كيفية استخدام التوزيع ذي الحدين في إكسيل

تُعد النماذج الاحتمالية حجر الزاوية في علم الإحصاء الاستدلالي والتحليلي، حيث تتيح للباحثين والمحللين فهم الظواهر العشوائية وتفسير السلوكيات المعقدة وصياغة تنبؤات كمية دقيقة مبنية على أسس رياضية متينة. ومن بين هذه النماذج، يحتل التوزيع ذو الحدين (Binomial Distribution) مكانة محورية وفريدة باعتباره النموذج الرياضي المعياري لتحليل التجارب ذات المخرجات الثنائية المتقابلة، مثل النجاح والفشل، أو الاستجابة وعدم الاستجابة، أو القبول والرفض. إن قدرة هذا التوزيع على نمذجة القرارات والملاحظات المنفصلة تجعله أداة لا غنى عنها في مختلف فروع المعرفة، بدءاً من أبحاث القياس النفسي والعلوم السلوكية، مروراً بالتجارب الطبية وضبط الجودة الصناعية، وصولاً إلى التحليلات المالية والتسويقية المعاصرة.

مع تطور أدوات المعالجة الرقمية للبيانات، تحول تطبيق النظريات الإحصائية من الحسابات اليدوية المعقدة والتوافيق التوافقية المرهقة إلى بيئات المعالجة البرمجية والحوسبية. ويبرز برنامج مايكروسوفت إكسيل (Microsoft Excel) كأحد أكثر البرمجيات انتشاراً وكفاءة في تنفيذ العمليات الإحصائية وتطويعها لخدمة البحث العلمي التطبيقي؛ بفضل مكتبته الغنية بالدوال المدمجة، ومرونته الفائقة في التعامل مع جداول البيانات، وتكامله مع أدوات التحليل والمحاكاة البيانية. يتيح إكسيل للممارسين والباحثين بناء نماذج احتمالية متكاملة، وحساب الاحتمالات المنفصلة والتراكمية، واستنتاج العتبات الحرجة للقرارات الإحصائية بدقة متناهية وسرعة فائقة.

يهدف هذا الدليل الشامل والموسوعي إلى تقديم معالجة أكاديمية وتطبيقية متعمقة لكيفية فهم وتطبيق التوزيع ذي الحدين في بيئة مايكروسوفت إكسيل. سنستعرض عبر محاور هذا المقال المنطلقات النظرية والرياضية للتوزيع، وشروط بنائه وافتراضاته الإحصائية الصارمة، ونبحر في التحليل المفصل لكافة الدوال المتاحة في إكسيل وصيغها البنائية، مع تقديم دراسات حالة تطبيقية واقعية، وتصميم جداول التوزيع الكاملة، وبناء المخططات البيانية التفاعلية، ومعالجة الأخطاء الحسابية لضمان بناء نماذج إحصائية رصينة تلبي أعلى المعايير الأكاديمية والمهنية.

1. مقدمة نظرية: مفهوم التوزيع ذي الحدين وأهميته في التحليل الإحصائي

1.1 التعريف الرياضي والإحصائي للتوزيع ذي الحدين

يُعرف التوزيع ذو الحدين في النظرية الاحتمالية بأنه توزيع احتمالي منفصل (Discrete Probability Distribution) يصف عدد مرات النجاح المتحققة في عدد محدد وثابت من المحاولات العشوائية المستقلة والمتطابقة، والتي يُطلق على كل منها اسم “محاولة برنولي” (Bernoulli Trial). تتميز تجربة برنولي بكونها تجربة عشوائية لا تحتمل سوى نتيجتين متنافيتين وشاملتين تُصنفان تقليدياً على أنهما “نجاح” (Success) و”فشل” (Failure). في هذا السياق الرياضي، لا يحمل مصطلح النجاح بالضرورة حكماً قيمياً إيجابياً، بل يشير بدقة إلى تحقق الحدث أو الخاصية محل الدراسة والاهتمام، بينما يمثل الفشل عدم تحقق ذلك الحدث.

تستند الصيغة الرياضية لدالة كتلة الاحتمال (Probability Mass Function – PMF) للمتغير العشوائي ذي الحدين $X$، الذي يمثل عدد مرات النجاح، إلى قانون برنولي للتوافيق الرياضية، وتُكتب على النحو التالي:

P(X = k) = C(n, k) * p^k * (1 – p)^(n – k)

حيث يمثل $n$ إجمالي عدد المحاولات المستقلة، و $k$ يمثل عدد مرات النجاح المراد حساب احتماله ($k = 0, 1, 2, …, n$)، بينما يمثل $p$ احتمالية النجاح الثابتة في المحاولة الواحدة، ويمثل $q = (1 – p)$ احتمالية الفشل المقابلة. كما يرمز $C(n, k)$ أو $\binom{n}{k}$ إلى معامل التوافيق (Combinations)، والذي يُحسب وفقاً للصيغة التوافقية:

C(n, k) = n! / (k! * (n – k)!)

تتجلى الأهمية الرياضية لهذا المعامل في قدرته على حصر كافة التباديل والترتيبات الممكنة لحدوث $k$ من النجاحات ضمن تسلسل زمني أو تجريبي مكون من $n$ من المحاولات، مما يضمن احتساب الاحتمال الكلي الدقيق لجميع مسارات التحقق الممكنة للحدث دون تكرار أو إغفال.

يتحدد التوزيع ذو الحدين تماماً بمعلمتين إحصائيتين أساسيتين هما حجم العينة أو عدد المحاولات ($n$)، ونسبة الاحتمال الأساسية ($p$). وبناءً على هاتين المعلمتين، يتميز التوزيع بعدد من الخصائص الرياضية الجوهرية؛ إذ يُحسب المتوسط الحسابي أو القيمة المتوقعة (Expected Value) للمتغير العشوائي بالمعادلة$E(X) = mu = n cdot p$، بينما يُحسب التباين (Variance) بالمعادلة$sigma^2 = n cdot p cdot (1 – p)$، ويكون الانحراف المعياري (Standard Deviation) هو الجذر التربيعي الموجب للتباين$sigma = sqrt{n cdot p cdot (1 – p)}$. تبرز هذه المقاييس الكيفية التي يتمركز بها التوزيع ويتشتت حول متوسطه، وتعد ركيزة أساسية لاختبار الفرضيات وتقدير المعالم المجهولة في المجتمع الإحصائي.

1.2 أهمية التوزيع ذي الحدين في البحوث السلوكية والكمية

يمثل التوزيع ذو الحدين أداة تحليلية لا غنى عنها في البحوث السلوكية، والعلوم النفسية، والبحوث التربوية، والتحليلات الاجتماعية الكمية. تنبع هذه الأهمية من طبيعة أدوات القياس وجمع البيانات في هذه الحقول، حيث تتخذ العديد من الاستجابات الإنسانية والمؤشرات السلوكية نمطاً ثنائياً بطبيعته. تتضمن أدوات البحث غالباً اختبارات القدرات المعرفية التي تُصحح استنادا إلى الصواب والخطأ (1/0)، ومقاييس الاتجاهات التي تعتمد الاختيار الثنائي مثل القبول أو الرفض، والموافقة أو عدم الموافقة، بالإضافة إلى رصد سلوكيات معينة كالحضور والغياب، أو الامتثال للتعليمات وعدم الامتثال.

في مجال علم النفس التجريبي والقياس المعرفي، يُوظف التوزيع ذو الحدين لاختبار ما إذا كان أداء المفحوصين في مهام الإدراك الحسي أو الاسترجاع من الذاكرة يختلف جوهرياً عن مستوى الأداء المتوقع بموجب الصدفة البحتة (Chance Level). على سبيل المثال، في اختبارات التمييز الحسي الثنائي (Two-Alternative Forced Choice – 2AFC)، يكون احتمال التخمين العشوائي الثابت مساوياً لنصف ($p = 0.5$). ومن خلال تطبيق التوزيع ذي الحدين، يستطيع الباحث الإحصائي حساب الاحتمال الدقيق لحصول المشارك على عدد معين من الإجابات الصحيحة، وبناءً عليه يتم رفض أو قبول الفرضية الصفرية القائلة بأن استجابة المشارك لا تتعدى التخمين العشوائي غير الواعي.

علاوة على ذلك، يمتد تطبيق التوزيع ذي الحدين إلى تقدير حدود الثقة (Confidence Intervals) للنسب السكانية والمعدلات المئوية في الدراسات المسحية والاستقصائية الكبرى. يسمح النموذج بحساب فترات عدم اليقين المحيطة بنسب النجاح أو انتشار الظواهر السلوكية في المجتمع بناءً على بيانات العينات العشوائية. يسهم ذلك في تزويد صانعي القرار والباحثين بتقديرات احتمالية صارمة تدعم اتخاذ القرارات القائمة على الأدلة والبراهين، بعيداً عن التقديرات الذاتية أو الانحيازات الاستقرائية غير المنضبطة.

1.3 مبررات استخدام مايكروسوفت إكسيل كأداة لحساب التوزيع

على الرغم من وجود العديد من البرمجيات الإحصائية المتخصصة مثل SPSS و R و Python، فإن برنامج مايكروسوفت إكسيل يحتفظ بأهمية استثنائية كبيئة حسابية مثالية لتطبيق وتحليل التوزيع ذي الحدين. يرجع السبب الأول في ذلك إلى قدرة إكسيل على تبسيط العمليات الحسابية التوافقية الشديدة التعقيد؛ فحساب المعاملات التوافقية ومضاريب الأعداد (Factorials) للأحجام الكبيرة من العينات يدوياً يُعد أمراً بالغ الصعوبة ومعرضاً للخطأ البشري، بينما توفر دوال إكسيل المدمجة معالجة خوارزمية فورية ودقيقة لهذه العمليات في أجزاء من الثانية.

تتمثل الميزة الثانية في الشفافية والتحكم التفاعلي الكامل في بناء النماذج الإحصائية؛ حيث يسمح إكسيل للباحث بتصميم جداول احتمالية ممتدة تعرض كتل الاحتمالات المنفصلة والتراكمية جنباً إلى جنب مع المتغيرات المستقلة، مما يعزز الفهم البصري والرياضي للنموذج. كما يتيح دمج الصيغ الحسابية مع مراجع الخلايا إمكانية إجراء “تحليلات الحساسية” (Sensitivity Analysis) ودراسة سيناريوهات “ماذا لو” (What-If Analysis)، بحيث تنعكس التغييرات في حجم العينة ($n$) أو نسبة الاحتمال ($p$) فورياً وديناميكياً على كافة النتائج والمؤشرات وجداول التوزيع.

بالإضافة إلى ذلك، يوفر إكسيل منظومة متكاملة من أدوات التصور البياني والمخططات الإحصائية عالية الدقة، والتي تتيح للمستخدم تحويل الجداول الرقمية المجردة إلى رسوم بيانية توضيحية لكتل الاحتمالات ومنحنيات التوزيع التراكمي. هذا التكامل بين المعالجة الحسابية القوية، والتمثيل البصري الفوري، والتوافر الواسع للبرنامج في المؤسسات الأكاديمية والمهنية، يجعل من إكسيل أداة تعليمية وتطبيقية لا تضاهى لدراسة وتطبيق الاحتمالات الرياضية والتوزيعات الإحصائية.

2. الشروط والافتراضات الأساسية لتطبيق التوزيع ذي الحدين

2.1 ثبات عدد المحاولات واستقلالية الأحداث

لكي يكون تطبيق نموذج التوزيع ذي الحدين صحيحاً ومشروعاً من الناحية الإحصائية، يجب أن تستوفي التجربة العشوائية مجموعة من الشروط البنائية الصارمة، يأتي في مقدمتها اشتراط وجود عدد محدد، مسبق، وثابت من المحاولات المتطابقة يرمز له بالرمز ($n$). هذا يعني أن التجربة لا يمكن أن تستمر حتى تحقق عدد معين من النجاحات (كما هو الحال في التوزيع الهندسي أو توزيع ذي الحدين السالب)، بل يجب أن تتوقف حتماً عند اكتمال المحاولة رقم$n$. يُحدد هذا الرقم في مرحلة تصميم التجربة أو المسح قبل البدء في جمع الملاحظات الحقلية أو المختبرية.

الشرط الجوهري الآخر هو “الاستقلالية التامة بين المحاولات” (Independence of Trials)، والذي يقتضي ألا تؤثر نتيجة أي محاولة منفردة على احتمالية النجاح أو الفشل في أي محاولة تالية أو سابقة. رياضياً، يعني هذا أن الاحتمال المشترك لتحقق سلسلة معينة من النتائج يساوي حاصل ضرب احتمالات تلك النتائج منفردة. يرتبط هذا الافتراض ارتباطاً وثيقاً بآلية المعاينة المتبعة؛ ففي تجارب السحب العشوائي من مجتمع محدد، يجب أن تتم المعاينة “مع الإرجاع” (Sampling with Replacement) لضمان بقاء الاحتمال ثابتاً من سحب لآخر.

إذا أُجريت المعاينة “بدون إرجاع” (Sampling without Replacement) من مجتمع إحصائي صغير أو محدود الحجم، فإن احتمالية النجاح ستتغير حتماً مع كل سحب نتيجة لتغير حجم المجتمع المتبقي وتركيبته. في هذه الحالة، ينكسر افتراض الاستقلالية ويفقد التوزيع ذو الحدين دقته، ويصبح التوزيع البديل الواجب تطبيقه هو التوزيع فوق الهندسي (Hypergeometric Distribution). ومع ذلك، تشير القاعدة الإحصائية التجريبية إلى أنه إذا كان حجم المجتمع الإحصائي الكلي ($N$) كبيراً جداً مقارنة بحجم العينة المسحوبة ($n$)، بحيث لا تتجاوز العينة 5% من المجتمع الإجمالي ($n/N le 0.05$)، فإن التغير في الاحتمالات يصبح طفيفاً ومهملًا عملياً، ويظل التوزيع ذو الحدين تقريباً دقيقاً ومقبولاً للتوزيع فوق الهندسي.

2.2 ثبات احتمالية النجاح في كل محاولة

يقوم التوزيع ذو الحدين على فرضية رياضية أساسية تنص على أن احتمالية النجاح، والتي يُرمز لها بالرمز $p$، يجب أن تظل ثابتة ومستقرة تماماً عبر جميع المحاولات الإحصائية البالغ عددها$n$. يترتب على ذلك تلقائياً ثبات احتمالية الفشل المقابلة$q = 1 – p$ عبر كافة مراحل التجربة. يتطلب هذا الشرط تجانساً صارماً في الظروف البيئية، والأدوات المستخدمة، والإجراءات المطبقة أثناء تنفيذ التجربة العشوائية أو جمع الاستجابات.

في البيئات التجريبية والسريرية، قد يؤدي حدوث أي تغير في المعايير أو كفاءة الأدوات إلى انتهاك هذا الشرط؛ فعلى سبيل المثال، إذا كان الباحث يدرس دقة جهاز تشخيصي على مدار ساعات عمل طويلة، وتأثرت دقة الجهاز بارتفاع درجات الحرارة أو إجهاد المشغل، فإن قيمة $p$ ستتغير بمرور الوقت، مما يجعل تطبيق نموذج ذي الحدين القياسي غير دقيق. في مثل هذه الحالات المعقدة، قد يلجأ الإحصائيون إلى نماذج احتمالية أكثر تعقيداً مثل نماذج انحدار بيتا الثنائي (Beta-Binomial Models) لمعالجة التشتت الإضافي الناجم عن تباين احتمالية النجاح.

لضمان استقرار $p$ في البحوث الميدانية والسلوكية، يجب معايرة أدوات القياس مسبقاً، وضبط المتغيرات الدخيلة، وتوحيد صياغة الأسئلة، والتأكد من تطبيق الاختبارات في ظروف بيئية موحدة لكافة أفراد العينة، مما يكفل اتساق وتجانس الملاحظات وتوافقها الكامل مع المتطلبات الصارمة لنموذج برنولي.

2.3 طبيعة المخرجات الثنائية (Binary Outcomes)

الركيزة الثالثة التي يستند إليها التوزيع ذو الحدين هي ضرورة حصر وتصنيف نتائج كل محاولة في فئتين اثنتين فقط، تكونان شاملتين لكافة الاحتمالات ومتنافيتين تبادلياً (Mutually Exclusive and Exhaustive). يضمن هذا التصنيف الثنائي استحالة وقوع النتيجة في كلتا الفئتين معاً، واستحالة خروجها عن هاتين الفئتين مجتمعتين. تُختزل هذه النتائج في الأدبيات الإحصائية بصيغة الصفر والواحد (0 و 1) أو النجاح والفشل.

تتوافق العديد من الظواهر الواقعية مع هذا النمط الثنائي المباشر، مثل:

• الفحص الطبي المخبري: النتيجة إيجابية (وجود المرض) أو سلبية (عدم وجوده).
• ضبط الجودة الصناعية: المنتج سليم ومطابق للمواصفات أو معيب وغير مطابق.
• الاختبارات الأكاديمية: الإجابة صحيحة أو خاطئة، والنتيجة النهائية اجتياز أو رسوب.
• أبحاث السوق: المستهلك أتم عملية الشراء أو امتنع عن الشراء.

في الحالات التي تكون فيها البيانات الأصلية متعددة الفئات (Polytomous Variables)، كالمتغيرات التي تقاس بمقاييس ليكرت الخماسية أو السباعية (موافق بشدة، موافق، محايد، غير موافق، غير موافق بشدة)، يمكن للباحث تكييف هذه البيانات لتناسب نموذج ذي الحدين من خلال “إعادة الترميز الثنائي” (Binary Dichotomization). يتم ذلك عبر تجميع الفئات المتعددة في تصنيفين عريضين، مثل دمج (موافق وموافق بشدة) تحت فئة “موافقة”، ودمج بقية الاستجابات تحت فئة “عدم موافقة”، شريطة أن يستند هذا التحويل إلى مبررات نظرية ومنهجية واضحة تبرر اختزال التباين في البيانات الأصلية.

3. نظرة عامة على دوال التوزيع ذي الحدين في بيئة إكسيل

3.1 خارطة الدوال الإحصائية الخاصة بالتوزيع ذي الحدين

يوفر برنامج مايكروسوفت إكسيل منظومة متقدمة ومتكاملة من الدوال الإحصائية المصممة خصيصاً للتعامل مع التوزيع ذي الحدين بدقة حسابية متناهية. تغطي هذه الدوال مختلف الاحتياجات التحليلية للباحث، بدءاً من حساب الاحتمالات الفردية النقطية، مروراً بالمجاميع التراكمية، وصولاً إلى الاحتمالات المحصورة ضمن مجالات ونطاقات محددة، والتحليلات العكسية لتعيين القيم الحرجة. تتضمن خريطة الدوال الأساسية في الإصدارات الحديثة من إكسيل ما يلي:

• دالة BINOM.DIST: الدالة الرئيسية والشاملة المستخدمة لحساب دالة كتلة الاحتمال المنفصلة (PMF) عند نقطة محددة، أو حساب دالة التوزيع التراكمي (CDF) من الصفر وحتى نقطة معينة، وذلك بناءً على وسيط منطقي يحدده المستخدم.
• دالة BINOM.DIST.RANGE: دالة إحصائية متطورة أُضيفت لتسهيل حساب الاحتمال التراكمي المحصور بين حدين أو قيمتين محددتين، دون الحاجة إلى إجراء عمليات طرح يدوية بين دالتين تراكميتين.
• دالة BINOM.INV: دالة الاحتمال العكسي لتوزيع ذي الحدين (Inverse Cumulative Distribution Function)، وتستخدم لتحديد أصغر قيمة للمتغير العشوائي تحقق احتمالاً تراكمياً مساوياً لقيمة معيارية محددة (Alpha) أو متجاوزاً لها، وهي دالة محورية في اختبار الفرضيات وتحديد درجات القطع.
• دالة CRITBINOM: الدالة الإرثية السابقة لدالة BINOM.INV، وهي متوفرة للتوافق مع الملفات القديمة ولكنها استُبدلت بالدالة الحديثة لضمان الدقة والاتساق المعياري.
• دالة BINOMDIST: الدالة الإرثية القديمة التي حلت محلها دالة BINOM.DIST منذ إصدار إكسيل 2010.

3.2 التفريق بين الدوال الحديثة والدوال الإرثية (Legacy Functions)

أجرت شركة مايكروسوفت ابتداءً من إصدار Excel 2010 إعادة هيكلة جذرية للمكتبة الإحصائية في البرنامج، حيث تم اعتماد نظام تسمية قياسي يفصل بين اسم التوزيع ونوع الدالة بنقطة (Dot Notation)، مثل الانتقال من BINOMDIST إلى BINOM.DIST. لم يكن هذا التغيير مجرد تحسين شكلي في التسمية، بل شمل تحديثات عميقة في الخوارزميات الرياضية المسؤولة عن العمليات الحسابية الداخلية.

تضمنت الدوال المحدثة ذات النقطة تحسينات جوهرية في معالجة العمليات الحسابية للأعداد الكبيرة جداً أو الصغيرة جداً، مما قلل بشكل ملحوظ من أخطاء التقريب الرياضي (Round-off Errors) وأخطاء الطفح العددي (Overflow/Underflow). في الدوال القديمة، كانت الحسابات التوافقية للأحجام الكبيرة من العينات تؤدي أحياناً إلى أخطاء في الدقة الحسابية بسبب حدود تخزين الأرقام العشرية المضاعفة. أما الدوال الحديثة، فتعتمد على خوارزميات لوغاريتمية محسنة تقوم بحساب لوغاريتم المضاريب التوافقية لحفظ الدقة الرقمية المتناهية حتى المنازل العشرية البعيدة.

من الناحية الأكاديمية والمهنية، يُوصى بشدة باستخدام الدوال الحديثة (مثل BINOM.DIST و BINOM.INV) في كافة الأبحاث والنماذج التحليلية المعاصرة لضمان دقة النتائج الإحصائية ومطابقتها للمعايير الرياضية الدقيقة، مع الاحتفاظ بالدوال القديمة فقط لغرض التوافق الرجعي (Backward Compatibility) عند فتح مصنفات أُنشئت بإصدارات إكسيل 2007 وما قبلها.

4. الصيغة الرياضية والتركيب البنائي لدالة BINOM.DIST

4.1 الوسائط المكونة لدالة BINOM.DIST ومعانيها الإحصائية

تُعد دالة BINOM.DIST الدالة الأساسية والأكثر استخداماً في إكسيل لحساب احتمالات التوزيع ذي الحدين. تُكتب الصيغة العامة للدالة في شريط المعادلات وفقاً للتركيب البنائي التالي:

=BINOM.DIST(number_s, trials, probability_s, cumulative)

تتطلب هذه الدالة تزويدها بأربعة وسائط رياضية وإحصائية محددة بدقة، ولا يمكن للدالة إرجاع نتائج صحيحة في حال إغفال أي منها أو إدخاله بنسق غير صالح. وفيما يلي تفصيل هذه الوسائط ومعانيها المنهجية:

• الوسيط الأول (number_s): يمثل عدد مرات النجاح المراد حساب احتماله في التجربة، ويُرمز له رياضياً بالرمز $x$ أو $k$. يجب أن يكون هذا الوسيط عدداً صحيحاً ($x ge 0$). إذا تم إدخال رقم عشري ككسر، فإن إكسيل يقوم باقتطاع الجزء العشري تلقائياً (Truncation) والاحتفاظ بالجزء الصحيح دون تقريب. علاوة على ذلك، يجب أن يستوفي هذا الوسيط شرط ألا يتجاوز إجمالي عدد المحاولات ($x le n$).
• الوسيط الثاني (trials): يمثل إجمالي عدد المحاولات المستقلة في التجربة ($n$). يشترط أن يكون هذا الوسيط عدداً صحيحاً موجباً ($n ge 1$). في حال إدخال قيمة كسرية يتم اقتطاعها للأعداد الصحيحة، وإذا أُدخلت قيمة سالبة ترجع الدالة رمز خطأ فوري.
• الوسيط الثالث (probability_s): يمثل احتمالية النجاح الثابتة في كل محاولة منفردة ($p$). يجب أن تكون هذه القيمة رقماً عشرياً محصوراً بالضرورة ضمن الفترة المغلقة بين 0 و 1 ($0 le p le 1$). يمثل الصفر استحالة مطلقة لتحقق الحدث، بينما يمثل الواحد يقيناً تاماً بتحققه.
• الوسيط الرابع (cumulative): قيمة منطقية ثنائية تأخذ أحد خيارين فقط: إما TRUE (أو الرقم 1) لحساب دالة التوزيع التراكمي، أو FALSE (أو الرقم 0) لحساب دالة كتلة الاحتمال المنفصلة عند القيمة المحددة بدقة.

4.2 فهم الوسيط المنطقي Cumulative (TRUE مقابل FALSE)

يعد الاختيار الدقيق لقيمة الوسيط المنطقي cumulative جوهر الحساب الإحصائي الصحيح في إكسيل؛ حيث يحدد هذا الخيار طبيعة المعادلة الرياضية التي سينفذها البرنامج لمعالجة المسألة الاحتمالية المطروحة. يمثل الخلط بين هاتين القيمتين أحد أكثر الأخطاء الإحصائية شيوعاً بين الباحثين والمحللين المبتدئين.

عند تعيين الوسيط على القيمة المنطقية FALSE، توجه الدالة لحساب “دالة كتلة الاحتمال” (Probability Mass Function – PMF). في هذا الوضع، تحسب الدالة الاحتمال الدقيق لحصول الباحث على $k$ من النجاحات بالضبط وبشكل نقطي محدد، أي حساب $P(X = k)$. هذا الوضع هو الخيار الأمثل للإجابة عن أسئلة من قبيل: “ما احتمال أن يحصل الطالب على 7 إجابات صحيحة بالضبط من أصل 10 أسئلة؟” أو “ما احتمال أن تنجح 4 عينات تحديداً من بين 8 عينات مختبرية؟”.

في المقابل، عند تعيين الوسيط على القيمة المنطقية TRUE، تنفذ الدالة “دالة التوزيع التراكمي” (Cumulative Distribution Function – CDF). في هذه الحالة، تقوم الدالة بجمع كافة الاحتمالات النقطية المنفصلة ابتداءً من حالة انعدام النجاح تماماً ($X = 0$) وتراكمياً حتى الوصول إلى القيمة المستهدفة $k$. رياضياً، تحسب الدالة:

P(X <= k) = P(X = 0) + P(X = 1) + P(X = 2) + … + P(X = k)

يُستخدم هذا الوضع التراكمي للإجابة عن الأسئلة البحثية التي تتضمن قيوداً مثل “على الأكثر” أو “بما لا يتجاوز”، كأن يسأل الباحث: “ما احتمال فشل 3 أجهزة على الأكثر من أصل 15 جهازاً قيد الاختبار؟”.

5. حساب الاحتمال الدقيق (المنفصل) باستخدام دالة BINOM.DIST

5.1 خطوات إعداد وتنفيذ الدالة للاحتمال النقطي المباشر

لتطبيق دالة BINOM.DIST في حساب الاحتمال المنفصل الدقيق، يبدأ المحلل بتهيئة ورقة العمل في إكسيل من خلال تنظيم خلايا الإدخال الخاصة بالمعلمات الإحصائية. يُفضل تخصيص خلايا مستقلة لكل من $n$ و $p$ و $x$ لتسهيل قراءة النموذج وتعديله لاحقاً. على سبيل المثال، إذا كانت المعلمة $n$ مسجلة في الخلية B1، والاحتمال $p$ في الخلية B2، وعدد النجاحات المطلوبة $x$ في الخلية B3، يتم كتابة الصيغة في خلية النتيجة على النحو التالي:

=BINOM.DIST(B3, B1, B2, FALSE)

تُرجع هذه الصيغة قيمة عشرية تمثل الاحتمال النظري للحدث، والتي تتراوح دائماً بين 0.0000 و 1.0000. لتحسين المقروئية الإحصائية وتسهيل تفسير النتائج، يمكن تحويل تنسيق الخلية الناتجة إلى “تنسيق النسبة المئوية” (Percentage Format) عبر شريط الأدوات الرئيسي، مع زيادة المنازل العشرية إلى منزلتين أو أربع منازل لعرض القيم الاحتمالية الدقيقة وتجنب أخطاء التقريب الظاهري التي قد تخفي الفروق الإحصائية الدقيقة بين الحالات النادرة.

5.2 مثال تطبيقي: اختبارات الذاكرة والاسترجاع المعرفي

لنفترض أن باحثاً في علم النفس المعرفي يُجري تجربة لدراسة كفاءة الذاكرة قصيرة المدى باستخدام مهمة إدراك بصري ثنائية الخيارات تتألف من 10 بطاقات اختبار مستقلة ($n = 10$). في كل محاولة، يُطلب من المفحوص تحديد ما إذا كانت الصورة المعروضة قد ظهرت سابقاً أم لا. بافتراض أن المفحوص يخمن عشوائياً دون استخدام قدراته التذكرية، فإن احتمال النجاح في كل بطاقة بالتخمين هو النصف ($p = 0.5$).

السؤال البحثي: ما هو الاحتمال الدقيق لأن يتمكن المفحوص من الإجابة الصحيحة عن 7 بطاقات بالضبط ($x = 7$) بمحض الصدفة والتخمين؟

لحساب هذا الاحتمال في إكسيل، يتم إدخال الصيغة التالية في الخلية المستهدفة:

=BINOM.DIST(7, 10, 0.5, FALSE)

بالتطبيق الرياضي والمعالجة الخوارزمية، يقوم إكسيل بحساب التوافيق الرياضية $C(10, 7) = 120$، ثم ضربها في $(0.5)^7 \times (0.5)^3 = (0.5)^{10} = 0.0009765625$. ينتج عن هذه العملية الحسابية:

P(X = 7) = 120 * 0.0009765625 = 0.1171875

تُظهر هذه النتيجة، التي تكافئ نحو 11.72%، أن هناك احتمالاً يقارب 12% لأن يحصل الشخص المخمن عشوائياً على 7 إجابات صحيحة تماماً. من منظور إحصائي، لا تُعد هذه النتيجة نادرة الحدوث بالقدر الكافي لرفض فرضية التخمين الصدفي بمفردها، ما لم يتم فحص الأداء التراكمي الشامل للمفحوص مقارنة بمستويات الدلالة المعيارية ($\alpha = 0.05$).

5.3 مثال تطبيقي: تحليل دقة التشخيص في المقاييس النفسية

في سياق تقييم أدوات القياس والتشخيص الإكلينيكي، طورت إحدى المؤسسات مقياساً جديداً للكشف المبكر عن اضطراب معين، وأثبتت الدراسات المعيارية السابقة أن دقة المقياس في تصنيف الحالة بدقة تصل إلى 85% ($p = 0.85$). طُبق المقياس الجديد على عينة تجريبية تتكون من 12 مريضاً تم تشخيصهم مسبقاً بشكل قطعي عبر المقابلة الإكلينيكية المعمقة ($n = 12$).

السؤال البحثي: ما هو احتمال أن يتطابق تشخيص المقياس الجديد تماماً مع التشخيص الفعلي لـ 10 مرضى بالضبط من أصل الـ 12 مريضاً؟

تتم صياغة الدالة في إكسيل على النحو التالي:

=BINOM.DIST(10, 12, 0.85, FALSE)

تُرجع الدالة القيمة الاحتمالية الدقيقة التالية:

P(X = 10) = C(12, 10) * (0.85)^10 * (0.15)^2 = 66 * 0.1968744 * 0.0225 = 0.292395

توضح النتيجة أن احتمال تحقيق تطابق تشخيصي دقيق لـ 10 حالات تحديداً يبلغ نحو 29.24%. يُعد هذا التحليل النقطي حيوياً لفهم السلوك الاحتمالي للأداة التشخيصية ومقارنة الأداء الفعلي المتكرر بالمعايير النظرية المتوقعة للأداة لضمان ضبط الجودة التشخيصية والموثوقية الإكلينيكية.

6. حساب الاحتمال التراكمي باستخدام دالة BINOM.DIST

6.1 حساب احتمال الحصول على ‘على الأكثر’ (P(X <= k))

يمثل حساب الاحتمال التراكمي للحد الأقصى أو ما يُعرف بعبارة “على الأكثر” التطبيق المباشر والأصلي لدالة التوزيع التراكمي (CDF) في التوزيع ذي الحدين. عند الرغبة في حساب احتمال الحصول على $k$ من النجاحات أو أقل، أي $P(X le k)$، فإننا نجمع كتل الاحتمالات المنفصلة من الصفر وحتى القيمة $k$. يتم تنفيذ هذه العملية في إكسيل ببساطة شديدة عن طريق تعيين الوسيط الرابع في دالة BINOM.DIST إلى القيمة المنطقية TRUE.

تُكتب الصيغة الرياضية والتطبيقية في إكسيل على النحو التالي:

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

تطبيق عملي: لنفترض أن شركة برمجيات تراقب استقرار خوادمها السحابية، حيث تشير البيانات التاريخية إلى أن احتمال تعطل أحد الخوادم في يوم معين هو $p = 0.02$. إذا كانت المنظومة تعتمد على 50 خادماً مستقلاً ($n = 50$)، وتريد إدارة تكنولوجيا المعلومات حساب احتمال تعطل خادمين على الأكثر خلال اليوم ($X le 2$).

تُكتب المعادلة في إكسيل:

=BINOM.DIST(2, 50, 0.02, TRUE)

تقوم هذه المعادلة بجمع الاحتمالات النقطية الثلاثة:

P(X <= 2) = P(X = 0) + P(X = 1) + P(X = 2)

تُرجع الدالة القيمة 0.92157 (أي 92.16%)، مما يشير إلى وجود موثوقية تشغيلية عالية جداً بأن المنظومة لن تشهد تعطل أكثر من خادمين في اليوم الواحد في ظل معايير الأداء الحالية.

6.2 حساب احتمال الحصول على ‘على الأقل’ (P(X >= k))

في العديد من السيناريوهات الواقعية والاختبارات الإحصائية، يكون السؤال البحثي منصباً على حساب احتمال الحصول على عدد معين من النجاحات كحد أدنى، مثل: “ما احتمال اجتياز 8 اختبارات على الأقل؟”. بما أن دالة إكسيل التراكمية تقوم بحساب الاحتمال التراكمي من اليسار فقط (أي الاحتمالات الأقل من أو مساوية للقيمة)، فإن حساب احتمال “على الأقل” يتطلب تطبيق “قاعدة المتممة الاحتمالية” (Complement Rule).

تنص قاعدة المتممة على أن مجموع كافة الاحتمالات الممكنة لفضاء العينة يساوي تماماً 1.0. وبالتالي، فإن الحدث المتمم للحدث ($X ge k$) هو الحدث ($X le k – 1$). وبناءً عليه، تُصاغ المعادلة الرياضية كالتالي:

P(X >= k) = 1 – P(X <= k – 1)

يتم تطبيق هذه الصيغة في إكسيل بالشكل الدقيق التالي:

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

من الضروري هنا الانتباه الشديد إلى طرح الرقم 1 من قيمة $k$ داخل الدالة التراكمية. إذا قام الباحث بكتابة 1 - BINOM.DIST(k, n, p, TRUE)، فإنه سيطرح بطريق الخطأ احتمال القيمة $k$ نفسها، وسيحصل في الواقع على $P(X > k)$ بدلاً من $P(X ge k)$، مما يؤدي إلى تشويه الحسابات الإحصائية وبناء استنتاجات خاطئة.

6.3 حساب احتمال الحصول على ‘أقل من’ أو ‘أكثر من’ بصرامة

تتطلب التعبيرات اللغوية الإحصائية الدقيقة فهماً واضحاً لطبيعة المتغيرات المنفصلة؛ حيث تختلف التوزيعات المنفصلة جوهرياً عن التوزيعات المتصلة في أن إدراج نقطة الحد أو استبعادها يغير النتيجة الاحتمالية بشكل قاطع ($P(X < k) ne P(X le k)$). لتسهيل صياغة هذه المعادلات في إكسيل، نستعرض الحالات الاحتمالية الصارمة وطرق بنائها:

• احتمال الحصول على ‘أقل من’ بصرامة (P(X < k)): يمثل هذا الحدث مجموع الاحتمالات من الصفر حتى ($k – 1$). وبما أن الدالة التراكمية تحسب حتى القيمة المدخلة ضمناً، تُكتب الصيغة في إكسيل ببساطة:
  
  =BINOM.DIST(k - 1, n, p, TRUE)
• احتمال الحصول على ‘أكثر من’ بصرامة (P(X > k)): يمثل هذا الحدث المتمم للاحتمال التراكمي حتى $k$ شاملاً تلك القيمة، وتُصاغ معادلته في إكسيل بطرح التراكمي لـ $k$ من الواحد الصحيح:
  
  =1 - BINOM.DIST(k, n, p, TRUE)

يوضح الجدول المقارن التالي الصياغات الدقيقة لكافة الحالات اللغوية والاحتمالية لمتغير ذي الحدين في إكسيل:

العبارة اللغوية الإحصائية	الرمز الرياضي	المعادلة التكافؤية الرياضية	صيغة إكسيل المعتمدة
بالضبط $k$	$P(X = k)$	$P(X = k)$	=BINOM.DIST(k, n, p, FALSE)
على الأكثر $k$ (بما لا يتجاوز)	$P(X le k)$	$P(X le k)$	=BINOM.DIST(k, n, p, TRUE)
أقل من $k$ (بصرامة)	$P(X < k)$	$P(X le k – 1)$	=BINOM.DIST(k - 1, n, p, TRUE)
على الأقل $k$ (بما لا يقل)	$P(X ge k)$	$1 – P(X le k – 1)$	=1 - BINOM.DIST(k - 1, n, p, TRUE)
أكثر من $k$ (بصرامة)	$P(X > k)$	$1 – P(X le k)$	=1 - BINOM.DIST(k, n, p, TRUE)

7. حساب احتمالات النطاق والمجالات باستخدام دالة BINOM.DIST.RANGE

7.1 البنية التركيبية لدالة BINOM.DIST.RANGE

أضافت مايكروسوفت دالة BINOM.DIST.RANGE المتخصصة لتقديم وسيلة مباشرة وموجزة لحساب احتمالات وقوع المتغير العشوائي ذي الحدين ضمن نطاق مغلق محدد بين قيمتين ($a$ و $b$). تُكتب الصيغة التركيبية للدالة على النحو التالي:

=BINOM.DIST.RANGE(trials, probability_s, number_s, [number_s2])

تتضمن وسائط هذه الدالة ما يلي:

• trials: إجمالي عدد المحاولات المستقلة ($n$).
• probability_s: احتمالية النجاح الثابتة في كل محاولة ($p$).
• number_s: الحد الأدنى لعدد النجاحات في النطاق المستهدف ($a$).
• [number_s2] (وسيط اختياري): الحد الأعلى لعدد النجاحات في النطاق المستهدف ($b$). في حال إغفال هذا الوسيط وإدخال الوسائط الثلاثة الأولى فقط، تفترض الدالة تلقائياً أن المطلوب هو حساب الاحتمال المنفصل الدقيق للنقطة$a$، مما يجعلها تكافئ تماماً دالة BINOM.DIST(a, n, p, FALSE).

تتميز دالة BINOM.DIST.RANGE بالبساطة والوضوح التعبيري، حيث تجنب الباحث كتابة صيغ مركبة ومعقدة قد تتضمن أخطاء في تحديد حدود الطرح الحسابي عند استخدام الدوال التراكمية القياسية.

7.2 حساب احتمالات الوقوع ضمن فترة مغلقة P(a <= X <= b)

عند الرغبة في إيجاد احتمالية وقوع عدد مرات النجاح ضمن فترة مغلقة تشمل الحدين $a$ و $b$ معاً، أي حساب $P(a le X le b)$، يتم استدعاء دالة النطاق مباشرة بتمرير الحد الأدنى $a$ والحد الأعلى $b$. تقوم الدالة بحساب المجموع الاحتمالي الدقيق لجميع الكتل الواقعة بين هذين الحدين:

P(a <= X <= b) = P(X = a) + P(X = a + 1) + … + P(X = b)

إذا أردنا تحقيق النتيجة ذاتها باستخدام دالة التوزيع التراكمي القياسية BINOM.DIST، فإن المعادلة المكافئة رياضياً تتطلب طرح الاحتمال التراكمي لما قبل الحد الأدنى ($a – 1$) من الاحتمال التراكمي للحد الأعلى ($b$):

P(a <= X <= b) = P(X <= b) – P(X <= a – 1)

تُترجم هذه الصيغة المركبة في إكسيل إلى:

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

تطبيق عملي: يُجري أحد المصانع فحصاً لجودة دفعة إنتاج تتكون من 20 وحدة ($n = 20$)، حيث تبلغ نسبة المطابقة للمواصفات 80% ($p = 0.80$). يرغب مراقب الجودة في حساب احتمالية أن تحتوي الدفعة على عدد وحدات مطابقة يتراوح بين 14 و 17 وحدة ضمناً ($14 le X le 17$).

باستخدام دالة النطاق المباشرة، تُكتب المعادلة:

=BINOM.DIST.RANGE(20, 0.80, 14, 17)

وتكافئ تماماً الصيغة المركبة:

=BINOM.DIST(17, 20, 0.80, TRUE) - BINOM.DIST(13, 20, 0.80, TRUE)

تُرجع كلتا الصيغتين القيمة 0.7042 (أي 70.42%)، وهو ما يبرهن على كفاءة دالة النطاق في اختصار المعادلات المعقدة في خطوة حسابية واحدة وأكثر أماناً من الأخطاء المنطقية.

7.3 معالجة الحالات الخاصة والحدود الحرجة للنطاق

عند التعامل مع دالة BINOM.DIST.RANGE، يجب مراعاة بعض الشروط والقيود الرياضية لتجنب الحصول على أخطاء برمجية أو نتائج غير متوقعة:

• الترتيب التصاعدي للحدود: يشترط أن يكون الحد الأدنى أقل من أو مساوياً للحد الأعلى ($a le b$). في حال إدخال قيمة للحد الأدنى $a$ أكبر من الحد الأعلى $b$ (مثل محاولة حساب النطاق من 10 إلى 5)، فإن الدالة تُرجع رمز الخطأ الحسابي #NUM!.
• الحد الأدنى يساوي الصفر: إذا كان الحد الأدنى للنطاق هو الصفر ($a = 0$)، فإن دالة BINOM.DIST.RANGE(n, p, 0, b) تصبح مكافئة تماماً للدالة التراكمية BINOM.DIST(b, n, p, TRUE).
• تجاوز حدود العينة: يجب ألا يتجاوز أي من الحدين ($a$ أو $b$) إجمالي عدد المحاولات ($n$). إذا كان$b > n$، فإن إكسيل يُرجع خطأ #NUM!.
• التعامل مع الفترات المفتوحة: إذا كان النطاق المطلوب مفتوحاً مثل ($a < X < b$)، يجب تعديل الحدود يدوياً لتصبح فترة مغلقة مكافئة ($a + 1 le X le b – 1$) قبل إدخالها في الدالة، فتُكتب الصيغة: =BINOM.DIST.RANGE(n, p, a + 1, b - 1).

8. الاحتمال العكسي وتحديد القيم الحرجة باستخدام دالة BINOM.INV

8.1 مفهوم الاحتمال العكسي (Inverse Cumulative Distribution)

في العديد من التطبيقات الإحصائية واختبار الفرضيات، تنعكس المسألة الاحتمالية؛ فبدلاً من معرفة عدد النجاحات ($k$) والبحث عن احتماله، يكون الباحث مزوداً بمستوى احتمالي تراكمي معين يُعرف بمستوى المعنوية أو الاحتمال المستهدف ($alpha$)، ويبحث عن “القيمة الحرجة” (Critical Value) أو درجة القطع للمتغير العشوائي ذي الحدين التي يتحقق عندها هذا الاحتمال.

في التوزيعات الاحتمالية المنفصلة مثل التوزيع ذي الحدين، وبسبب الطبيعة الدرجية لدالة التوزيع التراكمي وتواجد الاحتمالات على شكل قفزات غير متصلة، لا يمكن دائماً العثور على قيمة للمتغير العشوائي تعطي احتمالاً تراكمياً مساوياً تماماً لقيمة $\alpha$. لذلك، يُعرف الاحتمال العكسي للتوزيع ذي الحدين رياضياً بأنه: أصغر عدد صحيح $k$ بحيث يكون الاحتمال التراكمي عنده أكبر من أو مساوياً للقيمة المستهدفة $\alpha$:

k = min { x : P(X = alpha }

يمثل هذا المفهوم الرياضي ركيزة بناء أدوات الفحص، وضبط حدود القرارات، وتحديد عتبات القبول والرفض الإحصائي.

8.2 تركيب دالة BINOM.INV وتطبيقاتها العملية

تنفذ دالة BINOM.INV خوارزمية البحث عن القيمة الحرجة للتوزيع ذي الحدين، وتُكتب بنيتها في إكسيل كالتالي:

=BINOM.INV(trials, probability_s, alpha)

تتضمن وسائط الدالة:

• trials: إجمالي عدد المحاولات المستقلة ($n$).
• probability_s: احتمالية النجاح في كل محاولة ($p$).
• alpha: المعيار الاحتمالي المستهدف أو مستوى المعنوية التراكمي المطلوب ($0 le alpha le 1$).

تطبيق عملي: لنفترض أن لجنة اختبارات أكاديمية ترغب في تحديد درجة قطع (Cut-off Score) لاختبار ترخيص مهني يتكون من 50 سؤالاً متعدد الخيارات ($n = 50$) بنسبة تخمين عشوائي $p = 0.25$. ترغب اللجنة في تحديد أصغر درجة اختبار تجعل احتمال حصول المتقدم عليها بالتخمين العشوائي لا يتجاوز 99% تراكمياً، أي البحث عن القيمة التي تمثل الشريحة المئينية الـ 99 ($\alpha = 0.99$).

تُكتب الصيغة في إكسيل:

=BINOM.INV(50, 0.25, 0.99)

تُرجع الدالة القيمة 19. يعني هذا إحصائياً أن احتمال حصول المفحوص المخمن على 19 إجابة صحيحة أو أقل يبلغ 99% على الأقل. وبالتالي، إذا وضع الاختبار معيار النجاح عند 20 درجة فأكثر، فإن احتمال اجتياز أي شخص يعتمد كلياً على الصدفة العشوائية سيكون أقل من 1% ($P(X ge 20) < 0.01$)، مما يوفر حماية إحصائية صارمة لسلامة المقياس وموثوقيته.

8.3 حساب حدود الثقة ومناطق الرفض الإحصائي

تلعب دالة BINOM.INV دوراً محورياً في بناء اختبارات الفرضيات ثنائية الطرف (Two-tailed Binomial Tests) لتحديد منطقتي الرفض للفرضية الصفرية عند مستوى دلالة محدد وليكن $\alpha = 0.05$. في هذا النوع من الاختبارات، يتم تقسيم مستوى المعنوية بالتساوي على طرفي التوزيع (0.025 لكل طرف):

• الحد الحرج الأدنى (Lower Critical Value – $k_{low}$): يُحسب بتطبيق الدالة عند مستوى الطرف الأدنى ($\alpha / 2 = 0.025$):
  
  =BINOM.INV(n, p, 0.025)
• الحد الحرج الأعلى (Upper Critical Value – $k_{high}$): يُحسب بتطبيق الدالة عند مستوى الطرف الأعلى المتمم ($1 – alpha / 2 = 0.975$):
  
  =BINOM.INV(n, p, 0.975)

تُحدد هاتان القيمتان “منطقة القبول” للفرضية الصفرية المحصورة بين $k_{low}$ و $k_{high}$. إذا كانت القيمة الملاحظة تجريبياً تقع خارج هذا النطاق (أي أقل من $k_{low}$ أو أكبر من $k_{high}$)، يتم رفض الفرضية الصفرية والاستنتاج بوجود دلالة إحصائية كافية تدعم الفرضية البديلة.

9. إنشاء جدول توزيع احتمالي كامل (Probability Distribution Table) في إكسيل

9.1 تصميم جدول البيانات وحساب المتغيرات خطوة بخطوة

يعد بناء جدول توزيع احتمالي كامل خطوة أساسية لتحليل وفهم السلوك الإحصائي العام للتجربة ذي الحدين. يتيح الجدول رؤية كافة الاحتمالات الممكنة جنباً إلى جنب والتحقق من الاستقرار الحسابي للنموذج. لتصميم هذا الجدول في إكسيل، نتبع الخطوات المنهجية التالية:

1. إعداد منطقة المعلمات: في الجزء العلوي من ورقة العمل، نخصص خلايا واضحة للمعلمات؛ على سبيل المثال: الخلية E1 لحجم العينة ($n = 10$)، والخلية E2 لنسبة النجاح ($p = 0.4$).
2. إنشاء عمود المتغير العشوائي ($x$): في العمود A ابتداءً من الخلية A5، نقوم بكتابة القيم من 0 وحتى $n$ (من 0 إلى 10) باستخدام أداة التعبئة التلقائية لسلسلة الأرقام.
3. حساب دالة كتلة الاحتمال (PMF): في العمود B (الخلية B5 المقابلة للقيمة $x=0$)، ندخل صيغة الاحتمال المنفصل مع تثبيت خلايا المعلمات باستخدام المراجع المطلقة:
   
   =BINOM.DIST(A5, $E$1, $E$2, FALSE)
   
   ثم نسحب الصيغة وتُعمم على طول العمود حتى القيمة $x = 10$.
4. حساب دالة التوزيع التراكمي (CDF): في العمود C (الخلية C5)، ندخل صيغة الاحتمال التراكمي:
   
   =BINOM.DIST(A5, $E$1, $E$2, TRUE)
   
   ونعممها لنهاية السلسلة.
5. التحقق الرياضي من صحة النموذج: في الخلية الواقعة أسفل عمود PMF، نطبق دالة المجموع =SUM(B5:B15). يجب أن يكون الناتج مساوياً تماماً لـ 1.000000، وهو ما يؤكد استيفاء النموذج لشرط الاحتمال الكلي لفضاء العينة. كما يجب أن تتطابق القيمة الأخيرة في عمود CDF عند $x = n$ مع الرقم 1.0 تماماً.

9.2 أتمتة الجداول الديناميكية باستخدام المراجع المطلقة وتنسيق الجداول

لتحويل جدول التوزيع إلى أداة نمذجة احترافية ديناميكية، يُنصح بتحويل نطاق البيانات إلى “جدول إكسيل رسمي” (Excel Table) عبر الضغط على Ctrl + T. يوفر تنسيق الجداول ميزة التوسيع التلقائي للصيغ، والتنسيق الشرطي التلقائي للبيانات، وتسهيل الإشارة إلى الأعمدة باستخدام الأسماء الهيكلية (Structured References).

بالإضافة إلى ذلك، يُفضل دمج مقاييس النزعة المركزية والتشتت في لوحة المعلمات الأساسية لتكتمل الصورة التحليلية للنموذج الاحتمالي، حيث يتم تطبيق الصيغ التالية في خلايا مستقلة:

• المتوسط الحسابي المتوقع ($\mu$): =$E$1 * $E$2
• التباين الإحصائي ($\sigma^2$): =$E$1 * $E$2 * (1 - $E$2)
• الانحراف المعياري ($\sigma$): =SQRT($E$1 * $E$2 * (1 - $E$2))

تضمن هذه الأتمتة المترابطة تحديث كافة الاحتمالات، والمجاميع، ومقاييس التشتت، والرسوم البيانية الملحقة فورياً بمجرد قيام الباحث بتغيير قيمة $n$ أو $p$ في خلايا المدخلات الرئيسية، مما يوفر بيئة محاكاة إحصائية بالغة القوة والمرونة.

10. التمثيل البياني للتوزيع ذي الحدين في مايكروسوفت إكسيل

10.1 رسم مخطط كتلة الاحتمال (PMF Chart)

يعد المخطط البياني لدالة كتلة الاحتمال الوسيلة المثلى لإدراك شكل التوزيع الإحصائي بصرياً، والتعرف على مدى تناظره أو التوائه نحو أحد الطرفين. لإنشاء مخطط PMF احترافي في إكسيل:

1. نقوم بتحديد نطاق قيم الاحتمال المنفصل (العمود B)، ثم نتوجه إلى تبويب إدراج (Insert) ونختار مخطط عمودي متفاوت المسافات (Clustered Column Chart).
2. نقوم بالنقر بزر الفأرة الأيمن على المخطط ونختار تحديد البيانات (Select Data)، ثم نضغط على تحرير (Edit) لتسميات المحور الأفقي (Horizontal Axis Labels)، ونحدد نطاق قيم المتغير العشوائي $x$ (العمود A) ليظهر المحور السيني مرقماً من 0 إلى $n$ بدقة.
3. لإعطاء المخطط مظهراً إحصائياً قياسياً يشبه المدرجات التكرارية، ننقر نقراً مزدوجاً على أعمدة المخطط لفتح لوحة تنسيق سلسلة البيانات (Format Data Series)، ونقوم بتقليل عرض الفجوة (Gap Width) إلى نسبة تتراوح بين 10% و 20%، مما يجعل الأعمدة متقاربة وممثلة لطبيعة الكتلة الاحتمالية المنفصلة.
4. نضيف تسميات البيانات (Data Labels) أعلى الأعمدة الرئيسية، ونسمي المحاور بوضوح: المحور الأفقي يمثل “عدد مرات النجاح (x)” والمحور الرأسي يمثل “الاحتمال P(X=x)”.

10.2 رسم منحنى التوزيع التراكمي (CDF Step/Line Chart)

يوضح منحنى التوزيع التراكمي كيفية تراكم الاحتمالات وصعودها التدريجي من الصفر حتى بلوغ اليقين التام (1.0). نظراً لأن التوزيع ذو الحدين توزيع منفصل، فإن التمثيل الرياضي الدقيق لمنحنى CDF يأخذ شكلاً “درجياً” (Step Function)، حيث يقفز المنحنى رأسياً عند كل قيمة صحيحة لـ $x$ ويبقى أفقياً وثابتاً بين القيم.

في بيئة إكسيل، يمكن تمثيل المنحنى التراكمي بكفاءة عالية عن طريق اختيار مخطط خطي مع علامات (Line with Markers Chart) باستخدام بيانات العمود C (الاحتمال التراكمي). يُضبط المحور الرأسي (Y-axis) بحيث يبدأ الحد الأدنى من 0.0 ويصل الحد الأقصى بدقة إلى 1.0. يتيح هذا الرسم البياني للمحلل تحديد نقاط الانعطاف الرئيسية، واستقراء النسب المئينية، وقراءة الاحتمالات التراكمية المناظرة لكل قيمة من قيم المتغير العشوائي بوضوح تام.

10.3 إنشاء مخططات تفاعلية ديناميكية باستخدام أدوات التحكم

لتحقيق أقصى استفادة تعليمية وتحليلية، يمكن ربط معلمات التوزيع ذي الحدين بعناصر التحكم التفاعلية في إكسيل (Form Controls) المتوفرة في تبويب المطور (Developer Tab):

• إضافة شريط تمرير (Scroll Bar) للوسيط $p$: يتم تعيين قيم شريط التمرير بين 1 و 99 مع ربطه بخلية مساعدة، ثم قسمة القيمة الناتجة على 100 في خلية الاحتمال $p$. يسمح تحريك هذا الشريط بملاحظة حية للتغير في شكل التوزيع:
  • عندما تكون $p = 0.5$، يظهر التوزيع متناظراً تماماً (Symmetrical Distribution).
  • عندما تكون $p < 0.5$، يلتوي التوزيع بصرياً نحو اليمين (Positive / Right-Skewed).
  • عندما تكون $p > 0.5$، يلتوي التوزيع بصرياً نحو اليسار (Negative / Left-Skewed).
• إضافة شريط تمرير للوسيط $n$: بزيادة حجم العينة $n$ مع تثبيت $p$، يمكن للمحلل أن يلاحظ بصرياً تحقق نظرية النهاية المركزية (Central Limit Theorem)؛ حيث تبدأ كتل الاحتمال المنفصلة بالتقارب والتماثل التدريجي لتشبه المنحنى الجرسي الأملس المميز للتوزيع الطبيعي المعياري (Normal Distribution Approximation)، خاصة عندما يتحقق الشرط المعياري $n \cdot p ge 5$ و $n \cdot (1 – p) ge 5$.

11. تطبيقات متقدمة ودراسات حالة في التحليل السلوكي والإحصائي

11.1 دراسة حالة 1: كشف التخمين العشوائي في القياس النفسي

في إطار إعداد اختبار كفاءة معرفية مكون من 20 سؤالاً متعدد الخيارات ($n = 20$)، ولكل سؤال 4 خيارات بديلة (خيار واحد صحيح وثلاثة مشتتات)، تبلغ احتمالية اختيار الإجابة الصحيحة بالتخمين العشوائي البحت ربعاً ($p = 0.25$). حددت اللائحة الأكاديمية درجة النجاح الدنيا بنسبة 60%، أي الحصول على 12 إجابة صحيحة على الأقل ($x ge 12$).

السؤال التحليلي: ما هي احتمالية أن ينجح مفحوص يعتمد كلياً على التخمين والصدفة في اجتياز هذا الاختبار؟

تتم صياغة معادلة المتممة التراكمية في إكسيل:

=1 - BINOM.DIST(11, 20, 0.25, TRUE)

تُرجع الدالة القيمة 0.000935 (أي نحو 0.09%، وهو أقل من عُشر الواحد بالمئة). تُثبت هذه النتيجة لصناع القرار أن معيار النجاح الحالي (12 درجة) يوفر حماية شبه مطلقة ضد التخمين الصدفي، حيث يستحيل عملياً اجتياز الاختبار بالصدفة البحتة، مما يؤكد الصدق الإحصائي للاختبار وموثوقية درجاته.

11.2 دراسة حالة 2: مراقبة الجودة وضبط المعايير السلوكية

تراقب إحدى المؤسسات الصحية مدى التزام الموظفين بتطبيق بروتوكولات التعقيم والسلامة المهنية. يُظهر المعيار المؤسسي التاريخي أن معدل الامتثال القياسي يجب ألا يقل عن 90% ($p = 0.90$). قامت إدارة الجودة بمراقبة عينة عشوائية مكونة من 30 عملية تفاعلية ($n = 30$)، ولوحظ الامتثال للبروتوكول في 23 عملية فقط.

السؤال التحليلي: هل يُعد تسجيل 23 حالة امتثال أو أقل تدهوراً حقيقياً ذا دلالة إحصائية في السلوك المؤسسي يستدعي التدخل الإداري، أم أنه مجرد تذبذب عشوائي طبيعي ضمن حدود المعيار؟

يتم حساب القيمة الاحتمالية التراكمية في إكسيل:

=BINOM.DIST(23, 30, 0.90, TRUE)

تُرجع الدالة القيمة 0.0156 (أي 1.56%). بما أن هذه القيمة الاحتمالية أقل بكثير من مستوى المعنوية المعياري المعتمد ($\alpha = 0.05$)، فإن الفرضية القائلة بأن معدل الامتثال الحقيقي لا يزال عند مستوى 90% تُرفض إحصائياً. ويوفر هذا التحليل دليلاً كمياً قاطعاً للإدارة بضرورة التدخل الفوري لتنظيم دورات تدريبية وتصحيح الخلل السلوكي في تطبيق معايير السلامة.

11.3 دراسة حالة 3: التجارب السريرية والتصميمات شبه التجريبية

في دراسة شبه تجريبية لتقييم فعالية تدخل إرشادي سلوكي لعلاج الأرق المزمن، خضع 15 مريضاً لبروتوكول علاجي معرفي سلوكي ($n = 15$). في غياب التدخل العلاجي (الفرضية الصفرية)، تشير الدراسات السابقة إلى أن نسبة التحسن التلقائي لا تتجاوز 20% ($p = 0.20$). في نهاية فترة الدراسة، أظهر 7 مرضى تحسناً سريرياً ملموساً وثابتاً وفقاً للمقاييس المعتمدة.

لحساب القيمة الاحتمالية (P-value) لهذا الاختبار أحادي الطرف للتأكد مما إذا كان التدخل فعالاً جوهرياً، نحسب احتمالية تحسن 7 حالات أو أكثر بالصدفة البحتة:

=1 - BINOM.DIST(6, 15, 0.20, TRUE)

تُرجع الدالة القيمة 0.0181 (أي 1.81%). وبما أن القيمة الاحتمالية أصغر من 0.05، يستنتج الباحث السريري وجود تأثير علاجي حقيقي وذي دلالة إحصائية للبروتوكول السلوكي الجديد، مع استبعاد فرضية التحسن التلقائي غير الموجه.

12. استكشاف الأخطاء وإصلاحها وأفضل الممارسات الحسابية في إكسيل

12.1 رموز الأخطاء الشائعة وأسبابها الرياضية

أثناء تطبيق دوال التوزيع ذي الحدين في إكسيل، قد يواجه المستخدم بعض رموز الأخطاء البرمجية التي تشير إلى وجود خلل في قيم المدخلات أو نسقها. نستعرض فيما يلي أهم هذه الأخطاء وأسبابها الإحصائية والرياضية الدقيقة:

• رمز الخطأ #NUM!: يشير هذا الخطأ إلى انتهاك أحد القيود الرقمية الرياضية لدوال التوزيع، ويحدث في الحالات التالية:
  • إدخال عدد محاولات سالب ($trials < 0$).
  • إدخال عدد نجاحات سالب ($number_s trials$).
  • إدخال قيمة احتمالية تقع خارج النطاق المغلق [0, 1] (مثل كتابة $p = 1.2$ أو $p = -0.05$).
  • إدخال قيمة معيارية $\alpha$ في دالة BINOM.INV سالبة أو تتجاوز الواحد الصحيح.
• رمز الخطأ #VALUE!: يظهر هذا الخطأ عندما يحتوي أحد وسائط الدالة على قيمة غير رقمية، كإدخال نصوص أو أحرف هجائية بطريق الخطأ في خلايا المعلمات، أو استخدام مراجع خلايا فارغة تحتوي على مسافات نصية خفية.
• خطأ الطفح والتقريب (Underflow): عند التعامل مع قيم ضخمة جداً لـ $n$ مع احتمالات متناهية الصغر، قد تُرجع الدالة القيمة 0.000000 على الرغم من أن الاحتمال الفعلي موجب تماماً ولكنه يقع خارج نطاق الدقة العشرية المخزنة في إكسيل (أقل من $10^{-308}$). في هذه الحالات القصوى، يُوصى باستخدام التقريب بتوزيع بواسون (Poisson Approximation) أو التوزيع الطبيعي.

12.2 قواعد التحقق من صحة البيانات (Data Validation)

لبناء نماذج إحصائية قوية ومحمية من أخطاء الإدخال البشري، يُنصح بتطبيق ميزة التحقق من صحة البيانات (Data Validation) على خلايا المدخلات في إكسيل عبر تبويب “بيانات” (Data):

• تقييد خلية عدد المحاولات ($n$): يتم ضبط التحقق ليقبل “عدداً صحيحاً” (Whole Number) فقط، مع تحديد الشرط بأن يكون أكبر من أو مساوياً لـ 1.
• تقييد خلية احتمالية النجاح ($p$): يتم ضبط التحقق ليقبل “رقماً عشرياً” (Decimal) محصوراً بدقة بين الحد الأدنى 0.0 والحد الأقصى 1.0.
• تقييد خلية عدد مرات النجاح ($x$): يتم ضبط التحقق ليقبل عدداً صحيحاً محصوراً بين 0 والخلية التي تحتوي على قيمة $n$.

يضمن هذا الإجراء الوقائي استحالة قيام المستخدم بإدخال أرقام غير منطقية رياضياً، مما يحول دون ظهور أخطاء الحساب ويحافظ على سلامة وموثوقية النموذج التحليلي.

12.3 دليل أفضل الممارسات لبناء نماذج إحصائية قوية وموثوقة

لضمان أعلى درجات الدقة والاحترافية عند بناء النماذج الإحصائية في إكسيل، يُستحسن اتباع الإرشادات المنهجية التالية:

• استخدام النطاقات المسماة (Named Ranges): يُنصح بتسمية خلايا المعلمات بأسماء ذات دلالة إحصائية واضحة (مثل تسمية الخلية Trials_Count و Success_Prob). يتيح ذلك كتابة صيغ مقروءة وذاتية التوثيق مثل: =BINOM.DIST(A5, Trials_Count, Success_Prob, FALSE) بدلاً من الاعتماد على مراجع الخلايا المجردة.
• فصل طبقة المدخلات عن طبقة المعالجة: يجب تصميم ورقة العمل بحيث تُفصل خلايا إدخال المعلمات والبيانات الخام في قسم مستقل بوضوح عن جداول الحسابات التراكمية والمخرجات التحليلية النهائية.
• التوثيق الداخلي للنموذج: يُفضل إضافة تعليقات نصية وملاحظات توضيحية داخل ورقة العمل تشرح الافتراضات الإحصائية المعتمدة، وسياق جمع البيانات، وتفسير المعلمات، مما يضمن شفافية النموذج وقابليته للمراجعة وإعادة الاستخدام من قِبل باحثين ومحللين آخرين.

خاتمة

يُعد التوزيع ذو الحدين أحد الأعمدة الراسخة في صرح التحليل الإحصائي ونظرية الاحتمالات، وتتجلى قوته المنهجية في قدرته الفريدة على تحويل القرارات والملاحظات المنفصلة إلى نماذج رياضية واضحة المعالم. ومن خلال الأدوات الحاسوبية المتقدمة التي يوفرها برنامج مايكروسوفت إكسيل، أصبح بمقدور الباحثين والممارسين في كافة الحقول العلمية والتطبيقية تطويع هذا التوزيع بدقة فائقة وسهولة متناهية. إن الفهم العميق للوسائط المكونة لدوال مثل BINOM.DIST و BINOM.DIST.RANGE و BINOM.INV، والتمييز الدقيق بين الاحتمالات المنفصلة والتراكمية، والالتزام الصارم بالافتراضات الرياضية للنموذج، يمثل الضمانة الأساسية لاستخلاص نتائج إحصائية تتسم بالدقة والموثوقية العالية وتدعم اتخاذ قرارات مبنية على أسس برهانية راسخة.

References

• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471249688
• Casella, G., & Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.
• Field, A. (2018). Discovering statistics using IBM SPSS statistics (5th ed.). SAGE Publications.
• Hogg, R. V., McKean, J., & Craig, A. T. (2019). Introduction to mathematical statistics (8th ed.). Pearson.
• Microsoft Corporation. (2023). BINOM.DIST function documentation. Microsoft Support. https://support.microsoft.com/en-us/office/binom-dist-function-c5ae37b6-f39c-4e89-8646-ac513a0452d2
• Montgomery, D. C., & Runger, G. C. (2018). Applied statistics and probability for engineers (7th ed.). John Wiley & Sons.
• Ross, S. M. (2014). Introduction to probability models (11th ed.). Academic Press. https://doi.org/10.1016/C2012-0-06283-7
• Triola, M. F. (2021). Elementary statistics (14th ed.). Pearson.