللب ‪:‬‬

‫تشمل مجموعة المعلومات ‪ :‬الالعبين صانعي القرار المشاركين في اللعبة‪ ،‬ومع ذلك‬
‫يوجد مجال للصدفة في العديد من األلعاب على سبيل المثال رمي حجر النرد في‬
‫لعبة الطاولة ‪ ،‬غالبا ما يواجه الالعبون عدم اليقين بشأن بعض الحقائق ذات الصلة‬
‫بما في ذلك ما يعرفه الالعبون األخرون‪ ،‬في هذه الحالة مرة أخرى تلعب الصدفة دو ار‬
‫لتمثيل هذه االحتماالت ‪ ،‬نقدم العبا خياليا‪ :‬الطبيعة ‪ ، Nature‬ال يوجد عائد للطبيعة‬
‫في العقد النهائية ‪ ،‬وفي كل مرة يتم فيها تخصيص عقدة للطبيعة يجب تحديد توزيع‬
‫احتمالي على الفروع التالية ‪ ،‬على سبيل المثال ‪ ،‬الكتابة مع احتمال ‪ 2/1‬والصورة مع‬
‫احتمال ‪. 2/1‬‬
‫على سبيل المثال نضع في االعتبار اللعبة في الشكل (‪ )1-9‬حيث يتم رمي عملة‬
‫نقدية متوازية يكون احتمال الصورة هو ½‪ ،‬إذا ظهرت الصورة يختار الالعب ‪ 1‬بين‬
‫اليسار واليمين‪ ،‬واذا ظهرت الكتابة يختار الالعب ‪ 2‬بين اليسار واليمين‪ ،‬تعتمد العوائد‬
‫أيضا على قرعة النقد‪.‬‬
‫‪15‬‬
‫الشكل (‪:)1-9‬الطبيعة كاللب‬
‫تم إدراج عنصر الطبيعة من قبل هارساني ‪ John Harsanyi’s‬وذلك لتحويل اللعبة‬
‫االستراتيجية ذات المعلومات غير التامة إلى لعبة استراتيجية ذات معلومات غير‬
‫كاملة‪ ،‬حيث يتم استخدام مفهوم لعبة بييز ‪ ،‬والتي تتمثل حسب هارساني ان كل العب‬
‫يسعى لتعظيم ربحه المتوقع مع األخذ بعين االعتبار التوزيع االحتمالي الستراتيجيات‬
‫الالعبين األخرين‪.‬‬
‫‪ -7-3-9‬تحويل هارياني ‪: Harsanyi Transformation‬‬
‫حيلة هارساني لدراسة ألعاب المعلومات غير التامة‬
‫تحويل لعبة المعلومات غير التامة إلى لعبة المعلومات غير الكاملة‪ ،‬بحيث تم تقديم‬
‫خطوة مسبقة من قبل الطبيعة تحدد نوع الالعب ‪( 1‬أي تكلفته) ‪ ،‬يالحظ الالعب ‪1‬‬
‫حركة الطبيعة لكن الالعب ‪ 2‬ال يستطيع ذلك‪.‬‬
‫لكن الالعب ‪ 2‬يعرف احتمالية تحرك الطبيعة‪ ،‬معلومات الالعب ‪ 2‬غير التامة حول‬
‫نوع الالعب ‪ 1‬تصبح معلومات الالعب ‪ 2‬غير كاملة عن حركة الطبيعة‪.‬‬
‫‪16‬‬
‫‪ -8-3-9‬ألعاب محددة‪:‬‬
‫تشكل ألعاب ‪ Nim‬حالة خاصة من لعبة محصلتها صفر‪ ،‬دون تدخل الصدفة وفي‬
‫معظم الحاالت مع عدد من المواقف المحدودة في حالتهم الخاصة ‪ ،‬توفر نظرية الرسم‬
‫البياني أداة أكثر فائدة من نظرية اللعبة المناسبة‪ ،‬يتم تمييز فكرة جوهر اللعبة (مجموعة‬
‫العقد التي يتم ضمان النصر من خاللها إذا نجح الالعب أثناء اللعبة ثم يلعب على‬
‫النحو األمثل) هناك‪.‬‬
‫‪ -4-9‬تمثيل األلعاب ‪: Representation of games‬‬
‫‪ -1-4-9‬الايغة الشاملة ‪: Extensive form‬‬

‫في جميع األلعاب يمكن تمثيل الق اررات بشجرة ‪ ،‬ترتبط كل عقدة بالالعب الذي يقرر‪،‬‬
‫كل خيار يشكل فرعا‪ ،‬مكاسب الجميع مرتبطة بالنهايات عندما يكون من الممكن‬
‫تمثيلها (نهاية اللعبة)‪ ،‬ومع ذلك ال يحتاج الالعب إلى معرفة كيفية وصوله إلى عقدة‪:‬‬
‫فقط الوضع الحالي للعبة هو الذي يهم ‪ ،‬والمواقف المطلوبة في المستقبل عندما يسمح‬
‫بحركات معينة فقط بعد حدث معين ‪ ،‬فإن هذا الحدث ليس سوى عنصر واحد من‬
‫العناصر التي تتجسد في الحالة الحالية للعبة‪ ،‬نوضحها في الشكل التالي‪:‬‬
‫الشكل (‪ :)2-9‬الايغة الشاملة‬
‫‪17‬‬
‫حيث أن ‪ E  1,...., n‬تمثل الالعبين‪ ،‬مجموعة العقد ‪  A, B,....,‬تمثل الحركات‪،‬‬

‫مجموعة الفروع ‪ x, y,....,‬تمثل البدائل في كل حركة‪.‬‬
‫مثال‪:1‬‬
‫نفرض في لعبة قطعة نقد منتظمة ‪ ، H , T ‬حيث تمثل ‪ :H‬الصورة و‪ : T‬تمثل الكتابة‬
‫‪ ،‬هناك العبان يجب على كل منهما دفع دينار واحد‪ ،‬إذا كانت أوجه قطع النقد‬
‫متطابقة (إما ظهور صورتان أو كتابتان) فإن الالعب ‪ 1‬يدفع دينار واحدا لالعب ‪،2‬‬
‫إذا لم تتطابق يدفع الالعب ‪ 2‬دينا ار واحدا لالعب ‪.1‬‬
‫هذه لعبة بمعلومات كاملة‪ ،‬ولكن هذا المثال يغفل أهمية جزء من المعلومات‪ :‬ماذا‬
‫يعرف الالعبون عندما يتحركون؟ بعد قليل من التفكير يجب أن يكون واضحا أن هناك‬
‫خمس طرق يمكن لالعبين أن يتحركوا بها‪ )1( :‬الالعب ‪ 1‬يتحرك أوال ويالحظ‬
‫الالعب ‪ 2‬تصرف خصمه قبل أن يتصرف بنفسه (‪ )2‬عكس الحالة األولى‪)3( ،‬‬
‫يتحرك الالعب ‪ 1‬دون معرفة تحرك الالعب ‪ )4( ، 2‬عكس الخطوة (‪ )5( ،)3‬يتحرك‬
‫الالعبون في نفس الوقت ألنه في (‪ )1‬و (‪ )2‬يعرف كل العب ما فعله األخر في‬
‫الماضي عندما يحين وقت التحرك ‪ ،‬فهي ألعاب معلومات كاملة‪ ،‬ومع ذلك في‬
‫الحاالت الثالث األخيرة ال يعرف أي من الالعبين ما فعله األخر وبالتالي فهي ألعاب‬
‫تحتوي على معلومات غير كاملة‪.‬‬
‫‪18‬‬
‫الشكل‪ ( )3-9( :‬الحالة ‪ : )1‬الاللب ‪ 1‬يتحرك أوال ‪ ،‬يالحظ الاللب ‪ 2‬لمله‬

‫وتحركاته‬
‫الشكل‪ ( )3-9( :‬الحالة ‪ : )2‬الاللب ‪ 2‬يتحرك أوال ‪ ،‬يالحظ الاللب ‪ 1‬لمله‬

‫وتحركاته‬
‫الشكل‪ ( )3-9( :‬الحالة ‪ : )3‬يتحرك الاللب ‪ 1‬دون معرفة تحرك الاللب ‪2‬‬
‫‪19‬‬
‫الشكل‪ ( )4-9( :‬الحالة ‪ : )4‬يتحرك الاللب ‪ 2‬دون معرفة تحرك الاللب ‪1‬‬
‫تشترك شركتان في السوق ‪ ،‬حصل اتفاق بينهما للمحافظة على ارتفاع األسعار(‬
‫تواطؤ)‪ ،‬يمكن لكل شركة أن تقرر التوقف عن التواطؤ وبدء حرب أسعار من أجل‬
‫زيادة حصتها في السوق أو حتى إجبار الشركة األخرى على الخروج من السوق‪ ،‬يمكن‬
‫للشركة ‪ 1‬إما االستمرار في التواطؤ مع الشركة ‪ 2‬أو بدء حرب أسعار‪ ،‬إذا وافق‬
‫كالهما على التواطؤ فسيحصالن على ‪ 70‬مليون دينار لكيليهما ‪  70,70 ‬ومع ذلك ‪،‬‬
‫إذا قرر أحدهم بدء حرب أسعار ‪ ،‬فستكون مجموعة من العوائد على حسب استراتيجية‬
‫كل شركة ‪ ،‬نوضح ذلك في المخطط التالي‪:‬‬
‫‪20‬‬
‫ومن الجدير بالذكر أن النموذج الشامل يمكن استخدامه أيضا لوصف األلعاب‬
‫المتزامنة باستخدام مجموعات المعلومات ‪ ،‬كما هو موضح في شجرة الشكل(‪،)5-9‬‬
‫مجموعات المعلومات هذه التي يتم تمثيلها عادة بخط متقطع تعني أن الالعب ال‬
‫يعرف العقدة التي هو فيها ‪ ،‬مما يشير إلى معلومات غير كاملة‪ .‬الشكل (‪)5-9‬‬
‫‪ -2-4-9‬التمثيل المافوفي‪:‬‬
‫إذا كانت اللعبة تحتوي على العبين فقط وعدد صغير بشكل معقول من االستراتيجيات‬
‫الممكنة ‪ ،‬فيمكن تمثيل اللعبة في شكل جدول يسمى مصفوفة العائد ( الدفع)‪.‬‬
‫نستخدم المثال السابق (‪ )5-9‬في تعريف اللعبة من خالل عرض الالعبين المختلفين‬
‫على كل جانب من المصفوفة (هنا الالعبون ‪ 1‬و ‪ ، )2‬كل استراتيجية أو اختيار‬
‫يمكنهم القيام به (هنا اإلستراتيجيتان ‪ A‬و ‪ )B‬ومجموعات العوائد التي سيحصلون‬
‫عليها مقابل إستراتيجية معينة ( ‪.) P1A , P2 A , P1A , P2 B , P1B , P2 A , P1B , P2 B‬‬
‫‪21‬‬
‫الاللب ‪2‬‬
‫استراتيجية استراتيجية‬
‫‪A‬‬ ‫‪B‬‬
‫استراتيجية‬
‫‪A  P1 A , P2 A ‬‬ ‫‪ P1 A , P2 B ‬‬
‫الاللب ‪1‬‬ ‫استراتيجية‬
‫‪B  P1B , P2 A ‬‬ ‫‪ P1B , P2 B ‬‬
‫بالرجوع إلى (‪ ( )3-9‬الحالة ‪ ، )1‬الشكل (‪ )6-9‬حالة معلومات كاملة‪ ،‬المطلوب ‪:‬‬

‫إيجاد الشكل االستراتيجي الطبيعي‪:‬‬
‫الشكل (‪)6-9‬‬
‫حل المثال‪:3‬‬
‫نالحظ أن الالعب ‪ 1‬لديه استراتيجيتان خالصتان ‪ ، S1  H , T ‬يمكن لالعب ‪ 2‬أن‬

‫يشترط اختياره على الالعب‪ 1‬ويجب أن يحدد استراتيجياته وفق إجرائيين‪:‬‬
‫‪22‬‬
‫بعد اختيار الالعب‪ H :1‬سنكتب استراتيجية الالعب‪ 2‬على أنها الزوج‬

‫‪ aH  A2  H   H , T ‬وهذا هو اختياره بعد اختيار الالعب‪.1‬‬
‫بعد اختيار الالعب‪ T :1‬سنكتب استراتيجية الالعب‪ 2‬على أنها الزوج‬

‫‪ aT  A2 T   H , T ‬وهذا هو اختياره بعد اختيار الالعب‪.1‬‬
‫إذن استراتيجية الالعب‪ 2‬تتكون من الزوج المرتب ‪ ،  a H , aT ‬ومن ثم نضع استراتيجية‬

‫الالعب‪ 2‬النهائية والتي تتكون من أربع استراتيجيات خالصة‪:‬‬
‫‪ ، S2   H , H  ,  H , T  , T , H  , T , T ‬تحتوي اللعبة األن على ثمانية‬

‫استراتيجيات‪:‬‬
‫‪ H ,  H , H   ,  H ,  H , T   ,  H ,  T , H   ,  H ,  T , T   ‬‬
‫‪‬‬ ‫‪‬‬
‫‪S1  S2  ‬‬ ‫‪‬‬
‫‪ T ,  H , H   ,  T ,  H , T   ,  T ,  T , H   ,  T ,  T , T   ‬‬
‫‪‬‬ ‫‪‬‬
‫نظ ار لعدم وجود تحركات بالصدفة‪ ،‬أي ليست هناك حاجة لتحويل دوال المنفعة‪ ،‬لذلك‬
‫يتم تقديم الشكل االستراتيجي العادي كما يلي‪:‬‬
‫‪23‬‬
‫مالحظة‪:‬‬
‫في حالة مباريات ذات المجموع الصفري كالمثال السابق‪ ،‬فأن النتيجة ‪  a, b ‬تعني أن‬
‫‪ ، b  a‬ظهر اصطالح بكتابة النتيجة ‪  a, a ‬على الشكل ‪ ، a‬أي العوائد العائدة‬
‫على الالعب ‪ 1‬فقط ‪ ،‬أما عوائد الالعب‪ 2‬فهي معروفة ضمنيا‪ ،‬وبذلك المصفوفة‬
‫أعاله تكتب على النحو االتي‪:‬‬
‫الصيغة الشاملة سميت بهذا االسم ألنها تشمل على كافة المعلومات والنتائج المتعلقة‬
‫بالمباراة‪ ،‬كما يطلق على مصفوفة المباراة اسم الصيغة الطبيعية ‪. Normal form‬‬
‫‪ -5-9‬الحل األمثل لأللعاب الثنائية ذات المجموع الافري ‪optimal‬‬

‫‪:solution of two-Person Zero-sum games‬‬
‫قد تكون ألعاب محصلتها الصفرية لشخصين حتمية أو احتمالية‪ ،‬سيكون لأللعاب‬
‫الحتمية نقاط سرج ‪ ، saddle points‬وتوجد استراتيجيات بحتة في مثل هذه األلعاب‪،‬‬
‫‪24‬‬
‫في المقابل لن تحتوي األلعاب االحتمالية على نقاط سرج ويتم اتخاذ استراتيجيات‬
‫مختلطة بمساعدة االحتماالت‪.‬‬
‫‪ -1-5-9‬نقطة اليرج ‪:saddle point‬‬
‫تعريف‬
‫نقطة السرج هي موضع العنصر في مصفوفة العائد‪ ،‬وهي الحد األدنى في صفها‬
‫والحد األقصى في عمودها‪.‬‬
‫في هذا النوع يكون كسب الالعب األول خسارة الثاني‪ ،‬ويمكن أن يلعب كل العب‬
‫بأكثر من استراتيجية‪ ،‬وتسمى في هذه الحالة باستراتيجية التوازن‪.‬‬
‫خطواتها تكون على النحو االتي‪:‬‬
‫‪ -‬نحاول ايجاد أكبر قيمة في كل عمود ونضعها في صف ‪ ، Max‬من خالل‬

‫هذا الصف نحدد أصغر قيمة ‪ MiniMax‬وتسمى هذه باستراتيجية الالعب‬
‫الثاني ( ‪.) V2‬‬
‫‪ -‬بطريقة مماثلة وعكسية مع الصف نجد ‪ MaxMin‬وتسمى هذه باستراتيجية‬
‫الالعب األول ( ‪.) V1‬‬
‫تبيع شركتان ‪ A‬و ‪ B‬نوعين من الزيوت النباتية ‪ ،‬ترويج الشركة " ‪ " A‬لمنتجها يتم‬
‫عبر الفايسبوك (‪ )A1‬والتلفزيون (‪ )A2‬واليوتيوب (‪ ،)A3‬بنفس الكيفية يتم ترويج‬
‫الشركة " ‪ " B‬لمنتجها‪ )B1( :‬الفايسبوك (‪ )B2‬التلفزيون (‪ )B3‬اليوتيوب‪ ،‬اعتمادا‬
‫على فعالية كل حملة إعالنية‪ ،‬يمكن لشركة واحدة أن تستحوذ على جزء من السوق من‬
‫‪25‬‬
‫األخرى‪ ،‬تلخص المصفوفة التالية النسبة المئوية للسوق التي استولت عليها الشركة ‪A‬‬
‫أو فقدتها‪:‬‬
‫‪B1‬‬ ‫‪B2‬‬ ‫‪B3‬‬

‫‪A1‬‬ ‫‪7‬‬ ‫‪-4‬‬ ‫‪10‬‬
‫‪A2‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪12‬‬
‫‪A3‬‬ ‫‪-3‬‬ ‫‪2‬‬ ‫‪4‬‬
‫المطلوب‪ :‬أوجد قيمة المباراة بالنسبة للشركتين ( ‪ A‬و ‪ ) B‬ونقطة السرج؟‬
‫نضيف عمود ‪ Min‬وصف ‪.Max‬‬
‫‪B1‬‬ ‫‪B2‬‬ ‫‪B3‬‬ ‫‪Min‬‬

‫‪A1‬‬ ‫‪7‬‬ ‫‪-4‬‬ ‫‪10‬‬ ‫‪-4‬‬
‫‪A2‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪12‬‬ ‫‪7‬‬
‫‪A3‬‬ ‫‪-3‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪-3‬‬
‫‪Max‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪12‬‬
‫‪V1  MaxMin  7 , V2  MinMax  7‬‬
‫استراتيجية اللعب بالنسبة لالعب األول = استراتيجية اللعب بالنسبة لالعب األول‪.‬‬
‫فنقطة السرج تعطى كما يلي‪ A2 , B2  :‬‬
‫قيمة المباراة‪. V  7 :‬‬
‫‪26‬‬
‫تفيير النتائج‪:‬‬
‫يعتمد حل اللعبة على مبدأ تأمين األفضل من األسوأ لكل العب‪ ،‬إذا اختارت الشركة "‬
‫‪ " A‬اإلستراتيجية ‪ ، A1‬فبغض النظر عما تفعله "‪ ، " B‬فإن أسوأ ما يمكن أن يحدث‬
‫هو أن " ‪ " A‬تخسر ‪ ٪4‬من حصتها في السوق إلى "‪ ، "B‬ويتم تمثيل ذلك بالحد‬
‫األدنى لقيمة اإلدخاالت في الصف ‪ ،1‬وبالمثل مع اإلستراتيجية ‪ A2‬أسوأ نتيجة هي‬
‫أن تحصل ‪ A‬على ‪ ٪7‬من ‪ ، B‬وبالنسبة لالستراتيجية ‪ ، A3‬فإن النتيجة األسوأ هي‬
‫أن تخسر ‪ ٪ 3 A‬إلى ‪ ،B‬لتحقيق األفضل على اإلطالق تختار الشركة "‪"A‬‬
‫اإلستراتيجية ‪ A2‬ألنها تتوافق مع القيمة القصوى‪.‬‬
‫بعد ذلك بالنسبة إلى الشركة "‪ "B‬تكون مصفوفة العائد المقدمة هي أفضل الحلول ألسوأ‬
‫حلول "‪ "A‬بناء على قيمة الحد األدنى‪ ،‬والنتيجة هي أن الشركة "‪ "B‬ستختار‬
‫اإلستراتيجية ‪.B2‬‬
‫يتطلب الحل األمثل للعبة اختيار اإلستراتيجيتين ‪ A2‬و ‪ ، B2‬مما يعني أنه يجب على‬
‫الشركتين استخدام اإلعالنات التلفزيونية ‪ ،‬سيكون العائد لصالح الشركة "‪ ، "A‬ألن‬
‫حصتها في السوق ستزيد بنسبة ‪ ٪7‬في هذه الحالة ‪ ،‬نقول إن قيمة اللعبة هي ‪ ٪7‬وأن‬
‫‪ A‬و ‪ B‬يستخدمان حل نقطة السرج الخالصة‪.‬‬
‫يحول حل نقطة السرج دون اختيار استراتيجية أفضل من قبل أي من الشركتين‪.‬‬
‫إذا انتقلت ‪ B‬إلى إستراتيجية أخرى (‪ B1‬أو ‪ ، )B3‬فيمكن للشركة "‪ " A‬االلتزام‬
‫باالستراتيجية "‪ "2 A‬مما يضمن خسارة أسوأ لـ "‪ ٪8( "B‬أو ‪ )٪12‬على نفس المنوال ‪،‬‬
‫لن يسعى ‪ A‬إلى استراتيجية مختلفة ألن ‪ B‬يمكن أن يتغير إلى ‪ B1‬لتحقيق مكاسب‬
‫سوقية بنسبة ‪ ٪3‬إذا تم استخدام ‪ A3‬من قبل ‪.A‬‬
‫ليس دائما أن يكون الحل األمثل للعبة اإلستراتيجية عبارة عن نقطة سرج‪ ،‬قد يتطلب‬
‫الحل خلط استراتيجيتين أو أكثر بشكل عشوائي ‪ ،‬نوضح ذلك على النحو التالي‪:‬‬
‫‪27‬‬
‫نعتبر مصفوفة العائد التالية‪:‬‬
‫‪B1‬‬ ‫‪B2‬‬
‫‪A1‬‬ ‫‪7‬‬ ‫‪3‬‬
‫‪A2‬‬ ‫‪5‬‬ ‫‪9‬‬
‫‪Min‬‬
‫‪7‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪5‬‬ ‫‪9‬‬ ‫‪5‬‬
‫‪Max‬‬ ‫‪7‬‬ ‫‪9‬‬
‫نالحظ أن ‪max  3,5  min  7,9  :‬‬
‫‪ -2-5-9‬اإليتراتيجية المختلطة‪:‬‬
‫تستخدم هذه الطريقة إليجاد احتماالت اللعب باستراتيجيات مختلفة لكل العب‪ ،‬وهناك‬
‫حالتين‪:‬‬
‫أوال‪ :‬إذا كانت مافوفة العائد من الشكل ‪: 2  2‬‬

‫تقترح نظرية فون نيومان ما يلي‪:‬‬
‫‪28‬‬
‫‪ -‬نحتاج إلى تحدب مجموعات االستراتيجيات مهما كانت ‪ ،‬وتقعر‪ -‬تحدب‬

‫‪ concave‐convex‬دالة العائد مهما كانت ( لن تكون هناك دائما نقطة‬
‫سرج في االستراتيجيات البحتة)‪.‬‬
‫‪ -‬في معظم األلعاب ذات المجموع الصفري لشخصين‪ ،‬لن تكون هناك نقطة‬
‫سرج في اإلستراتيجيات البحتة ألن ذلك من شأنه أن ينص على أن الالعبين‬
‫يجب أن يفعلوا الشيء نفسه دائما‪.‬‬
‫‪ -‬يختار الالعب الذي يختار استراتيجية خالصة بشكل عشوائي صفا أو عمودا‬
‫وفقا لعملية احتمالية معينة تحدد فرصة لعب كل إستراتيجية خالصة‪ ،‬تسمى‬
‫أشعة االحتمال هذه باالستراتيجيات المختلطة‪.‬‬
‫تعريف‪:‬‬
‫االستراتيجية المختلطة هي شعاع ‪ X   x1 , x2 ,...., xn ‬لالعب‪ 1‬و شعاع‬

‫‪ Y   y1 , y2 ,...., yn ‬لالعب‪ ، 2‬حيث‪:‬‬
‫‪n‬‬
‫‪xi  0 ,‬‬ ‫‪x‬‬
‫‪i 1‬‬
‫‪i‬‬ ‫‪1‬‬
‫‪m‬‬
‫‪yj  0 ,‬‬ ‫‪y‬‬
‫‪j 1‬‬
‫‪j‬‬ ‫‪1‬‬
‫‪ : xi‬احتمال العب الصف ‪. i‬‬
‫‪ : y j‬احتمال العب العمود ‪.j‬‬
‫نشير إلى مجموعة االستراتيجيات المختلطة مع مكونات ‪ k‬بواسطة ‪:‬‬
‫‪29‬‬
‫‪‬‬ ‫‪n‬‬
‫‪‬‬
‫‪Sk   z1 , z2 ,...., zk  \ zi  0 , i  1, 2,...., k ,‬‬
‫‪‬‬
‫‪z‬‬
‫‪i 1‬‬
‫‪i‬‬ ‫‪ 1‬‬
‫‪‬‬
‫اإلستراتيجية المختلطة لالعب‪ 1‬هي أي عنصر ‪ ، X  Sn‬و ‪ Y  Sm‬بالنسبة‬

‫لالعب‪.2‬‬
‫بالنسبة لالستراتيجية البحتة ‪ X  Sn‬هو عنصر من الشكل‬

‫‪ ، X   0,0,.....,0,1,....,0 ‬الذي يمثل دائما لعب الصف المقابل لموضع ‪ 1‬في ‪. X‬‬
‫أ‪ -‬العائد المتوتقع‪:‬‬
‫إذا استخدم الالعبون استراتيجيات مختلطة ‪ ،‬فال يمكن حساب العائد إال باستخدام‬
‫التوقع‪.‬‬
‫نظ ار الختيار استراتيجية مختلطة ‪ X  Sn‬بالنسبة لالعب‪ 1‬و ‪ Y  Sm‬بالنسبة‬

‫لالعب‪ 2‬بشكل مستقل ‪ ،‬العائد المتوقع لالعب ‪ 1‬في اللعبة هو ‪:‬‬
‫‪n‬‬ ‫‪m‬‬
‫‪E  X , Y    xi aij y j  XAY T‬‬
‫‪i 1 j 1‬‬
‫‪ -‬في اللعبة ذات المجموع الصفري لشخصين ‪ ،‬العائد المتوقع لالعب ‪ 2‬يعطي‬
‫كما يلي‪E  X , Y  :‬‬
‫‪ -‬االختيار المستقل لإلستراتيجية من قبل كل العب يبرر حقيقة ذلك‪:‬‬

‫احتمال ( الالعب ‪ 1‬يستخدم ‪ i‬و الالعب‪ 2‬يستخدم ‪ =) j‬احتمال( الالعب ‪ 1‬يستخدم‬
‫‪ ×)i‬احتمال(الالعب‪ 2‬يستخدم ‪ ( )j‬احتمال حدثين مستقلين ‪ A‬و ‪B‬‬
‫‪30‬‬
‫‪P  A  B   P  A  P  B ‬‬
‫‪ -‬إذا تم لعب لعبة مرة واحدة فقط ‪ ،‬فإن الالعب ‪ 1‬يتلقى بالضبط ‪aij‬‬
‫لالستراتيجيات البحتة ‪ i‬و ‪ j‬لتلك اللعبة‪ ،‬عندما يتم لعب اللعبة عدة مرات‪،‬‬
‫يمكن لالعب ‪ 1‬أن يتوقع ما يقارب ‪. E  X , Y ‬‬
‫‪ y1 ‬‬
‫‪ . ‬‬
‫‪E  X , Y   XAY   x1 , x2 ,...., xn   Anm   ‬‬
‫‪T‬‬
‫‪ . ‬‬
‫‪ ‬‬
‫‪ ym ‬‬
‫‪ -‬في لعبة المصفوفة المختلطة ذات المجموع الصفري‪ ،‬تتمثل األهداف في أن‬
‫الالعب ‪ 1‬يريد زيادة أرباحه المتوقعة إلى أقصى حد ويريد الالعب ‪ 2‬تقليل‬
‫العائد المتوقع لالعب‪.1‬‬
‫‪ -‬نعرف القيم العلوية والسفلية للعبة المختلطة كما يلي‪:‬‬
‫‪V   max min XAY T , V   min max XAY T‬‬
‫‪X Sn Y Sm‬‬ ‫‪Y Sm X Sn‬‬
‫صحيحة دائما ‪ V   V ‬بالنسبة للعبة المختلطة‪.‬‬
‫ب‪ -‬نقطة اليرج في االيتراتيجيات المختلطة‪:‬‬
‫الحتمال األشعة‬ ‫‪X‬‬ ‫‪‬‬

‫نقطة السرج في االستراتيجيات المختلطة هو الزوج ‪, Y  ‬‬
‫‪ X   Sn ,Y   Sm‬والذي يحقق‪:‬‬
‫‪E  X , Y    E  X  , Y    E  X  , Y  ,   X  Sn , Y  Sm ‬‬
‫‪31‬‬
‫‪ -‬إذا قرر الالعب ‪ 1‬استخدام إستراتيجية أخرى غير ‪ X ‬ولكن ال يزال الالعب‪2‬‬
‫يستخدم ‪ ، Y ‬فإن الالعب‪ 1‬يحقق عائدا متوقعا أصغر من ذلك الذي يمكن الحصول‬
‫عليه من خالل التمسك بـ ‪ ، X ‬بطريقة مماثلة ينطبق كذلك على الالعب ‪.2‬‬
‫‪ -‬إذن ‪  X  , Y  ‬هي توازن أمثل لكال الالعبين‪.‬‬
‫ج‪ -‬تقيمة اللعبة‪:‬‬
‫‪ ، max min‬نشير إلى القيمة‬ ‫ألي مصفوفة ‪ Anm‬فأن‪XAY T  min max XAY T :‬‬
‫‪X S Y S‬‬
‫‪n‬‬ ‫‪m‬‬ ‫‪Y S X S‬‬
‫‪m‬‬ ‫‪n‬‬
‫المشتركة ‪ v  A‬أو قيمة (‪ ، )A‬وهذه هي قيمة اللعبة‪ ،‬هناك نقطة سرج واحدة على‬
‫األقل ‪ ، Y   Sm ، X   Sn‬لهذا السبب‪:‬‬
‫‪. E  X , Y    E  X  , Y    v  A  E  X  , Y ‬‬
‫‪ -‬نالحظ أن المبرهنة تنص على أن هناك دائما نقطة سرج واحدة على األقل في‬
‫االستراتيجيات المختلطة‪.‬‬
‫‪ -‬إذا كانت اللعبة تحتوي على نقطة سرج في االستراتيجيات البحتة ‪ ،‬فيمكن‬
‫مالحظة ذلك من خالل حساب ‪ V ‬و ‪ V ‬باستخدام األعمدة والصفوف كما‬
‫فعلنا سابقا‪.‬‬
‫نعتبر مصفوفة العائد الخاصة بالمثال السابق‪:‬‬
‫‪ 7 3‬‬
‫‪A‬‬ ‫‪‬‬
‫‪ 5 9‬‬
‫‪32‬‬
‫لكي نتوصل إلى حل للعبة االستراتيجية وجب البحث عن استراتيجيات عشوائية ‪،‬‬
‫نفرض أن الالعب‪ 1‬اختار استراتيجية ‪ 1‬مع احتمال ‪ ،  x  0  x‬واالستراتيجية ‪2‬‬
‫باحتمال ‪ ، 1  x ‬ونفرض أن الالعب‪ 2‬اختار استراتيجية ‪ 1‬مع احتمال ‪،  y  0  y‬‬
‫واالستراتيجية ‪ 2‬باحتمال ‪ ، 1  y ‬نرغب في تحديد قيمتي ‪ x‬و ‪ y‬التي تعطي‬
‫االستراتيجات المثلى لكال الالعبين‪ ،‬إذن علينا بحساب العائد المتوقع ‪. E  x, y ‬‬
‫‪ 7 3  y ‬‬
‫‪E  x, y    x,1  x  ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ 5 9  1  y ‬‬
‫‪ E  x, y   8 xy  6 x  4 y  9............... 1‬‬
‫لتحويل (‪ )1‬إلى جداء عاملين نستخدم الخاصية التالية‪:‬‬
‫‪axy  bx  cy  d‬‬
‫‪  ax  c  ay  b   ad  bc‬‬
‫نرجع إلى (‪ :)1‬نالحظ أن‪. a  8 , b  6 , c  4 , d  9 :‬‬
‫‪E  x, y   8 xy  6 x  4 y  9  8 x  4 8 y  6   72  24  48‬‬

‫‪‬‬ ‫‪1 ‬‬ ‫‪3‬‬
‫‪ E  x, y   64  x    y    48‬‬
‫‪‬‬ ‫‪2 ‬‬ ‫‪4‬‬
‫‪‬‬ ‫‪1 ‬‬ ‫‪3‬‬ ‫‪48‬‬ ‫‪3‬‬
‫‪ E  x, y    x    y      ‬‬
‫‪‬‬ ‫‪2 ‬‬ ‫‪4‬‬ ‫‪64‬‬ ‫‪4‬‬
‫‪‬‬ ‫‪1 ‬‬ ‫‪3 3‬‬
‫‪ E  x, y    x    y     0............  2 ‬‬
‫‪‬‬ ‫‪2 ‬‬ ‫‪4 4‬‬
‫إذن الزوج ‪  x, y    , ‬هو نقطة سرج لـ ‪ ، E  x, y ‬حيث‪. E  x, y   6 :‬‬

‫‪1 3‬‬
‫‪2 4‬‬
‫‪33‬‬
‫‪ ، x ‬فعندئذ الالعب‪ 1‬يضمن عائد قدره ‪ ،6‬واذا اختار الالعب‪ 1‬أي قيمة‬ ‫إذا كانت‬
‫‪1‬‬
‫‪2‬‬
‫لـ ‪ ، p‬فأن الالعب‪ 2‬يستطيع اختيار قيمة من شأنها تجعل العبارة (‪ )2‬تعطي عائدا أقل‬
‫من ‪.6‬‬
‫إذا كان ‪ x ‬فالعبارة ‪  x    y  ‬سالبة طالما ‪. y ‬‬

‫‪3‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪1‬‬
‫‪4‬‬ ‫‪‬‬ ‫‪2 ‬‬ ‫‪4‬‬ ‫‪2‬‬
‫إذا كان ‪ x ‬فالعبارة ‪  x    y  ‬سالبة طالما ‪. y ‬‬

‫‪3‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪1‬‬
‫‪4‬‬ ‫‪‬‬ ‫‪2 ‬‬ ‫‪4‬‬ ‫‪2‬‬
‫وبالتالي فأن العائد المتوقع ‪ 6‬هو أفضل ما يمكن أن يفعله الالعب‪ 1‬بشرط استخدام‬
‫الالعب‪ 2‬استراتيجية مثالية ‪ ،‬وهكذا فاالستراتيجية المختلطة المثلى لالعب‪1‬‬
‫هي‪.  ,  :‬‬
‫‪1 1‬‬
‫‪‬‬ ‫‪2 2‬‬ ‫‪‬‬
‫بطريقة مماثلة نجد االستراتيجية المثلى لالعب‪.  ,  : 2‬‬

‫‪3 1‬‬
‫‪‬‬ ‫‪4 4‬‬ ‫‪‬‬
‫العائد المتوقع للعبة هو ‪ 6‬عندما يلعب الالعبين ‪1‬و‪ 2‬استراتيجياتهم المثلى‪.‬‬
‫التطبيق بايتخدام برنامج ‪: Maple‬‬
‫‪34‬‬
‫ثانيا‪ :‬إذا كانت مافوفة العائد من الشكل ‪: n  m‬‬

‫في هذه المرة نحاول إرجاع المصفوفة إلى ‪ ، 2  2‬ويتم ذلك بإزالة االستراتيجيات‬
‫المسيطرة ‪ ، Removing Dominated Strategies‬في بعض األحيان قد يتم تقليل‬
‫حجم ألعاب المصفوفة الكبيرة (على أمل أن يكون حجمها ‪ )2 × 2‬عن طريق حذف‬
‫الصفوف واألعمدة التي من الواضح أنها سيئة لالعب الذي يستخدمها‪ ،‬نتبع الخطوتين‬
‫التاليتين‪:‬‬
‫‪ -1‬نستبعد الصف الذي تكون جميع عناصره أقل أو يساوي عناصر صف أخر‪.‬‬
‫‪35‬‬
‫‪ -2‬نستبعد العمود الذي تكون جميع عناصره أكبر أو يساوي عناصر عمود أخر‪.‬‬
‫مثال‪ :7‬أوجد قيمة المباراة بالنسبة للشركتين ( ‪ X‬و ‪) Y‬‬
‫‪Y1‬‬ ‫‪Y2‬‬ ‫‪Y3‬‬

‫‪X1‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪7‬‬
‫‪X2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪7‬‬
‫‪X3‬‬ ‫‪5‬‬ ‫‪8‬‬ ‫‪2‬‬
‫‪Y1‬‬ ‫‪Y2‬‬ ‫‪Y3‬‬ ‫‪Min‬‬

‫‪X1‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪3‬‬
‫‪X2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪7‬‬ ‫‪2‬‬
‫‪X3‬‬ ‫‪5‬‬ ‫‪8‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪Max‬‬ ‫‪5‬‬ ‫‪8‬‬ ‫‪7‬‬
‫‪max min  3 , min max  5‬‬

‫‪min max  max min‬‬
‫ال توجد نقطة سرج في هذه الحالة‪ ،‬إذن اللعبة يمكن حلها باستخدام االحتماالت (‬
‫االستراتيجية المختلطة)‪ ،‬أول ما نقوم به استخدام خصائص الهيمنة بالنسبة لمصفوفة‬
‫المباراة‪.‬‬
‫‪36‬‬
‫‪ -‬نستبعد الصف الثاني ألن جميع عناصر أقل أو يساوي الصف األول‪ ،‬فتصبح‬
‫المصفوفة كما يلي‪:‬‬
‫‪3 4 7‬‬
‫‪5 8 2 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ -‬نستبعد العمود الثاني ألن جميع عناصر أكبر من العمود األول‪ ،‬فتصبح‬
‫‪3 7‬‬
‫‪5 2‬‬
‫‪‬‬ ‫‪‬‬
‫األن يصبح لكل العب استراتيجيتان‪ ،‬ويمكن حلها بنفس كيفية حل المثال السابق‪.‬‬
‫لكي نتوصل إلى حل للعبة االستراتيجية وجب البحث عن استراتيجيات عشوائية ‪،‬‬
‫نفرض أن الالعب‪ 1‬اختار استراتيجية ‪ 1‬مع احتمال ‪ ،  x  0  x‬واالستراتيجية ‪2‬‬
‫باحتمال ‪ ، 1  x ‬ونفرض أن الالعب‪ 2‬اختار استراتيجية ‪ 1‬مع احتمال ‪،  y  0  y‬‬
‫واالستراتيجية ‪ 2‬باحتمال ‪ ، 1  y ‬نرغب في تحديد قيمتي ‪ x‬و ‪ y‬التي تعطي‬
‫االستراتيجات المثلى لكال الالعبين‪ ،‬إذن علينا بحساب العائد المتوقع ‪. E  x, y ‬‬
‫‪3 7 y ‬‬

‫‪E  x, y    x,1  x  ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ 5 2  1  y ‬‬
‫‪ E  x, y   4 xy  6 x  3 y  2............... 1‬‬
‫لتحويل (‪ )1‬إلى جداء عاملين نستخدم الخاصية التالية‪:‬‬
‫‪axy  bx  cy  d‬‬
‫‪  ax  c  ay  b   ad  bc‬‬
‫نرجع إلى (‪ :)1‬نالحظ أن‪. a  7 , b  5 , c  3 , d  2 :‬‬

‫‪37‬‬
‫‪E  x, y   7 xy  5 x  3 y  2   7 x  3 7 y  5  14  15  29‬‬

‫‪‬‬ ‫‪3 ‬‬ ‫‪5‬‬
‫‪ E  x, y   49  x    y    29‬‬
‫‪‬‬ ‫‪7 ‬‬ ‫‪7‬‬
‫‪‬‬ ‫‪3 ‬‬ ‫‪5  29‬‬
‫‪ E  x, y    x    y   ‬‬
‫‪‬‬ ‫‪7 ‬‬ ‫‪7  49‬‬
‫‪‬‬ ‫‪3 ‬‬ ‫‪5  29‬‬
‫‪ E  x, y    x    y   ‬‬ ‫‪ 0............  2 ‬‬
‫‪‬‬ ‫‪7 ‬‬ ‫‪7  49‬‬
‫‪. E  x, y  ‬‬ ‫إذن الزوج ‪  x, y    , ‬هو نقطة سرج لـ ‪ ، E  x, y ‬حيث‪:‬‬

‫‪29‬‬ ‫‪3 5‬‬
‫‪7‬‬ ‫‪7 7‬‬
‫‪ ،‬واذا اختار الالعب‪ 1‬أي‬ ‫إذا كانت ‪ ، x ‬فعندئذ الالعب‪ 1‬يضمن عائد قدره‬
‫‪29‬‬ ‫‪3‬‬
‫‪7‬‬ ‫‪7‬‬
‫قيمة لـ ‪ ، p‬فأن الالعب‪ 2‬يستطيع اختيار قيمة من شأنها تجعل العبارة (‪ )2‬تعطي‬
‫‪.‬‬ ‫عائدا أقل من‬

‫‪29‬‬
‫‪7‬‬
‫إذا كان ‪ x ‬فالعبارة ‪  x    y  ‬سالبة طالما ‪. y ‬‬

‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪3‬‬
‫‪7‬‬ ‫‪‬‬ ‫‪7 ‬‬ ‫‪7‬‬ ‫‪7‬‬
‫إذا كان ‪ x ‬فالعبارة ‪  x    y  ‬سالبة طالما ‪. y ‬‬

‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪3‬‬
‫‪7‬‬ ‫‪‬‬ ‫‪7 ‬‬ ‫‪7‬‬ ‫‪7‬‬
‫هو أفضل ما يمكن أن يفعله الالعب‪ 1‬بشرط استخدام‬ ‫وبالتالي فأن العائد المتوقع‬
‫‪29‬‬
‫‪7‬‬
‫الالعب‪ 2‬استراتيجية مثالية ‪ ،‬وهكذا فاالستراتيجية المختلطة المثلى لالعب‪1‬‬
‫هي‪.  , 0,  :‬‬
‫‪3 4‬‬
‫‪7‬‬ ‫‪7‬‬
‫بطريقة مماثلة نجد االستراتيجية المثلى لالعب‪.  , 0,  : 2‬‬

‫‪5 2‬‬
‫‪7‬‬ ‫‪7‬‬
‫‪38‬‬
‫عندما يلعب الالعبين ‪1‬و‪ 2‬استراتيجياتهم المثلى‪.‬‬ ‫العائد المتوقع للعبة هو‬
‫‪29‬‬
‫‪7‬‬
‫التطبيق بايتخدام برنامج ‪: Maple‬‬
‫‪39‬‬
‫مثال‪ :8‬أوجد قيمة المباراة بالنسبة للشركتين ( ‪ X‬و ‪) Y‬‬
‫‪Y1‬‬ ‫‪Y2‬‬ ‫‪Y3‬‬ ‫‪Y4‬‬

‫‪X1‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪3‬‬
‫‪X2‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪7‬‬
‫‪X3‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪3‬‬
‫‪X4‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪3‬‬ ‫‪11‬‬
‫‪Y1‬‬ ‫‪Y2‬‬ ‫‪Y3‬‬ ‫‪Y4‬‬ ‫‪Min‬‬

‫‪X1‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪X2‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪5‬‬
‫‪X3‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪X4‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪3‬‬ ‫‪11‬‬ ‫‪3‬‬
‫‪Max‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪11‬‬

‫االستراتيجية المختلطة)‪ ،‬أول ما نقوم به استخدام خصائص الهيمنة بالنسبة لمصفوفة‬
‫المباراة‪.‬‬
‫‪ -‬نستبعد الصف األول ألن جميع عناصر أقل أو يساوي الصف‬

‫الثالث ‪ ،  x1  0 ‬فتصبح المصفوفة كما يلي‪:‬‬
‫‪40‬‬
‫‪5 7 5 7 ‬‬
‫‪7 5 7 3 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 3 7 3 11‬‬
‫‪‬‬ ‫‪‬‬
‫‪ -‬نستبعد العمود الثالث ألن جميع عناصر أكبر أو يساوي من العمود‬

‫األول ‪ ،  y3  0 ‬فتصبح المصفوفة كما يلي‪:‬‬
‫‪7 5 7 ‬‬
‫‪5 7 3 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 7 3 11‬‬
‫‪‬‬ ‫‪‬‬
‫‪ -‬نالحظ أن‪ R2  R3  R1 :‬فنستبعد الصف االول ‪ ،  x2  0 ‬فتصبح المصفوفة‬

‫كما يلي‪:‬‬
‫‪5 7 3 ‬‬
‫‪ 7 3 11‬‬
‫‪‬‬ ‫‪‬‬
‫‪ -‬نالحظ أن‪ C1  C3  C2 :‬فنستبعد العمود الثاني ‪ ،  y2  0 ‬فتصبح المصفوفة‬

‫‪7 3 ‬‬
‫‪ 3 11‬‬
‫‪‬‬ ‫‪‬‬
‫األن يصبح لكل العب استراتيجيتان‪ ،‬ويمكن حلها بنفس كيفية حل المثال السابق‪ ،‬بعد‬
‫الحساب تحصلنا على االستراتيجية المختلطة المثلى‬
‫لالعب‪.  x1 , x2 , x3 , x4    0,0, ,  :1‬‬

‫‪2 1‬‬
‫‪‬‬ ‫‪‬‬
‫‪3 3‬‬
‫بطريقة مماثلة نجد االستراتيجية المثلى لالعب‪.  y1 , y2 , y3 , y4    ,0,0,  : 2‬‬

‫‪2‬‬ ‫‪1‬‬
‫‪‬‬ ‫‪3‬‬ ‫‪‬‬‫‪3‬‬
‫‪41‬‬
‫عندما يلعب الالعبين ‪1‬و‪ 2‬استراتيجياتهم المثلى‪.‬‬ ‫العائد المتوقع للعبة هو‬
‫‪17‬‬
‫‪3‬‬
‫التطبيق بايتخدام ‪Maple‬‬
‫‪42‬‬
‫‪ -3-5-9‬الحل البياني للمباراة ‪:‬‬
‫ال يمكن استخدام هذه الطريقة إال في المباريات التي ال تحتوي على نقطة سرج‪ ،‬ولها‬
‫مصفوفة عائد من الشكل ‪ n × 2‬أو ‪n × 2‬‬
‫نعتبر مصفوفة المثال (‪ )6‬والتي تعطى كما يلي‪:‬‬
‫‪B1‬‬ ‫‪B2‬‬
‫‪A1‬‬ ‫‪7‬‬ ‫‪3‬‬
‫‪A2‬‬ ‫‪5‬‬ ‫‪9‬‬
‫المطلوب‪:‬‬
‫استخدام الطريقة البيانية في إيجاد قيمة المباراة‪.‬‬
‫يجب أن نتحقق أوال ما إذا كانت هناك استراتيجيات مثالية بحتة‪ ،‬ألنه في حالة وجودها‬
‫ال يمكننا استخدام الطريقة البيانية‪ :‬نالحظ أن ‪max  3,5  min  7,9  :‬‬
‫‪ ،  v   5 , v   7 ‬إذن هذه اللعبة ليس لها نقطة سرج‪.‬‬
‫بعد التحقق من عدم وجود نقطة سرج‪ ،‬نتبع الخطوات التالية للحل‪:‬‬
‫بالنيبة لاللب ‪:1‬‬
‫أوال‪ :‬نرسم خطين متوازيين بمسافة وحدة واحدة ونضع عالمة على مقياس لكل منهما‪.‬‬
‫‪43‬‬
‫يمثل الخطان المتوازيان استراتيجيات الالعب ‪.B‬‬
‫ثانيا‪ :‬يتم رسم القيمة ‪ 7‬على طول المحور الرأسي ضمن اإلستراتيجية ‪ B1‬ويتم رسم‬
‫القيمة ‪ 3‬على طول المحور الرأسي ضمن اإلستراتيجية ‪ ، B2‬ثم يتم رسم خط مستقيم‬
‫يصل بين النقطتين‪.‬‬
‫وبالمثل يمكننا رسم االستراتيجيات ‪ A2‬أيضا‪ ،‬نوضح ذلك في الشكل التالي‪:‬‬
‫نشير إلى أدنى نقطة بـ ‪ V :‬في المنطقة المظللة إلى قيمة اللعبة من الشكل أعاله ‪،‬‬
‫قيمة المباراة ‪ 6‬وحدات‪.‬‬
‫تحدث نقطة الحل األمثل عند تقاطع الخطين المستقيمين ‪ E1‬و ‪: E2‬‬
‫‪44‬‬
‫‪ E1  7 p1  3 p2‬‬ ‫‪ E  E2‬‬

‫‪‬‬ ‫‪ 1‬‬ ‫‪; p1  1  p2‬‬
‫‪ E2  5 p1  9 p2‬‬ ‫‪7 p1  3 p2  5 p1  9 p2‬‬
‫‪‬‬ ‫‪3‬‬
‫‪ p1  4‬‬ ‫‪ 3  1‬‬
‫‪‬‬ ‫‪ V  7    3   6‬‬
‫‪ p2  1‬‬ ‫‪4 4‬‬
‫‪‬‬ ‫‪4‬‬
‫كذلك تحدث نقطة الحل األمثل عند تقاطع الخطين المستقيمين ‪ L1‬و ‪: L2‬‬
‫‪ L1  7q1  5q2‬‬ ‫‪ L  L2‬‬

‫‪‬‬ ‫‪ 1‬‬ ‫‪; q1  1  q2‬‬
‫‪ L2  3q1  9q2‬‬ ‫‪7q1  5q2  3q1  9q2‬‬
‫‪‬‬ ‫‪1‬‬
‫‪ q1  2‬‬ ‫‪1 1‬‬
‫‪‬‬ ‫‪ V  7    5   6‬‬
‫‪ q2  1‬‬ ‫‪2 2‬‬
‫‪‬‬ ‫‪2‬‬
‫مثال‪:10‬‬
‫نعتبر مصفوفة العائد التالية‪:‬‬
‫‪B1‬‬ ‫‪B2‬‬
‫‪A1‬‬ ‫‪1‬‬ ‫‪-3‬‬
‫‪A2‬‬ ‫‪3‬‬ ‫‪5‬‬
‫‪A3‬‬ ‫‪-2‬‬ ‫‪4‬‬
‫‪A4‬‬ ‫‪4‬‬ ‫‪-5‬‬
‫استخدام الطريقة البيانية في إيجاد قيمة المباراة‪.‬‬
‫‪45‬‬
‫‪B1‬‬ ‫‪B2‬‬ ‫‪Min‬‬

‫‪A1‬‬ ‫‪1‬‬ ‫‪-3‬‬ ‫‪-3‬‬
‫‪A2‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪3‬‬
‫‪A3‬‬ ‫‪-2‬‬ ‫‪4‬‬ ‫‪-2‬‬
‫‪A4‬‬ ‫‪4‬‬ ‫‪-5‬‬ ‫‪-5‬‬
‫‪Max‬‬ ‫‪4‬‬ ‫‪5‬‬
‫يجب أن نتحقق أوال ما إذا كانت هناك استراتيجيات مثالية بحتة‪ ،‬ألنه في حالة وجودها‬
‫ال يمكننا استخدام الطريقة البيانية‪ :‬نالحظ أن ‪:‬‬

‫إذن هذه اللعبة ليس لها نقطة سرج‪.‬‬
‫بعد التحقق من عدم وجود نقطة سرج‪ ،‬نتبع الخطوات التالية للحل‪:‬‬
‫نستخدام قواعد الهيمنة لتقليل حجم مصفوفة العائد‪:‬‬
‫‪ -‬نستبعد الصف الثالث ألن جميع عناصر أقل أو يساوي الصف الثاني‬
‫‪ ،  x3  0 ‬فتصبح المصفوفة كما يلي‪:‬‬
‫‪B1‬‬ ‫‪B2‬‬
‫‪A1‬‬ ‫‪1‬‬ ‫‪-3‬‬
‫‪A2‬‬ ‫‪3‬‬ ‫‪5‬‬
‫‪A3‬‬ ‫‪-2‬‬ ‫‪4‬‬
‫‪A4‬‬ ‫‪4‬‬ ‫‪-5‬‬
‫‪46‬‬
‫‪ -‬نستبعد الصف األول ألن جميع عناصر أقل أو يساوي الصف الثاني‬
‫‪ ،  x1  0 ‬فتصبح المصفوفة كما يلي‪:‬‬
‫‪B1‬‬ ‫‪B2‬‬
‫‪A1‬‬ ‫‪1‬‬ ‫‪-3‬‬
‫‪A2‬‬ ‫‪3‬‬ ‫‪5‬‬
‫‪A3‬‬ ‫‪-2‬‬ ‫‪4‬‬
‫‪A4‬‬ ‫‪4‬‬ ‫‪-5‬‬
‫مصفوفة العائد النهائية بعد الحذف‪:‬‬
‫‪3 5 ‬‬
‫‪M ‬‬ ‫‪‬‬
‫‪ 4 5 ‬‬
‫بالنيبة لاللب ‪:1‬‬
‫أوال‪ :‬نرسم خطين متوازيين بمسافة وحدة واحدة ونضع عالمة على مقياس لكل منهما‪.‬‬
‫يمثل الخطان المتوازيان استراتيجيات الالعب ‪.B‬‬
‫ثانيا‪ :‬يتم رسم القيمة ‪ 3‬على طول المحور الرأسي ضمن اإلستراتيجية ‪ B1‬ويتم رسم‬
‫القيمة ‪ 5‬على طول المحور الرأسي ضمن اإلستراتيجية ‪ ، B2‬ثم يتم رسم خط مستقيم‬
‫يصل بين النقطتين‪.‬‬
‫وبالمثل يمكننا رسم االستراتيجيات ‪ A2‬أيضا‪ ،‬نوضح ذلك في الشكل التالي‪:‬‬
‫‪47‬‬
‫نشير إلى أدنى نقطة بـ ‪ V :‬في المنطقة المظللة إلى قيمة اللعبة من الشكل أعاله ‪،‬‬
‫وحدات‪.‬‬ ‫قيمة المباراة‬

‫‪35‬‬
‫‪11‬‬
‫تحدث نقطة الحل األمثل عند تقاطع الخطين المستقيمين ‪ E1‬و ‪: E2‬‬
‫‪ E1  3 p1  5 p2‬‬ ‫‪ E  E2‬‬

‫‪‬‬ ‫‪ 1‬‬ ‫‪; p1  1  p2‬‬
‫‪ E2  4 p1  5 p2‬‬ ‫‪3 p1  5 p2  4 p1  5 p2‬‬
‫‪‬‬ ‫‪10‬‬
‫‪ p1  11‬‬ ‫‪ 10   1  35‬‬
‫‪‬‬ ‫‪ V  3   5  ‬‬
‫‪ p2  1‬‬ ‫‪ 11   11  11‬‬
‫‪‬‬ ‫‪11‬‬
‫كذلك تحدث نقطة الحل األمثل عند تقاطع الخطين المستقيمين ‪ L1‬و ‪: L2‬‬
‫‪48‬‬
‫‪ L1  3q1  4q2‬‬ ‫‪ L  L2‬‬

‫‪‬‬ ‫‪ 1‬‬ ‫‪; q1  1  q2‬‬
‫‪ L2  5q1  5q2‬‬ ‫‪3q1  4q2  5q1  5q2‬‬
‫‪‬‬ ‫‪9‬‬
‫‪ q1  11‬‬ ‫‪9‬‬ ‫‪ 2  35‬‬
‫‪‬‬ ‫‪ V  3   4   ‬‬
‫‪ q2  2‬‬ ‫‪ 11 ‬‬ ‫‪ 11  11‬‬
‫‪‬‬ ‫‪11‬‬
‫‪ -6-9‬حل مافوفة المباراة لن طريق البرمجة الخطية‪:‬‬
‫نظرية األلعاب لها عالقة قوية بالبرمجة الخطية‪ ،‬بمعنى أنه يمكن التعبير عن أي لعبة‬
‫لشخصين محصلتها صفر كبرنامج خطي والعكس صحيح‪ ،‬صرح دانتزيغ (‪ )1963‬أن‬
‫فون نيومان أبو نظرية اللعبة عندما قدم ألول مرة لطريقة ‪ simplex‬في عام ‪1947‬‬
‫أدرك على الفور هذه العالقة وشدد على مفهوم الثنائية ( النموذج المقابل) في البرنامج‬
‫الخطي‪.‬‬
‫يمكن حل أي لعبة بشرط أن تكون ذات استراتيجيات مختلطة وذلك بتحويلها إلى مسألة‬
‫برمجة خطية‪ ،‬يتطلب هذا التحول تطبيق مبرهنة ‪ minimax‬واستخدام تعريفات‬
‫‪ ) v  (maximin‬و ‪.) v  ( minimax‬‬
‫بخصوص مبرهنة ‪ minimax‬يمكن لالعب الصف (من خالل لعب إستراتيجية مثالية)‬
‫ضمان أن عائده المتوقع سيساوي على األقل قيمة اللعبة‪ ،‬وبالمثل يمكن لالعب العمود‬
‫(من خالل لعب إستراتيجية مثالية) ضمان أال تتجاوز خسائره المتوقعة قيمة اللعبة‪ ،‬إن‬
‫االستراتيجيات المثلى التي يتم الحصول عليها من خالل البرمجة الخطية تمثل توازنا‬
‫مستق ار ‪ ،‬ألنه ال يمكن ألي العب تحسين وضعه من خالل تغيير أحادي في‬
‫اإلستراتيجية‪.‬‬
‫‪49‬‬
‫مثال‪:11‬‬
‫‪B1‬‬ ‫‪B2‬‬ ‫‪B3‬‬
‫‪A1‬‬ ‫‪7‬‬ ‫‪20‬‬ ‫‪10‬‬
‫‪A2‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪12‬‬
‫‪A3‬‬ ‫‪-3‬‬ ‫‪2‬‬ ‫‪4‬‬
‫المطلوب‪ :‬أوجد قيمة المباراة بالنسبة للشركتين ( ‪ A‬و ‪ ) B‬باستخدام البرمجة الخطية‪.‬‬
‫‪B1‬‬ ‫‪B2‬‬ ‫‪B3‬‬ ‫‪Min‬‬

‫‪A1‬‬ ‫‪7‬‬ ‫‪20‬‬ ‫‪10‬‬ ‫‪7‬‬
‫‪A2‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪12‬‬ ‫‪7‬‬
‫‪A3‬‬ ‫‪-3‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪-3‬‬
‫‪Max‬‬ ‫‪8‬‬ ‫‪20‬‬ ‫‪12‬‬
‫االستراتيجية المختلطة ويمكن تطبيق تقنية البرمجة الخطية)‪ ،‬أول ما نقوم به استخدام‬
‫خصائص الهيمنة بالنسبة لمصفوفة المباراة‪.‬‬
‫‪ -‬نستبعد الصف الثالث ألن جميع عناصر أقل أو يساوي الصف الثاني‪ ،‬فتصبح‬
‫‪B1‬‬ ‫‪B2‬‬ ‫‪B3‬‬
‫‪A1‬‬ ‫‪7‬‬ ‫‪20‬‬ ‫‪10‬‬
‫‪A2‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪12‬‬
‫‪A3‬‬ ‫‪-3‬‬ ‫‪2‬‬ ‫‪4‬‬
‫‪50‬‬
‫‪ -‬نستبعد العمود الثالث ألن جميع عناصر أكبر من العمود األول‪ ،‬فتصبح‬
‫‪B1‬‬ ‫‪B2‬‬ ‫‪B3‬‬
‫‪A1‬‬ ‫‪7‬‬ ‫‪20‬‬ ‫‪10‬‬
‫‪A2‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪12‬‬
‫‪A3‬‬ ‫‪-3‬‬ ‫‪2‬‬ ‫‪4‬‬
‫المصفوفة النهائية بعد تطبيق قواعد الهيمنة هي كما يلي‪:‬‬
‫‪ 7 20 ‬‬
‫‪8 7 ‬‬
‫‪‬‬ ‫‪‬‬
‫األن يصبح لكل العب استراتيجيتان‪ ،‬لكل نحلها باستخدام تقنية البرمجة الخطية نتبع‬
‫الخطوات التالية‪:‬‬
‫‪ p2 , p1‬احتماالت اختيار االستراتيجيات ‪ A2 , A1‬على التوالي‪.‬‬
‫‪ q2 , q1‬احتماالت اختيار االستراتيجيات ‪ B2 , B1‬على التوالي‪.‬‬
‫هدف الالعب ‪ A‬هو تعظيم العوائد المتوقعة‪ ،‬والتي يمكن تحقيقها من خالل ‪ ، v‬أي‬
‫أنه قد يكسب أكثر من ‪ v‬إذا تبنى الالعب‪ B‬استراتيجية سيئة‪ ،‬العائد المتوقع لالعب‬
‫‪ A‬يكون على النحو االتي‪:‬‬
‫‪7 p1  8 p2  v‬‬
‫‪‬‬ ‫‪.................. 1‬‬
‫‪20 p1  7 p2  v‬‬
‫نقسم أطراف المتباينات على ‪ ، v‬فتصبح (‪ )1‬كالتالي‪:‬‬
‫‪51‬‬
‫‪  p1   p2 ‬‬
‫‪7  v   8  v   1‬‬
‫‪    ‬‬
‫‪‬‬ ‫‪..................  2‬‬
‫‪20‬‬ ‫‪‬‬ ‫‪p‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪p‬‬ ‫‪‬‬
‫‪1‬‬
‫‪ 7   1‬‬
‫‪2‬‬
‫‪  v ‬‬ ‫‪ v ‬‬
‫‪.  x2 ‬‬
‫‪p ‬‬
‫لتبسيط (‪ )2‬نضع‪, x1  1  :‬‬
‫‪p2‬‬
‫‪‬‬ ‫‪v‬‬ ‫‪v ‬‬
‫‪:‬‬ ‫من أجل تعظيم ‪ v‬يمكن لالعب ‪ A‬تدنية‬

‫‪1‬‬
‫‪v‬‬
‫‪1‬‬
‫= ‪Min Z p‬‬ ‫‪ x1  x2‬‬
‫‪v‬‬
‫‪7 x1  8 x2  1‬‬
‫‪‬‬
‫‪S / C  20 x1  7 x2  1‬‬
‫‪x , x  0‬‬
‫‪ 1 2‬‬
‫هدف الالعب ‪ B‬هو تدنية خسائره المتوقعة‪ ،‬والتي يمكن تحقيقها من خالل تدنية ‪، v‬‬
‫أي أن الالعب ‪ A‬إذا تبنى استراتيجية سيئة ستكون الخسارة المتوقعة لالعب ‪ B‬على‬
‫النحو االتي‪:‬‬
‫‪7q1  20q2  v‬‬

‫‪‬‬ ‫‪..................  3‬‬
‫‪8q1  7q2  v‬‬
‫نقسم أطراف المتباينات على ‪ ، v‬فتصبح (‪ )3‬كالتالي‪:‬‬
‫‪  q1 ‬‬ ‫‪ q2 ‬‬

‫‪7  v   20  v   1‬‬
‫‪  ‬‬ ‫‪ ‬‬
‫‪‬‬ ‫‪..................  4 ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪8 1  7 2  1‬‬
‫‪q‬‬ ‫‪q‬‬ ‫‪‬‬
‫‪  v ‬‬ ‫‪ ‬‬
‫‪v‬‬
‫‪52‬‬
‫‪.  y2 ‬‬
‫‪q ‬‬
‫لتبسيط (‪ )4‬نضع‪, y1  1  :‬‬
‫‪q2‬‬
‫‪‬‬ ‫‪v‬‬ ‫‪v‬‬
‫‪:‬‬ ‫من أجل تدنية ‪ v‬يمكن لالعب ‪ B‬تعظيم‬

‫‪1‬‬
‫‪v‬‬
‫‪1‬‬
‫= ‪Max Z q‬‬ ‫‪ y1  y2‬‬
‫‪v‬‬
‫‪7 y1  20 y2  1‬‬
‫‪‬‬
‫‪S / C 8 y1  7 y2  1 ................  5‬‬
‫‪y , y  0‬‬
‫‪ 1 2‬‬
‫لنقوم بحل البرنامج (‪ )5‬بطريقة البرمجة الخطية‪.‬‬

‫أوال نقوم بتحويل الشكل القانوني إلى شكل معياري وذلك بإضافة متغيرات وهمية مكملة‬
‫‪ S1‬و ‪ ، S2‬فيكون النموذج كما يلي‪:‬‬
‫‪1‬‬
‫= ‪Max Z q‬‬ ‫‪ y1  y2‬‬
‫‪v‬‬
‫‪7 y1  20 y2  S1  1‬‬
‫‪‬‬
‫‪S / C 8 y1  7 y2  S2  1 ................  6 ‬‬
‫‪y , y ,S ,S  0‬‬
‫‪ 1 2 1 2‬‬
‫جدول رتقم‪:1‬‬
‫‪Cj‬‬ ‫‪15‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫الحل‬

‫‪CB‬‬ ‫‪Y1‬‬ ‫‪Y2‬‬ ‫‪S1‬‬ ‫‪S2‬‬
‫‪BV‬‬ ‫‪b  xB‬‬
‫‪7‬‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪0‬‬ ‫‪S1‬‬
‫‪1‬‬
‫‪8‬‬ ‫‪7‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪0‬‬ ‫‪S2‬‬
‫‪1‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪Z j   CBi aij‬‬ ‫‪Z=0‬‬
‫‪Zj-Cj‬‬ ‫‪-1‬‬ ‫‪-1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪53‬‬
‫الجدول النهائي‪:‬‬
‫‪Cj‬‬ ‫‪15‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫الحل‬

‫‪CB‬‬ ‫‪Y1‬‬ ‫‪Y2‬‬ ‫‪S1‬‬ ‫‪S2‬‬
‫‪BV‬‬ ‫‪b  xB‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪8/111‬‬ ‫‪-7/111‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪y2‬‬
‫‪111‬‬
‫‪1‬‬ ‫‪0‬‬ ‫‪-7/111‬‬ ‫‪20/111‬‬ ‫‪13‬‬
‫‪1‬‬ ‫‪y1‬‬
‫‪111‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1/111‬‬ ‫‪13/111‬‬
‫‪Z j   CBi aij‬‬ ‫‪Z‬‬
‫‪14‬‬
‫‪Zj-Cj‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1/111‬‬ ‫‪13/111‬‬ ‫‪111‬‬
‫نالحظ أن ‪ ، Z j  C j  0‬فأن هذا الجدول يمثل الحل النهائي‪ ،‬والحل األمثل نجده في‬
‫‪.  y1 ‬‬
‫‪14 ‬‬
‫عمود الحل‪ ،‬أي‪ :‬‬
‫‪13‬‬ ‫‪1‬‬
‫‪, y2 ‬‬ ‫‪,Z‬‬
‫‪‬‬ ‫‪111‬‬ ‫‪111‬‬ ‫‪111 ‬‬
‫‪1‬‬ ‫‪14‬‬ ‫‪111‬‬

‫= ‪Zq‬‬ ‫‪‬‬ ‫‪v‬‬
‫‪v‬‬ ‫‪111‬‬ ‫‪14‬‬
‫‪111 13 13‬‬
‫‪q1  v  y1 ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪14 111 14‬‬
‫‪111 1‬‬ ‫‪1‬‬
‫‪q2  v  y2 ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪14 111 14‬‬
‫‪. ‬‬
‫‪13 1 ‬‬
‫االستراتيجية المثلى لالعب ‪ B‬هي‪,  :‬‬
‫‪ 14 14 ‬‬
‫إليجاد ‪ x1, x2‬استخدمنا البرنامج الثنائي ( المقابل) من الجدول النهائي السابق‪.‬‬
‫‪111 1‬‬ ‫‪1‬‬

‫‪p1  v  x1 ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪14 111 14‬‬
‫‪111 13 13‬‬
‫‪p2  v  x2 ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪14 111 14‬‬
‫‪54‬‬
‫‪. ‬‬
‫‪1 13 ‬‬
‫االستراتيجية المثلى لالعب ‪ A‬هي‪,  :‬‬
‫‪ 14 14 ‬‬
‫االستراتيجية النهائية لالعبين‪:‬‬
‫‪ A1 , A2 , A3   ‬‬
‫‪1 13 ‬‬
‫‪, ,0 ‬‬
‫‪ 14 14 ‬‬
‫‪ B1, B2 , B3   ‬‬

‫‪13 1 ‬‬
‫‪, ,0 ‬‬
‫‪ 14 14 ‬‬
‫‪ -7-9‬الحل األمثل لأللعاب الثنائية ذات المجموع غير الافري ‪optimal‬‬

‫‪:solution of two-Person Non- Zero-sum games‬‬
‫في الفقرات السابقة عند تطرقنا لأللعاب ذات المجموع الصفري أن ما يربحه( يخسره)‬
‫الالعب األول هو بالضبط ما يخسره (يربحه) الالعب الثاني‪ ،‬هذه األلعاب تعتبر حالة‬
‫خاصة من األلعاب الثنائية‪ ،‬فليس بالضرورة من يربحه الالعب األول هو خسارة‬
‫بالنسبة لالعب الثاني‪ ،‬فاأللعاب الثنائية ذات المجموع غير الصفري أقرب للواقع ولها‬
‫تطبيقات كثيرة في االقتصاد‪.‬‬
‫الشكل العادي ( للعائد) من لعبة بين شخصين يتم تمثيلها على شكل مصفوفة ثنائية‬
‫‪ Bimatrix‬تكون على النحو االتي‪:‬‬
‫‪ A, B    aij , bij ‬‬
‫فرضا لدينا مصفوفة من النوع ‪ ، 2  2‬تمثيلها يكون على النحو االتي‪:‬‬
‫‪55‬‬
‫يمكن إجراء الفصل بين قيم الالعبين من خالل المصفوفتين التاليتين‪:‬‬
‫‪b‬‬ ‫‪b ‬‬ ‫‪a‬‬ ‫‪a12 ‬‬

‫‪B   11 12  , A   11‬‬ ‫‪‬‬
‫‪b21 b22 ‬‬ ‫‪ a21 a22 ‬‬
‫تسمى المصفوفة ‪ A‬مصفوفة العائد لالعب‪ ،1‬وتسمى المصفوفة ‪ B‬مصفوفة العائد‬

‫لالعب‪.2‬‬
‫أما عن طريقة حل هذا النوع نتبع الخطوات التالية‪:‬‬
‫‪ aij‬هو الحد األقصى في العمود ‪ j‬من المصفوفة ‪ ، A‬نضع خط تحت هذه القيمة‬
‫‪ aij‬أو دائرة حولها أو تلوينها‪.‬‬
‫‪ bij‬هو الحد األقصى في الصف ‪ i‬من المصفوفة ‪ ، B‬نضع خط تحت هذه القيمة‬
‫‪ bij‬أو دائرة حولها أو تلوينها‪.‬‬
‫إذا كانت المصفوفة تحتوي على خلية واحدة أو أكثر مشتركة ( في التلوين أو في‬
‫التسطير)‪ ،‬فهذا يعني أن المباراة لها توازن (توازن ناش) خاص باالستراتيجية البحتة ‪،‬‬
‫واال فإن المباراة لها توازن خاص باالستراتيجية المختلطة‪.‬‬
‫‪56‬‬
‫‪ -1-7-9‬توازن ناش‪: Nash Equilibrium‬‬
‫هو مفهوم لنظرية األلعاب الذي يحدد الحل األمثل في األلعاب غير التعاونية ‪Non-‬‬
‫‪ cooperative Games‬حيث يفتقر كل العب إلى أي حافز لتغيير استراتيجيته‬
‫األولية‪ ،‬في ظل توازن ناش ال يكسب الالعب أي شيء من االنحراف عن استراتيجيته‬
‫المختارة في البداية ‪ ،‬بافتراض أن الالعبين األخرين أيضا يحافظون على استراتيجياتهم‬
‫دون تغيير‪ ،‬قد تتضمن اللعبة عدة توازنات ناش ‪ ،‬توازن ناش يصور السلوك‬
‫والتفاعالت بين المشاركين في اللعبة لتحديد أفضل النتائج‪ ،‬كما يسمح بالتنبؤ بق اررات‬
‫الالعبين إذا كانوا يتخذون الق اررات في نفس الوقت وقرار أحد الالعبين يأخذ في‬
‫االعتبار ق اررات الالعبين األخرين‪.‬‬
‫مبرهنة ( ناش)‪ :‬كل مصفوفة ثنائية ‪ Bimatrix‬لها زوج توازن واحد على األقل‪.‬‬
‫أوال‪ :‬حالة االيتراتيجية البحتة‪:‬‬
‫مثال‪:12‬‬
‫هناك شركتين متنافستين‪ :‬الشركة ‪ A‬والشركة ‪ B‬ترغب الشركتان في تحديد ما إذا كان‬
‫ينبغي إطالق حملة إعالنية جديدة لمنتجاتهما‪.‬‬
‫إذا بدأت كلتا الشركتين في اإلعالن فستجذب كل شركة ‪ 200‬زبون جديد‪ ،‬واذا قررت‬
‫شركة واحدة فقط اإلعالن فستجذب ‪ 400‬زبون جديد ‪ ،‬بينما لن تجذب الشركة األخرى‬
‫أي زبون جدد‪ ،‬إذا قررت كلتا الشركتين عدم اإلعالن فلن تجلب أي من الشركتين‬
‫زبائن جدد‪ ،‬نوضح ذلك في جدول العائد أدناه‪:‬‬
‫‪57‬‬
‫المطلوب‪ :‬أوجد توازن ناش؟‬
‫نفصل المصفوفة الثنائية ‪ Bimatrix‬إلى مصفوفتين ‪ A‬و ‪. B‬‬
‫االعالن‬ ‫عدم االعالن‬

‫=‪A‬‬ ‫االعالن‬ ‫‪200‬‬ ‫‪400‬‬
‫عدم االعالن‬ ‫‪0‬‬ ‫‪0‬‬
‫االعالن‬ ‫عدم االعالن‬

‫=‪B‬‬ ‫االعالن‬ ‫‪200‬‬ ‫‪0‬‬
‫عدم االعالن‬ ‫‪400‬‬ ‫‪0‬‬
‫بالنيبة للمافوفة ‪:A‬‬
‫‪ a11  200‬أكبر قيمة في العمود األول‪.‬‬
‫‪ a12  400‬أكبر قيمة في العمود الثاني‪.‬‬
‫‪58‬‬
‫بالنيبة للمافوفة ‪:B‬‬
‫‪ b11  200‬أكبر قيمة في الصف األول‪.‬‬
‫‪ b21  400‬أكبر قيمة في الصف الثاني‪.‬‬
‫نالحظ أن الخلية ‪  a11 , b11 ‬هي المشتركة بين المصفوفتين ‪ A‬و ‪ ، B‬إذن‬
‫الزوج‪  A1 , B1  :‬هو توازن ناش‪ ،‬وعائده هو‪.  200, 200  :‬‬
‫يجب أن تعلن الشركة "‪ "A‬عن منتجاتها ألن اإلستراتيجية توفر عائدا أفضل من خيار‬
‫عدم اإلعالن‪ ،‬نفس الموقف موجود بالنسبة للشركة "‪ ،"B‬وبالتالي فإن السيناريو الذي‬
‫تعلن فيه الشركتان عن منتجاتهما هو توازن ناش‪.‬‬
‫مثال‪:13‬‬
‫معضلة اليجين ‪ : PRISONER’S DILEMMA‬قام شخص ‪ x‬وشخص أخر ‪y‬‬

‫بسرقة أحد البنوك وتم القبض عليهما ثم تم استجوابهم بشكل منفصل‪ ،‬لدى ‪ x‬و‪y‬‬
‫خيار االعتراف (الحركة ‪ )C‬أو البقاء صامتين (الحركة ‪.)S‬‬
‫لدى الشرطة القليل من األدلة‪ ،‬واذا التزم كالهما الصمت‪ ،‬فسيتم الحكم عليهما بالسجن‬
‫لمدة عام ‪ ،‬لذلك يقترح محققو الشرطة صفقة‪ :‬إذا اعترف أحدهم وبقي األخر صامت ‪،‬‬
‫ُيطلق سراح الشخص الذي يعترف بينما ُيحكم على األخر بالسجن ثالث سنوات‪ ،‬ومع‬
‫ذلك إذا تحدث كالهما ‪ ،‬كالهما سيظل محكوما عليهما بالسجن لمدة عامين إذا كان‬
‫عائد كل العب ‪ 3‬مطروحا منها عدد سنوات المكوث في السجن ‪ ،‬نحصل على العوائد‬
‫التالية المبينة في المصفوفة الثنائية ‪: bimatrix‬‬
‫‪59‬‬
‫‪S‬‬ ‫‪C‬‬
‫‪S‬‬ ‫‪ 2, 2 ‬‬ ‫‪ 0, 3‬‬
‫‪C‬‬ ‫‪ 3, 0 ‬‬ ‫‪1,1‬‬
‫المطلوب‪ :‬أوجد توازن ناش؟‬
‫‪S‬‬ ‫‪C‬‬
‫=‪A‬‬ ‫‪S‬‬ ‫‪2‬‬ ‫‪0‬‬
‫‪C‬‬ ‫‪3‬‬ ‫‪1‬‬
‫‪S‬‬ ‫‪C‬‬
‫=‪B‬‬ ‫‪S‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪C‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪60‬‬
‫نالحظ أن الخلية ‪  a22 , b22 ‬هي المشتركة بين المصفوفتين ‪ A‬و ‪ ،B‬إذن‬
‫الزوج‪  C , C  :‬هو توازن ناش‪ ،‬وعائده هو‪. 1,1 :‬‬
‫ثانيا‪ :‬حالة االيتراتيجية المختلطة‪:‬‬
‫مثال‪:14‬‬
‫إذا كانت لدينا المصفوفة الثنائية التالية‪:‬‬
‫‪ 8, 12 ‬‬ ‫‪ 4,8 ‬‬

‫‪M ‬‬
‫‪  4, 4 ‬‬ ‫‪8, 4  ‬‬
‫المطلوب‪ :‬إيجاد توازن ناش‪.‬‬
‫‪N‬‬ ‫‪L‬‬
‫=‪A‬‬ ‫‪S‬‬ ‫‪8‬‬ ‫‪4‬‬
‫‪T‬‬ ‫‪4‬‬ ‫‪8‬‬
‫‪61‬‬
‫‪N‬‬ ‫‪L‬‬
‫=‪B‬‬ ‫‪S‬‬ ‫‪-12‬‬ ‫‪8‬‬
‫‪T‬‬ ‫‪4‬‬ ‫‪-4‬‬
‫نالحظ عدم وجود خلية ملونة ( ُمعلمة ) مشتركة بين المصفوفتين ‪ A‬و ‪ ، B‬إذن هذه‬
‫المباراة ليس لها توازن ناش بحتا ‪ ،‬نبحث عن توزان ناش خاص باالستراتيجية‬
‫المختلطة باستخدام االحتماالت‪.‬‬
‫ليكن ‪ p‬احتمال خاص بالالعب‪ 1‬عند لعبه باستراتيجية ‪ ،S‬و ‪ q‬احتمال خاص‬
‫بالالعب‪ 2‬عند لعبه باستراتيجية ‪ ، N‬من خالل توازن ناش الخاص باالستراتيجية‬
‫المختلطة هدفنا إيجاد ‪ p‬و ‪ ، q‬توازن ناش في االستراتيجية المختلطة يجب أن يحصل‬
‫كال الالعبين على نفس العوائد المتوقعة‪.‬‬
‫بالنيبة لاللب‪:1‬‬
‫‪62‬‬
‫إذا لعب ‪ S‬سيحصل على عائد ‪ 8‬مع احتمال ‪ q‬و ‪ 4‬مع احتمال )‪ ،(1-q‬لذلك فأن‬
‫العائد المتوقع ‪ E  S ‬من لعب ‪ S‬هو‪. 8q  4 1  q  :‬‬
‫إذا لعب ‪ T‬سيحصل على عائد ‪ 4‬مع احتمال ‪ q‬و ‪ 8‬مع احتمال )‪ ،(1-q‬لذلك فأن‬
‫العائد المتوقع ‪ E  T ‬من لعب ‪ S‬هو‪. 4q  8 1  q  :‬‬
‫‪E  S   8q  4 1  q ‬‬
‫‪E T   4q  8 1  q ‬‬
‫إذا كانت استراتيجيات المكاسب ( العوائد) المتوقعة متساوية‪:‬‬
‫‪E  S   E T   8q  4 1  q   4q  8 1  q ‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪ 4q  4  q ‬‬ ‫‪ 1  q  ‬‬
‫‪2‬‬ ‫‪2‬‬
‫بالنيبة لاللب‪:2‬‬
‫إذا لعب ‪ N‬سيحصل على عائد ‪ -12‬مع احتمال ‪ p‬و ‪ 4‬مع احتمال )‪ ،(1-p‬لذلك‬
‫فأن العائد المتوقع ‪ E  N ‬من لعب ‪ S‬هو‪. 12 p  4 1  p  :‬‬
‫إذا لعب ‪ L‬سيحصل على عائد ‪ 8‬مع احتمال ‪ p‬و ‪ -4‬مع احتمال )‪ ،(1-p‬لذلك فأن‬
‫العائد المتوقع ‪ E  L ‬من لعب ‪ S‬هو‪. 8q  4 1  p  :‬‬
‫‪E  N   12 p  4 1  p ‬‬

‫‪E  L   8q  4 1  p ‬‬
‫إذا كانت استراتيجيات المكاسب ( العوائد) المتوقعة متساوية‪:‬‬
‫‪63‬‬
‫‪E  N   E  L   12 p  4 1  p   8q  4 1  p ‬‬

‫‪2‬‬ ‫‪5‬‬
‫‪28 p  8  p ‬‬ ‫‪ 1  p  ‬‬
‫‪7‬‬ ‫‪7‬‬
‫ماذا عن عوائد توازن ناش بالنسبة لالستراتيجيات المختلطة؟‬
‫‪1‬‬ ‫‪1‬‬ ‫‪ 1  1‬‬

‫العائد المتوقع لالعب‪8    4    4    8    6 : 1‬‬
‫‪2‬‬ ‫‪ 2‬‬ ‫‪ 2  2‬‬
‫‪2‬‬ ‫‪ 5‬‬ ‫‪ 2‬‬ ‫‪ 5  4‬‬

‫‪12    4    8    4   ‬‬ ‫العائد المتوقع لالعب‪: 2‬‬
‫‪7‬‬ ‫‪ 7‬‬ ‫‪ 7‬‬ ‫‪ 7 7‬‬
‫‪ -2-7-9‬أمثلية باريتو‪: Pareto optimality 1‬‬
‫أمثلية باريتو أو كفاءة باريتو ‪ Pareto Efficiency‬هو مقياس لكفاءة المباراة‪ ،‬تعتبر‬
‫نتيجة اللعبة مثالية لـ ‪ Pareto‬إذا كان ليس باإلمكان تحسين عائد العب بدون تقليل‬
‫عائد منافسيه ( بعبارة أخرى إذا تمكن العب واحد على األقل من الحصول على عائد‬
‫أكبر بشرط عدم تقليل أرباح أي العب أخر)‪ ،‬في كثير من األحيان ال يكون توازن‬
‫ناش هو باريتو األمثل‪.‬‬
‫مثال‪:15‬‬
‫إذا كانت لدينا المصفوفة الثنائية التالية‪:‬‬
‫‪S‬‬ ‫‪T‬‬
‫= ‪M‬‬ ‫‪S‬‬ ‫‪ 360,360   344, 368‬‬

‫‪T‬‬ ‫‪ 368, 344   352, 352 ‬‬
‫‪1‬‬
‫‪ -‬تمت تسمية هذا المفهوم على إسم فيلفريدو باريتو (‪ ، Vilfredo Pareto )1923-1848‬مهندس مدني وخبير‬
‫اقتصادي إيطالي ‪ ،‬استخدم هذا المفهوم في دراساته حول الكفاءة االقتصادية وتوزيع الدخل‪.‬‬
‫‪64‬‬
‫)‪ (T,T‬هو توازن ناش وعائده (‪ (S,S) ، )352،352‬ليس توازن ناش ألنه لدى ‪A‬‬
‫حافز للتبديل نحو ‪. T‬‬
‫ال يمكن الوصول إلى نتيجة )‪ (S,S‬في ظل السلوك العقالني‪ ،‬على سبيل المثال‪،‬‬
‫عندما يقوم الالعبون بالتحسين بشكل فردي‪ ،‬هناك حاجة أخرى للسماح بمثل هذه‬
‫النتائج‪.‬‬
‫بفرض أننا أضفنا شعاع )‪ ، (352,360‬هذا الشعاع هو على األقل أفضل من‬
‫)‪ ،(352,352‬يكون العائد من العب واحد على األقل أفضل من خالل اختيار‬
‫)‪ (352,360‬مقارنة بالعائد )‪.(352,352‬‬
‫إذن شعاع العائد )‪ (352,360‬مهيمن على شعاع العائد )‪.(352,352‬‬
‫عائد الشعاع ‪  x1 , y1 ‬يهيمن ( يسيطر) على عائد شعاع أخر ‪  x2 , y2 ‬إذا كانت‬
‫جميع الشروط التالية صحيحة‪:‬‬
‫‪1) x1  x2‬‬
‫‪2) y1  y2‬‬
‫يعتبر زوج االستراتيجيات باريتو األمثل إذا كان شعاع عائد هذا الزوج ال يهيمن عليه‬
‫شعاع العائد ألي زوج أخر من االستراتيجيات‪.‬‬
‫بالنسبة للمثال السابق نجد‪:‬‬
‫‪65‬‬
‫)‪ (T,S) ، (S,T) ، (S,S‬هي استراتيجيات باريتو األمثلية‪ ،‬توازن ناش البحت ليس‬
‫باريتو األمثل ( من المثير لالهتمام أن هذا هو الزوج االستراتيجي الوحيد الذي ال يعتبر‬
‫باريتو األمثل)‪.‬‬
‫كيف يمكن لالعبين الوصول إلى نتيجة باريتو المثلى؟ ممكن تبينها في النقاط التالية‪:‬‬
‫‪ -‬يجب عليهم توقيع عقد ملزم قبل المباراة‪.‬‬

‫‪ -‬إذا لم يكن هناك مثل هذا العقد‪ ،‬فقد يكون لدى بعض الالعبين حافز للتبديل‬
‫نحو استراتيجية أخرى ( نظ ار ألن استراتيجية باريتو المثلى ال تحتاج أن تكون‬
‫توزان ناش الخالص ( البحت)‪.‬‬
‫‪ -‬تُوفر بعض استراتيجيات باريتو المثلى نتائج جيدة لكال الالعبين ‪.‬‬
‫مثال‪:16‬‬
‫بخصوص المثال السابق‪ ،‬يكون الزوج االستراتيجي )‪ (S,S‬مع العائد )‪(360,360‬‬

‫أفضل لكال الالعبين من الزوج االستراتيجي )‪ (T,T‬مع عائد )‪. (352,352‬‬
‫هناك مصطلح ‪ ( social optimality‬األمثلية االجتماعية) مستخدم كذلك في نظرية‬

‫األلعاب‪.‬‬
‫الزوج االستراتيجي ‪  ,  ‬يعتبر أمثلية اجتماعية أو رفاهية اجتماعية معظمة ‪ ،‬إذا‬

‫كان أكبر قيمة من خالل تعظيم مجموع عوائد الالعبين‪.‬‬
‫‪66‬‬
‫مثال‪:17‬‬
‫الزوج )‪ (S,S‬مع عائد )‪ ، (360,360‬هو الوحيد الذي يعتبر أمثلية اجتماعية مع‬
‫مجموع ‪.720‬‬
‫نتيجة‪:‬‬
‫‪ -‬كل أمثلية اجتماعية هي باريتو أمثلي والعكس ليس بالضرورة صحيح‪،‬‬

‫)‪ (344,368‬باريتو أمثلي لكن ليس أمثلية اجتماعية‪.‬‬
‫‪ -‬ال يلزم أن يكون توازن ناش هو باريتو األمثل‪.‬‬
‫‪ -3-7-9‬الفرق بين توازن ناش وباريتو األمثل‪:‬‬
‫توازن ناش )‪ (N.E‬هو مفهوم الحل العام في نظرية األلعاب وهي حالة المباراة عندما‬
‫ال يرغب أي العب في االنحراف عن االستراتيجية التي يلعبها نظ ار ألن األخرين ال‬
‫يغيرون استراتيجيتهم‪.‬‬
‫"أمثلية باريتو" هو مفهوم الكفاءة‪ ،‬لذلك لن تكون حالة هذه األمثلية إذا تمكن العب‬
‫واحد على األقل من الحصول على عائد أكبر وتم تقليل أرباح العب أخر‪ ،‬هناك‬
‫العديد من األمثلة على توازنات ناش التي ليست باريتو األمثل‪ ،‬يمكن أن يكون المثال‬
‫األكثر شهرة هو‪ :‬معضلة اليجين ‪ ،‬لكن يوجد القليل الذي يبين العكس ( أي التساوي‬
‫بينهما) والذي نوضحه في المثال التالي‪:‬‬
‫‪67‬‬
‫تطبيق‪ : 1‬لعبة االيتثمار في التكنولوجيا‪:‬‬

‫شركتي االزدهار و األمل المختصتان في إنتاج المعجنات الغذائية ‪ ،‬تريدان االستثمار‬
‫في التكنولوجيا الحديثة في هذه الصناعة قصد تحقيق مزيد من األرباح ‪ ،‬فيجب على‬
‫الشركتين اختيار ما إذا كانا يستثمران كثي ار أو قليال في هذه التكنولوجيا‪.‬‬
‫● التكنولوجيا باهظة الثمن ولكن إذا كان أحدهم يستثمر كثي ار سيحقق المزيد من‬
‫األرباح والعكس إذا استثمر القليل‪.‬‬
‫● إذا قام كالهما باالستثمار القليل من التكنولوجيا فستربح االزدهار ‪ 14000‬مليون‬
‫دج و األمل ‪ 10000‬مليون دج‪.‬‬
‫● إذا كانت االزدهار تستثمر الكثير من التكنولوجيا و األمل تستثمر القليل‪ ،‬فإن‬
‫االزدهار ستربح ‪ 25000‬مليون دج و األمل ‪ 5000‬مليون دج والعكس صحيح‪.‬‬
‫● إذا قام كالهما باالستثمار بكثافة ‪ ،‬تحقق االزدهار ‪ 24000‬مليون دج و األمل‬
‫تحقق ‪ 18000‬مليون دج‪.‬‬
‫نحصل على العوائد التالية المبينة في المصفوفة الثنائية ‪: bimatrix‬‬
‫‪ S‬القليل‬ ‫‪ C‬الكثير‬
‫‪ S 14000,10000  5000, 25000 ‬القليل‬
‫‪ C  25000,5000   24000,18000 ‬الكثير‬
‫‪ -1‬أوجد توازن ناش؟‬

‫‪ -2‬أوجد باريتو األمثل؟‬
‫‪ -3‬أوجد األمثلية االجتماعية ؟‬
‫حل التطبيق‪:1‬‬
‫‪ -1‬إيجاد توازن ناش‪:‬‬
‫‪68‬‬
‫‪S‬‬ ‫‪C‬‬
‫‪14000‬‬ ‫‪5000‬‬
‫=‪A‬‬ ‫‪S‬‬
‫‪25000‬‬ ‫‪24000‬‬
‫‪C‬‬
‫‪S‬‬ ‫‪C‬‬
‫‪10000‬‬ ‫‪25000‬‬
‫=‪B‬‬ ‫‪S‬‬
‫‪5000‬‬ ‫‪18000‬‬
‫‪C‬‬
‫نالحظ أن الخلية ‪  a22 , b22 ‬هي المشتركة بين المصفوفتين ‪ A‬و ‪ ،B‬إذن‬
‫الزوج‪  C , C  :‬هو توازن ناش‪ ،‬وعائده هو‪.  24000,18000  :‬‬
‫‪69‬‬
‫‪ -2‬إيجاد باريتو األمثل‪:‬‬

‫يعتبر زوج االستراتيجيات باريتو األمثل إذا كان شعاع عائد هذا الزوج ال يهيمن عليه‬
‫شعاع العائد ألي زوج أخر من االستراتيجيات‪.‬‬
‫)‪ (C,C) ، (C,S) ، (S,C‬هي استراتيجيات باريتو األمثلية‪.‬‬
‫‪ -3‬األمثلية االجتمالية‪ :‬هي أكبر قيمة من خالل تعظيم مجموع عوائد الالعبين‬
‫‪ ،‬الزوج ‪  C , C ‬مع عائد ‪ ،  24000,18000 ‬هو الوحيد الذي يعتبر أمثلية‬
‫اجتماعية مع مجموع ‪ 42000‬مليون دج‪.‬‬
‫تطبيق‪:2‬‬
‫أجب بنعم أو ال‪ ،‬مع التعليل وتصحيح الخطأ إن وجد‪.‬‬
‫س‪ :1‬في مباراة ثنائية يكون توازن ناش هو النتيجة التي تعظم مجموع عوائد‬
‫الالعبين؟‬
‫س‪ :2‬في توازن ناش في مباراة ثنائية ‪ ،‬يجب أن يكون كال الالعبين قد اختار‬
‫استراتيجية مهيمنة؟‬
‫س ‪ :3‬اللعب المتكرر لمعضلة السجين يؤدي ( ال يؤدي) إلى حل تعاوني‪.‬‬

‫ج‪ :1‬خطأ‪ ،‬معضلة السجين‪ ،‬ال يؤدي توازن ناش إلى زيادة المنفعة‪.‬‬
‫ج‪ :2‬خطأ‪ ،‬اإلستراتيجية المهيمنة هي أفضل استجابة بغض النظر عما يفعله الالعب‬
‫األخر‪ ،‬توازن ناش هو التوازن الذي يلعب فيه الالعبان اإلستراتيجية المثلى بالنظر إلى‬
‫‪70‬‬
‫إستراتيجية الالعب األخر‪ ،‬إذا كان كال الالعبين يلعبان إستراتيجية مهيمنة فيجب أن‬
‫يكون هذا هو توازن ناش ‪ ،‬ولكن ليس العكس‪.‬‬
‫ج ‪ :3‬صحيح‪ ،‬وسيعتمد ما إذا كان التعاون مستداما أم ال على الفترة الزمنية ‪،‬‬
‫والمنفعة النسبية للتعاون ‪ ،‬ومدى تقدير الالعبين للمستقبل‪.‬‬
‫األلالم المذكورة في الفال التايع‪:‬‬
‫‪71‬‬
‫‪72‬‬
‫الفال العاشر ‪ :‬نظرية اتخاذ القرار‪DECISION‬‬
‫‪THEORY‬‬
‫كان اتخذا القرار قديما يعتمد بالدرجة األولى على الخبرة وفطانة صاحب القرار‪ ،‬أما‬
‫اليوم فقد حدثت أمور جديدة بعد تطور العلوم الرياضياتية والمعلوماتية‪ ،‬فأخذ هذا القرار‬
‫منحى أخر في هذه العملية ‪ ،‬إذ يتعين على اإلدارة اتخاذ القرارات السليمة بعد استخدام‬
‫هذه األدوات‪.‬‬
‫فقد تتعامل االدارة مع مواقف معينة بحيث يكون لديها معلومات كاملة‪ /‬غير كاملة ‪ ،‬أو‬
‫تكون في موضع اتخاذ قرار في ظل اليقين‪ /‬عدم اليقين‪ ،‬فمعظم المديرين يقومون‬
‫باستثمارات مالية كبيرة وق اررات أخرى تتعلق باإلنتاج والتسويق وما إلى ذلك مع توفر‬
‫المعلومات الكاملة‪ ،‬في حالة أن تكون لدينا معلومات غير كاملة نظرية القرار تقدم لنا‬
‫نهجا عقالنيا في التعامل مع مثل هذه الظروف ‪ ،‬وبمساعدة هذه النظرية يمكن اتخاذ‬
‫أفضل قرار ممكن في ظل موقف معين‪.‬‬
‫‪DECISION THEORY‬‬ ‫‪ -1-10‬مدخل نظرية اتخاذ القرار‬

‫‪:APPROACH‬‬
‫‪73‬‬
‫من المفيد للمؤسسة اتخاذ موقف حقيقي من الحياة وربطه بالخطوات التي ينطوي عليها‬
‫اتخاذ الق اررات‪ ،‬لنأخذ حالة المؤسسة الصناعية التي تهتم بزيادة إنتاجها لتلبية الطلب‬
‫المتزايد في السوق‪.‬‬
‫الخطوة األولى‪ :‬تحديد كل البدائل الممكنة‪:‬‬
‫سرد جميع البدائل القابلة للتطبيق المتاحة في موقف معين‪ ،‬تتوفر الخيارات التالية‬
‫للمؤسسة الصناعية ما يلي‪:‬‬
‫أ‪ -‬توسيع مرافق التصنيع القائمة (التوسع)؛‬
‫ب‪ -‬إنشاء مصنع جديد (مرافق جديدة)؛‬
‫ج‪ -‬إشراك الشركات الصناعية األخرى لإلنتاج له بقدر الطلب اإلضافي (التعاقد من‬
‫الباطن)‪.‬‬
‫الخطوة الثانية‪ :‬تحديد الييناريو الميتقبلي‪:‬‬
‫من الصعب جدا تحديد األحداث الدقيقة التي قد تحدث في المستقبل‪ ،‬ومع ذلك من‬
‫الممكن سرد كل ما يمكن أن يحدث‪ ،‬األحداث المستقبلية ليست تحت سيطرة صانع‬
‫القرار في نظرية القرار يسمى تحديد األحداث المستقبلية بحالة الطبيعة‪ ،‬في حالة أنه‬
‫لدينا مؤسسة صناعية معينة يمكننا تحديد األحداث المستقبلية التالية‪:‬‬
‫أ‪ -‬ارتفاع الطلب؛‬
‫ب‪ -‬طلب معتدل؛‬
‫‪74‬‬
‫ج‪ -‬انخفاض الطلب؛‬
‫د‪ -‬ال يوجد طلب‪.‬‬
‫الخطوة الثالثة‪ :‬تشكيل مافوفة الدفع‪:‬‬
‫على صانع القرار أن يكتشف المكاسب المحتملة من حيث األرباح إن وجدت لألحداث‬
‫المحتملة التي تحدث في المستقبل‪ ،‬إن وضع كل البدائل معا (الخطوة األولى) وبحالة‬
‫الطبيعة (الخطوة الثانية) يعطينا مصفوفة الدفع والتي تكون كالتالي‪:‬‬
‫حالة الطبيعة‬
‫البدائل‬
‫طلب مرتفع‬ ‫طلب متوسط‬ ‫طلب منخفض‬ ‫ال يوجد طلب‬
‫توسع‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪9‬‬ ‫‪12‬‬
‫اضافة مرافق‬ ‫‪15‬‬ ‫‪18‬‬ ‫‪21‬‬ ‫‪24‬‬
‫جديدة‬
‫التعاقد من الباطن‬ ‫‪27‬‬ ‫‪30‬‬ ‫‪33‬‬ ‫‪36‬‬
‫الخطوة الرابعة‪ :‬تحديد البديل األفضل‪:‬‬
‫صانع القرار سيختار بالطبع أفضل مسار للعمل من حيث المردود‪ ،‬ومع ذلك يجب‬
‫أن يكون مفهوما أن القرار قد ال يعتمد على العائد الكمي البحت من حيث الربح وحده‬
‫‪ ،‬فقد يأخذ صانع القرار في االعتبار الجوانب النوعية األخرى مثل الشهرة المتولدة‬
‫والتي يمكن صرفها في المستقبل ‪ ،‬مما يزيد من حصتها في السوق مع التركيز على‬
‫سياسة تسعير مصممة خصيصا والتي تعطي أرباحا للشركة في النهاية ‪.‬‬
‫‪75‬‬
‫‪ -2-10‬بيئة اتخاذ القرار‪:‬‬
‫يواجه صانع القرار المواقف التالية أثناء اتخاذ الق اررات‪:‬‬
‫أ‪ -‬القرار في ظل ظروف اليقين ‪Decision under conditions of‬‬

‫‪certainty‬‬
‫هو الوضع التي يفترض فيه توفر معلومات كاملة عن بيئة األعمال المستقبلية لصانع‬
‫القرار‪ ،‬من السهل جدا اتخاذ ق اررات جيدة للغاية‪ ،‬حيث ال يوجد أي شك‪ ،‬لكن في‬
‫الحياة الواقعية‪ ،‬مثل هذه المواقف غير متوفرة أبدا‪.‬‬
‫ب‪-‬القرار في ظل ظروف لدم اليقين ‪Decision under conditions of‬‬

‫‪: uncertainty‬‬
‫حالة األحداث المستقبلية غير معروفة‪ ،‬مع تزايد هذه الشكوك يصبح الوضع أكثر‬
‫تعقيدا‪ ،‬ال يمتلك صانع القرار معلومات كافية وال يمكنه تعيين احتماالت ألحداث‬
‫مختلفة‪.‬‬
‫ج‪ -‬القرار في ظل المخاطرة ‪: Decision under risk‬‬
‫هناك عدد من الحاالت الطبيعية مثل الحالة المذكورة أعاله‪ ،‬االختالف الوحيد هو أن‬
‫صانع القرار لديه معلومات كافية ويمكنه تخصيص االحتماالت لمختلف حاالت‬
‫الطبيعة‪ ،‬أي أنه يمكن قياس المخاطر‪.‬‬
‫‪76‬‬
‫‪ -1-2-10‬القرار في ظل ظروف اليقين‪:‬‬
‫هنا اتخاذ الق اررات تكون في حالة المعرفة الكاملة لطبيعة الظروف المستقبلية ‪ ،‬لنأخذ‬
‫مثاال بسيطا‪:‬‬
‫إذا كان لدى الشركة معلومات كاملة عن أن الطلب سيكون مرتفعا‪ :‬سيكون لديها ثالثة‬
‫بدائل للتوسع‪ ،‬وبناء مرافق إضافية‪ ،‬والتعاقد من الباطن‪ ،‬أي بديل واحد يعطي أفضل‬
‫عائد ‪ ،‬فالقول أن بناء مرافق إضافية يمكن انتقاؤه للحصول على أقصى فائدة‪ ،‬لذا فإن‬
‫مهمة صانع القرار بسيطة فقط للحصول على أفضل عائد في عمود حالة الطبيعة‬
‫(ارتفاع الطلب ‪ ،‬انخفاض الطلب ‪ ،‬عدم وجود طلب) واستخدام البديل المرتبط (توسيع‬
‫‪ ،‬إضافة مرافق ‪ ،‬عقد من الباطن) ‪.‬‬
‫‪ -2-2-10‬القرار في ظل لدم اليقين‪:‬‬
‫نعلم أن صاحب القرار في الوقت الحاضر غير قادر على الحصول على فكرة كاملة‬
‫عن الظروف المستقبلية باإلضافة إلى البدائل المختلفة التي ستظهر في المستقبل‬
‫القريب‪ ،‬عند وجود مثل هذه المشكالت ُيعرف القرار الذي يتخذه المدير باسم اتخاذ‬
‫القرار في ظل عدم اليقين‪.‬‬
‫هناك عدد من المعايير المتاحة التخاذ القرار في ظل عدم اليقين‪ ،‬االفتراض هنا بالطبع‬
‫أنه ال توجد توزيعات احتمالية متاحة في ظل هذه الظروف‪ ،‬سيتم مناقشة عدة معايير‬
‫نوضحها ما يلي‪:‬‬
‫‪ -1‬معيار البالس (معيار العقالنية)‪.‬‬

‫‪ -2‬معيار)‪. minimax (Maximin‬‬
‫‪77‬‬
‫‪ -3‬معيار‪. maximax‬‬
‫‪ -4‬معيار ‪ ( Hurwicz‬معيار الواقعية)‪.‬‬
‫‪ -5‬معيار ‪ Savage‬أو )‪.) Minimax Regret‬‬
‫في المعايير المذكورة أعاله‪ُ ،‬يفترض أيضا أن صانع القرار ليس لديه خصم " ذكي"‬
‫تتعارض مصلحته مع مصلحة صانع القرار‪ ،‬على سبيل المثال عندما يقاتل جيشان‬
‫بعضهما البعض فإنهما يمثالن حالة خصوم أذكياء ويتم التعامل مع مثل هذه الحاالت‬
‫من خالل نظرية األلعاب‪.‬‬
‫معيار البالس (معيار العقالنية) ( ‪The Laplace criterion (Criterion of‬‬

‫‪: Rationality‬‬
‫في هذه الحالة نأخذ الوسط الحسابي لكل بديل‪ ،‬حيث يكون البديل األفضل كما يلي‪:‬‬
‫‪ -‬في حالة األرباح نأخذ أعلى قيمة‪.‬‬

‫‪ -‬في حالة التكاليف نأخذ أدنى قيمة‪.‬‬
‫تدرس شركة " س" إمكانية إنتاج وتسويق نوع جديد من نواقل األلياف البصرية‬
‫المخصصة لالتصاالت‪ ،‬يتطلب القيام بهذا المشروع بناء إما مصنع كبير ‪ a1‬أو مصنع‬
‫صغير ‪ ، a2‬من خالل دراسة حالة السوق استنتجت ثالث حاالت للسوق ( واعد بشكل‬
‫قوي ‪ ، b1‬واعد بشكل متوسط ‪ ، b2‬غير واعد ‪ ، ) b3‬بالطبع لدى هذه الشركة خيار‬
‫عدم تطوير خط اإلنتاج الجديد على اإلطالق ‪. a3‬‬
‫مصفوفة الدفع كانت كما يلي‪:‬‬
‫‪78‬‬
‫الحالة‬
‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬
‫‪a1‬‬ ‫‪175‬‬ ‫‪2045‬‬ ‫‪3300‬‬
‫‪a2‬‬ ‫‪2250‬‬ ‫‪0‬‬ ‫‪3750‬‬
‫‪a3‬‬ ‫‪2000‬‬ ‫‪-5000‬‬ ‫‪3600‬‬
‫المبالغ بوحدة نقدية‪.‬‬
‫المطلوب‪ :‬أوجد البديل األفضل والذي يحقق أعلى عائد بطريقة البالس‪.‬‬
‫مالحظة‪ :‬من الجدول نالحظ أنه توجد قيمة سالبة تعني هذه خسارة في الحالة ‪. b2‬‬
‫أوال‪ :‬ايجاد الوسط الحسابي لكل حالة‪:‬‬
‫‪1 3‬‬ ‫‪1‬‬
‫‪a1 ‬‬ ‫‪‬‬
‫‪3 j 1‬‬
‫‪x j  175  2045  3300  1840 UM‬‬
‫‪3‬‬
‫‪a2  2000 UM , a3  200 UM‬‬
‫ويكون البديل األفضل هو بناء مصنع صغير ‪. a2‬‬
‫معيار)‪: minimax (Maximin‬‬
‫يعرف بمعيار فالد ‪ ، wald‬في حالة األرباح نأخذ أدنى قيمة في كل صف ونضعها‬
‫في عمود ثم نختار أعلى األدنى‪. Maximin‬‬
‫أما في حالة التكاليف نأخذ أعلى قيمة في كل صف ونضعها في عمود ثم نختار أدنى‬
‫األعلى ‪.minimax‬‬
‫مثال ‪:2‬‬
‫نفس بيانات المثال‪ 1‬ما هو أفضل بديل باستخدام معيار ‪ Maximin‬؟‬
‫‪79‬‬
‫الحالة‬ ‫‪min‬‬
‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬
‫‪a1‬‬ ‫‪175‬‬ ‫‪2045‬‬ ‫‪3300‬‬ ‫‪175‬‬
‫‪a2‬‬ ‫‪2250‬‬ ‫‪0‬‬ ‫‪3750‬‬ ‫‪0‬‬
‫‪a3‬‬ ‫‪2000‬‬ ‫‪-5000‬‬ ‫‪3600‬‬ ‫‪-5000‬‬
‫‪Max min  175 UM‬‬
‫ويكون البديل األفضل هو بناء مصنع كبير ‪ . a1‬‬
‫معيار ‪: maximax‬‬
‫في حالة األرباح نأخذ أعلى قيمة في كل صف ونضعها في عمود ثم نختار أعلى‬
‫األعلى‪. MaxiMax‬‬
‫أما في حالة التكاليف نأخذ العكس ‪.Minmin‬‬
‫مثال ‪:3‬‬
‫نفس بيانات المثال‪ 1‬ما هو أفضل بديل باستخدام معيار ‪ MaxiMax‬؟‬
‫الحالة‬ ‫‪Max‬‬
‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬
‫‪a1‬‬ ‫‪175‬‬ ‫‪2045‬‬ ‫‪3300‬‬ ‫‪3300‬‬
‫‪a2‬‬ ‫‪2250‬‬ ‫‪0‬‬ ‫‪3750‬‬ ‫‪3750‬‬
‫‪a3‬‬ ‫‪2000‬‬ ‫‪-5000‬‬ ‫‪3600‬‬ ‫‪3600‬‬
‫‪Maxi max  3750 UM‬‬
‫‪80‬‬
‫معيار ‪ ( Hurwicz‬معيار الواتقعية)‪:‬‬
‫من خالل هذا المعيار يتم دمج معيارين ( التفاؤل والتشاؤم)‪ ،‬حيث تعطى نسبة التفاؤل‬
‫‪ ، p‬وتكون نسبة التشاؤم ‪ ، q  1  p‬وبضرب معياريي التفاؤل والتشاؤم بنسبتيهما‬
‫ونجمعهما نأخذ ما يلي‪:‬‬
‫‪ -‬في حالة األرباح نأخذ أعلى قيمة‪.‬‬

‫‪ -‬في حالة التكاليف نأخذ أدنى قيمة‪.‬‬
‫أما في حالة التكاليف نأخذ العكس ‪.Minmin‬‬
‫مثال ‪:4‬‬
‫نفس بيانات المثال‪ ، 1‬نفرض أن نسبة التفاؤل تساوي ‪ ، p  0.8‬ما هو أفضل بديل‬
‫باستخدام معيار ‪ Hurwicz‬؟‬
‫الحالة‬
‫البدائل‬ ‫معيار التشاؤم معيار التفاؤل‬
‫‪a1‬‬ ‫‪3300‬‬ ‫‪175‬‬
‫‪a2‬‬ ‫‪3750‬‬ ‫‪0‬‬
‫‪a3‬‬ ‫‪3600‬‬ ‫‪-5000‬‬
‫عرض البدائل يكون كما يلي‪:‬‬
‫‪a1  3300  0.8  175  0.2  2675 UM‬‬

‫‪a2  3750  0.8  0  0.2  3000 UM‬‬
‫‪a1  3600  0.8   5000  0.2  1880 UM‬‬
‫‪81‬‬
‫معيار الندم لـ ‪ Savage‬أو )‪:) Minimax Regret‬‬
‫أوال‪ :‬في حالة األرباح ‪ ،‬نتبع الخطوات التالية‪:‬‬
‫‪ -‬نأخذ أكبر قيمة في كل عمود ويطرح من كل قيم العمود ( تتشكل لنا مصفوفة‬
‫الندم)‪.‬‬
‫‪ -‬نأخذ أكبر قيمة في كل صف ونضعها في عمود يسمى عمود الندم‪.‬‬
‫‪ -‬نختار من عمود الندم أقل قيمة ندم حيث تمثل قيم هذا العمود مقدار الندم‬
‫الذي نحصل عليه جراء اختيار لهذا البديل‪ ،‬وبالتالي يكون االختيار يكون ألقل‬
‫معيار ندم‪.‬‬
‫مثال ‪:5‬‬
‫نفس بيانات المثال‪ 1‬ما هو أفضل بديل باستخدام معيار ‪ Savage‬؟‬
‫الحالة‬ ‫معيار الندم‬

‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬
‫‪a1‬‬ ‫‪2075‬‬ ‫‪0‬‬ ‫‪450‬‬ ‫‪2075‬‬
‫‪a2‬‬ ‫‪0‬‬ ‫‪2045‬‬ ‫‪0‬‬ ‫‪2045‬‬
‫‪a3‬‬ ‫‪250‬‬ ‫‪7045‬‬ ‫‪150‬‬ ‫‪7045‬‬
‫‪Minimax  2045 UM‬‬
‫ثانيا‪ :‬في حالة التكاليف نأخذ أصغر قيمة في البداية ونطرحها من كل القيم ونتابع‬
‫نفس طريقة أعلى عائد‪.‬‬
‫‪82‬‬
‫مثال ‪:6‬‬
‫في حالة كون لدينا مصفوفة الدفع خاصة بالتكاليف التي نقدمها على النحو االتي‪:‬‬
‫صانع قرار أراد أن يكتشف المكاسب المحتملة من حيث تخفيض تكاليف مشروع معين‬
‫من خالل ثالث بدائل ( التوسع في المشروع القديم‪ ،‬التعاقد من الباطن‪ ،‬عدم القيام بأي‬
‫شيء)‪ ،‬مع أربع حاالت‪.‬‬
‫حالة الطبيعة‬
‫البدائل‬
‫طلب مرتفع‬ ‫طلب متوسط‬ ‫طلب منخفض‬ ‫ال يوجد طلب‬
‫توسع‬ ‫‪13‬‬ ‫‪16‬‬ ‫‪19‬‬ ‫‪12‬‬
‫التعاقد من الباطن‬ ‫‪15‬‬ ‫‪18‬‬ ‫‪21‬‬ ‫‪24‬‬
‫ال شيء‬ ‫‪27‬‬ ‫‪30‬‬ ‫‪33‬‬ ‫‪36‬‬
‫المبالغ بالوحدة النقدية‬
‫المطلوب ‪ :‬ما هو أفضل بديل باستخدام المعايير السابقة ‪ ،‬نأخذ ( ‪ ) p  0.7‬بالنسبة‬

‫لمعيار الواقعية‪.‬‬
‫حل المثال ‪:6‬‬
‫معيار البالس‬
‫أوال‪ :‬ايجاد الوسط الحسابي لكل حالة‪:‬‬
‫‪4‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪a1 ‬‬ ‫‪‬‬
‫‪4 j 1‬‬
‫‪x j   3  6  9  12   15 UM‬‬
‫‪4‬‬
‫‪a2  19.5 UM , a3  31.5 UM‬‬
‫ويكون البديل األفضل هو التوسع في المشروع القديم ‪ . a1‬‬
‫‬
‫‪83‬‬
‫معيار‪: minimax‬‬
‫الحالة‬ ‫‪b4‬‬ ‫‪Max‬‬

‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬
‫‪a1‬‬ ‫‪13‬‬ ‫‪16‬‬ ‫‪19‬‬ ‫‪12‬‬ ‫‪19‬‬
‫‪a2‬‬ ‫‪24‬‬
‫‪15‬‬ ‫‪18‬‬ ‫‪21‬‬ ‫‪24‬‬
‫‪a3‬‬ ‫‪27‬‬ ‫‪30‬‬ ‫‪33‬‬ ‫‪36‬‬ ‫‪36‬‬
‫‪Min max  19 UM‬‬
‫ويكون البديل األفضل هو التوسع في المشروع القديم ‪ . a1‬‬
‫معيار ‪: Minimin‬‬
‫الحالة‬ ‫‪b4‬‬ ‫‪min‬‬

‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬
‫‪a1‬‬ ‫‪13‬‬ ‫‪16‬‬ ‫‪19‬‬ ‫‪12‬‬ ‫‪12‬‬
‫‪a2‬‬ ‫‪15‬‬
‫‪15‬‬ ‫‪18‬‬ ‫‪21‬‬ ‫‪24‬‬
‫‪a3‬‬ ‫‪27‬‬ ‫‪30‬‬ ‫‪33‬‬ ‫‪36‬‬ ‫‪27‬‬
‫‪Mini min  12 UM‬‬
‫ويكون البديل األفضل هو التوسع في المشروع القديم ‪. a1‬‬

‫معيار ‪ ( Hurwicz‬معيار الواتقعية)‪:‬‬
‫الحالة‬ ‫معيار التفاؤل‬ ‫معيار التشاؤم‬

‫البدائل‬ ‫‪0.7‬‬ ‫‪0.3‬‬
‫‪a1‬‬ ‫‪12‬‬ ‫‪19‬‬
‫‪a2‬‬ ‫‪15‬‬ ‫‪24‬‬
‫‪a3‬‬ ‫‪27‬‬ ‫‪36‬‬
‫عرض البدائل يكون كما يلي‪:‬‬
‫‪84‬‬
‫‪a1  12  0.7  19  0.3  14.1 UM‬‬

‫‪a2  15  0.7  24  0.3  17.1 UM‬‬
‫‪a1  27  0.7  36  0.3  29.7 UM‬‬
‫ويكون البديل األفضل هو التوسع في المشروع القديم ‪. a1‬‬

‫معيار الندم لـ‪: Savage‬‬
‫الحالة‬ ‫‪b4‬‬ ‫معيار الندم‬
‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬
‫‪a1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪a2‬‬ ‫‪12‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪12‬‬
‫‪a3‬‬ ‫‪14‬‬ ‫‪14‬‬ ‫‪14‬‬ ‫‪24‬‬ ‫‪24‬‬
‫‪Minimax  2045 UM‬‬
‫ويكون البديل األفضل صاحب أقل معامل ندم و هو التوسع في المشروع القديم ‪. a1‬‬
‫‪ -3-2-10‬اتخاذ القرار في ظل ظروف المخاطرة ‪Decision-making Under‬‬

‫‪: Conditions of Risk‬‬
‫في ظل ظروف المخاطرة يمتلك صانع القرار معلومات كافية لتعيين احتماالت لكل‬
‫حالة من حاالت الطبيعة‪ ،‬عادة ما تستند الق اررات المعرضة للخطر إلى أحد المعايير‬
‫التالية‪:‬‬
‫‪ -‬معيار القيمة المتوقعة ‪.Expected monetary value‬‬
‫‪ -‬شجرة اتخاذ القرار ‪. Decision Tree‬‬
‫أ‪ -‬معيار القيمة المتوتقعة ( القيمة النقدية المتوتقعة) ‪ -‬معيار)‪) EMV‬‬
‫تعد القيمة النقدية المحددة (‪ )EMV‬جزًءا ال يتج أز من إدارة المخاطر وتستخدم في‬
‫إجراء عملية تحليل المخاطر الكمية ‪ ،‬حيث تعتبر تقنية إحصائية تستخدم في إدارة‬
‫المخاطر‪.‬‬
‫لحساب أفضل بديل باستخدام هذه الطريقة نتبع الخطوات التالية‪:‬‬
‫‪85‬‬
‫‪ -‬نقوم بحساب (‪ )EMV‬لكل بديل‪ ،‬وذلك بضرب قيمة األرباح ( التكاليف) في‬
‫قيمة احتمال لكل حالة مع جمع النواتج لكل بديل‪.‬‬
‫‪ -‬نقوم بحساب القيمة المتوقعة في ظل المعلومات الكاملة ‪Expected value‬‬
‫‪ ، of perfect information‬والتي تساوي‪. EVPI  EVwPI  EVwoPI :‬‬
‫‪ : EVwoPI  Max  EMV ‬أفضل قيمة متوقعة بدون إدراج معلومات إضافية‪،‬‬
‫‪ : EVwPI‬القيمة المتوقعة مع المعلومات الكاملة‪ ،‬حيث نختار أفضل عائد لكل حالة‬
‫وضربه في احتمالها‪.‬‬
‫مثال‪ ( :1‬حالة األرباح)‬

‫الحالة‬
‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬
‫‪a1‬‬ ‫‪175‬‬ ‫‪2045‬‬ ‫‪3300‬‬
‫‪a2‬‬ ‫‪2250‬‬ ‫‪0‬‬ ‫‪3750‬‬
‫‪a3‬‬ ‫‪2000‬‬ ‫‪-5000‬‬ ‫‪3600‬‬
‫االحتمال‬ ‫‪1/3‬‬ ‫‪1/3‬‬ ‫‪1/3‬‬
‫المطلوب ‪ :‬ما هو أفضل بديل باستخدام معيار(‪ )EMV‬؟‬
‫‪1‬‬
‫‪EMV  a1  ‬‬ ‫‪175  2045  3300  1840 UM‬‬
‫‪3‬‬
‫‪1‬‬
‫‪EMV  a2    2250  0  3750   2000 UM‬‬
‫‪3‬‬
‫‪1‬‬
‫‪EMV  a3    2000  5000  3600   200 UM‬‬
‫‪3‬‬
‫أفضل بديل هو ‪ ، a2‬نحسب األن ‪: EVPI‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪EVwPI  2250   2045   3750   2681.67 UM‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪EVPI  EVwPI  EVwoPI  2681.67  2000  681.67 UM‬‬
‫‪86‬‬
‫ف ـ ‪ EVPI‬هو الثمن الذي ستكون فيه الشركة على استعداد لدفعه من أجل الوصول إلى‬
‫المعلومات المثالية‪ ،‬و في هذا السياق وعند النظر في اتخاذ قرار بشأن بناء مصنع‬
‫صغير هناك دائما درجة عدم اليقين المحيطة بالقرار‪ ،‬ألن هناك دائما فرصة أن يكون‬
‫القرار خاطئا‪ ،‬تحاول هذه القيمة قياس التكلفة المتوقعة لعدم اليقين هذا‪ ،‬والتي يمكن‬
‫تفسيرها على أنها القيمة المتوقعة للمعلومات الكاملة (‪ ،)EVPI‬نظ ار ألن المعلومات‬
‫المثالية يمكن أن تقضي على إمكانية اتخاذ القرار الخاطئ ‪.‬‬
‫إن معرفة االتجاه الذي سيتجه إليه السوق (أي الحصول على معلومات كاملة) يساوي‬
‫‪ 681.67‬وحدة نقدية‪.‬‬
‫أي في ضوء كل اتجاه في السوق‪ ،‬نختار أداة االستثمار التي تزيد الربح إلى أقصى‬
‫حد‪.‬‬
‫مثال‪ ( :2‬حالة التكاليف)‬
‫الحالة‬ ‫‪b4‬‬
‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬
‫‪a1‬‬ ‫‪13‬‬ ‫‪16‬‬ ‫‪19‬‬ ‫‪12‬‬
‫‪a2‬‬ ‫‪15‬‬ ‫‪18‬‬ ‫‪21‬‬ ‫‪24‬‬
‫‪a3‬‬ ‫‪27‬‬ ‫‪30‬‬ ‫‪33‬‬ ‫‪36‬‬
‫االحتمال‬ ‫‪1/4‬‬ ‫‪1/4‬‬ ‫‪1/8‬‬ ‫‪3/8‬‬
‫المطلوب ‪ :‬ما هو أفضل بديل باستخدام معيار(‪ )EMV‬؟‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪3‬‬
‫‪EMV  a1   13   16   19   12   14.125 UM‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪8‬‬ ‫‪8‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪3‬‬
‫‪EMV  a2   15   18   21   24   19.875 UM‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪8‬‬ ‫‪8‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪3‬‬
‫‪EMV  a3   27   30   33   36   31.875 UM‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪8‬‬ ‫‪8‬‬
‫‪87‬‬
‫أفضل بديل هو ‪ ، a1‬نحسب األن مقدار ‪: EVPI‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪3‬‬

‫‪EVwPI  13   16   19   12   14.125 UM‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪8‬‬ ‫‪8‬‬
‫‪EVwoPI  Min  EMV ‬‬
‫‪EVPI  EVwPI  EVwoPI  14.125  14.125  0 UM‬‬
‫‪ -3-10‬شجرة اتخاذ القرار ‪: Decision Tree‬‬
‫هي طريقة بيانية تساعد صاحب القرار على اتخاذ القرار السليم‪ ،‬ألنها توفر له االحاطة‬
‫بالبدائل المتاحة وتبين له حاالت الطبيعة مع احتماالت الحدوث‪ ،‬عندما يكون هناك‬
‫ق ارران متسلسالن أو أكثر وتستند الق اررات الالحقة إلى نتيجة الق اررات السابقة يصبح‬
‫نهج شجرة القرار مناسبا‪ ،‬فشجرة القرار هي عرض بياني لعملية القرار التي تشير إلى‬
‫بدائل القرار ‪ ،‬وحاالت الطبيعة واحتماالت كل منها ‪ ،‬والمكافآت لكل مجموعة من بديل‬
‫القرار وحالة الطبيعة‪.‬‬
‫القيمة النقدية المتوقعة (‪ )EMV‬هي المعيار األكثر استخداما لتحليل شجرة القرار‪ ،‬إذ‬
‫تتمثل إحدى الخطوات األولى في هذا التحليل في رسم شجرة القرار وتحديد العواقب‬
‫المالية لجميع النتائج لمسألة معينة‪ ،‬يتضمن تحليل المسائل باستخدام أشجار القرار‬
‫خمس خطوات‪:‬‬
‫‪ .1‬تحديد المشكلة‪.‬‬
‫‪ .2‬هيكل أو رسم شجرة القرار‪.‬‬
‫‪ .3‬تعيين احتماالت لحاالت الطبيعة‪.‬‬
‫‪ .4‬تقدير المكاسب لكل مجموعة ممكنة من بدائل القرار وحاالت الطبيعة‪.‬‬
‫‪ .5‬حل المشكلة عن طريق حساب القيم النقدية المتوقعة (‪ )EMV‬لكل حالة‪ ،‬ويتم ذلك‬
‫من خالل العمل للخلف ‪ -‬أي بالبدء من يسار الشجرة والعودة إلى عقد القرار على‬
‫اليمين‪.‬‬
‫‪88‬‬
‫‪ -1-3-10‬تكوين شجرة القرار‪:‬‬

‫يخرج منه بدائل القرار‪.‬‬ ‫‪ -‬رسم مربع‬
‫تخرج منها حاالت الطبيعة‪ ،‬ويكتب عليها احتمال‬ ‫‪ -‬من كل بديل نرسم دائرة‬
‫كل حالة وقيمتها‪.‬‬
‫‪ -‬حساب جداء كل قيمة من قيم الحاالت في نسبتيها‪ ،‬ونجمع محصلة كل بديل‪،‬‬
‫حيث يكون البديل األفضل صاحب أكبر قيمة في حالة ( األرباح)‪ ،‬وأصغر‬
‫قيمة في حالة ( التكاليف)‪.‬‬
‫بالرجوع إلى مثال نواقل األلياف البصرية المخصصة لالتصاالت‪ ،‬فرضا أن تكلفة‬
‫انشاء مصنع كبير تقدر بـ ‪ 800‬وحدة نقدية‪ ،‬والمصنع الصغير تقدر بـ ‪ 500‬وحدة‬
‫نقدية‪ ،‬اضافة إلى احتمال الحاالت المبينة في الجدول‪.‬‬
‫الحالة‬
‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬
‫‪ a1‬مصنعصغير‬ ‫‪1500‬‬ ‫‪2500‬‬ ‫‪3300‬‬
‫‪ a2‬مصنعكبير‬ ‫‪2250‬‬ ‫‪1000‬‬ ‫‪3750‬‬
‫‪a3‬‬ ‫‪2000‬‬ ‫‪-2000‬‬ ‫‪3600‬‬
‫االحتمال‬ ‫‪1/2‬‬ ‫‪1/4‬‬ ‫‪1/4‬‬
‫المطلوب ‪ :‬ما هو أفضل بديل باستخدام شجرة القرار ؟‬

‫‪89‬‬
‫‪EMV  a1   0.5  1500  0.25  2500  0.25  3300  2200 UM‬‬

‫‪EMV  a2   0.5  2250  0.25  1000  0.25  3750  2312.5 UM‬‬
‫‪EMV  a3   0.5  2000  0.25   2000  0.25  3600  1400 UM‬‬
‫اافي الربح المتوتقع‪:‬‬
‫‪ a1   2200  500  1700 UM‬‬

‫‪ a2   2312.5  800  1512.5 UM‬‬
‫‪ a3   1400 UM‬‬
‫أفضل بديل هو بناء مصنع صغير ‪.  a1 ‬‬
‫مزارع غير متأكد مما إذا كان يجب عليه حفر بئر في حقله وهو يستخدم حاليا مياه‬
‫القناة الحكومية لري حقله والتي يدفع مقابلها ‪ 100000‬دج في السنة‪ ،‬لم يكن تاريخ‬
‫‪90‬‬
‫حفر األبار األنبوبية في القرية مشجعا للغاية حيث تبلغ نسبة وجود الماء ‪ 40‬بالمائة‬
‫فقط حتى ‪ 150‬متر من الحفر‪ ،‬قام بعض المزارعين بالحفر لمسافة تصل إلى ‪200‬‬
‫متر لكن ‪ 30‬في المائة منهم فقط وجدوا الماء على بعد ‪ 200‬متر‪ ،‬تكلفة الحفر‬
‫‪ 4000‬دج لكل متر‪ ،‬يتعين على المزارع اتخاذ الق اررات الثالثة التالية‪:‬‬
‫أ‪ -‬هل سيحفر حتى ‪ 150‬متر؟‬
‫ب‪ -‬إذا لم يجد الماء على بعد ‪ 150‬متر‪ ،‬فهل يجب أن يحفر حتى ‪ 200‬متر؟‬
‫ج‪ -‬هل يجب أن يستمر في شراء المياه من الحكومة لمدة ‪ 10‬سنوات قادمة‪ ،‬حيث أن‬
‫عمر البئر األنبوبي هو ‪ 10‬سنوات فقط‪.‬‬
‫نوضح معطيات المسألة في الشكل التالي‪:‬‬
‫في عقدة القرار األولى يتعين على المزارع اتخاذ قرار قبل الحفر حتى ‪ 150‬متر أو‬
‫عدم الحفر‪ ،‬إذا قرر عدم الحفر فيتعين عليه دفع ‪ 100000‬دج في السنة لمدة ‪10‬‬
‫سنوات‪ ،‬إذا حفر حتى ‪ 150‬متر فهناك احتماالن ‪ % 40‬يجد الماء ‪ ،‬و ‪ % 60‬ال‬
‫‪91‬‬
‫يجد الماء ‪ ،‬إذا تم العثور على الماء فإن التكلفة التي يتكبدها هي ‪ 600000‬دج (‬
‫حفر ‪ 150‬متر بتكلفة ‪ 4000‬دج لكل متر) ‪ ،‬إذا لم يتم العثور على ماء على بعد‬
‫‪ 150‬متر فإنه يتخذ قرار الحفر حتى ‪ 200‬متر أو عدم الحفر‪ ،‬إذا لم يحفر ‪ 150‬متر‬
‫فإنه يتحمل تكلفة تقدر بـ ‪ 1600000‬دج ألنه قد أنفق بالفعل ‪ 600000‬دج للحفر‬
‫حتى ‪ 150‬متر و ‪ 1000000‬دج ( تكاليف تزويد الماء من قبل الحكومة لمدة ‪10‬‬
‫سنوات)‪ ،‬فهناك احتمال مؤكد قدره ‪ 0.30‬أنه سيتم العثور على الماء و ‪ 0.70‬لن يتم‬
‫العثور على الماء‪ ،‬إذا تم العثور على الماء فإنه ينفق ‪ 4000‬دج لكل ‪ 200‬متر ‪ ،‬واذا‬
‫لم يتم العثور عليه فسينفق ‪ 1800000‬دج ‪ ،‬حيث أنفق بالفعل ‪ 800000‬دج على‬
‫الحفر حتى ‪ 200‬متر ‪ ،‬ولكن عليه أيضا إنفاق ‪ 1000000‬دج لمدة ‪ 10‬سنوات‪.‬‬
‫في مثل هذه المسائل علينا إجراء العمليات من الخلف‪:‬‬
‫بالنسبة للعقدة ‪. EMV  B   0.30  800000  0.70  1800000  1500000 DA :B‬‬
‫( عليه اختيار األقل من ‪ 1500000‬دج و ‪ 1600000‬دج )‪.‬‬
‫بالنسبة للعقدة ‪. EMV  A  0.4  600000  0.6  1500000  1140000 DA :A‬‬
‫( عليه اختيار األقل من ‪ 1140000‬دج و ‪ 1000000‬دج)‪.‬‬
‫االختيار النهائي‪:‬‬
‫يمكن أن نرى بسهولة أن أفضل مسار عمل للمزارع هو عدم الحفر ودفع ‪1000000‬‬
‫دج للحكومة جراء التزود من المياه لمدة ‪ 10‬سنوات‪.‬‬
‫‪ -2-3-10‬مزايا طريقة شجرة القرار‪:‬‬
‫‪ -1‬طريقة منهجية ومنظمة ومنطقية ومتسلسلة‪.‬‬
‫‪ -2‬تسرد جميع النتائج المحتملة وتساعد عقد القرار على فحص كل منها‪.‬‬
‫‪92‬‬
‫‪ -3‬بما أن القرار يؤثر اآلن على عملية صنع القرار في المستقبل ‪ ،‬فإن شجرة القرار‬
‫مفيدة بشكل خاص في مثل هذه المواقف‪.‬‬
‫‪ -4‬يمكن تطبيق هذه الطريقة على مسائل القرار المختلفة‪ ،‬مثل إدخال منتج جديد‪،‬‬
‫وق اررات االستثمار وما إلى ذلك‪.‬‬
‫‪ -3-3-10‬حدود طريقة شجرة الق ارر‪:‬‬
‫‪ -1‬في مواقف الحياة الواقعية‪ ،‬يتم اتخاذ الق اررات في ظل عدد كبير من المتغيرات في‬
‫مثل هذه الحاالت يصبح الرسم التخطيطي معقدا للغاية‪.‬‬
‫‪ -2‬يفترض أن فائدة المال خطية مع الزمن وهذا ليس صحيح دائما‪.‬‬
‫‪ -3‬تنتج شجرة القرار حل فقط " متوسط " القيمة حيث يتم تحليل المسألة على أساس‬
‫القيم المتوقعة‪.‬‬
‫‪ -4‬إن إسناد االحتماالت ألحداث مختلفة ليس دقيقا في كثير من األحيان وهو مجرد‬
‫قيمة منطقية‪.‬‬
‫‪ -4-10‬نظرية المنفعة ‪: Utility Theory‬‬
‫تتعلق هذه النظرية بتفضيالت األشخاص مع األخذ بعين االعتبار الخيارات ذات‬
‫النتائج غير المؤكدة (المراهنة)‪ ،‬تنص على أن القيمة الذاتية المرتبطة بمراهنة الفرد هي‬
‫التوقعات اإلحصائية لتقييم نتائج تلك المراهنة على الفرد نفسه‪ ،‬إذ تختلف هذه‬
‫التقييمات عن القيمة النقدية لتلك النتائج‪ ،‬يعتبر تقديم دانييل بيرنولي لمفارقة سانت‬
‫بطرسبرغ عام ‪ 11738‬أولى بدايات الفرضية‪ ،‬أثبتت هذه الفرضية أنها مفيدة لشرح‬
‫‪1‬‬
‫‪ -‬مفارقة بطرسبرغ ‪Petersburg paradox‬‬
‫مفارقة سانت بطرسبرغ هي مفارقة تتعلق باالحتماالت ونظرية القرار في االقتصاد‪ ،‬وهي تتألف من لعبة يانصيب تم‬
‫تصميمها بواسطة متغير عشوائي توقعاته الرياضية النهائية ‪ ،‬ولكن من أجلها يوافق المشاركون فقط على دفع مبلغ‬
‫صغير من المال للعب‪ ،‬توضح مفارقة سانت بطرسبرغ أن معيار القرار الساذج القائم فقط على التوقع الرياضي يؤدي‬
‫إلى خيارات لن يتخذها أحد في الممارسة‪ ،‬تم اقتراح طرق مختلفة لحل هذا التناقض‪.‬‬
‫تتكون اللعبة من رمي قطعة نقد متوازية ( غير مغشوشة) بشكل متكرر حتى تظهر الصورة ( الوجه)‪ ،‬نفترض أن هذا‬
‫‪n‬‬
‫يحدث ‪ n‬من المرات مع دفع ‪ 2‬دينار لكل ظهور للصورة ‪ ،‬العائد المتوقع لهذه اللعبة هو‪:‬‬
‫‪93‬‬
‫بعض الخيارات الشائعة التي يبدو أنها تتعارض مع معيار القيمة المتوقعة (الذي يأخذ‬
‫في الحسبان أحجام العوائد واحتماالت حدوثها)‪.‬‬
‫تُظهر نظرية المنفعة لفون نيومان‪ -‬مورجينسترن (‪ )1947( )VNM‬أنه في ظل بعض‬
‫مسلمات السلوك العقالني سيتصرف صانع القرار الذي يواجه نتائج محفوفة بالمخاطر‬
‫(احتمالية) لخيارات مختلفة كما لو أنه يقوم بتعظيم القيمة المتوقعة لبعض الدوال‬
‫المحددة على النتائج المحتملة في نقطة معينة في المستقبل‪ ،‬تُعرف هذه الدالة بدالة‬
‫المنفعة‪.‬‬
‫نوضح اآلن كيف يمكن استخدام مفهوم (‪ )VNM‬لدالة المنفعة كعامل مساعد في اتخاذ‬
‫القرار في ظل عدم اليقين ‪.‬‬
‫تتمثل فرضية المنفعة المتوقعة في أنه يمكن نمذجة العقالنية على أنها تعظيم القيمة‬
‫المتوقعة ‪ ،‬والتي في ضوء النظرية يمكن تلخيصها على أنها " عقالنية ‪ ،" VNM‬ومع‬
‫ذلك فقد تم انتقاد البديهيات نفسها على أسس مختلفة مما أعطى البديهيات مزيدا من‬
‫التبرير‪.‬‬
‫‪ -1-4-10‬دالة المنفعة ‪Utility Function‬‬
‫يتم التقاط تفضيالت متخذ القرار بواسطة دالة المنفعة "‪ ، "U‬نبدأ بمناقشة الحاجة إلى‬
‫مقارنة درجة االعتقاد بين عبارتين مختلفتين‪ ،‬يتطلب هذا التوضيح القدرة على مقارنة‬
‫درجة الرغبة في نتيجتين مختلفتين‪ ،‬نذكر تفضيالتنا باستخدام العوامل التالية‪:‬‬
‫‪ A  B‬إذا فضلنا ‪ A‬على ‪.B‬‬
‫‪ A B‬إذا كنا غير مبالين بين ‪ A‬و ‪.B‬‬
‫‪‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪ P 2‬‬
‫‪n 1‬‬
‫‪n‬‬
‫‪n‬‬
‫‪‬‬
‫‪2‬‬
‫‪ 2   4   8  ......‬‬
‫‪4‬‬ ‫‪8‬‬
‫‪ 1  1  1  .....  ‬‬
‫‪94‬‬
‫‪ A  B‬إذا كنا نفضل ‪ A‬على ‪ B‬أو كنا غير مبالين‪.‬‬

‫مثلما يمكن أن تكون المعتقدات ذاتية ‪ ،‬كذلك يمكن أن تكون التفضيالت‪.‬‬
‫إذا كانت ‪ S1:n‬هي مجموعة من النتائج و ‪ ، P1:n‬هي االحتماالت المرتبطة بها‪ ،‬تتم‬
‫كتابة المراهنة التي تتضمن هذه النتائج واالحتماالت ‪.  S1 : P1 ;......; Sn : Pn ‬‬
‫يناقش هذا القسم كيف ينشأ وجود مقياس حقيقي لقيمة المنفعة من مجموعة من‬
‫االفتراضات حول التفضيالت و من خالل دالة المنفعة هذه من الممكن تحديد ما يعنيه‬
‫اتخاذ ق اررات عقالنية في ظل عدم اليقين‪.‬‬
‫‪ -2-4-10‬القيود للى التفضيالت العقالنية‪:‬‬
‫مثلما فرضنا مجموعة من القيود على المعتقدات‪ ،‬سنفرض بعض القيود على‬
‫التفضيالت‪ ،‬تسمى هذه القيود أحيانا بـبديهيات ‪ VNM‬التي صاغها جون فون نيومان‬
‫وأوسكار مورجينسترن في األربعينيات‪.‬‬
‫‪ -1‬االكتمال ‪ :Completeness‬واحد بالضبط من عمليات التعليق التالية‪:‬‬
‫‪A B , B  A ;A‬‬ ‫‪B‬‬
‫‪ -2‬التعدي‪A  B , B  C  A  C :Transitivity‬‬
‫‪ -3‬االيتمرارية ‪ : Continuity‬إذا كان ‪ ، A  C  B‬فيوجد احتمال ‪p‬‬
‫كهذا ‪.  A : P ; B :1  P  C‬‬
‫‪ -4‬االيتقاللية ‪ :Independence‬إذا كان ‪ A  B‬ثم ألي ‪C‬‬
‫واالحتمال ‪ A : P ;C :1  P    B : P ;C :1  P ‬‬
‫هذه قيود على التفضيالت العقالنية‪ ،‬ال نقول شيئا عن تفضيالت البشر الفعليين ‪ ،‬في‬
‫الواقع هناك دليل قوي على أن البشر ليسوا عقالنيين تماما‪ ،‬هدفنا في هذه الفقرات هو‬
‫فهم اتخاذ القرار العقالني من منظور حسابي حتى نتمكن من بناء أنظمة مفيدة‪.‬‬
‫نرجع إلى مفهوم دالة المنفعة ‪:utility function‬‬
‫مثلما تؤدي القيود المفروضة على مقارنة معقولية للبيانات المختلفة إلى وجود مقياس‬
‫احتمالي حقيقي للقيمة ‪ ،‬بحيث أن هذه القيود تؤدي إلى وجود مقياس منفعي حقيقي‬
‫‪95‬‬
‫للقيمة ويترتب على قيودنا على التفضيالت العقالنية أن هناك دالة منفعة حقيقية القيمة‬
‫‪ U‬مثل ذلك‪:‬‬
‫‪ U  A  U  B  -‬إذا وفقط إذا كان ‪ A  B‬و ‪ U  A  U  B ‬إذا وفقط إذا‬
‫كان ‪. A B‬‬
‫‪ -‬دالة المنفعة وحيدة من نوعها حتى في التحويل التألفي‪ ،‬بمعنى أخر ألي ثوابت‬
‫‪ m  0‬و ‪ U   S   mU  S   b ، b‬إذا وفقط إذا كانت التفضيالت التي‬
‫تحدثها ‪ U‬هي نفسها مثل ‪ ، U ‬فالمنفعة مثل درجة الح اررة‪ :‬يمكننا مقارنة‬
‫درجات الح اررة باستخدام كلفن أو سيليزيوس أو فهرنهايت ‪ ،‬وكلها تحويالت‬
‫تألفية لكل منها مع األخر‪.‬‬
‫ويترتب على القيود المفروضة على التفضيالت العقالنية أن منفعة الرهان يعطى كما‬
‫يلي‪:‬‬
‫‪n‬‬
‫‪U  S1 : P1 ;......; Sn : Pn‬‬ ‫‪   Pi  U  Si ‬‬
‫‪i 1‬‬
‫لنفترض أننا نبني نظاما لتجنب االصطدام‪ ،‬إذ يتم تحديد نتيجة مواجهة طائرة من‬
‫خالل ما إذا كان النظام يقوم بالتنبيه (‪ )A‬وما إذا كان االصطدام ينتج (‪ ،)C‬نظ ار ألن‬
‫‪ A‬و ‪ C‬ثنائيتان فهناك أربع نتائج محتملة طالما أن تفضيالتنا عقالنية ‪ ،‬يمكننا كتابة‬
‫دالة المنفعة الخاصة بنا على فضاء الرهان المحتملة من حيث أربعة معلمات‪:‬‬
‫‪U  a 0 , c 0  ,U  a1 , c 0  ,U  a 0 , c1  ,U  a1 , c1 ‬‬
‫على سبيل المثال‪ U  a 0 , c0 : 0.3 ; a1, c0 : 0.2 ; a 0 , c1 : 0.4 ; a1, c1 : 0.1   :‬‬
‫تساوي‪:‬‬
‫‪0.3U  a 0 , c 0   0.2U  a1 , c 0   0.4U  a 0 , c1   0.1U  a1 , c1 ‬‬
‫‪96‬‬
‫إذا كانت دالة المنفعة محدودة‪ ،‬فيمكننا تحديد دالة المنفعة المعيارية‪ ،‬حيث يتم تعيين‬
‫أفضل نتيجة ممكنة للمنفعة المعينة ‪ ، 1‬ويتم تعيين أسوأ نتيجة ممكنة للمنفعة المعينة‬
‫‪ ،0‬ويتم قياس منفعة كل نتيجة من النتائج األخرى وترجمتها حسب الضرورة‪.‬‬
‫‪ -3-4-10‬أتقاى منفعة متوتقعة (‪: Maximum Expected Utility (MEU‬‬
‫ينص مبدأ الحد األقصى من المنفعة المتوقعة على أن متخذ القرار العقالني يجب أن‬
‫يختار الخطوة التي تزيد من المنفعة المتوقعة‪ ،‬بعبارة أخرى فإن مبدأ (‪ (MEU‬هو‬
‫وصفة طبية للسلوك الذكي‪.‬‬
‫للتوضيح نضع هذا المثال التالي‪ :‬نحتاج إلى معرفة ما إذا كنا بحاجة إلى حمل مظلة‬
‫أم ال ؟ إذا هطل المطر ولم يكن لدينا مظلة ‪ ،‬فإن منفعتنا هي ‪ 0‬وحدة ‪ ،‬بينما تكون‬
‫‪ 30‬وحدة إذا كان لدينا مظلة‪ ،‬إذا لم تمطر ولم يكن لدينا مظلة فإن المنفعة الخاصة‬
‫بنا هي ‪ 36‬وحدة بينما تكون ‪ 30‬وحدة إذا كان لدينا مظلة‪ ،‬فرصة هطول أمطار في‬
‫أي يوم ‪.٪50‬‬
‫فتحليل المنفعة المتوقعة لتحديد ما إذا كان ينبغي حمل المظلة أم ال يكون كما يلي‪:‬‬
‫‪) = 0.5 ×30+0.5 ×30 = 30‬حمل المظلة(‪EU‬‬

‫‪) = 0.5 ×0+0.5 ×36 = 18‬عدم حمل المظلة(‪EU‬‬
‫لنهتم بمسألة اتخاذ ق اررات عقالنية بمعرفة غير كاملة للحاالت‪ ،‬نفترض أن لدينا‬
‫نموذجا احتماليا ‪ P  S  \ 0, a ‬الذي يمثل احتمال أن تصبح الحالة ‪ S ‬على النحو‬
‫الذي نالحظه ‪ 0‬ونتخذ اإلجراء ‪ ، a‬لدينا دالة المنفعة ‪ U  S ‬التي ترمز لتفضيالتنا‬
‫على فضاء النتائج‪ ،‬يتم تقديم منفعتنا المتوقعة في اتخاذ إجراء ‪ a‬عند مالحظة معينة‬
‫‪:0‬‬
‫‪. EU  a \ 0   P  S  \ 0, a   U  S ‬‬
‫‪S‬‬
‫‪97‬‬
‫ينص مبدأ الحد األقصى من المنفعة المتوقعة على أن العامل العقالني يجب أن يختار‬
‫اإلجراء الذي يزيد المنفعة المتوقعة إلى الحد األقصى‪ ،‬أي‪. a*  argmax EU  a \ 0 :‬‬
‫‪a‬‬
‫‪ -4-4-10‬ايتنباط المنفعة‪:‬‬
‫عند بناء نظام اتخاذ القرار أو دعم القرار‪ ،‬غالبا ما يكون من المفيد استنتاج دالة‬
‫المنفعة من إنسان أو مجموعة من البشر‪ ،‬هذا النهج يسمى استنباط المنفعة أو استنباط‬
‫التفضيل‪ ،‬تتمثل إحدى طرق القيام بذلك في وضع ‪ 0‬ألسوأ منفعة ‪ ،‬و ‪ 1‬ألفضل نتيجة‬
‫‪ ،‬طالما أن المنفعة الخاصة بالنتائج محدودة ‪ ،‬يمكننا ترجمة وتوسيع نطاق المنفعة‬
‫دون تغيير التفضيالت‪ ،‬فإذا أردنا تحديد منفعة النتيجة ‪ ، S‬فإننا نحدد االحتمال‪.‬‬
‫مثال‪:‬‬
‫نفترض أن لدينا ‪ 10000000‬دج نودوا استثمارها على المدى القصير‪ ،‬ظهرت لنا‬
‫ثالثة خيارات‪:‬‬
‫‪ -‬ايداع بنكي بعائد ‪.) a1 ( ٪8‬‬
‫‪ -‬صندوق السندات بعائد غير مؤكد ( ‪.) a2‬‬
‫‪ -‬صندوق األسهم بعائد غير مؤكد ( ‪.) a3‬‬
‫أمام ثالث حاالت‪ :‬معدل منخفض ( ‪ ،) b1‬معدل مستقر ( ‪ ،) b2‬معدل مرتفع ( ‪.) b3‬‬
‫باقي المعلومات مبينة في الجدول التالي‪:‬‬
‫الحالة‬
‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬
‫‪a1‬‬ ‫‪800‬‬ ‫‪800‬‬ ‫‪800‬‬
‫‪a2‬‬ ‫‪-1000‬‬ ‫‪1680‬‬ ‫‪2000‬‬
‫‪a3‬‬ ‫‪-1800‬‬ ‫‪1200‬‬ ‫‪3400‬‬
‫االحتمال‬ ‫‪1/3‬‬ ‫‪1/3‬‬ ‫‪1/3‬‬
‫البيانات بـ ‪103‬‬
‫المطلوب‪ :‬حدد أفضل قرار باستخدام‪:‬‬
‫‪ -1‬القيمة المتوقعة‪.‬‬
‫‪98‬‬
‫‪ -2‬المنفعة المتوقعة‪.‬‬
‫حل المثال‪:‬‬
‫‪ -1‬القيمة المتوتقعة‪:‬‬
‫أفضل بديل باستخدام القيمة المتوقعة‪:‬‬
‫‪1‬‬
‫‪EMV  a1  ‬‬ ‫‪800  800  800  800 DA‬‬
‫‪3‬‬
‫‪1‬‬
‫‪EMV  a2    1000  1680  2000   893.33 DA‬‬
‫‪3‬‬
‫‪1‬‬
‫‪EMV  a3    1800  1200  3400   933.33 DA‬‬
‫‪3‬‬
‫أفضل بديل باستخدام القيمة المتوقعة هو ‪. a3‬‬

‫‪ -2‬المنفعة المتوتقعة‪:‬‬
‫من خالل معيار القيمة المتوقعة وجدنا أن أفضل بديل هو ‪ ( a3‬االستثمار في صندوق‬
‫األسهم) ‪ ،‬لنلقي نظرة من زاوية أخرى تتعلق بقدرة هذه الشركة على استيعاب خسائر‬
‫بقيمة ‪ 1800‬دج ( االستثمار في صندوق األسهم بمعدل منخفض) ‪ ،‬هذا إن دل فأنه‬
‫يدل على القدرة المالية الضعيفة حتى وان كانت جزئيا‪ ،‬نفس الشيء ينطبق في (‬
‫االستثمار في صندوق السندات بمعدل منخفض)‪ ،‬مع هذه الظروف المالية الصعبة‬
‫يستحسن لهذه الشركة ايداع أموالها في البنك لتقليل المخاطر‪ ،‬للتأكيد على اختيار هذا‬
‫البديل نستخدم معيار المنفعة المتوقعة‪ ،‬حيث نتبع الخطوات التالية‪:‬‬
‫أوال‪ :‬نقوم بتعيين أعلى منفعة ألعلى عائد ‪ ( U  x   10‬أستخدمنا السلم ‪، ) 0 , 10‬‬
‫ثم تعيين أدنى منفعة ألدنى عائد ‪. U  x   0‬‬
‫ثانيا‪ :‬ترتيب العوائد تنازليا‪:‬‬
‫العائد ‪ x ‬‬ ‫المنفعة ‪U  x ‬‬

‫‪3400‬‬ ‫‪10‬‬
‫‪99‬‬
‫‪2000‬‬
‫‪1680‬‬
‫‪1200‬‬
‫‪800‬‬
‫‪-1000‬‬
‫‪ -1800‬‬ ‫‪0‬‬
‫ثالثا‪ :‬تحديد المنفعة المرتبطة مع العوائد األخرى‪ ،‬بفرض أن متخذ القرار سيختار‬
‫المراهنة بالعائد ‪ 3400‬دج ومبلغ مضمون بقيمة ‪ 2000‬دج ‪ ،‬من الواضح أن متخذ‬
‫القرار سيختار المراهنة بعائد ‪ 3400‬دج كلما كان االحتمال ‪ p‬قريب من ‪ ، 1‬لكن‬
‫سيواجه صعوبة في المفاضلة بين الدخول في المراهنة أو المبلغ األكيد كلما انخفض‬
‫االحتمال ‪ p‬من ‪ ،1‬سيختار المبلغ المضمون كلما اقترب االحتمال ‪ p‬من ‪.0‬‬
‫بفرض أن ‪ P  0.9‬يمكن حساب منفعة العائد ‪ 2000‬دج ‪:‬‬
‫‪U  2000  P  U  3400  1  P U  1800‬‬
‫‪ 0.9 10  0.1 0  9‬‬
‫الجدول التالي‪:‬‬ ‫وبنفس الكيفية مع بقية القيم األخرى‪ ،‬نوضحها في‬
‫العائد ‪ x ‬‬ ‫االحتمال‬ ‫المنفعة ‪U  x ‬‬
‫‪3400‬‬ ‫‪1‬‬ ‫‪10‬‬
‫‪2000‬‬ ‫‪0.9‬‬ ‫‪9‬‬
‫‪1680‬‬ ‫‪0.85‬‬ ‫‪8.5‬‬
‫‪1200‬‬ ‫‪0.80‬‬ ‫‪8‬‬
‫‪800‬‬ ‫‪0.75‬‬ ‫‪7.5‬‬
‫‪-1000‬‬ ‫‪0.35‬‬ ‫‪3.5‬‬
‫‪ -1800‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪100‬‬
‫رابعا‪ :‬تكوين مافوفة المنفعة‪.‬‬
‫الحالة‬ ‫المنفعة‬
‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬ ‫المتوقعة‬
‫‪a1‬‬ ‫‪7.5‬‬ ‫‪7.5‬‬ ‫‪7.5‬‬ ‫‪7.5‬‬
‫‪a2‬‬ ‫‪3.5‬‬ ‫‪8.5‬‬ ‫‪9‬‬ ‫‪7‬‬
‫‪a3‬‬ ‫‪0‬‬ ‫‪8‬‬ ‫‪10‬‬ ‫‪6‬‬
‫االحتمال‬ ‫‪1/3‬‬ ‫‪1/3‬‬ ‫‪1/3‬‬
‫أفضل بديل باستخدام المنفعة المتوقعة هو ‪ ( a1‬ايداع األموال بالبنك)‪.‬‬

‫‪ -5-10‬المنفعة األيية ‪: Exponential utility‬‬
‫في االقتصاد والتمويل ‪ ،‬المنفعة األسية هي شكل محدد من دالة المنفعة ‪ ،‬وتستخدم في‬
‫بعض السياقات بسبب مالءمتها عند وجود مخاطر (يشار إليها أحيانا باسم عدم‬
‫اليقين) ‪ ،‬وفي هذه الحالة يتم تعظيم المنفعة المتوقعة‪ ،‬تم تقديم المنفعة األسية بواسطة‬
‫دانييل برنولي‪ 1‬الذي أسس دوال المنفعة في عام ‪ ،1738‬فالمنفعة مصطلح يستخدمه‬
‫االقتصاديون لوصف القيمة‪ ،‬تقوم دالة المنفعة أو المنحنى بترجمة مقياس موضوعي‪.‬‬
‫استطلع برنولي الناس ووجد أنهم بشكل غير مفاجئ يكرهون المخاطرة‪ ،‬وافترض أن‬
‫تحمل الفرد للمخاطر يتناسب تقريبا مع الثروة‪ ،‬ال عجب‪ :‬األثرياء أكثر قدرة على تحمل‬
‫المزيد من المخاطر‪.‬‬
‫‪x‬‬
‫‪U  x  1  e R‬‬ ‫يعطى شكل المنفعة األسية على النحو االتي‪:‬‬
‫هنا ‪ x‬قيمة نقدية ( مكافأة إذا كانت موجبة‪ ،‬والتكلفة إذا كانت سالبة)‪ U  x  ،‬هي دالة‬
‫هذه القيمة‪ ،‬و ‪ R‬هي معلمة قابلة للتعديل تسمى تحمل المخاطرة‪ ،‬في األساس يقيس‬
‫‪1‬‬
‫‪ -‬دانييل برنولي ( ‪ ، Daniel Bernoulli ) 1782 – 1700‬رياضياتي وفيزيائي سويسري أحد علماء الرياضيات‬
‫البارزين في عائلة برنولي من بازل‪ ،‬نتذكره بشكل خاص في تطبيقاته للرياضيات في الميكانيكا ‪ ،‬وخاصة ميكانيكا‬
‫الموائع ‪ ،‬ولعمله الرائد في االحتماالت واإلحصاء‪ ،‬أشهر عمل له كان كتابه الموائع المتحركة الهيدروديناميكا الذي نشر‬
‫عام ‪ 1738‬ووضع فيه دراسة نظرية وعملية التزان المائع وسرعته وضغطه‪ ،‬وبين أن ضغط المائع يقل إذا زادت‬
‫سرعته‪ ،‬وهو ما يعرف حاليا بمبدأ برنولي‪ ،‬إحدى مشتقات قانون انحفاظ الطاقة‪.‬‬
‫‪101‬‬
‫تحمل المخاطر مقدار المخاطر التي سيتحملها صانع القرار‪ ،‬كلما زادت قيمة ‪ R‬قل‬
‫نفور صانع القرار من المخاطرة‪ ،‬أي أن الشخص الذي لديه قيمة كبيرة لـ ‪ R‬يكون أكثر‬
‫استعدادا لتحمل المخاطر من الشخص الذي يمتلك قيمة صغيرة لـ ‪.R‬‬
‫فبدال من مطالبة صانع القرار بتحديد منفعة لكل احتمال عائد ‪ ،‬يمكن تعويضها‬
‫باستخدام دالة المنفعة األسية‪ ،‬حيث أشرنا إلى أن ‪ R‬هي معلمة الشكل وهي مؤشر‬
‫تحمل المخاطر‪ ،‬فأصغر قيم ‪ R‬لها أكثر تقع ار لـ ‪ U  x ‬وهم أكثر نفو ار من المخاطرة‪.‬‬
‫نوضح ذلك باستخدام برنامج ‪: Maple‬‬
‫‪ -1-5-10‬تقدير تقيمة‪: R‬‬
‫تتمثل إحدى طرق تقدير قيمة ‪ R‬المناسبة لصانع القرار في‪:‬‬
‫نبحث عن الحد األقصى للمكافأة ‪ ( R‬بوحدة نقدية ) التي يعتقد صانع القرار أن‬
‫( بوحدة نقدية )‪.‬‬ ‫اغتنامها لربح ‪ (R‬بوحدة نقدية ) يعادل خسارة‬

‫‪R‬‬
‫‪2‬‬
‫هل نراهن على ربح ‪ 2000‬دج مقابل خسارة ‪ 1000‬دج ؟‬
‫‪102‬‬
‫ماذا عن المخاطرة بـ ‪ 1000‬دج للفوز بـ ‪ 2000‬دج ؟‬
‫ماذا عن المخاطرة بـ ‪ 4000‬دج للفوز بـ ‪ 8000‬دج ؟‬
‫فـ ـ ‪ R‬تقيس أقصى مستوى للمخاطرة‪.‬‬
‫في مثالنا اليابق‪:‬‬
‫قرار االستثمار الشخصي بقيمة ‪ 10000000‬دج‪ ،‬نفترض أننا تستخدم دالة منفعة‬
‫أسية مع ‪ R  800‬دج‪.‬‬
‫‪x‬‬
‫‪‬‬
‫‪U  x  1  e‬‬ ‫‪800‬‬
‫إننا على استعداد للمخاطرة بمبلغ ‪ 400‬دج للفوز بـ ‪ 800‬دج‪.‬‬
‫وبنفس الكيفية مع بقية القيم األخرى‪ ،‬نوضحها في الجدول التالي‪:‬‬

‫المنفعة األسية‬
‫العائد ‪ x ‬‬ ‫‪U  x‬‬
‫‪3400‬‬ ‫‪0.9857‬‬
‫‪2000‬‬ ‫‪0.9179‬‬
‫‪1680‬‬ ‫‪0.8775‬‬
‫‪1200‬‬ ‫‪0.7768‬‬
‫‪800‬‬ ‫‪0.6321‬‬
‫‪-1000‬‬ ‫‪-2.4903‬‬
‫‪ -1800‬‬ ‫‪-8.4877‬‬
‫‪103‬‬
‫رابعا‪ :‬تكوين مافوفة المنفعة األيية‪.‬‬

‫الحالة‬ ‫المنفعة األسية‬
‫البدائل‬ ‫‪b1‬‬ ‫‪b2‬‬ ‫‪b3‬‬ ‫المتوقعة‬
‫‪a1‬‬ ‫‪0.6321‬‬ ‫‪0.6321‬‬ ‫‪0.6321‬‬ ‫‪0.6321‬‬
‫‪a2‬‬ ‫‪-2.4903‬‬ ‫‪0.8775‬‬ ‫‪0.9179‬‬ ‫‪-0.2316‬‬
‫‪a3‬‬ ‫‪ -8.4877‬‬ ‫‪ 0.7768‬‬ ‫‪0.9857‬‬ ‫‪-2.2417‬‬
‫االحتمال‬ ‫‪1/3‬‬ ‫‪1/3‬‬ ‫‪1/3‬‬
‫أفضل بديل باستخدام المنفعة األسية هو ‪ ( a1‬ايداع األموال بالبنك)‪.‬‬
‫األلالم المذكورة في الفال العاشر‪:‬‬
‫‪104‬‬
‫الفال الحادي لشر ‪ :‬ياليل ماركوف ‪Markov‬‬

‫‪Chains‬‬
‫قبل التطرق إلى شرح مفهوم سالسل ماركوف‪ 1‬وجب التطرق إلى شرح العمليات‬
‫التصادفية ( أو العشوائية)‪.‬‬
‫‪ -1-11‬مفهوم العمليات التاادفية ( أو العشوائية)‪:‬‬
‫هي تعميم لمفهوم المتغير العشوائي المستخدم في نظرية االحتمال‪ ،‬إذ أن دراسة‬
‫االحتمال لتجربة مكونة من مشاهدات بحيث أن هذه المتغيرات العشوائية تدرس مناظرة‬
‫كل مشاهدة بعدد أو أكثر‪ ،‬أما دراسة العمليات العشوائية فتستجوب مقابلة كل مشاهدة‬
‫بدالة في الزمن‪.‬‬
‫كلمة عشوائية أو تصادفية ( ستوكاستيكية) تعني االحتمالية‪ ،‬أما كلمة عملية فتعني‬
‫دالة في الزمن ‪ ،‬أي أننا في العمليات العشوائية ندرس دوال عشوائية في الزمن‪.‬‬
‫تُعمم العملية العشوائية مفهوم المتغير العشوائي المستخدم في نظرية االحتمال‪ ،‬حيث‬
‫يتم تعريفها‪ " :‬بأنها عائلة من المتغيرات العشوائية ‪ X  t ‬المرتبطة بجميع القيم ‪. t T‬‬
‫‪1‬‬
‫‪ -‬آندريه ماركوف ( ‪ ، Andrey Markov )1922 - 1856‬رياضياتي روسي من أشهر أعماله تلك المتعلقة‬
‫بنظرية العملية العشوائية‪ ،‬وتعرف بحوثه بسالسل ماركوف‪.‬‬
‫‪105‬‬
‫تعاريف لامة‪:‬‬
‫‪ -‬نسمي عائلة المتغيرات العشوائية بالعملية العشوائية ‪  X  t  : t  0‬ذات‬

‫المعلمة ‪. t‬‬
‫‪ -‬نسمي مجموعة القيم الممكنة للمتغير العشوائي ‪ X  t ‬بحاالت ‪ states‬العملية‬
‫العشوائية‪ ،‬كما يمكن تحديد مواضع ( مواقع) العملية العشوائية‪ ،‬مثال‬
‫‪ X  t   i‬أي أن العملية تكون في الحالة ‪ i‬عند اللحظة ‪.t‬‬
‫‪ -‬إذا كانت المجموعة ‪ S‬عبارة عن مجموعة متقطعة‪ ،‬فأن العملية العشوائية‬
‫‪  X  t  : t  0‬تسمى عملية عشوائية ذات فضاء حالة متقطع ( منفصل)‪.‬‬
‫‪ -‬إذا كانت المجموعة ‪ S‬عبارة عن مجموعة مستمرة أي ‪ ، S    ,  ‬فأن‬

‫العملية العشوائية ‪  X  t  : t  0‬تسمى عملية عشوائية ذات فضاء حالة‬
‫مستمر ( متصل)‪.‬‬
‫تسمى مجموعة جميع القيم الممكنة لمعلمة العملية العشوائية ‪ X  t  : t  0‬‬ ‫‪-‬‬
‫بفضاء المعلمة‪ ،‬ويرمز له بالرمز‪.T‬‬
‫مالحظات‪:‬‬
‫‪ -‬إذا كانت المجموعة ‪ T‬متقطعة‪ ،‬فأن العملية العشوائية ‪  X  t  : t  0‬تسمى‬

‫بعملية عشوائية متقطعة الزمن‪ ،‬كما يمكننا استخدام الرمز ‪ n‬بدال من الرمز ‪،t‬‬
‫ونكتب ‪ X  n ‬أو ‪ X n‬بدال من ‪ X  t ‬أو ‪. X t‬‬
‫‪ -‬هناك أنواع للعمليات العشوائية‪ ،‬سنتهم بواحدة وهي‪ :‬لكل عملية عشوائية فضاء‬
‫حالة ‪ S‬وفضاء معلمة‪ ،T‬إذا كان فضاء الحالة قابل للعد فأن العملية العشوائية‬
‫تسمى سلسلة ‪.chain‬‬
‫‪106‬‬
‫‪ -2-11‬خااية ماركوف ‪: Markov Property‬‬
‫لكي يتم اعتبار أي عملية نمذجة ماركوفية يجب أن تحقق خاصية ماركوف‪ ،‬حيث‬
‫تنص هذه الخاصية على أن احتمال الحالة التالية يعتمد فقط على الحالة الحالية ‪ ،‬فكل‬
‫شيء قبل الحالة الحالية غير مناسب‪ ،‬بمعنى أخر النظام بأكمله بال ذاكرة تماما‪.‬‬
‫رياضيا يكتب على النحو التالي‪:‬‬
‫‪P  X n  sn \ X n 1  sn 1 ,......, X 0  s0   P  X n  sn \ X n 1  sn 1  ....... 1‬‬
‫حيث ‪ n‬هي معلمة الخطوة الزمنية و ‪ X‬هو متغير عشوائي يأخذ قيمة في فضاء حالة‬
‫معينة ‪ ، S‬يشير هذا الفضاء إلى جميع النتائج المحتملة لحدث ما‪ ،‬على سبيل المثال‬
‫رمي قطعة نقد منتظمة ‪ ،‬فضاء الحالة يكون كالتالي ‪ ، S  H , G :‬حيث ‪ H‬ترمز‬
‫‪.‬‬ ‫للصورة و ‪ G‬ترمز للكتابة‪ ،‬واحتمال االنتقال من حالة إلى أخرى هو‬
‫‪1‬‬
‫‪2‬‬
‫‪ -3-11‬ماهية يليلة ماركوف‪:‬‬
‫كان الفضل في إيجادها الروسي أندريه ماركوف ‪ ،‬فسلسلة ماركوف هي نظام رياضي‬
‫يختبر انتقاالت من حالة إلى أخرى وفقًا لقواعد احتمالية معينة ‪ ،‬تُعرف العملية التي‬
‫تستخدم خاصية ماركوف باسم عملية ماركوف‪ ،‬إذا كان فضاء الحالة محدود ونستخدم‬
‫خطوات زمنية متقطعة ( منفصلة ) تُعرف هذه العملية باسم سلسلة ماركوف‪ ،‬بمعنى‬
‫أخر إنها سلسلة من المتغيرات العشوائية التي تأخذ حاالت في فضاء الحالة المحدد‪.‬‬
‫‪107‬‬
‫سنتطرق إلى سالسل ماركوف المتجانسة والمتجانسة زمنيا ألنها األسهل ‪ ،‬إذ توجد‬
‫سالسل ماركوف غير المتجانسة مع الزمن حيث ال يكون احتمال االنتقال بين الحاالت‬
‫ثابتا ويختلف مع مرور الزمن‪.‬‬
‫المثال الموضح أدناه يعبر عن سلسلة ماركوف بفضاء الحالة {‪ ،}C ، B ، A‬تشير‬
‫األرقام الموجودة على األسهم إلى احتمال االنتقال بين هاتين الحالتين‪.‬‬
‫على سبيل المثال‪ ،‬إذا كنا نريد االنتقال من الحالة "‪ "B‬إلى "‪ ،"A‬فإن فرصة هذا‬
‫االنتقال تبلغ ‪ ٪30‬رياضيا نكتبها ما يلي‪:‬‬
‫‪P  X n  sn \ X n 1  sn 1   P  X n  A \ X n 1  B ‬‬
‫‪ -1-3-11‬مافوفة االحتمال االنتقالية ‪: Probability Transition Matrix‬‬
‫وهي مصفوفة كل عنصر فيها عبارة عن احتمال انتقال مشروط‪ ،‬وتكتب المصفوفة‬
‫على شكل ‪ Pij ، P   Pij ‬هو عنصر يمثل احتمالية انتقال العملية إلى الحالة ‪ j‬علما‬
‫أنها في الحالة ‪ ، i‬وتدعى أحيانا بالمصفوفة التصادفية ( العشوائية ) ‪Stochastic‬‬

‫‪ ،matrix‬يمكننا تبسيط وتعميم هذه االنتقاالت من خالل إنشاء مصفوفة انتقال احتمالية‬
‫‪108‬‬
‫لسلسلة ماركوف المعطاة‪ ،‬تحتوي مصفوفة االنتقال على صفوف ‪ i‬وأعمدة ‪ j‬وبالتالي‬
‫فإن قيم الدليالن ‪ i‬و ‪ j‬تعطي احتماالت االنتقاالت من ‪ i‬إلى ‪. j‬‬
‫هناك عدة تعريفات وأنواع مختلفة من المصفوفات العشوائية‪:‬‬
‫المصفوفة العشوائية ( من الجهة اليسرى ) ( الحالة ‪ )1‬هي مصفوفة مربعة من األعداد‬

‫الحقيقية غير السالبة ‪ ،‬كل صف مجموعه ‪.1‬‬
‫المصفوفة العشوائية ( من الجهة اليمنى ) ( الحالة ‪ )2‬عبارة عن مصفوفة مربعة من‬

‫األعداد الحقيقية غير السالبة ‪ ،‬كل عمود مجموعه ‪.1‬‬
‫المصفوفة العشوائية المزدوجة هي مصفوفة مربعة من األعداد الحقيقية غير السالبة كل‬
‫صف وعمود مجموعه ‪.1‬‬
‫وتتميز مصفوفة االنتقال بصفتين هما‪:‬‬
‫كل عنصر من عناصر المصفوفة يمثل قيمة احتمالية‪ ،‬أي ‪ P i, j   1 :‬‬
‫‪j‬‬
‫‪-‬‬
‫‪0  P  i, j   1‬‬
‫‪ -‬مجموع عناصر كل صف من صفوف المصفوفة يساوي الواحد الصحيح‬
‫‪P‬‬ ‫‪ij‬‬ ‫( الحالة ‪ ،)1‬أي‪ 1 ; i  T :‬‬

‫‪jT‬‬
‫‪ -‬مجموع عناصر كل عمود من أعمدة المصفوفة يساوي الواحد الصحيح‬
‫‪P‬‬ ‫‪ij‬‬ ‫( الحالة ‪ ،)2‬أي‪ 1 ; j  T :‬‬

‫‪iT‬‬
‫مصفوفة االنتقال ( العبور) لسلسلة ماركوف للمثال السابق تعطى كما يلي‪:‬‬
‫‪109‬‬
‫‪ -2-3-11‬معادلة تشابمان‪ -1‬كولموغوروف‪Chapman–Kolmogorov 2‬‬

‫‪: equation‬‬
‫في نظرية العمليات العشوائية الماركوفية معادلة تشابمان‪-‬كولموغوروف هي مساواة‬

‫تتعلق بالتوزيعات االحتمالية المشتركة لمجموعات مختلفة من اإلحداثيات في عملية‬
‫عشوائية‪ ،‬إذا أردنا ايجاد احتمال انتقال الظاهرة من الحالة ‪ i‬نحو الحالة ‪ j‬بعدد محدود‬
‫من الخطوات أو المدد الزمنية مقداره ‪ n‬خطوة‪ ،‬نستخدم عالقة تشابمان‪-‬‬
‫كولموغوروف‪ ،‬تم اشتقاق المعادلة بشكل مستقل من قبل البريطاني سيدني تشابمان و‬
‫الروسي أندري كولموغوروف‪ ،‬تعطى كما يلي‪:‬‬
‫ليكن‪ Pijn   P  X n  j \ X 0  i  :‬احتمال انتقال الظاهرة من الحالة ‪ i‬نحو الحالة ‪j‬‬

‫بعدد محدود من الخطوات أو المدد الزمنية هو بالضبط ‪ n‬خطوة‪:‬‬
‫‪‬‬ ‫‪‬‬
‫‪Pij n m     X n m  j \ X n  k    X n  k \ X 0  i    Pik n  Pkj m ‬‬
‫‪k 0‬‬ ‫‪k 0‬‬
‫‪1‬‬
‫‪ -‬سيدني تشابمان (‪ ، Sydney Chapman) 1970 – 1888‬رياضياتي وجيوفيزيائي بريطاني ألهم عمله في‬
‫النظرية الحركية للغازات والفيزياء الشمسية‪-‬األرضية وطبقة األوزون على األرض مجموعة واسعة من األبحاث على‬
‫مدى عقود عديدة‪.‬‬
‫‪2‬‬
‫‪ -‬أندريه كولموغوروف(‪ ، kolmogorov Andrey )1987-1903‬رياضياتي روسي األصل‪ ،‬التحق بجامعة‬
‫موسكو سنة ‪ ،1920‬توصل إلى نتيجة هامة حول السالسل المثلثية بعد اهتمامه بالمنطق الرياضي‪ ،‬بدأ سنة ‪ 1925‬في‬
‫ميدان االحتماالت و تحصل على شهادة الدكتوراه سنة ‪ ،1931‬يعتبر من رواد الحساب االحتمالي و لقب بإقليدس القرن‬
‫العشرين‪.‬‬
‫‪110‬‬
‫إذا كانت ‪ Pn ‬مصفوفة تحتوي على ‪ ، Pij n ‬والتي تعطي‪:‬‬
‫‪P nm   P n   P m ‬‬
‫حالة خاصة‪. P2  P  P :‬‬
‫‪ 0.8 0.6‬‬ ‫‪0.752 0.744‬‬ ‫‪0.75 0.75‬‬

‫‪P‬‬ ‫‪‬‬ ‫‪, P3  ‬‬ ‫‪‬‬ ‫‪, P5  ‬‬ ‫‪‬‬
‫‪0.2 0.4‬‬ ‫‪ 0.248 0.256‬‬ ‫‪0.25 0.25‬‬
‫لتكن ‪  X n ‬سلسلة ماركوف بفضاء حالة ‪ S  1, 2‬وأن مصفوفة االنتقال االحتمالي‬
‫تعطى كما يلي‪:‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪3‬‬ ‫‪4‬‬
‫‪P ‬‬ ‫‪‬‬
‫‪2‬‬ ‫‪3‬‬
‫‪ 3‬‬ ‫‪4 ‬‬
‫المطلوب‪ :‬حساب ‪. P  X 6  2 \ X 3  1‬‬
‫باستخدام تعريف عملية ماركوف يكون المطلوب حساب‪ ، P12 3 :‬أي يكون االحتمال‬
‫عبارة عن أحد عناصر المصفوفة ‪. P 3  P  P  P‬‬
‫‪111‬‬
‫‪ 59‬‬ ‫‪157 ‬‬

‫‪ 216‬‬ ‫‪576 ‬‬
‫‪P3  ‬‬ ‫‪‬‬
‫‪ 157‬‬ ‫‪419 ‬‬
‫‪ 216‬‬ ‫‪576 ‬‬
‫والذي يعني أن العملية التصادفية ستنتقل من‬ ‫أي أن االحتمال المطلوب هو‬
‫‪157‬‬
‫‪216‬‬
‫‪.‬‬ ‫الحالة ‪ 1‬نحو الحالة ‪ 2‬بثالث خطوات باحتمال‬

‫‪157‬‬
‫‪216‬‬
‫‪ -3-3-11‬االحتماالت االبتدائية ‪:initial probabilities‬‬
‫يسمى الشعاع ‪ P0   P10 , P20 ,....., Pm0 ‬بشعاع االحتماالت االبتدائية ( أو التوزيع‬
‫االبتدائي) لسلسلة ماركوف ‪  X n : n  0,1, 2,3,.....‬ذات فضاء حالة‬

‫‪. S  1, 2,...., m‬‬
‫بالنسبة لحساب شعاع التوزيع الجديد بالنسبة للحالتين ‪ 1‬و ‪ 2‬مع ( ‪) 0  a, b  1‬‬
‫يكون على النحو االتي‪:‬‬
‫‪112‬‬
‫ماذا يحدث لما ‪ Pn ‬؟ لما ‪ n  ‬أي ? ‪ ، P  n  ‬سنناقش هذا في الفقرات القادمة‪.‬‬
‫‪ -4-3-11‬التوزيعات الميتقرة ومبرهنة الثبوتية ‪Stationary distributions‬‬

‫‪: and the Ergodic theorem‬‬
‫ألسباب عملية مختلفة من المهم معرفة كيف تتصرف سلسلة ماركوف بعد انقضاء فترة‬
‫طويلة من الزمن‪ ،‬لكن قبل ذلك وجب توضيح بعض المفاهيم التي تكون على النحو‬
‫التالي‪:‬‬
‫‪ -5-3-11‬المافوفة األالية ( البدائية) ‪: Primitive matrix‬‬
‫تسمى المصفوفة ‪ Pij‬بالمصفوفة األصلية إذا احتوت على قيمة ذاتية ‪ ،   1‬وأن‬
‫‪ i  1‬لجميع قيم ‪. i  2,3, 4,....‬‬
‫‪ -6-3-11‬المافوفة غير القابلة لالختزال والقيمة الذاتية المهيمنة ‪Irreducible‬‬

‫‪:Matrix and Dominant Eigenvalue‬‬
‫نقول عن المصفوفة ‪ A  n  n ‬أنها غير قابلة لالختزال إذ لم تكن مصفوفة قابلة‬

‫لالختزال (‪ ،)reducible‬هذه األخيرة تأخذ الشكل التالي‪:‬‬
‫‪113‬‬
‫‪A‬‬ ‫‪A12 ‬‬

‫‪PAP t   11‬‬ ‫‪‬‬
‫‪ 0 A 22 ‬‬
‫‪ P  n  n ‬مصفوفة تبديلية‪، A 22   n  r    n  r   ، A11  r  r  ،1‬‬

‫‪ r، A12  n   n  r  ‬عدد صحيح موجب‪ ،‬إذا كانت مصفوفة غير قابلة لالختزال ال‬
‫يمكن وضعها في شكل كتلة مثلثية علوية من خالل التباديل المتزامنة للصف‪ /‬العمود‪.‬‬
‫مثال‪ 3‬لام ( غير متعلق بالمافوفة العشوائية)‪ :‬لتكن المصفوفة التالية‪:‬‬

‫‪ 1 2 3‬‬
‫‪M  4 5 6‬‬
‫‪‬‬ ‫‪‬‬
‫‪7 8 9 ‬‬
‫المطلوب‪ :‬هل هي مصفوفة غير قابلة لالختزال؟‬
‫‪0 1 0‬‬
‫لنختار مصفوفة التباديل التالية‪P  0 0 1 :‬‬
‫‪‬‬ ‫‪‬‬
‫‪1 0 0‬‬
‫‪ 0 1 0   1 2 3  0 0 1   5 6 4 ‬‬
‫‪PMP  0 0 1  4 5 6  1 0 0  8 9 7 ‬‬
‫‪t‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪‬‬
‫‪1 0 0 7 8 9  0 1 0 2 3 1 ‬‬
‫‪1‬‬
‫‪ -‬مصفوفة تبديلية ‪ Permutation matrix‬هي مصفوفة مربعة تحقق الخواص التالية‪:‬‬
‫‪ -‬المعامالت تكون إما ‪ 0‬أو ‪ . 1‬هناك ‪ 1‬فقط في السطر و ‪ 1‬فقط في العمود‪.‬‬
‫‪1 0 0 ‬‬
‫مثال‪M  0 0 1 :‬‬
‫‪‬‬ ‫‪‬‬
‫‪0 1 0‬‬
‫‪114‬‬
‫واضح أنها مصفوفة غير قابلة لالختزال‪.‬‬
‫نتيجة‪ :‬في حالة كون أن المصفوفة ‪ M‬غير قابلة لالختزال الرسم البياني المقابل‬
‫الموجه يكون مرتبطا بقوة ‪. 1  2 , 3  1 , 2  3 : strongly connected‬‬
‫‪0.2 0.3 0.6‬‬

‫لتكن المصفوفة المبينة في العنصر (‪M  0.4 0.4 0.1 :)1-3-11‬‬
‫‪‬‬ ‫‪‬‬
‫‪0.4 0.3 0.3‬‬
‫المطلوب‪ :‬هل هي مصفوفة غير قابلة لالختزال؟‬
‫‪0 1 0‬‬
‫لنختار مصفوفة التباديل التالية‪P  0 0 1 :‬‬
‫‪‬‬ ‫‪‬‬
‫‪1 0 0‬‬
‫‪0 1 0 0.2 0.3 0.6 0 0 1 0.4 0.1 0.6‬‬

‫‪PMP  0 0 1  0.4 0.4 0.1  1 0 0   0.3 0.3 0.4‬‬
‫‪t‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪‬‬
‫‪1 0 0 0.4 0.3 0.3 0 1 0  0.3 0.6 0.2‬‬
‫واضح أنها مصفوفة غير قابلة لالختزال‪.‬‬
‫نالحظ أن المصفوفة ‪ M‬غير قابلة لالختزال‪ ،‬كما نالحظ الرسم البياني للمصفوفة ‪M‬‬
‫(الشكل) مرتبطا بقوة ‪. strongly connected‬‬
‫‪115‬‬
‫لتكن ‪ i  1, 2,...., n i‬قيم ذاتية للمصفوفة ‪ ، A  n  n ‬ونصف قطرها الطيفي يعرف‬

‫‪  A  max i  i‬‬ ‫‪‬‬
‫مبرهنة بيرون‪ -1‬فوربنيوس‪ 2‬للمافوفات غير تقابلة لالختزال ‪Perron-‬‬

‫‪: Frobenius theorem for irreducible matrices‬‬
‫إذا كانت ‪ A   aij ‬ذات قيم غير سالبة وغير قابلة لالختزال فأن‪:‬‬
‫‪ -‬احدى قيمها الذاتية موجبة وأكبر من أو تساوي (بالقيمة المطلقة) من جميع‬

‫القيم الذاتية األخرى‪ ،‬تسمى هذه القيمة الذاتية " بالقيمة الذاتية المهيمنة " أو‬
‫القيمة الذاتية لمصفوفة ‪ Perron-Frobenius‬؛‬
‫هناك شعاع ذاتي موجب يقابل تلك القيمة الذاتية؛‬ ‫‪-‬‬
‫‪   A -‬تساوي القيمة الذاتية المهيمنة للمصفوفة وتحقق‪:‬‬
‫‪min  aij    A  max  aij‬‬
‫‪i‬‬ ‫‪i‬‬
‫‪j‬‬ ‫‪j‬‬
‫فنقول عن عملية ماركوف أنها غير قابلة لالختزال إذا كان الوصول ألي حالة من‬
‫حاالتها بانتقال واحد أو بسلسلة من االنتقاالت المسموحة‪.‬‬
‫‪ -7-3-11‬الحاالت المتكررة والعابرة ‪: Recurrent and transient states‬‬
‫‪1‬‬
‫‪ -‬أوسكار بيرون ( ‪ ، Oskar Perron ) 1975 – 1880‬رياضياتي ألماني‪.‬‬
‫‪2‬‬
‫‪ -‬فرديناند جورج فروبينيوس ( ‪ ، Ferdinand Georg Frobenius ) 1917 – 1849‬رياضياتي ألماني‪.‬‬
‫‪116‬‬
‫تدعى حالة ماركوف أنها متكررة ( عودية ) إذا كان من المؤكد أنها ستظهر مرة أخرى‬
‫بعد أن ظهرت مرة واحدة على األقل ‪ ،‬غير ذلك تعتبر حالة عابرة‪.‬‬
‫‪ -8-3-11‬اليليلة الدورية ‪: Periodic Chain‬‬
‫لتكن ‪ Pij‬مصفوفة االنتقال لسلسلة ماركوف‪ ،‬وأن ‪ i‬و‪ j‬حاالت هذه السلسلة‪ ،‬تكون‬
‫الحالة ‪ i‬دورية إذا كان باإلمكان العودة إلى الحالة ‪ i‬بفترة ‪ ، d  i   1‬إذا كان‬
‫‪ d  i   1‬تكون السلسلة غير دورية ‪ ، aperiodic‬نوضح ذلك في الشكل التالي‪:‬‬
‫من جهة أخرى )‪ d (i‬هي أكبر قاسم مشترك لمجموعة أوقات العودة المحتملة إلى ‪i‬‬
‫بمعنى‪:‬‬
‫‪d (i)  gcd n  0 : Piin  0‬‬
‫‪0 1 0‬‬ ‫‪2‬‬

‫‪0 1 2 1 0‬‬ ‫‪ 4‬‬
‫‪d (0)  gcd 2, 4  2‬‬
‫‪0 0.5 0‬‬

‫‪P  1 0 1 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪0 0.5 0‬‬
‫‪117‬‬
‫‪ -9-3-11‬اليليلة الثبوتية ‪: Ergodic chain‬‬
‫هي العملية التي يكون االنتقال بها ممكنا من حالة واحدة إلى أخرى‪ ،‬وال يكون ضروريا‬
‫لهذا االنتقال أن يكون في خطوة واحدة أي أن‪ ، lim Pijn    :‬حيث ‪ n‬تمثل الخطوة و‬
‫‪n‬‬
‫‪‬‬
‫‪ Pij‬مصفوفة االنتقال‪ ،‬وتكون النهاية موجودة لكل ‪ j‬المستقلة عن ‪ i‬وأن‪.  i  1 :‬‬
‫‪j 0‬‬
‫مبرهنة‪:‬‬
‫إذا كانت سلسلة ماركوف أصلية ( بدائية) وغير قابلة لالختزال فأن السلسلة تكون‬
‫ثبوتية‪.‬‬
‫‪ -10-3-11‬االيتقرارية وحالة الثبات لمافوفة ماركوف‪:‬‬
‫التوزيع ‪ ‬يدعى التوزيع المستقر لسلسلة ماركوف إذا كان ‪. P  ‬‬
‫نفرض أن ‪ P‬مصفوفة عشوائية غير قابلة لالختزال وغير دورية‪ ،‬فأنه يوجد توزيع‬
‫‪ lim‬موجود وتساوي ‪. ‬‬
‫‪t ‬‬
‫مستقر وحيد ‪ ، ‬عالوة على ذلك لكل ‪ i , j‬فأن ‪Pijt‬‬
‫مثال في حالة مصفوفة االنتقال التالية‪:‬‬
‫‪1  ‬‬ ‫‪ ‬‬

‫‪P‬‬
‫‪ ‬‬ ‫‪1   ‬‬
‫لحل التوزيع التالي ‪ ،  0 ,  1 ‬نعتبر جملة المعادالت الخطية التالية‪:‬‬
‫‪118‬‬
‫‪1     0   1   0‬‬
‫‪‬‬
‫‪ 0  1     1   1‬‬
‫‪    1‬‬
‫‪ 0‬‬ ‫‪1‬‬
‫بعد حل الجملة نجد‪:‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪0‬‬
‫‪‬‬
‫‪‬‬
‫‪ 1  ‬‬
‫‪‬‬ ‫‪‬‬
‫فاالستق اررية تعني عدم تغير الصفات اإلحصائية للعملية العشوائية بدرجة أو بأخرى‬
‫بمرور الزمن ‪ ،‬ومن خالل التطبيق يمكن الحصول على االحتماالت االنتقالية خالل ‪n‬‬
‫من النقالت بضرب مصفوفة االحتماالت االنتقالية ببعضها ‪ n‬مرة ‪ ،‬نوضح هذه‬
‫االستق اررية من خالل األمثلة التالية ‪ ،‬مع العلم أنه البد من الرجوع لدروس الجبر‬
‫الخطي حول كيفية حساب القيم الذاتية واألشعة الذاتية ‪ ،‬وكذلك لدروس التحليل‬
‫الرياضي لفهم ميكانيزم معادالت الفرق‪.‬‬
‫في دراسة تطور البطالة في منطقة معينة‪ ،‬يعطى حجم المجتمع النشط‪ ،‬ويفترض أنه‬
‫ثابت ( ‪ 200000‬شخص)‪ ،‬مقسم إلى ( ‪ 150000‬عامل و ‪ 50000‬بطال)‪ ،‬نرمز لـ‬
‫‪ xt‬العدد الفعلي للعاملين في بداية السنة ‪ t‬و ‪ yt‬عدد البطالين في نفس السنة‪،‬‬
‫نفترض أن ‪ %90‬من العاملين في السنة الموالية يبقون دائما في حالة شغل‬
‫مقابل‪ %10‬الذين يحالون إلى بطالة‪.‬‬
‫‪119‬‬
‫نفس الشيء بفرض أن ‪ %20‬من البطالين في السنة الموالية سيحصلون على عمل‬
‫مقابل ‪ %80‬يبقون على نفس الحال ( حالة البطالة)‪.‬‬
‫‪ xt 1  0.9 xt  0.2 yt‬‬ ‫‪x ‬‬

‫‪‬‬ ‫ننمذج هذه الحالة ‪ ،‬شعاع الحالة للجملة ‪: Vt   t ‬‬
‫‪ yt 1  0.1xt  0.8 yt‬‬ ‫‪‬‬
‫‪y‬‬ ‫‪t‬‬ ‫‪‬‬
‫يمكننا التأكد بأن هذه المصفوفة غير قابلة لالختزال‪:‬‬
‫‪1 0 0.9 0.2  1 0 0.9 0.2‬‬

‫‪PAP t  ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪0 1  0.1 0.8 0 0  0.1 0.8‬‬
‫‪150000‬‬
‫‪ 0.9 0.2 ‬‬ ‫‪ 0.75  200000‬‬
‫‪A‬‬ ‫‪‬‬ ‫‪, X0  ‬‬ ‫‪‬‬
‫‪ 0.1 0.8 ‬‬ ‫‪ 0.25  50000‬‬
‫‪200000‬‬
‫بعد سنة التوزيع الجديد يكون على النحو االتي‪:‬‬
‫‪ 0.9 0.2   150000   145000 ‬‬ ‫‪ 0.725 ‬‬

‫‪ 0.1 0.8   50000    55000  , X 1   0.275 ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫بعد سنتين‪:‬‬
‫‪ 0.83 0.34   0.75   0.707 ‬‬

‫‪X 2  AX 1  A2 X 0  ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ 0.17 0.66   0.25   0.292 ‬‬
‫‪X n 1  AX n  A  X n 1   A  AX n 2   ......  An 1 X 0‬‬ ‫إذن‪:‬‬
‫في عملية ماركوف كحل متتالية تعتمد على سابقتها‪ ،‬من بين األسئلة في عملية‬
‫ماركوف ‪ :‬ماذا سيحدث في األمد الطويل إذا أردنا معرفة توقع نسبة البطالة؟‬
‫‪120‬‬
‫باستخدام ما درسناه في الجبر الخطي‪ ،‬يمكننا ايجاد هذا الوضع بدون تكرار الحسابات‬
‫والتخمين‪ ،‬هل هناك شعاع ‪ X‬ثابت لالحتمال في هذه الحالة ‪ AX  X‬؟ بطريقة‬
‫مكافئة ‪  A  I  X  0‬؟ نبدأ بإيجاد كل ‪ X‬التي تحقق المعادلة‪ ،‬ثم نجد من بين‬
‫الحلول ‪ X‬الذي يمثل شعاع االحتمال‪.‬‬
‫إذا كانت ‪ A‬مصفوفة مربعة‪:‬‬
‫أ) يوجد شعاع ‪ X‬وحيد‪ ،‬يسمى شعاع احتمال حيث‪. AX  X :‬‬

‫ب) ‪ ، X n1  AX n‬وهذا صحيح مهما كان شعاع االحتمال الذي يستخدم كحالة‬
‫أولية ‪. X 0‬‬
‫نقترح أوال‪ :‬حل معادلة الفرق مستخدمين الصيغة ‪: X t  At X 0‬‬
‫‪ xt 1 ‬‬
‫‪ y    PD P  X 0‬‬
‫‪t 1‬‬
‫‪ t 1 ‬‬
‫ثم مالحظة ما إذا كان حجم المجتمع ( الفئة النشطة) يقترب من حالة االيتقرار‪ ،‬و‬
‫أخي ار مناقشة هذه العملية بصفة عامة‪.‬‬
‫نبدأ بأقطرة المصفوفة ‪. A‬‬
‫‪0.9  ‬‬ ‫‪0.2‬‬ ‫‪ 0.9 0.2 ‬‬

‫‪PA    ‬‬ ‫‪،A‬‬ ‫‪‬‬
‫‪0.1‬‬ ‫‪0.8  ‬‬ ‫‪ 0.1 0.8 ‬‬
‫‪PA     0   2  1.7  0.7  0   1  1 ,  2  0.7 ‬‬
‫‪121‬‬
‫واألشعة الذاتية‪v2   1,1 , v1   2,1 . :‬‬
‫‪ 1‬‬ ‫‪1‬‬

‫‪‬‬ ‫‪2‬‬ ‫‪‬‬‫‪1‬‬ ‫‪‬‬ ‫‪ 3‬‬ ‫‪3‬‬ ‫‪1 0 ‬‬
‫‪P‬‬ ‫‪‬‬ ‫‪, P 1  ‬‬ ‫‪ , D‬‬ ‫‪‬‬
‫‪1 1 ‬‬ ‫‪  1‬‬ ‫‪2‬‬ ‫‪ 0 0.7 ‬‬
‫‪‬‬
‫‪ 3‬‬ ‫‪3‬‬
‫نالحظ أن مصفوفة االنتقال مغلقة ( أي ال توجد مجموعات جزئية مغلقة عدا المجموعة‬
‫‪ ، 1, 2‬نستنتج أن مصفوفة االنتقال غير قابلة لالختزال ( التجزئة) ‪ ،‬كذلك نالحظ أنها‬
‫غير دورية ‪ ،)d=1( aperiodic‬وبذلك فمصفوفة االنتقال ثبوتية ‪ ( Ergodic‬غير‬
‫قابلة لالختزال وأصلية و غير دورية)‪.‬‬
‫‪ 0.75 ‬‬

‫‪X0  ‬‬ ‫‪  C1v1  C2v2‬‬
‫‪ 0.25 ‬‬
‫يمكننا ايجاد المعامالت ‪ C2 , C1‬حيث‪:‬‬
‫‪1‬‬
‫‪C1 ‬‬ ‫‪, C2  ‬‬
‫‪3‬‬
‫‪ 0.75 ‬‬

‫‪X0  ‬‬ ‫‪  C1v1  C2v2‬‬
‫‪ 0.25 ‬‬
‫‪X 1  AX 0  A  C1v1  C2v2   C1 Av1  C2 Av2  C11v1  C22v2‬‬
‫‪X 2  A2 X 0  A2  C1v1  C2v2   C1 A2v1  C2 A2v2  C112v1  C222v2‬‬
‫‪X n  An X 0  .........  C11n v1  C22n v2  C1 1 v1  C2  0.7  v2‬‬

‫‪n‬‬ ‫‪n‬‬
‫‪122‬‬
‫يمكننا مالحظة ذلك‪:‬‬
‫‪t ‬‬ ‫‪t ‬‬

‫‪‬‬ ‫‪t‬‬
‫‪‬‬
‫‪lim X t  lim C1 1 v1  C2  0.7  v2  lim  C1v1  0  v2   C1v1‬‬
‫‪t‬‬
‫‪t ‬‬
‫‪2‬‬
‫‪1 2  3 ‬‬
‫‪Xt      ‬‬
‫‪3 1  1 ‬‬
‫‪ ‬‬
‫‪ 3‬‬
‫وهذا ما نصت عليه مبرهنة بيرون‪ -‬فوربنيوس ‪ :‬إذا كانت جميع القيم الذاتية األخرى‬
‫أصغر من ‪ 1  1‬عندئذ يكون الحد األول من الصيغة مهيمنا تماما‪ in ،‬األخرى‬
‫تؤول بسرعة إلى الصفر‪.‬‬
‫حالة االستقرار هذه يمكن أن تتأكد إذا كانت المصفوفة ‪ A‬موجبة ‪ ، Pij  0‬عندئذ يكون‬
‫الشعاع ‪ C1v1‬مركبات موجبة فقط مجموعها ‪ ،1‬وتكون االحتماالت النهائية لعملية‬
‫ماركوف‪.‬‬
‫بطريقة مختصرة نعوض قيمتي ‪ ‬و ‪ ‬في معادلتيهما لنجد ‪  0‬و ‪. 1‬‬
‫‪‬‬ ‫‪‬‬ ‫‪0.2‬‬ ‫‪2‬‬

‫‪ 0      0.1  0.2  3‬‬
‫‪‬‬
‫‪ 1    0.1  1‬‬
‫‪‬‬ ‫‪   0.1  0.2 3‬‬
‫إذن نسبة البطالة المتوقعة في األمد البعيد لهذه البلدة إذا لم تقم الحكومة بأي‬
‫إصالحات في هذه المنطقة من بناء المصانع‪ ،‬فتح مراكز تكوين‪ ،..... ،‬هو‬
‫‪ ، %33.33‬نالحظ أن أقطرة المصفوفة تساعدنا في فهم عملية ماركوف واألنواع‬
‫المشابهة من معادالت الفرق الخطية‪.‬‬
‫‪123‬‬
‫التطبيق للى ‪:Maple‬‬
‫‪124‬‬
‫لنفرض أن لدينا شركتين تتنافسان على زبائن في منطقة ما ( ‪ 20000‬زبون)‪،‬‬

‫المعلومات المتعلقة بهؤالء الزبائن في هذه المنطقة موضحة في الجدول التالي‪:‬‬
‫‪A‬‬ ‫‪B‬‬ ‫ال شيء‬

‫الزبون الذي يذهب الى‬ ‫‪0.7‬‬ ‫‪0.15‬‬ ‫‪0.3‬‬
‫الشركة ‪A‬‬
‫الزبون الذي يذهب الى‬ ‫‪0.2‬‬ ‫‪0.8‬‬ ‫‪0.2‬‬
‫الشركة ‪B‬‬
‫الزبون الذي ال يذهب الى‬ ‫‪0.1‬‬ ‫‪0.05‬‬ ‫‪0.5‬‬
‫أي شركة‬
‫نفرض أنه في نهاية األسبوع ‪ 0‬من المعلوم أن ‪ 10000‬زبون ذهبوا إلى ‪ A‬و ‪8000‬‬
‫زبون ذهبوا الى ‪ B‬و ‪ 2000‬لم يذهبوا الى أي شركة ‪ ،‬هل يمكننا توقع عدد‬
‫المتسوقين في كل سوبر ماركت في األسبوع القادم ‪ ،‬وفي األمد الطويل؟‬
‫اياغة نظم معادالت الفرق‪:‬‬
‫‪125‬‬
‫ليكن ‪ X t‬نسبة المتسوقين الذين يذهبون الى السوبر ماركت ( ‪ ) B, A‬أو الذين لم يذهبوا‬
‫إلى أي واحد منهم‪.‬‬
‫نشكل مصفوفة‬
‫العبور التالية‪:‬‬
‫‪ 0.7 0.15 0.3 ‬‬
‫‪A   0.2 0.8 0.2 ‬‬
‫‪ 0.1 0.05 0.5 ‬‬
‫‪‬‬ ‫‪‬‬
‫يمكننا التأكد بأنها مصفوفة غير قابلة لالختزال‪:‬‬
‫‪0 1 0 0.7 0.15 0.3 0 0 1  0.8 0.2 0.2‬‬

‫‪PMP  0 0 1  0.2 0.8 0.2  1 0 0  0.15 0.5 0.1‬‬
‫‪t‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪‬‬
‫‪1 0 0  0.1 0.05 0.5 0 1 0 0.05 0.3 0.7‬‬
‫لدينا معادلة الفرق التالية‪. X t   xt , yt , zt  , X t  AX t 1 :‬‬
‫سلسلة ماركوف هي عبارة عن نظام مغلق من مجموعة ثابتة ‪ ،‬يتم توزيعه إلى ‪ n‬حالة‬
‫مختلفة ‪ ،‬بحيث يتم االنتقال بين الحاالت خالل فترات زمنية محددة‪.‬‬
‫احتماالت االنتقال معروفة بمصفوفة العبور ‪ ، A‬حالة الشعاع ‪ ( X t‬مجموع ‪ ، )1‬يتم‬

‫تقديم الحل ( بافتراض أن ‪ A‬قابلة للتأقطر )‪ ، X t  At X 0   PD t P 1  X 0 ،‬هذه‬
‫المصفوفات بعد الحساب هي كما يلي‪:‬‬
‫‪ 1‬‬ ‫‪1‬‬ ‫‪1‬‬

‫‪ 8‬‬ ‫‪8‬‬ ‫‪8‬‬
‫‪ 3 3 1‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪1 0‬‬ ‫‪0 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪P   4 4 0  , P  ‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪, D   0 0.6t‬‬
‫‪t‬‬
‫‪0 ‬‬
‫‪1 1 0 ‬‬ ‫‪ 8‬‬ ‫‪8‬‬ ‫‪8‬‬ ‫‪0 0‬‬
‫‪ 1‬‬ ‫‪0.4t ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪3‬‬ ‫‪‬‬
‫‪ ‬‬ ‫‪0‬‬ ‫‪‬‬
‫‪ 4‬‬ ‫‪4‬‬
‫‪126‬‬
‫نالحظ أن مصفوفة االنتقال مغلقة ( أي ال توجد مجموعات جزئية مغلقة عدا المجموعة‬
‫‪ ، 1, 2, 3‬نستنتج أن مصفوفة االنتقال غير قابلة لالختزال ( التجزئة) ‪ ،‬كذلك نالحظ‬
‫أنها غير دورية ‪ ،)d=1( aperiodic‬وبذلك فمصفوفة االنتقال ثبوتية ‪ ( Ergodic‬غير‬
‫قابلة لالختزال وأصلية و غير دورية)‪.‬‬
‫‪ 0.5 ‬‬

‫‪X 0   0.4   C1v1  C2v2  C3v3‬‬
‫‪ 0.1 ‬‬
‫‪ ‬‬
‫‪t ‬‬ ‫‪t ‬‬

‫‪‬‬ ‫‪t‬‬ ‫‪t‬‬
‫‪‬‬
‫‪lim X t  lim C1 1 v1  C2  0.6 v2  C3  0.4  v3 ‬‬
‫‪t‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪lim  C1v1  0  v2  0  v3   C1v1 ; C1 ‬‬ ‫‪‬‬
‫‪t ‬‬ ‫‪3 4 1 8‬‬
‫‪ 3   0.375 ‬‬
‫‪X t   4    0.5 ‬‬
‫‪1  ‬‬
‫‪8  ‬‬ ‫‪‬‬
‫‪ 1   0.125 ‬‬
‫طريقة أخرى‪:‬‬
‫بمأن ‪ P‬مصفوفة عشوائية غير قابلة لالختزال وغير دورية‪ ،‬فأنه يوجد توزيع مستقر‬
‫وحيد ‪ ،   x, y , z ‬حيث‪: P   :‬‬
‫‪0.7 0.15 0.3  x   x ‬‬

‫‪0.2 0.8 0.2    y    y ‬‬
‫‪‬‬ ‫‪    ‬‬
‫‪ 0.1 0.05 0.5  z   z ‬‬
‫‪ 0.3x  0.15 y  0.3z  0‬‬
‫‪0.2 x  0.2 y  0.2 z  0‬‬
‫‪‬‬
‫‪‬‬
‫‪0.1x  0.05 y  0.5z  0‬‬
‫‪ x  y  z  1‬‬
‫‪127‬‬
‫تحل هذه الجملة بطريقة كرامر أو غوص أو أي طريقة رياضياتية كانت‪ ،‬للتسهيل‬
‫نستخدم برنامج المابل‪:‬‬
‫التطبيق للى ‪:Maple‬‬
‫‪128‬‬
‫ثانيا‪ :‬دراية اإليتقرارية‪:‬‬
‫تعتمد سالسل ماركوف في تعريفها على االحتمال ( محصور بين ‪ 0‬و ‪ ،)1‬لذلك‬
‫فالعملية تعتبر مستقرة في االمد الطويل‪ ،‬فعملية ماركوف مستقرة بطبيعتها في كل مرة‬
‫نجد المجموع‪. 1‬‬
‫لنفرض أن لدينا معادلة الفرق التالية‪ ، Ut 1  AUt :‬نريد دراسة سلوكها لما‬
‫( ‪ ،) n  ‬بفرض أن ‪ A‬مصفوفة قطرية فأن الحل ‪ U t‬يكون عبارة عن التوليفة‬
‫التالية‪U t   PD t P 1  X 0  C11t v1  ....  Cnnt vn :‬‬
‫ونمو ‪ U t‬محكوم بالعامل ‪ ، it‬لذلك االستقرار يعتمد على القيم الذاتية للمصفوفة ‪. A‬‬
‫كلما كانت جميع القيم الذاتية تحقق الشرط ‪ i  1‬يكون االستقرار‪.‬‬
‫وتكون ‪ U t‬مستقرة بطبيعتها إذا كان ‪. i  1‬‬
‫‪129‬‬
‫أما إذا كان ‪ i  1‬على األقل ألحدى القيم الذاتية للمصفوفة ‪ A‬تكون حالة عدم‬
‫االستقرار‪.‬‬
‫األلالم المذكورة في الفال الحادي لشر‪:‬‬
‫‪130‬‬
‫الفال الثاني لشر ‪ :‬نظرية افوف االنتظار‬

‫‪QUEUEING THEORY‬‬
‫نظرية صفوف االنتظار هي الدراسة الرياضية لخطوط أو صفوف االنتظار ‪ ،‬يتم إنشاء‬
‫نموذج صف االنتظار بحيث يمكن التنبؤ بأطوال صف االنتظار وزمن االنتظار‪ ،‬تعتبر‬
‫هذه النظرية بشكل عام فرعا من بحوث العمليات ألن النتائج تُستخدم غالبا عند اتخاذ‬
‫ق اررات العمل بشأن الموارد الالزمة لتقديم الخدمة‪.‬‬
‫كما نعلم يعد صف االنتظار تجربة شائعة كل يوم‪ ،‬من المنطقي اقتصاديا أن يكون‬
‫لدينا طوابير على سبيل المثال‪ ،‬كم عدد شبابيك الصرف في سوبر ماركت معين التي‬
‫قد نحتاجها لتجنب االصطفاف؟ كم عدد الحافالت أو القطارات التي ستكون مطلوبة‬
‫إذا تم تجنب ‪ /‬إلغاء صفوف االنتظار؟‬
‫في تصميم أنظمة صف االنتظار نحتاج إلى تحقيق توازن بين الخدمة المقدمة للزبائن‬
‫( صفوف االنتظار القصيرة التي تتضمن العديد من مراكز تقديم الخدمة) واالعتبارات‬
‫االقتصادية ( ليس هناك الكثير من هذه المراكز)‪.‬‬
‫في األساس يمكن تقسيم جميع أنظمة الصف ( الطابور) إلى أنظمة فرعية فردية تتكون‬
‫من كيانات تصطف في صف لبعض األنشطة (كما هو موضح أدناه)‪.‬‬
‫‪131‬‬
‫الشكل ( ‪ :)1-12‬اف االنتظار‬
‫تم تقديم نظرية صف االنتظار ألول مرة في أوائل القرن العشرين من قبل المهندس‬
‫الدانماركي‪ ، Agner Krarup Erlang1‬عمل إرالنغ في بورصة كوبنهاجن الهاتفية‬
‫وأراد تحليل عملياته وتحسينها‪ ،‬لقد سعى إلى تحديد عدد الدوائر الالزمة لتوفير مستوى‬
‫مقبول من الخدمة الهاتفية ‪ ،‬بحيث ال يكون األشخاص " قيد االنتظار" (أو في طابور‬
‫الهاتف) لفترة طويلة جدا‪ ،‬كان مهتما أيضا بمعرفة عدد مشغلي الهاتف الالزمين‬
‫لمعالجة حجم معين من المكالمات‪.‬‬
‫بلغ تحليله الرياضي ذروته في بحثه عام ‪ 1920‬بعنوان " أوقات انتظار الهاتف"‪ ،‬والتي‬
‫كانت بمثابة األساس لنظرية صف االنتظار التطبيقية‪ ،‬تسمى الوحدة الدولية لحركة‬
‫الهاتف بـ ‪ Erlang‬تكريما له‪.‬‬
‫‪ -1-12‬ماطلحات أيايية ‪: Basic Terminology‬‬

‫‪ -1-1-12‬نموذج افوف االنتظار‪: Queuing Model‬‬
‫إنه نموذج مناسب يستخدم لتمثيل مسألة موجهة نحو الخدمة‪ ،‬حيث يصل الزبائن‬
‫ائيا‪.‬‬
‫متغير عشو ً‬
‫ًا‬ ‫بشكل عشوائي لتلقي بعض الخدمات‪ ،‬ويكون زمن الخدمة أيضا‬
‫‪ -2-1-12‬الواول ‪:Arrival‬‬
‫يمكن اإلشارة إلى النمط اإلحصائي للوصول من خالل التوزيع االحتمالي لعدد الوافدين‬
‫في فترة زمنية‪.‬‬
‫‪1‬‬
‫‪ -‬أغنر كراروب إرالنغ ( ‪ ، Agner Krarup Erlang ) 1929 – 1878‬احصائي ومهندس و رياضياتي دانماركي‪،‬‬
‫كان له الفضل في إيجاد نظرية الطابور‪.‬‬
‫‪132‬‬
‫‪ -3-1-12‬زمن الخدمة ‪:Service Time‬‬

‫ُيعرف الزمن الذي يستغرقه مركز الخدمة إلكمال الخدمة باسم زمن الخدمة‪.‬‬
‫‪ -4-1-12‬مركز الخدمة ‪:Server‬‬
‫إنها آلية يتم من خاللها تقديم الخدمة‪.‬‬
‫‪ -2-12‬خاائص اف االنتظار‪: Queue Discipline‬‬
‫إنه الترتيب الذي يتم من خالله تقديم خدمة ألعضاء صف االنتظار‪ ،‬على سبيل المثال‬
‫إنها القاعدة التي يتم بموجبها اختيار الزبائن للخدمة عند تشكيل صف االنتظار‪ ،‬أكثر‬
‫األنواع شيوعا هي‪:‬‬
‫‪ .1‬من يصل أوال يخدم أوال (‪.)FCFS‬‬
‫‪ .2‬من يصل أخ ار يخدم أوال (‪.)LCFS‬‬
‫‪ .3‬اختيار الخدمة بترتيب عشوائي (‪Selection for service in )SIRO‬‬
‫‪. Random order‬‬
‫‪ -1-2-12‬اف االنتظار (طوابير االنتظار) (‪:Queue (Waiting lines‬‬
‫تُعرف مجموعة العناصر التي تنتظر تلقي الخدمة( بما في ذلك تلك التي تتلقى الخدمة‬
‫) باسم صف االنتظار‪.‬‬
‫‪ -2-2-12‬متويط الزمن الذي تيتغرتقه الوحدة في اف االنتظار ( ‪mean‬‬
‫‪:waiting time in the queue ( Wq‬‬
‫هو متوسط الزمن الذي يقضيه الزبون في صف االنتظار قبل تقديم الخدمة‪.‬‬
‫‪ -3-2-12‬متويط زمن االنتظار في النظام ‪mean waiting time in the‬‬
‫) ‪:system ( W‬‬
‫متوسط زمن االنتظار في النظام‪ ،‬أي متوسط طول الوقت من لحظة وصول الزبون‬
‫أيضا وقت اإلقامة)‪.‬‬
‫حتى مغادرته للنظام (ُيسمى ً‬
‫‪ -4-2-12‬متويط لدد الزبائن في اف االنتظار ( ‪mean number of‬‬
‫‪:customers in the queue ( Lq‬‬
‫‪133‬‬
‫متوسط عدد الوحدات ( الزبائن) الموجودة في صف االنتظار‪.‬‬

‫‪ -5-2-12‬متويط لدد الزبائن( لدد الوحدات) الموجودة في النظام ‪mean‬‬
‫) ‪number of System ( L‬‬
‫متوسط عدد الزبائن في النظام‪ ،‬أي بما في ذلك جميع الزبائن المنتظرين في صف‬
‫االنتظار وكل من يتم خدمتهم‪.‬‬
‫‪ -6-2-12‬متويط زمن الخمول ) ‪:mean idle time ( P0‬‬
‫متوسط الزمن الذي يظل فيه النظام خامال‪.‬‬
‫‪ -7-2-12‬متويط لدد الزبائن أثناء الخدمة ‪mean number of Ls‬‬
‫‪customers in service‬‬
‫متوسط عدد الوحدات ( الزبائن) الموجودة أثناء تأدية الخدمة‪.‬‬
‫‪ -8-2-12‬متويط الزمن الذي تيتغرتقه الوحدة في اف االنتظار ‪mean Ws‬‬
‫‪time a customer spends in service‬‬
‫هو متوسط الزمن الذي يقضيه الزبون أثناء تقديم الخدمة‪.‬‬
‫‪ -9-2-12‬الطابور المجمع أو طابور الدفعات ‪: Bulk Arrivals‬‬
‫إذا قام أكثر من زبون واحد بدخول النظام في نفس اللحظة فإنه ُيعرف باسم الوصول‬
‫الجماعي( ال نتطرق في فصلنا لهذا النوع)‪.‬‬
‫‪ -3-12‬تانيفات أنظمة اف االنتظار‬
‫نستخدم الرموز التالية‪:‬‬
‫‪ Lamda ‬هو متوسط عدد الوافدين في كل فترة زمنية ‪ ،‬أي متوسط معدل الوصول‪.‬‬
‫‪ :µ‬متوسط عدد الزبائن الذين تم خدمتهم في كل فترة زمنية ‪ ،‬أي متوسط معدل‬
‫الخدمة‪.‬‬
‫‪134‬‬
‫يوجد نظام تدوين قياسي يعرف بـترميز كيندال‪ Kendall 1‬لتصنيف األنواع المختلفة‬
‫من أنظمة الطابور أو العقد‪ ،‬يتم تصنيف عقد صف االنتظار باستخدام الترميز‬
‫‪ A/B/C/D/E‬حيث‪:‬‬
‫يمثل ‪ A‬التوزيع االحتمالي لعملية الوصول‪.‬‬
‫يمثل ‪ B‬التوزيع االحتمالي لعملية الخدمة‪.‬‬
‫يمثل ‪ C‬عدد القنوات (تقديم الخدمة)‪.‬‬
‫يمثل ‪ D‬الحد األقصى لعدد الزبائن المسموح به في نظام االنتظار ( إما يتم تقديم‬
‫الخدمة أو انتظار الخدمة)‪.‬‬
‫يمثل ‪ E‬الحد األقصى لعدد الزبائن‪.‬‬
‫الخيارات الشائعة لـ ‪ A‬و ‪ B‬هي‪:‬‬
‫‪ M‬لتوزيع وصول بواسون ‪ ،‬التوزيع األسي بين الترددات أو التوزيع األسي لوقت‬
‫الخدمة‪.‬‬
‫‪ D‬هي سعة صف االنتظار ‪ ،‬ويتم حذفها إذا كانت غير محدودة‪.‬‬
‫‪ G‬للتوزيع العام ( ولكن بمتوسط وتباين معروفين)‪.‬‬
‫إذا لم يتم تحديد ‪ D‬و ‪ ، E‬فمن المفترض أنهما النهائيان‪.‬‬
‫‪1‬‬
‫‪ -‬ديفيد جورج كيندال (‪ ، David George Kendall ) 2007 - 1918‬ال ينبغي الخلط بينه وبين موريس كيندال (‬
‫احصائي بريطاني كذلك ) ‪ ،‬جورج إحصائي بريطاني وأحد المتخصصين في تطبيق حساب االحتماالت على تحليل‬
‫البيانات والعمليات العشوائية‪ ،‬معروف بتدوين كيندال الذي قدمه في مجال نظرية طوابير االنتظار‪.‬‬
‫‪135‬‬
‫‪ :D‬هو نظام االنتظار في صف االنتظار ‪ ،‬ويفترض استخدام ‪( FIFO‬ما دخل أوال‬

‫يقدم له الخدمة أوال)‪.‬‬
‫على سبيل المثال‪ ،‬كيفية عمل ماكينة الصراف األلي‪. ATM‬‬
‫يمكن أن يخدم‪ :‬زبون واحد في كل مرة بترتيب الوارد أوال ُيخدم أوال ‪ ،‬مع عملية وصول‬
‫موزعة عشوائيا ووقت توزيع الخدمة ‪ ،‬سعة صف انتظار غير محدودة ‪ ،‬وعدد غير‬
‫محدود من الزبائن المحتملين‪.‬‬
‫تصف نظرية خط االنتظار هذا النظام بأنه صف انتظار من نوع (‪) M / M / 1‬‬
‫يرمز الحرف "‪ "M‬هنا إلى الماركوفي ‪ ،‬وهي عملية إحصائية لوصف العشوائية‪ ،‬وهو‬
‫أبسط نظام اصطفاف ‪ ،‬توزيع الوصول يستخدم قانون بواسون ‪ ،‬والتوزيع األسي‬
‫يستخدم أثناء وقت الخدمة ‪ ،‬وتوجد قناة واحدة ( مركز خدمة واحد)‪.‬‬
‫‪ -4-12‬تطبيقات نظرية افوف االنتظار‬
‫تعتبر نظرية صف االنتظار قوية ألن انتشار مواقف صف االنتظار يعني وجود‬
‫تطبيقات ال حصر لها ومتنوعة لهذه النظرية‪.‬‬
‫على سبيل المثال ال الحصر نجد‪:‬‬
‫‪ -‬االتصاالت‪.‬‬
‫‪ -‬وسائل النقل‪.‬‬
‫‪ -‬الخدمات اللوجستية‪.‬‬
‫‪ -‬المالية‪.‬‬
‫‪136‬‬
‫‪ -‬خدمات الطوارئ‪.‬‬
‫‪ -‬هندسة صناعية‪.‬‬
‫‪ -‬إدارة المشاريع‪.‬‬
‫‪ -5-12‬إنشاء اف االنتظار‪:Creation of a waiting list‬‬

‫نظام االنتظار له خصائص عديدة عادة يتألف من الزبائن الذين يتابعون بعضهم‬
‫البعض ويطلبون خدمة (انظر الشكل ‪ ،)2-12‬يمكن أن يكون الزبائن‪:‬‬
‫األفراد‪ ،‬المكالمات الهاتفية‪ ،‬اإلشارات الكهربائية‪ ،‬المركبات‪ ،‬الحوادث‪ ،‬االضطرابات‬

‫الجوية ‪ ،...‬ويمكن أن تكون الخدمة خادما بشريا‪ ،‬مبادال هاتفيا‪ ،‬خادم كمبيوتر‪ ،‬شركة‬
‫تأمين‪ ،‬األرصاد الجوية‪.‬‬
‫الشكل ( ‪ :)2-12‬اف االنتظار‪2‬‬
‫تدفق الوافدين ‪Arrivals flow‬‬ ‫‪-1-5-12‬‬

‫يمكن أن يكون الوصول منتظما (حتميا) أو عشوائيا‪ ،‬فرديا كان أم جماعيا‪ ،‬تأتي من‬
‫مجتمعات مختلفة أو مقسمة إلى عدة صفوف‪ ،‬سيتعين علينا تعديل عدد أوقات‬
‫الوصول‪ ،‬في حاالت معينة علينا أن نأخذ في االعتبار حجم المجتمع المحتمل‪.‬‬
‫شكل الخدمة‬ ‫‪-2-5-12‬‬

‫تتكون الخدمة من مركز واحد أو أكثر‪ ،‬والتي يمكن ترتيبها كما يلي‪:‬‬
‫‪137‬‬
‫أوال ‪ :‬مراكز خدمة موازية ‪parallel servers‬‬
‫يتعلق هذا الموضع بصفوف االنتظار حيث يكون للزبائن خيار لمركز الخدمة‪ :‬صفوف‬
‫انتظار األشخاص في إدارة تقدم العديد من الخدمات‪ ،‬وصفوف انتظار المستهلكين في‬
‫االنتظار عند عدادات الدفع في سوبر ماركت الشكل ‪ -2‬أ‪.‬‬
‫ثانيا‪ :‬مراكز خدمة تيليلية ‪serial servers‬‬
‫يتعلق هذا األمر بخدمات السلسلة‪ :‬خدمة تقديم الطعام ‪ ،‬تقديم بطاقات الرمادية‬
‫الخاصة بالسيارات في الوالية (تتطلب مرحلتين‪ :‬التسجيل ثم تحضير البطاقات) ‪،‬‬
‫الفحص الطبي في المستشفى (يتطلب عدة فحوصات متتالية)‪ ،‬خطوط انتاج مراقبة‬
‫الجودة ‪ ...‬الشكل‪( 2 :‬ب)‪.‬‬
‫ثالثا‪ :‬مركز خدمة شبكي‪:‬‬
‫هذا الترتيب أكثر تعقيدا وواقعية‪ :‬تبادالت االتصاالت‪ ،‬شبكات الكمبيوتر واإلنترنت‪...‬‬
‫الشكل‪.)3-12( :‬‬
‫سيتعين علينا أيضا تصميم أوقات الخدمة‪.‬‬
‫شكل (‪ :)3-12‬مراكز خدمة للى التيليل وللى التوازي‬
‫‪138‬‬
‫شكل (‪ :)4-12‬مراكز خدمة شبكية‬
‫‪ -6-12‬يعة النظام ‪System capacity‬‬

‫العديد من أنظمة االنتظار لديها غرفة انتظار ذات سعة محدودة‪ ،‬سيكون هناك رفض‬
‫الوافدين عند مدخل النظام عندما تكون هذه الغرفة ممتلئة‪ ،‬هذا العامل مهم بشكل‬
‫خاص في دراسة صفوف االنتظار الترادفية‪ ،‬على سبيل المثال يتم إدخال سعة محدودة‬
‫بين خدمتين متتاليتين‪ ،‬عندما تصل هذه الغرفة إلى التشبع يحدث مأزق في الخدمة‬
‫األولى‪.‬‬
‫نفرض دراسة صف انتظار باستخدام مركز خدمة ونظام ‪ FCFS‬أو ‪ FIFO‬وغرفة‬

‫انتظار ذات سعة ال نهائية (وبالتالي بدون الحد على مستوى الوافدين)‪ ،‬نتحدث هنا عن‬
‫‪.M / M / 1‬‬
‫‪ -7-12‬نمذجة الواول ‪:Modeling arrivals‬‬
‫قبل التطرق لنمذجة قوانين الوصول وجب ذكر أوال التوزيعات االحتمالية المستخدمة ثم‬
‫العروج في توضيح العملية البواسونية وهي أساس فهم فلسفة نظرية صفوف االنتظار‪.‬‬
‫توزيع بوايون‪Poisson distribution 1‬‬ ‫‪-1-7-12‬‬
‫‪1‬‬
‫‪ -‬سيميون دينيس بواسون ( ‪ ، Siméon Denis Poisson )1840 -1781‬رياضياتي وفيزيائي فرنسي‪.‬‬
‫‪139‬‬
‫أوال ‪ :‬أهميته‪:‬‬
‫إن قانون بواسون له أهمية كبيرة في التطبيقات االحصائية المتعددة نذكر منها ‪:‬‬
‫‪ -‬عدد الزبائن الذين يدخلون الى مصرف معين خالل ‪ 30‬دقيقة مثال‪.‬‬
‫‪ -‬عدد المسافرين الذين يصلون الى المحطة خالل ‪ 20‬دقيقة‪.‬‬
‫‪ -‬عدد األخطاء المطبعية التي يتم العثور عليها من صفحات كتاب معين‪.‬‬
‫‪ -‬عدد المكالمات الهاتفية المستلمة خالل نصف ساعة واحدة‪.‬‬
‫‪ -‬عدد حوادث المرور التي تحدث خالل يوم واحد‪.‬‬
‫‪ -‬عدد الجسيمات الصادرة في الثانية من مادة مشعة‪.‬‬
‫ولتوزيع بواسون تطبيقات واسعة‪ ،‬فهو يقدم بشكل عام نموذجا للمعلومات اإلحصائية‬
‫التي تأخذ شكل تعداد لحوادث نادرة الوقوع‪ ،‬حيث يمثل المتغير العشوائي ‪ X‬عدد‬
‫الحوادث النادرة الملحوظة في وحدة قياس معينة زمنيا‪ ،‬بينما يمثل ‪ ‬معدل أو متوسط‬
‫عدد مرات ظهور تلك األحداث في وحدة القياس‪ ،‬كذلك يستخدم توزيع بواسون كتقريب‬
‫للتوزيع الثنائي عندما ما تكون ‪ n‬كبيرة )‪ (n  ‬واحتمال النجاح ضئيل يقترب من‬
‫الصفر )‪. ( p  0‬‬
‫نقول عن متغير عشوائي ‪ X‬أنه يتوزع وفق توزيع بواسون بوسيط ‪ ،   0‬ونكتب‬
‫‪ ، x‬إذا كانت له دالة االحتمال التالية‪:‬‬ ‫) ‪p( x; ‬‬
‫‪140‬‬
‫‪x‬‬
‫‪ ، p( x;  )  P( X  x)  e  ‬نالحظ أن ‪:‬‬ ‫;‬ ‫‪xi  0,1...‬‬
‫!‪x‬‬
‫‪x‬‬
‫‪p( x;  )  e ‬‬ ‫‪0‬‬
‫!‪x‬‬
‫‪‬‬ ‫‪‬‬
‫‪x‬‬ ‫‪‬‬
‫‪x‬‬
‫‪ p( x;  )  e‬‬
‫‪x 0‬‬ ‫‪x 0‬‬ ‫!‪x‬‬
‫‪e  ‬‬
‫‪x 0‬‬ ‫!‪x‬‬
‫‪e   (e )  1‬‬
‫‪‬‬
‫‪xn‬‬
‫‪( e  ‬سلسلة صحيحة ‪)sérié entière‬‬ ‫ألن‬
‫‪x‬‬
‫‪n 0‬‬ ‫!‪n‬‬
‫مثال ‪ :1‬ليكن متوسط عدد المكالمات الهاتفية التي يتلقاها مستقبل المكالمات في مركز‬
‫هاتفي معين ما بين الساعة ‪9‬سا و ‪10‬سا هو ‪ 1.5‬مكالمة في الثانية ‪.‬‬
‫المطلوب ‪ :‬حساب احتمال أن يكون لدينا ما بين (‪10‬سا و ‪33‬د) و (‪10‬سا و ‪34‬د)‪:‬‬
‫‪ )1‬عدم وجود أي مكالمة هاتفية؟‬
‫‪ )2‬مكالمة هاتفية واحدة؟‬
‫‪ )3‬مكالمتان هاتفيتان ؟‬
‫‪ )4‬ثالث مكالمات هاتفية على األقل؟‬
‫إن عدد المكالمات الهاتفية ‪ x‬هو متغير عشوائي بواسوني وسيطه ‪ ،   1.5‬وتكون له‬
‫دالة االحتمال التالية‪:‬‬
‫‪(1.5) x‬‬
‫‪p( x;1.5)  P( X  x)  e 1.5‬‬ ‫;‬ ‫‪xi  0,1...‬‬
‫!‪x‬‬
‫‪141‬‬
‫‪ )1‬احتمال عدم تلقي أي مكالمة‪:‬‬

‫‪(1.5)0‬‬
‫‪p(0;1.5)  P( X  0)  e 1.5‬‬ ‫‪ 0, 2231‬‬
‫!‪0‬‬
‫‪ )2‬احتمال تلقي مكالمة واحدة‪:‬‬

‫‪(1.5)1‬‬
‫‪p(1;1.5)  P( X  1)  e 1.5‬‬ ‫‪ 0, 3347‬‬
‫!‪1‬‬
‫‪ )3‬احتمال تلقي مكالمتين‪:‬‬

‫‪(1.5) 2‬‬
‫‪p(2;1.5)  P( X  2)  e 1.5‬‬ ‫‪ 0, 2510‬‬
‫!‪2‬‬
‫احتمال تلقي ثالث مكالمات على األقل‪:‬‬
‫‪p( x  3)  1  p( x  3)  1   p( x  0)  p( x  1)  p( x  2)   1  0, 2231  0,3347  0, 2510  0,1912‬‬
‫مثال ‪ :2‬يستلم أحد المصارف شيكات بدون رصيد بمعدل ‪ 8‬شيكات في اليوم الواحد‪،‬‬
‫المطلوب ‪ :‬أ‪ -‬كتابة القانون االحتمالي لهذا المتغير العشوائي‪.‬‬
‫ب‪ -‬ما هو احتمال أن يستلم المصرف ‪ 4‬شيكات بدون رصيد في يوم ما؟‬
‫ت‪ -‬ما هو احتمال أن يستلم المصرف في يوم ما شيكين على األقل بدون‬
‫رصيد ؟‬
‫نفرض أن المتغير العشوائي ‪ X‬يمثل عدد الشيكات المستلمة بدون رصيد في اليوم‬
‫الواحد‪ ،‬وعليه فأن‪:‬‬
‫‪142‬‬
‫أ‪ -‬القانون االحتمالي‪:‬‬

‫‪ 8 8x‬‬
‫‪e‬‬ ‫‪x  0,1, 2,....‬‬
‫‪p  X  x    x! i‬‬
‫‪ 0/ w‬‬
‫‪‬‬
‫ب‪-‬احتمال أن يستلم المصرف ‪ 4‬شيكات بدون رصيد في يوم ما‬
‫‪84‬‬
‫‪p  4;8  e8‬‬ ‫‪ 0.0572‬‬
‫!‪4‬‬
‫ت‪-‬احتمال أن يستلم المصرف في يوم ما شيكين على األقل بدون رصيد‬
‫‪ 80 81 ‬‬
‫‪p  X  2   1  p  X  2   1   p  X  0   p  X  1   1  e     0.997‬‬
‫‪8‬‬
‫‪ 0! 1! ‬‬
‫ثانيا‪ :‬التوتقع والتباين لقانون بوايون‬
‫إذا كان ‪ X‬متغير عشوائي بواسوني وسيطه ‪ ‬فأن ‪:‬‬
‫)‪  E  X   ..........(1‬‬
‫)‪ 2  V  X   ........(2‬‬
‫ثالثا‪ :‬تقريب القانون الثنائي بقانون بوايون‬
‫ليكن ‪ X‬متغي ار عشوائيا يتوزع وفق القانون الثنائي والذي دالته االحتمالية ‪:‬‬
‫‪f ( x)  P( X  x)  Cnx p x (1  p)n x‬‬ ‫‪; xi  0,1...n‬‬
‫تصادفنا في بعض التطبيقات االحصائية تجارب وفقا للقانون الثنائي بحيث تكون ‪n‬‬
‫كبيرة واحتمال النجاح ‪ p‬صغير وقد يبقى الجداء ‪ ( np‬التوقع الرياضي لهذا المتغير)‬
‫مساويا لعدد ثابت ‪ ، ‬أي أن متوسط عدد مرات ظهور حادثا ما ( النجاح ) وليكن ‪E‬‬
‫‪143‬‬
‫وذلك وفقا لمتواليات مختلفة من التك اررات ( كل منها يتألف من ‪ n‬تكرار مستقال ) يبقى‬
‫ثابتا‪ ،‬إن إيجاد احتماالت القيم ل ‪ X‬تبدو شاقة وغير متاحة في بعض هذه الحاالت‬
‫( التجارب الثنائية ) خاصة أن الجداول االحصائية المتعلقة بالقانون الثنائي بالنسبة‬
‫للقيم الكبيرة ل ‪ n‬و القيم الصغيرة ل ‪ ، ) n  30; p  0.01( p‬لذا البد من إيجاد‬
‫صيغة مشابهة للقانون الثنائي التي تسمح بشكل تقريبي ايجاد احتماالت الحوادث‬
‫)‪ ( X  x‬عندما تكون ‪ n‬كبيرة واحتمال النجاح ‪ p‬صغير و ‪ ،   np‬وفقا للقانون‬
‫‪‬‬
‫‪ p ‬حيث نجد ‪:‬‬ ‫الثنائي نعتبر‬
‫‪n‬‬
‫‪n x‬‬ ‫‪n x‬‬
‫‪  ‬‬ ‫)‪n(n  1)(n  2).....(n  x  1‬‬ ‫‪‬‬
‫‪x‬‬
‫‪P( X  x)  C   1   ‬‬ ‫‪   1  ‬‬

‫‪x‬‬ ‫‪x‬‬
‫‪n‬‬
‫‪n  n‬‬ ‫‪ n‬‬
‫‪x‬‬
‫‪x !n‬‬
‫‪ 1  2   x  1 ‬‬
‫‪1  1   ..... 1 ‬‬ ‫‪‬‬ ‫‪x‬‬ ‫‪‬‬
‫‪n x‬‬
‫‪‬‬ ‫‪n  n  ‬‬ ‫‪n ‬‬
‫‪‬‬ ‫‪   1  ‬‬
‫!‪x‬‬ ‫‪ n‬‬
‫‪ 1  2   x  1 ‬‬
‫‪1  1   ..... 1 ‬‬ ‫‪  1; n  ‬‬
‫‪ n  n  ‬‬ ‫‪n ‬‬
‫‪‬‬
‫‪ ‬‬
‫‪n x‬‬
‫‪   n /       x‬‬
‫‪1  ‬‬ ‫‪  1     1    e  ‬‬ ‫بينما‬
‫‪ n‬‬ ‫‪ n    n ‬‬
‫‪ ‬‬
‫‪n‬‬
‫‪1‬‬
‫( من التحليل الرياضي )‬ ‫‪lim‬‬ ‫‪1    e‬‬
‫‪‬‬
‫و بمالحظة‬
‫‪n  ‬‬ ‫‪n‬‬
‫‪x 2 x3‬‬ ‫‪xk‬‬

‫‪ ، Ln 1  x   x ‬والمفكوك صحيح في حالة‬ ‫‪  ..... ‬‬
‫‪1‬‬
‫‪ -‬النشر المحدود للوغاريتم الطبيعي ‪...‬‬
‫‪2 2‬‬ ‫‪k‬‬
‫‪ ‬‬ ‫‪ ‬‬ ‫‪‬‬
‫‪n‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪ ، Ln 1     ‬واذا كانت ‪ n‬كبيرة فأن‬ ‫ما اذا كان ‪ ، x  1‬اذا كان ‪ 3  .......‬‬
‫‪ n‬‬
‫‪2‬‬
‫‪n 2n 3n‬‬
‫‪ ‬‬ ‫‪2 3‬‬
‫‪ ، Ln b  0; n, p   n Ln 1     ‬اذن ‪. b  0; n, p    :‬‬ ‫‪‬‬ ‫‪ ‬‬
‫‪ n‬‬ ‫‪2n 3n2‬‬
‫‪144‬‬
‫‪ ‬‬
‫‪x‬‬
‫( ألن ‪ x‬محدود )‬ ‫‪lim‬‬ ‫‪1    1‬‬ ‫أما‬

‫‪n  ‬‬ ‫‪n‬‬
‫ينتج عندما ‪ n  ‬مع بقاء ‪ ‬ثابتة ( أي أن ‪ ) p  0‬ما يلي‪:‬‬

‫‪ x e ‬‬
‫‪. p  X  x ‬‬
‫!‪x‬‬
‫يفيدنا االثبات السابق بأن االحتماالت التي تعطيها دالة االحتمال البواسونية مساوية‬
‫تقريبا لالحتماالت التي تعطيها دالة االحتمال للقانون الثنائي شريطة أن تكون ‪ n‬كبيرة‬
‫ر نسبيا ويكون التقريب جيد إذا كان )‪(np  5; n  30‬‬
‫و يكون الجداء ‪   np‬صغي ا‬
‫مثال ‪:3‬‬
‫إذا كان احتمال أن يعاني شخص من رد فعل سيئ عند حقنه بمصل معين هو‬
‫‪ ، 0.002‬أوجد احتمال أن يكون من بين ‪ 1000‬شخص سيحقنون بالمصل‪:‬‬
‫‪ -1‬شخصان سيعانون من رد فعل سيئ؟‬

‫‪ -2‬ثالثة أشخاص على األقل سيعانون من رد فعل سيئ؟‪.‬‬
‫اذا فرضنا أن ‪ X‬يدل على عدد األشخاص الذين سيعانون من رد فعل سيئ من بين‬
‫‪ 1000‬شخص فأنه يكون ل ‪ X‬التوزيع الثنائي بوسيطين ‪ n=1000‬و ‪، p=0.002‬‬
‫ولكن من المفترض أن يكون الرد السيئ حدثا ناد ار ‪ ،‬فأنه يمكننا افت ارض أن ‪ X‬خاضع‬
‫‪ x e ‬‬
‫‪ p  X  x  ‬حيث ‪  np  (1000)(0.002)  2‬‬ ‫لقانون بواسون أي أن ‪:‬‬
‫!‪x‬‬
‫( ‪ ، ) np  5‬وهذا يسمح لنا بتطبيق قانون بواسون كتقريب للقانون الثنائي‪.‬‬
‫‪145‬‬
‫‪22 e2‬‬
‫‪(1) p  X  2  ‬‬ ‫‪ 0.270‬‬
‫!‪2‬‬
‫‪(2) p  X  3  1  p  X  3  1   p  X  0   p  X  1  p  X  2  ‬‬
‫‪ 1   0.1353  0.270  0270  0.3247‬‬
‫مثال ‪ :4‬إذا كان ‪ 0.2%‬من الكتب المجلدة بنوع معين من التجليد يكون بها عيوب في‬
‫التجليد ‪ ،‬فما هو احتمال أن ‪ 5‬كتب مجلدة من ‪ 400‬كتاب بها عيوب في التجليد؟‬
‫‪ 0.8‬‬ ‫‪e0.8‬‬

‫‪5‬‬
‫‪x  5 , n = 400 ,  = np =(400)(0.002)= 0.8<5 ; p  X  5 ‬‬ ‫‪‬‬ ‫‪ 0.001227‬‬

‫!‪5‬‬
‫التوزيع األيي ‪Exponential distribution‬‬ ‫‪-2-7-12‬‬
‫أوال‪ :‬مفهوم التوزيع األيي‬
‫‪146‬‬
‫بعد هذا التوزيع حالة خاصة من توزيع غاما‪ 1‬عندما تكون ( ‪ ،)   1‬ويستخدم في‬
‫معالجة بعض التطبيقات اإلحصائية مثل تقدير مدة حياة بعض األجهزة‪ ،‬فترات‬
‫االنتظار‪ ،‬درجات الح اررة العظمى والصغرى‪...‬وبافتراض أن لدينا متغير عشوائي‬
‫مستمر (‪ )X‬يتوزع وفقا للتوزيع األسي‪ ،‬فإن دالة التوزيع االحتمالي تأخذ الشكل اآلتي‪:‬‬
‫‪ 1  x‬‬
‫‪ e‬‬ ‫‪,x 0‬‬
‫‪f ( x)   ‬‬
‫‪ 0‬‬ ‫‪,x 0‬‬
‫‪‬‬
‫‪ e   x‬‬ ‫‪;x  0‬‬

‫‪ ،  ‬يصبح لدينا‪:‬‬ ‫وبوضع‬
‫‪1‬‬
‫‪f ( x)  ‬‬
‫‪ 0‬‬ ‫‪;x  0‬‬ ‫‪‬‬
‫والمنحنى البياني لدالة الكثافة االحتمالية للتوزيع األسي مبين وفق الشكل االتي ‪:‬‬
‫الشكل ( ‪ :)5-12‬التوزيع األيي‬
‫‪1‬‬
‫يعد هذا التوزيع األساس النظري لتوليد بعض التوزيعات االحتمالية كالتوزيع األسي مثال‪ ،‬ويعالج هذا التوزيع عادة‬
‫المتغيرات العشوائية التي تكون قيمتها موجبة دائما‪ ،‬ومن أمثلة هذا التوزيع فترات االنتظار على سبيل إجراء تجارب‬
‫الحياة‪ ،‬الفترة الزمنية لبقاء إنسان على قيد الحياة مصاب بمرض مزمن‪ ،‬تصميم الطلبيات في منتج ما ‪ ،.....،‬وبافتراض‬
‫أن لدينا متغير عشوائي مستمر وليكن ‪ ، X‬يتوزع وفق توزيع غاما‪ ،‬فإن دالة التوزيع االحتمالي له تأخذ الشكل التالي‪:‬‬
‫‪ 1‬‬ ‫‪‬‬
‫‪ 1 ‬‬
‫‪x‬‬
‫‪‬‬ ‫‪x e‬‬ ‫‪,x 0‬‬

‫) ‪f ( x)     (‬‬
‫‪0 / w‬‬
‫‪‬‬ ‫‪  , ‬مع العلم أن‬ ‫‪0‬‬
‫معلمات هذا التوزيع‪.‬‬ ‫تمثل‬ ‫‪‬و‪‬‬ ‫حيث أن‬
‫‪147‬‬
‫أما التابع التوزيعي األسي فهو كما يلي‪:‬‬

‫‪x‬‬ ‫‪x‬‬
‫‪F  x ‬‬ ‫‪‬‬ ‫‪f  t  dt ‬‬ ‫‪ e‬‬
‫‪ t‬‬ ‫‪x‬‬
‫‪dt   e  t   1  e   x‬‬
‫‪0‬‬
‫‪‬‬ ‫‪‬‬
‫‪1  e  x ; x  0‬‬
‫‪F ( x)  ‬‬ ‫ومنه نجد‬
‫‪ 0‬‬ ‫‪;x  0‬‬
‫والمنحنى البياني للتابع التوزيعي للتوزيع األسي مبين وفق الشكل االتي ‪:‬‬
‫الشكل ( ‪ :)6-12‬التابع التوزيعي للتوزيع األيي‬
‫‪148‬‬
‫بحوث العمليات‬ ‫ محمد بداوي‬: ‫الدكتور‬
‫ خواص التوزيع األيي‬:‫ثانيا‬
:‫خواص هذا التوزيع نوجزها في هذه النقاط‬
1) p( x  b)  ea , 2) p( x  a)  1  ea , 3) p(a  x  b)  ea  eb
: ‫االثبات‬
t t
1) p( x  b)   f  x  dx    e   x dx   e   x   e  t  e  b
t
b
b b
p( x  b)  lim  e  t  e  b   e  b
t 
a a
2) p( x  a)   f  x  dx    e   x dx   e   x   1  e   a
a
0
0 0
b a
3) p(a  x  b)  p( x  b)  p( x  a)   f  x  dx   f  x  dx
0 0
b a
   e  x dx    e   x dx
0 0
b a
  e   x    e   x 
0 0
 e   a  e  b
:‫الخواص الثالثة السابقة نبينها وفق الرسم البياني االتي‬
149
‫ التوتقع والتباين للتوزيع األيي‬:‫ثالثا‬
: ‫مبرهنة‬
: ‫ متغي ار عشوائيا له القانون األسي فأن‬X ‫اذا كان‬
1
  EX   ..............................(1)

1
 2 V X   ...........................(2)
2
: ‫االثبات‬
:‫من تعريف متوسط متغير عشوائي فأن‬

 
1 E( X )   x f  x  dx    xe
 x
dx
 0
e  x
  x  du  dx , d  e  x     :‫نستخدم التكامل بالتجزئة حيث‬


  xe  x 

1
 


 1  x 

1
E ( X )       e dx   0   e dx   e  
 x  x

  0  0 
 0   0 
 2 V ( X )  E( X 2 )   2
 
 x f  x  dx    x e
 2  x
E( X ) 
2 2
dx
 0
e  x
  x 2  du  2 xdx , d  e  x     :‫نستخدم التكامل بالتجزئة حيث‬

150
‫‪  x 2 e   x   2    x ‬‬ ‫‪‬‬

‫‪2‬‬ ‫‪2‬‬
‫‪E ( X )   ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪xe  x dx  E ( X )  2‬‬
‫‪2‬‬
‫‪‬‬ ‫‪xe‬‬ ‫‪dx‬‬ ‫‪‬‬ ‫‪0‬‬ ‫‪2‬‬
‫‪ ‬‬
‫‪ 0  0‬‬ ‫‪‬‬ ‫‪0‬‬
‫‪‬‬ ‫‪‬‬
‫‪2‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪V (X )  2  2  2‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫نفرض أن زمن مكالمة هاتفية مقاسة بالدقائق هو متغير عشوائي أسي وسيطة‬
‫‪ ،  ‬يصل الشخص ‪ A‬إلى حجرة الهاتف‪ ،‬وفي نفس اللحظة يمر قبله شخص‬
‫‪1‬‬
‫‪20‬‬
‫آخر (دخل إلى الحجرة)‪.‬‬
‫‪ )1‬ما هو احتمال أن الشخص ‪ A‬ينتظر أكثر من ‪ 20‬دقيقة؟‬
‫‪ )2‬ما هو احتمال أن الشخص ‪ A‬ينتظر ما بين ‪ 20‬و ‪ 40‬دقيقة؟‬
‫ليكن ‪ X‬المتغير العشوائي الذي يمثل زمن المكالمة الهاتفية ‪ X‬هو متغير أسي وسيطه‬
‫‪.‬‬
‫‪1‬‬
‫‪‬‬
‫‪20‬‬
‫‪ )1‬الحادث "االنتظار األكثر من ‪ 20‬دقيقة هو (‪ )X>20‬واحتماله هو‪:‬‬

‫‪1‬‬
‫‪‬‬ ‫)‪( 20‬‬ ‫‪1‬‬
‫‪1) p ( x  20)  e‬‬ ‫‪20‬‬
‫‪ e 1 ‬‬
‫‪e‬‬
‫‪ )2‬الحادث "االنتظار ما بين ‪ 20‬و ‪ 40‬دقيقة "هو )‪ (20  x  40‬والذي احتماله هو‬
‫‪20‬‬ ‫‪40‬‬
‫‪‬‬ ‫‪‬‬
‫‪2) p(20  x  40)  e‬‬ ‫‪20‬‬
‫‪e‬‬ ‫‪20‬‬
‫‪ e 1  e 2‬‬
‫‪151‬‬
‫رابعا‪ :‬مدة حياة بدون شيخوخة ( متغير لشوائي بدون ذاكرة)‬
‫خاصية المتغيرات العشوائية األسية هي عدم وجود ذاكرة ‪ ،‬مثال المتغير العشوائي ‪X‬‬
‫الذي يعطي مدة حياة جهاز في وحدة زمنية مختارة ‪ ،‬الحادث " مدة الحياة ال تتجاوز ‪y‬‬
‫سنة " هو الحادث ( ‪ ) x   0, y ‬الذي نرمز له ب ( ‪ ) x  y‬وحادثه العكسي هو‬
‫الحادث " مدة الحياة تتجاوز على األقل ‪ y‬سنة " والذي نعبر عنه ب ( ‪ ) x  y‬الذي‬
‫نرمز له ب ( ‪.) x  0, ‬‬
‫لنهتم بالحادث " مدة الحياة هي على األقل ‪ t+h‬سنة " علما أن الجهاز قد عاش ‪t‬‬
‫سنة‪ ،‬نعبر عن هذا الحادث ب‪p   x  t  h  \  x  t   :‬‬
‫تقضية‪:‬‬
‫ليكن ‪ X‬متغير عشوائي له القانون األسي بوسيط ‪ t, h ، ‬عددين حقيقين موجبين‬

‫فأن‪:‬‬
‫‪ ، p   x  t  h  \  x  t    p  x  h ‬في هذه الحالة نقول أن المتغير العشوائي‬

‫بدون ذاكرة‪.‬‬
‫االثبات‪ ( :‬تطبيق االحتمال الشرطي)‬
‫‪p  x  t  h ‬‬ ‫‪ x  t   p  x  t  h  e  t  h ‬‬

‫‪p  x  t  h  \  x  t  ‬‬ ‫‪‬‬ ‫‪  t‬‬ ‫‪ e h  p  x  h ‬‬
‫‪px  t‬‬ ‫‪px  t‬‬ ‫‪e‬‬
‫‪152‬‬
‫مدة الحياة لبعض األجهزة االلكترونية هي متغير عشوائي ‪ X‬له القانون األسي وسيطه‬
‫‪.   0.01‬‬
‫‪ )1‬أحسب احتمال أن جهاز ما يحدث له عطب قبل ‪ 5‬سنوات ؟‬

‫‪ )2‬أحسب احتمال أن جهاز ما ال يحدث له عطب قبل سنة ؟‬
‫‪ )3‬أحسب احتمال أن جهاز ما يبقى يشتغل حتى ‪ 6‬سنوات علما أنه أشتغل ‪5‬‬
‫سنوات ‪ ،‬ما ذا تالحظ ؟‬
‫‪ )1‬لنبحث عن احتمال أن مدة الجهاز تكون أصغر من ‪ 5‬سنوات‬

‫‪. p  X  5   1  e 5  1  e 0.05‬‬
‫‪ )2‬لنبحث عن احتمال أن مدة الجهاز تكون أكبر من سنة‬
‫‪. p  X  1  e   e0.01‬‬
‫‪ )3‬احتمال أن جهاز ما يبقى يشتغل حتى ‪ 6‬سنوات علما أنه أشتغل ‪ 5‬سنوات هو‬
‫‪p   X  6  \  X  5    p  X  1 = e 0.01‬‬
‫نالحظ أن هذه النتيجة هي نفس النتيجة المحصل عليها من خالل السؤال الثاني ‪،‬‬
‫وهذا ما يثبت خاصية عدم الذاكرة عند القوانين األسية ‪.‬‬
‫‪153‬‬
‫توزيع إيرالنغ ‪: Erlang distribution‬‬ ‫‪-3-7-12‬‬
‫هو من التوزيعات المستمرة ‪ ،‬أهميته تكمن أن له عالقة بالتوزيع األسي وتوزيع غاما (‬
‫حالة خاصة من هاذين التوزيعين)‪ ،‬إبتكره المهندس الدانماركي إيرالنغ بعد نمذجته لعدد‬
‫المكالمات الهاتفية المتزامنة‪ ،‬له معلمتين ‪ : k‬عدد صحيح‪ ،‬و ‪ ( : ‬معلمة الشدة)‪.‬‬
‫‪ ،  ‬إذا‬ ‫نستخدم أحيانا معلمة بديلة حيث نأخذ بعين االعتبار معامل المقياس‪:‬‬
‫‪1‬‬
‫‪‬‬
‫كان ‪ k‬مساويا للواحد فتوزيع إيرالنغ يصبح توزيعا أسيا‪ ،‬كذلك توزيع إيرالنغ هو حالة‬
‫خاصة من توزيع غاما بحيث أن ‪ k‬عدد صحيح خالفا لغاما الذي هو عدد حقيقي‬
‫موجب أكبر أو يساوي ‪ ،1‬دالته االحتمالية تأخذ الشكل التالي‪:‬‬
‫‪ k x k 1e x‬‬

‫‪f  x; k ,   ‬‬ ‫‪, x0‬‬
‫!‪ k  1‬‬
‫متوسطه وتباينه يعطى كالتالي‪:‬‬
‫‪k‬‬ ‫‪k‬‬
‫‪EX  ‬‬ ‫‪, V X  ‬‬
‫‪‬‬ ‫‪2‬‬
‫شكله البياني يعطى كما يلي‪:‬‬
‫‪154‬‬
‫الشكل ( ‪ :)7-12‬توزيع إيرالنغ‬
‫‪ -8-12‬العملية البوايونية‪Poisson Process :‬‬
‫نرمز ل ‪ N  t ‬عدد الحوادث المتدفقة في مجال زمني ‪ ،  0,t ‬هذه العملية لها مسار‬
‫درجي )‪ (stairs‬أنظر الشكل (‪ ،)8-12‬نهتم بالحوادث المتدفقة خالل لحظات زمنية‬
‫( ‪ ، ) t1, t2 ,..‬في كل لحظة زمنية التعداد يزداد ب ‪.1‬‬
‫‪N  t   0 ; t  t1‬‬
‫‪N  t   1 ; t1  t  t2‬‬
‫‪....................................‬‬
‫‪N  t   x ; t x  t  t x 1‬‬
‫عملية التعداد ‪  N  t  : t  0‬تدعى بعملية بواسون بكثافة ‪(   0‬متوسط تدفق‬

‫األحداث) ولها الخصائص األتية‪:‬‬
‫‪ -‬مسارات ثابتة بالقطع مع وثبات )‪ (jumps‬بحجم واحد فقط‪.‬‬
‫‪155‬‬
‫‪ -‬المسارات هي ( مستمرة على اليمين ‪ ،‬مع نهاية على اليسار) (‪.1)càdlàg‬‬
‫الشكل ( ‪ :)8-12‬العملية البوايونية‬
‫نقول عن أي عملية أنها بوايونية اذا كانت تحقق الفرضيات األتية ‪:‬‬
‫‪ -1-8-12‬فرضيات العملية البوايونية‬
‫ف‪ )1‬العملية بدون ذاكرة ( بدون لاتقبة)‪ :‬وقوع قبل اللحظة ‪ t‬ليس له تأثير بوقوع‬
‫أحداث خالل الفترة ‪.  t , t  h ‬‬
‫‪1‬‬
‫اختصار بالفرنسية (‪ ، )continue à droite, limite à gauche‬هي دالة معرفة على مجموعة ‪ E‬ألعداد‬
‫حقيقية حيث أنها مستمرة على اليمين عند كل نقطة من ‪ E‬وتقبل نهاية على اليسار عند كل نقطة من ‪ ، E‬هذه الدوال مهمة‬
‫في دراسة العمليات التصادفية وهي باألخص عمليات بوثبات‪ ،‬مجموعة دوال (‪ )càdlàg‬تدعى أيضا بفضاء سكوروخود‬
‫‪ ، Skorokhod space‬ومن أمثلة هذه الدوال نجد‪ :‬الدوال المستمرة‪ ،‬التوابع التوزيعية ‪ ،‬مسارات ليفي ‪ ،‬كلها مسارات‬
‫(‪.)càdlàg‬‬
‫‪156‬‬
‫ف‪ )2‬الريوخ‪ :‬قانون التزايد ‪  N  t , t  h   N  t  ‬للعملية ال يعتمد على ‪ h‬وهو‬
‫دالة ل ‪ x‬و ‪ t‬فقط (هي عملية بتزايدات مستقلة)‪.‬‬
‫تقانون لدد األحداث المتدفقة ‪: N  t ‬‬
‫نعتمد الترميز االتي‪ ، p  x, t   p  N  t   x :‬لنهتم بتوزيع ‪ p  x, t ‬خالل مجال‬

‫زمني منتهي ‪ t‬لتدفق بسيط للحوادث ‪ ،‬نوضح ذلك في الشكل (‪:)9-12‬‬
‫الشكل ( ‪ :)9-12‬األحداث المتدفقة‬
‫رياضيا توصف هذه العملية بعملية التعداد ‪ ، N  t ‬ومن الشكل السابق نخلص الى ما‬
‫يلي‪:‬‬
‫‪ : N  t  -‬عدد تدفق لألحداث خالل المجال الزمني ‪.  0,t ‬‬
‫‪: N  t1 , t2  -‬عدد تدفق لألحداث خالل المجال الزمني ‪.  t1 , t2 ‬‬
‫نفترض أننا نود نمذجة تدفق أحداث عشوائية بمتوسط ‪ ، ‬سنجزئ نصف مستقيم‬
‫‪  0 , ‬الى مجاالت صغيرة بطول ‪ ‬والموضحة في الشكل (‪)10-12‬‬
‫الشكل ( ‪ :)10-12‬نمذجة تدفق أحداث عشوائية بمتوسط ‪‬‬
‫‪157‬‬
‫‪ N  t ‬عدد الحوادث المتدفقة في مجال زمني ‪ ،  0,t ‬لدينا ‪ ( x ‬هنا استخدمنا ‪x‬‬
‫‪t‬‬
‫‪‬‬
‫عدد تدفق لألحداث بدل ‪ ،)n‬نستنتج أن ‪ N  t   Bi  x, p ‬مع ‪ ، p  ‬فالمتوسط‬
‫يكون كما يلي‪:‬‬
‫‪t‬‬
‫‪xp  x ‬‬ ‫‪  t‬‬
‫‪‬‬
‫كذلك يجب أن ننوه بأن عدد الحوادث المتدفقة بين اللحظات الزمنية ( ‪ ) Int‬مستقلة‬
‫وتخضع للتوزيع األسي( ‪ ) Exp   ‬حيث‪ p  Int  t   e t :‬ونوضح ذلك في الشكل‬
‫(‪)11-12‬‬
‫الشكل ( ‪ :)11-12‬عدد الحوادث المتدفقة بين اللحظات الزمنية ( ‪) Int‬‬
‫نعتبر مجال صغير جدا بطول ‪ ، t‬فعدد تدفق األحداث خالل هذا المجال الزمني له‬
‫نفس التوزيع ل ‪ ، N  t ‬نلخص وقوع الحوادث فيما يلي‪:‬‬
‫عدم وقوع حدث في طول المجال ‪ t‬هو كما يلي‪:‬‬
‫‪2‬‬
‫‪p  N  t   0  e t  1  t ‬‬ ‫‪ t ‬‬ ‫‪ ...‬‬ ‫دستور تايلور‬
‫‪2‬‬
‫‪2‬‬
‫اذا كان ‪ t‬صغي ار فأن ‪ ) o ( ، p  N  t   0  1  t  o  t ‬يمثل رمز الندو‬
‫‪.Landau‬‬
‫‪158‬‬
‫‪ o  t ‬يبين أن الدالة مهملة بالمقارنة مع ‪ ، t‬أكثر دقة نضع ‪g  t   o  t ‬‬

‫‪g  t ‬‬
‫‪ ، lim‬أما األن نقوم بحساب وقوع حدث في طول المجال‬ ‫يعني هذا أن ‪ 0‬‬
‫‪t 0‬‬ ‫‪t‬‬
‫‪ t‬وهو كما يلي‪:‬‬
‫‪p  N  t   1  t e  t‬‬

‫‪‬‬ ‫‪2‬‬ ‫‪‬‬
‫‪ t  1  t   t   ... ‬‬
‫‪2‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪‬‬

‫‪‬‬ ‫‪3‬‬ ‫‪‬‬
‫‪ t    2  t    t   ... ‬‬
‫‪2‬‬ ‫‪3‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪‬‬

‫‪ t  o  t ‬‬
‫ر فأن ‪p  N  t   1  t  o  t ‬‬

‫اذا كان ‪ t‬صغي ا‬
‫بشكل مماثل بالنسبة ل‪p  N  t   2  o  t  :‬‬
‫هناك بعض النتائج نلخصها فيما يلي‪:‬‬
‫نتائج‪:‬‬
‫‪ .1‬اذا كان طول المجال صغير جدا فأن وقوع الحوادث في المجال هو كما يلي‪:‬‬
‫وقوع حدث في المجال ‪ t , t  t ‬هو‪:‬‬
‫‪. p  t , t  t    t  o  t  ‬‬
‫وقوع حدثين في المجال ‪ t , t  t ‬هو‪. p  t , t  t   o  t  :‬‬
‫عدم وقوع حدث في المجال ‪ t , t  t ‬هو‪:‬‬

‫‪. p  t , t  t   1  t  o  t ‬‬
‫‪159‬‬
‫‪ .2‬احتمال وقوع أي حدث يتعلق بطول المجال حيث نرمز له ب ‪ p  x, t ‬الحتمال‬

‫وقوع عدد ‪ x‬من حوادث التدفق المفروض خالل أي مجال زمني ‪ ، t‬حيث‬
‫( ‪.) x  0,1, 2,...‬‬
‫عدد التدفقات في مجال زمني بطول ‪ t  0‬يتبع قانون بواسون بالوسيط ‪ t‬يعني يجب‬
‫‪ t ‬‬ ‫‪e  t‬‬
‫‪x‬‬
‫‪f  x‬‬ ‫‪‬‬ ‫اثبات القانون االحتمالي ‪ X‬التالي‪; x  0,1, 2,... :‬‬
‫!‪x‬‬
‫سنقوم بإيجاد أوال‪p  0, t  :‬‬
‫‪ p  0 , t  t ‬احتمال عدم وقوع أي حادث خالل المجال ‪.  0 , t  t ‬‬
‫عدم وقوع أي حادث خالل المجال ‪ ،  0 , t  t ‬يعني عدم وقوع أي حادث خالل‬
‫المجال ‪  0 , t ‬و عدم وقوع أي حادث خالل المجال ‪ ، t , t  t ‬من خالل‬
‫االستقاللية نجد ‪. p  0 , t  t   p  0, t  p  t , t  t ‬‬
‫اذا كانت ‪ t‬صغيرة جدا فأن ‪ p  t , t  t   1  t  o  t ‬ألن وقوع الحادث‬
‫أكثر من مرة في المجال هو ‪. 0  t ‬‬
‫فأنه يصبح لدينا‪:‬‬
‫‪p  0 , t  t   p  0, t   p  0, t   t  o  t  ‬‬

‫‪p  0 , t  t   p  0, t ‬‬
‫‪  p  0, t   o 1‬‬
‫‪t‬‬
‫باالنتقال عبر النهاية بالنسبة ل ( ‪ ) t  0‬تصبح لدينا العالقة األتية‪:‬‬
‫‪d‬‬
‫‪p  0, t    p  0, t ‬‬
‫‪dt‬‬
‫‪160‬‬
‫العالقة األخيرة عبارة عن معادلة تفاضلية خطية ( لحلها يتم استخدام طريقة فصل‬
‫المتغيرات)‪ ،‬عند الشرط االبتدائي ‪ p  0, 0   1‬الذي نتج من العالقة‬
‫( ‪ ،) p  0 , t  dt   1   dt  o  dt ‬في األخير احتمال عدم وقوع أي حادث خالل‬
‫‪. p  0, t   e  t‬‬ ‫المجال الزمني ‪: t‬‬
‫ثانيا‪ ، p  x, t  :‬سنقوم بحسابها من أجل ( ‪) x  0‬‬
‫‪ p  x , t  t ‬هو احتمال وقوع الحادث ‪ x‬في المجال ‪ ،  0 , t  t ‬يعني‬

‫وقوع ‪  x  k ‬حادث خالل المجال ‪  0 , t ‬و وقوع ‪ k‬حادث خالل المجال‬
‫‪ ، t , t  t ‬مع ‪. 0  k  x‬‬
‫‪x‬‬
‫‪ p  x  k , t  p  k , t , t  t ‬‬ ‫وفقا لالستقاللية نحصل على‪:‬‬

‫‪k 0‬‬
‫بالرجوع الى المالحظات السابقة‪:‬‬

‫‪x‬‬
‫‪p  x , t  t   p  x, t  1  t  o  t    p  x  1, t   t  o  t     p  x  k , t  o  t ‬‬
‫‪k 2‬‬
‫‪p  x , t  t   p  x, t ‬‬ ‫‪o  t  ‬‬ ‫‪x‬‬

‫‪‬‬
‫‪  p  x, t    p  x  1, t  ‬‬ ‫‪‬‬ ‫‪p  x, t   p  x  1, t    p  x  k , t  ‬‬
‫‪t‬‬ ‫‪ ‬‬
‫‪‬‬ ‫‪t‬‬ ‫‪k 2‬‬ ‫‪‬‬
‫باالنتقال عبر النهاية بالنسبة ل ( ‪ ) t  0‬تصبح لدينا العالقة األتية‪:‬‬
‫‪.‬‬
‫‪d‬‬
‫‪p  x, t    p  x, t    p  x  1, t ‬‬
‫‪dt‬‬
‫سبق وقد أثبتنا أن ‪ p  0, t   e  t‬ولدينا الشرط االبتدائي ‪ p  x, 0   0‬ألجل ‪. x  1‬‬
‫سنقوم بعملية استقراء من خالل اختيار ‪: p 1, t ‬‬
‫‪161‬‬
‫مع ‪. p 1, 0   0‬‬

‫‪d‬‬
‫‪p 1, t    p 1, t    p  0, t ‬‬
‫‪dt‬‬
‫مع ‪. p 1, 0   0‬‬

‫‪d‬‬
‫‪p 1, t    p 1, t    e  t‬‬
‫‪dt‬‬
‫حل هذه المعادلة التفاضلية ( يتم وفق طريقة تغيير الثابت ) فنجد‪، p 1, t   te  t :‬‬
‫ونستمر بشكل مماثل بالنسبة ل‪:‬‬
‫‪ t ‬‬ ‫‪e  t‬‬

‫‪2‬‬
‫‪p  2, t ‬‬ ‫‪‬‬

‫!‪2‬‬
‫‪ t ‬‬ ‫‪e  t‬‬
‫‪3‬‬
‫‪p  3, t ‬‬ ‫‪‬‬

‫!‪3‬‬
‫‪ t ‬‬ ‫‪e  t‬‬

‫‪x‬‬
‫‪f  x‬‬ ‫‪‬‬ ‫حتى نصل الى الصيغة المطلوبة وهي‪; x  0,1, 2,... :‬‬
‫!‪x‬‬
‫تقوانين الواول‪ ،‬تقوانين الخدمة الميتخدمة في نظرية االنتظار‪:‬‬ ‫‪-2-8-12‬‬

‫لنعد إلى أبسط ظاهرة انتظار حيث ال يوجد سوى صف انتظار واحد ومركز خدمة‬
‫واحد‪ ،‬فالحالة المثيرة لالهتمام هي الجمع بين ظاهرتين عشوائيتين ‪ ،‬بحيث يصل‬
‫الزبائن بشكل عشوائي ويكون الزمن الذي يقضيه كل زبون في مركز الخدمة عشوائي‪،‬‬
‫على سبيل المثال ‪ ،‬زبائن بنك معين يصلون عشوائيا إلى شباك خدمة البنك (هذا‬
‫يعني‪ :‬وقت وصول الجميع عشوائي) ‪ ،‬يبقون هناك لفترة زمنية متغيرة ال يمكن التنبؤ‬
‫بها لكل منهم (ال يزال متغي ار عشوائيا)‪.‬‬
‫هل يمكننا إحصائيا تحديد الطريقة التي يصل بها الزبائن إلى البنك ومدة وقوف أمام‬
‫الشباك أثناء الخدمة الخاصة بهم؟‬
‫تظهر التجربة في ظواهر كثيرة االنتظار أن قوانين الوصول تتبع القانون البواسوني‬
‫وقوانين تقديم الخدمات تتبع القانون األسي‪.‬‬
‫‪162‬‬
‫من الواضح أن هذه ليست األشكال الوحيدة التي يمكن أن تؤثر عليها هذه القوانين‪،‬‬
‫شيوعا واألبسط أيضا في االستخدام للحصول على عرض سهل للمبادئ‬
‫ً‬ ‫لكنها األكثر‬
‫والنظرية‪.‬‬
‫أوال‪ :‬ظواهر االنتظار‪:‬‬
‫الغرض من ترميز ‪ Kendall‬هو وصف الظاهرة بطريقة دقيقة‪ ،‬خصائص النظام مع‬
‫التوقع‪ ،‬من خالل ربطه بسلسلة أحرف على النحو التالي‪ ، A / B / S / N :‬حيث‪:‬‬
‫‪ : A‬قانون الوصول ‪ ( A=M ،‬قانون بواسون ‪ M ،‬تعني هنا الماركوفي) ‪ ،‬بالنسبة‬
‫للوصول الحتمي ‪ ،‬أي أن المجاالت ثابتة ‪ A=D‬لدينا ‪ A=G ،‬بالنسبة لقانون عام‬
‫كيفي‪.‬‬
‫‪ : B‬رمز الخدمة‪ ، B=M ،‬تتبع القانون األسي‪ ( B=D ،‬مدة الخدمة ثابتة) ‪( B=G ،‬‬
‫بالنسبة لقانون عام كيفي)‪.‬‬
‫هناك قوانين أخرى نستخدمها في بعض المرات خالف توزيعي بواسون واألسي مثل‬
‫توزيع إيرالنغ ( تعميم لتوزيع بواسون وأقل تشتت منه)‪.‬‬
‫‪ :S‬عدد مراكز الخدمة‪ ،‬في حالة عدم وجود الدقة نعتبر جميع المراكز متكافئة لها نفس‬
‫معدل الخدمة‪.‬‬
‫‪ :N‬السعة أي الحد األقصى لعدد الزبائن المؤهلين لدخول النظام (الطابور ومركز‬
‫الخدمة)‪ ،‬إذا تم حذفه فيعني أن النظام له سعة النهائية‪.‬‬
‫‪163‬‬
‫ثانيا‪ :‬مجاميع بعض الياليل ‪:‬‬
‫‪0  q 1‬‬
‫‪1‬‬
‫‪q‬‬
‫‪n 0‬‬
‫‪n‬‬
‫‪‬‬
‫‪1 q‬‬
‫‪......................... 1‬‬
‫‪1‬‬
‫‪‬‬
‫‪n 0‬‬
‫‪nq n ‬‬
‫‪1  q ‬‬
‫‪2‬‬
‫‪..................  2 ‬‬
‫‪q 1  q ‬‬
‫‪n q‬‬
‫‪n 0‬‬
‫‪2 n‬‬
‫‪‬‬
‫‪1  q ‬‬
‫‪3‬‬
‫‪..................  3‬‬
‫‪n‬‬
‫‪1  n......................... 4 ‬‬

‫‪x 1‬‬
‫‪n‬‬
‫‪n  n  1‬‬
‫‪x ‬‬
‫‪x 1‬‬ ‫‪2‬‬
‫‪............... 5‬‬
‫‪n‬‬
‫‪n  n  1 2n  1‬‬
‫‪x‬‬
‫‪x 1‬‬
‫‪2‬‬
‫‪‬‬
‫‪6‬‬
‫‪...............  6 ‬‬
‫‪n‬‬
‫‪1  x  , x  1............... 7 ‬‬
‫‪n 1‬‬
‫‪x‬‬
‫‪x 0‬‬
‫‪k‬‬
‫‪‬‬
‫‪1 x‬‬
‫‪n‬‬ ‫‪x 1   n  1 x n  nx n 1 ‬‬
‫‪ kx‬‬
‫‪x 0‬‬
‫‪k‬‬
‫‪‬‬
‫‪1  x ‬‬
‫‪2‬‬
‫‪, x  1............... 8 ‬‬
‫‪ ax ‬‬
‫‪‬‬ ‫‪n‬‬
‫‪e ‬‬
‫‪ax‬‬
‫‪............  9 ‬‬
‫‪n 0‬‬ ‫!‪n‬‬
‫ثالثا‪ :‬نموذج (‪ : )M/M/1‬نظام ( ‪:)  / FIFO‬‬

‫هذا نموذج صف انتظار يكون الوصول فيه ماركوفي (‪ )Marcovian‬ويكون توزيع‬
‫المغادرة أيضا ماركوفي ‪ ،‬وعدد مراكز الخدمة واحد وحجم طابور االنتظار أيضا‬
‫ماركوفي‪ ،‬مركز الخدمة الوحيد وحجم الصف النهائي ونوع تقديم الخدمة هو من يأتي‬
‫أوال تقدم له الخدمة أوالً (‪. )FCFS‬‬
‫رابعا‪ :‬فرضيات النموذج‪:‬‬
‫‪164‬‬
‫‪ = n )1‬عدد الزبائن في النظام‪.‬‬

‫‪ = μ )2‬متوسط معدل الخدمة‪.‬‬
‫‪ =  )3‬متوسط معدل الوصول‪.‬‬
‫‪ = Pn  t  )4‬احتمال عدد ‪ n‬من الزبائن في النظام في الزمن ‪.t‬‬
‫‪ )5‬احتمال وصول شخص واحد إلى النظام خالل ‪. dt   dt    h ‬‬
‫‪ )6‬احتمال وصول أكثر من شخص إلى النظام خالل ‪. dt    h ‬‬
‫‪ )7‬احتمال عدم وصول أي شخص إلى النظام أثناء ‪. dt  1   dt    h ‬‬
‫‪ )8‬احتمال تقديم زبون واحد للخدمة في الزمن المناسب ‪. dt  dt    h ‬‬
‫‪ )9‬احتمال تقديم أكثر من عميل للخدمة في الزمن المناسب ‪. dt    h ‬‬
‫‪ )10‬احتمال عدم تقديم الخدمة لزبون واحد في الزمن المناسب ‪. dt  1   dt    h ‬‬
‫ليكن ‪ Pn  t  dt ‬هو احتمال ‪ n‬من الزبائن في النظام في الزمن ‪.  t  dt ‬‬
‫فالنظام ‪ M/M/1‬يعني أن هناك شباك واحد فقط‪  ،‬هو متوسط عدد الوافدين للنظام‬
‫بينما ‪ ‬هو متوسط عدد الزبائن الذين تم التعامل معهم لكل وحدة زمنية( معدل‬
‫الخدمة لكل مركز)‪ ،‬نفترض أيضا أن ‪   ‬خالف ذلك يصبح صف االنتظار‬
‫النهائي‪ ،‬نسمي ‪ pn  t ‬إلى احتمال احتواء صف االنتظار على عدد ‪ n‬من األشخاص‪،‬‬
‫ما هو هذا االحتمال في اللحظة ‪. t  dt‬‬
‫نعتبر أنه خالل المدة ‪ t  dt‬يمكن إضافة شخص واحد على األكثر إلى صف‬
‫االنتظار ويمكن معالجة شخص واحد على األكثر بواسطة الصراف ( يمكن أن يكون‬
‫موظف أو ألة‪ ،)...،‬خالل المدة ‪ dt‬هناك أربع حاالت ممكنة‪:‬‬
‫‪ -‬يمكن ألي شخص أن يصل دون أن يغادر أحد شباك الخدمة‪.‬‬

‫‪ -‬يمكن ألي شخص المغادرة من الشباك دون أن يصل أي شخص أخر‪.‬‬
‫‪165‬‬
‫‪ -‬يمكن لشخص واحد أن يصل وأخر يغادر من الشباك‪.‬‬

‫‪ -‬ال أحد يصل وال أحد يغادر من الشباك‪.‬‬
‫هذه الحاالت تسمح لنا بكتابة العالقة التالية‪:‬‬
‫في اللحظة ‪ t‬لدينا )‪ (n-1‬زبون يصل إلى مركز الخدمة خالل ‪ ، dt‬لكن ليس هناك‬
‫أي خدمة مقدمة في هذه الفترة ‪ ،‬إذن في ‪  t  dt ‬االحتمال المقابل يعطى كما يلي‪:‬‬
‫‪Pn 1  t   dt 1  dt  ‬‬
‫في اللحظة ‪ t‬لدينا ‪ n‬زبون في النظام ‪ ،‬خالل الفترة ‪ dt‬ال يوجد أي داخل وال أي‬
‫شخص قُدمت له الخدمة‪ ،‬االحتمال المرافق يكون على النحو االتي‪:‬‬
‫‪Pn  t 1   dt 1   dt ‬‬
‫في اللحظة ‪ t‬لدينا )‪ (n+1‬زبون في النظام ‪ ،‬هناك خدمة داخل خالل هذه اللحظة ‪،‬‬
‫إذن في ‪  t  dt ‬االحتمال المقابل يعطى كما يلي‪Pn 1  t 1   dt   dt :‬‬
‫نهمل الحدود من الدرجة الثانية ‪:  dt ‬‬

‫‪2‬‬
‫‪Pn  t  dt   Pn 1  t   dt  Pn 1  t  dt  Pn  t  dt dt ‬‬

‫‪ Pn  t 1  dt 1   dt ‬‬
‫‪Pn  t  dt   Pn 1  t   dt  Pn 1  t  dt  Pn  t 1  dt  dt ‬‬

‫‪Pn  t  dt   Pn  t ‬‬
‫‪ Pn  t  ‬‬ ‫‪  Pn 1  t    Pn 1  t        Pn  t  .....  2 ‬‬
‫‪dt‬‬
‫هذه العالقة صحيحة فقط عندما تكون ‪ ، n  0‬عندما تكون ‪ n  0‬ال يمكن للشباك‬
‫معالجة أي شخص موجود بالفعل‪ ،‬لذلك لدينا‪:‬‬
‫‪P0  t  dt   P0  t ‬‬
‫‪P0  t  ‬‬ ‫‪  P1  t    P0  t  .....  3‬‬
‫‪dt‬‬
‫‪166‬‬
‫نفرض أن الظاهرة باقية على نفس الحالة ( راسخة‪ ،‬ثابتة)‪ ،‬احتماالت الحاالت التي‬
‫وصلت إلى حد النهاية‪ :‬ثابتة = ‪ ، Pn  t   Pn‬إذن ‪:‬‬
‫‪. P0  t   P1 t   .....  Pn  t   ....  0‬‬
‫المعادالت التفاضلية (‪ )2‬و (‪ )3‬ستتحول إلى معادالت جبرية‪:‬‬
‫‪ Pn 1   Pn 1       Pn  0‬‬
‫‪‬‬
‫‪  P1   P0  0‬‬
‫‪  Pn 1       Pn   Pn 1‬‬
‫‪‬‬
‫‪  P1   P0‬‬
‫من خالل االستقراء نتحقق مما يلي‪:‬‬
‫‪n‬‬
‫‪‬‬
‫‪Pn    P0‬‬
‫‪‬‬
‫‪ : Pn‬احتمال وجود ‪ n‬وحدة في النظام‪.‬‬
‫يبقى تحديد ‪ ( P0‬متوسط الزمن الذي يظل فيه النظام خامال ( احتمال عدم وجود أي‬
‫‪‬‬
‫وحدة في النظام)) مع العلم أن ‪،  Pn  1‬‬
‫‪n 0‬‬
‫‪2‬‬ ‫‪n‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ P0  P0    P0    ......  P0    ....‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪      2‬‬ ‫‪‬‬
‫‪n‬‬
‫‪‬‬
‫‪ P0 1        ......     .... .........  4 ‬‬
‫‪      ‬‬ ‫‪‬‬ ‫‪‬‬
‫نتذكر مجموع حدود متتالية هندسية النهائية شرط‬
‫‪، 1  q  q2  .....  qm ‬‬

‫‪1‬‬
‫‪; q 1‬‬
‫‪1 q‬‬
‫‪167‬‬

:‫فأن‬  1 ‫عندما يكون‬

n
 


n 0
Pn     P0  1
n 0   
1 
1  P0  P0  1 
 
1

n
  
 Pn    1   
  
:‫ دراية المعلمات المميزة للنظام‬:‫خاميا‬
:‫ و يحسب كما يلي‬L ‫نرمز لمتوسط عدد الزبائن داخل النظام بـ‬
n
 
  
L   nPn   n   1   
n 0 n 0     
      
2 n 1
  
 L     1   1  2    3    .....  n    .... ......  5
          
:‫نالحظ أن العبارة التي بين العارضتين هي عبارة عن مشتق العبارة التالية‬
2 3
  
B           .....
  
:‫ يمكن كتابتها كما يلي‬B ‫العبارة‬
 
   1 
B    
   1   
  
168
‫إذن ‪:‬‬
‫‪1‬‬
‫‪B ‬‬ ‫‪2‬‬
‫‪...............  6‬‬
‫‪ ‬‬
‫‪1   ‬‬
‫‪‬‬ ‫‪‬‬
‫نعوض (‪ )6‬في (‪ )5‬فيصبح‪:‬‬
‫‪    ‬‬ ‫‪1‬‬ ‫‪‬‬

‫‪L    1  ‬‬ ‫‪‬‬ ‫‪.............  7 ‬‬
‫‪       ‬‬ ‫‪ ‬‬
‫‪2‬‬
‫‪1   ‬‬
‫‪‬‬ ‫‪‬‬
‫ياديا‪ :‬تقانون ليتل ‪: Little’s Law1‬‬
‫قانون ليتل هو نظرية تحدد متوسط عدد الوحدات( الزبائن) في نظام صف االنتظار‬
‫ثابت‪ ،‬بناء على متوسط زمن االنتظار لوحدة ما داخل النظام ومتوسط عدد الوحدات‬
‫التي تصل إلى النظام لكل وحدة زمنية‪.‬‬
‫يوفر القانون نهجا بسيطا وبديهيا لتقييم كفاءة أنظمة الطابور‪ ،‬هذا المفهوم مهم للغاية‬
‫للعمليات التجارية ألنه ينص على أن عدد الوحدات في نظام صف االنتظار يعتمد‬
‫بشكل أساسي على متغيرين رئيسيين وال يتأثر بعوامل أخرى‪ ،‬مثل توزيع الخدمة أو‬
‫طلب الخدمة‪.‬‬
‫‪1‬‬
‫‪ -‬جون ليتل ( ‪ ، John Little ) - 1928‬رياضياتي أمريكي‪.‬‬
‫‪169‬‬
‫‪L   W‬‬
‫‪Lq    Wq‬‬
‫‪Ls    Ws‬‬
‫حيث‪:‬‬
‫‪ :L‬متوسط عدد الوحدات في النظام‪.‬‬
‫‪ : ‬متوسط عدد الوحدات التي تصل إلى النظام لكل وحدة زمنية‪.‬‬
‫‪ : W‬متوسط زمن االنتظار الذي تقضيه الوحدة في النظام‪.‬‬
‫‪ : Wq‬متوسط الزمن الذي تستغرقه الوحدة في صف االنتظار‪.‬‬
‫ينطبق األول مما سبق على النظام والثاني على صف االنتظار وهو جزء من النظام‪،‬‬
‫هناك عالقة مفيدة أخرى في صف االنتظار هي‪:‬‬
‫‪1‬‬
‫‪Wq  W ‬‬
‫‪‬‬
‫‪ : Ls‬متوسط عدد الزبائن أثناء الخدمة‬

‫‪ : Ws‬متوسط الزمن الذي تستغرقه الوحدة في صف االنتظار‬
‫حيث‪L  Ls  Lq :‬‬
‫إذا كان سداد أحد المتاجر يستوعب زبون واحد فقط‪ ،‬بحيث كان توزيع وصول الزبائن‬
‫إلى هذا المتجر يتبع توزيع بواسون بمتوسط زبونين في الدقيقة‪ ،‬ومتوسط زمن المكوث‬
‫عند الكاشير ( أمين الصندوق) يتبع التوزيع األسي بمتوسط ‪ 3‬زبائن في الدقيقة‪،‬‬
‫‪170‬‬
‫نموذج الخدمة يتبع الذي يصل أوال يخدم أوال مع عدد كبير جدا ( غير محدود تقريبا)‬
‫من المشترين‪.‬‬
‫نود الحصول على خصائص التشغيل لنظام صف االنتظار لهذا المتجر‪.‬‬
‫‪ -1‬معامل االستخدام ( متوسط الفترة التي يكون فيها النظام مشغوال)‪:‬‬

‫‪ 2‬‬
‫‪. ‬‬ ‫‪‬‬
‫‪ 3‬‬
‫‪ 1‬‬
‫‪. P0  1 ‬‬ ‫‪ -2‬احتمال عدم وجود أي وحدة في النظام ( متوسط الخمول)‪ :‬‬
‫‪ 3‬‬
‫‪4‬‬
‫‪ -3‬احتمال وجود ‪ 4‬زبائن في النظام مثال‪. P4     0.0658 :‬‬

‫‪1 2‬‬
‫‪3 3‬‬
‫‪‬‬
‫‪. L‬‬ ‫‪ -4‬متوسط عدد الزبائن الموجود في النظام‪ 2 :‬‬
‫‪2‬‬
‫‪‬‬
‫‪ ‬‬ ‫‪3 2‬‬
‫‪.W ‬‬ ‫‪ -5‬متوسط الزمن الذي يستغرقه الزبون في النظام‪ 1min :‬‬
‫‪L‬‬ ‫‪2‬‬
‫‪‬‬
‫‪‬‬ ‫‪2‬‬
‫‪ -6‬متوسط الزمن الذي يستغرقه الزبون في صف االنتظار‪:‬‬
‫‪. Wq  W ‬‬
‫‪1‬‬ ‫‪1 2‬‬
‫‪ 1‬‬ ‫‪ min‬‬
‫‪‬‬ ‫‪3 3‬‬
‫‪ -7‬متوسط عدد الزبائن الموجود في صف االنتظار‪. Lq    Wq  2   :‬‬

‫‪2‬‬ ‫‪4‬‬
‫‪3‬‬ ‫‪3‬‬
‫تمثيل احتماالت وجود زبائن في النظام في الشكل التالي‪:‬‬
‫‪171‬‬
‫مالحظة‪ :‬تم رسم المخطط البياني بواسطة الخوارزمية الجاهزة‬

‫‪https://www.supositorio.com/rcalc/rcalclite.htm‬‬
‫‪ -9-12‬تكاليف الطابور ( الاف) ‪: Queuing Costs‬‬
‫من األحسن على مديري العمليات دراسة المفاضلة التي تحدث بين تكلفتين‪ :‬تكلفة تقديم‬
‫خدمة جيدة وتكلفة وقت انتظار الزبون ‪ ،‬بحيث يريد المديرون صفوف انتظار قصيرة‬
‫بما يكفي حتى ال يصبح الزبائن غير سعداء ويغادرون بدون شراء ‪ ،‬ومع ذلك قد‬
‫يكون المديرون على استعداد للسماح لبعض االنتظار إذا كان متوازنا من خالل توفير‬
‫جزء من تكاليف الخدمة‪.‬‬
‫التكلفة اإلجمالية المتوتقعة هي مجموع تكاليف الخدمة المتوتقعة باإلضافة إلى تكاليف‬
‫االنتظار المتوقعة أنظر الشكل ‪.)12-12‬‬
‫‪172‬‬
‫الشكل ( ‪ :)12-12‬تكاليف الطابور‬
‫تكلفة االنتظار في الطوابير تتناقص مع تحسن مستوى الخدمة (الشكل ‪ ،) 12-12‬قد‬

‫تعكس تكلفة االنتظار اإلنتاجية المفقودة للعمال‪ ،‬بينما تنتظر األدوات أو اآلالت‬
‫اإلصالحات أو قد تكون ببساطة تقدي ار لتكلفة الزبائن المفقودين بسبب سوء الخدمة‬
‫وطول صفوف االنتظار‪ ،‬كما نالحظ من الشكل تزداد تكاليف الخدمة عندما تحاول‬
‫المؤسسة رفع مستوى خدمتها‪ ،‬يمكن للمديرين في بعض مراكز الخدمة تغيير السعة من‬
‫خالل وجود موظفين احتياطيين وآالت يمكنهم تعيينها لمحطات خدمة معينة لمنع أو‬
‫تقصير الصفوف الطويلة بشكل مفرط‪ ،‬في متاجر البقالة على سبيل المثال يمكن‬
‫للمديرين وموظفي األوراق المالية فتح عدادات سداد إضافية‪ ،‬في البنوك ونقاط تسجيل‬
‫الوصول بالمطار ‪ ،‬قد يتم استدعاء العاملين بدوام جزئي للمساعدة‪ ،‬مع تحسن مستوى‬
‫الخدمة (أي التسريع) ‪ ،‬فإن تكلفة االجمالية تتناقص إلى حد معين ‪ ،‬بعدها تبدأ‬
‫باالرتفاع رويدا رويدا‪.‬‬
‫‪173‬‬
‫يهتم مالك المتجر بعوامل التكلفة باإلضافة إلى معلمات صف االنتظار المحسوبة في‬
‫المثال(‪ ،)7‬تقدر تكلفة زمن انتظار الزبائن من حيث عدم الرضى وفقدان النية الحسنة‬
‫‪ 12‬دج لكل دقيقة يقضيها في االنتظار ‪ ،‬يتقاضى الكاشير ‪ 4000‬دج في اليوم ( ‪10‬‬
‫ساعات عمل)‪.‬‬
‫حساب متوسط زمن انتظار الزبون اليومي‪ ،‬ثم التكلفة االجمالية المتوقعة‪.‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪‬‬

‫‪Wq ‬‬ ‫‪,   2  10  60  800 min ‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪‬‬
‫تكلفة زمن انتظار الزبائن‪ 9600 = 800 × 12 :‬دج‪.‬‬
‫التكلفة الرئيسية الوحيدة التي يمكن لمالك المتجر تحديدها في حالة االنتظار هو راتب‬
‫الكاشير (‪ 4000‬دج) ‪ ،‬إذن التكلفة االجمالية المتوقعة هي‪:‬‬
‫‪ 13600 = 4000 + 9600‬دج‪.‬‬
‫نموذج (‪: )M/M/S‬‬ ‫‪-1-9-12‬‬
‫ال يلتزم الزبون الذي يدخل النظام بالمرور على جميع مراكز الخدمة ‪( S‬حالة نموذج‬
‫السلسلة)‪ ،‬إذا كان لكل مركز صف انتظار‪ ،‬فالزبون في وقت وصوله يختار واحدا‬
‫يدا‪،‬‬
‫منها ‪ ،‬بالطبع يجب أن يختار أقصر صف‪ ،‬أو ينضم إلى صف انتظار إذا كان فر ً‬
‫‪174‬‬
‫فسيتم اختياره من صف االنتظار هذه وفقا للسياسة المعتمدة في النظام‪ ،‬نوضح ذلك‬
‫في الشكل التالي‪:‬‬
‫الشكل ( ‪ :)13-12‬نموذج (‪)M/M/S‬‬
‫مادام أن ‪ n‬هو عدد الزبائن الموجودين في النظام أقل من ‪ S‬فأنه يدل على أن مراكز‬
‫الخدمة ليست كلها مشغولة ‪ ،‬فال يتشكل صف االنتظار ويتم االهتمام بأي زبون قادم‬
‫على الفور بواسطة أحد المراكز غير المشغولة‪ ،‬بمجرد أن ‪ n = S‬يبدأ صف االنتظار‬
‫في التكوين وأي زبون يصل يجب أن ينضم إلى صف االنتظار‪.‬‬
‫دراية احتماالت الحالة‪:‬‬ ‫‪-2-9-12‬‬
‫للتعامل مع هذا النوع من صفوف االنتظار يمكننا أن نعتمد على نتائج عمليات الفناء‬
‫والتكاثر‪ ،‬نالحظ في هذه الحالة ‪ ، n , n  ‬ألن عدد الوافدين ال يعتمد على عدد‬
‫الزبائن الموجودين في النظام ‪ ،‬من ناحية أخرى ‪ n  n‬من أجل ‪ 1  n  S‬و‬
‫‪175‬‬
‫‪ n  S ‬لكل ‪ n  S‬ألنه إذا كان ‪ ‬هو متوسط عدد الزبائن الذين يتم خدمتهم‬
‫خالل وحدة زمنية بواسطة مركز خدمة واحد ‪ ،‬و ‪ 2‬إذا كان هناك مركزان ‪ ،‬و ‪ 3‬إذا‬
‫كان لدينا ‪ 3‬مراكز…‪ ،.‬وهكذا‪.‬‬
‫جملة المعادالت الحتماالت الحاالت تكون بنفس الخطوات السابقة ( حالة مركز واحد‬
‫)‪:‬‬
‫‪ P0  t  dt   P0  t 1   dt   P1  t  dt‬‬

‫‪‬‬
‫‪ Pn  t  dt   Pn 1  t   dt  1     n   dt  Pn  t    n  1 Pn 1  t  dt‬‬
‫‪‬‬
‫‪‬‬ ‫‪1 n  S‬‬
‫‪‬‬
‫‪ Pn  t  dt   Pn 1  t   dt  1     S   dt  Pn  t   Pn 1  t  S  dt‬‬
‫‪‬‬ ‫‪n  S‬‬
‫‪‬‬
‫جملة المعادالت التفاضلية تكون كما يلي‪:‬‬
‫‪ P0  t    P0  t    P1  t ‬‬

‫‪‬‬
‫‪ Pn  t    Pn 1  t      n  Pn  t     n  1 Pn 1  t ‬‬
‫‪‬‬
‫‪‬‬ ‫‪1 n  S‬‬
‫‪ P  t    P  t      S   P  t   S  P  t ‬‬
‫‪ n‬‬ ‫‪n 1‬‬ ‫‪n‬‬ ‫‪n 1‬‬
‫‪‬‬ ‫‪n  S‬‬

‫‪‬‬
‫نالحظ أن جملة المعادالت التفاضلية السابقة يمكن استنتاجها من الرسم البياني عملية‬
‫ماركوف المبسطة‪ ،‬وفق ما يلي‪:‬‬
‫‪176‬‬
‫نفرض أن الظاهرة باقية على نفس الحالة ( ثابتة)‪ ،‬احتماالت الحاالت التي وصلت إلى‬
‫حد النهاية‪ :‬ثابتة = ‪ ، Pn  t   Pn‬إذن ‪. P0  t   P1 t   .....  Pn  t   ....  0 :‬‬
‫جملة المعادالت التفاضلية السابقة تتحول إلى معادالت جبرية‪:‬‬
‫‪  P1   P0  0‬‬
‫‪‬‬
‫‪ Pn 1     n  Pn    n  1 Pn 1  0 ; 1  n  S‬‬
‫‪‬‬
‫‪ Pn 1     S   Pn  S  Pn 1 ; n  S‬‬
‫‪‬‬
‫‪ ،‬من الشكل البياني نالحظ‪:‬‬ ‫بالطبع‪ ،‬شرط عدم انسداد النظام هو ‪ 1‬‬
‫‪S‬‬
‫‪ P0   P1 ,  P1  2 P2 ,.....,  PS 1  S  PS ,.....‬‬
‫من خالل االستقراء نتحقق مما يلي‪:‬‬
‫‪2‬‬ ‫‪3‬‬
‫‪‬‬ ‫‪1 ‬‬ ‫‪1  ‬‬
‫‪P1    P0 , P2    P0 , P3    P0 , .......‬‬
‫‪‬‬ ‫‪2 ‬‬ ‫‪6  ‬‬
‫‪n‬‬
‫‪1 ‬‬
‫‪Pn    P0‬‬
‫‪n!   ‬‬
‫‪177‬‬
‫‪S‬‬
‫‪1 ‬‬
‫في حالة ‪ n  S‬يكون ‪ ، PS    P0‬من ناحية أخرى إذا كان ‪ S‬زبون حاضر‬
‫‪S!  ‬‬
‫نحصل على‪ ،  PS k  S PS k 1 :‬إذن نحصل على العبارة ‪ PS 1‬بواسطة ‪: k=0‬‬
‫‪  ‬‬
‫‪. PS 1  ‬‬ ‫‪ P0‬‬
‫‪ S ‬‬
‫‪S 1‬‬
‫‪1 ‬‬
‫‪ ، PS 1 ‬ثم خطوة بخطوة بالنسبة لـ‬ ‫إذن ‪P0 :‬‬
‫‪SS !   ‬‬
‫‪n‬‬
‫‪‬‬
‫‪Pn  nS   P0 : n  S‬‬
‫‪1‬‬
‫‪S S!  ‬‬
‫في الواقع يمكن الحصول على هذه العبارات بسرعة من خالل تطبيق عالقة عمليات‬
‫‪‬‬
‫الفناء والتكاثر‪ ،‬نظ ار ألن المجموع غير محدود لـ ‪ Pn‬مع ‪ ،  Pn  1‬دون أن ننسى‬
‫‪n 0‬‬
‫‪‬‬
‫‪، ‬‬ ‫معامل االستخدام يساوي‬
‫‪‬‬
‫‪‬‬
‫‪P‬‬
‫‪n 0‬‬
‫‪n‬‬ ‫‪1‬‬
‫‪‬‬
‫‪ s 1  n   n‬‬ ‫‪‬‬
‫‪  Pn  P0  ‬‬ ‫‪‬‬ ‫‪nS‬‬ ‫‪ 1‬‬
‫‪n 0‬‬ ‫‪ n 0 n ! n  s S ! S‬‬ ‫‪‬‬
‫‪‬‬
‫‪ s 1  n  s   n  s ‬‬
‫‪  Pn  P0  ‬‬ ‫‪‬‬ ‫‪ nS   1‬‬
‫‪n 0‬‬ ‫‪ n 0 n ! S ! n  s S ‬‬
‫‪‬‬
‫‪ ،‬نطبق العالقة (‪ )1‬من مجاميع بعض السالسل‪.‬‬ ‫شرط عدم انسداد النظام هو ‪ 1‬‬
‫‪S‬‬
‫‪s‬‬ ‫‪‬‬
‫‪ ns‬‬
‫حساب المجموع يكون على النحو االتي‪:‬‬ ‫‪‬‬ ‫‪nS‬‬
‫بالنسبة‬
‫‪S! S‬‬ ‫‪ns‬‬
‫نجري تبديل للمتغير بوضع ‪ y  n  s‬فينتج لنا‪:‬‬

‫‪y‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪y‬‬
‫‪1‬‬ ‫‪S‬‬
‫‪‬‬
‫‪y 0 S‬‬
‫‪y‬‬
‫‪   ‬‬
‫‪y 0  S ‬‬
‫‪‬‬
‫‪1  / S  S  ‬‬
‫‪s‬‬ ‫‪‬‬
‫‪ ns‬‬ ‫‪s‬‬ ‫‪S‬‬ ‫‪s‬‬
‫‪‬‬
‫‪S ! ns S nS‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪S ! S    S  1 !  S   ‬‬
‫‪178‬‬
‫إذن ‪:‬‬
‫‪1‬‬
‫‪P0 ‬‬
‫‪ s 1 ‬‬
‫‪n‬‬
‫‪s‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ n 0 n !  S  1 !  S    ‬‬
‫يمكن إعادة الكتابة للتوضيح‪:‬‬

‫‪‬‬ ‫‪1‬‬
‫‪ P0   s 1  n‬‬ ‫‪................ 1‬‬
‫‪‬‬ ‫‪s‬‬
‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪0‬‬ ‫‪n‬‬ ‫!‬ ‫‪ S  1! S    ‬‬
‫‪‬‬
‫‪‬‬ ‫‪n‬‬
‫‪ Pn ‬‬ ‫‪P0 ; n  S ...............  2 ‬‬
‫‪‬‬ ‫!‪n‬‬
‫‪‬‬ ‫‪n‬‬
‫‪ n S n  S S ! P0 ; n  S ...........  3‬‬
‫‪P‬‬ ‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫إذا كان ‪   1‬ال توجد حالة مستقرة‪ ،‬بمعنى أخر إذا كان معدل الوصول كبي ار على‬
‫األقل مثل أقصى معدل خدمة ممكن ‪    S  ‬فالنظام يحدث له " انفجار"‪ ،‬من خالل‬
‫(‪ )3‬يمكن إظهار أن احتمالية الحالة مستقرة ألن جميع مراكز الخدمة مشغولة ‪.‬‬
‫دراية المعلمات المميزة للنظام‪:‬‬ ‫‪-3-9-12‬‬
‫أوال‪ :‬الوحدات المتوتقعة في مركز الخدمة ‪: Ls‬‬
‫سنتطرق إلى العالقات الخاصة بالعدد المتوقع من الوافدين ‪ ،A‬والعدد المتوقع لحاالت‬
‫المغادرة ‪ D‬في فترة زمنية محددة ‪:T‬‬
‫‪E  A in T   T  P0  P1  ....  T‬‬

‫‪E  D in T   T  P0  2 P1  ....  s Ps  ....  TLs‬‬
‫‪179‬‬
‫نالحظ أن العبارة األخيرة مرتبطة بـ ‪ ، Ls‬فرضا أنه لدينا حالة توازن أي‪:‬‬
‫‪E  A in T   E  D in T ‬‬
‫وبالتالي‪   Ls ; Ls   :‬‬
‫ثانيا‪ :‬الوحدات المتوتقعة في اف االنتظار ‪: Lq‬‬
‫يتم الحصول على العدد المتوقع للوحدات في صف االنتظار باستخدام العالقات (‪ 1‬و‬
‫‪ ) 2‬من مجاميع بعض السالسل‪.‬‬
‫ويكون الحساب على النحو االتي‪:‬‬
‫‪‬‬ ‫‪‬‬
‫‪n‬‬
‫‪Lq    n  s  Pn    n  s ‬‬ ‫‪P0‬‬
‫‪ns‬‬ ‫‪ns‬‬ ‫‪S ! S nS‬‬
‫‪s‬‬ ‫‪‬‬
‫‪ n s‬‬
‫‪ Lq  P0‬‬ ‫‪n  s‬‬
‫‪S ! n s‬‬ ‫‪S nS‬‬
‫نجري تبديل للمتغير بوضع ‪ y  n  s‬فينتج لنا‪:‬‬

‫‪s‬‬ ‫‪‬‬
‫‪‬‬ ‫‪y‬‬
‫‪Lq  P0‬‬ ‫‪‬‬ ‫‪y ‬‬

‫‪S ! ns  S ‬‬
‫‪s‬‬ ‫‪/S‬‬ ‫‪ s 1‬‬
‫‪ Lq  P0‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪P‬‬
‫‪S ! 1   / S  2‬‬ ‫‪ s  1!  s   ‬‬
‫‪0‬‬ ‫‪2‬‬
‫متوسط عدد الزبائن داخل النظام بـ ‪ L‬و يحسب كما يلي‪:‬‬
‫‪L  Ls  Lq‬‬
‫‪‬‬ ‫‪ s 1‬‬
‫‪L‬‬ ‫‪‬‬ ‫‪P‬‬
‫‪  s  1! s   2 0‬‬
‫‪180‬‬
‫نفس بيانات المثال السابق‪ ،‬إذا قرر صاحب المتجر إضافة سداد ثاني بحيث يتم تقديم‬
‫الخدمة لزبونين معا‪ ،‬يريد صاحب المتجر مقارنة فعالية هذا النظام مع نظام االنتظار‬
‫القديم ( ذو مركز خدمة واحد)؟‬
‫‪ -1‬معامل االستخدام ( متوسط الفترة التي يكون فيها النظام مشغوال)‪:‬‬

‫‪‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪ 0.333‬‬
‫‪S 3  2‬‬
‫‪ -2‬احتمال عدم وجود أي وحدة في النظام ( متوسط الخمول)‪:‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪P0 ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ 2 / 3‬‬
‫‪s 1‬‬ ‫‪n‬‬ ‫‪s‬‬ ‫‪2‬‬
‫‪2‬‬
‫‪‬‬
‫‪2‬‬
‫‪‬‬ ‫‪‬‬ ‫‪1‬‬ ‫‪‬‬
‫‪ n 0 n !  S  1 !  S    ‬‬ ‫‪3 1   2  2 / 3‬‬
‫‪ -3‬متوسط عدد الزبائن الموجود في صف االنتظار‪:‬‬

‫‪ s 1‬‬ ‫‪1  2 / 3‬‬
‫‪3‬‬
‫‪1‬‬
‫‪Lq  P0‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ s  1! s   ‬‬ ‫‪2 1   4 / 3 12‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪. L  Ls  Lq  ‬‬ ‫‪ -4‬متوسط عدد الزبائن الموجود في النظام‪ :‬‬

‫‪2 1 3‬‬
‫‪3 12 4‬‬
‫‪.W ‬‬ ‫‪ -5‬متوسط الزمن الذي يستغرقه الزبون في النظام‪ min :‬‬
‫‪L‬‬ ‫‪3/ 4 3‬‬
‫‪‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪8‬‬
‫‪Lq‬‬
‫‪. Wq ‬‬ ‫‪ -6‬متوسط الزمن الذي يستغرقه الزبون في صف االنتظار‪min :‬‬
‫‪1‬‬
‫‪‬‬
‫‪‬‬ ‫‪24‬‬
‫‪ 2 / 3‬‬
‫‪4‬‬
‫‪. P4 ‬‬ ‫‪ -7‬احتمال وجود ‪ 4‬زبائن في النظام مثال‪=0.01235 :‬‬

‫‪1‬‬
‫‪2‬‬
‫‪2 2! 2‬‬
‫تمثيل احتماالت وجود زبائن في النظام في الشكل التالي‪:‬‬
‫‪181‬‬
‫من الواضح أن أداء الخدمة تحسن بعد اضافة مركز جديد‪.‬‬
‫ميألة لامة‪:‬‬
‫الجزء األول‪:‬‬
‫أجريت دراسة حول ميناء الجزائر فيما يخص وصول السفن المتوسطة الحجم و حساب‬
‫مدة تفريغها من حمولتها حتى يتسنى للقائمين على هذا الميناء تحسين أداء جودة‬
‫الخدمة من خالل تقليص زمن تفريغ كل سفينة‪ ،‬حيث شملت الدراسة ‪ 30‬يوم وكان‬
‫عدد السفن الوافدة مبين في الجدول التالي‪:‬‬
‫‪5‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪5‬‬
‫‪1‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪2‬‬
‫‪182‬‬
‫هل أن وصول السفن لهذا الميناء يخضع لتوزيع بواسون؟ استخدم ‪.   0.05‬‬
‫حل الجزء األول‪:‬‬
‫تشكيل الفرضيات‪:‬‬
‫بيانات العينة تخضع لتوزيع بواسون‪H 0 :‬‬
‫بيانات العينة ال تخضع لتوزيع بواسون‪H1 :‬‬
‫بمأن عدد السفن الوافدة في ‪ 30‬يوم هو ‪ 84‬فالتقدير بواسطة الجوازية العظمى‬

‫‪ )ML( Maximum likelihood1‬لمتوسط توزيع بواسون هو‪:‬‬
‫‪84‬‬
‫‪ˆ ‬‬ ‫‪ 2.8 arrivals/day‬‬
‫‪30‬‬
‫و‬ ‫أ‬
‫‪84‬‬
‫‪ˆ ‬‬ ‫‪ 0.116 arrivals/h‬‬
‫‪30  24‬‬
‫‪e   x‬‬
‫‪P  X  xi  ‬‬ ‫من قانون بواسون‪:‬‬
‫!‪x‬‬
‫نحسب التكرار المتوقع ‪ Ei‬وفقا للجدول االتي‪:‬‬
‫‪ ˆ  2.8 arrivals/day‬‬
‫‪1‬‬
‫‪ -‬تعتبر هذه الطريقة احدى أهم الطرق انتشارا في االحصاء لتقدير معالم النموذج االحتمالي المقترح ‪ ،‬تنسب هذه‬
‫الطريقة الى رونالد فيشر والتي قدمها في مقال نشره سنة ‪ ، 1922‬وهناك طرق أخرى نذكر منها طريقة العزوم‬
‫لبيرسون وطريقة المربعات الصغرى‪.‬‬
‫‪183‬‬
‫‪  xi ‬العدد‬ ‫‪ P  xi ‬االحتماالت‬ ‫‪Ei  30 P  xi ‬‬

‫‪1‬‬ ‫‪0.17‬‬ ‫‪5,1‬‬
‫‪2‬‬ ‫‪0.238‬‬ ‫‪7,14‬‬
‫‪3‬‬ ‫‪0.222‬‬ ‫‪6,66‬‬
‫‪4‬‬ ‫‪0.155‬‬ ‫‪4,65‬‬
‫‪ 5‬فما فوق‬ ‫‪0.215‬‬ ‫‪6.45‬‬
‫نستخدم الجدول التالي لتسهيل الحساب‬
‫التكرار المشاهد‬ ‫التكرار المتوقع‬ ‫‪ Oi  Ei ‬‬

‫‪2‬‬
‫العدد‬ ‫‪Oi‬‬ ‫‪Ei‬‬ ‫‪Ei‬‬

‫‪1‬‬ ‫‪8‬‬ ‫‪5,1‬‬ ‫‪1,65‬‬
‫‪2‬‬ ‫‪5‬‬ ‫‪7,14‬‬ ‫‪0,64‬‬
‫‪3‬‬ ‫‪7‬‬ ‫‪6,66‬‬ ‫‪0,017‬‬
‫‪4‬‬ ‫‪5‬‬ ‫‪4,65‬‬ ‫‪0,026‬‬
‫‪5‬‬ ‫‪5‬‬ ‫‪6.45‬‬ ‫‪0.325‬‬
‫‪ 2  2.658‬‬
‫‪.  0.05,3‬‬
‫‪2‬‬
‫‪ 7.81 ،  k  1  r  5  1  1  3‬‬
‫‪ : r‬عدد المعلمات المقدرة‪ ،‬في مثالنا تساوي ‪ 1‬ألننا قدرنا معلمة واحدة وهي ( ‪.) ‬‬
‫االستنتاج‪ :‬بمأن ‪  2‬المحسوبة (‪ ، )2.658‬تقع في منطقة قبول ‪ H 0‬وبالتالي نستنتج أن‬

‫مدة وصول السفن إلى الميناء تتبع توزيع بواسون ‪.‬‬
‫الجزء الثاني‪:‬‬
‫‪184‬‬
‫تم قياس زمن انتظار تفريغ السفن ( بحيث تصل السفينة ‪ A‬الى رصيف الميناء وفي‬
‫نفس الوقت تمر قبلها سفينة أخرى دخلت إلى الرصيف)‪ ،‬نعتبر أزمنة خدمة السفن‬
‫ماركوفية ( عشوائية) وتختلف من سفينة إلى أخرى‪ ،‬ولمعرفة وصول السفينة إلى‬
‫رصيف الميناء حتى لحظة خروجها تم اختيار ‪ 6‬أيام وتم حساب متوسط زمن الخدمة‬
‫باأليام ‪ ،‬فكانت النتائج لمتوسط زمن التفريغ اليومي كما يلي‪، 0.25 ، 0.08 ( :‬‬
‫‪ ،) 0.5 ، 0.43 ، 0.4 ، 0.33‬نريد معرفة أن مدة التفريغ ( مدة خدمة السفينة )‬
‫تتبع التوزيع األسي‪ ،‬المطلوب‪:‬‬
‫‪ -1‬قدر المعلمة ‪ ‬للقانون األسي ‪ e  x‬؟‬
‫‪ -13‬أجري مقارنة بين التوزيع المشاهد والتوزيع النظري باستخدام اختبار‬

‫كولموغوروف – سميرنوف ‪ KS‬؟‬
‫‪ -14‬ماهي خصائص اختبار كولموغوروف – سيميرنوف‪1‬؟‬
‫حل الجزء الثاني‪:‬‬
‫‪ ، E  X  ‬لتقدير ‪ ‬يكفي تقديرها نقطيا‬ ‫‪ -1‬التقدير الرياضي للتوزيع األسي هو‬

‫‪1‬‬
‫‪‬‬
‫بأخذ المتوسط الحسابي لتفريغ السفن وهي‪:‬‬
‫‪0.08  0.25  0.33  0.4  0.43  0.5‬‬
‫‪ ،‬ومنه‪  3 services/day :‬‬
‫‪1‬‬
‫‪‬‬ ‫‪ 0.333‬‬
‫‪‬‬ ‫‪6‬‬
‫صياغة الفرضية تكون كما يلي‪:‬‬
‫مدة تفريغ السفن تتبع التوزيع األسي وفقا للمعلمة ‪H 0 : 3‬‬
‫‪1‬‬
‫‪ -‬نيكوالي سيميرنوف ( ‪ ، Nikolai Smirnov ) 1966 – 1900‬رياضياتي سوفياتي‪.‬‬
‫‪185‬‬
‫مدة تفريغ السفن ال تتبع التوزيع األسي وفقا للمعلمة ‪H1 : 3‬‬
‫‪ -2‬اختبار ‪: KS‬‬
‫التابع التوزيعي التجريبي يعرف كما يلي‪:‬‬
‫‪0‬‬ ‫‪t  t1‬‬

‫‪‬‬
‫‪i‬‬
‫‪Fn  t   ‬‬ ‫‪ti   t  ti 1‬‬
‫‪‬‬ ‫‪n‬‬
‫‪1‬‬ ‫‪t  t n ‬‬
‫‪‬‬
‫نعرف المسافة ‪ Dn‬بين ‪ F‬و ‪ Fn‬كما يلي‪:‬‬
‫‪‬‬ ‫‪‬‬ ‫‪1 ‬‬

‫‪Dn  max  max  Fn  xi   F  xi  , F  xi   Fn  xi    ‬‬
‫‪1i  n‬‬
‫‪‬‬ ‫‪‬‬ ‫‪n ‬‬
‫لحساب ‪ Dmax‬هناك جداول ‪ KS‬مع إعطاء ‪ n‬و ‪ ( ‬هذا بالنسبة للعينات الصغيرة)‪،‬‬
‫أما بالنسبة للعينات الكبيرة نستخدم صيغة التقريب التالية‪:‬‬
‫‪‬‬ ‫‪2 ‬‬ ‫‪‬‬

‫‪c   2  1  e2 k c‬‬
‫‪k 1‬‬
‫‪P  Dn ‬‬
‫‪2 2‬‬
‫‪‬‬ ‫‪n ‬‬ ‫‪k 1‬‬
‫رفض ‪ H 0‬إذا كانت ‪. P  value  ‬‬
‫والشكل التالي يبين التابعيين التوزيعيين‪:‬‬
‫الشكل ( ‪ :)14-12‬اختبار ‪KS‬‬
‫‪186‬‬
‫التابع التوزيعي للقانون األسي بالنسبة للقيم الموجبة تعطى وفقا للصيغة التالية ‪:‬‬
‫; ‪1  e   x‬‬ ‫‪x0‬‬

‫‪F X   ‬‬
‫‪0‬‬ ‫;‬ ‫‪x0‬‬
‫‪F  X   1  e 3 x‬‬
‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬

‫‪0.5‬‬ ‫‪0.43‬‬ ‫‪0.4‬‬ ‫‪0.33‬‬ ‫‪0.25‬‬ ‫‪0.08‬‬ ‫‪xi‬‬
‫‪6/6‬‬ ‫‪5/6‬‬ ‫‪4/6‬‬ ‫‪3/6‬‬ ‫‪2/6‬‬ ‫‪1/6‬‬ ‫التكرار التجميعي المشاهد (‬
‫التجريبي) ‪Fn  xi ‬‬
‫‪0.776 0.724 0.698 0.628‬‬ ‫‪0.527‬‬ ‫‪0.213‬‬ ‫الدالة التجمعية للتوزيع النظري‬
‫‪F  xi ‬‬
‫‪0.223 0.108 0.032 0.128‬‬ ‫‪0.194‬‬ ‫‪0.046‬‬ ‫الفرق ‪ d i‬بالقيمة المطلقة‬
‫‪0.057 0.058 0.133 0.038‬‬ ‫‪0.028‬‬ ‫‪0.12‬‬ ‫الفرق ‪ di‬بالقيمة المطلقة‬
‫‪187‬‬
‫أكبر انحراف موجود في العمود السادس ‪ Dmax  0.223‬من جدول كولموغوروف‪-‬‬

‫ييميرنوف ‪ n  6‬و ‪   0.05‬نجد ‪ Dmax  D   0.224  0.521 ، D  0.521‬‬
‫ومنه نقبل بـ ‪ H 0‬ونستنتج أن مدة تفريغ السفن تتبع التوزيع األسي‪.‬‬
‫جدول كي تربيع‪:‬‬
‫‪2 ,‬‬
‫‪‬‬
‫‪‬‬ ‫‪0.0‬‬ ‫‪0.0‬‬ ‫‪0.0‬‬ ‫‪0.0‬‬ ‫‪0.0‬‬ ‫‪0.1‬‬ ‫‪0.2‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬
‫‪01‬‬ ‫‪05‬‬ ‫‪10‬‬ ‫‪25‬‬ ‫‪50‬‬ ‫‪00‬‬ ‫‪50‬‬ ‫‪50‬‬ ‫‪75‬‬ ‫‪90‬‬ ‫‪95‬‬ ‫‪97‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪9‬‬
‫‪1‬‬ ‫‪10.‬‬ ‫‪7.8‬‬ ‫‪6.6‬‬ ‫‪5.0‬‬ ‫‪3.8‬‬ ‫‪2.7‬‬ ‫‪1.3‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬
‫‪83‬‬ ‫‪8‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪45‬‬ ‫‪10‬‬ ‫‪02‬‬
‫‪2‬‬ ‫‪13.‬‬ ‫‪10.‬‬ ‫‪9.2‬‬ ‫‪7.3‬‬ ‫‪5.9‬‬ ‫‪4.6‬‬ ‫‪2.7‬‬ ‫‪1.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬
‫‪82‬‬ ‫‪60‬‬ ‫‪1‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪1‬‬ ‫‪7‬‬ ‫‪39‬‬ ‫‪58‬‬ ‫‪21‬‬ ‫‪10‬‬ ‫‪05‬‬ ‫‪02‬‬ ‫‪01‬‬
‫‪3‬‬ ‫‪16.‬‬ ‫‪12.‬‬ ‫‪11.‬‬ ‫‪9.3‬‬ ‫‪7.8‬‬ ‫‪6.2‬‬ ‫‪4.1‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬
‫‪27‬‬ ‫‪84‬‬ ‫‪34‬‬ ‫‪5‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪1‬‬ ‫‪37‬‬ ‫‪21‬‬ ‫‪58‬‬ ‫‪35‬‬ ‫‪22‬‬ ‫‪11‬‬ ‫‪07‬‬ ‫‪02‬‬
‫‪4‬‬ ‫‪18.‬‬ ‫‪14.‬‬ ‫‪13.‬‬ ‫‪11.‬‬ ‫‪9.4‬‬ ‫‪7.7‬‬ ‫‪5.3‬‬ ‫‪3.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬
‫‪47‬‬ ‫‪86‬‬ ‫‪28‬‬ ‫‪14‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪36‬‬ ‫‪92‬‬ ‫‪06‬‬ ‫‪71‬‬ ‫‪48‬‬ ‫‪30‬‬ ‫‪21‬‬ ‫‪09‬‬
‫‪5‬‬ ‫‪20.‬‬ ‫‪16.‬‬ ‫‪15.‬‬ ‫‪12.‬‬ ‫‪11.‬‬ ‫‪9.2‬‬ ‫‪6.6‬‬ ‫‪4.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬
‫‪52‬‬ ‫‪75‬‬ ‫‪09‬‬ ‫‪83‬‬ ‫‪07‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪35‬‬ ‫‪67‬‬ ‫‪61‬‬ ‫‪15‬‬ ‫‪83‬‬ ‫‪55‬‬ ‫‪41‬‬ ‫‪21‬‬
‫‪6‬‬ ‫‪22.‬‬ ‫‪18.‬‬ ‫‪16.‬‬ ‫‪14.‬‬ ‫‪12.‬‬ ‫‪10.‬‬ ‫‪7.8‬‬ ‫‪5.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪0.‬‬ ‫‪0.‬‬ ‫‪0.‬‬
‫‪46‬‬ ‫‪55‬‬ ‫‪81‬‬ ‫‪45‬‬ ‫‪59‬‬ ‫‪64‬‬ ‫‪4‬‬ ‫‪35‬‬ ‫‪45‬‬ ‫‪20‬‬ ‫‪64‬‬ ‫‪24‬‬ ‫‪87‬‬ ‫‪68‬‬ ‫‪38‬‬
‫‪7‬‬ ‫‪24.‬‬ ‫‪20.‬‬ ‫‪18.‬‬ ‫‪16.‬‬ ‫‪14.‬‬ ‫‪12.‬‬ ‫‪9.0‬‬ ‫‪6.‬‬ ‫‪4.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪0.‬‬ ‫‪0.‬‬
‫‪32‬‬ ‫‪28‬‬ ‫‪48‬‬ ‫‪01‬‬ ‫‪07‬‬ ‫‪02‬‬ ‫‪4‬‬ ‫‪35‬‬ ‫‪25‬‬ ‫‪83‬‬ ‫‪17‬‬ ‫‪69‬‬ ‫‪24‬‬ ‫‪99‬‬ ‫‪60‬‬
‫‪8‬‬ ‫‪26.‬‬ ‫‪21.‬‬ ‫‪20.‬‬ ‫‪17.‬‬ ‫‪15.‬‬ ‫‪13.‬‬ ‫‪10.‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪0.‬‬
‫‪12‬‬ ‫‪95‬‬ ‫‪09‬‬ ‫‪53‬‬ ‫‪51‬‬ ‫‪36‬‬ ‫‪22‬‬ ‫‪34‬‬ ‫‪07‬‬ ‫‪49‬‬ ‫‪73‬‬ ‫‪18‬‬ ‫‪65‬‬ ‫‪34‬‬ ‫‪86‬‬
‫‪9‬‬ ‫‪27.‬‬ ‫‪23.‬‬ ‫‪21.‬‬ ‫‪19.‬‬ ‫‪16.‬‬ ‫‪14.‬‬ ‫‪11.‬‬ ‫‪8.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪88‬‬ ‫‪59‬‬ ‫‪67‬‬ ‫‪02‬‬ ‫‪92‬‬ ‫‪68‬‬ ‫‪39‬‬ ‫‪34‬‬ ‫‪90‬‬ ‫‪17‬‬ ‫‪33‬‬ ‫‪70‬‬ ‫‪09‬‬ ‫‪73‬‬ ‫‪15‬‬
‫‪1‬‬ ‫‪29.‬‬ ‫‪25.‬‬ ‫‪23.‬‬ ‫‪20.‬‬ ‫‪18.‬‬ ‫‪15.‬‬ ‫‪12.‬‬ ‫‪9.‬‬ ‫‪6.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬
‫‪0‬‬ ‫‪59‬‬ ‫‪19‬‬ ‫‪21‬‬ ‫‪48‬‬ ‫‪31‬‬ ‫‪99‬‬ ‫‪55‬‬ ‫‪34‬‬ ‫‪74‬‬ ‫‪87‬‬ ‫‪94‬‬ ‫‪25‬‬ ‫‪56‬‬ ‫‪16‬‬ ‫‪48‬‬
‫‪1‬‬ ‫‪31.‬‬ ‫‪26.‬‬ ‫‪24.‬‬ ‫‪21.‬‬ ‫‪19.‬‬ ‫‪17.‬‬ ‫‪13.‬‬ ‫‪10‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪1.‬‬
‫‪1‬‬ ‫‪26‬‬ ‫‪76‬‬ ‫‪72‬‬ ‫‪92‬‬ ‫‪68‬‬ ‫‪28‬‬ ‫‪70‬‬ ‫‪.3‬‬ ‫‪58‬‬ ‫‪58‬‬ ‫‪57‬‬ ‫‪82‬‬ ‫‪05‬‬ ‫‪60‬‬ ‫‪83‬‬
‫‪4‬‬
‫‪1‬‬ ‫‪32.‬‬ ‫‪28.‬‬ ‫‪26.‬‬ ‫‪23.‬‬ ‫‪21.‬‬ ‫‪18.‬‬ ‫‪14.‬‬ ‫‪11‬‬ ‫‪8.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬
‫‪2‬‬ ‫‪91‬‬ ‫‪30‬‬ ‫‪22‬‬ ‫‪34‬‬ ‫‪03‬‬ ‫‪55‬‬ ‫‪85‬‬ ‫‪.3‬‬ ‫‪44‬‬ ‫‪30‬‬ ‫‪23‬‬ ‫‪40‬‬ ‫‪57‬‬ ‫‪07‬‬ ‫‪21‬‬
‫‪188‬‬
‫‪4‬‬
‫‪1‬‬ ‫‪34.‬‬ ‫‪29.‬‬ ‫‪27.‬‬ ‫‪24.‬‬ ‫‪22.‬‬ ‫‪19.‬‬ ‫‪15.‬‬ ‫‪12‬‬ ‫‪9.‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪2.‬‬
‫‪3‬‬ ‫‪53‬‬ ‫‪82‬‬ ‫‪69‬‬ ‫‪74‬‬ ‫‪36‬‬ ‫‪81‬‬ ‫‪98‬‬ ‫‪.3‬‬ ‫‪30‬‬ ‫‪04‬‬ ‫‪89‬‬ ‫‪01‬‬ ‫‪11‬‬ ‫‪57‬‬ ‫‪62‬‬
‫‪4‬‬
‫‪1‬‬ ‫‪36.‬‬ ‫‪31.‬‬ ‫‪29.‬‬ ‫‪26.‬‬ ‫‪23.‬‬ ‫‪21.‬‬ ‫‪17.‬‬ ‫‪13‬‬ ‫‪10‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬
‫‪4‬‬ ‫‪12‬‬ ‫‪32‬‬ ‫‪14‬‬ ‫‪12‬‬ ‫‪68‬‬ ‫‪06‬‬ ‫‪12‬‬ ‫‪.3‬‬ ‫‪.1‬‬ ‫‪79‬‬ ‫‪57‬‬ ‫‪63‬‬ ‫‪66‬‬ ‫‪07‬‬ ‫‪04‬‬
‫‪4‬‬ ‫‪7‬‬
‫‪1‬‬ ‫‪37.‬‬ ‫‪32.‬‬ ‫‪30.‬‬ ‫‪27.‬‬ ‫‪25.‬‬ ‫‪22.‬‬ ‫‪18.‬‬ ‫‪14‬‬ ‫‪11‬‬ ‫‪8.‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪3.‬‬
‫‪5‬‬ ‫‪70‬‬ ‫‪80‬‬ ‫‪58‬‬ ‫‪49‬‬ ‫‪00‬‬ ‫‪31‬‬ ‫‪25‬‬ ‫‪.3‬‬ ‫‪.0‬‬ ‫‪55‬‬ ‫‪26‬‬ ‫‪26‬‬ ‫‪23‬‬ ‫‪60‬‬ ‫‪48‬‬
‫‪4‬‬ ‫‪4‬‬
‫‪1‬‬ ‫‪39.‬‬ ‫‪34.‬‬ ‫‪32.‬‬ ‫‪28.‬‬ ‫‪26.‬‬ ‫‪23.‬‬ ‫‪19.‬‬ ‫‪15‬‬ ‫‪11‬‬ ‫‪9.‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪3.‬‬
‫‪6‬‬ ‫‪25‬‬ ‫‪27‬‬ ‫‪00‬‬ ‫‪85‬‬ ‫‪30‬‬ ‫‪54‬‬ ‫‪37‬‬ ‫‪.3‬‬ ‫‪.9‬‬ ‫‪31‬‬ ‫‪96‬‬ ‫‪91‬‬ ‫‪81‬‬ ‫‪14‬‬ ‫‪94‬‬
‫‪4‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪40.‬‬ ‫‪35.‬‬ ‫‪33.‬‬ ‫‪30.‬‬ ‫‪27.‬‬ ‫‪24.‬‬ ‫‪20.‬‬ ‫‪16‬‬ ‫‪12‬‬ ‫‪10‬‬ ‫‪8.‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪4.‬‬
‫‪7‬‬ ‫‪79‬‬ ‫‪72‬‬ ‫‪41‬‬ ‫‪19‬‬ ‫‪59‬‬ ‫‪77‬‬ ‫‪49‬‬ ‫‪.3‬‬ ‫‪.7‬‬ ‫‪.0‬‬ ‫‪67‬‬ ‫‪56‬‬ ‫‪41‬‬ ‫‪70‬‬ ‫‪42‬‬
‫‪4‬‬ ‫‪9‬‬ ‫‪9‬‬
‫‪1‬‬ ‫‪42.‬‬ ‫‪37.‬‬ ‫‪34.‬‬ ‫‪31.‬‬ ‫‪28.‬‬ ‫‪25.‬‬ ‫‪21.‬‬ ‫‪17‬‬ ‫‪13‬‬ ‫‪10‬‬ ‫‪9.‬‬ ‫‪8.‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪4.‬‬
‫‪8‬‬ ‫‪31‬‬ ‫‪16‬‬ ‫‪81‬‬ ‫‪53‬‬ ‫‪87‬‬ ‫‪99‬‬ ‫‪60‬‬ ‫‪.3‬‬ ‫‪.6‬‬ ‫‪.8‬‬ ‫‪39‬‬ ‫‪23‬‬ ‫‪01‬‬ ‫‪26‬‬ ‫‪90‬‬
‫‪4‬‬ ‫‪8‬‬ ‫‪6‬‬
‫‪1‬‬ ‫‪43.‬‬ ‫‪38.‬‬ ‫‪36.‬‬ ‫‪32.‬‬ ‫‪30.‬‬ ‫‪27.‬‬ ‫‪22.‬‬ ‫‪18‬‬ ‫‪14‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪8.‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪5.‬‬
‫‪9‬‬ ‫‪82‬‬ ‫‪58‬‬ ‫‪19‬‬ ‫‪85‬‬ ‫‪14‬‬ ‫‪20‬‬ ‫‪72‬‬ ‫‪.3‬‬ ‫‪.5‬‬ ‫‪.6‬‬ ‫‪.1‬‬ ‫‪91‬‬ ‫‪63‬‬ ‫‪84‬‬ ‫‪41‬‬
‫‪4‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪45.‬‬ ‫‪40.‬‬ ‫‪37.‬‬ ‫‪34.‬‬ ‫‪31.‬‬ ‫‪28.‬‬ ‫‪23.‬‬ ‫‪19‬‬ ‫‪15‬‬ ‫‪12‬‬ ‫‪10‬‬ ‫‪9.‬‬ ‫‪8.‬‬ ‫‪7.‬‬ ‫‪5.‬‬
‫‪0‬‬ ‫‪31‬‬ ‫‪00‬‬ ‫‪57‬‬ ‫‪17‬‬ ‫‪41‬‬ ‫‪41‬‬ ‫‪83‬‬ ‫‪.3‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.8‬‬ ‫‪59‬‬ ‫‪26‬‬ ‫‪43‬‬ ‫‪92‬‬
‫‪4‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪2‬‬ ‫‪46.‬‬ ‫‪41.‬‬ ‫‪38.‬‬ ‫‪35.‬‬ ‫‪32.‬‬ ‫‪29.‬‬ ‫‪24.‬‬ ‫‪20‬‬ ‫‪16‬‬ ‫‪13‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪6.‬‬
‫‪1‬‬ ‫‪80‬‬ ‫‪40‬‬ ‫‪93‬‬ ‫‪48‬‬ ‫‪67‬‬ ‫‪62‬‬ ‫‪93‬‬ ‫‪.3‬‬ ‫‪.3‬‬ ‫‪.2‬‬ ‫‪.5‬‬ ‫‪.2‬‬ ‫‪90‬‬ ‫‪03‬‬ ‫‪45‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪9‬‬ ‫‪8‬‬
‫‪2‬‬ ‫‪48.‬‬ ‫‪42.‬‬ ‫‪40.‬‬ ‫‪36.‬‬ ‫‪33.‬‬ ‫‪30.‬‬ ‫‪26.‬‬ ‫‪21‬‬ ‫‪17‬‬ ‫‪14‬‬ ‫‪12‬‬ ‫‪10‬‬ ‫‪9.‬‬ ‫‪8.‬‬ ‫‪6.‬‬
‫‪2‬‬ ‫‪27‬‬ ‫‪80‬‬ ‫‪29‬‬ ‫‪78‬‬ ‫‪92‬‬ ‫‪81‬‬ ‫‪04‬‬ ‫‪.3‬‬ ‫‪.2‬‬ ‫‪.0‬‬ ‫‪.3‬‬ ‫‪.9‬‬ ‫‪54‬‬ ‫‪64‬‬ ‫‪98‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪8‬‬
‫‪2‬‬ ‫‪49.‬‬ ‫‪44.‬‬ ‫‪41.‬‬ ‫‪38.‬‬ ‫‪35.‬‬ ‫‪32.‬‬ ‫‪27.‬‬ ‫‪22‬‬ ‫‪18‬‬ ‫‪14‬‬ ‫‪13‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪9.‬‬ ‫‪7.‬‬
‫‪3‬‬ ‫‪73‬‬ ‫‪18‬‬ ‫‪64‬‬ ‫‪08‬‬ ‫‪17‬‬ ‫‪01‬‬ ‫‪14‬‬ ‫‪.3‬‬ ‫‪.1‬‬ ‫‪.8‬‬ ‫‪.0‬‬ ‫‪.6‬‬ ‫‪.2‬‬ ‫‪26‬‬ ‫‪53‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪9‬‬ ‫‪9‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪51.‬‬ ‫‪45.‬‬ ‫‪42.‬‬ ‫‪39.‬‬ ‫‪36.‬‬ ‫‪33.‬‬ ‫‪28.‬‬ ‫‪23‬‬ ‫‪19‬‬ ‫‪15‬‬ ‫‪13‬‬ ‫‪12‬‬ ‫‪10‬‬ ‫‪9.‬‬ ‫‪8.‬‬
‫‪4‬‬ ‫‪18‬‬ ‫‪56‬‬ ‫‪98‬‬ ‫‪36‬‬ ‫‪42‬‬ ‫‪20‬‬ ‫‪24‬‬ ‫‪.3‬‬ ‫‪.0‬‬ ‫‪.6‬‬ ‫‪.8‬‬ ‫‪.4‬‬ ‫‪.8‬‬ ‫‪89‬‬ ‫‪08‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪0‬‬ ‫‪6‬‬
‫‪2‬‬ ‫‪52.‬‬ ‫‪46.‬‬ ‫‪44.‬‬ ‫‪40.‬‬ ‫‪37.‬‬ ‫‪34.‬‬ ‫‪29.‬‬ ‫‪24‬‬ ‫‪19‬‬ ‫‪16‬‬ ‫‪14‬‬ ‫‪13‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪8.‬‬
‫‪5‬‬ ‫‪62‬‬ ‫‪93‬‬ ‫‪31‬‬ ‫‪65‬‬ ‫‪65‬‬ ‫‪38‬‬ ‫‪34‬‬ ‫‪.3‬‬ ‫‪.9‬‬ ‫‪.4‬‬ ‫‪.6‬‬ ‫‪.1‬‬ ‫‪.5‬‬ ‫‪.5‬‬ ‫‪65‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪3‬‬ ‫‪59.‬‬ ‫‪53.‬‬ ‫‪50.‬‬ ‫‪46.‬‬ ‫‪43.‬‬ ‫‪40.‬‬ ‫‪34.‬‬ ‫‪29‬‬ ‫‪24‬‬ ‫‪20‬‬ ‫‪18‬‬ ‫‪16‬‬ ‫‪14‬‬ ‫‪13‬‬ ‫‪11‬‬
‫‪0‬‬ ‫‪70‬‬ ‫‪67‬‬ ‫‪89‬‬ ‫‪98‬‬ ‫‪77‬‬ ‫‪26‬‬ ‫‪80‬‬ ‫‪.3‬‬ ‫‪.4‬‬ ‫‪.6‬‬ ‫‪.4‬‬ ‫‪.7‬‬ ‫‪.9‬‬ ‫‪.7‬‬ ‫‪.5‬‬
‫‪4‬‬ ‫‪8‬‬ ‫‪0‬‬ ‫‪9‬‬ ‫‪9‬‬ ‫‪5‬‬ ‫‪9‬‬ ‫‪9‬‬
‫‪4‬‬ ‫‪73.‬‬ ‫‪66.‬‬ ‫‪63.‬‬ ‫‪59.‬‬ ‫‪55.‬‬ ‫‪51.‬‬ ‫‪45.‬‬ ‫‪39‬‬ ‫‪33‬‬ ‫‪29‬‬ ‫‪26‬‬ ‫‪24‬‬ ‫‪22‬‬ ‫‪20‬‬ ‫‪17‬‬
‫‪0‬‬ ‫‪40‬‬ ‫‪77‬‬ ‫‪69‬‬ ‫‪34‬‬ ‫‪76‬‬ ‫‪81‬‬ ‫‪62‬‬ ‫‪.3‬‬ ‫‪.6‬‬ ‫‪.0‬‬ ‫‪.5‬‬ ‫‪.4‬‬ ‫‪.1‬‬ ‫‪.7‬‬ ‫‪.9‬‬
‫‪4‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪1‬‬ ‫‪2‬‬
‫‪5‬‬ ‫‪86.‬‬ ‫‪79.‬‬ ‫‪76.‬‬ ‫‪71.‬‬ ‫‪67.‬‬ ‫‪63.‬‬ ‫‪56.‬‬ ‫‪49‬‬ ‫‪42‬‬ ‫‪37‬‬ ‫‪34‬‬ ‫‪32‬‬ ‫‪29‬‬ ‫‪27‬‬ ‫‪24‬‬
‫‪0‬‬ ‫‪66‬‬ ‫‪49‬‬ ‫‪15‬‬ ‫‪42‬‬ ‫‪50‬‬ ‫‪17‬‬ ‫‪33‬‬ ‫‪.3‬‬ ‫‪.9‬‬ ‫‪.6‬‬ ‫‪.7‬‬ ‫‪.3‬‬ ‫‪.7‬‬ ‫‪.9‬‬ ‫‪.6‬‬
‫‪189‬‬
‫‪3‬‬ ‫‪4‬‬ ‫‪9‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪1‬‬ ‫‪9‬‬ ‫‪7‬‬

‫‪6‬‬ ‫‪99.‬‬ ‫‪91.‬‬ ‫‪88.‬‬ ‫‪83.‬‬ ‫‪79.‬‬ ‫‪74.‬‬ ‫‪66.‬‬ ‫‪59‬‬ ‫‪52‬‬ ‫‪46‬‬ ‫‪43‬‬ ‫‪40‬‬ ‫‪37‬‬ ‫‪35‬‬ ‫‪31‬‬
‫‪0‬‬ ‫‪61‬‬ ‫‪95‬‬ ‫‪38‬‬ ‫‪30‬‬ ‫‪08‬‬ ‫‪40‬‬ ‫‪98‬‬ ‫‪.3‬‬ ‫‪.2‬‬ ‫‪.4‬‬ ‫‪.1‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.5‬‬ ‫‪.7‬‬
‫‪3‬‬ ‫‪9‬‬ ‫‪6‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪8‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪7‬‬ ‫‪112‬‬ ‫‪104‬‬ ‫‪100‬‬ ‫‪95.‬‬ ‫‪90.‬‬ ‫‪85.‬‬ ‫‪77.‬‬ ‫‪69‬‬ ‫‪61‬‬ ‫‪55‬‬ ‫‪51‬‬ ‫‪48‬‬ ‫‪45‬‬ ‫‪43‬‬ ‫‪39‬‬
‫‪0‬‬ ‫‪.32‬‬ ‫‪.21‬‬ ‫‪.43‬‬ ‫‪02‬‬ ‫‪53‬‬ ‫‪53‬‬ ‫‪58‬‬ ‫‪.3‬‬ ‫‪.7‬‬ ‫‪.3‬‬ ‫‪.7‬‬ ‫‪.7‬‬ ‫‪.4‬‬ ‫‪.2‬‬ ‫‪.0‬‬
‫‪3‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪8‬‬ ‫‪4‬‬
‫‪8‬‬ ‫‪124‬‬ ‫‪116‬‬ ‫‪112‬‬ ‫‪106‬‬ ‫‪101‬‬ ‫‪96.‬‬ ‫‪88.‬‬ ‫‪79‬‬ ‫‪71‬‬ ‫‪64‬‬ ‫‪60‬‬ ‫‪57‬‬ ‫‪53‬‬ ‫‪51‬‬ ‫‪46‬‬
‫‪0‬‬ ‫‪.84‬‬ ‫‪.32‬‬ ‫‪.33‬‬ ‫‪.63‬‬ ‫‪.88‬‬ ‫‪58‬‬ ‫‪13‬‬ ‫‪.3‬‬ ‫‪.1‬‬ ‫‪.2‬‬ ‫‪.3‬‬ ‫‪.1‬‬ ‫‪.5‬‬ ‫‪.1‬‬ ‫‪.5‬‬
‫‪3‬‬ ‫‪4‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪2‬‬
‫‪9‬‬ ‫‪137‬‬ ‫‪128‬‬ ‫‪124‬‬ ‫‪118‬‬ ‫‪113‬‬ ‫‪107‬‬ ‫‪98.‬‬ ‫‪89‬‬ ‫‪80‬‬ ‫‪73‬‬ ‫‪69‬‬ ‫‪65‬‬ ‫‪61‬‬ ‫‪59‬‬ ‫‪54‬‬
‫‪0‬‬ ‫‪.21‬‬ ‫‪.30‬‬ ‫‪.12‬‬ ‫‪.14‬‬ ‫‪.15‬‬ ‫‪.57‬‬ ‫‪65‬‬ ‫‪.3‬‬ ‫‪.6‬‬ ‫‪.2‬‬ ‫‪.1‬‬ ‫‪.6‬‬ ‫‪.7‬‬ ‫‪.2‬‬ ‫‪.1‬‬
‫‪3‬‬ ‫‪2‬‬ ‫‪9‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪0‬‬ ‫‪6‬‬
‫‪1‬‬ ‫‪149‬‬ ‫‪140‬‬ ‫‪135‬‬ ‫‪129‬‬ ‫‪124‬‬ ‫‪118‬‬ ‫‪109‬‬ ‫‪99‬‬ ‫‪90‬‬ ‫‪82‬‬ ‫‪77‬‬ ‫‪74‬‬ ‫‪70‬‬ ‫‪67‬‬ ‫‪61‬‬
‫‪0‬‬ ‫‪.45‬‬ ‫‪.17‬‬ ‫‪.81‬‬ ‫‪.56‬‬ ‫‪.34‬‬ ‫‪.50‬‬ ‫‪.14‬‬ ‫‪.3‬‬ ‫‪.1‬‬ ‫‪.3‬‬ ‫‪.9‬‬ ‫‪.2‬‬ ‫‪.0‬‬ ‫‪.3‬‬ ‫‪.9‬‬
‫‪0‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪2‬‬
‫‪190‬‬
‫بالنسبة للمشاهدات الكبيرة ‪ ،‬يفضل استخدام البرامج الجاهزة كبرنامج ‪ spss‬مثال ‪،‬‬
‫حيث نستغني عن الجداول االحصائية ‪ ،‬وتتم فقط مقارنة القيمة االحتمالية ‪p-value‬‬
‫مع مستوى المعنوية ‪. ‬‬
‫‪-3‬خاائص اختبار كولموغوروف‪ -‬يميرنوف ‪K-S‬‬
‫يتميز اختبار كولموغوروف‪ -‬سميرنوف ببعض الخواص نوجزها فيما يلي‪:‬‬
‫إن ‪ Dk‬تعبر عن أبعد نقطتان بين دالتي التوزيع االحتمالية للتوزيع التجريبي والتوزيع‬
‫النظري‪ ،‬إن اختبار ‪ KS‬يتعلق بجودة التوفيق ( ‪ ) goodness of fit‬بين توزيع نظري‬
‫( مراقب) وتوزيع تجريبي‪ ،‬كما هو الشأن في اختبار ‪ ،  2‬والفرق بين االختبارين هو‬
‫أن اختبار ‪ KS‬يتعلق بالمتغيرات المستمرة ( ألنه يتعامل مع دالة التوزيع التجميعي (‬
‫التابع التوزيعي))‪ ،‬أما اختبار ‪  2‬فيتعلق بالمتغيرات المتقطعة‪.‬‬
‫‪191‬‬
‫‪ -‬يوجد فرق في المسافة بين ‪ KS‬و ‪ ،  2‬فبالنسبة لمسافة ‪ KS‬معرفة بالضبط‪ ،‬أما‬
‫مسافة ‪  2‬فهي معرفة بالتقريب‪.‬‬
‫الجزء الثالث‪:‬‬
‫باستخدام نفس المعلومات الواردة في الجزئيين األول والثاني‪ ،‬نود الحصول على‬
‫خصائص التشغيل لنظام صف االنتظار لهذا الميناء في الحالتين التاليتين‪:‬‬
‫‪ -1‬وجود رصيف واحد للتفريغ‪.‬‬

‫‪ -2‬وجود رصيفين للتفريغ‪.‬‬
‫حل الجزء الثالث‪:‬‬
‫نالحظ أن وحدة القياس الشائع هي الساعة في األعمال‪ ،‬إذن‪:‬‬
‫‪ =2.8 arrivals/day  0.116 arrivals/h‬‬

‫‬
‫‪ =3 services/day  0.125 services/h‬‬
‫أوال‪ :‬وجود رايف واحد للتفريغ‪:‬‬
‫‪ 0.116‬‬
‫‪. ‬‬ ‫‪‬‬ ‫‪ -1‬معامل االستخدام ( كثافة الحركة في الميناء)‪ 0.928 :‬‬
‫‪ 0.125‬‬
‫‪ -2‬احتمال عدم وجود أي سفينة في النظام ( متوسط الخمول)‪:‬‬
‫‪‬‬
‫‪. P0  1 ‬‬ ‫‪ 0.072‬‬
‫‪‬‬
‫‪ -3‬احتمال وجود ‪ 5‬سفن في النظام مثال‪. P5  0.072  0.928  0.0495 :‬‬
‫‪5‬‬
‫‪ -4‬متوسط عدد السفن الموجودة في النظام‪:‬‬

‫‪‬‬
‫‪.L‬‬
‫‪0.116‬‬
‫‪‬‬ ‫‪ 12.88‬‬
‫‪ ‬‬ ‫‪0.125  0.116‬‬
‫‪192‬‬
‫‪.W ‬‬ ‫‪ -5‬متوسط الزمن الذي تستغرقه السفينة في النظام‪ 111 h :‬‬
‫‪L‬‬ ‫‪12.88‬‬
‫‪‬‬
‫‪‬‬ ‫‪0.116‬‬
‫‪ -6‬متوسط الزمن الذي تستغرقه السفينة في صف االنتظار‪:‬‬
‫‪. Wq  W ‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪ 111 ‬‬ ‫‪ 103 h‬‬
‫‪‬‬ ‫‪0.125‬‬
‫‪ -7‬متوسط عدد السفن الموجودة في صف االنتظار‪:‬‬
‫‪. Lq    Wq  0.116  103 12‬‬
‫تمثيل احتماالت وجود سفن في النظام في الشكل التالي‪:‬‬
‫ثانيا‪ :‬وجود رايفين للتفريغ‪:‬‬
‫‪ -1‬معامل االستخدام ( كثافة الحركة في الميناء)‪:‬‬

‫‪‬‬ ‫‪0.116‬‬
‫‪‬‬ ‫‪ 0.464‬‬
‫‪ S 0.125  2‬‬
‫‪ -2‬احتمال عدم وجود أي وحدة في النظام ( متوسط الخمول)‪:‬‬
‫‪193‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪P0 ‬‬ ‫‪‬‬ ‫‪ 0.366‬‬
‫‪ s 1 ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ 0.928‬‬
‫‪n‬‬ ‫‪s‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪1.928 ‬‬

‫‪ n 0 n !  S  1 !  S    ‬‬ ‫‪1  1.072 ‬‬
‫‪ -3‬متوسط عدد السفن الموجودة في صف االنتظار‪:‬‬

‫‪ s 1‬‬ ‫‪ 0.928‬‬
‫‪3‬‬
‫‪Lq  P0‬‬ ‫‪ 0.366 ‬‬ ‫‪ 0.254‬‬

‫‪ s  1! s   ‬‬ ‫‪1  1.072 ‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪ -4‬متوسط عدد السفن الموجودة في النظام‪:‬‬

‫‪. L  Ls  Lq  0.928  0.254  1.182‬‬
‫‪ -5‬متوسط الزمن الذي تستغرقه السفينة في النظام‪:‬‬
‫‪.W ‬‬
‫‪L‬‬ ‫‪1.182‬‬
‫‪‬‬ ‫‪ 10.18 h‬‬
‫‪‬‬ ‫‪0.116‬‬
‫‪ -6‬متوسط الزمن الذي تستغرقه السفينة في صف االنتظار‪:‬‬
‫‪Lq‬‬
‫‪. Wq ‬‬ ‫‪ 2.18 h‬‬
‫‪‬‬
‫‪ 0.928‬‬
‫‪5‬‬
‫‪. P5  5‬‬ ‫‪ -7‬احتمال وجود ‪ 5‬سفن في النظام مثال‪0.366=0.0157 :‬‬

‫!‪2 2‬‬
‫تمثيل احتماالت وجود سفن في النظام في الشكل التالي‪:‬‬
‫‪194‬‬
‫من الواضح أن أداء الخدمة تحسن بعد اضافة رصيف ثاني‪.‬‬
‫األلالم المذكورة في الفال الثاني لشر‪:‬‬
‫‪195‬‬
‫الفال الثالث لشر ‪ :‬إدارة المخزون المثلى‪Optimum :‬‬
‫‪inventory management‬‬
‫للمخزون أهمية كبيرة في المؤسسة باعتباره جزءا من ممتلكاتها‪ ،‬ويعتبر موضوع التبادل‬
‫التجاري إذ يمثل جزء من األصول المتداولة المشترة من أجل البيع ( حالة المؤسسات‬
‫التجارية) أو من التصنيع ثم البيع ( حالة المؤسسات الصناعية)‪.‬‬
‫يساعد الفهم الجيد لنماذج إدارة المخزون من تعزيز أعمال المؤسسة في أخذ التدابير‬
‫المثالية في تقليل التكاليف‪ ،‬حيث أن الهدف من دراسة نماذجه هو التحكم في المخزون‬
‫قصد الحصول على أكبر فائدة ‪ ،‬فقد تحتاج المؤسسة إلى التأكد من أن المخزون كافي‬
‫لتتمكن من االحتفاظ بوالء زبائنها‪ ،‬من جهة أخرى المؤسسة كذلك تفضل عدم التحمل‬
‫المزيد من تكاليف هذا التخزين‪.‬‬
‫‪ -1-13‬أنواع المخزون‪:‬‬
‫ينقسم المخزون إلى‪:‬‬
‫مواد أولية ومستلزمات إنتاج ‪Raw Material‬‬
‫منتجات نصف مصنعة أو منتجات قيد االنجاز ‪Work in Process‬‬
‫منتجات مصنعة ( المنتجات النهائية) ‪Finished Goods‬‬
‫قطع غيار لعمليات الصيانة واإلصالح للمعدات ‪Spare Parts‬‬
‫‪196‬‬
‫‪ -2-13‬أنواع تكاليف المخزون‪:‬‬
‫تشكل تكاليف الطلب واالحتفاظ والعجز العناصر الرئيسية الثالث للتكاليف المتعلقة‬
‫بالمخزون‪ ،‬تفصل هذه المجموعات على نطاق واسع بين العديد من تكاليف المخزون‬
‫المختلفة الموجودة‪ ،‬وسنقوم بتحديد ووصف بعض األمثلة لهذه األنواع‪:‬‬
‫تكلفة إلداد الطلبية ‪: Ordering costs‬‬ ‫‪-1-2-13‬‬

‫تعرف كذلك باسم ‪ ، setup costs‬هي تكاليف يتم تكبدها في كل مرة تقوم فيها‬
‫المؤسسة بتقديم طلب للمورد الخاص بها‪ ،‬تصنف هذه التكاليف كتكاليف ثابتة ‪ ،‬أما‬
‫عدد الطلبيات فيحسب كما يلي‪:‬‬
‫‪N=D/Q‬‬
‫‪ = D‬الكمية السنوية المطلوبة‪.‬‬
‫‪ = Q‬حجم الطلبية‪.‬‬
‫‪DB‬‬
‫‪ ، AOC ‬حيث ‪B‬‬ ‫تكلفة الطلب السنوية هي عدد الطلبيات × تكاليف االعداد‪:‬‬
‫‪Q‬‬
‫هي تكلفة االعداد‪.‬‬
‫تكلفة االحتفاظ بالمخزون‪: Holding costs‬‬ ‫‪-2-2-13‬‬

‫هي التكاليف التي ينطوي عليها تخزين المنتج قبل بيعه (مصاريف الكهرباء‪ ،‬مصاريف‬
‫التبريد‪ ،)....،‬فهي التكلفة المباشرة التي يجب حسابها للعثور على أفضل فرصة‬
‫لتخزين المنتج بدل من استثماره في مكان أخر بافتراض أن الطلب ثابت‪.‬‬
‫‪197‬‬
‫تكلفة العجز ‪:Shortage costs‬‬ ‫‪-3-2-13‬‬

‫تكلفة نفاد المخزون في المؤسسة تتوقف على األسباب التالية‪:‬‬
‫أوال‪ :‬تعطل اإلنتاج‪ :‬عندما ينطوي العمل على إنتاج سلع باإلضافة إلى بيعها‪ ،‬فإن‬
‫العجز يعني أن الشركة ستضطر إلى دفع تكاليف أخرى مثل العمال العاطلين عن‬
‫العمل ونفقات المصنع ‪ ،‬حتى عندما ال يتم إنتاج أي شيء‪.‬‬
‫شحنات الطوارئ بالنسبة لتجار التجزئة‪ ،‬قد يعني نفاد المخزون دفع مبلغ إضافي‬
‫للحصول على شحنة في الوقت المحدد‪ ،‬أو تغيير والء الزبائن بصرف النظر عن‬
‫خسارتهم ( ذهابهم إلى مكان آخر إلجراء عمليات الشراء أي فقدانهم )‪ ،‬باإلضافة إلى‬
‫تزعزع سمعة المؤسسة‪.‬‬
‫ثانيا‪ :‬تكاليف التلف ‪: Spoilage costs‬‬

‫يمكن أن يتعفن المخزون القابل للتلف أو يفسد إذا لم يتم بيعه في الوقت المناسب ‪ ،‬لذا‬
‫فإن التحكم في المخزون لمنع التلف أمر ضروري‪ ،‬تعد قابلية الفناء مصدر قلق للعديد‬
‫من الصناعات مثل الصناعات الغذائية والمشروبات واألدوية والرعاية الصحية‬
‫ومستحضرات التجميل ‪ ،‬وكلها تتأثر بانتهاء صالحية منتجاتها واستخدامها‪ ،‬ال يكلف‬
‫الفساد المال فحسب ‪ ،‬بل يعني أيضا أن المؤسسة تفشل في تحقيق عائد على‬
‫استثمارها األولي‪.‬‬
‫‪198‬‬
‫‪ -3-13‬مفاهيم أيايية حول المخزون‪:‬‬
‫حجم الطلبية ‪:Quantity ordered‬‬ ‫‪-1-3-13‬‬
‫عدد الوحدات من المخزون التي يتم استالمها ووضعها في المخزن‪.‬‬
‫دورة الطلب ‪: Order cycle‬‬ ‫‪-2-3-13‬‬
‫هي الفترة الزمنية التي تفصل بين طلبيتين متالحقتين‪ ،‬وتقاس إما باليوم أو األسبوع أو‬
‫الشهر أو السنة‪.‬‬
‫فترة التوريد ‪: lead time‬‬ ‫‪-3-3-13‬‬
‫عدد األيام بين إصدار أمر الشراء ووصول الشحنة إلى المخازن واستالمها‪.‬‬
‫متويط االحتياج اليومي ( معدل الطلب) ‪Average Daily‬‬ ‫‪-4-3-13‬‬

‫‪:Usage‬‬
‫قبل أن يتمكن مسؤول المخزن من تحديد نقطة إعادة الطلب ‪ ،‬يحتاج إلى معرفة عدد‬
‫الوحدات التي سيتم بيعها كل يوم ‪ ،‬يفعل ذلك عن طريق إضافة طلبياتهم اليومية على‬
‫مدى فترة معينة وقسمة االجمالي على عدد األيام في تلك الفترة‪.‬‬
‫نقطة إلادة الطلب ‪: reorder point‬‬ ‫‪-5-3-13‬‬
‫نقطة إعادة الطلب ليست رقما ثابتا‪ ،‬إنها تعتمد على دورات الشراء والمبيعات الخاصة‬
‫بالمؤسسة‪ ،‬وهو الزمن الذي يجب فيه إعادة الطلب ‪ ،‬وتختلف على أساس كل منتج‪،‬‬
‫‪199‬‬
‫ومع ذلك بمجرد أن تتعامل المؤسسة مع أنماط المنتج فهي على استعداد لبدء تجميع‬
‫المتغيرات معا‪.‬‬
‫صيغة نقطة إعادة الطلب هي ‪:‬‬
‫نقطة إعادة الطلب = معدل الطلب أو االحتياج اليومي × فترة التوريد (االنتظار)‬
‫‪ROP = d × L‬‬
‫إذ أن ‪:‬‬
‫‪ = ROP‬نقطة إعادة الطلب‬
‫‪ = d‬معدل الطلب(االحتياج اليومي) ونحصل عليه بقسمة الطلب السنوي ‪ D‬على عدد‬
‫أيام العمل بالسنة‪.‬‬
‫‪ = L‬فترة التوريد‪/‬االنتظار‬
‫مخزون األمان ‪: safety stock‬‬ ‫‪-6-3-13‬‬
‫يشبه مخزون األمان نقطة إعادة الطلب‪ ،‬ولكنه يمثل كمية فائضة لضمان عدم نفاد‬
‫المخزون بالكامل في حالة حدوث تأخير في الطلبية‪.‬‬
‫المخزون االحتياطي‪: Buffer stock‬‬ ‫‪-7-3-13‬‬
‫مفهومه هو شراء السلع عند وجود فائض في السوق وتخزينها ثم بيعها في وقت‬
‫األزمة‪.‬‬
‫‪200‬‬
‫حقق متجر مختص ببيع المشروبات الغازية في ‪ 30‬يوم ‪ 600‬عملية بيع علبة ( كل‬
‫علبة تحوي على ‪ 1000‬قارورة )‪ ،‬يستغرق هذا المنتج من المصنع ( المورد) إلى هذا‬
‫المتجر ثالثة أيام بعد تقديم الطلب‪ ،‬يعني أن متوسط التوريد هو ثالثة أيام‪.‬‬
‫المطلوب‪ :‬حساب نقطة إعادة الطلب‪.‬‬
‫‪.d ‬‬ ‫معدل الطلب(االحتياج اليومي)‪ 20 :‬‬

‫‪600‬‬
‫‪30‬‬
‫يستغرق هذا المنتج من المصنع ( المورد) إلى هذا المتجر ثالثة أيام بعد تقديم الطلب‪،‬‬
‫يعني أن متوسط فترة التوريد هو ثالثة أيام) ‪. ( L  3‬‬
‫نقطة إعادة الطلب هي ‪ 60‬علبة‪:‬‬
‫‪RP  L  d  3  20  60‬‬
‫يعني هذا أنه عندما يكون لدى هذا المتجر ‪ 60‬علبة من هذا المشروب فسيلزمهم تقديم‬
‫طلب جديد للتأكد من أن لديهم الكمية الصحيحة لتلبية الطلب‪.‬‬
‫‪ -4-13‬نماذج المخزون‪:‬‬
‫نتطرق إلى النماذج الحتمية والنماذج االحتمالية‪:‬‬
‫‪201‬‬
‫النموذج الحتمي ‪: The Deterministic Model‬‬ ‫‪-1-4-13‬‬
‫في نماذج المخزون الحتمية يفترض أن الطلب ثابت ومعروف‪ ،‬ومن المفترض أيضا‬
‫أنه عند طلب دفعة فإنها تصل بالضبط في الوقت المتوقع‪ ،‬عالوة على ذلك عندما‬
‫يظل نمط الطلب ثابتا بمرور الوقت يعرف نمط المخزون تماما‪ ،‬وبالتالي فإن المعلمات‬
‫مثل الحد األقصى والحد األدنى لمستويات المخزون معروفة تماما‪ ،‬وتعرف كذلك باسم‬
‫الحد األقصى ‪ -‬الحد األدنى لنماذج المخزون‪.‬‬
‫أوال‪ :‬كمية الطلب االتقتاادية )‪Economic order quantity ( EOQ‬‬
‫يعرف كذلك هذا النموذج بنموذج ويلسون ‪ ،‬ويشير إلى كمية الطلب المثالية التي يجب‬
‫على المؤسسة شراؤها لتقليل تكاليف المخزون ‪ ،‬مثل تكاليف االحتفاظ وتكاليف العجز‬
‫وتكاليف الطلبية ‪ ،‬تتمثل مهمة إدارة المخزون في حساب عدد الوحدات التي يجب على‬
‫المؤسسة إضافتها إلى مخزونها مع كل طلبية لتقليل التكاليف اإلجمالية لمخزونها‪.‬‬
‫على الرغم من أن هذا النموذج غالبا ما يرتبط بمصادر المواد الخام واإلدارة المثلى‬
‫للمخزون ‪ ،‬تجدر اإلشارة إلى أنه يمكن تطبيق منهجية ويلسون على أي نوع من السلع‪.‬‬
‫عرضه في األصل المهندس األمريكي ‪ Ford Whitman Harris1‬في عام ‪، 1913‬‬

‫ولم ينجح ‪ Wilson‬حتى عام ‪ 1934‬في تطوير هذه الصيغة‪ ،‬ولكن كيف تم حساب‬
‫الكمية المثلى لطلبية ما؟ سنرى ذلك في الفقرات القادمة‪.‬‬
‫فرضيات هذا النموذج كما يلي‪:‬‬
‫‪1‬‬
‫‪ -‬ويتمان هاريس (‪ Ford Whitman Harris )1962 -1877‬مهندس أمريكي استخلص صيغة الجذر التربيعي‬
‫لطلب المخزون المعروف اآلن باسم كمية الطلب االقتصادية‪.‬‬
‫‪202‬‬
‫‪ -‬الطلب معروف ومحدد‪ ،‬ثابت على طول الوقت‪.‬‬

‫‪ -‬العجز في المخزن غير مسموح به‪.‬‬
‫‪ -‬تثبيت أوقات االنتظار الستالم الطلبيات‪.‬‬
‫‪ -‬استالم الكمية المطلوبة وقت طلبها‪.‬‬
‫أ‪ -‬مزايا هذا النموذج‪:‬‬
‫بالنسبة للمؤسسات التي تستوفي هذه الشروط تضمن هذه الطريقة الرياضية تحسين‬
‫إدارة المخزون‪ ،‬في الواقع تتمتع هذه الطريقة بالمزايا التالية‪:‬‬
‫أن المؤسسة تقلل من تكاليف الشراء والتخزين‪.‬‬
‫أنها تتجنب اإلفراط في التخزين‪ ،‬ولكن تتأكد من وجود مخزون كاف لتلبية الطلب‪.‬‬
‫أنها تعرف الكمية المحددة للشراء لكل طلبية‪.‬‬
‫أنها تتجنب نقص المخزون‪.‬‬
‫ب‪ -‬ليوب طريقة نموذج ‪: EOQ‬‬
‫تكمن العيوب الرئيسية لنموذج ويلسون أو نظام ‪ EOQ‬في نفس االفتراضات التي تم‬
‫وضعها سابقا‪ ،‬حيث إنها تحد من التطبيق وتبعد النموذج عن المواقف الحقيقية التي‬
‫تواجه المؤسسة في كثي ار من األحيان‪ ،‬بشكل أكثر تحديدا فإن العيوب الرئيسية للنموذج‬
‫هي كما يلي‪:‬‬
‫‪ -‬تجعل افتراضات النموذج غير عملي أو واقعي للعديد من الشركات بسبب‬

‫خصائصها‪ ،‬إن افتراض الطلب المستمر يجعل نموذج ‪ EOQ‬غير مفيد‬
‫‪203‬‬
‫للشركات ذات الطلب الموسمي أو لمرة واحدة أو غير المنتظم ‪ ،‬أو يمكن أن‬
‫يؤدي إلى أخطاء في مواجهة تغيير جذري في عادات بعض الزبائن‪.‬‬
‫‪ -‬عدم النظر في الخصومات على حجم الشراء يستثني من المعادلة متغي ار مهما‬
‫للغاية يمكنه إدارة تعويض تكاليف التخزين‪.‬‬
‫افتراض الفورية في إعادة بناء المخزون ليس واقعيا تماما وبدون مراعاة هذا‬ ‫‪-‬‬
‫المتغير قد تكون هناك حاالت نفاد يجب أخذها في االعتبار بعناية عند تنفيذ‬
‫النموذج‪.‬‬
‫مؤسسة تركيب الدرجات النارية تقوم بشراء محركات ميكانيكية من شركة مختصة ‪،‬‬
‫تحتفظ هذه المؤسسة بمخزون من المحركات الميكانيكية يقدر بـ ‪ 3000‬محرك يوضح‬
‫الشكل ( أ ) مستوى المخزون كدالة للزمن (مع وجود المحور ‪ y‬في مقياس ‪100‬‬
‫وحدة) في البداية هناك ‪ 3000‬محرك في المخزن‪ ،‬تستخدم هذه المؤسسة ‪1000‬‬
‫محرك في اليوم‪ ،‬وبالتالي في نهاية اليوم األول ستبقى ‪ 2000‬وحدة فقط في المخزن‪،‬‬
‫في نهاية اليوم الثاني هناك ‪ 1000‬وحدة متبقية ‪ ،‬وهكذا في نهاية اليوم الثالث تنفد‬
‫المحركات من المخزن‪ ،‬نفرض وصول شحنة جديدة من المحركات تحتوي على ‪3000‬‬
‫وحدة ‪ ،‬يزيد من مستوى المخزون في اليوم الثالث إلى ‪ 3000‬وهكذا ‪ ،‬بهذه الطريقة‬
‫يمكن تمثيل مستوى المخزون في نهاية كل يوم بنقطة‪.‬‬
‫توضح النقاط في الشكل ( أ ) عدد الوحدات في نهاية كل فترة ومع ذلك إذا أراد‬
‫المسؤول إظهار تباين حقيقي في مستوى المخزون بمرور الزمن فيمكنه أن يالحظ‬
‫المستوى في فروق زمنية متناهية الصغر‪ ،‬ينتج عن هذا منحنى بدال من سلسلة من‬
‫النقاط نظ ار لعدم ذكر أي شيء عن النمط الذي يتم من خالله سحب ‪ 1000‬وحدة‬
‫من المخزون كل يوم ‪ ،‬يمكن أن يكون للمنحنى بين نهايتين متتاليتين لنقاط اليوم أي‬
‫شكل‪ ،‬ومع ذلك في النموذج الحالي من المفترض أن يكون شكل المنحنى بين النقاط‬
‫‪204‬‬
‫خطي وبالتالي يمكن تغيير العرض التوضيحي في الشكل ( أ ) إلى العرض الموضح‬
‫في الشكل ( ب)‪ ،‬من هنا فصاعدا سيتم اعتماد هذا التمثيل البياني الخطي لجميع‬
‫حاالت النموذج الحتمي ‪ ،‬هناك عدة مفاهيم في تصميم انظمة التخزين يمكن شرحها‬
‫االن باستخدام الشكل ب‪.‬‬
‫‪ .1‬قد يطلق على النظام نظام الحد األقصى ‪ -‬الحد األدنى ألن عدد الوحدات في‬
‫نظام التخزين يختلف بين حد أقصى ثابت وحد أدنى ثابت‪.‬‬
‫‪ .2‬الحد األدنى في هذا النموذج يتوافق مع الصفر نظ ار ألن صانع القرار على يقين‬
‫من أن ما تم طلبه سيصل بالضبط في الوقت المتوقع‪ ،‬فال داعي للقلق إذا نفد المخزون‬
‫للحظة‪ ،‬ومع ذلك كما سنرى الحقا ليس هذا هو الحال حيث تكون هناك شكوك في‬
‫ذلك ( زمن‬
‫وصول الشحنة الجديدة أو كميات الطلب)‪.‬‬
‫‪ .3‬كما هو موضح في الشكل ( ب) من المفترض أن كل شيء تم طلبه يصل إلى‬
‫نقطة زمنية واحدة‪ ،‬وبالتالي رفع مستوى المخزون على الفور في األيام ‪ 3‬و‪ 6‬و ‪9‬‬
‫مثال‪ ،‬عالوة على ذلك من الواضح أن الحد األقصى للمخزون في هذه الحالة يساوي‬
‫الكمية المطلوبة‪.‬‬
‫الشكل (‪ :)1-13‬نموذج ‪EOQ‬‬
‫الشكل (أ) باستخدام برنامج ‪Maple‬‬
‫‪205‬‬
‫الشكل (ب) باستخدام برنامج ‪Maple‬‬
‫ت‪ -‬اياغة النموذج‪:‬‬

‫لتصميم نظام التخزين هذا من الضروري إيجاد العديد من المعلمات الكمية التي يمكن‬
‫من خاللها تعريف النظام بشكل جيد‪ ،‬يجب أن تكون قيم هذه المعلمات قد نمذجت‬
‫بهدف تخفيض التكلفة اإلجمالية لتشغيل نظام التخزين‪ ،‬من الشكل ( ب) من الواضح‬
‫أن هذا النظام يمكن تحديده من خالل ثالثة معايير‪ :‬الطلب ‪ ،‬والحد األقصى لمستوى‬
‫‪206‬‬
‫المخزون ‪ ،‬ومستوى المخزون األدنى‪ ،‬من المفترض كذلك أن الطلب ثابت وال يتحكم‬
‫المسؤول في هذه المعلمة أيضا كما تم ذكر سلفا ‪ ،‬بالنسبة لهذا النموذج يكون الحد‬
‫األدنى لمستوى المخزون هو صفر دائما‪ ،‬وبالتالي فإن المعلمة الوحيدة التي يجب‬
‫تحديدها في هذه الحالة هي الحد األقصى لمستوى المخزون‪ ،‬من ناحية أخرى تم ذكر‬
‫أن الحد األقصى لمستوى المخزون لهذا النموذج هو الكمية المطلوبة‪ ،‬يمكن تعريف‬
‫نمذجة النظام على أنه إيجاد كمية الطلب التي تقلل التكلفة اإلجمالية‪ ،‬تسمى كمية‬
‫الطلبية (المثلى) (‪.)EOQ‬‬
‫إليجاد القيم المثلى لمعلمات نظام التخزين ‪ ،‬تتم صياغة النظام كمسألة تحسين (أمثلة)‬
‫وفقا لإلجراء التالي‪ ،‬أوال يتم تحديد فترة التحليل المناسبة ( عادة ما تكون سنة واحدة)‪،‬‬
‫ثم يتم تقييم التكلفة اإلجمالية لالحتفاظ على المخزون خالل هذه الفترة كدالة لمعلمات‬
‫النظام التي يمكن التحكم فيها‪ ،‬بعهدها يتم تصغير( تدنية ) هذه الدالة عن طريق‬
‫التفاضل أو أي تقنية رياضية أخرى قابلة للتطبيق للحصول على القيم المثلى للمتغيرات‬
‫القابلة للتحكم في النظام‪ ،‬لصياغة نموذج ‪ ، EOQ‬يتم استخدام الترميز التالي‪:‬‬
‫‪ = Q‬كمية الطلب‪.‬‬
‫‪ = Q ‬كمية الطلب المثلى ( ‪.) EOQ‬‬
‫‪ =D‬متوسط الطلب للفترة (سنة)‪.‬‬
‫‪ = B‬التكلفة المرتبطة بكل طلبية تم وضعها (تكلفة إعداد الطلبية)‪.‬‬
‫‪ = H‬تكلفة تخزين وحدة من المنتج لفترة محددة (تكلفة االحتفاظ بالمخزون)‪.‬‬
‫‪ :TC‬التكلفة االجمالية لكل فترة‪.‬‬

‫كما ذكرنا ‪ ،‬المتغير الوحيد القابل للتحكم في هذا النظام هو كمية الطلبية‪ ،‬وبالتالي‬
‫يجب تحديد التكلفة اإلجمالية من حيث هذا المتغير‪ ،‬تتكون التكلفة اإلجمالية لهذا‬
‫‪207‬‬
‫النظام من نوعين مختلفين من التكاليف‪ ،‬هي تكاليف االحتفاظ بالمخزون وتكاليف‬

‫الطلب أو اإلعداد ( تكاليف ثابتة)‪.‬‬
‫دائما ما تكون تكاليف االحتفاظ بالمخزون موجودة وتعتمد على عدد الوحدات الموجودة‬
‫في المخزون وطول الوقت الذي يتم االحتفاظ بها‪ ،‬في مثال المحرك الميكانيكي‪،‬‬
‫نفترض أن االحتفاظ بمحرك واحد في المخزون ليوم واحد يكلف دينا ار واحدا‪ ،‬وفقا‬
‫للرمز الخاص بنا ‪H‬‬
‫هذا يعني أنه إذا تم االحتفاظ بـ ‪ 1000‬وحدة في المخزن‪ ،‬فإن المؤسسة تتحمل تكلفة‬
‫‪ 1000 =1 × 1000‬دج في اليوم‪ ،‬إذا كانت كمية المواد المحفوظة في المخزن ثابتة‬
‫طول الوقت‪ ،‬ولكن نظ ار ألن مستوى المخزون يختلف من يوم إلى آخر‪ ،‬فإن تكلفة‬
‫االحتفاظ بالمخزون كذلك‪ ،‬من الشكل ( ب )‪ ،‬يمكن للمسؤول أن يالحظ أن مستويات‬
‫المخزون تختلف من ‪ 0‬إلى ‪ 3000‬وحدة مع اختالف تكلفة االحتفاظ الناتجة من ‪0‬‬
‫إلى ‪ 3000 = 1 × 3000‬دج في اليوم‪.‬‬
‫إليجاد متوسط تكلفة المخزون اليومية ‪ ،‬يمكن لمسؤول التخزين أن يفكر في إيجاد‬
‫تكلفة االحتفاظ بالمخزون لكل يوم وحساب متوسطها‪ ،‬هناك طريقة أخرى لتقدير نفس‬
‫القيمة وهي إيجاد متوسط عدد الوحدات المحفوظة في المخزن وضرب ذلك في تكلفة‬
‫االحتفاظ‪ ،‬نظ ار ألنه يتم حساب معظم تكاليف خالل الفترة على أساس سنوي‪ ،‬سيكون‬
‫من الصعب جدا تقييم‬
‫تكلفة االحتفاظ لكل يوم من ‪ 365‬يوما في السنة‪ ،‬كما سنرى في الفقرة التالية تقييم‬
‫متوسط المخزون وضربه في المخزون السنوي‪.‬‬
‫تكلفة االحتفاظ بالوحدة أسهل بكثير‪ ،‬نظ ار ألننا نفترض أن االختالفات في مستويات‬
‫المخزون خطية‪ ،‬فمن السهل أن نالحظ أن متوسط المخزون يساوي متوسط الحد‬
‫األقصى والحد األدنى لهذه المستويات‪.‬‬
‫متويط المخزون = ( الحد األقصى للمخزون ‪ +‬الحد األدنى للمخزون)‪2/‬‬
‫‪I Max  I Min‬‬
‫‪A. I ( I ) ‬‬
‫‪2‬‬
‫‪208‬‬
‫ومع ذلك ‪ ،‬نعلم أن الحد األدنى لنظامنا التخزيني يساوي صفر‪ ،‬والحد األقصى هو‬
‫كمية الطلبية فقط‪.‬‬
‫‪Q0 Q‬‬
‫‪A. I ( I ) ‬‬ ‫‪‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪. A.H .C ‬‬ ‫متوسط تكلفة االحتفاظ لكل وحدة‪:‬‬
‫‪H .Q‬‬
‫‪2‬‬
‫الجزء الثاني من تكاليف المخزون‪ ،‬وهو تكلفة الطلب أو اإلعداد‪ ،‬تحدث هذه التكلفة‬
‫عند تقديم طلب ‪ ،‬ولكن ال يمكن اعتبارها تكلفة يومية أو شهرية‪ ،‬أفضل طريقة لتقييم‬
‫مساهمة هذه التكلفة في تكلفة المخزون لفترة التقييم هي إيجاد عدد مرات تقديم الطلب‬
‫في تقييم فترة واحدة على سبيل المثال ‪ ،‬إذا تم تقييم التكاليف سنويا أربع مرات بتكلفة‬
‫‪ 2500‬دج ‪ ،‬فإن تكلفة الطلب في السنة ستكون ‪ 2500 × 4‬دج = ‪ 10000‬دج‪.‬‬
‫بالنسبة لمسألة المحرك الميكانيكي إذا افترضنا تكلفة قدرها ‪ 2500‬دج للطلب‪ ،‬فيمكن‬
‫حساب تكلفة الطلب السنوية على النحو التالي‪:‬‬
‫عدد الطلبيات في السنة = ( الطلب السنوي‪ /‬الكمية المطلوبة في كل مرة) =‬
‫‪1000  365‬‬
‫‪ 122‬‬
‫‪3000‬‬
‫تكاليف الطلب السنوية = ‪2500 122  305000DA‬‬
‫نحدد األن التكرار وتكلفة الطلب لكل فترة للنموذج العام من حيث المتغير الوحيد الذي‬
‫يمكن التحكم فيه كمية الطلب‪ ،‬نظ ار لخروج العناصر من المخزون بمعدل وحدات ‪D‬‬
‫(دورة الطلب)‪ ،‬عدد‬ ‫لكل فترة ‪ ،‬فإن كل كمية طلب تستمر لفترة من الزمن تقدر‬
‫‪Q‬‬
‫‪D‬‬
‫الطلبيات التي تم وضعها خالل فترة واحدة هو‪:‬‬
‫‪.‬‬ ‫عدد الطلبيات لكل فترة =‬
‫‪D‬‬
‫‪Q‬‬
‫وبالتالي ‪ ،‬فإننا نقوم بدفع ‪ B‬مبلغ لكل طلب ‪.‬‬
‫‪.‬‬ ‫تكاليف الطلبيات خالل الفترة =‬
‫‪BD‬‬
‫‪Q‬‬
‫‪209‬‬
‫التكلفة االجمالية لكل فترة ‪ = TC‬تكلفة االحتفاظ بالمخزون لكل فترة ‪ +‬تكلفة الطلبية‬
‫لكل فترة‪.‬‬
‫‪H .Q BD‬‬
‫‪TC ‬‬ ‫‪‬‬ ‫‪....... 1‬‬
‫‪2‬‬ ‫‪Q‬‬
‫هدف المؤسسة هو تدنية التكاليف إلى أقصى حد أي إيجاد كمية الطلب التي تجعل‬
‫دالة التكلفة في نهايتها الصغرى‪ ،‬أي يتم إيجاد المشتقة األولى ومساواتها للصفر‪ ،‬ثم‬
‫التأكد من تعويض هذه الكمية في المشتقة الثانية‪ ،‬فإذا كانت أكبر من الصفر حينئذ‬
‫نتأكد من أن الدالة تبلغ نهايتها الصغرى عند هذه الكمية‪.‬‬
‫‪H BD‬‬
‫‪TC Q  ‬‬ ‫‪‬‬ ‫‪ 0..........  2 ‬‬
‫‪2 Q2‬‬
‫‪‬‬ ‫‪2 B D ‬‬ ‫‪2 B D‬‬
‫‪  ‬ال معنى لها‬ ‫‪ ، Q ‬‬
‫‪‬‬
‫عند حل المعادلة (‪ )2‬نجد‪:‬‬
‫‪‬‬ ‫‪H ‬‬ ‫‪H‬‬
‫اقتصاديا ( مرفوضة )‪ ،‬إذن‪:‬‬

‫‪2 B D‬‬
‫‪Q ‬‬
‫‪H‬‬
‫‪ TC Q  ‬ألن ‪ ، Q  0‬إذن ‪ TC  Q ‬دالة محدبة‪.‬‬
‫‪2 BD‬‬
‫‪0‬‬
‫‪Q3‬‬
‫يوضح الشكل (‪ )2-13‬المفاضلة بين تكلفة االحتفاظ وتكلفة الطلب‪ ،‬الشكل يؤكد‬
‫حقيقة أنه عند ‪ Q ‬تكون تكاليف االحتفاظ والطلب السنوية هي نفسها‪.‬‬
‫‪210‬‬
‫الشكل (‪ :)2-13‬تكاليف المخزون‬
‫الشكل (‪ :)3-13‬التمثيل البياني لكمية الطلب االتقتاادية وفترة التوريد ونقطة إلادة‬
‫الطلب‪.‬‬
‫‪211‬‬
‫مؤسسة األنوار تستخدم بشكل موحد طوال العام البيانات المتعلقة بالمتطلبات السنوية‬
‫وتكلفة الطلب وتكلفة االحتفاظ بمخزونها‪ ،‬حيث‪:‬‬
‫الطلب السنوي‪ 9600 :‬وحدة‪.‬‬
‫تكلفة الطلبية‪ 400 :‬دج لكل طلبية‪.‬‬
‫تكلفة االحتفاظ‪ 3 :‬دج لكل وحدة‪.‬‬
‫المطلوب‪ :‬تحديد كمية الطلب االقتصادية ؟‬
‫‪2 B D‬‬ ‫‪2  400  9600‬‬

‫‪Q ‬‬ ‫‪‬‬ ‫‪ 1600 U‬‬
‫‪H‬‬ ‫‪3‬‬
‫كمية الطلب االقتصادية لهذه المؤسسة هي ‪ 1600‬وحدة‪ ،‬يمكننا األن حساب عدد‬
‫الطلبيات التي سيتم تقديمها سنويا ‪ ،‬وتكلفة الطلب السنوية ‪ ،‬وتكلفة االحتفاظ السنوية ‪،‬‬
‫وتكلفة الطلبيات السنوية االجمالية وتكلفة االحتفاظ على النحو التالي‪:‬‬
‫لدد الطلبيات في الينة‪:‬‬
‫‪ 6 ،‬طلبيات في السنة‪ .‬‬ ‫عدد الطلبيات لكل فترة ‪ 6‬‬

‫‪D 9600‬‬
‫‪‬‬
‫‪Q 1600‬‬
‫تكلفة االلداد‪ :‬العدد أو الطلبيات في السنة × التكلفة لكل طلب ‪ 6 :‬طلبيات ×‬

‫‪ 400‬دج = ‪ 2400‬دج‪.‬‬
‫‪212‬‬
‫تكلفة االحتفاظ = متوسط الوحدات × تكلفة االحتفاظ لكل وحدة ‪:‬‬
‫‪1600  3‬‬
‫‪AHC ‬‬ ‫‪ 2400 DA‬‬
‫‪2‬‬
‫التكلفة االجمالية‪:‬‬
‫‪H .Q BD 3  1600 400  9600‬‬
‫‪TC ‬‬ ‫‪  ‬‬ ‫‪‬‬ ‫‪ 2400  2400  4800DA‬‬
‫‪2‬‬ ‫‪Q‬‬ ‫‪2‬‬ ‫‪1600‬‬
‫نالحظ أن كل من تكلفة إعداد الطلبية وتكلفة االحتفاظ تبلغ ‪ 2400‬دج بكمية طلب‬
‫اقتصادية ‪ 1600‬وحدة‪.‬‬
‫تحديد جدول لكمية الطلب االتقتاادية‪:‬‬
‫وفقا لهذا النهج فأنه لتحديد كمية الطلب االقتصادية يجب حساب تكلفة الطلب‬
‫واالحتفاظ االجمالية بعدد مختلف من الطلبيات وكمياتها الخاصة بها‪ ،‬يعرف هذا‬
‫النهج أيضا باسم طريقة التجربة والخطأ لتحديد كمية الطلب االقتصادية‪.‬‬
‫يتم توضيح هذا النهج أدناه باستخدام نفس البيانات المستخدمة في المثال السابق‪:‬‬
‫التكاليف‬
‫التكلفة‬ ‫تكلفة‬ ‫تكلفة‬ ‫متويط الوحدات لكل‬ ‫لدد الوحدات لكل‬ ‫لدد‬
‫االجمالية‬ ‫االحتفاظ‬ ‫اإللداد‬ ‫مخزون‬ ‫طلبية‬ ‫الطلبيات‬
‫‪14800‬‬ ‫‪14400‬‬ ‫‪400‬‬ ‫‪4800‬‬ ‫‪9600‬‬ ‫‪1‬‬
‫‪8000‬‬ ‫‪7200‬‬ ‫‪800‬‬ ‫‪2400‬‬ ‫‪4800‬‬ ‫‪2‬‬
‫‪6000‬‬ ‫‪4800‬‬ ‫‪1200‬‬ ‫‪1600‬‬ ‫‪3200‬‬ ‫‪3‬‬
‫‪5200‬‬ ‫‪3600‬‬ ‫‪1600‬‬ ‫‪1200‬‬ ‫‪2400‬‬ ‫‪4‬‬
‫‪4880‬‬ ‫‪2880‬‬ ‫‪2000‬‬ ‫‪960‬‬ ‫‪1920‬‬ ‫‪5‬‬
‫‪4800‬‬ ‫‪2400‬‬ ‫‪2400‬‬ ‫‪800‬‬ ‫‪1600‬‬ ‫‪6‬‬
‫‪213‬‬
‫‪4856,5‬‬ ‫‪2056,5‬‬ ‫‪2800‬‬ ‫‪685,5‬‬ ‫‪1371‬‬ ‫‪7‬‬

‫‪5000‬‬ ‫‪1800‬‬ ‫‪3200‬‬ ‫‪600‬‬ ‫‪1200‬‬ ‫‪8‬‬
‫‪5200,5‬‬ ‫‪1600,5‬‬ ‫‪3600‬‬ ‫‪533,5‬‬ ‫‪1067‬‬ ‫‪9‬‬
‫‪5440‬‬ ‫‪1440‬‬ ‫‪4000‬‬ ‫‪480‬‬ ‫‪960‬‬ ‫‪10‬‬
‫‪5709,5‬‬ ‫‪1309,5‬‬ ‫‪4400‬‬ ‫‪436,5‬‬ ‫‪873‬‬ ‫‪11‬‬
‫‪6000‬‬ ‫‪1200‬‬ ‫‪4800‬‬ ‫‪400‬‬ ‫‪800‬‬ ‫‪12‬‬
‫‪6307‬‬ ‫‪1107‬‬ ‫‪5200‬‬ ‫‪369‬‬ ‫‪738‬‬ ‫‪13‬‬
‫‪6629‬‬ ‫‪1029‬‬ ‫‪5600‬‬ ‫‪343‬‬ ‫‪686‬‬ ‫‪14‬‬
‫‪6960‬‬ ‫‪960‬‬ ‫‪6000‬‬ ‫‪320‬‬ ‫‪640‬‬ ‫‪15‬‬
‫تمثيل مختلف التكاليف في منحنى بياني‪:‬‬
‫باستخدام برنامج ‪ Maple‬يكون التمثيل البياني كالتالي‪:‬‬
‫‪214‬‬
‫نالحظ أن كمية ‪ 1600‬وحدة مع عدد ‪ 6‬طلبيات سنوية وتكلفة طلب واحتفاظ اجمالية‬
‫تبلغ ‪ 4800‬دج هي الكمية األكثر اقتصادا للطلب‪ ،‬كميات الطلبيات األخرى التي ينتج‬
‫عنها أكثر أو أقل من ستة طلبيات في السنة ليست اقتصادية للغاية‪ ،‬على سبيل المثال‬
‫‪ ،‬إذا تم تقديم طلب واحد فقط للمتطلبات السنوية الكاملة البالغة ‪ 9600‬وحدة ‪ ،‬فإن‬
‫تكلفة الطلب واالحتفاظ المجمعة تصل إلى ‪ 14800‬دج وهي أعلى بكثير من تكلفة‬
‫كمية الطلب االقتصادية البالغة ‪ 1600‬وحدة‪.‬‬
‫إن تطبيق الطريقة الجدولية ليس شائعا ألنه يستغرق وقتا أطول مقارنة بالصيغة‬
‫الرياضية ‪ ،‬عالوة على ذلك في بعض الحاالت توفر فقط تقدي ار لكمية الطلب‬
‫االقتصادية ‪ ،‬وبالتالي فهي ليست دقيقة مثل الصيغة الرياضية‪.‬‬
‫ثانيا‪ :‬التكاليف اإلجمالية مع تكلفة الشراء ‪Total Costs with Purchasing‬‬

‫‪Cost‬‬
‫قد يكون هناك خصم على سعر الشراء ‪ P‬فمن األفضل دراسة تأثيره على كمية الطلب‬
‫االقتصادية‪ ،‬والذي نبينه في الفقرة التالية‪.‬‬
‫أ‪ -‬كمية الطلب االتقتاادية بوجود خام ‪Economic order quantity‬‬
‫‪: with Discount‬‬
‫تقلل ‪ EOQ‬بشكل عام من إجمالي تكلفة المخزون‪ ،‬ومع ذلك قد ال تكون ‪ EOQ‬هي‬
‫األمثل عند أخذ الخصم في االعتبار‪.‬‬
‫ب‪ -‬خام الكمية و ‪EOQ‬‬
‫خصم الكمية هو تخفيض في السعر الذي يعرضه البائع على الطلبيات ذات الكميات‬
‫الكبيرة‪ ،‬توجد خصومات الكمية بأشكال مختلفة وقد ال تكون واضحة في بعض‬
‫‪215‬‬
‫السيناريوهات‪ ،‬توفر األشكال المختلفة لخصومات الكمية حوافز شراء مختلفة للمشترين‪،‬‬
‫في الفقرة القادمة نبين تأثير الخصم في صناعة قرار الشراء‪.‬‬
‫ت‪ -‬المشاركة في انع القرار‬
‫عندما يتاح للمشترين الذين يتبعون نموذج كمية الطلب االقتصادي (‪ )EOQ‬لطلب‬
‫المخزون الفرصة لالستفادة من خصم الكمية على أحجام الطلبيات األكبر من ‪EOQ‬‬
‫الخاصة بهم ‪ ،‬فإنهم بحاجة إلى بناء قرارهم بصرف النظر عن العوامل النوعية على‬
‫التأثير الصافي للقرار على دخلهم‪.‬‬
‫صيغة التكلفة االجمالية تصبح كما يلي‪:‬‬
‫‪BD Q‬‬
‫‪TC ‬‬ ‫‪ iP  PD .......  3‬‬
‫‪Q‬‬ ‫‪2‬‬
‫حيث‪:‬‬
‫‪ = Q‬كمية الطلب‪.‬‬
‫‪ = Q ‬كمية الطلب المثلى ( ‪.) EOQ‬‬
‫‪ =D‬متوسط الطلب للفترة (سنة)‪.‬‬
‫‪ = B‬التكلفة المرتبطة بكل طلبية تم وضعها (تكلفة إعداد الطلبية)‪.‬‬
‫‪ = P‬سعر الوحدة‪.‬‬
‫‪ = iP‬تكلفة االحتفاظ لكل وحدة سنويا معب ار عنها كنسبة مئوية من السعر ‪. P‬‬
‫‪ :TC‬التكلفة االجمالية لكل فترة‪.‬‬

‫نالحظ أن تكلفة االحتفاظ هي ‪ iP‬بدال من ‪ H‬كما هو موضح في نموذج ‪EOQ‬‬
‫العادي‪ ،‬ونظ ار ألن سعر الوحدة هو عامل في تكلفة االحتفاظ السنوية ‪ ،‬فإننا ال نفترض‬
‫أن تكلفة االحتفاظ ثابتة عندما يتغير السعر في كل وحدة ولكل خصم في الكمية‪،‬‬
‫‪216‬‬
‫وبالتالي من الشائع التعبير عن تكلفة االحتفاظ كنسبة مئوية (‪ )i‬من سعر الوحدة (‪)P‬‬
‫عند تقييم تكاليف خصم الكمية‪.‬‬
‫تم تعديل صيغة (‪ )2‬لمسألة خصم الكمية على النحو التالي‪:‬‬
‫‪2 B D‬‬
‫‪Q ‬‬ ‫‪......  4 ‬‬
‫‪iP‬‬
‫شركة " س " تعمل في مجال التجهيزات الطبية‪ ،‬تقدمت بعرض إلدارة أحد المستشفيات‬
‫بتوريدها ببعض األجهزة‪ ،‬واقترحت على إدارة المستشفى األسعار التالية‪:‬‬
‫اليعر الوحدوي ( دج)‬ ‫كمية الطلبية‬ ‫نطاق اليعر‬
‫‪100‬‬ ‫‪149 – 1‬‬ ‫اليعر االبتدائي‬
‫‪90‬‬ ‫‪299 - 150‬‬ ‫الخام األول‬
‫‪85‬‬ ‫من ‪ 300‬فما فوق‬ ‫الخام الثاني‬
‫تبلغ تكلفة اإلعداد ‪ 300‬دج لكل طلب ‪ ،‬ويبلغ الطلب السنوي ‪ 2400‬وحدة ‪ ،‬وتكلفة‬
‫االحتفاظ بالمخزون السنوي قدرت كنسبة مئوية ‪ ٪20‬من تكلفة الشراء‪ ،‬ما هي كمية‬
‫الطلب التي ستقلل من إجمالي تكلفة المخزون؟‬
‫علينا تحديد الكمية التي ستقلل من إجمالي تكلفة المخزون السنوي ‪ ،‬ونظ ار لوجود‬
‫بعض الخصومات ‪ ،‬تتضمن هذه العملية خطوتين‪:‬‬
‫أ‪ -‬نحدد جميع كميات الطلبيات الممكنة التي يمكن أن تكون الحل األفضل‪.‬‬
‫ب‪ -‬نقوم بحساب التكلفة اإلجمالية لجميع كميات الطلب األفضل الممكنة ‪ ،‬ويتم‬
‫تحديد كمية الطلبية األقل تكلفة‪.‬‬
‫نستخدم الخوارزمية التالية لمساعدتنا في ايجاد الكمية المثالية‪.‬‬
‫‪217‬‬
‫‪jm‬‬ ‫‪, T  Q    ‬‬ ‫الخطوة ‪ :0‬نضع‪, Q   0 :‬‬
‫الخطوة ‪ :1‬حساب ‪. Q j‬‬

‫إذا كان ‪ q j 1  Q j  q j‬نذهب إلى الخطوة ‪ ،3‬خالف ذلك نضع ‪Q j  q j‬‬
‫و ‪. T  Q    T j  q j ‬‬
‫الخطوة ‪ :2‬إذا كان ‪ T j Q j   T  Q  ‬نضع ‪ Q   Q j :‬و ‪، T  Q    T j Q j ‬‬
‫نضع‪ ، J  J  1 :‬ثم الذهاب إلى الخطوة ‪.1‬‬
‫الخطوة ‪ :3‬نضع‪ ، T j  Qj   Pj D  2 BDiPj ، T j Q j  :‬إذا كان‪:‬‬
‫‪ T j Q j   T  Q  ‬فنضع‪ Q j :‬و‪. T  Q    T j Q j  Q ‬‬
‫نتوقف عندئذ و نستخلص أن كمية الطلب المثلى بتكلفة إجمالية‪. T  Q   :‬‬
‫أما عن الترميزات المستخدمة فسنوضحها فيما يلي‪:‬‬
‫‪ : m‬عدد الخصومات‪.‬‬
‫‪ : q j‬الحد األعلى لـ ‪ jth‬فترة الخصم‪.‬‬
‫‪ : Pj‬تكلفة الوحدة لـ ‪ jth‬خصم ‪.  q j 1 , q j ‬‬
‫‪ : Q j‬كمية الطلب االقتصادية باستخدام ‪. Pj‬‬
‫‪ : Q j‬أفضل كمية طلب في المجال ‪.j‬‬
‫‪ : Q‬كمية الطلب المثلى على جميع األسعار‪.‬‬
‫‪ : T j  Q ‬تكلفة إجمالية لـ ‪ Q‬وحدة في المجال ‪.j‬‬
‫‪ : T j Q j ‬تكلفة إجمالية لـ ‪ EOQ‬وحدة في المجال ‪.j‬‬
‫‪ : T j Q j ‬التكلفة االجمالية الدنيا في المجال ‪.j‬‬
‫‪ : T  Q  ‬التكلفة االجمالية المثلى على جميع األسعار‪.‬‬
‫‪ : Pj Q ‬تكلفة شراء ‪ Q‬وحدة في المجال ‪.j‬‬
‫نعود لمثالنا ‪:‬‬
‫‪j  3 , T  Q    ‬‬ ‫الخطوة ‪ :0‬نضع‪, Q   0 , P3  85DA :‬‬
‫‪218‬‬
‫الخطوة ‪:1‬‬
‫‪2  300  2400‬‬
‫‪Qj ‬‬ ‫‪ 291 U‬‬
‫‪0.2  85‬‬
‫نضع‪ Q3  300  q3 :‬فأن‪:‬‬
‫‪BD q3‬‬ ‫‪300  2400‬‬ ‫‪300‬‬
‫‪T3  q3  ‬‬ ‫‪ iP  P3 D ‬‬ ‫‪ 0.2 85‬‬ ‫‪ 85  2400   208950 DA‬‬
‫‪q3‬‬ ‫‪2‬‬ ‫‪300‬‬ ‫‪2‬‬
‫الخطوة‪:2‬‬
‫‪T3  300  T  Q   , T3  300   208950 DA , J=3-1= 2‬‬
‫‪2  300  2400‬‬
‫‪. Q2 ‬‬ ‫األن نستمر ونأخذ ‪ Q2‬مع ‪ 283 U : P2  90 DA‬‬
‫‪0.2  90‬‬
‫نالحظ أن ‪ 151  283  300‬فإن ‪ EOQ‬مسموح بها ‪ ،‬لذلك نذهب مباشرة إلى‬
‫الخطوة ‪:3‬‬
‫‪T2 Q2   P2 D  2  B  D  i  P2‬‬
‫‪T2 Q2   90  2400  2  300 2400 0.2  90  219600 DA‬‬

‫بمأن )‪ (219600 > 208950‬فأن كمية الطلب المثالية هي‪ 300 :‬وحدة بسعر ‪85‬‬
‫دج‪.‬‬
‫نستخدم الجدول التالي لحساب التكلفة اإلجمالية ألفضل كميات الطلبيات الممكنة‪.‬‬
‫التكلفة االجمالية‬ ‫تكلفة االنتاج‬ ‫تكلفة‬ ‫تكلفة االلداد‬ ‫اليعر‬ ‫كمية‬
‫الينوية‬ ‫الينوية‬ ‫االحتفاظ‬ ‫الينوية‬ ‫الوحدوي‬ ‫الطلب‬
‫الينوية‬
‫‪221091,17‬‬ ‫‪216000‬‬ ‫‪2547‬‬ ‫‪2544,17‬‬ ‫‪90‬‬ ‫‪283‬‬
‫‪208950‬‬ ‫‪204000‬‬ ‫‪2550‬‬ ‫‪2400‬‬ ‫‪85‬‬ ‫‪300‬‬
‫نوضح كل ما سبق ذكره في الشكل البياني التالي‪:‬‬
‫‪219‬‬
‫الشكل (‪ :)4-13‬تكاليف المخزون بوجود خام‬
‫ثالثا‪ :‬نموذج كمية اإلنتاج االتقتاادية ‪Economic Production Quantity :‬‬

‫‪Model‬‬
‫في نموذج المخزون السابق‪ ،‬افترضنا أنه تم استالم طلبية المخزون بالكامل في وقت‬
‫واحد‪ ،‬ومع ذلك هناك أوقات قد تتلقى فيها الشركة مخزونها خالل فترة زمنية تتطلب‬
‫مثل هذه الحاالت نموذجا مختلفا ال يتطلب افتراض االستالم الفوري‪.‬‬
‫في هذا النموذج‪ ،‬يتم تخفيض االفتراض بأن جميع الوحدات المطلوبة تصل في نفس‬
‫الوقت ‪ ،‬ويتم استبدالها بافتراض أن الوحدات تصل إلى معدل منتظم ‪ P‬خالل فترة‬
‫زمنية‪ ،‬هذا النموذج مفيد بشكل خاص في المواقف التي يتم فيها إنتاج الوحدات داخل‬
‫المصنع ويتم تخزينها لتوفير طلب منتظم‪.‬‬
‫الشرط األول لتشكيل مخزون هو أن يكون معدل العرض ‪ P‬أعلى من الطلب ‪ D‬خالل‬
‫فترة اإلنتاج أو العرض‪ ،‬خالل فترة التوريد يتم تجديد المخزون بمعدل وحدات ‪ P‬لكل‬
‫فترة ويتم استهالكه بمعدل وحدات ‪ D‬لكل فترة‪.‬‬
‫‪220‬‬
‫وبالتالي في هذه الفترة يتراكم المخزون بمعدل (‪ )P −D‬وحدات لكل فترة‪ ،‬يظهر‬
‫التمثيل البياني لهذا النظام في الشكل (‪ ، )5-13‬معلمة التصميم لهذا النظام هي مرة‬
‫أخرى كمية الطلبية ‪ ،‬ولكن هنا الحد األقصى لمستوى المخزون وكمية الطلبية ليس‬
‫متماثلين‪ ،‬والسبب هو أن الطلبية تستغرق بعض الوقت الستالم جميع وحدات الكمية‬
‫المطلوبة وخالل هذا الوقت يتم استهالك بعض الوحدات‪.‬‬
‫تحديد هذا النظام هو تحديد فترة التوريد بدال من كمية الطلبية‪ ،‬معرفة معدل التوريد‬
‫وفترة التوريد يمكن تحديد كمية الطلبية‪.‬‬
‫الشكل (‪:)5-13‬نموذج كمية اإلنتاج االتقتاادية مع كود ‪Maple‬‬
‫شرح ميتوى المخزون من خالل هذا الشكل‪:‬‬

‫يتكون المخزون في هذه الحالة بتراكم الفارق بين االنتاج والطلب (‪ ، )P-D‬منطقيا إذا‬
‫كان ‪ P  D‬أي االنتاج أكبر من الطلب فأن المخزون يتزايد تدريجيا مع تزايد الزمن‬
‫إلى أن يصل إلى أعلى مستوى ( نقطة توقف االنتاج)‪ ،‬في حين يستمر الطلب على‬
‫‪221‬‬
‫الكميات المنتجة المخزنة إلى غاية وصول المخزون إلى أدنى مستوياته حينئذ يشرع‬
‫االنتاج مرة أخرى للتزايد ويتزايد معه المخزون وهكذا دواليك‪.‬‬
‫اياغة النموذج‬
‫يمكن صياغة هذه المسألة بشكل مشابه جدا للنموذج األساسي(‪ ،)EOQ‬االختالف‬
‫الوحيد هنا هو أن متوسط مستوى المخزون ليس نصف كمية الطلبية نظ ار ألن النظام‬
‫ال يزال خطيا والحد األدنى للمخزون هو صفر ‪ ،‬فإن متوسط المخزون هو‪:‬‬
‫متوسط المخزون= ( المخزون األعظمي ( ‪ + ) I MAX‬أدنى مخزون( ‪2/) ) I MIN‬‬
‫‪I‬‬ ‫‪ I Min‬‬
‫‪I avg  Max‬‬ ‫‪........... 1‬‬
‫‪2‬‬
‫ثم إذا تمكنا من تحديد الحد األقصى للمخزون من حيث كمية الطلبية ‪ ،‬فيمكن ايجاد‬
‫متوسط تكلفة نظام المخزون كدالة لكمية الطلبية ‪ ،‬يتم حساب الحد األقصى للمخزون‬
‫على النحو التالي‪:‬‬
‫لتكن ‪ Td ، T p ، T‬تمثل طول الفترة في الدورة ‪ ،‬طول فترة االنتاج في الدورة‪ ،‬طول‬
‫فترة الطلب فقط في الدورة على التوالي‪ ،‬نظ ار ألن كمية الطلب هي ‪ Q‬ومعدل االنتاج‬
‫هو ‪ ،p‬و ‪ d‬معدل الطلب( االحتياج اليومي) إذن‪:‬‬
‫‪Q‬‬ ‫‪Q‬‬ ‫‪Q Q ‬‬
‫‪T‬‬ ‫‪, Tp ‬‬ ‫‪, Td    ‬‬
‫‪d‬‬ ‫‪p‬‬ ‫‪d p‬‬
‫مالحظة ‪:‬‬
‫‪D d‬‬
‫‪‬‬
‫‪P p‬‬
‫نوضح هذه الفترات في الشكل التالي ‪:‬‬
‫‪222‬‬
‫خالل فترة التوريد هذه يتم زيادة مستوى المخزون بمقدار (‪ )P- D‬وحدات لكل وحدة‬
‫زمنية‪ ،‬ونظ ار ألنه من المفترض أن يبدأ االنتاج في الزيادة عندما يكون مستوى‬
‫المخزون صفرا‪ ،‬فإن الحد األقصى لمستوى المخزون يساوي التراكم خالل هذه الفترة‪،‬‬
‫إذن‪:‬‬
‫‪Q‬‬ ‫‪ d‬‬
‫‪I Max   p  d  Tp   p  d ‬‬ ‫‪ Q  1   .......  2 ‬‬
‫‪p‬‬ ‫‪‬‬ ‫‪p‬‬
‫ثم يتم إعطاء متوسط المخزون ( ‪ ) I avg‬من الصيغتين (‪ )1‬و (‪ ،)2‬حيث‪:‬‬
‫‪I‬‬ ‫‪Q d ‬‬
‫‪I avg  Max   1  ‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪p‬‬
‫نتيجة لذلك‪ ،‬فإن تكلفة االحتفاظ بالمخزون هي‪:‬‬
‫‪HQ  d ‬‬
‫‪1 ‬‬
‫‪2 ‬‬ ‫‪p‬‬
‫تكلفة إعداد الطلبية هي نفسها كما كانت من قبل‪ ،‬وهكذا فأن التكلفة االجمالية هي‪:‬‬
‫‪HQ  d  BD‬‬
‫‪TC ‬‬ ‫‪1  ‬‬ ‫‪..............  3‬‬
‫‪2 ‬‬ ‫‪p Q‬‬
‫كما ذكرنا سابقا‪ ،‬عند اشتقاق المعادلة )‪ (3‬ومساواتها للصفر‪ ،‬نحصل على أفضل قيمة‬
‫لـ ‪ ،Q‬والتي تعطى على النحو التالي‪:‬‬
‫‪2 BD‬‬
‫‪Q ‬‬ ‫‪...............  4 ‬‬
‫‪ d‬‬
‫‪H 1  ‬‬
‫‪‬‬ ‫‪p‬‬
‫‪223‬‬
‫مالحظات‪ :‬عند استخدام المعادلة (‪ )4‬نالحظ ما يلي‪:‬‬

‫‪‬‬ ‫‪d‬‬
‫• إذا كانت ‪ P‬أقل من ‪ ، D‬فإن الحد ‪  1  ‬يصبح سالبا‪ ،‬ينتج عن ذلك ‪ Q ‬وهو‬
‫‪‬‬ ‫‪p‬‬ ‫‪‬‬
‫الجذر التربيعي لقيمة سالبة‪ ،‬هذا بسبب عدم كفاية العرض كما ذكرنا سابقا ‪ ،‬لتكوين‬
‫مخزون ‪ ،‬يجب أن يكون معدل اإلنتاج أعلى من معدل االستهالك‪.‬‬
‫• يجب عدم الخلط بين عدد الوحدات المنتجة وعدد الوحدات المستهلكة على مدى فترة‬
‫طويلة وبين معدل اإلنتاج ومعدل االستهالك‪.‬‬
‫تنتج شركة مختصة بالتجهيزات الرياضية ‪ 500000‬كرة سلة من الطراز العالمي لكل‬
‫من األسواق المحلية والدولية بمعدل ‪ 4000‬كرة في اليوم‪ ،‬يتم تصنيع كرات السلة‬
‫بشكل منتظم على مدار العام‪ ،‬تكلفة االحتفاظ بالمخزون ‪ 200‬دج لكل كرة ‪ ،‬وتكلفة‬
‫اإلعداد لتشغيل اإلنتاج ‪ 2500‬دج ‪ ،‬تعمل وحدة التصنيع لمدة ‪ 250‬يوما في السنة ‪.‬‬
‫المطلوب‪ :‬ايجاد‪:‬‬
‫‪ -1‬حجم التشغيل األمثل ؟‬
‫‪ -2‬التكلفة السنوية اإلجمالية الدنيا لالحتفاظ بالمخزون وتكلفة اإلعداد؟‬
‫‪ -3‬طول الفترة في الدورة ‪ ،‬طول فترة االنتاج في الدورة‪ ،‬طول فترة الطلب فقط في‬
‫الدورة ؟‬
‫حل المثال‪:‬‬
‫‪ -1‬حجم التشغيل األمثل‪:‬‬
‫‪D  500000 U‬‬
‫‪B  2500 DA‬‬
‫‪H  200 DA‬‬
‫‪p  4000 U‬‬
‫‪ = d‬معدل الطلب(االحتياج اليومي) ونحصل عليه بقسمة الطلب السنوي ‪ D‬على عدد‬
‫أيام العمل بالسنة‪.‬‬
‫‪224‬‬
‫‪500000‬‬
‫‪d‬‬ ‫‪ 2000 U‬‬
‫‪250‬‬
‫إذن حجم التشغيل األمثل يعطى كما يلي‪:‬‬

‫‪2 BD‬‬ ‫‪2  2500  500000‬‬
‫‪ Q ‬‬ ‫‪‬‬ ‫‪ 5000 U‬‬
‫‪ d‬‬ ‫‪ 2000 ‬‬
‫‪H 1  ‬‬ ‫‪200  1 ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪p‬‬ ‫‪ 4000 ‬‬
‫‪ -2‬التكلفة الينوية اإلجمالية الدنيا لالحتفاظ بالمخزون وتكلفة اإللداد تعطى‬

‫‪BD 2500  500000‬‬
‫‪‬‬ ‫‪ 250000 DA‬‬
‫‪Q‬‬ ‫‪5000‬‬
‫‪HQ  d  200  5000  2000 ‬‬
‫‪1  ‬‬ ‫‪1 ‬‬ ‫‪  250000 DA‬‬
‫‪2 ‬‬ ‫‪p‬‬ ‫‪2‬‬ ‫‪ 4000 ‬‬
‫‪HQ  d  BD‬‬
‫‪TC ‬‬ ‫‪1  ‬‬ ‫‪ 250000  250000  500000 DA‬‬
‫‪2 ‬‬ ‫‪p Q‬‬
‫‪ -3‬طول الفترة في الدورة ‪ ،‬طول فترة االنتاج في الدورة‪ ،‬طول فترة الطلب فقط‬
‫في الدورة تعطى كاالتي‪:‬‬
‫‪Q 5000‬‬ ‫‪Q 5000‬‬
‫‪T‬‬ ‫=‬ ‫= ‪= 2.5 days , Tp ‬‬ ‫‪= 1.25 days‬‬
‫‪d 2000‬‬ ‫‪p 4000‬‬
‫‪Q Q‬‬
‫‪Td     =  2.5  1.25 = 1.25 days‬‬
‫‪d p‬‬
‫النموذج االحتمالي‪:‬‬ ‫‪-2-4-13‬‬

‫في جميع النماذج التي تمت دراستها في الفقرات السابقة افترضت ثبات ومعلومية‬
‫الطلب ‪ ،‬أيضا كان من المفترض أن تصل الوحدات المطلوبة بالضبط في الوقت‬
‫المتوقع‪ ،‬لكن قضت هذه االفتراضات على حاالت عدم اليقين وسمحت بحلول بسيطة‬
‫إلى حد ما لتصميم أنظمة المخزون‪ ،‬ومع ذلك توجد حاالت عدم اليقين في الواقع‬
‫‪225‬‬
‫العملي‪ ،‬فقلة قليلة من الشركات المصنعة يمكنها االدعاء بأنهم يعرفون بالضبط ما‬
‫سيكون مطلبهم‪ ،‬وناد ار ما يمكنهم التأكد من قيام المورد بتسليم الكميات المطلوبة في‬
‫الوقت المحدد بالضبط‪ ،‬وبالتالي قد يؤدي تطبيق النماذج الحتمية إلى بعض النتائج‬
‫غير المرغوب فيها من الناحية الواقعية ‪ ،‬ال تصل الطلبيات الجديدة بالضرورة فقط عند‬
‫استخدام العنصر األخير في المخزون‪ ،‬لنأخذ مثاال‪ :‬نفترض أن أحد مراكز خدمات ما‬
‫بعد البيع الخاصة بالشاحنات‪ ،‬يخزن بطاريات شحن‪ ،‬يوميا يستقبل هذا المركز متوسط‬
‫‪ 20‬شاحنة ‪ ،‬نفترض أن هذا المركز قد استخدم نموذجا محددا لمراقبة المخزون وطلب‬
‫‪ 200‬بطارية كل ‪ 20‬يوم أيضا ‪ ،‬كذلك لنفترض أن فترة التوريد هي ‪ 3‬أيام ‪ ،‬مما ينتج‬
‫عنه نقطة إعادة الطلب ‪ 60‬بطارية‪ ،‬لنفترض ذات يوم أن مسؤول المخزن الحظ أنه لم‬
‫يتبق سوى ‪ 60‬بطارية وطلب شحنة جديدة‪ ،‬إذا كان الطلب حتميا وهو بالضبط ‪20‬‬
‫بطارية في اليوم ‪ ،‬فلن يواجه أي مشكلة أثناء االنتظار ‪ 3‬أيام من أجل الوصول‪،‬‬
‫ستكون بطارياته الستون كافية لهذه األيام الثالثة‪ ،‬ومع ذلك فإن الطلب عادة ال يكون‬
‫حتميا خالل هذه األيام الثالثة ‪ ،‬يمكن أن يكون إجمالي عدد البطاريات المطلوبة ‪80‬‬
‫أو ‪ 60‬أو ‪ 40‬أو أي عدد أخر‪ ،‬إذا كان الطلب على هذه األيام الثالثة هو ‪ ، 40‬فال‬
‫توجد مشكلة ‪ ،‬ولكن إذا كان ‪ 80‬أو أي شيء أكثر من ‪ ، 60‬فلن يكون لدى متجر‬
‫الخدمة بطاريات كافية لتلبية الطلب‪ ،‬في هذه الحالة سيكون مركز الخدمة غير متوفر‬
‫لبعض الوقت‪ ،‬أو ال توجد وحدة متاحة لتلبية كل أو جزء من الطلب‪.‬‬
‫أوال ‪ :‬مخزون األمان‬
‫في مثال متجر خدمة ما بعد البيع الخاص ببطاريات الشاحنات ‪ ،‬نفترض أن المتجر‬
‫قد طلب شحنة جديدة في الوقت الذي كان فيه ‪ 80‬وحدة في المخزن بدال من ‪60‬‬
‫وحدة‪ ،‬ثم تم إعداده لتلبية طلب يصل إلى ‪ 80‬وحدة خالل فترة التوريد‪ ،‬من ناحية أخرى‬
‫إذا كان الطلب قد اتبع النمط المعتاد وهو ‪ 20‬في اليوم ‪ ،‬في نهاية فترة التوريد عندما‬
‫كان من المقرر وصول الشحنة الجديدة ‪ ،‬كان من الممكن أن تظل ‪ 20‬بطارية في‬
‫‪226‬‬
‫المخزون‪ ،‬يوجد أيضا احتمال أن يكون الطلب أقل من الطلب المتوقع‪ ،‬قد ينتج عن‬
‫هذا ترك ‪ 40‬وحدة في المخزون عند وصول الشحنة الجديدة‪.‬‬
‫للتعامل مع حاالت عدم اليقين‪ ،‬سنفترض أن الطلب متغير عشوائي بمتوسط ‪ 60‬وحدة‬
‫لفترة زمنية‪ ،‬إذا قررنا نقطة إعادة الطلب البالغة ‪ 80‬وحدة‪ ،‬فإن الوحدات المتبقية في‬
‫المخزون عند وصول الشحنة الجديدة ستكون أيضا متغي ار عشوائيا بمتوسط ‪، 20‬‬
‫تسمى هذه الكمية البالغة ‪ 20‬وحدة مخزون األمان ‪ ،‬تكمن أهمية مخزون األمان في‬
‫أنه يوضح عدد الوحدات اإلضافية التي يجب أن نحتفظ بها باإلضافة إلى الطلب‬
‫المتوقع للتعامل مع حاالت عدم اليقين‪ ،‬مخزون األمان ‪ 20‬وحدة للمثال أعاله قد ال‬
‫تحل جميع المشاكل التي يواجهها هذا المتجر ‪ ،‬على سبيل المثال ماذا يحدث إذا‬
‫أصبح الطلب خالل فترة التوريد ‪ 100‬؟ قد يقترح المسؤول أن مخزون األمان المكون‬
‫من ‪ 40‬بطارية أفضل ألنها يمكن أن تستجيب لشكوك أكبر في أقصى الحدود ‪،‬‬
‫للقضاء على أي فرصة لنفاد المخزون ‪ ،‬قد يبدو أن مخزون أمان كبير سيكون‬
‫ضروريا‪ ،‬على الرغم من أن المخزون االحتياطي الكبير قد يقضي على خطر نفاد‬
‫المخزون ‪ ،‬إال أنه يثير مشكلة أخرى‪ ،‬يضيف مخزون األمان الكبير إلى تكاليف‬
‫االحتفاظ بالمخزون‪ ،‬يتم تقييد رأس المال الذي يتم إنفاقه على العناصر الموجودة في‬
‫المخزون وزيادة تكاليف التأمين والضرائب على المقتنيات‪ ،‬هذا يقترح أنه ال ينبغي زيادة‬
‫حجم المخزون االحتياطي إلى أجل غير مسمى للقضاء على مخاطر نفاد المخزون‪،‬‬
‫بدال من ذلك ‪ ،‬يتعين على المسؤول أن يقيم توازنا بين الخسائر الناجمة عن نفاد‬
‫المخزون وتكلفة االحتفاظ بالوحدات اإلضافية في المخزون‪.‬‬
‫القيمة المثلى لمخزون األمان هي القيمة التي يكون مجموع تكلفة عدم توفرها وتكلفة‬
‫االحتفاظ بمخزون األمان هو الحد األدنى في أنظمة المخزون العشوائية ‪ ،‬يكون الطلب‬
‫متغير عشوائيا أيضا‪ ،‬ثم‬
‫ا‬ ‫أو فترة التوريد أو كالهما عشوائيا‪ ،‬وبالتالي سيكون العجز‬
‫لتقييم تكاليف العجز ‪ ،‬يجب تقديم بعض المعلومات حول التوزيع االحتمالي للطلب ‪،‬‬
‫وخاصة الطلب خالل فترة التوريد ‪.‬‬
‫‪227‬‬
‫تعريف مخزون األمان‪:‬‬

‫هو المخزون المحتفظ به بما يزيد عن الطلب المتوقع بسبب معدل الطلب المتغير ( و‪/‬‬
‫أو) فترة التوريد المتغيرة‪.‬‬
‫يوضح الشكل التالي كيف يمكن لمخزون األمان أن يقلل من مخاطر المخزون أثناء‬
‫فترة التوريد ( تم باستخدام برنامج ‪.) Maple‬‬
‫الشكل (‪ :)6-13‬النموذج االحتمالي‬
‫ميتوى الخدمة (‪ :)SL‬احتمال أال يتجاوز الطلب العرض خالل فترة التوريد (أي‬
‫احتمال عدم نفاد المخزون)‪ ،‬لذا فإن خطر نفاد المخزون هو ‪. 1  SL‬‬
‫نوضح ذلك في الشكل التالي‪:‬‬
‫‪228‬‬
‫الشكل (‪ :)7-13‬ميتوى الخدمة (‪)SL‬‬
‫ثانيا‪ :‬التوزيع االحتمالي للطلب ‪: Probability Distribution for Demand‬‬

‫في هذا النوع نفترض أن الطلب غير معروف لكن التوزيع االحتمالي للطلب معروف‪،‬‬
‫من خالل دراسة خصائص التوزيعات االحتمالية المطبقة في إدارة المؤسسة‪ ،‬سنحدد‬
‫السياسات المثلى التي ينبغي للمؤسسة إتباعها من أجل تسيير أمثل لمخزونها‪.‬‬
‫أ‪ -‬المتغير العشوائي للطلب (‪ : Random Variable for Demand)X‬هذا‬
‫المتغير يمثل الطلب لفترة زمنية معينة‪ ،‬يجب أن تؤخذ بعين االعتبار الفترة‬
‫التي تم تعريف المتغير العشوائي فيها ألنها تختلف بين النماذج ‪.‬‬
‫ب‪ -‬دالة التوزيع االحتمالية المتقطعة للطلب (‪Discrete Demand P(x‬‬
‫‪ :Probability Distribution Function‬عندما يفترض أن يكون الطلب‬
‫متغي ار عشوائيا متقطعا‪ ،‬تعطي )‪ P(x‬احتمال أن يساوي الطلب ‪.x‬‬
‫ت‪ -‬التابع التوزيعي المتقطع (‪Discrete Cumulative F(b‬‬
‫‪ :))Distribution Function‬احتمال أن يكون الطلب أقل من أو يساوي‬
‫‪ b‬هو ‪ F  b ‬عندما يكون الطلب متغير عشوائي متقطع هو‪:‬‬
‫‪b‬‬
‫‪. F b   P  x ‬‬
‫‪x 0‬‬
‫‪229‬‬
‫ث‪ -‬تابع الكثافة االحتمالي للطلب ( متغير لشوائي ميتمر) ‪f  x ‬‬
‫‪ :Continuous Demand Probability Density Function‬عندما‬

‫يفترض أن الطلب مستمر ‪ ،‬فإن ‪ f  x ‬هي دالة الكثافة الخاصة به‪ ،‬احتمال‬
‫أن يكون الطلب بين ‪ a‬و ‪ b‬هو‪:‬‬
‫‪b‬‬
‫‪P  a  x  b    f  x  dx‬‬
‫‪a‬‬
‫بمأن الطلب موجب ‪ ،‬لذا فإن ‪ f  x ‬تساوي صفر للقيم السالبة‪.‬‬

‫ج‪ -‬التابع التوزيعي الميتمر (‪Continuous Cumulative F (b‬‬
‫‪: Distribution Function‬‬
‫احتمال أن يكون الطلب أقل من أو يساوي ‪ b‬عندما يكون الطلب ‪:‬‬
‫‪b‬‬
‫‪F  b    f  x  dx‬‬
‫‪0‬‬
‫ح‪ -‬دالة التوزيع الطبيعي المعياري ‪Standard Normal   x ‬‬

‫‪:Distribution Function‬‬
‫إذا كان المتغير العشوائي المستمر (‪ )x‬يتوزع وفق التوزيع الطبيعي بوسط حسابي‬
‫‪ ، X‬فأن المتغير العشوائي ‪ t‬يمكن الحصول‬ ‫( ‪ ) ‬وتباين ( ‪ )  2‬أي ‪N   ,  2 ‬‬
‫‪x‬‬
‫‪ ، t ‬وعليه فدالة الكثافة االحتمالية تعطى‬ ‫عليه من خالل إجراء التحويل اآلتي‪:‬‬
‫‪‬‬
‫بالشكل اآلتي‪:‬‬
‫‪ 1‬‬ ‫‪1‬‬
‫‪ t2‬‬
‫‪‬‬ ‫‪e 2‬‬ ‫‪  t  ‬‬
‫‪  t    2‬‬
‫‪ 0/ w‬‬
‫‪‬‬
‫ثالثا‪ :‬نظام الحد األتقاى ‪ -‬الحد األدنى مع مخزون األمان‪:‬‬

‫يتم إضافة مخزون األمان إلى نظام المخزون األقصى ‪ -‬األدنى البسيط‪ ،‬يظهر الشكل‬
‫العام لهذا النموذج في الشكل (‪ ، )6-13‬في هذا الشكل عند وصول الوحدات‬
‫‪230‬‬
‫المطلوبة ال يزال هناك عدد من الوحدات يساوي مخزون األمان ‪ SS‬المتبقي في‬
‫المخزن‪ ،‬بالطبع كما أشرنا سابقا نظ ار للطلب العشوائي‪ ،‬فإن عدد الوحدات المتبقية عند‬
‫وصول الطلبية الجديدة هو متغير عشوائي‪ ،‬عند استالم وحدات جديدة يتم إضافتها إلى‬
‫مخزون األمان هذا‪ ،‬ونتيجة لذلك يتم تكوين مستوى المخزون إلى الحد األقصى‪.‬‬
‫‪I max  SS  Q‬‬
‫من أجل التبسيط ‪ ،‬يفترض أن االنخفاض في مستوى المخزون يتبع مسا ار خطيا حتى‬
‫يصل إلى الحد األدنى لمستوى ‪ I min  SS‬حيث يتم استالم طلب أخر على الرغم من‬
‫أنه قد يبدو من غير المعقول افتراض نمط انخفاض خطي عندما يكون الطلب عشوائيا‬
‫‪ ،‬إال أن هذا االفتراض على المدى الطويل ال يؤثر بشكل كبير على دقة تقديرات تكلفة‬
‫االحتفاظ‪.‬‬
‫يحدث التأثير الرئيسي للطلب العشوائي على التكلفة خالل فترة التوريد حيث يوجد‬
‫احتمال وجود عجز‪.‬‬
‫بعد تحديد الحد األقصى والحد األدنى لمستويات المخزون‪ ،‬يمكننا تحديد دالة التكلفة‬
‫اإلجمالية على أنها‪:‬‬
‫إجمالي تكلفة المخزون ( الفترة ) = تكلفة االحتفاظ بالمخزون ( الفترة ) ‪ +‬تكلفة‬
‫الطلب ( الفترة ) ‪ +‬تكلفة النقص ( الفترة)‪.‬‬
‫‪Q‬‬ ‫‪ BD‬‬
‫‪TC  H    SS  ‬‬ ‫‪ SC .......... 1‬‬
‫‪2‬‬ ‫‪ Q‬‬
‫حيث ‪ SC‬هي تكلفة العجز لكل فترة ‪ ،‬يمكن استخدام الصيغة (‪ )1‬لتدنية التكلفة من‬
‫خالل إيجاد القيم المثلى لمتغيرات القرار‪ Q :‬و ‪ SS‬بشرط أن نتمكن من تحديد تكلفة‬
‫النقص كدالة لهذين المتغيرين‪ ،‬هذا ممكن إذا علمنا بالتوزيع االحتمالي للطلب العشوائي‬
‫خالل فترة التوريد‪ ،‬يتم النظر في الطلب خالل فترة التوريد ألن هذا هو الزمن الوحيد‬
‫الذي توجد خالله إمكانية العجز ‪ ،‬حساب تكلفة العجز باستخدام هذا التوزيع على‬
‫النحو التالي‪:‬‬
‫‪231‬‬
‫نفرض أن الطلب خالل فترة التوريد متغير عشوائي ‪ X‬دالة كثافته االحتمالية ‪، f  x ‬‬
‫ليكن ‪ D‬و ‪ DL‬القيمتان المتوقعتان للطلب لكل فترة والطلب خالل فترة التوريد على‬
‫التوالي‪ ،‬يحدث العجز إذا كان الطلب خالل فترة التوريد أكبر من نقطة إعادة الطلب‬
‫(المشار إليها بـ ‪ ،)ROP‬نقطة إعادة الطلب في هذه الحالة ‪ ROP‬تحسب كما يلي‪:‬‬
‫‪ = ROP‬القيمة المتوقعة للطلب خالل فترة التوريد ‪ +‬مخزون األمان‪.‬‬
‫القيمة المتوقعة للطلب خالل فترة التوريد تحسب كما يلي‪:‬‬
‫‪‬‬
‫‪DL ‬‬ ‫‪ x f  x  dx‬‬
‫‪‬‬
‫إذن نقطة إعادة الطلب‪. ROP  DL  SS...............  2 :‬‬

‫المرة الوحيدة التي قد يكون لدينا عجز فيها هي عندما يتجاوز الطلب خالل فترة التوريد‬
‫نقطة إعادة الطلب‪ ،‬هذا هو‪:‬‬
‫‪ : S‬تكلفة العجز ‪ : US ،‬عدد وحدات العجز‪.‬‬

‫نالحظ أن هذا االفتراض يعني أن تكلفة العجز لكل عنصر مستقلة عن مدة العجز ‪،‬‬
‫بمعنى أخر إذا كان العنصر قصي ار خالل فترة التوريد ‪ ،‬فستكون تكلفة العجز ‪ S‬سواء‬
‫حدث هذا العجز قبل يوم واحد من وصول الشحنة الجديدة أو ‪ 10‬أيام‪ ،‬ومع ذلك فإن‬
‫الطلب الذي يتجاوز نقطة إعادة الطلب يشمل جميع قيم الطلب األكبر من ‪.ROP‬‬
‫األن إذا كان الطلب هو ‪ x‬ونقطة إعادة الطلب ‪ ، R‬فسيكون العجز متغي ار عشوائيا‬
‫يمكن إظهاره بواسطة (‪ .)x − R‬القيمة المتوقعة لهذا المتغير العشوائي هي‪:‬‬
‫‪‬‬
‫‪E US  ‬‬ ‫‪  x  R  f  x  dx‬‬
‫‪R‬‬
‫‪‬‬
‫‪SC / LT  S   x  R  f  x  dx‬‬
‫‪R‬‬
‫‪232‬‬
‫لكل فترة زمنية‪:‬‬ ‫كما تطرقنا سابقا هناك أوقات توريد‬

‫‪D‬‬
‫‪Q‬‬
‫‪‬‬
‫‪D‬‬
‫‪SC ‬‬
‫‪Q‬‬ ‫‪  x  R  f  x  dx........  4‬‬
‫‪R‬‬
‫هذه التكلفة هي دالة لـ ‪ Q‬و ‪ SS‬فقط‪ S ،‬معلوم والحد داخل التكامل سيتم ذكره من‬
‫حيث حدود التكامل بين ∞ و ‪ ،R = DL + SS‬ثم ستكون تكلفة المخزون اإلجمالية‬
‫من الصيغتين (‪ )1‬و (‪.)4‬‬
‫‪‬‬
‫‪Q‬‬ ‫‪ BD D‬‬
‫‪TC  H    SS  ‬‬
‫‪2‬‬
‫‪‬‬ ‫‪  x  R  f  x  dx........ 5‬‬
‫‪ Q Q DL  SS‬‬
‫مالحظة‪ :‬عندما يكون الطلب متقطعا تتغير دالة التكلفة اإلجمالية إلى‪:‬‬
‫‪Q‬‬ ‫‪ BD D‬‬
‫‪TC  H    SS  ‬‬
‫‪2‬‬
‫‪‬‬
‫‪ Q Q‬‬
‫‪  x  R  p  x ........  6‬‬
‫‪xi  R‬‬
‫‪i‬‬ ‫‪i‬‬
‫يمكن إعادة صياغة فرضيات النموذج كما يلي‪:‬‬

‫‪ -1‬الطلب اليومي متغيرات عشوائي‪.‬‬
‫‪ -2‬الطلب اليومي مستقل عن فترة التوريد‪.‬‬
‫يعتمد مقدار مخزون األمان على‪:‬‬
‫‪ -1‬مستوى الخدمة المطلوب ‪. 1  ‬‬
‫‪( -2‬معدل) الطلب اليومي ‪ Di‬متغير عشوائي لـ ‪ i‬يوم ‪ ،‬وبالتالي متوسطه‬
‫وانحرافه المعياري يعطي كالتالي‪.   D ,  D  :‬‬
‫‪ -3‬فترة التوريد ‪ L‬متغير عشوائي ‪ ،‬وبالتالي متوسطه وانحرافه المعياري يعطي‬
‫كالتالي‪.   L ,  L  :‬‬
‫لذا فإن الطلب خالل فترة التوريد هو متغير عشوائي جديد بالوحدة التي تساوي عدد‬
‫‪L‬‬
‫العناصر‪. DL   Di D1  D2  .....  DL :‬‬
‫‪i 1‬‬
‫باستخدام خواص التوقع والتباين المركب نجد‪:‬‬
‫‪233‬‬
‫‪ L ‬‬
‫‪E  DL   E   Di   L D‬‬
‫‪ i 1 ‬‬
‫‪ L ‬‬
‫‪V  DL   V   Di   L D2  D2  L2‬‬
‫‪ i 1 ‬‬
‫‪‬‬ ‫‪‬‬
‫نفرض أن ‪ DL‬يتوزع توزيع طبيعي ‪. DL N E  DL  , V  DL ‬‬
‫ثم يجب اختيار ‪ ROP‬بحيث يكون احتمال عدم نفاد المخزون على األقل ‪ ، 1  ‬أي‪:‬‬
‫‪P  DL  ROP   1  ‬‬
‫حساب ‪ ROP‬يعطى كما يلي‪:‬‬

‫‪ROP  E  DL   Z  V  DL   L D  Z  L D2  D2  L2‬‬
‫يستخدم أحد مطاعم العاصمة أسبوعيا ما معدله ‪ 40‬جرة من الصلصة العالية الجودة ‪،‬‬
‫وبانحراف معياري بمقدار ‪ 10‬جرات‪ ،‬صاحب المطعم على استعداد لقبول ما ال يزيد‬
‫عن ‪ %5‬من مخاطر المخزون خالل فترة التوريد وهي أسبوعين‪ ،‬نفترض أن توزيع‬
‫االحتياج اليومي يتوزع طبيعيا ‪ ،‬المطلوب ‪ :‬حساب ‪ ROP‬؟‬
‫‪D  40 , L  2 ,  D  10 ,  L  0‬‬
‫‪  0.05  Z  1.645‬‬
‫ج ‪ROP  L D  Z  L D2  D2  L2  2  40  1.645 2  10  103‬‬
‫‪2‬‬
‫تقريبا نقطة إعادة الطلب هي ‪ 103‬جرة‪.‬‬

‫مالحظة‪ :1‬في المثال السابق كان الطلب متغير وفترة التوريد ثابتة لذا كان ‪،  L2  0‬‬
‫أما في حالة العكس الطلب ثابت و فترة التوريد متغيرة نضع ‪.  D2  0‬‬
‫مالحظة‪ :2‬لحساب ‪ Z  1.645‬تم استخدام جدول التوزيع الطبيعي ( أنظر إلى‬
‫الافحة‪ ،)236 :‬نلخص بعض القيم في الجدول التالي‪:‬‬
‫‪234‬‬
‫‪%0.1‬‬ ‫‪%1‬‬ ‫‪%2.5‬‬ ‫‪%5‬‬ ‫‪%10‬‬ ‫‪%20‬‬ ‫‪%30‬‬ ‫خطر‬

‫النفاد‬
‫‪3.09‬‬ ‫‪2.33‬‬ ‫‪1.96‬‬ ‫‪1.645‬‬ ‫‪1.28‬‬ ‫‪0.84‬‬ ‫‪0.52‬‬ ‫‪Z‬‬
‫المناظرة‬
‫مثال لو نأخذ ‪   0.025‬فقيمة ‪ Z‬المناظرة تكون على النحو االتي‪:‬‬

‫نستخدم الجدول الثاني للتوزيع الطبيعي ( نستغل خاصية التماثل للتوزيع الطبيعي)‪:‬‬
‫‪ ، 0.5  0.025  0.4750‬نبحث عن القيمة المناظرة لـ ‪ 0.4750‬من جدول التوزيع‬
‫الطبيعي نجدها‪ . Z 0.025  1.96 :‬‬
‫فندق شهير مكون من ‪ 300‬غرفة ‪ ،‬يحتاج المديرون إلى مراقبة جميع عناصر خدمة‬
‫الغرف عن كثب بما في ذلك قطع الصابون ( الصغيرة الحجم)‪ ،‬يبلغ معدل الطلب‬
‫اليومي على الصابون ‪ 200‬قطعة مع انحراف معياري قدره ‪ 40‬قطعة تكلفة إعداد‬
‫الطلبية هي ‪ 20‬دج وتكلفة االحتفاظ بالمخزون ‪ 2‬دج‪ /‬للقطعة في السنة ‪ ،‬فترة التوريد‬
‫هي ‪ 15‬أيام‪ ،‬مع انحراف معياري لـ ‪ 3‬أيام‪ ،‬النزل مفتوح ‪ 365‬يوما في السنة‪.‬‬
‫‪ -1‬ما هي كمية الطلب االقتصادية لقطعة الصابون؟‬
‫‪ -2‬ما هي نقطة إعادة الطلب لقطعة الصابون إذا أرادت اإلدارة الحصول على مستوى‬
‫خدمة ‪ % 97.5‬في الدورة ؟‬
‫‪ -1‬ما هي التكلفة اإلجمالية السنوية لقطعة الصابون ‪ ،‬بافتراض استخدام نظام‬

‫‪Q‬؟‬
‫‪235‬‬
‫‪ -1‬الطلب الينوي‪ 73000 = 365 × 200 = D :‬قطعة في السنة‪.‬‬

‫‪ 20 = B‬دج ‪ ،‬فحساب ‪ EOQ‬يكون على النحو االتي‪:‬‬
‫‪2 B D‬‬ ‫‪2  20  73000‬‬

‫‪Q ‬‬ ‫‪‬‬ ‫‪382 U‬‬
‫‪H‬‬ ‫‪2‬‬
‫‪ -2‬حياب نقطة إلادة الطلب‪:‬‬

‫‪D  200 U ,  D  40 , L  15 ,  L  3‬‬
‫‪  2.5%  Z  1.96‬‬
‫‪ROP  L D  Z  L D2  D2  L2‬‬
‫‪ROP  15  200  1.96 15  402  200  32  3315 U‬‬
‫‪SS  3315  3000  315 U‬‬
‫‪ -3‬حياب التكلفة اإلجمالية الينوية لقطع الاابون (نظام ‪:)Q‬‬

‫‪BD H .Q‬‬ ‫‪20  73000 2  382‬‬
‫‪TC ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪ H  SS ‬‬ ‫‪‬‬ ‫‪ 2  315  4834 DA‬‬
‫‪Q‬‬ ‫‪2‬‬ ‫‪382‬‬ ‫‪2‬‬
‫‪A single period inventory‬‬ ‫رابعا‪ :‬نموذج مخزون األمان الفترة الواحدة‬
‫‪ model‬هو سيناريو أعمال تواجهه الشركات التي تطلب عناصر موسمية أو لمرة‬
‫واحدة‪ ،‬هناك فرصة واحدة فقط للحصول على الكمية الصحيحة عند الطلب ‪ ،‬حيث أن‬
‫المنتج ليس له قيمة بعد الوقت المطلوب‪ ،‬هناك تكاليف للطلب أكثر من الالزم أو‬
‫العكس ‪ ،‬ويجب على مديري الشركة محاولة تصحيح الطلبية في المرة األولى لتقليل‬
‫فرصة الخسارة ‪.‬‬
‫‪236‬‬
‫أ‪ -‬ميألة موزع الجرائد‪:‬‬
‫غالبا ما يتم شرح نموذج مخزون الفترة الواحدة بمثال " مسألة موزع الجرائد " ‪ ،‬يجب‬
‫على هذا البائع أن يطلب الصحف في اليوم السابق‪ ،‬لديه فرصة واحدة فقط للطلب ألن‬
‫الصحف لها قيمة فقط في يوم نشرها ‪ ،‬في اليوم التالي ال تساوي شيئا‪ ،‬إذا طلب الكثير‬
‫فسيتعين عليه استيعاب فقدان الصحف غير المباعة ‪ ،‬واذا طلب القليل جدا فسيخسر‬
‫األرباح ويضايق الزبائن‪ ،‬إن الحصول على كمية الطلبية الصحيحة هو الطريقة التي‬
‫يحقق بها بائع الجرائد أكبر قدر من األرباح‪.‬‬
‫ب‪ -‬تكلفة طلب الكثير‪:‬‬
‫يمكن أن يؤدي تخزين الكثير من العناصر الموسمية إلى خسائر كبيرة للشركة‪ ،‬في‬
‫حالة حلويات األعياد ( الموسمية ) على سبيل المثال ‪ ،‬تذهب المبيعات إلى الصفر في‬
‫اليوم التالي لهذا العيد لدى الشركة خيار تدمير المخزون المتبقي ‪ ،‬أو بيع بعضها‬
‫بخصومات كبيرة أو تخزينها حتى العيد القادم‪ ،‬يكلف الخيار األخير تكلفة اضافية‬
‫للتخزين‪.‬‬
‫خاميا‪ :‬نهج التحليل الهامشي‪:Marginal Analysis‬‬
‫نهج التحليل الهامشي هو إحدى الطرق إليجاد كمية الطلبية التي لديها أفضل فرصة‬
‫لتكون صحيحة‪ ،‬تتم مقارنة تكلفة طلب وحدة أخرى بالربح المكتسب من طلب وحدة‬
‫أخرى‪ ،‬يستخدم التحليل الكمي لتحديد كمية الطلبية االقتصادية بناء على الطلب‬
‫المتوقع ‪ ،‬غالبا ما تستخدم الطرق االحصائية للتوصل إلى كمية الطلبية الصحيحة‪.‬‬
‫فرضيات هذا النموذج كما يلي‪:‬‬
‫‪237‬‬
‫الطلب ‪ X‬هو متغير عشوائي كثافته االحتمالية ‪ f  x ‬وتابعه التوزيعي ‪. F  x ‬‬

‫كمية الطلبية ‪ Q‬وحدة لكل طلب‪.‬‬
‫سعر الشراء هو ‪ w‬لكل وحدة‪.‬‬
‫سعر البيع ‪ P‬لكل وحدة‪.‬‬
‫سعر االسترداد هو ‪.s‬‬
‫أفق التخطيط خاص بفترة واحدة‪.‬‬
‫الهدف هو تحديد كمية الطلبية ‪ Q‬بحيث يتم تقليل التكلفة اإلجمالية المتوقعة ‪ ،‬بما في‬
‫ذلك إجمالي العجز على المدى الطويل والتكاليف الزائدة (انظر الفقرات أدناه)‪ ،‬هناك‬
‫نوعان من القوى الدافعة و المتعارضة في هذا النموذج‪.‬‬
‫‪ -‬تكلفة العجز وهي خسارة الفرصة لتقليل الطلب ( نعبر عنها بالكمية أو بالوحدة‬
‫النقدية)( ‪:) Q  X‬‬
‫‪( Cs‬تكلفة العجز المتوقع)= سعر البيع لكل وحدة ‪ -‬سعر الشراء لكل وحدة‬
‫( ‪.) Cs  p  w‬‬
‫‪ -‬التكلفة الزائدة ( الفرق بين تكلفة الشراء واالسترداد)‪ ،‬وهي الخسارة في تقدير‬
‫الطلب ( نعبر عنها بالكمية أو بالوحدة النقدية) ( ‪:) Q  X‬‬
‫‪( Ce‬تكلفة الزائدة المتوقعة)= سعر الشراء لكل وحدة ‪ -‬سعر االسترداد لكل وحدة =‬
‫( ‪.) Ce  w  s‬‬
‫يعطى نموذج التكلفة اإلجمالية المتوقعة كالتالي‪:‬‬
‫‪E X TC   Ce  E X  max Q  X ,0    Cs  E X  max  X  Q ,0  ‬‬
‫‪Q‬‬ ‫‪‬‬
‫‪ Ce  Q  x  f  x  dx  Cs   x  Q  f  x  dx‬‬
‫‪0‬‬ ‫‪Q‬‬
‫‪E  EC ‬‬ ‫‪E  SC ‬‬
‫‪ -‬يعتمد الحل األمثل ‪ Q ‬على توزيع الطلب األساسي‪ ،‬نوضح ذلك في الشكل‬
‫التالي‪:‬‬
‫‪238‬‬
‫الشكل (‪ :)8-13‬التحليل الهامشي‬
‫لدينا ‪ ، Cs  1  P  X  Q   ، Ce  P  X  Q  :‬بافتراض التوزيع المستمر للطلب‪،‬‬

‫فإذا كان‪:‬‬
‫‪ E  EC   E  SC ‬فأن ‪ Q‬متزايدة ( نوضح ذلك في الشكل التالي)‪:‬‬
‫بافتراض المساواة أي‪ Q   E  EC   E  SC  :‬فأن‪:‬‬
‫‪239‬‬
‫‪Ce  P  X  Q   Cs  1  P  X  Q    Cs  Cs P  X  Q ‬‬
‫‪Cs‬‬
‫‪  Ce  Cs  P  X  Q   Cs  P  X  Q  ‬‬
‫‪Cs  Ce‬‬
‫‪ -‬نحدد مفهوم مستوى الخدمة (‪ ، )SL‬وعادة ما يشار إليه بـ ‪ ، 1  ‬ألن‬
‫احتمال الطلب لن يتجاوز كمية الطلبية‪ ،‬أي‪:‬‬
‫‪Cs‬‬
‫‪SL  1   ‬‬ ‫‪ P  X  Q‬‬
‫‪C s  Ce‬‬
‫‪P  X  Q   0.5   Q ‬‬
‫‪Q   Q1  Q‬‬
‫حيث ‪: Q1‬المتوسط ‪ ،‬و ‪ : ‬االنحراف المعياري ( لمزيد من التوضيح حول هذه النقطة‬
‫الملحق أنظر إلى الملحق)‬
‫توضح األشكال التالية مستوى الخدمة لتوزيع الطلب بشكل منتظم‪.‬‬
‫مالحظة ‪:‬‬
‫عندما تكون كمية الطلبية متقطعة وليست مستمرة ( وبالتالي فإن ‪ X‬متغير عشوائي‬
‫مستمر) ‪ ،‬فإن ‪ Q‬األمثل الذي يفي بالمعادلة األخيرة ال يتطابق‬
‫ا‬ ‫متقطع وليس متغي ار‬
‫عادة مع كميات الطلبية الممكنة ( ألنه قد يكون عددا كسريا )‪ ،‬الحل هو أن نجري‬
‫التقريب إلى أعلى كمية طلبية تالية (انظر األدوات والمثال أدناه لمزيد من التوضيح)‪.‬‬
‫‪240‬‬
‫يريد صاحب كشك لبيع الجرائد تحديد العدد الذي يجب تخزينه في بداية كل يوم‪،‬‬
‫تتكلف الصحيفة الواحدة ‪15‬دج ‪ ،‬ويتم بيعها مقابل ‪ 30‬دج‪.‬‬
‫يتم بيع الجريدة عادة بين الساعة ‪ 7:00‬و ‪ 8 :00‬صباحا‪ ،‬ويتم إعادة تدوير الصحف‬
‫المتبقية في نهاية اليوم للحصول على دخل قدره ‪ 5‬دج‪ ،‬كم عدد النسخ التي يجب على‬
‫هذا البائع تخزينها كل صباح لتقليل التكلفة اإلجمالية (أو تعظيم الربح) ‪ ،‬على افتراض‬
‫أن الطلب في اليوم يمكن تقريبه بواسطة‪:‬‬
‫‪ -1‬التوزيع الطبيعي بمتوسط ‪ 150‬نسخة وانحراف معياري ‪ 10‬نسخ ‪.‬‬
‫‪ -2‬دالة احتمال لمتغير عشوائي متقطع معرفة كما يلي‪:‬‬
‫‪170‬‬ ‫‪160‬‬ ‫‪150‬‬ ‫‪110‬‬ ‫‪100‬‬ ‫‪D‬‬
‫‪0.1‬‬ ‫‪0.1‬‬ ‫‪0.3‬‬ ‫‪0.3‬‬ ‫‪0.2‬‬ ‫‪f  D‬‬
‫‪1‬‬ ‫‪0.9‬‬ ‫‪0.8‬‬ ‫‪0.5‬‬ ‫‪0.2‬‬ ‫‪F D‬‬
‫‪ -1‬بوايطة التوزيع الطبيعي‪:‬‬
‫‪241‬‬
‫‪w  15 DA , p  30 DA , s  5 DA‬‬
‫‪Cs  p  w  30  15  15 DA‬‬
‫‪Ce  w  s  15  5  10 DA‬‬
‫‪Cs‬‬ ‫‪15‬‬
‫‪SL ‬‬ ‫‪‬‬ ‫‪ 0.6‬‬
‫‪Cs  Ce 15  10‬‬
‫‪SL  P  X  Q   0.6  0.5   Q    Q   0.1‬‬
‫نستخدم جدول التوزيع الطبيعي ( ص‪ )244 :‬إليجاد ‪. Q‬‬
‫‪Q  0.26‬‬
‫‪Q   Q1  Q  150  0.26 10   152.6  153‬‬
‫لذا فإن ‪ ٪60‬من المساحة الواقعة تحت المنحنى الطبيعي يجب أن تكون على يسار‬
‫مستوى التخزين األمثل ‪ ،‬وبالتالي فالطلبية المثلى بواسطة التوزيع الطبيعي هي‪153 :‬‬
‫صحيفة‪.‬‬
‫تكون مخاطر المخزون إذا طلب صاحب الكشك أكثر من ‪ 153‬نسخة من موزع‬
‫الجريدة‪:‬‬
‫‪. 1  SL  1  0.6  0.4‬‬
‫‪ -2‬بوايطة التوزيع المتقطع‪:‬‬
‫نالحظ أن ‪ ، 0.5  SL  0.8‬وبالتالي فالطلبية المثلى بواسطة التوزيع المتقطع هي‪:‬‬
‫‪. Q  150‬‬
‫‪242‬‬
‫جدول التوزيع الطبيعي‬
‫‪243‬‬
‫األلالم المذكورة في الفال الثالث لشر‪:‬‬
‫‪244‬‬
‫الفال الرابع لشر‪ :‬المحاكاة ‪Simulation‬‬
‫المحاكاة هي نموذج يحاكي تشغيل نظام موجود أو مقترح‪ ،‬ويقدم دليال على اتخاذ‬
‫القرار من خالل القدرة على اختبار سيناريوهات مختلفة أو تغييرات عملية‪ ،‬يمكن‬
‫استخدام المحاكاة لضبط األداء وتحسين العملية وتحسين السالمة واختبار النظريات‬
‫وتدريب الموظفين ‪ ،‬حيث تسمح أنظمة النمذجة العلمية للمستخدم باكتساب نظرة ثاقبة‬
‫لتأثيرات الظروف المختلفة ومسارات العمل‪.‬‬
‫يمكن أيضا استخدام المحاكاة عندما يتعذر الوصول إلى النظام الحقيقي أو يكون من‬
‫الخطورة جدا تقييمه أو عندما يكون النظام ال يزال في مراحل التصميم أو النظرية‪.‬‬
‫مفتاح أي محاكاة هو المعلومات المستخدمة لبناء نموذج المحاكاة وبروتوكوالت التحقق‬

‫والتحقق من صحة النماذج التي ال تزال قيد البحث والتنقيح ‪ ،‬ال سيما فيما يتعلق‬
‫بمحاكاة الكمبيوتر‪.‬‬
‫عادة ما تكون عمليات المحاكاة قائمة على الكمبيوتر‪ ،‬باستخدام نموذج تم إنشاؤه‬
‫بواسطة البرامج لتوفير الدعم لق اررات المديرين والمهندسين وكذلك ألغراض التدريب‪،‬‬
‫تساعد تقنيات المحاكاة على الفهم والتجريب‪ ،‬حيث أن النماذج مرئية وتفاعلية‪.‬‬
‫تشمل أنظمة المحاكاة محاكاة األحداث المنفصلة ومحاكاة العمليات والمحاكاة‬

‫الديناميكية‪ ،‬قد تستخدم الشركات كل هذه األنظمة عبر مستويات مختلفة من المنظمة‪.‬‬
‫‪245‬‬
‫‪ -1-14‬مزايا المحاكاة‪:‬‬
‫هناك مجموعة من المزايا التي يمكن اكتسابها من خالل استخدام المحاكاة‪ ،‬نذكر منها‪:‬‬
‫تقليص المخاطر المالية‪:‬‬ ‫‪-1-1-14‬‬

‫المحاكاة أقل تكلفة من التجارب الواقعية‪ ،‬حيث تسمح لنا باختبار النظريات وتجنب‬
‫األخطاء المكلفة في الحياة الواقعية‪.‬‬
‫االختبار المتكرر الدتقيق‪:‬‬ ‫‪-2-1-14‬‬

‫تسمح لنا المحاكاة باختبار نظريات وابتكارات مختلفة مرة تلو األخرى مقابل نفس‬
‫الظروف بالضبط‪ ،‬هذا يعني أنه يمكننا اختبار ومقارنة األفكار المختلفة بدقة دون‬
‫انحراف‪.‬‬
‫فحص األ ثار طويلة المدى‪:‬‬ ‫‪-3-1-14‬‬

‫يمكن إنشاء محاكاة للسماح لنا برؤية المستقبل من خالل النمذجة الدقيقة لتأثير سنوات‬
‫من االستخدام في بضع ثوان فقط ‪ ،‬مما يتيح لنا اتخاذ ق اررات استثمارية مدروسة‪.‬‬
‫اكتياب رؤى لتحيين العملية‪:‬‬ ‫‪-4-1-14‬‬

‫ال تتحقق فوائد المحاكاة فقط في نهاية المشروع‪ ،‬بل يمكننا دمج التحسينات خالل‬
‫العملية بأكملها عن طريق اختبار نظريات مختلفة‪.‬‬
‫تقييم األحداث العشوائية‪:‬‬ ‫‪-5-1-14‬‬

‫يمكن أيضا استخدام المحاكاة لتقييم األحداث العشوائية مثل غياب الموظفين غير‬
‫المتوقع أو مشكالت في سلسلة التوريد‪.‬‬
‫‪246‬‬
‫على الرغم من وجود العديد من المزايا الستخدام المحاكاة ‪ ،‬فإن المحاكاة لها قيود‬
‫عندما يتعلق األمر بتقييم بعض مواقف العالم الحقيقي الفعلية عند حدوثها‪.‬‬
‫بعض المسائل البسيطة يستحسن حلها بالطرق العادية فهي أفضل من استخدام طرق‬
‫المحاكاة‪.‬‬
‫‪ -2-14‬دور المحاكاة في درايات بحوث العمليات‪:‬‬
‫تلعب المحاكاة في دراسات بحوث العمليات نفس الدور الذي تلعبه في الميادين‬
‫التكنولوجية‪ ،‬ففي هذا الميدان (بحوث العمليات) يهتم القائمون بتطوير تصميم أو‬
‫إجراء تشغيل لبعض األنظمة العشوائية (نظام يتطور احتماليا بمرور الزمن)‪ ،‬بعض‬
‫هذه األنظمة العشوائية تشبه أمثلة سالسل ماركوف و نظرية الطوابير‪ ،‬والبعض األخر‬
‫أكثر تعقيدا‪ ،‬فيتم تقليد أداء النظام الحقيقي باستخدام توزيعات احتمالية لتوليد أحداث‬
‫مختلفة تحدث في النظام بشكل عشوائي‪ ،‬لذلك يقوم نموذج المحاكاة بتوليف النظام من‬
‫خالل تكوينه حسب المكون وحدثا بحدث‪ ،‬ثم يقوم النموذج بتشغيل نظام المحاكاة‬
‫للحصول على المالحظات اإلحصائية ألداء النظام الناتج عن األحداث المختلفة التي‬
‫تم إنشاؤها عشوائيا‪ ،‬ونظ ار ألن عمليات المحاكاة تتطلب عادة إنشاء كمية كبيرة من‬
‫البيانات ومعالجتها‪ ،‬فإن هذه التجارب اإلحصائية يتم إجراؤها حتما على جهاز‬
‫كمبيوتر‪.‬‬
‫عند استخدام المحاكاة كجزء من دراسة بحث عملياتي‪ ،‬فمن الشائع أن تكون مسبوقة‬
‫ومتبعة بنفس الخطوات الموصوفة في محاكاة ظاهرة معينة مستخدمة في ميدان أخر‬
‫مثال ( محاكاة قيادة الطائرة)‪.‬‬
‫‪ -3-14‬خطوات إجراء محاكاة‪:‬‬
‫يحتوي نموذج المحاكاة على العديد من اللبنات األساسية نذكر منها‪:‬‬
‫‪ .1‬تعريف حالة النظام (على سبيل المثال‪ ،‬عدد الزبائن في نظام صف االنتظار)‪.‬‬
‫‪247‬‬
‫‪ .2‬تحديد الحاالت المحتملة للنظام التي يمكن أن تحدث‪.‬‬

‫‪ .3‬تحديد األحداث المحتملة (على سبيل المثال‪ :‬الوصول واتمام الخدمة في نظام‬
‫االنتظار)‬
‫من شأنه أن يغير حالة النظام‪.‬‬
‫‪ .4‬طريقة لتوليد األحداث بشكل عشوائي على اختالف أنواعها‪.‬‬
‫‪ .5‬صيغة لتعريف انتقاالت الحالة التي تم إنشاؤها بواسطة أنواع مختلفة من األحداث‪،‬‬
‫تُستخدم المحاكاة عادة عندما يكون النظام العشوائي المعني معقدا للغاية بحيث ال يمكن‬
‫مرض بواسطة أنواع النماذج الرياضية (مثل نماذج االنتظار) الموصوفة‬‫ٍ‬ ‫تحليله بشكل‬
‫في الفصل (‪ ،)12‬تتمثل إحدى نقاط القوة الرئيسية للنموذج الرياضي في أنه يجرد‬
‫جوهر المسألة ويكشف عن هيكلها األساسي‪ ،‬وبالتالي توفير نظرة ثاقبة لعالقات السبب‬
‫والنتيجة داخل النظام‪ ،‬لذلك إذا كان المصمم قاد ار على بناء نموذج رياضي يمثل‬
‫تمثيال مثاليا معقوال للمسألة وقابال للحل‪ ،‬فإن هذا النهج عادة ما يكون متفوقا على‬
‫المحاكاة‪.‬‬
‫ومع ذلك‪ ،‬فإن العديد من المسائل معقدة للغاية وبالتالي توفر المحاكاة النهج العملي‬
‫الوحيد لحل هذه المسألة‪.‬‬
‫‪ -4-14‬محاكاة الحدث المنفال مقابل المحاكاة الميتمرة‪:‬‬
‫هناك فئتان عريضتان من عمليات المحاكاة هما الحدث المنفصل والمحاكاة المستمرة‪،‬‬
‫محاكاة الحدث المنفصل هي التي تحدث فيها تغييرات في حالة النظام على الفور عند‬
‫نقاط زمنية عشوائية نتيجة لوقوع أحداث متقطعة ( منفصلة)‪.‬‬
‫على سبيل المثال‪ ،‬في نظام صف االنتظار حيث تكون حالة النظام هي عدد الزبائن‬
‫في النظام ‪ ،‬األحداث المنفصلة التي تغير هذه الحالة هي وصول الزبون ومغادرة زبون‬
‫أخر عند انتهاء الخدمة‪ ،‬معظم تطبيقات المحاكاة في الممارسة العملية هي محاكاة‬
‫األحداث المنفصلة‪.‬‬
‫‪248‬‬
‫المحاكاة المستمرة هي التي تحدث فيها التغييرات في حالة النظام بشكل مستمر‪ ،‬حيث‬
‫يتم نمذجة النظام بمساعدة المتغيرات التي تتغير باستمرار وفقا لمجموعة من المعادالت‬
‫التفاضلية‪.‬‬
‫‪ -5-14‬محاكاة مونت كارلو‪: Monte Carlo Simulation1‬‬
‫هي تقنية رياضية تستخدم لتقدير النتائج المحتملة لحدث غير مؤكد‪ ،‬تم ابتكار طريقة‬
‫مونت كارلو من قبل جون فون نيومان وستانيسالف أوالم‪ 2‬خالل الحرب العالمية الثانية‬
‫لتحسين عملية صنع القرار في ظل ظروف غير مؤكدة‪.‬‬
‫يمكننا استخدام محاكاة مونت كارلو لتوليد متغيرات عشوائية ‪ ،‬بحيث هذه التقنية‬
‫تمكننا من تحديد درجة عدم اليقين ونمذجة مخاطر النظام ‪ ،‬تتيح المحاكاة إمكانية‬
‫إنشاء المسار ونتيجة النموذج عن طريق حسابات عددية‪ ،‬هذه الطريقة تجعل من‬
‫الممكن نمذجة المخاطر في النظام‪ ،‬و تجعل من الممكن إنشاء تقدير تقريبي للمخاطر‬
‫وعدم اليقين في النظام و ميزتها أنها تستخدم على نطاق واسع‪ ،‬على سبيل المثال‪:‬‬
‫يستخدمها العديد من الخبراء في التمويل والذكاء االصطناعي واإلحصاء والبيولوجيا‬
‫الحاسوبية والعلوم الفيزيائية‪.‬‬
‫ميكانيزم محاكاة مونت كارلو‪:‬‬ ‫‪-1-5-14‬‬
‫ال تولد محاكاة مونت كارلو قيمة نتيجة واحدة ‪ ،‬لكنها تنتج سلسلة من النتائج المحتملة‪،‬‬
‫هذا هو السبب في أنها األسلوب المفضل واألسهل لتحليل مخاطر النموذج ‪ ،‬يستبدل‬
‫النموذج بمجموعة مختلفة من النتائج المحتملة‪ ،‬باختصار يستمد التوزيع االحتمالي‬
‫لعامل غير مؤكد‪.‬‬
‫تتكرر هذه المحاكاة وفي كل مرة تحسب قيما عشوائية مختلفة باستخدام دوال االحتمال‪،‬‬
‫يتطلب إجراء محاكاة اآلالف من عمليات إعادة الحساب اعتمادا على عدم اليقين في‬
‫النموذج‪.‬‬
‫‪1‬‬
‫‪ -‬سميت على اسم مدينة كازينو مشهورة‪ ،‬تسمى موناكو‪ ،‬حيث أن عنصر الفرصة هو جوهر نهج تكوين النماذج‪.‬‬
‫‪2‬‬
‫‪ -‬ستانيسالف أوالم ( ‪ ، Stanisław Ulam) 1984 – 1909‬رياضياتي بولندي – أمريكي‪.‬‬
‫‪249‬‬
‫يمكننا استخدام التوزيع االحتمالي إليجاد نتائج مختلفة من متغيرات مختلفة لتحليل‬
‫المخاطر‪ ،‬هذه هي الطريقة األكثر منطقية وواقعية لالستخدام‪ ،‬فأساس محاكاة مونت‬
‫كارلو هو التجريب عن طريق الصدفة أو (االحتمالية) عن طريق أخذ العينات‬
‫العشوائية‪.‬‬
‫تنقسم هذه التقنية إلى خمس خطوات بسيطة‪:‬‬
‫‪ .1‬إعداد توزيع احتمالي للمتغيرات الهامة‪.‬‬
‫‪ .2‬بناء توزيع احتمالي تراكمي لكل متغير‪.‬‬
‫‪ .3‬إنشاء فاصل من األرقام العشوائية لكل متغير‪.‬‬
‫‪ .4‬توليد أرقام عشوائية‪.‬‬
‫‪ .5‬محاكاة سلسلة من التجارب في الواقع‪.‬‬
‫تطبيق ‪:1‬‬
‫أجريت دراسة لمبيعات ‪ 5‬منتجات في سوبر ماركت‪ ،‬فدامت الدراسة ‪ 300‬يوما‪ ،‬بحيث‬
‫كل يوم يتم اختيار مشتري عشوائيا ممن دخل هذ المتجر‪ ،‬وتم تسجيل مقتنياته من‬
‫المنتجات‪ ،‬وبعد انتهاء مدة الدراسة كانت النتائج مبينة في الجدول االتي‪:‬‬
‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫عدد مبيعات المنتجات‬

‫‪18‬‬ ‫‪32‬‬ ‫‪48‬‬ ‫‪100‬‬ ‫‪62‬‬ ‫‪40‬‬ ‫التك اررات‬
‫‪250‬‬
‫‪ -‬حساب عدد المبيعات المتوقعة من المنتجات ؟‬

‫‪ -‬إجراء المحاكاة باستخدام طريقة مونت كارلو لعدد المبيعات المتوقعة خاصة بـ‬
‫‪ 20‬يوم قادمة‪.‬‬
‫أوال‪ - :‬حياب االحتمال واالحتمال المتراكم‬
‫‪xi‬‬ ‫التكرار‬ ‫‪P  xi ‬‬ ‫االحتمال المتراكم‬
‫‪0‬‬ ‫‪40‬‬ ‫‪40‬‬

‫‪ 0.13‬‬ ‫‪0.13‬‬
‫‪300‬‬
‫‪1‬‬ ‫‪62‬‬ ‫‪62‬‬

‫‪ 0.21‬‬ ‫‪0.34‬‬
‫‪300‬‬
‫‪2‬‬ ‫‪100‬‬ ‫‪100‬‬

‫‪ 0.33‬‬ ‫‪0.67‬‬
‫‪300‬‬
‫‪3‬‬ ‫‪48‬‬ ‫‪48‬‬

‫‪ 0.16‬‬ ‫‪0.83‬‬
‫‪300‬‬
‫‪4‬‬ ‫‪32‬‬ ‫‪32‬‬

‫‪ 0.11‬‬ ‫‪0.94‬‬
‫‪300‬‬
‫‪5‬‬ ‫‪18‬‬ ‫‪18‬‬

‫‪ 0.06‬‬ ‫‪1‬‬
‫‪300‬‬
‫‪251‬‬
‫‪ -1‬حياب لدد المبيعات المتوتقعة من المنتجات‪:‬‬

‫‪5‬‬
‫‪E  x    xi P  xi   0  0.13  1  0.21  2  0.33  3  0.16‬‬
‫‪i 0‬‬
‫‪ 4  0.11  5  0.06  1.99‬‬
‫‪ -2‬إجراء المحاكاة بايتخدام طريقة مونت كارلو لعدد المبيعات المتوتقعة خااة‬
‫بـ ‪ 20‬يوم القادمة ‪.‬‬
‫تحديد مجال األرتقام العشوائية بداللة التوزيع التراكمي‪:‬‬
‫توليد األرقام العشوائية ‪ ،‬نذهب إلى جدول األرقام العشوائية ونختار صف وعمود‬
‫عشوائي‪ ،‬ثم نختار عددا مكونا من رقمين ثم نواصل القراءة سواء من أعلى إلى أسفل‬
‫أو من اليمين إلى اليسار أو من األسفل إلى األعلى (و أي رقم يتكرر يلغى)‬
‫‪ 75,76,66,33,12,14,..........‬‬ ‫‪‬‬

‫‪ 0.75,0.76,0.66,0.33,0.12,0.14,..... ‬‬
‫‪‬‬ ‫‪‬‬
‫‪xi‬‬ ‫‪P  xi ‬‬ ‫االحتمال المتراكم‬ ‫مجال األرتقام العشوائية‬
‫‪0‬‬ ‫‪40‬‬
‫‪ 0.13‬‬ ‫‪0.13‬‬ ‫‪0.000.13‬‬
‫‪300‬‬
‫‪1‬‬ ‫‪62‬‬
‫‪ 0.21‬‬ ‫‪0.34‬‬ ‫‪0.140.34‬‬
‫‪300‬‬
‫‪2‬‬ ‫‪100‬‬
‫‪ 0.33‬‬ ‫‪0.67‬‬ ‫‪0.350.67‬‬
‫‪300‬‬
‫‪3‬‬ ‫‪48‬‬
‫‪ 0.16‬‬ ‫‪0.83‬‬ ‫‪0.680.83‬‬
‫‪300‬‬
‫‪252‬‬
‫‪4‬‬ ‫‪32‬‬
‫‪ 0.11‬‬ ‫‪0.94‬‬ ‫‪0.840.94‬‬
‫‪300‬‬
‫‪5‬‬ ‫‪18‬‬
‫‪ 0.06‬‬ ‫‪1‬‬ ‫‪0.951.00‬‬
‫‪300‬‬
‫مالحظة ‪ :‬باتقي الجدول مبين في نهاية الفال‪.‬‬
‫اليوم‬ ‫الرتقم العشوائي‬ ‫لدد المبيعات‬
‫‪1‬‬ ‫‪3‬‬
‫‪75‬‬
‫‪2‬‬ ‫‪3‬‬
‫‪76‬‬
‫‪3‬‬ ‫‪2‬‬
‫‪66‬‬
‫‪4‬‬ ‫‪1‬‬
‫‪33‬‬
‫‪5‬‬ ‫‪0‬‬
‫‪12‬‬
‫‪253‬‬
‫‪6‬‬ ‫‪1‬‬
‫‪14‬‬
‫‪7‬‬ ‫‪41‬‬ ‫‪2‬‬
‫‪8‬‬ ‫‪38‬‬ ‫‪2‬‬
‫‪9‬‬ ‫‪64‬‬ ‫‪2‬‬
‫‪10‬‬ ‫‪13‬‬ ‫‪0‬‬
‫‪11‬‬ ‫‪12‬‬ ‫‪0‬‬
‫‪12‬‬ ‫‪31‬‬ ‫‪1‬‬
‫‪13‬‬ ‫‪86‬‬ ‫‪4‬‬
‫‪14‬‬ ‫‪4‬‬ ‫‪0‬‬
‫‪15‬‬ ‫‪26‬‬ ‫‪1‬‬
‫‪16‬‬ ‫‪87‬‬ ‫‪4‬‬
‫‪17‬‬ ‫‪8‬‬ ‫‪0‬‬
‫‪18‬‬ ‫‪60‬‬ ‫‪2‬‬
‫‪19‬‬ ‫‪82‬‬ ‫‪3‬‬
‫‪20‬‬ ‫‪78‬‬ ‫‪3‬‬
‫‪34‬‬ ‫اجمالي‬
‫‪34‬‬
‫‪ 1.70‬‬ ‫المتويط‬
‫‪20‬‬
‫‪ -3‬توضيح لن المبيعات المتوتقعة‪:‬‬
‫مثال القيمة األولى الرقم العشوائي ‪ ، 0.75‬نذهب إلى مجال التوزيع المتراكم نالحظ أن‬
‫‪ 0.75‬محصورة بين (‪ )0.680.83‬تناظرها قيمة ‪ 3‬من المبيعات‪ ،‬وهكذا مع بقية‬
‫القيم‪.‬‬
‫‪254‬‬
‫التفيير‪:‬‬
‫بعد حساب عدد المبيعات المتوقعة بالطريقة العادية وجدناها (‪ ،)1.99‬وبطريقة‬

‫المحاكاة مون كارلو وجدناها (‪ ،)1.70‬ومع ذلك إذا تم تكرار هذه المحاكاة مئات أو‬
‫أالف المرات‪،‬‬
‫ستكون النتيجة تقريبا بنفس الطريقة األولى‪.‬‬
‫تطبيق‪ : 2‬تطبيق طريقة مونت كارلو في نظرية افوف االنتظار‪:‬‬
‫إذا كان سداد أحد المتاجر يستوعب زبون واحد فقط‪ ،‬بحيث كان توزيع وصول الزبائن‬
‫إلى هذا المتجر يتبع توزيع بواسون ‪ ،‬ومتوسط زمن المكوث عند الكاشير ( أمين‬
‫الصندوق) يتبع التوزيع األسي ‪ ،‬نموذج الخدمة يتبع الذي يصل أوال يخدم أوال مع عدد‬
‫كبير جدا ( غير محدود تقريبا) من المشترين‪.‬‬
‫نعتبر نموذج بمركز خدمة واحد بأزمنة وصول تتراوح ما بين ‪ 1‬و ‪ 10‬دقيقة‪ ،‬و احتمال‬
‫‪ ،‬نستخدم جدول األرقام العشوائية إليجاد زمن‬ ‫كل فاصل زمني طوله ‪ 1‬دقيقة هو‬
‫‪1‬‬
‫‪10‬‬
‫وصول الزبائن على النحو التالي‪:‬‬
‫الزمن بين‬ ‫االحتمال‬ ‫مجال األرقام‬

‫وصولين‬ ‫االحتمال‬ ‫المتراكم‬ ‫العشوائية‬
‫‪1‬‬ ‫‪0,1‬‬ ‫‪0,1‬‬ ‫‪0.00.10‬‬
‫‪0.110.20‬‬
‫‪2‬‬ ‫‪0,1‬‬ ‫‪0,2‬‬
‫‪0.210.30‬‬
‫‪3‬‬ ‫‪0,1‬‬ ‫‪0,3‬‬
‫‪0.310.40‬‬
‫‪4‬‬ ‫‪0,1‬‬ ‫‪0,4‬‬
‫‪255‬‬
‫‪0.410.50‬‬
‫‪5‬‬ ‫‪0,1‬‬ ‫‪0,5‬‬
‫‪0.510.60‬‬
‫‪6‬‬ ‫‪0,1‬‬ ‫‪0,6‬‬
‫‪0.610.70‬‬
‫‪7‬‬ ‫‪0,1‬‬ ‫‪0,7‬‬
‫‪0.710.80‬‬
‫‪8‬‬ ‫‪0,1‬‬ ‫‪0,8‬‬
‫‪0.810.90‬‬
‫‪9‬‬ ‫‪0,1‬‬ ‫‪0,9‬‬
‫‪0.911.00‬‬
‫‪10‬‬ ‫‪0,1‬‬ ‫‪1‬‬
‫نقوم بنفس الشيء بالنسبة لزمن الخدمة الذي يتراوح بين ‪ 1‬و ‪ 6‬دقيقة وتحصلنا على‬
‫الجدول التالي‪:‬‬
‫االحتمال‬ ‫مجال األرقام‬

‫زمن الخدمة‬ ‫االحتمال‬ ‫المتراكم‬ ‫العشوائية‬
‫‪1‬‬ ‫‪0,1‬‬ ‫‪0,1‬‬ ‫‪0.00.10‬‬
‫‪0.110.30‬‬
‫‪2‬‬ ‫‪0,2‬‬ ‫‪0,3‬‬
‫‪0.310.60‬‬
‫‪3‬‬ ‫‪0,3‬‬ ‫‪0,6‬‬
‫‪0.610.85‬‬
‫‪4‬‬ ‫‪0,25‬‬ ‫‪0,85‬‬
‫‪0.860.95‬‬
‫‪5‬‬ ‫‪0,1‬‬ ‫‪0,95‬‬
‫‪0.961.00‬‬
‫‪6‬‬ ‫‪0,05‬‬ ‫‪1‬‬
‫نود الحصول على خصائص التشغيل لنظام صف االنتظار لهذا المتجر بطريقة مونت‬
‫كارلو من خالل محاكاة زمن وصول وخدمة ‪ 30‬زبون‪.‬‬
‫‪256‬‬
‫حل التطبيق ‪: 2‬‬
‫أوال نقوم بتوليد األرقام العشوائية ‪ ،‬نذهب إلى جدول األرقام العشوائية ونختار صف‬
‫وعمود عشوائي‪ ،‬ثم نختار عددا مكونا من رقمين ‪ ،‬نبدأ بزمن الوصول ثم زمن الخدمة‬
‫لـ ‪ 30‬زبون‪.‬‬
‫زمن الواول‪:‬‬
‫الرقم‬ ‫الرقم‬
‫الزبون‬ ‫العشوائي‬ ‫الزمن‬ ‫الزبون‬ ‫العشوائي‬ ‫الزمن‬
‫‪1‬‬ ‫‪16‬‬ ‫‪4‬‬ ‫‪1‬‬
‫‪2‬‬ ‫‪75‬‬ ‫‪8‬‬ ‫‪17‬‬ ‫‪84‬‬ ‫‪9‬‬
‫‪3‬‬ ‫‪76‬‬ ‫‪8‬‬ ‫‪18‬‬ ‫‪21‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪66‬‬ ‫‪7‬‬ ‫‪19‬‬ ‫‪33‬‬ ‫‪4‬‬
‫‪5‬‬ ‫‪33‬‬ ‫‪4‬‬ ‫‪20‬‬ ‫‪71‬‬ ‫‪8‬‬
‫‪6‬‬ ‫‪12‬‬ ‫‪2‬‬ ‫‪21‬‬ ‫‪50‬‬ ‫‪5‬‬
‫‪7‬‬ ‫‪14‬‬ ‫‪2‬‬ ‫‪22‬‬ ‫‪27‬‬ ‫‪3‬‬
‫‪8‬‬ ‫‪41‬‬ ‫‪5‬‬ ‫‪23‬‬ ‫‪62‬‬ ‫‪7‬‬
‫‪9‬‬ ‫‪38‬‬ ‫‪4‬‬ ‫‪24‬‬ ‫‪71‬‬ ‫‪8‬‬
‫‪10‬‬ ‫‪64‬‬ ‫‪7‬‬ ‫‪25‬‬ ‫‪54‬‬ ‫‪6‬‬
‫‪11‬‬ ‫‪13‬‬ ‫‪2‬‬ ‫‪26‬‬ ‫‪9‬‬ ‫‪1‬‬
‫‪12‬‬ ‫‪12‬‬ ‫‪2‬‬ ‫‪27‬‬ ‫‪30‬‬ ‫‪3‬‬
‫‪13‬‬ ‫‪38‬‬ ‫‪4‬‬ ‫‪28‬‬ ‫‪14‬‬ ‫‪2‬‬
‫‪14‬‬ ‫‪31‬‬ ‫‪4‬‬ ‫‪29‬‬ ‫‪97‬‬ ‫‪10‬‬
‫‪15‬‬ ‫‪86‬‬ ‫‪9‬‬ ‫‪30‬‬ ‫‪52‬‬ ‫‪6‬‬
‫زمن الخدمة‪:‬‬
‫‪1‬‬ ‫‪26‬‬ ‫‪2‬‬ ‫‪16‬‬ ‫‪19‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪87‬‬ ‫‪5‬‬ ‫‪17‬‬ ‫‪92‬‬ ‫‪5‬‬
‫‪3‬‬ ‫‪8‬‬ ‫‪1‬‬ ‫‪18‬‬ ‫‪31‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪60‬‬ ‫‪3‬‬ ‫‪19‬‬ ‫‪91‬‬ ‫‪5‬‬
‫‪5‬‬ ‫‪82‬‬ ‫‪4‬‬ ‫‪20‬‬ ‫‪87‬‬ ‫‪5‬‬
‫‪257‬‬
‫‪6‬‬ ‫‪78‬‬ ‫‪4‬‬ ‫‪21‬‬ ‫‪8‬‬ ‫‪1‬‬

‫‪7‬‬ ‫‪33‬‬ ‫‪3‬‬ ‫‪22‬‬ ‫‪20‬‬ ‫‪2‬‬
‫‪8‬‬ ‫‪80‬‬ ‫‪4‬‬ ‫‪23‬‬ ‫‪41‬‬ ‫‪3‬‬
‫‪9‬‬ ‫‪48‬‬ ‫‪3‬‬ ‫‪24‬‬ ‫‪63‬‬ ‫‪4‬‬
‫‪10‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪25‬‬ ‫‪68‬‬ ‫‪4‬‬
‫‪11‬‬ ‫‪94‬‬ ‫‪5‬‬ ‫‪26‬‬ ‫‪96‬‬ ‫‪6‬‬
‫‪12‬‬ ‫‪31‬‬ ‫‪3‬‬ ‫‪27‬‬ ‫‪9‬‬ ‫‪1‬‬
‫‪13‬‬ ‫‪68‬‬ ‫‪4‬‬ ‫‪28‬‬ ‫‪16‬‬ ‫‪2‬‬
‫‪14‬‬ ‫‪12‬‬ ‫‪2‬‬ ‫‪29‬‬ ‫‪16‬‬ ‫‪2‬‬
‫‪15‬‬ ‫‪79‬‬ ‫‪4‬‬ ‫‪30‬‬ ‫‪51‬‬ ‫‪3‬‬
‫نقوم اآلن بتجميع البيانات معا والقاء نظرة على كيفية متابعة الثالثون زبون من خالل‬
‫النظام‪ ،‬نوضحها في الجدول التالي‪:‬‬
‫زمن‬
‫االنتظار‬ ‫زمن‬
‫زمن الزمن بين‬ ‫زمن‬ ‫بداية‬ ‫انتهاء‬ ‫في‬ ‫االنتظار‬ ‫زمن‬
‫الزبون‬ ‫الوصول الوصولين‬ ‫الخدمة‬ ‫الخدمة‬ ‫الخدمة‬ ‫الخمول في النظام الصف‬
‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪8‬‬ ‫‪8‬‬ ‫‪5‬‬ ‫‪8‬‬ ‫‪13‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪6‬‬
‫‪3‬‬ ‫‪8‬‬ ‫‪16‬‬ ‫‪1‬‬ ‫‪16‬‬ ‫‪17‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪7‬‬ ‫‪23‬‬ ‫‪3‬‬ ‫‪23‬‬ ‫‪26‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪6‬‬
‫‪5‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪4‬‬ ‫‪27‬‬ ‫‪31‬‬ ‫‪0‬‬ ‫‪4‬‬ ‫‪1‬‬
‫‪6‬‬ ‫‪2‬‬ ‫‪29‬‬ ‫‪4‬‬ ‫‪31‬‬ ‫‪35‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪0‬‬
‫‪7‬‬ ‫‪2‬‬ ‫‪31‬‬ ‫‪3‬‬ ‫‪35‬‬ ‫‪38‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪0‬‬
‫‪8‬‬ ‫‪5‬‬ ‫‪36‬‬ ‫‪4‬‬ ‫‪38‬‬ ‫‪42‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪0‬‬
‫‪9‬‬ ‫‪4‬‬ ‫‪40‬‬ ‫‪3‬‬ ‫‪42‬‬ ‫‪45‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪0‬‬
‫‪10‬‬ ‫‪7‬‬ ‫‪47‬‬ ‫‪1‬‬ ‫‪47‬‬ ‫‪48‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬
‫‪11‬‬ ‫‪2‬‬ ‫‪49‬‬ ‫‪5‬‬ ‫‪49‬‬ ‫‪54‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪1‬‬
‫‪12‬‬ ‫‪2‬‬ ‫‪51‬‬ ‫‪3‬‬ ‫‪54‬‬ ‫‪57‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪0‬‬
‫‪13‬‬ ‫‪4‬‬ ‫‪55‬‬ ‫‪4‬‬ ‫‪57‬‬ ‫‪61‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪0‬‬
‫‪14‬‬ ‫‪4‬‬ ‫‪59‬‬ ‫‪2‬‬ ‫‪61‬‬ ‫‪63‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪0‬‬
‫‪15‬‬ ‫‪9‬‬ ‫‪68‬‬ ‫‪4‬‬ ‫‪68‬‬ ‫‪72‬‬ ‫‪0‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪16‬‬ ‫‪1‬‬ ‫‪69‬‬ ‫‪2‬‬ ‫‪72‬‬ ‫‪74‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪0‬‬
‫‪17‬‬ ‫‪9‬‬ ‫‪78‬‬ ‫‪5‬‬ ‫‪78‬‬ ‫‪83‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪4‬‬
‫‪18‬‬ ‫‪3‬‬ ‫‪81‬‬ ‫‪3‬‬ ‫‪83‬‬ ‫‪86‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪0‬‬
‫‪258‬‬
‫‪19‬‬ ‫‪4‬‬ ‫‪85‬‬ ‫‪5‬‬ ‫‪86‬‬ ‫‪91‬‬ ‫‪1‬‬ ‫‪6‬‬ ‫‪0‬‬

‫‪20‬‬ ‫‪8‬‬ ‫‪93‬‬ ‫‪5‬‬ ‫‪93‬‬ ‫‪98‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪2‬‬
‫‪21‬‬ ‫‪5‬‬ ‫‪98‬‬ ‫‪1‬‬ ‫‪98‬‬ ‫‪99‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪22‬‬ ‫‪3‬‬ ‫‪101‬‬ ‫‪2‬‬ ‫‪101‬‬ ‫‪103‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪23‬‬ ‫‪7‬‬ ‫‪108‬‬ ‫‪3‬‬ ‫‪108‬‬ ‫‪111‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪5‬‬
‫‪24‬‬ ‫‪8‬‬ ‫‪116‬‬ ‫‪4‬‬ ‫‪116‬‬ ‫‪120‬‬ ‫‪0‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪25‬‬ ‫‪6‬‬ ‫‪122‬‬ ‫‪4‬‬ ‫‪122‬‬ ‫‪126‬‬ ‫‪0‬‬ ‫‪4‬‬ ‫‪2‬‬
‫‪26‬‬ ‫‪1‬‬ ‫‪123‬‬ ‫‪6‬‬ ‫‪126‬‬ ‫‪132‬‬ ‫‪3‬‬ ‫‪9‬‬ ‫‪0‬‬
‫‪27‬‬ ‫‪3‬‬ ‫‪126‬‬ ‫‪1‬‬ ‫‪132‬‬ ‫‪133‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪0‬‬
‫‪28‬‬ ‫‪2‬‬ ‫‪128‬‬ ‫‪2‬‬ ‫‪133‬‬ ‫‪135‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪0‬‬
‫‪29‬‬ ‫‪10‬‬ ‫‪138‬‬ ‫‪2‬‬ ‫‪138‬‬ ‫‪140‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪30‬‬ ‫‪6‬‬ ‫‪144‬‬ ‫‪3‬‬ ‫‪144‬‬ ‫‪147‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪4‬‬
‫المجموع‬ ‫‪144‬‬ ‫‪96‬‬ ‫‪37‬‬ ‫‪133‬‬ ‫‪51‬‬
‫حياب زمن بداية الخدمة للزبون الحالي= زمن بداية خدمة الزبون السابق ‪ +‬زمن‬
‫خدمته ( السابق)‪ ،‬يجب أن تكون أكبر من زمن وصوله ( الحالي)‪ ،‬واال يؤخذ زمن‬
‫وصوله كبداية خدمته‪.‬‬
‫زمن بداية خدمة الزبون الثاني = ‪ 2 = 2+0‬أقل من زمن وصوله (‪ ،)8‬لذا نأخذ ‪8‬‬
‫كبداية زمن خدمته‪.‬‬
‫بداية خدمة الزبون اليادس = ‪. 31 = 27+4‬‬
‫انتهاء الخدمة = زمن الخدمة ‪ +‬بداية الخدمة‪.‬‬
‫زمن االنتظار في الاف = بداية الخدمة – زمن الوصول‪.‬‬
‫‪259‬‬
‫زمن االنتظار في النظام = زمن الخدمة ‪ +‬زمن االنتظار في الصف‪.‬‬
‫زمن الخمول ( مركز خدمة فارغ)‪ :‬بالنسبة للزبون األول وصل في الزمن ‪ 0‬دقيقة ولديه‬
‫‪ 2‬دقيقة كوقت خدمة ‪ ،‬زمن االنتظار في النظام ‪ 2‬دقيقة ‪ ،‬إذن لم يكن مركز الخدمة‬
‫في حالة خمول ( فراغ)‪ ،‬بالنسبة لبقية الزبائن نأخذ فقط حالة الزبون الثاني وبقية‬
‫الزبائن يحسب الزمن بنفس الكيفية‪:‬‬
‫زمن خمول المركز = زمن بداية خدمة الزبون الثاني – زمن انتهاء الخدمة للزبون‬
‫األول‪ ،‬أي ‪ 6 = 2-8 :‬دقائق‪.‬‬
‫متوسط زمن االنتظار لكل زبون هو ‪ 1.23‬دقيقة‪ :‬مجموع زمن االنتظار‪ /‬عدد الزبائن‪:‬‬
‫‪37/30=1.23‬‬
‫احتمال انتظار الزبون في اف االنتظار هو ‪% 43.33‬‬
‫احتمال ( االنتظار) = مجموع عدد انتظا ار الزبائن ‪ /‬عدد الزبائن ‪13/30 = 0.4333‬‬
‫معدل خمول مركز الخدمة = مجموع زمن الخمول ‪ /‬اجمال زمن التشغيل‬
‫‪51/(51+96)=0.34‬‬
‫متويط زمن الخدمة = مجموع زمن الخدمة ‪ /‬عدد الزبائن ‪96/30=3.2‬‬
‫أو بطريقة أخرى‪:‬‬
‫‪E  service time   1  0.2  2  0.2  3  0.3  4  0.4  5  0.5  3.2‬‬
‫متوسط زمن بين وصولين هو ‪ 4.96‬دقيقة‪:‬‬
‫‪260‬‬
‫‪144/29 =4.96‬‬
‫متويط زمن انتظار الزبائن‪ :‬مجموع زمن االنتظار‪ /‬عدد انتظار الزبائن‬
‫‪37/13 =2.84‬‬
‫متويط زمن االنتظار في النظام = مجموع زمن االنتظار في النظام ‪ /‬عدد الزبائن‬
‫‪. 133/30 =4.43‬‬
‫تطبيق‪ : 3‬طابور االنتظار بمركزين للخدمة‬
‫بنك لديه صرافان ( مركزين للخدمة )‪ ،‬يصل الزبائن إلى هذا البنك عشوائيا من ‪ 1‬إلى‬
‫‪ 4‬دقائق‪ ،‬كل قيمة ممكنة لزمن التداخل لها احتماليات مختلفة الحدوث ( مبينة في‬
‫الجدول)‪ ،‬تختلف أزمنة الخدمة من ‪ 1‬إلى ‪ 6‬دقائق االحتماالت ( مبينة في الجدول)‬
‫مع توزيع مناصف للزبائن بين المركزين‪ ،‬تكمن المشكلة في تحليل النظام من خالل‬
‫محاكاة الوصول والخدمة بوجود أكثر من مركز خدمة ‪ ،‬احتماالت زمن بين وصولين‬
‫وزمن الخدمة مبينة في الجدولين التاليين‪:‬‬
‫الزمن بين‬ ‫االحتمال‬ ‫مجال األرقام‬

‫وصولين‬ ‫االحتمال‬ ‫المتراكم‬ ‫العشوائية‬
‫‪1‬‬ ‫‪0,30‬‬ ‫‪0,30‬‬ ‫‪0.00.30‬‬
‫‪0,25‬‬ ‫‪0.310.55‬‬
‫‪2‬‬ ‫‪0,55‬‬
‫‪0,40‬‬ ‫‪0.560.95‬‬
‫‪3‬‬ ‫‪0,95‬‬
‫‪0,05‬‬ ‫‪0.961‬‬
‫‪4‬‬ ‫‪1‬‬
‫‪261‬‬
‫االحتمال‬ ‫مجال األرقام‬

‫زمن الخدمة‬ ‫االحتمال‬ ‫المتراكم‬ ‫العشوائية‬
‫‪1‬‬ ‫‪0,10‬‬ ‫‪0,10‬‬ ‫‪0.00.10‬‬
‫‪0,20‬‬ ‫‪0.110.30‬‬
‫‪2‬‬ ‫‪0,30‬‬
‫‪0,20‬‬ ‫‪0.310.50‬‬
‫‪3‬‬ ‫‪0,50‬‬
‫‪0,20‬‬ ‫‪0.510.70‬‬
‫‪4‬‬ ‫‪0,70‬‬
‫‪0,20‬‬ ‫‪0.710.90‬‬
‫‪5‬‬ ‫‪0,90‬‬
‫‪0,10‬‬ ‫‪0.911.00‬‬
‫‪6‬‬ ‫‪1‬‬
‫ايجاد خصائص التشغيل لنظام صف االنتظار لهذا البنك بطريقة مونت كارلو من‬
‫خالل محاكاة زمن وصول وخدمة ‪ 20‬زبون‪.‬‬
‫حل التطبيق‪: 3‬‬
‫أوال نقوم بتوليد األرقام العشوائية ‪ ،‬نذهب إلى جدول األرقام العشوائية ونختار صف‬
‫وعمود عشوائي‪ ،‬ثم نختار عددا مكونا من رقمين ‪ ،‬نبدأ بزمن الوصول ثم زمن الخدمة‬
‫لـ ‪ 20‬زبون‪.‬‬
‫زمن الواول‪:‬‬
‫‪1‬‬ ‫‪11‬‬ ‫‪13‬‬ ‫‪1‬‬
‫‪2‬‬ ‫‪75‬‬ ‫‪3‬‬ ‫‪12‬‬ ‫‪12‬‬ ‫‪1‬‬
‫‪3‬‬ ‫‪76‬‬ ‫‪3‬‬ ‫‪13‬‬ ‫‪38‬‬ ‫‪2‬‬
‫‪4‬‬ ‫‪66‬‬ ‫‪3‬‬ ‫‪14‬‬ ‫‪31‬‬ ‫‪2‬‬
‫‪5‬‬ ‫‪33‬‬ ‫‪2‬‬ ‫‪15‬‬ ‫‪86‬‬ ‫‪3‬‬
‫‪6‬‬ ‫‪12‬‬ ‫‪1‬‬ ‫‪16‬‬ ‫‪4‬‬ ‫‪1‬‬
‫‪262‬‬
‫‪7‬‬ ‫‪14‬‬ ‫‪1‬‬ ‫‪17‬‬ ‫‪84‬‬ ‫‪3‬‬

‫‪8‬‬ ‫‪41‬‬ ‫‪2‬‬ ‫‪18‬‬ ‫‪21‬‬ ‫‪1‬‬
‫‪9‬‬ ‫‪38‬‬ ‫‪2‬‬ ‫‪19‬‬ ‫‪33‬‬ ‫‪2‬‬
‫‪10‬‬ ‫‪64‬‬ ‫‪3‬‬ ‫‪20‬‬ ‫‪71‬‬ ‫‪3‬‬
‫زمن الخدمة‪:‬‬
‫‪1‬‬ ‫‪26‬‬ ‫‪2‬‬ ‫‪11‬‬ ‫‪19‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪87‬‬ ‫‪5‬‬ ‫‪12‬‬ ‫‪92‬‬ ‫‪6‬‬
‫‪3‬‬ ‫‪8‬‬ ‫‪1‬‬ ‫‪13‬‬ ‫‪31‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪60‬‬ ‫‪4‬‬ ‫‪14‬‬ ‫‪91‬‬ ‫‪6‬‬
‫‪5‬‬ ‫‪82‬‬ ‫‪5‬‬ ‫‪15‬‬ ‫‪87‬‬ ‫‪5‬‬
‫‪6‬‬ ‫‪78‬‬ ‫‪5‬‬ ‫‪16‬‬ ‫‪8‬‬ ‫‪1‬‬
‫‪7‬‬ ‫‪33‬‬ ‫‪3‬‬ ‫‪17‬‬ ‫‪20‬‬ ‫‪2‬‬
‫‪8‬‬ ‫‪80‬‬ ‫‪5‬‬ ‫‪18‬‬ ‫‪41‬‬ ‫‪3‬‬
‫‪9‬‬ ‫‪48‬‬ ‫‪3‬‬ ‫‪19‬‬ ‫‪63‬‬ ‫‪4‬‬
‫‪10‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪20‬‬ ‫‪68‬‬ ‫‪4‬‬
‫نقوم األن بتجميع البيانات معا والقاء نظرة على كيفية متابعة محاكاة ‪ 20‬زبون من‬
‫خالل النظام‪ ،‬نوضحها في الجدول التالي‪:‬‬
‫زمن‬ ‫زمن‬
‫الزمن بين‬ ‫زمن‬ ‫زمن‬ ‫بداية‬ ‫انتهاء‬ ‫زمن‬ ‫بداية‬ ‫انتهاء‬ ‫االنتظار‬ ‫االنتظار‬ ‫زمن‬ ‫زمن‬
‫الزبون‬ ‫الوصولين‬ ‫الوصول‬ ‫الخدمة‬ ‫الخدمة‬ ‫الخدمة‬ ‫الخدمة‬ ‫الخدمة‬ ‫الخدمة‬ ‫في الصف‬ ‫في النظام‬ ‫الخمول‪1‬‬ ‫الخمول‪2‬‬
‫‪1‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪8‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪1‬‬
‫‪3‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪1‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪6‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪9‬‬ ‫‪4‬‬ ‫‪9‬‬ ‫‪13‬‬ ‫‪0‬‬ ‫‪4‬‬ ‫‪2‬‬
‫‪5‬‬ ‫‪2‬‬ ‫‪11‬‬ ‫‪5‬‬ ‫‪11‬‬ ‫‪16‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪3‬‬
‫‪6‬‬ ‫‪1‬‬ ‫‪12‬‬ ‫‪5‬‬ ‫‪16‬‬ ‫‪21‬‬ ‫‪4‬‬ ‫‪9‬‬ ‫‪0‬‬
‫‪7‬‬ ‫‪1‬‬ ‫‪13‬‬ ‫‪3‬‬ ‫‪13‬‬ ‫‪16‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪0‬‬
‫‪8‬‬ ‫‪2‬‬ ‫‪15‬‬ ‫‪5‬‬ ‫‪16‬‬ ‫‪21‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪0‬‬
‫‪9‬‬ ‫‪2‬‬ ‫‪17‬‬ ‫‪3‬‬ ‫‪21‬‬ ‫‪24‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪0‬‬
‫‪10‬‬ ‫‪3‬‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪24‬‬ ‫‪25‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪0‬‬
‫‪11‬‬ ‫‪1‬‬ ‫‪21‬‬ ‫‪2‬‬ ‫‪21‬‬ ‫‪23‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪0‬‬
‫‪263‬‬
‫‪12‬‬ ‫‪1‬‬ ‫‪22‬‬ ‫‪6‬‬ ‫‪23‬‬ ‫‪29‬‬ ‫‪1‬‬ ‫‪7‬‬ ‫‪0‬‬

‫‪13‬‬ ‫‪2‬‬ ‫‪24‬‬ ‫‪3‬‬ ‫‪25‬‬ ‫‪28‬‬ ‫‪1‬‬ ‫‪4‬‬
‫‪14‬‬ ‫‪2‬‬ ‫‪26‬‬ ‫‪6‬‬ ‫‪28‬‬ ‫‪34‬‬ ‫‪2‬‬ ‫‪8‬‬ ‫‪0‬‬
‫‪15‬‬ ‫‪3‬‬ ‫‪29‬‬ ‫‪5‬‬ ‫‪29‬‬ ‫‪34‬‬ ‫‪0‬‬ ‫‪5‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪16‬‬ ‫‪1‬‬ ‫‪30‬‬ ‫‪1‬‬ ‫‪34‬‬ ‫‪35‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪0‬‬
‫‪17‬‬ ‫‪3‬‬ ‫‪33‬‬ ‫‪2‬‬ ‫‪34‬‬ ‫‪36‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪0‬‬
‫‪18‬‬ ‫‪1‬‬ ‫‪34‬‬ ‫‪3‬‬ ‫‪36‬‬ ‫‪39‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪0‬‬
‫‪19‬‬ ‫‪2‬‬ ‫‪36‬‬ ‫‪4‬‬ ‫‪36‬‬ ‫‪40‬‬ ‫‪0‬‬ ‫‪4‬‬ ‫‪1‬‬
‫‪20‬‬ ‫‪3‬‬ ‫‪39‬‬ ‫‪4‬‬ ‫‪40‬‬ ‫‪44‬‬ ‫‪5‬‬ ‫‪9‬‬ ‫‪0‬‬
‫المجموع‬ ‫‪39‬‬ ‫‪35‬‬ ‫‪35‬‬ ‫‪29‬‬ ‫‪97‬‬ ‫‪4‬‬ ‫‪9‬‬
‫المتوسط‬ ‫‪1,95‬‬ ‫‪1,75‬‬ ‫‪1,75‬‬ ‫‪1,45‬‬ ‫‪4,85‬‬
‫متوسط زمن االنتظار لكل زبون هو ‪ 1.45‬دقيقة‪ :‬مجموع زمن االنتظار‪ /‬عدد الزبائن‪:‬‬
‫‪ 1.45 = 20/29‬دقيقة‪.‬‬
‫احتمال انتظار الزبون في اف االنتظار هو ‪% 55‬‬
‫احتمال ( االنتظار) = مجموع عدد انتظا ارت الزبائن ‪ /‬عدد الزبائن ‪0.55 = 20/11‬‬
‫معدل خمول مركز الخدمة ‪ = 1‬مجموع زمن الخمول‪ / 1‬اجمالي زمن التشغيل ‪1‬‬
‫‪4/(4+35)=0.10‬‬
‫معدل خمول مركز الخدمة ‪ = 2‬مجموع زمن الخمول‪ / 2‬اجمالي زمن التشغيل ‪2‬‬
‫‪9/(9+35)=0.20‬‬
‫متويط زمن الخدمة ‪ =1‬مجموع زمن الخدمة ‪ /1‬عدد الزبائن ‪35/20=1.75‬‬
‫متويط زمن الخدمة ‪ =2‬مجموع زمن الخدمة ‪ /2‬عدد الزبائن ‪35/20=1.75‬‬
‫‪264‬‬
‫متوسط زمن الخدمة االجمالي = ‪ 3.5 = 1.75+1.75‬دقيقة‪.‬‬
‫أو بطريقة أخرى‪:‬‬
‫‪E  service time1  1  0.1  2  0.2  3  0.2  4  0.2  5  0.2  6  0.1  3.5‬‬
‫متوسط زمن بين وصولين هو ‪ 1.95‬دقيقة‪:‬‬
‫‪1.95 = 20/39‬‬
‫متويط زمن انتظار الزبائن‪ :‬مجموع زمن االنتظار‪ /‬عدد انتظار الزبائن‬
‫‪ 1.45 = 20/29‬دقيقة‬
‫متويط زمن االنتظار في النظام = مجموع زمن االنتظار في النظام ‪ /‬عدد الزبائن‬
‫‪ 4.85 = 20/97‬دقيقة‪.‬‬
‫تطبيق‪ :4‬الطلب اليومي للى أجهزة التلفاز‪:‬‬

‫الطلب اليومي (‪ )d‬على جهاز تلفاز مؤسسة " س" له توزيع احتمالي‪ ،‬فترة التوريد‬
‫(‪ )L‬غير ثابتة ولكن لها توزيع احتمالي‪ ،‬الزبائن الذين يصلون ويجدون المنتج نفد من‬
‫المخزن سيتسوقون في مكان أخر وستفقد هذه المؤسسة بعض المكانة في السوق‪،‬‬
‫النقطة األخيرة لم تنجح معها نماذج المخزون المطورة سابقا ‪ ،‬لذا فكر مسؤولو هذه‬
‫المؤسسة في تطبيق طريقة المحاكاة ‪ ،‬ويدركون أنها ال تستطيع وحدها تحديد أفضل‬
‫سياسة للمخزون ولكن تمكنهما من مقارنة سياسات (كمية الطلب ‪ ،Q‬و نقطة إعادة‬
‫الطلب ‪ ،)ROP‬كانت المعطيات لهذه المؤسسة كالتالي‪:‬‬
‫المخزون الحالي = ‪ 100‬جهاز‪.‬‬
‫تكلفة االحتفاظ بالمخزون لليوم = ‪ 50‬دج ‪ /‬للتلفاز‪.‬‬
‫‪265‬‬
‫تكلفة إعداد الطلبية = ‪ 10000‬دج لكل طلب‪.‬‬

‫تكلفة العجز = ‪ 800‬دج لكل مرة (تم فقد البيع)‪.‬‬
‫احتمال الطلب اليومي وفترة التوريد مقدمة في الجدول التالي‪:‬‬
‫االحتمال‬ ‫فترة التوريد‬ ‫الطلب اليومي االحتمال‬
‫‪0,09‬‬ ‫‪0‬‬ ‫‪0,05‬‬ ‫‪0‬‬
‫‪0,50‬‬ ‫‪10‬‬ ‫‪0,40‬‬ ‫‪10‬‬
‫‪0,33‬‬ ‫‪20‬‬ ‫‪0,34‬‬ ‫‪20‬‬
‫‪0,08‬‬ ‫‪30‬‬ ‫‪0,16‬‬ ‫‪30‬‬
‫‪0,05‬‬ ‫‪40‬‬
‫نفترض أن المؤسسة تعمل ‪ 25‬يوما في الشهر‪ ،‬نالحظ أن هناك متغيرين للقرار (كمية‬
‫الطلب ‪ ،Q‬و نقطة إعادة الطلب ‪ )ROP‬واثنين من المكونين االحتماليين (الطلب وفترة‬
‫التوريد)‪ ،‬في مسألة المخزون وباستخدام المحاكاة يمكننا تجربة مجموعات مختلفة من‬
‫( ‪ )ROP ،Q‬لمعرفة أي مجموعة تعطي أدنى تكلفة إجمالية‪.‬‬
‫المطلوب ‪ :‬إجراء محاكاة تكلفة الطلبية اليومية ( لمدة ‪ 25‬يوم) بطريقة مونت كارلو‬
‫بفرض ( ‪ ) Q  100 , ROP  60‬و ( ‪ ) Q  120 , ROP  30‬؟‬
‫مجال األرقام‬ ‫االحتمال‬

‫العشوائية‬ ‫المتراكم‬ ‫الطلب اليومي االحتمال‬
‫‪000.04‬‬ ‫‪0,05‬‬ ‫‪0,05‬‬ ‫‪0‬‬
‫‪0.050.44‬‬ ‫‪0,45‬‬ ‫‪0,40‬‬ ‫‪10‬‬
‫‪0.450.78‬‬ ‫‪0,79‬‬ ‫‪0,34‬‬ ‫‪20‬‬
‫‪0.790.94‬‬ ‫‪0,95‬‬ ‫‪0,16‬‬ ‫‪30‬‬
‫‪0.951‬‬ ‫‪1‬‬ ‫‪0,05‬‬ ‫‪40‬‬
‫مجال األرقام‬ ‫االحتمال‬

‫العشوائية‬ ‫المتراكم‬ ‫االحتمال‬ ‫فترة التوريد‬
‫‪000.08‬‬ ‫‪0,09‬‬ ‫‪0,09‬‬ ‫‪0‬‬
‫‪0.090.58‬‬ ‫‪0,59‬‬ ‫‪0,50‬‬ ‫‪10‬‬
‫‪266‬‬
‫‪0.590.91‬‬ ‫‪0,92‬‬ ‫‪0,33‬‬ ‫‪20‬‬

‫‪0.921‬‬ ‫‪1‬‬ ‫‪0,08‬‬ ‫‪30‬‬
‫أوال ‪ :‬المحاكاة بفرض ( ‪:) Q  100 , ROP  60‬‬
‫تقرار الطلب‪ :1 :‬نعم‪ :0 ،‬ال‪.‬‬
‫التكلفة‬
‫مخزون‬ ‫مخزون‬ ‫فترة‬

‫الرقم‬ ‫أول‬ ‫قرار عجز أخر‬ ‫التور الرقم‬ ‫إعداد‬
‫العشوائي اليوم‬ ‫يد العشوائي الطلب الطلب مدة الطلب مدة‬ ‫االجمالية العجز التخزين الطلبية‬
‫‪1‬‬ ‫‪90‬‬ ‫‪100‬‬ ‫‪30‬‬ ‫‪70‬‬ ‫‪0‬‬ ‫‪3500‬‬
‫‪2‬‬ ‫‪97‬‬ ‫‪70‬‬ ‫‪40‬‬ ‫‪30‬‬ ‫‪1‬‬ ‫‪95‬‬ ‫‪30‬‬ ‫‪10000 1500‬‬
‫‪3‬‬ ‫‪38‬‬ ‫‪30‬‬ ‫‪10‬‬ ‫‪20‬‬ ‫‪0‬‬ ‫‪1000‬‬
‫‪4‬‬ ‫‪72‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪5‬‬ ‫‪42‬‬ ‫‪100‬‬ ‫‪10‬‬ ‫‪90‬‬ ‫‪0‬‬ ‫‪4500‬‬
‫‪6‬‬ ‫‪80‬‬ ‫‪90‬‬ ‫‪30‬‬ ‫‪60‬‬ ‫‪1‬‬ ‫‪66‬‬ ‫‪20‬‬ ‫‪10000 3000‬‬
‫‪7‬‬ ‫‪9‬‬ ‫‪60‬‬ ‫‪10‬‬ ‫‪50‬‬ ‫‪0‬‬ ‫‪2500‬‬
‫‪8‬‬ ‫‪45‬‬ ‫‪50‬‬ ‫‪20‬‬ ‫‪30‬‬ ‫‪0‬‬ ‫‪1500‬‬
‫‪9‬‬ ‫‪15‬‬ ‫‪30‬‬ ‫‪10‬‬ ‫‪20‬‬ ‫‪0‬‬ ‫‪1000‬‬
‫‪10‬‬ ‫‪38‬‬ ‫‪20‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪500‬‬
‫‪11‬‬ ‫‪4‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪500‬‬
‫‪12‬‬ ‫‪45‬‬ ‫‪110‬‬ ‫‪20‬‬ ‫‪90‬‬ ‫‪0‬‬ ‫‪4500‬‬
‫‪13‬‬ ‫‪8‬‬ ‫‪90‬‬ ‫‪10‬‬ ‫‪80‬‬ ‫‪0‬‬ ‫‪4000‬‬
‫‪14‬‬ ‫‪14‬‬ ‫‪80‬‬ ‫‪10‬‬ ‫‪70‬‬ ‫‪0‬‬ ‫‪3500‬‬
‫‪15‬‬ ‫‪37‬‬ ‫‪70‬‬ ‫‪10‬‬ ‫‪60‬‬ ‫‪1‬‬ ‫‪75‬‬ ‫‪20‬‬ ‫‪10000 3000‬‬
‫‪16‬‬ ‫‪43‬‬ ‫‪60‬‬ ‫‪10‬‬ ‫‪50‬‬ ‫‪0‬‬ ‫‪2500‬‬
‫‪17‬‬ ‫‪77‬‬ ‫‪50‬‬ ‫‪20‬‬ ‫‪30‬‬ ‫‪0‬‬ ‫‪1500‬‬
‫‪18‬‬ ‫‪87‬‬ ‫‪30‬‬ ‫‪30‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪37‬‬ ‫‪10‬‬ ‫‪10000‬‬ ‫‪0‬‬
‫‪19‬‬ ‫‪78‬‬ ‫‪0‬‬ ‫‪20‬‬ ‫‪0‬‬ ‫‪20‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪16000‬‬
‫‪20‬‬ ‫‪14‬‬ ‫‪100‬‬ ‫‪10‬‬ ‫‪90‬‬ ‫‪0‬‬ ‫‪4500‬‬
‫‪21‬‬ ‫‪64‬‬ ‫‪90‬‬ ‫‪20‬‬ ‫‪70‬‬ ‫‪0‬‬ ‫‪3500‬‬
‫‪22‬‬ ‫‪26‬‬ ‫‪70‬‬ ‫‪10‬‬ ‫‪60‬‬ ‫‪1‬‬ ‫‪88‬‬ ‫‪20‬‬ ‫‪10000 3000‬‬
‫‪23‬‬ ‫‪31‬‬ ‫‪60‬‬ ‫‪10‬‬ ‫‪50‬‬ ‫‪0‬‬ ‫‪2500‬‬
‫‪24‬‬ ‫‪68‬‬ ‫‪50‬‬ ‫‪20‬‬ ‫‪30‬‬ ‫‪0‬‬ ‫‪1500‬‬
‫‪25‬‬ ‫‪62‬‬ ‫‪30‬‬ ‫‪20‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪500‬‬
‫‪267‬‬
‫‪50000 54000 16000 120000‬‬
‫من خالل محاكاة تكلفة الطلبية اليومية ( لمدة ‪ 25‬يوم) و بفرض‬

‫( ‪ ) Q  100 , ROP  60‬كان متويط التكلفة ‪ 4800 :‬دج‪.‬‬
‫ثانيا ‪ :‬المحاكاة بفرض ( ‪:) Q  120 , ROP  30‬‬
‫تقرار الطلب‪ :1 :‬نعم‪ :0 ،‬ال‪.‬‬
‫مخزون‬ ‫مخزون‬
‫الرقم‬ ‫أول‬ ‫أخر‬ ‫عجز‬ ‫قرار‬ ‫فترة الرقم‬ ‫إعداد‬
‫العشوائي اليوم‬ ‫الطلب مدة الطلب مدة‬ ‫االجمالية العجز التخزين الطلبية التوريد العشوائي الطلب‬
‫‪1‬‬ ‫‪90‬‬ ‫‪100‬‬ ‫‪30‬‬ ‫‪70‬‬ ‫‪0‬‬ ‫‪3500‬‬
‫‪2‬‬ ‫‪97‬‬ ‫‪70‬‬ ‫‪40‬‬ ‫‪30‬‬ ‫‪1‬‬ ‫‪95‬‬ ‫‪30 10000 1500‬‬
‫‪3‬‬ ‫‪38‬‬ ‫‪30‬‬ ‫‪10‬‬ ‫‪20‬‬ ‫‪0‬‬ ‫‪1000‬‬
‫‪4‬‬ ‫‪72‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪5‬‬ ‫‪42‬‬ ‫‪120‬‬ ‫‪10‬‬ ‫‪110‬‬ ‫‪0‬‬ ‫‪5500‬‬
‫‪6‬‬ ‫‪80‬‬ ‫‪110‬‬ ‫‪30‬‬ ‫‪80‬‬ ‫‪0‬‬ ‫‪4000‬‬
‫‪7‬‬ ‫‪9‬‬ ‫‪80‬‬ ‫‪10‬‬ ‫‪70‬‬ ‫‪0‬‬ ‫‪3500‬‬
‫‪8‬‬ ‫‪45‬‬ ‫‪70‬‬ ‫‪20‬‬ ‫‪50‬‬ ‫‪0‬‬ ‫‪2500‬‬
‫‪9‬‬ ‫‪15‬‬ ‫‪50‬‬ ‫‪10‬‬ ‫‪40‬‬ ‫‪0‬‬ ‫‪2000‬‬
‫‪10‬‬ ‫‪38‬‬ ‫‪40‬‬ ‫‪10‬‬ ‫‪30‬‬ ‫‪1‬‬ ‫‪66‬‬ ‫‪20 10000 1500‬‬
‫‪11‬‬ ‫‪4‬‬ ‫‪30‬‬ ‫‪0‬‬ ‫‪30‬‬ ‫‪0‬‬ ‫‪1500‬‬
‫‪12‬‬ ‫‪45‬‬ ‫‪30‬‬ ‫‪20‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪500‬‬
‫‪13‬‬ ‫‪8‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪14‬‬ ‫‪14‬‬ ‫‪120‬‬ ‫‪10‬‬ ‫‪110‬‬ ‫‪0‬‬ ‫‪5500‬‬
‫‪15‬‬ ‫‪37‬‬ ‫‪110‬‬ ‫‪10‬‬ ‫‪100‬‬ ‫‪0‬‬ ‫‪5000‬‬
‫‪16‬‬ ‫‪43‬‬ ‫‪100‬‬ ‫‪10‬‬ ‫‪90‬‬ ‫‪0‬‬ ‫‪4500‬‬
‫‪17‬‬ ‫‪77‬‬ ‫‪90‬‬ ‫‪20‬‬ ‫‪70‬‬ ‫‪0‬‬ ‫‪3500‬‬
‫‪18‬‬ ‫‪87‬‬ ‫‪70‬‬ ‫‪30‬‬ ‫‪40‬‬ ‫‪0‬‬ ‫‪2000‬‬
‫‪19‬‬ ‫‪78‬‬ ‫‪40‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪1‬‬ ‫‪75‬‬ ‫‪20 10000 1000‬‬
‫‪20‬‬ ‫‪14‬‬ ‫‪20‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫‪500‬‬
‫‪21‬‬ ‫‪64‬‬ ‫‪130‬‬ ‫‪20‬‬ ‫‪110‬‬ ‫‪0‬‬ ‫‪5500‬‬
‫‪22‬‬ ‫‪26‬‬ ‫‪110‬‬ ‫‪10‬‬ ‫‪100‬‬ ‫‪1‬‬ ‫‪37‬‬ ‫‪10 10000 5000‬‬
‫‪23‬‬ ‫‪31‬‬ ‫‪100‬‬ ‫‪10‬‬ ‫‪90‬‬ ‫‪0‬‬ ‫‪4500‬‬
‫‪24‬‬ ‫‪68‬‬ ‫‪90‬‬ ‫‪20‬‬ ‫‪70‬‬ ‫‪0‬‬ ‫‪3500‬‬
‫‪25‬‬ ‫‪62‬‬ ‫‪70‬‬ ‫‪20‬‬ ‫‪50‬‬ ‫‪0‬‬ ‫‪2500‬‬
‫‪268‬‬
‫‪40000 70000‬‬ ‫‪110000‬‬

‫من خالل محاكاة تكلفة الطلبية اليومية ( لمدة ‪ 25‬يوم) و بفرض‬
‫( ‪ ) Q  120 , ROP  30‬كان متويط التكلفة ‪ 4400 :‬دج‪.‬‬
‫نالحظ أن المجموعة ( ‪ ) Q  120 , ROP  30‬أعطت أقل تكلفة يومية لمخزون هذه‬
‫المؤسسة‪.‬‬
‫جدول األرتقام العشوائية‬
‫‪269‬‬
‫األلالم المذكورة في الفال الرابع لشر‬
‫‪270‬‬
‫الفال الخامس لشر ‪ :‬التوتقع ( التنبؤ)‬

‫‪FORECASTING‬‬
‫التنبؤ هو تقنية تستخدم البيانات التاريخية كمدخالت لعمل تقديرات توضيحية تكون‬
‫تنبؤية في تحديد االتجاهات المستقبلية‪ ،‬تستخدم الشركات التنبؤ لتحديد كيفية تخصيص‬
‫ميزانياتها أو التخطيط للنفقات المتوقعة لفترة زمنية مقبلة‪ ،‬ويعتمد هذا عادة على الطلب‬
‫المتوقع على السلع والخدمات المعروضة‪.‬‬
‫استخدام الموارد المتاحة بشكل أمثل هو الهدف الرئيسي لبحوث العمليات‪ ،‬فهي تستخدم‬
‫تقنيات تحليلية متقدمة لتحسين عملية صنع القرار‪ ،‬حيث يحدد التنبؤ التطوير المستقبلي‬
‫المحتمل ويساعد على اتخاذ قرار أفضل في مراقبة المخزون‪ ،‬تخطيط اإلنتاج‪ ،‬سياسة‬
‫االستثمار والسياسة االقتصادية في التخطيط للمستقبل‪ ،‬تصنف مسائل التنبؤ على‬
‫المدى القصير والمتوسط والطويل على أساس النطاق الزمني المتضمن في التنبؤ‪.‬‬
‫تختلف الفئة المعتادة حسب الحالة التي تتم دراستها‪ ،‬حيث تنطبق طرق التنبؤ المختلفة‬
‫على فئات مختلفة‪ ،‬الهدف الرئيسي من هذا الفصل هو التركيز على طرق التنبؤ‬
‫المختلفة‪ :‬مثل الطرق النوعية وطرق االنحدار وطرق السالسل الزمنية ومزاياها النسبية‬
‫ومعاييرها الختيار طريقة مناسبة للتطبيق‪.‬‬
‫‪271‬‬
‫‪ -1-15‬أنواع التنبؤات‪:‬‬
‫تستخدم المنظمات ثالثة أنواع رئيسية من التنبؤات في التخطيط للعمليات المستقبلية‪:‬‬
‫‪ -1‬تتناول التوقعات االقتصادية دورة األعمال من خالل التنبؤ بمعدالت التضخم‪،‬‬

‫واحتياجات رأس المال‪ ،‬ومؤشرات التخطيط األخرى‪.‬‬
‫‪ -2‬تتعلق التوقعات التكنولوجية بمعدالت التقدم التكنولوجي ‪ ،‬والتي يمكن أن تؤدي إلى‬
‫والدة منتجات جديدة ومثيرة تتطلب مصانع ومعدات جديدة‪.‬‬
‫‪ -3‬توقعات المبيعات هي توقعات الطلب على منتجات أو خدمات الشركة‪ ،‬حيث‬

‫تؤدي التوقعات إلى اتخاذ الق اررات ‪ ،‬لذلك يحتاج المديرون إلى معلومات فورية ودقيقة‬
‫حول الطلب الحقيقي‪ ،‬إنهم بحاجة إلى تنبؤات مدفوعة بالطلب ‪ ،‬حيث ينصب التركيز‬
‫على تحديد وتتبع رغبات الزبائن بسرعة‪ ،‬قد تستخدم هذه التوقعات بيانات حديثة لنقاط‬
‫البيع ‪ ،‬التقارير التي ينشئها بائع التجزئة عن تفضيالت الزبائن ‪ ،‬وأي معلومات أخرى‬
‫من شأنها أن تساعد في التنبؤ بأحدث البيانات الممكنة‪ ،‬تعمل التوقعات التي يحركها‬
‫الطلب على دفع أنظمة إنتاج الشركة وقدرتها وجدولتها وتعمل كمدخالت في التخطيط‬
‫المالي والتسويق وتخطيط للمورد البشري‪.‬‬
‫التنبؤ االقتصادي والتكنولوجي هي تقنيات متخصصة قد تقع خارج دور مدير‬

‫العمليات‪ ،‬لذلك سيكون التركيز في هذا الفصل على التنبؤ بالطلب‪.‬‬
‫‪272‬‬
‫‪ -1-1-15‬طرق التنبؤ النولية‪:‬‬
‫الحكمي‪:‬‬
‫أوال‪ :‬طرق التنبؤ ُ‬
‫الحكمي بطبيعتها ذاتية‪ ،‬وقد تتضمن صفات مثل الحدس ورأي‬

‫تعتبر طرق التنبؤ ُ‬
‫الخبراء والخبرة‪ ،‬إنها تؤدي عموما إلى تنبؤات تستند إلى معايير نوعية‪.‬‬
‫يمكن استخدام هذه األساليب في حالة عدم توفر بيانات الستخدام طريقة التنبؤ‬
‫اإلحصائي‪ ،‬ومع ذلك حتى في حالة توفر بيانات جيدة يفضل بعض صانعي القرار‬
‫الحكمي بدال من الطرق اإلحصائية‪ ،‬وفي كثير من الحاالت األخرى يمكن‬
‫طريقة ُ‬
‫استخدام مزيج من االثنين‪.‬‬
‫الحكمي‪.‬‬
‫فيما يلي نظرة عامة موجزة عن طرق التنبؤ ُ‬
‫‪ -1‬رأي المدير‪ :‬هذه هي أكثر األساليب غير رسمية ‪ ،‬ألنها تتضمن ببساطة‬
‫مدي ار واحدا يستخدم أفضل حكم لديه لوضع التوقعات‪ ،‬في بعض الحاالت قد‬
‫تكون بعض البيانات متاحة للمساعدة في اتخاذ هذا الحكم‪ ،‬وفي حاالت أخرى‬
‫قد يعتمد المدير فقط على الخبرة والمعرفة العميقة بالظروف الحالية‪.‬‬
‫‪ -2‬لجنة الرأي التنفيذي‪ :‬هذه الطريقة مشابهة للطريقة األولى‪ ،‬إال أنها تتضمن‬
‫مجموعة صغيرة من المديرين رفيعي المستوى الذين يجمعون أفضل أحكامهم‬
‫لوضع التوقعات بشكل جماعي‪ ،‬يمكن استخدام هذه الطريقة للتنبؤات األكثر‬
‫أهمية والتي يتقاسم العديد من المديرين التنفيذيين المسؤولية ويمكنهم تقديم أنواع‬
‫مختلفة من الخبرة‪.‬‬
‫‪273‬‬
‫‪ -3‬تقوة المبيعات المركبة‪ :‬غالبا ما تستخدم هذه الطريقة للتنبؤ بالمبيعات عندما‬
‫تستخدم الشركة فريق مبيعات للمساعدة في تحقيق المبيعات‪ ،‬إنه نهج من‬
‫القاعدة إلى القمة حيث يقدم كل مندوب مبيعات تقدي ار للمبيعات التي ستكون‬
‫في منطقته ‪ ،‬ثم يتم إرسال هذه التقديرات من خالل سلسلة القيادة المؤسسية‬
‫مع المراجعة اإلدارية على كل مستوى ‪ ،‬ليتم تجميعها في توقعات مبيعات‬
‫الشركة‪.‬‬
‫‪ -4‬ميح يوق الميتهلك‪ :‬تذهب هذه الطريقة إلى أبعد من الطريقة السابقة في‬
‫اعتماد نهج القاعدة للتنبؤ بالمبيعات‪ ،‬يتضمن إجراء مسح للزبائن والزبائن‬
‫المحتملين فيما يتعلق بخطط الشراء المستقبلية وكيفية استجابتهم لمختلف‬
‫الميزات الجديدة في المنتجات‪ ،‬هذه المدخالت مفيدة بشكل خاص لتصميم‬
‫منتجات جديدة ثم في تطوير التوقعات األولية لمبيعاتها‪.‬‬
‫‪ -5‬طريقة دلفي‪ :‬تستخدم هذه الطريقة فريقا من الخبراء في مواقع مختلفة يقومون‬
‫بملء سلسلة من االستبيانات بشكل مستقل‪ ،‬ومع ذلك يتم توفير نتائج كل‬
‫استبيان مع االستبيان التالي ‪ ،‬بحيث يمكن لكل خبير بعد ذلك تقييم معلومات‬
‫هذه المجموعة في تعديل إجاباته في المرة القادمة‪ ،‬الهدف هو الوصول إلى‬
‫انتشار ضيق نسبيا لالستنتاجات من معظم الخبراء‪ ،‬ثم يقوم صانعو القرار‬
‫بتقييم هذه المدخالت من لجنة الخبراء لتطوير التوقعات‪ ،‬عادة ما يتم استخدام‬
‫هذه العملية المتضمنة فقط على أعلى مستويات الشركة أو الحكومة لتطوير‬
‫تنبؤات طويلة المدى لالتجاهات العامة‪.‬‬
‫‪274‬‬
‫‪ -2-1-15‬طرق التنبؤ الكمية‪:‬‬
‫أوال ‪ :‬الياليل الزمنية ‪:TIME SERIES‬‬
‫السلسلة الزمنية هي سلسلة من القيم العددية التي تمثل تطور كمية معينة بمرور‬
‫الزمن‪ ،‬يمكن التعبير عن هذه السالسل من المتغيرات العشوائية رياضيا من أجل تحليل‬
‫سلوكها بشكل عام لفهم تطورها السابق والتنبؤ بسلوكها المستقبلي‪ ،‬غالبا ما تستخدم‬
‫نظريات االحتمال واإلحصاء في دراستها‪.‬‬
‫يتم رسم سلسلة زمنية بشكل متكرر عبر مخطط زمني‪ ،‬حيث تُستخدم في اإلحصاء ‪،‬‬
‫ومعالجة اإلشارات ‪ ،‬والتعرف على األنماط ‪ ،‬واالقتصاد القياسي ‪ ،‬والتمويل الرياضي ‪،‬‬
‫والتنبؤ بالطقس ‪ ،‬والتنبؤ بالزالزل ‪ ،‬وهندسة التحكم ‪ ،‬وعلم الفلك ‪ ،‬وهندسة االتصاالت‬
‫‪ ،‬الطب ‪ ،‬والى حد كبير في أي مجال من مجاالت العلوم والهندسة التطبيقية التي‬
‫تتضمن قياسات زمنية‪.‬‬
‫تتكون نقاط البيانات هذه عادة من قياسات متتالية يتم إجراؤها من نفس المصدر خالل‬
‫فترة زمنية وتستخدم لتتبع التغيير بمرور الزمن‪.‬‬
‫ثانيا‪ :‬الشكل البياني لليليلة الزمنية ‪:‬‬
‫يتم إنشاء األشكال البيانية للسالسل الزمنية عن طريق رسم قيمة مجمعة ( إما عدد أو‬
‫إحصائية‪ ،‬مثل المجموع أو المتوسط ) على خط زمني‪ ،‬تُستخدم الفواصل الزمنية بناء‬
‫على النطاق الزمني في البيانات التي يتم رسمها لتجميع القيم‪.‬‬
‫‪275‬‬
‫ثالثا‪ :‬إحااءات مخطط الزمن‪:‬‬
‫مخطط السالسل الزمنية هو رسم بياني يمثل فيه المحور السيني بعض مقاييس الزمن‬
‫في الواقع ‪ ،‬تمت تسمية المحور ‪ x‬على أنه محور الزمن‪ ،‬يمثل المحور الصادي‬
‫المتغير الذي يتم قياسه‪ ،‬يتم عرض نقاط البيانات وربطها بخطوط مستقيمة في معظم‬
‫الحاالت ‪ ،‬مما يسمح بتفسير الرسم البياني الناتج‪.‬‬
‫رابعا ‪ :‬طرق التنبؤ بالياليل الزمنية ‪Time series forecasting methods‬‬
‫يستخدم توقع السالسل الزمنية المعلومات المتعلقة بالقيم التاريخية واألنماط المرتبطة‬
‫بها للتنبؤ بالنشاط المستقبلي‪ ،‬تشمل طرق التنبؤ بالسلسلة الزمنية ما يلي‪:‬‬
‫تحليل االتجاه ‪Trend analysis‬‬
‫تحليل التقلبات الدورية ‪Cyclical fluctuation analysis‬‬
‫تحليل النمط الموسمي ‪Seasonal pattern analysis‬‬
‫كما هو الحال مع جميع طرق التنبؤ فإن النجاح ليس مضمونا‪ ،‬غالبا ما يستخدم التعلم‬
‫األلي ‪ Machine learning‬لهذا الغرض‪ ،‬وكذلك الحال مع سابقاتها الكالسيكية‪:‬‬
‫الخطأ ‪ ،‬االتجاه ‪ ،‬التنبؤ الموسمي ‪Error, Trend, Seasonality Forecast‬‬
‫)‪ ،(ETS‬المتوسط المتحرك و االنحدار الذاتي ‪Autoregressive Integrated‬‬
‫)‪.Moving Average (ARIMA‬‬
‫من أجل " رؤية األشياء " في وقت مبكر‪ ،‬فإن نمذجة السالسل الزمنية (طريقة التنبؤ‬
‫تعتمد على بيانات السالسل الزمنية) تتضمن العمل على البيانات المستندة إلى الزمن‬
‫‪276‬‬
‫(السنوات ‪ ،‬واأليام ‪ ،‬والساعات ‪ ،‬والدقائق) الشتقاق رؤى خفية تساعد في اتخاذ القرار‪،‬‬
‫نماذج السالسل الزمنية هي نماذج مفيدة للغاية عندما يكون لدينا بيانات مرتبطة بشكل‬
‫تسلسلي‪ ،‬تعمل معظم الشركات على بيانات السالسل الزمنية لتحليل توقعات المبيعات‬
‫للعام المقبل ‪ ،‬وحركة مرور عبر مواقع الويب ‪ ،‬وتحديد المواقع التنافسية وغير ذلك‬
‫الكثير من األمثلة‪.‬‬
‫أما تحليل مكونات السلسلة الزمنية فنوجزها فيما يلي‪:‬‬
‫تحليل السالسل الزمنية يعني تقسيم البيانات السابقة إلى مكونات ثم اإلسقاط نحو‬
‫األمام‪ ،‬تتكون السلسلة الزمنية من أربعة مكونات‪:‬‬
‫‪ -1‬االتجاه ‪ Trend‬هو الحركة الصعودية أو الهبوطية التدريجية للبيانات بمرور‬

‫الزمن‪ ،‬التغييرات في الدخل أو المجتمع أو التوزيع العمري قد تكون مسؤولة‬
‫عن الحركة في اتجاه‪.‬‬
‫‪ -2‬المويمية ‪ Seasonality‬هي نمط بيانات يتكرر بعد فترة من األيام أو‬
‫األسابيع أو األشهر ‪ ،‬في بيانات السالسل الزمنية تشير الموسمية إلى وجود‬
‫تباين يحدث على فترات منتظمة معينة إما على أساس أسبوعي أو شهري أو‬
‫حتى ربع سنوي ( ولكن ليس لمدة تصل إلى سنة على اإلطالق)‪ ،‬قد تتسبب‬
‫عوامل مختلفة في الموسمية مثل اإلجازة والطقس والعطالت‪ ،‬وهي تتألف من‬
‫أنماط متكررة ودورية ومنتظمة بشكل عام يمكن التنبؤ بها على مستوى‬
‫السالسل الزمنية‪.‬‬
‫‪277‬‬
‫‪ -3‬الدورات ‪ Cycles‬هي أنماط في البيانات تحدث على عدة سنوات عادة ما‬
‫تكون مرتبطة بدورة العمل ولها أهمية كبيرة في تحليل األعمال على المدى‬
‫القصير والتخطيط‪.‬‬
‫‪ -4‬التباينات العشوائية ‪ Random variations‬هي اختالفات تنتج عن الصدفة‬
‫والمواقف غير العادية‪ ،‬ال تتبع أي نمط يمكن تمييزه‪ ،‬لذلك ال يمكن التنبؤ بها‪.‬‬
‫نوضح ذلك في الشكل البياني التالي‪:‬‬
‫الشكل ( ‪ :)1-15‬مكونات اليليلة الزمنية‬
‫خاميا‪ :‬تخزين بيانات الياليل الزمنية‪:‬‬
‫غالبا ما يتم استيعاب بيانات السالسل الزمنية بأحجام ضخمة وتتطلب قاعدة بيانات‬
‫مصممة خصيصا للتعامل مع حجمها‪ ،‬الخصائص التي تجعل بيانات السالسل الزمنية‬
‫مختلفة تماما عن قدرة عمل البيانات األخرى هي إدارة دورة حياة البيانات والتلخيص‬
‫‪278‬‬
‫ومسح النطاق الواسع للعديد من السجالت‪ ،‬هذا هو السبب في أنه من األفضل تخزين‬
‫بيانات السالسل الزمنية في قاعدة بيانات مصممة خصيصا للتعامل مع المقاييس‬
‫واألحداث أو القياسات المختومة بالزمن‪.‬‬
‫ياديا ‪ :‬إحاائية الياليل الزمنية‪:‬‬
‫تشير إحصائية السالسل الزمنية إلى البيانات المستخرجة من نموذج السالسل الزمنية‪،‬‬
‫يجب تسجيل المعلومات على فترات زمنية منتظمة‪ ،‬ويمكن دمجها مع بيانات المقطع‬
‫العرضي الشتقاق التنبؤات ذات الصلة‪.‬‬
‫يابعا‪:‬إحااءات مخطط الزمن ‪: plot statistics‬‬
‫تشير إحصائيات مخطط الزمن إلى تطور سلسلة خالل فترة زمنية محددة‪ ،‬غالبا ما يتم‬
‫استخدامه في بداية التحليل للتفسير السريع ألي شيء من االتجاهات إلى الحاالت‬
‫الشاذة‪.‬‬
‫ثامنا‪ :‬تحليل الياليل الزمنية‪:‬‬
‫نرجع إلى تعريف السلسلة‪ ،‬رياضيا‪ :‬نقول أن متغير الزمن ( المتغير المستقل ‪ ) t‬والقيم‬
‫المناظرة له ( المتغير التابع ‪ )y‬وان كل قيمة في الزمن ‪ t‬يقابلها قيم للمتغير التابع ‪y‬‬
‫فإن ‪ y‬دالة في الزمن ‪ t‬أي‪. y  F  t  :‬‬
‫إذا كان ‪ X i‬متغير عشوائي ذي األهمية في الزمن ‪ ، i‬واذا تم أخذ المالحظات في‬
‫األزمنة ‪ ، i  1,...., t‬فأن القيم المرصودة ‪  X 1  x1 , X 2  x2 ,...., X t  xt ‬هي سلسلة‬
‫زمنية‪.‬‬
‫‪279‬‬
‫جدول البيانات االتي والدال على عدد طالب جامعة ما لعدة سنوات ( األرقام‬
‫باألالف)‪.‬‬
‫‪2021 2020 2019 2018 2017‬‬ ‫‪2016‬‬ ‫السنة‬

‫عدد‬
‫‪42‬‬ ‫‪45‬‬ ‫‪39‬‬ ‫‪32‬‬ ‫‪35‬‬ ‫‪28‬‬
‫الطالب‬
‫التطبيق للى برنامج ‪Maple‬‬
‫‪280‬‬
‫من خالل الشكل البياني نالحظ تغيرات في تعداد الطلبة من سنة ألخرى بين زيادة‬
‫ونقصان‪ ،‬لكن خالل الوصف العام نستنتج زيادة في حجم التعداد ونتوقع زيادة في‬
‫المستقبل‪ ،‬لهذا وجب وضع االستعدادات الالزمة للتسيير األمثل لهؤالء الطلبة‪.‬‬
‫فالسالسل الزمنية هي وصف للماضي وهي إجراء منطقي للتنبؤ للمستقبل ألجل‬
‫االستفادة من هذه البيانات التاريخية‪.‬‬
‫تايعا‪ :‬ميتويات وطرق التنبؤ ‪Forecast Levels and Methods‬‬
‫لنأخذ مثال عن مبيعات منتج ما ‪ ،‬يمكننا إنشاء تنبؤات تفصيلية (عنصر واحد)‬
‫وتنبؤات موجزة (خط المنتج) تعكس أنماط طلب المنتج‪ ،‬يقوم النظام بتحليل المبيعات‬
‫السابقة لحساب التوقعات باستخدام عدة طرق تنبؤية‪ ،‬تتضمن التوقعات معلومات‬
‫تفصيلية على مستوى العنصر ومعلومات ذات مستوى أعلى حول الفرع أو الشركة‬
‫ككل‪.‬‬
‫‪ -2-15‬معايير تقييم أداء التنبؤ ‪Forecast Performance‬‬

‫‪Evaluation Criteria‬‬
‫اعتمادا على انتقاء خيارات المعالجة وعلى االتجاهات واألنماط في بيانات المبيعات ‪،‬‬
‫تؤدي بعض طرق التنبؤ أداء أفضل من غيرها لمجموعة بيانات تاريخية معينة‪ ،‬قد ال‬
‫تكون طريقة التنبؤ المناسبة لمنتج واحد مناسبة لمنتج أخر‪ ،‬وقد نجد أن طريقة التنبؤ‬
‫التي توفر نتائج جيدة في مرحلة واحدة من دورة حياة المنتج تظل مناسبة طوال دورة‬
‫الحياة بأكملها‪.‬‬
‫‪281‬‬
‫يمكننا االختيار بين ثالث طرق لتقييم األداء الحالي لنهج التنبؤ‪:‬‬
‫‪ -‬متوسط االنحراف المطلق)‪Mean absolute deviation (MAD‬‬

‫‪ -‬متوسط مربع الخطأ ‪Mean Squared Error‬‬
‫‪ -‬متوسط انحراف المطلق المئوي ‪Mean Absolute Percent Error‬‬
‫تتطلب هذه الطرق لتقييم األداء بيانات مبيعات تاريخية لفترة نحددها تسمى بفترة‬
‫التوقف أو الفترة التي تناسبها بشكل أفضل‪ ،‬يتم استخدام البيانات في هذه الفترة كأساس‬
‫للتوصية بأسلوب التنبؤ الذي يجب استخدامه في عمل توقعات التنبؤ التالية‪ ،‬هذه‬
‫التوصية خاصة بكل منتج ويمكن أن تتغير من جيل تنبؤ إلى أخر‪.‬‬
‫‪ -1-2-15‬أفضل مالئمة ‪: Best Fit‬‬
‫يوصي النظام بأفضل توقع مالئم من خالل تطبيق طرق التنبؤ المحددة على سجالت‬
‫طلبيات المبيعات السابقة ومقارنة محاكاة التنبؤ بالتاريخ الفعلي‪ ،‬عند إنشاء أفضل توقع‬
‫مالئم يقارن النظام سجالت طلبيات المبيعات الفعلية بالتنبؤات لفترة زمنية محددة‬
‫ويحسب مدى دقة كل طريقة توقع مختلفة في توقع المبيعات‪ ،‬ثم يوصي النظام بالتنبؤ‬
‫األكثر دقة باعتباره األنسب واألفضل ‪ ،‬يوضح الشكل التالي أفضل التوقعات المالئمة‪:‬‬
‫‪282‬‬
‫الشكل ( ‪ :)2-15‬أفضل مالئمة‬
‫يستخدم النظام تسلسل الخطوات هذا لتحديد األنسب‪:‬‬
‫‪ -1‬نستخدم كل طريقة محددة لمحاكاة التنبؤ بفترة االنتظار‪.‬‬

‫‪ -2‬نقارن المبيعات الفعلية بتنبؤات المحاكاة لفترة االنتظار‪.‬‬
‫‪ -3‬نحسب ‪ MAD‬أو ‪ MSE‬أو ‪ MAPE‬لتحديد طريقة التنبؤ األكثر تطابقا مع‬
‫المبيعات الفعلية السابقة‪ ،‬يستخدم النظام إحدى الطرق الثالث بناء على‬
‫خيارات المعالجة التي نحددها‪.‬‬
‫‪ -4‬نوصي بتوقع أفضل مالئمة من خالل المعيار األقرب إلى الصفر‪.‬‬
‫‪ -2-2-15‬طرق التنبؤ ‪: Forecasting Methods‬‬
‫هناك أربعة أنواع رئيسية من طرق التنبؤ التي يستخدمها خبراء التنبؤ ‪ ،‬علما أن هناك‬
‫مجموعة واسعة من أدوات التنبؤ الكمي المستخدمة بشكل متكرر ‪ ،‬فإننا نركز في هذا‬
‫‪283‬‬
‫الفصل على أهم أربعة طرق‪ )1( :‬المتوسط المتحرك ‪ )2( ،‬التمهيد األسي‪)3( ،‬‬
‫االنحدار الخطي البسيط ‪ )4( ،‬االنحدار الخطي المتعدد‪.‬‬
‫الجدول التالي يمثل مجموعة بيانات تاريخية من مبيعات خاصة بسنتين مضت‬
‫(‪ ،)2021/2020‬نريد إجراء اإلسقاط المتوقع للعام المقبل(‪ ،)2022‬المبالغ بـ ‪104‬‬
‫دج‪.‬‬
‫‪12‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫األشهر‬
‫‪233‬‬ ‫‪218‬‬ ‫‪213‬‬ ‫‪234‬‬ ‫‪228‬‬ ‫‪240‬‬ ‫‪239‬‬ ‫‪228‬‬ ‫‪225‬‬ ‫‪210‬‬ ‫‪220‬‬ ‫‪230‬‬ ‫‪2020‬‬
‫‪240‬‬ ‫‪220‬‬ ‫‪215‬‬ ‫‪230‬‬ ‫‪230‬‬ ‫‪238‬‬ ‫‪240‬‬ ‫‪225‬‬ ‫‪220‬‬ ‫‪215‬‬ ‫‪222‬‬ ‫‪227‬‬ ‫‪2021‬‬
‫نقوم بتمثيل السالسل بيانيا‪:‬‬
‫بايتخدام برنامج ‪Maple‬‬
‫بايتخدام برنامج ‪spss‬‬

‫‪284‬‬
‫‪ -3-15‬طريقة المتويطات المتحرك ‪: Moving averages‬‬
‫المتوسطات المتحركة هي أسلوب تجانس يبحث في النمط األساسي لمجموعة من‬

‫البيانات إلنشاء تقدير للقيم المستقبلية‪ ،‬األنواع األكثر شيوعا هي المتوسطات المتحركة‬
‫لمدة ‪ 3‬أشهر و ‪ 5‬أشهر‪.‬‬
‫رياضيا المتوسط المتحرك البسيط ( الذي يعمل كتقدير للفترة التالية يتم التعبير عن‬
‫المبيعات ( مثال) ) على النحو التالي‪:‬‬
‫‪285‬‬
‫نستخدم بيانات المثال السابق الخاصة بمبيعات سنة ‪ ،2020‬المطلوب‪ :‬حساب‬

‫المبيعات المتوقعة لشهر ديسمبر‪ ،‬إذا علمت أن المدة الزمنية للمتوسط المتحرك كل‬
‫ثالثة أشهر‪.‬‬
‫المتوسط المتحرك لـ‬

‫‪ 3‬أشهر‬ ‫المبيعات‬ ‫الشهر‬
‫‪-‬‬ ‫‪230‬‬ ‫‪1‬‬
‫‪-‬‬ ‫‪231‬‬ ‫‪2‬‬
‫‪220‬‬ ‫‪210‬‬ ‫‪3‬‬
‫‪218.33‬‬ ‫‪215‬‬ ‫‪4‬‬
‫‪221‬‬ ‫‪218‬‬ ‫‪5‬‬
‫‪230.67‬‬ ‫‪220‬‬ ‫‪6‬‬
‫‪235.67‬‬ ‫‪222‬‬ ‫‪7‬‬
‫‪235.67‬‬ ‫‪228‬‬ ‫‪8‬‬
‫‪234‬‬ ‫‪234‬‬ ‫‪9‬‬
‫‪225‬‬ ‫‪213‬‬ ‫‪10‬‬
‫‪221.67‬‬ ‫‪218‬‬ ‫‪11‬‬
‫‪221.33‬‬ ‫‪210‬‬ ‫‪12‬‬
‫‪230  220  210‬‬

‫‪ ، MA ‬وهكذا دواليك‪.‬‬ ‫مثال‪ 220 :‬‬
‫‪3‬‬
‫المبيعات المتوقعة لشهر ديسمبر تقدر بـ ‪ 104 × 221.33 :‬دج‪.‬‬
‫‪286‬‬
‫أما التطبيق على برنامج ‪ Maple‬فيكون على النحو االتي وذلك باختيار المدة الزمنية‬
‫للمتوسط المتحرك كل ثالثة أشهر و كل خمسة أشهر‪.‬‬
‫‪ -4-15‬طريقة التمهيد األيي ‪:Exponential Smoothing‬‬
‫تحسب هذه الطريقة متوسطا متجانسا‪ ،‬والذي يصبح تقدي ار يمثل المستوى العام‬
‫للمبيعات خالل فترات البيانات التاريخية المحددة ‪ ،‬حيث تتطلب سجالت بيانات‬
‫‪287‬‬
‫المبيعات للفترة الزمنية التي يتم تمثيلها من خالل عدد الفترات المالئمة باإلضافة إلى‬
‫عدد فترات البيانات السابقة المحددة‪ ،‬الحد األدنى من المتطلبات هو فترتان لبيانات‬
‫تاريخية‪ ،‬هذه الطريقة مفيدة للتنبؤ بالطلب ( المبيعات)عندما ال يكون هناك اتجاه خطي‬
‫في البيانات‪ ،‬هذا يعني أننا ال نحتاج إلى معرفة أي شيء عن التوزيع اإلحصائي‬
‫للبيانات الستخدامها‪ ،‬قد يصبح التمهيد األسي أكثر تعقيدا بشكل مطرد مع مرور الزمن‬
‫‪ ،‬لكن أبسط طرقه ال تزال مستخدمة اليوم وقد أثبتت فعاليتها في عديد من الحاالت‪.‬‬
‫معادلة التنبؤ باستخدام التمهيد األسي هي‪:‬‬
‫التوقع الجديد = المبيعات المتوقعة للفترة األخيرة ‪(α +‬المبيعات الفعلية للفترة األخيرة –‬
‫المبيعات المتوقعة للفترة األخيرة) ‬
‫بالرموز تكون كما يلي‪ Ft  Ft 1    At 1  Ft 1  :‬أو بصيغة مكافئة‪:‬‬

‫‪Ft   At 1  1    Ft 1‬‬
‫حيث ‪ α‬عبارة عن وزن أو ثابت التمهيد يختاره المحلل والذي له قيمة‪. 0    1 :‬‬
‫‪ : Ft‬التوقع الجديد‪.‬‬
‫‪ : Ft 1‬المبيعات المتوقعة للفترة األخيرة‪.‬‬
‫‪ : ‬وزن أو ثابت التمهيد‪.‬‬
‫‪ : At 1‬المبيعات الفعلية للفترة األخيرة‪.‬‬
‫‪288‬‬
‫بالرجوع إلى المثال(‪ ( )2‬بيانات سنة ‪ ،) 2020‬المطلوب‪ :‬استخدام طريقة التمهيد‬

‫األسي لتقدير مبيعات شهر جانفي ‪ ،2021‬بافتراض ‪.   0.2 ,  A1  F1  :‬‬
‫نستخدم الصيغة الثانية ‪Ft   At 1  1    Ft 1 :‬‬
‫‪F2  0.2  230  0.8  230  230‬‬

‫‪F3  0.2  231  0.8  230  230.2‬‬
‫‪.‬‬
‫‪.‬‬
‫‪F j /2021  0.2  210   0.8  222   219.6‬‬
‫التوقع ‪Ft‬‬ ‫المبيعات ‪At‬‬ ‫الشهر‬

‫‪230‬‬ ‫‪230‬‬ ‫‪1‬‬
‫‪230‬‬ ‫‪231‬‬ ‫‪2‬‬
‫‪230.2‬‬ ‫‪210‬‬ ‫‪3‬‬
‫‪226.16‬‬ ‫‪215‬‬ ‫‪4‬‬
‫‪223.928‬‬ ‫‪218‬‬ ‫‪5‬‬
‫‪222.7424‬‬ ‫‪220‬‬ ‫‪6‬‬
‫‪222.2‬‬ ‫‪222‬‬ ‫‪7‬‬
‫‪222.16‬‬ ‫‪228‬‬ ‫‪8‬‬
‫‪223.328‬‬ ‫‪234‬‬ ‫‪9‬‬
‫‪225.4624‬‬ ‫‪213‬‬ ‫‪10‬‬
‫‪223‬‬ ‫‪218‬‬ ‫‪11‬‬
‫‪222‬‬ ‫‪210‬‬ ‫‪12‬‬
‫جانفي‬
‫‪219.6‬‬ ‫‪2021‬‬
‫‪289‬‬
‫‪ -5-15‬تقياس خطأ التنبؤ ‪: Measuring Forecast Error‬‬
‫يمكن تحديد الدقة اإلجمالية ألي نموذج تنبؤ ‪ :‬المتوسط المتحرك ‪ ،‬أو التمهيد األسي ‪،‬‬
‫أو غير ذلك ‪ ،‬وذلك بمقارنة القيم المتوقعة مع القيم الفعلية أو المرصودة‪ ،‬إذا كانت‬
‫‪ Ft‬تشير إلى التنبؤ في الفترة ‪ ، t‬و ‪ At‬تشير إلى الطلب الفعلي في الفترة ‪ ، t‬يتم‬
‫تعريف خطأ التنبؤ (أو االنحراف) على النحو التالي‪:‬‬
‫خطأ التنبؤ = الطلب الفعلي ‪ -‬القيمة المتوقعة‬
‫‪FE  At  Ft‬‬
‫يتم استخدام العديد من المقاييس في الممارسة التطبيقية لحساب خطأ التنبؤ الكلي‪،‬‬
‫يمكن استخدام هذه المقاييس لمقارنة نماذج التنبؤ المختلفة ‪ ،‬وكذلك لمراقبة التوقعات‬
‫للتأكد من أنها تعمل بشكل جيد‪ ،‬هناك ثالثة مقاييس أكثر شيوعا ‪ ،‬وهي متوسط‬
‫االنحراف المطلق (‪ ، )MAD‬متوسط مربع الخطأ (‪ ، )MSE‬متوسط انحراف المطلق‬
‫المئوي (‪ ،)MAPE‬لنأخذ المثال السابق لحساب هذه المقاييس‪.‬‬
‫‪ -1-5-15‬متويط االنحراف المطلق ‪: Mean Absolute Deviation‬‬
‫يأخذ الصيغة التالية‪:‬‬
‫‪n‬‬
‫‪ A F‬‬ ‫‪i‬‬ ‫‪i‬‬

‫‪MAD ‬‬ ‫‪i 1‬‬
‫‪n‬‬
‫‪290‬‬
‫انطالقا من المثال السابق أحسب متوسط االنحراف المطلق ‪. MAD‬‬
‫‪Ai  Fi‬‬ ‫التوقع ‪Ft‬‬ ‫المبيعات ‪At‬‬ ‫الشهر‬

‫‪0‬‬ ‫‪230‬‬ ‫‪230‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪230‬‬ ‫‪231‬‬ ‫‪2‬‬
‫‪20.2‬‬ ‫‪230.2‬‬ ‫‪210‬‬ ‫‪3‬‬
‫‪11.16‬‬ ‫‪226.16‬‬ ‫‪215‬‬ ‫‪4‬‬
‫‪5.928‬‬ ‫‪223.928‬‬ ‫‪218‬‬ ‫‪5‬‬
‫‪2.7424‬‬ ‫‪222.7424‬‬ ‫‪220‬‬ ‫‪6‬‬
‫‪2.2‬‬ ‫‪222.2‬‬ ‫‪222‬‬ ‫‪7‬‬
‫‪5.84‬‬ ‫‪222.16‬‬ ‫‪228‬‬ ‫‪8‬‬
‫‪10.672‬‬ ‫‪223.328‬‬ ‫‪234‬‬ ‫‪9‬‬
‫‪12.4624‬‬ ‫‪225.4624‬‬ ‫‪213‬‬ ‫‪10‬‬
‫‪5‬‬ ‫‪223‬‬ ‫‪218‬‬ ‫‪11‬‬
‫‪12‬‬ ‫‪222‬‬ ‫‪210‬‬ ‫‪12‬‬
‫‪89.2048‬‬ ‫المجموع‬
‫‪n‬‬
‫‪ A F‬‬ ‫‪i‬‬ ‫‪i‬‬

‫‪89.2048‬‬
‫‪MAD ‬‬ ‫‪i 1‬‬
‫‪‬‬ ‫‪ 7.43‬‬
‫‪n‬‬ ‫‪12‬‬
‫يكون التنبؤ جيدا كلما كانت قيمة ‪ MAD‬صغيرة جدا‪.‬‬
‫‪291‬‬
‫‪ -2-5-15‬متويط مربع الخطأ ‪:Mean Squared Error‬‬
‫انطالقا من المثال السابق أحسب متوسط مربع الخطأ ‪. MSE‬‬
‫‪ Ai  Fi ‬‬
‫‪2‬‬
‫التوقع ‪Ft‬‬ ‫المبيعات ‪At‬‬ ‫الشهر‬
‫‪0‬‬
‫‪230‬‬ ‫‪230‬‬ ‫‪1‬‬
‫‪1‬‬
‫‪230‬‬ ‫‪231‬‬ ‫‪2‬‬
‫‪408,04‬‬
‫‪230.2‬‬ ‫‪210‬‬ ‫‪3‬‬
‫‪124,55‬‬
‫‪226.16‬‬ ‫‪215‬‬ ‫‪4‬‬
‫‪35,14‬‬
‫‪223.928‬‬ ‫‪218‬‬ ‫‪5‬‬
‫‪7,52‬‬
‫‪222.7424‬‬ ‫‪220‬‬ ‫‪6‬‬
‫‪0,04‬‬
‫‪222.2‬‬ ‫‪222‬‬ ‫‪7‬‬
‫‪34,11‬‬
‫‪222.16‬‬ ‫‪228‬‬ ‫‪8‬‬
‫‪113,89‬‬
‫‪223.328‬‬ ‫‪234‬‬ ‫‪9‬‬
‫‪292‬‬
‫‪155,3‬‬
‫‪225.4624‬‬ ‫‪213‬‬ ‫‪10‬‬
‫‪25‬‬
‫‪223‬‬ ‫‪218‬‬ ‫‪11‬‬
‫‪144‬‬
‫‪222‬‬ ‫‪210‬‬ ‫‪12‬‬
‫‪87.38‬‬ ‫المجموع‬
‫‪n‬‬
‫‪  Forecast errors ‬‬

‫‪2‬‬
‫‪1048,6‬‬
‫‪MSE ‬‬ ‫‪i 1‬‬
‫‪‬‬ ‫‪ 87.38‬‬
‫‪n‬‬ ‫‪12‬‬
‫‪ -3-5-15‬متويط انحراف المطلق المئوي ‪Mean Absolute Percent‬‬

‫‪: Error‬‬
‫‪n‬‬
‫‪100  A  F‬‬ ‫‪i‬‬ ‫‪i‬‬ ‫‪/ Ai‬‬

‫‪MAPE ‬‬ ‫‪i 1‬‬
‫‪n‬‬
‫انطالقا من المثال السابق أحسب متوسط انحراف المطلق المئوي ‪. MAPE‬‬
‫‪100  Ai  Fi / Ai‬‬ ‫التوقع ‪Ft‬‬ ‫المبيعات ‪At‬‬ ‫الشهر‬

‫‪0‬‬
‫‪230‬‬ ‫‪230‬‬ ‫‪1‬‬
‫‪0,43‬‬
‫‪230‬‬ ‫‪231‬‬ ‫‪2‬‬
‫‪293‬‬
‫‪9,62‬‬
‫‪230.2‬‬ ‫‪210‬‬ ‫‪3‬‬
‫‪5,19‬‬
‫‪226.16‬‬ ‫‪215‬‬ ‫‪4‬‬
‫‪2,72‬‬
‫‪223.928‬‬ ‫‪218‬‬ ‫‪5‬‬
‫‪1,25‬‬
‫‪222.7424‬‬ ‫‪220‬‬ ‫‪6‬‬
‫‪0,09‬‬
‫‪222.2‬‬ ‫‪222‬‬ ‫‪7‬‬
‫‪2,56‬‬
‫‪222.16‬‬ ‫‪228‬‬ ‫‪8‬‬
‫‪4,56‬‬
‫‪223.328‬‬ ‫‪234‬‬ ‫‪9‬‬
‫‪5,85‬‬
‫‪225.4624‬‬ ‫‪213‬‬ ‫‪10‬‬
‫‪2,29‬‬
‫‪223‬‬ ‫‪218‬‬ ‫‪11‬‬
‫‪5,71‬‬
‫‪222‬‬ ‫‪210‬‬ ‫‪12‬‬
‫‪40,28‬‬
‫‪n‬‬
‫‪100  A  F‬‬
‫‪i‬‬ ‫‪i‬‬ ‫‪/ Ai‬‬
‫‪40.28‬‬
‫‪MAPE ‬‬ ‫‪i 1‬‬
‫‪‬‬ ‫‪ 3.35%‬‬
‫‪n‬‬ ‫‪12‬‬
‫‪ -6-15‬طريقة االنحدار الخطي البييط‪:‬‬
‫يعد االنحدار من المواضيع المهمة واألكثر تناوال في ميدان اإلحصاء االستداللي‪،‬‬

‫باستخداماته الواسعة في شتى الميادين العلمية واالجتماعية واالقتصادية‪.،‬‬
‫‪294‬‬
‫إن أول من استخدم مفهوم االنحدار هو االنكليزي فرانس قالتون‪ 1‬في دراسته بين طول‬
‫اآلباء واألبناء‪.‬‬
‫عند حسابنا لمعامل االرتباط بين المتغيرين ‪ X‬و ‪ ،Y‬عندما تكون العالقة خطية يمكن‬
‫صياغتها بمعادلة مستقيم ‪ ، y     x‬وللوصول إلى صياغة نهائية للعالقة بين ‪ X‬و‬
‫‪ Y‬وجب تحديد معاملي المعادلة ( ‪ ‬و ‪.) ‬‬
‫‪ -1-6-15‬معادلة التنبؤ ( معادلة االنحدار)‪:‬‬
‫عند ضماننا أن متغيرين عشوائيين ‪ X‬و ‪ Y‬مرتبطان وفق نموذج خطي بواسطة عينة‬
‫عشوائية حجمها ‪ n‬من األزواج المرتبة في قيم ‪ x‬و‪ y‬حيث ‪،  xi , yi  : i  1, 2,...n‬‬
‫للحصول على المعادلة المرجوة ( التنبؤ) يعتمد هذا على طريقتين وهما‪:‬‬
‫أوال‪ :‬الطريقة الكالييكية‪:‬‬
‫وهي وضع مسطرة فوق التمثيل البياني لمجموعة من نقاط العينة وتسويتها ووضع خط‬
‫يمر على غالبية النقاط ومن ثم حساب الميل ومعامل التقاطع‪.‬‬
‫لنأخذ الشكل التالي‪:‬‬
‫‪1‬‬
‫‪ -‬السير فرانسيس قالتون ( ‪ ،Sir Francis Galton )1911-1822‬عالم متعدد الثقافات ‪ :‬إحصائي ‪ ،‬عالم اجتماع ‪،‬‬
‫عالم نفس ‪ ،‬عالم أنثروبولوجيا ‪ ،‬مستكشف استوائي ‪ ،‬جغرافي ‪ ،‬مخترع ‪ ،‬عالم أرصاد جوية ‪ ،‬عالم الوراثة ‪ ،‬عالم‬
‫القياس النفسي ومؤيد للداروينية االجتماعية وعلم تحسين النسل والعنصرية العلمية‪ ،‬حصل على لقب سير عام ‪.1909‬‬
‫‪295‬‬
‫الشكل ( ‪ :)3-15‬ميتقيم التيوية‬
‫ثانيا‪ :‬طريقة المربعات الاغرى‪:‬‬
‫لتقدير معالم االنحدار (معامل التقاطع ‪ ‬والميل ‪ ) ‬نستخدم طريقة المربعات الصغرى‬
‫‪‬‬
‫‪ ،(Ordinary least squares)1‬إذا رمزنا ب ـ ـ ‪ y‬للقيمة التي تنبؤها ‪y   y / x‬‬
‫ولكي يمثل خط التنبؤ ̂‪ y‬أفضل مالئمة ممكنة للقيم الملحوظة البد لنا أن نجعل هذه‬
‫االنحرافات أصغر ما يمكن ‪ ،‬يعتمد هذا على مبدأ المربعات الصغرى أي نختار ̂‪‬‬
‫‪1‬‬
‫‪ -‬تم نشر أول بحث واضح وموجز لطريقة المربعات الصغرى بواسطة الرياضياتي الفرنسي لوجندر ‪Legendre‬‬
‫في سنة ‪ ،1805‬توصف هذه التقنية بأنها إجراء جبري لمالئمة المعادالت الخطية على البيانات ‪ ،‬في غضون عشر‬
‫سنوات بعد نشر ‪ Legendre‬تم اعتماد طريقة المربعات الصغرى كأداة قياسية في علم الفلك والجيوديسيا في فرنسا‬
‫وإيطاليا وبروسيا ‪ ،‬مما شكل قبوال سريعا للغاية للتقنية العلمية‪.‬‬
‫في سنة ‪ 1809‬نشر كارل فريدريش غوص طريقته في حساب مدارات األجرام السماوية‪ ،‬في هذا العمل إدعى أنه كان‬
‫يمتلك طريقة المربعات الصغرى منذ عام ‪ ،1795‬أدى هذا بطبيعة الحال إلى نزاع على األولوية مع ‪ ، Legendre‬ومع‬
‫ذلك وفقا لحساب ‪ Gauss‬فقد تجاوز ‪ Legendre‬ونجح في ربط طريقة المربعات الصغرى بمبادئ االحتمال والتوزيع‬
‫الطبيعي‪ ،‬لقد تمكن من إكمال برنامج البالس لتحديد شكل رياضي لكثافة االحتماالت للمشاهدات اعتمادا على عدد محدود‬
‫من المعلمات غير المعلومة ‪ ،‬وتحديد طريقة تقدير تقلل من خطأ التقدير‪ ،‬أظهر غوص أن المتوسط الحسابي هو بالفعل‬
‫أفضل مقدر‪ ،‬ثم حول المسألة عن طريق السؤال عن الشكل الذي يجب أن تكون عليه الكثافة وما هي طريقة التقدير‬
‫التي يجب استخدامها للحصول على المتوسط الحسابي كتقدير لهذا المعامل‪ ،‬في هذه المحاولة اخترع التوزيع الطبيعي‪.‬‬
‫صاغ األمريكي روبرت أدرين ‪ Robert Adrain‬فكرة تحليل المربعات الصغرى بشكل مستقل في عام ‪ ،1808‬في‬
‫القرنين التاليين ‪ ،‬وجد العاملون في نظرية األخطاء واإلحصاء العديد من الطرق المختلفة لتنفيذ المربعات الصغرى‪.‬‬
‫‪296‬‬
n n
‫ وبتعويض‬، ‫ في نهايتها الصغرى‬Q    yi  yî    ei 2 ‫ بحيث تكون الكمية‬ˆ ‫و‬
2
i 1 i 1
:‫ نجد‬yî ‫قيمة‬
 
n
Q   yi  ˆ  ˆ xi ...............  I 
2
i 1
‫ والمطابقة‬ˆ ‫ و‬̂ ‫ جزئيا بالنسبة ل‬ I  ‫ نقوم باشتقاق طرفي العالقة‬ˆ ‫ و‬̂ ‫ولحساب‬
:‫مع الصفر نجد‬
Q n
   2   yi  ˆ  ˆ xi   0
ˆ i 1    
Q n
   2  xi  yi  ˆ  ˆ xi   0
ˆ i 1    
:‫وتؤدي هاتان العبارتان الى‬
n n
 yi  ˆ n  ˆ  xi
i 1 i 1
n n n
x y
i 1
i i  ˆ  xi  ˆ  xi2
i 1 i 1
:‫وبحل هذه الجملة نحصل على‬
 n   n  n  n
n   xi yi     xi   yi   xi yi  n x y
cov  x, y 
ˆ   i 1   i 1  i 1   i 1 
 n   n 
2 n
V  x
n   xi2     xi   xi2  n  x 
2
 i 1   i 1  i 1
n n
 yi  ˆ  xi
ˆ  i 1 i 1
 y  ˆ x
n
297
‫‪S xy‬‬
‫‪. ˆ ‬‬ ‫يمكننا استخدام طريقة االنحرافات لحساب ˆ‪ ‬و هي‪:‬‬
‫‪S xx‬‬
‫بالرجوع إلى المثال (‪ )2‬المتغير المستقل (‪ )x‬يمثل األشهر والمتغير التابع (‪ )y‬يمثل‬
‫المبيعات لسنة (‪:)2020‬‬
‫‪12‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫األشهر‬
‫‪233‬‬ ‫‪218‬‬ ‫‪213‬‬ ‫‪234‬‬ ‫‪228‬‬ ‫‪240‬‬ ‫‪239‬‬ ‫‪228‬‬ ‫‪225‬‬ ‫‪210‬‬ ‫‪220‬‬ ‫‪230‬‬ ‫‪2020‬‬
‫المطلوب‪ :‬أوجد معادلة االنحدار الخطي لـ ـ‪ y‬على ‪.x‬‬
‫‪x‬‬ ‫‪y‬‬ ‫‪x²‬‬ ‫‪y²‬‬ ‫‪xy‬‬

‫‪1‬‬ ‫‪230‬‬ ‫‪1‬‬ ‫‪52900‬‬ ‫‪230‬‬
‫‪2‬‬ ‫‪220‬‬ ‫‪4‬‬ ‫‪48400‬‬ ‫‪440‬‬
‫‪3‬‬ ‫‪210‬‬ ‫‪9‬‬ ‫‪44100‬‬ ‫‪630‬‬
‫‪4‬‬ ‫‪225‬‬ ‫‪16‬‬ ‫‪50625‬‬ ‫‪900‬‬
‫‪5‬‬ ‫‪228‬‬ ‫‪25‬‬ ‫‪51984‬‬ ‫‪1140‬‬
‫‪6‬‬ ‫‪239‬‬ ‫‪36‬‬ ‫‪57121‬‬ ‫‪1434‬‬
‫‪7‬‬ ‫‪240‬‬ ‫‪49‬‬ ‫‪57600‬‬ ‫‪1680‬‬
‫‪8‬‬ ‫‪228‬‬ ‫‪64‬‬ ‫‪51984‬‬ ‫‪1824‬‬
‫‪9‬‬ ‫‪234‬‬ ‫‪81‬‬ ‫‪54756‬‬ ‫‪2106‬‬
‫‪10‬‬ ‫‪213‬‬ ‫‪100‬‬ ‫‪45369‬‬ ‫‪2130‬‬
‫‪11‬‬ ‫‪218‬‬ ‫‪121‬‬ ‫‪47524‬‬ ‫‪2398‬‬
‫‪12‬‬ ‫‪233‬‬ ‫‪144‬‬ ‫‪54289‬‬ ‫‪2796‬‬
‫المجموع‬ ‫‪78‬‬ ‫‪2718‬‬ ‫‪650‬‬ ‫‪616652‬‬ ‫‪17708‬‬
‫المتوسط‬ ‫‪6,5‬‬ ‫‪226,5‬‬ ‫‪54,17‬‬ ‫‪51387,67‬‬ ‫‪1475,67‬‬
‫‪298‬‬
‫‪1 n‬‬
‫‪cov  x, y  n ‬‬
‫‪xi yi  x  y‬‬
‫ˆ‬ ‫‪1475.67   6.5 226.5‬‬
‫‪‬‬ ‫‪‬‬ ‫‪i 1‬‬
‫‪‬‬ ‫‪ 0.28‬‬
‫‪v  x‬‬ ‫‪1‬‬ ‫‪n‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪2‬‬
‫‪ xi x‬‬
‫‪n i 1‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪54.17‬‬ ‫‪6.5‬‬
‫‪ˆ  y  ˆ x  226.5   0.28 6.5  224.68‬‬
‫معادلة االنحدار ‪yî  224.68  0.28xi :‬‬
‫يمكن استخدام هذه المعادلة بغرض التنبؤ بقيمة المتغير ‪ y‬من أجل قيمة معينة لـ ‪،x‬‬
‫نريد تقدير المبيعات لشهر جانفي ‪ ،)13( 2021‬فالتنبؤ بالمبيعات سيكون كما يلي‪:‬‬
‫‪yˆ13  224.68  0.28 13  228.32‬‬
‫التطبيق للى برنامج ‪: Maple‬‬
‫‪299‬‬
‫‪ -2-6-15‬تقدير ‪:  2‬‬
‫نقوم بتقدير معلمة غير معلومة في نموذج االنحدار والتي يطلق عليها تباين الخطأ‬
‫( ‪ ،)  2‬االنحرافات ‪ ei  yi  yî‬نسميها البواقي‪ ،‬حيث تستخدم للحصول على تقدير ‪،  2‬‬
‫مجموع مربعات البواقي غالبا ما يطلق عليها مجموع مربعات الخطأ حيث‪:‬‬
‫‪n‬‬ ‫‪n‬‬
‫‪SS E   ei2    yi  yî ‬‬
‫‪2‬‬
‫‪i 1‬‬ ‫‪i 1‬‬
‫‪300‬‬
‫نستطيع أن ننظر الى القيمة المتوقعة لمجموع مربعات الخطأ وهي‪:‬‬

‫‪ ، E  SS E    n  2   2‬ونتيجة لذلك فأن هذا يعتبر مقدر غير متحيز ل ‪ ،  2‬حيث‪:‬‬
‫‪SS E‬‬
‫‪ˆ 2 ‬‬
‫‪n2‬‬
‫يمكننا حساب ‪ SS E‬كما يلي‪SS E  SST  ˆ S xy :‬‬
‫‪n‬‬
‫بحيث أن ‪ SST    yi  y ‬هو مجموع المربعات الكلي‪.‬‬
‫‪2‬‬
‫‪i 1‬‬
‫بالرجوع لبيانات المثال السابق‪ ،‬أوجد تقدير تباين الخطأ ( ‪:)  2‬‬
‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬
‫‪ xi  78 ,‬‬
‫‪i 1‬‬
‫‪ xi2  650 ,  yi  2718 ,‬‬
‫‪i 1‬‬ ‫‪i 1‬‬
‫‪y‬‬
‫‪i 1‬‬
‫‪2‬‬
‫‪i‬‬ ‫‪ 616652‬‬
‫‪n‬‬
‫‪n  12 ,‬‬ ‫‪x y‬‬
‫‪i 1‬‬
‫‪i‬‬ ‫‪i‬‬ ‫‪ 17708‬‬
‫‪n‬‬
‫‪SST    yi  y ‬‬ ‫‪, SS E  SST  ˆ S xy‬‬
‫‪2‬‬
‫‪i 1‬‬
‫‪n‬‬
‫‪1  n  n ‬‬ ‫‪1‬‬
‫‪S xy   xi yi    yi    xi   17708   2718 78  41‬‬
‫‪i 1‬‬ ‫‪n  i 1   i 1 ‬‬ ‫‪12‬‬
‫‪n‬‬ ‫‪n‬‬
‫= ‪SST    yi  y ‬‬ ‫‪y‬‬ ‫‪- ny 2 = 616652  12  226.5 =1025‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪i‬‬
‫‪i 1‬‬ ‫‪i 1‬‬
‫‪SS E  SST  ˆ S xy  1025   0.28 41  1013.52‬‬

‫‪SS E 1013.52‬‬
‫‪ˆ 2 ‬‬ ‫‪‬‬ ‫‪ 101.352‬‬
‫‪n2‬‬ ‫‪10‬‬
‫‪301‬‬
‫‪ -3-6-15‬خاائص مقدرات المربعات الاغرى‪:‬‬
‫الخصائص االحصائية لمقدرات المربعات الصغرى ̂‪ ‬و ˆ‪ ‬بسيطة الوصف‪ ،‬إن‬

‫) للنموذج ‪ y     x  ‬هو متغير عشوائي بوسط صفر‪،‬‬ ‫الخطأ العشوائي ( ‪‬‬
‫وتباين ( ‪ )  2‬نرمز له باختصار ) ‪ ، NID(0, 2‬حيث ‪  i‬هو عبارة عن خطأ وليس‬
‫عن انحراف مقصود وتوقعه يدور حوا الصفر بمعنى ‪. E   i   0‬‬
‫بمأن ‪1 x‬ثابتة ‪ y‬بوسط ‪  y / x     x‬وتباين ‪ ،  2‬لذلك فقيم ̂‪ ‬و ˆ‪ ‬تتبع‬

‫المشاهدة ‪ ، y‬إذن ملخص مقدر المربعات لمعامل االنحدار هو متغير عشوائي ‪،‬‬
‫سنتحقق من تحيز وخصائص تباين مقدر المربعات الصغرى ل ̂‪ ‬و ˆ‪. ‬‬
‫تقضية ‪:1‬‬
‫‪ -‬إن المقدرين ̂‪ ‬و ˆ‪ ‬الناتجين بواسطة طريقة المربعات الصغرى هما مقدرين غير‬
‫متحيزين للمعلمتين ‪ ‬و ‪ ‬أي ‪. E  ˆ    , E ˆ    :‬‬
‫‪ -‬أما تباين المقدرين ̂‪ ‬و ˆ‪ ‬فهو كما يلي‪:‬‬
‫‪‬‬ ‫‪‬‬
‫‪2‬‬ ‫‪1‬‬ ‫‪‬‬
‫‪ ‬‬
‫‪2‬‬
‫‪x‬‬
‫‪V ˆ ‬‬ ‫‪, V ˆ    2   n‬‬ ‫‪‬‬
‫‪n‬‬ ‫‪2 ‬‬
‫‪n‬‬
‫‪x‬‬
‫‪i 1‬‬
‫‪2‬‬
‫‪i‬‬ ‫‪ nx 2‬‬ ‫‪‬‬
‫‪‬‬
‫‪‬‬‫‪i 1‬‬
‫‪xi  nx ‬‬
‫‪2‬‬
‫‪‬‬
‫‪1‬‬
‫في االحصاء نشاهد قيما عديدة للمتغير ‪ ، y‬نفرض أن هذه القيم ترجع الى توزيع احتمالي ل ‪ ، y‬ولكننا نفرض‬
‫أن ‪ x‬عددا معروفا لم يتوزع بكيفية عشوائية بل نحدد له قيمة معينة في التجربة ‪ ،‬مثال إذا كان ‪ y‬هو عدد مبيعات‬
‫منتوج ما ‪ ،‬و ‪ x‬هو عدد األشهر‪ ،‬فأن التجربة تحتوي على إعطاء ‪ x‬قيمة معينة ( شهر معين ) ومشاهدة النتيجة‬
‫يتوزع طبيعيا لكانت دالة االنحدار خطية كما‬ ‫‪ x, y ‬‬ ‫( قيمة المبيعات في ذلك الشهر) ‪ ،‬إذا كان الزوج‬ ‫‪y‬‬ ‫العشوائية‬
‫‪. y/ x‬‬ ‫رأينا سابقا‪ ،‬يعني أن ‪    x‬‬
‫‪302‬‬
:‫ يكتب كما يلي‬ˆ ‫ و‬̂ ‫ بينما تغاير المقدرين‬-
x 2

cov ˆ , ˆ    n
 x  x 
2
i
i 1
:‫االثبات‬
:‫نتذكر بعض الخواص و هي‬
E  ei   0 , V  ei    2 , E  yi      xi , V  ei    2
:‫ فهو كما يلي‬ˆ ‫نبدأ بتوقع المقدر‬
n n n
  x  x  y  y    x  x  y  y   x  x 
i i i i i
ˆ  i 1
n
 i 1
n
i 1
 x  x   x  x 
2 2
i i
i 1 i 1
 x  x  y i i n
ˆ  i 1
n
,  x  x   0 i
 x  x 
2 i 1
i
i 1
:‫و بالتالي‬
n n
  x  x  E  y    x  x  E    x 
 
i i i i
E ˆ  i 1
n
 i 1
n
x
i 1
2
i  nx 2 x
i 1
2
i  nx 2
303
n n
   xi  x     xi  xi  x 
 i 1
n
i 1
x
i 1
2
i  nx 2
n n
 xi2  x  xi
 
E ˆ   i 1
n
i 1

x
i 1
2
i  nx 2
 
E ˆ   ‫و منه‬
:‫ فهو كالتالي‬̂ ‫أما توقع المقدر‬
: ‫ فالتوقع يكون‬ˆ  y  ˆ x ‫من العالقة‬
E  yi 
 
n
E ˆ     x E ˆ
i 1 n
E ˆ   
n
   xi   x     x   x   
i 1 n
E ˆ    ‫و منه‬
:‫ فهو كما يلي‬ˆ ‫أما تباين المقدر‬
 n 
 
n n
V   xi  x  yi    V  xi  x  yi     xi  x  V  yi 
2
2
 
V ˆ   i 
 n 2
1
2
  i 1 2
 i 1 2
 n
2  n 2 2  n 2 2
  xi  nx    xi  nx    xi  nx   xi2  nx 2
 i 1   i 1   i 1  i 1
:‫ فهو كما يلي‬̂ ‫بينما تباين المقدر‬
: ‫ فالتباين يكون‬ˆ  y  ˆ x ‫من العالقة‬
304
 
V ˆ   V  y   V ˆ x  2 x cov y , ˆ  
1 n  2
V  y   V   yi  
 n i 1  n
2
 
V ˆ x  x 2V ˆ  x 2   n
 x  x 
2
i
i 1
 n

  x  x  y 
 
i i
cov y , ˆ  cov  y , i 1
n

 
 x  x 
2
 i 
 i 1 
:)‫نستخدم خصائص التباين المشترك ( التغاير‬
cov  ax  b , cy  d   ac cov  x , y  , cov  x , x   V  x 

n
 x  x  i
 i 1
n
cov  y , yi 
 x  x 
2
i
i 1
1  
2 n
cov  yi , yi  
n  n
,  x  x   0
i 1
i

cov y , ˆ  0 
:‫و بالتالي‬
 
V ˆ   V  y   V ˆ x  2 x cov y , ˆ  
2 2
V ˆ   x 2
n
 x  x 
n 2
i
i 1
305
‫‪‬‬ ‫‪‬‬
‫‪1‬‬ ‫‪x‬‬ ‫‪2‬‬ ‫‪‬‬
‫‪V ˆ    2   n‬‬ ‫‪‬‬
‫‪n‬‬ ‫‪2 ‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬‫‪i 1‬‬
‫‪ xi  x  ‬‬
‫‪‬‬
‫وأخي ار تغاير المقدرين ̂‪ ‬و ˆ‪ ‬هو كما يلي‪:‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬

‫ˆ‪cov ˆ , ˆ  cov y  ˆ x , ‬‬ ‫‪‬‬
‫من خصائص التباين المشترك نجد‪cov  x  z , y   cov  x , y   cov  z , y  :‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬

‫ˆ‪cov ˆ , ˆ  cov y  ˆ x , ˆ  cov y , ˆ  x cov ˆ , ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫و منه‬
‫وقد تم إثبات ‪ ، cov  y , ˆ   0‬ونجد أيضا ‪ ، cov  ˆ , ˆ   V  ˆ ‬إذن ‪:‬‬
‫‪ ‬‬
‫ˆ‪cov ˆ , ˆ  0  x V ‬‬ ‫‪ ‬‬
‫‪x 2‬‬
‫‪cov ˆ , ˆ   ‬‬ ‫‪n‬‬
‫‪ x  x ‬‬
‫‪2‬‬
‫‪i‬‬
‫‪i 1‬‬
‫‪ -4-6-15‬اختبار معنوية معاملي االنحدار الخطي البييط‪:‬‬
‫الختبار معنوية ميل خط االنحدار ( أو معامل االنحدار) ومعامل التقاطع‪ ،‬رأينا سابقا‬
‫أن الخطأ العشوائي ( ‪ ) ‬أنه يتوزع توزيعا طبيعيا بوسط صفر‪ ،‬وتباين ( ‪ )  2‬نرمز له‬
‫باختصار ) ‪. NID(0, 2‬‬
‫‪306‬‬
‫سنطبق اختبار ‪ t1‬و اختبار ‪ F2‬لفحص معنوية معاملي االنحدار (تحليل التباين)‪.‬‬
‫‪‬‬
‫أوال‪ :‬اختبار معنوية معامل االنحدار ‪: ‬‬
‫‪H 0 :   0‬‬
‫صياغة الفرضية تكون على النحو التالي‬
‫‪H1 :    0‬‬
‫‪‬‬ ‫‪‬‬
‫‪  0‬‬ ‫‪  0‬‬
‫‪، T0 ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫أما عن إحصاءة االختبار فتكون كما يلي‬
‫‪ / S xx‬‬
‫‪2‬‬ ‫) ‪Se( ‬‬
‫‪t  t / 2, n  2‬‬ ‫رفض ‪ H 0‬إذا كان‬ ‫تتبع توزيع ‪ t‬مع ‪ n-2‬درجة حرية‬
‫‪H0 :   0‬‬
‫وهناك حالة خاصة جدا وهي كثيرة االستخدام وهي ‪:‬‬
‫‪H1 :   0‬‬
‫‪‬‬
‫ثانيا‪ :‬اختبار معنوية معامل التقاطع ‪: ‬‬
‫‪H0 :   0‬‬
‫صياغة الفرضية تكون على النحو التالي‬
‫‪H1 :    0‬‬
‫‪1‬‬
‫‪ -‬نسبة إلى وليام سيلي غوسيت ( ‪ ، William Sealy Gosset ) 1937 – 1876‬مهندس كيميائي ‪ ،‬إحصائي‬
‫بريطاني‪ ،‬في سنة ‪ 1908‬بمصنع الجعة نشر بحث باسم مستعار سماه توزيع الطالب ‪ ، Student‬وقدم نظرية العينة‬
‫الصغيرة وفتح الطريق أمام اإلحصاءات االستداللية‪.‬‬
‫‪2‬‬
‫‪ -‬نسبة إلى رونالد فيشر (‪ ،)1962 - 1890( )Sir Ronald Aylmer Fisher‬إحصائي إنجليزي‪ ،‬وعالم أحياء‬
‫تطوري‪ ،‬له باع في علم تحسين النسل‪ ،‬وعلم الوراثة‪ ،‬اشتهر فيشر لتطويره مبدأ تحليل التباين في علم اإلحصاء‪ ،‬وكذلك‬
‫مبدأ اختبار فيشر الدقيق ومعادلة فيشر وغيرها كثير‪ ،‬قال عنه أنديرز هالد‪« :‬عبقري وضع وحده تقريبا األسس العلمية‬
‫لإلحصاء الحديث»‪ ،‬فيما لقبه ريتشارد داوكنز «أعظم عالم أحياء منذ داروين»‪.‬‬
‫‪307‬‬
‫أما عن إحصاءة االختبار فتكون كما يلي‬

‫‪‬‬ ‫‪‬‬
‫‪  0‬‬ ‫‪  0‬‬
‫‪ ، T0 ‬تتبع توزيع ‪ t‬مع ‪ n-2‬درجة حرية‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫‪ 1 ( x) 2 ‬‬ ‫) ‪Se(‬‬
‫‪  ‬‬
‫‪2‬‬
‫‪‬‬
‫‪n‬‬ ‫‪S xx ‬‬
‫‪t  t / 2, n  2‬‬ ‫رفض ‪ H 0‬إذا كان‬
‫‪H0 :  0‬‬
‫وهناك حالة خاصة جدا وهي كثيرة االستخدام و هي‪:‬‬
‫‪H1 :   0‬‬
‫مثال‪:10‬‬
‫نرجع لبيانات المثال رقم (‪ )2‬الخاص بمبيعات ‪( ،2020‬نستخدم ‪)   0.01‬‬
‫‪‬‬ ‫‪‬‬
‫اختبار معنوية معلمات نموذج االنحدار ) ‪( , ‬‬
‫‪n‬‬ ‫‪n‬‬
‫‪n  12 , ˆ  0.28 , x  6.5 ,‬‬ ‫‪ xi2  650 ,  yi  2718‬‬
‫‪i 1‬‬ ‫‪i 1‬‬
‫‪n‬‬ ‫‪n‬‬
‫‪y‬‬
‫‪i 1‬‬
‫‪2‬‬
‫‪i‬‬ ‫‪ 616652 ,‬‬ ‫‪x y‬‬
‫‪i 1‬‬
‫‪i‬‬ ‫‪i‬‬ ‫‪ 17708‬‬
‫‪2‬‬
‫‪n‬‬
‫‪1 n ‬‬ ‫‪1‬‬
‫‪S xx   x    xi   650   78  143‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪i‬‬
‫‪i 1‬‬ ‫‪n  i 1 ‬‬ ‫‪12‬‬
‫‪‬‬
‫إيجاد الخطأ المعياري للتقدير ‪‬‬
‫يمكن إيجاده بطرقتين و هي‪:‬‬
‫‪308‬‬
‫‪n‬‬ ‫‪n‬‬
‫‪ ˆ 2 ‬حيث‪. SS E   ei2    yi  yî  :‬‬ ‫الطريقة األولى‪ :‬حساب‬
‫‪2‬‬ ‫‪SS E‬‬
‫‪i 1‬‬ ‫‪i 1‬‬ ‫‪n2‬‬
‫‪SSE‬‬
‫‪ˆ ‬‬ ‫‪ 101.352  10.06‬‬
‫‪n2‬‬
‫الطريقة الثانية‪ :‬يمكن استخدام الصيغة التالية‪:‬‬

‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬
‫‪ yi2 -   yi  ˆ  xi yi‬‬ ‫‪616652  224.68  2718  0.28 17708‬‬

‫‪ˆ ‬‬ ‫‪i 1‬‬ ‫‪i 1‬‬ ‫‪i 1‬‬
‫‪‬‬
‫‪n2‬‬ ‫‪10‬‬
‫‪ˆ  101.352  10.06‬‬
‫‪‬‬
‫اختبار معنوية معامل االنحدار ‪: ‬‬
‫‪H0 :   0‬‬
‫‪  0.01 ،‬‬
‫‪H1 :   0‬‬
‫ˆ‪‬‬ ‫‪0.28‬‬
‫‪T0 ‬‬ ‫‪‬‬ ‫‪ 0.332 , t0.005,10  3.169‬‬
‫‪ˆ / S xx‬‬
‫‪2‬‬
‫‪101.352 / 143‬‬
‫بمأن ‪ t‬المحسوبة (‪ )0.332‬أقل من القيمة الجدولية (‪ ،)3.169‬وهذا يعني قبول فرض‬

‫‪‬‬
‫العدم ( ‪ ) H 0‬مما يدل على عدم معنوية معامل االنحدار( ‪.) ‬‬
‫‪‬‬
‫ج) اختبار معنوية معامل التقاطع ‪: ‬‬
‫‪H0 :  0‬‬
‫‪  0.01 ،‬‬
‫‪H1 :   0‬‬
‫ˆ‪‬‬
‫‪، T0 ‬‬
‫‪224.68‬‬
‫‪‬‬ ‫‪ 36.26‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ 1‬‬ ‫‪6.52‬‬ ‫‪‬‬
‫‪1‬‬ ‫‪‬‬ ‫‪101.352  ‬‬ ‫‪2 ‬‬
‫‪ 12 650  12  6.5 ‬‬
‫‪2‬‬
‫‪x‬‬
‫‪2  n‬‬ ‫‪‬‬
‫‪n‬‬ ‫‪2 ‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬‫‪i 1‬‬
‫‪xi  nx ‬‬
‫‪2‬‬
‫‪‬‬
‫‪309‬‬
‫‪t0.005,10  3.169‬‬
‫بمأن ‪ t‬المحسوبة (‪ )36.26‬أكبر من القيمة الجدولية (‪ ،)3.169‬وهذا يعني رفض‬

‫‪‬‬
‫فرض العدم ( ‪ ) H 0‬مما يدل على معنوية معامل التقاطع ( ‪.) ‬‬
‫‪ -5-7-15‬تحليل التباين‪ :‬مدخل الختبار معنوية االنحدار‪:‬‬
‫تدعى هذه الطريقة بتحليل التباين ونستطيع استخدامها الختبار معنوية معامل‬
‫االنحدار‪ ،‬حيث تكون الصيغة المستخدمة كما يلي‪:‬‬
‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬
‫‪  yi  y ‬‬ ‫‪   yî  y     yi  yî ‬‬

‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪i 1‬‬ ‫‪i 1‬‬ ‫‪i 1‬‬
‫ونوضح ذلك وفق الشكل االتي‪:‬‬
‫الشكل ( ‪ :)4-15‬تحليل التباين‬
‫‪n‬‬
‫بحيث أن ‪ SST    yi  yi ‬هو ‪ :‬إجمالي مجموع المربعات‪.‬‬
‫‪2‬‬
‫‪i 1‬‬
‫‪310‬‬
‫‪n‬‬
‫‪ SS R    yî  y ‬هو ‪ :‬مجموع مربعات االنحدار‪.‬‬
‫‪2‬‬
‫‪i 1‬‬
‫‪n‬‬
‫‪ SS E    yi  yî ‬هو ‪ :‬مجموع مربعات الخطأ‪.‬‬
‫‪2‬‬
‫‪i 1‬‬
‫حيث أن‪. SSE  SST  ˆ Sxy ، SSR  ˆ Sxy ، SST  SSR  SSE :‬‬
‫صياغة الفرضيات تكون على النحو االتي‪:‬‬
‫احصاءة االختبار ( فيشر) تكون كما يلي‪:‬‬
‫‪SS R /1‬‬ ‫‪MS R‬‬

‫‪F0 ‬‬ ‫‪‬‬
‫‪SS E /  n  2  MS E‬‬
‫‪ SST‬له درجة حرية ‪  n  1‬و ‪ SS R‬و ‪ SS E‬لهما ‪ 1‬و ‪  n  2 ‬درجات حرية على‬
‫‪ ، E ‬و‬
‫‪SS E ‬‬
‫التوالي‪ ،‬يمكننا أن نالحظ‪   , E  SS R    S xx :‬‬
‫‪2‬‬ ‫ˆ‬
‫‪n2‬‬
‫‪ SSR /  2 , SSE /  2‬هما متغيران عشوائيان يتبعان توزيع كي مربع مع ‪  n  2 ‬و ‪1‬‬
‫درجات حرية على التوالي‪.‬‬
‫ويمكننا أيضا كتابة احصاءة االختبار ( فيشر) على الشكل االتي‪:‬‬
‫‪r2‬‬
‫‪F0 ‬‬
‫‪1  r 2  /  n  2‬‬
‫‪311‬‬
F0  F ,1,n 2 :‫ إذا كانت‬H 0 ‫يتم رفض‬
:‫) هو كما يلي‬ANOVA( ‫أما جدول تحليل التباين األحادي‬
:11‫مثال‬
‫استخدم بيانات المثال السابق الختبار معنوية نموذج االنحدار وذلك عند مستوى‬
‫ ؟‬  0.01 ‫معنوية‬
:11‫حل المثال‬
n
SST    yi  y  , SS E  SST  ˆ S xy
2
i 1
n
1  n  n  1
S xy   xi yi    yi    xi   17708   2718 78  41
i 1 n  i 1   i 1  12
n n
SST    yi  y  = y - ny 2 = 616652  12  226.5 =1025
2 2 2
i
i 1 i 1
SS R  ˆ S xy  0.28  41  11.48

SS E  SST  ˆ S xy  1025   0.28 41  1013.52
MS R  SS R / 1  11.48
MS E  SS E /  n  2   1013.52 / 10  101.352
MS R 11.48
F0    0.113 , F0.01,1,10  10.04
MS E 101.352
312
‫االيتنتاج‪:‬‬
‫بمأن قيمة ‪ F0‬المحسوبة أقل من قيمة ‪ F‬الجدولية ‪ ،‬نقبل بالفرضية الصفرية ‪، H 0‬‬
‫مما يدل على عدم معنوية نموذج االنحدار الخطي البسيط‪ ،‬وبالتالي فأن النموذج ال‬
‫يمثل العالقة بين المتغيرين ‪ x‬و ‪ y‬أفضل تمثيل‪.‬‬
‫مالحظة ‪ :1‬نالحظ أن‪F0  T02 :‬‬
‫‪ -6-6-15‬مجاالت الثقة‪:‬‬
‫أوال‪ :‬مجال الثقة لمعاملي االنحدار ( الميل ‪ ،‬معامل التقاطع)‬
‫باإلمكان الحصول على مجال ثقة لمقدرات المعلمات‪ ،‬طول مجال الثقة يقيس عموما‬
‫جودة خط االنحدار‪.‬‬
‫نفترض أن المشاهدات تتوزع طبيعيا ومستقلة فنسمي ‪ 100 1    %‬كمجال ثقة للميل‬
‫‪ ‬في نموذج االنحدار الخطي البسيط‪.‬‬
‫‪ˆ 2‬‬ ‫‪ˆ 2‬‬

‫‪ˆ  t‬‬ ‫‪   ˆ  t‬‬
‫‪,n2‬‬ ‫‪S xx‬‬ ‫‪,n2‬‬ ‫‪S xx‬‬
‫‪2‬‬ ‫‪2‬‬
‫وبالموازاة فأن ‪ 100 1    %‬كمجال ثقة لمعامل التقاطع ‪ ‬في نموذج االنحدار‬
‫الخطي البسيط‪.‬‬
‫‪ 1 x2 ‬‬ ‫‪21‬‬ ‫‪x2 ‬‬

‫‪ˆ  t‬‬ ‫‪ˆ  ‬‬
‫‪2‬‬
‫‪    ˆ  t ,n2 ˆ  ‬‬ ‫‪‬‬
‫‪,n2‬‬
‫‪2‬‬ ‫‪ n S xx ‬‬ ‫‪2‬‬ ‫‪ n S xx ‬‬
‫‪313‬‬
‫ثانيا‪ :‬مالئمة نموذج االنحدار‪Adequacy of the regression model :‬‬
‫مالئمة نموذج االنحدار يتطلب عدة فرضيات‪ ،‬فتقدير معلمات النموذج يتطلب افتراض‬
‫عدم ارتباط األخطاء العشوائية ‪ E  ei   0‬وتباين ثابت‪ ،‬ان اختبار الفرضيات ومجال‬
‫التقدير يتطلب أن تتوزع األخطاء توزيعا طبيعيا‪.‬‬
‫ثالثا‪ :‬معامل التحديد ( ‪coefficient of determination:) R 2‬‬
‫‪ ، R 2 ‬ويستخدم للحكم عن مالئمة‬ ‫يمكن إيجاده وفقا للصيغة التالية‪ 1  E :‬‬

‫‪SS R‬‬ ‫‪SS‬‬
‫‪SST‬‬ ‫‪SST‬‬
‫نموذج االنحدار ‪ ،‬وبالتالي سوف نالحظ في حالة ما إذا كانت المتغيرات العشوائية ‪X‬‬
‫و ‪ Y‬ذات توزيع مشترك‪ R 2 ،‬هو مربع معامل االرتباط بين ‪ X‬و ‪ ، Y‬بشكل عام‬
‫يستخدم معامل التحديد ‪ R 2‬لتقرير ما تفسره المتغيرات المستقلة من تغيرات تط أر على‬
‫قيم المتغير التابع‪ ،‬وتتراوح قيمته ما بين( ‪ ،) 0  R2  1‬وفي بعض األحيان يطلق على‬
‫معامل التحديد بمعامل التفسير‪.‬‬
‫رابعا‪ :‬التحليل الوافي للبواتقي ‪Descriptive Residual Analysis‬‬
‫إن األخطاء تقدر بـ ‪ eî‬حيث ‪ ، i  1,..., n‬تدعى هذه بالبواقي‪ ،‬تجريبيا لها متوسط‬
‫يحسب كما يلي‪:‬‬
‫‪1 n‬‬ ‫‪1 n‬‬

‫‪‬‬ ‫‪eî    yi  yî   0‬‬
‫‪2‬‬
‫‪n i 1‬‬ ‫‪n i 1‬‬
‫لكن تمثيل ‪ eî‬بدالة لـ ‪ xi‬قد تكشف لنا طبيعة النموذج (سيئ‪ /‬جيد)‪ ،‬وقبل تقديم أمثلة‬
‫حول تمثيل األخطاء العشوائية يجب التحقق من الفرضيات التالية‪:‬‬
‫‪314‬‬
‫‪ -‬وجود عالقة خطية بين ‪ x‬و ‪. y‬‬
‫‪ -‬توزيع األخطاء طبيعي بوسط صفر وتباين ثابت ‪ (  2‬فرضية تجانس تباين الخطأ‬
‫العشوائي ‪.) Homoscedasticity‬‬
‫‪ -‬عدم وجود ارتباط ذاتي ‪ Autocorrelation‬بين األخطاء العشوائية‪.‬‬
‫وكما قلنا أن تمثيل الخطأ يكون في المحور العمودي ( ‪ ) y‬و ̂‪ y‬على المحور األفقي‬
‫( ‪.) x‬‬
‫للتوضيح أكثر نبين ذلك وفق األشكال األتية‪:‬‬
‫الشكل ( ‪ :)5-15‬التمثيل البياني للبواتقي‬
‫‪ : (a‬عدم وجود مشكلة‪.‬‬
‫‪315‬‬
‫‪ : (b‬زيادة تباين الخطأ العشوائي بزيادة ̂‪. y‬‬
‫‪ : (c‬زيادة وتناقص في تباين الخطأ العشوائي ( مشكلة عدم تجانس تباين الخطأ‬
‫العشوائي)‪.‬‬
‫‪ : (d‬عدم مالئمة العالقة الخطية ( يجب استخدام نماذج أخرى غير خطية)‪.‬‬
‫‪ -7-15‬االنحدار الخطي المتعدد ‪Multiple linear regression‬‬
‫مفهومه‪:‬‬
‫هو تعميم لتقنية االنحدار الخطي البسيط‪ ،‬بحيث أنه عملية تقدير العالقة الخطية بين‬
‫عدة متغيرات‪ ،‬أحد هذه المتغيرات يدعى بالمتغير التابع‪ ،‬والمتغيرات األخرى تدعى‬
‫بالمتغيرات المستقلة‪ ،‬ويكون نموذج االنحدار في هذه الحالة كما يلي‪:‬‬
‫‪Y   0  1 x1   2 x2  .......   k xk   ......... 1‬‬
‫لتقدير ‪ k ,....., 2 , 1, 0‬نستخدم طريقة المربعات الصغرى‪ ،‬ولتوضيح ذلك نأخذ ثالثة‬
‫متغيرات أحدهما تابع واألخرين مستقلين‪ ،‬فيمكن تمثيلهما في الشكل االتي‪:‬‬
‫الشكل ( ‪ :)6-15‬يحابة النقط في حالة ثالث متغيرات‬
‫‪316‬‬
‫‪ -1-7-15‬طريقة المربعات الاغرى‪:‬‬
‫لنعمم طريقة المربعات الصغرى السابقة لـ ‪ k‬متغيرات مفسرة‪ ،‬انطالقا من عينة حجمها‬
‫‪ n‬فنموذج االنحدار المتعدد يقودنا إلى ما يلي‪:‬‬
‫لتكن لدينا ‪ n‬من المشاهدات والمتغيرات ‪ ، i  1, 2,..., n yi , xi1 , xi 2 ,...., xik ‬نفرض‬
‫أن ‪ n  k‬يمكن التعبير عن العالقة بالمعادلة التالية‪:‬‬
‫‪k‬‬
‫‪yi  0  1. xi1   2. x2.  .......   k . xik   i  0    j xij   i .......  2 ‬‬
‫‪j 1‬‬
‫فدالة المربعات الصغرى كما بينا سابقا في طريقة االنحدار الخطي البسيط هي‪:‬‬
‫‪2‬‬
‫‪n‬‬ ‫‪‬‬ ‫‪n‬‬ ‫‪k‬‬ ‫‪‬‬
‫‪L       yi   0    j xij  .......  3‬‬
‫‪i‬‬
‫‪2‬‬
‫‪i 1‬‬ ‫‪i 1 ‬‬ ‫‪j 1‬‬ ‫‪‬‬
‫‪317‬‬
‫إن الحصول على أفضل مالئمة هي أن تجعل مجموع مربعات االنحرافات في نهايتها‬
‫الصغرى‪ ،‬حيث نقوم بعملية االشتقاق الجزئي بالنسبة ‪ k ,....., 2 , 1, 0‬ونساوي‬
‫الناتج إلى الصفر‪.‬‬
‫‪n ‬‬ ‫‪‬‬

‫‪L‬‬ ‫‪k‬‬
‫‪ 2  yi  0    j xij   0.......  4 ‬‬
‫‪ 0‬‬ ‫‪0 , 1 ,...,  k‬‬ ‫‪i 1 ‬‬ ‫‪j 1‬‬ ‫‪‬‬
‫‪n ‬‬ ‫‪‬‬

‫‪L‬‬ ‫‪k‬‬
‫‪ 2  yi   0    j xij  xij  0‬‬ ‫‪j  1, 2,....k‬‬ ‫‪.....  5‬‬
‫‪ j‬‬ ‫‪i 1 ‬‬ ‫‪j 1‬‬ ‫‪‬‬
‫‪0 , 1 ,...,  k‬‬
‫نبسط المعادالت (‪ )4‬و(‪ )5‬فنحصل على جملة المعادالت التالية‪:‬‬
‫سنحل جملة ‪ P  K 1‬معادلة لـ ‪ P  K 1‬مجهول مكونة من المعادالت ذات‬

‫المشتقات الجزئية‪.‬‬
‫لحل هذه الجملة نستخدم طريقة كرامر وذلك إليجاد قيم معامالت معادلة االنحدار‪.‬‬
‫سنكتب المعادلة (‪ )6‬على الشكل المصفوفي وهي كما يلي‪:‬‬
‫‪318‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬

‫‪‬‬ ‫‪ n‬‬ ‫‪‬‬
‫‪ n‬‬ ‫‪x‬‬ ‫‪x‬‬ ‫‪....‬‬ ‫‪x‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪0‬‬
‫‪‬‬ ‫‪  yi ‬‬
‫‪  1   i 1‬‬
‫‪i1‬‬ ‫‪i2‬‬ ‫‪ik‬‬
‫‪‬‬ ‫‪i 1‬‬ ‫‪i 1‬‬ ‫‪i 1‬‬
‫‪‬‬
‫‪ n‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬
‫‪   n‬‬ ‫‪‬‬
‫‪  xi1‬‬ ‫‪x‬‬ ‫‪x‬‬ ‫‪....  xi1 xik   .    xi1 yi ‬‬
‫‪2‬‬
‫‪x‬‬
‫‪‬‬
‫‪  .   i 1‬‬
‫‪i1‬‬ ‫‪i1 i 2‬‬
‫‪ i 1‬‬ ‫‪i 1‬‬ ‫‪i 1‬‬ ‫‪i 1‬‬
‫‪‬‬
‫‪ .‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪. .‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ . ‬‬
‫‪ n‬‬ ‫‪ .   n‬‬ ‫‪‬‬
‫‪2 ‬‬ ‫‪ ‬‬
‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬
‫‪ x‬‬ ‫‪x‬‬ ‫‪x‬‬ ‫‪x‬‬ ‫‪x‬‬ ‫‪....  xik   k   xik yi ‬‬
‫‪ i 1 ik‬‬ ‫‪i 1‬‬
‫‪ik i1‬‬
‫‪i 1‬‬
‫‪ik i 2‬‬
‫‪i 1‬‬ ‫‪‬‬ ‫‪ i 1‬‬ ‫‪‬‬
‫فإذا فرضنا أن ‪   ‬هو المحدد الرئيسي لجملة المعادالت السابقة وأن‬

‫‪  0 ,  1 ,...,  n‬هي المحددات الجزئية التي تسمح بحساب المعامالت ‪ 0 , 1 ,...,  k‬‬
‫‪ ،‬فأن‪:‬‬
‫‪ 0‬‬ ‫‪ 1‬‬ ‫‪ k‬‬

‫‪0 ‬‬ ‫‪, 1 ‬‬ ‫‪,...,  k ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫مثال‪:12‬‬
‫لنفرض أن لدينا بيانات متعلقة بالعمر ( ‪ ) x1‬بالسنوات ‪ ،‬والوزن ( ‪ ) x2‬بالكلغ ‪ ،‬وضغط‬

‫‪1‬‬
‫لعينة مكونة من ‪ 8‬أشخاص‪.‬‬ ‫الدم االنقباضي (ملم‪/‬زئبق) ‪systolic pressure‬‬
‫ضغط الدم االنقباضي‬ ‫الوزن ( ‪) x2‬‬ ‫العمر ( ‪) x1‬‬ ‫األشخاص‬

‫‪125‬‬ ‫‪70‬‬ ‫‪35‬‬ ‫‪1‬‬
‫‪139‬‬ ‫‪72‬‬ ‫‪45‬‬ ‫‪2‬‬
‫‪140‬‬ ‫‪68‬‬ ‫‪48‬‬ ‫‪3‬‬
‫‪145‬‬ ‫‪75‬‬ ‫‪53‬‬ ‫‪4‬‬
‫‪160‬‬ ‫‪80‬‬ ‫‪62‬‬ ‫‪5‬‬
‫‪180‬‬ ‫‪88‬‬ ‫‪67‬‬ ‫‪6‬‬
‫‪1‬‬
‫‪ -‬هو كمية الضغط الذي يقوم القلب بتوليده أثناء ضخ الدم عبر الشرايين عند إنقباض عضلته ( معدله الطبيعي ما بين‬
‫‪ 110‬إلى ‪)139‬‬
‫‪319‬‬
‫‪170‬‬ ‫‪90‬‬ ‫‪73‬‬ ‫‪7‬‬

‫‪168‬‬ ‫‪65‬‬ ‫‪75‬‬ ‫‪8‬‬
‫نريد معرفة ما إذا كانت هناك عالقة خطية بين وزن األشخاص وضغط الدم‬
‫االنقباضي وما بين عمر األشخاص وضغطهم االنقباضي‪.‬‬
‫هو تقدير معلمات االنحدار الخطي المتعدد‪. Y  0  1x1  2 x2 :‬‬
‫ضغط الدم‬
‫األشخاص‬ ‫‪yi‬‬ ‫العمر ‪xi1‬‬ ‫الوزن ‪xi 2‬‬ ‫‪xi21‬‬ ‫‪xi22‬‬ ‫‪xi1 xi 2‬‬ ‫‪xi1 yi‬‬ ‫‪xi 2 yi‬‬
‫‪1‬‬ ‫‪125‬‬ ‫‪35‬‬ ‫‪70‬‬ ‫‪1225‬‬ ‫‪4900‬‬ ‫‪2450‬‬ ‫‪4375‬‬ ‫‪8750‬‬
‫‪2‬‬ ‫‪139‬‬ ‫‪45‬‬ ‫‪72‬‬ ‫‪2025‬‬ ‫‪5184‬‬ ‫‪3240‬‬ ‫‪6255‬‬ ‫‪10008‬‬
‫‪3‬‬ ‫‪140‬‬ ‫‪48‬‬ ‫‪68‬‬ ‫‪2304‬‬ ‫‪4624‬‬ ‫‪3264‬‬ ‫‪6720‬‬ ‫‪9520‬‬
‫‪4‬‬ ‫‪145‬‬ ‫‪53‬‬ ‫‪75‬‬ ‫‪2809‬‬ ‫‪5625‬‬ ‫‪3975‬‬ ‫‪7685‬‬ ‫‪10875‬‬
‫‪5‬‬ ‫‪160‬‬ ‫‪62‬‬ ‫‪80‬‬ ‫‪3844‬‬ ‫‪6400‬‬ ‫‪4960‬‬ ‫‪9920‬‬ ‫‪12800‬‬
‫‪6‬‬ ‫‪180‬‬ ‫‪67‬‬ ‫‪88‬‬ ‫‪4489‬‬ ‫‪7744‬‬ ‫‪5896‬‬ ‫‪12060‬‬ ‫‪15840‬‬
‫‪7‬‬ ‫‪170‬‬ ‫‪73‬‬ ‫‪90‬‬ ‫‪5329‬‬ ‫‪8100‬‬ ‫‪6570‬‬ ‫‪12410‬‬ ‫‪15300‬‬
‫‪8‬‬ ‫‪168‬‬ ‫‪75‬‬ ‫‪65‬‬ ‫‪5625‬‬ ‫‪4225‬‬ ‫‪4875‬‬ ‫‪12600‬‬ ‫‪10920‬‬
‫‪‬‬ ‫‪1227‬‬ ‫‪458‬‬ ‫‪608‬‬ ‫‪27650‬‬ ‫‪46802‬‬ ‫‪35230‬‬ ‫‪72025‬‬ ‫‪94013‬‬
‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬

‫‪n8 ,‬‬ ‫‪y‬‬‫‪i 1‬‬
‫‪i‬‬ ‫‪ 1227 ,‬‬ ‫‪x‬‬
‫‪i 1‬‬
‫‪i1‬‬ ‫‪ 458 ,‬‬ ‫‪x‬‬
‫‪i 1‬‬
‫‪i2‬‬ ‫‪ 608‬‬
‫‪8‬‬ ‫‪8‬‬ ‫‪8‬‬
‫‪ xi21  27650 ,‬‬

‫‪i 1‬‬
‫‪ xi22  46802 ,‬‬
‫‪i 1‬‬
‫‪x‬‬
‫‪i 1‬‬
‫‪x  35230‬‬
‫‪i1 i 2‬‬
‫‪8‬‬ ‫‪8‬‬
‫‪ xi1 yi  72025 ,‬‬

‫‪i 1‬‬
‫‪x‬‬
‫‪i 1‬‬
‫‪i2 i‬‬ ‫‪y  94013‬‬
‫بالنسبة للنموذج وطبقا لجملة المعادلة (‪)6‬‬
‫‪320‬‬
‫ندرج المجاميع المحسوبة من الجدول السابق في الجملة السابقة‪ ،‬فنحصل على ما يلي‪:‬‬
‫‪ 8 0  4581  608 2‬‬ ‫‪ 1227‬‬

‫‪‬‬
‫‪458 0  276501  35230 2  72025‬‬
‫‪608  35230  46802  94013‬‬
‫‪‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬
‫بعد حل الجملة بطريقة كرامر نجد‪:‬‬
‫‪ 0  52.434 , 1  1.096 ,  2  0.502‬‬
‫وبالتالي معادلة االنحدار المتعدد لهذا المثال تكون على النحو االتي‪:‬‬
‫‪y  52.434  1.096x1  0.502 x2‬‬
‫‪ -2-7-15‬ايتخدام الشكل المافوفي في االنحدار الخطي المتعدد‬
‫الكتابة المصفوفية تسهل القراءة وتسهل حساب العمليات في تقدير المعلمات‪ ،‬نعتبر‬
‫نموذج االنحدار المتعدد لـ ‪ k‬متغير ‪ ،‬حيث‪:‬‬
‫‪yi  0  1. xi1  2. x2.  .......  k . xik   i , i  1, 2,...., n‬‬
‫هذا النموذج هو جملة لـ ‪ n‬معادلة ‪ ،‬يمكن التعبير عنها بواسطة الشكل المصفوفي‬
‫التالي ‪ y  X   ‬حيث‪:‬‬
‫‪321‬‬
‫‪y   y1 ,......, yn  ,    1 ,......,  k  ,    1 ,......,  n ‬‬

‫‪T‬‬ ‫‪T‬‬ ‫‪T‬‬
‫‪1 x11‬‬ ‫‪x12 .... x1k ‬‬

‫‪1 x‬‬ ‫‪x22 .... x2 k ‬‬
‫‪X ‬‬ ‫‪21‬‬
‫‪. .‬‬ ‫‪.‬‬ ‫‪. . ‬‬

‫‪‬‬ ‫‪‬‬
‫‪1 xn1‬‬ ‫‪xn 2 .... xn 3 ‬‬
‫عموما‪ y :‬هو شعاع ‪  n 1‬للمشاهدات‪ X ،‬هي مصفوفة ‪  n  p ‬لمستويات‬

‫المتغيرات المستقلة‪ ،‬و ‪ ‬هو شعاع ‪  p 1‬لمعامالت االنحدار‪ ،‬و ‪ ‬هو شعاع‬
‫‪  n 1‬لألخطاء العشوائية‪.‬‬
‫سنحاول ايجاد شعاع المربعات الصغرى المقدر ‪ ، ‬يعني أن نقلل‪:‬‬

‫‪n‬‬
‫‪L    i2   t    y  X    y  X   .............. 1‬‬
‫‪i 1‬‬
‫لتسهل الكتابة استخدمنا رمز (') المنقول بدل من (‪.)T‬‬
‫‪L‬‬
‫‪.‬‬ ‫إن المقدر ‪ ‬هو حل لـ ‪ ‬في المعادلة‪ 0 :‬‬
‫‪‬‬
‫ال ندخل في تفاصيل أخذ المشتقات في المعادلة (‪ ،)1‬ومع ذلك فالمعادلة الواجب حلها‬
‫هي‪:‬‬
‫‪X y  X X  .........  2 ‬‬
‫نستطيع كتابة مقدر المربعات الصغرى في الشكل التالي‪:‬‬
‫‪   X X ‬‬ ‫‪ X y  .......  3‬‬

‫‪1‬‬
‫‪y  X  ........  4 ‬‬ ‫ولدينا المعادلة التقديرية‪:‬‬

‫‪322‬‬
‫‪y  X  X X ‬‬ ‫نعوض (‪ )3‬في (‪ )4‬فنحصل على‪ X y  .........  5  :‬‬

‫‪1‬‬
‫نضع ‪ H  X  X X  X ‬فنحصل على ‪y  Hy.........  6 ‬‬

‫‪1‬‬
‫إن المصفوفة ‪ H‬تدعى بمصفوفة القبعة ‪ Hat matrix‬ولها الخصائص التالية‪:‬‬
‫‪ -a‬هي مصفوفة متماثلة ( ‪ )symmetric‬يعني‪. H  H t :‬‬
‫‪ -b‬هي مصفوفة جامدة ( عديمة القوة ) ‪ Idempotent matrix‬يعني‪. H .H  H :‬‬
‫االثبات‪:‬‬
‫قبل اثبات الخاصيتين السابقتين وجب التذكير بخصائص منقول المصفوفة وهي‬
‫كاالتي‪:‬‬
‫‪1)  AT   A‬‬
‫‪T‬‬
‫‪2)  A  B   AT  BT ,‬‬ ‫‪ A  B‬‬ ‫‪ AT  BT‬‬

‫‪T‬‬ ‫‪T‬‬
‫‪3)  kA   kAT‬‬
‫‪T‬‬
‫‬ ‫س لمي‪k‬‬
‫‪4)  AB   BT AT‬‬
‫‪T‬‬
‫نرجع إلى إثبات الخاصيتين‪:‬‬
‫‪323‬‬
‫‪‬‬
‫‪a) H    X  X X  X ‬‬
‫‪1‬‬
‫‪‬‬ ‫‪‬‬
‫‪1 ‬‬
‫‪ X  X X   X ‬‬
‫‪‬‬ ‫‪‬‬
‫‪1‬‬
‫‪ X  X X   X ‬‬
‫‪‬‬ ‫‪‬‬
‫‪1‬‬
‫‪ X  X X   X   X  X X  X   H‬‬
‫‪1‬‬
‫‪b) H 2  X  X X  X X  X X  X   X  X X  X   H‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪Id‬‬
‫‪ -3-7-15‬خاائص المقدرات‪:‬‬
‫الخصائص االحصائية لمقدرات المربعات الصغرى بسيطة الوصف‪ ،‬إن الخطأ‬

‫) للنموذج االنحدار الخطي المتعدد هو متغير عشوائي بوسط صفر‪،‬‬ ‫العشوائي ( ‪‬‬
‫وتباين ( ‪ )  2‬نرمز له باختصار ) ‪ ، NID(0, 2‬حيث ‪  i‬هو عبارة عن خطأ وليس‬
‫عن انحراف مقصود وتوقعه يدور حول الصفر بمعنى ‪. E   i   0‬‬
‫سنتحقق من تحيز وخصائص تباين مقدرات المربعات الصغرى للنموذج‪.‬‬
‫‪ -1‬إن المقدر ˆ‪ ‬الناتج بواسطة طريقة المربعات الصغرى هو مقدر غير متحيز‬
‫للمعلمة ‪ ‬أي ‪. E  ˆ    :‬‬
‫‪ -2‬مصفوفة تباين – تغاير للمقدر ˆ‪ ‬الناتج بواسطة طريقة المربعات الصغرى يعطى‬
‫‪ ‬‬
‫‪D    2  X X ‬‬
‫‪1‬‬
‫‪324‬‬
:‫االثبات‬
)1
 
E   E  X X  X y   E  X X  X   X     

1
 
1

 E  X X  X X   X    
1
 
‫ هو‬ˆ ‫ أي أن‬،‫ مصفوفة الوحدة‬Id ‫ حيث‬ X X   X X   Id ‫ و‬، E     0 ‫ألن‬

1
. ‫مقدر غير متحيز‬
)2
 
   
D   E    E      E   
    
 
E  X X  1
X   X  X X 
1

  X X  X E     X  X X 
1 1
  X X  X   2 I  X  X X 
1 1
  2  X X 
1
،  0 , 1 ,......,  k  ‫ هي تباينات لـ‬ 2  X X  ‫العناصر الموجودة في قطر المصفوفة‬

1
:‫ فأن‬: C   X X  ‫ نضع‬،‫والعناصر األخرى تمثل التغايرات‬

1
  
V    2Cij , i j

 
cov i ,  j   Cij
2
, i j
 
Se    2Cij : ‫ هو‬ˆ ‫إن تقدير الخطأ المعياري لـ‬
325
‫‪ -4-7-15‬تحليل البواتقي‪:‬‬
‫يمكن التعبير عن األخطاء كما يلي‪:‬‬
‫‪e  y  y  y  Hy   I  H  y‬‬
‫أيضا نتذكر ‪ ( e  y  y  y  X ‬وهي صيغة مكافئة لها)‬
‫مجموع مربعات الخطأ ‪ SS E‬له صيغ كثيرة باستخدام الشكل المصفوفي‪ ،‬نذكر منها‪:‬‬
‫‪‬‬
‫‪a) SS E  ee  y  X ‬‬ ‫‪  y  X  ‬‬
‫‪b) SS E  yy    X y‬‬
‫‪c) SS E  y  I  X  X X  X  y‬‬
‫‪1‬‬
‫‪‬‬ ‫‪‬‬
‫‪ -‬الصيغة ‪ a‬واضحة‪.‬‬
‫‪ -‬الصيغة ‪ b‬نوظف الصيغة ‪ a‬ونستخدم خصائص منقول المصفوفة التي بيناها‬

‫سابقا‪ ،‬فيصبح لدينا‪:‬‬
‫‪‬‬
‫‪SS E  y  X ‬‬ ‫‪  y  X     y   X  y  X  ‬‬
‫‪ yy  yX     X y    X X  .............. 1‬‬
‫‪   X X  X y........  2  ,‬‬ ‫نتذكر‪   yX  X X  ......  3 :‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪326‬‬
:‫) فينتج‬1( ‫) في‬2( ‫نعوض‬
SS E  yy  yX  X X  X y    X y    X X  X X  X y..............  4 

1 1
 Id
:‫) تصبح الصيغة كما يلي‬4( ‫بعد تبسيط‬
SS E  yy    X y    X y    X y
SS E  yy    X y
‫ هي كذلك مصفوفة‬ I  H  ‫ وجب إثبات أن المصفوفة‬، ‫) قبل إثبات هذه الخاصية‬c

. Idempotente
. B 2  B ‫ بحيث يجب أن نجد‬B   I  H  ‫نضع‬
B 2   I  H  I  H   I 2  IH  HI  H 2  I  H  B
I H H H
:‫ نجد‬a ‫من الخاصية‬
SS E   I  H  y   I  H  y 
 y  I  H   I  H  y
 y  I   H   I  H  y
:‫ فيصبح لدينا‬H 2  H ‫ و‬H   H ‫ونتذكر أن‬
SS E  y   I  H  y
:‫ فينتج لنا‬H  X  X X  X  ‫ بقيمتها‬H ‫نعوض‬

1
327
‫‪‬‬
‫‪SS E  y I  X  X X  X  y‬‬
‫‪1‬‬
‫‪‬‬
‫إن تمثيل ‪ eî‬بدالة ل ‪ xi‬قد تكشف لنا طبيعة النموذج (سيئ‪ /‬جيد)‪ ،‬ولبأس من إعادة‬
‫التذكير من وجوب التحقق من الفرضيات التالية‪:‬‬
‫‪ -‬وجود عالقة خطية بين ‪ x‬و ‪. y‬‬
‫‪ -‬توزيع األخطاء طبيعي بوسط صفر وتباين ثابت ‪ (  2‬فرضية تجانس تباين الخطأ‬
‫العشوائي ‪.) Homoscedasticity‬‬
‫‪ -‬عدم وجود ارتباط ذاتي ‪ Autocorrelation‬بين األخطاء العشوائية‪.‬‬
‫مبرهنة غوص‪ -‬ماركوف‪:‬‬
‫انطالقا من الفرضيات الثالثة السابقة فأن مقدر المربعات الصغرى ‪  OLSE ‬هو أفضل‬
‫مقدر خطي غير متحيز‪ BLUE1‬للمعلمة ‪. ‬‬
‫كما أسلفنا الذكر فأن مبرهنة غوص‪ -‬ماركوف تعتمد على الفرضيات الثالثة السابقة‪،‬‬
‫أي‪:‬‬
‫‪ E   i   0‬‬
‫‪‬‬
‫‪V   i     ‬‬
‫‪2‬‬
‫‪1‬‬
‫‪- Best Linear Unbiased Estimator‬‬
‫‪328‬‬
‫يعني مجموعة األخطاء لها نفس التباين (‪ ، )Homoscedasticity‬و‬

‫‪ ، Cov  i ,  j   0‬في الشكل المصفوفي نترجمها كما يلي‪:‬‬
‫‪ : In ، E     0 , V      2 I n‬مصفوفة الوحدة ‪. n  n‬‬
‫نتذكر‪ ، E      , V      2  X X  ،    X X  X y :‬نالحظ أن‬

‫‪1‬‬ ‫‪1‬‬
‫‪   Ay‬حيث‪. A   X X  X  :‬‬
‫‪1‬‬
‫لدينا مقدر أخر خطي غير متحيز‪ ،   Cy :‬حيث‪. E      :‬‬
‫إذا رمزنا بـ ‪ D:‬إلى الفرق بين المصفوفة ‪ C‬والمصفوفة ‪ A‬التي تعرف مقدر المربعات‬
‫الصغرى ‪   Ay‬فأن ‪:‬‬
‫‪ ‬‬
‫‪E   E  Cy   CE  y   CX   ‬‬
‫‪ CX  I‬‬
‫‪CX   D  A  X  DX  AX‬‬
‫‪ DX   X X  X X‬‬
‫‪1‬‬
‫‪I‬‬
‫‪CX  DX  I‬‬
‫وهذا يستلزم أن‪ ، DX  0 :‬ونستنتج من هذا أن‪.  DX   X D  0 :‬‬
‫‪329‬‬
   X X  X   D  y
1
 
  
E   E   X X  X   D y 
 
1

 
E   E  X X  X y  Dy 

1

E  X X  1

X y  E  DY 
 
 E   E  D  X     
   E  DX    E  D 
DE     0
 
E    I  DX  
. DX  0 :‫ هو مقدر غير متحيز بشرط أن‬
  
V   V   X X  X   D y 

1
 
 
   
  
V   E   X X  X   D y   X X  X   D y

1

1
  


  
 E   X X  X   D yy  X X  X   D 

1 1 



 
   X X  X   D E  yy   X X  X   D 

1 1




E  yy   V      2 I : ‫وحيث أن‬
 

 
V    2  X X  X   D    X X  X   D

1


1 


 

 
  
V    2  X X  X   X X  X    X X  X D  D  X X  X   DD

1 1 1 1

 
330
‫علما أن‪ ، DX  0 :‬و ‪.  DX   X D  0‬‬
‫‪ ‬‬
‫‪‬‬
‫‪‬‬
‫‪V    2   X X ‬‬
‫‪‬‬
‫‪1 ‬‬
‫‪‬‬
‫‪  X X  X D  DX‬‬
‫‪1‬‬
‫‪0‬‬ ‫‪0‬‬
‫‪ X X    DD‬‬
‫‪1‬‬
‫‪ X X ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪‬‬
‫‪ X X ‬‬ ‫‪ X   X  ‬‬ ‫‪  X X ‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪‬‬
‫‪ ‬‬
‫‪V    2  X X   DD‬‬
‫‪‬‬
‫‪1‬‬
‫‪‬‬
‫‪V       X X ‬‬
‫‪1‬‬
‫‪2‬‬
‫‪  2 DD‬‬
‫‪ ‬‬
‫‪V ‬‬
‫‪ ‬‬
‫‪V   V    2 DD‬‬ ‫‪ ‬‬
‫وحيث أن ‪ DD  0‬هي مصفوفة شبه معرفة موجبة ‪positive semidefinite‬‬
‫‪ matrix‬فأن عناصر قطرها غير سلبية‪ ،‬وبالتالي‪. V     V    :‬‬
‫إذن فأن مقدر المربعات الصغرى ‪  OLSE ‬له أدنى تباين ‪ ،‬أي أنه أفضل مقدر‬
‫خطي غير متحيز‪ BLUE‬للمعلمة ‪. ‬‬
‫‪ -5-7-15‬تقدير ‪:  2‬‬
‫كما رأينا في االنحدار الخطي البسيط أنه من المهم تقدير ‪ (  2‬تبيان الخطأ)‪،‬‬
‫وللحصول على ‪  2‬أجرينا قسمة مجموع مربعات الخطأ ‪ SS E‬على ‪ ، n  2‬علما أنه‬
‫كانت لدينا معلمتين‪ ،‬أما في االنحدار الخطي المتعدد فلدينا ‪ P‬معلمة ‪.‬‬
‫نستطيع أن ننظر الى القيمة المتوقعة لمجموع مربعات الخطأ وهي‪:‬‬

‫‪ ، E  SS E    n  p   2‬ونتيجة لذلك فأن هذا يعتبر مقدر غير متحيز لـ ‪ ،  2‬حيث‪:‬‬
‫‪331‬‬
‫‪n‬‬
‫‪e‬‬ ‫‪2‬‬
‫‪i‬‬
‫‪SS E‬‬
‫‪ˆ 2 ‬‬ ‫‪i 1‬‬
‫‪‬‬
‫‪n p‬‬ ‫‪n p‬‬
‫حيث‪p  k  1 :‬‬
‫‪ -6-7-15‬اختبار معنوية معامالت االنحدار الخطي المتعدد‪:‬‬
‫الختبار معنوية معامالت االنحدار الخطي ومعامل التقاطع‪ ،‬رأينا سابقا أن الخطأ‬
‫العشوائي ( ‪) ‬أنه يتوزع توزيعا طبيعيا بوسط صفر‪ ،‬وتباين ( ‪ )  2‬نرمز له‬
‫باختصار ) ‪. NID(0, 2‬‬
‫سنطبق اختبار ‪ t‬و اختبار ‪ F‬لفحص معنوية معاملي االنحدار (تحليل التباين)‪.‬‬
‫أوال ‪ :‬اختبار معنوية نموذج االنحدار‪:‬‬
‫يهتم هذا االختبار فيما إذا كانت هناك عالقة معنوية بين المتغير التابع والمتغيرات‬
‫المستقلة‪،‬‬
‫صياغة الفرضية تكون على النحو التالي ‪:‬‬
‫رفض الفرضية ‪ H 0‬يستلزم أنه واحد من المتغيرات ‪ xk ,....., x2 , x1‬يساهم في معنوية‬

‫نموذج االنحدار‪.‬‬
‫‪332‬‬
‫إن اختبار نموذج االنحدار الخطي المتعدد هو تعميم لنموذج االنحدار الخطي البسيط‬
‫بحيث مجموع المربعات ‪ SST‬يقسم إلى ما يلي‪. SST  SSR  SSE :‬‬
‫الختبار الفرضية السابقة نقوم بحساب احصاءة االختبار ‪ F‬وفقا للصيغة االتية‪:‬‬
‫‪SS R / k‬‬
‫‪F0 ‬‬
‫‪SS E /  n  p ‬‬
‫‪ SST‬له درجة حرية ‪ SS R ،  n  1‬و ‪ SS E‬لها ‪ k‬و ‪  n  p ‬درجات حرية على‬

‫التوالي‪.‬‬
‫كما تطرقنا إليه سابقا فأن ‪ SS E /  2‬و ‪ SS R /  2‬هما متغيران عشوائيان مستقالن‬
‫يتبعان كي تربيع مع ‪  n  p ‬و ‪ k‬درجات حرية على التوالي‪.‬‬
‫أما جدول تحليل التباين الختبار معنوية االنحدار المتعدد هو كما يلي‪:‬‬
‫مادر‬ ‫مربعات الخطأ‬ ‫درجات الحرية‬ ‫متويط‬ ‫‪F0‬‬

‫االختالف‬ ‫المربعات‬
‫االنحدار‬ ‫‪SS R‬‬ ‫‪k‬‬ ‫‪MSR‬‬ ‫‪MS R‬‬
‫‪MS E‬‬
‫الخطأ (‬ ‫‪SS E‬‬ ‫‪n p‬‬ ‫‪MSE‬‬
‫البواتقي)‬
‫الكلي‬ ‫‪SST‬‬ ‫‪n 1‬‬
‫حيث‪:‬‬
‫‪333‬‬
‫‪n‬‬ ‫‪n‬‬
‫‪SS E    yi  yi   ei2  ee‬‬
‫‪2‬‬
‫‪i 1‬‬ ‫‪i 1‬‬

‫‪n‬‬ ‫‪n‬‬
‫‪SST    yi  y    yi2  ny 2  yy  ny 2‬‬
‫‪2‬‬
‫‪i 1‬‬ ‫‪i 1‬‬

‫‪2‬‬
‫‪ n‬‬ ‫‪‬‬
‫‪n‬‬ ‫‪  yi‬‬ ‫‪‬‬
‫‪SS R    yi  y ‬‬ ‫‪  X y   i 1‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪2‬‬
‫‪i 1‬‬ ‫‪ n‬‬ ‫‪‬‬

‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪SST  SS R  SS E‬‬
‫أما معاملي التحديد ‪ R 2‬و المعدل ‪ R 2‬فهما كما يلي‪:‬‬
‫‪SS R‬‬ ‫‪SS‬‬

‫‪R2 ‬‬ ‫‪ 1 E‬‬
‫‪SST‬‬ ‫‪SST‬‬
‫‪SS E /  n  p ‬‬
‫‪R2  1‬‬
‫‪SST /  n  1‬‬
‫ثانيا ‪ :‬ايتخدام اختبار ‪ t‬للى المجمولات الجزئية لمعامالت االنحدار الخطي‬

‫المتعدد‪:‬‬
‫يستخدم اختبار ‪ t‬في اختبار معنوية معامالت االنحدار المتعدد كال على حدى‪،‬‬
‫فصياغة الفرضيات تكون على النحو االتي‪:‬‬
‫‪H0 :  j  0‬‬
‫‪H1 :  j  0‬‬
‫إذا تم قبول ‪ H 0‬فأن هذا المؤشر ( المتغير ‪ ) x j‬يمكن حذفه من النموذج ألن ليس له‬
‫تأثير على المتغير‪ ، y‬أما احصائية االختبار فهي كما يلي‪:‬‬
‫‪334‬‬
‫‪j‬‬ ‫‪j‬‬
‫‪T0 ‬‬ ‫‪‬‬
‫‪ 2Cij‬‬ ‫‪ ‬‬
‫‪Se ‬‬
‫‪ : Cij‬عناصر قطر المصفوفة ‪  X X ‬المناظرة لكل معامل ‪ ،  j‬فرفض ‪ H 0‬عندما‬

‫‪. t0  t ‬‬ ‫تكون‬
‫‪,n p‬‬
‫‪2‬‬
‫مثال ‪:13‬‬
‫بالرجوع إلى المثال رقم ‪12‬‬
‫أ) قدر معامالت االنحدار باستخدام الشكل المصفوفي؟‬
‫ب) حساب معاملي التحديد ‪ R 2‬و ‪ R 2‬مع تفسير النتائج ؟‬
‫ج) اختبار معنوية نموذج االنحدار الخطي المتعدد عند مستوى معنوية ‪   0.05‬؟‬
‫د) اختبار معنوية معلمات النموذج ‪  2 , 1‬عند مستوى معنوية ‪   0.05‬؟‬
‫ه) التنبؤ بضغط الدم االنقباضي لشحص [ عمره ‪ x1  90‬و وزنه ‪ ] x2  50‬؟‬
‫أ)‬
‫‪335‬‬
‫نقوم بحساب المصفوفات التالية‪X X , X y :‬‬
‫‪   X X ‬‬ ‫فمعامالت االنحدار بطريقة المصفوفات هي كما يلي‪ X y  :‬‬

‫‪1‬‬
‫‪1‬‬
‫‪ 0   8‬‬ ‫‪458‬‬ ‫‪608   1227 ‬‬
‫‪  ‬‬ ‫‪ ‬‬ ‫‪‬‬
‫‪ 1    458 27650 35230  . 72025‬‬
‫‪  2   608 35230 46802  94013‬‬
‫‪ ‬‬
‫‪ 0   9.858‬‬ ‫‪0.002 0.125   1227  52.437 ‬‬

‫‪  ‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪‬‬
‫‪ 1    0.002 0.0008 0.0006 . 72025   1.096 ‬‬
‫‪  2   0.1258 0.0006 0.002  94013  0.502 ‬‬
‫‪ ‬‬
‫فمعادلة االنحدار الخطي المتعدد هي كما يلي‪:‬‬
‫‪336‬‬
‫‪y  52.437  1.096 x1  0.502 x2‬‬
‫ب) حساب معاملي التحديد ‪ R 2‬و ‪R 2‬‬
‫أوال نحسب مجموع المربعات‪:‬‬
‫‪‬‬
‫‪SS E  y   X‬‬ ‫‪  y   X ‬‬
‫‪ 0.937 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 1.099 ‬‬
‫‪SS E   0.937,1.099,......, 0.733  .   170.9184‬‬
‫‪‬‬ ‫‪‬‬
‫‪ . ‬‬
‫‪ 0.733 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪SST  yy  ny 2  190695  8  23523.90   2503.875‬‬

‫‪SS R  SST  SS E  2503.875  170.9184  2332.956‬‬
‫‪SS R 2332.956‬‬
‫‪R2 ‬‬ ‫‪‬‬ ‫‪ 0.931‬‬
‫‪SST 2503.875‬‬
‫‪SS E /  n  p ‬‬ ‫‪170.9184 /  5 ‬‬
‫‪R2  1‬‬ ‫‪ 1‬‬ ‫‪ 0.90‬‬
‫‪SST /  n  1‬‬ ‫‪2503.875 /  7 ‬‬
‫من النتائج أعاله يتضح لنا أن كل من (العمر ‪ ) x1‬و( الوزن ‪ ) x2‬يفسران ما مقداره‬
‫( ‪ ) %93.1‬من التغيرات التي تط أر على ضغط الدم االنقباضي ( ‪ ،) yi‬أما النسبة‬
‫المتبقية ( ‪ ) %6.9‬فأنها تعود إلى متغيرات أخرى غير داخلة في نموذج االنحدار‬
‫المتعدد‪.‬‬
‫ج) اختبار معنوية نموذج االنحدار الخطي المتعدد عند مستوى معنوية ‪  0.05‬‬
‫‪337‬‬
‫لنشكل جدول تحليل التباين ‪ANOVA‬‬
‫مادر‬ ‫مربعات الخطأ‬ ‫درجات‬ ‫متويط‬ ‫‪F0‬‬

‫االختالف‬ ‫الحرية‬ ‫المربعات‬
‫االنحدار‬ ‫‪2332.956‬‬ ‫‪2‬‬ ‫‪1166.478‬‬ ‫‪34.12‬‬
‫الخطأ (‬ ‫‪170.9184‬‬ ‫‪5‬‬ ‫‪34.183‬‬
‫البواتقي)‬
‫الكلي‬ ‫‪2503.875‬‬ ‫‪7‬‬
‫‪F 0.05 , 2 , 5  5.79‬‬
‫صياغة الفرضيات تكون كاالتي‪:‬‬
‫‪ : H 0‬نموذج االنحدار غير معنوي‬
‫‪ : H1‬نموذج االنحدار معنوي‬
‫بمأن ‪ Fcal‬أكبر من ‪ Ftab‬فيتم رفض ‪ H 0‬أي أن نموذج االنحدار معنوي‪.‬‬
‫د) اختبار معنوية معلمات النموذج ‪  2 , 1‬عند مستوى معنوية ‪  0.05‬‬
‫بالنسبة للمعلمة ‪: 1‬‬
‫‪H 0 : 1  0‬‬
‫‪H1 : 1  0‬‬
‫‪1‬‬ ‫‪1.096‬‬
‫‪T0 ‬‬ ‫‪‬‬ ‫‪ 6.627‬‬
‫‪ C11‬‬
‫‪2‬‬
‫)‪34.183(0.0008‬‬
‫‪338‬‬
‫‪SS E‬‬
‫‪2 ‬‬ ‫‪ 34.183‬‬
‫‪n p‬‬
‫‪t /2 , n  p   t 0.025 , 5  2.571‬‬
‫بمأن ‪ t‬المحسوبة تقع في منطقة رفض ‪ H 0‬فهذا يدل على معنوية المعلمة ‪ 1‬عند‬
‫مستوى معنوية ‪.   0.05‬‬
‫بالنسبة للمعلمة ‪:  2‬‬
‫‪H 0 : 2  0‬‬
‫‪H1 :  2  0‬‬
‫‪2‬‬ ‫‪0.502‬‬
‫‪T0 ‬‬ ‫‪‬‬ ‫‪ 1.919‬‬
‫‪ C22‬‬
‫‪2‬‬
‫)‪34.183(0.002‬‬
‫‪t /2 , n  p   t 0.025 , 5  2.571‬‬
‫بمأن ‪ t‬المحسوبة تقع في منطقة قبول ‪ H 0‬فهذا يدل على عدم معنوية المعلمة ‪ 2‬‬
‫عند مستوى معنوية ‪.   0.05‬‬
‫ه) التنبؤ بضغط الدم االنقباضي لشحص [ عمره ‪ x1  90‬و وزنه ‪] x2  50‬‬
‫‪y  52.437  1.096  90   0.502  50   176.177  mm / Mercure ‬‬
‫تطبيق‪:‬‬
‫لدينا بيانات افتراضية لـ ‪ 10‬دول افريقية متعلقة حول معدل الوفيات ( ‪ ،) ‰‬معدل‬
‫األمية ( ‪ ) %‬والناتج الوطني الخام ساكن( ‪ ) PIB‬بالدوالر‪.‬‬
‫‪339‬‬
‫( ‪ ) PIB‬لكل ساكن‬ ‫معدل األمية ( ‪) %‬‬ ‫معدل الوفيات ( ‪) ‰‬‬ ‫البلد‬

‫‪2700‬‬ ‫‪49‬‬ ‫‪88.2‬‬ ‫‪1‬‬
‫‪2277‬‬ ‫‪59.5‬‬ ‫‪116‬‬ ‫‪2‬‬
‫‪3050‬‬ ‫‪78‬‬ ‫‪112‬‬ ‫‪3‬‬
‫‪1560‬‬ ‫‪6.4‬‬ ‫‪48‬‬ ‫‪4‬‬
‫‪4230‬‬ ‫‪2.2‬‬ ‫‪10.2‬‬ ‫‪5‬‬
‫‪2540‬‬ ‫‪37.4‬‬ ‫‪67‬‬ ‫‪6‬‬
‫‪1475‬‬ ‫‪44.3‬‬ ‫‪73‬‬ ‫‪7‬‬
‫‪1875‬‬ ‫‪75‬‬ ‫‪108‬‬ ‫‪8‬‬
‫‪3530‬‬ ‫‪2.5‬‬ ‫‪11‬‬ ‫‪9‬‬
‫‪3250‬‬ ‫‪3.8‬‬ ‫‪15‬‬ ‫‪10‬‬
‫نفترض أن شروط النموذج الغوصي ‪ Gaussian‬محققة ‪ ،‬نعتبر النموذج‪:‬‬
‫‪yi  0  1x1  2 x2‬‬
‫أ) قدر معامالت االنحدار ؟‬
‫ب) حساب معاملي التحديد ‪ R 2‬و ‪ R 2‬مع تفسير النتائج ؟‬
‫ج) اختبار معنوية نموذج االنحدار الخطي المتعدد عند مستوى معنوية ‪   0.05‬؟‬
‫د) اختبار معنوية معلمات النموذج ‪  2 , 1‬عند مستوى معنوية ‪   0.05‬؟‬
‫حل التطبيق‪:‬‬
‫‪340‬‬
   X X   X y  :‫فمعامالت االنحدار بطريقة المصفوفات هي كما يلي‬

1
1
  0   10 648.4 358.1   26487 
     
 1   648.4 58015.28 34213.64  . 1529833
  2   358.1 34213.64 21077.99  847110 
 
 0   0.4761 0.0128 0.0128   26487  3766.24

       
 1    0.0128 0.0007 0.0010 . 1529833   39.53 
  2   0.0128 0.0010 0.0014   847110   40.37 
 
341
‫فمعادلة االنحدار الخطي المتعدد هي كما يلي‪:‬‬
‫‪y  3766.24  39.53 x1  40.37 x2‬‬
‫ب) حساب معاملي التحديد ‪ R 2‬و ‪R 2‬‬
‫أوال نحسب مجموع المربعات‪:‬‬
‫‪‬‬
‫‪SS E  y   X‬‬ ‫‪  y   X ‬‬
‫‪SS E  ee  3791563.41‬‬
‫‪SST  yy  ny 2  77269979  10  2648.7   7113862.1‬‬

‫‪2‬‬
‫‪SS R  SST  SS E  7113862.1  3791563.41  3322298.69‬‬
‫‪SS R 3322298.69‬‬
‫‪R2 ‬‬ ‫‪‬‬ ‫‪ 0.467‬‬
‫‪SST‬‬ ‫‪7113862.1‬‬
‫‪SS E /  n  p ‬‬ ‫‪541651.915‬‬
‫‪R2  1‬‬ ‫‪ 1‬‬ ‫‪ 0.314‬‬
‫‪SST /  n  1‬‬ ‫‪790429.122‬‬
‫من النتائج أعاله يتضح لنا أن كل من (معدل الوفيات ‪ ) x1‬و( معدل األمية ‪) x2‬‬
‫يفسران ما مقداره ( ‪ ) %46.7‬من التغيرات التي تط أر الناتج الوطني الخام ‪ ،) yi (PIB‬أما‬
‫النسبة المتبقية ( ‪ ) %53.3‬فأنها تعود إلى متغيرات أخرى غير داخلة في نموذج‬
‫االنحدار المتعدد‪.‬‬
‫ج) اختبار معنوية نموذج االنحدار الخطي المتعدد عند مستوى معنوية ‪  0.05‬‬
‫لنشكل جدول تحليل التباين ‪ANOVA‬‬
‫‪342‬‬
‫مادر االختالف‬ ‫مربعات الخطأ‬ ‫درجات الحرية‬ ‫متويط المربعات‬ ‫‪F0‬‬

‫االنحدار‬ ‫‪3322298.69‬‬ ‫‪2‬‬ ‫‪1661149.345‬‬ ‫‪3.067‬‬
‫الخطأ ( البواتقي)‬ ‫‪3791563.41‬‬ ‫‪7‬‬ ‫‪541651.915‬‬
‫الكلي‬ ‫‪7113862.1‬‬ ‫‪9‬‬
‫‪F 0.05 , 2 , 7   4.74‬‬
‫صياغة الفرضيات تكون كاالتي‪:‬‬
‫‪ : H 0‬نموذج االنحدار غير معنوي‬
‫‪ : H1‬نموذج االنحدار معنوي‬
‫بمأن ‪ Fcal‬أقل من ‪ Ftab‬فيتم قبول ‪ H 0‬أي أن نموذج االنحدار غير معنوي‪.‬‬
‫د) اختبار معنوية معلمات النموذج ‪  2 , 1‬عند مستوى معنوية ‪  0.05‬‬
‫بالنسبة للمعلمة ‪: 1‬‬
‫‪H 0 : 1  0‬‬
‫‪H1 : 1  0‬‬
‫‪1‬‬ ‫‪39.53‬‬
‫‪T0 ‬‬ ‫‪‬‬ ‫‪ 2.030‬‬
‫‪ C11‬‬
‫‪2‬‬
‫)‪541651.915(0.0007‬‬
‫‪SS E‬‬
‫‪2 ‬‬ ‫‪ 541651.915‬‬
‫‪n p‬‬
‫‪t /2 , n  p   t 0.025 , 7   2.365‬‬
‫‪343‬‬
‫بمأن ‪ t‬المحسوبة تقع في منطقة قبول ‪ H 0‬فهذا يدل على عدم معنوية المعلمة ‪ 1‬عند‬
‫مستوى معنوية ‪.   0.05‬‬
‫بالنسبة للمعلمة ‪:  2‬‬
‫‪H 0 : 2  0‬‬
‫‪H1 :  2  0‬‬
‫‪2‬‬ ‫‪40.37‬‬
‫‪T0 ‬‬ ‫‪‬‬ ‫‪ 1.467‬‬
‫‪ C22‬‬
‫‪2‬‬
‫)‪541651.915(0.0014‬‬
‫‪t /2 , n  p   t 0.025 , 7   2.365‬‬
‫بمأن ‪ t‬المحسوبة تقع في منطقة قبول ‪ H 0‬فهذا يدل على عدم معنوية المعلمة ‪ 2‬‬
‫عند مستوى معنوية ‪.   0.05‬‬
‫جدول توزيع يتيودنت‪:‬‬
‫ملحق ‪ :3‬جدول توزيع ‪t ,  student‬‬
‫‪‬‬
‫‪‬‬
‫‪0.40‬‬ ‫‪0.30‬‬ ‫‪0.20‬‬ ‫‪0.15‬‬ ‫‪0.10‬‬ ‫‪0.05‬‬ ‫‪0.025‬‬ ‫‪0.02‬‬ ‫‪0.015‬‬ ‫‪0.01‬‬ ‫‪0.0075‬‬ ‫‪0.005‬‬ ‫‪0.0025‬‬ ‫‪0.0005‬‬
‫‪1‬‬ ‫‪0.325‬‬ ‫‪0.727‬‬ ‫‪1.376‬‬ ‫‪1.963‬‬ ‫‪3.078‬‬ ‫‪6.314‬‬ ‫‪12.706‬‬ ‫‪15.895‬‬ ‫‪21.205‬‬ ‫‪31.821‬‬ ‫‪42.434‬‬ ‫‪63.657‬‬ ‫‪127.322‬‬ ‫‪636.590‬‬
‫‪2‬‬ ‫‪0.289‬‬ ‫‪0.617‬‬ ‫‪1.061‬‬ ‫‪1.386‬‬ ‫‪1.886‬‬ ‫‪2.920‬‬ ‫‪4.303‬‬ ‫‪4.849‬‬ ‫‪5.643‬‬ ‫‪6.965‬‬ ‫‪8.073‬‬ ‫‪9.925‬‬ ‫‪14.089‬‬ ‫‪31.598‬‬
‫‪3‬‬ ‫‪0.277‬‬ ‫‪0.584‬‬ ‫‪0.978‬‬ ‫‪1.250‬‬ ‫‪1.638‬‬ ‫‪2.353‬‬ ‫‪3.182‬‬ ‫‪3.482‬‬ ‫‪3.896‬‬ ‫‪4.541‬‬ ‫‪5.047‬‬ ‫‪5.841‬‬ ‫‪7.453‬‬ ‫‪12.924‬‬
‫‪4‬‬ ‫‪0.271‬‬ ‫‪0.569‬‬ ‫‪0.941‬‬ ‫‪1.190‬‬ ‫‪1.533‬‬ ‫‪2.132‬‬ ‫‪2.776‬‬ ‫‪2.999‬‬ ‫‪3.298‬‬ ‫‪3.747‬‬ ‫‪4.088‬‬ ‫‪4.604‬‬ ‫‪5.598‬‬ ‫‪8.610‬‬
‫‪5‬‬ ‫‪0.267‬‬ ‫‪0.559‬‬ ‫‪0.920‬‬ ‫‪1.156‬‬ ‫‪1.476‬‬ ‫‪2.015‬‬ ‫‪2.571‬‬ ‫‪2.757‬‬ ‫‪3.003‬‬ ‫‪3.365‬‬ ‫‪3.634‬‬ ‫‪4.032‬‬ ‫‪4.773‬‬ ‫‪6.869‬‬
‫‪6‬‬ ‫‪0.265‬‬ ‫‪0.553‬‬ ‫‪0.906‬‬ ‫‪1.134‬‬ ‫‪1.440‬‬ ‫‪1.943‬‬ ‫‪2.447‬‬ ‫‪2.612‬‬ ‫‪2.829‬‬ ‫‪3.143‬‬ ‫‪3.372‬‬ ‫‪3.707‬‬ ‫‪4.317‬‬ ‫‪5.959‬‬
‫‪7‬‬ ‫‪0.263‬‬ ‫‪0.549‬‬ ‫‪0.896‬‬ ‫‪1.119‬‬ ‫‪1.415‬‬ ‫‪1.895‬‬ ‫‪2.365‬‬ ‫‪2.517‬‬ ‫‪2.715‬‬ ‫‪2.998‬‬ ‫‪3.203‬‬ ‫‪3.499‬‬ ‫‪4.029‬‬ ‫‪5.408‬‬
‫‪8‬‬ ‫‪0.262‬‬ ‫‪0.546‬‬ ‫‪0.889‬‬ ‫‪1.108‬‬ ‫‪1.397‬‬ ‫‪1.860‬‬ ‫‪2.306‬‬ ‫‪2.449‬‬ ‫‪2.634‬‬ ‫‪2.896‬‬ ‫‪3.085‬‬ ‫‪3.355‬‬ ‫‪3.833‬‬ ‫‪5.041‬‬
‫‪9‬‬ ‫‪0.261‬‬ ‫‪0.543‬‬ ‫‪0.883‬‬ ‫‪1.100‬‬ ‫‪1.383‬‬ ‫‪1.833‬‬ ‫‪2.262‬‬ ‫‪2.398‬‬ ‫‪2.574‬‬ ‫‪2.821‬‬ ‫‪2.998‬‬ ‫‪3.250‬‬ ‫‪3.690‬‬ ‫‪4.781‬‬
‫‪344‬‬
‫‪10‬‬ ‫‪0.260‬‬ ‫‪0.542‬‬ ‫‪0.879‬‬ ‫‪1.093‬‬ ‫‪1.372‬‬ ‫‪1.812‬‬ ‫‪2.228‬‬ ‫‪2.359‬‬ ‫‪2.527‬‬ ‫‪2.764‬‬ ‫‪2.932‬‬ ‫‪3.169‬‬ ‫‪3.581‬‬ ‫‪4.587‬‬
‫‪11‬‬ ‫‪0.260‬‬ ‫‪0.540‬‬ ‫‪0.876‬‬ ‫‪1.088‬‬ ‫‪1.363‬‬ ‫‪1.796‬‬ ‫‪2.201‬‬ ‫‪2.328‬‬ ‫‪2.491‬‬ ‫‪2.718‬‬ ‫‪2.879‬‬ ‫‪3.106‬‬ ‫‪3.497‬‬ ‫‪4.437‬‬
‫‪12‬‬ ‫‪0.259‬‬ ‫‪0.539‬‬ ‫‪0.873‬‬ ‫‪1.083‬‬ ‫‪1.356‬‬ ‫‪1.782‬‬ ‫‪2.179‬‬ ‫‪2.303‬‬ ‫‪2.461‬‬ ‫‪2.681‬‬ ‫‪2.836‬‬ ‫‪3.055‬‬ ‫‪3.428‬‬ ‫‪4.318‬‬
‫‪13‬‬ ‫‪0.259‬‬ ‫‪0.538‬‬ ‫‪0.870‬‬ ‫‪1.079‬‬ ‫‪1.350‬‬ ‫‪1.771‬‬ ‫‪2.160‬‬ ‫‪2.282‬‬ ‫‪2.436‬‬ ‫‪2.650‬‬ ‫‪2.801‬‬ ‫‪3.012‬‬ ‫‪3.372‬‬ ‫‪4.221‬‬
‫‪14‬‬ ‫‪0.258‬‬ ‫‪0.537‬‬ ‫‪0.868‬‬ ‫‪1.076‬‬ ‫‪1.345‬‬ ‫‪1.761‬‬ ‫‪2.145‬‬ ‫‪2.264‬‬ ‫‪2.415‬‬ ‫‪2.624‬‬ ‫‪2.771‬‬ ‫‪2.977‬‬ ‫‪3.326‬‬ ‫‪4.140‬‬
‫‪15‬‬ ‫‪0.258‬‬ ‫‪0.536‬‬ ‫‪0.866‬‬ ‫‪1.074‬‬ ‫‪1.341‬‬ ‫‪1.753‬‬ ‫‪2.131‬‬ ‫‪2.249‬‬ ‫‪2.397‬‬ ‫‪2.602‬‬ ‫‪2.746‬‬ ‫‪2.947‬‬ ‫‪3.286‬‬ ‫‪4.073‬‬
‫‪16‬‬ ‫‪0.258‬‬ ‫‪0.535‬‬ ‫‪0.865‬‬ ‫‪1.071‬‬ ‫‪1.337‬‬ ‫‪1.746‬‬ ‫‪2.120‬‬ ‫‪2.235‬‬ ‫‪2.382‬‬ ‫‪2.583‬‬ ‫‪2.724‬‬ ‫‪2.921‬‬ ‫‪3.252‬‬ ‫‪4.015‬‬
‫‪17‬‬ ‫‪0.257‬‬ ‫‪0.534‬‬ ‫‪0.863‬‬ ‫‪1.069‬‬ ‫‪1.333‬‬ ‫‪1.740‬‬ ‫‪2.110‬‬ ‫‪2.224‬‬ ‫‪2.368‬‬ ‫‪2.567‬‬ ‫‪2.706‬‬ ‫‪2.898‬‬ ‫‪3.222‬‬ ‫‪3.965‬‬
‫‪18‬‬ ‫‪0.257‬‬ ‫‪0.534‬‬ ‫‪0.862‬‬ ‫‪1.067‬‬ ‫‪1.330‬‬ ‫‪1.734‬‬ ‫‪2.101‬‬ ‫‪2.214‬‬ ‫‪2.356‬‬ ‫‪2.552‬‬ ‫‪2.689‬‬ ‫‪2.878‬‬ ‫‪3.197‬‬ ‫‪3.922‬‬
‫‪19‬‬ ‫‪0.257‬‬ ‫‪0.533‬‬ ‫‪0.861‬‬ ‫‪1.066‬‬ ‫‪1.328‬‬ ‫‪1.729‬‬ ‫‪2.093‬‬ ‫‪2.205‬‬ ‫‪2.346‬‬ ‫‪2.539‬‬ ‫‪2.674‬‬ ‫‪2.861‬‬ ‫‪3.174‬‬ ‫‪3.883‬‬
‫‪20‬‬ ‫‪0.257‬‬ ‫‪0.533‬‬ ‫‪0.860‬‬ ‫‪1.064‬‬ ‫‪1.325‬‬ ‫‪1.725‬‬ ‫‪2.086‬‬ ‫‪2.197‬‬ ‫‪2.336‬‬ ‫‪2.528‬‬ ‫‪2.661‬‬ ‫‪2.845‬‬ ‫‪3.153‬‬ ‫‪3.850‬‬
‫‪21‬‬ ‫‪0.257‬‬ ‫‪0.532‬‬ ‫‪0.859‬‬ ‫‪1.063‬‬ ‫‪1.323‬‬ ‫‪1.721‬‬ ‫‪2.080‬‬ ‫‪2.189‬‬ ‫‪2.328‬‬ ‫‪2.518‬‬ ‫‪2.649‬‬ ‫‪2.831‬‬ ‫‪3.135‬‬ ‫‪3.819‬‬
‫‪22‬‬ ‫‪0.256‬‬ ‫‪0.532‬‬ ‫‪0.858‬‬ ‫‪1.061‬‬ ‫‪1.321‬‬ ‫‪1.717‬‬ ‫‪2.074‬‬ ‫‪2.183‬‬ ‫‪2.320‬‬ ‫‪2.508‬‬ ‫‪2.639‬‬ ‫‪2.819‬‬ ‫‪3.119‬‬ ‫‪3.792‬‬
‫‪23‬‬ ‫‪0.256‬‬ ‫‪0.532‬‬ ‫‪0.858‬‬ ‫‪1.060‬‬ ‫‪1.319‬‬ ‫‪1.714‬‬ ‫‪2.069‬‬ ‫‪2.177‬‬ ‫‪2.313‬‬ ‫‪2.500‬‬ ‫‪2.629‬‬ ‫‪2.807‬‬ ‫‪3.104‬‬ ‫‪3.768‬‬
‫‪24‬‬ ‫‪0.256‬‬ ‫‪0.531‬‬ ‫‪0.857‬‬ ‫‪1.059‬‬ ‫‪1.318‬‬ ‫‪1.711‬‬ ‫‪2.064‬‬ ‫‪2.172‬‬ ‫‪2.307‬‬ ‫‪2.492‬‬ ‫‪2.620‬‬ ‫‪2.797‬‬ ‫‪3.091‬‬ ‫‪3.745‬‬
‫‪25‬‬ ‫‪0.256‬‬ ‫‪0.531‬‬ ‫‪0.856‬‬ ‫‪1.058‬‬ ‫‪1.316‬‬ ‫‪1.708‬‬ ‫‪2.060‬‬ ‫‪2.167‬‬ ‫‪2.301‬‬ ‫‪2.485‬‬ ‫‪2.612‬‬ ‫‪2.787‬‬ ‫‪3.078‬‬ ‫‪3.725‬‬
‫‪26‬‬ ‫‪0.256‬‬ ‫‪0.531‬‬ ‫‪0.856‬‬ ‫‪1.058‬‬ ‫‪1.315‬‬ ‫‪1.706‬‬ ‫‪2.056‬‬ ‫‪2.162‬‬ ‫‪2.296‬‬ ‫‪2.479‬‬ ‫‪2.605‬‬ ‫‪2.779‬‬ ‫‪3.067‬‬ ‫‪3.707‬‬
‫‪27‬‬ ‫‪0.256‬‬ ‫‪0.531‬‬ ‫‪0.855‬‬ ‫‪1.057‬‬ ‫‪1.314‬‬ ‫‪1.703‬‬ ‫‪2.052‬‬ ‫‪2.158‬‬ ‫‪2.291‬‬ ‫‪2.473‬‬ ‫‪2.598‬‬ ‫‪2.771‬‬ ‫‪3.057‬‬ ‫‪3.690‬‬
‫‪28‬‬ ‫‪0.256‬‬ ‫‪0.530‬‬ ‫‪0.855‬‬ ‫‪1.056‬‬ ‫‪1.313‬‬ ‫‪1.701‬‬ ‫‪2.048‬‬ ‫‪2.154‬‬ ‫‪2.286‬‬ ‫‪2.467‬‬ ‫‪2.592‬‬ ‫‪2.763‬‬ ‫‪3.047‬‬ ‫‪3.674‬‬
‫‪29‬‬ ‫‪0.256‬‬ ‫‪0.530‬‬ ‫‪0.854‬‬ ‫‪1.055‬‬ ‫‪1.311‬‬ ‫‪1.699‬‬ ‫‪2.045‬‬ ‫‪2.150‬‬ ‫‪2.282‬‬ ‫‪2.462‬‬ ‫‪2.586‬‬ ‫‪2.756‬‬ ‫‪3.038‬‬ ‫‪3.659‬‬
‫‪30‬‬ ‫‪0.256‬‬ ‫‪0.530‬‬ ‫‪0.854‬‬ ‫‪1.055‬‬ ‫‪1.310‬‬ ‫‪1.697‬‬ ‫‪2.042‬‬ ‫‪2.147‬‬ ‫‪2.278‬‬ ‫‪2.457‬‬ ‫‪2.581‬‬ ‫‪2.750‬‬ ‫‪3.030‬‬ ‫‪3.646‬‬
‫‪40‬‬ ‫‪0.255‬‬ ‫‪0.529‬‬ ‫‪0.851‬‬ ‫‪1.050‬‬ ‫‪1.303‬‬ ‫‪1.684‬‬ ‫‪2.021‬‬ ‫‪2.123‬‬ ‫‪2.250‬‬ ‫‪2.423‬‬ ‫‪2.542‬‬ ‫‪2.704‬‬ ‫‪2.971‬‬ ‫‪3.551‬‬
‫‪60‬‬ ‫‪0.254‬‬ ‫‪0.527‬‬ ‫‪0.848‬‬ ‫‪1.045‬‬ ‫‪1.296‬‬ ‫‪1.671‬‬ ‫‪2.000‬‬ ‫‪2.099‬‬ ‫‪2.223‬‬ ‫‪2.390‬‬ ‫‪2.504‬‬ ‫‪2.660‬‬ ‫‪2.915‬‬ ‫‪3.460‬‬
‫‪120‬‬ ‫‪0.254‬‬ ‫‪0.526‬‬ ‫‪0.845‬‬ ‫‪1.041‬‬ ‫‪1.289‬‬ ‫‪1.658‬‬ ‫‪1.980‬‬ ‫‪2.076‬‬ ‫‪2.196‬‬ ‫‪2.358‬‬ ‫‪2.468‬‬ ‫‪2.617‬‬ ‫‪2.860‬‬ ‫‪3.373‬‬
‫‪‬‬ ‫‪0.253‬‬ ‫‪0.524‬‬ ‫‪0.842‬‬ ‫‪1.036‬‬ ‫‪1.282‬‬ ‫‪1.645‬‬ ‫‪1.960‬‬ ‫‪2.054‬‬ ‫‪2.170‬‬ ‫‪2.326‬‬ ‫‪2.432‬‬ ‫‪2.576‬‬ ‫‪2.807‬‬ ‫‪3.291‬‬
‫جدول توزيع فيشر‪:‬‬
‫‬
‫‬
‫‬
‫جدول توزيع فيشر ‪F0.01, 1, 2‬‬
‫=‪‬‬ ‫درجات حرية البسط )‪(1‬‬

‫‪0.01‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪12‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬ ‫‪30‬‬ ‫‪40‬‬ ‫‪60‬‬ ‫‪12‬‬ ‫‪‬‬
‫‪0‬‬
‫‪1‬‬ ‫‪40‬‬ ‫‪49‬‬ ‫‪54‬‬ ‫‪56‬‬ ‫‪57‬‬ ‫‪58‬‬ ‫‪59‬‬ ‫‪59‬‬ ‫‪60‬‬ ‫‪60‬‬ ‫‪61‬‬ ‫‪61‬‬ ‫‪62‬‬ ‫‪62‬‬ ‫‪62‬‬ ‫‪62‬‬ ‫‪63‬‬ ‫‪63‬‬ ‫‪63‬‬
‫‪52‬‬ ‫‪99‬‬ ‫‪03‬‬ ‫‪24‬‬ ‫‪63‬‬ ‫‪59‬‬ ‫‪28‬‬ ‫‪81‬‬ ‫‪22‬‬ ‫‪55‬‬ ‫‪06‬‬ ‫‪57‬‬ ‫‪08‬‬ ‫‪39‬‬ ‫‪60‬‬ ‫‪86‬‬ ‫‪13‬‬ ‫‪39‬‬ ‫‪65‬‬
‫درجة حرية المقام )‪(2‬‬
‫‪.2‬‬ ‫‪.5‬‬ ‫‪.4‬‬ ‫‪.6‬‬ ‫‪.7‬‬ ‫‪.0‬‬ ‫‪.4‬‬ ‫‪.1‬‬ ‫‪.5‬‬ ‫‪.9‬‬ ‫‪.3‬‬ ‫‪.3‬‬ ‫‪.7‬‬ ‫‪.8‬‬ ‫‪.7‬‬ ‫‪.8‬‬ ‫‪.0‬‬ ‫‪.4‬‬ ‫‪.9‬‬
‫‪2‬‬ ‫‪98‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬ ‫‪99‬‬
‫‪.5‬‬ ‫‪.0‬‬ ‫‪.1‬‬ ‫‪.2‬‬ ‫‪.3‬‬ ‫‪.3‬‬ ‫‪.3‬‬ ‫‪.3‬‬ ‫‪.3‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.5‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪9‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪0‬‬
‫‪3‬‬ ‫‪34‬‬ ‫‪30‬‬ ‫‪29‬‬ ‫‪28‬‬ ‫‪28‬‬ ‫‪27‬‬ ‫‪27‬‬ ‫‪27‬‬ ‫‪27‬‬ ‫‪27‬‬ ‫‪27‬‬ ‫‪26‬‬ ‫‪26‬‬ ‫‪26‬‬ ‫‪26‬‬ ‫‪26‬‬ ‫‪26‬‬ ‫‪26‬‬ ‫‪26‬‬
‫‪.1‬‬ ‫‪.8‬‬ ‫‪.4‬‬ ‫‪.7‬‬ ‫‪.2‬‬ ‫‪.9‬‬ ‫‪.6‬‬ ‫‪.4‬‬ ‫‪.3‬‬ ‫‪.2‬‬ ‫‪.0‬‬ ‫‪.8‬‬ ‫‪.6‬‬ ‫‪.5‬‬ ‫‪.5‬‬ ‫‪.4‬‬ ‫‪.3‬‬ ‫‪.2‬‬ ‫‪.1‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪7‬‬ ‫‪9‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪21‬‬ ‫‪18‬‬ ‫‪16‬‬ ‫‪15‬‬ ‫‪15‬‬ ‫‪15‬‬ ‫‪14‬‬ ‫‪14‬‬ ‫‪14‬‬ ‫‪14‬‬ ‫‪14‬‬ ‫‪14‬‬ ‫‪14‬‬ ‫‪13‬‬ ‫‪13‬‬ ‫‪13‬‬ ‫‪13‬‬ ‫‪13‬‬ ‫‪13‬‬
‫‪345‬‬
‫‪.2‬‬ ‫‪.0‬‬ ‫‪.6‬‬ ‫‪.9‬‬ ‫‪.5‬‬ ‫‪.2‬‬ ‫‪.9‬‬ ‫‪.8‬‬ ‫‪.6‬‬ ‫‪.5‬‬ ‫‪.3‬‬ ‫‪.2‬‬ ‫‪.0‬‬ ‫‪.9‬‬ ‫‪.8‬‬ ‫‪.7‬‬ ‫‪.6‬‬ ‫‪.5‬‬ ‫‪.4‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪8‬‬ ‫‪0‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬
‫‪5‬‬ ‫‪16‬‬ ‫‪13‬‬ ‫‪12‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪9.‬‬ ‫‪9.‬‬ ‫‪9.‬‬ ‫‪9.‬‬ ‫‪9.‬‬ ‫‪9.‬‬ ‫‪9.‬‬ ‫‪9.‬‬ ‫‪9.‬‬
‫‪.2‬‬ ‫‪.2‬‬ ‫‪.0‬‬ ‫‪.3‬‬ ‫‪.9‬‬ ‫‪.6‬‬ ‫‪.4‬‬ ‫‪.2‬‬ ‫‪.1‬‬ ‫‪.0‬‬ ‫‪89‬‬ ‫‪72‬‬ ‫‪55‬‬ ‫‪45‬‬ ‫‪38‬‬ ‫‪29‬‬ ‫‪20‬‬ ‫‪11‬‬ ‫‪02‬‬
‫‪6‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪9‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪9‬‬ ‫‪6‬‬ ‫‪5‬‬
‫‪6‬‬ ‫‪13‬‬ ‫‪10‬‬ ‫‪9.‬‬ ‫‪9.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪7.‬‬ ‫‪7.‬‬ ‫‪7.‬‬ ‫‪7.‬‬ ‫‪7.‬‬ ‫‪7.‬‬ ‫‪7.‬‬ ‫‪7.‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪6.‬‬
‫‪.7‬‬ ‫‪.9‬‬ ‫‪78‬‬ ‫‪15‬‬ ‫‪75‬‬ ‫‪47‬‬ ‫‪26‬‬ ‫‪10‬‬ ‫‪98‬‬ ‫‪87‬‬ ‫‪72‬‬ ‫‪56‬‬ ‫‪40‬‬ ‫‪30‬‬ ‫‪23‬‬ ‫‪14‬‬ ‫‪06‬‬ ‫‪97‬‬ ‫‪88‬‬
‫‪5‬‬ ‫‪2‬‬
‫‪7‬‬ ‫‪12‬‬ ‫‪9.‬‬ ‫‪8.‬‬ ‫‪7.‬‬ ‫‪7.‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬
‫‪.2‬‬ ‫‪55‬‬ ‫‪45‬‬ ‫‪85‬‬ ‫‪46‬‬ ‫‪19‬‬ ‫‪99‬‬ ‫‪84‬‬ ‫‪72‬‬ ‫‪62‬‬ ‫‪47‬‬ ‫‪31‬‬ ‫‪16‬‬ ‫‪06‬‬ ‫‪99‬‬ ‫‪91‬‬ ‫‪82‬‬ ‫‪74‬‬ ‫‪65‬‬
‫‪5‬‬
‫‪8‬‬ ‫‪11‬‬ ‫‪8.‬‬ ‫‪7.‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬
‫‪.2‬‬ ‫‪65‬‬ ‫‪59‬‬ ‫‪01‬‬ ‫‪63‬‬ ‫‪37‬‬ ‫‪18‬‬ ‫‪03‬‬ ‫‪91‬‬ ‫‪81‬‬ ‫‪67‬‬ ‫‪52‬‬ ‫‪36‬‬ ‫‪26‬‬ ‫‪20‬‬ ‫‪12‬‬ ‫‪03‬‬ ‫‪95‬‬ ‫‪86‬‬
‫‪6‬‬
‫‪9‬‬ ‫‪10‬‬ ‫‪8.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬
‫‪.5‬‬ ‫‪02‬‬ ‫‪99‬‬ ‫‪42‬‬ ‫‪06‬‬ ‫‪80‬‬ ‫‪61‬‬ ‫‪47‬‬ ‫‪35‬‬ ‫‪26‬‬ ‫‪11‬‬ ‫‪96‬‬ ‫‪81‬‬ ‫‪71‬‬ ‫‪65‬‬ ‫‪57‬‬ ‫‪48‬‬ ‫‪40‬‬ ‫‪31‬‬
‫‪6‬‬
‫‪1‬‬ ‫‪10‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬
‫‪0‬‬ ‫‪.0‬‬ ‫‪56‬‬ ‫‪55‬‬ ‫‪99‬‬ ‫‪64‬‬ ‫‪39‬‬ ‫‪20‬‬ ‫‪06‬‬ ‫‪94‬‬ ‫‪85‬‬ ‫‪71‬‬ ‫‪56‬‬ ‫‪41‬‬ ‫‪31‬‬ ‫‪25‬‬ ‫‪17‬‬ ‫‪08‬‬ ‫‪00‬‬ ‫‪91‬‬
‫‪4‬‬
‫‪1‬‬ ‫‪9.‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬
‫‪1‬‬ ‫‪65‬‬ ‫‪21‬‬ ‫‪22‬‬ ‫‪67‬‬ ‫‪32‬‬ ‫‪07‬‬ ‫‪89‬‬ ‫‪74‬‬ ‫‪63‬‬ ‫‪54‬‬ ‫‪40‬‬ ‫‪25‬‬ ‫‪10‬‬ ‫‪01‬‬ ‫‪94‬‬ ‫‪86‬‬ ‫‪78‬‬ ‫‪69‬‬ ‫‪60‬‬
‫‪1‬‬ ‫‪9.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬
‫‪2‬‬ ‫‪33‬‬ ‫‪93‬‬ ‫‪95‬‬ ‫‪41‬‬ ‫‪06‬‬ ‫‪82‬‬ ‫‪64‬‬ ‫‪50‬‬ ‫‪39‬‬ ‫‪30‬‬ ‫‪16‬‬ ‫‪01‬‬ ‫‪86‬‬ ‫‪76‬‬ ‫‪70‬‬ ‫‪62‬‬ ‫‪54‬‬ ‫‪45‬‬ ‫‪36‬‬
‫‪1‬‬ ‫‪9.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬
‫‪3‬‬ ‫‪07‬‬ ‫‪70‬‬ ‫‪74‬‬ ‫‪21‬‬ ‫‪86‬‬ ‫‪62‬‬ ‫‪44‬‬ ‫‪30‬‬ ‫‪19‬‬ ‫‪10‬‬ ‫‪96‬‬ ‫‪82‬‬ ‫‪66‬‬ ‫‪57‬‬ ‫‪51‬‬ ‫‪43‬‬ ‫‪34‬‬ ‫‪25‬‬ ‫‪17‬‬
‫‪1‬‬ ‫‪8.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬
‫‪4‬‬ ‫‪86‬‬ ‫‪51‬‬ ‫‪56‬‬ ‫‪04‬‬ ‫‪69‬‬ ‫‪46‬‬ ‫‪28‬‬ ‫‪14‬‬ ‫‪03‬‬ ‫‪94‬‬ ‫‪80‬‬ ‫‪66‬‬ ‫‪51‬‬ ‫‪41‬‬ ‫‪35‬‬ ‫‪27‬‬ ‫‪18‬‬ ‫‪09‬‬ ‫‪00‬‬
‫‪1‬‬ ‫‪8.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪5‬‬ ‫‪68‬‬ ‫‪36‬‬ ‫‪42‬‬ ‫‪89‬‬ ‫‪56‬‬ ‫‪32‬‬ ‫‪14‬‬ ‫‪00‬‬ ‫‪89‬‬ ‫‪80‬‬ ‫‪67‬‬ ‫‪52‬‬ ‫‪37‬‬ ‫‪28‬‬ ‫‪21‬‬ ‫‪13‬‬ ‫‪05‬‬ ‫‪96‬‬ ‫‪87‬‬
‫‪1‬‬ ‫‪8.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪6‬‬ ‫‪53‬‬ ‫‪23‬‬ ‫‪29‬‬ ‫‪77‬‬ ‫‪44‬‬ ‫‪20‬‬ ‫‪03‬‬ ‫‪89‬‬ ‫‪78‬‬ ‫‪69‬‬ ‫‪55‬‬ ‫‪41‬‬ ‫‪26‬‬ ‫‪16‬‬ ‫‪10‬‬ ‫‪02‬‬ ‫‪93‬‬ ‫‪84‬‬ ‫‪75‬‬
‫‪1‬‬ ‫‪8.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪7‬‬ ‫‪40‬‬ ‫‪11‬‬ ‫‪18‬‬ ‫‪67‬‬ ‫‪34‬‬ ‫‪10‬‬ ‫‪93‬‬ ‫‪79‬‬ ‫‪68‬‬ ‫‪59‬‬ ‫‪46‬‬ ‫‪31‬‬ ‫‪16‬‬ ‫‪07‬‬ ‫‪00‬‬ ‫‪92‬‬ ‫‪83‬‬ ‫‪75‬‬ ‫‪65‬‬
‫‪1‬‬ ‫‪8.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪8‬‬ ‫‪29‬‬ ‫‪01‬‬ ‫‪09‬‬ ‫‪58‬‬ ‫‪25‬‬ ‫‪01‬‬ ‫‪84‬‬ ‫‪71‬‬ ‫‪60‬‬ ‫‪51‬‬ ‫‪37‬‬ ‫‪23‬‬ ‫‪08‬‬ ‫‪98‬‬ ‫‪92‬‬ ‫‪84‬‬ ‫‪75‬‬ ‫‪66‬‬ ‫‪57‬‬
‫‪1‬‬ ‫‪8.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪9‬‬ ‫‪18‬‬ ‫‪93‬‬ ‫‪01‬‬ ‫‪50‬‬ ‫‪17‬‬ ‫‪94‬‬ ‫‪77‬‬ ‫‪63‬‬ ‫‪52‬‬ ‫‪43‬‬ ‫‪30‬‬ ‫‪15‬‬ ‫‪00‬‬ ‫‪91‬‬ ‫‪84‬‬ ‫‪76‬‬ ‫‪67‬‬ ‫‪58‬‬ ‫‪49‬‬
‫‪2‬‬ ‫‪8.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪0‬‬ ‫‪10‬‬ ‫‪85‬‬ ‫‪94‬‬ ‫‪43‬‬ ‫‪10‬‬ ‫‪87‬‬ ‫‪70‬‬ ‫‪56‬‬ ‫‪46‬‬ ‫‪37‬‬ ‫‪23‬‬ ‫‪09‬‬ ‫‪94‬‬ ‫‪84‬‬ ‫‪78‬‬ ‫‪69‬‬ ‫‪61‬‬ ‫‪52‬‬ ‫‪42‬‬
‫‪2‬‬ ‫‪8.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪1‬‬ ‫‪02‬‬ ‫‪78‬‬ ‫‪87‬‬ ‫‪37‬‬ ‫‪04‬‬ ‫‪81‬‬ ‫‪64‬‬ ‫‪51‬‬ ‫‪40‬‬ ‫‪31‬‬ ‫‪17‬‬ ‫‪03‬‬ ‫‪88‬‬ ‫‪79‬‬ ‫‪72‬‬ ‫‪64‬‬ ‫‪55‬‬ ‫‪46‬‬ ‫‪36‬‬
‫‪2‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪2‬‬ ‫‪95‬‬ ‫‪72‬‬ ‫‪82‬‬ ‫‪31‬‬ ‫‪99‬‬ ‫‪76‬‬ ‫‪59‬‬ ‫‪45‬‬ ‫‪35‬‬ ‫‪26‬‬ ‫‪12‬‬ ‫‪98‬‬ ‫‪83‬‬ ‫‪73‬‬ ‫‪67‬‬ ‫‪58‬‬ ‫‪50‬‬ ‫‪40‬‬ ‫‪31‬‬
‫‪2‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪3‬‬ ‫‪88‬‬ ‫‪66‬‬ ‫‪76‬‬ ‫‪26‬‬ ‫‪94‬‬ ‫‪71‬‬ ‫‪54‬‬ ‫‪41‬‬ ‫‪30‬‬ ‫‪21‬‬ ‫‪07‬‬ ‫‪93‬‬ ‫‪78‬‬ ‫‪69‬‬ ‫‪62‬‬ ‫‪54‬‬ ‫‪45‬‬ ‫‪35‬‬ ‫‪26‬‬
‫‪2‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪4‬‬ ‫‪82‬‬ ‫‪61‬‬ ‫‪72‬‬ ‫‪22‬‬ ‫‪90‬‬ ‫‪67‬‬ ‫‪50‬‬ ‫‪36‬‬ ‫‪26‬‬ ‫‪17‬‬ ‫‪03‬‬ ‫‪89‬‬ ‫‪74‬‬ ‫‪64‬‬ ‫‪58‬‬ ‫‪49‬‬ ‫‪40‬‬ ‫‪31‬‬ ‫‪21‬‬
‫‪2‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪5‬‬ ‫‪77‬‬ ‫‪57‬‬ ‫‪68‬‬ ‫‪18‬‬ ‫‪85‬‬ ‫‪63‬‬ ‫‪46‬‬ ‫‪32‬‬ ‫‪22‬‬ ‫‪13‬‬ ‫‪99‬‬ ‫‪85‬‬ ‫‪70‬‬ ‫‪60‬‬ ‫‪54‬‬ ‫‪45‬‬ ‫‪36‬‬ ‫‪27‬‬ ‫‪17‬‬
‫‪2‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪6‬‬ ‫‪72‬‬ ‫‪53‬‬ ‫‪64‬‬ ‫‪14‬‬ ‫‪82‬‬ ‫‪59‬‬ ‫‪42‬‬ ‫‪29‬‬ ‫‪18‬‬ ‫‪09‬‬ ‫‪96‬‬ ‫‪81‬‬ ‫‪66‬‬ ‫‪57‬‬ ‫‪50‬‬ ‫‪42‬‬ ‫‪33‬‬ ‫‪23‬‬ ‫‪13‬‬
‫‪2‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪7‬‬ ‫‪68‬‬ ‫‪49‬‬ ‫‪60‬‬ ‫‪11‬‬ ‫‪78‬‬ ‫‪56‬‬ ‫‪39‬‬ ‫‪26‬‬ ‫‪15‬‬ ‫‪06‬‬ ‫‪93‬‬ ‫‪78‬‬ ‫‪63‬‬ ‫‪54‬‬ ‫‪47‬‬ ‫‪38‬‬ ‫‪29‬‬ ‫‪20‬‬ ‫‪10‬‬
‫‪2‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪8‬‬ ‫‪64‬‬ ‫‪45‬‬ ‫‪57‬‬ ‫‪07‬‬ ‫‪75‬‬ ‫‪53‬‬ ‫‪36‬‬ ‫‪23‬‬ ‫‪12‬‬ ‫‪03‬‬ ‫‪90‬‬ ‫‪75‬‬ ‫‪60‬‬ ‫‪51‬‬ ‫‪44‬‬ ‫‪35‬‬ ‫‪26‬‬ ‫‪17‬‬ ‫‪06‬‬
‫‪2‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪9‬‬ ‫‪60‬‬ ‫‪42‬‬ ‫‪54‬‬ ‫‪04‬‬ ‫‪73‬‬ ‫‪50‬‬ ‫‪33‬‬ ‫‪20‬‬ ‫‪09‬‬ ‫‪00‬‬ ‫‪87‬‬ ‫‪73‬‬ ‫‪57‬‬ ‫‪48‬‬ ‫‪41‬‬ ‫‪33‬‬ ‫‪23‬‬ ‫‪14‬‬ ‫‪03‬‬
‫‪3‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪0‬‬ ‫‪56‬‬ ‫‪39‬‬ ‫‪51‬‬ ‫‪02‬‬ ‫‪70‬‬ ‫‪47‬‬ ‫‪30‬‬ ‫‪17‬‬ ‫‪07‬‬ ‫‪98‬‬ ‫‪84‬‬ ‫‪70‬‬ ‫‪55‬‬ ‫‪45‬‬ ‫‪39‬‬ ‫‪30‬‬ ‫‪21‬‬ ‫‪11‬‬ ‫‪01‬‬
‫‪4‬‬ ‫‪7.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪0‬‬ ‫‪31‬‬ ‫‪18‬‬ ‫‪31‬‬ ‫‪83‬‬ ‫‪51‬‬ ‫‪29‬‬ ‫‪12‬‬ ‫‪99‬‬ ‫‪89‬‬ ‫‪80‬‬ ‫‪66‬‬ ‫‪52‬‬ ‫‪37‬‬ ‫‪27‬‬ ‫‪20‬‬ ‫‪11‬‬ ‫‪02‬‬ ‫‪92‬‬ ‫‪80‬‬
‫‪6‬‬ ‫‪7.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪0‬‬ ‫‪08‬‬ ‫‪98‬‬ ‫‪13‬‬ ‫‪65‬‬ ‫‪34‬‬ ‫‪12‬‬ ‫‪95‬‬ ‫‪82‬‬ ‫‪72‬‬ ‫‪63‬‬ ‫‪50‬‬ ‫‪35‬‬ ‫‪20‬‬ ‫‪10‬‬ ‫‪03‬‬ ‫‪94‬‬ ‫‪84‬‬ ‫‪73‬‬ ‫‪60‬‬
‫‪1‬‬ ‫‪6.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪2‬‬ ‫‪85‬‬ ‫‪79‬‬ ‫‪95‬‬ ‫‪48‬‬ ‫‪17‬‬ ‫‪96‬‬ ‫‪79‬‬ ‫‪66‬‬ ‫‪56‬‬ ‫‪47‬‬ ‫‪34‬‬ ‫‪19‬‬ ‫‪03‬‬ ‫‪93‬‬ ‫‪86‬‬ ‫‪76‬‬ ‫‪66‬‬ ‫‪53‬‬ ‫‪38‬‬
‫‪0‬‬
‫‪‬‬ ‫‪6.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪346‬‬
‫‪63‬‬ ‫‪61‬‬ ‫‪78‬‬ ‫‪32‬‬ ‫‪02‬‬ ‫‪80‬‬ ‫‪64‬‬ ‫‪51‬‬ ‫‪41‬‬ ‫‪32‬‬ ‫‪18‬‬ ‫‪04‬‬ ‫‪88‬‬ ‫‪77‬‬ ‫‪70‬‬ ‫‪59‬‬ ‫‪47‬‬ ‫‪32‬‬ ‫‪00‬‬
‫جدول توزيع فيشر ( تابع )‪F0.05, 1, 2‬‬

‫=‪‬‬ ‫درجات حرية البسط )‪( 1‬‬
‫‪0.05‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪12‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬ ‫‪30‬‬ ‫‪40‬‬ ‫‪60‬‬ ‫‪12‬‬ ‫‪‬‬
‫‪0‬‬
‫‪1‬‬ ‫‪16‬‬ ‫‪19‬‬ ‫‪21‬‬ ‫‪22‬‬ ‫‪23‬‬ ‫‪23‬‬ ‫‪23‬‬ ‫‪23‬‬ ‫‪24‬‬ ‫‪24‬‬ ‫‪24‬‬ ‫‪24‬‬ ‫‪24‬‬ ‫‪24‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬ ‫‪25‬‬
‫‪1.‬‬ ‫‪9.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪0.‬‬ ‫‪4.‬‬ ‫‪6.‬‬ ‫‪8.‬‬ ‫‪0.‬‬ ‫‪1.‬‬ ‫‪3.‬‬ ‫‪6.‬‬ ‫‪8.‬‬ ‫‪9.‬‬ ‫‪0.‬‬ ‫‪1.‬‬ ‫‪2.‬‬ ‫‪3.‬‬ ‫‪4.‬‬
‫‪5‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪6‬‬ ‫‪9‬‬ ‫‪9‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬
‫‪2‬‬ ‫‪18‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬ ‫‪19‬‬
‫‪.5‬‬ ‫‪.0‬‬ ‫‪.1‬‬ ‫‪.2‬‬ ‫‪.3‬‬ ‫‪.3‬‬ ‫‪.3‬‬ ‫‪.3‬‬ ‫‪.3‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.4‬‬ ‫‪.5‬‬
‫‪1‬‬ ‫‪0‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪0‬‬
‫‪3‬‬ ‫‪10‬‬ ‫‪9.‬‬ ‫‪9.‬‬ ‫‪9.‬‬ ‫‪9.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬ ‫‪8.‬‬
‫‪.1‬‬ ‫‪55‬‬ ‫‪28‬‬ ‫‪12‬‬ ‫‪01‬‬ ‫‪94‬‬ ‫‪89‬‬ ‫‪85‬‬ ‫‪81‬‬ ‫‪79‬‬ ‫‪74‬‬ ‫‪70‬‬ ‫‪66‬‬ ‫‪63‬‬ ‫‪62‬‬ ‫‪59‬‬ ‫‪57‬‬ ‫‪55‬‬ ‫‪53‬‬
‫‪3‬‬
‫‪4‬‬ ‫‪7.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬
‫‪71‬‬ ‫‪94‬‬ ‫‪59‬‬ ‫‪39‬‬ ‫‪26‬‬ ‫‪16‬‬ ‫‪09‬‬ ‫‪04‬‬ ‫‪00‬‬ ‫‪96‬‬ ‫‪91‬‬ ‫‪86‬‬ ‫‪80‬‬ ‫‪77‬‬ ‫‪75‬‬ ‫‪72‬‬ ‫‪69‬‬ ‫‪66‬‬ ‫‪63‬‬
‫‪5‬‬ ‫‪6.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬
‫‪61‬‬ ‫‪79‬‬ ‫‪41‬‬ ‫‪19‬‬ ‫‪05‬‬ ‫‪95‬‬ ‫‪88‬‬ ‫‪82‬‬ ‫‪77‬‬ ‫‪74‬‬ ‫‪68‬‬ ‫‪62‬‬ ‫‪56‬‬ ‫‪52‬‬ ‫‪50‬‬ ‫‪46‬‬ ‫‪43‬‬ ‫‪40‬‬ ‫‪36‬‬
‫‪6‬‬ ‫‪5.‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬
‫‪99‬‬ ‫‪14‬‬ ‫‪76‬‬ ‫‪53‬‬ ‫‪39‬‬ ‫‪28‬‬ ‫‪21‬‬ ‫‪15‬‬ ‫‪10‬‬ ‫‪06‬‬ ‫‪00‬‬ ‫‪94‬‬ ‫‪87‬‬ ‫‪83‬‬ ‫‪81‬‬ ‫‪77‬‬ ‫‪74‬‬ ‫‪70‬‬ ‫‪67‬‬
‫‪7‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬
‫‪59‬‬ ‫‪74‬‬ ‫‪35‬‬ ‫‪12‬‬ ‫‪97‬‬ ‫‪87‬‬ ‫‪79‬‬ ‫‪73‬‬ ‫‪68‬‬ ‫‪64‬‬ ‫‪57‬‬ ‫‪51‬‬ ‫‪44‬‬ ‫‪40‬‬ ‫‪38‬‬ ‫‪34‬‬ ‫‪30‬‬ ‫‪27‬‬ ‫‪23‬‬
‫‪8‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪32‬‬ ‫‪46‬‬ ‫‪07‬‬ ‫‪84‬‬ ‫‪69‬‬ ‫‪58‬‬ ‫‪50‬‬ ‫‪44‬‬ ‫‪39‬‬ ‫‪35‬‬ ‫‪28‬‬ ‫‪22‬‬ ‫‪15‬‬ ‫‪11‬‬ ‫‪08‬‬ ‫‪04‬‬ ‫‪01‬‬ ‫‪97‬‬ ‫‪93‬‬
‫‪9‬‬ ‫‪5.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪12‬‬ ‫‪26‬‬ ‫‪86‬‬ ‫‪63‬‬ ‫‪48‬‬ ‫‪37‬‬ ‫‪29‬‬ ‫‪23‬‬ ‫‪18‬‬ ‫‪14‬‬ ‫‪07‬‬ ‫‪01‬‬ ‫‪94‬‬ ‫‪89‬‬ ‫‪86‬‬ ‫‪83‬‬ ‫‪79‬‬ ‫‪75‬‬ ‫‪71‬‬
‫‪1‬‬ ‫‪4.‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪0‬‬ ‫‪96‬‬ ‫‪10‬‬ ‫‪71‬‬ ‫‪48‬‬ ‫‪33‬‬ ‫‪22‬‬ ‫‪14‬‬ ‫‪07‬‬ ‫‪02‬‬ ‫‪98‬‬ ‫‪91‬‬ ‫‪85‬‬ ‫‪77‬‬ ‫‪73‬‬ ‫‪70‬‬ ‫‪66‬‬ ‫‪62‬‬ ‫‪58‬‬ ‫‪54‬‬
‫‪1‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫درجة حرية المقام )‪(2‬‬
‫‪1‬‬ ‫‪84‬‬ ‫‪98‬‬ ‫‪59‬‬ ‫‪36‬‬ ‫‪20‬‬ ‫‪09‬‬ ‫‪01‬‬ ‫‪95‬‬ ‫‪90‬‬ ‫‪85‬‬ ‫‪79‬‬ ‫‪72‬‬ ‫‪65‬‬ ‫‪60‬‬ ‫‪57‬‬ ‫‪53‬‬ ‫‪49‬‬ ‫‪45‬‬ ‫‪40‬‬
‫‪1‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪2‬‬ ‫‪75‬‬ ‫‪89‬‬ ‫‪49‬‬ ‫‪26‬‬ ‫‪11‬‬ ‫‪00‬‬ ‫‪91‬‬ ‫‪85‬‬ ‫‪80‬‬ ‫‪75‬‬ ‫‪69‬‬ ‫‪62‬‬ ‫‪54‬‬ ‫‪50‬‬ ‫‪47‬‬ ‫‪43‬‬ ‫‪38‬‬ ‫‪34‬‬ ‫‪30‬‬
‫‪1‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪3‬‬ ‫‪67‬‬ ‫‪81‬‬ ‫‪41‬‬ ‫‪18‬‬ ‫‪03‬‬ ‫‪92‬‬ ‫‪83‬‬ ‫‪77‬‬ ‫‪71‬‬ ‫‪67‬‬ ‫‪60‬‬ ‫‪53‬‬ ‫‪46‬‬ ‫‪41‬‬ ‫‪38‬‬ ‫‪34‬‬ ‫‪30‬‬ ‫‪25‬‬ ‫‪21‬‬
‫‪1‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪4‬‬ ‫‪60‬‬ ‫‪74‬‬ ‫‪34‬‬ ‫‪11‬‬ ‫‪96‬‬ ‫‪85‬‬ ‫‪76‬‬ ‫‪70‬‬ ‫‪65‬‬ ‫‪60‬‬ ‫‪53‬‬ ‫‪46‬‬ ‫‪39‬‬ ‫‪34‬‬ ‫‪31‬‬ ‫‪27‬‬ ‫‪22‬‬ ‫‪18‬‬ ‫‪13‬‬
‫‪1‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪5‬‬ ‫‪54‬‬ ‫‪68‬‬ ‫‪29‬‬ ‫‪06‬‬ ‫‪90‬‬ ‫‪79‬‬ ‫‪71‬‬ ‫‪64‬‬ ‫‪59‬‬ ‫‪54‬‬ ‫‪48‬‬ ‫‪40‬‬ ‫‪33‬‬ ‫‪28‬‬ ‫‪25‬‬ ‫‪20‬‬ ‫‪16‬‬ ‫‪11‬‬ ‫‪07‬‬
‫‪1‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬
‫‪6‬‬ ‫‪49‬‬ ‫‪63‬‬ ‫‪24‬‬ ‫‪01‬‬ ‫‪85‬‬ ‫‪74‬‬ ‫‪66‬‬ ‫‪59‬‬ ‫‪54‬‬ ‫‪49‬‬ ‫‪42‬‬ ‫‪35‬‬ ‫‪28‬‬ ‫‪23‬‬ ‫‪19‬‬ ‫‪15‬‬ ‫‪11‬‬ ‫‪06‬‬ ‫‪01‬‬
‫‪1‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬
‫‪7‬‬ ‫‪45‬‬ ‫‪59‬‬ ‫‪20‬‬ ‫‪96‬‬ ‫‪81‬‬ ‫‪70‬‬ ‫‪61‬‬ ‫‪55‬‬ ‫‪49‬‬ ‫‪45‬‬ ‫‪38‬‬ ‫‪31‬‬ ‫‪23‬‬ ‫‪18‬‬ ‫‪15‬‬ ‫‪10‬‬ ‫‪06‬‬ ‫‪01‬‬ ‫‪96‬‬
‫‪1‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪8‬‬ ‫‪41‬‬ ‫‪55‬‬ ‫‪16‬‬ ‫‪93‬‬ ‫‪77‬‬ ‫‪66‬‬ ‫‪58‬‬ ‫‪51‬‬ ‫‪46‬‬ ‫‪41‬‬ ‫‪34‬‬ ‫‪27‬‬ ‫‪19‬‬ ‫‪14‬‬ ‫‪11‬‬ ‫‪06‬‬ ‫‪02‬‬ ‫‪97‬‬ ‫‪92‬‬
‫‪1‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪9‬‬ ‫‪38‬‬ ‫‪52‬‬ ‫‪13‬‬ ‫‪90‬‬ ‫‪74‬‬ ‫‪63‬‬ ‫‪54‬‬ ‫‪48‬‬ ‫‪42‬‬ ‫‪38‬‬ ‫‪31‬‬ ‫‪23‬‬ ‫‪16‬‬ ‫‪11‬‬ ‫‪07‬‬ ‫‪03‬‬ ‫‪98‬‬ ‫‪93‬‬ ‫‪88‬‬
‫‪2‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪0‬‬ ‫‪35‬‬ ‫‪49‬‬ ‫‪10‬‬ ‫‪87‬‬ ‫‪71‬‬ ‫‪60‬‬ ‫‪51‬‬ ‫‪45‬‬ ‫‪39‬‬ ‫‪35‬‬ ‫‪28‬‬ ‫‪20‬‬ ‫‪12‬‬ ‫‪07‬‬ ‫‪04‬‬ ‫‪99‬‬ ‫‪95‬‬ ‫‪90‬‬ ‫‪84‬‬
‫‪2‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪1‬‬ ‫‪32‬‬ ‫‪47‬‬ ‫‪07‬‬ ‫‪84‬‬ ‫‪68‬‬ ‫‪57‬‬ ‫‪49‬‬ ‫‪42‬‬ ‫‪37‬‬ ‫‪32‬‬ ‫‪25‬‬ ‫‪18‬‬ ‫‪10‬‬ ‫‪05‬‬ ‫‪01‬‬ ‫‪96‬‬ ‫‪92‬‬ ‫‪87‬‬ ‫‪81‬‬
‫‪2‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪2‬‬ ‫‪30‬‬ ‫‪44‬‬ ‫‪05‬‬ ‫‪82‬‬ ‫‪66‬‬ ‫‪55‬‬ ‫‪46‬‬ ‫‪40‬‬ ‫‪34‬‬ ‫‪30‬‬ ‫‪23‬‬ ‫‪15‬‬ ‫‪07‬‬ ‫‪02‬‬ ‫‪98‬‬ ‫‪94‬‬ ‫‪89‬‬ ‫‪84‬‬ ‫‪78‬‬
‫‪2‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪3‬‬ ‫‪28‬‬ ‫‪42‬‬ ‫‪03‬‬ ‫‪80‬‬ ‫‪64‬‬ ‫‪53‬‬ ‫‪44‬‬ ‫‪37‬‬ ‫‪32‬‬ ‫‪27‬‬ ‫‪20‬‬ ‫‪13‬‬ ‫‪05‬‬ ‫‪00‬‬ ‫‪96‬‬ ‫‪91‬‬ ‫‪86‬‬ ‫‪81‬‬ ‫‪76‬‬
‫‪2‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪4‬‬ ‫‪26‬‬ ‫‪40‬‬ ‫‪01‬‬ ‫‪78‬‬ ‫‪62‬‬ ‫‪51‬‬ ‫‪42‬‬ ‫‪36‬‬ ‫‪30‬‬ ‫‪25‬‬ ‫‪18‬‬ ‫‪11‬‬ ‫‪03‬‬ ‫‪97‬‬ ‫‪94‬‬ ‫‪89‬‬ ‫‪84‬‬ ‫‪79‬‬ ‫‪73‬‬
‫‪2‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪5‬‬ ‫‪24‬‬ ‫‪39‬‬ ‫‪99‬‬ ‫‪76‬‬ ‫‪60‬‬ ‫‪49‬‬ ‫‪40‬‬ ‫‪34‬‬ ‫‪28‬‬ ‫‪24‬‬ ‫‪16‬‬ ‫‪09‬‬ ‫‪01‬‬ ‫‪96‬‬ ‫‪92‬‬ ‫‪87‬‬ ‫‪82‬‬ ‫‪77‬‬ ‫‪71‬‬
‫‪2‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪6‬‬ ‫‪23‬‬ ‫‪37‬‬ ‫‪98‬‬ ‫‪74‬‬ ‫‪59‬‬ ‫‪47‬‬ ‫‪39‬‬ ‫‪32‬‬ ‫‪27‬‬ ‫‪22‬‬ ‫‪15‬‬ ‫‪07‬‬ ‫‪99‬‬ ‫‪94‬‬ ‫‪90‬‬ ‫‪85‬‬ ‫‪80‬‬ ‫‪75‬‬ ‫‪69‬‬
‫‪347‬‬
‫‪2‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪7‬‬ ‫‪21‬‬ ‫‪35‬‬ ‫‪96‬‬ ‫‪73‬‬ ‫‪57‬‬ ‫‪46‬‬ ‫‪37‬‬ ‫‪31‬‬ ‫‪25‬‬ ‫‪20‬‬ ‫‪13‬‬ ‫‪06‬‬ ‫‪97‬‬ ‫‪92‬‬ ‫‪88‬‬ ‫‪84‬‬ ‫‪79‬‬ ‫‪73‬‬ ‫‪67‬‬
‫‪2‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪8‬‬ ‫‪20‬‬ ‫‪34‬‬ ‫‪95‬‬ ‫‪71‬‬ ‫‪56‬‬ ‫‪45‬‬ ‫‪36‬‬ ‫‪29‬‬ ‫‪24‬‬ ‫‪19‬‬ ‫‪12‬‬ ‫‪04‬‬ ‫‪96‬‬ ‫‪91‬‬ ‫‪87‬‬ ‫‪82‬‬ ‫‪77‬‬ ‫‪71‬‬ ‫‪65‬‬
‫‪2‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪9‬‬ ‫‪18‬‬ ‫‪33‬‬ ‫‪93‬‬ ‫‪70‬‬ ‫‪55‬‬ ‫‪43‬‬ ‫‪35‬‬ ‫‪28‬‬ ‫‪22‬‬ ‫‪18‬‬ ‫‪10‬‬ ‫‪03‬‬ ‫‪94‬‬ ‫‪89‬‬ ‫‪85‬‬ ‫‪81‬‬ ‫‪75‬‬ ‫‪70‬‬ ‫‪64‬‬
‫‪3‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪0‬‬ ‫‪17‬‬ ‫‪32‬‬ ‫‪92‬‬ ‫‪69‬‬ ‫‪53‬‬ ‫‪42‬‬ ‫‪33‬‬ ‫‪27‬‬ ‫‪21‬‬ ‫‪16‬‬ ‫‪09‬‬ ‫‪01‬‬ ‫‪93‬‬ ‫‪88‬‬ ‫‪84‬‬ ‫‪79‬‬ ‫‪74‬‬ ‫‪68‬‬ ‫‪62‬‬
‫‪4‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪0‬‬ ‫‪08‬‬ ‫‪23‬‬ ‫‪84‬‬ ‫‪61‬‬ ‫‪45‬‬ ‫‪34‬‬ ‫‪25‬‬ ‫‪18‬‬ ‫‪12‬‬ ‫‪08‬‬ ‫‪00‬‬ ‫‪92‬‬ ‫‪84‬‬ ‫‪78‬‬ ‫‪74‬‬ ‫‪69‬‬ ‫‪64‬‬ ‫‪58‬‬ ‫‪51‬‬
‫‪6‬‬ ‫‪4.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪0‬‬ ‫‪00‬‬ ‫‪15‬‬ ‫‪76‬‬ ‫‪53‬‬ ‫‪37‬‬ ‫‪25‬‬ ‫‪17‬‬ ‫‪10‬‬ ‫‪04‬‬ ‫‪99‬‬ ‫‪92‬‬ ‫‪84‬‬ ‫‪75‬‬ ‫‪69‬‬ ‫‪65‬‬ ‫‪59‬‬ ‫‪53‬‬ ‫‪47‬‬ ‫‪39‬‬
‫‪1‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪2‬‬ ‫‪92‬‬ ‫‪07‬‬ ‫‪68‬‬ ‫‪45‬‬ ‫‪29‬‬ ‫‪18‬‬ ‫‪09‬‬ ‫‪02‬‬ ‫‪96‬‬ ‫‪91‬‬ ‫‪83‬‬ ‫‪75‬‬ ‫‪66‬‬ ‫‪60‬‬ ‫‪55‬‬ ‫‪50‬‬ ‫‪43‬‬ ‫‪35‬‬ ‫‪25‬‬
‫‪0‬‬
‫‪‬‬ ‫‪3.‬‬ ‫‪3.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪2.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬ ‫‪1.‬‬
‫‪84‬‬ ‫‪00‬‬ ‫‪60‬‬ ‫‪37‬‬ ‫‪21‬‬ ‫‪10‬‬ ‫‪01‬‬ ‫‪94‬‬ ‫‪88‬‬ ‫‪83‬‬ ‫‪75‬‬ ‫‪67‬‬ ‫‪57‬‬ ‫‪51‬‬ ‫‪46‬‬ ‫‪39‬‬ ‫‪32‬‬ ‫‪22‬‬ ‫‪00‬‬
‫األلالم المذكورة في الفال الخامس لشر‬
‫‪348‬‬
‫‪349‬‬
‫تقائمة المراجع‪:‬‬
‫أ) الكتب باللغة العربية‪:‬‬

‫‪ )1‬محمد بداوي‪ ،‬االحتماالت‪ ،‬د ار هومة ‪ ،‬الجزائر‪.2017 ،‬‬
‫‪ )2‬محمد بداوي‪ ،‬االحصاء االستداللي‪ ،‬د ار هومة ‪ ،‬الجزائر‪.2017 ،‬‬
‫‪ )3‬محمد راتول ‪ ،‬بحوث العمليات‪ ،‬ديوان المطبوعات الجامعية‪ ،‬الجزائر ‪،‬‬
‫‪.2004‬‬
‫‪ )4‬فتحي خليل الحمدان‪ ،‬بحوث العمليات‪ ،‬دار وائل ‪ ،‬عمان‪.2010 ،‬‬
‫‪ )5‬سليمان صالح الحيمدان‪ ،‬طرق النقطة الداخلية للبرمجة الخطية وغير الخطية‪،‬‬
‫العبيكان ‪ ،‬الرياض ‪.2010/1431 ،‬‬
‫‪ )6‬محمد حازي‪ ،‬الدوال ذات عدة متغيرات‪ ،‬ديوان المطبوعات الجامعية‪ ،‬الجزائر‪،‬‬
‫‪.2015‬‬
‫‪ )7‬عفاف على حسن الدش‪ ،‬بحوث العمليات واتخاذ الق اررات ‪ ،‬الجزء األول‪ ،‬ط‪2‬‬
‫‪ ، 2012 ،‬مكتبة عين شمس‪.‬‬
‫‪ )8‬لطفي تاج ‪ ،‬عمار محمود سرحان ‪ ،‬مقدمة في العمليات العشوائية ‪ ،‬جامعة‬
‫الملك سعود ‪ ،‬الرياض‪. 2006/1428 ،‬‬
‫ب) الدروس والمحاضرات والمجالت‪:‬‬
‫‪ )1‬محمد بداوي ‪ ،‬االحصاء واالحتماالت ‪ 1‬و ‪ 2‬سنة ثالثة ورابعة ‪ ،‬قسم‬
‫الرياضيات ‪ ،‬المدرسة العليا لألساتذة باألغواط ‪.2021 /2019 ،‬‬
‫‪ )2‬محمد بداوي ‪ ،‬تطبيق االختبارات االحصائية ‪ ،‬سنة أولى ماستر تخطيط‬
‫وسكان ‪ ،‬قسم علم االجتماع والديموغرافيا ‪.2019 ،‬‬
‫‪350‬‬
:‫ت) الكتب باللغة األجنبية‬

1) Stefan M. Stefanov , Separable Optimization :Theory and
Methods, Second Edition , Springer , Switzerland ,2021.
2) Anderson, Sweeney, Williams and Wisniewski , An Introduction
to Management Science: Quantitative Approaches to Decision
Making, 2nd Edition , United Kingdom , 2014.
3) David R. Anderson, Dennis J. Sweeney, Thomas A. Williams,
Jeffrey D. Camm, &
4) Kipp Martin , An Introduction to Management Science:
Quantitative Approaches to Decision Making, Revised Thirteenth
Edition , United States of America , 2012.
5) Giuseppe Modica and Laura Poggiolini , A First Course in
Probability and Markov Chains , John Wiley & Sons , United
Kingdom, 2013.
6) Frederick S. Hillier, Camille C. Price, Markov Chains : Models,
Algorithms and Applications , Second Edition , Springer New
York , 2013.
7) Nicolas Privault , Understanding Markov Chains : Examples and
Applications , Springer Singapore Heidelberg New York
Dordrecht London , 2013.
8) FREDERICK S. HILLIER, GERALD J. LIEBERMAN ,
INTRODUCTION TO OPERATIONS RESEARCH , Seventh
Edition , McGraw-Hill Higher Education , New York, 2001.
9) Yadolah Dodge , Optimisation appliquée , Springer ,Paris , 2002.
10) Mohamed Aidene , Brahim oukacha, Recherche opérationnelle :
programmation linéaire , pages bleues , Alger , 2007.
11) Fatiha kacher , Karima bouibed , La Théorie des jeux , pages
bleues , Alger , 2012.
12) Ali Bougherra , La : programmation linéaire , editions Houma ,
Alger , 2010.
13) Wayne L. Winston , Operations Research AP P LI CATI O N S
AND A LGORITHMS FO URTH EDITION, Library of Congress
,USA , 2003.
14) Paul E. Fishback , Linear and Nonlinear Programming with
Maple: An Interactive,
351
15) Applications-Based Approach , Chapman and Hall/CRC , Londres

, 2019.
16) Xin-She Yang , Optimization Techniques and Applications with
Examples , John Wiley & Sons ,USA, 2018 .
17) Jan A. Snyman · Daniel N. Wilke , Practical Mathematical
Optimization , Second Edition , Library of Congress Control ,
USA , 2018.
18) Nick T. Thomopoulos , Fundamentals of Queuing Systems ,
Springer New York Heidelberg Dordrecht London , 2012.
19) HEIZER J A Y , B A R R Y RENDER , C H U C K MUNSON ,O
P E R AT I O N S MANAGEMENT , Pearson Education , USA ,
2017.
20) A. Ravi Ravindran , Operations research and management science
handbook , Taylor & Francis Group , USA , 2008.
21) Malika Babes , statistiques , files d’attente et simulation , opu,
Alger ,1995.
:‫ث) الدروس باللغة األجنبية‬
1) Branislav L. Slantchev , Game Theory: Elements of Basic Models ,
Department of Political Science, University of California – San Diego
April 23, 2009.
2) Michel Bierlaire , Optimisation en nombres entiers , EPFL -

Laboratoire Transport et Mobilité – ENAC.
3) Bibhas C. Giri , Dynamic Programming , Department of Mathematics

Jadavpur University Kolkata, India.
4) Bibhas C. Giri , Non-linear Programming, Department of

Mathematics Jadavpur University Kolkata, India.
5) Kungliga Tekniska Hogskolan , Division of Optimization and

Systems Theory Department of Mathematics Stockholm, Sweden ,
2014.
6) Aimé LACHAL , Modélisation en univers aléatoire , INSA LYON.
: ‫ج) مواقع الكترونية‬
352
https://www.toppr.com/guides/maths/linear-programming/graphical-method-
of-solving-a-linear-programming-problem/
https://www.analyticsvidhya.com/blog/2017/02/lintroductory-guide-on-
linear-programming-explained-in-simple-english/
http://www.universalteacherpublications.com/univ/ebooks/or/Ch3/twophase.
htm
The Use of the Duality Principle to Solve Optimization Problems The Use of
the Duality Principle to Solve Optimization Problems
https://doi.org/10.3991/ijes.v6i1.8224 Dr. Rowland Jerry Ekeocha!!", Uzor
Chukwunedum, Anetor Clement Covenant University, Ota, Nigeria.
https://businessjargons.com/least-cost-
method.html#:~:text=Definition%3A%20The%20Least%20Cost%20Method,
the%20least%20cost%20of%20transportation
https://www.engineeringenotes.com/project-management-2/operations-
research/testing-the-optimality-of-transportation-solution-operations-
research/15526
http://ecoursesonline.iasri.res.in/mod/resource/view.php?id=4973
https://www.geeksforgeeks.org/difference-between-pert-and-cpm/
http://www.universalteacherpublications.com/univ/ebooks/or/Ch7/cutplalgo.
htm
https://www.techno-science.net/definition/6355.html
https://towardsdatascience.com/nonlinear-programming-theory-and-
applications-cfe127b6060c
https://www.hindawi.com/journals/jam/2017/9037857/
https://www.tutorialspoint.com/design_and_analysis_of_algorithms/design_a
nd_analysis_of_algorithms_dynamic_programming.htm
https://julia.quantecon.org/dynamic_programming/short_path.html
https://www.techno-science.net/definition/6426.html
353
https://slideplayer.com/slide/3962969/
https://towardsdatascience.com/markov-chains-simply-explained-
dc77836b47e3
https://brilliant.org/wiki/markov-chains/
https://queue-it.com/blog/queuing-
theory/#:~:text=Queuing%20theory%20(or%20queueing%20theory,customer
%2C%20job%2C%20or%20request.
http://www.xavierdupre.fr/app/mlstatpy/helpsphinx/c_garden/file_dattente.ht
ml
https://corporatefinanceinstitute.com/resources/knowledge/other/littles-law/
https://www.unleashedsoftware.com/blog/what-are-inventory-costs
https://xplaind.com/724780/quantity-discount
https://bizfluent.com/info-8628296-single-period-inventory-model.html
https://www.twi-global.com/technical-knowledge/faqs/faq-what-is-
simulation
https://datascience.eu/fr/mathematiques-et-statistiques/definition-de-la-
simulation-de-monte-carlo/
1
https://www.influxdata.com/what-is-time-series-data/
https://docs.oracle.com/cd/E16582_01/doc.91/e15111/und_forecast_levels_m
ethods.htm#EOAFM00177
functions and region shapes kkt conditions and quadratic programming ,

www.researchgate.net
wikipidia.og
https://www.maplesoft.com/
354
View publication stats

Recherche Opérationnelle 2

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Recherche Opérationnelle 2

Uploaded by

Copyright:

Available Formats

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

‫ ﻣﺤﻤﺪ ﺑﺪاوي‬-‫اﻟﺠﺰء اﻟﺜﺎﻧﻲ‬-‫ﻛﺘﺎب ﺑﺤﻮث اﻟﻌﻤﻠﻴﺎت‬

Book · July 2022

The user has requested enhancement of the downloaded file.

‫الإيداع القانوني‪ :‬جو يلية‬

‫حقوق التأليف محفوظة للمؤلف‬

‫تصميم وتنسيق حمدي مصطفى الأزهر‬

‫بحوث العمليات ‪ -‬الجزء الثاني‬

‫الدكتور‪ :‬محمد بداوي‬

‫مع التطبيق للى برنامج ‪Maple‬‬

‫تقال هللا لز وجل في كتابه الحكيم‪:‬‬

‫اَّللُ َل َملَ ُك ْم َوَر ُيولُ ُه َوا ْل ُم ْؤ ِم ُن َ‬

‫[ يورة التوبة‪] 105 :‬‬

‫باردا من دلواتكم ألمي‬

‫فهرس الكتاب‪ :‬بحوث العمليات ( الجزء ‪)2+1‬‬

‫أهمية الجبر الخطي في بحوث العمليات ‪ ،‬أهمية الفضاء‬

‫‪139 - 58‬‬ ‫الفال الثاني‪ :‬مدخل إلى البرمجة الخطية‬

‫‪166-140‬‬ ‫الفال الثالث‪ :‬النموذج الثنائي( المقابل) وتحليل الحيايية‬

‫النموذج الثنائي (المقابل)‪ ،‬تحليل الحساسية‬

‫‪227 - 167‬‬ ‫الفال الرابع‪ :‬ميائل النقل والتخايص‬

‫مفاهيم أساسية‪ ،‬عناصر أساسية في تحليل الشبكة‪ ،‬طريقة المسار‬

‫‪367 - 315‬‬ ‫الفال اليابع‪ :‬البرمجة غير الخطية‬

‫‪131 - 105‬‬ ‫الفال الحادي لشر ‪ :‬ياليل ماركوف‬

‫المؤلف األغواط – الجزائر‪2022/06/23 -‬‬

‫الفال التايع ‪ :‬نظرية األلعاب ‪Games Theory‬‬

‫‪ -1-9‬فليفة نظرية األلعاب‪:‬‬

‫تدرس نظرية األلعاب السلوكيات المقصودة أو الحقيقية أو الالحقة لألفراد الذين‬

‫‪ -1-1-9‬العناار األيايية للعبة‪:‬‬

‫أوال ‪ :‬الاللبون ‪ :players‬األفراد الذين يتخذون الق اررات‪.‬‬

‫ثالثا‪ :‬النتائج ‪ :outcomes‬ماذا تنتج مجموعات مختلفة من اإلجراءات؟‬

‫رابعا‪ :‬العوائد ‪ : payoffs‬ما هي تفضيالت الالعبين على النتائج؟‬

‫خاميا‪ :‬المعلومات ‪ :information‬ماذا يعرف الالعبون عندما يتخذون الق اررات؟‬

‫ياديا‪ :‬الفراة ‪ :chance‬توزيع احتمالي على أحداث الصدفة إن وجدت‪.‬‬

‫يابعا‪ :‬مجمولات المعلومات (‪ : )Information Sets‬هي مجموعة من العقد التي‬

‫‪ -1‬نفس الالعب ‪ i‬يتحرك في كل من هذه العقد؛‬

‫ثانيا‪ :‬ايتراتيجيات مختلطة ‪: Mixed Strategies‬‬

‫‪ -3-9‬ألعاب ايتراتيجية ذات المجموع الافري وغير الافري‪:‬‬

‫‪ -1-3-9‬لعبة متزامنة أو غير متزامنة‪:‬‬

‫‪ -3-3-9‬معلومات كاملة‪:Perfect Information‬‬

‫‪ -4-3-9‬معلومات غير كاملة‪ :Imperfect information‬عدم اليقين بشأن حالة‬

‫‪ -5-3-9‬معلومات غير تامة‪ : Incomplete information‬عدم اليقين بشأن‬

‫‪ -6-3-9‬الطبيعة كاللب ‪:‬‬

‫الشكل (‪:)1-9‬الطبيعة كاللب‬

‫‪ -7-3-9‬تحويل هارياني ‪: Harsanyi Transformation‬‬

‫حيلة هارساني لدراسة ألعاب المعلومات غير التامة‬

‫‪ -4-9‬تمثيل األلعاب ‪: Representation of games‬‬

‫‪ -1-4-9‬الايغة الشاملة ‪: Extensive form‬‬

‫الشكل (‪ :)2-9‬الايغة الشاملة‬

‫حيث أن ‪ E  1,...., n‬تمثل الالعبين‪ ،‬مجموعة العقد ‪  A, B,....,‬تمثل الحركات‪،‬‬

‫الشكل‪ ( )3-9( :‬الحالة ‪ : )1‬الاللب ‪ 1‬يتحرك أوال ‪ ،‬يالحظ الاللب ‪ 2‬لمله‬

‫الشكل‪ ( )3-9( :‬الحالة ‪ : )2‬الاللب ‪ 2‬يتحرك أوال ‪ ،‬يالحظ الاللب ‪ 1‬لمله‬

‫بالرجوع إلى (‪ ( )3-9‬الحالة ‪ ، )1‬الشكل (‪ )6-9‬حالة معلومات كاملة‪ ،‬المطلوب ‪:‬‬

‫نالحظ أن الالعب ‪ 1‬لديه استراتيجيتان خالصتان ‪ ، S1  H , T ‬يمكن لالعب ‪ 2‬أن‬

‫بعد اختيار الالعب‪ H :1‬سنكتب استراتيجية الالعب‪ 2‬على أنها الزوج‬

‫بعد اختيار الالعب‪ T :1‬سنكتب استراتيجية الالعب‪ 2‬على أنها الزوج‬

‫إذن استراتيجية الالعب‪ 2‬تتكون من الزوج المرتب ‪ ،  a H , aT ‬ومن ثم نضع استراتيجية‬

‫‪ ، S2   H , H  ,  H , T  , T , H  , T , T ‬تحتوي اللعبة األن على ثمانية‬

‫‪ -5-9‬الحل األمثل لأللعاب الثنائية ذات المجموع الافري ‪optimal‬‬

‫‪ -1-5-9‬نقطة اليرج ‪:saddle point‬‬

‫خطواتها تكون على النحو االتي‪:‬‬

‫‪ -‬نحاول ايجاد أكبر قيمة في كل عمود ونضعها في صف ‪ ، Max‬من خالل‬

‫‪B1‬‬ ‫‪B2‬‬ ‫‪B3‬‬

‫المطلوب‪ :‬أوجد قيمة المباراة بالنسبة للشركتين ( ‪ A‬و ‪ ) B‬ونقطة السرج؟‬

‫نضيف عمود ‪ Min‬وصف ‪.Max‬‬