الرياضيات التطبيقيةعلم الإحصاءنظرية الاحتمالات

كيفية حساب تباين التوزيع الاحتمالي

دليل أكاديمي شامل يشرح كيفية حساب تباين التوزيع الاحتمالي المنفصل والمستمر بالمعادلات الرياضية والأمثلة التطبيقية والخصائص الإحصائية.

تاريخ النشر

تُعد نظرية الاحتمالات والإحصاء الرياضي الركيزة الأساسية التي تقوم عليها النمذجة العلمية الحديثة في مختلف الميادين، بدءاً من الهندسة والفيزياء النظرية وصولاً إلى الاقتصاد القياسي وعلم البيانات والذكاء الاصطناعي. وفي صميم هذه النمذجة يبرز مفهوم المتغير العشوائي وتوزيعه الاحتمالي بوصفه الأداة الرياضية الأكثر كفاءة لتمثيل عدم اليقين والظواهر التي لا يمكن التنبؤ بنتائجها الفردية بيقين حتمي. غير أن مجرد معرفة النتائج المحتملة لتجربة عشوائية واحتمالات حدوثها لا يكتمل إلا بتلخيص هذا السلوك الاحتمالي من خلال مقاييس رقمية دقيقة تصف خصائص التوزيع بدقة متناهية.

يمثل التباين (Variance) أحد أهم المعالم الرياضية الإحصائية على الإطلاق، إذ يشكل المقياس الأكثر شمولاً وتأصيلاً لتشتت القيم وابتعادها عن مركز ثقلها المتمثل في القيمة المتوقعة أو المتوسط الحسابي للتوزيع. فبينما يخبرنا المتوسط بأين تتجمع البيانات أو ما هي القيمة المركزية التي يؤول إليها السلوك على المدى الطويل، يأتي التباين ليكشف عن درجة الاستقرار أو التذبذب المحيط بتلك القيمة، مما يجعله المعيار الجوهري لتقييم المخاطر، وقياس جودة النماذج الإحصائية، وضبط دقة التنبؤات العلمية والمالية والهندسية.

يهدف هذا الدليل الموسوعي المرجعي إلى تفكيك وشرح كيفية حساب تباين التوزيع الاحتمالي بشقيه المنفصل والمستمر بأسلوب أكاديمي دقيق ورياضي معمق. سنستعرض الأسس النظرية والجبرية، والاشتقاقات الرياضية للصيغ التعريفية والبديلة، مع تقديم خطوات حسابية وتطبيقية تفصيلية، وأمثلة معقدة وحالات تطبيقية شاملة، فضلاً عن مناقشة الخصائص الجبرية، والروابط بين التباين ومقاييس التشتت الأخرى، واستعراض التباين لأشهر التوزيعات الاحتمالية القياسية، وكيفية توظيف البرمجيات الحديثة لإجراء هذه العمليات الحسابية بكفاءة وموثوقية.

جدول المحتويات

1. مقدمة تأسيسية حول التوزيعات الاحتمالية ومفهوم التباين

1.1 تعريف التوزيع الاحتمالي وأهميته الإحصائية

يُعرَّف التوزيع الاحتمالي (Probability Distribution) في النظرية الإحصائية والرياضية بأنه دالة رياضية شاملة تربط كل قيمة ممكنة يمكن أن يتخذها المتغير العشوائي بالاحتمال المقترن بحدوث تلك القيمة أو وقوعها ضمن مجال عددي معين. يمثل التوزيع الاحتمالي البنية الهيكلية الكاملة لفضاء العينة الخاص بظاهرة عشوائية، حيث يتيح للباحثين والرياضيين الانتقال من مجرد رصد الأحداث الفردية إلى صياغة نماذج رياضية محكمة تصف السلوك الإجمالي للنظام قيد الدراسة وتتيح إجراء الاستدلال الإحصائي الدقيق والتنبؤ المستقبلي.

يكمن الفارق الجوهري في علم الاحتمالات بين صنفين رئيسيين من التوزيعات: التوزيعات الاحتمالية المنفصلة (Discrete Distributions) والتوزيعات الاحتمالية المستمرة (Continuous Distributions). يتعامل الصنف المنفصل مع متغيرات تتخذ قيماً معدودة أو قابلة للعد ضمن فضاء عينة متقطع، مثل عدد مرات ظهور وجه معين لقطعة نقدية أو عدد المعيبات في خط إنتاج. في المقابل، يصف الصنف المستمر متغيرات تقع ضمن نطاق متصل وغير معدود من القيم الحقيقية، مثل الوقت ودرجة الحرارة والمسافة، حيث لا يُعزى الاحتمال لقيمة نقطية معزولة بل لفترات متصلة.

تخضع التوزيعات الاحتمالية لشروط رياضية صارمة لا غنى عنها لضمان اتساقها الرياضي ومنطقيتها الاحتمالية؛ إذ يجب أن تكون احتمالية أي حدث قيمة لا سالبة تنحصر بدقة في الفترة المغلقة بين 0 و1 لجميع عناصر الفضاء الاحتمالي. علاوة على ذلك، فإن البديهية الأساسية في نظرية الاحتمالات تقتضي أن يكون مجموع كافة الاحتمالات لجميع القيم الممكنة للمتغير المنفصل مساوياً للواحد الصحيح تماماً، أو أن يكون التكامل المحدود لدالة الكثافة الاحتمالية على كامل مجال المتغير المستمر مساوياً للواحد الصحيح، وهو ما يضمن تغطية فضاء العينة بشكل مطلق وحصري.

1.2 التباين كأحد مقاييس التشتت المركزية

يُعرَّف التباين الإحصائي (Variance) في سياق نظرية الاحتمالات بأنه المقياس الرياضي الذي يقيس مدى تشتت أو تبعثر قيم المتغير العشوائي حول قيمته المتوقعة أو متوسطه الحسابي. رياضياً، يمثل التباين متوسط مربعات انحرافات المتغير العشوائي عن متوسطه، وهو يعكس بدقة متناهية درجة تمركز الاحتمالات بالقرب من المركز أو انتشارها على أطراف التوزيع؛ فكلما كانت قيمة التباين صغيرة، دل ذلك على أن معظم القيم الممكنة تتجمع بكثافة حول القيمة المتوقعة، بينما يشير التباين المرتفع إلى انتشار واسع وتباعد كبير في القيم المحتملة.

عند مقارنة التباين بمقاييس النزعة المركزية مثل المتوسط الحسابي (Mean) والوسيط (Median) والمنوال (Mode)، يظهر جلياً أن مقاييس النزعة المركزية تقدم فقط معلومات عن نقطة الاتزان أو الموقع النموذجي للتوزيع، لكنها تعجز تماماً عن وصف شكل انتشار البيانات حول تلك النقطة. يمكن لتوزيعين احتماليين مختلفين كلياً أن يتطابقا في المتوسط الحسابي تماماً، إلا أن أحدهما قد يمتلك تبايناً شبه معدوم بينما يمتلك الآخر تبايناً هائلاً، مما يجعل التباين مكملاً بنيوياً لا غنى عنه لتكوين صورة شاملة ودقيقة عن الظاهرة الاحتمالية المدروسة.

يكتسب التباين دلالة علمية استثنائية في نظرية القرار وإدارة المخاطر والعلوم المالية، حيث يُعد المعيار الكمي الأساسي لقياس درجة عدم اليقين (Uncertainty) والمخاطرة. ومن الضروري التمييز الدقيق بين ثلاثة مفاهيم يقع الخلط بينها كثيراً: تباين العينة (Sample Variance) الذي يُحسب من بيانات تجريبية مرصودة ويستخدم المقسوم عليه (n-1) لتصحيح الانحياز، وتباين المجتمع (Population Variance) المحسوب لبيانات مجتمع كامل معلوم، وتباين التوزيع الاحتمالي النظري (Theoretical Probability Distribution Variance) الذي يمثل معلماً رياضياً خالصاً يُشتق تحليلياً من دالة التوزيع الاحتمالي دون الحاجة لجمع بيانات تجريبية.

1.3 تاريخ وتطور مفهوم التباين في نظرية الاحتمالات

ترجع الجذور التاريخية لمفهوم دراسة التشتت والعزوم الرياضية إلى أواخر القرن التاسع عشر وبدايات القرن العشرين، حيث برزت إسهامات العالم الرياضي والإحصائي البريطاني كارل بيرسون (Karl Pearson) الذي وضع الأسس المنهجية لمفهوم العزوم الإحصائية (Statistical Moments) وطوّر فكرة قياس انحراف البيانات حول المتوسط، وصاغ رسمياً مصطلح “الانحراف المعياري” في عام 1893 ليكون المقياس الطبيعي المقترن بجذر التباين.

شهد المفهوم قفزة نوعية وثورية على يد العالم الفذ رونالد فيشر (Ronald Fisher) في عام 1918 من خلال ورقته البحثية التأسيسية التي أدخل فيها مصطلح “التباين” (Variance) لأول مرة بصفته المربع المباشر للانحراف المعياري، واستعرض خصائصه الجبرية الفريدة مثل خاصية الجمع للمتغيرات المستقلة، وطوّر لاحقاً أسلوب “تحليل التباين” (ANOVA) الذي أحدث ثورة شاملة في التصميم التجريبي والاستدلال الإحصائي، مما نقل دراسة التشتت من الإطار الوصفي البسيط إلى صلب الاستدلال الرياضي المتقدم.

في العصر الحديث، بات مفهوم التباين يشكل حجر الزاوية في بناء النماذج العشوائية (Stochastic Models) ونظرية العمليات العشوائية ونظرية المحافظ الاستثمارية الحديثة لهاري ماركويتز، وخوارزميات التعلم الآلي والذكاء الاصطناعي ومعالجة الإشارات الرقمية وميكانيكا الكم، حيث يرتبط التباين بمبدأ عدم التأكد لهايزنبرغ وبتحليل استقرار الخوارزميات التنبؤية المعقدة.

2. المفاهيم الرياضية الأساسية: المتغير العشوائي والقيمة المتوقعة

2.1 طبيعة المتغيرات العشوائية المنفصلة والمستمرة

يُعرف المتغير العشوائي (Random Variable) في التحليل الرياضي بأنه دالة رياضية قابلة للقياس تُعين قيمة عددية حقيقية لكل نتيجة من النتائج الممكنة في فضاء العينة الخاص بتجربة عشوائية. يُرمز للمتغير العشوائي عادة بأحرف لاتينية كبيرة مثل $X$ أو $Y$، بينما يُرمز للقيم المحددة التي يمكن أن يتخذها المتغير بأحرف صغيرة مثل $x_1, x_2, dots, x_n$. تتحدد طبيعة العمليات الحسابية المرتبطة بالمتغير العشوائي بنوع فضاء القيم الذي يمكن أن يستقر فيه هذا المتغير.

ينقسم المتغير العشوائي بناءً على بنيته الرياضية إلى متغير عشوائي منفصل (Discrete Random Variable) يمتلك فضاء عينة معدوداً (سواء كان محدوداً أو قابلاً للعد اللانهائي مثل مجموعة الأعداد الطبيعية)، ويتم تمثيله من خلال دالة الكتلة الاحتمالية (Probability Mass Function – PMF) المعرفة بالرمز $P(X = x) = p(x)$، ومتغير عشوائي مستمر (Continuous Random Variable) يمتلك فضاء عينة متصلاً يغطي فترات من الأعداد الحقيقية، ويتم تمثيله بواسطة دالة كثافة الاحتمال (Probability Density Function – PDF) المعرفة بالرمز $f(x)$.

يفرض هذا التمايز الهيكلي بين المتغيرات المنفصلة والمستمرة اختلافاً جوهرياً في الأدوات الرياضية المستخدمة؛ فبينما تُبنى جميع حسابات التوزيعات المنفصلة على عمليات الجمع الرياضي والجداء والرموز التجميعية ($\sum$)، تعتمد حسابات التوزيعات المستمرة كلياً على أدوات حساب التفاضل والتكامل والتكاملات المحدودة والمعتلة ($\int$) لحساب الاحتمالات والمقاييس الإحصائية المرتبطة بها.

2.2 حساب القيمة المتوقعة (المتوسط الحسابي للتوزيع)

تُعد القيمة المتوقعة (Expected Value)، والتي يُرمز لها بالرمز $E(X)$ أو الحرف الإغريقي $\mu$، المقياس الأساسي للنزعة المركزية في التوزيعات الاحتمالية، وتُعرف رياضياً بأنها المتوسط المرجح باحتمالات الحدوث لكافة القيم الممكنة التي يمكن للمتغير العشوائي اتخاذها. تعبر القيمة المتوقعة عن المركز الهندسي أو نقطة الارتكاز الرياضية التي تتوازن عندها كتلة الاحتمال، وهي تمثل المتوسط النظري طويل الأجل لنتائج التجربة إذا ما تم تكرارها لعدد لا نهائي من المرات تحت نفس الظروف.

في حالة المتغير العشوائي المنفصل، تُحسب القيمة المتوقعة من خلال ضرب كل قيمة ممكنة $x_i$ في احتمال حدوثها المناظر $P(X = x_i)$، ومن ثم إيجاد المجموع التراكمي لهذه الجداءات عبر كامل فضاء العينة، وفق الصيغة الجبرية التالية:

$$E(X) = \mu = \sum_{i} x_i \cdot P(X = x_i)$$

أما في حالة المتغير العشوائي المستمر، فإن عملية الجمع تتحول إلى تكامل رياضي محدود على كامل مجال دعم الدالة الاحتمالية، حيث يتم ضرب المتغير $x$ في دالة الكثافة الاحتمالية $f(x)$ ومكاملته بالنسبة لـ $x$ كالتالي:

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

تعتبر معرفة وحساب القيمة المتوقعة خطوة تمهيدية إلزامية وإجرائية لا يمكن الاستغناء عنها بحال من الأحوال لحساب تباين التوزيع الاحتمالي؛ إذ إن التباين يقيس بطبيعته انحرافات القيم عن هذه النقطة المرجعية المركزية، مما يجعل دقة حساب المتوسط شرطاً مسبقاً لصحة نتائج التباين اللاحقة.

2.3 العزوم الإحصائية والعزم الثاني حول المتوسط

تُشكل العزوم الإحصائية (Statistical Moments) إطاراً رياضياً تحليلياً متقدماً لتوصيف البنية الهندسية والاحتمالية لدوال التوزيع. يُعرف العزم من الرتبة $k$ حول نقطة الأصل (Raw Moment) للمتغير العشوائي $X$ بالقيمة المتوقعة للقوة النونية للمتغير، أي $E(X^k)$. ويُعد العزم الأول حول نقطة الأصل ($k=1$) هو القيمة المتوقعة ذاتها $E(X) = \mu$، وهو يحدد موقع التوزيع على خط الأعداد الحقيقية.

من ناحية أخرى، تُعرف العزوم المركزية (Central Moments) بأنها التوقعات الرياضية لقوى انحرافات المتغير العشوائي عن قيمته المتوقعة، أي $E[(X – \mu)^k]$. يُعتبر العزم المركزي الأول مساوياً للصفر دائماً وبحكم التعريف الرياضي ($E[X – \mu] = E(X) – \mu = 0$)، في حين يمثل العزم المركزي الثاني ($k=2$)، المعرف رياضياً بالصيغة $E[(X – \mu)^2]$، التباين الإحصائي للتوزيع الاحتمالي ذاته.

يوفر هذا التأطير الرياضي فهماً عميقاً لمنزلة التباين ضمن هرمية الخصائص الاحتمالية؛ فكما أن العزم الأول يحدد الموقع، والعزم الثاني (التباين) يقيس التشتت، فإن العزم المركزي الثالث يقيس الالتواء (Skewness) ومدى عدم التماثل، بينما يقيس العزم المركزي الرابع التفرطح (Kurtosis) ومدى ثقل الذيول وتحدب القمة الاحتمالية، مما يبرز التباين كمعلمة هيكلية من الدرجة الثانية في التحليل الإحصائي الرياضي.

3. الصيغة الرياضية العامة لحساب تباين التوزيع الاحتمالي

3.1 الصيغة التعريفية الأساسية للتباين

تُجسد الصيغة التعريفية الأساسية لتباين التوزيع الاحتمالي المفهوم النظري للتشتت بأوضح صورة ممكنة، حيث يُرمز لتباين المتغير العشوائي $X$ بالرمز $\sigma^2$ (سيغما تربيع) أو $\text{Var}(X)$. تُعرف هذه الصيغة التباين بأنه القيمة المتوقعة لمربع انحراف المتغير عن وسطه الحسابي، وتُصاغ رياضياً للمتغيرات العشوائية المنفصلة على النحو التالي:

$$\text{Var}(X) = \sigma^2 = E[(X – \mu)^2] = \sum_{i} (x_i – \mu)^2 \cdot P(X = x_i)$$

يتضمن تفكيك هذه المعادلة ثلاثة مكونات جوهرية متتالية: أولاً، حساب “الانحراف” $(x_i – \mu)$ وهو الفارق المسافي بين كل قيمة محتملة والمتوسط المرجح للتوزيع؛ ثانياً، إجراء عملية “التربيع” $(x_i – \mu)^2$ لهذا الفارق؛ وثالثاً، “الترجيح الاحتمالي” بضرب المربع الناتج في احتمالية وقوع تلك القيمة المحددة $P(x_i)$.

تكمن الفلسفة الرياضية الصارمة وراء تربيع فروق الانحرافات في التغلب على معضلة الإلغاء الجبري؛ فبما أن مجموع الانحرافات البسيطة المرجحة بالاحتمالات عن المتوسط يساوي دائماً الصفر المطلق ($\sum (x_i – \mu) P(x_i) = 0$) بسبب إلغاء الانحرافات الموجبة للقيم الأكبر من المتوسط بالانحرافات السالبة للقيم الأصغر منه، فإن التربيع يحول كافة المسافات إلى مقادير موجبة قطعاً، فضلاً عن أنه يمنح وزناً تصاعدياً وعقابياً أكبر للانحرافات الكبيرة والبعيدة عن المركز. وتجدر الإشارة إلى أن وحدة قياس التباين تكون دائماً هي مربع وحدة قياس المتغير العشوائي الأصلي (مثل متر مربع، دولار مربع)، مما يستدعي لاحقاً استخدام الانحراف المعياري لتسهيل التفسير العملي.

3.2 الصيغة الحسابية البديلة والمختصرة للتباين

على الرغم من الأهمية المفاهمية للصيغة التعريفية، إلا أن تطبيقها الحسابي المباشر، لا سيما في الحسابات اليدوية أو في البرمجيات التي تتعامل مع أعداد كبيرة أو متوسطات غير صحيحة تحتوي على كسور عشرية، قد يكون عرضة لتراكم أخطاء التقريب والجهد الحسابي المضاعف. لذلك، يُستعان في الممارسة الرياضية بالصيغة الحسابية المختصرة المكافئة المشتقة من خواص الخطية للقيمة المتوقعة:

$$\text{Var}(X) = E(X^2) – [E(X)]^2$$

تعتمد هذه الصيغة على حساب مقدارين رئيسيين: المقدار الأول هو القيمة المتوقعة لمربع المتغير العشوائي $E(X^2) = \sum x_i^2 \cdot P(X = x_i)$، والمقدار الثاني هو مربع القيمة المتوقعة $[E(X)]^2 = \mu^2$. وتتميز هذه الطريقة بكفاءتها الحسابية الفائقة حيث لا تتطلب طرح المتوسط من كل قيمة على حدة في بداية الحسابات.

يمكن إثبات التطابق الجبري بين الصيغة التعريفية والصيغة الحسابية المختصرة بخطوات رياضية دقيقة كالتالي:

$$\text{Var}(X) = E[(X – \mu)^2]$$

$$\text{Var}(X) = E[X^2 – 2\mu X + \mu^2]$$

وباستخدام خاصية الخطية للمشغل الرياضي للقيمة المتوقعة، حيث يتوزع التوقع على الجمع والطرح وتخرج الثوابت خارج المشغل:

$$\text{Var}(X) = E(X^2) – 2\mu E(X) + E(\mu^2)$$

وبما أن $E(X) = \mu$ وأن $\mu^2$ مقدار ثابت قيمته المتوقعة هي نفسه:

$$\text{Var}(X) = E(X^2) – 2\mu(\mu) + \mu^2 = E(X^2) – 2\mu^2 + \mu^2 = E(X^2) – \mu^2$$

وهو ما يبرهن التطابق الرياضي الكامل بين الصيغتين في كافة التطبيقات الإحصائية.

Standard deviation of probability distribution example
Standard deviation of probability distribution example

3.3 الشروط والمحددات الرياضية لصحة التباين

يخضع حساب التباين الإحصائي لضوابط وشروط رياضية دقيقة تحكم سلوكه ونتائجه؛ أول هذه الشروط وأهمها هو شرط “عدم السلبية” (Non-negativity)، حيث يجب أن تكون قيمة التباين دائماً أكبر من أو تساوي الصفر المطلق ($\text{Var}(X) ge 0$). ينبع هذا الشرط مباشرة من التعريف الرياضي بوصف التباين قيمة متوقعة لمقادير مربعة موجبة دائماً مضروبة في احتمالات موجبة بالضرورة، وبالتالي فإن الحصول على قيمة سالبة للتباين في أي حسابات يُعد دليلاً قاطعاً على وجود خطأ حسابي أو جبري في تطبيق القوانين.

تتحقق حالة التباين الصفري ($\text{Var}(X) = 0$) في حالة وحيدة وخاصة جداً، وهي عندما يكون المتغير العشوائي ثابتاً حتمياً (Degenerate or Constant Random Variable) يتخذ قيمة وحيدة $c$ باحتمال يقيني يساوي 1 ($P(X = c) = 1$). في هذه الحالة، ينعدم عدم اليقين كلياً، وتتلاشى كافة الانحرافات عن المتوسط لأن المتوسط يطابق القيمة الثابتة ذاتها، مما يجعل التشتت منعدماً.

أما المحدد الرياضي الثاني فيتعلق بشرط “التقارب الرياضي” لوجود التباين؛ فلكي يكون للمتغير العشوائي تباين حقيقي ومحدود، يجب أن تكون المتسلسلة التجميعية (في التوزيع المنفصل) أو التكامل المعتل (في التوزيع المستمر) متقاربة تقارباً مطلقاً نحو قيمة عددية منتهية. توجد بعض التوزيعات الاحتمالية النظرية المعروفة، مثل توزيع كوشي (Cauchy Distribution) أو توزيعات باريتو (Pareto) ذات المعلمات المنخفضة، التي لا تمتلك تبايناً محدوداً أو حتى قيمة متوقعة معرفة، نتيجة للثقل الهائل في أطرافها الاحتمالية (Heavy Tails) مما يؤدي إلى تباعد التكاملات الحسابية إلى المالانهاية.

4. خطوات حساب تباين التوزيع الاحتمالي المنفصل بالتفصيل

4.1 الخطوة الأولى: تنظيم جدول التوزيع الاحتمالي والتحقق من صحته

تبدأ عملية حساب التباين لمتغير عشوائي منفصل ببناء جدول إحصائي منظم يُسرد فيه فضاء العينة بوضوح. يتم تخصيص العمود الأول لكافة القيم العددية الممكنة للمتغير العشوائي، ويُرمز لها بـ $x_i$، بينما يُخصص العمود الثاني للاحتمالات الرياضية المقترنة بكل قيمة، ويُرمز لها بـ $P(X = x_i)$ أو $p(x_i)$. يضمن هذا التنظيم الهيكلي استيعاب كافة مدخلات الدالة الاحتمالية ومنع سقوط أي قيمة محتملة أثناء الحسابات المتتالية.

تتمثل الخطوة الرقابية الفاصلة قبل الشروع في أي عملية حسابية في فحص وتحقيق الشروط الاحتمالية الإلزامية للتوزيع؛ إذ يجب التأكد من أن كل احتمال فردي يقع في النطاق الصحيح $0 le P(x_i) le 1$. ثم يتم جمع كامل عناصر عمود الاحتمالات للتأكد القطعي من أن المجموع الكلي يحقق المعادلة الشرطية:

$$\sum_{i=1}^{n} P(X = x_i) = 1$$

إذا كان المجموع يقل أو يزيد عن الواحد الصحيح، فإن هذا يدل إما على وجود بيانات مفقودة أو احتمالات غير محسوبة بشكل صحيح أو أخطاء في النمذجة الأساسية. وفي حالة وجود احتمال مجهول لقيمة معينة مع اكتمال باقي الاحتمالات، يتم استنتاج القيمة المفقودة بطرح مجموع الاحتمالات المعلومة من الرقم 1 قبل الانتقال للخطوات التالية.

4.2 الخطوة الثانية: حساب المتوسط المرجح ($\mu$)

بعد التحقق من سلامة وصلاحية جدول التوزيع الاحتمالي، يتم إنشاء عمود ثالث في الجدول مخصص لحاصل ضرب كل قيمة من قيم المتغير العشوائي في احتمال حدوثها المناظر، ويُعنون هذا العمود بالصيغة $[x_i \cdot P(x_i)]$. يتم ملء خلايا هذا العمود بضرب قيمة كل صف من العمود الأول في احتمال الصف المقابل من العمود الثاني بدقة حسابية تامة.

تُحسب القيمة المتوقعة أو المتوسط الحسابي للتوزيع الاحتمالي ($\mu$) بجمع كافة القيم الناتجة في هذا العمود الثالث من الصف الأول وحتى الصف الأخير:

$$\mu = E(X) = \sum_{i=1}^{n} [x_i \cdot P(X = x_i)]$$

من الضروري إجراء فحص منطقي للمتوسط الناتج؛ حيث يجب بالضرورة الرياضية أن تقع قيمة $\mu$ داخل النطاق العددي المحصور بين أصغر قيمة وأكبر قيمة للمتغير العشوائي في الجدول ($x_{\min} le \mu le x_{\max}$). إذا خرجت قيمة المتوسط عن هذا النطاق، فإن ذلك يعد مؤشراً قاطعاً على وجود خطأ حسابي في عمليات الضرب أو الجمع.

Example of finding the mean of a probability distribution
Example of finding the mean of a probability distribution

4.3 الخطوة الثالثة: حساب الانحرافات المربعة المرجحة بالاحتمال

لتطبيق الصيغة التعريفية الأساسية للتباين، يتطلب الأمر توسيع الجدول بإضافة ثلاثة أعمدة إجرائية متتالية:

  • العمود الرابع (الانحرافات البسيطة): يتم فيه حساب مقدار ابتعاد كل قيمة عن المتوسط بطرح $\mu$ من كل $x_i$، أي $[x_i – \mu]$. ستكون بعض هذه القيم موجبة وبعضها سالباً.
  • العمود الخامس (مربعات الانحرافات): يتم فيه تربيع القيم الناتجة في العمود الرابع لكل صف على حدة، أي $[(x_i – \mu)^2]$. تتحول جميع القيم في هذا العمود إلى مقادير موجبة تماماً، وتبرز القيم ذات الانحرافات الكبيرة بقيم مربعة مضاعفة.
  • العمود السادس (الانحرافات المربعة المرجحة): يتم فيه ضرب كل قيمة مربعة من العمود الخامس في الاحتمال الأصلي المقابل لها من العمود الثاني، أي $[(x_i – \mu)^2 \cdot P(x_i)]$.

يتم الوصول إلى التباين النهائي للتوزيع الاحتمالي ($\sigma^2$) من خلال جمع كافة المدخلات العددية الموجودة في العمود السادس بالكامل:

$$\sigma^2 = \text{Var}(X) = \sum_{i=1}^{n} [(x_i – \mu)^2 \cdot P(X = x_i)]$$

يمثل هذا المجموع النهائي مقياس التشتت المرجح الدقيق للقيم حول المركز وفق التعريف النظري للعزم المركزي الثاني.

4.4 الخطوة الرابعة: التطبيق عبر الصيغة البديلة للتحقق

لضمان دقة العمليات الحسابية وتفادي الانحرافات الناتجة عن التقريب، يُوصى بشدة بالتحقق من النتيجة باستخدام الصيغة الحسابية المختصرة $\text{Var}(X) = E(X^2) – \mu^2$. تتطلب هذه الطريقة إضافة عمود لحساب $[x_i^2 \cdot P(x_i)]$ مباشرة دون الحاجة لحساب الانحرافات الفردية لكل قيمة عن المتوسط.

يتم تربيع كل قيمة من قيم المتغير العشوائي $x_i^2$ وضربها في احتمالها المناظر $P(x_i)$، ثم جمع هذا العمود للحصول على القيمة المتوقعة للمربعات $E(X^2) = \sum x_i^2 P(x_i)$. بعد ذلك، يتم حساب مربع المتوسط الذي تم إيجاده سابقاً $[E(X)]^2 = \mu^2$. وأخيراً، يُطرح مربع المتوسط من القيمة المتوقعة للمربعات:

$$\text{Var}(X) = E(X^2) – [E(X)]^2$$

إذا تطابقت النتيجة الحسابية المستخرجة من هذه الصيغة البديلة تماماً مع القيمة المحسوبة بالصيغة التعريفية السابقة، فإن ذلك يمنح ثقة ويقيناً رياضياً بصحة التباين وخلو المعالجة من الأخطاء الإجرائية.

5. أمثلة تطبيقية وحسابية تفصيلية خطوة بخطوة

5.1 مثال 1: تباين عدد الأهداف المسجلة لفريق رياضي

لنفترض أننا نقوم بدراسة الأداء الهجومي لنادي كرة قدم محترف خلال موسم رياضي كامل، وتم تلخيص التوزيع الاحتمالي لعدد الأهداف التي يسجلها الفريق في أي مباراة رسمية بالمتغير العشوائي المنفصل $X$ الذي يتخذ القيم من 0 إلى 4 أهداف وفق الجدول الاحتمالي التالي:

  • تسجيل 0 هدف: $P(X = 0) = 0.15$
  • تسجيل 1 هدف: $P(X = 1) = 0.35$
  • تسجيل 2 هدف: $P(X = 2) = 0.30$
  • تسجيل 3 أهداف: $P(X = 3) = 0.15$
  • تسجيل 4 أهداف: $P(X = 4) = 0.05$

أولاً، نتحقق من صحة التوزيع: $0.15 + 0.35 + 0.30 + 0.15 + 0.05 = 1.00$، وهو توزيع احتمالي صحيح تماماً.

ثانياً، نحسب القيمة المتوقعة (المتوسط المرجح للأهداف) $\mu = E(X)$:

$$\mu = (0 \times 0.15) + (1 \times 0.35) + (2 \times 0.30) + (3 \times 0.15) + (4 \times 0.05)$$

$$\mu = 0 + 0.35 + 0.60 + 0.45 + 0.20 = 1.60 \text{ هدف في المباراة}$$

ثالثاً، نطبق الصيغة التعريفية لحساب التباين بجدولة الانحرافات المربعة وترجيحها بالاحتمالات:

  • للقيمة $x=0$: $(0 – 1.60)^2 \times 0.15 = (-1.60)^2 \times 0.15 = 2.56 \times 0.15 = 0.384$
  • للقيمة $x=1$: $(1 – 1.60)^2 \times 0.35 = (-0.60)^2 \times 0.35 = 0.36 \times 0.35 = 0.126$
  • للقيمة $x=2$: $(2 – 1.60)^2 \times 0.30 = (0.40)^2 \times 0.30 = 0.16 \times 0.30 = 0.048$
  • للقيمة $x=3$: $(3 – 1.60)^2 \times 0.15 = (1.40)^2 \times 0.15 = 1.96 \times 0.15 = 0.294$
  • للقيمة $x=4$: $(4 – 1.60)^2 \times 0.05 = (2.40)^2 \times 0.05 = 5.76 \times 0.05 = 0.288$

نجمع هذه النواتج لحساب التباين النهائي $\sigma^2$:

$$\sigma^2 = \text{Var}(X) = 0.384 + 0.126 + 0.048 + 0.294 + 0.288 = 1.140 \text{ (هدف)}^2$$

يُظهر هذا التباين البالغ 1.14 درجة التشتت والتقلب في الفاعلية الهجومية للفريق حول المعدل المتوقع البالغ 1.6 هدف لكل مباراة.

5.2 مثال 2: تباين عدد الأعطال الميكانيكية في المركبات

ترغب شركة نقل بري في تقدير المخاطر التشغيلية لأسطول مركباتها، حيث تم بناء توزيع احتمالي لعدد الأعطال الميكانيكية السنوية الخطيرة لكل شاحنة ($Y$) كما يلي:

  • $y_0 = 0$ أعطال باحتمال $P(0) = 0.50$
  • $y_1 = 1$ عطل باحتمال $P(1) = 0.30$
  • $y_2 = 2$ عطل باحتمال $P(2) = 0.15$
  • $y_3 = 3$ أعطال باحتمال $P(3) = 0.05$

سنستخدم في هذا المثال الصيغة الحسابية المختصرة $\text{Var}(Y) = E(Y^2) – [E(Y)]^2$ خطوة بخطوة.

أولاً: حساب القيمة المتوقعة $E(Y)$:

$$E(Y) = (0 \times 0.50) + (1 \times 0.30) + (2 \times 0.15) + (3 \times 0.05) = 0 + 0.30 + 0.30 + 0.15 = 0.75 \text{ عطل/سنة}$$

ثانياً: حساب مربع القيمة المتوقعة $[E(Y)]^2$:

$$[E(Y)]^2 = (0.75)^2 = 0.5625$$

ثالثاً: حساب القيمة المتوقعة للمربعات $E(Y^2)$ عبر ضرب مربعات القيم في الاحتمالات المقابلة:

$$E(Y^2) = \sum y_i^2 \cdot P(y_i) = (0^2 \times 0.50) + (1^2 \times 0.30) + (2^2 \times 0.15) + (3^2 \times 0.05)$$

$$E(Y^2) = (0 \times 0.50) + (1 \times 0.30) + (4 \times 0.15) + (9 \times 0.05) = 0 + 0.30 + 0.60 + 0.45 = 1.35$$

رابعاً: استخراج التباين بطرح المقدارين:

$$\text{Var}(Y) = E(Y^2) – [E(Y)]^2 = 1.35 – 0.5625 = 0.7875 \text{ (عطل)}^2$$

تستخدم الإدارة المالية هذا التباين لتقدير التذبذب المتوقع في تكاليف الصيانة الدورية وتحديد مخصصات الطوارئ المالية لتغطية أعباء الضمان والإصلاح غير المتوقعة.

Example of calculating the standard deviation and variance of a probability distribution
Example of calculating the standard deviation and variance of a probability distribution

5.3 مثال 3: تجربة رمي حجر نرد متزن وغير متزن

تُعد مقارنة حجر نرد عادل بآخر متحيز مثالاً نموذجياً لفهم كيفية تأثير توزيع الاحتمالات على قيمة التباين بالرغم من تقارب المتوسطات أحياناً.

الحالة الأولى: حجر نرد عادل متزن (Fair Die)
القيم الممكنة هي $S = {1, 2, 3, 4, 5, 6}$ وكل وجه له احتمال متساوٍ $P(X = x) = \frac{1}{6}$.
المتوسط المتوقع:

$$E(X) = \sum_{x=1}^{6} x \cdot \frac{1}{6} = \frac{1+2+3+4+5+6}{6} = \frac{21}{6} = 3.5$$

القيمة المتوقعة للمربعات $E(X^2)$:

$$E(X^2) = \sum_{x=1}^{6} x^2 \cdot \frac{1}{6} = \frac{1^2+2^2+3^2+4^2+5^2+6^2}{6} = \frac{1+4+9+16+25+36}{6} = \frac{91}{6} \approx 15.1667$$

التباين:

$$\text{Var}(X) = E(X^2) – [E(X)]^2 = \frac{91}{6} – (3.5)^2 = 15.1667 – 12.25 = 2.9167 = \frac{35}{12}$$

الحالة الثانية: حجر نرد غير متزن (Loaded Die) مفرط التمركز في الأطراف
لنفترض حجراً غير عادل تم وزنه بحيث يظهر الوجهان 1 و 6 باحتمال $0.40$ لكل منهما، بينما تظهر الأوجه 2 و 3 و 4 و 5 باحتمال $0.05$ لكل منها.
المتوسط الحسابي:

$$E(X) = (1 \times 0.40) + (2 \times 0.05) + (3 \times 0.05) + (4 \times 0.05) + (5 \times 0.05) + (6 \times 0.40) = 0.40 + 0.10 + 0.15 + 0.20 + 0.25 + 2.40 = 3.5$$

نلاحظ أن المتوسط لم يتغير إطلاقاً وظل $3.5$. ولكن دعنا نحسب التباين:

$$E(X^2) = (1 \times 0.40) + (4 \times 0.05) + (9 \times 0.05) + (16 \times 0.05) + (25 \times 0.05) + (36 \times 0.40) = 0.40 + 0.20 + 0.45 + 0.80 + 1.25 + 14.40 = 17.50$$

$$\text{Var}(X) = 17.50 – (3.5)^2 = 17.50 – 12.25 = 5.25$$

نستنتج بوضوح رياضي قاطع أن تركز الاحتمالات في أطراف التوزيع (عند 1 و 6) أدى إلى قفزة هائلة في التباين من $2.9167$ إلى $5.25$ بالرغم من ثبات المتوسط الحسابي تماماً، مما يوضح القوة التحليلية للتباين في كشف هيكل الانتشار وتوزيع البيانات.

6. حساب التباين للتوزيعات الاحتمالية المستمرة

6.1 التحول من المجموع إلى التكامل الرياضي

عند الانتقال من دراسة المتغيرات العشوائية المنفصلة إلى المتغيرات العشوائية المستمرة، تتغير الأدوات الرياضية المستخدمة تغيراً جوهرياً؛ حيث تصبح احتمالية اتخاذ المتغير لقيمة نقطية معزولة مساوية للصفر رياضياً ($P(X = x) = 0$). وبناءً عليه، يستبدل علم الإحصاء دالة الكتلة الاحتمالية بدالة كثافة الاحتمال $f(x)$، وتتحول عملية الجمع التكراري للمتغيرات المنفصلة ($\sum$) إلى عملية تكامل ريماني محدود أو معتل ($\int$) يغطي النطاق الرياضي للمتغير العشوائي المعروف بفضاء الدعم (Support).

تُصاغ المعادلة التعريفية لتباين المتغير العشوائي المستمر بالتكامل الرياضي التالي:

$$\text{Var}(X) = \sigma^2 = \int_{-\infty}^{\infty} (x – \mu)^2 f(x) , dx$$

حيث يمثل $\mu$ القيمة المتوقعة المستمرة المحسوبة بالتكامل $\mu = \int_{-\infty}^{\infty} x f(x) , dx$. كما يمكن كتابة الصيغة الحسابية البديلة المكافئة في صورة تكاملين منفصلين يسهل حلهما تحليلياً في كثير من الأحيان:

$$\text{Var}(X) = \int_{-\infty}^{\infty} x^2 f(x) , dx – \left[ \int_{-\infty}^{\infty} x f(x) , dx \right]^2 = E(X^2) – [E(X)]^2$$

عند التعامل مع هذه التكاملات، يتم تقليص حدود التكامل من $(-\infty, \infty)$ إلى الفترة المحددة $[a, b]$ التي تكون فيها دالة الكثافة الاحتمالية موجبة وغير صفرية، مع استخدام تقنيات التكامل المتقدمة مثل التكامل بالتجزئة (Integration by Parts) والتعويض عندما تمتد دوال الكثافة الاحتمالية نحو اللانهاية.

6.2 مثال تطبيقي: التوزيع المنتظم المستمر (Continuous Uniform)

يُعد التوزيع المنتظم المستمر على الفترة $[a, b]$، ويُرمز له بـ $X sim U(a, b)$، من أبسط التوزيعات المستمرة وأكثرها استخداماً في النمذجة الرياضية والمحاكاة، حيث تكون احتمالية وقوع المتغير في أي فترة جزئية متساوية الطول ثابتة تماماً. تُعرف دالة الكثافة الاحتمالية للتوزيع المنتظم بالمعادلة:

$$f(x) = \begin{\cases} \frac{1}{b – a} &a\mp; \text{for } a le x le b \ 0 &a\mp; \text{otherwise} \end{\cases}$$

أولاً: نشتق القيمة المتوقعة $E(X)$ بالتكامل:

$$E(X) = \int_{a}^{b} x \cdot \frac{1}{b – a} , dx = \frac{1}{b – a} \left[ \frac{x^2}{2} \right]_{a}^{b} = \frac{b^2 – a^2}{2(b – a)} = \frac{(b – a)(b + a)}{2(b – a)} = \frac{a + b}{2}$$

ثانياً: نشتق القيمة المتوقعة للمربعات $E(X^2)$:

$$E(X^2) = \int_{a}^{b} x^2 \cdot \frac{1}{b – a} , dx = \frac{1}{b – a} \left[ \frac{x^3}{3} \right]_{a}^{b} = \frac{b^3 – a^3}{3(b – a)} = \frac{(b – a)(b^2 + ab + a^2)}{3(b – a)} = \frac{a^2 + ab + b^2}{3}$$

ثالثاً: نحسب التباين بطرح مربع القيمة المتوقعة من القيمة المتوقعة للمربعات:

$$\text{Var}(X) = E(X^2) – [E(X)]^2 = \frac{a^2 + ab + b^2}{3} – \left( \frac{a + b}{2} \right)^2 = \frac{a^2 + ab + b^2}{3} – \frac{a^2 + 2ab + b^2}{4}$$

بتوحيد المقامات على 12:

$$\text{Var}(X) = \frac{4(a^2 + ab + b^2) – 3(a^2 + 2ab + b^2)}{12} = \frac{4a^2 + 4ab + 4b^2 – 3a^2 – 6ab – 3b^2}{12} = \frac{a^2 – 2ab + b^2}{12} = \frac{(b – a)^2}{12}$$

تطبيق رقمي: إذا كان زمن انتظار حافلة يتوزع بانتظام بين 0 و 20 دقيقة، فإن تباين زمن الانتظار يساوي $\text{Var}(X) = \frac{(20 – 0)^2}{12} = \frac{400}{12} \approx 33.33 \text{ دقيقة}^2$.

6.3 مثال تطبيقي: التوزيع الأسي (Exponential Distribution)

يُمثل التوزيع الأسي (Exponential Distribution) النموذج الرياضي القياسي لأزمنة الانتظار بين الأحداث المتتالية في عمليات بواسون، وعمر المعدات في هندسة الموثوقية ونماذج البقاء. يُعرف التوزيع بمعلمة المعدل $lambda > 0$ ودالة الكثافة الاحتمالية:

$$f(x) = \begin{\cases} \lambda e^{-\lambda x} &a\mp; \text{for } x ge 0 \ 0 &a\mp; \text{for } x < 0 \end{\cases}$$

لحساب التباين، نستخدم تقنية التكامل بالتجزئة ($\int u , dv = uv – \int v , du$) لإيجاد العزوم:

العزم الأول (القيمة المتوقعة):

$$E(X) = \int_{0}^{\infty} x \lambda e^{-\lambda x} , dx = \left[ -x e^{-\lambda x} \right]_{0}^{\infty} + \int_{0}^{\infty} e^{-\lambda x} , dx = 0 + \left[ -\frac{1}{\lambda} e^{-\lambda x} \right]_{0}^{\infty} = \frac{1}{\lambda}$$

العزم الثاني (القيمة المتوقعة للمربعات):

$$E(X^2) = \int_{0}^{\infty} x^2 \lambda e^{-\lambda x} , dx$$

باستخدام التكامل بالتجزئة بوضع $u = x^2$ و $dv = \lambda e^{-\lambda x} dx$:

$$E(X^2) = \left[ -x^2 e^{-\lambda x} \right]_{0}^{\infty} + \int_{0}^{\infty} 2x e^{-\lambda x} , dx = 0 + \frac{2}{\lambda} \int_{0}^{\infty} x \lambda e^{-\lambda x} , dx = \frac{2}{\lambda} E(X) = \frac{2}{\lambda} \left(\frac{1}{\lambda}\right) = \frac{2}{\lambda^2}$$

نستنتج تباين التوزيع الأسي مباشرة:

$$\text{Var}(X) = E(X^2) – [E(X)]^2 = \frac{2}{\lambda^2} – \left( \frac{1}{\lambda} \right)^2 = \frac{2}{\lambda^2} – \frac{1}{\lambda^2} = \frac{1}{\lambda^2}$$

توضح هذه النتيجة الرياضية الأنيقة خاصية فريدة للتوزيع الأسي: وهي أن انحرافه المعياري ($\sigma = \sqrt{1/\lambda^2} = 1/\lambda$) يساوي تماماً قيمته المتوقعة ($\mu = 1/\lambda$)، مما يعني أن درجة التشتت تتناسب طردياً مع متوسط زمن البقاء.

7. الخصائص الرياضية والجبرية لتباين التوزيع الاحتمالي

7.1 تأثير التحويلات الخطية على التباين

تخضع العمليات الجبرية المطبقة على المتغيرات العشوائية لقواعد دقيقة تحدد كيفية تأثر التباين بالتحويلات الرياضية. عند إجراء تحويل خطي على المتغير العشوائي $X$ بالصيغة $Y = aX + b$ حيث $a$ و $b$ أعداد حقيقية ثابتة، يتصرف التباين وفق قاعدتين أساسيتين:

  • خاصية إضافة ثابت $\text{Var}(X + b) = \text{Var}(X)$: إن إضافة أو طرح مقدار ثابت $b$ من المتغير العشوائي يؤدي إلى إزاحة وتشفير كافة قيم التوزيع على خط الأعداد بنفس المقدار، مما يغير المتوسط بمقدار $b$ ($E(X+b) = E(X)+b$)، ولكنه يترك المسافات والفروق البينية النسبية بين القيم والمتوسط دون أي تغيير مطلقاً، مما يجعل تباين التوزيع ثابتاً لا يتأثر بالإضافة.
  • خاصية الضرب في ثابت $\text{Var}(aX) = a^2 \text{Var}(X)$: عند ضرب المتغير في معامل عددي $a$، فإن انحراف كل قيمة عن المتوسط يتضاعف بمقدار $a$. وبما أن التباين يقيس مربع هذه الانحرافات، فإن التباين يتضاعف بمقدار المربع الجبري للثابت، أي $a^2$.

يمكن برهان التحويل الخطي المركب $\text{Var}(aX + b) = a^2 \text{Var}(X)$ جبرياً كما يلي:

$$\text{Var}(aX + b) = E[((aX + b) – E(aX + b))^2]$$

$$\text{Var}(aX + b) = E[(aX + b – (a\mu + b))^2] = E[(aX – a\mu)^2] = E[(a(X – \mu))^2]$$

$$\text{Var}(aX + b) = E[a^2 (X – \mu)^2] = a^2 E[(X – \mu)^2] = a^2 \text{Var}(X)$$

تُعد هذه الخاصية الأساس الرياضي المعتمد في توحيد المقاييس الإحصائية وعمليات المعايرة وتحويل وحدات القياس (مثل التحويل من الدرجة المئوية إلى الفهرنهايت في قياس درجات الحرارة).

7.2 تباين مجموع وفروق المتغيرات العشوائية

تكتسب دراسة تباين التراكيب الخطية لمتغيرين عشوائيين أو أكثر أهمية كبرى في نظرية العينات وبناء النماذج متعددة الأبعاد. إذا كان لدينا متغيران عشوائيان $X$ و $Y$، فإن الصيغة الرياضية العامة لتباين مجموعهما أو فرقهما تتحدد بمقدار الارتباط الإحصائي بينهما والمعبر عنه بالتغاير (Covariance – $\text{Cov}(X,Y)$):

$$\text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y) + 2\text{Cov}(X, Y)$$

$$\text{Var}(X – Y) = \text{Var}(X) + \text{Var}(Y) – 2\text{Cov}(X, Y)$$

حيث يُعرف التغاير رياضياً بالعلاقة $\text{Cov}(X, Y) = E[(X – \mu_X)(Y – \mu_Y)] = E(XY) – E(X)E(Y)$.

في الحالة الخاصة فائقة الأهمية عندما يكون المتغيران $X$ و $Y$ مستقلين إحصائياً (Independent Random Variables) أو غير مترابطين إطلاقاً، فإن التغاير بينهما ينعدم تماماً ($\text{Cov}(X,Y) = 0$). وتؤول القواعد السابقة إلى الصيغة الشهيرة لجمع التباينات:

$$\text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y)$$

$$\text{Var}(X – Y) = \text{Var}(X) + \text{Var}(Y)$$

يجب الانتباه بدقة رياضية متناهية إلى أن تباين الفرق بين متغيرين مستقلين هو مجموع التباينين وليس حاصل طرحهما؛ لأن طرح متغير عشوائي مستقل يزيد من حالة عدم اليقين والتشتت الإجمالي للنظام ولا يقللها. وعند تعميم هذه القاعدة على مجموع $n$ من المتغيرات العشوائية المستقلة والمتطابقة التوزيع (i.i.d) التي يمتلك كل منها تبايناً مقداره $\sigma^2$، فإن تباين المجموع التراكمي يساوي:

$$\text{Var}\left( \sum_{i=1}^{n} X_i \right) = \sum_{i=1}^{n} \text{Var}(X_i) = n\sigma^2$$

بينما تباين المتوسط الحسابي للعينة $\bar{X} = \frac{1}{n} \sum X_i$ يتناقص مع زيادة حجم العينة وفق القاعدة الجوهرية:

$$\text{Var}(\bar{X}) = \text{Var}\left( \frac{1}{n} \sum_{i=1}^{n} X_i \right) = \frac{1}{n^2} \sum_{i=1}^{n} \text{Var}(X_i) = \frac{1}{n^2} (n\sigma^2) = \frac{\sigma^2}{n}$$

وهي النتيجة التي تشكل حجر الزاوية لقانون الأعداد الكبيرة ونظرية النهاية المركزية.

7.3 متباينة تشيبيشيف ودور التباين في حصر الاحتمالات

تُعد متباينة تشيبيشيف (Chebyshev’s Inequality) واحدة من أعظم النظريات التأسيسية في علم الاحتمالات، حيث تقدم برهاناً رياضياً قاطعاً على الكيفية التي يضبط بها التباين حدود انتشار كتلة الاحتمال لأي متغير عشوائي مهما كان شكل توزيعه (سواء كان متماثلاً، أو ملتوياً، أو متعدد القمم)، بشرط وحيد هو معرفة المتوسط $\mu$ والتباين المحدود $\sigma^2$.

تنص المتباينة رياضياً على أنه لأي عدد حقيقي $k > 1$، فإن احتمالية ابتعاد المتغير العشوائي $X$ عن قيمته المتوقعة $\mu$ بمقدار يتجاوز أو يساوي $k$ من الانحرافات المعيارية ($\sigma$) تكون محصورة دائماً بسقف أعلى لا يمكن تجاوزه، وفق الصيغة:

$$P(|X – mu| ge k\sigma) le \frac{1}{k^2}$$

أو بالصيغة التكميلية المكافئة التي تحدد الحد الأدنى للكتلة الاحتمالية المحصورة داخل النطاق:

$$P(|X – mu| < k\sigma) ge 1 – \frac{1}{k^2}$$

تتجلى الأهمية التطبيقية لمتباينة تشيبيشيف في النتائج التالية:

  • إذا وضعنا $k=2$، فإن المتباينة تؤكد أن $P(|X – mu| < 2\sigma) ge 1 – \frac{1}{4} = 0.75$؛ أي أن ما لا يقل عن 75% من كافة الاحتمالات لأي توزيع في الكون يجب أن تقع بالضرورة داخل نطاق انحرافين معياريين حول المتوسط.
  • إذا وضعنا $k=3$، فإن $P(|X – mu| < 3\sigma) ge 1 – \frac{1}{9} \approx 88.89%$؛ أي أن ما لا يقل عن 88.89% من القيم الاحتمالية تقع داخل نطاق ثلاثة انحرافات معيارية.

تستخدم هذه المتباينة في هندسة الجودة وضبط العمليات وعلوم الحاسوب كأداة لاختبار الفرضيات ووضع حدود آمنة للأداء حتى في ظل غياب المعرفة الدقيقة بشكل دالة التوزيع الاحتمالي.

8. العلاقة بين التباين والانحراف المعياري ومقاييس التشتت الأخرى

8.1 الانحراف المعياري كجذر تربيعي للتباين

على الرغم من الخصائص الجبرية والرياضية الفائقة التي يتمتع بها التباين $\sigma^2$ بوصفه مقياساً دقيقاً للعزم المركزي الثاني، إلا أنه يواجه قيداً تفسيرياً كبيراً في التطبيقات العملية؛ يتمثل هذا القيد في أن عملية تربيع الانحرافات تؤدي تلقائياً إلى تربيع وحدات القياس الفيزيائية أو المالية للمتغير العشوائي الأصلي. لمعالجة هذا الخلل في التفسير المباشر، طوّر الإحصائيون مقياس الانحراف المعياري (Standard Deviation)، والذي يُعرف رياضياً بالجذر التربيعي الموجب للتباين الاحتمالي:

$$\sigma = \sqrt{\text{Var}(X)} = \sqrt{E[(X – \mu)^2]}$$

تتمثل الميزة الجوهرية للانحراف المعياري في أنه يُعيد التعبير عن درجة التشتت وعدم اليقين بنفس وحدات القياس الخطية الأصلية للمتغير العشوائي (مثل: أمتار، دولارات، ثوانٍ)، مما يجعله قابلاً للمقارنة المباشرة والجمع المنطقي مع المتوسط الحسابي $\mu$.

في الممارسة المهنية والتقارير التحليلية، يُفضل دائماً استخدام التباين في البراهين الرياضية والاشتقاقات الجبرية ونماذج التحسين الرياضي (بسبب خواصه التحليلية الملساء وقابليته للاشتقاق والتفكيك الجمعي)، بينما يُفضل استخدام الانحراف المعياري في العرض التفسيري ومخاطبة صانعي القرار لسهولة استيعابه كمسافة خطية معيارية حول المركز.

8.2 معامل الاختلاف (Coefficient of Variation)

عند الحاجة للمقارنة بين تشتت توزيعين احتماليين مختلفين تماماً في وحدات القياس (مثل مقارنة تباين أوزان الأفيال بالطن مع تباين أوزان الحشرات بالمليغرام)، أو توزيعين يختلفان اختلافاً جذرياً في مقياس القيمة المتوقعة (مثل مقارنة تقلبات عوائد سهم سعره 10 دولارات مع سهم سعره 1000 دولار)، فإن كلاً من التباين والانحراف المعياري يعجزان عن تقديم مقارنة منصفة لأنهما مقاييس مطلقة تتأثر مباشرة بحجم الأرقام المقاسة.

يحل علم الإحصاء هذه المعضلة باستخدام مقياس التشتت النسبي المعروف بـ معامل الاختلاف (Coefficient of Variation – CV)، والذي يُحسب بقسمة الانحراف المعياري للتوزيع الاحتمالي على قيمته المتوقعة، ويُعبر عنه عادة كنسبة مئوية خالصة من وحدات القياس:

$$CV = \left( \frac{\sigma}{\mu} \right) \times 100%$$

يُستخدم معامل الاختلاف على نطاق واسع في التحليل المالي تحت مسمى “نسبة المخاطرة إلى العائد” لتقييم كفاءة الأصول الاستثمارية، وفي الدراسات البيولوجية لمقارنة تباين الظواهر الحيوية غير المتجانسة، حيث يشير معامل الاختلاف الأكبر إلى تشتت ومخاطرة أعلى نسبياً بالنسبة لوحدة المتوسط المتوقع.

8.3 مقارنة التباين مع الانحراف المتوسط والمدى الربيعي

بالإضافة إلى التباين والانحراف المعياري، توجد مقاييس تشتت أخرى تمتلك خصائص رياضية فريدة ينبغي الموازنة بينها:

  • متوسط الانحراف المطلق (Mean Absolute Deviation – MAD): يُحسب بالمعادلة $E[|X – mu|]$ باستخدام القيمة المطلقة بدلاً من التربيع. يتميز بأنه أقل تأثراً وحساسية بالقيم المتطرفة والشاذة مقارنة بالتباين، ولكنه يعاني من صعوبة المعالجة الجبرية والتحليلية لأن دالة القيمة المطلقة غير قابلة للاشتقاق عند نقطة الصفر، مما يحد من استخدامه في النماذج النظرية المتقدمة.
  • المدى الربيعي (Interquartile Range – IQR): يمثل الفرق بين الربيع الثالث والربيع الأول ($IQR = Q_3 – Q_1$). يُعد المدى الربيعي مقياساً حصيناً ومتيناً جداً (Robust) لا يتأثر إطلاقاً بالقيم الشاذة أو الذيول الثقيلة في التوزيع، ولذلك يُفضل استخدامه عند التعامل مع توزيعات شديدة الالتواء أو التي تحتوي على بيانات ملوثة، بينما يظل التباين المقياس الرياضي الأمثل للتوزيعات المتماثلة والقياسية.

9. تباين التوزيعات الاحتمالية الخاصة والشائعة

9.1 توزيع برنولي وتوزيع ذات الحدين (Binomial Distribution)

يمثل توزيع برنولي (Bernoulli Distribution) التجربة الاحتمالية الأساسية ذات المخرجين الحصريين: نجاح بقيمة $X=1$ باحتمال $p$، أو فشل بقيمة $X=0$ باحتمال $q = 1-p$. تُحسب القيمة المتوقعة لتوزيع برنولي كالتالي: $E(X) = (1 \times p) + (0 \times (1-p)) = p$. كما أن القيمة المتوقعة للمربعات هي $E(X^2) = (1^2 \times p) + (0^2 \times (1-p)) = p$. وبالتالي فإن تباين توزيع برنولي يُشتق بالصيغة:

$$\text{Var}(X) = E(X^2) – [E(X)]^2 = p – p^2 = p(1 – p) = pq$$

أما توزيع ذات الحدين (Binomial Distribution) $X sim B(n, p)$، فهو يمثل عدد النجاحات في $n$ من محاولات برنولي المستقلة والمتطابقة، أي $X = \sum_{i=1}^{n} Y_i$ حيث كل $Y_i$ متغير برنولي مستقل. وبناءً على خاصية جمع التباينات للمتغيرات المستقلة التي تم إثباتها سابقاً، فإن تباين توزيع ذات الحدين يُشتق كالتالي:

$$\text{Var}(X) = \text{Var}\left( \sum_{i=1}^{n} Y_i \right) = \sum_{i=1}^{n} \text{Var}(Y_i) = \sum_{i=1}^{n} p(1 – p) = n p (1 – p) = npq$$

من الملاحظات الرياضية المهمة أن دالة التباين لتوزيع ذات الحدين تبلغ ذروتها ونقطتها العظمى المطلقة عندما يكون الاحتمال متوازناً تماماً $p = 0.5$ (حيث $\text{Var}(X) = 0.25n$)، بينما يقل التباين ويقترب من الصفر كلما كان الاحتمال $p$ متطرفاً وقريباً جداً من الصفر أو الواحد، نظراً لسيادة شبه اليقين بحدوث مخرج واحد في معظم التجارب.

9.2 توزيع بواسون (Poisson Distribution)

يُستخدم توزيع بواسون (Poisson Distribution) لنمذجة عدد مرات وقوع حدث نادر ومستقل خلال فترة زمنية أو مساحة مكانية محددة بمعلمة معدل الحدوث $lambda > 0$. تُعطى دالة كتلته الاحتمالية بالصيغة $P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!}$ لجميع الأعداد الصحيحة غير السالبة $k = 0, 1, 2, dots$.

يتمتع توزيع بواسون بخاصية رياضية فريدة واستثنائية لا نظير لها بين التوزيعات الاحتمالية؛ وهي أن قيمته المتوقعة تتطابق تماماً مع تباينه، حيث:

$$E(X) = \lambda \quad \text{and} \quad \text{Var}(X) = \lambda$$

يمكن برهان تباين بواسون رياضياً عبر حساب العزم العاملي الثاني $E[X(X-1)] = \sum_{k=0}^{\infty} k(k-1) \frac{\lambda^k e^{-\lambda}}{k!} = \lambda^2 e^{-\lambda} \sum_{k=2}^{\infty} \frac{\lambda^{k-2}}{(k-2)!} = \lambda^2 e^{-\lambda} e^{\lambda} = \lambda^2$. ومنها نجد أن:

$$E(X^2) = E[X(X-1)] + E(X) = \lambda^2 + \lambda$$

$$\text{Var}(X) = E(X^2) – [E(X)]^2 = (\lambda^2 + \lambda) – \lambda^2 = \lambda$$

تُعد هذه الخاصية المرجعية معياراً إحصائياً دقيقاً لفحص البيانات التجريبية؛ فإذا كان تباين البيانات المرصودة أكبر بكثير من متوسطها، يُعرف ذلك في الإحصاء التطبيقي بظاهرة “الإفراط في التشتت” (Overdispersion)، مما يستدعي استخدام توزيعات بديلة مثل توزيع ذات الحدين السالب (Negative Binomial).

9.3 التوزيع الهندسي وتوزيع فوق الهندسي

يصف التوزيع الهندسي (Geometric Distribution) عدد المحاولات الفاشلة قبل تحقيق أول نجاح في سلسلة من محاولات برنولي المستقلة باحتمال نجاح $p$. وتُعطى صيغ معالمه الإحصائية بالصيغ التالية:

$$E(X) = \frac{1-p}{p} \quad \text{and} \quad \text{Var}(X) = \frac{1 – p}{p^2}$$

يُلاحظ هنا أن التباين يتناسب عكسياً مع مربع احتمال النجاح $p^2$، مما يعني أنه كلما كان احتمال النجاح ضئيلاً، زاد عدم اليقين والتباين في زمن الانتظار حتى أول نجاح بصورة هائلة.

أما التوزيع فوق الهندسي (Hypergeometric Distribution)، فيتعامل مع تجارب السحب العشوائي لحجم $n$ من مجتمع محدود بحجم كلي $N$ يحتوي على $K$ من العناصر ذات الخاصية المطلوبة، ولكن دون إرجاع (Without Replacement). يُشتق تباين التوزيع فوق الهندسي بالصيغة:

$$\text{Var}(X) = n \left(\frac{K}{N}\right) \left(1 – \frac{K}{N}\right) \left( \frac{N – n}{N – 1} \right)$$

حيث يمثل الحد الأخير $\left( \frac{N – n}{N – 1} \right)$ معامل تصحيح المجتمع المحدود (Finite Population Correction Factor). ونظراً لأن هذا المعامل يكون دائماً أصغر من الواحد الصحيح لطالما كان $n > 1$، فإن تباين التوزيع فوق الهندسي (السحب دون إرجاع) يكون دائماً أقل من تباين توزيع ذات الحدين (السحب مع الإرجاع)، لأن السحب دون إرجاع يستنفد عناصر المجتمع ويقلل تدريجياً من درجات عدم اليقين المتبقية.

9.4 التوزيع الطبيعي (Normal Distribution)

يُمثل التوزيع الطبيعي أو الغاوسي (Normal Distribution) $X \sim N(\mu, \sigma^2)$ التوزيع الأكثر هيمنة وأهمية في الإحصاء الرياضي الحديث بفضل نظرية النهاية المركزية. وتُعرف دالة كثافته الاحتمالية المتماثلة والجرسية بالصيغة التحليلية:

$$f(x) = \frac{1}{\sigma \sqrt{2\pi}} \exp\left( -\frac{1}{2} \left( \frac{x – \mu}{\sigma} \right)^2 \right) \quad \text{for } -\infty < x < \infty$$

يتميز التوزيع الطبيعي بأن معلمتيه المباشرتين هما المتوسط $\mu$ والتباين $\sigma^2$ ذاتهما، حيث يتحكم التباين في شكل التوزيع؛ إذ يؤدي التباين الصغير إلى قمة حادة وضيقة مع تركيز شديد حول المتوسط، بينما يؤدي التباين الكبير إلى تسطح المنحنى واتساع قاعدته الأفقية.

في حالة التوزيع الطبيعي المعياري القياسي $Z sim N(0, 1)$ الذي يمتلك متوسطاً صفرياً وتبايناً مساوياً للواحد الصحيح ($\mu = 0, \sigma^2 = 1$)، تنطبق القاعدة التجريبية الإحصائية الشهيرة (68-95-99.7):

  • تقع 68.27% من المساحة الاحتمالية الإجمالية ضمن الفترة $[\mu – \sigma, \mu + \sigma]$.
  • تقع 95.45% من المساحة الاحتمالية الإجمالية ضمن الفترة $[\mu – 2\sigma, \mu + 2\sigma]$.
  • تقع 99.73% من المساحة الاحتمالية الإجمالية ضمن الفترة $[\mu – 3\sigma, \mu + 3\sigma]$.

تُبرهن هذه القاعدة الرياضية العلاقة المباشرة بين التباين واحتواء الاحتمالات في التوزيعات المستقرة.

10. الأخطاء الشائعة والتحذيرات عند حساب التباين الاحتمالي

10.1 الأخطاء الجبرية والحسابية المتكررة

يقع الدارسون والممارسون في حقل الإحصاء في مجموعة من الأخطاء الجبرية المتكررة أثناء حساب التباين، ولعل أبرزها هو نسيان تربيع الفروق والانحرافات $(x_i – \mu)$؛ إذ يقوم البعض بحساب مجموع حاصل ضرب الانحرافات البسيطة في الاحتمالات مباشرة $\sum (x_i – \mu) P(x_i)$، مما يؤدي حتماً إلى نتيجة صفرية مطلقة بسبب توازن الانحرافات حول المتوسط، وهو ما يفسد الحسابات كلياً.

الخطأ الجبري الثاني فائق الشهرة هو الخلط التام بين مفهومين رياضيين مختلفين جذرياً عند تطبيق الصيغة المختصرة للتباين: وهما القيمة المتوقعة للمربعات $E(X^2) = \sum x_i^2 P(x_i)$، ومربع القيمة المتوقعة $[E(X)]^2 = (\sum x_i P(x_i))^2$. إن الخلط بين ترتيب العمليات الحسابية (التربيع ثم الضرب في الاحتمال مقابل الضرب ثم الجمع ثم التربيع) يؤدي إلى نتائج خاطئة تماماً قد تسفر عن قيم سالبة مستحيلة للتباين.

علاوة على ذلك، يُعد التقريب المبكر للأرقام والكسور العشرية أثناء حساب المتوسط الحسابي $\mu$ مصدراً رئيساً للأخطاء التراكمية؛ فإذا تم تقريب المتوسط إلى منزلة عشرية واحدة بدلاً من استخدام قيمته الدقيقة أو الكسرية الأصلية، فإن عملية تربيع هذه الانحرافات ومضاعفتها لاحقاً تؤدي إلى تشويه خطير في قيمة التباين النهائي. كما يتجاهل البعض أحياناً ضرب الانحرافات المربعة في الاحتمالات المقابلة $P(x_i)$، ويعامل البيانات كما لو كانت مصفوفة إحصاء وصفي بسيطة متساوية الأوزان.

10.2 الخلط بين التوزيعات الاحتمالية والبيانات الإحصائية البسيطة

أحد أكثر المفاهيم التباساً لدى الباحثين هو الخلط بين حساب التباين لتوزيع احتمالي نظري وحساب تباين العينة التجريبية المرصودة من الميدان؛ حيث يعمد البعض إلى استخدام مقام التصحيح لانحياز العينة المعروف بدرجات الحرية $(n – 1)$ (تصحيح بيسل – Bessel’s Correction) عند التعامل مع جدول توزيع احتمالي نظري. هذا الإجراء خاطئ تماماً؛ لأن التوزيع الاحتمالي يُعبر عن الفضاء الكلي النظري للظاهرة وتُمثل احتمالاته أوزاناً نسبية تامة المجموع ($\sum P(x) = 1$)، ولا يُعد عينة مجتزأة تتطلب تقديراً وتصحيحاً للانحياز.

كذلك، يقع خطأ فادح عند معاملة كافة قيم المتغير العشوائي في جدول التوزيع الاحتمالي على أنها متساوية الأهمية والترجيح، وتطبيق قوانين المتوسط والتباين الحسابي البسيط (بجمع القيم وقسمتها على عددها $n$) متجاهلين تباين الاحتمالات والأوزان المحددة في الجدول $P(x_i)$.

وفي سياق التوزيعات المستمرة، يقع البعض في خطأ محاولة تطبيق قواعد التجميع المنفصلة ($\sum$) لحساب التباين بدلاً من صياغة التكاملات الرياضية المحدودة لدوال الكثافة الاحتمالية، أو استخدام حدود تكامل غير متوافقة مع فضاء الدعم الرياضي للدالة، مما يعطي نتائج مغلوطة ومتباعدة رياضياً.

10.3 سوء تفسير نتائج التباين المرتفع أو المنخفض

يتجاوز الخطر الحسابي إلى الإخفاق في التفسير المنهجي للنتائج المستخرجة؛ حيث يفترض البعض بشكل سطحي أن التباين المنخفض يمثل دليلاً قاطعاً على جودة النموذج ودقة التنبؤ، متجاهلين التحقق من انحياز النموذج (Bias)؛ إذ قد يمتلك النموذج الرياضي تبايناً منخفضاً للغاية واستقراراً عالياً ولكنه ينحرف بصورة كارثية ومنتظمة عن القيمة الحقيقية للظاهرة المدروسة.

ومن الأخطاء التفسيرية الجسيمة مقارنة التباينات المطلقة لظواهر مختلفة مقاسة بوحدات مختلفة أو ذات نطاقات قيمية متباعدة؛ كأن يُحكم بأن الاستثمار (أ) أكثر خطورة من الاستثمار (ب) لمجرد أن تباين أسعاره أكبر بالدولار، دون النظر إلى متوسط العائد واستخدام معامل الاختلاف النسبي ($CV$).

وأخيراً، يتجاهل الكثيرون شرط الاستقلالية عند حساب تباين مجموع متغيرات عشوائية متعددة، حيث يُطبقون قاعدة جمع التباينات المباشرة $\text{Var}(X + Y) = \text{Var}(X) + \text{Var}(Y)$ دون التحقق من انعدام التغاير والارتباط المشترك بين المتغيرين، مما يؤدي إلى استخفاف هائل بالمخاطر في الأنظمة المالية والهندسية المترابطة إيجابياً.

11. التطبيقات العملية والتحليلية لحساب التباين

11.1 التطبيقات المالية وإدارة المحافظ الاستثمارية

يُمثل التباين والانحراف المعياري الركيزة الكمية الأساسية التي تأسست عليها النظرية الحديثة للمحفظة الاستثمارية (Modern Portfolio Theory) التي طورها الاقتصادي الحائز على جائزة نوبل هاري ماركويتز (Harry Markowitz) عام 1952. في الأسواق المالية، يُعامل التباين الاحتمالي لعوائد الأصول المالية بوصفه المقياس الرياضي المباشر لدرجة “المخاطرة” والتقلب (Volatility)؛ فكلما اتسع تباين العوائد المحتملة لسهم أو سند، زادت درجة عدم اليقين وازدادت احتمالية تكبد خسائر فادحة مقارنة بالقيمة المتوقعة للعائد.

تعتمد النماذج المالية المتقدمة على بناء “مصفوفة التباين والتغاير” (Variance-Covariance Matrix) للأصول الاستثمارية لتحديد ما يُعرف بـ “الحد الكفء” (Efficient Frontier)، وهو توليفة من الأصول التي تعظم العائد المتوقع عند مستوى محدد من التباين، أو تدني التباين الكلي للمحفظة إلى أدنى مستوى ممكن عند مستوى مستهدف من العائد. ويُحسب التباين الكلي لمحفظة استثمارية مكونة من أصلين بالأوزان $w_1$ و $w_2$ وفق الصيغة:

$$\sigma_p^2 = w_1^2 \sigma_1^2 + w_2^2 \sigma_2^2 + 2w_1 w_2 \text{Cov}(R_1, R_2)$$

تُبرهن هذه المعادلة كيف يمكن للمستثمر تقليل التباين والمخاطرة الإجمالية للمحفظة عبر التنويع في أصول تمتلك تغايراً سالباً أو ضعيفاً فيما بينها، دون التضحية بالعوائد المتوقعة.

11.2 هندسة الجودة والموثوقية الصناعية

في حقل الهندسة الصناعية وإدارة الإنتاج، يُعد التباين العدو اللدود للجودة؛ إذ تعتمد منهجية ستة سيجما (Six Sigma) العالمية على مبدأ هندسي حاسم يقضي بتقليص التباين في كافة العمليات التصنيعية والتشغيلية إلى أدنى حد ممكن. يهدف تطبيق ستة سيجما إلى حصر مدى تباين أبعاد ومواصفات المنتجات المصنعة ضمن نطاق $\pm 6\sigma$ من المتوسط الاسمي المطلوب، بما يضمن ألا يتجاوز عدد المعيبات 3.4 جزء في المليون (DPMO).

تستخدم لوحات ضبط الجودة الإحصائية (Statistical Process Control Charts) تباين التوزيع الاحتمالي للعينات لتحديد حدود التحكم العليا والسفلى (UCL & LCL)، ورصد أي تذبذب غير طبيعي في خطوط الإنتاج قبل تفاقم الأعطال. كما تعتمد هندسة الموثوقية (Reliability Engineering) على تباين توزيعات أعمار المعدات (مثل توزيع وايبل والتوزيع الأسي) لتحديد الفترات الزمنية المثلى للصيانة الوقائية وتصميم برامج الضمان الفني للأجهزة المعقدة.

11.3 علوم البيانات وتعلم الآلة (Machine Learning)

يشكل التباين مفهوماً حاسماً في صميم النظرية الإحصائية لتعلم الآلة والذكاء الاصطناعي، ويتجلى بأوضح صوره في معضلة المفاضلة بين الانحياز والتباين (Bias-Variance Tradeoff) التي تحكم دقة النماذج التنبؤية. يُشير “تباين النموذج” (Model Variance) إلى مدى حساسية وتغير تنبؤات الخوارزمية إذا تم تدريبها على مجموعة بيانات تدريبية مختلفة مجتزأة من نفس التوزيع الاحتمالي للظاهرة.

تتسم النماذج المعقدة جداً (مثل الشبكات العصبية العميقة وأشجار القرار غير المقيدة) بامتلاكها تبايناً مرتفعاً يؤدي إلى ظاهرة “فرط التخصيص” (Overfitting)؛ حيث تحفظ النموذج ضوضاء بيانات التدريب بدلاً من تعلم النمط الحقيقي، مما يضعف قدرته على التعميم عند استقبال بيانات جديدة. ولمعالجة هذه المشكلة، طُوّرت أساليب التعلم التجميعي (Ensemble Learning) مثل خوارزميات الغابات العشوائية (Random Forests) وأسلوب الدمج بالحزم (Bagging)، والتي تعتمد على تجميع تنبؤات مئات النماذج المستقلة لتقليل التباين الإجمالي للنموذج استناداً إلى قاعدة تقليص تباين المتوسطات ($\frac{\sigma^2}{n}$).

علاوة على ذلك، يمثل التباين الركيزة الرياضية لخوارزمية “تحليل المكونات الرئيسية” (Principal Component Analysis – PCA) المستخدمة لتقليل الأبعاد وضغط البيانات؛ حيث تبحث الخوارزمية عن المحاور والمتجهات الذاتية التي تعظم التباين المفسر للبيانات للحفاظ على أكبر قدر ممكن من المعلومات الأصلية في فضاءات رياضية مصغرة.

12. استخدام الأدوات البرمجية والإحصائية في حساب التباين الاحتمالي

12.1 حساب التباين الاحتمالي باستخدام جداول مايكروسوفت إكسيل (Excel)

توفر برمجية مايكروسوفت إكسيل بيئة مرنة وحسابية قوية لبناء نماذج التوزيعات الاحتمالية وحساب تباينها بدقة عبر الصيغ المباشرة أو الدوال المدمجة المتقدمة. لبناء جدول توزيع احتمالي منفصل، يتم تخصيص النطاق (A2:A6) لقيم المتغير العشوائي $x_i$ والنطاق (B2:B6) للاحتمالات $P(x_i)$.

لحساب القيمة المتوقعة $\mu = E(X)$ بكفاءة فائقة بضغطة واحدة، تُستخدم دالة حاصل الضرب التجميعي:

=SUMPRODUCT(A2:A6, B2:B6)

لحساب القيمة المتوقعة للمربعات $E(X^2)$، يمكن دمج دالة القوة مع دالة الضرب التجميعي في صيغة المصفوفات التالية:

=SUMPRODUCT(A2:A6^2, B2:B6)

وبناءً عليه، يمكن كتابة صيغة موحدة وحساب التباين مباشرة في خلية واحدة بتطبيق الصيغة المختصرة $E(X^2) – [E(X)]^2$ كالتالي:

=SUMPRODUCT(A2:A6^2, B2:B6) - (SUMPRODUCT(A2:A6, B2:B6))^2

كما تتيح البرمجية دوالاً متخصصة لتوليد التوزيعات الجاهزة مثل BINOM.DIST لحساب احتمالات ذات الحدين و POISSON.DIST لتوزيع بواسون و NORM.DIST للتوزيع الطبيعي، مما يمكن المستخدم من اشتقاق ومقارنة التباين النظري بالتباين التجريبي للنماذج الصناعية والمالية بسهولة تامة.

12.2 الحساب البرمجي باستخدام لغة بايثون (Python)

تُعد لغة بايثون (Python) الأداة القياسية الأولى عالمياً في علوم البيانات والإحصاء الرياضي الحديث، وتوفر مكتباتها المتخصصة قدرات حسابية فائقة لمعالجة تباين التوزيعات المنفصلة والمستمرة.

لحساب تباين توزيع احتمالي منفصل باستخدام مكتبة NumPy الرياضية عبر العمليات المصفوفية المتجهة السريعة:

import numpy as np
# تعريف قيم المتغير العشوائي واحتمالاتها المقابلة
x = np.array([0, 1, 2, 3, 4])
p = np.array([0.15, 0.35, 0.30, 0.15, 0.05])
# التحقق من صحة التوزيع (مجموع الاحتمالات = 1)
assert np.isclose(np.sum(p), 1.0), "مجموع الاحتمالات يجب أن يساوي 1"
# حساب المتوسط (القيمة المتوقعة)
mu = np.sum(x * p)
# حساب التباين بالصيغة التعريفية
variance_def = np.sum(((x - mu) ** 2) * p)
# حساب التباين بالصيغة المختصرة
variance_alt = np.sum((x ** 2) * p) - (mu ** 2)
print(f"المتوسط الحسابي: {mu:.4f}")
print(f"التباين الإحصائي: {variance_alt:.4f}")

أما للتعامل مع التوزيعات الاحتمالية المستمرة أو المعقدة الجاهزة، توفر حزمة SciPy وحدة scipy.stats المتقدمة لحساب التباين تحليلياً وعدياً بمرونة مطلقة:

from scipy import stats
import scipy.integrate as integrate
# حساب تباين توزيع ذات الحدين مباشرة (n=10, p=0.4)
var_binom = stats.binom.var(n=10, p=0.4)
# حساب تباين توزيع بواسون (mu=5)
var_poisson = stats.poisson.var(mu=5)
# حساب التباين لتوزيع مستمر مخصص عبر التكامل العددي
# دالة الكثافة: f(x) = 2x على الفترة [0, 1]
f = lambda x: 2 * x
mean, _ = integrate.quad(lambda x: x * f(x), 0, 1)
e_x2, _ = integrate.quad(lambda x: (x**2) * f(x), 0, 1)
var_custom = e_x2 - (mean ** 2)
print(f"تباين توزيع ذات الحدين: {var_binom}")
print(f"تباين التوزيع المستمر المخصص: {var_custom:.4f}")

12.3 الحساب الإحصائي باستخدام لغة آر (R)

صُممت بيئة البرمجة الإحصائية آر (R) خصيصاً لتلبية متطلبات الإحصائيين والباحثين الأكاديميين، وتمتلك تركيباً لغوياً انسيابياً لإجراء الحسابات الاحتمالية وبناء الرسوم البيانية الاستكشافية.

يمكن حساب التباين لتوزيع احتمالي في لغة R بدقة متناهية من خلال المتجهات والعمليات الموجهة كالتالي:

# تعريف المتغير العشوائي والاحتمالات
x <- c(0, 1, 2, 3, 4)
p <- c(0.15, 0.35, 0.30, 0.15, 0.05)
# حساب القيمة المتوقعة (المتوسط)
mu <- sum(x * p)
# حساب التباين بالصيغة المختصرة
variance <- sum(x^2 * p) - mu^2
# حساب الانحراف المعياري
std_dev <- sqrt(variance)
cat(sprintf("القيمة المتوقعة: %.4fn", mu))
cat(sprintf("التباين الاحتمالي: %.4fn", variance))
cat(sprintf("الانحراف المعياري: %.4fn", std_dev))

علاوة على ذلك، تتيح حزم العرض الرسومي المتقدمة مثل ggplot2 في R تمثيل التوزيعات الاحتمالية بصرياً وتظليل مناطق الانحرافات المعيارية والتباين حول المتوسط، مما يمنح المحلل فهماً عميقاً ومجسماً لهيكل التشتت الاحتمالي ويسهل إدراج هذه المخرجات في الأوراق البحثية والتقارير التنفيذية رفيعة المستوى.

خاتمة

يُمثل تباين التوزيع الاحتمالي أحد أرسخ وأعمق المفاهيم الإحصائية التي تجسر الفجوة بين الرياضيات البحتة والواقع التطبيقي الحافل بعدم اليقين؛ إذ لا يقتصر دوره على كونه مجرد معادلة جبرية لحساب مربعات الانحرافات، بل يشكل معياراً شاملاً لتكميم المخاطر، وفهم درجة استقرار الظواهر الطبيعية والتكنولوجية والاقتصادية، وبناء التنبؤات الاستدلالية الدقيقة.

لقد استعرضنا خلال هذا المقال الشامل البنية النظرية للتباين في التوزيعات الاحتمالية المنفصلة والمستمرة، واشتقاق الصيغ الرياضية التعريفية والبديلة، وتتبعنا الخطوات المنهجية للحساب خطوة بخطوة مع تعزيزها بأمثلة تطبيقية وحالات واقعية متنوعة. كما أبرزنا الخصائص الجبرية الفائقة للتباين، ودوره في متباينة تشيبيشيف، وعلاقته بمقاييس التشتت الأخرى، فضلاً عن الصيغ المغلقة لأشهر التوزيعات القياسية، وكيفية تجنب الأخطاء الشائعة واستخدام الأدوات البرمجية المعاصرة في بايثون وإكسيل وآر لإجراء تلك العمليات بكفاءة تامة.

إن الإلمام الراسخ بطرق حساب وتفسير التباين الإحصائي يظل متطلباً أساسياً لا غنى عنه لكل باحث ومهندس ومحلل بيانات وخبير مالي يسعى لبناء نماذج رياضية محكمة وقرارات علمية قائمة على أسس متينة من الثقة والموثوقية.

المراجع (References)

اقتباس هذا المقال

looti, M. (2026, أغسطس 30). كيفية حساب تباين التوزيع الاحتمالي. عرب سايكلوجي. https://arabpsychology.com/statistics/how-to-calculate-variance-of-probability-distribution/
looti, Mohammed. “كيفية حساب تباين التوزيع الاحتمالي.” عرب سايكلوجي, 30 أغسطس 2026, https://arabpsychology.com/statistics/how-to-calculate-variance-of-probability-distribution/.
looti, Mohammed. “كيفية حساب تباين التوزيع الاحتمالي.” عرب سايكلوجي. أغسطس 30, 2026. https://arabpsychology.com/statistics/how-to-calculate-variance-of-probability-distribution/.