الإحصاء الرياضيالقياس النفسيتحليل البياناتعلم النفس المعرفي

توزيع برنولي: الاستخدامات، الصيغة ومثال

دليل أكاديمي شامل ومفصل حول توزيع برنولي الاحتمالي: الصيغة الرياضية، الخصائص الإحصائية، التطبيقات في القياس النفسي، وأمثلة حسابية محلولة بالتفصيل.

تاريخ النشر

تمثل نظرية الاحتمالات أحد أركان الفكر الرياضي الحديث التي أعادت صياغة فهمنا لعدم اليقين والتعقيد في العالم الطبيعي والإنساني. وفي قلب هذه النظرية يقف توزيع برنولي (Bernoulli Distribution) بوصفه النموذج الاحتمالي الأبسط بنيوياً والأعمق تأثيراً في التاريخ الإحصائي؛ إذ يختزل التوزيع أي ظاهرة عشوائية إلى ثنائية متقابلة تتأرجح بين حالتين محتملتين لا ثالث لهما، يُرمز لهما عادة بالنجاح والفشل، أو الواحد والصفر. هذا التجريد الرياضي الأنيق لا يعكس بساطة ظاهرية فحسب، بل يشكل حجر الأساس الذي تُبنى عليه صروح النماذج الإحصائية المتقدمة، من اختبارات الفرضيات وتوزيعات المعاينة إلى خوارزميات التعلم الآلي ونماذج القياس النفسي والمعرفي المعاصرة.

إن الانتقال الإبستمولوجي من التفسير الحتمي للظواهر إلى التفسير الاحتمالي القائم على تجارب برنولي مكّن العلماء من تكميم الصدفة وتحويل العشوائية من عائق معرفي إلى أداة قياس دقيقة. فعندما نتأمل قراراً بشرياً في اختبار اختيار من متعدد، أو استجابة خلية عصبية لمنبه حسي، أو نقرة مستخدم على رابط رقمي، أو فعالية لقاح طبي، نجد أن هذه العمليات المتنوعة تشترك جميعها في البنية الصورية لمتغير برنولي العشوائي. ومن هنا، يكتسب استيعاب هذا التوزيع أهمية جوهرية لكل باحث وممارس في مجالات الإحصاء، وتحليل البيانات، والعلوم النفسية والسلوكية، والهندسة، والاقتصاد القياسي.

يسعى هذا الدليل المرجعي الشامل إلى تقديم معالجة رياضية وتطبيقية معمقة لتوزيع برنولي، تبدأ من التأصيل الرياضي والفلسفي لفضاء العينة الثنائي، مروراً بالاشتقاق الجبري الدقيق لدوال الكتلة والتوزيع والعزوم، وصولاً إلى استعراض التطبيقات العملية في القياس النفسي، والذكاء الاصطناعي، والتحليل البيزي، واختبار الفرضيات. كما يطرح الدليل نقداً منهجياً لمحدودية التبسيط الثنائي للظواهر الإنسانية المعقدة، معززاً بأمثلة حسابية تفصيلية خطوة بخطوة تتيح للقارئ الانتقال بسلاسة بين النظرية المجردة والممارسة التطبيقية الرصينة.

جدول المحتويات

1. مقدمة تأصيلية في توزيع برنولي والمفاهيم الاحتمالية الأساسية

1.1 التعريف الرياضي لمتغير برنولي العشوائي

يُعرَّف المتغير العشوائي المتقطع الثنائي (Binary Discrete Random Variable) بأنه دالة رياضية قابلة للقياس تربط عناصر الفضاء العيني البسيط $\Omega$ بمجموعة القيم العددية المنفصلة ${0, 1}$. في هذا الإطار، يُقال إن المتغير العشوائي $X$ يتبع توزيع برنولي (Bernoulli Distribution) بمعلمة نجاح وحيدة $p$، ونرمز له بالصيغة الرياضية القياسية $X \sim \text{Bernoulli}(p)$ أو $X \sim \text{Ber}(p)$، إذا كان فضاء القيم الممكنة للمتغير ينحصر حصرياً في النقطتين المنفصلتين $X(\Omega) = {0, 1}$.

يتحدد هذا الفضاء الاحتمالي الثلاثي بالصيغة $(\Omega, \mathcal{F}, P)$، حيث يمثل $\Omega = {\omega_1, \omega_2}$ فضاء العينة المكون من مخرجين متنافيين، بينما يمثل $\mathcal{F}$ سيغما-الجبر المولد على هذه المجموعة والمحتوي على $2^2 = 4$ أحداث هي ${\emptyset, {\omega_1}, {\omega_2}, \Omega}$، في حين يمثل $P$ قياس الاحتمال الذي يعين وزناً احتمالياً مقداره $p$ للحدث المقترن بالعدد $1$، ووزناً مقداره $1-p$ للحدث المقترن بالعدد $0$. وتتميز تجربة برنولي بطبيعتها الأحادية الفردية المنعزلة؛ فهي تمثل محاولة واحدة قطعية (Single Trial) تُجرى في ظل شروط تجريبية ثابتة، وتختلف جوهرياً عن التجارب المتكررة التي تنتج توزيعات أخرى كالتوزيع ذي الحدين.

من الأهمية بمكان التأكيد على أن ثنائية “النجاح” (Success) المقترنة بالقيمة $X = 1$، و”الفشل” (Failure) المقترنة بالقيمة $X = 0$، هي مجرد تسميات اصطلاحية ورياضية مجردة لا تحمل بالضرورة أي حكم قيمي أو معياري أخلاقي؛ ففي التطبيقات الوبائية قد يرمز الرقم $1$ إلى إصابة المريض بالعدوى الفيروسية، وفي دراسات الجريمة قد يرمز إلى وقوع الفعل الجرمي، وفي مراقبة الجودة يرمز إلى وجود عيب تصنيعي في القطعة المفحوصة، مما يبرز الطبيعة الوصفية الخالصة للنموذج الرياضي.

1.2 الأهمية النظرية للتوزيع في نظرية الاحتمالات الحديثة

يشكل توزيع برنولي اللبنة البنائية التأسيسية (Building Block) التي تُشتق منها وتترابط معها الغالبية العظمى من التوزيعات الاحتمالية المنفصلة في نظرية الاحتمالات الحديثة. فعند تكرار محاولة برنولي $n$ من المرات المستقلة نحصل مباشرة على التوزيع ذي الحدين، وعند رصد عدد المحاولات المطلوبة للوصول إلى النجاح الأول نصل إلى التوزيع الهندسي، وحين نسعى لتحقيق عدد محدد من النجاحات ننتقل لتوزيع ذي الحدين السالب، وصولاً إلى توزيع بواسون عبر سلوك النهاية للمحاولات النادرة.

يمثل التوزيع نقلة مفاهيمية كبرى نقلت النمذجة الإنسانية من الحتمية الميكانيكية إلى النمذجة العشوائية للقرارات والتفاعلات الثنائية. فبدلاً من افتراض استجابة ثابتة أو محددة مسبقاً، يتعامل النموذج مع السلوك الإنساني والظواهر الطبيعية بوصفها دالات ترجيحية مشروطة تتأثر بمتغيرات كامنة. وقد ارتبطت تجارب برنولي ارتباطاً إبستمولوجياً وثيقاً بنشأة قوانين الأعداد الكبيرة (Laws of Large Numbers)؛ حيث أتاح تراكم محاولات برنولي المستقلة للرياضيين البرهنة على أن التكرار النسبي التجريبي لحدث ما يتقارب بالضرورة مع احتماله النظري الحقيقي مع اتساع حجم العينة واقترابه من اللانهاية.

1.3 طبيعة التجارب الثنائية في العلوم الإنسانية والتطبيقية

تهيمن البيانات الثنائية (Dichotomous Data) على مجالات القياس في العلوم الإنسانية والتطبيقية نظراً لطبيعة تصنيف القرارات والملاحظات الواقعية. ففي القياس النفسي والتربوي، تُمثل الاستجابات على فقرات الاختبارات الموضوعية بالثنائية الكلاسيكية: إجابة صحيحة ($1$) مقابل إجابة خاطئة ($0$)، أو الموافقة على بند في مقياس اتجاهات مقابل عدم الموافقة. كما تظهر في تصنيف السلوك البشري اليومي من قبيل: الشراء مقابل الامتناع، التصويت لمرشح مقابل الإحجام، والتسرب الدراسي مقابل الاستمرار في التعليم.

تتيح النمذجة الرياضية لمتغير برنولي للباحثين صياغة السمات الكامنة (Latent Traits) عبر تصنيف الاستجابات القابلة للرصد؛ حيث يُفترض أن كل استجابة ثنائية تعكس مستوى غير مرئي من القدرة المعرفية أو السمة النفسية. وتتسع هذه النمذجة في العلوم الطبية الحيوية والفسيولوجية لتشمل ردود الفعل العصبية الثنائية مثل إطلاق جهد الفعل الكهربائي في الخلايا العصبية (All-or-None Action Potential)، وظهور الاستجابة الجلدية الجلفانية، ووجود الطفرات الجينية في عينات الحمض النووي.

2. السياق التاريخي والرياضي لنظرية جاكوب برنولي

2.1 أعمال جاكوب برنولي وكتاب فن التخمين (Ars Conjectandi)

نشأت نظرية الاحتمالات في القرن السابع عشر داخل أروقة المراسلات العلمية المعنية بتحليل ألعاب الحظ والقمار، لا سيما بين بليز باسكال وبيير دي فيرما. إلا أن النقلة النوعية التي حولت هذا المجال من مجرد حسابات تفريغية للمقامرة إلى تخصص علمي قائم على أسس استدلالية متينة جاءت على يد عالم الرياضيات السويسري جاكوب برنولي (Jacob Bernoulli) من خلال عمله الخالد كتاب فن التخمين (Ars Conjectandi)، الذي نُشر بعد وفاته عام 1713 بفضل ابن أخيه نيكولاس برنولي.

تضمن الكتاب صياغة ثورية لتجارب الصدفة ذات المخرجين الثنائيين، وبرهن جاكوب في الجزء الرابع منه على أول صياغة رياضية صارمة لما يُعرف اليوم بـ “القانون الضعيف للأعداد الكبيرة” (Weak Law of Large Numbers). أثبت برنولي رياضياً أنه إذا أُجريت تجربة ثنائية متماثلة ومستقلة عدداً كبيراً من المرات، فإن احتمال أن ينحرف التكرار النسبي للنجاحات عن الاحتمال النظري الحقيقي $p$ بمقدار أصغر من أي قيمة موجبة معطاة $epsilon$ يقترب من الواحد الصحيح كلما زاد عدد المحاولات نحو اللانهاية، مما أسس الجسر الرياضي بين التجربة الواقعية والحقيقة الاحتمالية الكامنة.

2.2 التطور التاريخي للاستدلال الإحصائي القائم على المتغيرات الثنائية

شهد الاستدلال الإحصائي المعتمد على تجارب برنولي انقساماً معرفياً ومنهجياً غنياً بين المدرستين التكرارية (Frequentist) والبيزية (Bayesian) خلال القرنين الثامن عشر والتاسع عشر. فبينما ركز التكراريون على دراسة التوزيع المقارب لنسبة النجاح عبر فترات الثقة واختبارات الدلالة الإحصائية للنسب، قدم توماس بايز وبيير سيمون لابلاس مقاربة متكاملة للاستدلال العكسي (Inverse Probability) تسمح بتقدير التوزيع الاحتمالي للمعلمة $p$ غير المعروفة بعد ملاحظة عدد محدد من النجاحات والإخفاقات في محاولات برنولي المتتالية.

مع مطلع القرن العشرين، وظف علماء القياس النفسي والاجتماعي، مثل تشارلز سبيرمان ولويس ثورستون، تجارب برنولي في بناء النظريات القياسية الكلاسيكية للاختبارات (Classical Test Theory). وتوج هذا المسار في النصف الثاني من القرن العشرين بظهور نظرية الاستجابة للمفردة (Item Response Theory – IRT) على يد فريدريك لورد وجورج راش، حيث استندت هذه النماذج في جوهرها الصوري إلى تحويل كل استجابة لمفردة اختبارية إلى متغير برنولي عشوائي تتحدد معلمته $p$ بدالة رياضية غير خطية تعتمد على خصائص المفردة وقدرة الفرد المفحوص.

3. الخصائص والشروط الرياضية لتجربة برنولي

3.1 شروط التحقق الصارم لتجربة برنولي

لكي تُصنف تجربة عشوائية ما بدقة رياضية صارمة بأنها “تجربة برنولي” (Bernoulli Trial)، لا بد من استيفاء ثلاثة شروط متزامنة لا تقبل التنازل المنهجي:

  • شرط الثنائية القطعية (Binary Exhaustion): يجب أن يكون للفضاء العيني مخرجان اثنان فقط متنافيان تماماً وشاملان لكل الحالات الممكنة (Mutually Exclusive and Collectively Exhaustive). يُرمز لأحد المخرجين بالنجاح ($X = 1$) وللآخر بالفشل ($X = 0$)، دون وجود أي حالة وسيطة أو ملتبسة.
  • شرط ثبات احتمالية النجاح (Invariance of Success Probability): يجب أن تظل احتمالية النجاح الممثلة بالمعلمة $p$ ثابتة ومستقرة تماماً طوال إجراء المحاولة، دون أن تتأثر بظروف المحاكمة أو تغيرات البيئة التجريبية المحيطة.
  • شرط الاستقلالية المتبادلة (Mutual Independence): في حال إجراء سلسلة من تجارب برنولي، يجب ألا يؤثر ناتج أي محاولة سابقة أو لاحقة على احتمالية وقوع النجاح في المحاولة الحالية، بحيث يكون $P(X_i = 1 | X_{i-1}, dots, X_1) = P(X_i = 1) = p$.

تتسم النماذج القائمة على برنولي بحساسية إحصائية فائقة لأي انتهاك يمس هذه الفرضيات؛ فإذا تغيرت قيمة $p$ أثناء التجربة بسبب عوامل التعلم أو التعب لدى المفحوص، أو إذا حدث ارتباط بين المحاولات المتتالية، فإن التوزيع الناتج ينحرف عن توزيع برنولي المعياري، مما يقود إلى تشتت إحصائي زائد (Overdispersion) يبطل صحة الاستدلالات القياسية.

3.2 معلمة التوزيع الوحيدة (Parameter p)

يتميز توزيع برنولي بكونه توزيعاً أحادي المعلمة (Single-parameter Distribution)، وتُمثل هذه المعلمة بالرمز الرياضي $p$ الذي ينتمي بدقة إلى الفترة الحقيقية المغلقة $p in [0, 1]$. وتحدد هذه المعلمة بمفردها كافة الخصائص الإحصائية والعزوم الرياضية للتوزيع دون الحاجة لأي معاملات موضع أو قياس إضافية.

يقترن بالمعلمة $p$ ما يُعرف بالمعلمة المتممة $q$، والتي تُمثل احتمال الفشل الرياضي، وتُعرف جبرياً بالعلاقة الصارمة:

$$q = 1 – p \quad \text{حيث} \quad q in [0, 1] \quad \text{و} \quad p + q = 1$$

في سياقات القياس النفسي والتربوي، تُفسر المعلمة $p$ بوصفها مؤشر سهولة المفردة (Item Easiness)؛ فالقيم المرتفعة لـ $p$ تشير إلى سهولة الاستجابة للحدث، بينما يُنظر للمقدار $1-p$ كمعامل صعوبة للمفردة. وتلعب القيم الحدية للمعلمة ($p to 0$ أو $p to 1$) دوراً حرجاً في تشويه شكل التوزيع؛ إذ تفقده خصائص التماثل وتقوده إلى التواء حاد يقترب من التوزيع المنحل (Degenerate Distribution) الذي ينعدم فيه التباين تماماً عندما تكون $p=0$ أو $p=1$.

3.3 الفضاء الاحتمالي وتوصيف الأحداث العشوائية

يُبنى التوصيف الرياضي الدقيق لمتغير برنولي على فضاء القياس الاحتمالي $(\Omega, \mathcal{F}, P)$. فإذا افترضنا أن الفضاء الأساسي هو $\Omega = {\omega_F, \omega_S}$ حيث ترمز $\omega_S$ للنجاح و $\omega_F$ للفشل، فإن سيغما-الجبر المولد $\sigma(X)$ يتكون من المجموعة التامة للأحداث القابلة للقياس:

$$\mathcal{F} = {\emptyset, {\omega_F}, {\omega_S}, \Omega}$$

يُعرف قياس الاحتمال $P$ على هذه الأحداث بوضوح تام وفق البديهيات الكولموغوروفية كالآتي: $P(emptyset) = 0$، و $P({\omega_S}) = p$، و $P({\omega_F}) = 1 – p$، و $P(\Omega) = 1$. وتعمل دالة المتغير العشوائي $X: \Omega to \mathbb{R}$ كأداة تحويل تنقل الحدث النوعي المجرد إلى كيان حسابي قابل للإجراء الرياضي من خلال دالة المؤشر القياسية (Indicator Function):

$$X(\omega) = \mathbb{I}_{{\omega_S}}(\omega) = \begin{\cases} 1, &a\mp; \text{if } \omega = \omega_S \ 0, &a\mp; \text{if } \omega = \omega_F \end{\cases}$$

4. الصيغة الرياضية ودالة الكتلة الاحتمالية (PMF)

4.1 الاشتقاق الجبري لدالة الكتلة الاحتمالية

تُعرف دالة الكتلة الاحتمالية (Probability Mass Function – PMF) لمتغير برنولي العشوائي $X$ بأنها التابع الرياضي الذي يعين لكل قيمة $k in {0, 1}$ احتمالها الدقيق. وتُكتب الصيغة الجبرية الموحدة الأكثر شهرة وأناقة على النحو التالي:

$$P(X = k) = f(k; p) = p^k (1 – p)^{1 – k}, \quad k in {0, 1}$$

لإثبات صحة هذه الصيغة الجامعة، نقوم بالتعويض الجبري المباشر لقيم $k$ الممكنة:

  • عند حدوث النجاح ($k = 1$):
    $$P(X = 1) = p^1 (1 – p)^{1 – 1} = p^1 (1 – p)^0 = p \cdot 1 = p$$
  • عند حدوث الفشل ($k = 0$):
    $$P(X = 0) = p^0 (1 – p)^{1 – 0} = 1 \cdot (1 – p)^1 = 1 – p = q$$

كما يمكن التعبير عن الدالة بصيغة دوال المؤشر المتعامدة:

$$f(k; p) = p , \mathbb{I}_{{1}}(k) + (1 – p) , \mathbb{I}_{{0}}(k)$$

وللتحقق من استيفاء شرط الاحتمال الكلي المتقطع الذي يفرض أن يكون مجموع الاحتمالات مساوياً للواحد الصحيح، نجمع الدالة على كامل فضاء القيم الممكنة:

$$\sum_{k in {0, 1}} P(X = k) = P(X = 0) + P(X = 1) = (1 – p) + p = 1$$

4.2 دالة التوزيع التراكمي (CDF) لمتغير برنولي

تُعبر دالة التوزيع التراكمي (Cumulative Distribution Function – CDF)، التي يُرمز لها بالرمز $F(x)$، عن الاحتمال المتراكم بأن يأخذ المتغير العشوائي $X$ قيمة أقل من أو تساوي القيمة الحقيقية $x$ المعطاة، أي $F(x) = P(X le x)$. بالنسبة لمتغير برنولي، تُعرف دالة التوزيع التراكمي كدالة درجية متقطعة معرفة على كامل خط الأعداد الحقيقية $\mathbb{R}$ وفق الصيغة متعددة القواعد التالية:

$$F(x) = \begin{\cases} 0, &a\mp; \text{if } x < 0 \ 1 – p, &a\mp; \text{if } 0 le x < 1 \ 1, &a\mp; \text{if } x ge 1 \end{\cases}$$

تتميز هذه الدالة بيانياً بوجود قفزتين غير متصلتين (Discontinuities)؛ تحدث القفزة الأولى بدقة متناهية عند النقطة $x = 0$ بمقدار يساوي كتلة الاحتمال عند الفشل ($1 – p$)، بينما تحدث القفزة الثانية عند النقطة $x = 1$ بمقدار يساوي كتلة الاحتمال عند النجاح ($p$). وتظل الدالة مستمرة من اليمين في جميع النقاط وتحقق الشروط المقاربة القياسية:

$$\lim_{x to -\infty} F(x) = 0 \quad \text{و} \quad \lim_{x to +\infty} F(x) = 1$$

4.3 التمثيل البياني لتوزيع برنولي وتفسيره الإحصائي

يأخذ التمثيل البياني لدالة الكتلة الاحتمالية لمتغير برنولي شكل مخطط عمودي منفصل (Bar Chart) يتألف حصراً من عمودين قائمين عند الإحداثيين السينيين $x = 0$ و $x = 1$. يعكس ارتفاع العمود الأول قيمة $1-p$ بينما يمثل ارتفاع العمود الثاني قيمة $p$.

يكشف التحليل البصري لمخطط برنولي عن السمات التوزيعية التالية:

  • حالة التماثل التام ($p = 0.5$): يتساوى ارتفاع العمودين تماماً عند القيمة $0.5$، مما يبرز حالة التوازن الإحصائي والحياد التام للتجربة، ويكون التوزيع متماثلاً تماماً حول مركزه $x = 0.5$.
  • حالة الالتواء الموجب ($p < 0.5$): يكون العمود القائم عند الصفر أعلى بكثير من العمود القائم عند الواحد، مما يشير إلى أن التوزيع يمتد بذيل احتمالي نحو اليمين باتجاه القيم المرتفعة النادرة.
  • حالة الالتواء السالب ($p > 0.5$): يهيمن العمود القائم عند الواحد على المشهد البياني، مما يجعل الذيل الاحتمالي يمتد نحو اليسار باتجاه قيم الفشل النادرة.

5. المؤشرات الإحصائية الأساسية: التوقع والتباين والانحراف المعياري

5.1 القيمة المتوقعة (Expected Value / Mean)

تُمثل القيمة المتوقعة (Expected Value) أو المتوسط الحسابي لمتغير عشوائي مركز الثقل الرياضي لتوزيعه الاحتمالي. وتُحسب للمتغير المتقطع بضرب كل قيمة ممكنة بكتلتها الاحتمالية المقابلة وجمع النواتج. بالنسبة لمتغير برنولي $X \sim \text{Bernoulli}(p)$، يتم الاشتقاق الجبري كالتالي:

$$E(X) = \mu = \sum_{k in {0, 1}} k \cdot P(X = k) = (0 \cdot P(X = 0)) + (1 \cdot P(X = 1))$$

$$E(X) = (0 \cdot (1 – p)) + (1 \cdot p) = 0 + p = p$$

تحمل هذه النتيجة البسيطة $E(X) = p$ دلالة إحصائية وتطبيقية عميقة؛ فهي تعني أن القيمة المتوقعة لمتغير برنولي تطابق تماماً معلمة النجاح $p$. وفي سياقات القياس النفسي والاجتماعي، يمثل هذا المتوسط النسبة المئوية أو التكرار النسبي النظري لحدوث السلوك المستهدف في المجتمع الإحصائي عند تكرار التجربة عدداً لامتناهياً من المرات.

5.2 التباين الإحصائي (Variance) وخصائصه الجبرية

يقيس التباين الإحصائي (Variance) درجة تشتت القيم العشوائية حول قيمتها المتوقعة، ويُعرف رياضياً بالعزم المركزي الثاني $\text{Var}(X) = E[(X – \mu)^2] = E(X^2) – [E(X)]^2$. لاشتقاق تباين متغير برنولي، نحسب أولاً العزم الأولي الثاني $E(X^2)$:

$$E(X^2) = \sum_{k in {0, 1}} k^2 \cdot P(X = k) = (0^2 \cdot (1 – p)) + (1^2 \cdot p) = (0 \cdot (1 – p)) + (1 \cdot p) = p$$

وبالتعويض في صيغة التباين:

$$\text{Var}(X) = \sigma^2 = E(X^2) – [E(X)]^2 = p – p^2 = p(1 – p) = pq$$

يتميز تباين برنولي بخصائص جبرية فريدة تجعله دالة تربيعية مقعرة بالنسبة للمعلمة $p$ على الفترة $[0, 1]$:

  • يصل التباين إلى حده الأقصى المطلق عندما تكون $p = 0.5$، حيث تبلغ قيمته العظمى $\text{Var}(X) = 0.5 \times 0.5 = 0.25$. وتتوافق هذه النقطة تماماً مع أعلى مستويات عدم اليقين (Maximum Uncertainty) أو الإنتروبيا في النظم السلوكية والمعرفية.
  • ينعدم التباين تماماً ($\text{Var}(X) = 0$) عند القيمتين الطرفيتين $p = 0$ و $p = 1$، حيث تتحول التجربة من ظاهرة عشوائية إلى حالة حتمية يقينية لا تشتت فيها إطلاقاً.

ويُستخرج الانحراف المعياري (Standard Deviation) بالجذر التربيعي الموجب للتباين:

$$\text{SD}(X) = \sigma = \sqrt{p(1 – p)}$$

5.3 معاملات الالتواء والتفرطح (Skewness and Kurtosis)

يوفر معاملا الالتواء والتفرطح توصيفاً دقيقاً لدرجة اللاتماثل وثقل الذيول لتوزيع برنولي مقارنة بالتوزيع الطبيعي المعياري.

1. معامل الالتواء (Skewness): يُعرف بالعزم المركزي الثالث المعياري $\gamma_1 = \frac{E[(X – \mu)^3]}{\sigma^3}$. بالاشتقاق الجبري لمتغير برنولي:

$$E[(X – \mu)^3] = (0 – p)^3 (1 – p) + (1 – p)^3 p = -p^3(1 – p) + p(1 – p)^3 = p(1 – p)(1 – 2p)$$

$$\gamma_1 = \frac{p(1 – p)(1 – 2p)}{[p(1 – p)]^{3/2}} = \frac{1 – 2p}{\sqrt{p(1 – p)}}$$

يؤكد هذا الاشتقاق أنه إذا كانت $p = 0.5$ فإن $\gamma_1 = 0$ ويكون التوزيع متماثلاً تماماً. وإذا كانت $p 0$ (التواء موجب نحو اليمين)، بينما إذا كانت $p > 0.5$ فإن $\gamma_1 < 0$ (التواء سالب نحو اليسار).

2. معامل التفرطح الزائد (Excess Kurtosis): يُعرف بالعزم المركزي الرابع المعياري منقوصاً منه الرقم 3، أي $\gamma_2 = \frac{E[(X – \mu)^4]}{\sigma^4} – 3$. بالاشتقاق الجبري:

$$E[(X – \mu)^4] = (0 – p)^4 (1 – p) + (1 – p)^4 p = p(1 – p)[p^3 + (1 – p)^3] = p(1 – p)(1 – 3p(1 – p))$$

$$\gamma_2 = \frac{p(1 – p)(1 – 3p(1 – p))}{[p(1 – p)]^2} – 3 = \frac{1 – 3p(1 – p)}{p(1 – p)} – \frac{3p(1 – p)}{p(1 – p)} = \frac{1 – 6p(1 – p)}{p(1 – p)}$$

عند $p = 0.5$، يأخذ التفرطح الزائد القيمة $\gamma_2 = \frac{1 – 6(0.25)}{0.25} = \frac{-0.5}{0.25} = -2$، وهي قيمة سالبة قطعية تبرز الطبيعة المفلطحة للغاية (Platykurtic) لتوزيع برنولي مقارنة بالتوزيع الطبيعي.

6. الدوال المولدة والدوال المميزة لتوزيع برنولي

6.1 الدالة المولدة للعزوم (Moment-Generating Function – MGF)

تُعد الدالة المولدة للعزوم (MGF) من أقوى الأدوات التحليلية في الإحصاء الرياضي لاستخراج العزوم وإثبات تقارب التوزيعات. وتُعرف للمتغير العشوائي $X$ بالصيغة $M_X(t) = E[e^{tX}]$ لجميع قيم $t in \mathbb{R}$. بالنسبة لتوزيع برنولي، يتم اشتقاقها كالتالي:

$$M_X(t) = \sum_{k in {0, 1}} e^{tk} P(X = k) = e^{t \cdot 0} P(X = 0) + e^{t \cdot 1} P(X = 1) = (1 \cdot (1 – p)) + (e^t \cdot p)$$

$$M_X(t) = (1 – p) + p e^t = q + p e^t$$

تتيح لنا هذه الدالة استخراج العزوم حول نقطة الأصل عبر حساب المشتقات المتتالية وتقييمها عند النقطة $t = 0$:

  • المشتقة الأولى (العزم الأول – المتوسط):
    $$M’_X(t) = \frac{d}{dt} [(1 – p) + p e^t] = p e^t implies E(X) = M’_X(0) = p e^0 = p$$
  • المشتقة الثانية (العزم الثاني):
    $$M”_X(t) = \frac{d^2}{dt^2} [(1 – p) + p e^t] = p e^t implies E(X^2) = M”_X(0) = p e^0 = p$$

ومنها نسترجع التباين بسهولة: $\text{Var}(X) = E(X^2) – [E(X)]^2 = p – p^2 = p(1-p)$.

6.2 الدالة المولدة للاحتمال (Probability-Generating Function – PGF)

تُخصص الدالة المولدة للاحتمال (PGF) للمتغيرات العشوائية المتقادمة ذات القيم الصحيحة غير السالبة، وتُعرف بالصيغة $G_X(s) = E[s^X]$ حيث $|s| le 1$. لمتغير برنولي، يتم التعبير عنها رياضياً كالتالي:

$$G_X(s) = \sum_{k in {0, 1}} s^k P(X = k) = s^0 P(X = 0) + s^1 P(X = 1) = (1 – p) + p s = q + p s$$

تحظى دالة $G_X(s)$ بأهمية بالغة في دراسة العمليات العشوائية المتفرعة (Branching Processes) ونماذج الطوابير والسلاسل الاحتمالية؛ إذ يمكن استرجاع الاحتمالات المنفصلة مباشرة عن طريق مفكوك تايلور ومشتقات الدالة المقيمة عند $s = 0$:

$$P(X = 0) = G_X(0) = 1 – p, \quad P(X = 1) = G’_X(0) = p$$

6.3 الدالة المميزة (Characteristic Function)

تُعرف الدالة المميزة $\phi_X(t)$ باستخدام التحليل المركب والتحويل الفورييري بالصيغة $\phi_X(t) = E[e^{i t X}]$، حيث $i = \sqrt{-1}$ هو الوحدة التخيلية و $t in \mathbb{R}$. وتُشتق لمتغير برنولي بالصيغة:

$$\phi_X(t) = e^{i t \cdot 0} (1 – p) + e^{i t \cdot 1} p = (1 – p) + p e^{i t} = q + p e^{i t}$$

تكمن الميزة التحليلية الفائقة للدالة المميزة في ضمان وجودها الدائم لجميع المتغيرات العشوائية والتوزيعات دون أي شروط تقارب مقيدة؛ حيث يكون مقياسها دائماً محدوداً $|\phi_X(t)| le 1$. وتُعد هذه الدالة الأداة الرياضية الأساسية للبرهنة على مبرهنة النهاية المركزية (Central Limit Theorem)؛ إذ إن رفع الدالة المميزة لمتغير برنولي للأس $n$ يمثل الدالة المميزة لمجموع $n$ من المتغيرات المستقلة، والتي تتقارب عند المعايرة نحو الدالة المميزة للتوزيع الطبيعي $e^{-t^2 / 2}$.

7. العلاقة البنيوية بين توزيع برنولي والتوزيعات الاحتمالية الأخرى

7.1 العلاقة مع التوزيع ذي الحدين (Binomial Distribution)

يمثل توزيع برنولي الحالة الخاصة الأبسط والأساسية من التوزيع ذي الحدين (Binomial Distribution) عندما يكون عدد المحاولات $n = 1$. فإذا كان المتغير العشوائي $Y \sim \text{Binomial}(n, p)$، فإن دالة كتلته الاحتمالية هي:

$$P(Y = y) = \binom{n}{y} p^y (1 – p)^{n – y}$$

وعند وضع $n = 1$، تصبح $\binom{1}{y} = 1$ لجميع $y in {0, 1}$، فتنحدر المعادلة مباشرة إلى دالة كتلة برنولي: $P(Y = y) = p^y (1 – p)^{1 – y}$.

بالعكس، يمكن تعريف المتغير ذي الحدين $Y$ بأنه المجموع التراكمي لـ $n$ من متغيرات برنولي المستقلة ومتطابقة التوزيع (Independent and Identically Distributed – i.i.d):

$$Y = \sum_{i=1}^n X_i, \quad \text{حيث} \quad X_i \overset{\text{i.i.d.}}{\sim} \text{Bernoulli}(p)$$

وباستخدام خواص الخطية للتوقع والتباين للمتغيرات المستقلة، نستنتج خصائص التوزيع ذي الحدين انطلاقاً من خصائص برنولي:

$$E(Y) = E\left(\sum_{i=1}^n X_i\right) = \sum_{i=1}^n E(X_i) = \sum_{i=1}^n p = n p$$

$$\text{Var}(Y) = \text{Var}\left(\sum_{i=1}^n X_i\right) = \sum_{i=1}^n \text{Var}(X_i) = \sum_{i=1}^n p(1 – p) = n p (1 – p)$$

7.2 الربط مع التوزيعات المنفصلة الأخرى: الهندسي وذي الحدين السالب

ترتبط تجارب برنولي المتتابعة بعائلة واسعة من التوزيعات الاحتمالية المتقطعة عبر تتبع مسارات المحاولات:

  • التوزيع الهندسي (Geometric Distribution): ينمذج عدد محاولات برنولي المستقلة والمتطابقة $k$ المطلوبة لتحقيق أول نجاح. وتأخذ دالته الصيغة $P(K = k) = (1 – p)^{k – 1} p$.
  • توزيع ذي الحدين السالب (Negative Binomial Distribution): يمثل تعميماً للتوزيع الهندسي، حيث ينمذج عدد الإخفاقات أو المحاولات المطلوبة لتحقيق عدد محدد $r$ من النجاحات في سلسلة من تجارب برنولي المستقلة.
  • توزيع بواسون (Poisson Distribution): يظهر كنهاية لتجارب برنولي وفق قانون الأحداث النادرة (Law of Rare Events)؛ فعندما يزداد عدد محاولات برنولي $n to \infty$ بينما يتضاءل احتمال النجاح $p to 0$ بحيث يظل حاصل الضرب ثابتاً $lambda = n p$، فإن التوزيع ذي الحدين المشتق من برنولي يتقارب نحو توزيع بواسون بمعلمة $lambda$.

7.3 التقارب نحو التوزيع الطبيعي ومبرهنة دي موافر-لابلاس

تاريخياً، كانت مبرهنة دي موافر-لابلاس (de Moivre-Laplace Theorem) أول شكل مثبت لمبرهنة النهاية المركزية في القرن الثامن عشر، وهي تنص على أن مجموع متغيرات برنولي المستقلة والمتطابقة يتقارب نحو التوزيع الطبيعي المستمر كلما كبر حجم العينة $n$.

تتحقق دقة هذا التقارب عملياً عندما تستوفي العينة الشروط التجريبية القياسية: $n p ge 5$ و $n(1 – p) ge 5$ (أو $n p ge 10$ في المعايير الأكثر صرامة). وعند استخدام التوزيع الطبيعي $N(np, np(1-p))$ لتقريب مجموع متغيرات برنولي، يلزم تطبيق معامل تصحيح الاستمرارية (Continuity Correction) بإضافة أو طرح $0.5$ من القيم المتقطعة لتعويض الفجوة الناشئة عن تقريب دالة متقطعة بواسطة دالة متصلة مستمرة:

$$P(Y le k) \approx \Phi\left(\frac{k + 0.5 – np}{\sqrt{np(1 – p)}}\right)$$

8. مجالات الاستخدام والتطبيقات في القياس النفسي والعلوم السلوكية

8.1 نمذجة استجابات الاختبارات النفسية والتحصيلية

في حقل القياس النفسي والتربوي (Psychometrics)، تُشفر استجابات الأفراد على الأسئلة الموضوعية بصورة ثنائية؛ حيث يُعطى الرمز $1$ للاستجابة الصحيحة والرمز $0$ للاستجابة الخاطئة. تُعامل كل مفردة اختبارية بوصفها متغير برنولي عشوائياً تتوقف احتمالية نجاحه $p$ على تفاعل معقد بين قدرة المفحوص وخصائص السؤال.

يتجلى هذا التوظيف في نموذج راش (Rasch Model) ونماذج الاستجابة للمفردة ذات المعلمتين والثلاث معالم (2PL & 3PL IRT). في نموذج راش، تُصاغ احتمالية نجاح المفحوص $v$ ذي القدرة الكامنة $\theta_v$ في المفردة $i$ ذات الصعوبة $\beta_i$ كدالة لوجستية تمثل معلمة برنولي $p_{vi}$:

$$P(X_{vi} = 1 | \theta_v, \beta_i) = p_{vi} = \frac{e^{\theta_v – \beta_i}}{1 + e^{\theta_v – \beta_i}} = \frac{1}{1 + e^{-(\theta_v – \beta_i)}}$$

تسمح هذه الصياغة بتقدير معالم الصعوبة والتمييز بدقة، مع إمكانية إدخال معلمة التخمين العشوائي الكاذب (Pseudo-guessing parameter $c_i$) في نموذج 3PL لتعديل قيمة $p$ الدنيا للأفراد ذوي القدرات المنخفضة في اختبارات الاختيار من متعدد.

8.2 اتخاذ القرار السلوكي وعلم النفس المعرفي

توظف أبحاث علم النفس المعرفي وتجارب الإدراك الحسي مهام الاختيار الثنائي القسري (Two-Alternative Forced Choice – 2AFC). في هذه التجارب، يُعرض على المفحوص منبه بصري أو سمعي متناهي الصغر، ويكون مطالباً باتخاذ قرار ثنائي فوري (مثل: رصد وجود المنبه مقابل عدم وجوده، أو تحديد اتجاه الحركة يميناً مقابل يساراً).

تُعامل مخرجات هذه القرارات كعمليات برنولي ترتبط فيها المعلمة $p$ بحدة الإدراك الحسي ونظرية كشف الإشارة (Signal Detection Theory). كما تدمج نماذج انتشار الانجراف (Drift-Diffusion Models – DDM) المعرفية متغير برنولي النهائي لتحديد صحة القرار مع زمن الاستجابة المستمر (Response Time)، مما يسمح برصد تأثير التحيزات المعرفية وتأطير القرارات (Framing Effects) على انحراف المعلمة $p$ لدى متخذي القرارات المالية والسلوكية.

8.3 التشخيص النفسي والطب النفسي القائم على الأدلة

يعتمد الدليل التشخيصي والإحصائي للاضطرابات النفسية في إصداره الخامس (DSM-5) على ترميز الأعراض الإكلينيكية بصيغة ثنائية قطعية: العَرَض حاضر ($1$) أو غائب ($0$). يتم نمذجة احتمالية انطباق المعيار التشخيصي لدى المريض كمتغير برنولي مشروط بالعوامل الوراثية والبيئية.

تسهم احتمالات برنولي الشرطية في حساب مؤشرات الدقة التشخيصية للاختبارات والمقاييس الإكلينيكية:

  • الحساسية الإكلينيكية (Sensitivity): وهي احتمال برنولي الشرطي للحصول على نتيجة اختبار إيجابية عند وجود الاضطراب فعلياً: $P(\text{Test} = 1 | \text{Disease} = 1)$.
  • النوعية الإكلينيكية (Specificity): وهي احتمال برنولي الشرطي للحصول على نتيجة سلبية عند غياب الاضطراب: $P(\text{Test} = 0 | \text{Disease} = 0)$.

كما تُوظف سلاسل برنولي الزمنية في رصد مسارات التعافي والانتكاس (Relapse/Recovery Trajectories) لتقييم كفاءة التدخلات العلاجية النفسية والدوائية عبر الزمن.

9. التطبيقات العملية في مجالات العلوم والتقنية والبيانات

9.1 التعلم الآلي والانحدار اللوجستي (Logistic Regression)

يُعد الانحدار اللوجستي (Logistic Regression) الأداة الخوارزمية القياسية لتصنيف البيانات الثنائية في التعلم الآلي والتعلم العميق. يقوم النموذج بتقدير القيمة المتوقعة لمتغير برنولي التابع $Y in {0, 1}$ مشروطاً بمصفوفة المتغيرات التفسيرية المستقلة $\mathbf{x} = (x_1, x_2, dots, x_k)^T$ باستخدام دالة لوجت الربطية (Logit Link Function):

$$\log\left(\frac{p(\mathbf{x})}{1 – p(\mathbf{x})}\right) = \mathbf{w}^T \mathbf{x} + b implies p(\mathbf{x}) = \sigma(\mathbf{w}^T \mathbf{x} + b) = \frac{1}{1 + e^{-(\mathbf{w}^T \mathbf{x} + b)}}$$

تُشتق دالة الخسارة الأكثر استخداماً في تدريب الشبكات العصبية الثنائية، وهي الإنتروبيا المتقاطعة الثنائية (Binary Cross-Entropy Loss)، مباشرة من دالة الإمكان الأعظم السالبة لتوزيع برنولي:

$$\mathcal{L}_{\text{BCE}}(\mathbf{w}, b) = -\frac{1}{N} \sum_{i=1}^N \left[ y_i \log(p_i) + (1 – y_i) \log(1 – p_i) \right]$$

بالإضافة إلى ذلك، يُستخدم مصنف بايز الساذج لبرنولي (Bernoulli Naive Bayes) في معالجة اللغات الطبيعية وتصنيف النصوص؛ حيث تُمثل كل وثيقة بمتجه ثنائي يدل على وجود الكلمة ($1$) أو غيابها ($0$)، ويتم حساب الاحتمال البعدي للنص بضرب احتمالات برنولي المنفصلة للمفردات.

9.2 اختبارات الفرضيات والتجارب الرقمية (A/B Testing)

تعتمد منصات الويب الحديثة والتطبيقات الرقمية على اختبارات A/B (A/B Testing) لتقييم تحسينات واجهات الاستخدام ومحركات التوصية. في هذه البيئات، تُمثل كل زيارة للمستخدم محاولة برنولي مستقلة تنتهي بحدوث تحويل أو نقر ($X = 1$) بمعدل تحويل (Click-Through Rate – CTR) مقداره $p_A$ للنسخة الأصلية و $p_B$ للنسخة المعدلة.

يستخدم مهندسو البيانات اختبار الفرضيات للنسبتين (Two-Proportion Z-Test) لاختبار الفرضية الصفرية $H_0: p_A = p_B$ مقابل الفرضية البديلة $H_1: p_A \neq p_B$. كما يتم حساب حجم العينة الأمثل $N$ لضمان قوة اختبار إحصائية (Statistical Power) كافية لاكتشاف الفروق المعنوية الدقيقة مع التحكم في الخطأ من النوع الأول ($\alpha$) والخطأ من النوع الثاني ($\beta$).

9.3 مراقبة الجودة، الموثوقية الهندسية، وعلم الأوبئة

تمثل تجارب برنولي حجر الزاوية في نظم مراقبة الجودة الصناعية وفق معايير Six Sigma، حيث يُصنف كل منتج خارج من خط الإنتاج بأنه سليم ($0$) أو معيب ($1$). تُستخدم مخططات المراقبة للنسب المعيبة (p-charts) لتتبع استقرار العمليات التصنيعية ورصد أي زيادة طارئة في معلمة العيوب $p$.

في هندسة الموثوقية (Reliability Engineering)، تُمثل كفاءة المكونات الكهربائية والميكانيكية بنماذج برنولي لتحديد احتمالية صمود النظام عند تعرض مكوناته للأحمال القصوى. وفي علم الأوبئة المعاصر، تُصاغ معدلات الهجوم الوبائي (Attack Rates) واحتمالات انتقال العدوى بين الأفراد المخالطين كنماذج برنولي شرطية تسهم في تقدير عدد التكاثر الأساسي $R_0$ وإدارة بروتوكولات الحجر الصحي.

10. أمثلة حسابية ونماذج تطبيقية محلولة خطوة بخطوة

10.1 مثال 1: تقييم أداء استجابة في اختبار ذكاء مقنن

نص المسألة: في دراسة سيكومترية لتقنين اختبار ذكاء مكاني، خضعت إحدى المفردات الصعبة للتحليل التجريبي. أظهرت البيانات المعيارية أن احتمالية إجابة المفحوص المتميز على هذه الفقرة بشكل صحيح هي $p = 0.75$. فإذا اخترنا أحد المفحوصين المتميزين بصورة عشوائية وعرضنا عليه هذه المفردة لمرة واحدة فقط، والمطلوب حساب وتفسير المؤشرات الإحصائية التالية بدقة متناهية:

  1. صياغة دالة الكتلة الاحتمالية $P(X = k)$ وحساب احتمال النجاح والفشل.
  2. حساب دالة التوزيع التراكمي $F(x)$ عند جميع الفترات الحقيقية.
  3. حساب القيمة المتوقعة $E(X)$، والتباين $\text{Var}(X)$، والانحراف المعياري $\text{SD}(X)$.
  4. حساب معامل الالتواء $\gamma_1$ ومعامل التفرطح الزائد $\gamma_2$.

خطوات الحل الحسابي المفصل:

1. دالة الكتلة الاحتمالية:

المتغير العشوائي $X \sim \text{Bernoulli}(0.75)$. الصيغة العامة: $P(X = k) = (0.75)^k (1 – 0.75)^{1 – k} = (0.75)^k (0.25)^{1 – k}$ لقيم $k in {0, 1}$.

  • احتمال الإجابة الخاطئة (الفشل): $P(X = 0) = (0.75)^0 (0.25)^{1} = 1 \times 0.25 = 0.25$
  • احتمال الإجابة الصحيحة (النجاح): $P(X = 1) = (0.75)^1 (0.25)^{0} = 0.75 \times 1 = 0.75$

2. دالة التوزيع التراكمي:

$$F(x) = \begin{\cases} 0, &a\mp; x < 0 \ 0.25, &a\mp; 0 le x < 1 \ 1.00, &a\mp; x ge 1 \end{\cases}$$

3. المتوسط والتباين والانحراف المعياري:

  • القيمة المتوقعة: $E(X) = p = 0.75$
  • التباين: $\text{Var}(X) = p(1 – p) = 0.75 \times (1 – 0.75) = 0.75 \times 0.25 = 0.1875$
  • الانحراف المعياري: $\text{SD}(X) = \sqrt{0.1875} \approx 0.4330$

4. الالتواء والتفرطح الزائد:

  • معامل الالتواء:
    $$\gamma_1 = \frac{1 – 2p}{\sqrt{p(1 – p)}} = \frac{1 – 2(0.75)}{\sqrt{0.1875}} = \frac{1 – 1.50}{0.4330} = \frac{-0.50}{0.4330} \approx -1.1547$$
    يشير الالتواء السالب إلى أن التوزيع ملتف نحو اليمين وله ذيل يمتد نحو اليسار (قيم الفشل النادرة).
  • معامل التفرطح الزائد:
    $$\gamma_2 = \frac{1 – 6p(1 – p)}{p(1 – p)} = \frac{1 – 6(0.1875)}{0.1875} = \frac{1 – 1.125}{0.1875} = \frac{-0.125}{0.1875} \approx -0.6667$$
    وهي قيمة سالبة تدل على تسطح القمة الاحتمالية مقارنة بالتوزيع الطبيعي.

التفسير النفسي والإحصائي: تشير النتائج إلى أن المفردة تميل للسهولة النسبية لهذه الفئة من المفحوصين المتميزين ($E(X) = 0.75$). ونظراً لأن المعلمة تبتعد عن نقطة التشتت الأقصى ($0.5$)، فإن التباين ($0.1875$) منخفض نسبياً، مما يعكس تجانساً واستقراراً في استجابات هذه الفئة المحددة، مع وجود ميل قوي لتقديم استجابات صحيحة يتجلى في الالتواء السالب للتوزيع.

10.2 مثال 2: دراسة سلوك المستهلك وقرار النقر على إعلان إلكتروني

نص المسألة: أطلقت شركة تسويق رقمي حملة إعلانية مخصصة، وأظهرت البيانات الضخمة أن احتمال نقر الزائر الجديد على الإعلان (Conversion Action) هو حدث نادر نسبياً بمعلمة نجاح $p = 0.04$. فإذا دخل مستخدم واحد للموقع وتم تعريضه للإعلان مرة واحدة، يُطلب ما يلي:

  1. تحديد دالة التوزيع الإحصائي وحساب التباين والانحراف المعياري.
  2. حساب معامل الالتواء وتفسير شكله الهندسي في سياق الأحداث النادرة.
  3. اشتقاق الدالة المولدة للعزوم $M_X(t)$ وتقييمها عند النقطة $t = 0.5$.
  4. مناقشة الدلالات التسويقية الناتجة عن هذه المؤشرات.

خطوات الحل الحسابي المفصل:

1. التوزيع والتباين والانحراف المعياري:

المتغير $X \sim \text{Bernoulli}(0.04)$، حيث $P(X = 1) = 0.04$ و $P(X = 0) = 0.96$.

  • التباين: $\text{Var}(X) = p(1 – p) = 0.04 \times 0.96 = 0.0384$
  • الانحراف المعياري: $\text{SD}(X) = \sqrt{0.0384} \approx 0.19596$

2. معامل الالتواء:

$$\gamma_1 = \frac{1 – 2(0.04)}{\sqrt{0.0384}} = \frac{1 – 0.08}{0.19596} = \frac{0.92}{0.19596} \approx +4.6948$$

تُظهر القيمة التواءً موجباً حاداً للغاية ($\gamma_1 \approx 4.69$)، وهو ما يعكس أن كتلة الاحتمال تتركز بالكامل تقريباً عند النقطة الصفرية ($96%$)، في حين يشكل النجاح ذيلاً استثنائياً دقيقاً في أقصى اليمين.

3. الدالة المولدة للعزوم:

$$M_X(t) = (1 – p) + p e^t = 0.96 + 0.04 e^t$$

عند النقطة $t = 0.5$، وبما أن $e^{0.5} \approx 1.64872$:

$$M_X(0.5) = 0.96 + 0.04(1.64872) = 0.96 + 0.06595 = 1.02595$$

التفسير التسويقي والعملي: يبرهن الانخفاض الحاد في التباين والالتواء الموجب المرتفع على أن سلوك المستهلك الفردي يتسم بعدم الاستجابة شبه المطلقة للإعلان في المحاولة الواحدة. وبناءً على ذلك، لا يمكن للشركة الاعتماد على محاولات مفردة لتحقيق عائد استثماري، بل يتطلب الأمر تكرار محاولات برنولي ملايين المرات للاستفادة من قانون الأعداد الكبيرة وتحويل الاحتمال الضئيل ($p = 0.04$) إلى حجم نقرات تراكمي مؤكد إحصائياً.

10.3 مثال 3: تجربة الاختيار الثنائي في مختبر علم النفس العصبي

نص المسألة: في تجربة إدراكية بمختبر العلوم العصبية، عُرض وميض ضوئي خافت جداً على شاشة حاسوب أمام مفحوص لمدة $20$ ميلي ثانية، وطُلب منه تحديد ما إذا كان الوميض يحتوي على نمط خطي مائل ($X=1$) أم نمط عشوائي ($X=0$). أظهرت النتائج المعايرة أن احتمالية الإدراك الصحيح لدى المفحوص هي $p = 0.60$. يُطلب:

  1. حساب التباين الحقيقي لهذه التجربة، ومقارنته بيانياً ورياضياً بتباين حالة التخمين العشوائي التام ($p = 0.50$).
  2. حساب نسبة الانخفاض في عدم اليقين (التباين) الناتجة عن المعالجة المعرفية للمنبه.
  3. حساب قيمة الدالة المميزة $\phi_X(t)$ عند التردد $t = \pi$.

خطوات الحل الحسابي المفصل:

1. حساب التباين والمقارنة مع التخمين العشوائي:

  • تباين أداء المفحوص الحالي ($p = 0.60$):
    $$\text{Var}_{\text{Actual}}(X) = 0.60 \times (1 – 0.60) = 0.60 \times 0.40 = 0.240$$
  • تباين حالة التخمين العشوائي البحت ($p = 0.50$):
    $$\text{Var}_{\text{Random}}(X) = 0.50 \times (1 – 0.50) = 0.50 \times 0.50 = 0.250$$

2. نسبة الانخفاض في التباين:

$$\text{Reduction} = \frac{0.250 – 0.240}{0.250} \times 100% = \frac{0.010}{0.250} \times 100% = 4.0%$$

3. حساب الدالة المميزة عند $t = \pi$:

$$\phi_X(t) = (1 – p) + p e^{i t} implies \phi_X(\pi) = 0.40 + 0.60 e^{i \pi}$$

باستخدام متطابقة أويلر الشهيرة $e^{i \pi} = -1$:

$$\phi_X(\pi) = 0.40 + 0.60(-1) = 0.40 – 0.60 = -0.20$$

التفسير المعرفي والعصبي: تظهر النتائج أن احتمالية أداء المفحوص ($p = 0.60$) تتجاوز مستوى الصدفة المحضة ($0.50$) بفارق $0.10$، مما يثبت وجود معالجة بصرية إدراكية حقيقية للمنبه تحت ظروف العرض بالغة القصر. ورغم أن نسبة خفض التشتت وعدم اليقين بلغت $4%$ فقط، إلا أن هذا الفارق يعد ذا دلالة جوهرية في النماذج العصبية التي تدرس عتبات الوعي الحسي (Sensory Awareness Thresholds).

11. التقدير الإحصائي واختبار الفرضيات لمعلمة برنولي

11.1 تقدير النقطة لمعلمة النجاح (Point Estimation)

في الدراسات الإحصائية التطبيقية، تكون معلمة النجاح الحقيقية $p$ مجهولة، ويتم تقديرها عبر جمع عينة عشوائية بسيطة مؤلفة من $n$ من محاولات برنولي المستقلة والمتطابقة $X_1, X_2, dots, X_n \overset{\text{i.i.d.}}{\sim} \text{Bernoulli}(p)$.

اشتقاق مقدر الإمكان الأعظم (Maximum Likelihood Estimator – MLE):

تُعرف دالة الإمكان المشتركة (Likelihood Function) لحاصل ضرب الاحتمالات المنفصلة بالصيغة:

$$L(p; x_1, dots, x_n) = \prod_{i=1}^n P(X_i = x_i) = \prod_{i=1}^n p^{x_i} (1 – p)^{1 – x_i} = p^{\sum x_i} (1 – p)^{n – \sum x_i}$$

بأخذ اللوغاريتم الطبيعي للطرفين نحصل على دالة لوغاريتم الإمكان (Log-Likelihood):

$$ell(p) = \ln L(p) = \left(\sum_{i=1}^n x_i\right) \ln(p) + \left(n – \sum_{i=1}^n x_i\right) \ln(1 – p)$$

نشتق الدالة بالنسبة للمعلمة $p$ ونساوي الناتج بالصفر لإيجاد النقطة الحرجة العظمى:

$$\frac{dell(p)}{dp} = \frac{\sum x_i}{p} – \frac{n – \sum x_i}{1 – p} = 0$$

$$\frac{\sum x_i}{p} = \frac{n – \sum x_i}{1 – p} implies (1 – p) \sum x_i = p \left(n – \sum x_i\right)$$

$$\sum x_i – p \sum x_i = n p – p \sum x_i implies \sum x_i = n p implies \hat{p}_{\text{MLE}} = \frac{1}{n} \sum_{i=1}^n X_i = \bar{X}$$

الخصائص الرياضية للمقدر $\hat{p}$:

  • عدم التحيز (Unbiasedness): $E(\hat{p}) = E\left(\frac{1}{n} \sum X_i\right) = \frac{1}{n} (n p) = p$.
  • التباين وتدني حد كرامر-راو (Efficiency): $\text{Var}(\hat{p}) = \text{Var}\left(\frac{1}{n} \sum X_i\right) = \frac{1}{n^2} (n p (1 – p)) = \frac{p(1 – p)}{n}$، وهو مقدر كفء يحقق الحد الأدنى لتباين المقدرات غير المتحيزة (Cramér-Rao Lower Bound).
  • الاتساق (Consistency): وفقاً لقانون الأعداد الكبيرة، يتقارب المقدر $\hat{p}$ في الاحتمال نحو $p$ مع نمو حجم العينة: $\hat{p} x\rightarrow{P} p$ عندما $n to \infty$.

11.2 فترات الثقة لنسبة برنولي (Confidence Intervals)

لحساب عدم اليقين المحيط بتقدير المعلمة $p$ عند مستوى ثقة $1 – \alpha$، تُستخدم عدة مقاربات استدلالية متباينة في الدقة الرياضية:

1. فترة ثقة والد التقريبية (Wald Interval): تعتمد على التقريب الطبيعي المعياري، وتُحسب بالصيغة التقليدية:

$$\hat{p} \pm Z_{1 – alpha/2} \sqrt{\frac{\hat{p}(1 – \hat{p})}{n}}$$

تتسم هذه الفترة بضعف أدائها الشديد عند صغر حجم العينة أو عندما تكون $p$ قريبة جداً من $0$ أو $1$، حيث قد تنتج حدوداً تتجاوز النطاق الطبيعي $[0, 1]$.

2. فترة ثقة ويلسون (Wilson Score Interval): تُشتق من عكس اختبار النسبة، وتقدم أداءً متفوقاً واستقراراً فائقاً حتى في العينات الصغيرة:

$$\text{CI}_{\text{Wilson}} = \frac{\hat{p} + \frac{Z^2}{2n} \pm Z \sqrt{\frac{\hat{p}(1 – \hat{p})}{n} + \frac{Z^2}{4n^2}}}{1 + \frac{Z^2}{n}}$$

3. فترة ثقة كلوبر-بيرسون الدقيقة (Clopper-Pearson Exact Interval): تعتمد على التوزيع التراكمي الفعلي ذي الحدين دون أي تقريب مقارب، وترتبط بالتوزيع الاحتمالي لبيتا (Beta Distribution)، وتضمن ألا يقل مستوى التغطية الفعلي عن $1 – \alpha$.

11.3 الاستدلال البيزي لمعلمة توزيع برنولي

في الإطار الاستدلالي البيزي (Bayesian Inference)، تُعامل المعلمة $p$ بوصفها متغيراً عشوائياً مستمراً يمتلك توزيعاً أولياً (Prior Distribution) يعكس المعتقدات المسبقة للباحث قبل جمع البيانات.

يمثل توزيع بيتا (Beta Distribution) المرافق المزدوج المتوافق (Conjugate Prior) لتوزيع برنولي؛ إذ إن ضرب دالة كثافة بيتا الأولية بدالة إمكان برنولي ينتج مباشرة توزيعاً بعدياً ينتمي لعائلة بيتا ذاتها:

إذا كان التوزيع الأولي هو: $p \sim \text{B\eta}(\alpha, \beta)$ بدالة كثافة $f(p) propto p^{\alpha – 1} (1 – p)^{\beta – 1}$.

وبعد رصد عينة بحجم $n$ تحتوي على $k = \sum_{i=1}^n x_i$ من النجاحات، تتشكل دالة الإمكان: $L(p) propto p^k (1 – p)^{n – k}$.

تكون دالة الكثافة للتوزيع البعدي (Posterior Distribution) وفق مبرهنة بايز:

$$f(p | \text{Data}) propto f(p) \cdot L(p) propto p^{\alpha – 1} (1 – p)^{\beta – 1} \cdot p^k (1 – p)^{n – k} = p^{(\alpha + k) – 1} (1 – p)^{(\beta + n – k) – 1}$$

أي أن التوزيع البعدي هو بدقة: $p | \text{Data} \sim \text{B\eta}(\alpha + k, \beta + n – k)$.

ويُحسب متوسط التوزيع البعدي (Posterior Mean) كتقدير بيزي نقطي مرجح يجمع بين المعرفة المسبقة والبيانات التجريبية:

$$\hat{p}_{\text{Bayes}} = E(p | \text{Data}) = \frac{\alpha + k}{\alpha + \beta + n}$$

12. التحديات المنهجية والقيود الإحصائية لتوزيع برنولي

12.1 محدودية التبسيط الثنائي للظواهر الإنسانية المعقدة

ينطوي اختزال الظواهر السلوكية والمعرفية المعقدة في قالب ثنائي جامد ($0$ أو $1$) على مخاطر منهجية جسيمة تُعرف في الأدبيات الإحصائية بـ “هوس الثنائيات” (Dichotomania). يؤدي هذا التحويل القسري للبيانات المستمرة أو متعددة الرتب إلى فقدان كبير في التباين الإحصائي الداخلي وتراجع ملحوظ في القوة الإحصائية لاختبارات الفرضيات، فضلاً عن إخفاء الفروق الفردية الدقيقة بين المفحوصين الذين يقعون بالقرب من حافتي نقطة القطع الاصطناعية (Cut-off Score).

لتجاوز هذه المحدودية في القياس النفسي المتقدم، يُستعاض عن نموذج برنولي بنماذج احتمالية أكثر اتساعاً مثل التوزيع متعدد الحدود (Multinomial Distribution)، ونماذج الاستجابة للمفردات متعددة الدرجات كنموذج الائتمان الجزئي (Partial Credit Model) ونموذج درجات التقدير المتدرجة (Graded Response Model)، والتي تسمح بتمثيل التدرج الواقعي في السمات الإنسانية.

12.2 انتهاك استقلالية المحاولات والاعتمادية الزمنية

تفترض المعالجة الرياضية الكلاسيكية لتجارب برنولي الاستقلالية التامة بين المحاولات المتتالية. بيد أن هذا الافتراض يتعرض لانتهاكات مستمرة في التجارب النفسية والسلوكية التي يخضع فيها المفحوص لمحاولات متكررة؛ حيث تؤدي عوامل التعلم، أو التعب والإرهاق، أو التشتت الانتباهي، أو استراتيجيات التخمين الذكي إلى تغير قيمة المعلمة $p$ ديناميكياً عبر مسار التجربة.

عندما تعتمد استجابة المحاولة الحالية على نتيجة المحاولة السابقة مباشرة، تنهار بنية برنولي المستقلة، ويتحول المسار إلى سلسلة ماركوف ثنائية الحالة (Two-State Markov Chain) تتميز بمصفوفة احتمالات انتقال مشروطة:

$$\mathbf{P} = \begin{\pmatrix} P(X_t=0|X_{t-1}=0) &a\mp; P(X_t=1|X_{t-1}=0) \ P(X_t=0|X_{t-1}=1) &a\mp; P(X_t=1|X_{t-1}=1) \end{\pmatrix} = \begin{\pmatrix} 1-p_{01} &a\mp; p_{01} \ p_{10} &a\mp; 1-p_{10} \end{\pmatrix}$$

ويتطلب هذا التحول توظيف نماذج السلاسل الزمنية المنفصلة ونماذج التأثيرات العشوائية المختلطة لضبط الارتباط الذاتي (Autocorrelation) داخل بيانات الأفراد.

12.3 مشكلة التشتت الزائد والتشتت الناقص (Overdispersion and Underdispersion)

يفرض توزيع برنولي وتوزيع ذي الحدين ارتباطاً جبرياً صارماً وغير مرن بين المتوسط والتباين، حيث يتحدد التباين حصرياً بالمعادلة $\sigma^2 = p(1-p)$. إلا أن البيانات التجريبية الواقعية في العلوم السلوكية والطبية غالباً ما تظهر تبايناً تجريبياً يفوق التباين النظري المفترض، وهي ظاهرة إحصائية شائعة تُعرف بـ التشتت الزائد (Overdispersion)، وتنشأ أساساً عن عدم تجانس أفراد العينة (Population Heterogeneity) وتجمع الملاحظات داخل مجموعات فرعية متباينة الخصائص.

تؤدي محاولة نمذجة البيانات التي تعاني من التشتت الزائد باستخدام توزيع برنولي البسيط إلى التقليل الاصطناعي من الأخطاء المعيارية للمعلمات المقدرة، مما يرفع معدلات الخطأ من النوع الأول وظهور نتائج دالة إحصائياً بصورة وهمية. ولمعالجة هذه المعضلة، يلجأ الإحصائيون إلى استخدام نماذج مركبة هجينة، مثل توزيع بيتا-ذي الحدين (Beta-Binomial Distribution) أو النماذج الخطية المعممة ذات التأثيرات العشوائية (GLMMs)، والتي تسمح للمعلمة $p$ بأن تتقلب عشوائياً بين الأفراد عبر دالة توزيع كامنة تمتص التباين الإضافي.

خاتمة استنتاجية

يقف توزيع برنولي كواحد من أروع الشواهد على قوة التجريد الرياضي وقدرته على ضبط الفوضى الكامنة في الظواهر العشوائية؛ فمن خلال معلمة ترجيح وحيدة $p$ وفضاء ثنائي مجرد ${0, 1}$، يقدم هذا النموذج الصياغة التأسيسية التي مكنت الفكر الإنساني من قياس عدم اليقين وتحليله بدقة متناهية. إن فهم الخصائص الرياضية المعمقة لهذا التوزيع، من دالة الكتلة والتوزيع التراكمي إلى الدوال المولدة والعزوم ونظريات التقدير والاستدلال، يمثل متطلباً لا غنى عنه لأي باحث يسعى للتعامل مع البيانات المعاصرة.

ورغم بساطته الهيكلية، فإن امتدادات توزيع برنولي وتطبيقاته تمتد لتغطي شتى العلوم المعاصرة؛ من اختبارات الذكاء ونماذج القياس النفسي المتقدمة، مروراً بخوارزميات التعلم الآلي وتجارب المنصات الرقمية، وصولاً إلى الدراسات الوبائية ومراقبة الجودة الصناعية. ويبقى الوعي بالشروط الصارمة لتطبيقه وحدود التبسيط الثنائي صمام الأمان المنهجي الذي يضمن سلامة الاستدلال العلمي ودقة النمذجة الإحصائية للواقع المعقد.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 27). توزيع برنولي: الاستخدامات، الصيغة ومثال. عرب سايكلوجي. https://arabpsychology.com/statistics/bernoulli-distribution-uses-formula-example/
looti, Mohammed. “توزيع برنولي: الاستخدامات، الصيغة ومثال.” عرب سايكلوجي, 27 أغسطس 2026, https://arabpsychology.com/statistics/bernoulli-distribution-uses-formula-example/.
looti, Mohammed. “توزيع برنولي: الاستخدامات، الصيغة ومثال.” عرب سايكلوجي. أغسطس 27, 2026. https://arabpsychology.com/statistics/bernoulli-distribution-uses-formula-example/.