كيفية حساب المتوسط المقتطع في بايثون (مع أمثلة)

تُعد مقاييس النزعة المركزية حجر الزاوية في علم الإحصاء الوصفي والاستدلالي، حيث توفر تمثيلاً رقمياً مكثفاً يختزل آلاف المشاهدات في قيمة معبرة واحدة تعكس مركز ثقل البيانات. ومع ذلك، يواجه الباحثون ومحللو البيانات تحدياً بنيوياً مستمراً عند استخدام المتوسط الحسابي الكلاسيكي، والمتمثل في حساسيته الشديدة وتأثره البالغ بوجود القيم المتطرفة والشاذة داخل التوزيعات التجريبية. هذا الضعف المنهجي يقود في كثير من الأحيان إلى تقديرات مضللة وغير متزنة لا تعكس الواقع الفعلي للظاهرة المدروسة، مما دفع علماء الإحصاء إلى تطوير عائلة من المقاييس الحصينة والمتينة إحصائياً التي تحتفظ بالمزايا الحسابية للمتوسط وتتجنب في الوقت نفسه ثغراته القاتلة.

يمثل المتوسط المقتطع (Trimmed Mean) أحد أبرز هذه الحلول الإحصائية المتقدمة وأكثرها كفاءة ومرونة، حيث يقوم على مبدأ منهجي رصين يتمثل في استبعاد نسبة مئوية محددة ومتماثلة من أدنى وأعلى قيم العينة المرصودة قبل إجراء العملية الحسابية. يتيح هذا النهج التوفيقي الجمع بين كفاءة واستمرارية المتوسط الحسابي العام، والمقاومة العالية للتشوه التي يتمتع بها الوسيط الإحصائي، مما يجعله أداة قياسية لا غنى عنها في الأبحاث السلوكية، والتجارب المعرفية، والتحليلات المالية، والنمذجة الرياضية المعاصرة للبيانات الضخمة والملوثة بالضوضاء القياسية.

في هذا الدليل الأكاديمي الشامل، سنتناول بالتفصيل المعمق كيفية حساب وتطبيق المتوسط المقتطع برمجياً وإحصائياً باستخدام لغة بايثون (Python) ومنظومتها الحسابية الرائدة المتمثلة في مكتبات SciPy وNumPy وPandas. سنستعرض الأسس الرياضية والنظرية الكامنة خلف هذا المقياس، ودوافعه المنهجية، وكيفية التعامل مع تحديات البيانات الواقعية مثل القيم المفقودة والالتواءات غير المتماثلة، مدعوماً بمقارنات تطبيقية ودراسات حالة واقعية من شأنها الارتقاء بجودة وموثوقية المعالجات التحليلية للبيانات المعقدة.

1. مقدمة شاملة للمتوسط المقتطع (Trimmed Mean) وأهميته الإحصائية

1.1 مفهوم المتوسط المقتطع وتعريفه الدقيق

يُعرَّف المتوسط المقتطع في الأدبيات الإحصائية بأنه مقياس قوي للنزعة المركزية ينتمي إلى فئة الإحصاءات الحصينة (Robust Statistics)، وهو يقوم على فكرة حساب المتوسط الحسابي لمجموعة فرعية من البيانات بعد ترتيبها تصاعدياً وحذف نسبة مئوية متكافئة من أطرافها المتطرفة الصغرى والعظمى. يشار إليه رياضياً بمتوسط ألفا المقتطع، حيث تمثل ألفا نسبة الاقتطاع المطبقة على كل ذيل من ذيلي التوزيع الاحتمالي. يتم هذا الإجراء بهدف تنقية المركز الحسابي للبيانات من التأثيرات المشوهة للقيم التي تبتعد بشكل شاذ عن النطاق الطبيعي للتوزيع الإحصائي.

تعتمد آلية عمل المتوسط المقتطع على فرز البيانات الأصلية من القيمة الصغرى إلى القيمة الكبرى، ثم تحديد عدد المشاهدات الواجب استبعادها بناءً على النسبة المئوية المختارة، والتي تتراوح عملياً بين نسبة طفيفة مثل 5% إلى نسب أعمق تصل إلى 20% أو أكثر. بعد إزالة المشاهدات الواقعة في أقصى اليمين وأقصى اليسار، يتم تطبيق صيغة المتوسط الحسابي التقليدي على المشاهدات المركزية المتبقية، مما ينتج عنه مقياس أكثر استقراراً يعبر بصدق عن الاتجاه العام للمجتمع الإحصائي المستهدف دون إلغاء الطبيعة التوزيعية للعينة ككل.

تتجلى الفروق الجوهرية بين المتوسط الحسابي البسيط والمتوسط المقتطع في مدى حساسية كل منهما للتباينات الحدية؛ فبينما يمنح المتوسط البسيط وزناً ترجيحياً متساوياً لكافة عناصر العينة بغض النظر عن مدى شذوذها، يعمل المتوسط المقتطع على تصفير الأوزان المعطاة للأطراف الشاذة تماماً. هذه الخاصية تمنحه تفوقاً نوعياً في معالجة العينات التي تحتوي على ضوضاء ناتجة عن أخطاء القياس أو الحالات المتطرفة النادرة، مما يجعله جسراً حيوياً يجمع بين دقة الحساب العددي ومقاومة الانحراف المظهري.

1.2 دواعي استخدام المتوسط المقتطع في معالجة البيانات

تتمثل الحاجة الأساسية لاستخدام المتوسط المقتطع في مواجهة واحدة من أشد المعضلات الإحصائية إرباكاً، ألا وهي الحساسية المفرطة للمتوسط الحسابي الكلاسيكي تجاه القيم الشاذة والمتطرفة. ففي الواقع التجريبي والتطبيقي، يكفي وجود قيمة متطرفة واحدة ذات حجم هائل أو ضئيل جداً لتغيير قيمة المتوسط الحسابي جذرياً وجره بعيداً عن غالبية نقاط البيانات، مما يؤدي إلى رسم صورة غير دقيقة وتضليل القرارات التحليلية اللاحقة. يوفر الاقتطاع الإحصائي حماية آلية ضد هذا التهديد المنهجي دون الحاجة إلى اللجوء لقرارات ذاتية بحذف المشاهدات يدوياً.

يحقق المتوسط المقتطع توازناً رياضياً متفرداً بين الكفاءة الإحصائية للمتوسط التقليدي والمقاومة العالية التي يتميز بها الوسيط الإحصائي. فرغم أن الوسيط يعتبر مقياساً فائق الحصانة ضد القيم الشاذة، إلا أنه يعاني من انخفاض كفاءته النسبية في التوزيعات الطبيعية، حيث يتجاهل معظم المعلومات الرقمية المتضمنة في العينة ويركز حصرياً على الرتبة الترتيبية للنقطة الوسطى. في المقابل، يحتفظ المتوسط المقتطع بجميع الخصائص الكمية للبيانات المركزية المحصورة بين حدود الاقتطاع، مما يجعله أكثر كفاءة وأقل تشتتاً من الوسيط في تقدير المعالم السكانية للمجتمعات الإحصائية.

علاوة على ذلك، يكتسب الاقتطاع الإحصائي أهمية قصوى في تحسين موثوقية التقديرات الإحصائية المستخلصة من العينات الملوثة بالضوضاء العشوائية أو التوزيعات ذات الذيول الثقيلة. في مثل هذه البيئات المعقدة، يفقد الخطأ المعياري للمتوسط التقليدي استقراره، وتصبح فترات الثقة الناتجة واسعة جداً وغير دقيقة. يسهم تطبيق المتوسط المقتطع في تقليص هذا التباين المقدر، وتضييق حدود فترات الثقة، وتعزيز القدرة الإحصائية للاختبارات الفرضية اللاحقة، مما يرفع من جودة الاستنتاجات العلمية والتحليلية المستندة إليها.

1.3 تطبيقات المتوسط المقتطع في الأبحاث السلوكية والنفسية

تحتل التطبيقات السلوكية والنفسية موقع الصدارة في الاستفادة من مزايا المتوسط المقتطع، لا سيما في دراسات زمن الاستجابة (Reaction Time) في حقول علم النفس المعرفي والعلوم العصبية. في هذه التجارب، يُطلب من المشاركين الاستجابة لمثيرات حسية أو بصرية متتابعة، وغالباً ما تتضمن البيانات الناتجة قيماً شديدة الشذوذ ناجمة عن فترات شرود ذهني مؤقت، أو ضغطات غير مقصودة على لوحة الاستجابة، أو حركات جسدية لا علاقة لها بالمهمة المعرفية. يساعد حساب المتوسط المقتطع بنسبة 10% أو 20% في استبعاد هذه الأطراف المشوهة بشكل منهجي وموضوعي دون إدخال تحيزات بشرية في عملية تنقية البيانات.

يمتد تطبيق هذا المقياس الحصين إلى تقييم الاستبيانات السيكومترية والمقاييس النفسية التي تعاني في كثير من الأحيان من توزيعات غير سوية وانحرافات حادة نحو أطراف المقياس. ففي الاستبانات التي تستخدم مقاييس ليكرت أو مقاييس التقدير المستمرة، يميل بعض أفراد العينة إلى إظهار أنماط استجابة متطرفة وغير جادة، مثل اختيار الحد الأدنى أو الأقصى بصورة منتظمة وبدافع الملل أو الرغبة الاجتماعية. يتيح الاقتطاع الرياضي المتماثل التخفيف من وقع هذه السلوكيات الاستجابية غير المنضبطة على الدرجات الإجمالية للمقاييس الفرعية، مما يرفع من معامِلات الصدق والثبات للأدوات النفسية.

كذلك، يُستخدم المتوسط المقتطع بشكل واسع في تحليل مراجعات السلوك، وتقييمات الأداء المهني، ولجان التحكيم الرياضية والفنية، مثل تقييمات الغطس والجمباز والتزلج على الجليد الأولمبي. في هذه السياقات، يُحذف أعلى تقييم وأدنى تقييم تلقائياً لضمان عدم تأثير الانحيازات الشخصية الشديدة أو الأحكام المتطرفة لبعض المحكمين على النتيجة النهائية للمتسابق. يعكس هذا الاستخدام المباشر قدرة المتوسط المقتطع على توفير منصة تقييم عادلة وشفافة تحظى بموثوقية عالية لدى جميع الأطراف المعنية.

2. الأساس الرياضي والنظري لحساب المتوسط المقتطع

2.1 الصيغة الرياضية لحساب المتوسط المقتطع المتماثل

يقوم البناء الرياضي للمتوسط المقتطع المتماثل على عينة مرتبة تصاعدياً تتكون من عدد محدد من المشاهدات الفردية. لنفترض وجود عينة إحصائية مرتبة حيث المشاهدة الأولى تمثل القيمة الصغرى والمشاهدة الأخيرة تمثل القيمة الكبرى في العينة. عند تطبيق نسبة اقتطاع متماثلة ألفا (حيث تكون قيمة ألفا أكبر من أو تساوي الصفر وأقل تماماً من النصف، أي 0.5)، يتم أولاً حساب عدد القيم المراد حذفها من كل طرف، ويشار إلى هذا العدد بالرمز الرياضي k، والذي يُحسب بضرب النسبة المقتطعة في إجمالي عدد عناصر العينة n والتقريب الرياضي المناسب للأسفل أو للأعلى وفق القواعد المعتمدة.

بعد تحديد قيمة k، يتم استبعاد المشاهدات k الأولى من بداية العينة والمشاهدات k الأخيرة من نهايتها. بناءً على ذلك، يصبح حجم العينة الفعال بعد عملية الاقتطاع الرياضي مساوياً للقيمة الناتجة عن طرح ضعفي عدد القيم المستبعدة من إجمالي حجم العينة الأصلي، أي (n – 2k). يُصاغ المتوسط المقتطع كحاصل جمع المشاهدات المتبقية، بدءاً من المشاهدة ذات الرتبة (k + 1) وحتى المشاهدة ذات الرتبة (n – k)، مقسوماً على حجم العينة الفعال المعدل. تضمن هذه المعادلة البسيطة في مظهرها والدقيقة في مضمونها إعادة احتساب المركز الرياضي للبيانات بالاعتماد الصارم على الكتلة المركزية المستقرة.

تفرض النظرية الإحصائية شروطاً صارمة على تعيين نسبة الاقتطاع ألفا؛ حيث يجب ألا تصل هذه النسبة بأي حال من الأحوال إلى 50% أو تتجاوزها. والسبب في ذلك أنه في حالة وصول نسبة الاقتطاع إلى النصف تماماً من كلا الطرفين، فإن جميع عناصر العينة سيتم حذفها رياضياً، وتتحول الدالة إلى الوسيط الإحصائي في النهاية المقاربة بدلاً من المتوسط. كما يتعين مراعاة ملاءمة حجم العينة الإجمالي؛ إذ لا يمكن تطبيق نسب اقتطاع دقيقة على عينات متناهية الصغر لا تسمح بحذف مشاهدات كاملة دون التضحية بالبنية الرياضية الأساسية للمجموعة الإحصائية.

2.2 الخصائص الإحصائية ومؤشر الانهيار (Breakdown Point)

يُعد مؤشر الانهيار (Breakdown Point) أحد أهم المقاييس المنهجية المستخدمة في الإحصاء الحديث لتقييم متانة المقدرات الإحصائية وحصانتها. يُعرف مؤشر الانهيار بأنه أصغر نسبة مئوية من المشاهدات الملوثة أو الشاذة التي يمكن أن تجعل المقدر الإحصائي غير ذي معنى أو تدفعه نحو اللانهاية الإيجابية أو السلبية. في حالة المتوسط الحسابي التقليدي، فإن مؤشر الانهيار يساوي الصفر تقريباً (أو 1 مقسوماً على n)، مما يعني أن قيمة شاذة واحدة فقط قادرة على تدمير المقياس بالكامل. في المقابل، يرتبط مؤشر الانهيار للمتوسط المقتطع مباشرة بنسبة الاقتطاع المطبقة؛ حيث يمتلك متوسط مقتطع بنسبة 20% مؤشر انهيار يساوي 20%، مما يجعله قادراً على تحمل تلوث خمس العينة بالكامل دون أن ينحرف عن مساره الصحيح.

عند دراسة كفاءة التوزيع المقارب (Asymptotic Relative Efficiency) مقارنة بالمتوسط الحسابي، نجد أن المتوسط المقتطع يظهر سلوكاً فائق التميز. ففي ظل التوزيع الطبيعي المعياري والمثالي، تبلغ الكفاءة النسبية للمتوسط المقتطع بنسبة 10% حوالي 95% إلى 97% مقارنة بالمتوسط الكلاسيكي، مما يعني أن خسارة المعلومات الناتجة عن الاقتطاع في الظروف المثالية تكاد تكون معدومة وغير محسوسة عملياً. تبرز هذه النتيجة أن التكلفة الإحصائية لتأمين البيانات ضد القيم المتطرفة منخفضة للغاية مقارنة بالمكاسب الهائلة المتحققة في الحصانة والاستقرار.

تزداد الميزة النسبية للمتوسط المقتطع بشكل دراماتيكي عندما تنحرف البيانات عن التوزيع الطبيعي وتتجه نحو التوزيعات ذات الذيول الثقيلة، مثل توزيع كوشي أو توزيع t لستيودنت بدرجات حرية منخفضة، أو التوزيعات الملوثة بنماذج خليطة. في هذه الحالات، ينهار المتوسط الحسابي وتتضخم تبايناته بشكل لا نهائي، بينما يحافظ المتوسط المقتطع على كفاءة فائقة وتباين منخفض ومستقر. يبرهن هذا السلوك النظري على أن المتوسط المقتطع ليس مجرد أداة ترقيعية، بل هو مقدر إحصائي متفوق في ظل الظروف الواقعية التي تبتعد عن الافتراضات النظرية المثالية للبيانات المعملية.

2.3 تحديد النسبة المئوية المثلى للاقتطاع (Trimming Proportion)

يمثل اختيار النسبة المئوية المثلى للاقتطاع قراراً منهجياً حاسماً يتطلب موازنة دقيقة بين الرغبة في التخلص من القيم المشوهة والحرص على عدم إهدار المعلومات الإحصائية القيمة المتضمنة في العينة. استقرت التقاليد الإحصائية التجريبية، ولا سيما أعمال الإحصائي البارز راند ويلكوكس (Rand Wilcox)، على التوصية باعتماد نسبة اقتطاع تبلغ 20% (أي حذف 20% من الأدنى و20% من الأعلى بإجمالي 40% من العينة) كمعيار قياسي عام يوفر أقصى درجات الأمان الإحصائي ضد مجموعة واسعة جداً من التوزيعات غير السوية والانحرافات الشديدة دون فقدان مفرط للكفاءة.

ومع ذلك، تختلف النسب المثلى باختلاف السياق التطبيقي وطبيعة الظاهرة المدروسة وحجم العينة؛ ففي العينات الكبيرة والنظيفة نسبياً التي تخضع لرقابة جودة صارمة، قد تكون نسبة اقتطاع خفيفة مثل 5% أو 10% كافية تماماً لتطهير الأطراف من الأخطاء العشوائية النادرة مع الحفاظ على 90% أو 80% من كتلة البيانات الأصلية. في المقابل، تتطلب الدراسات الميدانية الاستكشافية أو البيانات المأخوذة من أجهزة استشعار حيوية معرضة للتشويش استخدام نسب اقتطاع أعلى قد تصل إلى 25% لضمان عزل الانحرافات والارتفاعات المفاجئة غير المنضبطة في الإشارات الرقمية.

من الضروري للباحثين إجراء تحليل حساسية منهجي للنتائج الإحصائية من خلال تقييم سلوك المتوسط المقتطع عند مستويات تدريجية مختلفة (مثل 5%، و10%، و15%، و20%)؛ فإذا أظهرت التقديرات استقراراً وثباتاً عبر هذه النسب المختلفة، فإن ذلك يعزز الثقة في أن النتائج تعكس الظاهرة الجوهرية وليست نتاجاً لاختيار نسبة اقتطاع محددة. ويجب التحذير في الوقت نفسه من مغبة اللجوء إلى الاقتطاع الجائر المفرط، لأن استبعاد نسب تتجاوز الحدود المنطقية قد يؤدي إلى تجريد العينة من تباينها الطبيعي الحقيقي، ورفع تباين التقدير، وتقويض القدرة على تعميم النتائج على المجتمع الإجمالي.

3. إعداد بيئة العمل والمتطلبات التقنية في لغة بايثون

3.1 تثبيت المكتبات الإحصائية والحسابية الضرورية

تتطلب معالجة وتطبيق الحسابات الإحصائية المتعلقة بالمتوسط المقتطع في لغة بايثون الاعتماد على منظومة متكاملة من المكتبات العلمية القياسية التي توفر الأدوات الخوارزمية والهياكل البيانية المتطورة. في مقدمة هذه المنظومة تأتي حزمة SciPy، وتحديداً الوحدة الفرعية المخصصة للإحصاء، والتي تقدم دوال جاهزة ومُحسنة برمجياً بأعلى معايير الدقة الرياضية لتنفيذ عمليات الاقتطاع المباشر، وتوفير وظائف التقدير المتين بكفاءة حسابية متميزة تم اختبارها وتدقيقها عبر عقود من الاستخدام الأكاديمي.

إلى جانب ذلك، تُعد مكتبة NumPy الأساس التقني الذي لا غنى عنه لأي عمليات حسابية متجهية عالية الأداء في بايثون؛ إذ توفر مصفوفات رقمية متعددة الأبعاد تتيح إجراء العمليات الحسابية والترتيب والتصفية بسرعة فائقة تتجاوز بكثير هياكل القوائم الافتراضية في بايثون الصرفة. كما تبرز مكتبة Pandas كأداة لا مركزية لإدارة ومعالجة جداول البيانات وإطارات العمل التحليلية، حيث تتيح التعامل السلس مع السلاسل الزمنية، والمتغيرات المتقاطعة، والبيانات المجدولة، وتطبيق العمليات الإحصائية المجمعة عبر الفئات والمتغيرات المختلفة بكل سهولة ويسر.

يمكن تثبيت هذه الحزم الأساسية بسهولة داخل أي بيئة بايثون قياسية باستخدام مدير الحزم البرمجية الشائع عبر سطر الأوامر من خلال تشغيل الأمر القياسي التالي:

pip install numpy scipy pandas matplotlib seaborn

يضمن هذا الأمر تنزيل وتثبيت أحدث الإصدارات المستقرة للمكتبات الحسابية الأساسية مع مكتبات التصور البصري المرافقة، مما يؤسس منصة عمل برمجية متكاملة وقادرة على معالجة أعتى المشكلات الإحصائية وتحليل البيانات المعقدة بكفاءة وموثوقية بالغة.

3.2 التحقق من إصدارات الحزم البرمجية والتوافق

يُعد التحقق من توافق الإصدارات البرمجية للحزم المثبتة خطوة تأسيسية بالغة الأهمية في مجال الحوسبة العلمية وقابلية تكرار الأبحاث (Reproducibility). قد تؤدي التغييرات في الواجهات البرمجية بين الإصدارات المتعاقبة لمكتبات بايثون إلى سلوكيات غير متوقعة، خاصة فيما يتعلق بالقيم الافتراضية للمعاملات الحسابية أو معالجة القيم غير المعرفة. لذلك، يُوصى دوماً بطباعة والتحقق من أرقام إصدارات المكتبات المستوردة داخل جلسة العمل البرمجية لضمان تطابق البيئة التحليلية بين مختلف أعضاء الفريق البحثي أو عند إعادة تشغيل الأكواد التحليلية مستقبلاً.

لتجنب النزاعات البرمجية وتداخل الحزم مع المشاريع الأخرى، يُعتبر إنشاء وتفعيل بيئة افتراضية منعزلة ممارسة معيارية أساسية. يمكن تحقيق ذلك باستخدام أدوات إدارة البيئات مثل بيئة العمل الافتراضية الافتراضية المدمجة في بايثون أو منصة Anaconda العلمية، مما يتيح تجميد وإدارة متطلبات المشروع البرمجي في ملف مخصص يمكن مشاركته وتطبيقه على خوادم ومحطات عمل مختلفة بنفس الدقة والاتساق البرمجي الكامل.

بمجرد إعداد البيئة وتجهيز محيط العمل المفضل، سواء كان ذلك عبر منصة الحوسبة التفاعلية التوثيقية Jupyter Notebook أو بيئة التطوير المتكاملة Visual Studio Code، يتم استيراد الوحدات البرمجية الأساسية لتكون جاهزة للاستدعاء الفوري داخل الأكواد التحليلية كما هو موضح في البناء التالي:

import numpy as np
import pandas as pd
from scipy import stats
import matplotlib.pyplot as plt
import seaborn as sns

4. حساب المتوسط المقتطع لمصفوفة رقمية باستخدام SciPy

4.1 البنية التركيبية للدالة stats.trim_mean()

توفر مكتبة SciPy من خلال وحدتها الإحصائية المتخصصة دالة قياسية عالية الكفاءة تُدعى scipy.stats.trim_mean، وهي الأداة الأساسية المعتمدة لحساب المتوسط المقتطع في لغة بايثون. تتميز هذه الدالة ببنيتها البرمجية الواضحة والمباشرة، حيث تستقبل مصفوفة البيانات كمعامل أولي إلزامي، يليه المعامل الأساسي المحدد لنسبة الاقتطاع من كل طرف، بالإضافة إلى معاملات اختيارية تتيح التحكم في أبعاد المصفوفة وطريقة معالجة البيانات متعددة المحاور.

يُعرف المعامل الثاني في الدالة باسم proportiontocut، وهو يستقبل قيمة كسرية عشرية تمثل النسبة المطلوب استبعادها من كل طرف من طرفي التوزيع الاحتمالي. من الأخطاء الشائعة جداً لدى المبتدئين تمرير النسبة المئوية كعدد صحيح (مثل تمرير 10 لاقتطاع عشرة بالمائة)، في حين أن الدالة تتطلب رياضياً وبرمجياً تمرير القيمة الكسرية المكافئة (أي 0.10). يجب أن تقع هذه القيمة بدقة داخل المجال الرياضي المفتوح بين الصفر والنصف (من 0.0 إلى أقل من 0.5)، حيث أن تمرير قيمة صفرية يعني حساب المتوسط الحسابي العادي دون اقتطاع، بينما يؤدي تمرير قيمة تساوي أو تتجاوز 0.5 إلى إثارة خطأ برمجي واضح.

بالإضافة إلى ذلك، توفر الدالة المعامل axis، والذي يحدد المحور الذي ستُجرى على امتداده عملية الاقتطاع والحساب في المصفوفات ثنائية أو متعددة الأبعاد. إذا تُرك هذا المعامل بقيمته الافتراضية المحددة بالصفر، فإن الحساب يتم على طول الأعمدة للمصفوفات ثنائية الأبعاد، في حين يمكن توجيهه للعمل عبر الصفوف بتعيين المعامل إلى القيمة 1، أو تعيينه إلى القيمة الفارغة لتسطيح المصفوفة بالكامل ومعاملتها كشعاع أحادي البعد موحد، مما يمنح المبرمج مرونة هائلة في التعامل مع مختلف الهياكل البيانية المعقدة.

4.2 مثال عملي: حساب المتوسط المقتطع بنسبة 10% لمصفوفة أحادية البعد

لتوضيح المفهوم بشكل تطبيقي وملموس، سنقوم ببناء مجموعة بيانات اختبارية أحادية البعد تحاكي عينة قياس واقعية تحتوي على قيم متمركزة حول نطاق محدد مع وجود قيم متطرفة متباينة في الأطراف. لنفترض أن لدينا مصفوفة تحتوي على عشرين مشاهدة رقمية تمثل درجات أداء أو أزمنة استجابة، حيث تتوزع معظم القيم بين 15 و35، بينما تتضمن العينة قيمة متطرفة صغرى تبلغ 2 وقيمة متطرفة كبرى تبلغ 150:

بيانات العينة: [2, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 150]

عند حساب المتوسط الحسابي البسيط لهذه العينة المكونة من عشرين عنصراً، نجد أن حاصل الجمع الإجمالي للقيم مقسوماً على 20 ينتج عنه قيمة مرتفعة جداً تقارب 30.45، متأثرة بشكل حاد بالقيمة الشاذة (150) التي سحبت المركز الحسابي نحو الأعلى بعيداً عن غالبية أفراد العينة. الآن، لتطبيق اقتطاع بنسبة 10% باستخدام مكتبة SciPy، نقوم بتمرير هذه المصفوفة إلى الدالة عبر السطر البرمجي المباشر:

stats.trim_mean(data, proportiontocut=0.10)

عند تنفيذ هذا الكود، تقوم الدالة آلياً بحساب عدد العناصر المراد استبعادها: 20 ضرب 0.10 يساوي عنصرين من الطرفين (عنصران من الأسفل هما 2 و18، وعنصران من الأعلى هما 35 و150). يتبقى لدينا 16 عنصراً مركزياً تتراوح بين 19 و34. يبلغ مجموع هذه العناصر المتبقية 424، وبقسمة هذا المجموع على حجم العينة الفعال (16)، يُخرج الكود النتيجة الدقيقة: 26.5. يتضح هنا بجلاء كيف نجح المتوسط المقتطع في إسقاط القيمة المشوهة واستعادة التمثيل الصادق لمركز البيانات الفعلي.

4.3 مثال عملي: تطبيق نسب اقتطاع مختلفة (5%، 20%) ومقارنة النتائج

يتيح إجراء مقارنة موازية لنتائج نسب اقتطاع متعددة على نفس مصفوفة البيانات فهماً عميقاً لسلوك المقدر الإحصائي واستجابته للتغير في معامِل الاقتطاع. في هذا الإطار، يمكننا كتابة مقطع برمجي ينفذ الحساب بالتوازي لنسب اقتطاع مختلفة تشمل: المتوسط الكلاسيكي (0%)، والاقتطاع الخفيف (5%)، والاقتطاع المعتدل (10%)، والاقتطاع العميق (20%)، بالإضافة إلى حساب الوسيط الإحصائي للبيانات نفسها للمقارنة المرجعية:

عند تطبيق نسبة اقتطاع 5% على عينة تتألف من 20 عنصراً، فإن الدالة ستقوم بحذف عنصر واحد فقط من كل طرف (20 × 0.05 = 1)، مما يؤدي إلى استبعاد القيمة الصغرى المتطرفة (2) والقيمة العظمى المتطرفة (150)، لتصبح العينة الفعالة مكونة من 18 عنصراً بمتوسط مقتطع يبلغ تقريباً 26.33. نلاحظ هنا انخفاضاً حاداً ومباشراً في قيمة المتوسط بمجرد التخلص من القيمة الشاذة الكبرى، مما يقربه فوراً من المركز الواقعي للتوزيع.

وعند رفع نسبة الاقتطاع إلى 20% (بمعامل اقتطاع 0.20)، يتم استبعاد 4 عناصر من الأدنى و4 عناصر من الأعلى، ليتبقى 12 عنصراً في المركز الحسابي، وينتج عن ذلك متوسط مقتطع يستقر عند 26.50، وهو رقم يتطابق تقريباً مع الوسيط الإحصائي للعينة البالغ 26.50. يوضح هذا التدرج التحليلي كيف يعمل رفع نسبة الاقتطاع على تحييد التأثيرات الطرفية تدريجياً وتحويل المقياس إلى حالة استقرار مناعية تامة تقارب الوسيط مع الاحتفاظ بديناميكية الحساب المتوسطي للكتلة المركزية المتبقية.

5. حساب المتوسط المقتطع لأعمدة إطارات البيانات (Pandas DataFrames)

5.1 دمج دالة trim_mean مع كائنات السلاسل (Series) في Pandas

في بيئات تحليل البيانات الواقعية والتطبيقية، نادراً ما يتعامل المحلل مع مصفوفات رقمية منعزلة، بل تُخزن البيانات عادة داخل جداول منظمة وإطارات عمل بيانية تُعرف باسم إطارات بيانات Pandas. للتعامل مع هذه الهياكل، يمكن دمج دالة المتوسط المقتطع من مكتبة SciPy بسلاسة فائقة ومباشرة مع أعمدة البيانات، حيث يمثل كل عمود كائن سلسلة إحصائية أحادي البعد. تتميز مكتبة بايثون بإمكانية تمرير هذه السلاسل مباشرة إلى الدوال الإحصائية الخارجية دون الحاجة إلى إجراء تحويلات هيكلية معقدة.

عند استدعاء الدالة وتمرير عمود محدد من إطار البيانات، مثل تمرير عمود يمثل درجات اختبار الطلاب أو رواتب الموظفين، تقوم الدالة بمعاملة السلسلة كمصفوفة رقمية متوافقة وتحسب المتوسط المقتطع بالنسب المحددة وترجع قيمة رقمية عائمة مفردة. يمكن تخزين هذه القيمة الناتجة مباشرة في متغير مستقل، أو طباعتها ضمن تقرير إحصائي موجز، أو استخدامها كقيمة مرجعية لإجراء عمليات معيارية أو تطبيع للبيانات اللاحقة داخل خط أنابيب معالجة البيانات البرمجي.

تتم عملية التحويل الداخلي بين هياكل بيانات Pandas ومصفوفات NumPy الحسابية بشكل تلقائي وسريع في الذاكرة؛ مما يوفر أعلى درجات الكفاءة البرمجية دون استهلاك موارد إضافية للمعالجة. يتيح ذلك لمحلل البيانات إدماج دوال الإحصاء الحصين داخل نصوص معالجة البيانات الكبيرة وتنظيفها وضمان موثوقية المقاييس الوصفية المستخرجة للأعمدة الفردية بأقل قدر من التعليمات البرمجية الصريحة.

5.2 تطبيق الحساب على أعمدة متعددة دفعة واحدة

عندما يحتوي إطار البيانات على مجموعة واسعة من المتغيرات العددية المستمرة، يصبح تطبيق الدالة على كل عمود بصورة منفصلة أمراً غير عملي ومضيعة للوقت والجهد البرمجي. لحل هذه المشكلة بأناقة وكفاءة، توفر مكتبة Pandas التابع القوي apply()، والذي يسمح بتطبيق أي دالة مخصصة أو مستوردة على جميع أعمدة إطار البيانات الرقمية دفعة واحدة في سطر برمجي واحد وبكفاءة حسابية متكاملة.

لتطبيق المتوسط المقتطع بنسبة 10% على كافة الأعمدة العددية داخل جدول بيانات يحتوي على متغيرات قياسية متعددة (مثل درجات المقاييس الفرعية لاختبار نفسي أو مؤشرات أداء مالية لعدة قطاعات)، يمكن استخدام التابع مع تمرير دالة لامدا المختصرة التي تحدد نسبة الاقتطاع المطلوبة. ينتج عن هذه العملية سلسلة إحصائية جديدة تجمع أسماء المتغيرات كفهارس، وتقابلها القيم المحسوبة للمتوسط المقتطع لكل عمود على حدة وبشكل فوري ومنظم.

بالإضافة إلى ذلك، يمكن دمج هذه المخرجات الحصينة ضمن جدول تلخيصي إحصائي موحد (Summary Table) يدمج المقاييس التقليدية (كالعدد، والمتوسط الحسابي، والانحراف المعياري) بجانب المتوسطات المقتطعة بنسب مختلفة (مثل 10% و20%)، والوسيط، والمدى الربيعي. يمنح هذا الجدول التلخيصي الشامل الباحث نظرة بانورامية فورية تكشف الفروق بين المقاييس التقليدية والمقاييس الحصينة لكل متغير، مما يساعد في تشخيص المتغيرات التي تعاني من تشوهات طرفية حادة وتتطلب معالجات إحصائية خاصة في المراحل التحليلية المتقدمة.

5.3 حساب المتوسط المقتطع المجمع حسب الفئات (GroupBy Aggregation)

يُعد التحليل المقارن بين المجموعات التجريبية أو الفئات التصنيفية المختلفة من أكثر الأنماط التحليلية شيوعاً في الأبحاث العلمية. تقدم مكتبة Pandas آلية فائقة القوة تُعرف بنمط التجميع والدمج عبر التابع groupby()، والذي يسمح بتقسيم إطار البيانات إلى مجموعات فرعية استناداً إلى متغير تصنيفي (مثل المجموعة التجريبية مقابل المجموعة الضابطة، أو النوع الاجتماعي، أو الفئة العمرية)، ثم تطبيق العمليات الحسابية بشكل منفصل على كل مجموعة فرعية.

من خلال دمج التابع مع دالة التجميع المتقدمة agg()، يمكننا تطبيق دالة المتوسط المقتطع لكل فئة من الفئات المستهدفة بشكل مستقل تماماً. يُنفذ هذا الإجراء عبر تمرير دالة لامدا التي تستدعي الدالة الإحصائية بنسبة الاقتطاع المحددة لكل شريحة بيانية على حدة. يضمن هذا النهج احتساب الاقتطاع بصورة متناسبة ومنفصلة داخل كل مجموعة، مما يمنع انتقال التأثيرات الشاذة لمجموعة معينة إلى المجموعة الأخرى، ويحافظ على الاستقلال الإحصائي للعينات الفرعية.

تفتح هذه المقاربة التجميعية آفاقاً واسعة لتحليل الفروق الجماعية الحصينة بدقة فائقة؛ حيث يمكن استخراج جداول مقارنة تبرز المتوسطات المقتطعة للمجموعات المختلفة وتوضيح الفروق الجوهرية النقية بينها بعيداً عن التشوهات العشوائية التي قد تسببها حالة فردية واحدة شاذة داخل إحدى المجموعات، مما يرفع من جودة ودقة اختبارات الفروق الدلالية الإحصائية (مثل اختبارات t الحصينة وتحليلات التباين المتينة المستندة إلى الاقتطاع).

6. بناء دالة مخصصة لحساب المتوسط المقتطع باستخدام Pure Python وNumPy

6.1 تفكيك الخوارزمية البرمجية للمتوسط المقتطع

لفهم الآلية الداخلية لكيفية عمل المتوسط المقتطع وتحقيق أقصى درجات التحكم الهندسي في الشيفرات البرمجية، يُعد تفكيك الخوارزمية وبناؤها خطوة بخطوة من الصفر باستخدام بايثون النقية ومكتبة NumPy تمريناً برمجياً وإحصائياً بالغ الأهمية. تتألف الخوارزمية الرياضية من ثلاث مراحل متسلسلة بدقة: الترتيب الترتيبي، واحتساب الفهارس وتحديد حدود الاقتطاع، ثم استخلاص الشريحة المركزية وحساب متوسطها الحسابي.

في المرحلة الأولى، يتم استقبال البيانات المدخلة وتحويلها إلى مصفوفة عددية أحادية البعد، ثم تطبيق خوارزمية ترتيب سريعة لفرز العناصر تصاعدياً من الأصغر إلى الأكبر. في المرحلة الثانية، يتم التحقق الصارم من صحة معامِل نسبة الاقتطاع؛ حيث يجب أن يكون رقماً محصوراً بدقة بين الصفر وأقل من النصف. بعد ذلك، يُحسب عدد العناصر المراد استبعادها من كل طرف بضرب النسبة المقتطعة في إجمالي طول المصفوفة، وتطبيق دالة التقريب الصحيح للأسفل لتحديد الفهرس الدقيق لنقطة البداية ونقطة النهاية للاقتطاع.

في المرحلة الثالثة والأخيرة، يتم استخدام ميزة تقطيع المصفوفات البرمجية المتقدمة في بايثون لاستخلاص الشريحة المركزية المحصورة بين مؤشر البداية ومؤشر النهاية المستهدفين، متجاهلة بذلك الأطراف المتطرفة تماماً. وأخيراً، يتم تطبيق دالة جمع العناصر للشريحة المركزية وقسمتها على عدد عناصرها الفعالة، مما ينتج عنه المتوسط المقتطع المطلوب بدقة حسابية مطلقة تتطابق تماماً مع النظريات الإحصائية القياسية.

6.2 كتابة الدالة المخصصة والتحقق من صحتها الحسابية

يمكن صياغة الدالة المخصصة في بايثون بكفاءة واحترافية عالية مع تضمين توثيق برمجي تفصيلي ومعالجة استباقية لكافة حالات الحواف والأخطاء المحتملة. تتولى الدالة فحص المدخلات، ورمي استثناءات برمجية واضحة في حال كانت نسبة الاقتطاع المدخلة سالبة أو تتجاوز الحد الأقصى المسموح به قانوناً (أقل من 0.50)، أو في حال كانت المصفوفة المدخلة فارغة تماماً ولا تحتوي على مشاهدات عددية صالحة.

تتعامل الدالة المخصصة بمرونة مع الحالات الخاصة؛ فعند تمرير نسبة اقتطاع تساوي صفراً تماماً، تقوم بحساب المتوسط الحسابي العادي للمصفوفة مباشرة دون استنزاف موارد المعالجة في عمليات التقطيع غير الضرورية. كما تراعي حالات التقريب الصحيح للفهارس الحسابية بدقة متناهية لضمان عدم تجاوز أبعاد المصفوفة الفعلية تحت أي ظرف من ظروف التحليل الرقمي.

للتحقق المتقاطع (Cross-Validation) من صحة الدالة المخصصة وسلامة مخرجاتها، يتم اختبارها على مصفوفات بيانات عشوائية معقدة ومقارنة نتائجها الرقمية حرفياً بالنتائج الصادرة عن الدالة القياسية المعتمدة في مكتبة SciPy الإحصائية. عند تطبيق الاختبارات المقارنة، يُلاحظ تطابق النتائج الرياضية بدقة تصل إلى أعلى المراتب العشرية، مما يؤكد صحة البناء المنطقي والخوارزمي للدالة المخصصة وجاهزيتها للاستخدام العملي في المشاريع البرمجية التي قد تفضل تقليل الاعتماد على المكتبات الخارجية الكبيرة.

6.3 تحسين الأداء البرمجي باستخدام تقنيات المتجهات في NumPy

عند التعامل مع مجموعات البيانات الضخمة (Big Data) التي تحتوي على ملايين المشاهدات أو تتطلب تنفيذ عمليات المحاكاة الإحصائية المكثفة مثل طريقة إعادة أخذ العينات، يصبح الأداء الزمني وكفاءة استهلاك الذاكرة عاملين حاسمين في نجاح المعالجة البرمجية. تبرز هنا أهمية الاستغناء التام عن الحلقات التكرارية الصريحة في لغة بايثون والاعتماد الكامل على العمليات المتجهية المحسنة داخلياً بلغة C المضمنة في مكتبة NumPy.

تتيح دوال المتجهات في مكتبة NumPy، مثل دالة الفرز السريع للمصفوفات ودوال الجمع وحساب المتوسط المتجهي، تنفيذ العمليات الحسابية بسرعة فائقة تستغل قدرات المعالج المركزي الحديث والمعالجة المتوازية للبيانات في سجلات الذاكرة المباشرة. يقلل هذا النهج المتجهي من الحمل الحسابي الزائد المرتبط بتفسير بايثون للأنماط الديناميكية للبيانات داخل الحلقات التقليدية، محققاً قفزات نوعية في سرعة التنفيذ والإنتاجية الحوسبية الإجمالية.

لإثبات هذا التفوق الحسابي عملياً، يمكن إجراء اختبار معياري للأداء الزمني (Benchmarking) باستخدام وحدة قياس الزمن المدمجة timeit في بايثون، ومقارنة زمن تنفيذ دالة بايثون النقية المعتمدة على الحلقات التكرارية مقابل الدالة المتجهية المبنية بالكامل على مصفوفات NumPy على عينة تحوي ملايين النقاط الرقمية. تظهر نتائج القياس التجريبي تفوق النهج المتجهي بسرعات مضاعفة تصل إلى عشرات الأضعاف، مما يجعله الخيار الهندسي الوحيد الصالح لبناء خطوط أنابيب معالجة البيانات الضخمة ومنظومات التعلم الآلي الإنتاجية.

7. التعامل مع القيم المفقودة (NaNs) وتجهيز البيانات للاقتطاع

7.1 تأثير القيم المفقودة على دوال الاقتطاع الإحصائي

تُعد معضلة القيم المفقودة، والتي يُرمز لها برمجياً بالقيمة غير المعرفة (NaN – Not a Number)، أحد التحديات الهيكلية الأكثر شيوعاً وإرباكاً في معالجة مجموعات البيانات الواقعية والتجريبية. تنشأ هذه الفجوات الحسابية نتيجة لعدة أسباب ميدانية؛ مثل تغيب المشاركين عن الإجابة على بعض بنود الاستبانة، أو أعطال في أجهزة الاستشعار الإلكترونية، أو أخطاء في نقل وحفظ السجلات الرقمية أثناء تجميع قواعد البيانات الكبيرة.

يكمن الخطر التقني للقيم المفقودة في ظاهرة الانتشار العددي؛ حيث تُعرف العمليات الرياضية القياسية في لغات البرمجة بأنها إذا واجهت قيمة غير معرفة داخل مصفوفة حسابية، فإن نتيجة أي عملية جمع أو ترتيب أو حساب متوسط ستكون حتماً قيمة غير معرفة أيضاً. يمتد هذا السلوك إلى دوال الاقتطاع الإحصائي القياسية؛ فعند تمرير مصفوفة تحتوي على قيم مفقودة إلى دالة الاقتطاع دون معالجة مسبقة، ستفشل خوارزمية الترتيب في فرز البيانات بشكل منطقي وتكون النتيجة النهائية قيمة غير صالحة، مما يفسد السلسلة التحليلية بالكامل.

تؤكد هذه الحقيقة التقنية على الضرورة المنهجية المطلقة لإجراء عملية تطهير وتنقية مسبقة للبيانات (Data Sanitization) قبل الشروع في تطبيق أي حسابات إحصائية تتعلق بالمتوسط المقتطع. يجب على الباحث فحص مصفوفاته وإطاراته البيانية للتأكد من خلوها من الفجوات غير المعرفة أو التعامل معها عبر استراتيجيات استبعاد وحذف منهجية مدروسة بدقة لضمان استقرار وموثوقية المخرجات الحسابية النهائية.

7.2 استراتيجيات استبعاد ومعالجة القيم المفقودة برمجياً

توفر بيئة لغة بايثون ومنظومتها الإحصائية استراتيجيات وأدوات برمجية متعددة ومتينة للتعامل مع القيم المفقودة واستبعادها بكفاءة متناهية قبل حساب المتوسط المقتطع. في إطار مكتبة Pandas، يُعتبر استخدام التابع القياسي dropna() الطريقة الأكثر شيوعاً وسرعة؛ حيث يقوم بتنقية سلاسل البيانات من كافة القيم المفقودة وتوليد نسخة نظيفة وجاهزة تماماً للاحتساب الإحصائي الفوري دون التأثير على كائن البيانات الأصلي.

أما في بيئة مصفوفات NumPy، فيمكن تطبيق تقنية الترشيح القناعي (Boolean Masking) المتقدمة باستخدام الدالة المنطقية np.isnan() وعكسها، مما يسمح باقتطاع واستخراج القيم العددية الصالحة حصرياً وتجاهل كافة الفجوات غير المعرفة في خطوة برمجية متجهية واحدة فائقة السرعة لا تستهلك وقتاً حوسبياً يذكر حتى مع ملايين المشاهدات الرقمية.

علاوة على ذلك، تقدم مكتبة SciPy وحدات فرعية متخصصة في التعامل مع الإحصاءات المقنعة تُعرف بحزمة scipy.stats.mstats، والتي توفر دوال إحصائية مصممة خصيصاً للتعامل التلقائي مع المصفوفات المقنعة التي تحتوي على قيم مفقودة واستبعادها برمجياً في الخلفية الحسابية دون إثارة أخطاء أو إرجاع قيم غير معرفة، مما يمنح المطورين والباحثين خيارات تقنية مرنة تتناسب مع طبيعة التدفقات البرمجية المعتمدة في مشاريعهم التحليلية.

7.3 التعامل مع القيم الشاذة الناتجة عن أخطاء الإدخال مقابل القيم الحقيقية

يواجه الإحصائي ومحلل البيانات في الممارسة العملية تحدياً فكرياً ومنهجياً حرجاً يتمثل في ضرورة التمييز النوعي بين نمطين متباينين تماماً من القيم المتطرفة والشاذة: القيم الناتجة عن أخطاء الإدخال والأعطال القياسية البحتة، والقيم المتطرفة الحقيقية التي تمثل سلوكاً أصيلاً وظواهر واقعية نادرة ولكنها صحيحة وواقعة ضمن التباين الطبيعي للظاهرة محل الدراسة.

تشمل أخطاء الإدخال كتابة عمر شخص بقيمة 250 سنة بدلاً من 25 نتيجة خطأ في الطباعة على لوحة المفاتيح، أو تسجيل أجهزة القياس لقيم سالبة مستحيلة لدرجات الحرارة أو أزمنة الاستجابة بسبب هبوط مفاجئ في الجهد الكهربائي للمستشعر. هذه الأنماط من البيانات المشوهة يجب تصحيحها أو استبعادها من المنظومة البيانية فوراً لأنها لا تعبر عن أي حقيقة علمية. في المقابل، قد يحقق رياضي استثنائي زمناً قياسياً خارقاً في سباق الجري، أو يسجل مستثمر عائداً مالياً هائلاً؛ هذه القيم حقيقية وتمثل أطراف المجتمع الإحصائي الأصيل.

يكمن الجمال المنهجي للمتوسط المقتطع في قدرته على حماية النماذج الإحصائية ومؤشرات النزعة المركزية من التأثير الجارف لكلا النوعين من القيم المتطرفة دون الحاجة إلى إصدار أحكام إقصائية قاسية أو حذف نهائي لتلك المشاهدات من قواعد البيانات الأصلية. ومع ذلك، تقتضي الأمانة العلمية وأخلاقيات البحث الشفافية التامة والإفصاح المنهجي الواضح في تقارير البحوث عن نسبة المشاهدات المقتطعة والدوافع المنهجية المعتمدة لاختيار تلك النسبة لضمان النزاهة الإحصائية للنتائج المنشورة.

8. المتوسط المقتطع غير المتماثل وحساب Winsorized Mean

8.1 مفهوم الاقتطاع غير المتماثل (Asymmetric Trimming)

على الرغم من أن الاقتطاع المتماثل (حذف نسب متساوية من طرفي التوزيع) يمثل الممارسة القياسية الأكثر انتشاراً في الأدبيات الإحصائية، إلا أن هناك العديد من الظواهر الواقعية التي تتميز بتوزيعات احتمالية غير متماثلة بنيوياً وتتسم بالتواء إحصائي حاد ومستمر نحو اتجاه محدد (التواء موجب إلى اليمين أو التواء سالب إلى اليسار). في مثل هذه البيئات المعقدة، يصبح تطبيق الاقتطاع المتماثل غير عادل إحصائياً وقد يؤدي إلى إهدار معلومات حيوية من الذيل النظيف القصير واقتطاع غير كافٍ من الذيل الطويل المشوه.

يبرز هنا مفهوم الاقتطاع غير المتماثل (Asymmetric Trimming)، وهو إجراء منهجي متقدم يقوم على تحديد نسبتي اقتطاع مختلفتين للطرفين؛ كأن يتم استبعاد نسبة 15% من الذيل الأيمن الطويل ونسبة 0% أو 5% فقط من الذيل الأيسر القصير. يُطبق هذا النهج بكثرة في معالجة أزمنة الكمون (Latency Times)، ودراسات الدخل والثروات الاقتصادية، وتحليلات مطالبات التأمين المالي؛ حيث يكون الحد الأدنى مقيداً فيزيائياً أو قانونياً برقم محدد وثابت (مثل الصفر)، بينما تمتد الذيول اليمنى لمسافات شاسعة وغير محدودة وتحتوي على معظم القيم الشاذة والمتطرفة.

يمكن بناء دالة بايثون مخصصة لتنفيذ الاقتطاع غير المتماثل بكل بساطة؛ حيث تستقبل الدالة معاملين منفصلين يحددان نسبة الاقتطاع الدنيا ونسبة الاقتطاع العليا بصورة مستقلة تماماً. تقوم الخوارزمية بحساب مؤشرات الحذف بشكل متباين للطرفين واستخلاص الشريحة غير المتناظرة بكفاءة رياضية مطلقة، مما يوفر أداة تحليلية فائقة التخصيص تتلاءم تماماً مع الخصائص المورفولوجية للتوزيعات شديدة الالتواء.

8.2 المتوسط الوينزوري (Winsorized Mean) كبديل تكميلي

يُمثل المتوسط الوينزوري (Winsorized Mean)، المنسوب إلى عالم الإحصاء البريطاني تشارلز وينزور (Charles Winsor)، أحد أقوى البدائل التكميلية للمتوسط المقتطع ضمن عائلة الإحصاءات الحصينة. يكمن الفرق المفاهيمي والرياضي الجوهري بين المقياسين في أن المتوسط المقتطع يقوم على مبدأ الحذف التام للقيم المتطرفة وتعديل حجم العينة الفعال، في حين يقوم مبدأ الوينزرة (Winsorization) على عدم حذف أي مشاهدة على الإطلاق، بل استبدال وتعديل القيم المتطرفة بأقرب قيمة غير متطرفة متبقية في حدود النطاق المعتمد.

فعلى سبيل المثال، عند تطبيق الوينزرة بنسبة 10% على عينة من 20 عنصراً مرتباً، لا يتم حذف القيمتين الصغريين والقيمتين العظميين، بل يتم استبدال القيمتين الصغريين بالقيمة التي تقع في الرتبة الثالثة، واستبدال القيمتين العظميين بالقيمة التي تقع في الرتبة الثامنة عشرة، ثم حساب المتوسط الحسابي لكافة العناصر العشرين كاملة. يحتفظ هذا الأسلوب المبتكر بحجم العينة الأصلي ثابتاً دون أي تغيير، مما يجعله مفضلاً في بعض الإجراءات الإحصائية الاستدلالية التي تتطلب ثبات درجات الحرية أو ترتبط بصيغ اختبارات التباين والانحدار المتقدمة.

توفر مكتبة SciPy دعماً برمجياً مدمجاً لحساب الوينزرة من خلال الوحدة المتخصصة عبر الدالة scipy.stats.mstats.winsorize. تستقبل هذه الدالة مصفوفة البيانات وتحدد حدود الاستبدال للطرفين عبر معامل مخصص يستقبل مصفوفة كسرية ثنائية، وتُرجع مصفوفة جديدة تم تعديل قيمها الطرفية بنجاح، مما يتيح حساب المتوسط الحسابي العادي للمصفوفة الناتجة للحصول على المتوسط الوينزوري ومقارنة خواصه التباينية مع المتوسط المقتطع لنفس مجموعة البيانات التجريبية بدقة واتساق.

9. مقارنة المتوسط المقتطع بمقاييس النزعة المركزية الأخرى في بايثون

9.1 المقارنة الرياضية والعملية: Mean vs Median vs Trimmed Mean

لفهم الفروق الدقيقة والملموسة بين مقاييس النزعة المركزية الأساسية الثلاثة (المتوسط الحسابي، والوسيط الإحصائي، والمتوسط المقتطع)، يُفضل إجراء تجربة عملية مقارنة تطبق المقاييس الثلاثة بالتوازي على نفس مجموعة البيانات تحت مستويات متفاوتة من التشوه الإحصائي والتلوث بالقيم الشاذة. يعكس هذا التحليل المقارن كيف يتصرف كل مقياس رياضياً وعملياً عندما تفقد البيانات استقرارها وتتحول نحو التوزيعات غير السوية.

يوضح الجدول التلخيصي التالي مقارنة منهجية شاملة للخصائص الجوهرية لكل مقياس من هذه المقاييس الإحصائية الثلاثة:

• المتوسط الحسابي (Arithmetic Mean):
  • نقطة الانهيار: تقارب 0% (شديد الحساسية لقيمة واحدة).
  • الكفاءة في التوزيع الطبيعي: 100% (المقياس الأمثل رياضياً للبيانات المثالية).
  • استخدام المعلومات: يستخدم جميع نقاط البيانات وأوزانها الرقمية بالكامل.
  • السياق المنهجي الأنسب: التوزيعات المتماثلة تماماً والخالية كلياً من القيم المتطرفة.
• الوسيط الإحصائي (Median):
  • نقطة الانهيار: 50% (أعلى درجات الحصانة الممكنة).
  • الكفاءة في التوزيع الطبيعي: منخفضة نسبياً (حوالي 63.7%).
  • استخدام المعلومات: يتجاهل القيم الرقمية ويركز حصرياً على الرتبة الترتيبية للمشاهدات.
  • السياق المنهجي الأنسب: التوزيعات شديدة التلوث، والبيانات الترتيبية، والتوزيعات أحادية الذيل شديدة الالتواء.
• المتوسط المقتطع (Trimmed Mean):
  • نقطة الانهيار: مرنة وتساوي نسبة الاقتطاع المعتمدة مباشرة (مثل 10% أو 20%).
  • الكفاءة في التوزيع الطبيعي: فائقة الارتفاع (تتراوح بين 95% إلى 98%).
  • استخدام المعلومات: يستخدم كامل المعلومات الرقمية للكتلة المركزية بعد عزل الضوضاء الطرفية.
  • السياق المنهجي الأنسب: البيانات السلوكية، والتجارب المعرفية، والبيئات القياسية المعرضة للتلوث العشوائي.

تُظهر التجارب البرمجية أنه بمجرد حقن قيمة متطرفة كبرى في توزيع طبيعي متماثل، يقفز المتوسط الحسابي قفزة حادة تخرجه عن المركز الفعلي، في حين يظل الوسيط ثابتاً في مكانه تقريباً دون حراك، ويتحرك المتوسط المقتطع بحركات دقيقة ومضبوطة تعبر عن مركز الكتلة المستقرة. يثبت هذا السلوك أن المتوسط المقتطع يقدم حلاً وسطياً عبقرياً يتفوق على جمود الوسيط ويتجنب في الوقت ذاته تهور وهشاشة المتوسط التقليدي.

9.2 تقييم المتانة الإحصائية (Robustness Evaluation)

لتقييم المتانة الإحصائية (Robustness) للمقاييس بصورة علمية صارمة، يمكننا في بيئة بايثون تصميم اختبار محاكاة تجريبي يعتمد على حقن تلوث تدريجي ومتصاعد في عينات بيانات اصطناعية ومراقبة معدل انحراف وخطأ كل مقدر إحصائي. يُنفذ هذا الاختبار بتوليد عينة قياسية من توزيع طبيعي بحجم ألف نقطة، ثم استبدال نسب متزايدة تدريجياً (تبدأ من 1% وتصل إلى 25%) بقيم عشوائية شاذة مستمدة من توزيع متطرف واسع النطاق.

عند رسم وتتبع مسار التغير في قيم المقاييس مع تزايد نسبة التلوث، نلاحظ انهياراً فورياً ومطرداً لمنحنى المتوسط الحسابي العادي؛ حيث ينزاح بشكل خطي متسارع مبتعداً عن القيمة الحقيقية للمجتمع الإحصائي. في المقابل، تظهر منحنيات المتوسط المقتطع (بنسبة 10% و20%) استقراراً خطياً مذهلاً وتطابقاً شبه تام مع القيمة الحقيقية طالما ظلت نسبة التلوث المحقونة دون سقف نسبة الاقتطاع المعتمدة للمقياس.

تكتمل هذه المنهجية التقييمية بتطبيق تقنية إعادة أخذ العينات المعززة (Bootstrapping)، والتي تتيح حساب الخطأ المعياري التجريبي وفترات الثقة الحصينة لكل مقياس دون الاعتماد على افتراضات التوزيع الطبيعي المقيدة. تؤكد نتائج المحاكاة بالعينات العشوائية المتكررة أن التباين التجريبي للمتوسط المقتطع في ظل التوزيعات الملوثة يكون أقل بكثير من تباين المتوسط التقليدي، مما يمنحه تفوقاً استدلالياً لا يقبل الجدل في معالجة العينات التجريبية الواقعية المعقدة.

10. التصور البصري لتأثير الاقتطاع على البيانات باستخدام Matplotlib وSeaborn

10.1 رسم التوزيعات وتحديد مناطق الاقتطاع بيانياً

يلعب التصور البصري دوراً محورياً وتوضيحياً في تبسيط المفاهيم الإحصائية ونقل نتائج التحليل بوضوح وإقناع للقارئ والباحث على حد سواء. باستخدام مكتبتي Matplotlib وSeaborn في بايثون، يمكننا تصميم رسومات بيانية متقدمة تدمج بين المدرج التكراري (Histogram) ومنحنى الكثافة الاحتمالية المقدرة (Kernel Density Estimation – KDE)، مع تظليل هندسي ملون وشفاف يحدد بدقة متناهية مناطق الاقتطاع المستبعدة في أقصى الذيلين الأدنى والأعلى للتوزيع.

يتم تحقيق هذا التظليل المتقدم برمجياً باستخدام التابع الرسومي axvspan المتاح في مكتبة Matplotlib، والذي يسمح بتحديد فترات عمودية مظللة تمتد من القيمة الصغرى المطلقة وحتى عتبة الاقتطاع الدنيا، ومن عتبة الاقتطاع العليا وحتى القيمة العظمى للتوزيع. يُبرز هذا التمثيل البصري الفوري للجمهور المساحة الاحتمالية الدقيقة التي تم عزلها من العمليات الحسابية لحماية المقاييس المركزية من التلوث العددي.

لتعزيز القيمة التحليلية للرسم، يتم رسم خطوط عمودية ملونة ومتقطعة تمثل المواقع الحسابية لكل من: المتوسط الحسابي الأصلي، والوسيط الإحصائي، والمتوسط المقتطع بنسبته المحددة. يتيح هذا التراكب البصري المباشر رؤية الانزياح الواضح للمتوسط التقليدي نحو الذيل المتطرف والمظلم، بينما يستقر خط المتوسط المقتطع بوضوح في قلب الكتلة البيانية المضيئة، مما يقدم برهاناً بصرياً فورياً ومقنعاً على فعالية الاقتطاع الإحصائي في تنقية البيانات.

10.2 استخدام المخططات الصندوقية (Boxplots) لتوضيح القيم المستبعدة

تُعتبر المخططات الصندوقية (Boxplots)، ومخططات التوزيع الشريطي النقطي المرافقة لها (Strip/Swarm Plots)، أدوات بصرية استثنائية لإبراز تموضع القيم المتطرفة والشاذة نسبة إلى المدى الربيعي والوسيط. تتيح مكتبة Seaborn عبر دالتها المتطورة sns.boxplot إنشاء مخططات صندوقية عالية الجودة تظهر الصندوق المركزي المحصور بين الربيعين الأدنى والأعلى وشوارب التحديد الإحصائي للنطاق المعتاد، مع إبراز النقاط الشاذة كعلامات نقطية منفصلة تقع خارج حدود الشوارب الطبيعية.

يمكننا تطوير هذه المخططات برمجياً من خلال تراكب النقاط البيانية الفعلية وتلوين النقاط المقتطعة بلون تحذيري مميز (كالأحمر الشفاف) لتمييزها بصرياً عن النقاط المركزية المستقرة المعتمدة في حساب المتوسط المقتطع (باللون الأزرق أو الأخضر). يوضح هذا النمط الرسومي العلاقة المباشرة بين حدود الاقتطاع الرياضية وقواعد التعرف على القيم المتطرفة الشائعة المستندة إلى المدى الربيعي (قاعدة جون توكي الإحصائية).

تختتم هذه المعالجة الرسومية بتنسيق المخططات وإضافة العناوين التوضيحية وتسميات المحاور باللغة الدقيقة وتصدير الأشكال البيانية بدقة بصرية فائقة وملائمة للنشر الأكاديمي الدولي (بصيغة ملفات متجهة عالية الدقة مثل PDF أو PNG بكثافة نقطية تصل إلى 300 DPI). يضمن هذا الإخراج البصري الراقي تقديم الأبحاث والتقارير الإحصائية بأعلى معايير الجودة والاحترافية البيانية المعتمدة في المجلات العلمية المحكمة.

11. تطبيقات ودراسات حالة متقدمة في تحليل البيانات السلوكية والتجريبية

11.1 دراسة حالة 1: معالجة بيانات أزمنة الاستجابة في اختبارات الانتباه

لتجسيد التطبيق العملي في ميدان العلوم السلوكية والمعرفية، سنستعرض دراسة حالة واقعية تحاكي تجربة اختبار الانتباه المعرفي المعروفة باسم مهمة ستروب (Stroop Task). في هذه المهمة، يُطلب من المشاركين تسمية لون الحبر الذي كُتبت به الكلمة متجاهلين المعنى الدلالي للكلمة نفسها (مثل كلمة “أحمر” مكتوبة بحبر أزرق)، ويتم تسجيل زمن الاستجابة بالمللي ثانية لكل محاولة تجريبية متكررة عبر مئات المحاولات لكل مشارك.

تتضمن بيانات زمن الاستجابة الناتجة عادة قيماً شديدة الشذوذ؛ مثل تسجيل استجابات خاطفة غير واعية بزمن يقل عن 150 مللي ثانية، أو تسجيل أزمنة متأخرة جداً تتجاوز 2500 مللي ثانية ناتجة عن التشتت الحركي أو السهو اللحظي للمشارك. إذا اعتمد الباحث على المتوسط الحسابي الكلاسيكي لحساب زمن الاستجابة لكل مشارك، فإن هذه المحاولات المشوهة القليلة سترفع التقدير بصورة مصطنعة وتخفي الفروق الحقيقية الدقيقة بين الشروط المتطابقة وغير المتطابقة للمهمة.

من خلال كتابة خط معالجة برمجي في بايثون، نقوم باستيراد ملف البيانات الخام وتطبيق المتوسط المقتطع بنسبة 20% لكل مشارك داخل كل شرط تجريبي باستخدام دوال التجميع في Pandas وSciPy. أظهرت النتائج بعد الاقتطاع انخفاضاً جوهرياً في التباين الداخلي للأفراد، واختفاء التشوهات الذيلية، وبروز تأثير ستروب الكلاسيكي بوضوح ودلالة إحصائية قوية في اختبارات t الحصينة المقارنة، مما يثبت الأهمية الحاسمة للاقتطاع في إنقاذ التجارب المعرفية من الضوضاء القياسية.

11.2 دراسة حالة 2: تحليل المقاييس النفسية ذات التقييمات الحدية

تتناول دراسة الحالة الثانية مشكلة قياسية شائعة في أبحاث علم النفس الاجتماعي والقياس السيكومتري، والمتمثلة في تحليل استجابات الاستبيانات المستمرة ومقاييس ليكرت المتعددة التي تقيس متغيرات حساسة مثل مستوى الرضا الوظيفي أو القلق والاحتراق النفسي في بيئات العمل المعقدة. تعاني هذه البيانات في كثير من الأحيان من ظاهرة تُعرف بظاهرة الاستجابة الحدية المتطرفة (Extreme Response Style)؛ حيث يميل بعض أفراد العينة بدافع عدم الاكتراث أو الرغبة الاجتماعية إلى اختيار الدرجات القصوى (1 أو 7 على مقياس سباعي) بصورة نمطية متكررة.

تؤدي هذه الأنماط الاستجابية غير المنضبطة إلى تضخيم التباين الإجمالي للمقاييس وإحداث التواءات شديدة في التوزيعات العامة للدرجات، مما يعطي انطباعاً كاذباً بوجود استقطاب حاد في الظاهرة المدروسة. لمعالجة هذا الخلل القياسي، قمنا بتطبيق معالجة برمجية تنفذ اقتطاعاً متماثلاً بنسبة 10% على درجات بنود المقاييس الفرعية لكل قسم وظيفي داخل المؤسسة المستهدفة قبل استخراج الدرجات التجميعية النهائية.

أظهرت التحليلات المقارنة بعد تطبيق المتوسط المقتطع استقراراً واضحاً في معالم التوزيع، وارتفاعاً ملحوظاً في الاتساق الداخلي (معامِل ألفا كرونباخ) للفقرات، وزوال التأثيرات المشوهة للاستجابات العشوائية المنحازة. وفر هذا الإجراء للإدارة ومتخذي القرار صورة حقيقية ونقية تعكس المستوى الواقعي لرضا الموظفين بعيداً عن التشوهات الطرفية المضللة، مما وجه السياسات التنظيمية والتدخلات الإدارية نحو مساراتها الصحيحة والفعالة.

12. الأخطاء الشائعة واستكشاف المشكلات وإصلاحها وأفضل الممارسات

12.1 الأخطاء البرمجية الشائعة عند استخدام trim_mean وكيفية تفاديها

يقع العديد من المبرمجين والباحثين في مجموعة من الأخطاء البرمجية المتكررة عند استخدام دالة المتوسط المقتطع في بايثون، والتي قد تؤدي إلى توقف الكود عن العمل أو توليد نتائج إحصائية خاطئة بصمت دون إثارة تحذيرات واضحة. في مقدمة هذه الأخطاء يأتي الخلط بين تمرير معامِل نسبة الاقتطاع كنسبة مئوية صحيحة بدلاً من كسر عشري؛ كأن يقوم المطور بتمرير القيمة 10 قاصداً اقتطاع 10%، مما يؤدي إلى إثارة استثناء فوري لتجاوز الحد الأقصى المسموح به قانوناً للدالة (0.50).

خطأ برمجي شائع آخر يتعلق بعدم معالجة الأبعاد والمحاور بصورة صحيحة في المصفوفات ثنائية الأبعاد وإطارات البيانات؛ حيث يؤدي تجاهل تحديد معامِل المحور المناسب (axis) إلى تسطيح المصفوفة بالكامل أو إجراء الاقتطاع في اتجاه غير مقصود (عبر الصفوف بدلاً من الأعمدة)، مما يدمج بيانات متغيرات مختلفة تماماً ويفسد الهيكل الرياضي للتحليل بالكامل. لتفادي ذلك، يجب دوماً تحديد المحور بوضوح واختبار المخرجات على مصفوفات صغيرة معلومة النتائج مسبقاً للتأكد من اتجاه الحساب الصحيح.

كما يغفل البعض التحقق المسبق من الأنماط البيانية للأعمدة؛ فإذا احتوى عمود على نصوص أو سلاسل محرفية مختلطة بالأرقام، فإن دوال NumPy وSciPy ستفشل في إجراء العمليات الترتيبية والحسابية. يتعين دوماً فرض التحويل الرقمي الصارم للبيانات وتصفية السلاسل غير الصالحة وتطهير القيم المفقودة قبل الشروع في تمرير المصفوفات إلى دوال الاقتطاع الإحصائي لضمان تدفق برمجي سلس وخالٍ من الأخطاء العارضة.

12.2 المزالق المنهجية في استخدام المتوسط المقتطع

إلى جانب الأخطاء البرمجية البحتة، يقع بعض المحللين في مزالق منهجية وإحصائية تتعلق بالاستخدام غير الرشيد لمفهوم الاقتطاع؛ من أبرز هذه المزالق المبالغة غير المبررة في نسبة الاقتطاع (كاعتماد نسبة 35% أو 40% دون مسوغ علمي قوي). يؤدي هذا الاقتطاع الجائر إلى استبعاد مساحات شاسعة من البيانات الحقيقية التي تعبر عن التباين الطبيعي الأصيل للظاهرة، مما يرفع تباين التقدير، ويقلل القوة الإحصائية للاختبارات، ويجرد البحث من معلوماته القيمة.

من المزالق المنهجية الحرجة أيضاً تطبيق الاقتطاع الإحصائي على عينات متناهية الصغر (مثل عينات تحتوي على 5 أو 6 مشاهدات فقط)؛ في مثل هذه الأحجام الضئيلة، يؤدي حذف نقطة واحدة من كل طرف إلى التخلص من ثلث أو نصف معلومات العينة، مما يجعل التقديرات الناتجة هشة وغير مستقرة إحصائياً. يجب الامتناع عن تطبيق الاقتطاع المتقدم إلا على عينات ذات حجم ملائم يسمح باستبعاد أطراف حقيقية دون زعزعة التمثيل العددي للكتلة المركزية.

كذلك، يُعد استخدام المتوسط المقتطع كنتاج لتحليل بعدي انتقائي دون إفصاح منهجي واضح انتهاكاً خطيراً لمعايير النزاهة الأكاديمية؛ إذ يميل بعض الباحثين إلى تجربة نسب اقتطاع متعددة واختيار النسبة التي تحقق دلالة إحصائية مرغوبة لفرضياتهم فقط (ما يُعرف بممارسة P-hacking). تقتضي المعايير العلمية الصارمة تحديد نسبة الاقتطاع مسبقاً (A Priori) في خطة البحث، وتوثيقها بدقة في المنهجية، والإبلاغ عن تحليل الحساسية لضمان الشفافية والموثوقية العلمية الكاملة للنتائج المنشورة.

12.3 أفضل الممارسات البرمجية والتحليلية لكتابة كود موثوق وقابل للتكرار

لضمان بناء منظومات تحليلية وإحصائية عالية الجودة وقابلة للتكرار في بيئة بايثون، يُوصى باتباع حزمة من أفضل الممارسات البرمجية والهندسية المعترف بها في مجتمع الحوسبة العلمية. أولى هذه الممارسات تتمثل في تغليف خوارزميات الاقتطاع المخصصة وتدفقات معالجة البيانات داخل وحدات ووظائف برمجية قياسية قابلة لإعادة الاستخدام (Reusable Functions and Modules) مع إضافة شروح وتوثيق دقيق لكل معامل ومدخل ومخرج بأسلوب واضح ومفصل.

تتضمن الممارسة الاحترافية الثانية بناء وتضمين اختبارات الوحدة الصارمة (Unit Testing) باستخدام مكتبات فحص الأكواد مثل pytest أو unittest، للتأكد من أن دوال الاقتطاع تتصرف بصورة متوقعة وسليمة رياضياً تحت مختلف السيناريوهات الحسابية وظروف الإدخال الاستثنائية، مثل المصفوفات الفارغة، أو البيانات المكررة المتطابقة، أو المدخلات التي تحتوي على أصفار وقيم سالبة متطرفة.

وأخيراً، يجب الاهتمام بتثبيت البذور العشوائية (Random Seeds) عند إجراء عمليات المحاكاة أو التقسيم العشوائي للبيانات، وتجميد متطلبات البيئة البرمجية في ملفات قياسية لتسهيل مشاركتها بين الباحثين. تضمن هذه الإجراءات الصارمة قدرة أي باحث أو مراجع خارجي في أي مكان حول العالم على إعادة تشغيل الشيفرة البرمجية بالكامل والحصول على نفس النتائج الرقمية والرسومات البيانية بدقة متناهية، مما يرسخ مبدأ الشفافية وقابلية تكرار الأبحاث العلمية في العصر الرقمي الحديث.

خاتمة

في الختام، يمثل المتوسط المقتطع (Trimmed Mean) أداة إحصائية وحسابية فارقة تجمع بين الرصانة النظرية والمرونة التطبيقية في مواجهة أعقد التحديات التحليلية المرتبطة بالبيانات الواقعية والملوثة بالقيم المتطرفة. من خلال التوازن الفريد الذي يقدمه بين الكفاءة الإحصائية العالية للمتوسط الحسابي الكلاسيكي ومناعة الوسيط الإحصائي ضد الانحرافات الشاذة، يثبت هذا المقياس جدارته كخيار منهجي أول وأمثل في الأبحاث السلوكية، والتجارب المعرفية، والتطبيقات المالية والبيانية المتقدمة.

وقد وفرت لغة بايثون، عبر منظومتها العلمية الرائدة ممثلة في مكتبات SciPy وNumPy وPandas، منصة برمجية فائقة القوة والسهولة لتطبيق هذا المقياس الحصين، سواء عبر الدوال الجاهزة والمحسنة، أو من خلال بناء خوارزميات مخصصة تتيح التعامل مع الالتواءات غير المتماثلة والقيم المفقودة والتصورات البصرية الاحترافية. إن استيعاب هذه الأدوات وتطبيقها بوعي منهجي وأمانة علمية يرفع بلا شك من جودة الاستنتاجات الإحصائية ويسهم في بناء بحوث تجريبية ونماذج تحليلية متينة تتسم بأعلى معايير الدقة والشفافية وقابلية التكرار.

المراجع (References)

• Huber, P. J. (2004). Robust statistics. John Wiley & Sons. https://doi.org/10.1002/0471725250
• Maronna, R. A., Martin, R. D., Yohai, V. J., & Salibián-Barrera, M. (2019). Robust statistics: Theory and methods (with R) (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/9781119214656
• McKinney, W. (2022). Python for data analysis: Data wrangling with Pandas, NumPy, and Jupyter (3rd ed.). O’Reilly Media. https://wesmckinney.com/book/
• SciPy Community. (2023). scipy.stats.trim_mean — SciPy v1.11.4 Manual. SciPy.org. https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.trim_mean.html
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
• Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., … & SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261-272. https://doi.org/10.1038/s41592-019-0686-2
• Waskom, M. L. (2021). Seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021. https://doi.org/10.21105/joss.03021
• Wilcox, R. R. (2017). Introduction to robust estimation and hypothesis testing (4th ed.). Academic Press. https://doi.org/10.1016/C2015-0-02220-4
• Wilcox, R. R., & Keselman, H. J. (2003). Modern robust data analysis methods: Measures of central tendency. Psychological Methods, 8(3), 254-274. https://doi.org/10.1037/1082-989X.8.3.254