الاحتمال الهامشي: التعريف، الصيغة والأمثلة

تُعد نظرية الاحتمالات الركيزة الأساسية التي يقوم عليها صرح الاستدلال الإحصائي، وعلم البيانات الحديث، والتعلم الآلي، والعديد من التطبيقات العلمية في شتى المجالات الإنسانية والتطبيقية. في عالم تتداخل فيه المتغيرات وتتعقد الظواهر، يواجه الباحثون والمحللون تحدياً دائماً يتمثل في كيفية فهم سلوك ظاهرة مفردة أو متغير بعينه عند تواجده ضمن منظومة احتمالية معقدة متعددة الأبعاد. هنا تبرز أهمية مفهوم الاحتمال الهامشي (Marginal Probability)، بوصفه الأداة الرياضية والمنهجية التي تتيح لنا عزل متغير عشوائي معين ودراسة خصائصه الاحتمالية الخالصة، متجاوزين ومتحررين من تأثير المتغيرات المصاحبة الأخرى عبر عملية إحصائية محكمة تُعرف باسم “التهميش” (Marginalization).

إن فهم الاحتمال الهامشي ليس مجرد تمرين أكاديمي في الحساب الإحصائي، بل هو المفتاح الجوهري للانتقال بسلاسة بين مفاهيم التوزيع المشترك والتوزيع الشرطي، ولبنة البناء الرئيسية لصياغة مبرهنة بايز الشهيرة وتطبيقاتها في الذكاء الاصطناعي، والتشخيص الطبي، والقياس النفسي، والتحليل المالي. يهدف هذا الدليل الشامل والموسع إلى تقديم تفكيك نظري ورياضي وتطبيقي عميق للاحتمال الهامشي، متناولاً أصوله التاريخية، وصيغه الجبرية والتكاملية للمتغيرات المنفصلة والمتصلة، وجداول التوافق، وأوجه المقارنة مع الاحتمالات المشتركة والشرطية، وتطبيقاته العملية والبرمجية، مع إبراز الأخطاء الشائعة لتجنب الانزلاق في الاستنتاجات المضللة.

سواء كنت باحثاً في العلوم السلوكية تسعى لعزل العوامل النفسية، أو عالم بيانات يقوم بتطوير نماذج بايزية معقدة، أو طالباً يتعمق في الإحصاء الرياضي، فإن هذا المرجع يمنحك الرؤية الكاملة والخطوات الدقيقة لاستيعاب وتطبيق الاحتمال الهامشي بأقصى درجات الدقة والصرامة المنهجية.

1. مقدمة شاملة إلى الاحتمال الهامشي (Marginal Probability)

1.1 مفهوم الاحتمال الهامشي وجذوره النظرية

يُعرَّف الاحتمال الهامشي بأنه احتمال وقوع حدث معين مستقل بذاته ومجرداً من أي شروط أو تقييدات تفرضها المتغيرات الأخرى المتواجدة في فضاء العينة ذاته. عندما نتعامل مع فضاء احتمالي يتضمن متغيرين عشوائيين أو أكثر، فإن الاحتمال الهامشي يركز حصرياً على توزيع احتمالات متغير واحد دون الاكتراث بالحالات التي تتخذها بقية المتغيرات. يُشار إليه في الأدبيات الإحصائية بأنه احتمال غير مشروط (Unconditional Probability)، لأنه لا يفترض وقوع حدث مسبق ولا يقيد فضاء العينة ببيانات مكتسبة حديثاً، بل يعكس الاحتمالية الكلية والمطلقة للحدث في فضاء الاحتمال الكلي.

تعود الجذور التاريخية والاصطلاحية لتسمية “الهامشي” (Marginal) إلى الطريقة التقليدية التي كان يتبعها الإحصائيون الأوائل عند تدوين وتحليل جداول التوافق (Contingency Tables) وجداول التوزيع التكراري ثنائية المتغيرات. في هذه الجداول، كانت التكرارات المشتركة تُكتب في الخلايا المركزية، بينما كانت المجاميع الإجمالية لكل صف ولكل عمود تُسجل على الحواف الخارجية للجدول، أي في “الهوامش” (Margins). ومن هنا، أصبح جمع الاحتمالات المشتركة عبر صف كامل أو عمود كامل للوصول إلى النتيجة الإجمالية المتواجدة على الهامش يُعرف بالاحتمال الهامشي، وتطورت العملية الإجرائية لتصبح مصطلحاً رياضياً قائماً بذاته يُعرف بعملية “التهميش” (Marginalization).

من الناحية النظرية، يمثل الاحتمال الهامشي التعبير الرياضي الأبسط والأشمل للتوزيع الاحتمالي الذاتي لأي ظاهرة. فعند دراسة ظاهرة مثل هطول الأمطار في ظل وجود متغيرات مثل الرطوبة والرياح ودرجة الحرارة، فإن الاحتمال الهامشي لهطول المطر يبحث في احتمالية حدوث الظاهرة ككل على مدار العام، بغض النظر عن تباين قيم سرعة الرياح أو مستويات الرطوبة اليومية، مما يمنحنا رؤية مجردة وشاملة لسلوك المتغير المستهدف بمعزل عن ضوضاء العلاقات التفاعلية المحيطة به.

1.2 الفرق الجوهري بين الاحتمال الهامشي والاحتمالات الإحصائية الأخرى

لتكوين فهم راسخ للاحتمال الهامشي، يجب التمييز بوضوح تام بينه وبين نوعين رئيسيين من الاحتمالات: الاحتمال المشترك (Joint Probability) والاحتمال الشرطي (Conditional Probability). يكمن الفرق الجوهري في نطاق فضاء العينة والتركيز المفاهيمي لكل نوع. فالاحتمال المشترك $P(A cap B)$ يقيس احتمالية وقوع حدثين أو أكثر معاً في الوقت ذاته، مما يتطلب تقاطعاً دقيقاً بين الحالات. في المقابل، فإن الاحتمال الشرطي $P(A|B)$ يقيس احتمالية وقوع الحدث $A$ بافتراض أو بشرط أن الحدث $B$ قد وقع بالفعل، مما يؤدي إلى تقليص فضاء العينة الأصلي إلى الفضاء الجزئي الذي يحقق الشرط $B$.

أما الاحتمال الهامشي $P(A)$، فإنه يتسم بالاستقلالية المفاهيمية التامة عن الشروط المقيدة؛ فهو لا يقيد فضاء العينة بحدوث $B$، ولا يبحث عن تزامنه مع $B$، بل يجمع كافة مسارات $A$ الممكنة عبر جميع الحالات الممكنة لـ $B$. إن هذا التباين يجعل الاحتمال الهامشي يمثل “الرؤية الكلية” (Macro Perspective)، بينما يمثل الاحتمال الشرطي “الرؤية الموضعية” (Micro Perspective)، ويمثل الاحتمال المشترك “رؤية التقاطع المتزامن”.

تتجلى الأهمية النظرية لهذا التمييز في جعل الاحتمال الهامشي حجر الأساس الذي تُبنى عليه أعتى النظريات الإحصائية. فالانتقال من دراسة متغيرات مفردة إلى بناء نماذج إحصائية تنبؤية متعددة المتغيرات يتطلب فهماً عميقاً لكيفية تجميع وتفكيك هذه الاحتمالات. بدون الاحتمال الهامشي، يستحيل تطبيق مبرهنة بايز، إذ يمثل هذا الاحتمال القاسم المعياري (Normalizing Constant) الذي يضمن أن مجموع الاحتمالات البعدية يساوي تماماً الواحد الصحيح، مما يعزز اتساق النماذج الرياضية في مواجهة البيانات الواقعية.

1.3 أهمية التهميش (Marginalization) في التحليل الإحصائي

تُعد عملية التهميش (Marginalization) إحدى أقوى التقنيات التحليلية في ترسانة الإحصائي وعالم البيانات. تكمن القوة الاستثنائية لهذه العملية في قدرتها على تبسيط الأنظمة العشوائية شديدة التعقيد والمتعددة الأبعاد، حيث تتيح للباحث “إسقاط” أو “دمج” أبعاد المتغيرات غير المرغوب فيها أو المتغيرات المزعجة (Nuisance Parameters) من أجل عزل وتوضيح التأثير النقي لمتغير واحد مستهدف. إن هذه العملية تشبه إلى حد كبير عملية تسليط الضوء على كائن ثلاثي الأبعاد لرؤية ظله المسطح ثنائي الأبعاد، حيث يُفقد البعد غير المستهدف لصالح تركيز التحليل على الأبعاد ذات الاهتمام المباشر.

تسهم عملية التهميش بشكل جوهري في استخراج الرؤى المباشرة والقرارات الحاسمة من البيانات الضخمة والمركبة. ففي مجالات مثل بحوث التسويق، قد تحتوي قاعدة البيانات على آلاف المتغيرات المشتركة المتعلقة بسلوك المستهلك، بما في ذلك الموقع الجغرافي، والعمر، والدخل، وتوقيت الشراء، ونوع الجهاز المستخدم. إذا أرادت الإدارة التنفيذية معرفة الاحتمال الإجمالي لشراء منتج معين، فإن اللجوء إلى التوزيع المشترك لكافة هذه المتغيرات سيكون أمراً معقداً وغير عملي، بينما يوفر التهميش الإحصائي رقماً واحداً يمثل الاحتمال الهامشي للشراء، مما يسهل عملية التخطيط الاستراتيجي وإدارة المخزون وتحديد الميزانيات التقديرية.

علاوة على ذلك، يلعب التهميش دوراً محورياً في بناء سلاسل القرارات العقلانية تحت ظروف عدم اليقين. فعندما يواجه صانع القرار خيارات متعددة تعتمد على سيناريوهات بيئية مستقبلية متغيرة، فإن التهميش يساعد في حساب القيمة المتوقعة لقرار ما عبر دمج كافة الاحتمالات الهامشية لحالات الطبيعة، مما يضمن اتخاذ قرارات متينة لا تتأثر بالافتراضات الضيقة للمتغيرات الشرطية الفردية.

2. التعريف الرياضي والاصطلاحي للاحتمال الهامشي

2.1 الرمز الرياضي P(A) ودلالاته الاحصائية

في لغة الرياضيات والإحصاء القياسية، يُرمز للاحتمال الهامشي لحدث معين $A$ بالرمز التقليدي $P(A)$، أو بالرمز $P_X(x)$ عندما نتعامل مع متغير عشوائي $X$ يأخذ قيمة محددة $x$. يعبر هذا الرمز عن قياس احتمالي معرَّف على فضاء العينة الكلي $\Omega$. يتأسس هذا القياس رياضياً على بديهيات أندريه كولموغوروف الثلاث الشهيرة في نظرية الاحتمالات البديهية (Kolmogorov Axioms):

• بديهية عدم السلبية: يجب أن يكون الاحتمال الهامشي لأي حدث $A$ قيمة حقيقية غير سالبة، أي أن $P(A) ge 0$.
• بديهية فضاء العينة الكامل (اليقين): احتمال وقوع فضاء العينة بأكمله يساوي الواحد الصحيح، أي أن $P(\Omega) = 1$.
• بديهية الجمع للأحداث المتنافية: إذا كانت الأحداث $A_1, A_2, A_3, dots$ أحداثاً متنافية تبادلياً (Mutually Exclusive)، فإن احتمال اتحادها يساوي مجموع احتمالاتها الهامشية: $P(\big\cup_{i=1}^{\infty} A_i) = \sum_{i=1}^{\infty} P(A_i)$.

تكتسب هذه البديهيات عمقاً خاصاً عند تطبيقها على الاحتمال الهامشي المشتق من فضاءات متعددة المتغيرات. فالحدث $A$ في فضاء ثنائي المتغيرات $(X, Y)$ لا يمثل مجرد نقطة، بل يمثل مجموعة فرعية من الأزواج المرتبة: $A = {(x, y) in \Omega mid X = x}$. وبالتالي، فإن الرمز $P(A)$ يمثل في جوهره دمجاً متكاملاً لكافة الأزواج المرتبة التي يتحقق فيها الشرط $X = x$ عبر كامل النطاق الممكن لـ $Y$.

2.2 علاقة الاحتمال الهامشي بالتوزيع الاحتمالي المشترك

لا يمكن استيعاب البناء الرياضي للاحتمال الهامشي دون إدراك صلته العضوية بالتوزيع الاحتمالي المشترك. يُعد التوزيع المشترك $P(X, Y)$ بمثابة الوصف الشامل والكامل للحالة الاحتمالية لنظام يحتوي على متغيرين، حيث يحمل هذا التوزيع تفاصيل التفاعل والارتباط بينهما. يُشتق الاحتمال الهامشي من هذا التوزيع عبر تفكيك الأحداث المركبة وإسقاط الأبعاد الهندسية للنظام الاحتمالي.

رياضياً، إذا كان لدينا فضاء احتمالي ثنائي الأبعاد يُوصف بدالة احتمالية مشتركة، فإن استخراج الاحتمال الهامشي لأحد المتغيرين يُماثل إجراء عملية “إسقاط هندسي” (Geometric Projection) من فضاء ذي بعدين إلى خط مستقيم أحادي البعد. خلال هذه العملية، تُجمع أو تُكامل كل الكثافات الاحتمالية المشتركة المتراصة فوق خط معين في الفضاء، لتتحول إلى كتلة احتمالية أحادية مستقرة على المحور الخاص بالمتغير المستهدف. وبذلك، يعمل الاحتمال الهامشي على اختزال تعقيد المصفوفات أو السطوح ثلاثية الأبعاد إلى منحنيات أو متجهات احتمالية مبسطة وسهلة التحليل والمعالجة الرياضية.

2.3 استقلالية الحدث عن المتغيرات المصاحبة

من أهم المفاهيم الفلسفية والرياضية في الاحتمال الهامشي هو مفهوم “الحياد الرياضي” تجاه المتغيرات المصاحبة. عند حساب $P(X = x)$، لا يفترض التحليل الإحصائي أي ثبات أو استقرار قسري للمتغير $Y$، بل يسمح له بالتحرك بحرية عبر كامل فضاء عيناتِه. هذا الإجراء الرياضي يضمن شمولية فضاء العينة وعدم فقدان أي جزء من الكتلة الاحتمالية الإجمالية للنظام.

إن إثبات شمولية فضاء العينة عند حساب الاحتمال المنفرد ينبع من حقيقة أن الأحداث المكونة لفضاء المتغير المصاحب $Y$ تشكل “تجزيئاً كاملاً” (Partition) لفضاء العينة $\Omega$. وبما أن هذه الأحداث $B_1, B_2, dots, B_k$ متنافية وتغطي الفضاء بالكامل، فإن وقوع الحدث $A$ لا بد أن يتقاطع مع أحد هذه الأقسام حصراً. وبالتالي، فإن جمع احتمالات هذه التقاطعات يستوفي رياضياً كل الاحتمالات الممكنة لوقوع $A$، مما يجعل الاحتمال الهامشي يعبر عن الحقيقة الكلية المجردة للحدث دون أي تحيز أو انحراف ناتج عن السلوك الفردي للمتغيرات المصاحبة.

3. الصيغة الرياضية للاحتمال الهامشي في المتغيرات المنفصلة (Discrete Variables)

3.1 قانون الجمع التهميشي (Marginal Summation Rule)

في سياق المتغيرات العشوائية المنفصلة (Discrete Random Variables)، وهي المتغيرات التي تأخذ قيماً قابلة للعد والفرز، يُحسب الاحتمال الهامشي باستخدام قانون الجمع التهميشي (Marginal Summation Rule). تنص الصيغة الرياضية الأساسية لهذا القانون عند وجود متغيرين منفصلين $X$ و $Y$ على ما يلي:

$$P(X = x) = \sum_{y} P(X = x, Y = y)$$

توضح هذه الصيغة أن حساب الاحتمال الهامشي للمتغير $X$ عند قيمة محددة $x$ يتطلب تثبيت القيمة $x$، ثم إجراء عملية جمع تراكمي للاحتمالات المشتركة $P(X = x, Y = y)$ عبر كافة القيم الممكنة التي يمكن أن يتخذها المتغير الثانوي $Y$، والتي يُرمز لها بالمجموعة $\mathcal{Y}$. وبالمثل، إذا أردنا حساب الاحتمال الهامشي للمتغير $Y$ عند قيمة $y$، فإننا نثبت $y$ ونجمع عبر كافة قيم $X$ الممكنة:

$$P(Y = y) = \sum_{x} P(X = x, Y = y)$$

تتعامل هذه المعادلة بكفاءة متناهية مع الأنظمة الإحصائية المنفصلة ذات الحالات المتعددة، حيث تُحول مصفوفة الاحتمالات ثنائية الأبعاد إلى متجه احتمالي أحادي يصف سلوك المتغير محل الاهتمام بدقة بالغة وبطريقة حسابية مباشرة خالية من التعقيد الرياضي.

3.2 استخراج الاحتمال من دالة الكتلة الاحتمالية المشتركة (Joint PMF)

تُعرف الدالة التي تحدد الاحتمال المشترك لمتغيرين منفصلين باسم دالة الكتلة الاحتمالية المشتركة (Joint PMF)، ويُرمز لها بالرمز $p_{X,Y}(x, y)$. لتحويل هذه الدالة المشتركة إلى دالة كتلة احتمالية هامشية (Marginal PMF) للمتغير $X$، والتي يُرمز لها بالرمز $p_X(x)$، نقوم بتطبيق المشغل الرياضي للجمع على الدالة:

$$p_X(x) = \sum_{y in \text{Support}(Y)} p_{X,Y}(x, y)$$

ولكي تكون دالة الكتلة الهامشية المشتقة دالة صحيحة ومتسقة إحصائياً، يجب أن تحقق الشرطين الأساسيين لدوال الاحتمال:

• أن تكون قيمة الدالة الهامشية غير سالبة لأي قيمة من قيم $x$: $p_X(x) ge 0$.
• أن يكون المجموع الكلي للاحتمالات الهامشية عبر فضاء الدعم الخاص بـ $X$ مساوياً للواحد الصحيح تماماً: $\sum_{x} p_X(x) = 1$.

يمكن صياغة هذا التوزيع الهامشي رياضياً على شكل متجه أحادي البعد $\mathbf{p}_X = [p_X(x_1), p_X(x_2), dots, p_X(x_n)]^T$. يتيح هذا المتجه لعلماء الإحصاء حساب كافة العزوم الإحصائية الفردية للمتغير، مثل التوقع الرياضي الهامشي $E[X] = \sum x p_X(x)$ والتباين الهامشي $\text{Var}(X) = E[X^2] – (E[X])^2$، دون الحاجة للرجوع مرة أخرى إلى الدالة المشتركة المعقدة.

3.3 تعميم المعادلة على أكثر من متغيرين منفصلين

في العديد من الأنظمة الواقعية، لا يقتصر التحليل على متغيرين فقط، بل يمتد ليشمل فضاءات احتمالية متعددة المتغيرات تتضمن ثلاثة متغيرات عشوائية أو أكثر ($X, Y, Z, dots$). في مثل هذه الحالات، يتم تعميم قانون الجمع التهميشي ليشمل عمليات جمع متعددة ومتداخلة للتخلص من كافة المتغيرات غير المستهدفة دفعة واحدة أو بالتتابع.

إذا كان لدينا ثلاثة متغيرات منفصلة $X$ و $Y$ و $Z$ بدالة كتلة مشتركة $P(X, Y, Z)$، وأردنا استخراج الاحتمال الهامشي للمتغير $X$ بمفرده، فإننا نجري عملية جمع مزدوجة على كامل فضاءات المتغيرين $Y$ و $Z$:

$$P(X = x) = \sum_{y} \sum_{z} P(X = x, Y = y, Z = z)$$

أما إذا كان الهدف هو استخراج التوزيع الهامشي المشترك لمتغيرين معاً وتهميش متغير ثالث (كأن نريد إيجاد $P(X = x, Y = y)$ وتهميش $Z$)، فإننا نجري عملية جمع أحادية على المتغير $Z$ فقط:

$$P(X = x, Y = y) = \sum_{z} P(X = x, Y = y, Z = z)$$

يمكن تعميم هذا المبدأ على فضاء نوني يحتوي على $n$ من المتغيرات العشوائية المنفصلة $(X_1, X_2, dots, X_n)$. لحساب التوزيع الهامشي للمتغير $X_1$، نطبق $n-1$ من عمليات الجمع:

$$P(X_1 = x_1) = \sum_{x_2} \sum_{x_3} dots \sum_{x_n} P(X_1 = x_1, X_2 = x_2, dots, X_n = x_n)$$

تُعد هذه التقنيات الرياضية حجر الزاوية في اختزال المصفوفات التنسورية الضخمة (High-Dimensional Tensors) في نماذج الذكاء الاصطناعي ومعالجة الإشارات الرقمية.

4. الصيغة الرياضية للاحتمال الهامشي في المتغيرات المتصلة (Continuous Variables)

4.1 استخدام التكامل لحساب دالة الكثافة الاحتمالية الهامشية (Marginal PDF)

عند الانتقال من الفضاءات المنفصلة إلى الفضاءات المتصلة أو المستمرة (Continuous Variables)، حيث يمكن للمتغيرات أن تتخذ أي قيمة ضمن فترات حقيقية غير منتهية، تفقد أدوات الجمع المتقطع فاعليتها الرياضية، ويحل محلها التكامل الرياضي (Integration). تُوصف المتغيرات المتصلة المشتركة بواسطة دالة الكثافة الاحتمالية المشتركة (Joint PDF)، والتي يُرمز لها بالرمز $f_{X,Y}(x, y)$.

لحساب دالة الكثافة الاحتمالية الهامشية (Marginal PDF) للمتغير المتصل $X$، نقوم بمكاملة دالة الكثافة المشتركة بالنسبة للمتغير الثانوي $Y$ على امتداد مجاله الرياضي الكامل الممتد من $-\infty$ إلى $+\infty$ وفق الصيغة التكاملية القياسية التالية:

$$f_X(x) = \int_{-\infty}^{+\infty} f_{X,Y}(x, y) , dy$$

تُعرف هذه العملية بـ “مكاملة المتغيرات الخارجية” (Integrating out nuisance variables). من الناحية الفيزيائية والهندسية، تمثل دالة الكثافة المشتركة $f_{X,Y}(x, y)$ سطحاً ثلاثي الأبعاد يعلو المستوى الإحداثي $xy$. وعندما نقوم بحساب التكامل بالنسبة لـ $y$ عند نقطة معينة $x$， فإننا نقوم بحساب مساحة الشريحة الرأسية العرضية التي تقطع هذا السطح عند تلك النقطة. وبذلك، تتحول المساحة المقطعية إلى قيمة الكثافة الهامشية $f_X(x)$ عند النقطة $x$.

وبالمثل، يتم حساب دالة الكثافة الاحتمالية الهامشية للمتغير $Y$ من خلال إجراء التكامل بالنسبة للمتغير $X$ عبر النطاق اللانهائي:

$$f_Y(y) = \int_{-\infty}^{+\infty} f_{X,Y}(x, y) , dx$$

4.2 الشروط الرياضية والخصائص التحليلية لدالة الكثافة الهامشية

لكي تُعتبر دالة الكثافة الهامشية المستخرجة $f_X(x)$ دالة احتمالية صحيحة ومقبولة رياضياً، يجب أن تستوفي بدقة خصائص دوال الكثافة الاحتمالية الكلاسيكية:

• شرط عدم السلبية: يجب أن تكون الكثافة الهامشية موجبة أو مساوية للصفر لجميع قيم $x$ الممكنة: $f_X(x) ge 0 \quad \forall x in \mathbb{R}$. ينبع هذا الشرط تلقائياً من حقيقة أن الدالة المشتركة الأصلية غير سالبة.
• شرط المعايرة والتكامل الكلي: يجب أن تكون المساحة الكلية الواقعة تحت منحنى دالة الكثافة الهامشية مساوية للواحد الصحيح تماماً:
  $$\int_{-\infty}^{+\infty} f_X(x) , dx = \int_{-\infty}^{+\infty} \left( \int_{-\infty}^{+\infty} f_{X,Y}(x, y) , dy \right) dx = 1$$

ترتبط دالة الكثافة الهامشية ارتباطاً وثيقاً بـ دالة التوزيع التراكمي الهامشية (Marginal Cumulative Distribution Function – CDF)، والتي يُرمز لها بالرمز $F_X(x)$. تُعرَّف دالة التوزيع التراكمي الهامشية بأنها احتمال أن يأخذ المتغير $X$ قيمة أقل من أو تساوي $x$:

$$F_X(x) = P(X le x) = P(X le x, Y < \infty) = \int_{-\infty}^{x} f_X(u) , du = \int_{-\infty}^{x} \left( \int_{-\infty}^{+\infty} f_{X,Y}(u, y) , dy \right) du$$

وفقاً للنظرية الأساسية للتفاضل والتكامل، يمكن استرجاع دالة الكثافة الهامشية من خلال اشتقاق دالة التوزيع التراكمي الهامشية بالنسبة لـ $x$:

$$f_X(x) = \frac{d}{dx} F_X(x)$$

4.3 التكامل متعدد المتغيرات والتهميش المستمر

عند التعامل مع أنظمة متصلة معقدة تحتوي على أكثر من متغيرين عشوائيين، مثل المتجهات العشوائية ثلاثية الأبعاد $(X, Y, Z)$، يتطلب حساب التوزيع الهامشي لمتغير واحد تطبيق التكاملات المتعددة (Multiple Integrals) لإسقاط الأبعاد الزائدة بالتتابع.

إذا كانت لدينا دالة كثافة احتمالية مشتركة $f_{X,Y,Z}(x, y, z)$، فإن دالة الكثافة الهامشية للمتغير $X$ تُشتق عبر التكامل المزدوج على المتغيرين $Y$ و $Z$:

$$f_X(x) = \int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} f_{X,Y,Z}(x, y, z) , dy , dz$$

يواجه الباحثون في الرياضيات التطبيقية تحدياً إضافياً عندما تكون مجالات التكامل محددة بنطاقات هندسية مقيدة وغير منتظمة وليست مستطيلة، كأن تكون العلاقة بين المتغيرات معرفة في نطاق مثلثي مثل $0 le y le x le 1$. في مثل هذه الحالات، يجب تحديد حدود التكامل التحليلي بدقة فائقة بما يضمن مراعاة الاعتمادية الهندسية لحدود المتغيرات أثناء عملية التهميش:

$$f_X(x) = \int_{y_{\text{\min}}(x)}^{y_{\text{\max}}(x)} f_{X,Y}(x, y) , dy$$

تضمن هذه المعالجة الهندسية الدقيقة الحفاظ على صحة وسلامة التوزيعات الهامشية الناتجة وتفادي الوقوع في قيم احتمالية باطلة أو تتجاوز الواحد الصحيح.

5. جداول التوافق (Contingency Tables) واستخراج الاحتمال الهامشي

5.1 هيكلية جداول التوافق ذات البعدين (Two-Way Tables)

تُعد جداول التوافق ذات البعدين (Two-Way Contingency Tables) واحدة من أكثر الأدوات الإحصائية استخداماً لتنظيم وعرض البيانات الفئوية (Categorical Data) والنوعية. تتألف هذه الجداول من شبكة مستطيلة تحتوي على صفوف وأعمدة؛ حيث تمثل الصفوف مستويات المتغير الفئوي الأول $X$ (الذي يحتوي على $r$ من الفئات)، بينما تمثل الأعمدة مستويات المتغير الفئوي الثاني $Y$ (الذي يحتوي على $c$ من الفئات).

تحتوي الخلايا الداخلية للجدول على التكرارات المشتركة أو الاحتمالات المشتركة التي تعبر عن التقاطع المتزامن بين فئة معينة من فئات الصفوف وفئة معينة من فئات الأعمدة، ويُرمز للتكرار المشترك في الخلية الواقعة في الصف $i$ والعمود $j$ بالرمز $n_{ij}$. أما الميزة الهيكلية الأبرز لهذه الجداول فهي وجود عمود إضافي في أقصى اليمين (أو اليسار حسب لغة الجدول) يُسمى “مجموع الصفوف”، وصف إضافي في أسفل الجدول يُسمى “مجموع الأعمدة”. هذه الحواف الخارجية هي التي تُعرف بـ الهوامش (Margins)، وهي المكان الذي تُسجل فيه القيم والتكرارات الهامشية.

يجب التمييز بوضوح بين جداول التكرارات الخام (Raw Frequency Tables)، التي تعرض الأعداد الفعلية للمشاهدات، وجداول الاحتمالات المشتركة النسبية، التي يتم الحصول عليها بقسمة كل تكرار في الجدول على الحجم الإجمالي للعينة $N = \sum \sum n_{ij}$، لتحتوي الخلايا الداخلية على الاحتمالات المشتركة $P(X = x_i, Y = y_j) = \frac{n_{ij}}{N}$.

5.2 خطوات حساب الاحتمالات الهامشية من بيانات التوافق

يتم استخراج الاحتمالات الهامشية من جداول التوافق باتباع خوارزمية حسابية منهجية ومباشرة تتألف من الخطوات الإجرائية التالية:

• الخطوة الأولى (جمع تكرارات الصفوف): لحساب التكرار الهامشي للمستوى $i$ من متغير الصف $X$، نقوم بجمع كافة التكرارات الواقعة في ذلك الصف عبر جميع الأعمدة، ويُرمز له بالرمز $n_{i\cdot}$ وفق الصيغة:
  $$n_{i\cdot} = \sum_{j=1}^{c} n_{ij}$$
• الخطوة الثانية (جمع تكرارات الأعمدة): لحساب التكرار الهامشي للمستوى $j$ من متغير العمود $Y$، نقوم بجمع كافة التكرارات الواقعة في ذلك العمود عبر جميع الصفوف، ويُرمز له بالرمز $n_{\cdot j}$ وفق الصيغة:
  $$n_{\cdot j} = \sum_{i=1}^{r} n_{ij}$$
• الخطوة الثالثة (حساب الاحتمال الهامشي لمتغير الصف): نقسم التكرار الهامشي للصف المعني على الحجم الإجمالي الكلي للمشاهدات $N$:
  $$P(X = x_i) = \frac{n_{i\cdot}}{N} = \frac{\sum_{j=1}^{c} n_{ij}}{N}$$
• الخطوة الرابعة (حساب الاحتمال الهامشي لمتغير العمود): نقسم التكرار الهامشي للعمود المعني على الحجم الإجمالي الكلي للمشاهدات $N$:
  $$P(Y = y_j) = \frac{n_{\cdot j}}{N} = \frac{\sum_{i=1}^{r} n_{ij}}{N}$$

تتيح هذه الحسابات للباحثين تفكيك الجداول المعقدة واستخلاص الاحتمالات الهامشية المستقلة لكل فئة بسرعة ودقة متناهية.

5.3 التحقق الرياضي من دقة التوزيعات الهامشية داخل الجدول

تخضع جداول التوافق لقواعد تدقيق وتحقق رياضي صارمة تضمن صحة العمليات الحسابية وسلامة التوزيعات الاحتمالية المستخرجة. تتمثل آلية التحقق الأساسية في فحص “نقطة التلاقي الكبرى” (Grand Total) في الركن السفلي الأيمن من الجدول.

يجب أن يتطابق المجموع الكلي لكافة الاحتمالات الهامشية للصفوف مع الواحد الصحيح تماماً، كما يجب أن يتطابق المجموع الكلي لكافة الاحتمالات الهامشية للأعمدة مع الواحد الصحيح ذاته:

$$\sum_{i=1}^{r} P(X = x_i) = \sum_{i=1}^{r} \frac{n_{i\cdot}}{N} = \frac{\sum_{i=1}^{r} n_{i\cdot}}{N} = \frac{N}{N} = 1.0$$

$$\sum_{j=1}^{c} P(Y = y_j) = \sum_{j=1}^{c} \frac{n_{\cdot j}}{N} = \frac{\sum_{j=1}^{c} n_{\cdot j}}{N} = \frac{N}{N} = 1.0$$

إذا ظهر أي اختلاف عن القيمة $1.0$ (باستثناء الفروق الضئيلة الناتجة عن أخطاء التقريب العشري المحدودة)، فإن ذلك يُعد مؤشراً حاسماً على وجود خطأ حسابي في جمع التكرارات المشتركة، أو في تطبيق معاملات القسمة، أو في إغفال بعض الفئات من فضاء العينة، مما يستدعي مراجعة شاملة لمدخلات الجدول.

6. المقارنة الرياضية: الاحتمال الهامشي، المشترك، والشرطي

6.1 الاحتمال الهامشي P(A) مقابل الاحتمال المشترك P(A ∩ B)

لفهم البنية العميقة لنظرية الاحتمالات، من الضروري إجراء مقارنة دقيقة وتفصيلية بين الاحتمال الهامشي $P(A)$ والاحتمال المشترك $P(A cap B)$. يكمن التباين الأساسي بينهما في طبيعة الحدث المدروس؛ فالاحتمال الهامشي يقيس احتمالية وقوع الحدث $A$ بصورة عامة ومطلقة بصرف النظر عن أي أحداث أخرى، في حين يقيس الاحتمال المشترك احتمالية وقوع الحدثين $A$ و $B$ معاً وفي نفس اللحظة التجريبية.

من الناحية الرياضية ونظرية المجموعات، يرتبط المفهومان بقوة عبر قانون الاحتمال الكلي (Law of Total Probability). يمكن تمثيل هذا الارتباط عبر تحليل المساحات والفروق المكانية باستخدام مخططات فن (Venn Diagrams). في مخطط فن، يمثل الحدث $A$ دائرة كاملة داخل المستطيل المعبر عن فضاء العينة $\Omega$. عندما تتقاطع الدائرة $A$ مع دائرة أخرى تمثل الحدث $B$، فإن منطقة التداخل بينهما تمثل الاحتمال المشترك $P(A cap B)$، بينما تمثل المنطقة المتبقية من الدائرة $A$ الاحتمال المشترك لوقوع $A$ مع عدم وقوع $B$، أي $P(A \cap B^c)$.

وعليه، فإن مساحة الدائرة $A$ بأكملها (والتي تمثل الاحتمال الهامشي $P(A)$) هي حاصل جمع هاتين المنطقتين المنفصلتين تماماً:

$$P(A) = P(A \cap B) + P(A \cap B^c)$$

تثبت هذه المعادلة بجلاء أن الاحتمال المشترك هو جزء ومكون فرعي من الاحتمال الهامشي، وأن الاحتمال الهامشي دائماً أكبر من أو يساوي الاحتمال المشترك: $P(A) ge P(A cap B)$.

6.2 الاحتمال الهامشي مقابل الاحتمال الشرطي P(A|B)

يمثل الانتقال من الاحتمال الهامشي $P(A)$ إلى الاحتمال الشرطي $P(A|B)$ تحولاً جوهرياً في فضاء العينة المرجعي. في الاحتمال الهامشي، يتم تقييم الحدث $A$ بالنسبة لفضاء العينة الإجمالي $\Omega$. أما عند حساب الاحتمال الشرطي $P(A|B)$، فإن توفر معلومة مؤكدة تفيد بأن الحدث $B$ قد وقع بالفعل يؤدي فوراً إلى “تقليص” (Reduction) فضاء العينة من $\Omega$ إلى المجموعة الجزئية $B$ فقط.

تُعرَّف العلاقة الرياضية للاحتمال الشرطي بالصيغة التالية:

$$P(A|B) = \frac{P(A \cap B)}{P(B)} \quad \text{حيث} \quad P(B) > 0$$

هنا نلاحظ أن الاحتمال الهامشي للحدث $B$، أي $P(B)$، يلعب دور المقام الذي يعيد معايرة فضاء العينة المتقلص. بينما يظل الاحتمال الهامشي $P(A)$ ثابتاً لا يتأثر بطبيعة وقوع $B$، فإن الاحتمال الشرطي $P(A|B)$ قد يكون أكبر بكثير أو أصغر بكثير من $P(A)$، وذلك تبعاً لطبيعة العلاقة والتأثير بين الحدثين.

وتبرز حالة استثنائية بالغة الأهمية: متى يتساوى الاحتمال الهامشي مع الاحتمال الشرطي، أي $P(A|B) = P(A)$؟ يحدث هذا التساوي التام حصراً عندما يكون الحدثان $A$ و $B$ مستقلين إحصائياً (Statistically Independent). في حالة الاستقلال، لا تقدم معرفة وقوع الحدث $B$ أي معلومة مفيدة أو تأثير على احتمالية وقوع الحدث $A$، وبالتالي يظل الاحتمال الشرطي مساوياً تماماً للاحتمال الهامشي الأصلي.

6.3 الترابط الهيكلي عبر مبرهنة بايز وقانون الاحتمال الكلي

تصل العلاقة التبادلية بين الاحتمالات الهامشية والمشتركة والشرطية ذروتها الرياضية في مبرهنة بايز (Bayes’ Theorem). تُعد هذه المبرهنة الإطار الرياضي الحاكم لتحديث المعتقدات والاحتمالات عند ظهور أدلة جديدة. تُصاغ مبرهنة بايز كالتالي:

$$P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$$

في هذه المعادلة المحورية، نجد أن التوزيعات الهامشية تلعب أدواراً هيكلية بالغة الحساسية:

• الاحتمال القبلي الهامشي (Prior Probability) $P(A)$: يمثل الاحتمال الهامشي للفرضية $A$ قبل الحصول على الدليل $B$.
• الاحتمال الهامشي للدليل (Marginal Evidence) $P(B)$: يمثل المقام في معادلة بايز، ويعمل كـ “عامل معايرة” (Normalizing Constant) لضمان أن التوزيع البعدي يمثل توزيعاً احتمالياً صحيحاً.

يتم تفكيك هذا المقام الهامشي $P(B)$ عبر قانون الاحتمال الكلي بالاعتماد على كافة الفرضيات المتنافية والشاملة $A_1, A_2, dots, A_k$:

$$P(B) = \sum_{i=1}^{k} P(B \cap A_i) = \sum_{i=1}^{k} P(B|A_i) P(A_i)$$

يمكن تمثيل هذا الترابط الهيكلي بوضوح تام عبر استخدام “شجرة الاحتمالات” (Probability Tree)؛ حيث تمثل الفروع الأولى الاحتمالات الهامشية القبلية $P(A_i)$، وتمثل الفروع الثانوية الاحتمالات الشرطية $P(B|A_i)$، ويمثل حاصل ضرب مسارات الشجرة الاحتمالات المشتركة، بينما يمثل جمع نواتج كافة المسارات المنتهية بالحدث $B$ استرجاعاً للاحتمال الهامشي الكلي $P(B)$.

7. أمثلة تطبيقية وحسابية تفصيلية خطوة بخطوة

7.1 مثال المخبز والمبيعات المستقلة (الخبز والمشروبات)

لنفترض أن إدارة أحد المخابز الكبرى ترغب في تحليل سلوك المستهلكين الصباحي، وتحديداً دراسة العلاقة بين شراء “المعجنات الفاخرة” ($B$) وشراء “القهوة المختصة” ($C$). تم جمع بيانات مسحية دقيقة لـ 1000 عميل زاروا المخبز خلال أسبوع، ورُصدت النتائج في جدول التوافق التالي:

حالة شراء المعجنات ($B$) / حالة شراء القهوة ($C$)	شراء قهوة ($C_1$)	عدم شراء قهوة ($C_0$)	المجموع الهامشي للصف ($n_{B\cdot}$)
شراء معجنات ($B_1$)	350	150	500
عدم شراء معجنات ($B_0$)	250	250	500
المجموع الهامشي للعمود ($n_{\cdot C}$)	600	400	المجموع الكلي $N = 1000$

المطلوب: حساب الاحتمال الهامشي لشراء المعجنات $P(B_1)$، والاحتمال الهامشي لشراء القهوة $P(C_1)$.

خطوات الحل الحسابي:

• حساب الاحتمال الهامشي لشراء المعجنات $P(B_1)$:
  نطبق قانون الجمع التهميشي بجمع تكرارات الصف الأول وقسمتها على الحجم الكلي للعينة:
  $$P(B_1) = P(B_1, C_1) + P(B_1, C_0) = \frac{350}{1000} + \frac{150}{1000} = \frac{500}{1000} = 0.50 \quad (50%)$$
• حساب الاحتمال الهامشي لشراء القهوة $P(C_1)$:
  نطبق قانون الجمع التهميشي بجمع تكرارات العمود الأول وقسمتها على الحجم الكلي للعينة:
  $$P(C_1) = P(B_1, C_1) + P(B_0, C_1) = \frac{350}{1000} + \frac{250}{1000} = \frac{600}{1000} = 0.60 \quad (60%)$$

التفسير الإداري والتطبيقي: تظهر النتائج أن الاحتمال الهامشي لشراء القهوة هو $60%$، وهو احتمال مرتفع بصرف النظر عما إذا كان العميل يشتري معجنات أم لا. تساعد هذه النتيجة الإدارة في اتخاذ قرارات دقيقة تتعلق بتجهيز مكائن القهوة وتوفير حبوب البن بما يلبي احتياجات 60% من رواد المحل، دون ربط هذا التجهيز حصراً بمبيعات المعجنات.

7.2 مثال رمي النرد المزدوج وسحب أوراق اللعب

التطبيق الأول: رمي نردين متمايزين عادلين ($D_1$ و $D_2$).
يتكون فضاء العينة الإجمالي من $6 \times 6 = 36$ زوجاً مرتباً متساوي الاحتمال، حيث احتمال كل زوج هو $P(D_1 = i, D_2 = j) = \frac{1}{36}$. لنحسب الاحتمال الهامشي للحصول على الرقم 4 في النرد الأول، أي $P(D_1 = 4)$:

$$P(D_1 = 4) = \sum_{j=1}^{6} P(D_1 = 4, D_2 = j) = \sum_{j=1}^{6} \frac{1}{36} = \frac{1}{36} \times 6 = \frac{6}{36} = \frac{1}{6}$$

يتطابق هذا الناتج الحسابي تماماً مع فضاء العينة النظري البديهي لرمي نرد مفرد، مما يثبت رياضياً أن تهميش النرد الثاني يُعيد النظام الاحتمالي إلى حالته الأحادية المستقلة تماماً.

التطبيق الثاني: سحب ورقة لعب من مجموعة قياسية مكونة من 52 ورقة.
تحتوي المجموعة على متغيرين أساسيين: “الرتبة” (Rank: من الآص إلى الملك، 13 رتبة)، و”النوع/الرمز” (Suit: بستوني، ديناري، كبّة، سباتي، 4 أنواع). لنحسب الاحتمال الهامشي لسحب ورقة من رتبة “الملك” ($K$) بصرف النظر عن نوعها ولونها:

$$P(\text{Rank} = K) = \sum_{\text{suit} in {\text{Spade, Diamond, Heart, Club}}} P(\text{Rank} = K, \text{Suit} = \text{suit})$$

$$P(\text{Rank} = K) = \frac{1}{52} + \frac{1}{52} + \frac{1}{52} + \frac{1}{52} = \frac{4}{52} = \frac{1}{13} \approx 0.0769$$

يؤكد هذا المثال كيف يتيح لنا التهميش عزل خاصية واحدة من خصائص الكائن الإحصائي وتحديد احتماليته الكلية بدقة متناهية.

7.3 مثال المسوح الديموغرافية والبيانات الاجتماعية

في مسح ميداني اجتماعي استهدف دراسة أنماط التنقل الحضري، شملت العينة 5000 مواطن مصنفين حسب “الفئة العمرية” ($A$) و”وسيلة النقل المفضلة” ($T$). وُزعت البيانات كما في الجدول الإحصائي التالي:

الفئة العمرية ($A$) / وسيلة النقل ($T$)	السيارة الخاصة ($T_1$)	المترو والقطار ($T_2$)	الحافلات العامة ($T_3$)	الدراجات والمشي ($T_4$)	المجموع الهامشي للعمري
الشباب: 18-30 ($A_1$)	400	800	300	500	2000
الكهول: 31-50 ($A_2$)	1000	600	200	200	2000
كبار السن: >50 ($A_3$)	300	300	350	50	1000
المجموع الهامشي للوسيلة	1700	1700	850	750	$N = 5000$

المطلوب: استخراج التوزيع الاحتمالي الهامشي الكامل لاختيار وسيلة النقل في المجتمع المدروس.

الحسابات الإحصائية:

• الاحتمال الهامشي لاستخدام السيارة الخاصة: $P(T_1) = \frac{1700}{5000} = 0.34 \quad (34%)$
• الاحتمال الهامشي لاستخدام المترو والقطار: $P(T_2) = \frac{1700}{5000} = 0.34 \quad (34%)$
• الاحتمال الهامشي لاستخدام الحافلات العامة: $P(T_3) = \frac{850}{5000} = 0.17 \quad (17%)$
• الاحتمال الهامشي لاستخدام الدراجات والمشي: $P(T_4) = \frac{750}{5000} = 0.15 \quad (15%)$

التحقق الرياضي:
$$\sum_{j=1}^{4} P(T_j) = 0.34 + 0.34 + 0.17 + 0.15 = 1.00$$

تمنح هذه التوزيعات الهامشية لمخططي المدن والسياسات العامة فهماً واضحاً لأولويات البنية التحتية، حيث يتضح أن $68%$ من إجمالي السكان يعتمدون بالتساوي بين السيارات والمترو، مما يوجه الاستثمارات العامة بكفاءة دون الغرق في التفاصيل العمرية المعقدة في المراحل التخطيطية الأولى.

8. تطبيقات الاحتمال الهامشي في البحوث النفسية والعلوم السلوكية

8.1 قياس احتمالية الاضطرابات النفسية بمعزل عن العوامل البيئية

في مجال علم الأوبئة النفسية (Psychiatric Epidemiology) وعلم النفس الإكلينيكي، يُعد تحديد معدل الانتشار الهامشي (Marginal Prevalence) للاضطرابات النفسية خطوة أساسية لتقدير العبء الصحي العام على المجتمعات. تتداخل الاضطرابات النفسية، مثل الاكتئاب الجسيم (Major Depressive Disorder) أو اضطراب القلق العام، مع شبكة معقدة من المتغيرات الديموغرافية والبيئية والاقتصادية، مثل مستوى الدخل، والحالة الاجتماعية، والتاريخ العائلي، ومستويات الضغط المهني.

عندما يسعى الباحثون لتقدير الاحتمال الأساسي لإصابة فرد عشوائي من المجتمع بالاكتئاب $P(\text{Depression} = \text{Yes})$، يتم تطبيق عملية التهميش لعزل المتغيرات البيئية المعقدة. يتم حساب هذا الاحتمال الهامشي عبر دمج الاحتمالات المشتركة للإصابة بالمرض عبر كافة الشرائح الاجتماعية والاقتصادية. يتيح هذا الإجراء الإحصائي إنشاء “خط أساس مرجعي” (Baseline Rate) يُعتمد عليه في المقارنات الدولية وتقييم فاعلية السياسات الصحية العامة، مما يوفر تقديراً غير متحيز لحجم الظاهرة المرضية في المجتمع ككل.

8.2 تحليل السلوك البشري ونماذج اتخاذ القرار المعرفي

في دراسات علم النفس التجريبي والعلوم السلوكية، يخضع المشاركون لتجارب معملية تهدف إلى رصد قراراتهم تحت تأثير محفزات تجريبية متنوعة (مثل ضغط الوقت، أو المكافآت المالية، أو مستويات المخاطرة). لتحليل النزعة السلوكية الفطرية أو التلقائية للإنسان نحو سلوك معين (كالتعاون أو التنافس، أو الإقدام أو الإحجام)، يلجأ الباحثون إلى تهميش الشروط التجريبية المختلفة.

من خلال حساب الاحتمال الهامشي لاستجابة سلوكية معينة عبر كافة مستويات المحفزات، يستطيع علماء النفس المعرفي تحديد النمط السلوكي المهيمن لدى الأفراد. يفيد هذا التحليل في استبعاد التباينات الفردية اللحظية وظروف البيئة المختبرية، مما يكشف عن الآليات العقلية الأساسية التي يعتمد عليها الدماغ البشري في اتخاذ القرار تحت ظروف عدم اليقين المعرفي.

8.3 القياس السيكومتري وتقييم الاختبارات النفسية

في ميدان القياس السيكومتري (Psychometrics) وتصميم المقاييس النفسية واختبارات القدرات المعرفية، يلعب الاحتمال الهامشي دوراً جوهرياً في معايرة فقرات الاختبارات وتحليل جودتها. في إطار نظرية استجابة الفقرة (Item Response Theory – IRT)، يتحدد احتمال إجابة المفحوص على سؤال معين بشكل صحيح بناءً على متغيرين: قدرة الفرد الكامنة ($\theta$) ومعالم السؤال نفسه (مثل مستوى الصعوبة $b$ والتمييز $a$).

لحساب الاحتمال الهامشي لنجاح فقرة اختبارية معينة $P(Y_i = 1)$ على مستوى المجتمع العام للمفحوصين، يتم مكاملة دالة الاستجابة للفقرة عبر كامل التوزيع الاحتمالي للقدرة الكامنة $g(\theta)$ في المجتمع:

$$P(Y_i = 1) = \int_{-\infty}^{+\infty} P(Y_i = 1 mid \theta) , g(\theta) , d\theta$$

تُعد هذه العملية التهميشية ضرورية لتقييم صعوبة الأسئلة وضمان عدالتها عبر مختلف الفئات السكانية، وللتحقق من الخصائص السيكومترية لأدوات القياس والتأكد من تمتع الاختبارات بأعلى درجات الصدق (Validity) والثبات (Reliability).

9. التوزيعات الاحتمالية الهامشية متعددة المتغيرات (Multivariate Distributions)

9.1 الانتقال من التوزيعات ثلاثية الأبعاد فأكثر إلى التوزيع الهامشي

في التحليل الإحصائي المتقدم ونمذجة البيانات المعقدة، يتعامل الباحثون مع متجهات عشوائية متعددة الأبعاد $\mathbf{X} = [X_1, X_2, dots, X_p]^T$. في هذه الفضاءات ذات الأبعاد الفائقة، تتيح عملية التهميش الانتقال المرن من التوزيعات الشاملة إلى توزيعات فرعية هامشية بأبعاد أقل، وذلك لتسهيل الفهم والتحليل الإحصائي.

يمكن إجراء التهميش الكامل للاحتفاظ بمتغير مفرد واحد، أو إجراء التهميش الجزئي (Partial Marginalization) للاحتفاظ بمتغيرين أو أكثر وحذف بقية المتغيرات. على سبيل المثال، إذا كان لدينا توزيع مشترك رباعي الأبعاد $f(X_1, X_2, X_3, X_4)$، وأردنا استخراج التوزيع الهامشي الثنائي (Bivariate Marginal Distribution) للمتغيرين $X_1$ و $X_2$ معاً، فإننا نجري عملية التكامل المشترك بالنسبة للمتغيرين $X_3$ و $X_4$ فقط:

$$f_{X_1, X_2}(x_1, x_2) = \int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} f(x_1, x_2, x_3, x_4) , dx_3 , dx_4$$

يمثل هذا التهميش الجزئي إسقاطاً فراغياً لكثافة الاحتمال من الفضاء رباعي الأبعاد إلى فضاء مستوٍ ثنائي الأبعاد، مما يسمح بدراسة الارتباط الهامشي التبادلي بين المتغيرين المستهدفين بمعزل عن تداخلات المتغيرات الأخرى في النظام.

9.2 التوزيع الطبيعي متعدد المتغيرات (Multivariate Normal Distribution)

يتميز التوزيع الطبيعي متعدد المتغيرات (Multivariate Normal Distribution) بخاصية رياضية استثنائية وفريدة تجعله التوزيع الأكثر تفضيلاً في النمذجة الإحصائية وتعلم الآلة. تنص هذه الخاصية على أن:

أي توزيع هامشي مشتق من توزيع طبيعي متعدد المتغيرات يظل دائماً وبشكل قطعي توزيعاً طبيعياً.

إذا كان المتجه العشوائي $\mathbf{X} \sim \mathcal{N}_p(boldsymbol{\mu}, boldsymbol{\Sigma})$ يتبع توزيعاً طبيعياً متعدد المتغيرات بمتجه متوسطات $boldsymbol{\mu}$ ومصفوفة تباين وتغاير (Covariance Matrix) $boldsymbol{\Sigma}$، وتم تقسيم المتجه إلى مجموعتين فرعيتين $\mathbf{X}_1$ و $\mathbf{X}_2$، بحيث يكون:

$$\mathbf{X} = \begin{\bmatrix} \mathbf{X}_1 \ \mathbf{X}_2 \end{\bmatrix}, \quad boldsymbol{\mu} = \begin{\bmatrix} boldsymbol{\mu}_1 \ boldsymbol{\mu}_2 \end{\bmatrix}, \quad boldsymbol{\Sigma} = \begin{\bmatrix} boldsymbol{\Sigma}_{11} &a\mp; boldsymbol{\Sigma}_{12} \ boldsymbol{\Sigma}_{21} &a\mp; boldsymbol{\Sigma}_{22} \end{\bmatrix}$$

فإن التوزيع الهامشي للمتجه الفرعي $\mathbf{X}_1$ يُستخرج مباشرة وبشكل فوري دون الحاجة إلى إجراء أي تكاملات رياضية معقدة، ويكون توزيعه الطبيعي الهامشي هو:

$$\mathbf{X}_1 \sim \mathcal{N}\left(boldsymbol{\mu}_1, boldsymbol{\Sigma}_{11}\right)$$

تُظهر هذه النتيجة الأنيقة أن التهميش في التوزيع الطبيعي متعدد المتغيرات يتحقق ببساطة متناهية من خلال اختيار العناصر المقابلة في متجه المتوسطات والمصفوفة الفرعية المقابلة في مصفوفة التغاير وتجاهل باقي الأجزاء، مما يمنح هذا التوزيع قوة حسابية هائلة في التطبيقات العملية.

9.3 التكامل العددي والتقريبي في النماذج الاحتمالية المعقدة

على الرغم من الأناقة الرياضية للتكامل التحليلي، فإن النماذج الاحتمالية الواقعية (مثل النماذج الهرمية البايزية العميقة) غالباً ما تفتقر إلى وجود حلول تكاملية مغلقة (Closed-form Solutions) لحساب التوزيعات الهامشية. في مثل هذه البيئات المعقدة، يصبح التكامل التحليلي مستحيلاً رياضياً، مما يفرض الاعتماد على أساليب التكامل العددي والتقريبي المتقدمة.

من أبرز هذه المنهجيات أساليب مونت كارلو لسلاسل ماركوف (Markov Chain Monte Carlo – MCMC)، مثل خوارزمية جيبس (Gibbs Sampling) وخوارزمية ميتروبوليس-هاستينغز (Metropolis-Hastings). في هذه الأساليب، يتم توليد عينات عشوائية متتابعة من التوزيع المشترك، ويتحقق التهميش ببساطة من خلال تجاهل قيم المتغيرات غير المرغوب فيها والاحتفاظ حصراً بالعينات المسحوبة للمتغير المستهدف لبناء الهيستوغرام الهامشي التقديري.

بالإضافة إلى ذلك، تُستخدم أساليب الاستدلال المتغير (Variational Inference) وتقريب لابلاس (Laplace Approximation) لتحويل مسألة التكامل التهميشي المستعصية إلى مسألة تحسين رياضي (Optimization Problem)، حيث يتم تقريب دالة الاحتمال الهامشية المعقدة بعائلة توزيعات بسيطة يسهل التعامل معها برمجياً وحسابياً.

10. الاحتمال الهامشي في تعلم الآلة والنمذجة التنبؤية

10.1 الشبكات البايزية والنماذج الرسومية الاحتمالية (Bayesian Networks)

تُمثل الشبكات البايزية (Bayesian Networks) ونماذج الرسوم الاحتمالية (Probabilistic Graphical Models) إطاراً بنيوياً متقدماً لتمثيل التبعيات والاستقلالية المشروطة بين مجموعة واسعة من المتغيرات العشوائية عبر رسوم موجهة غير دورية (DAGs). في هذه الشبكات، تمثل كل عقدة متغيراً عشوائياً، بينما تمثل الحواف العلاقات الاحتمالية بينها.

تُعد مهمة “الاستدلال الهامشي” (Marginal Inference) إحدى العمليات المركزية في هذه النماذج، حيث تهدف إلى حساب الاحتمال الهامشي لعقدة معينة في الشبكة بعد تهميش كافة العقد الكامنة (Latent Variables) أو غير المرصودة. لتحقيق ذلك بكفاءة حسابية وتجنب الانفجار التوافقي (Combinatorial Explosion)، تُستخدم خوارزميات متطورة مثل خوارزمية تمرير الرسائل (Belief Propagation) وخوارزمية شجرة الوصلات (Junction Tree Algorithm). تعمل هذه الخوارزميات على استغلال خصائص الاستقلال الشرطي للشبكة لتوزيع عمليات الجمع والتكامل محلياً عبر العقد، مما يقلل التعقيد الزمني لحساب الاحتمال الهامشي من أسّي إلى خطي في الشبكات الشجرية.

10.2 خوارزمية تعظيم التوقع (Expectation-Maximization Algorithm)

تُعد خوارزمية تعظيم التوقع (EM Algorithm) واحدة من أشهر الخوارزميات التكرارية في تعلم الآلة والتعلم غير الخاضع للإشراف، وتُستخدم لتقدير المعالم في النماذج التي تحتوي على متغيرات كامنة غير مرصودة، مثل نماذج المزيج الغاوسي (Gaussian Mixture Models – GMM) ونماذج ماركوف الخفية (Hidden Markov Models – HMM).

يلعب التهميش دوراً محورياً في صلب هذه الخوارزمية؛ حيث يكون الهدف الرياضي النهائي هو تعظيم دالة الإمكانية الهامشية للبيانات المرصودة $\mathbf{X}$، والتي تنتج عن تهميش المتغيرات الكامنة $\mathbf{Z}$:

$$\ln p(\mathbf{X} mid boldsymbol{\theta}) = \ln \sum_{\mathbf{Z}} p(\mathbf{X}, \mathbf{Z} mid boldsymbol{\theta})$$

تتعامل خوارزمية EM مع صعوبة تعظيم هذا المجموع الهامشي مباشرة داخل اللوغاريتم من خلال خطوتين متناوبتين:

• خطوة التوقع (E-step): حساب التوزيع الشرطي للمتغيرات الكامنة بالاعتماد على المعالم الحالية، وتكوين الحد الأدنى المائل لدالة الإمكانية الهامشية (Expected Complete-Data Log-Likelihood).
• خطوة التعظيم (M-step): تحديث المعالم $boldsymbol{\theta}$ لتعظيم هذه القيمة التوقعية، مما يؤدي بالضرورة إلى رفع قيمة دالة الإمكانية الهامشية المرصودة في كل تكرار حتى الوصول إلى حالة التقارب والاستقرار.

10.3 تقييم النماذج والمقارنة البايزية (Bayesian Model Selection)

في ميدان اختيار النماذج التنبؤية والمقارنة البايزية بين الفرضيات، يُستخدم مفهوم الدليل الهامشي (Marginal Evidence)، والمعروف أيضاً بـ دالة الإمكانية الهامشية (Marginal Likelihood)، بوصفه المعيار الذهبي لتقييم كفاءة وملاءمة النماذج الإحصائية للبيانات.

يُحسب الدليل الهامشي لنموذج معين $\mathcal{M}$ عن طريق تهميش كافة معالم النموذج $boldsymbol{\theta}$ عبر التوزيع القبلي الخاص بها:

$$p(\mathcal{D} mid \mathcal{M}) = \int p(\mathcal{D} mid boldsymbol{\theta}, \mathcal{M}) , p(boldsymbol{\theta} mid \mathcal{M}) , dboldsymbol{\theta}$$

تكمن القوة الفلسفية والعملية للإمكانية الهامشية في احتوائها على خاصية ذاتية تُعرف بـ “موس أوكام الأوتوماتيكي” (Occam’s Razor Penalty). فالنماذج المفرطة في التعقيد التي تحتوي على عدد ضخم من المعالم الحرة تتوزع كتلتها الاحتمالية القبلية على فضاء شاسع، مما يؤدي إلى انخفاض كثافتها الاحتمالية الهامشية عند نقطة البيانات المرصودة. ونتيجة لذلك، يعاقب الدليل الهامشي النماذج المعقدة تلقائياً ويحمي الباحث من الوقوع في فخ الإفراط في المطابقة (Overfitting)، مفضلاً النماذج الأكثر بساطة وتفسيرية التي تصف البيانات بكفاءة عالية.

11. الأخطاء الشائعة والالتباسات الإحصائية في حساب الاحتمال الهامشي

11.1 الخلط بين الاحتمال الهامشي والشرطي وتداعياته

من أكثر الأخطاء الإحصائية شيوعاً وخطورة في الممارسات التطبيقية هو الخلط المفاهيمي بين الاحتمال الهامشي $P(A)$ والاحتمال الشرطي $P(A|B)$. يقع الباحثون والمحللون في هذا الالتباس عندما يتجاهلون السياق أو المعلومة الإضافية التي يقدمها وقوع الحدث $B$، مفترضين أن الاحتمال الكلي الهامشي كافٍ لاتخاذ القرار.

يتجلى هذا الخطأ بوضوح في المجال الطبي والقضائي فيما يُعرف تاريخياً بـ “مغالطة المدعي العام” (Prosecutor’s Fallacy). على سبيل المثال، إذا كان هناك فحص طبي لمرض نادر يبلغ معدل انتشاره الهامشي في المجتمع $P(D) = 0.001$ (أي شخص واحد من كل 1000)، وتصل دقة الفحص الإيجابي عند وجود المرض إلى $99%$، فإن ظهور نتيجة إيجابية لشخص عشوائي لا يعني إطلاقاً أن احتمال إصابته هو $99%$. إن الخلط بين الاحتمال الهامشي للمرض والاحتمال الشرطي للإصابة بعد الفحص الإيجابي $P(D mid +)$ يؤدي إلى هلع غير مبرر، إذ أن التطبيق الدقيق لمبرهنة بايز يكشف أن الاحتمال الحقيقي للإصابة بعد الفحص قد يظل أقل من $10%$ نظراً لضآلة الاحتمال الهامشي الأولي للمرض.

11.2 مفارقة سيمبسون (Simpson’s Paradox) وتأثير التهميش المضلل

تُعد مفارقة سيمبسون (Simpson’s Paradox) واحدة من أعمق الظواهر الإحصائية التي توضح كيف يمكن لعملية التهميش غير المدروسة أن تؤدي إلى استنتاجات خاطئة تماماً ومعاكسة للواقع. تحدث مفارقة سيمبسون عندما يظهر اتجاه أو ارتباط إحصائي واضح في عدة مجموعات فرعية منفصلة من البيانات، ولكنه يختفي أو ينعكس تماماً عند تهميش المتغير الفئوي ودمج البيانات في جدول هامشي إجمالي واحد.

تنشأ هذه المفارقة عندما يكون هناك متغير مربك كامن (Confounding Variable) يرتبط بكل من المتغير المستقل والمتغير التابع في آن واحد وبشكل غير متكافئ. على سبيل المثال، في دراسة تقارن كفاءة علاجيْن طبيين (أ) و (ب)، قد يتفوق العلاج (أ) على العلاج (ب) في علاج الحالات الخفيفة، ويتفوق عليه أيضاً في علاج الحالات الحرجة عند فحص كل مجموعة على حدة. ولكن إذا كان الأطباء يصفون العلاج (أ) للحالات الحرجة بنسبة أكبر بكثير، فإن التوزيع الإجمالي الهامشي للشفاء بعد تهميش نوع الحالة المرضية قد يُظهر كذباً أن العلاج (ب) هو الأفضل في المجموع الكلي.

ولضمان الأمان الإحصائي وتفادي هذا التضليل، يجب على الباحثين استخدام تقنيات النمذجة السببية ومخططات التوجيه السببي (Directed Acyclic Graphs – DAGs) لتحديد المتغيرات المربكة وضبطها إحصائياً قبل اتخاذ قرار إجراء التهميش التراكمي للبيانات.

11.3 أخطاء التجميع وحدود التكامل في التوزيعات الاحتمالية

يواجه الباحثون في الجانب الحسابي الرياضي عدة أخطاء متكررة عند تطبيق قوانين الجمع والتكامل لاستخراج الاحتمالات الهامشية، ومن أبرز هذه الأخطاء:

• تجاهل الاعتمادية في حدود التكامل: عند التعامل مع دوال الكثافة المشتركة المعرفة على نطاقات غير مستطيلة (مثل $f(x, y)$ المعرفة على النطاق $0 < y < x < 1$)، يقوم بعض الممارسين بالخطأ بمكاملة $y$ من 0 إلى 1 بثبات، متجاهلين أن الحد الأعلى لـ $y$ يعتمد على $x$. يؤدي هذا الخطأ إلى نتائج رياضية باطلة ودوال كثافة لا تحقق شرط التكامل الإجمالي.
• الجمع غير المكتمل في الفضاءات اللانهائية: في التوزيعات المنفصلة التي تمتد على فضاءات لانهائية قابلة للعد (مثل توزيع بواسون)، قد يتوقف الحساب العددي عند حدود تجميع ضيقة، مما يتسبب في تسرب جزء من الكتلة الاحتمالية الهامشية وصدور احتمالات مجموعها أقل من الواحد الصحيح.
• افتراض الاستقلال الخاطئ: يقع البعض في خطأ حساب الاحتمال الهامشي من خلال افتراض أن $P(X, Y) = P(X)P(Y)$ دون التحقق الإحصائي من شرط الاستقلال، مما يقود إلى حسابات دائرية مغلوطة تفتقر للصحة المنهجية.

12. الدليل العملي البرمجي: حساب الاحتمال الهامشي عبر Python و R

12.1 حساب التوزيعات الهامشية باستخدام بايثون (Python)

توفر بيئة بايثون منظومة متكاملة من المكتبات العلمية المتقدمة مثل Pandas و NumPy و SciPy لإجراء حسابات التهميش الإحصائي بكفاءة فائقة على البيانات المنفصلة والمتصلة.

في سياق البيانات الفئوية وجداول التوافق المنفصلة، تُعد دالة pandas.crosstab الأداة المثالية؛ حيث يتيح المعامل margins=True إضافة مجاميع الصفوف والأعمدة الهامشية تلقائياً، بينما يتيح المعامل normalize='all' تحويل التكرارات المشتركة إلى احتمالات نسبية وتوليد التوزيعات الهامشية على حواف الجدول بنقرة واحدة.

أما بالنسبة للمتغيرات المتصلة ودوال الكثافة المشتركة، توفر وحدة scipy.integrate دوال التكامل العددي المتقدمة مثل دالة quad للتكامل الأحادي ودالة dblquad للتكامل الثنائي. تتيح هذه الأدوات للباحثين تمرير دوال الكثافة المشتركة المعقدة مع تحديد حدود التكامل المتغيرة برمجياً، ليقوم المحرك الحسابي بحساب المساحات تحت المنحنيات واستخراج الكثافة الهامشية بدقة عددية بالغة وموثوقة.

12.2 التطبيق الإحصائي للاحتمال الهامشي في لغة R

تتميز لغة R بكونها اللغة المصممة خصيصاً للتحليل والاستدلال الإحصائي، وتوفر دعماً أصيلاً ومباشراً لمعالجة الجداول التكرارية واستخراج الإحصاءات الهامشية عبر دوال أساسية قوية وسريعة.

تُعد دالة margin.table() الدالة المعيارية في R لاستخراج التكرارات الهامشية من أي مصفوفة أو جدول احتمالي متعدد الأبعاد، حيث يحدد المعامل الرقمي الاتجاه المستهدف (1 للصفوف، 2 للأعمدة). وعند دمجها مع دالة prop.table()، يحصل المحلل فوراً على مصفوفة الاحتمالات الهامشية المقابلة.

وفي منظومة معالجة البيانات الحديثة tidyverse، توفر حزمة dplyr أدوات مرنة لحساب الاحتمالات الهامشية عبر دوال التجميع group_by() وتلخيص البيانات summarise() ودمج الإجماليات عبر دالة bind_rows(). وفيما يخص التوزيعات المتصلة، تقدم دالة integrate() حلاً تكاملياً فائق الدقة لحساب الكثافات الهامشية عبر فضاءات الأعداد الحقيقية غير المنتهية.

12.3 التمثيل البصري للتوزيعات الهامشية (Marginal Plots)

يُمثل التمثيل البصري للتوزيعات الهامشية جنباً إلى جنب مع التوزيع المشترك إحدى أكثر الطرق التحليلية إقناعاً وإيضاحاً في إعداد التقارير الإحصائية المتقدمة. يُطلق على هذه المخططات اسم المخططات الهامشية (Marginal Plots).

في لغة بايثون، توفر مكتبة Seaborn دالة sns.jointplot المتميزة، والتي تقوم برسم مخطط التشتت المشترك (Scatter Plot) أو المخطط الكنتوري (KDE Contour) في المركز، بينما تضع على الحواف العلوية واليمنى مخططات هيستوغرام أو منحنيات كثافة هامشية منفصلة لكل متغير على حدة. يتيح هذا التمثيل رؤية بصرية فورية تربط بين التفاعل المشترك للبيانات والتوزيع الهامشي النقي لكل متغير.

وفي لغة R، تتيح حزمة ggExtra عبر دالة ggMarginal() إضافة رسوم بيانية هامشية (Boxplots أو Histograms أو Density curves) إلى أي رسم بياني مبني بواسطة حزمة ggplot2. يُسهم هذا العرض البصري المزدوج في تمكين القراء والمحكمين من استيعاب السلوك الهامشي والمشترك للمتغيرات في مساحة بصرية موحدة وغنية بالمعلومات الإحصائية الدقيقة.

خاتمة شاملة

يمثل الاحتمال الهامشي (Marginal Probability) مفهوماً محورياً وأساسياً لا غنى عنه في البناء النظري والتطبيقي لعلم الإحصاء والاحتمالات. من خلال قدرته الفريدة على عزل المتغيرات المستهدفة وتهميش الضوضاء الناتجة عن الأبعاد المتعددة، يوفر الاحتمال الهامشي للباحثين والمحللين أداة رياضية صارمة لاختزال التعقيد واستخلاص الحقائق الكلية المطلقة للظواهر العشوائية.

لقد استعرضنا عبر هذا الدليل الشامل الأبعاد المتكاملة للاحتمال الهامشي، بدءاً من أصوله التاريخية وبديهياته الرياضية، مروراً بصيغ الجمع للمتغيرات المنفصلة وقوانين التكامل للمتغيرات المتصلة وجداول التوافق، ووصولاً إلى الفروق الدقيقة التي تفصله عن الاحتمالات المشتركة والشرطية. كما ألقينا الضوء على تطبيقاته الواسعة في العلوم السلوكية، وتوزيعات التغاير متعددة المتغيرات، وخوارزميات تعلم الآلة مثل النماذج البايزية وتعظيم التوقع، مع استعراض مفارقة سيمبسون والممارسات البرمجية الحديثة في بايثون و R.

إن الإدراك العميق والدقيق للاحتمال الهامشي وكيفية حسابه وتفسيره يُمثل صمام الأمان المنهجي ضد الانزلاق في الاستنتاجات الإحصائية المضللة، ويمنح الممارسين في كافة الحقول العلمية الأساس المتين لبناء نماذج تحليلية وتنبؤية تتسم بأعلى درجات الموثوقية والدقة العلمية.

المراجع (References)

• Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. https://www.springer.com/gp/book/9780387310732
• Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury Press.
• DeGroot, M. H., & Schervish, M. J. (2012). Probability and Statistics (4th ed.). Pearson.
• Embretson, S. E., & Reise, S. P. (2000). Item Response Theory for Psychologists. Lawrence Erlbaum Associates Publishers.
• Feller, W. (1968). An Introduction to Probability Theory and Its Applications (Vol. 1, 3rd ed.). John Wiley & Sons.
• Kolmogorov, A. N. (1956). Foundations of the Theory of Probability (2nd English ed.). Chelsea Publishing Company.
• Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511803161
• Ross, S. M. (2014). A First Course in Probability (9th ed.). Pearson.
• Wasserman, L. (2004). All of Statistics: A Concise Course in Statistical Inference. Springer. https://doi.org/10.1007/978-0-387-21736-9
• Wickham, H., & Grolemund, G. (2017). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O’Reilly Media.