تقدير الإمكان الأكبر لتوزيع بواسون (خطوة بخطوة)

يمثل الاستدلال الإحصائي ركيزة جوهرية في البحث العلمي الحديث، حيث ينقل الباحث من حيز رصد البيانات التجريبية المحدودة إلى فضاء استنتاج خصائص المجتمع الإحصائي الكلي. وفي صميم هذا الاستدلال تقع نظرية التقدير النقطي، التي تسعى إلى إيجاد قيم عددية دقيقة تعبر عن المعلمات المجهولة للمجتمعات الإحصائية، معتمدة على صياغات رياضية بالغة الإحكام تضمن تقليص الخطأ العشوائي وتحقيق أقصى درجات الكفاءة الإحصائية الممكنة.

تعتبر طريقة تقدير الإمكان الأكبر (Maximum Likelihood Estimation – MLE) المنهجية الأكثر شيوعاً ورسوخاً في الإحصاء الاستدلالي الكلاسيكي والحديث على حد سواء. وتستند هذه الطريقة إلى فلسفة تحويلية تعيد صياغة المشكلة الاحتمالية؛ فبدلاً من حساب احتمالية ظهور بيانات معينة في ظل معلمات مفترضة مسبقاً، تركز دالة الإمكان على تقييم مدى معقولية المعلمات المختلفة في ضوء البيانات الفعلية التي تم رصدها بالفعل، واختيار المعلمة التي تجعل العينة المرصودة في أقصى درجات الاحتمال والتحقق الواقعي.

وعند دراسة الظواهر المعدودة والأحداث المنفصلة التي تقع عبر وحدات زمنية أو مكانية محددة، يبرز توزيع بواسون (Poisson Distribution) كنموذج احتمالي استثنائي لدراسة معدلات الحدوث. يقدم هذا الدليل الشامل تفكيكاً رياضياً وتطبيقياً خطوة بخطوة لكيفية اشتقاق وتطبيق مقدر الإمكان الأكبر لتوزيع بواسون، متتبعاً المسار من صياغة دالة الكتلة الاحتمالية حتى إثبات الشروط الحدية واختبارات المشتقة الثانية والخصائص التقاربية المتقدمة.

1. مقدمة تأسيسية لطريقة تقدير الإمكان الأكبر (MLE) وتوزيع بواسون

1.1 مفهوم الاستدلال الإحصائي ونظرية التقدير النقطي

يقوم الاستدلال الإحصائي (Statistical Inference) على ركيزتين أساسيتين: اختبار الفروض والتقدير الإحصائي. وينقسم التقدير بدوره إلى تقدير بفترة (Interval Estimation) وتقدير نقطي (Point Estimation). يهدف التقدير النقطي إلى تخصيص قيمة عددية وحيدة تمثل أفضل تخمين إحصائي ممكن لقيمة المَعلمة المجهولة θ في المجتمع. وتُبنى هذه العملية عبر صياغة “مُقدِّر” (Estimator)، وهو دالة رياضية تُطبق على المتغيرات العشوائية المكونة للعينة، وتُعطى رمزاً يحمل علامة التقدير (مثل θ̂).

من الضروري التفريق الدقيق بين “المُقدِّر” بوصفه دالة إحصائية ومتغيراً عشوائياً يخضع لتوزيع معاينة محدد، وبين “التقدير” (Estimate) الذي يمثل القيمة الرقمية الفعلية الناتجة عن تطبيق الدالة على بيانات عينة عينية مرصودة. يتطلب اختيار المقدر الأمثل استيفاء مجموعة من المعايير والمحددات الصارمة، مثل خاصية عدم التحيز (Unbiasedness)، والاتساق الإحصائي (Consistency)، والكفاءة (Efficiency)، وهي الخصائص التي تجعل المقدر قادراً على الاقتراب الرياضي من القيمة الحقيقية للمجتمع بأقل تباين ممكن مع تزايد حجم العينة.

1.2 التعريف الرياضي والفلسفي لمبدأ الإمكان الأكبر (Maximum Likelihood)

يمثل مبدأ الإمكان الأكبر تحولاً مفاهيمياً عميقاً في التفكير الإحصائي؛ ففي نظرية الاحتمالات التقليدية، نعتبر معلمات النموذج الرياضي ثابتة ومعلومة ونبحث عن احتمالية توليد فضاءات معينة من البيانات. أما في سياق الاستدلال عبر الإمكان الأكبر، فإن البيانات المرصودة تصبح هي الثوابت غير القابلة للتغيير، في حين تصبح المعلمات هي المتغيرات التي نسعى للعثور على قيمتها المثلى التي تعظم دالة الإمكان (Likelihood Function).

تعود الجذور التاريخية لهذا المبدأ الرياضي إلى جهود العالم الفذ السير رونالد فيشر (Sir Ronald Fisher) في أوائل القرن العشرين، وتحديداً في أوراقه البحثية المنشورة بين عامي 1912 و1922، حيث وضع الأسس الصارمة لمعاملات الإمكان ودحض الاعتماد الحصري على الاحتمالات القبلية البيزية غير المبررة تجريبياً. وتستمد دالة الإمكان مسوغاتها الرياضية من قدرتها الفائقة على استخلاص كامل المعلومات الإحصائية الكامنة في العينة (Sufficient Statistics)، وتوفير مقدرات تتفوق تقاربياً على كافة البدائل في العينات الكبيرة.

1.3 طبيعة المتغيرات العشوائية المتقطعة وتوزيع بواسون

تتعامل المتغيرات العشوائية المتقطعة (Discrete Random Variables) مع البيانات القابلة للعد (Count Data)، وهي قيم تأخذ أعداداً صحيحة غير سالبة {0, 1, 2, …}. ويُعد توزيع بواسون النموذج الرياضي الأساسي لتمثيل العمليات النقطية العشوائية (Poisson Point Processes)، حيث تُقاس وتيرة وقوع أحداث معينة خلال فاصل زمني محدد أو نطاق مكاني ثابت. وتفترض العملية البواسونية استقلالية تامة بين فترات الحدوث، بحيث لا يؤثر وقوع حدث ما على احتمالية وقوع حدث آخر في فترة لاحقة.

يتميز توزيع بواسون بوجود مَعلمة وحيدة مميزة يُرمز لها بالحرف الإغريقي لاندا (λ)، وتُعبر هذه المعلمة رياضياً عن المعدل المتوقع لحدوث الظاهرة في الوحدة المعيارية الواحدة. ومن السمات الفريدة التي يتفرد بها هذا التوزيع خاصية التشتت المتكافئ (Equidispersion)، والتي تعني تماثل القيمة المتوقعة الرياضية مع التباين؛ أي أن المتوسط يساوي التباين ويساوي تماماً المعلمة λ، مما يجعل تقدير هذه المعلمة محط اهتمام جوهري في نمذجة الظواهر الطبيعية والنفسية والاجتماعية النادرة.

2. الأسس الرياضية والخصائص الإحصائية لتوزيع بواسون

2.1 دالة الكتلة الاحتمالية (PMF) لتوزيع بواسون وشروطها

تُعرف دالة الكتلة الاحتمالية (Probability Mass Function – PMF) لمتغير عشوائي متقطع X يتبع توزيع بواسون بالصيغة الجبرية التالية:

P(X = x; λ) = (e^-λ λ^x) / x!

حيث e يمثل الأساس الطبيعي للوغاريتم (ثابت أويلر التقريبي 2.71828)، وx! هو مضروب العدد (Factorial) للمشاهدة x، بشرط أن تنتمي x لمجموعة الأعداد الصحيحة غير السالبة {0, 1, 2, 3, …}، وأن تكون المعلمة λ موجبة تماماً (λ > 0).

لكي تحقق هذه الدالة شروط دالة الكتلة الاحتمالية، يجب أن تثبت رياضياً خاصيتين أساسيتين: الإيجابية لجميع النقاط في فضاء العينة، وأن يكون المجموع التراكمي للاحتمالات عبر كامل الفضاء مساوياً للواحد الصحيح. يمكن إثبات ذلك بالاستناد إلى متسلسلة تايلور للدالة الأسية:

∑_x=0^∞ P(X = x) = ∑_x=0^∞ (e^-λ λ^x / x!) = e^-λ ∑_x=0^∞ (λ^x / x!) = e^-λ × e^λ = e⁰ = 1

هذا الإثبات الأنيق يؤكد استيفاء توزيع بواسون للشروط الاحتمالية الصارمة، ويؤكد اتساق النموذج الرياضي عبر كامل المجال المحدد للمَعلمة والمتغير.

2.2 العزوم والخصائص التوزيعية للمَعلمة λ

تعتبر العزوم الإحصائية (Statistical Moments) الوسيلة الرياضية لفهم تشتت وميل وتفرطح التوزيعات الاحتمالية. وتُشتق القيمة المتوقعة الرياضية (Expected Value) E[X] لتوزيع بواسون كالتالي:

E[X] = ∑_x=0^∞ x × (e^-λ λ^x / x!) = ∑_x=1^∞ (e^-λ λ^x / (x – 1)!) = λ e^-λ ∑_y=0^∞ (λ^y / y!) = λ e^-λ e^λ = λ

ولحساب التباين Var(X)، نحسب أولاً العزم الثاني المضروبي E[X(X – 1)]:

E[X(X – 1)] = ∑_x=0^∞ x(x – 1) (e^-λ λ^x / x!) = λ² e^-λ ∑_x=2^∞ (λ^x-2 / (x – 2)!) = λ²

وباستخدام العلاقة الرياضية للتباين Var(X) = E[X(X – 1)] + E[X] – (E[X])²، نجد أن:

Var(X) = λ² + λ – λ² = λ

كما تُعطى الدالة المولدة للعزوم (MGF) بالصيغة: M_X(t) = E[e^tX] = exp(λ(e^t – 1))، وهي الدالة المحورية التي تسمح باستنتاج الخصائص التقاربية للتوزيع عند تجميع المتغيرات المستقلة.

2.3 افتراضات العينة العشوائية المستقلة ومتطابقة التوزيع (i.i.d)

يرتكز الاشتقاق الرياضي لمقدر الإمكان الأكبر على افتراض وجود عينة عشوائية بسيطة بحجم n، تتكون من المتغيرات العشوائية (X₁, X₂, …, X_n)، بحيث تكون هذه المتغيرات مستقلة ومتطابقة التوزيع (Independent and Identically Distributed – i.i.d). ويعني شرط “التطابق” أن كافة المشاهدات تنحدر من نفس المجتمع الإحصائي وتخضع لنفس التوزيع البواسوني المعتمد على نفس القيمة الثابتة للمَعلمة λ.

أما شرط “الاستقلال الإحصائي”، فهو حجر الزاوية الذي يتيح تفكيك دالة التوزيع الاحتمالي المشترك (Joint Probability Distribution) لكامل مفردات العينة إلى حاصل ضرب الدوال الاحتمالية الهامشية الفردية لكل مشاهدة على حدة. وإذا تعرض هذا الافتراض للانتهاك—كما يحدث في حالات السلاسل الزمنية التي تظهر ارتباطاً ذاتياً، أو البيانات العنقودية غير المعالجة—فإن المقدرات الناتجة تفقد كفاءتها الرياضية وتؤدي إلى تقديرات مضللة للتباين والأخطاء المعيارية.

3. الخطوة الأولى: كتابة دالة الكتلة الاحتمالية للمشاهدة الفردية

3.1 الصياغة الجبرية الدقيقة للدالة الاحتمالية

نبدأ أولى الخطوات التطبيقية للاشتقاق بالتركيز على مشاهدة عشوائية فردية واحدة نرمز لها بالرمز X_i، والتي تسجل قيمة عددية فعلية x_i. يتم التعبير عن دالة الكتلة الاحتمالية لهذه المشاهدة بصياغة شرطية تُظهر الاعتماد على المعلمة λ كالتالي:

f(x_i; λ) = P(X_i = x_i | λ) = (e^-λ λ^x_i) / x_i!

تتألف هذه المعادلة من ثلاثة مكونات رئيسية مترابطة بنيوياً:

• الحد الأسي الطبيعي e^-λ: وهو حد تنازلي موجب يضمن انخفاض الاحتماليات مع تزايد المعدل العام للأحداث، ويعمل كعامل قياسي لضبط المساحة الكلية للاحتمال.
• الحد المرفوع للقوة λ^x_i: ويعكس التناسب الطردي بين تكرار الحدث وقوة المعدل، حيث تزداد احتمالية القيم المرتفعة للمشاهدات كلما كانت λ كبيرة.
• مضروب العدد x_i! في المقام: ويمثل حد التخفيف التوافقي الذي يمنع انفجار الاحتمالات مع تزايد قيم x_i، مما يمنح التوزيع شكله الملتوي نحو اليمين إيجابياً للقيم الصغيرة، والمائل نحو التماثل للقيم الكبيرة.

3.2 تحديد فضاء المعلمات وفضاء العينة

تتطلب الصرامة الرياضية في نظرية التقدير تحديد الفضاءات المعرفية للدالة الاحتمالية بدقة بالغة. فضاء المَعلمة الإحصائية (Parameter Space) الذي يُرمز له بالرمز Θ يمثل مجموعة كافة القيم المقبولة والممكنة للمَعلمة λ. وفي حالة توزيع بواسون، يُعرف فضاء المعلمات بأنه الفترة الحقيقية المفتوحة من الصفر إلى المالانهاية الموجبة، أي أن Θ = (λ ∈ ℜ : λ > 0). ويُستبعد الصفر منعاً لضمور التوزيع إلى كتلة احتماية متدهورة تقف عند الصفر باحتمال يقيني.

من جهة أخرى، يُمثل فضاء العينة (Sample Space) Χ مجموعة القيم المنفصلة غير السالبة للأعداد الصحيحة: Χ = {0, 1, 2, 3, …}. وعند دراسة السلوك التقاربي للدالة، نجد أنه عندما تقترب λ من الصفر، يتركز الاحتمال بصورة شبه كلية عند المشاهدة x = 0، بينما تتسع فضاءات الانتشار ويقترب التوزيع من الشكل الطبيعي المتصل وفق نظرية النهاية المركزية كلما اتجهت λ نحو المالانهاية.

4. الخطوة الثانية: صياغة دالة الإمكان المشتركة (Likelihood Function)

4.1 بناء دالة الإمكان كحاصل ضرب الاحتمالات الهامشية

بناءً على افتراض الاستقلال الإحصائي والتطابق التوزيعي لعناصر العينة العشوائية (X₁, X₂, …, X_n)، فإن التوزيع الاحتمالي المشترك لظهور متجهة المشاهدات x = (x₁, x₂, …, x_n) يُصاغ كحاصل ضرب مباشر (Product) للاحتمالات الفردية لكل عنصر في العينة.

تتحول هذه الدالة المشتركة إلى “دالة إمكان” (Likelihood Function) عندما ننظر إلى متجهة المشاهدات x باعتبارها متجهة ثوابت عددية تم رصدها وانتهى أمرها، ونوجه تركيزنا نحو λ كمتغير رياضي نود تقديره. نرمز لدالة الإمكان بالرمز L(λ; x) أو اختصاراً L(λ) وتُكتب رياضياً كالتالي:

L(λ) = L(λ; x₁, x₂, …, x_n) = ∏_i=1ⁿ f(x_i; λ) = ∏_i=1ⁿ [ (e^-λ λ^x_i) / x_i! ]

حيث يشير الرمز ∏ إلى معامل الجداء الرياضي المستمر على كافة مفردات العينة من المشاهدة الأولى (i = 1) وحتى المشاهدة الأخيرة (i = n).

4.2 التبسيط الجبري لضرب الحدود الأسية والمضروبات

لتبسيط هذا التركيب الجبري المتشابك، نقوم بتطبيق القواعد الرياضية للضرب على الحدود المتشابهة داخل دالة الجداء:

• ضرب الحدود الأسية المتماثلة: يتم ضرب الحد e^-λ في نفسه n مرة، مما ينتج عنه وفق قواعد الأسس:
  e^-λ × e^-λ × … × e^-λ = (e^-λ)ⁿ = e^-nλ
• ضرب الحدود المرفوعة لقوى المشاهدات: تتطابق الأساسات للمتغير λ، وتُجمع أسسها الجبرية:
  λ^x₁ × λ^x₂ × … × λ^x_n = λ^{(x₁ + x₂ + … + x_n)} = λ^{∑_i=1n x_i}
• جداء المقامات المفردة: تُضرب قيم المضروب لكل مشاهدة في مقام مشترك:
  x₁! × x₂! × … × x_n! = ∏_i=1ⁿ (x_i!)

4.3 الصيغة المدمجة النهائية لدالة الإمكان

بتجميع النتائج الجبرية السابقة، نصل إلى الصيغة المدمجة والنهائية لدالة الإمكان المشتركة لتوزيع بواسون:

L(λ) = [ e^-nλ λ^{∑_i=1n x_i} ] / [ ∏_i=1ⁿ (x_i!) ]

تكشف هذه الصيغة عن طبيعة العلاقة غير الخطية المعقدة بين الإمكان والمعلمة λ؛ حيث يتنافس حد التضاؤل الأسي e^-nλ مع حد التزايد المرفوع للقوة λ^{∑ x_i} لخلق نقطة قمة وحيدة (Global Maximum) تمثل القيمة الأكثر إمكاناً للمَعلمة. ومع ذلك، فإن محاولة تفاضل دالة الإمكان هذه بصيغتها المباشرة الحالية ستكون عملية شاقة للغاية بسبب وجود قسمة وجداء مركب، مما يفرض الانتقال إلى تحويل رياضي بديل وأكثر سلاسة.

5. الخطوة الثالثة: التحويل إلى دالة لوغاريتم الإمكان (Log-Likelihood Function)

5.1 المسوغات الرياضية والتحليلية لتطبيق اللوغاريتم الطبيعي

تتمثل الخطوة المحورية في منهجية تقدير الإمكان الأكبر في تطبيق دالة اللوغاريتم الطبيعي (Natural Logarithm – ln) على دالة الإمكان لتحويلها إلى “دالة لوغاريتم الإمكان” (Log-Likelihood Function)، والتي نرمز لها اختصاراً بالرمز ℓ(λ) أو ln L(λ). ويستند هذا التحويل إلى مبررات رياضية وحسابية عميقة:

أولاً، دالة اللوغاريتم الطبيعي هي دالة أحادية النغمة متزايدة بدقة (Strictly Monotonically Increasing Function) لجميع القيم الموجبة. ويعني هذا هندسياً وتحليلياً أن اللوغاريتم يحافظ تماماً على موقع القيمة العظمى؛ أي أن القيمة λ التي تُعظم L(λ) هي بذاتها القيمة التي تُعظم ln L(λ)، دون أدنى إزاحة للنقطة الحرجة.

ثانياً، يحول اللوغاريتم عمليات الضرب المعقدة إلى عمليات جمع جبري بسيطة، ويحول القسمة إلى طرح، مما يجعل عمليات التفاضل الحسابي والاشتقاق أسهل بكثير. وثالثاً، يمنع هذا التحويل حدوث مشكلة التدفق الحسابي السفلي (Arithmetic Underflow) في الحواسيب، حيث يؤدي ضرب احتمالات صغيرة جداً في العينات الكبيرة إلى قيم تقترب من الصفر وتتجاوز دقة المعالجات الرقمية.

5.2 تطبيق قواعد وقوانين اللوغاريتمات على الحدود الرياضية

لتحويل دالة الإمكان إلى دالة لوغاريتم الإمكان، نستحضر القوانين الجبرية الكلاسيكية للوغاريتمات:

• ln(A × B) = ln(A) + ln(B) (لوغاريتم حاصل الضرب يتحول إلى مجموع اللوغاريتمات).
• ln(A / B) = ln(A) – ln(B) (لوغاريتم القسمة يتحول إلى فارق اللوغاريتمين).
• ln(A^k) = k × ln(A) (لوغاريتم المقدار المرفوع لأس يساوي حاصل ضرب الأس في لوغاريتم الأساس).
• ln(e^z) = z (اللوغاريتم الطبيعي يلغي الأساس الأسي e).

بتطبيق هذه الخصائص بصورة منهجية على دالة الإمكان:

ℓ(λ) = ln [ (e^-nλ × λ^{∑ x_i}) / ∏ (x_i!) ]

ℓ(λ) = ln(e^-nλ) + ln(λ^{∑ x_i}) – ln(∏ x_i!)

5.3 الصياغة القياسية لدالة لوغاريتم الإمكان l(λ)

نقوم الآن بتبسيط كل حد من الحدود الثلاثة على حدة:

• الحد الأول: ln(e^-nλ) = -nλ
• الحد الثاني: ln(λ^{∑_i=1n x_i}) = (∑_i=1ⁿ x_i) ln(λ)
• الحد الثالث: ln(∏_i=1ⁿ x_i!) = ∑_i=1ⁿ ln(x_i!)

وبجمع هذه الحدود، نحصل على الصياغة القياسية الأنيقة لدالة لوغاريتم الإمكان:

ℓ(λ) = -nλ + (∑_i=1ⁿ x_i) ln(λ) – ∑_i=1ⁿ ln(x_i!)

نلاحظ بوضوح أن الحد الثالث -∑ ln(x_i!) خالٍ تماماً من المَعلمة λ، مما يعني أنه يعامل كقيمة ثابتة (Additive Constant) ستختفي تلقائياً عند إجراء عملية التفاضل، مما يختزل التعقيد الرياضي إلى حدين بسيطين للغاية.

6. الخطوة الرابعة: حساب المشتقة الأولى لدالة لوغاريتم الإمكان بالنسبة لـ λ

6.1 تطبيق قواعد التفاضل على الحدود المنفصلة

للوصول إلى القيمة العظمى للدالة، يتعين علينا استخراج المشتقة الأولى لدالة لوغاريتم الإمكان بالنسبة للمَعلمة المستهدفة λ، وتطبيق قواعد التفاضل الأساسية على حدود المعادلة الثلاثة:

• تفاضل الحد الخطي الأول:
  d/dλ [-nλ] = -n
• تفاضل الحد اللوغاريتمي الثاني: بما أن مشتقة ln(λ) هي 1/λ، وباعتبار المجموع ∑ x_i ثابتاً بالنسبة لـ λ:
  d/dλ [(∑_i=1ⁿ x_i) ln(λ)] = (∑_i=1ⁿ x_i) × (1 / λ) = (∑_i=1ⁿ x_i) / λ
• تفاضل الحد الثابت الثالث: نظراً لأن الحد لا يشتمل على λ:
  d/dλ [-∑_i=1ⁿ ln(x_i!)] = 0

6.2 صياغة دالة السكور (Score Function)

تُعرف المشتقة الأولى لدالة لوغاريتم الإمكان في الأدبيات الإحصائية المتقدمة باسم دالة السكور (Score Function)، ويُرمز لها بالرمز U(λ) أو S(λ). بتجميع المشتقات الجزئية السابقة، نحصل على:

U(λ) = dℓ(λ) / dλ = -n + (1 / λ) ∑_i=1ⁿ x_i

تمثل دالة السكور ميل (Slope) دالة لوغاريتم الإمكان عند أي قيمة معطاة للمَعلمة λ. ومن الخصائص الجوهرية العامة لدوال الإمكان أن القيمة المتوقعة لدالة السكور عند تقييمها عند القيمة الحقيقية للمَعلمة تساوي دائماً الصفر الرياضي، وهو ما يمكن إثباته بسهولة لتوزيع بواسون:

E[U(λ)] = E[-n + (1 / λ) ∑_i=1ⁿ X_i] = -n + (1 / λ) ∑_i=1ⁿ E[X_i] = -n + (1 / λ) (nλ) = -n + n = 0

هذا التلاشي الصفري للقيمة المتوقعة يؤكد الاتساق البنيوي لعملية التقدير وصحة المشتقة المستخرجة.

7. الخطوة الخامسة: مساواة المشتقة بالصفر وحل المعادلة لإيجاد المقدر

7.1 وضع معادلة الإمكان في حالة التوازن الصفري

لإيجاد النقطة الحرجة (Critical Point) التي ينعدم عندها ميل المنحنى وتبلغ الدالة عندها ذروتها، نساوي دالة السكور بالصفر الرياضي، ونضع علامة التقدير (ˆ) فوق المعلمة لتمييزها كمُقدِّر:

dℓ(λ) / dλ |_{λ = λ̂} = 0

-n + (1 / λ̂) ∑_i=1ⁿ x_i = 0

نبدأ بعزل الحد الذي يحتوي على المعلمة المجهولة في الطرف الأيسر من المعادلة:

(1 / λ̂) ∑_i=1ⁿ x_i = n

7.2 استخراج الصيغة الرياضية للمقدر λ_MLE

بإجراء الضرب التبادلي وقسمة طرفي المعادلة على حجم العينة n، نصل مباشرة إلى المقدر الصريح للإمكان الأكبر:

λ̂_MLE = (∑_i=1ⁿ x_i) / n

نلاحظ على الفور أن هذا التعبير الرياضي يطابق تماماً تعريف الوسط الحسابي للعينة (Sample Mean)، والذي يُرمز له بالرمز x̄ (X-bar). وبالتالي فإن:

λ̂_MLE = x̄

يحمل هذا التطابق دلالة إحصائية وبديهية عميقة؛ فنظراً لأن المَعلمة λ تمثل نظرياً المتوسط الحسابي ومعدل الحدوث المتوقع في مجتمع بواسون، فمن المنطقي والتلقائي للغاية أن يكون أفضل مقدر إمكاني لهذه المَعلمة هو المتوسط الحسابي الفعلي المرصود في العينة المسحوبة عشوائياً.

8. التحقق من شرط النهاية العظمى واختبار المشتقة الثانية

8.1 حساب المشتقة الثانية لدالة لوغاريتم الإمكان (Hessian)

إن مساواة المشتقة الأولى بالصفر شرط ضروري (Necessary Condition) ولكنه غير كافٍ (Not Sufficient) بمفرده لإثبات أن النقطة الحرجة تمثل نهاية عظمى؛ إذ يمكن أن تكون النقطة نهاية صغرى أو نقطة انقلاب. وللتحقق القاطع من تعظيم الدالة، يجب تطبيق اختبار المشتقة الثانية بالنسبة لـ λ وحساب مقدار الهيسي (Hessian):

d²ℓ(λ) / dλ² = d/dλ [ U(λ) ] = d/dλ [ -n + (∑_i=1ⁿ x_i) λ^-1 ]

بتطبيق قواعد التفاضل، نجد أن مشتقة الثابت (-n) هي صفر، ومشتقة λ^-1 هي -λ^-2:

d²ℓ(λ) / dλ² = – (∑_i=1ⁿ x_i) / λ²

8.2 إثبات التقعر نحو الأسفل (Concavity) وضمان التعظيم

لتحديد إشارة المشتقة الثانية، نقوم بتحليل مكونات الكسر الرياضي -(∑ x_i) / λ²:

• المقام λ² موجب دائماً لجميع قيم λ الموجبة الحقيقية.
• البسط ∑ x_i يمثل مجموع مشاهدات متقطعة غير سالبة (x_i ≥ 0). ما دامت العينة تشتمل على مشاهدة إيجابية واحدة على الأقل (أي أن ∑ x_i > 0)، فإن المجموع يكون موجباً قطعاً.
• وجود إشارة السالب أمام الكسر يجعل القيمة الإجمالية للمشتقة الثانية سالبة تماماً:
  d²&ell;(λ) / dλ² < 0 ∀ λ > 0

تثبت هذه النتيجة التحليلية الصارمة أن دالة لوغاريتم الإمكان مقعرة نحو الأسفل بدقة (Strictly Concave) على امتداد فضاء المعلمات بأكمله، مما يضمن بصورة قاطعة أن النقطة الحرجة λ̂ = x̄ هي نهاية عظمى عامة ووحيدة (Unique Global Maximum)، ولا توجد أي نهايات عظمى محلية مضللة أخرى.

8.3 مصفوفة ومعلومات فيشر (Fisher Information)

تُعرف معلومة فيشر (Fisher Information) بأنها المقياس الرياضي لكمية المعلومات الإحصائية التي تحملها العينة العشوائية حول المَعلمة المجهولة، وتساوي القيمة المتوقعة لسالب المشتقة الثانية لدالة لوغاريتم الإمكان:

I_n(λ) = -E [ d²&ell;(λ) / dλ² ] = -E [ – (∑_i=1ⁿ X_i) / λ² ] = (1 / λ²) ∑_i=1ⁿ E[X_i] = (1 / λ²) × (nλ) = n / λ

توضح هذه النتيجة الرياضية البالغة الأهمية أن معلومة فيشر تتناسب طردياً مع حجم العينة n؛ فكلما تضاعف حجم العينة، تضاعفت كمية المعلومات المتاحة لتقدير λ، بينما تتناسب عكسياً مع قيمة λ ذاتها؛ نظراً لأن زيادة المعدل تؤدي إلى اتساع التباين الطبيعي للظاهرة وفق خاصية التشتت المتكافئ.

9. الخصائص الإحصائية والتقاربية لمقدر الإمكان الأكبر لتوزيع بواسون

9.1 عدم التحيز (Unbiasedness) والخطأ المعياري

يتميز مقدر الإمكان الأكبر لتوزيع بواسون بخاصية عدم التحيز الرياضي التام (Unbiasedness) حتى في العينات الصغيرة والمحدودة الحجم. ويتحقق ذلك بحساب القيمة المتوقعة للمقدر:

E[λ̂_MLE] = E[x̄] = E[ (1/n) ∑_i=1ⁿ X_i ] = (1/n) ∑_i=1ⁿ E[X_i] = (1/n) × (nλ) = λ

بما أن القيمة المتوقعة للمقدر تطابق تماماً المعلمة الحقيقية دون أي فرق، فإن التحيز يساوي صفراً: Bias(λ̂) = E[λ̂] – λ = 0.

أما تباين المقدر (Variance)، فيُشتق بالاستفادة من استقلال المشاهدات:

Var(λ̂_MLE) = Var(x̄) = Var[ (1/n) ∑_i=1ⁿ X_i ] = (1/n²) ∑_i=1ⁿ Var(X_i) = (1/n²) × (nλ) = λ / n

ويكون الخطأ المعياري النظري والتطبيقي للمقدر (Standard Error):

SE(λ̂) = √(Var(λ̂)) = √(λ / n) &approx; √(λ̂ / n)

9.2 الكفاءة الإحصائية وحد كرامر-راو الأدنى (CRLB)

تنص نظرية ومتراجحة كرامر-راو (Cramér-Rao Lower Bound – CRLB) على أن تباين أي مقدر غير متحيز لمَعلمة ما لا يمكن أن يقل عن مقلوب معلومة فيشر الخاصة بتلك المَعلمة:

Var(θ̂) ≥ 1 / I_n(θ)

بتطبيق هذا الحد الأدنى على حالة توزيع بواسون:

CRLB = 1 / I_n(λ) = 1 / (n / λ) = λ / n

بمقارنة تباين مقدر الإمكان الأكبر الفعلي Var(λ̂_MLE) = λ / n مع حد كرامر-راو الأدنى، نجد تطابقاً تاماً: Var(λ̂_MLE) = CRLB. يثبت هذا أن مقدر الإمكان الأكبر لتوزيع بواسون هو مقدر عالي الكفاءة ومطلق الفعالية (Efficient Estimator)، ويحمل صفة المقدر غير المتحيز ذي التباين الأدنى بانتظام (Uniformly Minimum-Variance Unbiased Estimator – UMVUE).

9.3 الاتساق (Consistency) والتوزيع التقاربي الطبيعي

يتمتع مقدر الإمكان الأكبر بخاصية الاتساق الإحصائي (Consistency)؛ حيث يتقارب المقدر في الاحتمال (Converges in Probability) نحو القيمة الحقيقية للمَعلمة مع اتجاه حجم العينة نحو المالانهاية، وفقاً لـ قانون الأعداد الكبيرة (Law of Large Numbers):

lim_n→∞ P(|λ̂_n – λ| > ε) = 0 ∀ ε > 0

وعلاوة على ذلك، وبالاستناد إلى نظرية النهاية المركزية (Central Limit Theorem)، فإن التوزيع التكراري التقاربي للمقدر يقترب بثبات من التوزيع الطبيعي المعياري مع كبر العينة:

√n (λ̂_MLE – λ) →^d N(0, λ)

تتيح هذه الخاصية التقاربية بناء فترات ثقة موثوقة واختبار فرضيات إحصائية حول المعلمة λ. وتُحسب فترة الثقة التقاربية بنسبة (1 – α)% باستخدام الصيغة الكلاسيكية التالية:

CI_1-α = λ̂ ± Z_{1 – α/2} × √(λ̂ / n)

حيث تمثل Z_{1 – α/2} القيمة الحرجة المقابلة من جدول التوزيع الطبيعي المعياري (مثل 1.96 لمستوى ثقة 95%).

10. أمثلة تطبيقية وحسابية خطوة بخطوة بالأرقام

10.1 مثال عددي كامل لعينة صغيرة وحساب الخطوات يدوياً

لترسيخ المفاهيم الرياضية المشروحة، نفترض أن باحثاً قام برصد عدد الأخطاء اللغوية في الدقيقة أثناء مهمة قراءة معقدة لدى عينة عشوائية مكونة من n = 6 أفراد، وكانت النتائج كالتالي:

x = {2, 4, 3, 1, 5, 3}

نقوم بتطبيق خطوات التقدير النقطي حسابياً كالتالي:

• حساب مجموع المشاهدات:
  ∑_i=1⁶ x_i = 2 + 4 + 3 + 1 + 5 + 3 = 18
• حساب مقدر الإمكان الأكبر:
  λ̂_MLE = (∑ x_i) / n = 18 / 6 = 3.0
• حساب جداء مضروبات العينة للتحقق من قيمة الإمكان الكلية:
  ∏ x_i! = 2! × 4! × 3! × 1! × 5! × 3! = 2 × 24 × 6 × 1 × 120 × 6 = 207,360
• حساب قيمة لوغاريتم الإمكان عند النقطة المثلى λ̂ = 3:
  &ell;(3) = -6(3) + 18 ln(3) – ln(207,360) = -18 + 18(1.098612) – 12.2422 = -18 + 19.7750 – 12.2422 = -10.4672
• حساب الخطأ المعياري وفترة الثقة 95%:
  SE(λ̂) = √(3.0 / 6) = √0.5 &approx; 0.7071
  
  CI_95% = 3.0 ± 1.96 × 0.7071 = 3.0 ± 1.3859 = [1.6141 , 4.3859]

10.2 التعامل مع الحالات الخاصة (البيانات الصفرية والتكرارات المرتفعة)

تنشأ في الممارسة التطبيقية حالات خاصة تستدعي معالجات محددة:

حالة العينة الصفرية بالكامل (Zero-only Sample): إذا كانت كافة المشاهدات المرصودة أصفاراً (x_i = 0 ∀ i)، فإن ∑ x_i = 0، ويكون المقدر المباشر λ̂ = 0. على الرغم من أن λ = 0 تقع على حافة فضاء المعلمات المفتوح وليست داخله، فإن دالة الإمكان تتناقص برتابة مع زيادة λ، وتتحقق القمة عند الصفر التام، مما يعكس رياضياً غياب الأحداث في فترة المعاينة.

البيانات المبوبة في جداول تكرارية: عندما تُرتب البيانات في جدول تكراري يوضح القيم k وتكراراتها f_k، يُحسب المقدر بوزن القيم بتكراراتها:

λ̂_MLE = (∑_k f_k × k) / ∑_k f_k = (∑ f_k k) / n

فترات التعرض المتغيرة (Exposure/Offset): إذا تباينت الفترات الزمنية أو المساحات t_i لكل فرد في العينة، فإن معدل المشاهدة الفردية يصبح λt_i. وتصبح دالة لوغاريتم الإمكان المعدلة:

&ell;(λ) = ∑_i=1ⁿ [ – λ t_i + x_i ln(λ t_i) – ln(x_i!) ]

وباشتقاقها ومساواتها بالصفر نصل إلى مقدر المعدل المعياري المرجح:

λ̂ = (∑_i=1ⁿ x_i) / (∑_i=1ⁿ t_i)

10.3 التطبيق البرمجي والحساب الآلي باستخدام R و Python

في بيئات الحوسبة الإحصائية المعاصرة، يتم حساب MLE إما عبر المعادلات التحليلية المباشرة أو عبر خوارزميات التحسين العددي (Numerical Optimization) التي تُعظم دالة اللوغاريتم في النماذج الأكثر تعقيداً.

في لغة R، يمكن كتابة دالة سلبية اللوغاريتم لتعظيمها باستخدام الخوارزميات العامة:

nll_poisson <- function(lambda, data) { -sum(dpois(data, lambda, log = TRUE)) }
fit <- optim(par = 1, fn = nll_poisson, data = x, method = “L-BFGS-B”, lower = 0.0001)

تُرجع الدالة المحسوبة القيمة المطابقة للوسط الحسابي تماماً، مع توفير مصفوفة الهيسي المحسوبة عددياً لتقدير التباين.

أما في بيئة Python، تُستخدم مكتبات متخصصة مثل SciPy و Statsmodels. يمكن تقدير المعلمة عبر الوحدة scipy.optimize.minimize، أو بصورة أشمل عبر تركيب نموذج انحدار بواسون الأساسي في statsmodels.api.GLM بتحديد عائلة التوزيع family=sm.families.Poisson()، والتي تطبق خوارزمية إعادة الأوزان التكرارية للمربعات الصغرى (IRLS) للوصول للتقدير النقطي وجدول التباين الكامل وفترات الثقة بدقة فائقة.

11. تطبيقات تقدير الإمكان الأكبر لتوزيع بواسون في القياس النفسي والعلوم السلوكية

11.1 نمذجة البيانات السلوكية القائمة على العد والتكرار

تتولد في العلوم النفسية والسلوكية كميات هائلة من البيانات المعدودة المنفصلة التي تبتعد عن التوزيع الطبيعي المتصل الكلاسيكي. ومن الأمثلة البارزة على ذلك قياس وتيرة السلوكيات النمطية أو نوبات الغضب والعدوانية لدى الأطفال ذوي اضطراب طيف التوحد خلال حصص الملاحظة الميدانية؛ حيث لا يمكن أن تأخذ المشاهدات قيماً سالبة أو كسوراً مستمرة.

يسمح تطبيق مقدر الإمكان الأكبر لتوزيع بواسون بتقدير الكثافة السلوكية الأساسية للمشاركين بدقة متناهية، ومقارنة فاعلية التدخلات العلاجية السلوكية المعرفية عبر مقارنة معلمات λ المقدرة قبل البرنامج العلاجي وبعده. كما يُستخدم النموذج ذاته في دراسة معدلات الانقطاع أو التغيب عن الجلسات الإرشادية، ومعدلات الانتكاس الإدماني، وعدد المحاولات التجريبية الخاطئة التي يرتكبها المفحوص قبل الوصول إلى حل مسألة استدلالية في مختبرات علم النفس المعرفي التجريبي.

11.2 تطبيقات القياس النفسي ونظرية استجابة الفقرة للأحداث المعدودة

امتدت نماذج القياس النفسي الحديثة من النماذج الثنائية (صح/خطأ) إلى نماذج متقدمة تتعامل مع الاستجابات التكرارية المعدودة. في نظرية استجابة الفقرة (IRT) المخصصة لاختبارات الطلاقة اللغوية أو السرعة المعرفية، يُطلب من المفحوص توليد أكبر عدد ممكن من الكلمات في فئة معينة خلال فترة زمنية محددة.

تُصاغ دالة الإمكان لهذه الاستجابات عبر ربط المعلمة λ_ij بقدرة الفرد الكامنة (θ_i) وصعوبة الفقرة الاختبارية (β_j). ويُستخدم تقدير الإمكان الأكبر (سواء MLE للمفحوصين أو Marginal Maximum Likelihood – MML لمعلمات الفقرات) لتفكيك التباين وتقدير مستوى الطلاقة الحقيقي للأفراد بمعزل عن خصائص أداة القياس المستخدمة، بالإضافة إلى تحليل زمن الرجع المقسم إلى وحدات نبضية عشوائية.

11.3 التعامل مع التشتت الزائد (Overdispersion) في البيانات النفسية

من أهم التحديات المنهجية التي تواجه الباحثين عند تطبيق تقدير الإمكان الأكبر البواسوني في العلوم السلوكية ظاهرة التشتت الزائد (Overdispersion). تحدث هذه الظاهرة عندما يتجاوز التباين الفعلي المرصود في بيانات العينة قيمة الوسط الحسابي بدرجة دالة إحصائياً (أي أن Var(X) > E[X])، مما ينتهك فرضية التشتت المتكافئ الصارمة لتوزيع بواسون.

ينشأ التشتت الزائد في البحوث النفسية نتيجة وجود فروق فردية كامنة غير مقاسة، أو عدم تجانس أفراد العينة (Heterogeneity)، أو الارتباط الإحصائي بين استجابات نفس الفرد عبر الزمن. وعلى الرغم من أن مقدر MLE لمتوسط بواسون يظل غير متحيز ومتسقاً حتى في ظل التشتت الزائد، إلا أن الأخطاء المعيارية المحسوبة تكون أصغر من حجمها الحقيقي بصورة مضللة، مما يضخم احتمالية ارتكاب الخطأ من النوع الأول (Type I Error). وفي هذه الحالات، يتجه التحليل نحو نماذج بديلة أوسع مثل نموذج ثنائي الحدين السالب (Negative Binomial Distribution) أو استخدام الأخطاء المعيارية القوية (Robust Sandwich Standard Errors) لمعالجة التشتت وتصحيح مجالات الثقة.

12. مقارنة MLE مع طرق التقدير الأخرى والاعتبارات المتقدمة

12.1 مقارنة MLE مع طريقة العزوم (Method of Moments)

تعتبر طريقة العزوم (Method of Moments – MM) من أقدم المناهج الاستدلالية لتقدير المعلمات، وتقوم على مساواة العزوم النظرية للمجتمع بالعزوم التجريبية المناظرة للعينة. بالنسبة لتوزيع بواسون، فإن العزم النظري الأول هو القيمة المتوقعة E[X] = λ، والعزم التجريبي الأول للعينة هو الوسط الحسابي m₁ = (1/n) ∑ x_i = x̄.

بمساواة العزمين:

λ̂_MM = x̄

نلاحظ أن مقدر طريقة العزوم يتطابق تماماً في هذه الحالة البسيطة مع مقدر الإمكان الأكبر (λ̂_MLE = λ̂_MM = x̄). ومع ذلك، تتفوق طريقة الإمكان الأكبر جوهرياً على طريقة العزوم عندما نتوسع نحو النماذج الأكثر تعقيداً مثل انحدار بواسون أو نماذج بواسون ذات التضخم الصفري (Zero-Inflated Poisson)؛ حيث توفر MLE دوماً المقدرات ذات التباين الأصغري والخصائص التقاربية الأكمل، في حين قد تعطي طريقة العزوم مقدرات غير متسقة أو ذات كفاءة منخفضة.

12.2 المنظور البيزي (Bayesian Estimation) ومقارنته مع MLE

في مقابل منظور الإمكان الأكبر التكراري (Frequentist)، يتعامل الاستدلال البيزي (Bayesian Inference) مع المعلمة λ كمتغير عشوائي يخضع لتوزيع احتمالي يعبر عن المعرفة القبلية للباحث. التوزيع القبلي الطبيعي المترافق (Conjugate Prior) لمعلمة بواسون هو توزيع جاما (Gamma Distribution) بمعلمتي الشكل والمعدل Gamma(α, β).

عند دمج دالة الإمكان مع التوزيع القبلي، ينتج التوزيع البعدي (Posterior Distribution):

λ | x ∼ Gamma(α + ∑ x_i, β + n)

ويُستخرج مقدر القيمة البعدية العظمى (Maximum A Posteriori – MAP) بمفاضلة لوغاريتم التوزيع البعدي:

λ̂_MAP = (α + ∑ x_i – 1) / (β + n)

وعندما نستخدم توزيعاً قبلياً غير تدخلي أو غير معلوم (Non-informative Prior) حيث تقترب معلمات α و β من الصفر، فإن مقدر MAP البيزي يتقارب تدريجياً ليتطابق مع مقدر الإمكان الأكبر التكراري λ̂_MLE = (∑ x_i) / n، مما يبرهن على التكامل العميق بين المدارس الإحصائية عند غياب الانحيازات القبلية الصلبة.

12.3 التوسع نحو نماذج انحدار بواسون (Poisson Regression)

يمثل انحدار بواسون التوسع التطبيقي الأهم لمقدر الإمكان الأكبر في الأبحاث الحديثة، حيث يُدمج توزيع بواسون ضمن إطار النماذج الخطية المعممة (Generalized Linear Models – GLMs). في هذا السياق، لا نفترض ثبات λ لجميع الأفراد، بل نربط المعدل λ_i بمتجه من المتغيرات التفسيرية x_i عبر دالة ربط لوغاريتمية (Log Link Function):

ln(λ_i) = x_i^T β ⇒ λ_i = exp(x_i^T β)

تصبح دالة لوغاريتم الإمكان المشتركة لمتجه المعاملات الانحدارية β كالتالي:

&ell;(β) = ∑_i=1ⁿ [ – exp(x_i^T β) + y_i (x_i^T β) – ln(y_i!) ]

نظراً لعدم وجود حل جبري تحليلي مغلق لمعاملات الانحدار β، يُستخدم مقدر الإمكان الأكبر عبر الطرق التكرارية العددية مثل خوارزمية نيوتن-رافسون (Newton-Raphson) أو خوارزمية المربعات الصغرى الموزونة تكرارياً (IRLS). يتيح هذا النموذج دراسة التفاعل بين العوامل النفسية المتعددة وتأثيرها المباشر على معدلات تكرار الظواهر السلوكية والمؤشرات الإكلينيكية المعقدة بدقة استدلالية رفيعة.

خاتمة

يقدم تقدير الإمكان الأكبر لتوزيع بواسون نموذجاً كلاسيكياً ملهماً للانسجام الرياضي بين النظرية الإحصائية المجردة والتطبيق العملي الواقعي. لقد أظهر هذا المسار التفكيكي خطوة بخطوة كيف تقود المبادئ البسيطة للاستقلال والتفاضل اللوغاريتمي إلى مقدر أنيق يتطابق مع الوسط الحسابي للعينة، مع تمتعه بكافة الخصائص التوزيعية المثلى كعدم التحيز، وتحقيق الحد الأدنى لكرامر-راو، والاتساق التقاربي، والكفاءة المطلقة.

إن إتقان الباحثين في العلوم الإحصائية والنفسية والسلوكية للأسس الرياضية الدقيقة لطريقة MLE يمنحهم الأساس الصلب لفهم البيانات المعدودة وتطوير أدوات القياس، والانطلاق بثقة نحو بناء نماذج متقدمة قادرة على استيعاب التعقيدات السلوكية والظواهر النادرة بأعلى درجات المصداقية العلمية والصرامة الرياضية.

المراجع (References)

• Casella, G., & Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press. https://www.cengage.com
• Fisher, R. A. (1922). On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, 222(594-604), 309-368. https://doi.org/10.1098/rsta.1922.0009
• Hilbe, J. M. (2014). Modeling count data. Cambridge University Press. https://doi.org/10.1017/CBO9781139236065
• Hogg, R. V., McKean, J., & Craig, A. T. (2018). Introduction to mathematical statistics (8th ed.). Pearson. https://www.pearson.com
• King, G. (1989). Variance specification in event count models: From Poisson to generalized event count models. American Journal of Political Science, 33(3), 762-784. https://doi.org/10.2307/2111071
• McCullagh, P., & Nelder, J. A. (1989). Generalized linear models (2nd ed.). Chapman and Hall/CRC. https://doi.org/10.1007/978-1-4899-3242-6
• Rao, C. R. (1973). Linear statistical inference and its applications (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/9780470316436
• Winkelmann, R. (2008). Econometric analysis of count data (5th ed.). Springer-Verlag. https://doi.org/10.1007/978-3-540-77989-6