التوزيع ذو الحدين: الاستخدامات والحاسبة

يشكل علم الاحتمالات والاستدلال الإحصائي الركيزة الأساسية التي تقوم عليها العلوم الطبيعية والإنسانية الحديثة في معالجة ظواهر عدم اليقين والتباين العشوائي. فمنذ اللحظة التي انتقل فيها التفكير العلمي من الحتمية الميكانيكية إلى النمذجة الاحتمالية، برزت الحاجة إلى صياغة نماذج رياضية دقيقة قادرة على تفسير الظواهر وتكميم احتمالات حدوثها تحت ظروف تجريبية محددة. ويقع التوزيع ذو الحدين (Binomial Distribution) في قلب هذه النماذج كأحد أهم التوزيعات الاحتمالية المنفصلة وأكثرها تطبيقاً واستخداماً في شتى الميادين المعرفية، من القياس النفسي والسلوكي إلى التجارب السريرية وضبط الجودة الصناعية وعلم الوراثة السكانية.

تكمن قوة التوزيع ذو الحدين في قدرته الرياضية الفريدة على تحويل التجارب العشوائية البسيطة ذات المخرجات الثنائية المتقابلة إلى صرح رياضي متماسك يستطيع التنبؤ بسلوك الظواهر المعقدة عند تكرارها. إن هذا النموذج لا يكتفي بحساب فرصة وقوع حدث ما بصورة مجردة، بل يقدم إطاراً استدلالياً متكاملاً يشمل حساب القيمة المتوقعة، ودرجة التشتت، واختبار الفرضيات الإحصائية، وبناء فترات الثقة، مما يجعله أداة لا غنى عنها لكل باحث ومحلل بيانات يسعى لفهم الأنماط الكامنة وراء البيانات المنفصلة واتخاذ قرارات علمية رصينة قائمة على الأدلة والبراهين الرقمية.

في هذا الدليل الأكاديمي الشامل، سنستعرض بعمق نظري وتطبيقي مفاهيم التوزيع ذو الحدين، بدءاً من أصوله التاريخية وبنيته الرياضية ودواله الاحتمالية، مروراً بشروطه الصارمة وخصائصه الإحصائية، وصولاً إلى تطبيقاته الميدانية المعاصرة في القياس السيكومتري والبحوث الطبية. كما سنفرد مساحة تقنية معمقة لكيفية عمل حاسبة التوزيع ذو الحدين وخوارزمياتها البرمجية، مع تقديم أمثلة تطبيقية خطوة بخطوة تتيح للباحث والممارس استيعاب آليات التحليل وتفسير النتائج بدقة واحترافية متناهية.

1. مقدمة شاملة حول التوزيع ذو الحدين ومفهومه الإحصائي

1.1 تعريف التوزيع ذو الحدين وطبيعته الرياضية

يُعرَّف التوزيع ذو الحدين في أدبيات النظرية الاحتمالية بأنه توزيع احتمالي منفصل (Discrete Probability Distribution) يصف عدد مرات حدوث حدث معين يُصطلح على تسميته بـ “النجاح” (Success) خلال عدد ثابت ومحدد مسبقاً من المحاولات المستقلة والمتطابقة، حيث تنحصر نتيجة كل محاولة فردية في واحد من خيارين متنافيين تماماً: إما وقوع الحدث أو عدم وقوعه (الفشل). ويُعد المتغير العشوائي ذو الحدين، الذي يُرمز له عادة بالرمز X، متغيراً منفصلاً لأنه يتخذ قيماً عددية صحيحة تقع ضمن النطاق المغلق من الصفر إلى إجمالي عدد المحاولات n، أي أن مجموعة قيمه الممكنة هي {0, 1, 2, …, n}.

تنبع الأهمية الرياضية لهذا التوزيع من قدرته الفائقة على نمذجة الظواهر التجريبية التي تتسم بالثنائية الهيكلية. ففي كثير من الأحيان، يُعاد تصنيف الظواهر المعقدة إلى متغيرات ثنائية التفرع (Dichotomous Variables) لتسهيل معالجتها رياضياً وتفسيرها تحليلياً. وتتميز طبيعة المتغير العشوائي ذي الحدين بأنه يختزل العشوائية المكانية أو الزمانية إلى دالة احتمالية مرتبطة بمعلمتين أساسيتين: عدد المحاولات المستقلة n، واحتمالية النجاح في المحاولة الواحدة p، ويُعبَّر عن ذلك إحصائياً بالصيغة: X ~ B(n, p).

من الناحية المنهجية والإبستمولوجية، يبرز الفرق الجوهري بين التوزيعات الاحتمالية المتصلة (مثل التوزيع الطبيعي) والتوزيعات المنفصلة في طبيعة فضاء العينة وكتلة الاحتمال. فبينما تتعامل التوزيعات المتصلة مع متغيرات تقاس على متصل لانهائي وتُسند احتمالاتها للمجالات والفترات عبر دالة كثافة الاحتمال (PDF)، يتعامل التوزيع ذو الحدين مع نقاط عددية معزولة ومعدودة، حيث يحمل كل عدد صحيح وزناً احتمالياً مباشراً ومحدداً بدقة متناهية، وهو ما يجعله النموذج المثالي لدراسة الاستجابات المتمايزة والعد التكراري في العلوم التطبيقية.

1.2 دالة كتلة الاحتمال (PMF) وأهميتها المنهجية

تُمثل دالة كتلة الاحتمال (Probability Mass Function – PMF) الأساس الحسابي والمنهجي الذي يرتكز عليه التوزيع ذو الحدين لتحديد احتمالية أن يأخذ المتغير العشوائي المنفصل قيمة عددية محددة بدقة، ويُشار إليها بالرمز P(X = k). تقوم هذه الدالة بإسناد قيمة احتمالية دقيقة لكل نقطة من نقاط فضاء العينة المنفصل، بحيث تعكس هذه القيمة فرصة تحقق بالضبط k من النجاحات عند إجراء n من المحاولات، مستندة إلى تفاعل رياضي مركب بين عدد التباديل والتوافيق الممكنة واحتمالات الحدوث الفردية.

تخضع دالة كتلة الاحتمال في التوزيع ذو الحدين للاشتراطات الرياضية البديهية لنظرية الاحتمالات التي أرساها كولموغوروف؛ حيث يجب أولاً أن تكون القيمة الاحتمالية لأي حدث k محصورة دائماً في الفترة المغلقة بين الصفر والواحد الصحيح، أي أن 0 ≤ P(X = k) ≤ 1 لجميع القيم الممكنة للمتغير. ويشترط ثانياً أن تتكامل وتتطابق قيم الدالة الاحتمالية لكافة النتائج الممكنة لتُنتج الواحد الصحيح تماماً، بمعنى أن المجموع التراكمي للاحتمالات من k = 0 إلى k = n يساوي 1 رياضياً:

∑ P(X = k) = 1 (حيث يتراوح k من 0 إلى n)

تتجلى الأهمية المنهجية لدالة كتلة الاحتمال في العلوم السلوكية والنفسية والاجتماعية في توفيرها لمعيار احتمالي دقيق يُبنى عليه اتخاذ القرارات الإحصائية واختبار الفرضيات الصفرية. فعندما يرغب الباحث في تحديد ما إذا كان أداء عينة من المفحوصين على مقياس نفسي يعود إلى قدرة حقيقية أم لمجرد التخمين العشوائي والصدفة المحضة، تُتيح دالة الكتلة حساب الاحتمال الدقيق لمشاهدة ذلك النمط السلوكي، مما يُمكّن الباحث من حساب القيم الاحتمالية (p-values) واتخاذ قرارات قاطعة برفض أو قبول الفرضيات البحثية استناداً إلى أسس رياضية متينة.

1.3 السياق التاريخي وتطور النظرية الاحتمالية ذات الحدين

تعود الجذور المعرفية والتاريخية للتوزيع ذو الحدين إلى أواخر القرن السابع عشر وبدايات القرن الثامن عشر، من خلال الأبحاث الرائدة التي قادها عالم الرياضيات السويسري البارز جاكوب برنولي (Jacob Bernoulli). وقد تُوّجت هذه الجهود في كتابه التأسيسي الخالد “فن التخمين” (Ars Conjectandi) الذي نُشر عام 1713 بعد وفاته، حيث صاغ برنولي المبرهنة الأولى لقانون الأعداد الكبيرة وبرهن رياضياً كيفية حساب احتمالات تكرار الأحداث الثنائية المستقلة، مؤسساً بذلك لما يُعرف اليوم بنظرية التوزيع ذو الحدين ومحاولات برنولي.

ارتبط تطور التوزيع ذو الحدين ارتباطاً وثيقاً بتقدم نظرية التوافيق والتباديل (Combinatorics) ومثلث باسكال، الذي طوره العالم الفرنسي بليز باسكال لدراسة مشكلات ألعاب الحظ وتوزيع الرهانات. وقد أتاح الدمج العبقري بين الجبر التوافقي ومفاهيم الاحتمالات الكلاسيكية الانتقال من الحسابات اليدوية البسيطة للفرص إلى بناء نماذج استدلالية قادرة على التعميم على مجتمعات إحصائية لا حصر لها، مما مهّد الطريق لعلماء لاحقين مثل أبراهام دي موافر وبيير سيمون لابلاس لتطوير مبرهنات التقريب الاحتمالي.

مع مطلع القرن العشرين وبزوغ فجر القياس النفسي الحديث على أيدي رواد مثل فرانسيس غالتون وتشارلز سبيرمان، انتقل التوزيع ذو الحدين من كونه مجرد نظرية في الرياضيات البحتة إلى أداة منهجية محورية في تصميم الاختبارات الإسقاطية والموضوعية. وقد وظف علماء النفس القياسي هذا التوزيع لتقنين الاختبارات المعرفية، وتحديد معاملات الصعوبة والتمييز للبنود الثنائية (صواب/خطأ)، وضبط مستويات الخطأ المعياري في القياس السيكومتري، مما أحدث ثورة نوعية في موثوقية المقاييس النفسية والتربوية المعاصرة.

2. الشروط والمتطلبات الرياضية لتطبيق التوزيع ذو الحدين

2.1 ثبات عدد المحاولات (Fixed Number of Trials)

يُمثل شرط ثبات عدد المحاولات، والمشار إليه رياضياً بالمعلمة n، أحد الاشتراطات المنهجية غير القابلة للتفاوض لصحة تطبيق نموذج التوزيع ذو الحدين. يقضي هذا الشرط بأن يُحدد الباحث أو المحلل الإحصائي مسبقاً وبصورة قاطعة، قبل الشروع في جمع البيانات أو إجراء التجربة، إجمالي عدد المرات التي سيتم فيها تكرار المحاولة العشوائية، بحيث ينتهي جمع البيانات بمجرد الوصول إلى هذا العدد الثابت والمحدد بصرف النظر عن عدد النجاحات أو الإخفاقات المسجلة.

يترتب على الإخلال بهذا الشرط بطلان النمذجة الرياضية للتوزيع ذو الحدين بالكامل وتحول الظاهرة إلى فضاء احتمالي مغاير تماماً. فعلى سبيل المثال، إذا ترك الباحث التجربة مفتوحة واستمر في جمع الملاحظات حتى يتحقق عدد معين من النجاحات، فإن الظاهرة تنتقل من نطاق التوزيع ذو الحدين إلى نطاق التوزيع ذو الحدين السالب (Negative Binomial Distribution) أو التوزيع الهندسي، حيث يتحول عدد النجاحات إلى معلمة ثابتة وعدد المحاولات إلى متغير عشوائي، وهو ما يغير جذرياً البنية الرياضية لدالة الكتلة وقيم التوقع والتباين.

تتضح الأهمية المنهجية لثبات n في تصميم البحوث التجريبية في العلوم السلوكية، حيث يتطلب تصميم القياس أن يتعرض جميع أفراد العينة لنفس العدد الثابت من البنود أو المثيرات الاختبارية (مثل إخضاع جميع المشاركين لاختبار يتألف من 50 بنداً بدقة). إن تباين عدد المحاولات بين الأفراد أو عبر الجلسات التجريبية دون ضبط معياري يُدخل تبايناً عشوائياً غير منتظم في دالة الاحتمال، مما يقوض إمكانية مقارنة الدرجات أو تعميم الاستدلالات الإحصائية المستخلصة من النموذج.

2.2 ثنائية النتائج واستقلاليتها (Mutually Exclusive & Independent Outcomes)

يرتكز التوزيع ذو الحدين على افتراض هيكلي جوهري ينص على أن كل محاولة فردية داخل فضاء التجربة يجب ألا تُسفر إلا عن إحدى نتيجتين اثنتين فقط، بحيث تكون هاتان النتيجتان متنافيتين وشاملتين لجميع الاحتمالات الممكنة (Mutually Exclusive and Collectively Exhaustive). يُصطلح إحصائياً على تسمية إحدى النتيجتين بـ “النجاح” (وقوع الخاصية محل الاهتمام) والأخرى بـ “الفشل” (غياب الخاصية)، دون أن يحمل هذا الاصطلاح بالضرورة حكماً قيمياً إيجابياً أو سلبياً، بل هو مجرد ترميز رياضي ثنائي.

أما شرط الاستقلالية (Independence)، فيقتضي أن تكون النتيجة المتحققة في أي محاولة معينة مستقلة إحصائياً استقلالاً تاماً عن النتائج المتحققة في سائر المحاولات الأخرى السابقة أو اللاحقة لها. وبمعنى رياضي دقيق، فإن احتمال وقوع النجاح في المحاولة رقم i لا يتأثر مطلقاً بمعرفة نتيجة المحاولة رقم i-1 أو أي محاولة أخرى، أي أن الاحتمال الشرطي لحدوث النجاح يظل مساوياً للاحتمال البسيط غير المشروط: P(A|B) = P(A).

تثير مسألة الاستقلالية تحديات تطبيقية بارزة عند سحب العينات في الدراسات المسحية والطبية؛ حيث يتحقق شرط الاستقلالية التامة رياضياً في حالة المعاينة مع الإرجاع (Sampling with Replacement). غير أنه في سياق المعاينة بدون إرجاع من مجتمعات إحصائية منتهية وصغيرة، فإن سحب كل مفردة يؤدي إلى تعديل فضاء العينة وتغيير احتمالات السحب للمفردات اللاحقة، مما يقتضي تطبيق التوزيع فوق الهندسي (Hypergeometric Distribution). ومع ذلك، يُجمع علماء الإحصاء على أنه إذا كان حجم المجتمع الإحصائي N كبيراً جداً مقارنة بحجم العينة المسحوبة n (بما يحقق قاعدة n ≤ 0.05 N)، فإن تأثير عدم الإرجاع يصبح ضئيلاً للغاية ويمكن إهماله بأمان، مما يسمح بتطبيق التوزيع ذو الحدين كتقريب رياضي ممتاز عالي الدقة.

2.3 ثبات احتمالية النجاح عبر المحاولات (Constant Probability)

يشترط نموذج التوزيع ذو الحدين أن تظل احتمالية وقوع حدث النجاح، والتي يُرمز لها بالرمز p، ثابتة ثباتاً مطلقاً ومنتظمة عبر كافة المحاولات التجريبية البالغ عددها n محاولة. وبطبيعة الحال، فإن هذا يقتضي أيضاً ثبات احتمالية الفشل المكملة، والتي يُرمز لها عادة بالرمز q، حيث تُحسب دائماً من خلال العلاقة المباشرة: q = 1 – p. يعكس هذا الشرط تجانس الشروط المولدة للبيانات طوال فترة إجراء الاختبار أو القياس.

في العديد من البيئات التجريبية والواقعية، قد يواجه الباحثون ظواهر تؤدي إلى انتهاك مبدأ ثبات p، مما يستوجب الحذر الشديد في التحليل. ففي الدراسات النفسية والسلوكية على سبيل المثال، قد يتعرض المفحوصون لظاهرة “أثر التعلم” (Learning Effect) حيث تزداد احتمالية النجاح في المهام اللاحقة نتيجة اكتساب الخبرة، أو على النقيض من ذلك، قد تؤدي ظاهرة “الإجهاد والتعب” (Fatigue Effect) إلى تراجع قيمة p مع تقدم مراحل الاختبار الطويل. في مثل هذه الحالات، يتغير السلوك الاحتمالي للنموذج وتفقد الصيغة الكلاسيكية للتوزيع ذو الحدين قدرتها على التنبؤ السليم.

لمعالجة مثل هذه الانحرافات التجريبية، يتعين على الباحثين إما ضبط البيئة التجريبية وتقنين أدوات القياس لضمان استقرار الشروط الفيزيائية والنفسية طوال فترة التطبيق، أو اللجوء إلى نماذج إحصائية أكثر تعقيداً تستوعب التباين في قيم الاحتمال، مثل نماذج التوزيع متعدد الحدود أو نماذج الانحدار اللوجستي ذات المعلمات المتغيرة، والتي تتيح نمذجة احتمالية النجاح كدالة متغيرة ترتبط بخصائص الأفراد أو ظروف المحاولة التجريبية.

3. الصيغة الرياضية والاشتقاق لدالة التوزيع ذو الحدين

3.1 المعادلة الرياضية العامة للتوزيع ذو الحدين

تُعبر المعادلة الرياضية العامة للتوزيع ذو الحدين عن البناء التوافقي والاحتمالي الصارم الذي يربط بين معلمات النموذج ومتغيراته، وتُصاغ دالة كتلة الاحتمال لحساب احتمال الحصول على عدد محدد من النجاحات k ضمن n من المحاولات بالصيغة الرمزية التالية:

P(X = k) = _nC_k × p^k × (1 – p)^{n – k}

تتضمن هذه المعادلة ثلاثة مكونات رياضية متكاملة تتضافر معاً لتوليد الاحتمال النهائي الدقيق:

• المعامل التوافقي _nC_k: ويمثل عدد التباديل والتوافيق الممكنة لترتيب k من النجاحات و (n – k) من الإخفاقات ضمن سلسلة المحاولات الإجمالية.
• الحد الاحتمالي للنجاحات p^k: ويمثل حاصل ضرب احتمالية وقوع النجاح في نفسها k من المرات، تطبيقاً لقاعدة ضرب الاحتمالات للأحداث المستقلة.
• الحد الاحتمالي للإخفاقات (1 – p)^{n – k}: ويمثل حاصل ضرب احتمالية وقوع الفشل في نفسها عبر المحاولات المتبقية والبالغ عددها n – k محاولة.

يبرز التمييز الرياضي هنا بين النتيجة الفعلية المشاهدة في عينة تجريبية معينة وبين التوقع النظري الصادر عن دالة التوزيع. فالصيغة الرياضية لا تفترض حتمية وقوع عدد محدد من النجاحات، بل تقدم توزيعاً تكرارياً نسبياً نظرياً يحدد الوزن النسبي والاحتمالي لكل قيمة عددية ممكنة يمكن أن يفرزها فضاء العينة العشوائي عند تكرار التجربة عدداً لا نهائياً من المرات تحت ظروف متماثلة تماماً.

3.2 معامل التوافيق (Combinations) ودوره في حساب الاحتمال

يلعب معامل التوافيق (Binomial Coefficient)، والمكتوب بالرمز _nC_k أو بالصيغة التوافقية C(n, k) أو القوسين الرأسيين التوافقيين، دوراً محورياً في معادلة التوزيع ذو الحدين، حيث يختص بحساب عدد المسارات والطرق المختلفة وغير المرتبة التي يمكن من خلالها اختيار k من العناصر من بين مجموعة كلية تتألف من n من العناصر المتميزة. وتُعطى صيغته التحليلية الصريحة باستخدام دالة المضروب (Factorial) على النحو الآتي:

_nC_k = n! / [ k! × (n – k)! ]

حيث يمثل n! حاصل ضرب جميع الأعداد الصحيحة الموجبة من 1 إلى n، مع الاصطلاح الرياضي القياسي على أن 0! = 1 لضمان اتساق العمليات الحسابية عند حساب احتمالية انعدام النجاحات (k = 0) أو اكتمالها بالكامل (k = n). ترجع الضرورة الرياضية لإدراج معامل التوافيق إلى حقيقة أن سلسلة المحاولات قد تُنتج نفس العدد الإجمالي من النجاحات عبر متتاليات زمنية مختلفة؛ فالحصول على نجاحين في ثلاث محاولات يمكن أن يتم بثلاثة أنماط تسلسلية متمايزة: (نجاح، نجاح، فشل)، أو (نجاح، فشل، نجاح)، أو (فشل، نجاح، نجاح).

ترتبط هذه المعاملات التوافقية ارتباطاً عضوياً بمثلث باسكال الشهير، حيث يُشكل كل صف في المثلث معاملات نشر مفكوك ثنائي الحد (a + b)ⁿ. ويُعد هذا الارتباط البرهان الجبري الأوضح على تسمية “التوزيع ذو الحدين”؛ إذ أن مجموع احتمالات التوزيع يمثل في واقعه الرياضي مفكوك ثنائي الحد للاحتمالين المتكاملين [p + (1-p)]ⁿ، والتي تساوي بالضرورة (1)ⁿ = 1، مما يؤكد تماسك الدالة الرياضية وتكاملها المنطقي الشامل.

3.3 تطبيق خطوة بخطوة للمعادلة الرياضية

لفهم الآلية التشغيلية للمعادلة الرياضية وكيفية تجريد المشكلات الواقعية إلى معلمات إحصائية، نستعرض الخطوات المنهجية التطبيقية لحساب دالة كتلة الاحتمال يدوياً من خلال مسألة احتمالية نموذجية ذات أبعاد تطبيقية واضحة:

المسألة: باحث يقوم بإجراء تجربة نفسية تتضمن n = 5 محاولات مستقلة، وكان احتمال حدوث الاستجابة المطلوبة (النجاح) في كل محاولة هو p = 0.40. والمطلوب هو حساب الاحتمال الرياضي الدقيق لظهور الاستجابة في k = 3 محاولات تحديداً، أي P(X = 3).

• الخطوة الأولى: تحديد المعلمات الأساسية:
  
  عدد المحاولات الإجمالي: n = 5
  
  عدد مرات النجاح المستهدفة: k = 3
  
  احتمالية النجاح في المحاولة الفردية: p = 0.40
  
  احتمالية الفشل المكملة: q = 1 – p = 1 – 0.40 = 0.60
  
  عدد مرات الفشل المتبقية: n – k = 5 – 3 = 2
• الخطوة الثانية: حساب معامل التوافيق ₅C₃:
  
  ₅C₃ = 5! / [ 3! × (5 – 3)! ] = (5 × 4 × 3 × 2 × 1) / [ (3 × 2 × 1) × (2 × 1) ]
  
  ₅C₃ = 120 / [ 6 × 2 ] = 120 / 12 = 10 طرق مختلفة لترتيب النجاحات.
• الخطوة الثالثة: حساب القوى الاحتمالية:
  
  حساب حد النجاح: p^k = (0.40)³ = 0.064
  
  حساب حد الفشل: (1 – p)^{n – k} = (0.60)² = 0.360
• الخطوة الرابعة: دمج المكونات وحساب الاحتمال النهائي:
  
  P(X = 3) = 10 × 0.064 × 0.360 = 0.2304

يتضح من الناتج الحسابي أن احتمالية تحقق 3 استجابات بالضبط في هذه التجربة تبلغ 0.2304 (أو ما يعادل 23.04%). وتكتمل المعالجة المنهجية بالتحقق من صحة الناتج وموقعه ضمن الفترة الاحتمالية المعيارية [0, 1]؛ حيث يقع الرقم بوضوح ضمن الحدود المقبولة رياضياً، مما يؤكد سلامة الاشتقاق الحسابي وخلوه من أخطاء النمذجة أو التجميع.

4. العلاقة البنيوية بين توزيع برنولي والتوزيع ذو الحدين

4.1 مفهوم تجربة برنولي والخصائص الأساسية

تُمثل تجربة برنولي (Bernoulli Trial) الوحدة البنائية الذرية والخلية الأساسية التي ينبثق منها التوزيع ذو الحدين وكافة التوزيعات الاحتمالية المنفصلة المرتبطة بالبيانات الثنائية. وتُعرف تجربة برنولي إجرائياً بأنها أي تجربة عشوائية مفردة تجرى لمرة واحدة فقط (n = 1)، ولا تقبل نتائجها سوى حالتين متعارضتين تماماً: النجاح (ويُرمز له بالرمز 1) باحتمال مقداره p، أو الفشل (ويُرمز له بالرمز 0) باحتمال مكمل مقداره q = 1 – p.

تُصاغ دالة كتلة الاحتمال لمتغير برنولي العشوائي Y بأسلوب جبري مضغوط وأنيق على النحو التالي:

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

فعندما يأخذ المتغير القيمة 1 (النجاح)، تختزل المعادلة إلى p¹ × (1-p)⁰ = p. وعندما يأخذ القيمة 0 (الفشل)، تختزل المعادلة إلى p⁰ × (1-p)¹ = 1 – p. وتتجسد التطبيقات المباشرة لتجربة برنولي في استجابات الاستبيانات والمقاييس السلوكية الثنائية، مثل بنود الإجابة بـ (نعم / لا)، أو تقييم سلامة تشغيل جهاز ما (صالح / معيب)، أو نتيجة تشخيص إكلينيكي أولي (مصاب / سليم).

4.2 التوزيع ذو الحدين كمجموع لتجارب برنولي المستقلة

تتجلى العلاقة البنيوية والرياضية العميقة بين النموذجين في البرهان القاطع على أن التوزيع ذو الحدين ليس في واقعه سوى حاصل الجمع الخطي لعدد n من متغيرات برنولي العشوائية المستقلة والمتطابقة التوزيع (Independent and Identically Distributed – i.i.d). فإذا افترضنا وجود متتالية من تجارب برنولي المنفردة Y₁, Y₂, …, Y_n، حيث يخضع كل متغير لنفس المعلمة p، فإن المتغير العشوائي ذي الحدين X يُعرَّف رياضياً كالتالي:

X = ∑ Y_i   (حيث تمتد i من 1 إلى n)

يحمل هذا التوصيف الجبري دلالات إحصائية ومنهجية بالغة الأهمية؛ حيث يفسر انتقال الخصائص الرياضية من المستوى الفردي إلى المستوى التراكمي الجمعي. فبفضل خاصية خطية القيمة المتوقعة (Linearity of Expectation)، يصبح من اليسير إثبات أن متوسط التوزيع ذو الحدين يساوي مجموع متوسطات متغيرات برنولي الفردية، وكذلك الحال بالنسبة للتباين نظراً لاستقلالية المحاولات.

يُعد هذا المفهوم حجر الزاوية في بناء نماذج القياس التراكمي في القياس النفسي والنظرية الكلاسيكية للاختبارات (Classical Test Theory). فعندما يجيب المفحوص على اختبار تحصيلي يتكون من 100 سؤال ثنائي الدرجة (1 للإجابة الصحيحة و 0 للإجابة الخاطئة)، فإن الدرجة الكلية للمفحوص ليست إلا متغيراً ذا حدين يمثل مجموع 100 تجربة برنولي، مما يمنح الباحثين غطاءً رياضياً صلباً لتحليل الدرجات الكلية وتقدير مستويات الكفاءة والقدرة لدى الأفراد.

5. الخصائص الإحصائية الأساسية: التوقع، التباين، والانحراف المعياري

5.1 القيمة المتوقعة (المتوسط الحسابي) للتوزيع ذو الحدين

تُمثل القيمة المتوقعة (Expected Value) أو المتوسط الحسابي النظري، والتي يُرمز لها بالرمز E(X) أو الحرف الإغريقي μ (ميو)، المركز الثقلي للتوزيع الاحتمالي والقيمة المركزية التي تميل البيانات للتجمع حولها على المدى الطويل. ويتم اشتقاق القيمة المتوقعة للتوزيع ذو الحدين رياضياً بالاعتماد على العلاقة الخطية مع متغيرات برنولي الفردية:

μ = E(X) = E(∑ Y_i) = ∑ E(Y_i) = n × p

يعكس هذا القانون الحسابي البسيط (μ = n × p) معنى استدلالياً عميقاً؛ فهو يُشير إلى أنه إذا كررنا التجربة ذات الحدين عدداً كبيراً جداً من المرات تحت نفس الشروط، فإن متوسط عدد النجاحات المتحققة سيقترب حتماً وبشكل مؤكد من حاصل ضرب عدد المحاولات الإجمالي في نسبة النجاح الفردية. فإذا طُبق اختبار مكون من 60 سؤالاً يقدم 4 بدائل للاختيار (حيث احتمال التخمين العشوائي p = 0.25)، فإن القيمة المتوقعة لدرجة المفحوص الذي يعتمد كلياً على التخمين هي: μ = 60 × 0.25 = 15 درجة صحيحة.

في سياق المقاييس النفسية والسلوكية، يمثل المتوسط النظري المعيار الأساسي لتقييم أداء العينات ومقارنة النتائج المشاهدة مع ما هو متوقع تحت فرضية العدم. كما يُستخدم في معايرة البنود السيكومترية وتحديد ما إذا كان الاختبار ككل يميل نحو الصعوبة الشديدة أو السهولة المفرطة من خلال مقارنة متوسط درجات المفحوصين الفعلي مع القيمة المتوقعة النظرية للتوزيع.

5.2 التباين والانحراف المعياري للتوزيع ذو الحدين

يُعد التباين (Variance) والانحراف المعياري (Standard Deviation) المقياسين الإحصائيين الأساسيين لتحديد مدى تشتت وتناثر القيم الاحتمالية حول المتوسط الحسابي للتوزيع. يُرمز للتباين بالرمز Var(X) أو σ² (سيجما تربيع)، ويُشتق للتوزيع ذو الحدين بالاستناد إلى استقلالية محاولات برنولي على النحو الآتي:

σ² = Var(X) = n × p × (1 – p) = n × p × q

أما الانحراف المعياري (Standard Deviation)، ويُرمز له بالرمز σ، فهو الجذر التربيعي الموجب للتباين، ويُعبر عن التشتت بنفس وحدات قياس المتغير العشوائي الأصلي:

σ = √[ n × p × (1 – p) ]

يكشف التحليل التفاضلي لمعادلة التباين عن خاصية سيكومترية ورياضية جوهرية؛ إذ يصل التباين إلى قيمته القصوى المطلقة عندما تكون p = 0.5، حيث يتساوى احتمال النجاح والفشل (p × q = 0.25). وكلما اقتربت قيمة p من الصفر أو من الواحد الصحيح، يتناقص التباين تدريجياً ليقترب من الصفر، وهو ما يعكس حقيقة أن العمليات شبه المؤكدة (سواء بالحدوث الحتمي أو الاستحالة المطلقة) تتسم بانعدام التشتت والعشوائية.

تكتسب هذه الخاصية أهمية استثنائية في نظرية القياس النفسي؛ حيث يسعى مصممو الاختبارات النفسية والتربوية إلى كتابة بنود تكون احتمالية الإجابة الصحيحة عليها قريبة من p = 0.5، لأن هذه القيمة تضمن تحقيق أقصى قدر من التباين في درجات المفحوصين، مما يرفع القوة التمييزية للاختبار ويقلل من الخطأ المعياري للتقدير إلى أدنى مستوياته الممكنة.

5.3 الالتواء والتفرطح في منحنى التوزيع ذو الحدين

تحدد معلمات التوزيع ذو الحدين (n و p) الشكل الهندسي التوزيعي لمنحنى كتلة الاحتمال من حيث التماثل والالتواء (Skewness) والتفرطح (Kurtosis). وتُقاس درجة الالتواء في التوزيع ذو الحدين بالمعادلة الرياضية الدقيقة:

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

يتجلى من المعادلة بوضوح أنه عندما تكون p = 0.5، يُصبح بسط المعادلة (1 – 2(0.5)) = 0، ويكون الالتواء مساوياً للصفر تماماً بصرف النظر عن حجم العينة n، مما يجعل شكل التوزيع متماثلاً تماماً كشكل الجرس الكلاسيكي حول المتوسط. أما إذا كانت p < 0.5، فإن معامل الالتواء يصبح موجباً، مما يعني أن ذيل التوزيع يمتد نحو اليمين وتتركز معظم الكتل الاحتمالية عند القيم الصغرى. وعلى العكس، إذا كانت p > 0.5، يصبح الالتواء سالباً ويمتد الذيل نحو اليسار.

أما معامل التفرطح الإضافي (Excess Kurtosis)، فيُحسب من خلال العلاقة:

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

تُظهر هذه العلاقات الرياضية الدور الحاسم لزيادة حجم العينة أو عدد المحاولات n؛ حيث يظهر n في مقام كلتا المعادلتين. ويترتب على ذلك أنه مع زيادة n وانتقالها نحو المالانهاية، يقترب معاملا الالتواء والتفرطح تدريجياً من الصفر حتى لو كانت قيمة p بعيدة عن 0.5، مما يؤدي إلى تلاشي الالتواء واقتراب منحنى التوزيع ذو الحدين بصورة مطردة من المنحنى الطبيعي المعياري، وهو ما يُشكل الأساس النظري لمبرهنة النهاية المركزية وتقريب دي موافر-لابلاس.

6. استخدامات وتطبيقات التوزيع ذو الحدين في البحوث النفسية والسلوكية

6.1 تحليل استجابات الاختبارات والمقاييس السيكومترية

يُمثل التوزيع ذو الحدين الأساس الرياضي الذي تستند إليه الجمعية الأمريكية لعلم النفس (APA) ومراكز القياس العالمية في ضبط وتقييم الاختبارات النفسية والموضوعية. ويبرز تطبيقه الأهم في تحليل أسئلة الاختيار من متعدد وصيغ الصواب والخطأ، بهدف عزل واحتساب تأثير “التخمين العشوائي” (Random Guessing) والتأكد من أن نجاح المفحوص يعكس كفاءة معرفية حقيقية وليس نتاج المصادفة الإحصائية.

من خلال دالة التوزيع ذو الحدين، يستطيع مطورو الاختبارات تحديد “درجة القطع” (Cut-off Score) الإكلينيكية والتربوية للاجتياز. فإذا تضمن مقياس تشخيصي 30 سؤالاً ثنائياً، يُمكن عبر النموذج حساب الاحتمال الدقيق لحصول المفحوص على 20 إجابة صحيحة بمجرد التخمين؛ فإذا كان هذا الاحتمال أقل من مستوى الدلالة المعتمد (α = 0.01)، يستنتج الفاحص بدرجة ثقة تفوق 99% أن المفحوص يمتلك السمة المقاسة ولا يخمن عشوائياً.

علاوة على ذلك، يُسهم التوزيع ذو الحدين في بناء مقاييس الصدق والثبات للفقرات السيكومترية الفردية (Item Difficulty Analysis)؛ إذ يوفر المعيار الاحتمالي النظري لاختبار جودة البنود وحساب درجات التشتت المتوقعة لكل فقرة، مما يساعد الباحثين على استبعاد الأسئلة التي تظهر سلوكاً احتمالياً يبتعد عن النموذج النظري للقياس الموضوعي.

6.2 دراسات التوافق السلوكي والتجارب الإدراكية المعملية

يمتد توظيف التوزيع ذو الحدين إلى النماذج التجريبية المعملية في علم النفس التجريبي وعلم النفس العصبي، ولا سيما في إطار نظرية كشف الإشارة (Signal Detection Theory). ففي تجارب العتبات الحسية، يُعرض المشارك لسلسلة من المحاولات المتطابقة التي تتضمن وجود مثير حسي ضعيف أو غيابه، وتُصنف استجاباته إلى فئتين (كشف / عدم كشف)، ويتم استخدام التوزيع ذو الحدين لنمذجة معدلات الإصابة الدقيقة والإنذارات الكاذبة وحساب حساسية الجهاز العصبي الحسي بمعزل عن نزعة الاستجابة الذاتية للمشارك.

وفي ميدان علم النفس الاجتماعي، يشكل التوزيع ذو الحدين الأداة الإحصائية المثلى لتقييم دراسات الامتثال والضغط الاجتماعي (مثل النماذج المطورة لتجارب آش الشهيرة). فمن خلال نمذجة استجابة الفرد (امتثال للقطيع مقابل استقلال بالرأي) كمتغير برنولي، يُمكن حساب احتمالية أن تظهر مجموعة تجريبية نمطاً متوافقاً من الاستجابات بمحض الصدفة، مما يتيح عزل التأثير الحقيقي للضغط الجمعي وقياس حجم الأثر السلوكي بدقة كمية بالغة.

كذلك يوظف باحثو العلوم السلوكية التوزيع ذو الحدين في تجارب التفضيل السلوكي للحيوانات والبشر في مواقف الاختيار الإجباري بين بديلين (Two-Alternative Forced Choice – 2AFC). ويسمح هذا النموذج باختبار الفرضيات المتعلقة بالتفضيل الجانبي الحركي (مثل استخدام اليد اليمنى مقابل اليسرى) أو تفضيل مسارات معينة في متاهات التعلم، واختبار مدى ابتعاد السلوك المشاهد عن نسبة التساوي الاحتمالي الطبيعية (p = 0.5).

6.3 التشخيص الإكلينيكي وتحديد العتبات المرضية

يُعد التشخيص الإكلينيكي في الطب النفسي والصحة النفسية مجالاً تطبيقياً رحباً للنمذجة ثنائية الحد، وخاصة عند التعامل مع المعايير التشخيصية المستندة إلى الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5). تعتمد معظم الاضطرابات النفسية على بنية تشخيصية ثنائية (وجود العَرَض المرضي أو غيابه)، ويشترط الدليل تحقق حد أدنى من الأعراض (مثلاً تحقق 5 أعراض على الأقل من أصل 9 لتشخيص نوبة الاكتئاب الجسيم).

يُمكّن التوزيع ذو الحدين الباحثين الإكلينيكيين من صياغة نماذج احتمالية لتراكم الأعراض لدى عينات المجتمع العام والمجتمعات المعرضة للخطر؛ حيث يُمكن حساب احتمالية أن يستوفي شخص لا يعاني من اضطراب حقيقي عتبة الأعراض المطلوبة بمحض التباين العشوائي أو الاستجابة العرضية للمقاييس المسحية، مما يساعد على تحديد نقاط القطع المثلى التي توازن بين الحساسية التشخيصية (Sensitivity) والنوعية (Specificity).

كما يُستخدم التوزيع في دراسات تقييم التدخلات العلاجية المعرفية والسلوكية (CBT) لتتبع نسب الاستجابة السريرية والانتكاس؛ حيث يتم نمذجة نتيجة كل مريض بعد البرنامج العلاجي كحدث ثنائي (تعافي / استمرار الاضطراب). ويتيح ذلك مقارنة نسب التعافي بين المجموعات العلاجية والمجموعات الضابطة، واختبار ما إذا كان التحسن الملحوظ يعود للأثر العلاجي الحقيقي أم للتعافي التلقائي المرتبط بمرور الوقت.

7. تطبيقات التوزيع ذو الحدين في المجالات الطبية والعلمية العامة

7.1 التجارب السريرية وتقييم فعالية الأدوية واللقاحات

تعتمد إدارة الغذاء والدواء الأمريكية (FDA) والهيئات التنظيمية الصحية العالمية على التوزيع ذو الحدين كركيزة لا غنى عنها في تصميم وتحليل تجارب الأدوية واللقاحات السريرية بمراحلها المختلفة. ففي تجارب الفعالية الأولية، تكون النتيجة السريرية الأساسية ثنائية التفرع في غالب الأحيان: كأن يُصنف المريض على أنه “استجاب للعلاج” أو “لم يستجب”، أو “حدثت لديه أعراض جانبية خطيرة” أو “لم تحدث”.

يسمح التوزيع ذو الحدين للباحثين بحساب فترات الثقة الدقيقة (Exact Clopper-Pearson Binomial Confidence Intervals) لمعدلات الشفاء، ومقارنة كفاءة العقار التجريبي بنسب الشفاء المسجلة مع الدواء الوهمي (Placebo). وتكتسب هذه الحسابات أهمية قصوى عند دراسة الآثار الجانبية النادرة للأدوية النفسية والعصبية؛ حيث يتم نمذجة ظهور الأثر الجانبي في عينة محددة الحجم لتقدير احتمالية خطورته في المجتمع السريري الأوسع.

وفي أبحاث اللقاحات، يُستخدم التوزيع لحساب كفاءة اللقاح في وقاية الأفراد المعرضين للمسببات المرضية؛ إذ يتم نمذجة عدد الإصابات المؤكدة في المجموعة الملقحة مقارنة بالمجموعة غير الملقحة ضمن عدد ثابت من المشاركين، مما يتيح تقييم الحماية المناعية بدقة إحصائية تسهم في اعتماد وتوزيع اللقاحات على الصعيد العالمي.

7.2 مراقبة الجودة وضمان الكفاءة في البيئات الصناعية

يُمثل التوزيع ذو الحدين العصب الإحصائي لأنظمة مراقبة الجودة وإدارة الجودة الشاملة (Total Quality Management) ومنهجيات Six Sigma في المنشآت الصناعية وهندسة التصنيع. ويبرز تطبيقه الجوهري في إجراءات “المعاينة لقبول الدفعات” (Acceptance Sampling)، حيث تسعى المصانع إلى تقييم جودة شحنات هائلة من المنتجات دون الحاجة إلى فحصها بالكامل فحصاً شاملاً ومكلفاً.

تعتمد خطط الفحص الإحصائي على سحب عينة عشوائية ثابتة الحجم n من دفعة الإنتاج، وتحديد حد أقصى مسموح به لعدد الوحدات المعيبة c. وباستخدام التوزيع ذو الحدين مع معرفة النسبة التاريخية للعيوب p، يتم حساب احتمالية قبول الدفعة بالصيغة التراكمية P(X ≤ c)، مما يتيح ضبط مخاطر المنتج (رفض دفعة جيدة) ومخاطر المستهلك (قبول دفعة معيبة) عند مستويات احتمالية مدروسة بدقة.

كما يُستخدم التوزيع في بناء ومتابعة مخططات المراقبة للمواصفات المعيبة، مثل مخطط p-chart ومخطط np-chart؛ حيث يتم تتبع عدد المنتجات غير المطابقة عبر ورديات الإنتاج المتتالية لاكتشاف أي انحرافات مفاجئة في أداء الآلات أو جودة المواد الخام، والتدخل الفوري لضبط العمليات الصناعية قبل تراكم الخسائر المادية.

7.3 علم الوراثة والتنبؤ بالصفات الوراثية السائدة والمتنحية

يرتبط علم الوراثة الكلاسيكي والجزيئي ارتباطاً وثيقاً بالاحتمالات ذات الحدين منذ التجارب التأسيسية التي أجراها غريغور مندل على نبات البازلاء. فبموجب قوانين مندل للوراثة والانعزال المستقل، يتم توارث الأليلات الجينية وفق قواعد احتمالية ثابتة ومستقلة؛ فعند تزاوج فردين يحملان جينات هجينة لصفة سائدة (Aa × Aa)، تكون احتمالية ظهور الصفة السائدة في النسل هي p = 0.75 واحتمالية الصفة المتنحية هي q = 0.25.

يوفر التوزيع ذو الحدين الأداة الحسابية الدقيقة للإجابة عن التساؤلات الوراثية المعقدة المتعلقة بنسل العائلات؛ مثل حساب احتمالية إنجاب عائلة لديها 4 أطفال لطفلين مصابين باضطراب وراثي متنحٍ (مثل التليف الكيسي أو الهيموفيليا)، حيث يكون عدد المحاولات n = 4 واحتمال الإصابة لكل طفل p = 0.25. ويتم تطبيق النموذج لحساب الاحتمال الاستشاري الذي يقدمه أطباء الوراثة للوالدين أثناء الاستشارات الجينية الوقائية.

وفي دراسات الجينوم السلوكي المعاصرة، يُستخدم التوزيع ذو الحدين لتحليل بيانات التعبير الجيني الثنائي، واختبار نماذج الارتباط بين علامات جينية محددة (Single Nucleotide Polymorphisms – SNPs) وظهور اضطرابات سلوكية أو عصبية معينة، مما يتيح استكشاف التفاعل المعقد بين العوامل الوراثية والبيئية في تشكيل السلوك البشري.

8. دالة التوزيع التراكمي (CDF) وحساب الاحتمالات التراكمية

8.1 مفهوم الاحتمال التراكمي وصيغته الرياضية

في حين تُعنى دالة كتلة الاحتمال (PMF) بحساب احتمالية وقوع قيمة رقمية مفردة ومعزولة P(X = k)، تختص دالة التوزيع التراكمي (Cumulative Distribution Function – CDF)، والتي يُرمز لها بالرمز F(k) أو P(X ≤ k)، بحساب الاحتمالية التراكمية الإجمالية لأن يأخذ المتغير العشوائي ذو الحدين قيمة أقل من أو تساوي حداً أعلى معيناً k. ويتم تمثيلها رياضياً بالجمع التراكمي لكتل الاحتمالات الفردية من نقطة البداية 0 وحتى القيمة المستهدفة k:

F(k) = P(X ≤ k) = ∑ _nC_i × pⁱ × (1 – p)^{n – i}   (حيث تمتد i من 0 إلى k)

يُعد الانتقال من الاحتمال النقطي إلى الاحتمال التراكمي نقلة نوعية في التحليل الإحصائي والاستدلال العلمي؛ فالأسئلة البحثية والواقعية نادراً ما تقتصر على معرفة فرصة حدوث رقم محدد بدقة، بل تمتد لتشمل نطاقات ومجالات عددية أوسع (مثل: ما احتمال رسوب 5 طلاب أو أقل؟ أو ما احتمال تعافي ما لا يقل عن 80 مريضاً؟). وتتميز دالة التوزيع التراكمي بخصائص رياضية رتيبة (Monotonic)؛ إذ تبدأ دائماً من الصفر عند القيم الأدنى من الصفر، وتتزايد تدريجياً على شكل دالة درَجية (Step Function) لتصل حتماً إلى الواحد الصحيح عند k = n.

8.2 حساب احتمالات ‘على الأكثر’ و’على الأقل’

يتطلب التحليل الإحصائي الدقيق إتقان ترجمة التعبيرات اللغوية الشائعة في الفرضيات العلمية إلى صياغات احتمالية تراكمية منضبطة لتجنب الوقوع في أخطاء الحساب. وفيما يلي تفصيل منهجي لكيفية صياغة وحساب هذه الحالات التراكمية:

• احتمال “على الأكثر” (At most: X ≤ k): يُشير إلى الحد الأقصى المسموح به للنجاحات، ويُحسب مباشرة من خلال دالة التوزيع التراكمي من الصفر إلى k:
  
  P(X ≤ k) = P(X = 0) + P(X = 1) + … + P(X = k)
• احتمال “أقل من” (Fewer than: X < k): نظراً للطبيعة المنفصلة للمتغير، فإن “أقل من k” تكافئ رياضياً “على الأكثر k – 1“:
  
  P(X < k) = P(X ≤ k – 1)
• احتمال “على الأقل” (At least: X ≥ k): يُشير إلى الحد الأدنى للنجاحات المقبولة. ولتجنب جمع عدد كبير من الحدود الاحتمالية، يُستخدم مبدأ الحدث المكمل (Complement Rule):
  
  P(X ≥ k) = 1 – P(X ≤ k – 1)
• احتمال “أكثر من” (Strictly greater than: X > k): يُكافئ مكمل الاحتمال التراكمي عند النقطة k:
  
  P(X > k) = 1 – P(X ≤ k)

تكتسب هذه القواعد أهمية قصوى في حساب القيمة الاحتمالية (p-value) للاختبارات الإحصائية أحادية الذيل وثنائية الذيل؛ حيث يتم حساب مساحة الذيل التراكمية لتحديد ما إذا كانت النتيجة المشاهدة تقع في منطقة الرفض الإحصائي، مما يؤكد على ضرورة التمييز الدقيق بين المتباينات الصارمة والموسعة في فضاء التوزيعات المنفصلة.

9. حاسبة التوزيع ذو الحدين: المفهوم وآلية العمل والخوارزميات

9.1 ما هي حاسبة التوزيع ذو الحدين وكيف تعمل؟

تُعرف حاسبة التوزيع ذو الحدين (Binomial Distribution Calculator) بأنها أداة برمجية وحسابية رقمية متخصصة ومصممة لأتمتة الحسابات التوافقية والاحتمالية المعقدة المرتبطة بنموذج التوزيع ذو الحدين. تهدف هذه الحاسبات إلى إعفاء الباحثين والمحللين من عبء الحسابات اليدوية الطويلة والمرهقة، ولا سيما عند التعامل مع أحجام عينات كبيرة أو حساب احتمالات تراكمية تتطلب جمع عشرات الحدود الرياضية المنفصلة.

تعتمد الحاسبة في بنيتها التشغيلية على واجهة إدخال تستقبل المعلمات الأساسية الثلاث للتجربة العشوائية بدقة متناهية:

• حجم العينة أو عدد المحاولات (n): ويشترط أن يكون عدداً صحيحاً موجباً (n ≥ 1).
• احتمالية النجاح في المحاولة الفردية (p): وتُدخل كقيمة كسرية أو عشرية محصورة في المجال [0, 1].
• عدد النجاحات المستهدفة (k): ويشترط أن يكون عدداً صحيحاً محصوراً بين 0 و n.

بمجرد إدخال هذه المعلمات، تقوم الحاسبة بمعالجة البيانات فورياً لتوليد تقرير إحصائي شامل يتضمن الاحتمال النقطي الدقيق P(X = k)، بالإضافة إلى منظومة متكاملة من الاحتمالات التراكمية بكافة صيغها: P(X < k)، و P(X ≤ k)، و P(X > k)، و P(X ≥ k)، فضلاً عن تقديم المؤشرات الإحصائية الوصفية للتوزيع كالمتوسط الحسابي والتباين والانحراف المعياري.

9.2 الخوارزميات البرمجية والمعالجة العددية في الحاسبات

تواجه حاسبات التوزيع ذو الحدين تحديات حاسوبية ورياضية كبرى عند التعامل مع قيم كبيرة لعدد المحاولات n (مثل n > 100)؛ حيث يؤدي الحساب المباشر لدالة المضروب n! إلى مشكلة برمجية تُعرف بـ “الفيض الحسابي” (Arithmetic Overflow)، حيث تتجاوز النواتج العددية حدود الذاكرة المخصصة للأرقام في لغات البرمجة القياسية (إذ أن 171! يتجاوز سعة التمثيل العشري المضاعف القياسي IEEE 754).

للتغلب على هذا التحدي الحسابي وضمان أعلى درجات الدقة العددية، تعتمد خوارزميات الحوسبة الإحصائية المتقدمة (مثل تلك المستخدمة في حزم لغات البرمجة R و Python وبيئات الحوسبة في SPSS) على تطبيق دالة اللوغاريتم الطبيعي لمضروب غاما (Log-Gamma Function – lnΓ). وبموجب هذه الاستراتيجية، يتم تحويل عمليات الضرب والقسمة التوافقية الضخمة إلى عمليات جمع وطرح لوغاريتمية بسيطة ومستقرة عددياً:

ln(_nC_k) = ln Γ(n + 1) – ln Γ(k + 1) – ln Γ(n – k + 1)

ثم يُحسب لوغاريتم الاحتمال الكلي بدمج الحدود اللوغاريتمية: ln[P(X = k)] = ln(_nC_k) + k × ln(p) + (n – k) × ln(1 – p). وفي المرحلة الأخيرة، يتم تطبيق دالة الأس الطبيعي (Exponential Function: e^ln[P]) لاستعادة القيمة الاحتمالية الدقيقة. تضمن هذه المعالجة الخوارزمية منع الفيض الحسابي بالكامل وتفادي أخطاء التقريب والتلاشي التدريجي، مما يوفر دقة متناهية تصل إلى عشرات الخانات العشرية حتى عند التعامل مع آلاف المحاولات.

9.3 مزايا استخدام الحاسبات الإلكترونية مقارنة بالجداول الإحصائية المطبوعة

قبل الثورة الرقمية وانتشار البرمجيات والحاسبات الإحصائية المتطورة، كان الباحثون والطلاب يعتمدون اعتماداً كلياً على ملاحق الجداول الإحصائية المطبوعة في أواخر الكتب المرجعية. وتتضح المزايا الهائلة للانتقال إلى الحاسبات الرقمية الحديثة من خلال المقارنة التحليلية الشاملة الموضحة في الجدول المنهجي التالي:

وجه المقارنة	الجداول الإحصائية المطبوعة التقليدية	حاسبة التوزيع ذو الحدين الرقمية الحديثة
المرونة في معلمات (n) و (p)	محدودة للغاية؛ تقتصر على قيم محددة مسبقاً لـ n (غالباً n ≤ 20) وقيم مقيدة لـ p (مثل 0.05, 0.1, 0.2…).	مرونة مطلقة وغير مشروطة؛ تتيح إدخال أي قيمة لـ n وأي كسر عشري دقيق لـ p في النطاق [0, 1].
دقة الحساب وخطر الخطأ	عرضة للخطأ البشري أثناء تتبع الصفوف والأعمدة، وتعتمد على دقة تقريبية لا تتجاوز 3 إلى 4 خانات عشرية.	دقة متناهية تخلو من التدخل اليدوي، مع إمكانية عرض النتائج بأكثر من 10 خانات عشرية دون أخطاء تقريب.
حساب الاحتمالات التراكمية	تتطلب جمعاً يدوياً مستهلكاً للوقت لعدة أسطر متتالية، مما يرفع احتمالية الخطأ الحسابي التراكمي.	توليد فوري وآني لكافة صيغ الاحتمالات التراكمية (أكبر، أصغر، يساوي، فترات) بنقرة زر واحدة.
التمثيل البياني والتفاعلي	جداول صماء وأرقام جافة تخلو من أي بعد بصري أو إمكانية لمحاكاة تغير المعلمات.	رسم ديناميكي وتفاعلي فوري لمنحنى كتلة الاحتمال يوضح الالتواء والتفرطح ومناطق الرفض والقبول.

تُظهر هذه المقارنة أن الحاسبات الإحصائية الرقمية لم تقتصر على تسريع وتيرة الحسابات فحسب، بل غيرت جذرياً من كفاءة التحليل الإحصائي، ومكنت الباحثين من استكشاف الفرضيات المعقدة والتعامل مع تصميمات بحثية واسعة النطاق بكل سهولة وموثوقية.

10. خطوات استخدام حاسبة التوزيع ذو الحدين وأمثلة حسابية تفصيلية

10.1 الدليل الإجرائي خطوة بخطوة لإدخال البيانات واستخراج النتائج

لتحقيق أقصى استفادة منهجية وضمان استخراج نتائج دقيقة لا تشوبها أخطاء الإدخال، يتعين على الباحث اتباع الدليل الإجرائي المعياري التالي عند استخدام حاسبة التوزيع ذو الحدين:

• الخطوة 1: صياغة المسألة وتحديد معلمات النموذج: قراءة المشكلة العلمية بعناية واستخلاص المعلمات الثلاث الأساسية: التأكد من ثبات n، وتحديد القيمة الدقيقة لاحتمال النجاح الفردي p، وتحديد قيمة أو نطاق قيم k المراد تقييمها.
• الخطوة 2: التحقق من الاتساق المنطقي للمدخلات: التأكد من أن قيمة p تقع في المدى الصحيح (0 ≤ p ≤ 1)، وأن k عدد صحيح موجب لا يتجاوز بأي حال من الأحوال إجمالي عدد المحاولات n.
• الخطوة 3: اختيار نمط المعالجة الاحتمالية المناسب: تحديد ما إذا كان الهدف البحثي يتطلب حساب الاحتمال النقطي الدقيق P(X = k)، أو الاحتمال التراكمي الأدنى P(X ≤ k)، أو الاحتمال التراكمي الأعلى P(X ≥ k)، بما ينسجم بدقة مع صياغة الفرضية الإحصائية.
• الخطوة 4: تشغيل الحاسبة ومراجعة النتائج: استخراج التقرير الرقمي الصادر، وتوثيق قيمة الاحتمال بدقة، وقراءة المؤشرات المرافقة (المتوسط والانحراف المعياري) لتفسير الموقع النسبي للنتيجة ضمن فضاء التوزيع الاحتمالي العام.

10.2 مثال تطبيقي 1: تقييم أداء الطلاب في اختبار نفسي موضوعي

طرح المسألة: خضع طالب لاختبار معرفي نفسي يتكون من n = 20 سؤالاً من نوع الاختيار من متعدد، ويحتوي كل سؤال على 4 بدائل متكافئة (إجابة واحدة صحيحة وثلاثة مشتتات). قرر الطالب الإجابة على جميع الأسئلة بالاعتماد الكلي على التخمين العشوائي المطلق دون أي معرفة بالمحتوى. يُشترط لاجتياز الاختبار بنجاح الحصول على 12 إجابة صحيحة على الأقل. والمطلوب: حساب احتمالية اجتياز الطالب للاختبار بمحض الصدفة، أي حساب P(X ≥ 12).

خطوات المعالجة بالحاسبة:

• إدخال عدد المحاولات: n = 20
• إدخال احتمالية التخمين الصحيح للسؤال الواحد: p = 1/4 = 0.25
• إدخال عدد النجاحات المطلوبة: k = 12
• تحديد العملية المطلوبة: الاحتمال التراكمي العلوي P(X ≥ 12) = 1 – P(X ≤ 11)

المخرجات الحسابية والتفسير:

• المتوسط الحسابي المتوقع للدرجات بالتخمين: μ = n × p = 20 × 0.25 = 5 درجات.
• الانحراف المعياري: σ = √(20 × 0.25 × 0.75) = √3.75 ≈ 1.936.
• قيمة الاحتمال التراكمي المستخرج: P(X ≥ 12) ≈ 0.000914 (أو ما يعادل 0.0914%).

التفسير الإحصائي: تُظهر النتيجة الحسابية أن احتمالية اجتياز الاختبار بالتخمين العشوائي تقل عن واحد في الألف (0.0009). وتُشير هذه النتيجة الإكلينيكية والتربوية إلى أن الاختبار يتمتع برصانة قياسية ممتازة؛ حيث يستحيل عملياً أن ينجح مفحوص لا يمتلك المهارة المطلوبة، مما يمنح الفاحص ثقة مطلقة في أن أي طالب يجتاز عتبة الـ 12 درجة يمتلك قدرة حقيقية تتجاوز مستوى الصدفة الإحصائية.

10.3 مثال تطبيقي 2: دراسة استجابة عينة إكلينيكية لعلاج سلوكي

طرح المسألة: أجرى فريق من المعالجين النفسيين برنامجاً تدخلياً سلوكياً معرفياً على عينة تتألف من n = 100 مريض يعانون من اضطراب الهلع. تشير الأدبيات الطبية المنشورة إلى أن نسبة التحسن التلقائي بدون علاج لا تتعدى p = 0.60 (60%). في نهاية البرنامج التدخلي، لوحظ تحسن k = 70 مريضاً تحسناً إكلينيكياً تاماً. والمطلوب: حساب احتمالية تعافي 70 مريضاً على الأقل (P(X ≥ 70)) تحت فرضية العدم القائلة بعدم كفاءة البرنامج الجديد واقتصار النتائج على المعدل المعتاد.

خطوات المعالجة بالحاسبة:

• إدخال حجم العينة الإكلينيكية: n = 100
• إدخال معدل النجاح الأساسي: p = 0.60
• إدخال قيمة الاستجابات المشاهدة: k = 70
• تحديد العملية: الاحتمال التراكمي P(X ≥ 70) = 1 – P(X ≤ 69)

المخرجات الحسابية والتفسير:

• المتوسط المتوقع تحت فرضية العدم: μ = 100 × 0.60 = 60 متعافياً.
• الانحراف المعياري للتوزيع: σ = √(100 × 0.60 × 0.40) = √24 ≈ 4.899.
• الاحتمال التراكمي الدقيق المحسوب: P(X ≥ 70) ≈ 0.02478 (حوالي 2.48%).

التفسير والقرار الإحصائي: نظراً لأن القيمة الاحتمالية الناتجة (p = 0.0248) أقل من مستوى المعنوية الإحصائية القياسي المعمول به في الدراسات الطبية والنفسية (α = 0.05)، فإننا نرفض فرضية العدم بثقة إحصائية كافية. ويُستدل من ذلك على أن البرنامج التدخلي السلوكي حقق معدل فاعلية حقيقياً يفوق معدلات التحسن المعتادة، مما يدعم اعتماد هذا التدخل العلاجي وتطبيقه على نطاق أوسع في العيادات والمستشفيات النفسية.

11. المقارنة بين التوزيع ذو الحدين والتوزيعات الاحتمالية الأخرى

11.1 التقريب إلى التوزيع الطبيعي (Normal Approximation)

عندما يكبر حجم العينة n بصورة كبيرة، تصبح الحسابات اليدوية للتوزيع ذو الحدين معقدة وشاقة. وفي مثل هذه الظروف، يُعد تقريب دي موافر-لابلاس (De Moivre–Laplace Theorem) أحد أهم المعالم في النظرية الإحصائية، حيث يتيح تقريب التوزيع ذو الحدين المنفصل B(n, p) باستخدام التوزيع الطبيعي المتصل N(μ, σ²)، مع اعتماد نفس المتوسط μ = n × p ونفس التباين σ² = n × p × (1 – p).

يخضع استخدام هذا التقريب لاشتراطات ومعايير تجريبية واضحة؛ حيث تشترط الأدبيات الإحصائية الكلاسيكية أن يكون حاصل ضرب عدد المحاولات في احتمال النجاح، وكذلك حاصل ضربها في احتمال الفشل، مساوياً أو أكبر من 5 (أو 10 وفقاً لمعايير أكثر تحفظاً)، أي:

n × p ≥ 5   و   n × (1 – p) ≥ 5

ونظراً لأننا نقوم بتقريب متغير عشوائي منفصل يقفز بقيم صحيحة عبر منحنى متصل مستمر، يبرز التزام منهجي بتطبيق ما يُعرف بـ معامل تصحيح الاستمرارية (Continuity Correction Factor). ويقتضي هذا التعديل توسيع حدود القيمة المنفصلة k بمقدار ± 0.5 عند حساب المساحات التحتية للتوزيع الطبيعي؛ بحيث يُحسب احتمال P(X = k) كمساحة للفترة المتصلة P(k – 0.5 < X_norm < k + 0.5). يضمن هذا التصحيح تقليل الفجوة الرياضية بين التوزيعين ورفع دقة التقدير الإحصائي لتقترب بدرجة مذهلة من النتائج الدقيقة للتوزيع ذو الحدين.

11.2 التوزيع ذو الحدين مقابل توزيع بواسون (Poisson Distribution)

يُمثل توزيع بواسون (Poisson Distribution) حالة حدّية خاصة ومشتقة مباشرة من التوزيع ذو الحدين، ولكنه يختص بنمذجة “قانون الأحداث النادرة” (Law of Rare Events). يُستخدم تقريب بواسون للتوزيع ذو الحدين عندما يكون عدد المحاولات n كبيراً جداً ويقترب من المالانهاية، بينما تكون احتمالية النجاح p ضئيلة جداً وتقترب من الصفر، مع بقاء حاصل ضربهما (المعدل λ = n × p) ثابتاً ومعتدلاً.

يكمن الفارق الهيكلي بين التوزيعين في طبيعة فضاء الظاهرة؛ فبينما يرتبط التوزيع ذو الحدين بعدد محدد من الفرص والمحاولات المنفصلة والمعدودة، يرتبط توزيع بواسون بمعدل حدوث تدفقي مستمر وموزع عبر فترة زمنية أو مساحة مكانية محددة دون وجود سقف أعلى لعدد المحاولات (n → ∞). وتتميز دالة بواسون بخاصية فريدة تنص على تطابق المتوسط والتباين تماماً (E(X) = Var(X) = λ).

تتضح التفرقة التطبيقية بين النموذجين في الأبحاث الطبية والوبائية؛ فإذا كنا ندرس عدد المصابين باضطراب نفسي نادر جداً (نسبة حدوثه p = 0.0002) في مدينة يبلغ عدد سكانها n = 100,000 نسمة، فإن توزيع بواسون بمعدل λ = 20 يقدم نموذجاً حسابياً فائق البساطة والدقة. أما إذا كانت النسبة معتدلة (مثل p = 0.30) وحجم العينة صغيراً، فإن التوزيع ذو الحدين يظل هو النموذج الواجب التطبيق حصراً للحفاظ على دقة النتائج.

11.3 التوزيع ذو الحدين مقابل التوزيع الهندسي وتوزيع فوق الهندسي

لتكوين رؤية إحصائية متكاملة حول التوزيعات المنفصلة، يستعرض الجدول الشامل التالي الفروق الجوهرية والمعايير المنهجية التي تفصل التوزيع ذو الحدين عن التوزيعات الاحتمالية المنفصلة الشقيقة:

التوزيع الاحتمالي	طبيعة المتغير العشوائي الأساسي (X)	طبيعة المعاينة وثبات الاحتمال (p)	معلمات النموذج الأساسية
التوزيع ذو الحدين (Binomial)	عدد مرات النجاح المتحققة في عدد ثابت من المحاولات (n).	محاولات مستقلة مع ثبات تام للاحتمال p عبر كافة مراحل التجربة.	n (عدد المحاولات)، p (احتمال النجاح).
التوزيع الهندسي (Geometric)	عدد المحاولات الفاشلة التي تسبق ظهور أول نجاح فردي.	محاولات مستقلة ومستمرة باحتمال نجاح ثابت p حتى تحقق أول نجاح.	p (احتمالية النجاح في المحاولة).
التوزيع فوق الهندسي (Hypergeometric)	عدد مرات النجاح المسحوبة من مجتمع إحصائي منتهٍ ومحدد الحجم.	معاينة بدون إرجاع تؤدي لتغير احتمالية النجاح p مع كل عملية سحب.	N (حجم المجتمع)، K (عناصر النجاح بالمجتمع)، n (حجم العينة).

يساعد هذا التمييز المقارن الباحثين على تحديد النموذج الرياضي الصائب منذ مرحلة تصميم التجربة؛ فاختيار التوزيع المناسب لطبيعة البيانات وجمع العينات يحمي النتائج من أخطاء النمذجة ويضمن سلامة الاختبارات الإحصائية اللاحقة.

12. التحديات والأخطاء الشائعة في تطبيق وحساب التوزيع ذو الحدين

12.1 الأخطاء المنهجية في التحقق من شروط التوزيع

يقع العديد من المشتغلين بالبحث العلمي في أخطاء منهجية جسيمة نتيجة الاندفاع في تطبيق معادلات أو حاسبات التوزيع ذو الحدين دون التحقق الصارم من استيفاء البيانات لشروط التوزيع الأساسية. ويأتي في مقدمة هذه الأخطاء تجاهل انتهاك شرط استقلالية المحاولات؛ كأن يجمع الباحث بيانات استجابات سلوكية من أفراد يتفاعلون في مجموعات متبادلة التأثير، أو يجمع قياسات مكررة لنفس الفرد عبر الزمن مع وجود ارتباط ذاتي تسلسلي، مما يُبطل فرضية الاستقلالية ويؤدي إلى تضخيم خطأ النوع الأول (Type I Error).

ويتمثل الخطأ المنهجي الثاني في افتراض ثبات احتمالية النجاح p في بيئات ديناميكية تتسم بتغير الأداء؛ كما هو الحال في الاختبارات الإدراكية المعقدة التي تشهد تذبذباً في دافعية المفحوصين أو انخفاضاً في التركيز بسبب طول الاختبار. إن افتراض بقاء p ثابتة في هذه الحالات يمثل تبسيطاً مخلاً يؤدي إلى تشويه التوزيع الاحتمالي الفعلي للظاهرة.

كما يقع بعض الباحثين في خطأ الخلط بين البيانات الثنائية الحقيقية والمتغيرات متعددة الفئات؛ حيث يتم أحياناً دمج فئات مقياس ليكرت الخماسي قسراً في فئتين (موافق/غير موافق) دون مبرر منهجي سليم، مما يتسبب في فقدان كم هائل من المعلومات التباينية الأصلية للبيانات وتشويه التوزيع الاحتمالي للمتغيرات قيد الدراسة.

12.2 الأخطاء الشائعة في الحساب وتفسير القيم الاحتمالية

على الصعيد الحسابي والإجرائي، يبرز خلط متكرر لدى الباحثين بين الاحتمال النقطي P(X = k) والاحتمال التراكمي P(X ≤ k). ففي كثير من الأحيان، يقوم الباحث بحساب فرصة الحصول على رقم معين بالضبط (مثل نجاح 10 طلاب)، بينما تتطلب فرضيته العلمية تقييم فرصة نجاح 10 طلاب أو أكثر، مما يترتب عليه الوصول إلى قيم احتمالية غير صحيحة وقرارات إحصائية مضللة.

كما تشهد عمليات إدخال البيانات في الحاسبات الإلكترونية سوء فهم للمتباينات الرياضية؛ كعدم التمييز بين عبارة “أكبر من k” (X > k) وعبارة “أكبر من أو يساوي k” (X ≥ k). ونظراً لأن التوزيع ذو الحدين منفصل تماماً، فإن إغفال النقطة الحدية k يحدث فرقاً جوهرياً في القيمة الاحتمالية النهائية، خلافاً للتوزيعات المتصلة التي لا تتأثر فيها المساحات بالنقاط الفردية المعزولة.

ومن أخطر أخطاء التفسير أيضاً الانزلاق نحو استنتاج علاقات سببية حتمية بناءً على النموذج الاحتمالي المجرد؛ فالتوزيع ذو الحدين هو نموذج وصفي استدلالي يرصد احتمالات التكرار والارتباط العددي، ولا يمتلك بذاته القدرة على إثبات السببية ما لم يتم ضبط كافة المتغيرات الدخيلة وتأسيس تصميم تجريبي صارم يعزل المتغير المستقل عزلاً تاماً.

12.3 توصيات وممارسات فضلى للباحثين والمحللين الإحصائيين

لضمان أعلى معايير الجودة والشفافية في البحوث الكمية التي توظف التوزيع ذو الحدين، نوصي المحللين والباحثين باتباع حزمة الممارسات المنهجية الفضلى التالية:

• إجراء اختبارات الصلاحية والمطابقة: تطبيق اختبارات جودة التوفيق، مثل اختبار كاي-تربيع لجودة المطابقة (Chi-Square Goodness-of-Fit)، للتحقق إحصائياً من أن البيانات المشاهدة تتطابق بالفعل مع توقعات التوزيع ذو الحدين قبل بناء الاستدلالات والقرارات النهائية.
• التوثيق الشفاف للمعلمات: الإفصاح الكامل في تقارير البحوث عن حجم العينة الإجمالي n، والتقدير النقطي لاحتمالية النجاح p مع إرفاق فترة الثقة الدقيقة لها (Binomial CI)، وتوضيح مبررات اختيار نقاط القطع المعتمدة.
• التحقق البرمجي المزدوج: استخدام أدوات موثوقة للتحليل الإحصائي، مثل حاسبات التوزيع ذو الحدين المعتمدة، مع إجراء فحص متقاطع للنتائج باستخدام لغات التحليل البرمجي (مثل dbinom و pbinom في لغة R) لضمان الدقة الرقمية التامة وتجنب أي أخطاء في البرمجيات أو الحساب اليدوي.
• فحص حساسية النموذج: اختبار مدى استقرار النتائج عند حدوث تغيرات طفيفة في قيمة p، للتأكد من أن القرارات السريرية أو الميدانية لا تعتمد على تقديرات احتمالية هشة قد تتأثر بتقلبات العينة.

خاتمة شاملة

يظل التوزيع ذو الحدين أحد أعظم الإنجازات الفكرية والرياضية في تاريخ النظرية الاحتمالية والإحصاء التطبيقي. فمن خلال بنيته التوافقية المحكمة، استطاع هذا النموذج تحويل العمليات العشوائية الثنائية البسيطة إلى لغة استدلالية رصينة قادرة على تفسير الظواهر الإنسانية والطبيعية المعقدة. إن قدرته الفائقة على تحديد احتمالات النجاح بدقة متناهية تجعل منه أداة حيوية لا غنى عنها في القياس النفسي، والتشخيص الإكلينيكي، والتجارب السريرية، وضمان الجودة الصناعية، وعلم الوراثة الحديث.

وقد وفرت حاسبات التوزيع ذو الحدين الرقمية الحديثة قوة حسابية هائلة مكنت الباحثين من تجاوز العقبات العددية المعقدة وأتمتة العمليات التوافقية الكبرى بدقة فائقة وفورية. ومع ذلك، تظل القيمة الحقيقية لهذه الأدوات التقنية رهينة بالوعي المنهجي للباحث، وإدراكه العميق للشروط الرياضية والافتراضات الهيكلية التي يقوم عليها النموذج الاحتمالي، والالتزام بالممارسات العلمية الفضلى في تفسير النتائج وتطبيقها في الميادين الواقعية.

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

DeGroot, M. H., & Schervish, M. J. (2012). Probability and statistics (4th ed.). Addison-Wesley.

Feller, W. (1968). An introduction to probability theory and its applications (Vol. 1, 3rd ed.). John Wiley & Sons.

Hogg, R. V., McKean, J., & Craig, A. T. (2019). Introduction to mathematical statistics (8th ed.). Pearson.

National Institute of Standards and Technology. (2012). NIST/SEMATECH e-handbook of statistical methods. U.S. Department of Commerce. https://doi.org/10.18434/M32189

Ross, S. M. (2014). A first course in probability (9th ed.). Pearson.

Weisstein, E. W. (2002). Binomial distribution. Wolfram Research, Inc. https://mathworld.wolfram.com/BinomialDistribution.html