توزيع ذي الحدين: الاستخدامات والحاسبة

تُعد نظرية الاحتمالات والاستدلال الإحصائي الركيزة الأساسية التي تقوم عليها المنهجيات العلمية المعاصرة، إذ تُمكّن الباحثين وصنّاع القرار من نمذجة الظواهر العشوائية وتحويل الملاحظات التجريبية غير المؤكدة إلى مقاييس كمية دقيقة قابلة للتحليل والتفسير. وفي قلب هذه الترسانة الرياضية، يبرز توزيع ذي الحدين (Binomial Distribution) بوصفه أحد أهم التوزيعات الاحتمالية المنفصلة وأكثرها استخداماً في مختلف الحقول المعرفية؛ بدءاً من العلوم السلوكية والقياس النفسي، مروراً بالتجارب الإكلينيكية وعلم الأوبئة، وصولاً إلى مراقبة الجودة الصناعية وهندسة النظم واستطلاعات الرأي العام.

يقوم هذا النموذج الرياضي على فكرة بديهية لكنها بالغة العمق: دراسة الأحداث التي لا تحتمل سوى نتيجتين متناقضتين وشاملتين (مثل: النجاح والفشل، القبول والرفض، الإصابة والتعافي) عبر سلسلة متتالية من المحاولات المستقلة. ومن خلال ربط المعلمات الأساسية المتمثلة في عدد المحاولات واحتمال حدوث الاستجابة المستهدفة، يتيح توزيع ذي الحدين تقدير احتمالية تكرار الحدث بعدد محدد من المرات، واختبار الفرضيات الإحصائية الصفرية والبديلة، وبناء فترات الثقة الدقيقة للنسب المعيارية في العينات التجريبية والميدانية.

يتناول هذا المرجع الأكاديمي الشامل الأسس النظرية والرياضية لتوزيع ذي الحدين، ويفكك شروطه ومعالمه الإحصائية من قيمة متوقعة وتباين والتواء وتفرطح، كما يغطي تطبيقاته السيكومترية والطبية والصناعية بالتفصيل. وبالإضافة إلى ذلك، يقدم الدليل آليات الحساب اليدوي، ودليل استخدام الحاسبات الإحصائية الرقمية، والتطبيق البرمجي المتقدم عبر حزم التحليل الإحصائي، مع استعراض شروط التقريب الرياضي إلى التوزيعين الطبيعي والبواسوني، وتفصيل الأخطاء المنهجية الشائعة لتفادي الانحياز في التفسير والتوثيق العلمي.

1. مدخل إلى توزيع ذي الحدين (Binomial Distribution): المفهوم والأسس النظرية

1.1 التعريف الأكاديمي لتوزيع ذي الحدين

يُعرَّف توزيع ذي الحدين في الأدبيات الإحصائية الرياضية بأنه توزيع احتمالي منفصل (Discrete Probability Distribution) يصف عدد مرات حدوث حدث معين في عدد محدد وثابت مسبقاً من التجارب العشوائية المستقلة والمتطابقة. يُطلق على هذا الحدث المعني اسم “النجاح” (Success)، في حين يُطلق على عدم حدوثه اسم “الفشل” (Failure)، دون أن يحمل هذان المصطلحان بالضرورة أي دلالة قيمية أو أخلاقية؛ بل هما مجرد تصنيفين رياضيين للدلالة على تحقق الخاصية المدروسة من عدمها.

يعمل المتغير العشوائي ذو الحدين، والذي يُرمز له عادة بالرمز X، بوصفه عداداً رقمياً يختزل نتائج سلسلة المحاولات في قيمة عددية صحيحة تقع في النطاق المغلق بين الصفر والعدد الإجمالي للمحاولات. ويكمن جوهر التمييز بين هذا التوزيع والتوزيعات الاحتمالية المستمرة (مثل التوزيع الطبيعي أو التوزيع الأسي) في طبيعة فضاء العينة ومجال المتغير؛ حيث يأخذ المتغير العشوائي المنفصل قيماً متقطعة ومعدودة ناتجة عن عمليات العد المباشر، بينما تأخذ المتغيرات المستمرة قيماً غير معدودة تمتد على متصل رقمي مستمر وتنتج عن عمليات القياس الفيزيائي كالأطوال والأوزان والأزمنة.

يقوم الأساس المنطقي لهذا التوزيع على مبدأ الأحداث الحصرية المتبادلة (Mutually Exclusive Outcomes)، حيث لا يمكن للنتيجة في المحاولة الواحدة أن تجمع بين النجاح والفشل في آن واحد، ومبدأ الأحداث الشاملة كلياً (Collectively Exhaustive)، مما يعني أن مجموع احتمالي النتيجتين يساوي دائماً الواحد الصحيح رياضياً. إن هذا التأطير الصارم يمنح النموذج قدرته الفائقة على تمثيل الظواهر الثنائية بدقة متناهية ودون تداخل بين الفئات.

1.2 التطور التاريخي والرياضي للتوزيع

تعود الجذور التاريخية والرياضية لتوزيع ذي الحدين إلى أواخر القرن السابع عشر وبدايات القرن الثامن عشر، من خلال الإسهامات التأسيسية لعالم الرياضيات السويسري البارز ياكوب برنولي (Jacob Bernoulli). وقد تجلت هذه الإسهامات في كتابه المرجعي الرائد “فن التخمين” (Ars Conjectandi) الذي نُشر عام 1713 بعد وفاته. صاغ برنولي في هذا العمل أول معالجة رياضية دقيقة لمحاولات الصدفة المتكررة ذات النتيجتين، ممهداً الطريق للانتقال من دراسة الاحتمال في المحاولة الفردية البسيطة إلى دراسة السلوك التجميعي للمحاولات المتعددة والمستقلة.

أسفرت تحليلات برنولي عن إثبات ما يُعرف تاريخياً بالشكل الأولي لـ “قانون الأعداد الكبيرة” (Law of Large Numbers)، والذي بيّن من خلاله أن التكرار النسبي التجريبي لحدث ثنائي يتقارب احتمالياً نحو الاحتمال النظري الحقيقي مع تزايد عدد المحاولات إلى ما لا نهاية. شكّل هذا الاكتشاف حجر الزاوية في تطور نظرية الاحتمالات الكلاسيكية، ونقل دراسة العشوائية من مجرد ألغاز رياضية متعلقة بألعاب الحظ إلى علم رياضي رصين يمتلك بنية بديهية متماسكة قادرة على توصيف الواقع المادي والاجتماعي.

ومع تطور الرياضيات في القرنين التاسع عشر والعشرين على يد علماء مثل أبراهام دي موافر، وبيير سيمون لابلاس، وكارل بيرسون، تحول توزيع ذي الحدين إلى أداة مركزية في تطوير نظرية المعاينة والاستدلال الإحصائي الحديث (Statistical Inference). فقد أصبح الأساس لاشتقاق فترات الثقة واختبارات المعنوية للنسب، ونقطة الانطلاق نحو تطوير التوزيعات التقاربية الأكثر تعقيداً والتي تدير اليوم خوارزميات تحليل البيانات والذكاء الاصطناعي.

1.3 الأهمية العلمية والمنهجية في تحليل البيانات

تتجلى الأهمية المنهجية لتوزيع ذي الحدين في كونه النموذج المعياري الأكثر كفاءة لنمذجة المتغيرات الثنائية (Binary Variables) في شتى فروع البحث العلمي التجريبي والارتباطي. يتيح التوزيع للباحثين صياغة تنبؤات كمية دقيقة حول احتمالات حدوث ظاهرة معينة بنسب نجاح محددة، مما يجعله وسيلة حيوية لتحويل الفرضيات النظرية الغامضة إلى نماذج احتمالية قابلة للاختبار والتحقق الإمبيريقي.

يوفر التوزيع إطاراً رياضياً صارماً لاختبار الفرضيات الإحصائية الصفرية والبديلة المتعلقة بنسب المجتمعات، مثل اختبار ما إذا كانت فعالية دواء جديد تختلف جوهرياً عن النسبة المعيارية، أو ما إذا كان أداء عينة من المفحوصين على مقياس نفسي يبتعد عن مستوى التخمين العشوائي. هذا الاختبار المباشر للاحتمالات الدقيقة يلغي الحاجة إلى الاعتماد على التوزيعات التقريبية في العينات الصغيرة، مما يرفع من القوة الإحصائية (Statistical Power) للدراسات الميدانية.

علاوة على ذلك، يُعد توزيع ذي الحدين الأساس الرياضي لبناء فترات الثقة (Confidence Intervals) للنسب والمؤشرات السلوكية والصحية، مثل فترات ثقة كلوبر-بيرسون (Clopper-Pearson Exact Interval) وفواصل ويلسون. تضمن هذه الأدوات للباحثين قياس هامش الخطأ وتقدير معالم المجتمع الأصلي بدرجة موثوقية عالية، مما يرسخ مبادئ الشفافية والصلابة المنهجية في كتابة التقارير وتوثيق النتائج العلمية.

2. الشروط المنهجية والمعايير الرياضية لتطبيق تجربة ذي الحدين

2.1 شرط ثبات عدد المحاولات (Fixed Number of Trials)

يقتضي التطبيق الصحيح لنموذج ذي الحدين أن يتم تحديد عدد المحاولات، ويُرمز له بالرمز n، مسبقاً وبشكل حتمي قبل البدء في جمع البيانات أو إجراء التجربة الإحصائية. يعني هذا أن التجربة تتكون من عدد منتهٍ ومحدد من المحاولات المتطابقة في التصميم والإجراءات، بحيث يتوقف جمع البيانات بمجرد الوصول إلى هذا الرقم المعياري المحدد سلفاً، دون ربط التوقف بتحقيق عدد معين من النجاحات أو الفشل.

يميز هذا الشرط الجوهري تجربة ذي الحدين عن التجارب ذات الأفق المفتوح أو غير المنتهية؛ فالأخيرة تتطلب نماذج احتمالية مغايرة تماماً. على سبيل المثال، إذا استمرت التجربة حتى الحصول على أول نجاح، فإن التوزيع الواجب تطبيقه هو التوزيع الهندسي (Geometric Distribution)، أما إذا استمرت التجربة حتى الحصول على عدد r من النجاحات، فإن النموذج المناسب يتحول إلى توزيع ذي الحدين السالب (Negative Binomial Distribution). وبالتالي، فإن ثبات المعلمة n هو المعيار الذي يحدد طبيعة فضاء العينة لتوزيع ذي الحدين الكلاسيكي.

يؤثر حجم العينة n تأثيراً مباشراً على استقرار التوزيع وسلوكه الرياضي؛ فكلما كانت قيمة n كبيرة، زاد استقرار التقديرات الإحصائية وتناقص الخطأ المعياري للنسبة المقدرة، واقترب شكل التوزيع من الانتظام والتماثل، مما يعزز من كفاءة الاستدلال الإحصائي المستمد من العينة الخاضعة للدراسة ويزيد من مصداقية النتائج المعممة على المجتمع.

2.2 شرط ثنائية النتيجة (Binary Outcomes)

يشترط نموذج ذي الحدين أن تكون نتائج كل محاولة تجريبية مقتصرة حصرياً على إحدى نتيجتين متنافيتين، تُصنفان اصطلاحاً إلى “نجاح” (Success) و”فشل” (Failure). يُعبّر هذا الشرط عن مبدأ الثنائية البنيوية في تصنيف البيانات؛ بحيث لا يُسمح بوجود حالات وسطى، أو قيم مفقودة غير مصنفة، أو خيارات متعددة غير متمايزة داخل فضاء النتائج لكل محاولة فردية.

في كثير من التطبيقات الواقعية، قد لا تكون المتغيرات الأصلية ثنائية التكوين بطبيعتها، بل قد تظهر كمتغيرات اسمية متعددة الفئات (Polytomous Variables) أو متغيرات رتبية أو كمية متصلة. في مثل هذه الحالات، يلجأ الباحث إلى تقنيات المعايرة الإجرائية لتحويل البيانات إلى فئات ثنائية متمايزة. على سبيل المثال، يمكن تحويل استجابات مقياس ليكرت الخماسي إلى متغير ثنائي من خلال دمج فئتي “أوافق بشدة” و”أوافق” تحت تصنيف “مؤيد”، مقابل دمج الفئات الأخرى تحت تصنيف “غير مؤيد”.

يتطلب هذا التحويل المعياري دقة منهجية فائقة لضمان الحفاظ على الصدق البنائي للمتغيرات، وتجنب فقدان المعلومات الجوهرية الكامنة في التدرجات الدقيقة. وعندما يتعذر تبرير الاختزال الثنائي نظرياً أو إحصائياً، يتعين على الباحث التحول إلى نماذج احتمالية أكثر تعقيداً تستوعب التعدد، مثل التوزيع متعدد الحدود (Multinomial Distribution)، الذي يُعد التعميم الرياضي المباشر لتوزيع ذي الحدين في فضاءات العينات متعددة الفئات.

2.3 شرط استقلالية المحاولات (Independence of Trials)

يُعد شرط الاستقلالية الاحتمالية من أدق الشروط المنهجية وأكثرها حساسية في تطبيق توزيع ذي الحدين؛ وينص على أن نتيجة أي محاولة محددة يجب ألا تتأثر بأي شكل من الأشكال بنتائج المحاولات السابقة، كما يجب ألا تمارس أي تأثير على نتائج المحاولات اللاحقة. رياضياً، يعني هذا أن الاحتمال الشرطي لحدوث النجاح في المحاولة رقم i بشرط حدوث النجاح أو الفشل في المحاولة رقم i – 1 يساوي دائماً الاحتمال غير الشرطي للنجاح دون أدنى تغيير.

يرتبط هذا الشرط ارتباطاً وثيقاً بآلية المعاينة المتبعة في سحب الوحدات التجريبية من المجتمع الإحصائي. ففي حالة المعاينة مع الإرجاع (Sampling with Replacement)، يظل المجتمع ثابتاً في حجمه وخصائصه عبر كل سحبة، مما يحقق شرط الاستقلالية التامة بصورة مثالية. أما في حالة المعاينة بدون إرجاع (Sampling without Replacement)، فإن سحب كل وحدة يغير من حجم المجتمع المتبقي ومن النسب النسبية للخصائص داخله، مما يؤدي نظرياً إلى انتهاك شرط الاستقلالية وتحول النموذج إلى التوزيع فوق الهندسي (Hypergeometric Distribution).

ومع ذلك، تسمح النظرية الإحصائية باستخدام توزيع ذي الحدين كتقريب ممتاز للمعاينة بدون إرجاع، شريطة أن يكون حجم المجتمع الكلي، ويُرمز له بالرمز N، كبيراً جداً مقارنة بحجم العينة المسحوبة n. وقد أرست الأدبيات المنهجية قاعدة إرشادية تنص على أن هذا التقريب يكون دقيقاً ومقبولاً علمياً إذا كان حجم العينة لا يتجاوز 5% إلى 10% من حجم المجتمع الكلي (أي أن n ≤ 0.05N)، حيث يغدو التغير في الاحتمالات طفيفاً جداً ويمكن إهماله رياضياً دون التأثير على صدق النتائج.

2.4 شرط ثبات احتمالية النجاح (Constant Probability)

يقضي هذا الشرط بأن تكون احتمالية تحقيق النتيجة المصنفة كـ “نجاح”، والتي يُرمز لها بالرمز p، قيمة عددية ثابتة وموحدة في كل محاولة من المحاولات الإحصائية التجريبية البالغ عددها n. وبما أن مجموع احتمالات الفضاء الكلي يجب أن يساوي الواحد، فإن احتمالية حدوث الفشل، ويُرمز لها بالرمز q، تكون ثابتة بالضرورة ومحددة بالعلاقة الجبرية الصارمة: q = 1 – p عبر كامل مراحل التجربة.

يستلزم الحفاظ على ثبات المعلمة p توحيداً تاماً للظروف التجريبية والبيئية التي تجري فيها القياسات؛ إذ إن أي تباين في الظروف المحيطة، كحدوث إجهاد تدريجي لدى المفحوصين، أو تغير درجة حرارة المعمل، أو تآكل أداة القياس، قد يؤدي إلى تذبذب قيمة p بين محاولة وأخرى. إذا تغيرت قيمة p عبر المحاولات، فإن التوزيع الناتج لن يخضع لنموذج ذي الحدين البسيط، بل سينتقل إلى نماذج احتمالية أخرى مثل توزيع بواسون ذي الحدين (Poisson’s Binomial Distribution).

يتعين على الباحثين فحص ثبات المعلمة p عبر اختبارات التجانس واستخدام التصاميم التجريبية المضبوطة جيداً. إن التحقق الصارم من استقرار الاحتمال عبر الزمن وعبر الوحدات التجريبية يضمن الحفاظ على الصلاحية البنيوية لمعادلات توزيع ذي الحدين، ويقي الباحث من الوقوع في أخطاء التقدير الناجمة عن تباين الاحتمالات الأساسية في التجارب المتكررة.

3. الصيغة الرياضية ودالة الكتلة الاحتمالية (PMF)

3.1 تفكيك معادلة دالة الكتلة الاحتمالية

تُعطى دالة الكتلة الاحتمالية (Probability Mass Function – PMF) للمتغير العشوائي ذي الحدين X الذي يتبع التوزيع ذي المعلمتين n و p (ويُكتب اختصاراً: X ~ B(n, p)) بالصيغة الرياضية القياسية التالية:

P(X = k) = C(n, k) × p^k × (1 – p)^{n – k}     حيث    k ∈ {0, 1, 2, …, n}

تتألف هذه الصيغة الجبرية من ثلاثة مكونات رئيسية متكاملة يؤدي كل منها وظيفة رياضية محددة لحساب الاحتمال النهائي بدقة متناهية:

• معامل التوافيق الرياضية C(n, k) أو (n choose k): ويُحسب وفق قانون المضروب: n! / [k! × (n – k)!]. يمثل هذا الجزء عدد التوليفات أو الترتيبات المختلفة التي يمكن من خلالها ترتيب k من النجاحات و (n – k) من الفشل ضمن سلسلة طولها n من المحاولات، مع إهمال ترتيب العناصر داخل نفس الفئة.
• الحد الأسي لاحتمال النجاح p^k: يعبر عن الاحتمال المشترك لتحقيق النجاح في k من المحاولات المستقلة، استناداً إلى قاعدة ضرب الاحتمالات للأحداث المستقلة.
• الحد الأسي لاحتمال الفشل (1 – p)^{n – k} أو q^{n – k}: يعبر عن الاحتمال المشترك لحدوث الفشل في بقية المحاولات المتبقية والبالغ عددها n – k.

ينشأ الاحتمال الكلي P(X = k) من ضرب عدد السلاسل الممكنة المتطابقة احتمStatisticallyياً في احتمالية حدوث أي سلسلة فردية منها. يضمن هذا البناء الجبري مراعاة كافة التباديل الممكنة مع تجنب التكرار، مما يعطي القيمة الدقيقة لاحتمال ظهور الحدث بالضبط k مرة.

3.2 دالة التوزيع التراكمي (Cumulative Distribution Function – CDF)

في كثير من السياقات التحليلية والتطبيقية، لا يكون الباحث مهتماً فقط باحتمال الحصول على عدد محدد بدقة من النجاحات، بل يحتاج إلى معرفة احتمال وقوع النتيجة ضمن مدى معين، مثل حساب احتمالية الحصول على “على الأكثر k من النجاحات”، أو “على الأقل k من النجاحات”. هنا يأتي دور دالة التوزيع التراكمي (CDF)، والتي يُرمز لها بالرمز F(k)، وتُعرف رياضياً بأنها المجموع التراكمي للاحتمالات المنفصلة من الصفر وحتى القيمة k:

F(k) = P(X ≤ k) = ∑_i=0^k C(n, i) × pⁱ × (1 – p)^{n – i}

تُعد دالة التوزيع التراكمي الركيزة الأساسية في حساب مستويات الدلالة الإحصائية (p-values) في اختبارات الفروض اللامعلمية واختبارات ذي الحدين الدقيقة. فلحساب احتمال الحصول على نتيجة متطرفة في الاتجاه الموجب (احتمال الحصول على k أو أكثر من النجاحات)، تُستخدم خاصية المكملة:

P(X ≥ k) = 1 – P(X ≤ k – 1) = 1 – F(k – 1)

وكذلك، عند الرغبة في حساب احتمالية وقوع عدد النجاحات داخل فترة مغلقة محددة بين قيمتين k₁ و k₂، تُطبق العلاقة التراكمية المباشرة: P(k₁ ≤ X ≤ k₂) = F(k₂) – F(k₁ – 1). تمنح هذه العلاقات التراكمية الباحثين مرونة كاملة في تحديد المناطق الحرجة وحساب مستويات المخاطرة الإحصائية من النوعين الأول والثاني بدقة مطلقة.

3.3 التمثيل البياني لتوزيع ذي الحدين

يُمثَّل توزيع ذي الحدين بيانياً عادة باستخدام المخططات الشريطية (Bar Charts) أو المدرجات التكرارية المنفصلة، حيث يمثل المحور الأفقي عدد النجاحات الممكنة k كقيم متقطعة تمتد من 0 إلى n، بينما يمثل المحور الرأسي دالة الكتلة الاحتمالية P(X = k) لكل قيمة من تلك القيم. تتحدد الخصائص الهندسية والشكلية للمنحنى البياني كلياً من خلال التفاعل بين المعلمتين n و p.

عندما تكون قيمة احتمال النجاح متساوية تماماً لاحتمال الفشل (أي p = 0.5)، يتخذ التمثيل البياني شكلاً متماثلاً تماماً ومتطابق الأطراف حول المركز بغض النظر عن قيمة n. أما عندما تكون p < 0.5، فإن التوزيع ينحرف ويصبح ملتفاً نحو اليمين (Positive Skewness / ملتوي التواء موجباً)، حيث تتجمع الكتل الاحتمالية العالية بالقرب من القيم الصغرى لـ k في حين يمتد الذيل نحو اليمين. وعلى النقيض من ذلك، عندما تكون p > 0.5، يلتوي التوزيع نحو اليسار (Negative Skewness / ملتوي التواء سالباً) وتتمركز الاحتمالات الكبرى جهة اليمين بالقرب من n.

مع تزايد حجم العينة n، يخضع شكل التوزيع لتغير جوهري يتمثل في تناقص حدة الالتواء تدريجياً واقتراب المخطط البياني من الشكل الجرسي الأملس والمتماثل، حتى لو كانت قيمة p بعيدة عن 0.5. كما تتأثر قمة التوزيع ومؤشر التفرطح (Kurtosis) بحجم العينة، حيث تتقارب الفروق بين الأشرطة المتجاورة وتتراجع حدة الذرى الاحتمالية المتطرفة مفسحة المجال لنمط احتمالي متدرج ومتصل يقترب من المنحنى المعياري الطبيعي.

4. العلاقة البنيوية بين توزيع برنولي وتوزيع ذي الحدين

4.1 نموذج برنولي كحالة خاصة أساسية

يمثل توزيع برنولي (Bernoulli Distribution) اللبنة الأولية والحالة الخاصة الأكثر بساطة وتجريداً لتوزيع ذي الحدين؛ فهو يصف التجربة العشوائية الثنائية عندما يُجرى تنفيذها لمرة واحدة فقط (أي عند تعيين n = 1). في هذه الحالة، يأخذ المتغير العشوائي Y القيمة 1 في حالة النجاح باحتمال p، أو القيمة 0 في حالة الفشل باحتمال 1 – p.

تُصاغ دالة الكتلة الاحتمالية لمتغير برنولي رياضياً بصورة مدمجة وأنيقة على النحو التالي:

P(Y = y) = p^y × (1 – p)^{1 – y}     حيث    y ∈ {0, 1}

يتضح من هذا البناء الجبري أن التعويض بـ y = 1 يعطي مباشرة P(Y = 1) = p، في حين أن التعويض بـ y = 0 يعطي P(Y = 0) = 1 – p. تتسم معالم توزيع برنولي بالبساطة المباشرة، حيث تساوي القيمة المتوقعة للمتغير E(Y) = p، في حين يساوي التباين Var(Y) = p(1 – p). تشكل تجربة برنولي المفردة النموذج الذري الذي تتفرع منه معظم التوزيعات الثنائية والمنفصلة في الإحصاء الرياضي الحديث.

4.2 توزيع ذي الحدين كمجموع لمتغيرات برنولي المستقلة

تتأسس العلاقة الرياضية العميقة بين التوزيعين على حقيقة أن المتغير العشوائي ذي الحدين X ~ B(n, p) يمكن تعريفه بدقة واشتقاقه بوصفه المجموع الجبري لسلسلة تتألف من n من متغيرات برنولي المستقلة والمتطابقة التوزيع (Independent and Identically Distributed – i.i.d.):

X = ∑_i=1ⁿ Y_i = Y₁ + Y₂ + … + Y_n     حيث    Y_i ~ Bernoulli(p)

يمكن إثبات هذه العلاقة الرياضية المحورية وتأكيدها بصورة قطعية من خلال استخدام أداة دالة التوليد العزمي (Moment-Generating Function – MGF). فبما أن دالة التوليد العزمي لمتغير برنولي الفردي Y_i تُعطى بالصيغة: M_Y(t) = (1 – p) + p × e^t، وبما أن المحاولات مستقلة، فإن دالة التوليد العزمي للمجموع X تساوي حاصل ضرب دوال التوليد الفردية لكل محاولة:

M_X(t) = ∏_i=1ⁿ M_Yi(t) = [(1 – p) + p × e^t]ⁿ

تتطابق هذه النتيجة النهائية تماماً وبشكل حاسم مع دالة التوليد العزمي لتوزيع ذي الحدين بمعلمتيه n و p. يحمل هذا الإثبات دلالات معرفية بالغة الأهمية؛ فهو يوضح أن توزيع ذي الحدين ليس مجرد معادلة توافيقية معزولة، بل هو التعبير التراكمي الجمعي المباشر لمجموعة من القرارات أو الأحداث العشوائية الثنائية الصغرى المستقلة، مما يسهل كثيراً عمليات الاشتقاق الرياضي للمعالم والخواص الإحصائية وتطبيق مبرهنة النهاية المركزية عليه.

5. المعالم الإحصائية لتوزيع ذي الحدين

5.1 القيمة المتوقعة أو المتوسط الحسابي (Expected Value)

تُعبر القيمة المتوقعة (Expected Value)، أو المتوسط الحسابي للمتغير العشوائي ذي الحدين، عن المركز الثقلي للتوزيع والمتوسط طويل المدى لعدد النجاحات التي يمكن توقع حدوثها إذا تكررت التجربة المكونة من n محاولة لعدد لا نهائي من المرات تحت نفس الشروط المستقرة. ويُرمز للمتوسط عادة بالرمز الإغريقي μ أو بالرمز E(X).

يمكن اشتقاق هذا المعلم ببساطة وأناقة اعتماداً على خاصية الخطية للقيمة المتوقعة (Linearity of Expectation) عبر تفكيك X إلى مجموع متغيرات برنولي المستقلة Y_i:

E(X) = E(∑_i=1ⁿ Y_i) = ∑_i=1ⁿ E(Y_i) = ∑_i=1ⁿ p = n × p

يقدم هذا القانون الرياضي المبسط: μ = n × p تفسيراً بديهياً وسهل التطبيق في الدراسات الميدانية والتجريبية. على سبيل المثال، إذا طُبق اختبار تحصيلي يتألف من 100 سؤال موضوعي ثنائي الخيارات (صواب/خطأ) على طالب يعتمد كلياً على التخمين العشوائي البحت (حيث p = 0.5)، فإن القيمة المتوقعة لدرجة الطالب العشوائية هي: E(X) = 100 × 0.5 = 50 درجة. يُستخدم هذا المتوسط كنقطة ارتكاز معيارية لتقييم الأداء الفعلي للمفحوصين وتمييز الأداء المعرفي الحقيقي عن التخمين بالصدفة.

5.2 التباين والانحراف المعياري (Variance and Standard Deviation)

يقيس التباين (Variance)، ويُرمز له بـ Var(X) أو σ²، درجة تشتت وانتشار قيم المتغير العشوائي ذي الحدين حول قيمته المتوقعة μ. ونظراً لأن متغيرات برنولي المكونة للتوزيع مستقلة تماماً عن بعضها البعض، فإن التغاير (Covariance) بينها يساوي الصفر، مما يتيح حساب تباين المجموع بوصفه المجموع المباشر لتباينات المتغيرات الفردية:

Var(X) = Var(∑_i=1ⁿ Y_i) = ∑_i=1ⁿ Var(Y_i) = ∑_i=1ⁿ [p × (1 – p)] = n × p × (1 – p) = n × p × q

ويُستخرج الانحراف المعياري (Standard Deviation)، ويُرمز له بـ σ، بأخذ الجذر التربيعي الموجب لقيمة التباين، ليعبر عن التشتت بنفس وحدات قياس المتغير الأصلي:

σ = √[n × p × (1 – p)]

تتأثر قيمة التباين والانحراف المعياري بموقع قيمة المعلمة p؛ حيث يصل التباين إلى أقصى قيمة ممكنة له عند ثبات n عندما تكون p = 0.5 (وهي حالة عدم اليقين القصوى)، في حين يتناقص التباين تدريجياً ويقترب من الصفر كلما اقتربت قيمة p من نهايتي النطاق الاحتمالي (0 أو 1)، مما يعكس تزايد حتمية النتيجة وتناقص درجة التشتت العشوائي حول المتوسط.

5.3 الالتواء والتفرطح في التوزيع

يُعبر معلما الالتواء (Skewness) والتفرطح (Kurtosis) عن العزوم العليا (Higher Moments) لتوزيع ذي الحدين، وهما المؤشران الرياضيان المحددان لدرجة عدم التماثل وحدة قمة التوزيع الاحتمالي مقارنة بالتوزيع الطبيعي القياسي. يُحسب معامل الالتواء الثالث المعياري للتوزيع ذي الحدين وفق المعادلة الرياضية التالية:

Skewness = γ₁ = (1 – 2p) / √[n × p × (1 – p)] = (q – p) / σ

يوضح هذا القانون الرياضي أنه عندما تكون p = 0.5، يصبح الالتواء مساوياً للصفر تماماً (γ₁ = 0) مهما كانت قيمة n، مما يؤكد تماثل التوزيع تماثلاً مطلقاً. أما عندما تكون p ≠ 0.5، فإن التوزيع يحتفظ بدرجة من عدم التماثل تتناسب طردياً مع الفارق بين p و q، ولكنها تتناقص عكسياً مع الجذر التربيعي لحجم العينة n، مما يعني أن زيادة المحاولات تسحق الالتواء تدريجياً وتدفع التوزيع نحو التماثل.

أما معامل التفرطح الزائد (Excess Kurtosis)، ويُرمز له بـ γ₂، فيقيس مدى ثقل الذيول وتحدب القمة مقارنة بالمنحنى الطبيعي (الذي يساوي تفرطحه الزائد صفراً)، ويُحسب بالصيغة:

Excess Kurtosis = γ₂ = [1 – 6 × p × (1 – p)] / [n × p × (1 – p)]

يُظهر تحليل هذه المعادلة أن التفرطح الزائد يقترب من الصفر كلما زادت قيمة n نحو اللانهاية، مما يؤكد هندسياً ورياضياً أن الذيول والقمة تقتربان تقاربياً من معالم التوزيع الطبيعي المعياري وفق منطق مبرهنة النهاية المركزية.

6. تطبيقات واستخدامات توزيع ذي الحدين في القياس والبحوث النفسية

6.1 تصميم وتحليل الاختبارات النفسية ثنائية الاستجابة

يحتل توزيع ذي الحدين مكانة مركزية في مجال القياس النفسي والسيكومتري (Psychometrics)، وتحديداً في بناء وتطوير الاختبارات والمقاييس النفسية والتربوية القائمة على نمط الاستجابة الثنائية، مثل بنود “صواب/خطأ”، أو “نعم/لا”، أو مهام التمييز الإدراكي الحسي الثنائي (Signal Detection Tasks). يقدم التوزيع الأساس الرياضي لتقييم أداء المفحوصين وضبط أثر التخمين العشوائي المحتمل في الاختبارات المقننة.

عند تقييم درجات المفحوصين، يتيح نموذج ذي الحدين تحديد عتبة القطع الإحصائية (Cut-off Score) التي تفصل بين الأداء المعرفي الحقيقي الناتج عن امتلاك السمة أو القدرة المقاسة، وبين الدرجات الناتجة عن الصدفة البحتة. فإذا تضمن اختبار ما 30 فقرة ثنائية البدائل، يمكن من خلال دالة CDF حساب الاحتمال الدقيق لحصول المفحوص على درجة معينة بالصدفة البحتة، وبالتالي تحديد الدرجة الحرجة التي لا يتجاوز احتمال الحصول عليها عشوائياً مستوى الدلالة المعتمد (α = 0.05 أو 0.01).

بالإضافة إلى ذلك، يلعب التوزيع دوراً حاسماً في تقدير معاملات الثبات والصدق للمقاييس السيكومترية؛ فهو يساعد في حساب الخطأ المعياري للقياس (Standard Error of Measurement) للبند الفردي وللاختبار ككل عند نمذجة الاستجابات ضمن إطار النظرية الكلاسيكية للاختبارات (CTT) ونظرية الاستجابة للمفردة (Item Response Theory – IRT)، حيث تُبنى دوال استجابة الفقرة الثنائية على احتمالات لوجستية ترتبط مباشرة بخصائص توزيع ذي الحدين.

6.2 دراسة اتخاذ القرار والسلوك الثنائي

في حقول علم النفس التجريبي، وعلم النفس المعرفي، والتحليل السلوكي للاقتصاد العصبي، تتخذ استجابات المشاركين في كثير من الأحيان طابعاً ثنائياً صريحاً، مثل: خيارات (المخاطرة مقابل الأمان)، (القبول مقابل الرفض)، أو (الامتثال الاجتماعي مقابل الاستقلال الفردي). يوفر توزيع ذي الحدين الإطار الإحصائي لاختبار ما إذا كانت تفضيلات الأفراد وسلوكياتهم تحيد دلالياً عن نمط الاختيار العشوائي المتساوي (أي عندما تكون p = 0.5).

في تجارب الامتثال الاجتماعي (على غرار تجارب سولومون آش الكلاسيكية)، يتم تعريض المشارك لضغوط جماعية واختبار عدد المرات التي يذعن فيها لرأي الأغلبية الخاطئ عبر سلسلة من المحاولات المتكررة. يُمكّن توزيع ذي الحدين الباحث من تحديد ما إذا كان تكرار سلوك الامتثال لدى مفحوص معين يعكس دافعاً سلوكياً ونفسياً حقيقياً ذا دلالة إحصائية، أم أنه مجرد تذبذب عشوائي يقع ضمن حدود التباين الطبيعي للمحاولات المستقلة.

كما يُطبق التوزيع في دراسات التدخلات العلاجية السلوكية والمعرفية لتقييم معدلات الاستجابة السريرية؛ حيث يتم تصنيف المرضى إلى فئتين: “مستجيب للبروتوكول العلاجي” أو “غير مستجيب” بعد انتهاء البرنامج. يتيح استخدام ذي الحدين حساب فترات الثقة الدقيقة لنسبة الشفاء وتقدير القوة الإحصائية للتدخل السريري، وتحديد مدى تفوقه الإمبريقي على معدلات التحسن التلقائي (Spontaneous Remission) المرصودة تاريخياً في الأدبيات الطبية والنفسية.

6.3 اختبار الإشارات والفرضيات اللامعلمية (Sign Test)

يُعد اختبار الإشارة (Sign Test) أحد أقدم وأبسط الاختبارات الإحصائية اللامعلمية المستخدمة في مقارنة القياسات القبلية والبعدية للعينات المترابطة (Repeated Measures) في البحوث النفسية والاجتماعية. يعتمد هذا الاختبار بالكامل وبشكل مباشر على الصيغة الرياضية لتوزيع ذي الحدين لحساب مستويات الدلالة الإحصائية الدقيقة (Exact p-values) دون الحاجة إلى افتراض التوزيع الطبيعي للبيانات الأصلية.

تتلخص آلية الاختبار في قياس اتجاه التغير لدى كل فرد بين القياسين القبلي والبعدي؛ فإذا تحسنت درجة الفرد تُعطى المحاولة إشارة موجبة (+)، وإذا تراجعت تُعطى إشارة سالبة (-)، في حين تُستبعد الحالات التي لا تظهر أي تغيير (التعادل). بموجب الفرضية الصفرية التي تفترض عدم وجود أي تأثير للتدخل العلاجي، يكون احتمال حدوث التحسن مساوياً تماماً لاحتمال التراجع (أي p = 0.5)، ويصبح العدد الإجمالي للإشارات غير الصفرية هو حجم العينة n، وعدد الإشارات الموجبة هو عدد النجاحات k.

من خلال التعويض المباشر في دالة الكتلة الاحتمالية أو دالة التوزيع التراكمي لذي الحدين: B(n, 0.5)، يتم استخراج القيمة الاحتمالية الدقيقة لملاحظة ذلك العدد من الإشارات الإيجابية أو أكثر تحت الفرضية الصفرية. تكتسب هذه المنهجية أهمية استثنائية في الأبحاث النفسية الإكلينيكية التي تتعامل مع عينات صغيرة الحجم (Small Sample Sizes) أو بيانات رتبية ذات تباين غير متجانس، حيث تفشل الاختبارات المعلمية مثل اختبار “ت” للعينات المرتبطة في الحفاظ على دقتها وافتراضاتها الصارمة.

7. استخدامات توزيع ذي الحدين في المجالات التطبيقية الأخرى

7.1 التطبيقات في علم الأوبئة والبحوث الإكلينيكية

يمثل توزيع ذي الحدين ركيزة مركزية في التصاميم المنهجية لـ منظمة الصحة العالمية ومؤسسات البحوث الوبائية والإكلينيكية لتقييم معدلات انتشار الأمراض وتقييم فعالية اللقاحات والعقاقير في التجارب السريرية العشوائية المضبوطة (Randomized Controlled Trials – RCTs). في هذه التجارب، يتم تقسيم المشاركين إلى مجموعتين (مجموعة علاجية ومجموعة ضابطة)، وتكون النتيجة النهائية لكل مريض استجابة ثنائية واضحة: (تعافي / عدم تعافي) أو (إصابة بالعدوى / وقاية من العدوى).

تُنمذج معدلات الإصابة أو الوقاية كمتغيرات تتبع توزيع ذي الحدين، مما يتيح حساب الدلالة الإحصائية لنسبة الخطر النسبي (Relative Risk) ونسبة الأرجحية (Odds Ratio). عند تقييم لقاح جديد على عينة تتألف من n من المتطوعين المعرضين للوباء، يمكن من خلال التوزيع تقدير احتمال إصابة k من الأفراد بالعدوى تحت فرضية فعالية محددة، واشتقاق فترات الثقة المعيارية الدقيقة لكفاءة اللقاح المناعية، وهو الإجراء الإحصائي المعتمد عالمياً لإجازة وتوثيق المنتجات الطبية الحيوية.

علاوة على ذلك، يُستخدم التوزيع في دراسات الأمراض الوراثية النادرة لنمذجة احتمالات توارث الطفرات الجينية الفردية وفق قوانين مندل الوراثية الصارمة؛ حيث يُنظر إلى كل ولادة جديدة بوصفها محاولة برنولية مستقلة باحتمال نجاح محدد جينياً (مثل p = 0.25 للأمراض المتنحية)، مما يمكّن المستشارين الوراثيين من تقديم تقديرات كمية موثوقة للأسر المعرضة لمخاطر الأمراض الجينية حول احتمالية إصابة عدد معين من الأبناء.

7.2 مراقبة وضبط الجودة في الصناعة والإنتاج

في البيئات الهندسية والصناعية الحديثة، تعتمد برامج مراقبة الجودة الإحصائية (Statistical Quality Control – SQC) وضبط العمليات الإحصائي (SPC) على توزيع ذي الحدين بوصفه النموذج الرياضي الأساسي لتقييم جودة خطوط الإنتاج والتحقق من مطابقة السلع المصنعة للمعايير والمواصفات القياسية الدولية، بالاستناد إلى أدبيات معاهد المعايير العالمية مثل المعهد الوطني للمعايير والتقنية (NIST).

تُعد لوحات التحكم في نسبة المعيب (p-charts) أحد أبرز التطبيقات العملية لذي الحدين؛ حيث تُسحب عينات عشوائية دورية بحجم ثابت n من خط الإنتاج، وتُفحص كل وحدة لتصنيفها كثنائية: “مطابقة” أو “معيبة”. بالاعتماد على معالم التوزيع (المتوسط μ = n × p والانحراف المعياري σ = √[n × p × (1 – p)])، يتم رسم خط المركز وحدود التحكم الإحصائية العليا والدنيا (Upper and Lower Control Limits – UCL & LCL) بمقدار ثلاثة انحرافات معيارية (3σ):

UCL / LCL = p ± 3 × √[p(1 – p) / n]

كما يُستخدم التوزيع في بناء خطط المعاينة بالقبول والرفض (Acceptance Sampling Plans)؛ حيث تتسلم الشركات شحنات ضخمة من الموردين وتحدد قاعدة لاتخاذ القرار: فحص عينة عشوائية بحجم n وقبول الشحنة بأكملها إذا كان عدد القطع المعيبة k ≤ c (حيث c هو رقم القبول المحدد)، أو رفض الشحنة إذا تجاوز ذلك. يُمكّن توزيع ذي الحدين من رسم منحنى خصائص التشغيل (Operating Characteristic Curve) الذي يوازن بدقة بين مخاطرة المنتج (إرجاع شحنة جيدة) ومخاطرة المستهلك (قبول شحنة رديئة).

7.3 استطلاعات الرأي العام والعلوم السياسية والاجتماعية

تعتمد دراسات استطلاعات الرأي العام والبحوث المسحية والعلوم السياسية اعتماداً وثيقاً على توزيع ذي الحدين لتقدير اتجاهات الناخبين ونسب تأييد المرشحين أو القضايا المجتمعية المطروحة للاستفتاء العام. في الاستفتاءات الوطنية الثنائية (مثل التصويت بـ “نعم” أو “لا” على تعديل دستوري)، يتم التعامل مع استجابة كل ناخب مستجوب كمتغير برنولي مستقل.

يقدم توزيع ذي الحدين الأساس الرياضي لحساب “هامش الخطأ” (Margin of Error) المعياري المعلن في استطلاعات الرأي؛ فمن خلال معرفة حجم العينة العشوائية n، يتم حساب الانحراف المعياري لنسبة العينة كـ √[p(1 – p) / n]. ولتوفير أعلى درجات التحوط الإحصائي عند تصميم الاستطلاع قبل معرفة قيمة p الفعلية، يتم تعيين p = 0.5 في المعادلة لأنها تعطي أقصى تباين ممكن، مما يضمن أن هامش الخطأ المحسوب عند مستوى ثقة 95% يمثل الحد الأقصى للخطأ العشوائي المحتمل في التقديرات الميدانية.

علاوة على ذلك، تستخدم نماذج العلوم السياسية التوزيع في التنبؤ بالسلوك التصويتي داخل المجالس البرلمانية والهيئات التشريعية؛ حيث يتم احتساب احتمالية تمرير مشاريع القوانين المعقدة عبر حساب التوزيعات التراكمية لتصويت الكتل النيابية المستقلة، مما يوفر أدوات تحليلية متقدمة لتقييم الاستقرار السياسي والتنبؤ بنتائج التحالفات البرلمانية في الديمقراطيات المعاصرة.

8. دليل الحساب اليدوي لاحتمالات ذي الحدين: خطوات وأمثلة تفصيلية

8.1 دليل الحساب اليدوي خطوة بخطوة

يتطلب إجراء الحسابات اليدوية لاحتمالات ذي الحدين اتباع تسلسل منهجي صارم يضمن دقة النتيجة الرياضية وتجنب أخطاء التعويض. يمكن تلخيص هذه المنهجية في ثلاث خطوات إجرائية رئيسية:

• الخطوة الأولى: تحديد المعلمات الأربع الأساسية للتجربة:
  • n: العدد الإجمالي للمحاولات التجريبية المستقلة.
  • p: احتمالية النجاح في المحاولة الفردية الواحدة (عدد حقيقي بين 0 و 1).
  • q: احتمالية الفشل التكميلية، وتُستخرج بحساب: q = 1 – p.
  • k: عدد النجاحات المستهدفة المطلوب حساب احتمالها (حيث k ∈ {0, 1, 2, …, n}).
• الخطوة الثانية: حساب معامل التوافيق الرياضية C(n, k):

  تطبيق قانون التوافيق لفك المضروب: C(n, k) = n! / [k! × (n – k)!] مع الاستفادة من التبسيط والاختصار الرياضي للبسوط والمقامات لتسريع العمليات الحسابية وتقليل احتمالات الخطأ.

• الخطوة الثالثة: حساب الحدود الأسية والضرب النهائي:

  رفع احتمال النجاح إلى الأس k (أي حساب p^k)، ورفع احتمال الفشل إلى الأس n – k (أي حساب q^{n – k})، ثم ضرب النواتج الثلاثة معاً في معادلة دالة الكتلة الاحتمالية: P(X = k) = C(n, k) × p^k × q^{n – k} للوصول إلى الاحتمال الدقيق المنشود.

8.2 مثال تطبيقي 1: حساب احتمال حدث منفرد دقيق

نص المسألة: أجرى باحث تجربة رمي قطعة نقدية متزنة 10 مرات متتالية. ما هو الاحتمال الرياضي الدقيق للحصول على “الوجه” (Heads) 6 مرات بالضبط؟

الحل والتعويض الإجرائي المباشر:

• تحديد المعلمات:
  • عدد المحاولات الإجمالي: n = 10
  • احتمال النجاح (ظهور الوجه) في الرمية الواحدة: p = 0.5
  • احتمال الفشل (ظهور الكتابة): q = 1 – 0.5 = 0.5
  • عدد مرات النجاح المستهدفة: k = 6
• حساب التوافيق الرياضية C(10, 6):

  C(10, 6) = 10! / [6! × (10 – 6)!] = (10 × 9 × 8 × 7 × 6!) / (6! × 4 × 3 × 2 × 1)
  C(10, 6) = (10 × 9 × 8 × 7) / (24) = 5040 / 24 = 210

• حساب الاحتمالات الأسية:

  p⁶ = (0.5)⁶ = 0.015625
  q^{10 – 6} = (0.5)⁴ = 0.0625

• تطبيق دالة الكتلة الاحتمالية:

  P(X = 6) = 210 × 0.015625 × 0.0625 = 210 × (0.5)¹⁰ = 210 × 0.0009765625 &approx; 0.205078

التفسير الأكاديمي للنتيجة: إن احتمال الحصول على 6 أوجه بالضبط عند رمي قطعة نقدية متزنة 10 مرات يساوي تقريباً 0.2051 (أو ما يعادل 20.51%). يُظهر هذا التحليل أنه على الرغم من أن القيمة المتوقعة هي 5 أوجه بالضبط (E(X) = 10 × 0.5 = 5)، فإن الحصول على 6 أوجه يمثل نتيجة طبيعية تقع ضمن التشتت الاحتمالي المعتاد للظاهرة العشوائية المستقلة.

8.3 مثال تطبيقي 2: حساب الاحتمال التراكمي والنطاقات

نص المسألة: يخضع 20 مريضاً مصاباً باضطراب القلق لبروتوكول علاج نفسي جديد أثبتت الدراسات السريرية السابقة أن نسبة استجابته الإيجابية العامة تبلغ 60% (p = 0.60). ما هو الاحتمال الإحصائي لنجاح العلاج مع 18 مريضاً على الأقل (أي X ≥ 18) من بين أفراد العينة؟

الحل وتطبيق المنهج التراكمي:

تتطلب عبارة “18 مريضاً على الأقل” حساب الاحتمال التراكمي في الطرف الأيمن للمجال، وهو ما يُترجم رياضياً إلى جمع الاحتمالات المنفصلة للقيم: 18، و19، و20:

P(X ≥ 18) = P(X = 18) + P(X = 19) + P(X = 20)

• المعلمات الأساسية: n = 20، p = 0.60، q = 0.40.
• 1. حساب P(X = 18):

  C(20, 18) = 20! / (18! × 2!) = (20 × 19) / 2 = 190
  P(X = 18) = 190 × (0.60)¹⁸ × (0.40)² = 190 × 0.00010156 × 0.16 &approx; 0.003087

• 2. حساب P(X = 19):

  C(20, 19) = 20! / (19! × 1!) = 20
  P(X = 19) = 20 × (0.60)¹⁹ × (0.40)¹ = 20 × 0.000060935 × 0.40 &approx; 0.000487

• 3. حساب P(X = 20):

  C(20, 20) = 1
  P(X = 20) = 1 × (0.60)²⁰ × (0.40)⁰ = 1 × 0.00003656 × 1 &approx; 0.000037

• الجمع التراكمي للنتائج:

  P(X ≥ 18) = 0.003087 + 0.000487 + 0.000037 = 0.003611

التفسير الأكاديمي للنتيجة: يبلغ احتمال استجابة 18 مريضاً أو أكثر للعلاج النفسي الجديد في هذه العينة حوالي 0.0036 (أي 0.36%). تشير هذه القيمة الاحتمالية المنخفضة للغاية إلى أنه إذا لاحظ الباحث السريري تعافي 18 مريضاً أو أكثر في تجربة ميدانية، فإن ذلك يقدم دليلاً إحصائياً قوياً على أن كفاءة البروتوكول في هذه العينة تفوق بمراحل النسبة التاريخية المفترضة (60%)، مما يبرر رفض الفرضية الصفرية وقبول فرضية التفوق العلاجي بدلالة إحصائية عالية.

9. حاسبة توزيع ذي الحدين: الآليات الحسابية ودليل الاستخدام

9.1 بنية ومكونات حاسبة ذي الحدين الرقمية

تُعد حاسبة توزيع ذي الحدين الرقمية أداة برمجية تفاعلية مصممة لإجراء العمليات الحسابية المعقدة للاحتمالات المنفصلة والتراكمية بكفاءة متناهية وبأجزاء من الثانية. تتألف البنية الأساسية للحاسبة من واجهة إدخال معيارية تتضمن ثلاثة حقول رئيسية لا غنى عنها لأي تحليل احتمالي ثنائي:

• حجم العينة أو عدد المحاولات (Number of Trials – n): حقل رقمي يستقبل أعداداً صحيحة موجبة تمثل إجمالي المحاولات المخطط لها.
• احتمالية النجاح الفردية (Probability of Success – p): حقل عشري يستقبل قيماً تقع بدقة في النطاق المغلق بين [0 و 1].
• العدد المستهدف للنجاحات (Number of Successes – x أو k): حقل يستقبل القيمة الرقمية المراد تقييم الاحتمال عندها (حيث 0 ≤ k ≤ n).

وتتكامل هذه المدخلات مع محرك حسابي داخلي مبرمج لتوليد منظومة متكاملة من الخيارات الاحتمالية في المخرجات بضغطة زر واحدة؛ بما في ذلك الاحتمال النقطي المنفرد P(X = k)، والاحتمالات التراكمية بكافة أشكالها: الاحتمال الصارم للأقل P(X < k)، والاحتمال التراكمي الأيسر P(X ≤ k)، والاحتمال الصارم للأكبر P(X > k)، والاحتمال التراكمي الأيمن للمنطقة الحرجة P(X ≥ k).

كما تشتمل الحاسبات الرقمية المتقدمة على أدوات مدمجة للتوليد البصري التفاعلي؛ حيث تقوم برسم المخطط الشريطي الحي للتوزيع الاحتمالي، مع تظليل الأعمدة الواقعة ضمن النطاق الاحتمالي المحدد تلقائياً بلون مغاير، مما يوفر للباحث تغذية بصرية فورية تدعم التفسير الأكاديمي وتقلل من احتمالات الخطأ الإجرائي في قراءة الأرقام المتقاربة.

9.2 خطوات استخدام الحاسبة الإحصائية خطوة بخطوة

لضمان الاستخدام الأمثل والآمن لحاسبة توزيع ذي الحدين، يتعين على الباحث اتباع التسلسل المنهجي التالي:

• أولاً: إدخال المعلمات الأساسية والتحقق من الشروط الرياضية:

  يتم إدخال قيمة n وقيمة p في الحقول المخصصة، مع التأكد البرمجي من أن قيمة p لا تتجاوز الواحد ولا تقل عن الصفر. تُصدر الحاسبات الرصينة رسائل تنبيهية عند إدخال قيم سالبة أو غير متسقة منطقياً مع فضاء العينة.

• ثانياً: تحديد الصيغة الشرطية المطابقة للسؤال البحثي:

  يجب على الباحث تحديد المعامل المنطقي المناسب بدقة تامة؛ فإذا كان التساؤل يبحث عن “عدد محدد بالضبط”، يتم اختيار P(X = k)، وإذا كان يتعلق بـ “على الأكثر”، يتم اختيار P(X ≤ k)، أما إذا كان السؤال عن اجتياز معيار معين كـ “على الأقل”، فيتم تفعيل خيار P(X ≥ k).

• ثالثاً: فحص وتوثيق جدول المخرجات الشامل:

  تقوم الحاسبة بعرض الاحتمال المطلوب، بالإضافة إلى ملخص تحليلي يتضمن المعالم الوصفية الأساسية للتوزيع: المتوسط μ = np، والتباين σ² = npq، والانحراف المعياري σ، ومعاملات الالتواء والتفرطح. يتم توثيق هذه القيم بدقة لدعم التقرير الإحصائي النهائي.

9.3 مزايا استخدام الحاسبات الإلكترونية مقارنة بالحساب اليدوي

يوفر الاعتماد على الحاسبات الإحصائية الرقمية جملة من المزايا المنهجية والعملية الفارقة التي تجعلها خياراً لا غنى عنه في بيئات البحث العلمي الحديث والتطبيقات الصناعية الدقيقة؛ ويأتي في مقدمة هذه المزايا القضاء التام على أخطاء التقريب الحسابي (Rounding Errors) التي تتراكم بصورة كارثية عند الحساب اليدوي لسلاسل التوافيق والمضاريب الطويلة في العينات الكبيرة.

كما تبرز ميزة السرعة الفائقة والكفاءة الزمنية عند التعامل مع التوزيعات التراكمية المعقدة؛ فحساب احتمال تراكمي مثل P(X ≤ 45) في عينة حجمها n = 100 يتطلب يدوياً حساب 46 حداً توافيقياً منفصلاً وجمعها معقد رياضياً ويستغرق ساعات طويلة من العمل المعرض للخطأ البشري، في حين تنجزه الخوارزميات الرقمية للحاسبة في أجزاء من الألف من الثانية بالاعتماد على دوال كسرية متقدمة مثل دوال بيتا غير المكتملة المبرمجة داخل المعالجات.

بالإضافة إلى ذلك، تمنح الحاسبات الحديثة الباحثين إمكانية التحليل الاستكشافي المرن ومحاكاة السيناريوهات المختلفة (What-If Analysis)؛ حيث يستطيع الباحث تعديل قيمة p أو n بصورة تفاعلية ومراقبة التغير اللحظي في شكل التوزيع والنتائج التراكمية، مما يسهم في تعميق الفهم البصري والرياضي للبيانات ويدعم اتخاذ قرارات منهجية مستنيرة أثناء مرحلة تصميم التجارب.

10. حساب توزيع ذي الحدين عبر البرمجيات الإحصائية ولغات البرمجة

10.1 التطبيق العملي في برنامج SPSS

يُعد برنامج IBM SPSS Statistics أحد أكثر الحزم الإحصائية انتشاراً في حقول العلوم الاجتماعية والنفسية والتربوية. يوفر البرنامج مسارين رئيسيين للتعامل مع توزيع ذي الحدين؛ الأول يتعلق بحساب الاحتمالات النظرية النقطية والتراكمية، والثاني يتعلق بإجراء الاختبارات الفرضية اللامعلمية لمقارنة النسب المرصودة بالنسب المتوقعة.

لحساب الاحتمالات النظرية النقطية والتراكمية، يُستخدم محرر المتغيرات الرياضية (Compute Variable) من خلال قائمة التحويل (Transform)، وتُطبق الدوال الإحصائية المدمجة التالية:

• دالة الكتلة الاحتمالية النقطية P(X = k): تُستخدم الدالة الجبرية PDF.BINOM(k, n, p)، حيث تعيد الدالة القيمة الدقيقة لاحتمال الحصول على k من النجاحات بالضبط في تجربة حجمها n باحتمال نجاح p.
• دالة التوزيع التراكمي P(X ≤ k): تُستخدم الدالة CDF.BINOM(k, n, p) لحساب المجموع التراكمي للاحتمالات من الصفر حتى k.

أما لاختبار الفرضيات حول متغير ثنائي تم جمعه ميدانياً، فيتم الانتقال إلى القوائم الإحصائية: Analyze > Nonparametric Tests > Legacy Dialogs > Binomial. في نافذة الاختبار، يتم نقل المتغير الثنائي إلى حقل (Test Variable List)، وتحديد نسبة الفرضية الصفرية في حقل (Test Proportion – وتكون افتراضياً 0.50). ينتج البرنامج جدول مخرجات دقيق يعرض التكرارات والنسب المشاهدة، والنسبة المختبرة، ومستوى الدلالة الإحصائية الدقيق ثنائي الذيل (Exact Sig. 2-tailed)، مما يمكن الباحث من اتخاذ قرار برفض أو قبول الفرضية الصفرية بصورة قاطعة.

10.2 الحساب باستخدام دوال Microsoft Excel و Google Sheets

تمثل جداول البيانات الإلكترونية، مثل Microsoft Excel و Google Sheets، أدوات حسابية مرنة وسهلة المنال للباحثين والمحللين لحساب احتمالات ذي الحدين دون الحاجة إلى حزم برمجية متخصصة. تعتمد هذه الجداول على دالة رئيسية موحدة ذات بناء رياضي واضح هي دالة BINOM.DIST، وتُصاغ على النحو التالي:

=BINOM.DIST(number_s, trials, probability_s, cumulative)

تستقبل الدالة أربعة معاملات إجرائية محددة:

• number_s: عدد النجاحات المستهدفة (القيمة k).
• trials: إجمالي عدد المحاولات (القيمة n).
• probability_s: احتمالية النجاح في كل محاولة (المعلمة p).
• cumulative: معامل منطقي يأخذ إحدى قيمتين:
  • FALSE: لإرجاع دالة الكتلة الاحتمالية المنفردة الدقيقة P(X = k).
  • TRUE: لإرجاع دالة التوزيع التراكمي الأيسر P(X ≤ k).

وبالإضافة إلى هذه الدالة، يوفر برنامج Excel دالة عكسية بالغة الأهمية هي BINOM.INV(trials, probability_s, alpha)؛ والتي تعيد أصغر قيمة للمتغير k يكون عندها التوزيع التراكمي أكبر من أو يساوي مستوى المعنوية المعين alpha. تُستخدم هذه الدالة العكسية لبناء الفترات الحرجة وتحديد نقاط القطع في اختبارات الفروض وبناء نماذج المحاكاة العشوائية المتقدمة لتوزيع ذي الحدين داخل بيئة جداول البيانات.

10.3 التطبيق البرمجي باستخدام R و Python

في بيئات علوم البيانات المتقدمة والتحليل الإحصائي عالي الكثافة، توفر لغات البرمجة مثل مشروع R الإحصائي ولغة Python عبر مكتبة SciPy منظومة دوال متكاملة وشديدة السرعة لحساب واشتقاق ومحاكاة توزيع ذي الحدين.

في لغة R، تتوفر عائلة دوال ذي الحدين الرباعية القياسية التي تغطي كافة العمليات الاحتمالية:

• dbinom(x, size, prob): لحساب دالة الكتلة الاحتمالية النقطية P(X = x).
• pbinom(q, size, prob, lower.tail = TRUE): لحساب دالة التوزيع التراكمي P(X ≤ q)، مع إمكانية حساب الطرف الأيمن P(X > q) مباشرة بضبط lower.tail = FALSE.
• qbinom(p, size, prob): دالة القواسم العكسية (Quantile Function) لتحديد قيمة x المقابلة لاحتمال تراكمي معين.
• rbinom(n, size, prob): لتوليد أرقام عشوائية تتبع توزيع ذي الحدين لمحاكاة مونت كارلو.

أما في بيئة لغة Python، فيتم استيراد وحدة التوزيعات الإحصائية من مكتبة SciPy عبر from scipy import stats، وتُستخدم الدوال التالية بدقة متناهية:

• stats.binom.pmf(k, n, p): لحساب دالة الكتلة الاحتمالية النقطية.
• stats.binom.cdf(k, n, p): لحساب الاحتمال التراكمي الأيسر.
• stats.binom.sf(k, n, p): دالة البقاء (Survival Function) لحساب احتمال الطرف الأيمن P(X > k) مباشرة وتجنب أخطاء الطرح العشري.
• stats.binom.rvs(n, p, size=N): لتوليد عينات عشوائية محاكاة بحجم N.

تتكامل هذه الدوال البرمجية في كلتا البيئتين مع مكتبات التصور البياني المتقدم مثل ggplot2 في R ومكتبتي Matplotlib و Seaborn في بايثون، مما يتيح توليد منحنيات ورسوم بيانية نشر فائقة الجودة تدعم النمذجة الإحصائية المتقدمة.

11. التقريب الرياضي لتوزيع ذي الحدين إلى التوزيعات الاحتمالية الأخرى

11.1 التقريب إلى التوزيع الطبيعي (Normal Approximation)

تنشأ الحاجة إلى التقريب الرياضي لتوزيع ذي الحدين عند التعامل مع عينات تجريبية ضخمة؛ حيث يصبح حساب التوافيق والمضاريب الكبيرة أمراً مجهداً ومرتفع التكلفة الحاسوبية. وفقاً لمبرهنة دي موافر-لابلاس (De Moivre–Laplace Theorem)، وهي حالة خاصة من مبرهنة النهاية المركزية، يتقارب توزيع ذي الحدين B(n, p) تقاربياً نحو التوزيع الطبيعي المستمر بالمعلمتين:

μ = n × p     و     σ² = n × p × (1 – p)

لضمان دقة التقريب وصلاحيته المنهجية، تشترط الأدبيات الإحصائية الكلاسيكية تحقق معيار الحجم الأدنى للعينة، والمتمثل في قاعدتي النجاح والفشل المتوقعين:

n × p ≥ 5     و     n × (1 – p) ≥ 5     (وتفضل بعض المراجع المعاصرة الأكثر صرامة اعتماد الحد الأدنى ≥ 10)

ونظراً لأننا نقرب توزيعاً منفصلاً متقطعاً (ذي الحدين) باستخدام توزيع متصل مستمر (التوزيع الطبيعي)، فإنه يتعين بالضرورة تطبيق ما يُعرف إحصائياً بـ “معامل تصحيح الاستمرارية” (Continuity Correction Factor) بمقدار ±0.5 لضبط المساحات الاحتمالية تحت المنحنى. فعلى سبيل المثال، لحساب احتمال ذي الحدين P(X = k)، يتم حسابه تقريبياً عبر التوزيع الطبيعي كالمساحة المحصورة بين k – 0.5 و k + 0.5:

P(X = k) &approx; P([k – 0.5 – μ] / σ ≤ Z ≤ [k + 0.5 – μ] / σ)

تضمن هذه المعالجة الرياضية تقليل خطأ التقريب إلى أدنى حد ممكن والحصول على تقديرات احتمالية تطابق بدرجة مذهلة الحسابات التوافيقية الدقيقة في العينات الميدانية الكبرى.

11.2 التقريب إلى توزيع بواسون (Poisson Approximation)

في الحالات التي يكون فيها حجم العينة كبيراً جداً (أي أن n → ∞) ولكن احتمالية النجاح ضئيلة للغاية وقريبة من الصفر (أي أن p → 0)، يفشل التقريب الطبيعي بسبب الالتواء الشديد للتوزيع وتكدس الاحتمالات عند الصفر. في هذا السياق المحدد، يبرز توزيع بواسون (Poisson Distribution) بوصفه النموذج التقريبي الرياضي الأمثل والأكثر دقة لذي الحدين (ويُعرف هذا أحياناً بـ “قانون الأحداث النادرة”).

تتم عملية التقريب الرياضي بتعيين معلمة بواسون المفردة λ لتكون مساوية للقيمة المتوقعة لذي الحدين:

λ = n × p

وتُصاغ الشروط المنهجية المعيارية المقبولة أكاديمياً لتطبيق هذا التقريب عندما يكون n ≥ 20 و p ≤ 0.05 (أو بصفة عامة عندما يكون n ≥ 100 و np ≤ 10). تُعوض الدالة بعد ذلك بصيغة بواسون البسيطة:

P(X = k) &approx; (λ^k × e^-λ) / k!

يجد هذا التقريب البواسوني تطبيقات واسعة ومهمة في دراسة الظواهر النادرة الحدوث في المجتمعات الضخمة؛ كحساب احتمالية حدوث الطفرات الجينية النادرة في علم الوراثة الخلوية، أو نمذجة حوادث انهيار الخوادم الشبكية الضخمة، أو دراسة الحوادث السلوكية العنيفة النادرة داخل المؤسسات الإصلاحية والتأهيلية الكبرى، حيث يختزل النموذج الحسابات التوافيقية المرهقة في معادلة أسية سهلة التطبيق وشديدة الدقة.

12. الأخطاء الشائعة، التحديات المنهجية، وكيفية تجنبها

12.1 الخلط بين الاحتمال المنفرد والاحتمال التراكمي

يُعد الخلط بين الاحتمال المنفرد النقطي (Point Probability) والاحتمال التراكمي (Cumulative Probability) أحد أكثر الأخطاء المفاهيمية والتطبيقية شيوعاً لدى الباحثين وطلاب الدراسات العليا عند استخدام توزيع ذي الحدين؛ وينجم هذا الخطأ عادة عن الترجمة غير الدقيقة للأسئلة البحثية والعبارات اللغوية إلى صياغات ومعاملات رياضية ملائمة.

تؤدي العبارات الشرطية في اللغة الطبيعية إلى انحرافات حسابية جسيمة إذا لم تُضبط معاييرها بدقة؛ فالخلط بين صيغة “على الأكثر k” (والتي تعني رياضياً X ≤ k وتتطلب استخدام دالة CDF) وصيغة “أقل من k” (والتي تعني X ≤ k – 1)، أو الخلط بين صيغة “على الأقل k” (والتي تعني X ≥ k وتتطلب 1 – CDF(k – 1)) وصيغة “أكثر من k” (والتي تعني X ≥ k + 1)، يؤدي إلى تضمين أو استبعاد حدود احتمالية كاملة، مما يشوه مستويات الدلالة الإحصائية المحسوبة ويقود إلى اتخاذ قرارات خاطئة بخصوص رفض أو قبول الفرضيات البحثية.

لتجنب هذا الانزلاق المنهجي، يتعين على المحلل كتابة المتباينة الرياضية صراحة قبل الشروع في التحليل، والتحقق المزدوج من أن دالة الاحتمال المختارة في الحاسبة أو البرنامج الإحصائي تغطي المساحة الصحيحة المحددة في الفرضية، فضلاً عن إجراء تدقيق منطقي سريع للتأكد من أن مجموع الاحتمالات التراكمية عبر كامل الفضاء لا يتجاوز الواحد الصحيح إطلاقاً.

12.2 انتهاك شرط الاستقلالية وثبات الاحتمال

يتمثل التحدي المنهجي الأبرز في تطبيق توزيع ذي الحدين في التساهل إزاء انتهاك شرطي استقلالية المحاولات وثبات احتمالية النجاح؛ وهي مغالطة إحصائية تقع كثيراً في البحوث الاجتماعية والتربوية عندما يتم جمع البيانات في بيئات تفاعلية أو من مجتمعات دراسية محدودة الحجم دون مراعاة أثر التصميم التجريبي على المعالم الإحصائية.

عندما تُسحب العينات من فصول دراسية صغيرة أو مجتمعات مغلقة بدون إرجاع، وكانت نسبة العينة تتجاوز 10% من حجم المجتمع، فإن سحب كل مفحوص يؤثر بصورة مباشرة على احتمالية خصائص المفحوصين التاليين، مما ينتهك شرط الاستقلالية وثبات p، ويجعل استخدام ذي الحدين يؤدي إلى تقدير غير دقيق للتباين وخطأ في فترات الثقة. في مثل هذه الحالات، يجب منهجياً استبدال نموذج ذي الحدين بـ التوزيع فوق الهندسي (Hypergeometric Distribution) الذي يراعي تغير الاحتمالات في المجتمعات المنتهية.

كذلك، فإن إجراء القياسات عبر فترات زمنية متباعدة دون ضبط المتغيرات الدخيلة قد يغير من احتمالية النجاح p بسبب تأثيرات النضج أو التعلم أو الإرهاق لدى المشاركين. يجب على الباحثين فحص تجانس شروط التجربة عبر الزمن واختبار استقرار المعلمة p لضمان عدم حدوث تشتت فائق (Overdispersion) أو نقص في التشتت، وتطبيق نماذج الانحدار اللوجستي الثنائي أو نماذج التأثيرات المختلطة عند وجود أي شك في استقلالية المشاهدات وتجانس الاحتمالات.

12.3 الممارسات الفضلى في توثيق ونشر نتائج توزيع ذي الحدين

يقتضي الالتزام بالمعايير الأكاديمية الصارمة الصادرة عن المؤسسات العلمية الدولية، كدليل النشر العلمي للجمعية الأمريكية لعلم النفس (APA Style – 7th Edition)، اتباع بروتوكول توثيق شفاف وشامل عند الإفصاح عن نتائج الاختبارات والنماذج الإحصائية القائمة على توزيع ذي الحدين في المجلات العلمية المحكمة.

يتعين على الباحث تقديم تقرير مفصل يشتمل على البيانات والمعالم الأساسية التالية في متن البحث وجداول النتائج:

• الإفصاح الصريح عن حجم العينة الإجمالي n، وعدد الاستجابات أو النجاحات المرصودة k، والنسبة المئوية المشاهدة في العينة.
• تحديد النسبة المفترضة في الفرضية الصفرية p₀ بدقة وتبرير اختيارها نظرياً أو إمبريقياً.
• توثيق اتجاه الاختبار المستخدم؛ وتوضيح ما إذا كان الاختبار أحادي الذيل (One-tailed) أو ثنائي الذيل (Two-tailed).
• كتابة القيمة الاحتمالية الدقيقة (Exact p-value) بدلاً من كتابة الصيغ المبتسرة مثل (p < 0.05)، مع ذكر ما إذا كان الاحتمال محسوباً كقيمة دقيقة أم كتقريب طبيعي.
• تقديم فترات الثقة الدقيقة للنسبة (مثل فترة ثقة كلوبر-بيرسون 95% CI) لبيان دقة التقدير الميداني.

كما يُستحسن مد النتائج الرقمية بتفسير معرفي ونظري يربط الدلالة الإحصائية بالأهمية الإكلينيكية أو العملية للظاهرة المدروسة، مما ينقل التحليل من مجرد أرقام توافيقية مجردة إلى رؤى علمية رصينة تسهم في تراكم المعرفة الإنسانية وتدعم تطبيقاتها الواقعية.

خاتمة

يمثل توزيع ذي الحدين معلماً رياضياً ومنهجياً استثنائياً في صرح الإحصاء التطبيقي ونظرية الاحتمالات المعاصرة؛ إذ يجسد النموذج المثالي لقدرة الرياضيات البحتة على ملامسة الواقع الإمبيريقي وتأطير الظواهر العشوائية المنفصلة في قوانين كمية تتسم بالرصانة والدقة. من خلال دالة الكتلة الاحتمالية ومعالم التوزيع الأساسية، يتيح هذا التوزيع فهماً متكاملاً لكيفية تولد الأنماط التراكمية المعقدة من تفاعل وحدات برنولية ثنائية بسيطة ومستقلة.

إن الاستخدام المسؤول والواعي لتوزيع ذي الحدين في البحوث النفسية والطبية والصناعية والاجتماعية يتطلب إدراكاً عميقاً لشروطه المنهجية؛ بدءاً من استقلالية المحاولات وثبات احتمالية النجاح، وصولاً إلى التمييز الدقيق بين التوزيعات النقطية والتراكمية وتطبيق التصحيحات المناسبة عند التقريب للتوزيعات المستمرة. ومع توفر الأدوات الحاسوبية المتقدمة والبرمجيات الإحصائية المتطورة، تزداد أهمية امتلاك الباحث للرؤية المعرفية الناقدة التي تضمن حسن اختيار النماذج الرياضية وسلامة تفسير المخرجات وتوثيقها وفق أعلى معايير الصدق العلمي والأكاديمي.

المراجع والمصادر الأكاديمية (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Bernoulli, J. (1713). Ars conjectandi, opus posthumum. Impensis Thurnisiorum, Fratrum.
• Casella, G., & Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.
• Clopper, C. J., & Pearson, E. S. (1934). The use of confidence or fiducial limits illustrated in the case of the binomial. Biometrika, 26(4), 404–413. https://doi.org/10.2307/2331986
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Hogg, R. V., McKean, J., & Craig, A. T. (2019). Introduction to mathematical statistics (8th ed.). Pearson.
• Montgomery, D. C. (2019). Introduction to statistical quality control (8th ed.). John Wiley & Sons.
• National Institute of Standards and Technology. (2012). NIST/SEMATECH e-handbook of statistical methods. U.S. Department of Commerce. https://www.nist.gov/
• Ross, S. M. (2014). A first course in probability (9th ed.). Pearson.
• Weisstein, E. W. (2023). Binomial distribution. MathWorld–A Wolfram Web Resource. https://mathworld.wolfram.com/BinomialDistribution.html