الإحصاء النفسيطرق البحث والقياس

التوزيع الشرطي: التعريف والإيجاد

دليل أكاديمي شامل يوضح مفهوم التوزيع الشرطي، الأسس الرياضية لحسابه للمتغيرات المنفصلة والمتصلة، وتطبيقاته المنهجية في القياس النفسي والأبحاث السلوكية.

تاريخ النشر

يمثل مفهوم التوزيع الشرطي (Conditional Distribution) حجر الزاوية في نظرية الاحتمالات المعاصرة والتحليل الإحصائي المتقدم؛ إذ ينقل الباحث والمحلل من النظرة الأحادية الساذجة للظواهر العشوائية إلى فضاء رحب من الفهم السياقي الديناميكي. ففي واقع العلوم السلوكية، والطبية، والاقتصادية، وعلم البيانات، نادراً ما توجد متغيرات تعمل في معزل تام عن بقية العوامل المحيطة بها. إن محاولة فهم سلوك متغير عشوائي دون النظر إلى الشروط والقيود التي تفرضها المتغيرات الأخرى تؤدي حتماً إلى تعميمات مضللة واستنتاجات تفتقر إلى الدقة العلمية الرصينة.

تكمن القوة التحليلية للتوزيعات الشرطية في قدرتها الفائقة على تفكيك التباين الكلي وإعادة بناء العلاقات الاحتمالية تحت افتراضات محددة ومعطيات مسبقة. فعندما نقرر تثبيت متغير أو مجموعة من المتغيرات عند قيم معينة، فإننا نقوم عملياً بإعادة هيكلة فضاء العينة وتركيز العدسة المجهرية على شريحة فرعية متجانسة من مجتمع الدراسة. هذا الإجراء الرياضي لا يقتصر على كونه أداة حسابية مجردة، بل يمثل تحولاً إبستمولوجياً في كيفية نمذجة اللايقين واستخلاص المعرفة من البيانات المعقدة متعددة الأبعاد، مما يتيح بناء نماذج تنبؤية وتفسيرية عالية الاعتمادية.

يهدف هذا المقال الشامل إلى تقديم مرجع أكاديمي وتطبيقي متكامل حول التوزيعات الشرطية بشقيها المنفصل والمتصل. سنستعرض بعمق الأسس الرياضية الصارمة التي تبنى عليها هذه الدوال، ونوضح خوارزميات إيجادها خطوة بخطوة، مع تسليط الضوء على المقاييس المشتقة كالتوقع والتباين الشرطيين. كما سنمتد في التحليل لنستكشف الروابط العميقة مع الاستدلال البايزي، ونماذج الانحدار، ونظرية القياس النفسي، وطرق المحاكاة الحاسوبية المتقدمة، وصولاً إلى استعراض المزالق المنهجية والمفارقات الإحصائية التي تقتضي حذراً بالغاً عند التفسير.

جدول المحتويات

1. مدخل مفاهيمي: ما هو التوزيع الشرطي؟

1.1 التعريف الرياضي والإحصائي للتوزيع الشرطي

يُعرَّف التوزيع الشرطي في جوهره الرياضي بأنه دالة احتمالية تصف السلوك العشوائي لمتغير تابع (أو مجموعة من المتغيرات) عندما يتم تقييد متغيرات أخرى مرافقة بقيم عددية أو فئوية معلومة وثابتة. وإذا كانت نظرية الاحتمالات التقليدية قد انطلقت من حساب احتمال وقوع حدث ما بشرط وقوع حدث آخر وفق صيغة الاحتمال الشرطي الكلاسيكية، فإن التوزيع الشرطي يمثل التوسع الطبيعي والشامل لهذا المفهوم لينتقل من مستوى الأحداث المعزولة إلى مستوى الدوال الرياضية المتصلة والمنفصلة التي تغطي فضاء القيم الممكنة بأكمله للمتغير العشوائي المستهدف.

رمزياً، إذا كان لدينا متغيران عشوائيان $X$ و $Y$، فإن التوزيع الشرطي لـ $X$ بشرط أن $Y=y$ يعبر عن إعادة وزن لجميع احتمالات قيم $X$ تحت حقيقة أن $Y$ قد اتخذ القيمة $y$ بالفعل. يتيح هذا البناء الرياضي تحويل دالة التوزيع المشترك ثنائية أو متعددة الأبعاد إلى دالة أحادية البعد مشروطة، مما يساعد في تفكيك التفاعلات والاقترانات الرياضية المعقدة إلى مسارات تحليلية واضحة المعالم، تكشف عن البنية الداخلية للظاهرة محل القياس بصورة لا يمكن للتوزيعات غير المشروطة أن تظهرها.

1.2 الفلسفة المنهجية لدراسة التوزيعات المقيدة

تقوم الفلسفة المنهجية لدراسة التوزيعات الاحتمالية المقيدة على مبدأ أساسي مفاده أن الحقيقة الإحصائية ليست مطلقة بل هي مشروطة دائماً بالسياق الذي تُقاس فيه. إن الاعتماد على المتوسطات الهامشية والتوزيعات الكلية للمجتمع يخفي في طياته تبايناً هائلاً وتكتلات نوعية قد تقلب الفهم العلمي للظاهرة رأساً على عقب. ومن هنا، يبرز مبدأ “تقليص فضاء العينة” (Sample Space Reduction)؛ حيث يتم استبعاد جميع عناصر الفضاء الكلي التي لا تتوافق مع الشرط المفروض، مما يسمح بتركيز الطاقة التحليلية على فضاء عينة مصغر ومكثف دلالياً.

تتجلى أهمية هذا التوجه المنهجي في قدرته على ضبط المتغيرات الدخيلة والمربكة (Confounding Variables) وتفسير مصادر التباين غير المبرر. فبدلاً من التساؤل الساذج عن “ما هو معدل الأداء الأكاديمي للطلاب؟”، تتيح التوزيعات الشرطية طرح أسئلة أكثر نضجاً وعمقاً مثل: “ما هو توزيع درجات الأداء الأكاديمي بشرط تلقي تعليم مخصص وتوفر مستوى دخل أسري مرتفع؟”. إن هذا التحول من العمومية إلى التخصيص المشروط يمثل جوهر المنهج العلمي التجريبي الذي يسعى لعزل الشروط لتفسير العلاقات بدقة بالغة.

1.3 التمييز الجوهري بين التوزيع المشترك والهامشي والشرطي

لإدراك البنية الهيكلية للاحتمالات متعددة المتغيرات، يجب التمييز بدقة فلسفية ورياضية بين ثلاثة أشكال متمايزة من التوزيعات: التوزيع المشترك (Joint Distribution)، والتوزيع الهامشي (Marginal Distribution)، والتوزيع الشرطي (Conditional Distribution). يعبر التوزيع المشترك $P(X, Y)$ عن الاحتمال الكلي لحدوث توليفة محددة من قيم المتغيرين معاً في الفضاء ثنائي الأبعاد، وهو يمثل المشهد الكلي للترابط العشوائي دون تفضيل متغير على آخر ودون فرض أي قيود مسبقة.

في المقابل، يمثل التوزيع الهامشي $P(X)$ أو $P(Y)$ إسقاطاً للتوزيع المشترك على بعد أحادي، حيث يتم تجميع أو مكاملة جميع قيم المتغير الآخر لإلغاء تأثيره والتركيز على متغير مفرد بمعزل عن شريكه. أما التوزيع الشرطي، فهو لا يلغي المتغير الآخر بالتجميع بل يثبته عند قيمة معينة، ثم يعيد قياس الاحتمال المشترك منسوباً إلى هذا الشرط عبر عملية قسمة رياضية محكمة: $P(X|Y) = P(X, Y) / P(Y)$. يوضح الجدول المفاهيمي التالي الفروق التفسيرية الجوهرية بين هذه الأنواع الثلاثة في سياق تحليل البيانات التجريبية:

  • التوزيع المشترك: يجيب عن السؤال “ما احتمال أن تحدث القيمة $x$ والقيمة $y$ معاً في نفس الوقت؟”، ونطاقه يغطي فضاء الجداء الديكارتي الكامل للمتغيرين.
  • التوزيع الهامشي: يجيب عن السؤال “ما احتمال أن تحدث القيمة $x$ بغض النظر تماماً عما يحدث للمتغير $Y$؟”، ونطاقه يمثل فضاء المتغير الفردي المستقل.
  • التوزيع الشرطي: يجيب عن السؤال “إذا تأكدنا بما لا يدع مجالاً للشك أن $Y=y$، فما هو التوزيع الاحتمالي الجديد لقيم $X$؟”، ونطاقه مقيد كلياً بالفئة المعرفة بالشرط.

2. الأسس الرياضية للتوزيع الشرطي للمتغيرات المنفصلة

2.1 دالة الكتلة الاحتمالية الشرطية (Conditional PMF)

عند التعامل مع المتغيرات العشوائية المنفصلة (Discrete Random Variables) التي تتخذ قيماً قابلة للعد، يتم التعبير عن التوزيع الاحتمالي من خلال دالة الكتلة الاحتمالية (Probability Mass Function – PMF). وتُعرَّف دالة الكتلة الاحتمالية الشرطية للمتغير $X$ بشرط تحقق القيمة $y$ للمتغير $Y$، والتي يُرمز لها بالرمز $P_{X|Y}(x|y)$ أو $P(X=x | Y=y)$، بالمعادلة الكلاسيكية الأساسية التالية:

$$P(X=x mid Y=y) = \frac{P(X=x, Y=y)}{P(Y=y)}$$

تخضع هذه الدالة لبديهيات كولموغوروف للاحتمالات؛ إذ يجب أن تكون قيمة الاحتمال الشرطي محصورة دائماً في الفترة المغلقة بين صفر وواحد لجميع قيم $x$ الممكنة، أي أن $0 le P(X=x mid Y=y) le 1$. والشرط الرياضي الحاسم هنا لصحة هذه الصيغة هو أن يكون احتمال وقوع الشرط أكبر قطيعاً من الصفر، أي $P(Y=y) > 0$؛ ذلك لأن القسمة على الصفر غير معرفة رياضياً وتعني محاولة استنباط توزيع تحت شرط مستحيل الوقوع أصلاً.

2.2 استخدام جداول التوافق والاقتران (Contingency Tables)

تعد جداول التوافق والاقتران (Contingency Tables) الأداة التطبيقية الأكثر شيوعاً ووضوحاً لحساب التوزيعات الشرطية للمتغيرات الفئوية والمنفصلة. يحتوي هذا الجدول المزدوج على خلايا تمثل التكرارات المشتركة أو الاحتمالات المشتركة بين مستويات المتغير $X$ في الصفوف ومستويات المتغير $Y$ في الأعمدة، مع تخصيص الهوامش الخارجية للمجاميع الإجمالية لكل صف ولكل عمود على حدة.

لتحويل التكرارات المشتركة داخل الجدول إلى نسب احتمالية شرطية، يتم اعتماد أحد مسارين تحليليين بحسب اتجاه الشرط المطلوب: التوزيع الشرطي لصفوف الجدول عبر قسمة تكرار كل خلية داخل الصف على المجموع الإجمالي لنفس الصف، أو التوزيع الشرطي لأعمدة الجدول عبر قسمة تكرار كل خلية داخل العمود على المجموع الإجمالي للعمود المقابل. تصبح المجاميع الهامشية في هذه الحالة هي المقامات القياسية (Normalization Denominators) التي تعيد ضبط مجموع احتمالات كل شريحة فرعية لتصبح مساوية للواحد الصحيح بنسبة 100%.

2.3 خطوات الحساب المنفصل من خلال مثال توضيحي

لتوضيح خوارزمية الحساب بدقة عملية، نفترض دراسة استقصائية شملت 200 مشارك لتقييم العلاقة بين مستوى النشاط البدني ($X$: منخفض، متوسط، مرتفع) ومستوى الرضا النفسي ($Y$: غير راضٍ، راضٍ). لنفترض أن البيانات أظهرت أن العدد الإجمالي للمشاركين الذين يشعرون بالرضا النفسي ($Y = \text{راضٍ}$) بلغ 120 مشاركاً، وتوزعوا حسب النشاط البدني كالآتي: 20 منخفض، 50 متوسط، 50 مرتفع.

خطوات إيجاد التوزيع الشرطي للنشاط البدني $X$ بشرط الرضا النفسي ($Y = \text{راضٍ}$) تسير على النحو التالي المنضبط:

  • أولاً: تحديد الاحتمال الهامشي للشرط: $P(Y = \text{راضٍ}) = 120 / 200 = 0.60$.
  • ثانياً: استخراج الاحتمالات المشتركة لكل تقاطع:
    • $P(X = \text{منخفض}, Y = \text{راضٍ}) = 20 / 200 = 0.10$
    • $P(X = \text{متوسط}, Y = \text{راضٍ}) = 50 / 200 = 0.25$
    • $P(X = \text{مرتفع}, Y = \text{راضٍ}) = 50 / 200 = 0.25$
  • ثالثاً: قسمة كل احتمال مشترك على الاحتمال الهامشي للشرط:
    • $P(X = \text{منخفض} mid Y = \text{راضٍ}) = 0.10 / 0.60 = 1/6 \approx 0.167$
    • $P(X = \text{متوسط} mid Y = \text{راضٍ}) = 0.25 / 0.60 = 5/12 \approx 0.417$
    • $P(X = \text{مرتفع} mid Y = \text{راضٍ}) = 0.25 / 0.60 = 5/12 \approx 0.417$
  • رابعاً: التحقق البديهي: نجمع الاحتمالات الشرطية الناتجة: $0.167 + 0.417 + 0.417 = 1.00$. وبهذا نكون قد اشتققنا التوزيع الشرطي الكامل والمدقق إحصائياً.

3. الأسس الرياضية للتوزيع الشرطي للمتغيرات المتصلة

3.1 دالة الكثافة الاحتمالية الشرطية (Conditional PDF)

تختلف معالجة المتغيرات العشوائية المتصلة (Continuous Random Variables) جوهرياً عن المتغيرات المنفصلة؛ نظراً لأن احتمال وقوع المتغير المتصل عند نقطة دقيقة مفردة يساوي صفراً دائماً في المنظور الرياضي، أي أن $P(Y=y) = 0$. ولمعالجة هذه المعضلة وتجنب القسمة المباشرة على احتمالات صفرية، تم تطوير مفهوم دالة الكثافة الاحتمالية الشرطية (Conditional Probability Density Function – Conditional PDF) كنسبة تفاضلية تعتمد على نهايات الحجوم الاحتمالية المتناهية في الصغر.

تُعرَّف دالة الكثافة الاحتمالية الشرطية للمتغير $X$ عند ثبوت $Y=y$ بالصيغة التحليلية الصارمة:

$$f_{X|Y}(x mid y) = \frac{f(x, y)}{f_Y(y)} \quad \text{حيث} \quad f_Y(y) > 0$$

حيث تمثل $f(x, y)$ دالة الكثافة الاحتمالية المشتركة للمتغيرين، بينما تمثل $f_Y(y)$ دالة الكثافة الهامشية للمتغير المشروط. إن هذه الصيغة تتغلب ببراعة على مفارقة بوريل-كولموغوروف من خلال تعريف التوزيع المشروط كحد لنسبة كثافات لا كنسبة احتمالات مطلقة، مما يمنح الدالة الشرطية الناتجة جميع الخصائص البنائية لدوال الكثافة الاحتمالية القياسية أحادية البعد.

3.2 التكامل وتطبيع الدوال لاستخراج الكثافة الهامشية

يمثل استخراج دالة الكثافة الهامشية $f_Y(y)$ الخطوة التكاملية الأساسية لاكتمال عملية البناء الرياضي للدالة الشرطية. يتم الحصول على هذه الدالة الهامشية من خلال مكاملة دالة الكثافة المشتركة $f(x, y)$ بالنسبة للمتغير $X$ على كامل مجاله الممكن، وذلك وفق الصيغة التكاملية:

$$f_Y(y) = \int_{-\infty}^{\infty} f(x, y) , dx$$

تعمل هذه القيمة التكاملية الناتجة كمعامل تطبيع (Normalization Constant) يضمن أن المساحة الكلية الواقعة تحت منحنى دالة الكثافة الشرطية الناتجة تساوي الواحد الصحيح تماماً عند مكاملتها عبر نطاق $X$، أي:

$$\int_{-\infty}^{\infty} f_{X|Y}(x mid y) , dx = \int_{-\infty}^{\infty} \frac{f(x, y)}{f_Y(y)} , dx = \frac{1}{f_Y(y)} \int_{-\infty}^{\infty} f(x, y) , dx = \frac{f_Y(y)}{f_Y(y)} = 1$$

وتجدر الإشارة إلى أن التحدي التحليلي الأكبر يكمن عادة في التعامل مع حدود التكامل عندما تكون النطاقات الهندسية للمتغيرات معتمدة على بعضها البعض (Non-rectangular domains)، كأن يكون مجال الدالة معرّفاً في المنطقة المثلثية $0 le x le y le 1$؛ حيث يتطلب الأمر دقة متناهية في تحديد حدود التكامل المتغيرة تبعاً للشرط المفروض.

3.3 التوزيعات الشرطية في النماذج متعددة الأبعاد المتصلة

عند الارتقاء بالتحليل الإحصائي نحو المتجهات العشوائية متعددة الأبعاد، يتم تمديد مفهوم التوزيع الشرطي ليتعامل مع شرط متجه كامل من المتغيرات على متجه آخر، كأن نبحث عن الدالة $f(\mathbf{X}_1 mid \mathbf{X}_2 = \mathbf{x}_2)$ حيث يمثل كل من $\mathbf{X}_1$ و $\mathbf{X}_2$ متجهات فرعية مشتقة من متجه عشوائي مشترك يخضع لـ التوزيع الطبيعي متعدد المتغيرات (Multivariate Normal Distribution).

يتميز التوزيع الطبيعي متعدد الأبعاد بخاصية رياضية فريدة واستثنائية: فإذا كان المتجه المشترك طبيعياً، فإن جميع التوزيعات الشرطية المشتقة منه تكون حتماً توزيعات طبيعية أيضاً. فإذا كان لدينا المتجه المشترك مقسماً بمتوسط $boldsymbol{\mu} = [boldsymbol{\mu}_1, boldsymbol{\mu}_2]^T$ ومصفوفة تباين وتباين مشترك مقسمة إلى كتل $boldsymbol{\Sigma}_{11}, boldsymbol{\Sigma}_{12}, boldsymbol{\Sigma}_{21}, boldsymbol{\Sigma}_{22}$، فإن التوزيع الشرطي لـ $\mathbf{X}_1$ بشرط $\mathbf{X}_2 = \mathbf{x}_2$ يكون توزيعاً طبيعياً معلماً بمتوسط شرطي ومصفوفة تباين شرطية تعطى بالعلاقتين الخطيّتين التاليتين:

$$boldsymbol{\mu}_{1|2} = boldsymbol{\mu}_1 + boldsymbol{\Sigma}_{12} boldsymbol{\Sigma}_{22}^{-1} (\mathbf{x}_2 – boldsymbol{\mu}_2)$$

$$boldsymbol{\Sigma}_{1|2} = boldsymbol{\Sigma}_{11} – boldsymbol{\Sigma}_{12} boldsymbol{\Sigma}_{22}^{-1} boldsymbol{\Sigma}_{21}$$

تُظهر هذه النتيجة الأنيقة أن التباين المشروط في التوزيع الطبيعي يقل دائماً عن التباين الهامشي الأصلي بمقدار يعكس قوة الارتباط الخطي بين المتغيرات، والأهم من ذلك أن مصفوفة التباين المشروطة $boldsymbol{\Sigma}_{1|2}$ تصبح مستقلة تماماً عن القيمة المحددة للشرط $\mathbf{x}_2$.

4. خوارزمية وخطوات إيجاد التوزيع الشرطي عملياً

4.1 الخطوة الأولى: تحديد المتغير المستهدف والمتغير المشروط

تبدأ الرحلة التطبيقية لإيجاد التوزيع الشرطي بصياغة منهجية دقيقة للهدف البحثي. يجب على المحلل التمييز بوضوح قاطع بين “المتغير المستهدف” (Target Variable) الذي نسعى لرسم منحنى توزيعه الاحتمالي، و”المتغير المشروط” (Conditioning Variable) الذي يمثل المعطى أو السياق المثبت. ويترتب على هذا التمييز تحديد اتجاه دالة الاحتمال الشرطي؛ إذ إن دالة $f(X|Y)$ تختلف كلياً من حيث المعنى الرياضي والخصائص التحليلية عن دالة $f(Y|X)$.

تتضمن هذه الخطوة أيضاً التدقيق في طبيعة ومستوى قياس البيانات؛ هل هي بيانات نوعية اسمية (Nominal)، أو ترتيبية (Ordinal)، أو كمية منفصلة ذات فضاء متقطع، أو كمية متصلة مستمرة في فضاء الأعداد الحقيقية؟ إن التوصيف السليم لطبيعة البيانات يحدد مسار المعالجة الرياضية اللاحقة وما إذا كان التحليل سيعتمد على الجمع والجدولة التوافقية أو على المكاملة والاشتقاق التفاضلي.

4.2 الخطوة الثانية: اشتقاق أو حساب التوزيع الهامشي للمتغير المشروط

بمجرد تثبيت المتغير المشروط وتحديد مجاله، تأتي الخطوة الثانية المتمثلة في حساب توزيعه الهامشي $P_Y(y)$ أو $f_Y(y)$. في البيانات المنفصلة، يتم ذلك عبر جمع قيم الاحتمالات المشتركة عبر جميع مستويات المتغير المستهدف، بينما يتم في البيانات المتصلة عبر إجراء عملية التكامل المحدود للدالة المشتركة عبر الامتداد الكامل للمتغير المستهدف كما بيّنا سابقاً.

من الأهمية بمكان في هذه المرحلة التحقق الإحصائي والرياضي من أن الدالة الهامشية المحسوبة لا تساوي صفراً عند القيمة المراد دراسة الشرط عندها. وفي التطبيقات الميدانية القائمة على عينات تجريبية، يجب تقييم حجم العينة في الفئة المشروطة؛ إذ إن صغر حجم الفئة الهامشية قد يؤدي إلى تقديرات إحصائية مهتزة وغير مستقرة للتوزيع الشرطي بسبب ارتفاع خطأ المعاينة المعياري في المقامات الصغيرة.

4.3 الخطوة الثالثة: تطبيق قانون القسمة والتحقق الرياضي

تتمثل الخطوة الإجرائية المحورية في تطبيق قانون القسمة الاحتمالي بقسمة دالة التوزيع المشترك $f(x, y)$ على دالة التوزيع الهامشي للمتغير المشروط $f_Y(y)$. ينتج عن هذا الإجراء الكسر الرياضي المعبر عن الدالة الشرطية المباشرة $f_{X|Y}(x|y)$.

بعد إتمام القسمة واختصار الحدود الجبرية المشتركة، يجب إخضاع الدالة الناتجة لفحص التحقق الرياضي الصارم للتأكد من انطباق بديهيات الاحتمال عليها، ويشمل هذا الفحص خطوتين إلزاميتين:

  • التأكد من إيجابية الدالة لجميع قيم $x$ في النطاق المعرف: $f_{X|Y}(x mid y) ge 0$.
  • إجراء عملية الجمع الكلي (في الحالة المنفصلة: $\sum_x P(x|y) = 1$) أو التكامل الكلي (في الحالة المتصلة: $\int_{-\infty}^{\infty} f(x|y) dx = 1$) والتأكد القطعي من أن الناتج يساوي واحداً صحيحاً دون أي خلل في معاملات التطبيع.

4.4 الخطوة الرابعة: التفسير البياني والوصفي للتوزيع الناتج

تكتمل الخوارزمية بتحويل الصيغ الرياضية المجردة إلى رؤى بيانية وتفسيرات إحصائية قابلة للتطبيق. يتم رسم منحنيات الكثافة الشرطية عند قيم مختلفة للشرط ومقارنتها بمنحنى التوزيع الهامشي الكلي الأصلي؛ لملاحظة كيفية انزياح مركز التوزيع (المتوسط والوسيط الشرطي) وتغير شكله التوزيعي وتشتته (الانحراف المعياري الشرطي) استجابة للشرط المطبق.

يسهم هذا التحليل المقارن في كشف الأنماط اللاخطية والتفاعلات الدقيقة؛ فعلى سبيل المثال، إذا لوحظ أن منحنى الكثافة الشرطية لزمن الاستجابة المعرفية يصبح أكثر ضيقاً والتواءً عند اشتداد مستوى الإجهاد النفسي مقارنة بالتوزيع الهامشي، فإن هذا يولد استنتاجاً علمياً موثوقاً بأن الإجهاد يقلص التباين الفردي ويدفع الأداء نحو حدود دنيا حرجة، وهو ما تظهره المعالم الشرطية بوضوح تام.

5. المقاييس والمعالم الإحصائية المشتقة من التوزيع الشرطي

5.1 التوقع الرياضي الشرطي (Conditional Expectation)

يعد التوقع الرياضي الشرطي (Conditional Expectation)، والذي يُرمز له بالرمز $E[X mid Y=y]$، من أهم المفاهيم في الإحصاء الرياضي الحديث والنمذجة القياسية؛ إذ يمثل المتوسط الموزون لقيم المتغير العشوائي $X$ بعد أخذ المعلومات التي يقدمها الحدث $Y=y$ في الاعتبار. ويتم حسابه عبر الصيغتين التاليتين تبعاً لطبيعة المتغير:

  • في الحالة المنفصلة: $$E[X mid Y=y] = \sum_{x} x , P(X=x mid Y=y)$$
  • في الحالة المتصلة: $$E[X mid Y=y] = \int_{-\infty}^{\infty} x , f_{X|Y}(x mid y) , dx$$

من الضروري إدراك أن $E[X mid Y=y]$ هو قيمة عددية ثابتة عند تعويض قيمة معينة للشرط $y$، ولكنه إذا كُتب بالصيغة $E[X mid Y]$ دون تحديد قيمة $y$ فإنه يتحول إلى متغير عشوائي بحد ذاته يكون دالة رياضية في المتغير $Y$. يرتبط التوقع الشرطي بمبرهنة رياضية مركزية تُعرف باسم قانون التوقع المكرر (Law of Iterated Expectations) أو قانون التوقع الكلي، والتي تنص على أن القيمة المتوقعة للتوقع الشرطي تساوي التوقع الهامشي الكلي غير المشروط:

$$E\Big[ E[X mid Y] \Big] = E[X]$$

توفر هذه المبرهنة وسيلة تحليلية استثنائية لحساب التوقعات المعقدة لظواهر متعددة المراحل عبر تفتيتها إلى خطوات شرطية أبسط ثم أخذ متوسطها الإجمالي.

5.2 التباين الشرطي (Conditional Variance)

يقيس التباين الشرطي (Conditional Variance)، المعبر عنه بالرمز $\text{Var}(X mid Y=y)$، درجة تشتت وانتشار قيم المتغير $X$ حول متوسطها الشرطي المقيد بالشرط $Y=y$. ويُصاغ رياضياً على النحو التالي:

$$\text{Var}(X mid Y=y) = E\Big[ (X – E[X mid Y=y])^2 Bigm| Y=y \Big] = E[X^2 mid Y=y] – \big(E[X mid Y=y]\big)^2$$

يعد التباين الشرطي مؤشراً حيوياً على الدقة التنبؤية؛ فكلما صغرت قيمة التباين الشرطي، كانت القوة التنبؤية للمتغير المشروط $Y$ في تقدير قيم المتغير المستهدف $X$ أعلى وأكثر إحكاماً. ويرتبط التباين الشرطي بالتباين الهامشي الكلي عبر علاقة بنيوية بارزة تُعرف باسم قانون تفكيك التباين الكلي (Law of Total Variance):

$$\text{Var}(X) = E\big[\text{Var}(X mid Y)\big] + \text{Var}\big(E[X mid Y]\big)$$

توضح هذه المعادلة أن التباين الإجمالي لأي ظاهرة يمكن تجزئته بدقة إلى مركبين مستقلين: متوسط التباينات المتبقية داخل الفئات المشروطة (Unexplained variance / Within-group variance)، مضافاً إليه تباين المتوسطات الشرطية بين تلك الفئات (Explained variance / Between-group variance)، وهو الأساس الرياضي الراسخ الذي بُنيت عليه أساليب تحليل التباين (ANOVA) ونماذج الانحدار الخطي.

5.3 العزوم والوسيطات الشرطية العليا

لا يقتصر الوصف الإحصائي للتوزيعات الشرطية على التوقع والتباين فقط، بل يمتد ليشمل العزوم المركزية العليا المشروطة التي تكشف عن ملامح هندسية متقدمة لشكل المنحنى الشرطي. يُعرَّف الالتواء الشرطي (Conditional Skewness) كعزم مركزي ثالث نسبي يقيس مدى عدم تماثل التوزيع الشرطي حول متوسطه المشروط، في حين يقيس التفرطح الشرطي (Conditional Kurtosis) كعزم مركزي رابع مدى حدة القمة وثقل الذيول الاحتمالية تحت القيود المفروضة.

وفي الحالات التي تعاني فيها البيانات من التواءات حادة أو احتواء على قيم متطرفة وشاذة، يتم اللجوء إلى الوسيط الشرطي (Conditional Median) والمئينيات الشرطية (Conditional Quantiles) كبدائل لامعلمية متينة تصف مواضع التمركز المشروط دون التأثر بالقيم القصوى. وتلعب دالة التوليد العزمية الشرطية (Conditional Moment-Generating Function) المعرفة بـ $M_{X|Y}(t mid y) = E[e^{tX} mid Y=y]$ دوراً تحليلياً حاسماً في استنباط كافة هذه العزوم الرياضية بسلاسة عبر التفاضل المتتالي بالنسبة للمتغير $t$.

6. التوزيع الشرطي وعلاقته بالاستدلال البايزي

6.1 صياغة مبرهنة بايز من منظور التوزيعات الشرطية

يمثل التوزيع الشرطي العمود الفقري والنواة الرياضية الصلبة التي تدور حولها المدرسة الإحصائية البايزية برمتها. في المنظور البايزي، لا يُنظر إلى معالم المجتمع الإحصائي (Parameters $\theta$) كقيم ثابتة مجهولة كما تفعل المدرسة التكرارية الكلاسيكية، بل تُعامل كمتغيرات عشوائية تتبع توزيعات احتمالية تعكس حالة المعرفة واللايقين لدى الباحث حيالها.

تتم إعادة صياغة مبرهنة بايز بدلالة دوال الكثافة والتوزيعات الشرطية وفق المعادلة المحورية التالية:

$$f(\theta mid \mathbf{x}) = \frac{f(\mathbf{x} mid \theta) , f(\theta)}{f(\mathbf{x})} = \frac{f(\mathbf{x} mid \theta) , f(\theta)}{\int f(\mathbf{x} mid \theta) , f(\theta) , d\theta}$$

حيث يمثل $f(\theta mid \mathbf{x})$ التوزيع البعدي الشرطي للمعلمة بناءً على البيانات المرصودة، بينما يمثل $f(\mathbf{x} mid \theta)$ دالة الإمكان (Likelihood Function) والتي هي في جوهرها التوزيع الشرطي للبيانات في ظل فرضية صحة المعلمة، ويمثل $f(\theta)$ التوزيع القبلي (Prior)، في حين يلعب التوزيع الهامشي للبيانات $f(\mathbf{x})$ دور ثابت التطبيع التكاملي.

6.2 تحديث المعتقدات الاحتمالية من التوزيع القبلي إلى البعدي

تجسد الآلية البايزية عملية التحديث المنهجي المستمر للمعرفة الإنسانية والعلمية؛ حيث ينطلق الباحث من حالة عدم يقين أولية يصفها بالتوزيع الاحتمالي القبلي $f(\theta)$، وبمجرد إجراء التجربة وجمع بيانات العينة $\mathbf{x}$، يتم دمج هذه الأدلة عبر دالة الإمكان المشروطة لتوليد التوزيع البعدي الشرطي المحدث $f(\theta mid \mathbf{x})$.

لتسهيل هذه العمليات الحسابية تحليلياً، يستخدم الإحصائيون ما يُعرف بـ التوزيعات القبلية المرافقة (Conjugate Priors)؛ وهي عائلات من التوزيعات الاحتمالية التي تتميز بخاصية جبرية فريدة تجعل التوزيع البعدي الشرطي الناتج ينتمي إلى نفس العائلة الاحتمالية للتوزيع القبلي ولكن بمعالم محدثة. على سبيل المثال، في التوزيع الثنائي مع توزيع قبلي من عائلة بيتا، يكون التوزيع الشرطي البعدي للمعلمة توزيع بيتا أيضاً، مما يلغي الحاجة للمكاملات العددية المعقدة ويسمح بتتبع تحديث دقة التقدير الإحصائي بصورة مغلقة وأنيقة.

6.3 الاستدلال البايزي في النمذجة النفسية والمعرفية

امتدت تطبيقات التوزيعات الشرطية البايزية بعمق إلى ميادين علم النفس المعرفي والقياس النفسي الحديث؛ حيث يُنظر إلى العقل البشري كنظام معالجة بايزي يقوم باستمرار بحساب التوزيعات الشرطية لفرضيات العالم المحيط بناءً على المدخلات الحسية المتدفقة والمشوشة. يتم نمذجة اتخاذ القرار البشري وإدراك الأنماط من خلال خوارزميات الاستدلال الشرطي الأمثل تحت ظروف المخاطرة واللايقين.

وفي مجال القياس النفسي المحوسب، تشكل التوزيعات الشرطية الأساس النظري لنظام الاختبارات التكيفية المحوسبة (Computerized Adaptive Testing – CAT)؛ حيث يبدأ النظام بتوزيع قبلي لقدرة المفحوص الكامنة، ومع كل استجابة لسؤال اختباري، يتم تحديث التوزيع الشرطي للقدرة واختيار السؤال التالي الذي يرفع من الدقة الشرطية إلى الحد الأقصى، مما يقلل عدد الأسئلة المطلوبة بنسبة تزيد عن 50% مع الحفاظ على أعلى مستويات الدقة القياسية.

7. التوزيع الشرطي في القياس النفسي والأبحاث السلوكية

7.1 عزل المتغيرات الديموغرافية وضبط المتغيرات الوسيطة

في الأبحاث السلوكية والطب النفسي، نادراً ما تكون المقاييس النفسية مجردة من التأثيرات التفاعلية للمتغيرات الديموغرافية كالعمر، والنوع الاجتماعي، والمستوى الاجتماعي والاقتصادي. تبرز هنا التوزيعات الشرطية كأداة لا غنى عنها لدراسة توزيع درجات مقاييس الاكتئاب أو القلق أو الوظائف التنفيذية بشرط تثبيت فئات ديموغرافية محددة؛ مما يكشف عن التباينات الكامنة التي قد يطمسها التحليل الهامشي العام.

تتجلى الأهمية القصوى لهذا التحديد الشرطي في الكشف عن الأداء التفاضلي للبنود (Differential Item Functioning – DIF) في الاختبارات النفسية والتربوية؛ حيث يُفحص ما إذا كان احتمال الإجابة الصحيحة على بند معين يختلف بين مجموعتين (كالذكور والإناث) بشرط تثبيت مستوى القدرة الكامنة الفعلي لكلا الطرفين. إذا اختلف التوزيع الشرطي للاستجابة بين المجموعتين عند نفس مستوى القدرة، فإن هذا يقدم دليلاً رياضياً قاطعاً على تحيز البند القياسي وافتقاره للعدالة الاختبارية، وهو ما يتطلب تدخلاً منهجياً لإعادة صياغته أو حذفه.

7.2 تطبيقات نظرية الاستجابة للمفردة (Item Response Theory)

تعتمد نظرية الاستجابة للمفردة (IRT)، التي تمثل الإطار الحديث للقياس النفسي والتربوي، اعتماداً كلياً على الصياغة الرياضية للتوزيعات الشرطية. فالركيزة الأساسية للنظرية هي دالة استجابة المفردة (Item Response Function – IRF)، والتي تُعرف كدالة توزيع شرطي غير خطية تعبر عن احتمال استجابة المفحوص بنجاح للمفردة الاختبارية بشرط امتلاكه لمستوى محدد من السمة الكامنة ($\theta$):

$$P(Y_i = 1 mid \theta) = c_i + \frac{1 – c_i}{1 + e^{-a_i (\theta – b_i)}}$$

حيث تمثل $b_i$ معامل الصعوبة، و $a_i$ معامل التمييز، و $c_i$ معامل التخمين. كما تفرض النظرية مبدأ الاستقلال الموضعي (Local Independence)، وهو شرط رياضي ينص على أن استجابات المفحوص لمختلف بنود الاختبار يجب أن تكون مستقلة استقلالاً شرطياً تاماً بمجرد تثبيت قيمة السمة الكامنة لديه، أي أن $P(\mathbf{Y} mid \theta) = \prod_i P(Y_i mid \theta)$. وعلاوة على ذلك، يتم بناء “دالة معلومات الاختبار” كتوزيع شرطي لدقة القياس يوضح المناطق التي يقيس فيها الاختبار السمة بأعلى كفاءة عبر مختلف مستويات القدرة.

7.3 تحليل الفروق الفردية في ظل الشروط التجريبية المتغيرة

تتيح التوزيعات الشرطية للباحثين في علم النفس التجريبي والعلوم العصبية نمذجة الفروق الفردية في زمن الرجع الحركي والمعرفي تحت تأثير المتغيرات التجريبية المستقلة، كأن يتم فحص التوزيع الشرطي لزمن اتخاذ القرار تحت ظروف تباين الإضاءة، أو وجود مشتتات سمعية، أو تحت تأثير الحرمان من النوم. إن مقارنة معالم التوزيع الشرطي (كالمتوسط والتشتت والالتواء) عبر هذه الظروف تقدم رؤى نوعية حول كيفية انهيار المعالجة المعرفية تحت الضغط.

كما تمكّن هذه المنهجية من دراسة التشتت السلوكي داخل الفرد الواحد عبر الزمن (Intra-individual Variability)؛ حيث يتم بناء توزيعات شرطية زمنية تقيس تقلبات الأداء والانتباه اللحظي لنفس المشارك عبر جلسات متتابعة. يساعد هذا التحليل الشرطي الدقيق في التمييز بين التدهور المعرفي المستقر المرتبط بالشيخوخة الطبيعية، والتقلبات الحادة غير المستقرة التي قد تشير إلى بدايات مبكرة للاضطرابات العصبية التنكسية مثل مرض ألزهايمر.

8. التوزيع الشرطي في نماذج الانحدار والارتباط

8.1 مفهوم الانحدار كدالة للمتوسط الشرطي

غالباً ما يتم تقديم نماذج الانحدار في المناهج الإحصائية كمعادلات خطية جبرية تهدف إلى رسم خط التوافق الأفضل بين النقاط، إلا أن الرؤية الرياضية العميقة لنموذج الانحدار الخطي (Linear Regression) تؤكد أنه ليس سوى نمذجة مباشرة لـ دالة التوقع الرياضي الشرطي للمتغير التابع في ظل معرفة قيم المتغيرات المستقلة. يُعاد كتابة نموذج الانحدار إحصائياً بالصيغة التأسيسية التالية:

$$E[Y mid X = x] = \beta_0 + \beta_1 x$$

ومن ثم تصبح القيمة المرصودة لكل مشاهدة فردية خاضعة للمعادلة الهيكلية: $Y_i = E[Y mid X=x_i] + \varepsilon_i$. يعكس هذا البناء أن خط الانحدار يمثل في واقعه المسار الهندسي الذي يربط بين مراكز ومتوسطات التوزيعات الشرطية اللانهائية للمتغير $Y$ المتولدة عند كل نقطة من نقاط المتغير التفسيري $X$.

8.2 افتراضات التوزيع الشرطي للأخطاء والبواقي

لكي تكون تقديرات المربعات الصغرى العادية (OLS) غير متحيزة وذات كفاءة إحصائية عليا ومثلى وفق مبرهنة غاوس-ماركوف، يجب أن تحقق البواقي العشوائية ($varepsilon$) مجموعة من الافتراضات الصارمة المرتبطة كلياً بتوزيعاتها الشرطية:

  • صفرية المتوسط الشرطي للبواقي: $E[varepsilon mid X] = 0$، وهو افتراض يضمن أن النموذج قد استنفد واستخلص كافة المعلومات الخطية من المتغير المستقل، ولم يتبقَ في الأخطاء أي نمط متبقٍ غير مشول.
  • تجانس التباين الشرطي (Homoscedasticity): $\text{Var}(\varepsilon mid X) = \sigma^2$ لجميع قيم $X$. إذا كان التباين الشرطي متغيراً بتغير $X$، نقع في مشكلة عدم التجانس (Heteroscedasticity) التي تؤدي إلى تضليل فترات الثقة واختبارات المعنوية.
  • الاعتدالية الشرطية للبواقي: $\varepsilon mid X \sim \mathcal{N}(0, \sigma^2)$، وهو الافتراض اللازم لبناء اختبارات $t$ و $F$ الاستدلالية بدقة بالغة، والذي يقتضي بدوره أن يكون التوزيع الشرطي للمتغير التابع نفسه توزيعاً طبيعياً معلماً بالمتوسط الشرطي والتباين الثابت: $Y mid X \sim \mathcal{N}(\beta_0 + \beta_1 X, \sigma^2)$.

8.3 الانحدار اللامعلمي وانحدار المئينيات الشرطية (Quantile Regression)

في العديد من البيانات السلوكية والطبية، تكون التوزيعات الشرطية للمتغير التابع غير متماثلة أو مفرطة الالتواء أو ذات تباينات غير متجانسة بشكل لا تعالجه التحويلات الرياضية، مما يجعل الاقتصار على دالة المتوسط الشرطي مضللاً ولا يعكس ما يحدث في مختلف شرائح المجتمع. هنا يتألق انحدار المئينيات الشرطية (Quantile Regression) الذي ابتكره الاقتصاديان كوينكر وباسيت لتجاوز هذا القصور.

يتيح انحدار المئينيات تقدير دوال الانحدار لمختلف المئينيات الشرطية (كالوسيط المشروط عند المئين 50، أو الذيول عند المئينين 10 و 90) بشكل مباشر عبر دوال خسارة غير متماثلة تسمى (Check function). تكشف هذه التقنية عن كيفية تأثير المتغير المستقل على أطراف التوزيع الشرطي وليس فقط على وسطه، مما يفتح آفاقاً استثنائية لدراسة الأثر العلاجي على الفئات الأكثر هشاشة وتطرفاً في القياسات السلوكية.

9. الاستقلال الإحصائي وعلاقته بالتوزيع الشرطي

9.1 التعريف الرياضي للاستقلال بدلالة التوزيع الشرطي

يرتبط مفهوم الاستقلال الإحصائي (Statistical Independence) بين المتغيرات العشوائية ارتباطاً عضويّاً بمفهوم التوزيع الشرطي. يُعرَّف الاستقلال رياضياً بأنه الحالة التي لا تقدم فيها معرفة قيمة أحد المتغيرين أي معلومة احتمالية إضافية على الإطلاق لتعديل التوزيع الاحتمالي للمتغير الآخر. ويُصاغ هذا الشرط الصارم لجميع قيم $x$ و $y$ بإحدى الصيغتين المتكافئتين التاليتين:

$$f_{X|Y}(x mid y) = f_X(x) \quad iff \quad f(x, y) = f_X(x) , f_Y(y)$$

يعني هذا التساوي الرياضي أن التوزيع الشرطي يطابق التوزيع الهامشي مطابقة تامة؛ أي أن المنحنى الاحتمالي للمتغير $X$ يظل ثابتاً ورامداً دون أي انزياح أو تغير في شكله مهما تبدلت وتغيرت الشروط المفروضة من المتغير $Y$. ويجب التأكيد هنا على أن الاستقلال الإحصائي بالمعنى التوزيعي أقوى وأشمل بكثير من مجرد انعدام التغاير أو صفرية معامل الارتباط الخطي (Zero Covariance)؛ إذ ينفي الاستقلال التوزيعي كافة أشكال العلاقات الخطية واللاخطية المعقدة بين المتغيرين.

9.2 مفهوم الاستقلال الشرطي (Conditional Independence)

يمثل الاستقلال الشرطي (Conditional Independence) أحد أعمق المفاهيم في الإحصاء الرياضي ونظرية الرسوم البيانية الاحتمالية والذكاء الاصطناعي. يُقال إن المتغيرين $X$ و $Y$ مستقلان استقلالاً شرطياً بمعلومية متغير ثالث $Z$، ويُرمز لذلك بالرمز $(X perp!!!perp Y mid Z)$، إذا وفقط إذا كان التوزيع المشترك لهما بشرط $Z$ قابلاً للتفكيك إلى جداء توزيعيهما الشرطيين المنفصلين:

$$P(X, Y mid Z) = P(X mid Z) , P(Y mid Z) \quad iff \quad P(X mid Y, Z) = P(X mid Z)$$

تكمن الأهمية الفلسفية والتطبيقية لهذا المفهوم في قدرته على عزل الارتباطات الزائفة (Spurious Correlations) والوساطة الإحصائية؛ ففي كثير من الأحيان يظهر ارتباط قوي بين $X$ و $Y$ نتيجة كونهما يشتركان في سبب كامن مشترك $Z$. بمجرد تثبيت وقيد المتغير $Z$ بالشرط، يتبخر الارتباط المشترك بين $X$ و $Y$ بالكامل. يعد هذا المبدأ حجر الزاوية في بناء الشبكات البايزية (Bayesian Networks) ونماذج المعادلات البنائية (Structural Equation Modeling) وخوارزميات الاكتشاف السببي الحديثة.

9.3 اختبارات الفرضيات الإحصائية للاستقلال الشرطي

للتحقق التطبيقي من صحة فرضية الاستقلال الشرطي في البيانات الميدانية، طور الإحصائيون حزمة من الاختبارات الاستدلالية المتقدمة تبعاً لطبيعة المتغيرات:

  • اختبار كوكران-مانتل-هانزل (Cochran-Mantel-Haenszel Test): يُستخدم لاختبار الاستقلال الشرطي في جداول التوافق ثلاثية الأبعاد ($2 \times 2 \times K$) للبيانات الفئوية، حيث يفحص ما إذا كانت نسبة الأرجحية المشروطة تساوي واحداً عبر جميع طبقات المتغير المربك $Z$.
  • معامل الارتباط الجزئي (Partial Correlation): يقيس قوة العلاقة الخطية المشروطة بين متغيرين متصلين بعد استبعاد وحذف التأثير الخطي لمتغير ثالث أو مجموعة متغيرات، ويخضع لاختبار الدلالة الإحصائية عبر توزيع $t$ لتحديد ما إذا كان الارتباط المشروط ينحدر للصفر.
  • اختبارات الاستقلال الشرطي المعتمدة على النوى الرياضية (Kernel-based Conditional Independence Tests): مثل اختبار (KCIPT) الذي يمثل الاتجاه الأحدث في تعلم الآلة لاكتشاف التبعيات اللاخطية المعقدة دون افتراض التوزيع الطبيعي.

10. طرق المحاكاة الحاسوبية لتقدير التوزيعات الشرطية المعقدة

10.1 خوارزمية أخذ العينات لجيبس (Gibbs Sampling)

في معظم النماذج الإحصائية المعقدة ومتعددة الأبعاد، تصبح الدوال المشتركة والتكاملات اللازمة لحساب التوزيعات الشرطية تحليلياً بالغة التعقيد ومستحيلة الحل الرياضي المغلق. هنا تبرز خوارزمية أخذ العينات لجيبس (Gibbs Sampling)، وهي إحدى أهم خوارزميات مونت كارلو عبر سلاسل ماركوف (MCMC)، لتقدم حلاً حسابياً عبقرياً يعتمد اعتماداً كلياً على التوزيعات الشرطية الكاملة (Full Conditional Distributions).

تقوم الخوارزمية على مبدأ توليد عينات عشوائية متتالية عبر التحديث التناوبي لكل متغير على حدة بشرط تثبيت القيم الحالية لجميع المتغيرات الأخرى في النموذج. فإذا كان لدينا المتجه العشوائي $\mathbf{X} = (X_1, X_2, dots, X_p)$، تسير الخوارزمية في الدورة التكرارية $t$ بالخطوات التالية:

  1. توليد $X_1^{(t)} \sim P\big(X_1 mid X_2^{(t-1)}, X_3^{(t-1)}, dots, X_p^{(t-1)}\big)$
  2. توليد $X_2^{(t)} \sim P\big(X_2 mid X_1^{(t)}, X_3^{(t-1)}, dots, X_p^{(t-1)}\big)$
  3. الاستمرار هكذا بالتناوب حتى توليد $X_p^{(t)} \sim P\big(X_p mid X_1^{(t)}, X_2^{(t)}, dots, X_{p-1}^{(t)}\big)$

تثبت المبرهنات الرياضية أن هذه السلسلة المتتابعة من العينات المشروطة تتقارب بعد فترة إحماء معينة (Burn-in Period) لتصبح عينات ممثلة بدقة للتوزيع المشترك الحقيقي، مما يتيح تقدير كافة الخصائص والمعالم المشروطة بكفاءة حاسوبية فائقة.

10.2 سلاسل ماركوف مونت كارلو (MCMC) في الإحصاء النفسي

أحدثت خوارزميات MCMC ثورة جذرية في التحليل الإحصائي السلوكي والنفسي؛ حيث مكنت الباحثين من الانتقال من النماذج الخطية البسيطة إلى النماذج الهرمية المعقدة (Hierarchical Linear Models) ونماذج الشبكات الديناميكية للسمات الكامنة. تتيح هذه الطرق تقدير مصفوفات التوزيعات البعدية والشرطية للمعالم الفردية والجماعية في آن واحد دون الحاجة لتقريبات خطية مخلة.

يتطلب التطبيق العلمي لهذه الخوارزميات فحصاً صارماً لـ مؤشرات التقارب (Convergence Diagnostics) لضمان استقرار السلاسل العشوائية. يتم ذلك عبر فحص المخططات البيانية للمسارات (Trace Plots)، وحساب إحصائية غيلمان-روبين ($\hat{R}$) التي يجب أن تقترب من الواحد الصحيح ($\hat{R} < 1.05$) للتأكد من أن التوزيعات الشرطية المقدرة حاسوبياً قد استقرت بالفعل حول التوزيع المستهدف ولم تعلق في نهايات محلية زائفة.

10.3 طرق إعادة أخذ العينات والمحاكاة التمهيدية (Bootstrap Conditioning)

في الحالات التي لا يرغب فيها الباحث بفرض افتراضات توزيعية معلمية على البيانات، تقدم أساليب المحاكاة التمهيدية الشرطية (Conditional Bootstrap) مساراً لا معلمياً متميزاً لإجراء الاستدلال الإحصائي. تعتمد هذه الطريقة على إعادة أخذ عينات عشوائية متكررة بالاستبدال ولكن داخل الشرائح المقيدة بالمتغير المشروط حصراً، مما يحافظ على الهيكل الارتباطي الأصلي داخل كل فئة مشروطة.

تتيح المحاكاة التمهيدية الشرطية بناء فترات ثقة موثوقة (Bootstrap Confidence Intervals) لمختلف المعالم الشرطية كالمتوسط والتباين والانحدار حتى في العينات الميدانية الصغيرة ذات التوزيعات المجهولة. كما تستخدم محاكاة التباديل المشروطة (Conditional Permutation Tests) لاختبار الفروق المعنوية الدقيقة بين التوزيعات دون الحاجة للافتراضات الكلاسيكية لاختبارات $t$ و $F$.

11. التطبيق العملي لحساب التوزيع الشرطي بالبرمجيات الإحصائية

11.1 حساب واستخراج التوزيعات الشرطية باستخدام لغة R

تعد بيئة R الإحصائية المنصة الأكثر مرونة وقوة للتعامل مع التوزيعات الشرطية المتصلة والمنفصلة. بالنسبة للبيانات الفئوية والمنفصلة، توفر حزمتا dplyr و stats أدوات سريعة لحساب التوزيعات الشرطية عبر دالة prop.table()؛ حيث يتم تحديد البعد المشروط بسهولة فائقة (1 للشرط على مستوى الصفوف، و2 للشرط على مستوى الأعمدة):

# حساب التوزيع الشرطي لصفوف جدول التوافق
contingency_tab <- table(data$Physical_Activity, data$Satisfaction)
conditional_dist_row <- prop.table(contingency_tab, margin = 1)
print(conditional_dist_row)

أما في حالة التوزيعات المتصلة، تُستخدم حزمة hdrcde لتقدير دوال الكثافة الشرطية بطرق النواة اللامعلمية عبر دالة cde()، وحزمة ggplot2 لرسم المنحنيات الشرطية المتراكبة، في حين تتيح حزمة brms المرتبطة بمحرك Stan برمجة النماذج البايزية المتقدمة واستخراج التوزيعات الشرطية البعدية عبر خوارزميات MCMC الحديثة.

11.2 التحليل الشرطي المتقدم في بيئة SPSS

توفر بيئة البرنامج الإحصائي الشهير SPSS واجهة مرئية وإجرائية قوية لإجراء الحسابات الشرطية. يتم استخراج التوزيعات الشرطية للمتغيرات الفئوية من خلال مسار Analyze > Descriptive Statistics > Crosstabs، ثم تفعيل خيار النسب المئوية للصفوف (Row Percentages) أو الأعمدة (Column Percentages) من تبويب Cells للحصول على التوزيعات الشرطية المطلوبة مباشرة في مخرجات التحليل.

أما لإجراء التحليلات المقيدة للمتغيرات الكمية عبر الفئات المختلفة، يُستخدم أمر تقسيم الملف (Split File) عبر مسار Data > Split File وتحديد المتغير المشروط كمتغير تقسيم (Compare Groups). يؤدي هذا الإجراء إلى إعادة تشغيل كافة الأوامر الإحصائية والاستدلالية اللاحقة على كل فئة مشروطة على حدة، مما يتيح استخراج ومقارنة المتوسطات والتباينات الشرطية ورسوم تشتت البواقي وفحص اعتداليتها لكل شرط تجريبي بدقة وسرعة.

11.3 التعامل مع التوزيعات الشرطية عبر مكتبات Python (NumPy, SciPy, Pandas)

في بيئة بايثون لتحليل البيانات وتعلم الآلة، تشكل مكتبات pandas و scipy و numpy بيئة متكاملة لمعالجة الدوال الشرطية. لحساب التوزيع الشرطي المنفصل، توفر دالة crosstab في مكتبة Pandas معامل normalize المباشر الذي يسمح بتحديد اتجاه الشرط فورياً:

import pandas as pd
import scipy.stats as stats

# التوزيع الشرطي للنشاط بشرط مستوى الرضا (شرط الأعمدة)
cond_pmf = pd.crosstab(df[‘Activity’], df[‘Satisfaction’], normalize=’columns’)
print(cond_pmf)

وفي النمذجة الرياضية المتصلة، تُستخدم وحدة scipy.stats.multivariate_normal لتطبيق الصيغ المصفوفية للتوزيعات الشرطية الطبيعية متعددة الأبعاد واستخراج معالم المتوسط الشرطي ومصفوفة التباين الشرطية، بالإضافة إلى بناء أكواد برمجية خوارزمية مخصصة لمحاكاة جيبس ومحاكاة التوزيعات البعدية للشبكات البايزية.

12. المزالق المنهجية والأخطاء الشائعة في تفسير التوزيع الشرطي

12.1 مغالطة قلب الشرط والخلط بين P(A|B) و P(B|A)

تعد مغالطة قلب الشرط (Conditional Inversion Fallacy)، والتي تُعرف في الأدبيات القانونية والإحصائية باسم “مغالطة المدعي العام” (Prosecutor’s Fallacy)، واحدة من أخطر الانزلاقات الفكرية في تفسير الاحتمالات الشرطية؛ وتتمثل في الافتراض الخاطئ بأن احتمال وقوع الحدث $A$ بشرط $B$ يكافئ بالضرورة احتمال وقوع الحدث $B$ بشرط $A$، أي المساواة الزائفة بين $P(A mid B)$ و $P(B mid A)$.

تتجلى خطورة هذا الخلط في التشخيص الطبي والنفسي؛ فالخلط بين “احتمال أن تظهر النتيجة الإيجابية للفحص بشرط أن الشخص مصاب بالمرض فعلاً” (وهي حساسية الفحص – Sensitivity)، و”احتمال أن يكون الشخص مصاباً بالمرض فعلاً بشرط ظهور النتيجة الإيجابية للفحص” (وهي القيمة التنبؤية الإيجابية – PPV) قد يؤدي إلى تشخيصات كارثية خاطئة لأفراد أصحاء. لا يمكن الانتقال بين هذين الاحتمالين الشرطيين المتعاكسين إلا بتطبيق مبرهنة بايز مع الأخذ في الاعتبار معدل الانتشار القبلي للمرض في المجتمع:

$$P(\text{مرض} mid \text{إيجابي}) = \frac{P(\text{إيجابي} mid \text{مرض}) , P(\text{مرض})}{P(\text{إيجابي})}$$

12.2 مفارقة سمبسون (Simpson’s Paradox) وتأثير المتغيرات المشروطة الخفية

تمثل مفارقة سمبسون (Simpson’s Paradox) ظاهرة إحصائية محيرة وصادمة تؤكد بوضوح تفوق التوزيعات الشرطية على التوزيعات الهامشية الكلية. تحدث المفارقة عندما يظهر اتجاه أو ارتباط إحصائي واضح في التوزيع الهامشي الإجمالي للمجتمع، ولكنه ينعكس تماماً ويتحول إلى الاتجاه المعاكس بمجرد تقسيم المجتمع ودراسة التوزيعات الشرطية داخل فئات متغير تصنيفي ثالث كامن (Lurking Variable).

تظهر المفارقة بحدة في الدراسات النفسية والوبائية والتعليمية؛ كأن يُظهر التحليل الكلي أن دواءً نفسياً معيناً يؤدي إلى معدل شفاء أقل من الدواء البديل، ولكن عند الانتقال للتوزيعات الشرطية المقيدة بشدة المرض (حالات طفيفة وحالات حرجة)، يتبين أن الدواء الأول يتفوق تفوقاً ساحقاً في كلا الفئتين على حدة! ينشأ هذا التناقض الظاهري نتيجة التوزيع غير المتكافئ للمتغير المشروط الكامن بين مجموعات المقارنة، مما يفرض على المحلل فحص كافة المتغيرات الوسيطة والمعدلة قبل إطلاق الأحكام الإحصائية الشاملة.

12.3 الخلط بين التوزيع الشرطي والسببية المباشرة

من المزالق الإبستمولوجية المتجذرة في تحليل البيانات هو القفز المتعجل من إثبات وجود اختلاف في التوزيعات الشرطية $P(Y mid X)$ إلى الادعاء الجازم بوجود علاقة سببية حتمية تفيد بأن $X$ هو السبب الفاعل في إحداث $Y$. إن التوزيع الشرطي الإحصائي $P(Y mid X=x)$ يعكس مجرد ترابط وتقييد سياقي في البيانات المرصودة بشكل سلبي (Passive Observation)، ولا يقيس ما سيحدث للمتغير $Y$ إذا قمنا بالتدخل المباشر وتغيير قيمة $X$ قسرياً في الواقع التجريبي.

ولسد هذه الفجوة المنهجية، طور عالم الإحصاء والذكاء الاصطناعي جوديا بيرل (Judea Pearl) إطار النمذجة السببية والتحليل بالتدخل (Do-calculus)، حيث ميز بصرامة رياضية بين التوزيع الاحتمالي الشرطي بالمشاهدة $P(Y mid X=x)$ والتوزيع الاحتمالي السببي بالتدخل الفعلي المرمز له بـ $P(Y mid \text{do}(X=x))$. لا يمكن ترقية التوزيع الشرطي الكلاسيكي إلى توزيع سببي موثوق إلا من خلال التصاميم التجريبية العشوائية المنضبطة (RCTs)، أو عبر ضبط جميع المسارات التراجعية المشوشة (Backdoor Criterion) في النماذج السببية البنائية الموجهة (DAGs).

خاتمة شاملة

في ختام هذه المعالجة العلمية العميقة، يتضح بجلاء أن التوزيع الشرطي (Conditional Distribution) ليس مجرد فرع فرعي من فروع نظرية الاحتمالات، بل هو الأساس الهيكلي والمحرك التحليلي الأقوى الذي تستند إليه كافة المنهجيات الإحصائية المتقدمة وتطبيقات علم البيانات الحديثة. بدءاً من تفكيك جداول التوافق المنفصلة وصولاً إلى النماذج الهرمية المستمرة والاستدلال البايزي، يقدم التحليل الشرطي الأداة المنهجية التي تمكننا من استنطاق البيانات في سياقاتها الحقيقية وضبط مصادر التباين المعقدة.

إن إتقان الإحصائي والباحث السلوكي لمهارات اشتقاق وإيجاد التوزيعات الشرطية، واستيعاب المفاهيم الرياضية المشتقة منها كالتوقع والتباين الشرطيين والاستقلال الشرطي، يمثل صمام الأمان المنهجي الذي يحمي الدراسات العلمية من الوقوع في فخاخ التبسيط المخل والمفارقات المضللة كمفارقة سمبسون ومغالطة قلب الشرط. إن الانتقال الواعي من الوصف الهامشي السطحي إلى النمذجة الشرطية العميقة هو الجسر الحقيقي نحو استخلاص استنتاجات علمية دقيقة تسهم بفاعلية في فهم السلوك الإنساني وبناء قرارات تنبؤية قائمة على أعلى معايير الرصانة الإحصائية.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 26). التوزيع الشرطي: التعريف والإيجاد. عرب سايكلوجي. https://arabpsychology.com/statistics/conditional-distribution-definition-and-finding/
looti, Mohammed. “التوزيع الشرطي: التعريف والإيجاد.” عرب سايكلوجي, 26 أغسطس 2026, https://arabpsychology.com/statistics/conditional-distribution-definition-and-finding/.
looti, Mohammed. “التوزيع الشرطي: التعريف والإيجاد.” عرب سايكلوجي. أغسطس 26, 2026. https://arabpsychology.com/statistics/conditional-distribution-definition-and-finding/.