كيفية حساب القيمة المتوقعة لـ X^2

تحتل نظرية الاحتمالات والإحصاء الرياضي مكانة محورية في صياغة النماذج التفسيرية للظواهر الطبيعية، والاجتماعية، والنفسية، والسلوكية؛ إذ تُمكّن الباحثين والمحللين من تكميم عدم اليقين واستيعاب آليات العشوائية الكامنة وراء الملاحظات التجريبية. وفي قلب هذا البناء الرياضي الشامخ، يبرز مفهوم القيمة المتوقعة (Expected Value) كأحد أرسخ المعالم التحليلية التي لا غنى عنها لفهم السلوك التوزيعي للمتغيرات العشوائية بمختلف أشكالها وفئاتها.

غير أن الاقتصار على دراسة القيمة المتوقعة المباشرة للمتغير العشوائي، والمتمثلة في العزم الأول أو المتوسط الحسابي النظري، يظل قاصراً عن الإحاطة بجميع الأبعاد الهندسية والديناميكية للتوزيع الاحتمالي. من هنا تبرز الضرورة الرياضية الملحة لحساب القيمة المتوقعة لدوال المتغير العشوائي، وفي مقدمتها دالة التربيع، أو ما يُعرف اصطلاحاً بـ القيمة المتوقعة لـ X^2 أو العزم الخام الثاني (Second Raw Moment). إن هذا المقدار الرياضي لا يمثل مجرد عملية جبرية مجردة، بل يشكل ركيزة حيوية تكشف عن حجم التشتت، ومقدار الطاقة الكامنة في التوزيع، والأساس المنطقي لاشتقاق التباين والانحراف المعياري ومقاييس الخطأ الإحصائي المختلفة.

يهدف هذا المقال الأكاديمي الموسع والدليل المرجعي الشامل إلى استعراض كيفية حساب القيمة المتوقعة لـ X^2 بأعلى مستويات الدقة المنهجية والعمق الرياضي والتحليلي. وسنقوم برحلة متكاملة تبدأ من التأصيل النظري والمفاهيمي، مروراً بالتمييز بين المتغيرات المنفصلة والمتصلة، وتفكيك القوانين الرياضية والتكاملية، ودراسة الحالات التطبيقية التفصيلية، ووصولاً إلى استكشاف التقنيات المتقدمة كالدوال المولدة للعزوم، وإبراز تطبيقات هذا العزم في العلوم النفسية والسلوكية والقياس التجريبي. إن استيعاب هذا المفهوم الرياضي يمنح الدارس والباحث أداة قياسية لا غنى عنها لبناء نماذج تنبؤية متينة وفهم أعمق للتنوع البشري والظواهر العشوائية في مختلف مجالات المعرفة.

1. مقدمة تأسيسية: الإطار النظري للقيمة المتوقعة لـ X^2

1.1 التعريف الرياضي للقيمة المتوقعة لمربع المتغير

يُعرَّف مفهوم القيمة المتوقعة لمربع المتغير العشوائي، والمشار إليه رمزياً بـ E(X^2)، في الأدبيات الإحصائية والرياضية بوصفه “العزم الخام الثاني” (Second Raw Moment حول نقطة الأصل) للمتغير العشوائي X. يعبر هذا المقدار في جوهره عن المتوسط المرجح لمربعات كافة القيم الممكنة التي يمكن للمتغير العشوائي أن يتخذها في فضاء العينة، حيث يتم وزن كل قيمة مربعة باحتمالية حدوثها الأصلية. ومن الناحية الهندسية والفيزيائية، يماثل هذا المفهوم حساب “عزم القصور الذاتي” لكتل احتمالية موزعة على مستقيم الأعداد، مما يجعله مقياساً لقوة انتشار الكتلة حول نقطة الصفر أو المبدأ.

من الضروري للغاية التمييز الصارم بين ثلاثة مفاهيم رياضية يقع الكثير من الدارسين في خلط مفاهيمي بينها: القيمة المتوقعة العادية E(X)، ومربع هذه القيمة [E(X)]^2، والقيمة المتوقعة لمربع المتغير E(X^2). فالأولى تمثل مركز الثقل الرياضي للتوزيع (المتوسط المرجح البسيط للقيم). والثانية هي مجرد أخذ ذلك المركز وتربيعه جبرياً كقيمة عددية وحيدة. أما الثالثة، أي E(X^2)، فهي تطبيق غير خطي لعملية التربيع على كل قيمة محتملة للمتغير العشوائي قبل وزنها باحتمالها وجمعها أو مكاملتها، وبالتالي فإنها تعكس طبيعة انتشار القيم المربعة ولا تتساوى مع [E(X)]^2 إلا في حالة استثنائية واحدة ومعدومة التباين، كما سنوضح لاحقاً.

تكمن الأهمية الجوهرية للعزم الثاني في كونه يمنح وزناً مضاعفاً ومتصاعداً للقيم البعيدة عن المركز بفضل عملية التربيع، مما يجعله حساساً للغاية للتطرف والانتشار وذيول التوزيع. وتخضع هذه الصياغة لقواعد التحويلات غير الخطية للمتغيرات العشوائية؛ فوفقاً لما يُعرف في نظرية الاحتمالات بـ “قانون الإحصائي اللاواعي” (Law of the Unconscious Statistician – LOTUS)، ليس من الضروري استخراج دالة التوزيع الاحتمالي الجديدة للمتغير المحول Y = X^2 لحساب قيمته المتوقعة، بل يمكن تطبيق دالة التحويل التربيعية g(X) = X^2 مباشرة على قيم X المتاحة مع الاحتفاظ بدالة الكتلة أو الكثافة الاحتمالية الأصلية للمتغير، وهو ما يسهل المعالجات الجبرية والتحليلية بشكل مذهل.

1.2 الدور المحوري لـ E(X^2) في نظرية الاحتمالات

يلعب العزم الثاني E(X^2) دوراً محورياً لا يمكن تجاوزه في المنظومة الرياضية لنظرية الاحتمالات، وتتجلى أبرز وظائفه في كونه المكون الأساسي والمباشر لاشتقاق التباين الرياضي (Variance). فالتباين، الذي يقيس درجة تشتت القيم حول متوسطها، يعتمد في صيغته الحسابية المختصرة والمشهورة على طرح مربع المتوسط من العزم الثاني، أي Var(X) = E(X^2) – [E(X)]^2. وبدون التحديد الدقيق لـ E(X^2)، يصبح من المستحيل رياضياً قياس الانحرافات المعيارية وحساب معالم التشتت الأساسية لأي توزيع احتمالي تجريبي أو نظري.

علاوة على ذلك، يُنظر إلى E(X^2) في نظرية الإشارات والفيزياء الإحصائية ومجالات الهندسة الرياضية بوصفه المقياس الكمي المباشر لـ “الطاقة الكلية” (Total Power) للظاهرة العشوائية أو الإشارة المضطربة؛ حيث إن تربيع المتغير يمثل فيزيائياً الطاقة اللحظية، وتوقعه الرياضي يعكس متوسط الطاقة المبددة أو المنقولة عبر النظام الاحتمالي. كما تبرز القيمة المتوقعة للتربيع كشرط بنيوي لا غنى عنه لصحة وتحقق النظريات الاحتمالية الكبرى، وفي طليعتها مبرهنة الغاية المركزية (Central Limit Theorem) وقانون الأعداد الكبيرة بصيغته القوية؛ حيث تشترط هذه المبرهنات أن يكون العزم الثاني محدوداً وموجوداً لضمان تقارب متوسطات العينات نحو التوزيع الطبيعي واستقرار التقديرات الإحصائية.

وفي حقل الاستدلال الإحصائي والنمذجة القياسية، يشكل E(X^2) حجر الزاوية في بناء وتقييم مقاييس جودة النماذج، وبخاصة مقياس الخطأ التربيعي المتوسط (Mean Squared Error – MSE). إذ يُستخدم هذا العزم لتقييم كفاءة المقدرات الإحصائية ومدى قربها من المعالم الحقيقية للمجتمع، وتفكيك دالة الخسارة التربيعية إلى عنصري التباين والتحيز المربع. وبذلك، فإن حساب E(X^2) لا يمثل تمريناً رياضياً منعزلاً، بل هو مفتاح العبور لضبط دقة الخوارزميات، وتأكيد موثوقية المقاييس، وإجراء الاختبارات الاستدلالية المتقدمة في شتى العلوم الإمبريقية.

1.3 السياق المعرفي لحساب E(X^2) في العلوم السلوكية والكمية

يمتد توظيف E(X^2) من الفضاء الرياضي المجرد إلى أعماق العلوم السلوكية، وعلم النفس المعرفي، والقياس التربوي؛ حيث تواجه هذه المجالات تحدياً جوهرياً يتمثل في قياس وتفسير التباين السلوكي البشري الكامن خلف الاستجابات الملاحظة. في النماذج السلوكية، لا يقتصر اهتمام الباحثين على معرفة متوسط أداء الأفراد (مثل متوسط درجات الذكاء أو متوسط زمن رد الفعل)، بل يمتد إلى دراسة التشتت الهائل والفروق الفردية في الاستجابات. هنا يتدخل العزم الثاني ليوفر الأساس الكمي لنمذجة المسافات الإدراكية وقياس تقلبات السمات الشخصية تحت شروط تجريبية متباينة.

وفي ميدان القياس النفسي والتربوي (Psychometrics)، تبرز الحاجة القصوى لحساب E(X^2) عند معايرة أدوات القياس وتقييم خصائصها السيكومترية؛ مثل معايير عدم اليقين، والصدق، والموثوقية (Reliability). فمعاملات الثبات الكلاسيكية، كمعامل ألفا كرونباخ ومعادلات كودر-ريتشاردسون، ترتكز كلياً على نسب التباين المشتقة مباشرة من الفروق بين العزوم الثانية ومربعات العزوم الأولى لفقرات المقياس والدرجة الكلية. كما أن تصحيح درجات الاختبارات النفسية ونمذجة نظرية استجابة المفردة (IRT) تتطلبان حساب القيمة المتوقعة لمربعات الأخطاء المعيارية في التقدير، مما يجعل الفهم الرياضي الدقيق لـ E(X^2) متطلباً أساسياً لكل باحث يطمح إلى تقنين أداة قياس سلوكية ذات وثوقية علمية رصينة.

ولا يتوقف الأمر عند حدود القياس الساكن، بل يتعداه إلى دراسة الفروق الفردية في الأداء الحركي والعصبي عبر الحسابات الاحتمالية المعقدة. فعندما يدرس علماء الأعصاب المعرفيون تباين فترات الاستجابة للمثيرات الحسية، فإن توزيع الأزمنة نادراً ما يكون خطياً أو متناظراً، بل يظهر التواءات موجبة ملحوظة. في هذا السياق، يصبح استخراج العزم الثاني أداة بالغة الحساسية لتشخيص الخلل الوظيفي في المعالجة المعرفية؛ إذ إن ارتفاع E(X^2) بالنسبة لـ E(X) يعكس تبايناً سلوكياً غير طبيعي وتقلبات في الانتباه التنفيذي للمفحوص، وهو ما يبرهن على الترابط العضوي الوثيق بين القوانين الرياضية للعزوم الاحتمالية والتطبيقات التشخيصية في العلوم النفسية والإكلينيكية.

2. الأسس الرياضية والتمييز بين أنواع المتغيرات العشوائية

2.1 خصائص المتغيرات العشوائية المنفصلة

يقتضي الفهم العميق لكيفية حساب E(X^2) إجراء تمييز تصنيفي صارم بين طبيعة المتغيرات العشوائية الحاكمة للظاهرة المدروسة؛ إذ تختلف المعالجة الجبرية والتحليلية باختلاف فضاء النواتج. يُعرَّف المتغير العشوائي المنفصل (Discrete Random Variable) بأنه ذلك المتغير الذي يأخذ مجموعة معدودة أو منتهية من القيم الحقيقية المعزولة على مستقيم الأعداد، مثل الأعداد الصحيحة (0، 1، 2، 3، …)، بحيث يمكن فصل كل قيمة عن الأخرى بفجوة رياضية واضحة، ولا يمكن للمتغير أن يتخذ قيماً وسيطة بينية داخل تلك الفجوات في سياق التجربة ذاته.

يرتبط المتغير العشوائي المنفصل بما يُعرف رياضياً بـ دالة الكتلة الاحتمالية (Probability Mass Function – PMF)، والتي يُرمز لها عادة بالرمز P(X = x) أو p(x). وتخضع هذه الدالة لبديهيتين أساسيتين لا تقبلان المساومة في التحليل الاحتمالي الرياضي: الأولى هي أن احتمالية أي قيمة محددة يجب أن تكون محصورة بدقة بين الصفر والواحد الصحيح، أي 0 ≤ p(x) ≤ 1 لجميع قيم x الممكنة. والبديهية الثانية تنص على أن المجموع الكلي لاحتمالات كافة القيم الواقعة ضمن المدى يجب أن يساوي الواحد الصحيح تماماً، أي Σ p(x) = 1.

عند الرغبة في حساب العزم الثاني لمتغير منفصل، يتم توزيع هذه الكتل الاحتمالية p(x) كأوزان نسبية مباشرة على المربعات العددية لقيم المتغير، أي على المقادير x^2. وتزخر البيئة التجريبية والقياسية بأمثلة حية للمتغيرات المنفصلة؛ منها استجابات الأفراد على مقاييس ليكرت المتدرجة (1، 2، 3، 4، 5)، وعدد الأسئلة المتروكة دون إجابة في اختبار تحصيلي، وعدد الأخطاء الإجرائية التي يرتكبها المتدرب في تجربة قياس التعلم الحركي، وتكرار نوبات القلق المسجلة أسبوعياً لدى مرضى العيادات النفسية. في جميع هذه الحالات، يتخذ المتغير قيماً محددة بدقة تسمح بإجراء عمليات جمع تكراري مباشر للقيم المربعة المرجحة باحتمالاتها.

2.2 خصائص المتغيرات العشوائية المتصلة (المستمرة)

على النقيض من النمط المنفصل، يتميز المتغير العشوائي المتصل أو المستمر (Continuous Random Variable) بقدرته الرياضية على اتخاذ أي قيمة تقع ضمن فترة متصلة أو مجال غير متقطع في حقل الأعداد الحقيقية ℝ، سواء كانت تلك الفترة محدودة بحدود دنيا وعليا [a, b]، أو ممتدة إلى المالانهاية الموجبة أو السالبة (-∞, +∞). إن السمة الفارقة للمتغير المتصل هي أن عدد القيم الممكنة التي يمكن أن يرصدها القياس هو عدد لا نهائي غير قابل للعد (Uncountable Infinity)، مما يجعل احتمالية تحقق قيمة نقطية مفردة بدقة لامتناهية مساوية للصفر تماماً من منظور تحليلي، أي P(X = c) = 0 لأي ثابت c.

بدلاً من دالة الكتلة الاحتمالية، يُوصف المتغير المتصل رياضياً عبر ما يُعرف بـ دالة الكثافة الاحتمالية (Probability Density Function – PDF)، والتي يُرمز لها عادة بالرمز f(x). تخضع هذه الدالة لشرطين جوهريين: الأول هو عدم السلبية، أي أن f(x) ≥ 0 لجميع قيم x عبر كامل المجال، والثاني هو أن المساحة الإجمالية المحصورة تحت منحنى دالة الكثافة على امتداد مجال تعريفها بأكمله يجب أن تساوي الواحد الصحيح، وهو ما يُعبر عنه بالتكامل المعتل: ∫ f(x) dx = 1 من -∞ إلى +∞.

في حالة المتغير المتصل، لا يمكن حساب الاحتمالات عبر الجمع النقطي، بل يتم التحول بالضرورة إلى حساب المساحات تحت المنحنى عبر عمليات التكامل الرياضي (Integration). وعند حساب E(X^2)، يُعامل المقدار x^2 كدالة متصلة تُضرب في دالة الكثافة f(x) للحصول على الكثافة المرجحة للعزم الثاني عبر فترات تفاضلية متناهية الصغر dx. وتتجسد المتغيرات المتصلة في القياس الإمبريقي في متغيرات مثل: أزمنة الرجع الحسي والحركي (Reaction Times) المقاسة بالمللي ثانية، والدرجات المعيارية المستمرة على مقاييس الانتباه المستمر، ومستويات تركيز الهرمونات في الدم أثناء الاستجابة للضغوط النفسية، والمدة الزمنية التي يستغرقها المسترشد في معالجة فكرة وسواسية أثناء جلسة العلاج السلوكي المعرفي.

2.3 شروط التقارب ووجود القيمة المتوقعة E(X^2)

من الأخطاء المعرفية الشائعة افتراض أن القيمة المتوقعة لـ X^2 موجودة ومعرفة دائماً لجميع المتغيرات والتوزيعات الاحتمالية؛ إذ إن الحقيقة الرياضية الصارمة تؤكد أن وجود العزوم الإحصائية مشروط بتحقق قواعد رياضية محددة ترتبط بمفاهيم التقارب المطلق (Absolute Convergence). في حالة المتغيرات العشوائية المنفصلة ذات المدى اللانهائي (مثل توزيع بواسون أو التوزيع الهندسي)، يُشترط لوجود E(X^2) أن تكون المتسلسلة اللانهائية الناتجة عن جمع حواصل ضرب القيم المربعة في احتمالاتها متقاربة تقارباً مطلقاً، أي يجب أن يتحقق الشرط التحليلي: Σ |x^2| * p(x) < ∞.

أما في سياق المتغيرات العشوائية المتصلة، فإن حساب العزم الثاني يستلزم تقارب التكامل المعتل على كامل مجال الدالة، وهو ما يُصاغ رياضياً بالشرط: ∫ |x^2| * f(x) dx < ∞ من -∞ إلى +∞. إذا كان هذا التكامل يتباعد (Diverges) ويتجه نحو المالانهاية، فإن القيمة المتوقعة لـ X^2 تُعد رياضياً "غير موجودة" أو غير معرفة (Undefined)، ويترتب على ذلك بالضرورة وبشكل تلقائي انعدام وجود تباين التوزيع، إذ لا يمكن بناء مقاييس تشتت لعزوم غير مستقرة.

تظهر هذه المعضلة الرياضية بوضوح جلي في عائلة التوزيعات الاحتمالية ذات الذيول الثقيلة (Heavy-Tailed Distributions)، والتي تمثل صدمة للنظريات الإحصائية التقليدية. ومن أبرز الأمثلة الأكاديمية على ذلك توزيع كوشي (Cauchy Distribution)، وتوزيع باريتو (Pareto Distribution) عندما يكون معامل الشكل أقل من أو يساوي 2، وتوزيع t-ستيودنت بدرجة حرية واحدة أو درجتين. في هذه التوزيعات، تنحدر دالة الكثافة الاحتمالية ببطء شديد عند أطراف الذيول، مما يؤدي إلى تراكم كتل احتمالية كافية عند القيم المتطرفة تجعل التكامل المشتمل على x^2 يتباعد إلى المالانهاية. وبالتالي، يتعين على الباحث قبل الشروع في حساب E(X^2) التحقق من البنية الرياضية للتوزيع وضمان وقوعه ضمن فئة التوزيعات ذات العزوم المحدودة، لتفادي الوقوع في استنتاجات مضللة لا أساس لها تحليلياً.

3. صيغة حساب E(X^2) للمتغيرات العشوائية المنفصلة

3.1 التفكيك التحليلي لقانون المجموع: E(X^2) = Σ x^2 * p(x)

تستند الصياغة الرياضية لحساب القيمة المتوقعة لمربع المتغير العشوائي المنفصل إلى قانون المجموع الموزون، والذي يتخذ الشكل الجبري الصريح التالي:

E(X^2) = Σ [x^2 * p(x)]

حيث يمتد رمز التجميع الإغريقي (Σ) ليشمل كافة القيم الممكنة x التي تقع ضمن فضاء النواتج المدعوم بالدالة الاحتمالية للمتغير. إن التفكيك الدقيق لعناصر هذه المعادلة يكشف عن تناغم رياضي رائع؛ فالمصطلح الأول داخل المجموع هو المقدار التربيعي (x^2)، ويمثل التطبيق الإجرائي للتحويل غير الخطي على القيمة المفردة للمتغير. ويؤدي هذا التربيع دورين حاسمين: الأول هو إلغاء كافة الإشارات السالبة، محولاً جميع القيم إلى مقادير موجبة قطعية، والثاني هو تضخيم القيم الكبيرة نسبياً مقارنة بالقيم الصغيرة، مما يمنحها وزناً هندسياً أكبر في حساب العزم.

أما المصطلح الثاني، وهو p(x) أو P(X = x)، فيمثل دالة الكتلة الاحتمالية المقترنة بتلك القيمة المحددة، ويعمل كمعامل ترجيح نسبي أو “ثقل نوعي” (Relative Weight) يحدد مقدار مساهمة القيمة المربعة x^2 في الحصيلة الإجمالية للمجموع. ومن الناحية الاستدلالية، يُعد الناتج النهائي لهذا القانون متوسطاً حسابياً مرجحاً للقيم المربعة، حيث لا تُعامل المربعات على قدم المساواة، بل تُعطى الأولوية الرياضية للمربعات المقترنة باحتمالات حدوث مرتفعة. وبفضل قانون LOTUS المذكور سابقاً، نصل إلى هذا المتوسط دون الحاجة للاشتقاق الشاق لدالة التوزيع الاحتمالي الجديدة للمتغير Y = X^2، مما يجعل هذا القانون حجر الزاوية في الحسابات الإحصائية المنفصلة.

3.2 قواعد التجميع وتأثير العمليات الحسابية

عند الشروع في تطبيق قانون التجميع لحساب E(X^2)، تبرز مجموعة من الخصائص الجبرية والبديهيات الاحتمالية التي تسهم في تبسيط الإجراءات الحسابية وضمان سلامتها. أولى هذه الخصائص هي الأثر الخاص بالقيم الصفرية؛ فعندما يأخذ المتغير العشوائي القيمة x = 0، فإن ناتج تربيعه يظل صفراً قطيعاً (0^2 = 0)، وبصرف النظر عن مقدار الاحتمال المقترن به p(0)، فإن حاصل الضرب [0 * p(0)] ينعدم ويسقط تلقائياً من حدود التجميع، مما يختزل عدد العمليات الحسابية المطلوبة دون الإخلال بالوزن الاحتمالي الإجمالي للتوزيع.

وثمة خاصية جوهرية أخرى تتعلق بالحفاظ الصارم على شروط بديهيات الاحتمال، وهي أن مجموع الأوزان الاحتمالية يجب أن يظل مساوياً للواحد الصحيح (Σ p(x) = 1). وتضمن هذه الخاصية عدم تضخيم أو تقليص النطاق الطبيعي للمتوسط المرجح؛ فإذا كانت جميع قيم x موجبة ومحصورة بين أدنى قيمة x_min وأعلى قيمة x_max، فإن E(X^2) سيقع حتماً داخل المجال المربع المغلق [(x_min)^2, (x_max)^2]، مما يوفر أداة فورية للمراجعة المنطقية للحسابات اليدوية والرقمية.

من زاوية أخرى، يجب الانتباه إلى الخواص التحويلية الخطية للتوقع الرياضي عند إدخال ثوابت مضروبة أو مضافة داخل دالة التربيع. فإذا كان لدينا متغير مركب بالشكل (aX + b)^2، حيث a و b ثوابت حقيقية، فإن فك المربع داخل التوقع يخضع للخاصية الخطية للتوقع التجميعي:

E[(aX + b)^2] = E[a^2 * X^2 + 2ab * X + b^2] = a^2 * E(X^2) + 2ab * E(X) + b^2

يُظهر هذا التحليل بجلاء أن الثوابت المضروبة تخرج خارج العزم الثاني مربعة (a^2)، بينما لا يمكن توزيع التوقع ببساطة عبر الجمع إلا بعد فك الأقواس الجبرية، وهو ما يبرز الدقة المطلوبة عند التعامل مع المتغيرات المعايرة أو المحولة خطياً في الأبحاث النفسية والتجريبية.

4. دليل تطبيقي خطوة بخطوة لحساب E(X^2) للمتغير المنفصل

4.1 بناء وتجهيز جدول التوزيع الاحتمالي

تتمثل الخطوة الإجرائية الأولى والأساسية في حساب القيمة المتوقعة لـ X^2 للمتغيرات العشوائية المنفصلة في بناء جدول التوزيع الاحتمالي بدقة متناهية وتنظيمه في بنية مصفوفية واضحة. يبدأ الباحث بحصر واستقصاء كافة القيم الفردية الممكنة التي يمكن للمتغير العشوائي X أن يتخذها في سياق التجربة أو المقياس، والتأكد من ترتيبها تصاعدياً لتسهيل المتابعة، مع تضمين القيم السالبة والموجبة والصفرية دون استثناء أي قيمة يقع احتمالها فوق الصفر.

عقب تحديد فضاء القيم، يتم تعيين الاحتمال الدقيق المقابل لكل قيمة فردية، والمشار إليه بـ p(x) أو P(X = x)، بناءً على التكرارات النسبية للبيانات الميدانية أو وفقاً للمعايير النظرية للتوزيع المحدد. وفي هذه المرحلة الحرجة، يتعين على المحلل إجراء فحص حسابي قطعي لا يقبل الإهمال للتأكد من استيفاء “شرط الاكتمال الاحتمالي”:

Σ p(x) = 1.00

إذا أظهر المجموع أي انحراف عن الواحد الصحيح ناتجاً عن أخطاء التقريب العشري، يجب مراجعة الأوزان النسبية وتعديلها بدقة، لأن أي خلل طفيف في مجموع الاحتمالات سيؤدي بالتبعية إلى تشويه متسلسل لكافة العزوم المحسوبة لاحقاً. وتعد هذه الخطوة بمثابة الفرز الأولي والتنظيف الإحصائي للبيانات المستخلصة من مقاييس القياس النفسي أو الملاحظات السلوكية قبل الشروع في العمليات الجبرية.

4.2 إنشاء أعمدة الحساب الرياضي: التربيع والترجيح

بعد التحقق من استقرار جدول التوزيع الاحتمالي، ينتقل الباحث إلى التوسع في البنية الجدولية عبر استحداث عمودين حسابيين جديدين لتنفيذ مقتضيات قانون LOTUS بصورة منهجية تضمن تفادي الأخطاء التراكمية:

• العمود الأول (عمود التربيع – x^2): يُخصص هذا العمود لحساب مربع كل قيمة فردية من قيم المتغير العشوائي الواردة في العمود الأول بشكل مستقل تماماً. ويجب هنا الانتباه الشديد إلى أن عملية التربيع تؤدي إلى تحييد كامل للإشارات الجبرية؛ فالقيم السالبة مثل (-3) تتحول بمجرد التربيع إلى قيمة موجبة قطيعة (+9)، وتظل القيمة الصفرية صفراً، بينما تتضاعف القيم الموجبة وفقاً لجدول الضرب الاعتيادي. ومن الأخطاء الفادحة في هذه المرحلة إبقاء الإشارة السالبة أمام المربع، وهو ما ينافي القواعد الأساسية لحساب قوى الأعداد الحقيقية.
• العمود الثاني (عمود الترجيح الاحتمالي – x^2 * p(x)): يُخصص هذا العمود لإجراء عملية الضرب الأفقي المباشر بين القيمة الناتجة في عمود التربيع (x^2) والاحتمال الأصلي المناظر لها في عمود التوزيع الاحتمالي (p(x)). ويجب إجراء هذه العمليات الحسابية بدقة متناهية مع الاحتفاظ بأكبر عدد ممكن من المراتب العشرية (أربعة أرقام عشرية على الأقل) لتجنب أخطاء التقريب المبكر التي تتفاقم عند الانتقال إلى الخطوات اللاحقة.

من المهم مراجعة النواتج الجزئية في عمود الترجيح؛ إذ يجب أن تكون جميع النواتج موجبة تماماً أو صفراً، ولا يمكن بأي حال من الأحوال أن يظهر ناتج سالب في هذا العمود. كما يجب التأكد من أن حاصل الضرب لا يتجاوز القيمة المربعة نفسها، نظراً لأن الاحتمالات كسرية ودائماً ما تكون أقل من أو تساوي الواحد الصحيح.

4.3 إجراء عملية التجميع واستخراج القيمة النهائية

تتمثل المرحلة الختامية من هذا الدليل الإجرائي في تنفيذ عملية الجمع الشامل لكافة القيم الجزئية المحسوبة والمدرجة في عمود الترجيح الأخير [x^2 * p(x)]. يتم جمع هذه الحدود واحداً تلو الآخر للوصول إلى الحصيلة الإجمالية التي تمثل بدقة متناهية العزم الخام الثاني المنشود:

E(X^2) = Σ [x^2 * p(x)]

عقب استخراج الناتج العددي النهائي، يخضع الرقم لاختبار المنطقية الإحصائية (Plausibility Check)؛ حيث يجب أن تقع القيمة المحسوبة ضمن النطاق المقبول لمربعات البيانات الأصلية، وأن تكون دائماً مساوية أو أكبر من مربع القيمة المتوقعة العادية [E(X)]^2 وفقاً لمتباينة كوشي-شوارتز التي سنفصلها لاحقاً. وتعد أي نتيجة تخرق هذا المبدأ مؤشراً حتمياً على وجود خطأ حسابي في إحدى الخطوات السابقة.

أخيراً، يجب توثيق الوحدات القياسية المرتبطة بالناتج؛ إذ إن وحدة قياس E(X^2) تكون دائماً مربعة مقارنة بوحدة قياس المتغير الأصلي X. فإذا كان المتغير X يقيس درجات القلق بالنقاط، فإن وحدة E(X^2) تكون “نقطة مربعة”، وإذا كان يقيس زمن الاستجابة بالثواني، فإن وحدته تكون “ثانية مربعة”. ويعد هذا الإدراك مهماً للغاية لمنع الخلط بين المتغيرات المباشرة وعزومها التحويلية أثناء التفسير العلمي للنتائج.

5. دراسة حالة تفصيلية: حساب E(X^2) لتوزيع احتمالي تجريبي

5.1 عرض بيانات المسألة الإحصائية

لتجسيد الخطوات النظرية السابقة في سياق تطبيقي رصين، نفترض تجربة قياس نفسي سلوكي أُجريت على عينة من الأفراد لقياس مستوى الاستجابات الاندفاعية غير المتكيفة أثناء مهمة محاكاة معقدة. يمثل المتغير العشوائي المنفصل X عدد الاستجابات الخاطئة أو الاندفاعية التي ارتكبها الفرد خلال المهمة، حيث يتراوح نطاق القيم الملاحظة تجريبياً من 0 إلى 6 أخطاء. ويبين الجدول التالي التوزيع الاحتمالي المستخلص من تكرارات العينة:

قبل الشروع في أي عملية حسابية متقدمة، يتعين علينا التحقق المطلق من صحة بديهية الاحتمالات الكلية عن طريق جمع عناصر العمود الثاني:

Σ p(x) = 0.06 + 0.15 + 0.17 + 0.24 + 0.23 + 0.09 + 0.06 = 1.00

بما أن المجموع يساوي 1.00 تماماً وبدقة تامة، فإن التوزيع الاحتمالي مستوفٍ للشروط الإحصائية الكاملة، ويعكس بوضوح ظاهرة تركز الأداء حول المستويات المتوسطة (بين 2 و 4 أخطاء)، مع انخفاض التكرار عند المستويات الدنيا والمتطرفة، مما يعكس توزيعاً شبه متماثل لسلوك الاندفاعية لدى أفراد العينة.

5.2 الحساب الرياضي التفصيلي خطوة بخطوة

سنقوم الآن ببناء الجدول التحليلي الكامل المشتمل على أعمدة التربيع وعمليات الترجيح الحسابية الجزئية لحساب E(X^2) بدقة مفصلة:

نستعرض الحسابات التفصيلية لكل حد من الحدود المذكورة في الجدول أعلاه للتأكد من تسلسل العمليات الجبرية:

• الحد الأول (x = 0): (0)^2 * 0.06 = 0 * 0.06 = 0.00
• الحد الثاني (x = 1): (1)^2 * 0.15 = 1 * 0.15 = 0.15
• الحد الثالث (x = 2): (2)^2 * 0.17 = 4 * 0.17 = 0.68
• الحد الرابع (x = 3): (3)^2 * 0.24 = 9 * 0.24 = 2.16
• الحد الخامس (x = 4): (4)^2 * 0.23 = 16 * 0.23 = 3.68
• الحد السادس (x = 5): (5)^2 * 0.09 = 25 * 0.09 = 2.25
• الحد السابع (x = 6): (6)^2 * 0.06 = 36 * 0.06 = 2.16

بإجراء عملية التجميع الكلي للنواتج الجزئية:

E(X^2) = 0.00 + 0.15 + 0.68 + 2.16 + 3.68 + 2.25 + 2.16 = 11.08

5.3 التحليل الاستنتاجي للنتيجة (11.08)

تكشف النتيجة الرياضية المستخلصة والمستقرة عند القيمة 11.08 عن دلالات إحصائية هامة تتجاوز مجرد الحساب الرقمي المجرد. لفهم هذا الرقم فهماً عميقاً، يتعين علينا أولاً استخراج القيمة المتوقعة البسيطة E(X) لنفس التوزيع لمقارنتها بالعزم الثاني المحسوب؛ حيث يتم حساب E(X) بضرب كل قيمة x في احتمالها p(x) دون تربيع:

E(X) = (0*0.06) + (1*0.15) + (2*0.17) + (3*0.24) + (4*0.23) + (5*0.09) + (6*0.06)

E(X) = 0.00 + 0.15 + 0.34 + 0.72 + 0.92 + 0.45 + 0.36 = 2.94 خطأ

إذا قمنا بتربيع القيمة المتوقعة العادية نحصل على: [E(X)]^2 = (2.94)^2 = 8.6436. وبمقارنة القيمة المتوقعة للتربيع E(X^2) = 11.08 مع مربع القيمة المتوقعة [E(X)]^2 = 8.6436، نلاحظ بوضوح أن E(X^2) أكبر قطيعاً من [E(X)]^2، وهو ما يتطابق حرفياً مع النظريات الاحتمالية الكلاسيكية. وتتيح لنا هذه المقارنة استخراج تباين التوزيع فوراً:

Var(X) = E(X^2) – [E(X)]^2 = 11.08 – 8.6436 = 2.4364

وبأخذ الجذر التربيعي الموجب للتباين، نحصل على الانحراف المعياري: σ = √(2.4364) ≈ 1.56 خطأ. يوضح هذا التحليل المتكامل كيف يمثل العزم الثاني E(X^2) الجسر الرياضي الأساسي الذي مكننا من الانتقال من مجرد جدول احتمالات أولي إلى تحديد دقيق للمتوسط والتباين والانحراف المعياري، مما يمنح الباحث السلوكي صورة واضحة لا لبس فيها حول استقرار الأداء الفردي وتشتت الاستجابات الاندفاعية في العينة المدروسة.

6. صيغة حساب E(X^2) للمتغيرات العشوائية المتصلة

6.1 الصياغة التكاملية: E(X^2) = ∫ x^2 * f(x) dx

عند الانتقال من فضاء العينات المنفصلة إلى فضاء المتغيرات العشوائية المتصلة أو المستمرة، تحدث نقلة نوعية في البنية الرياضية؛ حيث تتلاشى الكتل الاحتمالية المنفصلة وتتحول علامة المجموع التكراري (Σ) عبر عملية غائية مستمرة إلى رمز التكامل المحدد (∫). تأخذ الصيغة التكاملية لحساب القيمة المتوقعة لمربع المتغير المتصل الشكل التحليلي التالي:

E(X^2) = ∫ [x^2 * f(x)] dx

تمتد حدود هذا التكامل المعتل نظرياً من أقصى اللانهاية السالبة إلى أقصى اللانهاية الموجبة (-∞ إلى +∞)، أو عبر المجال الحقيقي المحدد والمغلق [a, b] الذي تكون فيه دالة الكثافة الاحتمالية f(x) معرفة وموجبة (Support of the Distribution). يؤدي المقدار التفاضلي dx في هذا السياق دور التدرج متناهي الصغر على محور الأعداد الحقيقية، في حين يمثل المقدار f(x) dx الكتلة الاحتمالية الدقيقة المتمركزة في الجوار المتناهي في الصغر المحيط بالنقطة x.

من الناحية الهندسية، يمثل الاقتران المركب h(x) = x^2 * f(x) منحنى دالة جديدة تُعرف بـ “كثافة العزم الثاني”، ويكون ناتج التكامل مساوياً للمساحة الإجمالية المحصورة تحت هذا المنحنى وفوق محور السينات عبر كامل المجال. وتعتمد سلوكيات هذا الاقتران عند الأطراف اللانهائية على مدى سرعة اضمحلال دالة الكثافة f(x)؛ فلكي يكون التكامل متقارباً ويعطي قيمة عددية منتهية لـ E(X^2)، يجب أن تتناقص f(x) نحو الصفر بسرعة فائقة تتجاوز بكثير معدل نمو الدالة التربيعية x^2 عند اقتراب x من اللانهاية، وهو ما يتحقق في التوزيعات القياسية المتصلة كالتوزيع الطبيعي والتوزيع الأسي.

6.2 الخصائص التحليلية للتكامل الاحتمالي

تخضع العمليات التكاملية الهادفة لاستخراج العزم الثاني لصرامة تحليلية تفرضها قواعد حساب التفاضل والتكامل المتقدمة. الشرط الأساسي الذي لا غنى عنه لصحة هذا التكامل هو التحقق المسبق من خاصية المعايرة الأساسية (Normalizing Property) لدالة الكثافة الاحتمالية f(x)، والتي تقضي بأن يكون التكامل الكلي للدالة عبر مجالها مساوياً للواحد الصحيح:

∫ f(x) dx = 1 (من -∞ إلى +∞)

إذا كانت الدالة تحوي ثابتاً غير معلوم (معامل المعايرة k)، يجب أولاً حل التكامل المرجعي لاستخراج قيمة الثابت لضمان أن تكون الدالة دالة كثافة شرعية قبل الشروع في حساب العزم الثاني.

عند البدء في تنفيذ تكامل العزم الثاني ∫ x^2 f(x) dx، غالباً ما تصطدم المعالجة المباشرة بتعقيد الصيغة التحليلية لحاصل ضرب المقدار الجبري x^2 في اقترانات أسية أو كسرية أو مثلثية. هنا تبرز الحاجة الماسة لاستدعاء تقنيات التكامل المتقدمة، وفي مقدمتها التكامل بالتجزئة (Integration by Parts) المعتمد على الصيغة الرياضية الشهيرة: ∫ u dv = uv – ∫ v du. في هذا الإجراء، يُفرَض عادة المقدار الجبري u = x^2، مما يؤدي بالاشتقاق إلى تخفيض رتبة القوة الرياضية (du = 2x dx)، بينما يُفرَض dv = f(x) dx ويتم تكامله للوصول إلى دالة التوزيع التراكمية أو اقتران وسيط، وتُكرر هذه العملية عبر مرحلتين متتاليتين للتخلص التدريجي من القوى الجبرية.

إلى جانب التكامل بالتجزئة، تلعب التحويلات الرياضية وتغيير المتغيرات (Integration by Substitution) دوراً جوهرياً في تبسيط التكاملات المعتلة الصعبة. ففي كثير من الحالات، يُستخدم استبدال المتغيرات للربط المباشر بين تكامل العزم الثاني والدوال الخاصة المتقدمة، وأبرزها دالة غاما (Gamma Function) ودالة بيتا (Beta Function)، مما يتيح حل التكاملات اللانهائية المعقدة واستخراج الصيغ المغلقة للعزوم دون الحاجة إلى تكاملات بدائية مجهدة ومستهلكة للوقت.

7. طرق وتطبيقات التكامل لحساب E(X^2) للتوزيعات المتصلة الشائعة

7.1 الحساب للتوزيع المنتظم المتصل (Continuous Uniform Distribution)

يُعد التوزيع المنتظم المتصل على الفترة المغلقة [a, b]، والمشار إليه بـ U(a, b)، أبسط التوزيعات الاحتمالية المتصلة وأكثرها وضوحاً من الوجهة التحليلية؛ إذ تتوزع الكثافة الاحتمالية بانتظام وتساوٍ مطلق عبر كامل الفترة. تُعرَّف دالة الكثافة الاحتمالية لهذا التوزيع رياضياً بالصيغة الثابتة التالية:

f(x) = 1 / (b – a)، لجميع القيم الواقعة في المدى a ≤ x ≤ b، وتساوي صفراً في أي مكان آخر.

لحساب القيمة المتوقعة لـ X^2، نقوم بصياغة التكامل المحدد عبر حدود الفترة المعرفة [a, b]:

E(X^2) = ∫ [x^2 * f(x)] dx = ∫ [x^2 * (1 / (b – a))] dx (من a إلى b)

بما أن المقدار 1 / (b – a) هو ثابت رياضي مستقل عن المتغير x، يمكن إخراجه خارج إشارة التكامل لتسهيل العملية:

E(X^2) = [1 / (b – a)] * ∫ x^2 dx (من a إلى b)

يُحسب التكامل البسيط لـ x^2 بزيادة الأس واحداً والقسمة على الأس الجديد، فنحصل على الدالة الأصلية [x^3 / 3]. نقوم الآن بالتعويض بحدود التكامل العليا والدنيا:

E(X^2) = [1 / (b – a)] * [ (b^3 / 3) – (a^3 / 3) ] = [b^3 – a^3] / [3(b – a)]

باستخدام المتطابقة الجبرية الشهيرة لتحليل “فرق المكعبين”: (b^3 – a^3) = (b – a)(b^2 + ab + a^2)، يمكننا اختصار القوس المشترك (b – a) من البسط والمقام:

E(X^2) = [(b – a)(a^2 + ab + b^2)] / [3(b – a)]

E(X^2) = (a^2 + ab + b^2) / 3

توفر هذه النتيجة الأنيقة صيغة جبرية مغلقة ومباشرة لحساب العزم الثاني لأي متغير عشوائي يتبع التوزيع المنتظم، دون الحاجة لإعادة إجراء التكاملات في كل مرة، وتبرز كيف تتفاعل الحدود الدنيا والعليا تربيعياً لتحديد عزم التوزيع.

7.2 الحساب للتوزيع الأسّي (Exponential Distribution)

يمثل التوزيع الأسي نموذجاً متصلاً جوهرياً يُستخدم بكثافة في دراسة أزمنة الانتظار، وفترات البقاء، ومعدلات الفشل، وأزمنة الاستجابة في الاختبارات السلوكية والمعرفية. يُعرف التوزيع بمعلمة المعدل λ (حيث λ > 0)، وتُصاغ دالة الكثافة الاحتمالية الخاصة به على النحو التالي:

f(x) = λ e^(-λx)، للقيم x ≥ 0، وتساوي صفراً للقيم x < 0.

لإيجاد القيمة المتوقعة لـ X^2، نصيغ التكامل المعتل الممتد من الصفر إلى المالانهاية:

E(X^2) = ∫ [x^2 * λ e^(-λx)] dx (من 0 إلى ∞) = λ * ∫ [x^2 * e^(-λx)] dx (من 0 إلى ∞)

لتنفيذ هذا التكامل المعتل، نطبق تقنية التكامل بالتجزئة للمرة الأولى؛ بفرض:

• u = x^2 ⟹ du = 2x dx
• dv = e^(-λx) dx ⟹ v = – (1 / λ) e^(-λx)

بتطبيق قانون التجزئة [uv – ∫ v du]:

∫ x^2 e^(-λx) dx = [ – (x^2 / λ) e^(-λx) ] (من 0 إلى ∞) – ∫ [ – (1 / λ) e^(-λx) * 2x ] dx

عند تعويض حدود اللانهاية والصفر في الحد المتقطع الأول، يتلاشى المقدار بالكامل؛ إذ تؤول الدالة الأسية في المقام إلى المالانهاية بسرعة تفوق x^2 (وفقاً لقاعدة لوبيتال)، وعند الصفر ينعدم البسط. يتبقى لدينا التكامل الثاني المخفض:

∫ x^2 e^(-λx) dx = 0 + (2 / λ) * ∫ [x * e^(-λx)] dx (من 0 إلى ∞)

نلاحظ أن التكامل المتبقي هو نفسه صيغة حساب العزم الأول مقسوماً على λ. بإجراء التكامل بالتجزئة مرة ثانية على التكامل المتبقي (بفرض u = x و dv = e^(-λx) dx):

∫ x e^(-λx) dx = [ – (x / λ) e^(-λx) ] (من 0 إلى ∞) + (1 / λ) * ∫ e^(-λx) dx = 0 + (1 / λ) * [ – (1 / λ) e^(-λx) ] (من 0 إلى ∞) = 1 / λ^2

بالتعويض في المعادلة الأصلية، مع ضرب الناتج في الثابت الخارجي λ:

E(X^2) = λ * [ (2 / λ) * (1 / λ^2) ] = λ * (2 / λ^3)

E(X^2) = 2 / λ^2

توضح هذه النتيجة الرائعة التناسب العكسي التام بين العزم الثاني ومربع معلمة المعدل، وتتيح استنتاج التباين للتوزيع الأسي بكل سهولة: Var(X) = E(X^2) – [E(X)]^2 = (2 / λ^2) – (1 / λ)^2 = 1 / λ^2.

7.3 الحساب للتوزيع الطبيعي المعياري والعام (Normal Distribution)

يعد التوزيع الطبيعي (Normal Distribution) قمة الهرم الإحصائي وأكثر التوزيعات أهمية في دراسات القياس والعلوم السلوكية على الإطلاق. نبدأ باشتقاق العزم الثاني للتوزيع الطبيعي المعياري Z ~ N(0, 1)، والذي يمتلك متوسطاً مساوياً للصفر (μ = 0) وتبايناً مساوياً للواحد (σ^2 = 1). تُعطى دالة الكثافة لـ Z بالصيغة:

f(z) = (1 / √(2π)) * e^(-z^2 / 2)، للمجال -∞ < z < +∞.

تُصاغ القيمة المتوقعة لـ Z^2 عبر التكامل التالي:

E(Z^2) = ∫ [z^2 * (1 / √(2π)) * e^(-z^2 / 2)] dz (من -∞ إلى +∞)

نظراً لأن الدالة z^2 دالة زوجية، والدالة الأسية المتناظرة e^(-z^2 / 2) دالة زوجية أيضاً، فإن حاصل ضربهما هو دالة زوجية متناظرة تماماً حول محور الصادات. يسمح هذا التناظر بمضاعفة التكامل وحسابه عبر النصف الموجب فقط من المجال:

E(Z^2) = 2 * (1 / √(2π)) * ∫ [z^2 * e^(-z^2 / 2)] dz (من 0 إلى ∞) = √(2/π) * ∫ [z * (z e^(-z^2 / 2))] dz (من 0 إلى ∞)

نطبق التكامل بالتجزئة باختيار حذر للفروض الجبرية:

• u = z ⟹ du = dz
• dv = z e^(-z^2 / 2) dz ⟹ v = – e^(-z^2 / 2)

بتطبيق صيغة التجزئة:

∫ [z * (z e^(-z^2 / 2))] dz = [ – z e^(-z^2 / 2) ] (من 0 إلى ∞) + ∫ e^(-z^2 / 2) dz (من 0 إلى ∞)

الحد الأول يتلاشى عند التعويض بحدود اللانهاية والصفر (0 – 0 = 0). أما التكامل المتبقي فهو تكامل غاوسي شهير يمثل نصف المساحة الكلية لمنحنى التوزيع الطبيعي، وقيمته التحليلية تساوي √(π / 2). بالتعويض بالقيم الناتجة:

E(Z^2) = √(2/π) * [ 0 + √(π/2) ] = √(2/π) * √(π/2) = 1

E(Z^2) = 1

والآن، لتعميم هذه النتيجة العميقة على التوزيع الطبيعي العام X ~ N(μ, σ^2)، نستخدم التحويل الخطي المعياري المعروف: X = μ + σZ. برفع هذا التحويل إلى القوة التربيعية وتطبيق القيمة المتوقعة الخطية:

E(X^2) = E[(μ + σZ)^2] = E[μ^2 + 2μσZ + σ^2 Z^2]

E(X^2) = μ^2 + 2μσ E(Z) + σ^2 E(Z^2)

بما أن Z متغير معياري، فإن E(Z) = 0 و E(Z^2) = 1. بالتعويض المباشر:

E(X^2) = μ^2 + 2μσ(0) + σ^2(1)

E(X^2) = μ^2 + σ^2

تثبت هذه المعادلة العامة أن القيمة المتوقعة لمربع المتغير الطبيعي تتطابق تماماً مع حاصل جمع مربع متوسطه وتباينه، وهي علاقة بنيوية شديدة الأهمية في معالجة درجات الاختبارات المعيارية والتحليلات الإحصائية المتقدمة.

8. العلاقة الجوهرية بين E(X^2) والتباين والانحراف المعياري

8.1 اشتقاق صيغة التباين الحسابية: Var(X) = E(X^2) – [E(X)]^2

يُعد اشتقاق صيغة التباين الحسابية أحد أرقى البراهين الأساسية في نظرية الاحتمالات، إذ يكشف عن الارتباط الوثيق والتبادلي بين العزم الأول والعزم الثاني للتوزيع الاحتمالي. ينطلق البرهان من التعريف المفاهيمي الأصيل للتباين؛ حيث يُعرَّف تباين المتغير العشوائي X، والذي يُرمز له بـ Var(X) أو σ^2، بأنه القيمة المتوقعة لمربعات انحرافات قيم المتغير عن متوسطه الحسابي الموزون μ = E(X):

Var(X) = E[(X – μ)^2]

نبدأ بتفكيك المربع الكامل داخل عامل التوقع الرياضي باستخدام القواعد الجبرية للمتطابقات التربيعية:

(X – μ)^2 = X^2 – 2μX + μ^2

بإدخال مشغل التوقع E على هذا المقدار ثلاثي الحدود، والاستفادة من خاصية “الخطية” (Linearity of Expectation) التي تتيح توزيع التوقع على الحدود الجمعية وإخراج الثوابت العددية خارج المشغل:

Var(X) = E[X^2 – 2μX + μ^2] = E(X^2) – E(2μX) + E(μ^2)

نلاحظ هنا بدقة الخصائص الجبرية لكل حد:

• الحد الأول: E(X^2) يظل كما هو دون تغيير، ممثلاً العزم الخام الثاني.
• الحد الثاني: بما أن 2 و μ ثوابت عددية، يمكن إخراجهما خارج التوقع: E(2μX) = 2μ * E(X). وبما أن E(X) هي نفسها μ بالتعريف، يصبح الحد: 2μ * μ = 2μ^2.
• الحد الثالث: μ^2 هو ثابت عددي مطلق (مربع المتوسط)، وتوقع أي ثابت يساوي الثابت نفسه دائماً: E(μ^2) = μ^2.

بتجميع الحدود المحسوبة في معادلة التباين:

Var(X) = E(X^2) – 2μ^2 + μ^2

بدمج الحدود المتشابهة (-2μ^2 + μ^2 = -μ^2):

Var(X) = E(X^2) – μ^2

وبالاستعاضة عن μ بـ E(X)، نصل إلى الصيغة الحسابية المختصرة والخالدة للتباين:

Var(X) = E(X^2) – [E(X)]^2

ويمكن إعادة ترتيب هذه المعادلة جبرياً بنقل مربع التوقع إلى الطرف الآخر لنحصل على علاقة تبادلية جوهرية تُستخدم بكثافة لحساب E(X^2) عندما يكون التباين والمتوسط معلومين مسبقاً:

E(X^2) = Var(X) + [E(X)]^2

8.2 متباينة كوشي-شوارتز وأثرها على العلاقة بين E(X^2) و [E(X)]^2

تفرض متباينة كوشي-شوارتز (Cauchy-Schwarz Inequality) – وهي إحدى أعمق النظريات في التحليل الرياضي ونظرية فضاءات هلبرت – قيداً هندسياً صارماً يحكم العلاقة الدائمة بين القيمة المتوقعة لمربع المتغير ومربع قيمته المتوقعة. تنص المتباينة في صيغتها الاحتمالية العامة على أنه لأي متغيرين عشوائيين X و Y يمتلكان عزوم ثانية محدودة، فإن:

[E(XY)]^2 ≤ E(X^2) * E(Y^2)

إذا قمنا بحالة خاصة بتعيين المتغير الثاني ليكون متغيراً ثابتاً متطابقاً يساوي الواحد الصحيح دائماً، أي Y = 1، فإن: E(Y) = 1، ومربعه Y^2 = 1، وتوقعه E(Y^2) = 1. بالتعويض المباشر في نص المتباينة أعلاه:

[E(X * 1)]^2 ≤ E(X^2) * E(1^2)

[E(X)]^2 ≤ E(X^2) أو بصيغة مكافئة: E(X^2) ≥ [E(X)]^2

تحمل هذه النتيجة دلالة فلسفية ورياضية حاسمة؛ إذ تثبت بصورة قاطعة أن العزم الثاني E(X^2) يجب أن يكون دائماً أكبر من أو مساوياً لمربع العزم الأول [E(X)]^2 لأي متغير عشوائي حقيقي أياً كان نوعه أو شكل توزيعه. ويتحقق شرط التساوي الحصري E(X^2) = [E(X)]^2 في حالة رياضية يتيمة ومنحلة (Degenerate Case)، وهي عندما يكون تباين المتغير مساوياً تماماً للصفر: Var(X) = 0. وهذا لا يحدث إحصائياً إلا إذا كان المتغير العشوائي متغيراً ثابتاً يتركز احتماله بالكامل عند نقطة واحدة C باحتمال قطعي P(X = C) = 1 (أي لا يوجد أي تشتت أو عشوائية في البيانات).

تمثل متباينة كوشي-شوارتز أداة تدقيق ورقابة برمجية وحسابية لا تقدر بثمن؛ فإذا أجرى باحث حسابات إحصائية ووجد أن الناتج المقدر لـ E(X^2) أصغر من [E(X)]^2، فإن هذا يعني بالضرورة وبشكل فوري وجود خطأ حسابي فادح في معالجة البيانات، لأن حدوث ذلك يقتضي رياضياً أن يكون التباين سالباً (Var(X) < 0)، وهو أمر مستحيل ومناقض لبديهيات القياس ونظرية الاحتمالات.

8.3 استخراج الانحراف المعياري ومقاييس التشتت

بمجرد التمكن من حساب القيمة المتوقعة لـ X^2 وتحديد التباين، يفتح الإحصاء الرياضي الباب لاستخراج أدق مقاييس التشتت قاطبة، وهو الانحراف المعياري (Standard Deviation). يُعرَّف الانحراف المعياري، والمشار إليه رمزياً بـ σ أو SD، بأنه الجذر التربيعي الموجب الحصري لمقدار التباين الرياضي المحسوب عبر العزم الثاني:

σ = √[Var(X)] = √[E(X^2) – (E(X))^2]

تتجلى الأهمية التطبيقية الاستثنائية للانحراف المعياري في قدرته على حل معضلة الوحدات القياسية التي يُحدثها التباين والعزم الثاني. فعندما نقوم بحساب E(X^2) أو Var(X)، تتضاعف الوحدات وتتحول إلى وحدات مربعة (مثل درجات مربعة، أو ثوانٍ مربعة، أو ملليغرامات مربعة)، مما يجعل المقارنة المباشرة بين التشتت والمتوسط أمراً مستحيلاً دلالياً. وبأخذ الجذر التربيعي الموجب، يعود الانحراف المعياري إلى نفس وحدة قياس المتغير الأصلي X والمعدل المتوسط E(X)، مما يعيد التناغم الميداني للبيانات.

علاوة على ذلك، يتيح حساب E(X^2) واستخراج الانحراف المعياري قياس مؤشرات التشتت النسبي غير المتأثرة بوحدات القياس، وفي طليعتها “معامل الاختلاف” (Coefficient of Variation – CV)، والذي يُصاغ بالنسبة المئوية للانحراف المعياري إلى المتوسط:

CV = (σ / μ) * 100% = [√(E(X^2) – μ^2) / μ] * 100%

يُمكّن هذا المقياس المركب الباحثين في العلوم النفسية والتجريبية من مقارنة تشتت استجابات مجموعات متباينة تخضع لأدوات قياس ذات موازين مختلفة (مثل مقارنة تشتت أزمنة الرجع المقاسة بالمللي ثانية بتشتت درجات مقياس إلكتروني يقيس دقة الانتباه)، وهو ما يبرهن على أن العزم الثاني E(X^2) ليس مجرد محطة وسيطة، بل هو المنطلق الحقيقي لكافة التحليلات القياسية الدقيقة.

9. طرق الحساب المتقدمة: الدوال المولدة للعزوم (MGF)

9.1 مفهوم الدالة المولدة للعزوم M_X(t)

تمثل الدوال التحويلية الرياضية إحدى أقوى الأدوات الاستدلالية في نظرية الاحتمالات المتقدمة لتجاوز تعقيدات التكاملات المعتلة والمتسلسلات اللانهائية المتشابكة. وتأتي في مقدمة هذه الأدوات الدالة المولدة للعزوم (Moment-Generating Function – MGF)، والتي يُرمز لها بـ M_X(t). تُعرَّف الدالة المولدة للعزوم للمتغير العشوائي X بأنها القيمة المتوقعة للدالة الأسية e^(tX)، حيث t متغير مساعد حقيقي:

M_X(t) = E(e^(tX))

لفهم الآلية الرياضية الساحرة التي تتيح لهذه الدالة توليد العزوم، نقوم باستدعاء متسلسلة مكلورين / تايلور اللانهائية للدالة الأسية الشهيرة حول الصفر:

e^(tX) = 1 + (tX) + (tX)^2 / 2! + (tX)^3 / 3! + … + (tX)^k / k! + …

e^(tX) = 1 + tX + (t^2 / 2!) X^2 + (t^3 / 3!) X^3 + … + (t^k / k!) X^k + …

بإدخال عامل القيمة المتوقعة E على طرفي هذه المتسلسلة اللانهائية وتطبيق خاصية الخطية:

M_X(t) = E[1] + t E(X) + (t^2 / 2!) E(X^2) + (t^3 / 3!) E(X^3) + … + (t^k / k!) E(X^k) + …

M_X(t) = 1 + t E(X) + (t^2 / 2!) E(X^2) + (t^3 / 6) E(X^3) + …

تكشف هذه المعادلة التحليلية عن سر التسمية؛ فالدالة M_X(t) تختزن داخل بنيتها الرياضية متسلسلة كاملة لجميع العزوم الخام للمتغير العشوائي، حيث يظهر العزم الثاني E(X^2) بشكل دقيق ومباشر كمعامل للمقدار التحليلي (t^2 / 2!). ويُشترط لوجود واستخدام الدالة المولدة للعزوم أن يكون التوقع E(e^(tX)) متقارباً وموجوداً في فترة مفتوحة تحيط بالصفر (-h < t < h) لقيمة ما h > 0.

9.2 استخراج E(X^2) عبر المشتقة الثانية للدالة المولدة

انطلاقاً من المتسلسلة البنائية للدالة المولدة للعزوم، يبرز المسار التفاضلي الأنيق لاستخراج العزوم دون الحاجة لإجراء أي عمليات جمع تكراري أو تكامل مباشر؛ إذ يتحول الحساب الاحتمالي بالكامل إلى قواعد تفاضل اعتيادية. بتفاضل الدالة M_X(t) بالنسبة للمتغير المساعد t:

M’_X(t) = d/dt [E(e^(tX))] = E [ d/dt (e^(tX)) ] = E [ X e^(tX) ]

عند تقييم المشتقة الأولى عند النقطة t = 0، نلاحظ أن الدالة الأسية تصبح مساوية للواحد (e^0 = 1)، مما يعطينا العزم الأول:

M’_X(0) = E[X * e^0] = E(X)

وبالمثل تماماً، بتنفيذ عملية الاشتقاق للمرة الثانية على التوالي بالنسبة للمتغير t:

M”_X(t) = d^2/dt^2 [E(e^(tX))] = E [ d^2/dt^2 (e^(tX)) ] = E [ X^2 e^(tX) ]

وبتقييم هذه المشتقة الثانية عند النقطة المرجعية t = 0:

M”_X(0) = E[X^2 * e^0] = E(X^2)

تثبت هذه القاعدة التحليلية أن القيمة المتوقعة لـ X^2 تتطابق رياضياً وبصورة قطعية مع قيمة المشتقة الثانية للدالة المولدة للعزوم مقيمة عند t = 0. ولتطبيق هذه المنهجية المتقدمة على سبيل المثال:

• لتوزيع بواسون المنفصل ذي المعلمة λ: دالته المولدة للعزوم هي M_X(t) = e^[λ(e^t – 1)].
  المشتقة الأولى: M’_X(t) = λ e^t * e^[λ(e^t – 1)].
  المشتقة الثانية بقاعدة ضرب دالتين: M”_X(t) = λ e^t * e^[λ(e^t – 1)] + (λ e^t)^2 * e^[λ(e^t – 1)].
  بالتعويض عند t = 0 (حيث e^0 = 1): M”_X(0) = λ(1)*1 + λ^2(1)*1 = λ + λ^2.
  وعليه، نصل فوراً وبكل سلاسة إلى أن: E(X^2) = λ^2 + λ.

9.3 الدالة المولدة للاحتمالات (PGF) للمتغيرات المنفصلة

في حالة المتغيرات العشوائية المنفصلة التي تأخذ قيماً صحيحة غير سالبة حصراً (X ∈ {0, 1, 2, 3, …})، تبرز أداة رياضية بديلة متخصصة تُعرف بـ الدالة المولدة للاحتمال (Probability-Generating Function – PGF)، ويُرمز لها بـ G_X(s). تُعرَّف هذه الدالة كقيمة متوقعة لمتغير الأساس s مرفوعاً للقوة العشوائية X:

G_X(s) = E(s^X) = Σ [s^x * P(X = x)]

عند اشتقاق دالة توليد الاحتمال بالنسبة للمتغير s، نصل إلى ما يُسمى في التحليل التوافقي بـ “العزوم العاملية” (Factorial Moments). بتنفيذ المشتقة الأولى وتقييمها عند s = 1:

G’_X(s) = E[X * s^(X – 1)] ⟹ G’_X(1) = E(X)

وعند تنفيذ المشتقة الثانية بالنسبة لـ s وتقييمها عند s = 1، ينخفض أس المتغير بمقدار درجتين، مما يولد العزم العاملي الثاني:

G”_X(s) = E[X(X – 1) * s^(X – 2)] ⟹ G”_X(1) = E[X(X – 1)]

نلاحظ أن المقدار الناتج عن المشتقة الثانية هو E[X(X – 1)]، وبالاستفادة من الخاصية الخطية للتوقع:

E[X(X – 1)] = E(X^2 – X) = E(X^2) – E(X)

بإعادة ترتيب الحدود جبرياً لعزل القيمة المتوقعة للمربع المنشودة E(X^2) في طرف مستقل:

E(X^2) = E[X(X – 1)] + E(X)

وبالتعويض بدلالة مشتقات الدالة المولدة للاحتمالات المقيمة عند s = 1:

E(X^2) = G”_X(1) + G’_X(1)

تقدم هذه الصيغة الجبرية الجميلة مساراً حسابياً بديلاً وممتعاً لحساب E(X^2) للمتغيرات المنفصلة مثل التوزيع الهندسي وتوزيع ذي الحدين السالب، وتؤكد كيف تتكامل الفروع الرياضية المختلفة لخدمة حساب العزم الثاني بدقة متناهية.

10. الأخطاء الشائعة والالتباسات الرياضية عند حساب E(X^2)

10.1 الخلط القاتل بين E(X^2) ومربع القيمة المتوقعة [E(X)]^2

يُعد الخلط بين “القيمة المتوقعة للمربع” E(X^2) و”مربع القيمة المتوقعة” [E(X)]^2 الخطأ المفاهيمي الأكثر شيوعاً وفتكاً في التطبيقات الإحصائية وتحليل البيانات المبتدئ. يقع الكثير من الطلاب والباحثين في هذا الفخ بسبب التشابه البصري للرموز اللاتينية، مفترضين وهماً أن مشغل القيمة المتوقعة يتصرف كعملية خطية تسمح بنقل التربيع من داخل القوس إلى خارجه، أي افتراض أن E(X^2) = [E(X)]^2، وهو افتراض باطل وكارثي رياضياً في جميع الحالات باستثناء المتغيرات الصفرية التباين.

لإثبات بطلان هذه المساواة بمثال عددي بديهي قاطع، لنفترض متغيراً عشوائياً بسيطاً X يمثل رمي قطعة نقود متزنة تأخذ القيمتين 1- و 1+ باحتمال متساوٍ (0.5 لكل منهما):

• القيمة المتوقعة: E(X) = (-1 * 0.5) + (1 * 0.5) = -0.5 + 0.5 = 0.
• مربع القيمة المتوقعة: [E(X)]^2 = (0)^2 = 0.
• القيمة المتوقعة للمربع: E(X^2) = [(-1)^2 * 0.5] + [(1)^2 * 0.5] = (1 * 0.5) + (1 * 0.5) = 1.

نلاحظ هنا تبايناً صارخاً؛ إذ إن E(X^2) = 1 بينما [E(X)]^2 = 0. إن مساواة المقدارين كانت ستعني افتراض أن تباين هذا المتغير يساوي صفراً، بينما في الواقع يمتلك المتغير تشتتاً حقيقياً مقداره Var(X) = 1 – 0 = 1. ويترتب على الوقوع في هذا الخطأ في البحوث الميدانية تدمير شامل لحسابات التباين والانحراف المعياري، مما يقود إلى رفض أو قبول فرضيات إحصائية بصورة زائفة، وانهيار النماذج التنبؤية بالكامل.

10.2 أخطاء تربيع الاحتمالات بدلاً من تربيع قيم المتغير

من الانزلاقات الإجرائية المتكررة عند التطبيق الحسابي اليدوي أو البرمجي لقانون التجميع، قيام بعض المحللين بتربيع دالة الكتلة الاحتمالية بدلاً من تربيع قيم المتغير نفسه؛ حيث يقوم المحلل بحساب الصيغة الخاطئة التالية:

Σ [x * (p(x))^2] (صيغة خاطئة تماماً ومنافية للمنطق الإحصائي)

أو الأسوأ من ذلك، حساب: Σ [x * p(x)]^2. تعكس هذه الأخطاء قصوراً في إدراك المعنى الفلسفي للاحتمال في نظرية القياس؛ فالاحتمال p(x) هو مقياس للوزن النسبي والرجحان لحدوث الحدث، ويخضع لبديهية أن المجموع التراكمي للأوزان يجب أن يعادل الواحد الصحيح (Σ p(x) = 1). وعندما يقوم الباحث بتربيع الاحتمال، أي حساب [p(x)]^2، فإن ناتج التربيع لكسر يقع بين 0 و 1 يؤدي حتماً إلى تصغير الوزن الاحتمالي تصغيراً جائراً، مما يجعل مجموع الأوزان الاحتمالية الجديدة أقل بكثير من الواحد الصحيح (Σ [p(x)]^2 < 1).

يترتب على هذا التشويه انهيار البنية الاحتمالية للتوزيع بالكامل، وفقدان النتيجة النهائية لأي معنى إحصائي أو فيزيائي. القاعدة الذهبية الراسخة التي يجب تذكرها دائماً هي: “التربيع يُطبق حصرياً وبصرامة على قيم المتغير العشوائي x لتتحول إلى x^2، بينما تظل أوزان الاحتمال p(x) خطية وثابتة دون أي تغيير جبري”، لضمان استقرار المتوسط المرجح وصحة النتائج المشتقة.

10.3 إهمال القيم السالبة أو التوزيعات غير المحدودة

يتجسد خطأ منهجي آخر في إهمال المعالجة الدقيقة للإشارات السالبة لقيم المتغير العشوائي؛ إذ ينسى بعض الممارسين أن عملية التربيع تحول جميع القيم السالبة إلى مقادير موجبة قطعياً. ففي بعض الحسابات السريعة، قد يكتب المحلل: (-3)^2 = -9 بدلاً من (+9)، مما يؤدي إلى طرح كميات كان يجب إضافتها إلى مجموع العزم، وينتهي الأمر بقيمة متوقعة للمربع مشوهة بشدة وقد تكون سالبة، وهو أمر مستحيل رياضياً؛ إذ يستحيل أن تكون E(X^2) سالبة لأي متغير حقيقي لأنها مجموع أو تكامل لمقادير مربعة موجبة مضروبة في احتمالات موجبة.

أما على مستوى التوزيعات غير المحدودة والمتصلة، فإن الخطر الأكبر يكمن في إغفال فحص شروط تقارب المتسلسلات والتكاملات، والاندفاع لحساب العزم الثاني لتوزيعات لا تمتلك عزماً ثانياً من الأساس، مثل توزيع كوشي أو توزيعات باريتو ذات المعاملات المنخفضة. في مثل هذه البيئات، قد تُظهر بعض البرمجيات الإحصائية نواتج عددية مضللة نتيجة تقريب التكاملات اللانهائية عند حدود معينة، مما يوهم الباحث بوجود عزم محدود ومستقر، في حين أن العزم الحقيقي متباعد نحو المالانهاية.

لتفادي هذه المزالق، يتعين على الباحث اتباع بروتوكول تدقيق ذاتي صارم يتضمن:

• التأكد دائماً من أن قيمة E(X^2) موجبة أو صفراً: E(X^2) ≥ 0.
• التحقق من أن E(X^2) ≥ [E(X)]^2، فإذا كانت أقل منها فهناك خطأ حسابي قطعي.
• فحص شروط التقارب النظري للتوزيع قبل الشروع في استخدام الخوارزميات الرقمية.

11. التطبيقات النفسية والقياسية لحساب E(X^2)

11.1 نمذجة التباين في الاختبارات النفسية (Psychometrics)

يشكل حساب القيمة المتوقعة لـ X^2 الركيزة الرياضية الصلبة التي تستند إليها النظرية الكلاسيكية للاختبار (Classical Test Theory – CTT) في نمذجة وتفكيك درجات الاختبارات النفسية والتربوية. تنطلق هذه النظرية من المعادلة الخطية الأساسية التي تفترض أن الدرجة الملاحظة للمفحوص (X) تتألف من مركبين: الدرجة الحقيقية الكامنة (T) وخطأ القياس العشوائي (E)، وفق الصيغة: X = T + E.

لتقدير تباين الدرجات الملاحظة للمجتمع أو العينة، يحتاج اختصاصي القياس النفسي إلى استخراج العزم الثاني E(X^2) لحساب تباين الدرجة الكلية Var(X) = E(X^2) – [E(X)]^2. ومن خلال افتراضات الاستقلال بين الدرجة الحقيقية وخطأ القياس، يتم تفكيك التباين الملاحظ إلى مجموع تباينين مستقلين: تباين الدرجة الحقيقية (σ^2_T) وتباين الخطأ العشوائي (σ^2_E):

Var(X) = Var(T) + Var(E)

تعتمد جميع مؤشرات الموثوقية ومعاملات الثبات (مثل معامل الاتساق الداخلي ألفا كرونباخ) على هذه النسبة التباينية؛ حيث يُعرَّف معامل الثبات (r_xx) بأنه نسبة تباين الدرجة الحقيقية إلى التباين الملاحظ الكلي:

r_xx = Var(T) / Var(X) = 1 – [Var(E) / (E(X^2) – [E(X)]^2)]

يوضح هذا النموذج الرياضي كيف أن أي تقييم لمدى دقة وثبات المقاييس النفسية ومصداقية أدوات التشخيص الإكلينيكي يرتكز بصورة غير مباشرة لكن مطلقة على دقة حساب العزم الثاني E(X^2). وبدون هذا الحساب، يعجز مطورو الاختبارات عن تقدير الخطأ المعياري للقياس (Standard Error of Measurement – SEM)، مما يهدد عدالة التقييم والقرارات التربوية والمهنية المبنية على تلك الدرجات.

11.2 تحليل أزمنة الاستجابة والعمليات المعرفية المتصلة

في مختبرات علم النفس التجريبي والمعرفي، تمثل أزمنة الرجع (Reaction Times – RT) النافذة الأساسية لاستكشاف المعالجات الذهنية الكامنة وسرعة نقل السيالات العصبية في الدماغ البشري أثناء أداء مهام التمييز الحسي والانتباه الانتقائي. وتتميز أزمنة الاستجابة بكونها متغيرات عشوائية متصلة غير متناظرة، ذات التواء موجب مميز وذيل طويل يمتد نحو الأزمنة الطويلة.

لتوصيف هذه العمليات العصبية بدقة، لا يكتفي الباحثون المعرفيون بالمتوسط E(X)؛ لأن شخصين قد يمتلكان نفس متوسط زمن الاستجابة (وليكن 400 مللي ثانية)، ولكن أحدهما يمتلك استجابات مستقرة ودقيقة، بينما يعاني الآخر من تقلبات حادة في الانتباه تؤدي إلى استجابات بطيئة جداً بصورة متكررة. هنا يتم استخدام حساب E(X^2) عبر نماذج التوزيعات المتصلة الملائمة، مثل التوزيع اللوغاريتمي الطبيعي (Log-Normal) وتوزيع غاما وتوزيع والد (Wald / Inverse Gaussian):

E(X^2) = ∫ x^2 * f_RT(x) dx

يسمح العزم الثاني المستخرج بحساب التباين الدقيق لأزمنة الرجع، وتفكيك زمن الاستجابة إلى مكونات معرفية مستقلة؛ مثل زمن المعالجة البصرية، وزمن اتخاذ القرار التنفيذي، وزمن التنفيذ الحركي. ويُعد الارتفاع غير المعتاد في قيمة E(X^2) مقارنة بالمتوسط مؤشراً إكلينيكياً حساساً للغاية يُستخدم في تشخيص اضطرابات الانتباه وفرط الحركة (ADHD)، وتشخيص التدهور المعرفي المبكر في مرضى الزهايمر، ورصد مستويات الإجهاد العصبي لدى الطيارين وسائقي المركبات، مما يبرز الأثر التطبيقي الحيوي للعزم الثاني في العلوم المعرفية المعاصرة.

11.3 تحليل القرارات تحت ظروف عدم اليقين والمخاطرة

يمتد توظيف العزم الثاني والقيمة المتوقعة لدوال التربيع إلى فضاء الاقتصاد السلوكي ونظرية القرار الإدراكي؛ حيث يدرس الباحثون كيفية اتخاذ البشر لقراراتهم في بيئات عدم اليقين والمخاطرة المالية والسلوكية. في هذا السياق، صاغ العالمان دانيال كانيمان وآموس تفيرسكي نماذج رائدة تعتمد على فكرة أن الأفراد لا يقيمون الخيارات بناءً على القيمة المتوقعة المباشرة للنتائج فحسب، بل يتأثرون بشدة بمقدار التباين والمخاطرة المتصورة.

في نماذج “المنفعة المتوقعة” (Expected Utility Theory) والنماذج السلوكية المعتمدة على “متوسط التباين” (Mean-Variance Models)، يُقاس تفضيل الفرد للبدائل عبر دالة منفعة U(X) تأخذ في الحسبان تباين المكاسب والخسائر، والذي يشتق مباشرة من حساب E(X^2):

U(X) = E(X) – k * Var(X) = E(X) – k * [E(X^2) – (E(X))^2]

حيث يمثل k معامل النفور من المخاطرة لدى الفرد. عندما يواجه المفحوص مواقف تتضمن احتمالات متساوية لربح كبير أو خسارة فادحة، فإن العزم الثاني للمكاسب والخسائر E(X^2) يرتفع بشكل هائل نتيجة لتربيع المقادير المالية الكبيرة، مما يخلق وزناً نفسياً رادعاً للمخاطرة لدى الأفراد الحذرين، أو دافعاً للمقامرة لدى الباحثين عن الإثارة.

تُطبق هذه النماذج القياسية اليوم على نطاق واسع في دراسة سلوكيات الإدمان على المراهنات، وتحليل سلوك المستثمرين في الأسواق المالية المضطربة، وفهم قرارات الأطباء عند اختيار بروتوكولات علاجية ذات نسب نجاح ومخاطر متباينة، مما يؤكد أن E(X^2) يمثل أداة جوهرية لتكميم الإدراك البشري لمفهوم المخاطرة وعدم اليقين.

12. مسائل وتدريبات تطبيقية شاملة مع الحلول التفصيلية

12.1 مسألة 1: متغير منفصل ذو قيم سالبة وموجبة (سياق درجات سلوكية)

نص المسألة: في دراسة لتقييم السلوك التكيفي للأطفال داخل الفصول الدراسية، تم تصميم مقياس للانحراف السلوكي يُرمز له بالمتغير العشوائي المنفصل X. تمثل الدرجات السالبة سلوكيات انطوائية وانسحابية، وتمثل الدرجة صفر التكيف المتوازن، بينما تمثل الدرجات الموجبة سلوكيات اندفاعية ومشاغبة. يتخذ المتغير X القيم في المدى {-2، -1، 0، 1، 2}، وفق جدول التوزيع الاحتمالي المتناظر التالي:

• P(X = -2) = 0.10
• P(X = -1) = 0.20
• P(X = 0) = 0.40
• P(X = 1) = 0.20
• P(X = 2) = 0.10

المطلوب: احسب القيمة المتوقعة لـ X^2 بالتفصيل، ثم استخرج القيمة المتوقعة E(X) والتباين Var(X) للتحقق من صحة النتائج.

خطوات الحل التفصيلي:

الخطوة 1: التحقق من مجموع الاحتمالات:
Σ p(x) = 0.10 + 0.20 + 0.40 + 0.20 + 0.10 = 1.00 (توزيع سليم تماماً).

الخطوة 2: تطبيق قانون العزم الثاني للمتغير المنفصل:
E(X^2) = Σ [x^2 * p(x)]

نقوم بحساب الحدود الجزئية، مع الانتباه الشديد لتحول الإشارات السالبة إلى موجبة بالتربيع:

• للقيمة x = -2: (-2)^2 * 0.10 = 4 * 0.10 = 0.40
• للقيمة x = -1: (-1)^2 * 0.20 = 1 * 0.20 = 0.20
• للقيمة x = 0: (0)^2 * 0.40 = 0 * 0.40 = 0.00
• للقيمة x = 1: (1)^2 * 0.20 = 1 * 0.20 = 0.20
• للقيمة x = 2: (2)^2 * 0.10 = 4 * 0.10 = 0.40

الخطوة 3: تجميع النواتج الجزئية:
E(X^2) = 0.40 + 0.20 + 0.00 + 0.20 + 0.40 = 1.20

الخطوة 4: التحقق عبر التباين والمتوسط:
نحسب أولاً القيمة المتوقعة العادية E(X):
E(X) = [(-2)*0.10] + [(-1)*0.20] + [0*0.40] + [1*0.20] + [2*0.10]
E(X) = -0.20 – 0.20 + 0.00 + 0.20 + 0.20 = 0.00 (المتوسط يساوي صفراً بسبب التناظر التام).

نطبق علاقة التباين:
Var(X) = E(X^2) – [E(X)]^2 = 1.20 – (0.00)^2 = 1.20

نلاحظ هنا أنه نظراً لأن المتوسط يساوي صفراً، فإن العزم الثاني يتطابق تماماً مع التباين (E(X^2) = Var(X) = 1.20)، وهو ما يؤكد صحة ودقة الحسابات الرياضية وتوافقها مع متباينة كوشي-شوارتز.

12.2 مسألة 2: متغير متصل بتوزيع مثلثي مخصص

نص المسألة: يُستخدم متغير عشوائي متصل X لنمذجة شدة الاستثارة الانفعالية النفسية لدى الأفراد الخاضعين لاختبار ضغط تجريبي، حيث يتوزع المتغير وفق دالة كثافة احتمالية مثلثية معرفة مجزأة على الفترة [0, 2] بالشكل التالي:

• f(x) = x ، عندما 0 ≤ x ≤ 1
• f(x) = 2 – x ، عندما 1 < x ≤ 2
• f(x) = 0 ، في أي مكان آخر

المطلوب: احسب القيمة المتوقعة لـ X^2 عبر التكامل المحدد بدقة متناهية.

خطوات الحل التفصيلي:

الخطوة 1: تجزئة تكامل العزم الثاني وفقاً لفترات تعريف الدالة:
E(X^2) = ∫ [x^2 * f(x)] dx = ∫_0^1 [x^2 * (x)] dx + ∫_1^2 [x^2 * (2 – x)] dx
E(X^2) = ∫_0^1 x^3 dx + ∫_1^2 (2x^2 – x^3) dx

الخطوة 2: حساب التكامل الأول على الفترة [0, 1]:
∫_0^1 x^3 dx = [ x^4 / 4 ]_0^1 = (1^4 / 4) – (0^4 / 4) = 1/4 = 0.25

الخطوة 3: حساب التكامل الثاني على الفترة [1, 2]:
∫_1^2 (2x^2 – x^3) dx = [ (2x^3 / 3) – (x^4 / 4) ]_1^2

نقوم بالتعويض بالحد الأعلى (x = 2):
[ (2*(2)^3 / 3) – ((2)^4 / 4) ] = [ (2*8 / 3) – (16 / 4) ] = [ 16/3 – 4 ] = 16/3 – 12/3 = 4/3

نقوم بالتعويض بالحد الأدنى (x = 1):
[ (2*(1)^3 / 3) – ((1)^4 / 4) ] = [ 2/3 – 1/4 ] = 8/12 – 3/12 = 5/12

بطرح الحد الأدنى من الحد الأعلى للتكامل الثاني:
ناتج التكامل الثاني = (4/3) – (5/12) = (16/12) – (5/12) = 11/12 ≈ 0.9167

الخطوة 4: جمع نواتج التجزئة التكاملية لاستخراج E(X^2):
E(X^2) = (1/4) + (11/12) = (3/12) + (11/12) = 14/12 = 7/6 ≈ 1.1667

المناقشة: القيمة المتوقعة لمربع استثارة الانفعال تساوي تماماً 7/6 (أو 1.167 تقريباً). وإذا علمنا أن متوسط هذا التوزيع المتناظر E(X) = 1، فإن تباينه يساوي: Var(X) = (7/6) – (1)^2 = 1/6 ≈ 0.1667، مما يقدم حلاً تحليلياً متكاملاً ومحكماً لتوزيع متصل غير منتظم.

12.3 مسألة 3: اشتقاق E(X^2) لتوزيع بواسون المنفصل

نص المسألة: يُستخدم توزيع بواسون (Poisson Distribution) بكثافة لنمذجة الأحداث النادرة المنفصلة التي تحدث بمعدل زمني ثابت λ؛ مثل عدد نوبات الهلع التي تصيب المريض شهرياً، أو عدد الأخطاء المطبعية في اختبار قياسي. تُعطى دالة كتلته بالصيغة: P(X = x) = (e^(-λ) * λ^x) / x!، للقيم x = 0, 1, 2, 3, …
المطلوب: أثبت بالاشتقاق الجبري المباشر لقانون التجميع أن: E(X^2) = λ^2 + λ.

خطوات الاشتقاق التفصيلي:

الخطوة 1: كتابة مفكوك التوقع الأصلي:
E(X^2) = Σ_{x=0}^∞ [ x^2 * (e^(-λ) * λ^x / x!) ]

عندما x = 0، فإن الحد يساوي صفراً، لذا يمكننا بدء التجميع من x = 1. لكن التعامل المباشر مع x^2 في وجود المضروب الرياضي (x!) في المقام يمثل معضلة جبرية لأن x^2 لا تختصر مباشرة مع x!.

الخطوة 2: استخدام الحيلة التحليلية الجبرية:
نقوم بتفكيك المقدار x^2 إلى مجموع صيغتين يسهل اختصارهما مع المضروب:
x^2 = x(x – 1) + x

بالتعويض بهذا التفكيك داخل صيغة التوقع:
E(X^2) = Σ_{x=0}^∞ [ (x(x – 1) + x) * (e^(-λ) * λ^x / x!) ]
E(X^2) = Σ_{x=0}^∞ [ x(x – 1) * (e^(-λ) * λ^x / x!) ] + Σ_{x=0}^∞ [ x * (e^(-λ) * λ^x / x!) ]

نلاحظ أن المجموع الثاني هو بالتعريف القيمة المتوقعة لـ X، والتي نعلم مسبقاً أنها تساوي λ (أي E(X) = λ). يتبقى لدينا حساب المجموع الأول، وهو العزم العاملي الثاني E[X(X – 1)].

الخطوة 3: معالجة مجموع العزم العاملي الأول:
Σ_{x=0}^∞ [ x(x – 1) * (e^(-λ) * λ^x / x!) ]
الحدان المقابلان لـ x = 0 و x = 1 ينعدمان، لذا يبدأ الجمع الفعلي من x = 2:
= Σ_{x=2}^∞ [ x(x – 1) * e^(-λ) * λ^x / (x * (x – 1) * (x – 2)!) ]

باختصار المقدار [x(x – 1)] من البسط والمقام:
= Σ_{x=2}^∞ [ e^(-λ) * λ^x / (x – 2)! ]

نستخرج العامل المشترك e^(-λ) و λ^2 خارج رمز التجميع (حيث λ^x = λ^2 * λ^(x-2)):
= λ^2 * e^(-λ) * Σ_{x=2}^∞ [ λ^(x – 2) / (x – 2)! ]

بإجراء تغيير لمتغير الجمع بفرض k = x – 2، عندما x = 2 فإن k = 0، ويؤول المجموع إلى:
= λ^2 * e^(-λ) * Σ_{k=0}^∞ [ λ^k / k! ]

نلاحظ أن المتسلسلة الناتجة Σ_{k=0}^∞ [λ^k / k!] هي متسلسلة تايلور للدالة الأسية e^λ. بالتعويض بقيمتها:
= λ^2 * e^(-λ) * e^λ

بما أن e^(-λ) * e^λ = e^0 = 1، يختزل المجموع بالكامل إلى:
E[X(X – 1)] = λ^2

الخطوة 4: تجميع أجزاء المعادلة النهائية:
E(X^2) = E[X(X – 1)] + E(X)
E(X^2) = λ^2 + λ

التحقق النهائي: نعلم أن تباين توزيع بواسون يساوي معلمته λ (Var(X) = λ). بتطبيق معادلة التباين العكسية:
Var(X) = E(X^2) – [E(X)]^2 = (λ^2 + λ) – (λ)^2 = λ.
يتطابق الناتج تماماً وبأعلى درجات الإحكام الرياضي، ليختتم هذا البرهان الأكاديمي مسيرة التحليل الاستدلالي للعزم الثاني.

خاتمة

استعرض هذا الدليل الأكاديمي الشامل الأبعاد الرياضية والمنهجية والتطبيقية لحساب القيمة المتوقعة لـ X^2 (العزم الخام الثاني للمتغير العشوائي)، كاشفاً عن الدور الجوهري والمحوري الذي يؤديه هذا المفهوم في ترسيخ قواعد نظرية الاحتمالات وعلم القياس والإحصاء الاستدلالي. لقد تبين لنا بوضوح أن E(X^2) ليس مجرد عملية تحويل جبرية عابرة، بل هو مقياس هيكلي عميق يعكس الطاقة الكلية للتوزيع، وحجم الانتشار الموزون حول المركز، والأساس المنطقي الحاسم لاشتقاق التباين، والانحراف المعياري، ومقاييس الخطأ الإحصائي، ونماذج الثبات السيكومتري.

وقد أبرز المقال التمايز الصارم بين المعالجة الرياضية للمتغيرات المنفصلة القائمة على التجميع المرجح بالأوزان الاحتمالية Σ x^2 p(x)، والمعالجة التحليلية للمتغيرات المتصلة المعتمدة على التكامل المحدد والممتد لدوال الكثافة الاحتمالية ∫ x^2 f(x) dx. كما تم تفكيك العلاقة التبادلية الخالدة التي تربط العزم الثاني بمربع القيمة المتوقعة والتباين عبر الصيغة Var(X) = E(X^2) – [E(X)]^2، وتأكيد حتمية متباينة كوشي-شوارتز التي تضمن بقاء E(X^2) دوماً أكبر من أو مساوياً لـ [E(X)]^2، إلى جانب استكشاف مسارات الحساب المتقدمة عبر مشتقات الدوال المولدة للعزوم والاحتمالات.

وفي الختام، تجلت القيمة المضافة لهذا المفهوم في قدرته الفائقة على عبور حواجز التجريد الرياضي ليستقر في صلب العلوم السلوكية والنفسية والمعرفية؛ حيث يمنح الباحثين أدوات دقيقة لقياس الفروق الفردية، وتفكيك مكونات أزمنة الرجع العصبي، ونمذجة السلوك البشري تحت وطأة المخاطرة وعدم اليقين. إن التمكن الواعي والعميق من قواعد حساب وتفسير القيمة المتوقعة لمربع المتغير العشوائي يظل شرطاً أساسياً لكل باحث يسعى لبناء نماذج قياسية متينة تتسم بالمصداقية والموثوقية في مختلف ميادين المعرفة الإنسانية والتطبيقية.

المراجع

• Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury Press. https://www.cengage.com
• DeGroot, M. H., & Schervish, M. J. (2012). Probability and Statistics (4th ed.). Pearson. https://www.pearson.com
• Hogg, R. V., McKean, J., & Craig, A. T. (2019). Introduction to Mathematical Statistics (8th ed.). Pearson. https://www.pearson.com
• Lord, F. M., & Novick, M. R. (2008). Statistical Theories of Mental Test Scores. Information Age Publishing. https://www.infoagepub.com
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric Theory (3rd ed.). McGraw-Hill. https://www.mheducation.com
• Ross, S. M. (2014). A First Course in Probability (9th ed.). Pearson. https://www.pearson.com
• Wackerly, D., Mendenhall, W., & Scheaffer, R. L. (2014). Mathematical Statistics with Applications (7th ed.). Cengage Learning. https://www.cengage.com