كيفية استخدام التوزيع ذي الحدين في جداول بيانات جوجل

تُعد النمذجة الاحتمالية حجر الزاوية في الاستدلال الإحصائي الحديث، حيث تتيح للباحثين والمحللين تحويل الظواهر العشوائية والملاحظات التجريبية إلى نماذج رياضية قابلة للتفسير والتنبؤ. ومن بين التوزيعات الاحتمالية المتقطعة، يبرز التوزيع ذو الحدين (Binomial Distribution) بوصفه أحد أكثر النماذج استخداماً وأهمية في مختلف العلوم، بدءاً من القياس النفسي والتربوي، مروراً بالعلوم الطبية والحيوية، وصولاً إلى بحوث العمليات واختبار الفرضيات الإحصائية في بيئات الأعمال.

مع التطور المتسارع للحوسبة السحابية وأدوات تحليل البيانات، أصبحت منصة جداول بيانات جوجل (Google Sheets) منصة رائدة تتيح للباحثين والممارسين تنفيذ التحليلات الإحصائية المتقدمة بدقة متناهية دون الحاجة إلى برمجيات متخصصة معقدة ومكلفة. توفر المنصة حزمة متكاملة من الدوال الرياضية والإحصائية المدمجة التي تُمكّن المستخدم من حساب الاحتمالات المنفصلة والتراكمية، وبناء جداول التوزيع الكاملة، واستخراج المقاييس الوصفية، والتمثيل البياني التفاعلي بكفاءة وسلاسة فائقة.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تأصيل نظري وتطبيقي عميق لكيفية استخدام التوزيع ذي الحدين في جداول بيانات جوجل. سنستعرض في هذا المقال الأسس الرياضية المنظمة لهذا التوزيع، والتركيب الدقيق للدوال الإحصائية المخصصة له، والخطوات الإجرائية خطوة بخطوة لحل مختلف المسائل الاحتمالية المعقدة، إضافة إلى معالجة استراتيجيات التحقق وضبط الجودة والتقريب الطبيعي، مما يجعله مرجعاً أكاديمياً وعملياً شاملاً لكل باحث وإحصائي ومحلل بيانات.

1. مقدمة تأصيلية: مفهوم التوزيع ذي الحدين وتطبيقاته الإحصائية

1.1 التعريف الرياضي وشروط تجربة برنولي

ينبثق التوزيع ذو الحدين من التكرار المستقل لتجربة عشوائية أولية تُعرف في الأدبيات الإحصائية باسم تجربة برنولي (Bernoulli Trial). تتميز تجربة برنولي بكونها تجربة احتمالية تحتمل نتيجتين متنافيتين وشاملتين فقط: إحداهما نُطلق عليها اصطلاحاً “النجاح” (Success) وتُعطى القيمة الرقمية 1، والأخرى نُطلق عليها “الفشل” (Failure) وتُعطى القيمة الرقمية 0. لا يحمل مسمى النجاح هنا بالضرورة دلالة إيجابية قيمية، بل يعبر ببساطة عن تحقق الخاصية أو الحدث محل الدراسة والرصد.

لكي تخضع ظاهرة معينة للتوزيع ذي الحدين، يجب استيفاء أربعة شروط بنيوية حاسمة ومترابطة: أولاً، ثبات عدد المحاولات الإجمالي ($n$)، بحيث يُحدد مسبقاً قبل بدء جمع الملاحظات. ثانياً، استقلال المحاولات (Independence of Trials)، مما يعني أن نتيجة أي محاولة محددة لا تؤثر ولا تتأثر بنتائج المحاولات السابقة أو اللاحقة. ثالثاً، ثبات احتمالية النجاح ($p$) عبر جميع المحاولات المستقلة، بحيث يظل احتمال الفشل ($q = 1 – p$) ثابتاً كذلك. رابعاً، أن يكون المتغير العشوائي ($X$) متغيراً منفصلاً يمثل العدد الكلي للنجاحات المحققة في تلك المحاولات، حيث تأخذ قيمه أعداداً صحيحة تقع في النطاق المغلق: $X in {0, 1, 2, dots, n}$.

تُحسب دالة الكتلة الاحتمالية (Probability Mass Function – PMF) للتوزيع ذي الحدين، والتي تعبر عن احتمال الحصول على عدد محدد من النجاحات ($k$) بدقة، باستخدام الصيغة الرياضية التالية القائمة على التوافيق الرياضية (Combinations):

$$P(X = k) = \binom{n}{k} p^k (1-p)^{n-k} = \frac{n!}{k!(n-k)!} p^k q^{n-k}$$

حيث يمثل الرمز $\binom{n}{k}$ المعامل الثنائي (Binomial Coefficient) الذي يحسب عدد الطرق والتباديل غير المرتبة لاختيار $k$ من النجاحات من بين إجمالي $n$ من المحاولات، بينما يمثل $n!$ دالة المضروب الرياضي (Factorial).

1.2 الخصائص والمعلمات الإحصائية الأساسية

يتحدد التوزيع ذو الحدين تماماً من خلال معلمتين إحصائيتين أساسيتين (Parameters): معلمة الحجم أو عدد المحاولات المستقلة وتُرمز بالرمز ($n$)، ومعلمة الاحتمال وهي احتمالية حدوث النجاح في المحاولة الفردية الواحدة وتُرمز بالرمز ($p$). يُرمز للمتغير العشوائي الذي يتبع هذا التوزيع اصطلاحاً بالصيغة: $X sim B(n, p)$. ومن خلال هاتين المعلمتين، يمكن اشتقاق كافة الخصائص الإحصائية والمقاييس الوصفية للمجتمع النظري بدقة متناهية.

تُعبر القيمة المتوقعة (Expected Value) أو المتوسط الحسابي النظري ($\mu$) للمتغير العشوائي عن مركز ثقل التوزيع الاحتمالي، وتُعطى بالمعادلة الخطية المباشرة: $E(X) = \mu = n \cdot p$. يمثل هذا المتوسط العدد النموذجي لحالات النجاح التي يُتوقع رصدها على المدى الطويل إذا تكررت التجربة تحت نفس الظروف التجريبية عدداً كبيراً جداً من المرات.

أما مقاييس التشتت، فتتحدد من خلال التباين الرياضي (Variance) والانحراف المعياري (Standard Deviation). يُحسب التباين، الذي يقيس متوسط مربعات انحرافات القيم عن القيمة المتوقعة، بالصيغة: $\sigma^2 = \text{Var}(X) = n \cdot p \cdot (1 – p) = n \cdot p \cdot q$. ويُشتق منه الانحراف المعياري كجذر تربيعي موجب للتباين: $\sigma = \sqrt{n \cdot p \cdot (1 – p)}$. يوضح هذا المقياس مدى انتشار وتشتت عدد النجاحات الممكنة حول المتوسط الحسابي للتوزيع.

1.3 أهمية التوزيع ذي الحدين في النمذجة والقياس النفسي والتربوي

يلعب التوزيع ذو الحدين دوراً محورياً في حقل القياس النفسي (Psychometrics) والتقويم التربوي. أحد أبرز تطبيقاته يتمثل في تحليل بنية الاختبارات الموضوعية، وتحديداً أسئلة الاختيار من متعدد وأسئلة الصواب والخطأ. عند تصميم اختبار تحصيلي، يحتاج مقوم الاختبار إلى تحديد احتمالية اجتياز المفحوص للاختبار أو حصوله على درجة معينة بالاعتماد على التخمين العشوائي البحت (Guessing Parameter)، مما يُمكّن الباحث من بناء درجات قطع (Cut-off Scores) ومعايير قبول موضوعية تفصل بين الكفاءة الحقيقية والحظ الاحتمالي.

يمتد التطبيق ليشمل الاستبيانات السلوكية ومقاييس الشخصية ذات الاستجابة ثنائية القطب (Dichotomous Items)، مثل بنود نعم/لا أو موافق/غير موافق. يُتيح التوزيع ذو الحدين للباحثين النفسيين نمذجة تواتر السلوكيات المستهدفة، وحساب احتمالية تسجيل المستجيب لعدد متطرف من الأعراض النفسية أو السمات السلوكية، ومقارنة التوزيع الفعلي للمفحوصين بالتوزيع النظري المتوقع في المجتمع العام لاكتشاف الحالات الحدية أو المرضية.

علاوة على ذلك، يُستخدم التوزيع في المعايرة الإحصائية للاختبارات النفسية التكيفية المحوسبة (Computerized Adaptive Testing). من خلال دمج التوزيع ذي الحدين مع نماذج نظرية الاستجابة للمفردة (Item Response Theory)، يستطيع النظام تقدير قدرة المفحوص اللاتية ($\theta$) عبر تحديث احتمالات الإجابة الصحيحة بعد كل مفردة، مما يحقق كفاءة قياسية غير مسبوقة وتقليلاً ملحوظاً في الخطأ المعياري للقياس.

2. بنية وصيغة دالة التوزيع ذي الحدين (BINOMDIST) في جداول بيانات جوجل

2.1 المكونات التفصيلية لمدخلات الدالة BINOMDIST

تُعد دالة BINOMDIST الأداة الكلاسيكية والأساسية في جداول بيانات جوجل لحساب احتمالات التوزيع ذي الحدين. تتطلب هذه الدالة أربعة مدخلات (معاملات) متتابعة ومحددة بدقة لتنفيذ العمليات الحسابية بصورة صحيحة، وتُكتب بنيتها النحوية وفق الصيغة التالية:

=BINOMDIST(num_successes, num_trials, prob_success, cumulative)

يتضمن كل معامل من هذه المعاملات الأربعة وظيفة إحصائية محددة لا غنى عنها:

• num_successes ($k$): عدد النجاحات المستهدفة التي يرغب الباحث في حساب احتمال وقوعها. يجب أن يكون عدداً صحيحاً موجباً ($k ge 0$) ولا يمكن أن يتجاوز العدد الكلي للمحاولات ($k le n$).
• num_trials ($n$): إجمالي عدد المحاولات المستقلة للتجربة. يُشترط أن يكون عدداً صحيحاً موجباً ($n ge 1$).
• prob_success ($p$): احتمالية حدوث النجاح في المحاولة الفردية الواحدة. يجب أن تكون قيمة عددية حقيقية محصورة بدقة داخل الفترة المغلقة $[0, 1]$.
• cumulative: معامل منطقي (Boolean) يأخذ إحدى القيمتين: TRUE للحساب التراكمي، أو FALSE للحساب النقطي الدقيق.

2.2 الفروق الجوهرية بين الحساب التراكمي (TRUE) وغير التراكمي (FALSE)

يُمثل المعامل المنطقي الأخير (cumulative) المفتاح الإجرائي الذي يُغير تماماً النموذج الحسابي المستخدم في جداول بيانات جوجل. يؤدي الاختيار الخاطئ لهذا المعامل إلى خطأ منهجي فادح في النتائج المستخرجة، مما يستوجب فهماً دقيقاً للفرق الرياضي بين الخيارين:

عند تعيين المعامل على FALSE، تُصدر الدالة قيمة دالة الكتلة الاحتمالية (PMF)، والتي تُعبر عن الاحتمال الدقيق المنفصل للحصول على $k$ من النجاحات بالضبط: $P(X = k)$. هذا الخيار يُستخدم عندما يكون السؤال الإحصائي مصاغاً بعبارات محددة بدقة مثل: “ما احتمال الحصول على 5 إجابات صحيحة بالضبط؟”.

في المقابل، عند تعيين المعامل على TRUE، تُصدر الدالة قيمة دالة التوزيع التراكمي (Cumulative Distribution Function – CDF). تقوم هذه الدالة بتجميع وحساب مجموع كافة الاحتمالات المنفصلة بدءاً من الصفر وحتى النقطة المستهدفة $k$، أي: $P(X le k) = \sum_{i=0}^{k} P(X = i)$. يُستخدم هذا الخيار عندما يكون السؤال الإحصائي يدور حول: “ما احتمال ألا يتجاوز عدد النجاحات 5؟” أو “ما احتمال الحصول على 5 نجاحات على الأكثر؟”.

2.3 الدوال البديلة والحديثة في جداول بيانات جوجل

حرصاً على التوافق مع المعايير الحديثة للمنظمة الدولية للمعايير (ISO/IEC 29500) وحزم البرمجيات المتقدمة، تدعم جداول بيانات جوجل مجموعة من الدوال الإحصائية الحديثة الموازية والبديلة لدالة BINOMDIST التقليدية:

أولاً، دالة BINOM.DIST: وهي البديل القياسي الحديث والمكافئ التام لدالة BINOMDIST، وتأخذ ذات المعاملات والترتيب: =BINOM.DIST(num_successes, num_trials, prob_success, cumulative). يُوصى دائماً باستخدام هذه الصيغة في المشاريع البحثية الحديثة لضمان التوافق المستقبلي والأداء الحسابي الأمثل.

ثانياً، دالة BINOM.DIST.RANGE: وهي دالة متخصصة استثنائية لحساب الاحتمالات المحصورة داخل نطاق بيني دون الحاجة إلى إجراء عمليات طرح يدوية للدوال التراكمية. تُكتب صيغتها كالتالي: =BINOM.DIST.RANGE(num_trials, prob_success, num_successes, [num_successes2]). يمثل المعامل الأخير حداً اختيارياً يحدد نهاية النطاق.

ثالثاً، دالة CRITBINOM أو BINOM.INV: وتُعرف بالدالة المعكوسة للتوزيع التراكمي ذي الحدين. تُرجع هذه الدالة أصغر قيمة للعدد $k$ يكون عندها التوزيع التراكمي أكبر من أو مساوياً لاحتمال معياري مُعطى ($\alpha$)، وتُصاغ كالتالي: =BINOM.INV(num_trials, prob_success, target_probability). تُعد هذه الدالة بالغة الأهمية في بناء فترات الثقة وتحديد المناطق الحرجة لاختبار الفرضيات.

3. إعداد بيئة العمل وجداول البيانات لإجراء الحسابات الاحتمالية

3.1 تصميم الهيكل الجدولي للمدخلات والمخرجات الإحصائية

يتطلب التحليل الإحصائي المنهجي بناء وتصميم بيئة عمل منظمة في جداول بيانات جوجل تضمن الفصل الواضح بين المعلمات الثابتة (Parameters)، والبيانات المتغيرة (Variables)، والنتائج الحسابية المشتقة. يُسهم هذا التنظيم في تقليل الأخطاء البشرية وتسهيل المراجعة الأكاديمية.

يُفضل تخصيص الجزء العلوي من ورقة العمل (مثلاً الخلايا A1:B4) لتوثيق معلمات التجربة العامة، مثل حجم العينة الإجمالي ($n$) في الخلية B1، واحتمال النجاح الفردي ($p$) في الخلية B2، واحتمال الفشل المشتق ($q = 1 – p$) في الخلية B3 باستخدام المعادلة =1-B2. يتيح ذلك تحديث النموذج بالكامل بمجرد تعديل قيمتين مركزيتين فقط.

يتبع ذلك إنشاء جدول البيانات الرئيسي أدناه، مع تخصيص أعمدة واضحة وموسومة بالرموز الرياضية اللاتينية المقبولة أكاديمياً: العمود (A) لمتغير النجاح $k$، والعمود (B) للاحتمال المنفصل $P(X=k)$، والعمود (C) للاحتمال التراكمي $P(X le k)$، والعمود (D) للاحتمال المتمم $P(X ge k)$. يُوصى بتطبيق التنسيق الشرطي (Conditional Formatting) لتلوين الخلايا التي تتجاوز فيها الاحتمالات عتبات الدلالة الإحصائية (مثل $p < 0.05$).

3.2 التحقق من صحة البيانات وتقييد المدخلات

لتجنب انهيار النماذج الحسابية وظهور أخطاء برمجية غير متوقعة، يُنصح بتطبيق ميزة التحقق من صحة البيانات (Data Validation) على كافة خلايا الإدخال المركزية:

بالنسبة لخلية احتمال النجاح ($p$)، يتم ضبط قاعدة التحقق لتقبل فقط الأرقام العشرية الواقعة بين 0 و 1 (Custom formula or Number between 0 and 1). أي إدخال لقيم سالبة أو أرقام تتجاوز 1 سيؤدي تلقائياً إلى رفض الإدخال مع إظهار رسالة تحذيرية توضيحية للمستخدم.

بالنسبة لخلية عدد المحاولات ($n$) وقيم النجاح ($k$)، يتم إلزام المستخدم بإدخال أعداد صحيحة موجبة (Whole Number $ge 0$). علاوة على ذلك، يتم وضع شرط منطقي مخصص لخلية $k$ يضمن عدم تجاوزها لقيمة $n$ باستخدام صيغة التحقق: =AND(ISNUMBER(A6), A6>=0, A6<=$B$1, INT(A6)=A6). تحمي هذه التدابير النموذج من الحسابات غير المعرفة رياضياً.

3.3 استخدام المراجع المطلقة ($) لربط المعادلات

عند بناء الجداول الاحتمالية الممتدة التي تحتوي على عشرات أو مئات الصفوف، تبرز ضرورة استخدام المراجع المطلقة (Absolute References) المرموز لها بعلامة الدولار ($) عند كتابة الصيغ الحسابية. يضمن ذلك تثبيت الإشارة إلى خلايا المعلمات الثابتة أثناء سحب المقبض والملء التلقائي للخلايا عمودياً.

على سبيل المثال، عند كتابة معادلة الاحتمال المنفصل في الصف السادس للخلية B6، يجب صياغتها كالتالي: =BINOM.DIST(A6, $B$1, $B$2, FALSE). هنا نلاحظ أن الخلية A6 تُركت مرجعاً نسبياً (Relative Reference) لتتغير تلقائياً إلى A7 و A8 مع التمرير لأسفل لتمثل قيم $k$ المتزايدة، بينما تم تثبيت معلمات الحجم والاحتمال $B$1 و $B$2 بشكل مطلق.

يمنع هذا الاستخدام المنضبط للمراجع انزلاق المعادلات إلى خلايا فارغة، ويسمح ببناء نماذج إحصائية ديناميكية مرنة للغاية تتكيف ذاتياً مع أي تغيير يطرأ على فرضيات التجربة الأساسية دون الحاجة إلى إعادة كتابة الدوال يدوياً في كل صف.

4. حساب الاحتمال الدقيق لعدد محدد من النجاحات: P(X = k)

4.1 الصياغة الرياضية والتطبيق المباشر عبر BINOMDIST

يُمثل حساب الاحتمال المنفصل الدقيق النواة الأساسية لتحليل التوزيع ذي الحدين. عند الرغبة في معرفة احتمالية الحصول على عدد معين بدقة من النجاحات، تُترجم الصيغة الرياضية $P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}$ مباشرة في جداول بيانات جوجل إلى الصيغة الحسابية التالية:

=BINOM.DIST(k, n, p, FALSE)

تعمل الخوارزمية الداخلية للبرنامج على حساب المعامل التوافيقي من خلال دوال المضروب، ورفع احتمالية النجاح للقوة $k$، ورفع احتمالية الفشل للقوة $n-k$، ثم ضرب النتائج معاً بدقة فاصلة عائمة مزدوجة (Double-precision floating-point). يُلغي هذا الحساب الآلي أي أخطاء تدوير قد تنجم عن العمليات اليدوية المعقدة خاصة عند التعامل مع قيم كبيرة للمتغيرات.

يمكن التحقق من مطابقة دالة BINOM.DIST للحساب اليدوي الكلاسيكي بكتابة صيغة التوافيق اليدوية المباشرة في جوجل شيتس: =COMBIN(n, k) * (p^k) * ((1-p)^(n-k)). تعطي كلتا الدالتين ناتجاً متطابقاً تماماً، إلا أن استخدام الدالة الإحصائية المدمجة BINOM.DIST يُعد أكثر كفاءة حسابية ويمنع مشاكل الطفح الحسابي التي قد تنشأ عن دالة COMBIN في الأعداد الضخمة.

4.2 دراسة حالة تطبيقية: احتمالية الإجابة الصحيحة بالصدفة

لتوضيح التطبيق العملي، نفترض المسألة التربوية التالية: خضع طالب لاختبار موضوعي يتألف من 10 أسئلة مستقلة ($n = 10$). كل سؤال يحتوي على أربعة بدائل متكافئة، وتوجد إجابة صحيحة واحدة فقط لكل سؤال، مما يعني أن احتمال الإجابة الصحيحة بالتخمين العشوائي البحت هو $p = 1/4 = 0.25$. قرر الطالب تخمين جميع الإجابات عشوائياً دون قراءة الأسئلة. ما احتمال أن يحصل الطالب على 4 إجابات صحيحة بالضبط ($k = 4$)؟

لتنفيذ هذا الحساب في جداول بيانات جوجل، نُدخل المعطيات في الخلايا: نضع 10 في B1، و 0.25 في B2، و 4 في A6. في الخلية المجاورة B6، نكتب المعادلة التالية:

=BINOM.DIST(A6, $B$1, $B$2, FALSE) أو بشكل مباشر: =BINOM.DIST(4, 10, 0.25, FALSE)

عند تنفيذ الدالة، تُرجع جداول بيانات جوجل القيمة العشرية 0.145998 تقريباً (أو 14.60%). يُظهر هذا الناتج الدقيق احتمالية تحقق هذه النتيجة بالصدفة المحضة، ويوضح كيفية توظيف الدالة لحساب نقاط احتمالية محددة بدقة وسرعة فائقة.

4.3 التفسير الإحصائي والأكاديمي للنتائج المنفصلة

عند استخراج قيمة الاحتمال المنفصل، يجب على الباحث تحويل النتيجة الرقمية المجردة إلى سياق تفسيري ذي دلالة علمية. تُشير النتيجة المستخرجة في المثال السابق ($P(X = 4) \approx 14.60%$) إلى أنه في حال تكرار هذا الاختبار 10,000 مرة تحت ظروف التخمين العشوائي ذاتها، فإننا نتوقع أن يحصل الطالب على 4 إجابات صحيحة في 1,460 اختباراً تقريباً.

في الكتابة الأكاديمية والتقارير المحكمة وفق دليل النشر لجمعية علم النفس الأمريكية (APA Style)، لا يُكتفى بسرد الرقم فحسب، بل يُصاغ التقرير الإحصائي بوضوح منهجي كالتالي:

“أظهرت نتائج نمذجة التوزيع ذي الحدين ($n = 10, p = 0.25$) أن احتمالية الحصول على أربع درجات صحيحة بدقة عن طريق التخمين العشوائي بلغت $P(X = 4) = .146$. وتُشير هذه النتيجة إلى أن هذا الأداء، على الرغم من تدنيه، يمتلك وزناً احتمالياً معتبراً لا يمكن إهماله عند بناء معايير تصحيح أثر التخمين في الاختبارات التحصيلية.”

5. حساب الاحتمال التراكمي لأقل من أو يساوي عدداً معيناً: P(X ≤ k)

5.1 مفهوم دالة التوزيع التراكمي (CDF) وتطبيقاتها

في معظم التطبيقات البحثية والواقعية، نادراً ما يهتم الباحث بالاحتمال النقطي الدقيق لدرجة محددة؛ بل يكون التركيز الأساسي منصباً على احتمالية الوصول إلى عتبة معينة أو عدم تجاوزها. هنا تبرز دالة التوزيع التراكمي (CDF)، والتي تمثل المجموع التراكمي للاحتمالات المنفصلة لجميع قيم المتغير العشوائي من الحد الأدنى الممكن (وهو الصفر في التوزيع ذي الحدين) وحتى القيمة المستهدفة $k$:

$$F(k) = P(X le k) = \sum_{i=0}^{k} \binom{n}{i} p^i (1-p)^{n-i}$$

يتم استدعاء هذا الحساب في جداول بيانات جوجل بتغيير المعامل المنطقي الأخير للدالة ليصبح TRUE وفق الصيغة:

=BINOM.DIST(k, n, p, TRUE)

تُستخدم هذه الدالة التراكمية في حساب الرتب المئينية، وتقييم جودة الإنتاج في مراقبة الجودة الصناعية (احتمال وجود $k$ أو أقل من القطع المعيبة في دفعة معينة)، وقياس مستويات العجز أو الأداء دون المتوسط في المقاييس النفسية المقننة.

5.2 التفريق الدقيق بين حالتي ‘أقل من أو يساوي’ و’أقل تماماً’

نظراً لأن التوزيع ذو الحدين هو توزيع احتمالي منفصل (Discrete Distribution) وليس متصلاً، فإن التعامل مع إشارات التباين والمتباينات الرياضية يتطلب دقة بالغة وتفريقاً صارماً بين الاحتواء الصارم والاستبعاد لنقاط الأطراف:

1. احتمال “أقل من أو يساوي” أو “على الأكثر” ($P(X le k)$): يتضمن هذا الحساب القيمة $k$ نفسها ضمن المجموع الاحتمالي. وتُكتب معادلته المباشرة في جوجل شيتس كالتالي:

=BINOM.DIST(k, n, p, TRUE)

2. احتمال “أقل تماماً من” أو “أقل من” ($P(X < k)$): في هذه الحالة، يجب استبعاد القيمة $k$ تماماً من الحساب، بحيث يقتصر التراكم على القيم من 0 وحتى $k – 1$. ونظراً لأن المتغير لا يأخذ إلا أعداداً صحيحة، فإن $P(X < k) \equiv P(X le k – 1)$. وتُكتب معادلته في جداول جوجل كالتالي:

=BINOM.DIST(k - 1, n, p, TRUE)

يُعد الخلط بين هاتين الصيغتين من أشهر الأخطاء الشائعة في التحليل الإحصائي، ويؤدي إلى تشويه النتائج بمقدار الاحتمال المنفصل $P(X = k)$، وهو ما قد يُغير القرارات الإحصائية في اختبارات الفرضيات.

5.3 مثال عملي في دراسة سلوكية تجريبية

نفترض تجربة في علم النفس التجريبي تستهدف فحص الإدراك الحسي الخارق أو التخاطر (Telepathy). طُلب من مفحوص تحديد بطاقة من بين خيارين متكافئين في 15 محاولة مستقلة ($n = 15$). بموجب الفرضية الصفرية القائمة على الصدفة التامة، فإن احتمال الاختيار الصحيح في كل محاولة هو $p = 0.5$. أظهر المفحوص استجابة متدنية وحقق 6 استجابات صحيحة فقط. يرغب الباحث في حساب احتمالية أن يحقق أي شخص بالصدفة 6 نجاحات أو أقل ($P(X le 6)$) لتقييم ما إذا كان هذا الأداء المتدني يدخل ضمن حدود التباين العشوائي المقبول.

في جداول بيانات جوجل، تُكتب الصيغة كالتالي:

=BINOM.DIST(6, 15, 0.5, TRUE)

تُظهر النتيجة الحسابية القيمة 0.3036 تقريباً (أي 30.36%). يُحلل هذا الناتج إحصائياً بأن هناك احتمالاً يتجاوز 30% للحصول على 6 استجابات صحيحة أو أقل لمجرد التباين العشوائي الطبيعي. وبالتالي، لا يمكن اعتبار أداء المفحوص عجزاً حسياً ذا دلالة إحصائية عند مستوى الدلالة المعتاد $\alpha = 0.05$، حيث يقع هذا الأداء تماماً ضمن نطاق التقلبات العشوائية المتوقعة للتوزيع ذي الحدين.

6. حساب الاحتمال التراكمي لأكبر من أو يساوي عدداً معيناً: P(X ≥ k)

6.1 تطبيق قاعدة الاحتمال المتمم (Complement Rule)

تنص البديهية الأساسية في نظرية الاحتمالات على أن المجموع الكلي لاحتمالات جميع الأحداث الممكنة في فضاء العينة يساوي تماماً الواحد الصحيح (1.0). وبناءً على قاعدة الحدث المتمم (Complement Rule)، فإن احتمال وقوع حدث معين يساوي 1 ناقص احتمال عدم وقوعه.

عند الرغبة في حساب احتمال الحصول على عدد من النجاحات “أكبر من أو يساوي” عتبة معينة $k$ ($P(X ge k)$)، نجد أن الحدث المتمم له تماماً في فضاء التوزيع المنفصل هو الحصول على عدد نجاحات “أقل تماماً من” $k$، أي ($P(X le k – 1)$). وبناءً على ذلك، تتشكل المعادلة الرياضية التأسيسية كالتالي:

$$P(X ge k) = 1 – P(X < k) = 1 – P(X le k – 1) = 1 – \sum_{i=0}^{k-1} P(X = i)$$

يرتكب العديد من المحللين خطأً منهجياً بطرح $P(X le k)$ بدلاً من $P(X le k – 1)$، مما يؤدي إلى استبعاد النقطة $k$ بالكامل من حساب النجاح المطلوب وتشويه دقة الاختبار الإحصائي.

6.2 صياغة المعادلات في جداول بيانات جوجل للحالات المتقدمة

لتطبيق الحسابات العلوية المتممة بكفاءة وموثوقية في جداول بيانات جوجل، نعتمد الصيغ المعيارية التالية بناءً على طبيعة الشرط الرياضي المستهدف:

1. احتمال “أكبر من أو يساوي” أو “على الأقل” ($P(X ge k)$):

=1 - BINOM.DIST(k - 1, n, p, TRUE)

تضمن هذه الصيغة بقاء القيمة $k$ مدرجة بالكامل ضمن الاحتمال المطلوب، حيث يتم طرح الاحتمالات المتراكمة حتى $k-1$ فقط من الواحد الصحيح.

2. احتمال “أكبر تماماً من” أو “يتجاوز” ($P(X > k)$):

=1 - BINOM.DIST(k, n, p, TRUE)

تقوم هذه الصيغة بطرح كافة الاحتمالات التراكمية حتى النقطة $k$ المتضمنة، مما يترك فقط فضاء الاحتمال لما هو أعلى قطعاً من $k$.

يمكن التحقق من سلامة وصحة هذه المعادلات بمقارنة نتائجها مع الجمع اليدوي للاحتمالات المنفصلة للأطراف العلوية باستخدام دالة الجمع: =SUM(B15:B20) حيث تمثل هذه الخلايا الاحتمالات المنفصلة من $k$ إلى $n$. سيتطابق الناتجان تماماً وصولاً إلى أقصى دقة عشرية متاحة.

6.3 حالة تطبيقية: تجاوز عتبة التميز في المقاييس النفسية

في دراسة لتقنين مقيار تشخيصي لسمة القيادة يتألف من 10 بنود سلوكية ثنائية ($n = 10$). وُضعت معايير المقياس بحيث تكون احتمالية أن يوافق الفرد العادي على البند الواحد بالصدفة أو كاستجابة نمطية هي $p = 0.3$. افترض المشرفون على المقياس أن الفرد يُصنف كـ “قائد متميز” إذا استطاع تحقيق درجة 8 أو أكثر في المقياس ($k ge 8$). يرغب الفريق البحثي في تقييم مدى مصداقية هذه العتبة وحساب احتمالية تصنيف فرد كقائد متميز بمحض الصدفة البحتة ($P(X ge 8)$).

لتنفيذ الحساب في جداول بيانات جوجل، نكتب المعادلة:

=1 - BINOM.DIST(8 - 1, 10, 0.3, TRUE) وتكافئ: =1 - BINOM.DIST(7, 10, 0.3, TRUE)

تُعطي هذه الصيغة النتيجة 0.00159 (أي ما نسبته 0.16% فقط أو حوالي 1.6 في الألف). تؤكد هذه النتيجة الإحصائية الصارمة أن درجة القطع المحددة (8 بنود) تتمتع بقوة تشخيصية ونوعية (Specificity) عالية جداً، حيث يستحيل عملياً اجتياز هذه العتبة بالصدفة دون امتلاك المفحوص الفعلي لسمات التميز المستهدفة، مما يمنح أداة القياس موثوقية عالية في اتخاذ القرارات الانتقائية والتشخيصية.

7. حساب احتمالية وقوع عدد النجاحات ضمن نطاق محدد: P(a ≤ X ≤ b)

7.1 استخدام الفرق التراكمي بين حدين (طرح دالتي CDF)

في العديد من التحليلات الإحصائية، يحتاج الباحث إلى معرفة احتمالية استقرار عدد النجاحات داخل فترة مغلقة ومحددة بين حد أدنى ($a$) وحد أقصى ($b$)، وهو ما يُعبر عنه رياضياً بالصيغة: $P(a le X le b)$. لحساب هذا الاحتمال باستخدام دالة التوزيع التراكمي الكلاسيكية، نطبق مبدأ حصر الفترات بطرح التراكم الإجمالي حتى النقطة السابقة للحد الأدنى من التراكم الإجمالي للحد الأقصى:

$$P(a le X le b) = F(b) – F(a – 1) = P(X le b) – P(X le a – 1)$$

تُترجم هذه الصياغة الرياضية في جداول بيانات جوجل إلى المعادلة المركبة التالية:

=BINOM.DIST(b, n, p, TRUE) - BINOM.DIST(a - 1, n, p, TRUE)

يجب الانتباه بدقة للحالة الخاصة عندما يكون الحد الأدنى مساوياً للصفر ($a = 0$)؛ حيث تُختصر المعادلة تلقائياً إلى =BINOM.DIST(b, n, p, TRUE)، لأن التراكم الإحصائي لما دون الصفر في التوزيع ذي الحدين هو صفر مطلق، ومحاولة تمرير قيمة سالبة ($a – 1 = -1$) كمعامل لدالة BINOM.DIST سيؤدي إلى ظهور رسالة الخطأ الحسابي #NUM!.

7.2 استخدام الدالة المتخصصة BINOM.DIST.RANGE

لتجاوز التعقيد في كتابة الدوال المركبة وتقليل احتمالات الوقوع في أخطاء الأقواس والإشارات، وفرت جوجل في تحديثاتها الحديثة الدالة الإحصائية المباشرة BINOM.DIST.RANGE. تتيح هذه الدالة حساب الاحتمال المحصور بين قيمتين بأسلوب برمجي أنيق ومباشر دون الحاجة لكتابة عملية الطرح الصريحة.

تأخذ هذه الدالة بنيتها وفق المعايير التالية:

=BINOM.DIST.RANGE(num_trials, prob_success, num_successes, [num_successes2])

حيث يمثل num_trials حجم العينة ($n$)، و prob_success احتمالية النجاح ($p$)، و num_successes الحد الأدنى للنطاق ($a$)، والمعامل الاختياري الأخير num_successes2 يمثل الحد الأعلى للنطاق ($b$). وفي حال إغفال المعامل الأخير، تحسب الدالة تلقائياً الاحتمال المنفصل الدقيق للنقطة $a$ فقط.

تتميز دالة BINOM.DIST.RANGE بالبساطة والوضوح، مما يقلل بشكل ملموس من الأخطاء البرمجية أثناء إعداد لوحات البيانات والنماذج الإحصائية المعقدة.

7.3 تطبيق سيكومتري: فترات الأداء المتوسط للمفحوصين

لتطبيق ذلك عملياً، نفترض اختباراً لقياس المهارات اللغوية مكوناً من 12 فقرة متكافئة ($n = 12$)، باحتمالية نجاح افتراضية تبلغ $p = 0.4$ لكل فقرة. يُعرف المعيار السيكومتري الأداء “المتوسط أو الطبيعي” بأنه تحقيق درجة تقع في النطاق المحصور بين 4 و 7 نجاحات شاملة الحدود ($4 le X le 7$). المطلوب هو حساب احتمالية أن يستقر أداء المفحوص العشوائي داخل هذه الفئة المتوسطة.

باستخدام الدالة المتخصصة في جداول بيانات جوجل، نكتب الصيغة المباشرة التالية:

=BINOM.DIST.RANGE(12, 0.4, 4, 7)

أو باستخدام طريقة الطرح التراكمي المكافئة:

=BINOM.DIST(7, 12, 0.4, TRUE) - BINOM.DIST(4 - 1, 12, 0.4, TRUE)

تُسفر كلتا الطريقتين عن ناتج متطابق تماماً يساوي 0.7145 (أي 71.45%). يُقدم هذا الرقم للمقومين دلالة إحصائية جوهرية تؤكد أن النطاق المختار [4، 7] يغطي أكثر من 71% من التباين الطبيعي للمجتمع النظري، مما يجعله معياراً ممتازاً لتصنيف الأداء العادي، بينما تُخصص الدرجات الأقل من 4 للفئات المتأخرة والدرجات الأعلى من 7 لفئات الموهبة والتفوق اللغوي.

8. بناء جدول التوزيع الاحتمالي الكامل والتراكمي

8.1 توليد مصفوفة قيم متغير النجاح (k) آلياً

يُمثل بناء جدول التوزيع الاحتمالي الكامل خطوة أساسية لفهم البنية الشاملة للتجربة العشوائية. بدلاً من كتابة أرقام النجاحات ($k = 0, 1, 2, dots, n$) يدوياً، تتيح جداول بيانات جوجل أدوات مصفوفية ديناميكية لتوليد هذا التسلسل تلقائياً والتكيف فورياً مع أي تغيير في حجم العينة.

لتحقيق ذلك، نعتمد على دالة التسلسل الرقمي SEQUENCE. إذا كانت معلمة الحجم ($n$) مسجلة في الخلية $B$1، نضع في الخلية الأولى لعمود المتغيرات (لتكن A6) الصيغة التالية:

=SEQUENCE(B1 + 1, 1, 0, 1)

تعمل هذه المعادلة على توليد مصفوفة عمودية تبدأ من الصفر، وتتزايد بمقدار 1، وتتألف من $n + 1$ من الصفوف، بحيث تنتهي بدقة عند القيمة $n$. إذا تم تغيير قيمة حجم العينة في الخلية B1 من 10 إلى 25 مثلاً، فسيتوسع الجدول الرقمي تلقائياً وبشكل آني ليغطي كافة القيم من 0 إلى 25 دون أي تدخل يدوي إضافي.

8.2 حساب أعمدة دوال الاحتمال المنفصل والتراكمي والمتمم

لأتمتة العمليات الحسابية وتجنب تكرار سحب المعادلات يدوياً، نستخدم دالة الصفوف المصفوفية المتقدمة ARRAYFORMULA، والتي تطبق الحسابات الإحصائية دفعة واحدة على طول العمود المولد:

1. عمود دالة الكتلة الاحتمالية المنفصلة $P(X = k)$: نضع في الخلية B6 الصيغة المصفوفية التالية:

=ARRAYFORMULA(IF(A6:A="", "", BINOM.DIST(A6:A, B1, B2, FALSE)))

2. عمود دالة التوزيع التراكمي $P(X le k)$: نضع في الخلية C6 الصيغة التالية:

=ARRAYFORMULA(IF(A6:A="", "", BINOM.DIST(A6:A, B1, B2, TRUE)))

3. عمود الاحتمال المتمم العلوي $P(X ge k)$: نضع في الخلية D6 الصيغة التالية:

=ARRAYFORMULA(IF(A6:A="", "", 1 - BINOM.DIST(A6:A - 1, B1, B2, TRUE))) مع معالجة الخلية الأولى للصفر بصيغة شرطية تضمن استقرار الناتج عند 1.0 تماماً.

يضمن هذا التصميم المصفوفي المرن ملء الجدول بالكامل في أجزاء من الثانية مع الحفاظ على تناسق رياضي وبرمجي تام بين كافة الأعمدة.

8.3 إجراءات التحقق الرياضي وضبط جودة النموذج

تتطلب النمذجة الإحصائية الرصينة بناء آليات تدقيق وتحقق داخلي (Sanity Checks) للتأكد من خلو النموذج من أي أخطاء حسابية أو عدم اتساق في الفرضيات الرياضية. نخصص قسماً مستقلاً في ورقة العمل لثلاثة فحوصات رئيسية لجودة النموذج:

أولاً، التحقق من مجموع الاحتمالات المنفصلة عبر كتابة الدالة: =SUM(B6:B). يجب أن تُرجع هذه الخلية القيمة 1.000000 بدقة تامة، تأكيداً لبديهية فضاء العينة الكامل للتوزيع.

ثانياً، التحقق من نهاية عمود التوزيع التراكمي، حيث يجب أن تتطابق القيمة المقابلة للحد الأقصى $k = n$ في العمود (C) تماماً مع الرقم 1.0.

ثالثاً، بناء خلية فحص منطقي شاملة باستخدام الدالة الشرطية IF كالتالي: =IF(ABS(SUM(B6:B) - 1.0) < 1E-9, "النموذج متزن رياضياً بنجاح", "تحذير: يوجد خلل في المجموع الاحتمالي"). يمنح هذا التدقيق الآلي الباحث طمأنينة تامة بشأن صحة وموثوقية مخرجاته الإحصائية قبل تضمينها في التقارير النهائية.

9. التمثيل البياني والتصويري للتوزيع ذي الحدين في جداول جوجل

9.1 إنشاء المدرج التكراري والمخطط العمودي لدالة الكتلة الاحتمالية

يُعد التمثيل البصري للتوزيعات الاحتمالية أداة حاسمة لفهم سلوك المتغير العشوائي ونمط تركز وتشتت البيانات. في جداول بيانات جوجل، يتم تمثيل دالة الكتلة الاحتمالية المنفصلة من خلال المخطط العمودي (Column Chart) وليس المخططات الخطية المتصلة، تأكيداً للطبيعة المتقطعة لمتغيرات النجاح.

لإنشاء المخطط، نقوم بتحديد نطاق قيم المتغير $k$ في العمود (A) ونطاق الاحتمالات المنفصلة المقابلة له في العمود (B)، ثم ننتقل إلى القائمة العلوية ونختار: إدراج (Insert) > مخطط (Chart). من لوحة محرر المخططات (Chart Editor)، نحدد نوع المخطط ليكون “مخططاً عمودياً” (Column Chart).

لضبط الدقة العلمية للمخطط، نقوم بتهيئة الإعدادات التالية:

• تسمية المحور الأفقي ($X$-Axis) بوضوح: عدد النجاحات المحققة ($k$).
• تسمية المحور الرأسي ($Y$-Axis): الاحتمال المنفصل $P(X = k)$، مع ضبط تنسيق الأرقام ليكون بصيغة النسبة المئوية أو الكسور العشرية الدقيقة.
• تعديل خيارات التخصيص (Customize > Series) لتقليص المسافات البينية أو توسيع الأعمدة بما يعكس بوضوح الكتل الاحتمالية المنفصلة.

9.2 رسم منحنى التوزيع التراكمي (Ogive / Step Chart)

يُمثل منحنى التوزيع التراكمي مسار تزايد الاحتمال مع تراكم عدد النجاحات، ويُعد أداة بصرية أساسية لاستخراج الرتب المئينية ونقاط القطع السريعة. في المتغيرات المنفصلة، يأخذ هذا المنحنى نظرياً شكلاً درجياً (Step Chart)، إلا أنه يمكن تمثيله بكفاءة ممتازة في جداول جوجل عبر مخطط خطي انسيابي (Line Chart أو Smooth Area Chart).

لإنشاء تصور بصري متقدم وشامل، يُنصح ببناء “مخطط تركيبي” (Combo Chart) يجمع بين الاحتمال المنفصل والتراكمي على لوحة بيانية واحدة ثنائية المحاور (Dual-Axis Chart):
1. نقوم بتحديد الأعمدة الثلاثة: قيم $k$، والاحتمال المنفصل $P(X=k)$، والاحتمال التراكمي $P(X le k)$.
2. نختار نوع المخطط (Combo Chart)، ونضبط سلسلة الاحتمال المنفصل لتظهر كأعمدة (Columns) مرتبطة بالمحور الرأسي الأيسر.
3. نضبط سلسلة الاحتمال التراكمي لتظهر كخط متصل (Line) ونربطه بالمحور الرأسي الأيمن (Right Axis) مع تثبيت مجاله الصارم بين 0 و 1 (أو 0% إلى 100%).

يُمكّن هذا المخطط المزدوج الباحث من قراءة الاحتمال النقطي الدقيق لأي قيمة بالتزامن مع قراءة موقعها التراكمي النسبي في ذات النظرة الفاحصة.

9.3 التحليل البصري لحالات التماثل والالتواء وفق تغير المعلمات

يتأثر الشكل البصري لمنحنى التوزيع ذي الحدين بشكل جوهري بقيمة معلمة احتمال النجاح ($p$)، بالإضافة إلى حجم العينة ($n$):

1. حالة التماثل التام (Symmetric Distribution): عندما يكون احتمال النجاح مساوياً تماماً لنصف ($p = 0.5$)، يكون التوزيع متماثلاً تماثلاً مطلقاً حول مركزه، وتتطابق فيه قيم المتوسط والوسيط والمنوال تماماً عند النقطة $n/2$. يظهر المخطط البياني في هذه الحالة جرساً متناسقاً تماماً دون أي ميل لأي من الطرفين.

2. الالتواء الموجب أو الالتواء نحو اليمين (Positive / Right Skew): يحدث هذا النمط عندما يكون احتمال النجاح نادراً أو صغيراً ($p 0$).

3. الالتواء السالب أو الالتواء نحو اليسار (Negative / Left Skew): يحدث هذا النمط عندما يكون احتمال النجاح كبيراً ومرتفعاً ($p > 0.5$). تتركز الكتل الاحتمالية الضخمة على يمين المخطط بالقرب من القيمة القصوى $n$، بينما يمتد الذيل الاحتمالي الضعيف نحو اليسار باتجاه الصفر. ويكون معامل الالتواء في هذه الحالة سالباً ($Skewness < 0$).

ومع زيادة حجم العينة ($n to \infty$)، يُلاحظ بصرياً أن التوزيع، ومهما كانت درجة التوائه الأولية، يتجه تدريجياً نحو التماثل والاعتدالية، مصداقاً لمبرهنة النهاية المركزية الرياضية.

10. حساب المقاييس الإحصائية الوصفية للتوزيع ذي الحدين في جداول جوجل

10.1 حساب مقاييس النزعة المركزية (المتوسط، الوسيط، المنوال)

توفر المقاييس الوصفية تلخيصاً كمياً مكثفاً لخصائص التوزيع النظري ذي الحدين دون الحاجة لاستعراض كامل جدول التوزيع. في جداول بيانات جوجل، يمكن برمجة هذه المقاييس في خلايا مستقلة لتعمل كلوحة قياس فورية:

1. المتوسط الحسابي أو القيمة المتوقعة ($\mu = E(X)$): نبرمج معادلته المباشرة في خلية مخصصة كالتالي:

=B1 * B2 (حيث B1 تمثل $n$ و B2 تمثل $p$).

2. منوال التوزيع ذي الحدين (Mode): يمثل المنوال عدد النجاحات الأكثر احتمالاً للحدوث، ويقع نظرياً في الفترة المحصورة: $(n + 1)p – 1 le \text{Mode} le (n + 1)p$. يمكن حسابه برمجياً في جوجل شيتس باستخدام صيغة التقريب لأسفل (Floor):

=INT((B1 + 1) * B2) (مع وجود حالات خاصة يكون فيها للتوزيع منوالان متجاوران إذا كان المقدار عدداً صحيحاً تماماً).

3. وسيط التوزيع النظري (Median): يُعرف الوسيط بأنه القيمة التي يتراكم عندها الاحتمال ليبلغ أو يتجاوز 50% ($P(X le m) ge 0.5$). يمكن حسابه بدقة متناهية باستخدام الدالة المعكوسة CRITBINOM أو BINOM.INV كالتالي:

=BINOM.INV(B1, B2, 0.5)

10.2 حساب مقاييس التشتت (التباين والانحراف المعياري)

تقيس مؤشرات التشتت المدى الذي تتوزع وتتفرق فيه احتمالات النجاح حول المركز المتوقع، وتُعد حاسمة في تقييم موثوقية التقديرات وحساب الأخطاء المعيارية في النماذج القياسية:

1. التباين النظري ($\sigma^2 = \text{Var}(X)$): نبرمج معادلته الحسابية بالصيغة:

=B1 * B2 * (1 - B2)

يصل التباين إلى أقصى قيمة ممكنة له عند ثبات حجم العينة $n$ عندما يكون احتمال النجاح متكافئاً تماماً مع احتمال الفشل ($p = 0.5$).

2. الانحراف المعياري ($\sigma$): ويمثل الجذر التربيعي الموجب للتباين، ويُعبر عن التشتت بنفس وحدة قياس المتغير العشوائي الأصلي. نبرمجه باستخدام دالة الجذر التربيعي SQRT كالتالي:

=SQRT(B1 * B2 * (1 - B2))

في التطبيقات السيكومترية، يُستخدم الانحراف المعياري لإنشاء نطاقات الأداء الطبيعي (Normal Bands)، حيث يقع حوالي 68% من أداء الأفراد الطبيعيين ضمن النطاق $\mu \pm \sigma$، بينما يقع أكثر من 95% من الأداء ضمن النطاق $\mu \pm 2\sigma$ عندما يقترب التوزيع من الشكل الجرسي.

10.3 حساب معاملات الشكل (الالتواء والتفرطح)

تُعطي معاملات الشكل (Higher Moments) مؤشرات دقيقة حول درجة اعتدالية التوزيع وانحرافه عن التوزيع الطبيعي المعياري، وهي ضرورية لتقييم مدى صحة استخدام الاختبارات المعلمية المقربة:

1. معامل الالتواء النظري (Skewness – $\gamma_1$): يقيس درجة عدم التماثل حول المتوسط، ويُعطى بالصيغة الرياضية: $\gamma_1 = \frac{1 – 2p}{\sqrt{n \cdot p \cdot (1 – p)}}$. وتتم برمجته في جداول جوجل كالتالي:

=(1 - 2 * B2) / SQRT(B1 * B2 * (1 - B2))

إذا كانت النتيجة 0، فالتوزيع متماثل تماماً. وإذا كانت موجبة، فالتوزيع ملتف نحو اليمين، وإذا كانت سالبة، فالتوزيع ملتف نحو اليسار.

2. معامل التفرطح النظري الفائض (Excess Kurtosis – $\gamma_2$): يقيس مدى حدة قمة التوزيع وسمك ذيوله مقارنة بالتوزيع الطبيعي، وتُعطى معادلته بالصيغة: $\gamma_2 = \frac{1 – 6p(1 – p)}{n \cdot p \cdot (1 – p)}$. وتتم برمجته كالتالي:

=(1 - 6 * B2 * (1 - B2)) / (B1 * B2 * (1 - B2))

مع كبر حجم العينة $n$، يقترب كل من معاملي الالتواء والتفرطح الفائض من الصفر تماماً، مما يؤكد التحول المقارب للتوزيع ذي الحدين نحو التوزيع الطبيعي المعياري القياسي.

11. التقريب الطبيعي للتوزيع ذي الحدين ومتى يُستخدم

11.1 شروط تحقق مبرهنة النهاية المركزية والتقريب الطبيعي

تُعد مبرهنة دي موافر-لابلاس (De Moivre–Laplace Theorem) حالة خاصة بالغة الأهمية من مبرهنة النهاية المركزية، حيث تثبت أن التوزيع ذي الحدين يتقارب نحو التوزيع الطبيعي المتصل $N(\mu, \sigma^2)$ عندما يؤول حجم العينة نحو اللانهاية. يُتيح هذا التقارب استخدام دوال التوزيع الطبيعي لتقدير احتمالات التوزيع ذي الحدين في العينات الكبيرة.

لكي يكون هذا التقريب الإحصائي مقبولاً ودقيقاً من الناحية الرياضية، وضعت الأدبيات الإحصائية معايير كفاية واضحة لحجم العينة ومعلمة الاحتمال. المعيار الكلاسيكي الأكثر صرامة وقبولاً يشترط أن يتحقق كِلا الشرطين التاليين معاً:

$$n \cdot p ge 10 \quad \text{AND} \quad n \cdot (1 – p) ge 10$$

(تكتفي بعض الأدبيات بعتبة 5، إلا أن عتبة 10 تضمن نسبة خطأ تقريبي ضئيلة جداً لا تتجاوز 0.5%).

يمكن أتمتة فحص هذا الشرط في جداول بيانات جوجل ببناء صيغة منطقية تنبه الباحث لمدى ملائمة استخدام التقريب الطبيعي كالتالي:

=IF(AND(B1 * B2 >= 10, B1 * (1 - B2) >= 10), "شروط التقريب الطبيعي مستوفاة بكفاءة", "تحذير: لا يوصى بالتقريب، يجب استخدام الدالة الدقيقة")

11.2 تطبيق معامل تصحيح الاستمرارية (Continuity Correction)

نظراً لأننا نقوم بتقريب متغير عشوائي منفصل (حيث الاحتمالات تتركز عند نقاط صحيحة معزولة) باستخدام توزيع احتمالي متصل (حيث احتمال أي نقطة منفصلة هندسياً يساوي صفراً مطلقاً)، يصبح من الضروري رياضياً تطبيق ما يُعرف باسم معامل تصحيح الاستمرارية (Continuity Correction).

يتمثل هذا التصحيح في توسيع النقطة الصحيحة $k$ لتشمل الفترة المتصلة المحيطة بها $[k – 0.5, k + 0.5]$. وتُصاغ معادلات التقريب باستخدام دالة التوزيع الطبيعي NORM.DIST في جداول جوجل وفق القواعد الإجرائية التالية:

1. لحساب الاحتمال المنفصل $P(X = k)$:

=NORM.DIST(k + 0.5, n*p, SQRT(n*p*(1-p)), TRUE) - NORM.DIST(k - 0.5, n*p, SQRT(n*p*(1-p)), TRUE)

2. لحساب الاحتمال التراكمي $P(X le k)$: نضيف 0.5 لنشمل مستطيل النقطة $k$ كاملاً:

=NORM.DIST(k + 0.5, n*p, SQRT(n*p*(1-p)), TRUE)

3. لحساب الاحتمال العلوي $P(X ge k)$: نطرح 0.5 لنضمن شمول مستطيل النقطة $k$ بالكامل:

=1 - NORM.DIST(k - 0.5, n*p, SQRT(n*p*(1-p)), TRUE)

يؤدي إغفال معامل تصحيح الاستمرارية $\pm 0.5$ إلى حدوث خطأ منهجي ملحوظ في الحسابات التقديرية، خاصة في العينات المتوسطة الحجم.

11.3 دراسة مقارنة عددية لتقييم نسبة الخطأ التقريبي

لتقييم مدى دقة التقريب الطبيعي عملياً، نفترض تجربة تتضمن $n = 100$ و $p = 0.3$. هنا نجد أن $np = 30 ge 10$ و $n(1-p) = 70 ge 10$، وبالتالي فإن شروط التقريب محققة بامتياز. نريد حساب احتمال الحصول على 35 نجاحاً أو أقل ($P(X le 35)$):

1. الحساب الدقيق عبر التوزيع ذي الحدين:

=BINOM.DIST(35, 100, 0.3, TRUE) $to$ النتيجة الدقيقة = 0.88392

2. الحساب المقرب عبر التوزيع الطبيعي مع تصحيح الاستمرارية:

=NORM.DIST(35.5, 30, SQRT(21), TRUE) $to$ النتيجة المقربة = 0.88508

3. الحساب المقرب عبر التوزيع الطبيعي دون تصحيح الاستمرارية:

=NORM.DIST(35, 30, SQRT(21), TRUE) $to$ النتيجة = 0.86237

نلاحظ أن نسبة الخطأ المطلق عند استخدام تصحيح الاستمرارية بلغت $0.0011$ (أي خطأ ضئيل جداً بنسبة 0.1%)، بينما ارتفعت نسبة الخطأ عند إغفال التصحيح إلى أكثر من $0.0215$ (خطأ يتجاوز 2.4%).

توضح هذه المقارنة الرقمية أن دالة BINOM.DIST في جداول جوجل تظل الخيار المثالي والأدق دائماً لعدم وجود أي حاجة برمجية للتقريب في ظل قدرات الحوسبة الحديثة، إلا أن فهم التقريب الطبيعي يظل متطلباً نظرياً جوهرياً لفهم اختبارات النسب المعلمية ($Z$-tests for proportions).

12. استكشاف الأخطاء الشائعة، القيود، وأفضل الممارسات الحسابية

12.1 تشخيص ومعالجة رسائل الخطأ البرمجية الشائعة

أثناء بناء النماذج الإحصائية المعقدة في جداول بيانات جوجل، قد تظهر بعض رسائل الخطأ البرمجية نتيجة إدخال معلمات غير متوافقة أو أخطاء في كتابة الدوال. نستعرض فيما يلي أبرز تلك الرسائل وسبل معالجتها الجذرية:

1. خطأ القيمة الرقمية #NUM!: يظهر هذا الخطأ عند تزويد الدالة بمعاملات تقع خارج النطاق الرياضي المعرف. من أسبابه الشائعة: إدخال احتمال نجاح سالب ($p 1$)، أو إدخال عدد نجاحات سالب ($k n$). الحل: مراجعة قيود التحقق من البيانات وضمان استيفاء الشروط الرياضية.

2. خطأ النوع أو القيمة #VALUE!: ينشأ عندما تتوقع الدالة مدخلاً رقمياً ولكنها تتلقى نصاً أبجدياً أو مسافة فارغة أو رمزاً خاصاً. الحل: التأكد من تحويل النصوص إلى أرقام، واستخدام دالة ISNUMBER لفحص صحة مدخلات الخلايا.

3. خطأ التوسع المصفوفي #REF!: يحدث هذا الخطأ عند استخدام ARRAYFORMULA مع محاولة الدالة التمدد لأسفل في عمود يحتوي مسبقاً على خلايا مكتوبة أو مدخلات محجوزة تعيق مسار التوسع التلقائي. الحل: مسح كافة الخلايا الواقعة أسفل معادلة المصفوفة لتفريغ مسار التوليد الآلي.

12.2 القيود الحسابية وحدود الدقة للأرقام شديدة الضخامة

تعتمد جداول بيانات جوجل، مثلها مثل معظم لغات البرمجة وبرامج الجداول الحسابية، على معيار IEEE 754 لتمثيل الأرقام العشرية مزدوجة الدقة (Double Precision)، مما يمنحها دقة حسابية تصل إلى 15 إلى 17 رقماً معنوياً كحد أقصى.

عند التعامل مع عينات ضخمة جداً (مثلاً $n > 10,000$) بالتزامن مع احتمالات متطرفة، قد تواجه الخوارزميات حدود الدقة الحسابية:

1. الطفح الحسابي التوافقي (Arithmetic Overflow): يؤدي الحساب المباشر لمضروب الأعداد الكبيرة ($n!$) إلى تجاوز الحد الأقصى للأرقام المسموح بها في الذاكرة (حوالي $1.79 \times 10^{308}$). ومع ذلك، فإن دالة BINOM.DIST في جوجل شيتس مصممة داخلياً باستخدام خوارزميات لوغاريتمية متقدمة (Log-Gamma Functions) لحساب الاحتمالات المباشرة دون حساب المضروب الصريح، مما يتيح لها معالجة محاولات تصل إلى عشرات الآلاف بنجاح.

2. التقويض الحسابي للاحتمالات المتناهية الصغر (Underflow): عند حساب احتمالات أحداث نادرة جداً في عينات ضخمة، قد تكون القيمة الناتجة أصغر من $10^{-300}$، مما يجعل البرنامج يعرض النتيجة كصفر مطلق (0.0). في هذه الحالات البحثية التخصصية، يُنصح بعرض النتائج بالتنسيق العلمي (Scientific Notation: 0.00E+00) لبيان الأسس العشرية الدقيقة بدلاً من التنسيق العشري الثابت.

12.3 بروتوكول التوثيق والتحقق من صحة النماذج الإحصائية

لضمان النزاهة العلمية وقابلية التكرار (Replicability) للتحليلات الإحصائية، يُوصى باتباع بروتوكول توثيق منهجي صارم عند بناء نماذج التوزيع ذي الحدين في جداول بيانات جوجل:

أولاً، التوثيق الداخلي المضمن (Internal Documentation): قم بإدراج تعليقات وملاحظات توضيحية (Notes & Comments) على الخلايا الرئيسية التي تحتوي على المعادلات المركبة، مع توضيح الفرضيات الإحصائية المعتمدة وسبب اختيار الدوال التراكمية أو المنفصلة.

ثانياً، التحقق المتقاطع (Cross-Validation): يُنصح بمطابقة عينة من مخرجات جداول بيانات جوجل دورياً مع مخرجات حزم البرمجيات الإحصائية الاحترافية مفتوحة المصدر، مثل لغة R الإحصائية (باستخدام دوال dbinom و pbinom) أو حزمة SPSS، لضمان تطابق النتائج وتفادي أخطاء الترجمة الحسابية.

ثالثاً، حماية ورقة العمل (Protect Sheets and Ranges): بعد الانتهاء من ضبط وتدقيق النموذج الرياضي، يجب تفعيل ميزة قفل وحماية نطاقات الصيغ (Protected Ranges) مع إبقاء خلايا المعلمات فقط مفتوحة للإدخال، وذلك لحماية البنية البرمجية للنموذج من أي تعديل غير مقصود أثناء مشاركة ورقة العمل مع فرق البحث أو الطلاب.

خاتمة وخلاصة منهجية

استعرضنا في هذا الدليل الشامل الأبعاد النظرية والتطبيقية للتوزيع ذي الحدين داخل بيئة جداول بيانات جوجل (Google Sheets). لقد رأينا كيف يُشكل هذا النموذج الاحتمالي أداة لا غنى عنها في تفسير الظواهر الثنائية المنفصلة، وكيف تُمكّن الدوال المدمجة مثل BINOMDIST و BINOM.DIST و BINOM.DIST.RANGE و BINOM.INV الباحثين من حل أدق المسائل الاحتمالية، بدءاً من الاحتمالات النقطية والتراكمية وصولاً إلى النطاقات البينية والمقاييس الوصفية المتقدمة.

إن إتقان النمذجة الاحتمالية عبر جداول البيانات يتجاوز مجرد معرفة صياغة المعادلات؛ إنه يتطلب فهماً عميقاً للفروق بين الحسابات المنفصلة والتراكمية، واستيعاباً دقيقاً لقواعد الحدث المتمم، وإدراكاً واعياً لشروط التقريب الطبيعي وضوابط تصحيح الاستمرارية. إن تطبيق الممارسات المنهجية السليمة في التحقق من صحة البيانات وتوثيق النماذج يضمن الحصول على نتائج إحصائية تتمتع بأعلى درجات الدقة والموثوقية العلمية.

المراجع والمصادر الأكاديمية (References)

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Casella, G., & Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.
• Google Workspace Support. (2024). BINOMDIST function reference. Google Help. https://support.google.com/docs/answer/3093987
• Google Workspace Support. (2024). BINOM.DIST.RANGE function reference. Google Help. https://support.google.com/docs/answer/3093988
• Hogg, R. V., McKean, J., & Craig, A. T. (2019). Introduction to mathematical statistics (8th ed.). Pearson.
• National Institute of Standards and Technology (NIST). (2023). NIST/SEMATECH e-handbook of statistical methods. U.S. Department of Commerce. https://doi.org/10.18434/M32189
• Ross, S. M. (2014). A first course in probability (9th ed.). Pearson.
• Weisstein, E. W. (2024). Binomial distribution. From MathWorld—A Wolfram Web Resource. https://mathworld.wolfram.com/BinomialDistribution.html