القيمة المتوقعة: التعريف، الصيغة والإيجاد

تُعدّ القيمة المتوقعة (Expected Value) إحدى الركائز البنيوية الجوهرية التي تأسست عليها نظرية الاحتمالات والإحصاء الرياضي الحديث، ومثّلت نقطة تحول مفصلية في تاريخ الفكر البشري؛ إذ نقلت العقل الإنساني من حيز التخمين العشوائي والارتهان للحظ الأعمى إلى فضاء الحوسبة العقلانية والنمذجة الرياضية الدقيقة للظواهر العشوائية والمستقبلية. إنها تمثل في جوهرها النظري والتطبيقي المقياس الإحصائي المعياري الذي يلخص التوزيع الاحتمالي لمتغير عشوائي في رقم واحد يعبر عن المركز الثقلي أو المتوسط المرجح لكافة النتائج الممكنة على المدى الطويل، مما يجعلها بوصلة معرفية لا غنى عنها في اتخاذ القرارات تحت ظروف عدم اليقين والمخاطرة.

يمتد الأثر المعرفي لمفهوم القيمة المتوقعة عبر طيف واسع ومتعدد التخصصات، يتجاوز حدود الرياضيات البحتة ليشكل الأساس النظري لنظريات الاقتصاد الكلاسيكي والنيوكلاسيكي، والتمويل الكمي، والتسعير الأكتواري لبوالص التأمين، وإدارة المحافظ الاستثمارية، وبحوث العمليات، ونظرية الألعاب، والذكاء الاصطناعي وخوارزميات التعلم المعزز، فضلاً عن العلوم المعرفية والنفسية السلوكية التي تبحث في كيفية إدراك الإنسان للمكاسب والخسائر. إن دراسة القيمة المتوقعة ليست مجرد استعراض لمعادلات جبرية وتكاملية جافة، بل هي استكشاف فلسفي ورياضي عميق لكيفية قياس اللامتوقع، وترويض اللايقين، وبناء استراتيجيات رشيدة قادرة على الصمود أمام تقلبات الواقع المعقد.

يهدف هذا المقال الأكاديمي الشامل إلى تقديم تفكيك منهجي معمق لمفهوم القيمة المتوقعة؛ بدءاً من جذوره التاريخية والفلسفية، مروراً بتعريفاته وصيغه الرياضية للمتغيرات المنفصلة والمتصلة وخصائصه الجبرية الدقيقة، وصولاً إلى خطوات حسابه العملية، والامتدادات الرياضية المتقدمة مثل التوقع المشروط والعزوم الإحصائية. كما يتناول المقال بعمق المقارنة البنيوية بين القيمة المتوقعة والمنفعة المتوقعة، والانحيازات الإدراكية والسلوكية التي تشوه التطبيق البشري لهذا المفهوم الرياضي، مدعوماً بأمثلة تطبيقية وحالات دراسية تفصيلية من شتى المجالات العلمية والعملية.

1. المدخل النظري والتاريخي لمفهوم القيمة المتوقعة

1.1 النشأة التاريخية ومراسلات باسكال وفيرما

تعود الجذور التأسيسية الأولى لنظرية الاحتمالات ومفهوم القيمة المتوقعة إلى منتصف القرن السابع عشر الميلادي، وتحديداً في عام 1654م، عندما طفا على السطح تساؤل رياضي عملي عُرف تاريخياً بـ “معضلة اقتسام الرهان” (Problem of Points). تمثلت هذه المعضلة في كيفية تقسيم مجموع الرهان بشكل عادل وأخلاقي بين لاعبين في لعبة حظ تعتمد على مراحل متعددة، إذا ما توقفت اللعبة اضطرارياً قبل اكتمالها وبلوغ أحدهما النقاط المحددة للفوز. طرح هذا الإشكال النبيل والرياضي الهاوي الفرنسي أنطوان غومبو (شيفالييه دي ميري) على الفيلسوف والرياضي الشهير بليز باسكال، الذي بادر بدوره بفتح مراسلات فكرية ورياضية ملحمية مع القاضي والرياضي الفذ بيير دي فيرما.

شكّلت هذه المراسلات بين باسكال وفيرما شرارة الانطلاق الحقيقية لحساب الاحتمالات؛ حيث لم تكن غايتهما مجرد إيجاد حل حسابي لحظي لمسألة ألعاب قمار، بل استنباط نسق منطقي وقواعد كلية تمكّن من تقييم التوقعات المستقبلية في ظل ظروف غير مكتملة. توصل الطرفان بطرق مختلفة—باسكال عبر التوليفات والتحليل التكراري لما عُرف لاحقاً بـ “مثلث باسكال”، وفيرما عبر الحصر التوافقي الشامل لكافة التباديل الممكنة—إلى أن القسمة العادلة يجب ألا تعتمد على عدد الجولات التي فاز بها كل لاعب في الماضي فحسب، بل على احتمالية فوز كل منهما بالجولات المتبقية لو استمر اللعب، وهو ما يمثل الإرهاص الأول لمفهوم الترجيح الاحتمالي للنتائج المستقبلية.

تُوِّجت هذه المراسلات بنقلة إبستمولوجية كبرى؛ إذ تحول مفهوم “الحظ” من كونه قوة غيبية أو عشوائية محضة لا تخضع للعقل، إلى ظاهرة قابلة للقياس الكمي والتفكيك المنطقي. وفي عام 1657م، قام العالم الهولندي كريستيان هويغنز بنشر أول كتاب منهجي في نظرية الاحتمالات بعنوان “حول الحساب في ألعاب الحظ” (De Ratiociniis in Ludo Aleae)، حيث صاغ فيه رسمياً مفهوم القيمة المتوقعة باسم “التوقع” (Expectatio)، معرّفاً إياه بأنه القيمة التي يستحقها الفرد في موقف يتضمن حظوظاً متباينة، واضعاً بذلك حجر الأساس للتحليل الرياضي العقلاني للمخاطر والمستقبل.

1.2 الأهمية المعرفية للقيمة المتوقعة في النمذجة العلمية

تتجاوز القيمة المتوقعة كونها أداة إحصائية لحساب المتوسطات، لتشكل نموذجاً إدراكياً ومعرفياً فائق الأهمية في فهم كيفية معالجة النظم الذكية—سواء كانت بشرية أو اصطناعية—لحالة عدم اليقين (Uncertainty). في العالم الواقعي، نادراً ما تتخذ القرارات في ظل معلومات كاملة ويقين مطلق؛ بل تتسم أغلب الظواهر بالديناميكية والغموض، مما يجعل من المستحيل التنبؤ بنتيجة فردية معزولة بدقة حتمية مطلقة. هنا تبرز القيمة المتوقعة كأداة اختزال رياضي راقية تعمل على تحويل فضاء كامل من الاحتمالات الموزعة عبر نتائج متعددة إلى قيمة معيارية واحدة تمثل “الجاذب الرياضي” للنتائج على المدى الطويل.

يرتبط هذا المفهوم بشكل وثيق ببناء النماذج المعرفية في علم النفس الإدراكي والنظريات المعيارية للعقلانية. يفترض التفكير الإحصائي السليم أن الفاعل العقلاني يقوم ببناء خارطة ذهنية لكافة السيناريوهات الممكنة، وتعيين أوزان ترجيحية لكل سيناريو تعكس احتمالية حدوثه، ومن ثم تجميع هذه العناصر لاستخلاص القيمة المتوقعة التي تُرشد السلوك. تكمن القوة المعرفية لهذا النهج في أنه يحرر صانع القرار من الوقوع في فخ “تقييم القرار بناءً على نتيجته الآنية فقط” (Outcome Bias)، ويوجهه بدلاً من ذلك إلى تقييم جودة القرار بناءً على البنية الاحتمالية الرياضية المتوفرة لحظة اتخاذه.

علاوة على ذلك، تمثل القيمة المتوقعة الجسر الرابط بين الإحصاء الوصفي الذي يكتفي بتلخيص البيانات التاريخية، والإحصاء الاستدلالي والنماذج التنبؤية التي تستشرف المستقبل. في العلوم الطبيعية كالميكانيكا الإحصائية وفيزياء الكم، تمثل القيمة المتوقعة للحالات الكمومية (Expectation Value of Operators) القيمة المقاسة تجريبياً لمتوسط القياسات المتكررة للأنظمة الجسيمية، مما يؤكد أن هذا المفهوم ليس مجرد اصطلاح بشري نفعي، بل هو قانون رياضي كوني ناظم لسلوك المادة والمعلومات في شتى مستويات الوجود.

2. التعريف الرياضي والإحصائي الدقيق للقيمة المتوقعة

2.1 التعريف الاصطلاحي للمتغير العشوائي والوسط الحسابي طويل المدى

في البنية الصورية لنظرية الاحتمالات المؤسسة على نظرية القياس (Measure Theory)، يُعرَّف المتغير العشوائي (Random Variable) $X$ بأنه دالة رياضية قابلة للقياس تُحوِّل عناصر فضاء العينة $\Omega$ في فضاء احتمالي ثلاثي $(\Omega, \mathcal{F}, P)$ إلى أعداد حقيقية تقع في المجال $\mathbb{R}$. يعبر هذا المتغير عن نتائج تجربة احتمالية تحمل طابعاً عشوائياً، بحيث يمتلك كل مخرج احتمالية محددة للحدوث تُحددها دالة التوزيع الاحتمالي التراكمي أو دالة الكتلة/الكثافة الاحتمالية.

تُعرّف القيمة المتوقعة لهذا المتغير العشوائي، والتي يُرمز لها رياضياً بالرمز $E[X]$ أو بالرمز الإغريقي $\mu$ (المتوسط المجتمعي)، بأنها المتوسط الحسابي المرجح باحتمالات الحدوث لجميع القيم الممكنة التي يمكن أن يتخذها المتغير العشوائي. يعكس هذا التعريف فكرة أن كل قيمة محتملة $x$ لا تساهم في التقييم النهائي بوزن متساوٍ، بل تساهم بوزن نسبي مكافئ تماماً لاحتمالية وقوعها الرياضية $P(X = x)$.

من الضروري إدراك أن القيمة المتوقعة ليست بالضرورة “القيمة الأكثر احتمالاً للحدوث” في جولة واحدة، ولا يُشترط حتى أن تكون قيمة ممكنة الوقوع ضمن فضاء النتائج أصلاً (كما في حالة إلقاء نرد سداسي الأوجه حيث تكون القيمة المتوقعة $3.5$، وهي قيمة يستحيل أن تظهر في رمية واحدة). بل إن الدلالة الإحصائية العميقة للقيمة المتوقعة تكمن في كونها الوسط الحسابي طويل المدى؛ أي أنها تمثل مركز الكتلة أو نقطة التوازن الفيزيائي للتوزيع الاحتمالي، والتي تتقارب نحوها كافة المتوسطات الحسابية للعينات الفعلية عندما تتكرر التجربة بصورة مستقلة ومطابقة لعدد لا نهائي من المرات.

2.2 قانون الأعداد الكبيرة وعلاقته بالقيمة المتوقعة

يكتسب مفهوم القيمة المتوقعة متانته التجريبية والتطبيقية من خلال إحدى أعظم النظريات في تاريخ الرياضيات: قانون الأعداد الكبيرة (Law of Large Numbers)، والذي تمت صياغته بصورتيه الضعيفة (Weak Law) بواسطة ياكوب برنولي وألكسندر خينشين، والقوية (Strong Law) بواسطة أندريه كولموغوروف وبوريل. يضع هذا القانون الأساس المنطقي للتفسير التكراري للاحتمالات (Frequentist Interpretation)، مبيناً الصلة الحتمية بين العالم النظري المجرد والواقع العملي التجريبي.

ينص قانون الأعداد الكبيرة الضعيف على أنه إذا كانت لدينا متتالية من المتغيرات العشوائية المستقلة والمتطابقة التوزيع (i.i.d) $X_1, X_2, dots, X_n$ ذات قيمة متوقعة محدودة $E[X] = \mu$، فإن المتوسط الحسابي التجريبي للعينة $\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i$ يتقارب احتماليا نحو القيمة المتوقعة النظرية $\mu$ كلما اقترب حجم العينة $n$ من اللانهاية. رياضياً، يُصاغ ذلك بالمعادلة:

$$\lim_{n to \infty} P(|\bar{X}_n – mu| 0$$

أما قانون الأعداد الكبيرة القوي، فيؤكد أن هذا التقارب ليس مجرد تقارب احتمالي بل هو تقارب شبه مؤكد (Almost Sure Convergence)، أي أن احتمالية تحقق المساواة $\lim_{n to \infty} \bar{X}_n = \mu$ تساوي $1$ تماماً. يعني هذا عملياً أنه على الرغم من التقلبات العشوائية العنيفة والانحرافات الحادة التي قد تحدث على المدى القصير في العينات الصغيرة، إلا أن تراكم التجارب وحجم البيانات الضخم يعمل على تذويب تلك التقلبات تدريجياً، لتفرض القيمة المتوقعة هيمنتها المطلقة كحقيقة إحصائية نهائية لا مفر منها.

تتجلى هذه العلاقة بوضوح في القطاعات المالية وصناعة التأمين وصالات الكازينو؛ حيث قد يخسر الكازينو في جولة فردية أو يربح مقامر معين مبلغاً طائلاً على المدى القصير، لكن ضمان تكرار اللعب لملايين المرات واستناد قواعد اللعبة إلى قيمة متوقعة موجبة للكازينو وسالبة للاعب، يجعل تحقيق الكازينو للأرباح المتوقعة أمراً حتمياً ومحسوماً رياضياً على المدى الطويل بدقة تقترب من اليقين المطلق.

3. الصيغ الرياضية لحساب القيمة المتوقعة

3.1 صيغة المتغيرات العشوائية المنفصلة (Discrete Variables)

المتغير العشوائي المنفصل (Discrete Random Variable) هو المتغير الذي يكون فضاء قيمه الممكنة مجموعة منتهية (Finite) أو مجموعة قابلة للعد وغير منتهية (Countably Infinite)، مثل أعداد صحيحة تعبر عن عدد الحوادث، أو نتائج رمي النرد، أو عدد المبيعات اليومية. في هذا السياق، ترتبط كل قيمة ممكنة $x_i$ باحتمال حدوث محدد يُعطى بواسطة دالة الكتلة الاحتمالية (Probability Mass Function – PMF)، والتي يُرمز لها بـ $P(X = x_i) = p(x_i)$.

تُحسب القيمة المتوقعة للمتغير العشوائي المنفصل عبر الصيغة التجميعية العامة:

$$E[X] = \sum_{i} x_i \cdot P(X = x_i) = \sum_{i} x_i \cdot p(x_i)$$

لتفكيك عناصر هذه المعادلة الرياضية، نجد أنها تتألف من حاصل ضرب كل قيمة عددية يتخذها المتغير $x_i$ في الوزن الاحتمالي المخصص لها $p(x_i)$، ومن ثم جمع كافة حواضل الضرب عبر نطاق المتغير بالكامل. لكي يكون هذا الحساب صحيحاً ومنضبطاً وفق بديهيات نظرية الاحتمالات، يجب أن يخضع التوزيع الاحتمالي للشرطين الأساسيين التاليين:

• أن يكون احتمال كل قيمة مفرطة غير سالب: $p(x_i) ge 0$ لكل قيم $i$.
• أن يكون المجموع الكلي للاحتمالات مساوياً للواحد الصحيح تماماً: $\sum_{i} p(x_i) = 1$.

إذا كانت مجموعة القيم غير منتهية ولكنها قابلة للعد (مثل توزيع بواسون أو التوزيع الهندسي)، فإن القيمة المتوقعة تكون معرفة وموجودة فقط إذا كانت المتسلسلة اللانهائية متقاربة تقارباً مطلقاً (Absolutely Convergent)، أي أن يتحقق الشرط الرياضي:

$$\sum_{i=1}^{\infty} |x_i| \cdot p(x_i) < \infty$$

إذا لم يتحقق هذا الشرط وتشتتت المتسلسلة نحو المالانهاية، يُقال حينئذٍ إن المتغير العشوائي لا يمتلك قيمة متوقعة محددة، وهي حالة رياضية خاصة تظهر في بعض التوزيعات مثل توزيع كوشي وتوزيع باريتو ذي المعلمات المنخفضة.

3.2 صيغة المتغيرات العشوائية المتصلة (Continuous Variables)

المتغير العشوائي المتصل (Continuous Random Variable) هو المتغير الذي يمكن أن يتخذ أي قيمة حقيقية ضمن فترة متصلة أو مجموعة من الفترات على خط الأعداد الحقيقية $\mathbb{R}$، مثل قياسات الوقت، والمسافات، ودرجات الحرارة، وعوائد الأسهم المستمرة. نظراً لأن عدد النقاط في أي فترة متصلة هو عدد لانهائي غير قابل للعد، فإن احتمال وقوع المتغير عند نقطة محددة بدقة رياضية متناهية يساوي صفراً: $P(X = x) = 0$. بدلاً من ذلك، نستخدم دالة كثافة الاحتمال (Probability Density Function – PDF)، التي يُرمز لها بـ $f(x)$.

تُعرّف القيمة المتوقعة للمتغير العشوائي المتصل عبر صيغة التكامل المحدود أو غير المحدود على المدى الكلي للمتغير:

$$E[X] = \int_{-\infty}^{\infty} x \cdot f(x) , dx$$

في هذا التكامل الرائع، تلعب $f(x)dx$ دور الوزن الاحتمالي المتناهي في الصغر للعنصر التفاضلي $dx$ حول النقطة $x$. وتماثل شروط المتغير المنفصل، يجب أن تحقق دالة كثافة الاحتمال $f(x)$ الشروط التالية:

• أن تكون الدالة غير سالبة في جميع نقاط مجالها: $f(x) ge 0$ لكل $x in \mathbb{R}$.
• أن تكون المساحة الكلية تحت منحنى الكثافة مساوية للواحد الصحيح: $\int_{-\infty}^{\infty} f(x) , dx = 1$.

يشترط لوجود القيمة المتوقعة للمتغير المتصل أن يكون التكامل متقارباً تقارباً مطلقاً بالمعنى الرياضي لتكاملات ريمان أو ليبيغ:

$$\int_{-\infty}^{\infty} |x| \cdot f(x) , dx < \infty$$

في نظرية الاحتمالات المتقدمة والمستندة إلى قياس ليبيغ-ستيلتجيس (Lebesgue-Stieltjes Integration)، يمكن توحيد صيغتي المتغير المنفصل والمتصل في معادلة تكاملية شمولية واحدة تُكتب كالتالي: $E[X] = \int_{\Omega} X(\omega) , dP(\omega) = \int_{-\infty}^{\infty} x , dF(x)$، حيث $F(x)$ تمثل دالة التوزيع التراكمي (CDF)، مما يدمج المتغيرات المنفصلة والمتصلة والمختلطة في إطار نظري موحد فائق الإحكام.

4. الخطوات المنهجية لإيجاد وحساب القيمة المتوقعة

4.1 تحديد فضاء العينة والاحتمالات الملازمة

يمثل التحديد الدقيق لفضاء العينة (Sample Space) الخطوة التأسيسية الأولى والأكثر حساسية في إيجاد القيمة المتوقعة لأي ظاهرة عشوائية. يتطلب هذا الإجراء حصراً شاملاً ومانعاً لكافة السيناريوهات والنتائج الممكنة للمتغير العشوائي دون إغفال أي مخرج محتمل، والتأكد من استبعاد أي تداخل بين الحالات؛ بحيث تكون الأحداث متنافية بالكامل (Mutually Exclusive) وشاملة جماعياً (Collectively Exhaustive).

بعد تحديد قيم المتغير $x_1, x_2, dots, x_n$، تأتي مرحلة تعيين وتدقيق الاحتمالات المرافقة $P(X = x_i)$. يتم استخراج هذه الاحتمالات إما بالاستناد إلى النماذج الرياضية التوافقية النظرية المسبقة (A Priori Probabilities)—كما في ألعاب الحظ العادلة—أو بالاعتماد على التكرارات النسبية المستخلصة من البيانات التاريخية التجريبية (Empirical Probabilities)، أو من خلال التقديرات الذاتية الخبيرة المبنية على المنطق البايزي (Bayesian Probabilities).

من الأهمية بمكان في هذه المرحلة إجراء فحص رياضي صارم للتأكد من انطباق بديهيات كولموغوروف الاحتمالية؛ حيث يجب التحقق الفوري من أن جميع الاحتمالات محصورة بدقة داخل الفترة المغلقة $[0, 1]$، وأن ناتج جمعها التراكمي يحقق المعادلة الحتمية $\sum P(x_i) = 1.0$. إن أي خطأ في تحديد فضاء النتائج أو أي خلل في توزيع الأوزان الاحتمالية سينتقل حتماً وبشكل مضاعف إلى النتائج اللاحقة، مما يؤدي إلى استنتاجات مضللة كلياً في حساب القيمة المتوقعة.

4.2 تطبيق عملية الضرب والترجيح الرياضي

بمجرد اكتمال جدول التوزيع الاحتمالي والتأكد من دقته، تبدأ الخطوة الحسابية التنفيذية التي تتضمن إجراء عمليات ضرب مستقلة لكل قيمة من قيم المتغير العشوائي في الاحتمال المرتبط بها مباشرة. يُطلق على هذا الإجراء اسم الترجيح الرياضي (Mathematical Weighting)، والهدف منه هو قياس المساهمة النسبية الفعلية لكل نتيجة في المحصلة النهائية.

يتطلب هذا الإجراء منهجية واضحة ودقيقة في التعامل مع الإشارات الجبرية، لا سيما عند معالجة الظواهر المالية أو التشغيلية التي تتضمن نتائج سلبية تعبر عن خسائر مالية، أو تكاليف باهظة، أو أضرار. يجب أن تظل القيمة السالبة محتفظة بإشارتها الجبرية بالكامل أثناء عملية الضرب في احتمالها الموجب؛ حيث إن $E[X]$ هي مقياس صافٍ يعكس الموازنة بين المكاسب والخسائر. على سبيل المثال، إذا كانت النتيجة المحتملة هي خسارة $1000$ دولار باحتمال $0.20$، فإن حاصل الضرب هو $-1000 \times 0.20 = -200$.

عقب إتمام عمليات الضرب الفردية لجميع عناصر فضاء العينة، يتم إجراء عملية جمع جبري تراكمي لكافة هذه الحواصل. تُعبّر النتيجة الناتجة عن هذا المجموع عن القيمة المتوقعة المركبة للمتغير:

$$E[X] = (x_1 \cdot p_1) + (x_2 \cdot p_2) + dots + (x_n \cdot p_n)$$

تضمن هذه الآلية الحسابية الخطية تفاعل كافة السيناريوهات المتفائلة والمتشائمة وفق أوزانها الحقيقية، لتنتج رقماً إجمالياً واحداً يختزل الطبيعة الديناميكية المعقدة للتوزيع الاحتمالي المدروس.

4.3 تفسير النتيجة النهائية سياقياً

لا تنتهي عملية إيجاد القيمة المتوقعة عند استخراج الناتج الرقمي المجرد، بل تمتد لتشمل القراءة النقدية والتفسير السياقي السليم للرقم المستخرج. إن الخطأ الأكثر فداحة وشيوعاً في التفكير الإحصائي هو معاملة القيمة المتوقعة باعتبارها النتيجة الحتمية أو المتوقعة لحدث فردي قادم؛ فالقيمة المتوقعة لا تعبر أبداً عما سيحدث في المرة القادمة، بل تعبر بدقة عن معدل المحصلة النهائية لكل وحدة تجربة إذا ما تكرر المسار ذاته مئات أو آلاف المرات في ظل نفس الشروط.

في سياق التحليل المالي والاستثماري، تُقارن القيمة المتوقعة المحسوبة بنقطة الصفر أو بمعدل العائد الخالي من المخاطر (Risk-Free Rate):

• إذا كانت $E[X] > 0$: يُعد المشروع ذو جدوى إحصائية إيجابية على المدى الطويل، مما يعني أن تكراره سيولد ثروة صافية.
• إذا كانت $E[X] = 0$: تُوصف اللعبة أو القرار بأنه “عادل رياضياً” (Fair Game)، حيث لا يحقق أي طرف ميزة إحصائية على الآخر.
• إذا كانت $E[X] < 0$: يكون القرار ذا جدوى إحصائية سالبة؛ حتى وإن حقق أرباحاً استثنائية عابرة في المدى القصير، فإن الاستمرار فيه يقود حتماً نحو تآكل رأس المال واستنزاف الموارد.

ختاماً، يجب تقييم ملاءمة النتيجة مع السياق التطبيقي؛ فالقيمة المتوقعة الإيجابية وحدها قد لا تكون كافية لاتخاذ القرار إذا كانت مصحوبة باحتمالية ضئيلة لكارثة مدمرة لا يستطيع الكيان النجاة منها (مخاطر الهلاك أو الإفلاس التام)، وهو ما يفرض دمج تحليل القيمة المتوقعة مع مقاييس التشتت والمخاطرة كما سنفصل لاحقاً.

5. الخصائص الجبرية والرياضية للقيمة المتوقعة

5.1 خاصية الخطية (Linearity of Expectation)

تُعد خاصية الخطية (Linearity of Expectation) إحدى أقوى وأروع الخصائص الجبرية للقيمة المتوقعة في نظرية الاحتمالات، وتكمن عظمتها في شموليتها المطلقة؛ إذ تنطبق على أي مجموعة من المتغيرات العشوائية بغض النظر تماماً عما إذا كانت هذه المتغيرات مستقلة أو تابعة ومعتمدة على بعضها البعض. تتمثل الصياغة الرياضية الأساسية لهذه الخاصية في المبرهنتين التاليتين:

أولاً، لأي متغير عشوائي $X$ وثابتين حقيقيين $a$ و $b$:

$$E[aX + b] = aE[X] + b$$

الإثبات للمتغير المنفصل:

$$E[aX + b] = \sum_{i} (ax_i + b) P(X = x_i) = \sum_{i} ax_i P(X = x_i) + \sum_{i} b P(X = x_i)$$

$$= a \sum_{i} x_i P(X = x_i) + b \sum_{i} P(X = x_i) = aE[X] + b(1) = aE[X] + b$$

ثانياً، لمجموع أي متغيرين عشوائيين $X$ و $Y$:

$$E[X + Y] = E[X] + E[Y]$$

وبالتعميم على متتالية من المتغيرات العشوائية $X_1, X_2, dots, X_n$ ومجموعة من الثوابت $c_1, c_2, dots, c_n$:

$$E\left[\sum_{i=1}^n c_i X_i\right] = \sum_{i=1}^n c_i E[X_i]$$

تعتبر خاصية الخطية أداة تحليلية جبارة في تبسيط الحسابات المعقدة في التوافقيات والعمليات العشوائية وتصميم وتحليل الخوارزميات. فبدلاً من محاولة إيجاد التوزيع الاحتمالي المشترك لمتغير مركب ومعقد $Z = \sum X_i$، يمكن تفكيك المتغير إلى مجموعة من المتغيرات المؤشرية البسيطة (Indicator Random Variables)، وحساب القيمة المتوقعة لكل مؤشر على حدة، ثم جمعها مباشرة دون القلق بشأن بنية التبعية والارتباط المعقدة بينها.

5.2 الاستقلالية وحاصل ضرب المتغيرات

بينما تنطبق خطية التوقع على الجمع في جميع الحالات بلا استثناء، فإن حساب القيمة المتوقعة لحاصل ضرب متغيرين عشوائيين $E[XY]$ يخضع لشروط محددة ترتبط بمفهوم الاستقلالية الإحصائية (Statistical Independence). يُقال إن المتغيرين العشوائيين $X$ و $Y$ مستقلان إذا وفقط إذا كانت دالة التوزيع الاحتمالي المشترك مساوية لحاصل ضرب دوال التوزيع الهامشية لكل منهما: $P(X = x, Y = y) = P(X = x) P(Y = y)$ لكل القيم الممكنة.

في حالة تحقق شرط الاستقلالية التامة، تنص المبرهنة الرياضية على أن القيمة المتوقعة لحاصل ضرب المتغيرين تساوي حاصل ضرب قيمتيهما المتوقعتين:

$$E[XY] = E[X] \cdot E[Y]$$

الإثبات في الحالة المنفصلة:

$$E[XY] = \sum_{x} \sum_{y} (x \cdot y) P(X = x, Y = y) = \sum_{x} \sum_{y} x \cdot y \cdot P(X = x) P(Y = y)$$

$$= \left( \sum_{x} x P(X = x) \right) \cdot \left( \sum_{y} y P(Y = y) \right) = E[X] \cdot E[Y]$$

أما في حال غياب الاستقلالية ووجود اعتمادية متبادلة بين المتغيرين، فإن هذه المساواة تنهار، ويدخل في الحساب مفهوم التغاير (Covariance)، الذي يقيس درجة التغير الخطي المشترك بينهما، ويُعرّف رياضياً بالمعادلة:

$$operatorname{Cov}(X, Y) = E[(X – E[X])(Y – E[Y])] = E[XY] – E[X]E[Y]$$

وبإعادة ترتيب المعادلة نحصل على الصيغة العامة الشاملة لحاصل الضرب:

$$E[XY] = E[X]E[Y] + operatorname{Cov}(X, Y)$$

تكتسي هذه الصيغة أهمية جوهرية فائقة في النمذجة الاقتصادية وإدارة المخاطر في المحافظ الاستثمارية (وفق نموذج ماركويتز للحافظة المثلى)؛ حيث يوضح التغاير كيف تؤدي الأصول المترابطة إيجابياً إلى تضخيم العوائد والمخاطر المتوقعة معاً، بينما يتيح التغاير السلبي تحوطاً وتخفيضاً نوعياً للمخاطر الإجمالية دون الإضرار المباشر بالقيمة المتوقعة للمحفظة.

5.3 القيمة المتوقعة للدوال غير الخطية وتفاوت ينسن

من الأخطاء الرياضية الشائعة افتراض أن خطية التوقع تمتد لتشمل الدوال التحويلية العامة؛ أي افتراض أن $E[g(X)] = g(E[X])$. هذا الافتراض خاطئ تماماً عندما تكون الدالة $g(x)$ دالة غير خطية (Non-linear Function). للتعامل المنهجي مع دوال المتغيرات العشوائية، نستخدم أولاً قانون الإحصائي اللاوعي (Law of the Unconscious Statistician – LOTUS)، الذي يتيح حساب $E[g(X)]$ مباشرة دون الحاجة لاشتقاق دالة التوزيع الاحتمالي للمتغير الجديد $Y = g(X)$:

$$E[g(X)] = \sum_{i} g(x_i) P(X = x_i) \quad \text{أو} \quad E[g(X)] = \int_{-\infty}^{\infty} g(x) f(x) , dx$$

تتحدد العلاقة الصارمة بين $E[g(X)]$ و $g(E[X])$ عبر مبرهنة رياضية تأسيسية تُعرف بـ تفاوت ينسن (Jensen’s Inequality). تنص هذه المبرهنة على ما يلي:

• إذا كانت الدالة $g(x)$ دالة محدبة (Convex Function)—أي أن مشتقتها الثانية غير سالبة $g”(x) ge 0$ (مثل $g(x) = x^2$ أو $g(x) = e^x$)—فإن:
  $$E[g(X)] ge g(E[X])$$
• إذا كانت الدالة $g(x)$ دالة مقعرة (Concave Function)—أي أن مشتقتها الثانية سالبة أو مساوية للصفر $g”(x) le 0$ (مثل $g(x) = ln(x)$ أو $g(x) = \sqrt{x}$ للأعداد الموجبة)—فإن:
  $$E[g(X)] le g(E[X])$$

يمتد الأثر المعرفي والرياضي لتفاوت ينسن إلى أبعاد عميقة؛ فهو الإثبات المباشر لكون التباين الإحصائي دائماً غير سالب ($operatorname{Var}(X) = E[X^2] – (E[X])^2 ge 0$). كما يمثل الركيزة الرياضية الصلبة التي تنبني عليها نظرية المعلومات لشانون؛ حيث يفسر فقدان المعلومات وتحدب دالة الإنتروبيا (Entropy)، ويفسر في علم النفس الاقتصادي ظاهرة التحفظ والنفور البشري من المخاطرة عند التعامل مع دوال المنفعة المالية المقعرة.

6. القيمة المتوقعة في نظرية القرار والتحليل النفسي

6.1 العقلانية الكلاسيكية والمعيارية في اتخاذ القرار

شكلت القيمة المتوقعة عبر القرنين الثامن عشر والتاسع عشر جوهر الفلسفة الاقتصادية الكلاسيكية والنظريات المعيارية للعقلانية. برز في هذا السياق النموذج الافتراضي الشهير للإنسان الاقتصادي “Homo Economicus”؛ وهو فاعل عقلاني مطلق يمتلك قدرة حسابية كاملة، ويسعى دائماً وبطريقة آلية إلى تعظيم القيمة النقدية المتوقعة (Expected Value Maximization) في كل خيار يواجهه تحت ظروف عدم اليقين والمخاطرة.

وفقاً لهذا المنظور المعياري، تتم المفاضلة بين الخيارات الاستثمارية أو السلوكية عبر مقارنة بسيطة وحاسمة للقيمة المتوقعة لكل بديل: إذا كان الخيار (أ) يمنح عائداً متوقعاً $E[A] = 100$ وحدة، بينما يمنح الخيار (ب) عائداً متوقعاً $E[B] = 120$ وحدة، فإن القرار العقلاني الوحيد المقبول هو اختيار البديل (ب)، بصرف النظر عن التوزيع التفصيلي للاحتمالات أو مدى تشتت النتائج. يضع هذا النموذج معياراً رياضياً موضوعياً للفصل بين القرارات الرشيدة والقرارات غير الرشيدة.

ومع ذلك، سرعان ما اصطدم هذا الطرح المعياري الصارم بجدار الواقع التجريبي والسلوك البشري الفعلي. أظهرت الملاحظات الواقعية والتجارب المعملية أن البشر يرفضون بصورة متكررة ومنهجية خيارات ذات قيمة متوقعة موجبة وعالية، ويفضلون عليها خيارات ذات قيمة متوقعة أقل أو مؤكدة تماماً، أو يقبلون خيارات ذات قيمة متوقعة سالبة تماماً (كما في شراء وثائق التأمين أو تذاكر اليانصيب). كشف هذا الاصطدام عن قصور جوهري في كفاية القيمة المتوقعة النقدية المجردة لتفسير الطبيعة البشرية المعقدة.

6.2 معضلة سان بطرسبرغ ونشأة مفهوم المنفعة

في عام 1713م، صاغ الرياضي نيكولاس برنولي معضلة رياضية مذهلة عرفت بـ معضلة سان بطرسبرغ (St. Petersburg Paradox)، والتي وجهت ضربة قاصمة لكفاية نموذج تعظيم القيمة المتوقعة النقدية. تتلخص اللعبة في التالي: يقوم الكازينو برمي عملة نقدية عادلة بشكل متكرر؛ إذا ظهرت الصورة في الرمية الأولى يربح اللاعب $2^1 = 2$ دولار وتنتهي اللعبة، وإذا ظهرت الكتابة تستمر اللعبة وتُرمى العملة مرة ثانية، فإذا ظهرت الصورة يربح $2^2 = 4$ دولارات، وتستمر اللعبة بحيث يتضاعف المبلغ ليصبح $2^k$ دولار إذا ظهرت الصورة الأولى في الرمية رقم $k$.

عند حساب القيمة المتوقعة النقدية لهذه اللعبة بالصيغة الرياضية المنفصلة:

$$E[X] = \sum_{k=1}^{\infty} 2^k \cdot P(X = k) = \sum_{k=1}^{\infty} 2^k \cdot \left(\frac{1}{2}\right)^k = \sum_{k=1}^{\infty} 1 = 1 + 1 + 1 + dots = \infty$$

تُظهر الحسابات الرياضية أن القيمة المتوقعة للعبة هي لانهاية إيجابية ($+\infty$). وبالتالي، ووفقاً للنموذج الكلاسيكي لتعظيم القيمة المتوقعة، يجب أن يكون أي شخص عقلاني مستعداً لدفع كل ما يملك من ثروة (ملايين الدولارات مثلاً) للدخول في هذه اللعبة لجولة واحدة فقط! لكن في الواقع العملي، وجد الباحثون أن معظم الأفراد الأسوياء يرفضون دفع أكثر من $20$ إلى $40$ دولاراً للمشاركة في هذه اللعبة، مما كشف عن تناقض صارخ بين الحساب الرياضي المجرد والتقييم البشري الرشيد.

قدم العالم السويسري الفذ دانيال برنولي الحل التاريخي لهذه المفارقة في ورقته البحثية المنشورة عام 1738م في أكاديمية سان بطرسبرغ للعلوم؛ حيث قرر أن الأفراد لا يقيمون الخيارات بناءً على “قيمتها النقدية الموضوعية” (Objective Value)، بل بناءً على “المنفعة الذاتية” (Subjective Utility) أو الأثر النفسي لتلك الأموال. واقترح برنولي المفهوم الثوري لـ “تناقص المنفعة الحدية للمال” (Diminishing Marginal Utility of Wealth)، مؤكداً أن كسب ألف دولار يمنح الفقير منفعة وسعادة تفوق بمراحل المنفعة التي يمنحها للملياردير، واقترح استخدام دالة منفعة لوغاريتمية مقعرة $U(x) = ln(x)$، مما جعل المنفعة المتوقعة للعبة محدودة وقابلة للتفسير العقلاني.

7. المقارنة البنيوية بين القيمة المتوقعة والمنفعة المتوقعة

7.1 التباين المفاهيمي بين القيمة الموضوعية والمنفعة الذاتية

يكمن التباين الجوهري بين القيمة المتوقعة (Expected Value – EV) والمنفعة المتوقعة (Expected Utility – EU) في طبيعة المقياس المستخدم لتقييم النتائج؛ فالقيمة المتوقعة تقيس النتائج بوحدات قياس مادية موضوعية ومطلقة (كالنقود، أو الأمتار، أو الوحدات الإنتاجية)، بينما تقيس المنفعة المتوقعة الأثر النفسي والرضا الذاتي والقيمة الاستعمالية التي يربطها الفرد بتلك النتائج المادية في ضوء ظروفه الراهنة وثروته الكلية.

قام كل من جون فون نيومان وأوسكار مورغنسترن في عام 1944م، ضمن كتابهما التأسيسي “نظرية الألعاب والسلوك الاقتصادي”، بإرساء الأسس الصورية والبديهية لنظرية المنفعة المتوقعة (Von Neumann-Morgenstern Expected Utility Theory). برهن العالمان على أنه إذا كانت تفضيلات صانع القرار تستوفي أربع بديهيات عقلانية أساسية (الاكتمال، والتعدي، والاستمرارية، والاستقلال)، فإنه يمكن تمثيل قراراته بدالة منفعة $u(w)$ بحيث يختار دائماً البديل الذي يعظم القيمة المتوقعة لمنفعته الذاتية:

$$EU = E[u(X)] = \sum_{i} u(x_i) \cdot P(X = x_i)$$

تتيح بنية دالة المنفعة $u(x)$ تفسير التباين السلوكي الواسع بين أنماط البشر تجاه المخاطرة:

• المتحفظ والنافر من المخاطرة (Risk-Averse): يمتلك دالة منفعة مقعرة ($u”(x) E[u(X)]$)، ويكون مستعداً لدفع قسط تأمين لتجنب عدم اليقين.
• المحايد تجاه المخاطرة (Risk-Neutral): يمتلك دالة منفعة خطية ($u”(x) = 0$). يتطابق سلوكه تماماً مع حسابات القيمة المتوقعة الكلاسيكية ($u(E[X]) = E[u(X)]$).
• المحب والباحث عن المخاطرة (Risk-Seeking): يمتلك دالة منفعة محدبة ($u”(x) > 0$). يفضل خوض الرهانات ذات التباين العالي على المبالغ المؤكدة المكافئة لها في القيمة المتوقعة ($u(E[X]) < E[u(X)]$).

7.2 الانتقال إلى نظرية الآفاق (Prospect Theory)

على الرغم من النجاح الهائل لنظرية المنفعة المتوقعة لفون نيومان ومورغنسترن، إلا أن التجارب السلوكية كشفت عن شروخ مفاهيمية في تنبؤاتها (مثل مفارقة آلياس ومفارقة إلسبرغ). قاد هذا التحدي العالمين البارزين دانيال كانمان وعاموس تفيرسكي إلى تطوير نظرية الآفاق (Prospect Theory) في عام 1979م، والتي نال عنها كانمان جائزة نوبل في العلوم الاقتصادية لاحقاً.

قامت نظرية الآفاق بتفكيك جذري لمعادلة القيمة المتوقعة الكلاسيكية عبر إدخال تحولين رئيسيين يعكسان علم النفس البشري الفعلي:

أولاً، استبدال دالة المنفعة المقاسة على الثروة الإجمالية بـ دالة قيمة غير متماثلة $v(\Delta x)$ تُقاس كإنحرافات عن “نقطة مرجعية” (Reference Point) محددة ذهنياً. تتسم هذه الدالة بكونها مقعرة في نطاق المكاسب (تعكس النفور من المخاطرة) ومحدبة في نطاق الخسائر (تعكس حب المخاطرة للهروب من الخسارة)، مع كونها أكثر حدة وانحداراً في مسار الخسائر بمقدار الضعف تقريباً ($v'(-x) \approx 2.25 \cdot v'(x)$)، وهي الظاهرة النفسية المركزية المعروفة بـ النفور من الخسارة (Loss Aversion)؛ فالألم النفسي الناجم عن خسارة $100$ دولار يفوق لذة كسب نفس المبلغ بمرتين إلى مرتين ونصف.

ثانياً، استبدال الاحتمالات الموضوعية الخطية $P(x)$ بـ دالة أوزان احتمالية نفسية $w(p)$، تُعبر عن الكيفية المشوهة التي يدرك بها العقل البشري الأرقام؛ حيث يبالغ الأفراد بشكل مفرط في تقييم الاحتمالات النادرة والضئيلة جداً ($p to 0$)، بينما يقللون من وزن الاحتمالات المتوسطة والمرتفعة ($p to 1$). وبذلك تُكتب معادلة التقييم النفسي في نظرية الآفاق بالصيغة:

$$V = \sum_{i} w(p_i) \cdot v(x_i)$$

يوضح هذا النموذج التكاملي لماذا تنحرف القرارات الإنسانية الفعلية بصورة جذرية عن حسابات القيمة المتوقعة الرياضية الصرفة، مما يوفر إطاراً لفهم الأسواق المالية وسلوك المستهلك والتفاوض السياسي.

8. الانحيازات الإدراكية المؤثرة على حساب القيمة المتوقعة

8.1 المبالغة في تقدير الاحتمالات المنخفضة وتجاهل الاحتمالات المرتفعة

يواجه العقل البشري صعوبات تطورية وبنيوية في معالجة الاحتمالات المجردة وفق بديهيات نظرية الاحتمالات، مما يولد انحيازات إدراكية حادة تشوه حسابات القيمة المتوقعة في الحياة اليومية. يتصدر هذه الانحيازات الميل النفسي الفطري إلى المبالغة الشديدة في تقدير احتمالية وقوع الأحداث النادرة والصادمة ذات الاحتمالات الإحصائية المتناهية في الصغر، وفي الوقت ذاته التقليل غير المبرر من أثر الأحداث شبه المؤكدة.

يعود هذا التشويه المعرفي إلى ما يُعرف في علم النفس بـ مجريات التوفر الذهني (Availability Heuristic)؛ حيث يعتمد العقل في تقدير احتمالية $P(x)$ على مدى سهولة استرجاع أمثلة حية ومشحونة عاطفياً للحدث من الذاكرة بدلاً من الرجوع إلى التكرارات الإحصائية الحقيقية. فعندما تنشر وسائل الإعلام تقارير مكثفة عن حادث تحطم طائرة أو هجوم لسمكة قرش أو فوز شخص بجائزة اليانصيب الكبرى (Powerball)، تتولد في الذهن استجابة شعورية قوية ترفع التقدير الذاتي للاحتمال $P(x)$ إلى أضعاف قيمته الرياضية الفعلية.

ينعكس هذا الخلل الإدراكي مباشرة على حساب العائد المتوقع؛ حيث يدفع الأفراد إلى إنفاق مليارات الدولارات سنوياً على تذاكر اليانصيب ذات القيمة المتوقعة شديدة السلبية، بدافع الأمل المفرط المرجح بوزن نفسي مشوه للجائزة الكبرى. وعلى النقيض، يدفعهم نفس الانحياز إلى شراء بوالص تأمين تجارية مبالغ في أسعارها ضد حوادث نادرة الحدوث تكاد تقترب احتمالية وقوعها من الصفر، مما يثبت أن غياب التفكير الإحصائي المنضبط يجعل الأفراد فريسة للتلاعب المالي والتسويقي القائم على استغلال تلك الانحيازات.

8.2 مغالطة المقامر والارتباط الوهمي

تُعد مغالطة المقامر (Gambler’s Fallacy) من أشهر وأعمق المغالطات المنطقية التي تصيب التفكير الاحتمالي البشري. تنشأ هذه المغالطة من الاعتقاد الخاطئ بأن التجارب الإحصائية المستقلة تمتلك “ذاكرة تصحيحية ذاتية”، وأن حدوث مخرج عشوائي معين عدة مرات متتالية يزيد من احتمالية حدوث المخرج المعاكس في الجولة التالية لإعادة التوازن الكوني للنتائج.

على سبيل المثال، إذا تم رمي قطعة نقدية عادلة وظهرت النتيجة “صورة” ست مرات متتالية، يميل معظم الأفراد غير المتمرسين في الإحصاء إلى الاعتقاد الجازم بأن احتمالية ظهور “الكتابة” في الرمية السابعة أصبحت أكبر بكثير من $0.5$. الحقيقة الرياضية الصارمة تؤكد أن الرميات تجارب مستقلة احصائياً ($P(A|B) = P(A)$)، وأن العملة لا تمتلك ذاكرة ولا وعياً، وأن احتمال ظهور الصورة أو الكتابة في الرمية السابعة يظل تماماً $0.5$، وتبقى القيمة المتوقعة لتلك الرمية الفردية دون أي تغيير.

تتعزز مغالطة المقامر بما يسمى الارتباط الوهمي (Illusory Correlation) والتحيز التأكيدي (Confirmation Bias)؛ حيث يبدأ العقل في اختلاق أنماط وهمية وروابط سببية غير موجودة بين أحداث متزامنة ولكنها عشوائية بالكامل (كالاعتقاد بأن ارتداء قميص معين يجلب الحظ في المراهنات، أو أن ماكينة القمار “أصبحت ساخنة وعلى وشك الدفع”). يقود هذا التفكير إلى إعادة تقدير غير عقلانية للاحتمالات $P(x_i)$، مما يدمر القدرة على الحساب الدقيق للقيمة المتوقعة ويقود في كثير من الأحيان إلى قرارات استثمارية أو مالية كارثية.

9. أمثلة تطبيقية وحالات دراسية لحساب القيمة المتوقعة

9.1 تطبيقات في الألعاب الاحتمالية وألعاب الحظ

تقدم ألعاب الحظ في صالات الكازينو النموذج التعليمي الأوضح والأكثر نقاءً لتطبيق الصيغة الرياضية المنفصلة للقيمة المتوقعة، وتفسير الميزة الرياضية الدائمة التي تحتفظ بها الكازينوهات (House Edge). لنأخذ على سبيل المثال لعبة الروليت الأمريكية (American Roulette) التي تحتوي عجلتها على $38$ خانة مرقمة من $1$ إلى $36$، بالإضافة إلى خانتي الصفر ($0$) والصفر المزدوج ($00$).

لنفترض أن لاعباً قرر المراهنة بمبلغ $100$ دولار على رقم مفرد محدد (مثل الرقم $17$). قواعد اللعبة تنص على أنه إذا استقرت الكرة على الرقم $17$، يسترد اللاعب رهانه ويحصل على أرباح قدرها $3500$ دولار (دفع بنسبة $35:1$). وإذا استقرت الكرة على أي من الخانات الـ $37$ الأخرى، يخسر اللاعب مبلغ رهانه بالكامل ($-100$ دولار).

لحساب القيمة المتوقعة $E[X]$ لهذا القرار الاستثماري، نتبع الخطوات الرياضية التالية:

• فضاء النتائج: $x_1 = +3500$ دولار، $x_2 = -100$ دولار.
• الاحتمالات الملازمة: $P(X = x_1) = \frac{1}{38}$، $P(X = x_2) = \frac{37}{38}$.
• التحقق من الشرط الاحتمالي: $\frac{1}{38} + \frac{37}{38} = \frac{38}{38} = 1.0$.

تطبيق صيغة التوقع الرياضي:

$$E[X] = (x_1 \cdot p_1) + (x_2 \cdot p_2) = \left(3500 \cdot \frac{1}{38}\right) + \left(-100 \cdot \frac{37}{38}\right)$$

$$E[X] = \frac{3500}{38} – \frac{3700}{38} = \frac{-200}{38} \approx -5.263 \text{ دولار}$$

التفسير السياقي: تعني هذه النتيجة السالبة أن اللاعب، في المتوسط الإحصائي الطويل المدى، يخسر حوالي $5.26$ دولاراً عن كل $100$ دولار يراهن بها في هذه اللعبة، وهو ما يمثل هامش ربح الكازينو الثابت البالغ $5.26%$. يؤكد هذا الحساب أن ألعاب الرهان التجاري هي منظومات مصممة هندسياً بقيمة متوقعة سالبة للاعبين، مما يجعل الإفلاس المالي للمقامر المستمر مسألة وقت حتمية يفرضها قانون الأعداد الكبيرة.

9.2 تطبيقات في اتخاذ القرارات الطبية والتشخيصية

تمثل القيمة المتوقعة في مجال الطب الحديث وصنع القرارات السريرية أداة بالغة الأهمية للموازنة الكمية بين البروتوكولات العلاجية المعقدة والتدخلات الجراحية ذات الخطورة العالية. لنفترض حالة سريرية لمريض يعاني من انسداد تاجي حرج، ويواجه الفريق الطبي مفاضلة بين خيارين: (أ) إجراء تدخل جراحي عاجل (مجازة الشريان التاجي)، أو (ب) الاعتماد على العلاج الدوائي التحفظي المكثف. يُقاس العائد بوحدة سنوات العمر المصححة بجودة الحياة (Quality-Adjusted Life Years – QALYs).

تحليل سيناريوهات الخيار الأول: التدخل الجراحي

• احتمال نجاح الجراحة بالكامل هو $0.85$، وينتج عنه متوسط بقاء قدره $15$ سنة بجودة حياة ممتازة ($15 \times 1.0 = 15$ QALY).
• احتمال حدوث مضاعفات جراحية مزمنة هو $0.10$، وينتج عنه متوسط بقاء $8$ سنوات بجودة حياة متوسطة ($8 \times 0.6 = 4.8$ QALY).
• احتمال الوفاة أثناء الجراحة هو $0.05$ ($0$ QALY).

حساب القيمة المتوقعة للجراحة:

$$E[\text{Surgery}] = (15 \times 0.85) + (4.8 \times 0.10) + (0 \times 0.05) = 12.75 + 0.48 + 0 = 13.23 \text{ QALY}$$

تحليل سيناريوهات الخيار الثاني: العلاج الدوائي التحفظي

• احتمال استقرار الحالة والسيطرة على الأعراض هو $0.60$، وينتج عنه متوسط بقاء $12$ سنة بجودة حياة مقبولة ($12 \times 0.7 = 8.4$ QALY).
• احتمال تدهور الحالة تدريجياً وحدوث قصور مزمن هو $0.40$، وينتج عنه متوسط بقاء $5$ سنوات بجودة متدنية ($5 \times 0.4 = 2.0$ QALY).

حساب القيمة المتوقعة للعلاج التحفظي:

$$E[\text{Medication}] = (8.4 \times 0.60) + (2.0 \times 0.40) = 5.04 + 0.80 = 5.84 \text{ QALY}$$

المفاضلة الإكلينيكية: يظهر التحليل الرياضي المقارن أن التدخل الجراحي يوفر قيمة متوقعة أعلى بكثير ($13.23$ سنة نوعية مقابل $5.84$ سنة للعلاج التحفظي)، مما يمنح الفريق الطبي والمريض أرضية إحصائية صلبة ورشيدة لتفضيل خيار الجراحة على الرغم من تضمنه خطراً لحظياً للوفاة بنسبة $5%$.

9.3 تطبيقات في الاستثمار المالي وإدارة المخاطر

تعتمد النمذجة المالية الحديثة وتسعير الأصول الاستثمارية بشكل عضوي على القيمة المتوقعة لتقدير عوائد المحافظ في ظل سيناريوهات الاقتصاد الكلي المتباينة. لنفترض أن مديراً استثمارياً يقوم بتحليل فرصة استثمارية بقيمة $1,000,000$ دولار، ويرغب في تقدير العائد المالي الصافي بناءً على ثلاثة سيناريوهات مستقبلية محتملة للاقتصاد خلال العام القادم:

• سيناريو الرواج والنمو القوي (Boom): باحتمال $P(S_1) = 0.30$، ومن المتوقع أن يحقق الاستثمار عائداً قدره $+25%$ (ربح $+250,000$ دولار).
• سيناريو النمو المعتدل والاستقرار (Moderate): باحتمال $P(S_2) = 0.50$، ومن المتوقع أن يحقق عائداً قدره $+10%$ (ربح $+100,000$ دولار).
• سيناريو الركود الاقتصادي (Recession): باحتمال $P(S_3) = 0.20$، ومن المتوقع أن يتكبد الاستثمار خسارة قدرها $-15%$ (خسارة $-150,000$ دولار).

تطبيق معادلة حساب القيمة المتوقعة لمعدل العائد:

$$E[R] = (0.25 \times 0.30) + (0.10 \times 0.50) + (-0.15 \times 0.20)$$

$$E[R] = 0.075 + 0.050 – 0.030 = 0.095 = 9.5%$$

القيمة النقدية المتوقعة للربح الصافي:

$$E[\text{Profit}] = 1,000,000 \times 0.095 = 95,000 \text{ دولار}$$

التسعير الأكتواري لبوالص التأمين (Actuarial Pricing): تستخدم شركات التأمين الصيغة ذاتها لتسعير وثائق التأمين؛ فإذا كانت احتمالية احتراق مصنع خلال العام هي $0.002$، وقيمة التعويض الإجمالية $5,000,000$ دولار، فإن القيمة المتوقعة للمطالبة التعويضية الصافية هي:

$$E[\text{Claim}] = 5,000,000 \times 0.002 = 10,000 \text{ دولار}$$

تمثل هذه القيمة $10,000$ دولار “القسط الصافي الصرف” (Pure Premium) الذي يجب أن تتقاضاه الشركة لتغطية تكلفة الخطر فقط دون أرباح أو تكاليف إدارية. تقوم الشركة بعد ذلك بإضافة هوامش المصاريف الإدارية وهوامش الأرباح وعلاوة عدم التيقن لتحديد القسط التجاري النهائي، مما يضمن لها قيمة متوقعة موجبة ومستدامة.

10. امتدادات رياضية متقدمة في النمذجة الإحصائية

10.1 القيمة المتوقعة المشروطة (Conditional Expectation)

تُعد القيمة المتوقعة المشروطة (Conditional Expectation) من أقوى المفاهيم الرياضية في نظرية العمليات العشوائية والإحصاء المتقدم والتعلم الآلي؛ حيث تعبر عن تحديث التوقع الإحصائي لمتغير عشوائي $X$ عند توفر معلومات جزئية مسبقة متمثلة في وقوع حدث معين $Y = y$.

في الحالة المنفصلة، تُعرّف القيمة المتوقعة المشروطة لـ $X$ بالمعلومية $Y = y$ بالصيغة:

$$E[X mid Y = y] = \sum_{x} x \cdot P(X = x mid Y = y) = \sum_{x} x \cdot \frac{P(X = x, Y = y)}{P(Y = y)}$$

وفي الحالة المتصلة، تُستبدل بالصيغة التكاملية باستخدام دالة الكثافة الاحتمالية المشروطة $f(x|y)$:

$$E[X mid Y = y] = \int_{-\infty}^{\infty} x \cdot f(x mid y) , dx = \int_{-\infty}^{\infty} x \cdot \frac{f(x, y)}{f_Y(y)} , dx$$

من الأهمية بمكان إدراك أن المقدار $E[X mid Y]$—عندما لا نحدد قيمة محددة لـ $y$—ليس رقماً ثابتاً، بل هو في حد ذاته متغير عشوائي جديد يعتمد على قيم $Y$. يقودنا هذا إلى إحدى أعمق النظريات الاحتمالية المعروفة بـ قانون التوقع الكلي (Law of Total Expectation)، أو ما يُطلق عليه أحياناً في الأدبيات الإحصائية “قانون آدم” (Adam’s Law) أو مبرهنة التوقعات المبرجة (Tower Property):

$$E[X] = E_Y [E_{X|Y}[X mid Y]]$$

والتي تترجم في الحالة المنفصلة إلى: $E[X] = \sum_{y} E[X mid Y = y] P(Y = y)$.

يمثل هذا الامتداد الأساس الرياضي لنظرية التنبؤ البايزية؛ حيث يتيح للنماذج الحاسوبية والأنظمة الخبيرة في الذكاء الاصطناعي تحديث تقديراتها وتوقعاتها باستمرار وبطريقة تراكمية مرنة كلما تدفقت بيانات جديدة من البيئة المحيطة، محاكية بذلك آليات التعلم والتكيف المعرفي لدى الكائنات الحية.

10.2 العزوم الإحصائية ودور القيمة المتوقعة في التوزيعات

تشكل القيمة المتوقعة حجر الزاوية البنيوي الذي تُبنى منه كافة العزوم الإحصائية (Statistical Moments) التي تصف الشكل الهندسي والخصائص الرياضية الدقيقة لأي توزيع احتمالي. يُعرّف العزم الرائي حول نقطة الأصل (The $r$-th Raw Moment) لمتغير عشوائي $X$ بأنه القيمة المتوقعة للقوة $r$ للمتغير، ويُرمز له بـ $\alpha_r$:

$$\alpha_r = E[X^r]$$

وفقاً لهذا التعريف، فإن العزم الأول حول نقطة الأصل ($\alpha_1 = E[X]$) هو القيمة المتوقعة ذاتها، والتي تمثل النزعة المركزية والموقع الهندسي لمركز التوزيع. ومن خلال هذا العزم الأول، يتم اشتقاق العزوم المركزية (Central Moments) التي تقيس انحرافات المتغير حول قيمته المتوقعة:

$$\mu_r = E[(X – E[X])^r]$$

يمثل العزم المركزي الثاني ($\mu_2$) مقياس التباين (Variance) الشهير، والذي يُشتق مباشرة بالاعتماد على خاصية خطية التوقع:

$$operatorname{Var}(X) = E[(X – E[X])^2] = E[X^2 – 2X E[X] + (E[X])^2] = E[X^2] – (E[X])^2$$

كما يعتمد العزم المركزي الثالث المقيّس ($\mu_3 / \sigma^3$) على القيمة المتوقعة لقياس معامل الالتواء (Skewness) الذي يحدد مدى عدم تماثل التوزيع حول مركزه، بينما يقيس العزم المركزي الرابع المقيّس ($\mu_4 / \sigma^4$) معامل التفرطح (Kurtosis) الذي يصف حدة القمة وسماكة ذيول التوزيع الاحتمالي وميلها لإنتاج القيم الشاذة والمتطرفة.

لإيجاد هذه العزوم والقيمة المتوقعة تحليلياً بكفاءة، طور علماء الرياضيات أداة جبرية متقدمة تُعرف بـ الدالة المولدة للعزوم (Moment-Generating Function – MGF)، والتي تُعرّف كالتالي:

$$M_X(t) = E[e^{tX}]$$

تكمن قوة هذه الدالة في أنه من خلال حساب المشتقة النونية لـ $M_X(t)$ بالنسبة للمتغير $t$ والتعويض بـ $t = 0$، يمكن استخراج القيمة المتوقعة وكافة العزوم بدقة متناهية ودون الحاجة لحساب التكاملات أو المجموعات المعقدة في كل مرة:

$$E[X] = M’_X(0) = left. \frac{d M_X(t)}{dt} right|_{t=0}, \quad E[X^n] = M^{(n)}_X(0) = left. \frac{d^n M_X(t)}{dt^n} right|_{t=0}$$

11. الأخطاء الشائعة والالتباسات المفاهيمية في حساب القيمة المتوقعة

11.1 الخلط بين القيمة الأكثر احتمالاً (المنوال) والقيمة المتوقعة

من أكثر الالتباسات المفاهيمية رسوخاً في الأذهان الخلط غير المبرر بين القيمة المتوقعة (Expected Value) والمنوال (Mode) أو القيمة الأكثر احتمالاً للحدوث. ينبع هذا الخلط من المعنى اللغوي الساذج لكلمة “متوقع” في اللغة الدارجة؛ حيث يظن غير المتخصصين أن حساب القيمة المتوقعة يهدف إلى تحديد النتيجة الفردية الوحيدة التي من المرجح أن تقع في التجربة القادمة.

لتوضيح هذا الفارق الجوهري، نورد مثالاً لمتغير عشوائي غير متناظر يمثل توزيع عوائد صفقة تجارية معقدة:

• احتمال ربح $0$ دولار هو $0.70$.
• احتمال ربح $100$ دولار هو $0.10$.
• احتمال ربح $500$ دولار هو $0.20$.

في هذا المثال، فإن المنوال (النتيجة الأكثر احتمالاً للحدوث بفارق ساحق) هو $0$ دولار باحتمال $70%$. بينما حساب القيمة المتوقعة يعطي:

$$E[X] = (0 \times 0.70) + (100 \times 0.10) + (500 \times 0.20) = 0 + 10 + 100 = 110 \text{ دولارات}$$

نلاحظ هنا أن القيمة المتوقعة ($110$ دولارات) ليست فقط مختلفة كلياً عن المنوال ($0$)، بل إنها قيمة غير موجودة أصلاً ضمن فضاء النتائج الممكنة للحدث الفردي. يتجلى هذا التباعد بشكل حاد في التوزيعات الملتوية التواءً إيجابياً قوياً (Right-Skewed Distributions) مثل توزيع الدخل والثروات، وحجم المطالبات التأمينية؛ حيث تسحب القيم المتطرفة والشاذة القيمة المتوقعة بعيداً عن مركز الكثافة الاحتمالية والمنوال، مما يجعل الاعتماد على أحدهما كبديل عن الآخر خطأ منهجياً فادحاً.

11.2 إغفال التباين والمخاطر المرافقة للقيمة المتوقعة

يتمثل الخطر المنهجي والتحليلي الأكبر في اتخاذ القرارات في الاعتماد المنفرد والساذج على القيمة المتوقعة كمعيار وحيد للمفاضلة، وتجاهل دراسة التباين ($operatorname{Var}(X)$) والانحراف المعياري والمخاطر الذيلية المرافقة للمتغير العشوائي. إن القيمة المتوقعة تلخص المعدل طويل الأجل فقط، لكنها تخفي تماماً مقدار الاضطراب والتقلب المالي الذي قد يواجهه الفرد أو المؤسسة في الطريق لبلوغ ذلك الأجل الطويل.

لتوضيح ذلك بدقة، لنقارن بين خيارين استثماريين يمتلكان القيمة المتوقعة الإيجابية ذاتها تماماً ($E[X] = 10,000$ دولار):

• الخيار الاستثماري (أ): ربح مؤكد بنسبة $100%$ مقداره $10,000$ دولار ($E[A] = 10,000$، والتباين $operatorname{Var}(A) = 0$).
• الخيار الاستثماري (ب): ربح قدره $1,010,000$ دولار باحتمال $0.50$، أو خسارة كارثية قدرها $-990,000$ دولار باحتمال $0.50$.
  $$E[B] = (1,010,000 \times 0.5) + (-990,000 \times 0.5) = 505,000 – 495,000 = 10,000 \text{ دولار}$$

على الرغم من التطابق التام بين الخيارين في القيمة المتوقعة، إلا أن الخيار (ب) ينطوي على تباين هائل ومخاطرة إفلاس حقيقية ومدمرة؛ فإذا دخل مستثمر متوسط في الخيار (ب) وتحقق السيناريو السلبي، فإنه سيتعرض للإفلاس التام (Ruin Problem)، ولن يتبقى لديه أي رأس مال للبقاء والمشاركة في جولات مستقبلية لتحقيق ذلك “المتوسط طويل الأجل”.

تؤكد هذه الحقيقة الرياضية البديهية السلوكية الشهيرة: “لا يمكنك عبور نهر يبلغ متوسط عمقه قدماً واحداً إذا كان يحتوي على حفرة عمقها عشرة أقدام”. يجب دائماً وأبداً إقران حساب القيمة المتوقعة بمقاييس المخاطر مثل الانحراف المعياري، ونسبة شارب (Sharpe Ratio)، والقيمة المعرضة للخطر (Value at Risk – VaR)، ومراقبة احتمالات الهلاك لضمان الاستمرارية الحسابية والواقعية لصانع القرار.

12. الخلاصة والآفاق المستقبلية في العلوم المعرفية والسلوكية

12.1 تكامل النماذج الإحصائية مع خوارزميات التعلم الآلي والذكاء الاصطناعي

في عصر الثورة الرقمية والخوارزمية الراهنة، انتقل مفهوم القيمة المتوقعة من مجرد معادلة في كتب الإحصاء الكلاسيكي ليصبح المحرك البرمجي والرياضي المركزي لنظم الذكاء الاصطناعي والتعلم المعزز (Reinforcement Learning – RL). في هذا الإطار الخوارزمي المتقدم، يتفاعل وكيل برمجي ذكي (Intelligent Agent) مع بيئة ديناميكية مجهولة عبر سلسلة من الحالات ($S$) والإجراءات ($A$)، وتتمثل غايته الأساسية في تعلم سياسة سلوكية مثلى $\pi^*$ تعظم القيمة المتوقعة التراكمية للمكافآت المستقبلية المخصومة:

$$V^\pi(s) = E_\pi \left[ \sum_{t=0}^{\infty} \gamma^t R_{t+1} ;middle|; S_0 = s \right]$$

تعتمد خوارزميات كبرى مثل معادلات بيلمان للبرمجة الديناميكية، وخوارزميات Q-Learning، وتدرج السياسة (Policy Gradient)—التي تقود محركات الذكاء الاصطناعي المتفوقة مثل DeepMind’s AlphaZero ونماذج اللغة الكبيرة الحديثة—بصورة مطلقة على التقدير الحسابي الدقيق للتوقعات المشروطة لدوال القيمة في بيئات تشتمل على مليارات السيناريوهات العشوائية المحتملة.

علاوة على ذلك، تُستخدم القيمة المتوقعة في تطوير نماذج هجينة تجمع بين الإحصاء الرياضي والعلوم العصبية الإدراكية؛ حيث يتم تصميم خوارزميات ذكية قادرة على نمذجة وتصحيح الانحيازات المعرفية البشرية، مما يتيح تقديم أنظمة دعم قرار متطورة تعين القادة والأطباء والمهندسين على تحييد العواطف اللحظية والانحيازات الضارة، والوصول إلى قرارات تتسم بأعلى درجات الرشد الإحصائي والأخلاقي.

12.2 توصيات منهجية لتعزيز التفكير الاحتمالي الرشيد

في ختام هذه المعالجة العلمية الشاملة، يتضح جلياً أن القيمة المتوقعة ليست مجرد إجراء حسابي جامد، بل هي أسلوب تفكير وفلسفة حياة تمثل الجسر المعرفي الرابط بين الرياضيات البحتة والسلوك البشري الرشيد. ولتحويل هذا المفهوم إلى ممارسة فكرية وسلوكية يومية ناجعة، نخلص إلى التوصيات المنهجية التالية:

• تفكيك الأحداث إلى سيناريوهات واحتمالات: تدريب العقل على التخلي عن التفكير الثنائي الحتمي (نجاح/فشل، ربح/خسارة) واستبداله بالتفكير الاحتمالي متعدد السيناريوهات، مع حصر دقيق لفضاء النتائج وتعيين أوزان واقعية لكل مخرج.
• الفصل الصارم بين جودة القرار ونتيجته اللحظية: يجب تقييم القرارات في الحياة والاستثمار بناءً على بنيتها الاحتمالية وقيمتها المتوقعة وقت اتخاذها، وليس بناءً على النتيجة التوفيقية العابرة لجولة واحدة؛ فالقرار الإحصائي الصائب يظل صائباً حتى لو صادف نتيجة سيئة نادرة، والقرار المتهور يظل خطأً فادحاً حتى لو حالفه الحظ السعيد.
• الدمج الإلزامي بين القيمة المتوقعة وإدارة المخاطر: عدم الانخداع بالقيمة المتوقعة العالية إذا كانت تتضمن احتمالاً غير صفري للهلاك أو الإفلاس الذي ينهي مسار التجربة، والحرص الدائم على دراسة التباين والانحراف المعياري ودوال المنفعة الذاتية.
• التدريب المستمر على مقاومة الانحيازات الإدراكية: الحذر الشديد من الوقوع في فخاخ التوفر الذهني، وتضخيم احتمالات الأحداث النادرة، ومغالطة المقامر، والاعتماد على السجلات الإحصائية الصارمة بدلاً من الحدس العاطفي غير المنضبط.

إن تبني التفكير الاحتمالي المبني على استيعاب القيمة المتوقعة يحرر الإنسان من أوهام الحظ الساذجة، ويمنحه البصيرة الرياضية والمنهجية الرصينة للملاحة بأمان واقتدار في محيط الحياة المليء بأمواج عدم اليقين والمخاطرة.

References

• Bernoulli, D. (1954). Exposition of a new theory on the measurement of risk. Econometrica, 22(1), 23–36. (Original work published 1738). https://doi.org/10.2307/1909829
• Blitzstein, J. K., & Hwang, J. (2019). Introduction to Probability (2nd ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9780429158094
• DeGroot, M. H., & Schervish, M. J. (2012). Probability and Statistics (4th ed.). Addison-Wesley.
• Huygens, C. (1657). De Ratiociniis in Ludo Aleae (On the Calculations in Games of Chance). Elsevier.
• Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. https://doi.org/10.2307/1914185
• Kolmogorov, A. N. (1956). Foundations of the Theory of Probability (N. Morrison, Trans.; 2nd ed.). Chelsea Publishing Company. (Original work published 1933).
• Ross, S. M. (2014). A First Course in Probability (9th ed.). Pearson.
• Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). The MIT Press.
• Von Neumann, J., & Morgenstern, O. (1944). Theory of Games and Economic Behavior. Princeton University Press.
• Wackerly, D. D., Mendenhall, W., & Scheaffer, R. L. (2008). Mathematical Statistics with Applications (7th ed.). Cengage Learning.