دالة الكتلة الاحتمالية: التعريف والاستخدامات ومثال

تُعد النمذجة الرياضية للاحتمالات الركيزة الأساسية التي تقوم عليها المنهجيات الكمية المعاصرة في تحليل الظواهر الطبيعية والسلوكية على حد سواء. وفي قلب هذا البناء الرياضي الرصين، تقف دالة الكتلة الاحتمالية (Probability Mass Function – PMF) كأداة تحليلية محورية تتيح للباحثين والرياضيين توصيف السلوك الاحتمالي للمتغيرات العشوائية المنفصلة وتكميم نواتج التجارب غير المؤكدة. إن الحاجة إلى ضبط العشوائية وقياس درجات اللايقين دفعت الفكر الإحصائي إلى صياغة دوال رياضية دقيقة تستطيع تخصيص وزن احتمالي محدد لكل قيمة مفردة يمكن أن يتخذها المتغير، مما ينقل الملاحظة التجريبية من مجرد تكرار وصفي إلى فضاء الاستدلال الرياضي الصارم.

تكتسب دالة الكتلة الاحتمالية أهمية استثنائية في سياق العلوم السلوكية والنفسية وعلم القياس النفسي (Psychometrics)؛ حيث تتعامل هذه العلوم مع أنماط استجابة متقطعة وقابلة للعد، بدءاً من درجات المقاييس التشخيصية المصنفة وفق مقياس ليكرت، مروراً بعدد الإجابات الصحيحة والخاطئة في اختبارات القدرات المعرفية، ووصولاً إلى تكرار النوبات السلوكية والمظاهر الإكلينيكية في البيئات العلاجية. وبفضل البنية الرياضية الصارمة لدالة الكتلة الاحتمالية، يستطيع المحلل الإحصائي الانتقال بسلاسة من نمذجة الحدث الفردي المعزول إلى حساب المؤشرات الإحصائية العامة كالمتوسط والتباين والانحراف المعياري، واختبار الفرضيات بدقة متناهية.

يقدم هذا المقال المرجعي الشامل دراسة أكاديمية موسعة ومعمقة لمفهوم دالة الكتلة الاحتمالية، مستعرضاً جذورها المعرفية وتطورها التاريخي، وبنيتها الرياضية والبديهيات الحاكمة لها، مع التمييز الدقيق بينها وبين دالة الكثافة الاحتمالية (PDF) ودالة التوزيع التراكمي (CDF). كما يستعرض أشهر التوزيعات المنفصلة المرتبطة بها مثل توزيع برنولي وتوزيع ذي الحدين وتوزيع بواسون، ويوضح تطبيقاتها المنهجية في علم النفس التجريبي والقياس السيكومتري والاقتصاد السلوكي، مدعومة بأمثلة حسابية تفصيلية ومقاربات برمجية حديثة تضمن الفهم الكامل لهذا المفهوم الإحصائي الحيوي.

1. مقدمة شاملة حول دالة الكتلة الاحتمالية وأسسها في الإحصاء السلوكي

1.1 المفهوم العام للاحتمالات في العلوم السلوكية والنفسية

تمثل الظواهر السلوكية والمعرفية لدى الإنسان أحد أكثر المجالات تعقيداً في دراسات القياس العلمي؛ نظراً لتدخل عوامل لا حصر لها في تشكيل الاستجابة الفردية والجماعية. إن محاولة فهم لماذا يتصرف الفرد بطريقة معينة تحت شروط تجريبية محددة تتطلب الاعتراف بوجود قدر متأصل من عدم اليقين (Uncertainty). ومن هنا، تنبثق أهمية النمذجة الاحتمالية كأداة منهجية تتيح للباحث النفسي الانتقال من الحتمية المطلقة—التي يصعب إثباتها في السلوك الإنساني—إلى التقدير الاحتمالي الرصين الذي يحدد إمكانية وقوع السلوك بدرجات متفاوتة من الثقة الإحصائية.

يتطلب التحليل السلوكي الرصين تحويل الملاحظات السلوكية الخام، كزمن الرجع، أو عدد الأخطاء المرتكبة في مهمة إدراكية، أو نمط الاختيار بين بدائل متعددة، إلى متغيرات رياضية كمية تخضع لقوانين حساب الاحتمالات. يتم ذلك من خلال عمليات تجريد دقيقة تُسقط الأحداث المشاهدة في الواقع التجريبي على فضاءات رقمية معرفة بدقة، مما يتيح تطبيق العمليات الجبرية والتحليلية عليها. هذا التحويل الرياضي ليس مجرد ترميز للبيانات، بل هو إعادة بناء معرفية تمكن من تطبيق نماذج الاحتمال المنفصلة على بنية العقل والسلوك.

وعلى الرغم من أن استجابة الفرد المفرد قد تبدو عشوائية أو غير متوقعة للوهلة الأولى، إلا أن تراكم هذه الاستجابات عبر عدد كبير من المحاولات أو عبر عينات واسعة من الأفراد يكشف عن استقرار مذهل في الأنماط الاحتمالية العامة، وهو ما يُعرف في الأدبيات الإحصائية بقانون الأعداد الكبيرة. وتلعب دوال التوزيع الاحتمالي، وخاصة دوال الكتلة الاحتمالية، دوراً حاسماً في تحليل البيانات السيكومترية؛ إذ تمنح الباحثين القدرة على معايرة الاختبارات النفسية، وتقدير صعوبة الفقرات، وتقييم صدق وثبات أدوات القياس عبر نماذج احتمالية صارمة.

1.2 النشأة التاريخية وتطور نظرية التوزيعات المنفصلة

تعود الجذور الأولى لنظرية الاحتمالات والتوزيعات المنفصلة إلى منتصف القرن السابع عشر، وتحديداً من خلال المراسلات العلمية الشهيرة التي جرت بين عالمي الرياضيات الفرنسيين بليز باسكال (Blaise Pascal) وبيير دي فيرما (Pierre de Fermat) في عام 1654. كانت تلك المراسلات تهدف في الأصل إلى حل معضلات كلاسيكية مرتبطة بألعاب الحظ والمقامرة، مثل مسألة تقسيم النقاط (Problem of Points). وقد قادت هذه المناقشات إلى وضع حجر الأساس لحساب الاحتمالات المتقطعة، حيث كانت النواتج الممكنة معدودة ومنفصلة بطبيعتها.

تطورت الصياغة الرياضية للتوزيعات المنفصلة لاحقاً بشكل جوهري على يد عائلة برنولي، وخاصة ياكوب برنولي (Jacob Bernoulli) في كتابه الرائد “فن التخمين” (Ars Conjectandi) المنشور عام 1713، والذي قدم فيه نموذج المحاولات الثنائية المستقلة الذي نعرفه اليوم بتوزيع برنولي وتوزيع ذي الحدين. ومع تقدم القرن التاسع عشر وبدايات القرن العشرين، وضع علماء أفذاذ مثل سيميون بواسون، وكارل بيرسون، ورونالد فيشر، الأطر المتقدمة للتوزيعات التكرارية والمنفصلة، رابطين الرياضيات البحتة بالاستدلال الحيوي والاجتماعي، مما مهد الطريق لظهور علم الإحصاء التطبيقي الحديث.

انتقلت هذه النظريات من ميدان ألعاب الحظ والفيزياء الإحصائية إلى صميم التطبيقات النفسية والاجتماعية والإكلينيكية مع نشأة حركة القياس النفسي وتأسيس مختبرات علم النفس التجريبي على يد فيلهلم فونت وفرانسيس غالتون وثيرستون. وقد ترك هذا الانتقال أثراً إبستمولوجياً عميقاً في بنية الأبحاث النفسية المعاصرة؛ إذ تحول الاستدلال الإحصائي المنفصل من مجرد تقنية حسابية إلى نموذج فكري يوجه صياغة الفرضيات العلمية ويفسر البنى النفسية الكامنة من خلال الملاحظات التجريبية المنفصلة.

1.3 الأهمية المنهجية لدالة الكتلة الاحتمالية (PMF)

تتمثل الأهمية المنهجية الجوهرية لدالة الكتلة الاحتمالية في توفير إطار رياضي دقيق وقاطع لتعيين احتمالات حقيقية للقيم الفردية المعزولة التي يمكن للمتغير العشوائي المنفصل اتخاذها. على عكس النظم المستمرة التي تتطلب حساب الاحتمال ضمن فترات ومجالات زمنية أو مكانية، تتيح دالة الكتلة الاحتمالية إمكانية الإجابة المباشرة عن أسئلة محددة بدقة، مثل: “ما هو بالضبط احتمال أن يرتكب المفحوص 3 أخطاء في مهمة الانتباه؟” دون الحاجة إلى اللجوء لتقريبات الفترات المتناهية في الصغر.

بالإضافة إلى ذلك، تمثل دالة الكتلة الاحتمالية الأساس التحليلي الذي يشتق منه الباحث المعالم الإحصائية الجوهرية للمجتمع المدروس، كحساب القيمة المتوقعة (Expected Value) التي تعبر عن مركز الثقل الاحتمالي، وحساب التباين (Variance) والانحراف المعياري اللذين يحددان درجة تشتت البيانات حول المركز. يتيح هذا الربط التحليلي بين الدالة والمعالم الإحصائية إجراء تقييم دقيق لجودة النماذج النظرية مقارنة بالبيانات الميدانية الفعلية.

علاوة على ذلك، تشكل دالة الكتلة الاحتمالية القاعدة الصلبة لبناء وتطبيق الاختبارات الإحصائية البارامترية واللابارامترية للبيانات المتقطعة، مثل اختبارات مطابقة التوزيع (Goodness-of-Fit Tests) واختبارات كاي تربيع، فضلاً عن دورها الحاسم في النمذجة التنبؤية للسلوكيات البشرية المعقدة؛ إذ تسهم معرفة التوزيع الاحتمالي الدقيق في التنبؤ باستجابات الأفراد والجماعات تحت شروط تجريبية مضبوطة، مما يعزز دقة وموثوقية النتائج في الدراسات الإكلينيكية والسلوكية.

2. التعريف الرياضي والنظري لدالة الكتلة الاحتمالية (Probability Mass Function)

2.1 التعريف الصوري لدالة الكتلة الاحتمالية

تُعرف دالة الكتلة الاحتمالية رياضياً بأنها دالة حقيقية تربط كل قيمة منفصلة وممكنة $x$ لمتغير عشوائي متقطع $X$ باحتمال حدوث تلك القيمة تحديداً. وتُكتب الصيغة الرياضية القياسية للدالة على النحو التالي:

$$f(x) = P(X = x)$$

حيث يمثل $X$ المتغير العشوائي المنفصل، بينما يمثل $x$ قيمة عددية محددة ينتمي إليها المتغير ضمن فضاء الدعم الاحتمالي الخاص به، ويمثل $P(X = x)$ مقياس الاحتمال المخصص لتلك النقطة المفردة.

يستند استخدام مصطلح “الكتلة” (Mass) هنا إلى استعارة فيزيائية بليغة تقارن توزيع الاحتمالات بتوزيع الكتلة في الميكانيكا الكلاسيكية. ففي فيزياء الأجسام المادية، يمكن للكتلة إما أن تكون مركزة في نقاط مادية نقطية محددة (Discrete point masses)، أو أن تكون موزعة بشكل مستمر على حجم أو مساحة معينة (Continuous mass density). وفي نظرية الاحتمالات، عندما يكون للمتغير نقاط تركيز محددة تحمل أوزاناً احتمالية قائمة بذاتها، يُطلق على الدالة اسم “دالة الكتلة الاحتمالية”، في مقابل “دالة الكثافة الاحتمالية” التي تتعامل مع التوزيعات المستمرة الخالية من الكتل النقطية.

يمتد نطاق دالة الكتلة الاحتمالية (Domain) ليشمل جميع القيم الحقيقية الممكنة، غير أنها تأخذ قيمة صفرية عند أي نقطة لا تنتمي إلى مجموعة القيم الممكنة للمتغير العشوائي. أما مداها (Range)، فهو محصور بدقة في الفترة الحقيقية المغلقة $[0, 1]$. ومن الأهمية بمكان التمييز بين القيمة التجريبية الملاحظة المأخوذة من عينة عشوائية محدودة (التكرار النسبي التجريبي) والاحتمال النظري الدقيق المحسوب بواسطة دالة الكتلة الاحتمالية الذي يمثل الحقيقة المعلمية للمجتمع الإحصائي في ظل النموذج المفترض.

2.2 المتغير العشوائي المنفصل وعلاقته بفضاء العينة

يُمثل المتغير العشوائي المنفصل (Discrete Random Variable) النواة التي تعمل عليها دالة الكتلة الاحتمالية. ويُعرف المتغير العشوائي رياضياً بأنه دالة قابلة للقياس تعين لكل حدث أو عنصر $\omega$ في فضاء العينة الشامل $\Omega$ قيمة عددية حقيقية مفردة $X(\omega) in \mathbb{R}$. ويكون المتغير العشوائي منفصلاً إذا كان مدى هذه الدالة مجموعة معدودة ومتقطعة من القيم، سواء كانت هذه المجموعة منتهية (Finite) مثل ${x_1, x_2, dots, x_n}$ أو قابلة للعد ولانهائية (Countably Infinite) مثل مجموعة الأعداد الطبيعية $\mathbb{N} = {0, 1, 2, 3, dots}$.

يرتبط المتغير العشوائي المنفصل بفضاء العينة ارتباطاً بنيوياً؛ حيث يُشكل تجريداً رياضياً للنواتج العينية المعقدة. فعلى سبيل المثال، إذا كان فضاء العينة لتجربة فحص نفسي يتكون من نواتج سلوكية مركبة من قبيل (إجابة صحيحة، إجابة خاطئة، تردد، إحجام)، فإن المتغير العشوائي يختزل هذا الفضاء في قيم رقمية مجردة كعدد الإجابات الصحيحة. هذا التجريد يجعل فضاء العينة المتقطع قابلاً للمعالجة الرياضية المتسلسلة والمقارنة الإحصائية الدقيقة بين مختلف الظواهر التجريبية.

تزخر العلوم النفسية والسيكومترية بأمثلة للمتغيرات العشوائية المنفصلة. ومن أبرز هذه الأمثلة: عدد الأخطاء الإملائية التي يرتكبها طفل في اختبار القراءة، أو عدد المحاولات الفاشلة التي يقوم بها حيوان تجارب حتى يكتشف مخرج المتاهة، أو الدرجة الكلية الخام التي يحصل عليها مفحوص في مقياس تشخيصي للاكتئاب، أو عدد نوبات الهلع المسجلة لدى مريض خلال فترة زمنية محددة. جميع هذه المتغيرات تتسم بكونها قيم منفصلة لا تقبل وجود درجات بينية مستمرة ضمن وحدة القياس الأساسية، مما يجعل دالة الكتلة الاحتمالية الأداة الحصرية لنمذجتها رياضياً.

2.3 البنية التوليدية للاحتمال في الأنظمة المنفصلة

تعتمد البنية التوليدية للاحتمال في الأنظمة المنفصلة على توزيع كتلة الاحتمال الإجمالية، والبالغة قيمتها الرياضية 1 صحيح، على النقاط المشكلة لفضاء الدعم الخاص بالمتغير العشوائي (Support of the distribution). ويُعرف فضاء الدعم بأنه مجموعة كل القيم $x$ التي يكون احتمال حدوثها أكبر تماماً من الصفر، أي $S = {x in \mathbb{R} : f(x) > 0}$. تقوم دالة الكتلة الاحتمالية بتوزيع هذه الكتلة الواحدة بدقة متناهية على عناصر الفضاء $S$ بما يعكس آليات توليد البيانات في الظاهرة المدروسة.

ترتبط دالة الكتلة الاحتمالية بالتكرارات النسبية للبيانات الملاحظة ارتباطاً تقاربياً تحكمه القوانين الأساسية في الاحتمالات. فعند إجراء تجربة سلوكية لعدد $N$ من المرات المستقلة، يميل التكرار النسبي لحدوث القيمة $x$، والذي يُحسب بقسمة تكرار ظهور القيمة على الحجم الكلي $N$، إلى التقارب نحو القيمة الاحتمالية النظرية $f(x)$ كلما اقترب حجم العينة $N$ من اللانهاية. هذا المبدأ التقاربي هو ما يمنح دالة الكتلة مصداقيتها في تفسير البيانات التجريبية والتنبؤ بمسارها المستقبلي.

تؤدي دالة الكتلة الاحتمالية دوراً توصيفياً وتوليدياً شاملاً في التحليل الإحصائي؛ فهي تختزل في صيغتها الرياضية البسيطة كامل المعلومات التوزيعية للمتغير العشوائي. فبمجرد معرفة الصيغة المحددة للدالة ومعالمها (Parameters)، يصبح المحلل قادراً على اشتقاق كل الخصائص التوزيعية، وتوليد عينات عشوائية محاكية (Monte Carlo Simulations)، وبناء فترات الثقة، وإجراء كافة أشكال الاستدلال الإحصائي اللازمة لفهم الظاهرة موضع الدراسة.

3. الخصائص والشروط الرياضية الجوهرية لدالة الكتلة الاحتمالية

3.1 شرط اللامسالبية وحصر الاحتمالات (Non-negativity)

تخضع دالة الكتلة الاحتمالية لمجموعة من البديهيات الرياضية الصارمة المشتقة من مسلّمات كولموغوروف للاحتمالات (Kolmogorov Axioms). ويتمثل الشرط الأول والجوهري في شرط اللامسالبية وحصر الاحتمالات، والذي ينص رياضياً على أن احتمال أي حدث منفصل يجب أن يكون عدداً حقيقياً غير سالب ولا يتجاوز الواحد الصحيح. وتُصاغ هذه الخاصية لكل قيمة ممكنة $x$ كما يلي:

$$0 le f(x) le 1 \quad \forall x in \mathbb{R}$$

ينبع التفسير المنطقي لهذا الشرط من المفهوم البديهي للاحتمال كمقياس لدرجة التأكد؛ فالحدث المستحيل الوقوع يُعطى احتمالاً مقداره 0، بينما الحدث المؤكد تماماً والضروري يُعطى احتمالاً مقداره 1. وبالتالي، فإن وجود قيمة احتمالية سالبة كـ $-0.25$ يُعد تناقضاً منطقياً لا يمكن ترجمته في أي سياق تجريبي، كما أن الاحتمال الذي يتجاوز الواحد الصحيح كـ $1.4$ يفتقر لأي معنى احتمالي؛ إذ لا يمكن لحدث أن يمتلك إمكانية حدوث تفوق التأكد المطلق.

عند بناء أو اقتراح نماذج رياضية جديدة في القياس النفسي، يُعد فحص اتساق الدوال للتحقق من شرط اللامسالبية خطوة منهجية إلزامية. ويتعين على الباحث إثبات أن ناتج الدالة يقع دائماً ضمن المجال المغلق $[0, 1]$ تحت جميع التوليفات الممكنة لمعالم النموذج وقيم المتغير. إن أي انتهاك لهذا الشرط يترتب عليه انهيار النموذج بالكامل، وتوليد تنبؤات احتمالية زائفة تعطل إمكانية حساب المؤشرات المتقدمة أو استخدام خوارزميات التقدير الإحصائي كخوارزمية الإمكان الأعظم (Maximum Likelihood).

3.2 شرط المجموع الكلي (Total Probability Axiom)

يمثل شرط المجموع الكلي الركن الثاني في البناء الرياضي لدالة الكتلة الاحتمالية؛ حيث يقضي بأن مجموع احتمالات جميع النواتج الممكنة للمتغير العشوائي المنفصل يجب أن يساوي الواحد الصحيح تماماً وبشكل حاسم. ويُعبر عن هذا الشرط بالصيغة الرمزية التالية:

$$\sum_{x in S} f(x) = \sum_{x in S} P(X = x) = 1$$

حيث يمتد الجمع عبر كافة عناصر فضاء الدعم $S$ للمتغير العشوائي $X$.

يستند هذا الشرط إلى مفهوم الشمولية واستيعاب فضاء الأحداث المتبادلة كلياً؛ فنظراً لأن فضاء العينة يضم جميع النواتج الممكنة للتجربة بحيث يقع بالضرورة أحد هذه النواتج عند إجراء التجربة، ونظراً لأن هذه النواتج متنافية مانعة للجمع (Mutually Exclusive)، فإن جمع احتمالاتها المنفصلة يعادل احتمال وقوع فضاء العينة كاملاً $P(\Omega)$، وهو ما يساوي 1 وفق مسلّمة الاحتمال الإجمالي.

في العديد من التطبيقات الإحصائية والنمذجة السلوكية، يتم اشتقاق دوال غير معايرة تُعبر عن الأوزان النسبية للنواتج دون أن يكون مجموعها مساوياً للواحد. في مثل هذه الحالات، يُستخدم ما يُعرف بـ “ثابت المعايرة” (Normalizing Constant)، ويُرمز له غالباً بالرمز $C$ أو $Z$، بحيث يُضرب في الدالة أو تُقسم عليه لضمان استيفاء شرط المجموع الكلي. أما في التوزيعات اللانهائية القابلة للعد، كنموذج بواسون أو التوزيع الهندسي، فيتم إثبات هذا الشرط رياضياً من خلال تقارب المتسلسلات اللانهائية، مثل استخدام متسلسلة تايلور للدالة الأسية للتأكد من أن المجموع اللانهائي للكتل الاحتمالية يؤول إلى الواحد الصحيح تماماً دون أي عجز أو زيادة.

3.3 خاصية الإضافة للأحداث المتنافية والتراكمية الجزئية

تتميز دالة الكتلة الاحتمالية بخاصية الإضافة المباشرة لحساب احتمالات الأحداث المركبة المكونة من مجموعات جزئية من فضاء النواتج. فإذا كانت $A$ مجموعة جزئية من فضاء القيم الممكنة للمتغير العشوائي ($A subseteq S$)، فإن احتمال وقوع المتغير $X$ ضمن المجموعة $A$ يُحسب بالجمع البسيط لجميع الكتل الاحتمالية للنقاط المنتمية لتلك المجموعة، كما توضح المعادلة:

$$P(X in A) = \sum_{x in A} f(x)$$

تجد هذه الخاصية تطبيقات واسعة ومباشرة في القياس السلوكي وتحليل الاختبارات النفسية. فعلى سبيل المثال، عند الرغبة في حساب احتمالية أن يحصل مفحوص في اختبار القدرات العقلية على درجة تقع في نطاق محدد، مثل “الحصول على درجة بين 7 و 10 درجات”، يكفي جمع احتمالات النقاط المنفصلة المكونة لهذا النطاق: $P(7 le X le 10) = f(7) + f(8) + f(9) + f(10)$. تتيح هذه البساطة الحسابية للباحثين وضع معايير تصنيفية ومستويات أداء قاطعة (Cut-off scores) لتفسير درجات المقاييس التشخيصية والسيكومترية.

علاوة على ذلك، تمتد هذه الخاصية إلى المتغيرات العشوائية المتعددة في إطار ما يُعرف بدالة الكتلة الاحتمالية المشتركة (Joint PMF)، حيث يؤدي افتراض الاستقلال الإحصائي بين المتغيرات إلى إمكانية كتابة دالة الكتلة المشتركة كحاصل ضرب مباشر لدوال الكتلة الهامشية (Marginal PMFs): $f_{X,Y}(x,y) = f_X(x) \cdot f_Y(y)$. كما تؤثر التحويلات الخطية للمتغيرات العشوائية، مثل التحويل $Y = aX + b$، على مواضع دالة الكتلة في فضاء الدعم بنقلها وتغيير مقياسها، مع الحفاظ الكامل على قيم الكتل الاحتمالية المخصصة لكل حدث أصلي، مما يسهل عمليات المعايرة والتحويل المعياري للدرجات النفسية.

4. المتغيرات العشوائية المنفصلة والمتصلة: التمييز المفاهيمي والإحصائي

4.1 طبيعة القياس: المنفصل مقابل المتصل في علم النفس

يعد التمييز بين المتغيرات المنفصلة والمتغيرات المتصلة أحد أهم الأسس الإبستمولوجية والمنهجية في علم الإحصاء التطبيقي والقياس النفسي. ينشأ هذا التمييز من طبيعة عملية القياس نفسها؛ فالمتغيرات المنفصلة (Discrete Variables) تنتج عادة عن عمليات العد (Counting)، وتتخذ قيماً متقطعة ومعزولة توجد بينها فجوات رقمية واضحة لا معنى لوجود قيم واقعية بينها. في المقابل، تنتج المتغيرات المتصلة (Continuous Variables) عن عمليات القياس المستمر (Continuous Measurement)، ويمكنها نظرياً أن تتخذ أي قيمة كسرية أو حقيقية ضمن فترة متصلة ومفتوحة.

في الأبحاث النفسية والسلوكية، تتعدد أمثلة المتغيرات المنفصلة؛ وتشمل عدد الاستجابات الصحيحة في اختبار الذاكرة، وعدد الأعراض التشخيصية المستوفاة وفق الدليل التشخيصي والإحصائي للاضطرابات النفسية DSM-5، والتصنيفات النوعية للحالات الإكلينيكية (مثل: سوي، قلق طفيف، قلق حاد). أما المتغيرات المتصلة، فتتمثل في مؤشرات فيزيولوجية ونفسية دقيقة مثل زمن الرجع المقاس بأجزاء الميلي ثانية، ونشاط الموجات الدماغية عبر تخطيط كهربية الدماغ (EEG)، ومستويات تركيز هرمون الكورتيزول في الدم كاستجابة للضغوط النفسية.

تطرح أدوات القياس السيكومتري معضلة كلاسيكية تتمثل في تقريب المتغيرات النفسية الكامنة—التي يُفترض نظرياً أنها متصلة مثل سمة الذكاء أو مستوى القلق العام—إلى قياسات منفصلة ومتقطعة من خلال بنود المقاييس ودرجات التصحيح الرقمية. يفرض هذا التقريب على الباحثين الحذر الشديد في اختيار النموذج الاحتمالي المناسب؛ حيث تتطلب البيانات الناتجة عن بنود منفصلة استخدام نماذج دالة الكتلة الاحتمالية لدراسة خصائص الفقرات، قبل اللجوء إلى التوزيعات المتصلة عند تجميع الدرجات الكلية عبر عينات واسعة.

4.2 الفروق الرياضية في حساب الاحتمال عند نقطة محددة

يكمن الفارق الرياضي الأكثر عمقاً وجوهرية بين المتغيرات المنفصلة والمتصلة في كيفية تعيين الاحتمال عند نقطة عددية مفردة ومعزولة. في حالة المتغير العشوائي المنفصل الذي تحكمه دالة الكتلة الاحتمالية، تمتلك النقطة المحددة احتمالاً موجباً وقائماً بذاته يمكن حسابه وقياسه مباشرة، أي أن:

$$P(X = a) > 0 \quad \text{لأي } a in S$$

أما في المتغيرات العشوائية المتصلة التي تحكمها دالة الكثافة الاحتمالية (PDF)، فإن احتمال اتخاذ المتغير لقيمة محددة تماماً وبدقة لامتناهية يساوي صفراً دائماً، أي:

$$P(X = a) = 0 \quad \forall a in \mathbb{R}$$

يعود السبب في انعدام الاحتمال النقطي في المتغيرات المتصلة إلى حقيقة أن هناك عدداً لا نهائياً غير قابل للعد من القيم الممكنة ضمن أي فترة متصلة، مما يجعل “كتلة” الاحتمال المخصصة لنقطة مفردة متناهية في الصغر وتؤول إلى الصفر. وبالتالي، يستلزم حساب الاحتمالات في النظم المتصلة اللجوء إلى التكامل الرياضي (Integration) عبر فترات ومجالات: $P(a le X le b) = \int_a^b f(x) dx$، بينما يعتمد حساب الاحتمال في النظم المنفصلة على الجمع المتقطع (Summation) للكتل الاحتمالية النقطية.

يترك هذا الفارق الرياضي أثراً بالغاً على تفسير النتائج الإحصائية للاختبارات التشخيصية والنفسية. فعندما يستخدم الأخصائي النفسي دالة الكتلة الاحتمالية لنمذجة عدد الأعراض، يمكنه القول بدقة رياضية كاملة: “إن احتمال وجود 4 أعراض بالضبط لدى المفحوص يساوي 18%”. في حين أن استخدام النماذج المتصلة لزمن الاستجابة يمنع الحديث عن احتمال تسجيل “400 ميلي ثانية بالضبط”، بل يتطلب الحديث عن احتمال وقوع زمن الاستجابة في النطاق “بين 395 و 405 ميلي ثانية”، وهو تمايز إحصائي أساسي يجب مراعاته لتفادي الأخطاء التفسيرية.

4.3 تحويل المتغيرات وإعادة تصنيف فضاء العينة

يلجأ الباحثون في العلوم السلوكية في كثير من الأحيان إلى إجراء عمليات تحويل للمتغيرات بهدف تسهيل التفسير الإكلينيكي أو الملاءمة المنهجية. ومن أبرز هذه العمليات عملية “التقطيع” أو تحويل المقاييس المستمرة إلى فئات منفصلة (Discretization / Categorization). ومن أمثلة ذلك تحويل درجات اختبارات الذكاء المستمرة كمعامل الذكاء (IQ) إلى فئات تصنيفية منفصلة مثل: (موهوب، فوق المتوسط، متوسط، دون المتوسط)، أو تقسيم زمن رد الفعل المستمر إلى فئتين: (سريع، بطيء).

يترتب على عملية التقطيع هذه تحول مباشر في النموذج الرياضي المستخدم؛ حيث يُستعاض عن دالة الكثافة الاحتمالية بدالة كتلة احتمالية جديدة تُعرّف على الفئات المنفصلة المستحدثة. وتُحسب الكتلة الاحتمالية لكل فئة جديدة بمكاملة دالة الكثافة الأصلية عبر حدود تلك الفئة. ومع ذلك، تنطوي هذه العملية على محذور منهجي خطير يتمثل في “فقدان المعلومات” (Information Loss)؛ إذ يؤدي دمج القيم المستمرة المتفاوتة داخل فئة واحدة إلى طمس الفروق الفردية الدقيقة بين المفحوصين الواقعين ضمن الفئة ذاتها.

لذا، تقتضي المعايير المنهجية الرصينة الموازنة الدقيقة بين البساطة التفسيرية التي يوفرها النموذج المنفصل وبين الدقة الإحصائية الكامنة في النموذج المتصل. ويتعين على الباحث تبرير اللجوء إلى دوال الكتلة الاحتمالية عبر التقطيع بأن يكون التصنيف المنفصل يمثل واقعاً تشخيصياً فارقاً (كما في القرارات الطبية والإكلينيكية القاطعة)، وليس مجرد رغبة في تبسيط الحسابات الرياضية على حساب قوة الاختبار الإحصائي وجودة البيانات السيكومترية.

5. المقارنة بين دالة الكتلة (PMF) ودالة الكثافة (PDF) ودالة التوزيع التراكمي (CDF)

5.1 دالة الكتلة الاحتمالية (PMF) مقابل دالة الكثافة الاحتمالية (PDF)

على الرغم من أن كلاً من دالة الكتلة الاحتمالية (PMF) ودالة الكثافة الاحتمالية (Probability Density Function – PDF) تؤديان الدور ذاته في تحديد النمط الاحتمالي للمتغيرات العشوائية، إلا أن هناك فروقاً جوهرية في البناء الرياضي وطرق التمثيل والتفسير بينهما. تمثل دالة الكتلة $f(x)$ في المتغيرات المنفصلة قيمة الاحتمال المباشر للحدث $P(X=x)$، وبالتالي فإن ارتفاع العمود الاحتمالي في التمثيل البياني يعبر عن النسبة الاحتمالية الحقيقية للظاهرة، وتكون القيمة الرياضية محصورة دوماً بين 0 و 1.

في المقابل، لا تمثل دالة الكثافة الاحتمالية $f(x)$ في المتغيرات المتصلة احتمالاً مباشراً على الإطلاق، بل تمثل “معدل تركيز” الاحتمال لكل وحدة قياس حول النقطة $x$. ومن ثم، يمكن لقيمة $f(x)$ في دالة الكثافة أن تتجاوز الواحد الصحيح لتصل إلى قيم كبرى إذا كان المتغير يتركز في نطاق ضيق جداً. ولا ينشأ الاحتمال في دالة الكثافة إلا من خلال حساب “المساحة تحت المنحنى” بين نقطتين محددتين عبر التكامل، مما يجعل المساحة الإجمالية تحت المنحنى من $-\infty$ إلى $+\infty$ مساوية للواحد الصحيح تماماً.

ينعكس هذا التباين الجوهري على التمثيل الرسومي لكلتا الدالتين؛ إذ تُمثل دالة الكتلة الاحتمالية بمخططات الأعمدة البيانية المتقطعة (Bar Charts / Spike Plots) التي توضح الفواصل الصريحة بين الكتل النقطية، بينما تُمثل دالة الكثافة بمنحنيات بيانية ملساء ومستمرة (Smooth Continuous Curves). وفي النمذجة الإحصائية المتقدمة، يُستخدم نموذج PMF في تحليل البيانات التعدادية (Count Data) والتصنيفات السلوكية، بينما يُعتمد نموذج PDF في نمذجة المتغيرات الفيزيولوجية والأزمنة المستمرة في التجارب المعرفية المعقدة.

5.2 دالة التوزيع التراكمي (CDF) للمتغيرات المنفصلة

تُعد دالة التوزيع التراكمي (Cumulative Distribution Function – CDF)، والتي يُرمز لها عالمياً بالرمز $F(x)$، دالة شاملة وقابلة للتطبيق على جميع أنواع المتغيرات العشوائية، سواء كانت منفصلة أو متصلة. وتُعرف الدالة رياضياً بأنها احتمال أن يتخذ المتغير العشوائي $X$ قيمة أقل من أو تساوي قيمة محددة $x$. وفي حالة المتغيرات العشوائية المنفصلة، تُصاغ دالة التوزيع التراكمي كحاصل جمع تراكمي لكتل الاحتمالات حتى النقطة $x$ كما يلي:

$$F(x) = P(X le x) = \sum_{k le x} f(k)$$

تتميز دالة التوزيع التراكمي للمتغيرات المنفصلة بشكلها الرسومي الفريد، والذي يتخذ هيئة “الدالة الدرجية أو السلمية” (Step Function). تظل الدالة التراكمية ثابتة وأفقية تماماً بين قيم المتغير المتتالية، ثم تقفز فجأة إلى الأعلى عند كل قيمة منفصلة $x_i$ تنتمي لفضاء الدعم بمقدار يساوي تماماً قيمة الكتلة الاحتمالية $f(x_i)$ عند تلك النقطة. وتتميز هذه الدالة بكونها متصلة من اليمين (Right-continuous) ولها نهايات يسارية غير متصلة عند نقاط القفز الاحتمالي.

توفر دالة التوزيع التراكمي للمحلل الإحصائي القدرة على التحويل العكسي لاستخراج دالة الكتلة الاحتمالية (PMF) من خلال قياس حجم “القفزات” (Jumps) في المنحنى الدرجي؛ حيث أن $f(x) = F(x) – \lim_{t to x^-} F(t)$. وفي الممارسة السيكومترية، تحظى دالة التوزيع التراكمي بأهمية قصوى في بناء الدرجات المعيارية والرتب المئينية (Percentile Ranks)؛ إذ تُمكن الأخصائي من تحديد النسبة المئوية للمفحوصين الذين حصلوا على درجة أقل من أو تساوي درجة مفحوص معين، مما يتيح مقارنة أداء الفرد بالمعايير التوزيعية للمجتمع الإحصائي بدقة وموضوعية.

5.3 جدول مقارنة تركيبي شامل للمفاهيم الاحتمالية الثلاثة

لتوضيح الفروق المنهجية والرياضية والعملية بين الدوال الاحتمالية الثلاث، يلخص الجدول التالي المقارنة التركيبية الشاملة بينها:

وجه المقارنة	دالة الكتلة الاحتمالية (PMF)	دالة الكثافة الاحتمالية (PDF)	دالة التوزيع التراكمي (CDF)
طبيعة المتغير المعالج	متغير عشوائي منفصل (متقطع / قابل للعد)	متغير عشوائي متصل (مستمر)	المنفصل والمتصل وكلاهما معاً
التعريف الرياضي الصوري	$f(x) = P(X = x)$	$f(x) = \frac{d}{dx}F(x)$ (مشتقة الدالة التراكمية)	$F(x) = P(X le x)$
مدى قيم الدالة (Range)	$0 le f(x) le 1$ دائماً	$f(x) ge 0$ (قد تتجاوز 1)	$0 le F(x) le 1$ دائماً
الاحتمال عند نقطة مفردة	يساوي قيمة الدالة مباشرة: $P(X = a) = f(a) ge 0$	يساوي صفراً دائماً: $P(X = a) = 0$	القفزة في الدالة: $F(a) – F(a^-)$
طريقة حساب الاحتمال لمجال	الجمع المتقطع: $\sum_{x in A} f(x)$	التكامل الرياضي: $\int_a^b f(x) dx$	الفرق المباشر: $F(b) – F(a)$
الشكل والتمثيل البياني	أعمدة متقطعة / خطوط رأسية مفردة	منحنى أملس مستمر	دالة درجية (للمنفصل) أو منحنى صاعد (للمتصل)
الشرط الأساسي للمجموع/المساحة	$\sum_{x} f(x) = 1$	$\int_{-\infty}^{\infty} f(x) dx = 1$	$\lim_{x to \infty} F(x) = 1$ و $\lim_{x to -\infty} F(x) = 0$

يقع بعض الباحثين المبتدئين في العلوم الإنسانية في خطأ منهجي شائع يتمثل في معاملة دالة الكثافة الاحتمالية كما لو كانت دالة كتلة، وتفسير قيمة المحور الرأسي في التوزيعات المتصلة على أنها احتمال حقيقي للنقطة، أو محاولة جمع قيم دالة الكثافة كما تُجمع الكتل الاحتمالية. إن الاستيعاب العميق للفروق الواردة في هذا الجدول يحمي الباحث من الأخطاء التفسيرية، ويضمن الاستخدام البرمجي والرياضي السليم لكل دالة تماشياً مع طبيعة البيانات المتوفرة.

6. أشهر التوزيعات الاحتمالية المنفصلة ودوال الكتلة الخاصة بها

6.1 توزيع برنولي (Bernoulli Distribution)

يُعد توزيع برنولي (Bernoulli Distribution) أبسط التوزيعات الاحتمالية المنفصلة وأكثرها جوهرية؛ إذ يمثل حجر البناء الأساسي لكافة النماذج المتقطعة الأكثر تعقيداً. يصف هذا التوزيع تجربة عشوائية واحدة ومحددة ذات ناتجين متنافيين حصرياً: “النجاح” (Success) ويُرمز له بالرقم 1، أو “الفشل” (Failure) ويُرمز له بالرقم 0. وتُصاغ دالة الكتلة الاحتمالية لتوزيع برنولي بالمعادلة التالية:

$$f(x; p) = p^x (1-p)^{1-x} \quad \text{حيث } x in {0, 1}$$

حيث يمثل $p$ معلمة التوزيع المعبرة عن احتمال النجاح ($0 le p le 1$)، بينما يمثل $(1-p)$، والذي يُرمز له غالباً بالحرف $q$، احتمال الفشل.

تتعدد تطبيقات توزيع برنولي في مجالات علم النفس المعرفي والسيكومترية؛ فهو النموذج المباشر المستخدم لتحليل استجابات المفحوصين على البنود الموضوعية ثنائية التدريج (مثل: إجابة صحيحة = 1، إجابة خاطئة = 0)، أو في استبيانات الشخصية التي تتطلب إجابات ثنائية قاطعة (نعم = 1، لا = 0). كما تُستخدم دالة برنولي في مهام اتخاذ القرار الثنائي في المختبرات السلوكية لتقييم اختيارات الأفراد بين مسارين متمايزين تحت ظروف تجريبية مضبوطة.

تتميز دالة كتلة برنولي بخصائص إحصائية ومعلمية بسيطة وأنيقة؛ فالقيمة المتوقعة (المتوسط الحسابي) للمتغير العشوائي تساوي مباشرة احتمال النجاح $E(X) = p$. أما التباين الرياضي فيُحسب بحاصل ضرب احتمال النجاح في احتمال الفشل $Var(X) = p(1-p)$. ويصل التباين إلى أقصى قيمة ممكنة له ($0.25$) عندما يكون $p = 0.5$، وهو ما يعكس أقصى درجات عدم اليقين السلوكي، بينما يؤول التباين إلى الصفر عندما يقترب الاحتمال من أحد الطرفين الحتميين (0 أو 1).

6.2 التوزيع ذو الحدين (Binomial Distribution)

يمثل التوزيع ذو الحدين (Binomial Distribution) الامتداد الرياضي الطبيعي لتجربة برنولي عند تكرارها لعدد محدد $n$ من المحاولات المستقلة والمتماثلة تماماً. يهتم هذا التوزيع بحساب دالة الكتلة الاحتمالية للمتغير العشوائي $k$ الذي يمثل عدد مرات النجاح المحققة في تلك المحاولات $n$. وتُعطى دالة الكتلة الاحتمالية ذات الحدين بالصيغة الرياضية التالية المعتمدة على التوافيق (Combinations):

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

حيث $k in {0, 1, 2, dots, n}$، ويمثل $p$ احتمال النجاح الثابت في كل محاولة مفردة.

يشترط لتطبيق نموذج دالة ذي الحدين استيفاء شروط تجريبية صارمة: أولها ثبات عدد المحاولات $n$ مسبقاً، وثانيها وجود ناتجين ثنائيين فقط لكل محاولة، وثالثها استقلال المحاولات استقلالاً تاماً بحيث لا تؤثر نتيجة أي محاولة على المحاولات اللاحقة، وأخيراً ثبات معلمة احتمال النجاح $p$ عبر كافة المحاولات. وتُعد هذه الشروط مثالية في اختبارات القياس النفسي الموضوعية كاختبارات الاختيار من متعدد؛ حيث يُعامل كل سؤال كمحاولة برنولية مستقلة، ويمثل مجموع درجات الاختبار الكلية متغيراً يتبع توزيع ذي الحدين تحت افتراض الاستقلال.

تسمح دالة الكتلة الاحتمالية لتوزيع ذي الحدين بحساب احتمالات نقطية وتراكمية معقدة بكفاءة عالية؛ كحساب احتمالية اجتياز مفحوص للاختبار بمجرد التخمين العشوائي عبر جمع الكتل الاحتمالية لدرجات النجاح: $P(X ge \text{درجة النجاح})$. وتتميز هذه الدالة بقيمة متوقعة تساوي $E(X) = np$، وتبايناً مقداره $Var(X) = np(1-p)$. وعندما يكون عدد المحاولات $n$ كبيراً واحتمال النجاح $p$ متوسطاً، تتقارب دالة ذي الحدين تقارباً وثيقاً نحو التوزيع الطبيعي المتصل، وهو ما يُعرف بنظرية دي موافر-لابلاس (De Moivre–Laplace Theorem).

6.3 توزيع بواسون (Poisson Distribution)

يُعد توزيع بواسون (Poisson Distribution) أحد أهم النماذج الاحتمالية المنفصلة التي تتعامل مع البيانات التعدادية للأحداث المستقلة التي تحدث عبر فترة زمنية محددة، أو ضمن حيز مكاني معين. يصف التوزيع الأحداث التي تتميز بمعدل حدوث وسطي ثابت يُرمز له بالمعلمة $lambda$ (لاندا)، ويكون وقوع كل حدث مستقلاً تماماً عن توقيت الحدث السابق. وتُصاغ دالة الكتلة الاحتمالية لتوزيع بواسون بالمعادلة التالية:

$$f(k; \lambda) = P(X = k) = \frac{\lambda^k e^{-\lambda}}{k!} \quad \text{حيث } k in {0, 1, 2, 3, dots}$$

حيث يمثل $k$ عدد مرات وقوع الحدث (وهو متغير لا نهائي معدود)، ويمثل $e$ الأساس الطبيعي للوغاريتم ($e \approx 2.71828$).

تجد دالة كتلة بواسون تطبيقات إكلينيكية ونفسية واسعة النطاق في نمذجة السلوكيات والأعراض النادرة أو المتقطعة زمنياً. ومن أمثلة ذلك: نمذجة عدد نوبات الهلع التي تصيب مريضاً خلال شهر كامل، أو عدد نوبات الغضب الشديد لدى الأطفال ذوي اضطراب فرط الحركة ونقص الانتباه (ADHD) خلال أسبوع دراسي، أو عدد الأخطاء اللغوية العفوية التي تصدر عن مريض يعاني من الحبسة الكلامية (Aphasia) أثناء جلسة تقييم نطق محددة المدة. في جميع هذه الحالات، تقدم دالة بواسون النموذج الرياضي الأمثل لتقدير احتمالات تكرار هذه السلوكيات.

من أخص الخصائص الرياضية المعلمية لتوزيع بواسون خاصية “تساوي المتوسط مع التباين” (Equidispersion)، حيث تكون القيمة المتوقعة للدالة مساوية تماماً لتباينها الرياضي:

$$E(X) = Var(X) = \lambda$$

تكتسب هذه الخاصية أهمية تشخيصية فائقة في التحليل الإحصائي للبيانات السلوكية؛ فإذا أظهرت البيانات التجريبية تبايناً يفوق المتوسط الحسابي بكثير، وهو ما يُعرف بظاهرة “التشتت الزائد” (Overdispersion)، فإن ذلك يدل الأخصائي على أن نموذج بواسون البسيط غير كافٍ، ويستلزم الانتقال إلى نماذج أكثر تعقيداً مثل توزيع ذي الحدين السالب (Negative Binomial Distribution) لاستيعاب الفروق الفردية الكامنة بين المفحوصين.

6.4 التوزيع الهندسي والتوزيع الهندسي الفائق (Geometric & Hypergeometric)

يقدم التوزيع الهندسي (Geometric Distribution) نموذجاً احتمالياً منفصلاً يركز على حساب عدد المحاولات الفاشلة التي تسبق تحقيق أول نجاح في سلسلة من محاولات برنولي المستقلة، أو إجمالي عدد المحاولات المطلوبة حتى الوصول إلى أول نجاح سلوكي. وتُعرف دالة الكتلة الاحتمالية للمتغير العشوائي $k$ (الذي يمثل رقم المحاولة التي يتحقق فيها أول نجاح) بالصيغة التالية:

$$f(k; p) = P(X = k) = (1-p)^{k-1} p \quad \text{حيث } k in {1, 2, 3, dots}$$

يُطبق التوزيع الهندسي في علم النفس السلوكي لدراسة ظواهر التعلم والمثابرة؛ كحساب احتمالية نجاح كائن حي في حل مسألة تجريبية في المحاولة رقم $k$، وتتميز دالته بخاصية فريدة تُعرف بـ “انعدام الذاكرة” (Memoryless Property)، والتي تعني أن احتمالية النجاح في المحاولة القادمة تظل ثابتة ومستقلة تماماً عن عدد المحاولات الفاشلة السابقة.

أما التوزيع الهندسي الفائق (Hypergeometric Distribution)، فيتعامل مع مواقف السحب أو الاختيار المنفصل “بدون إرجاع” (Sampling without replacement) من مجتمع إحصائي محدود وصغير الحجم. في هذه الحالة، تفقد المحاولات استقلالها، ويتغير احتمال النجاح من محاولة إلى أخرى نتيجة تناقص عناصر المجتمع. وتُصاغ دالة الكتلة الاحتمالية للتوزيع الهندسي الفائق لحساب احتمال اختيار $k$ من العناصر ذات الخاصية المستهدفة من مجتمع كلي حجمه $N$ يحتوي على $K$ من العناصر المستهدفة، عند سحب عينة حجمها $n$ بالصيغة التالية:

$$f(k; N, K, n) = \frac{\binom{K}{k} \binom{N-K}{n-k}}{\binom{N}{n}}$$

يعد التوزيع الهندسي الفائق ضرورياً في الدراسات الإكلينيكية التي تتعامل مع عينات صغيرة ونادرة جداً، كدراسة احتمالية اختيار مرضى يعانون من متلازمة جينية نادرة ضمن عينة عشوائية محدودة مسحوبة من مركز علاجي صغير دون إرجاع المفحوصين إلى مجتمع العينة أثناء السحب.

7. استخدامات دالة الكتلة الاحتمالية في العلوم النفسية والسلوكية

7.1 القياس النفسي وبناء الاختبارات والمقاييس (Psychometrics)

تعتمد النظريات الحديثة في القياس النفسي، وعلى رأسها نظرية استجابة الفقرة (Item Response Theory – IRT)، اعتماداً كلياً على دوال الكتلة الاحتمالية لنمذجة استجابات الأفراد على بنود الاختبارات والمقاييس النفسية. ففي نماذج استجابة الفقرة ثنائية التدريج (Dichotomous IRT Models) كنموذج راش (Rasch Model) والنموذج اللوجستي ثنائي المعلم (2PL)، تُصاغ استجابة المفحوص على البند $i$ كمتغير عشوائي برنولي منفصل $X_i in {0, 1}$، وتكون دالة الكتلة الاحتمالية لاحتمال الإجابة الصحيحة دالة رياضية ترتبط بقدرة المفحوص الكامنة $\theta$ وصعوبة البند $b_i$:

$$P(X_i = 1 | \theta) = f(1; \theta, b_i) = \frac{e^{(\theta – b_i)}}{1 + e^{(\theta – b_i)}}$$

وبالمثل، يكون احتمال الإجابة الخاطئة هو المكمل للكتلة الاحتمالية: $P(X_i = 0 | \theta) = 1 – P(X_i = 1 | \theta) = f(0; \theta, b_i)$.

تتيح هذه الصياغة الاحتمالية المنفصلة لمطوري المقاييس السيكومترية إمكانية التقدير الدقيق لمعالم البنود (الصعوبة والتمييز) بمعزل عن عينة التقنين، فضلاً عن تقدير القدرة الحقيقية للمفحوص بدقة وموضوعية. كما تسهم دوال الكتلة الاحتمالية ثلاثية المعلم (3PL) في حساب معامل التخمين العشوائي (Pseudo-guessing parameter $c_i$) في اختبارات القدرات العقلية العامة والاختيار من متعدد، من خلال إضافة حد أدنى للكتلة الاحتمالية للإجابة الصحيحة يضمن عدم هبوط احتمال النجاح إلى الصفر حتى لدى المفحوصين ذوي القدرات المتدنية جداً.

علاوة على ذلك، تمتد استخدامات دالة الكتلة الاحتمالية في القياس النفسي لتشمل نماذج الاستجابة متعددة التدريج (Polytomous IRT Models)، مثل نموذج التقدير الجزئي (Partial Credit Model) ونموذج مقياس التقدير (Rating Scale Model)؛ حيث تُبنى دالة كتلة احتمالية لكل فئة من فئات الاستجابة على مقاييس ليكرت المتدرجة، مما يضمن تقييماً سيكومترياً دقيقاً لمدى اتساق وتمايز خيارات الاستجابة في اختبارات الشخصية والاتجاهات النفسية.

7.2 علم النفس التجريبي والمعرفي (Cognitive Psychology)

تُوظف دالة الكتلة الاحتمالية في مختبرات علم النفس التجريبي والمعرفي كأداة حاسمة لتحليل السلوكيات المنفصلة وتكميم العمليات المعرفية الدقيقة. ففي مهام الانتباه والتحكم التنفيذي الكلاسيكية، مثل مهمة ستروب (Stroop Task) ومهمة التثبيط السلوكي (Go/No-Go Task) ومهام الذاكرة العاملة (N-Back Task)، يُعامل عدد الأخطاء المرتكبة أو عدد مرات الإخفاق في كبح الاستجابة كمتغير عشوائي منفصل يتم نمذجته بدقة باستخدام دالة الكتلة الاحتمالية لتوزيع ذي الحدين أو توزيع بواسون.

كما تمثل دوال الكتلة المنفصلة ركناً أساسياً في تطبيق نظرية كشف الإشارة (Signal Detection Theory – SDT) في التجارب الإدراكية؛ حيث يتم تصنيف قرارات المفحوص الإدراكية إلى أربع كتل احتمالية منفصلة ومتبادلة: الإصابة الصحيحة (Hit)، والإنذار الكاذب (False Alarm)، والإغفال (Miss)، والرفض الصحيح (Correct Rejection). وتُمكن دوال الكتلة الاحتمالية لهذه الاستجابات الثنائية الباحث من فصل حساسية المفحوص الإدراكية الكامنة ($d’$) عن انحيازه في اتخاذ القرار أو معيار الاستجابة ($\beta$).

وفي تجارب التعلم اللفظي والذاكرة الاسترجاعية، تُستخدم دوال الكتلة الاحتمالية لحساب احتمالية استدعاء عدد محدد من الكلمات من القوائم المقدمة للمفحوصين تحت شروط التشتيت المختلفة. يتيح ذلك للباحثين تقييم كفاءة البرامج العلاجية والتدخلات المعرفية بدقة؛ إذ يُقاس التحسن المعرفي بمدى الإزاحة والانتقال الإيجابي في دالة الكتلة الاحتمالية لعدد الكلمات المسترجعة نحو القيم الأعلى، أو انكماش دالة الكتلة لعدد الأخطاء الإدراكية نحو الصفر.

7.3 علم النفس الإكلينيكي والتشخيص النفسي

تؤدي دالة الكتلة الاحتمالية دوراً تشخيصياً وعلاجياً محورياً في ميدان علم النفس الإكلينيكي والطب النفسي السلوكي؛ حيث تظهر الاضطرابات النفسية في كثير من الأحيان على هيئة أعراض سلوكية وتكرارات حركية منفصلة وقابلة للعد. تُستخدم دوال الكتلة لتوزيع بواسون والتوزيع ذي الحدين السالب في النمذجة الإحصائية لتكرار السلوكيات القهرية (Compulsive Behaviors) لدى مرضى اضطراب الوسواس القهري (OCD)، مثل عدد مرات غسل اليدين أو التحقق من الأقفال يومياً، فضلاً عن نمذجة تكرار نوبات الهوس أو نوبات الشره العصبي عبر فترات زمنية متتابعة.

تسهم هذه النمذجة الاحتمالية في تقييم دقة المقاييس والأدوات التشخيصية؛ فمن خلال معرفة دالة الكتلة الاحتمالية لعدد الأعراض المشاهدة لدى المجتمع الإكلينيكي مقارنة بالمجتمع السوي، يستطيع الباحثون تحديد الدرجات القاطعة الحساسة (Optimal Cut-off Points) التي تعظم من حساسية الاختبار التشخيصي (Sensitivity) ونوعيته (Specificity)، مما يقلل من احتمالات التشخيص الخاطئ الإيجابي أو السلبي.

كما تُعد دوال الكتلة الاحتمالية وسيلة منهجية متقدمة لتتبع ومراقبة مسار التحسن الإكلينيكي للمرضى الخاضعين لبرامج العلاج السلوكي المعرفي (CBT). فمن خلال مقارنة معالم دالة الكتلة الاحتمالية لتكرار السلوك المستهدف (مثل نوبات الذعر أو الأفكار الاقتحامية) في مرحلة التقييم القبلي، وخلال مراحل العلاج، وفي مرحلة المتابعة البعدية، يستطيع المعالج إثبات الدلالة الإحصائية والإكلينيكية للتحسن من خلال انخفاض المعلمة التوزيعية للحدث المرضي بشكل موثوق.

8. تطبيقات دالة الكتلة الاحتمالية في اتخاذ القرار والتحليل السلوكي

8.1 نظرية اتخاذ القرار السلوكي والاقتصاد السلوكي

تُشكل دالة الكتلة الاحتمالية الأساس الرياضي الذي ترتكز عليه نماذج اتخاذ القرار تحت ظروف المخاطرة وعدم اليقين في الاقتصاد السلوكي ونظرية الألعاب. ففي بيئات الاختيار المنفصلة (Discrete Choice Environments)، حيث يواجه متخذ القرار بدائل متعددة لكل منها عوائد مادية أو نفسية محددة باحتمالات منفصلة، تُستخدم دالة الكتلة الاحتمالية لحساب “القيمة المتوقعة” (Expected Value – EV) والمنفعة المتوقعة (Expected Utility) لكل بديل، عبر ضرب كل عائد مالي محتمل في كتلته الاحتمالية المرتبطة به وجمع النواتج:

$$EV = \sum_{i=1}^n x_i \cdot f(x_i)$$

وفي إطار نظرية الآفاق (Prospect Theory) الرائدة التي صاغها دانيال كانمان (Daniel Kahneman) وعاموس تفيرسكي (Amos Tversky)، تلعب دوال الكتلة دوراً حاسماً في تفسير التحيزات السلوكية اللاعقلانية؛ حيث أثبتت التجارب أن البشر لا يعتمدون على الكتل الاحتمالية الموضوعية $f(x)$ بشكل مباشر عند اتخاذ قراراتهم، بل يقومون بتحويلها عبر “دالة ترجيح احتمالية ذاتية” $w(p)$، مما يؤدي إلى تضخيم الكتل الاحتمالية المنخفضة للأحداث النادرة (مثل شراء بطاقات اليانصيب أو التأمين ضد الكوارث النادرة) والتقليل من وزن الكتل الاحتمالية المتوسطة والمرتفعة.

كما تسهم دالة الكتلة الاحتمالية في نمذجة ظاهرة “تجنب الخسارة” (Loss Aversion) وسلوكيات المراهنة والمقامرة التجريبية؛ حيث تُمكن الباحثين من قياس الحدود الرياضية التي يتحول عندها الفرد من تفضيل المخاطرة إلى تجنبها بناءً على التوزيع الاحتمالي للبدائل، مما يوفر فهماً كمياً عميقاً لكيفية تفاعل البنية النفسية للإنسان مع الحسابات الاحتمالية الصارمة في الواقع المعاش.

8.2 تحليل السلوك التطبيقي (ABA)

يعتمد تحليل السلوك التطبيقي (Applied Behavior Analysis – ABA) على الرصد الدقيق والقياس الكمي المباشر للسلوكيات المستهدفة بهدف تعديلها وتطوير البدائل التكيفية. وتُعد دالة الكتلة الاحتمالية الأداة الإحصائية المثلى لنمذجة معدلات تكرار السلوكيات المنفصلة القابلة للعد (مثل نوبات إيذاء الذات، أو التفاعل الاجتماعي الإيجابي، أو نطق الكلمات الوظيفية) قبل وبعد إدخال البرامج التعزيزية أو خطط التدخل السلوكي.

تتجلى الأهمية الاحتمالية في هذا السياق عند دراسة وتقييم فاعلية “جداول التعزيز المتقطع” (Intermittent Reinforcement Schedules)؛ حيث يتم تطبيق نماذج التوزيعات المنفصلة لتحليل سلوك الاستجابة تحت جداول النسبة الثابتة (Fixed Ratio) والنسبة المتغيرة (Variable Ratio). ففي جدول النسبة المتغيرة، تحكم دالة الكتلة الاحتمالية (مثل التوزيع الهندسي) تقديم المعزز بعد عدد غير متوقع من الاستجابات، مما يولد معدلات استجابة عالية ومقاومة فائقة للانطفاء السلوكي، وهو المبدأ الذي يفسر آلية عمل الإدمان السلوكي على الألعاب الإلكترونية ووسائل التواصل الاجتماعي.

كما تتيح دالة الكتلة الاحتمالية لمحللي السلوك حساب احتمالية ظهور السلوك التكيفي المستهدف $P(\text{السلوك} | \text{البيئة } A)$ في بيئات اجتماعية وفيزيقية مختلفة. ويسهم هذا التحديد الاحتمالي المنفصل في التعرف الدقيق على المثيرات القبلية المعززة (Antecedents) وتصميم بيئات تعلم داعمة ترفع من الكتلة الاحتمالية للسلوكيات المرغوبة وتقلص احتمالات ظهور السلوكيات غير التكيفية إلى أدنى المستويات الإحصائية الممكنة.

8.3 التحليل الإحصائي لتجارب الملاحظة المنفصلة

تتضمن أبحاث علم النفس الاجتماعي والتفاعلات الأسرية والإرشاد النفسي استخدام أساليب الملاحظة المنظمة لتسجيل السلوكيات اللفظية وغير اللفظية المنفصلة بين الأفراد (مثل: التحديق البصري، الإيماءات، المبادأة بالحديث، سلوكيات المقاطعة). في مثل هذه التصاميم، تُمثل هذه الأحداث متغيرات تصنيفية متقطعة تتطلب دوال كتلة احتمالية متعددة الحدود (Multinomial PMFs) لوصف توزيع الأنماط التفاعلية داخل المجموعات الإرشادية الصغيرة بدقة رياضية متكاملة.

ترتبط دالة الكتلة الاحتمالية ارتباطاً وثيقاً بحساب معاملات الاتفاق بين الملاحظين (Inter-rater Reliability)، مثل معامل كابا لكوهين (Cohen’s Kappa)؛ حيث يستند هذا المعامل في بنيته الرياضية إلى مقارنة دالة الكتلة الاحتمالية الملاحظة للاتفاق الفعلي بين الملاحظين مع دالة الكتلة الاحتمالية المتوقعة للاتفاق العشوائي المحض:

$$\kappa = \frac{P_o – P_e}{1 – P_e}$$

حيث تُشتق $P_e$ بالكامل من حاصل ضرب الكتل الاحتمالية الهامشية لتصنيفات كل ملاحظ على حدة وفق فرضية الاستقلال الاحتمالي.

علاوة على ذلك، تُستخدم دالة الكتلة لاختبار الفرضيات السلوكية المتقدمة المتعلقة بتماثل أو تجانس توزيع الاستجابات عبر فئات الملاحظة المتعددة؛ كاستخدام اختبار كاي تربيع لمطابقة حسن التوزيع (Chi-Square Goodness-of-Fit Test) لمقارنة الكتل الاحتمالية التجريبية المشاهدة في العينات الملاحظة بالكتل الاحتمالية النظرية المفترضة، مما يوفر أدلة إحصائية قاطعة حول ديناميات التفاعل السلوكي والاجتماعي.

9. مثال تطبيقي تفصيلي وحسابي: تجربة احتمالية كلاسيكية

9.1 توصيف التجربة وتحديد المتغير العشوائي

لتجسيد كيفية بناء دالة الكتلة الاحتمالية خطوة بخطوة وبطريقة حسابية ملموسة، سنقوم بتحليل التجربة الاحتمالية الكلاسيكية المتمثلة في: رمي قطعة نقود متزنة وعادلة 3 مرات متتالية ومستقلة. تمثل هذه التجربة النموذج الرياضي الأصلي لكافة التجارب الثنائية المتقررة في القياس السلوكي (مثل إجابة المفحوص على 3 أسئلة متتالية ثنائية الخيار).

نقوم أولاً بحصر فضاء العينة الكامل والشامل للتجربة، والذي يُرمز له بالرمز $S$. ونظراً لأن كل رمية لها ناتجان ممكنان متساويا الاحتمال (إما وجه $H$ أو كتابة $T$)، فإن إجمالي عدد النواتج الممكنة في فضاء العينة يساوي $2^3 = 8$ نواتج متساوية الاحتمال (Equally likely outcomes)، وتُكتب عناصر فضاء العينة كما يلي:

$$S = { (H,H,H), (H,H,T), (H,T,H), (H,T,T), (T,H,H), (T,H,T), (T,T,H), (T,T,T) }$$

نعرف الآن المتغير العشوائي المنفصل $X$ تعريفاً إجرائياً ورياضياً بأنه: “عدد مرات ظهور الوجه ($H$) في الرميات الثلاث”. وبناءً على فضاء العينة $S$، فإن القيم العددية الممكنة التي يمكن أن يتخذها المتغير العشوائي $X$ تشكل فضاء الدعم المنفصل التالي:

$$X in {0, 1, 2, 3}$$

9.2 خطوات الحساب الرياضي لدالة الكتلة الاحتمالية خطوة بخطوة

لحساب دالة الكتلة الاحتمالية $f(x) = P(X = x)$ لكل قيمة من قيم المتغير العشوائي، نقوم بحساب عدد النواتج في فضاء العينة التي تحقق كل قيمة وقسمتها على الحجم الكلي لفضاء العينة ($|S| = 8$):

أولاً: حساب احتمال $P(X = 0)$ (عدم ظهور أي وجه نهائياً):
الحدث المقابل لـ $X = 0$ يحتوي على ناتج واحد فقط وهو: ${ (T,T,T) }$.
إذن: $$f(0) = P(X = 0) = \frac{1}{8} = 0.125$$

ثانياً: حساب احتمال $P(X = 1)$ (ظهور وجه واحد فقط):
الحدث المقابل لـ $X = 1$ يحتوي على 3 نواتج وهي: ${ (H,T,T), (T,H,T), (T,T,H) }$.
إذن: $$f(1) = P(X = 1) = \frac{3}{8} = 0.375$$

ثالثاً: حساب احتمال $P(X = 2)$ (ظهور وجهين اثنين):
الحدث المقابل لـ $X = 2$ يحتوي على 3 نواتج وهي: ${ (H,H,T), (H,T,H), (T,H,H) }$.
إذن: $$f(2) = P(X = 2) = \frac{3}{8} = 0.375$$

رابعاً: حساب احتمال $P(X = 3)$ (ظهور ثلاثة أوجه كاملة):
الحدث المقابل لـ $X = 3$ يحتوي على ناتج واحد فقط وهو: ${ (H,H,H) }$.
إذن: $$f(3) = P(X = 3) = \frac{1}{8} = 0.125$$

يمكن تلخيص دالة الكتلة الاحتمالية المحسوبة في جدول التوزيع الاحتمالي المنفصل التالي:

قيمة المتغير العشوائي ($x$)	0	1	2	3
الكتلة الاحتمالية $f(x) = P(X = x)$	0.125 ($1/8$)	0.375 ($3/8$)	0.375 ($3/8$)	0.125 ($1/8$)

9.3 التحقق من الشروط الرياضية والتمثيل البياني

بعد بناء جدول التوزيع، يتعين علينا التحقق الإحصائي الصارم من استيفاء الدالة للشروط الرياضية الجوهرية لدالة الكتلة الاحتمالية:

1. التحقق من شرط اللامسالبية: نلاحظ أن جميع القيم الاحتمالية المستخرجة ($0.125, 0.375, 0.375, 0.125$) تقع جميعها في النطاق المشروع والمغلق $[0, 1]$، ولا توجد أي قيمة سالبة أو تفوق الواحد الصحيح، مما يؤكد استيفاء الشرط الأول تماماً.

2. التحقق من شرط المجموع الكلي: نقوم بجمع الكتل الاحتمالية عبر كافة قيم المتغير الممكنة:

$$\sum_{x=0}^3 f(x) = f(0) + f(1) + f(2) + f(3) = 0.125 + 0.375 + 0.375 + 0.125 = 1.000$$

نظراً لأن المجموع يساوي 1.0 تماماً وبدقة متناهية، فإن الدالة تُعد دالة كتلة احتمالية صحيحة ومكتملة رياضياً.

عند تمثيل هذه الدالة بيانياً عبر مخطط الأعمدة البيانية (Bar Chart)، يوضع المتغير العشوائي $x$ على المحور الأفقي ($0, 1, 2, 3$)، وتوضع قيم الاحتمال $f(x)$ على المحور الرأسي. يظهر الرسم البياني توزيعاً متماثلاً تماماً على شكل جرس متقطع حول المركز، حيث ترتفع القمة الاحتمالية بالتساوي عند القيمتين $x=1$ و $x=2$ بارتفاع قدره $0.375$، بينما تنخفض الكتل عند الأطراف ($x=0$ و $x=3$) إلى $0.125$.

تتيح لنا دالة الكتلة المستخرجة استنتاج واحتمال وقوع الأحداث المركبة بسهولة تامة؛ فمثلاً، لحساب “احتمال الحصول على وجهين على الأقل” ($P(X ge 2)$)، نطبق خاصية الإضافة للأحداث المتنافية:

$$P(X ge 2) = f(2) + f(3) = 0.375 + 0.125 = 0.500 \quad (50%)$$

يوضح هذا المثال البسيط والواضح كيف تنقل دالة الكتلة الاحتمالية التجربة العشوائية من مجرد احتمالات مبعثرة إلى نموذج رياضي متكامل وقابل للتحليل والاستدلال الدقيق.

10. مثال تطبيقي في القياس النفسي: تحليل الاستجابات على مقاييس ليكرت

10.1 تصميم المتغير وتحديد فضاء الاستجابة السيكومترية

لتوضيح التطبيق العملي لدالة الكتلة الاحتمالية في سياق الأبحاث الإكلينيكية والسيكومترية، سنفترض دراسة نفسية تطبيقية تهدف إلى قياس مستوى “القلق من التقييم الاجتماعي” لدى عينة قوامها $N = 200$ من الطلاب الجامعيين. تتضمن أداة القياس بنداً سيكومترياً مصاغاً وفق مقياس ليكرت الخماسي (5-point Likert Scale) ينص على العبارة التالية: “أشعر بارتباك وتوتر شديد عندما يُطلب مني التحدث أمام جمهور”.

نعرف المتغير العشوائي المنفصل $Y$ بأنه: “درجة استجابة المفحوص على هذا البند المختار”. يتحدد فضاء الدعم الاستجابي للمتغير $Y$ بمجموعة القيم العددية الترتيبية المنفصلة التالية:

$$Y in {1, 2, 3, 4, 5}$$

حيث تُشير الرموز الترتيبية إلى الدلالات السلوكية التالية: (1: أعارض بشدة / قلق منعدم، 2: أعارض / قلق خفيف، 3: محايد / قلق متوسط، 4: أوافق / قلق حاد، 5: أوافق بشدة / قلق حاد جداً).

أسفر التطبيق الميداني للمقياس على العينة الإكلينيكية المكونة من 200 مفحوص عن التكرارات التجريبية الملاحظة ($O_y$) التالية عبر فئات المقياس الخمس:

• الفئة 1 (أعارض بشدة): 20 مفحوصاً
• الفئة 2 (أعارض): 40 مفحوصاً
• الفئة 3 (محايد): 80 مفحوصاً
• الفئة 4 (أوافق): 40 مفحوصاً
• الفئة 5 (أوافق بشدة): 20 مفحوصاً

10.2 بناء جدول دالة الكتلة الاحتمالية للمقياس النفسي

لبناء دالة الكتلة الاحتمالية التجريبية للمتغير السيكومتري $Y$، نقوم بحساب التكرار النسبي لكل استجابة، والذي يمثل التقدير الاحتمالي $f(y) = P(Y = y)$ بقسمة التكرار الملاحظ $O_y$ على الحجم الكلي للعينة ($N = 200$):

$$f(1) = P(Y = 1) = \frac{20}{200} = 0.10$$

$$f(2) = P(Y = 2) = \frac{40}{200} = 0.20$$

$$f(3) = P(Y = 3) = \frac{80}{200} = 0.40$$

$$f(4) = P(Y = 4) = \frac{40}{200} = 0.20$$

$$f(5) = P(Y = 5) = \frac{20}{200} = 0.10$$

نقوم بتنظيم هذه الحسابات السيكومترية في جدول دالة الكتلة الاحتمالية ودالة التوزيع التراكمي المرفق أدناه:

فئة الاستجابة ($y$)	الدلالة الإكلينيكية	التكرار الملاحظ ($O_y$)	الكتلة الاحتمالية $f(y) = P(Y=y)$	التراكم الاحتمالي $F(y) = P(Y le y)$
1	أعارض بشدة	20	0.10	0.10
2	أعارض	40	0.20	0.30
3	محايد	80	0.40	0.70
4	أوافق	40	0.20	0.90
5	أوافق بشدة	20	0.10	1.00
المجموع الكلي ($\sum$)		200	1.00	–

نلاحظ من الجدول السابق استيفاء شروط دالة الكتلة الاحتمالية بالكامل؛ حيث أن جميع قيم $f(y)$ موجبة وتنحصر بين 0 و 1، ومجموع الكتل الاحتمالية عبر جميع الفئات يساوي $0.10 + 0.20 + 0.40 + 0.20 + 0.10 = 1.00$ تماماً، وتصل دالة التراكم الاحتمالي $F(5)$ إلى القيمة 1.00 عند الفئة العليا.

10.3 التفسير السيكولوجي والإحصائي للنتائج المستخرجة

يكشف الفحص السيكومتري لجدول دالة الكتلة الاحتمالية المستخرجة عن خصائص تشخيصية مهمة للبند المدروس. يظهر التوزيع تماثلاً تاماً حول فئة الاستجابة المركزية ($y = 3$)؛ حيث تتركز أعلى كتلة احتمالية ($40%$) عند خيار “محايد”، في حين تتناقص الكتل بالتساوي كلما اتجهنا نحو الأطراف ($20%$ للفئتين 2 و 4، و $10%$ للفئتين المتطرفتين 1 و 5). يشير هذا التماثل إلى غياب انحياز الاستجابة المتطرف (Response Bias) لدى العينة تجاه هذا البند تحديداً.

وباستخدام خاصية الإضافة التراكمية الجزئية لدالة الكتلة، يستطيع الأخصائي النفسي حساب احتمالية وقوع المفحوصين في الفئات ذات الدلالة الإكلينيكية الحادة؛ فمثلاً يُحسب احتمال وقوع المفحوص في نطاق “المعاناة من القلق الصريح” ($P(Y ge 4)$) بجمع كتلتي الفئتين الرابعة والخامسة:

$$P(Y ge 4) = f(4) + f(5) = 0.20 + 0.10 = 0.30 \quad (30%)$$

أما احتمالية اختيار الفئات المتطرفة كلياً ($P(Y in {1, 5})$) فتساوي:

$$P(Y in {1, 5}) = f(1) + f(5) = 0.10 + 0.10 = 0.20 \quad (20%)$$

من الناحية السيكومترية، يُعد هذا البند متمتعاً بدرجة حساسية وتمييز جيدة؛ نظراً لأن الكتلة الاحتمالية موزعة بشكل متدرج يغطي كافة خيارات المقياس دون حدوث ظاهرة تجمهر الاستجابات عند فئة واحدة (Floor/Ceiling Effect). ولو أظهرت النتائج تركز الكتلة الاحتمالية بنسبة $85%$ عند الفئة 1 مثلاً، لكان ذلك مؤشراً سيكومترياً على ضعف تمييز البند وحاجته لإعادة الصياغة اللغوية لتقليل شدته وجعله أكثر ملاءمة للتدرج النفسي لأفراد المجتمع المستهدف.

11. حساب المؤشرات الإحصائية (التوقع والتباين) باستخدام دالة الكتلة الاحتمالية

11.1 حساب القيمة المتوقعة أو المتوسط الحسابي E(X)

تُمثل القيمة المتوقعة (Expected Value)، والتي يُرمز لها بالرمز $E(X)$ أو الحرف الإغريقي $\mu$ (ميو)، المؤشر الإحصائي المركزي الأهم لوصف مركز الثقل الاحتمالي للمتغير العشوائي المنفصل. وتُعرف القيمة المتوقعة رياضياً بأنها المتوسط الحسابي الموزون لكافة القيم الممكنة التي يمكن للمتغير اتخاذها، حيث يُوزن كل ناتج بكتلته الاحتمالية المحددة عبر دالة الكتلة الاحتمالية $f(x)$. وتُحسب بالصيغة التجميعية التالية:

$$E(X) = \mu = \sum_{x in S} x \cdot f(x)$$

لتطبيق هذه الصيغة عملياً على مثال مقياس ليكرت الخماسي للقلق النفسي الوارد في القسم (10)، نقوم بضرب كل فئة استجابة $y$ في كتلتها الاحتمالية المقابلة $f(y)$ وجمع النواتج:

$$E(Y) = (1 \times 0.10) + (2 \times 0.20) + (3 \times 0.40) + (4 \times 0.20) + (5 \times 0.10)$$

$$E(Y) = 0.10 + 0.40 + 1.20 + 0.80 + 0.50 = 3.00$$

توضح النتيجة أن القيمة المتوقعة لدرجة استجابة المفحوصين على البند تساوي $3.00$ تماماً، وهي تطابق النقطة المركزية للمقياس، مما يؤكد سيكومترياً أن متوسط استجابة العينة يقع في المستوى المحايد أو المتوسط من القلق.

تتمتع القيمة المتوقعة بخاصية رياضية بالغة الأهمية في القياس النفسي تُعرف بـ “الخطية” (Linearity of Expectation)؛ حيث تنص على أنه لأي متغيرين عشوائيين منفصلين $X$ و $Y$ وأي ثوابت عددية $a$ و $b$، فإن:

$$E(aX + bY) = aE(X) + bE(Y)$$

تتيح هذه الخاصية لعلماء القياس النفسي حساب القيمة المتوقعة للاختبارات والمقاييس النفسية المركبة المكونة من عشرات البنود الفرعية بمجرد جمع القيم المتوقعة الفردية لكل بند مستمدة من دالة كتلته الاحتمالية المستقلة، دون الحاجة إلى التعقيد الحسابي لاشتقاق دالة التوزيع المشترك للاختبار ككل.

11.2 حساب التباين والانحراف المعياري Var(X) و SD

يُعد التباين الإحصائي (Variance)، ويُرمز له بالرمز $Var(X)$ أو $\sigma^2$ (سيغما تربيع)، المقياس الرياضي الأساسي لدرجة تشتت وتفريق القيم الاحتمالية للمتغير العشوائي المنفصل حول قيمته المتوقعة (مركزه). ويُعرف رياضياً بأنه القيمة المتوقعة لمربعات انحرافات المتغير عن متوسطه، ويُصاغ باستخدام دالة الكتلة الاحتمالية عبر المعادلتين المتكافئتين التاليتين:

$$Var(X) = \sigma^2 = \sum_{x in S} (x – \mu)^2 \cdot f(x) = E(X^2) – [E(X)]^2$$

حيث يمثل $E(X^2)$ العزم الثاني للمتغير ويُحسب بـ: $\sum x^2 \cdot f(x)$.

أما الانحراف المعياري (Standard Deviation – SD)، ويُرمز له بالرمز $\sigma$، فهو الجذر التربيعي الموجب للتباين ($\sigma = \sqrt{Var(X)}$)، وتكمن أهميته في كونه يعيد قياس درجة التشتت بذات وحدات القياس الأصلية للظاهرة المدروسة.

لنحسب الآن تباين وانحراف درجات مقياس القلق الوارد في القسم (10) باستخدام طريقة العزوم المباشرة:

1. حساب العزم الثاني $E(Y^2) = \sum y^2 \cdot f(y)$:

$$E(Y^2) = (1^2 \times 0.10) + (2^2 \times 0.20) + (3^2 \times 0.40) + (4^2 \times 0.20) + (5^2 \times 0.10)$$

$$E(Y^2) = (1 \times 0.10) + (4 \times 0.20) + (9 \times 0.40) + (16 \times 0.20) + (25 \times 0.10)$$

$$E(Y^2) = 0.10 + 0.80 + 3.60 + 3.20 + 2.50 = 10.20$$

2. تطبيق معادلة التباين:

$$Var(Y) = \sigma^2 = E(Y^2) – [E(Y)]^2 = 10.20 – (3.00)^2 = 10.20 – 9.00 = 1.20$$

3. حساب الانحراف المعياري:

$$\sigma = \sqrt{1.20} \approx 1.095$$

يكتسب حساب التباين عبر دالة الكتلة الاحتمالية أهمية بالغة في علم النفس السيكومتري؛ فالتباين يعبر عن حجم “الفروق الفردية” الحقيقية التي استطاع البند قياسها وتوليدها بين المفحوصين. يُعد البند ذو التباين الصحي ($Var \approx 1.2$) بنداً قادراً على فرز وتصنيف الأفراد بكفاءة، وهو المؤشر الأساسي الذي يدخل في حساب معاملات الثبات الكلاسيكية مثل معامل ألفا كرونباخ (Cronbach’s Alpha) ومعادلات كودر-ريتشاردسون (KR-20).

11.3 العزوم الإحصائية المتقدمة (الالتواء والتفرطح)

تتيح دالة الكتلة الاحتمالية للمحلل الإحصائي استخراج العزوم المركزية المتقدمة (Higher-order Central Moments) لتوصيف الشكل الهندسي الدقيق لتوزيع الاستجابات السلوكية. يمثل العزم المركزي الثالث المعياري مقياس معامل الالتواء (Skewness – $\gamma_1$)، والذي يقيس مدى عدم تماثل التوزيع الاحتمالي حول متوسطه، ويُحسب بالمعادلة التالية:

$$\text{Skewness} = \gamma_1 = E\left[\left(\frac{X – \mu}{\sigma}\right)^3\right] = \frac{\sum (x – \mu)^3 \cdot f(x)}{\sigma^3}$$

في التحليل السيكومتري، يشير الالتواء الموجب ($\gamma_1 > 0$) إلى تركز الكتل الاحتمالية عند الدرجات الدنيا وزحف الذيل نحو الدرجات العليا، وهو ما يكشف عن صعوبة شديدة في البند أو ظاهرة “تجمهر الدرجات عند القاع” (Floor Effect). في حين يشير الالتواء السالب ($\gamma_1 < 0$) إلى تركز الكتل الاحتمالية عند الدرجات المرتفعة، مما يدل على سهولة البند المفرطة أو ظاهرة "سقف الدرجات" (Ceiling Effect). أما الالتواء الصفري ($\gamma_1 = 0$)، كما في مثالنا السابق، فيؤكد تماثل الاستجابات تماثلاً تاماً.

أما العزم المركزي الرابع المعياري، فيُعبر عن مقياس معامل التفرطح (Kurtosis – $\gamma_2$)، الذي يقيس مدى حدة قمة التوزيع وثقل أطرافه التوزيعية مقارنة بالتوزيع الطبيعي، ويُصاغ كما يلي:

$$\text{Kurtosis} = \gamma_2 = E\left[\left(\frac{X – \mu}{\sigma}\right)^4\right] = \frac{\sum (x – \mu)^4 \cdot f(x)}{\sigma^4}$$

يساعد تقييم التفرطح عبر دالة الكتلة في اكتشاف ما إذا كانت استجابات المفحوصين تتركز بشكل حاد وشاذ حول نمط استجابة واحد ضيق (Leptokurtic)، أو أنها موزعة بتسطح وتشتت واسع يغطي كافة خيارات التدريج (Platykurtic)، مما يوجه الباحث نحو التعديلات السيكومترية اللازمة لضبط معايير الأداة القياسية.

12. التحديات المنهجية والأخطاء الشائعة والبرمجيات الإحصائية لحساب PMF

12.1 الأخطاء الشائعة عند استخدام وتطبيق دالة الكتلة الاحتمالية

يواجه الباحثون وطلاب الدراسات العليا في العلوم الإنسانية والسلوكية جملة من التحديات المنهجية والمزالق الإحصائية عند التعامل مع دالة الكتلة الاحتمالية. يتمثل الخطأ الأول والأكثر شيوعاً في معاملة البيانات الترتيبية المنفصلة (Ordinal Discrete Data)، كاستجابات مقاييس ليكرت، كبيانات متصلة تخضع تلقائياً للتوزيع الطبيعي دون فحص شكل دالة الكتلة الاحتمالية الفعلية؛ مما يقود إلى استخدام اختبارات إحصائية غير ملائمة تؤدي إلى استنتاجات خاطئة حول الفروق والعلاقات.

ويتمثل الخطأ المنهجي الثاني في تجاهل استيفاء شرط المجموع الكلي ($\sum f(x) = 1$) عند تصميم النماذج الرياضية المخصصة؛ حيث يغفل بعض الباحثين عن إدراج ثابت المعايرة، أو يسقطون بعض النواتج الممكنة النادرة من فضاء العينة، مما يؤدي إلى عدم اكتمال فضاء الدعم الاحتمالي وانهيار الاتساق الرياضي للنموذج. كما يقع البعض في خطأ الخلط المنهجي بين دالة الكتلة المنفصلة ودالة الكثافة المتصلة من خلال محاولة تطبيق مفاهيم التكامل الرياضي على بيانات تعدادية متقطعة بطبيعتها.

علاوة على ذلك، يُعد إسقاط افتراض الاستقلال الإحصائي خطأً فادحاً في الممارسة النفسية؛ حيث يُطبق نموذج ذي الحدين أو توزيع برنولي على استجابات متسلسلة لمفحوص واحد تتأثر فيها كل محاولة بالتعلم أو الإجهاد الناتج عن المحاولة السابقة. إن انتهاك شرط استقلال المحاولات يجعل استخدام دالة الكتلة الكلاسيكية غير دقيق، ويفرض منهجياً اللجوء إلى نماذج السلاسل الزمنية المنفصلة أو نماذج ماركوف (Markov Chains) لاستيعاب الاعتمادية التوزيعية بين الاستجابات المتعاقبة.

12.2 الحساب البرمجي لدوال الكتلة الاحتمالية (R, Python, SPSS)

توفر البيئات البرمجية الإحصائية الحديثة حزماً متقدمة لحساب ورسم وتحليل دوال الكتلة الاحتمالية للمتغيرات المنفصلة بكفاءة عالية. في لغة البرمجة الإحصائية R، تبدأ جميع دوال الكتلة الاحتمالية بالحرف d (اختصاراً لـ Density/Discrete PMF)، متبوعاً باسم التوزيع المعني:

• dbinom(x, size, prob): لحساب دالة الكتلة الاحتمالية لتوزيع ذي الحدين عند النقطة $x$.
• dpois(x, lambda): لحساب دالة الكتلة الاحتمالية لتوزيع بواسون عند النقطة $x$.
• dgeom(x, prob): لحساب دالة الكتلة للتوزيع الهندسي.
• dhyper(x, m, n, k): لحساب دالة الكتلة للتوزيع الهندسي الفائق.

أما في بيئة لغة Python، فتُعد مكتبة scipy.stats المرجع الأساسي للتعامل مع التوزيعات المنفصلة؛ حيث تتيح الدالة pmf() حساب الكتل الاحتمالية المباشرة بدقة متناهية، كما توضح الأوامر التالية:

from scipy.stats import binom, poisson
# لحساب احتمال الحصول على 3 نجاحات من 10 محاولات باحتمال 0.5:
prob_binom = binom.pmf(k=3, n=10, p=0.5)
# لحساب احتمال حدوث 2 من الأعراض الإكلينيكية بمعدل لاندا = 1.5:
prob_pois = poisson.pmf(k=2, mu=1.5)

وتُستخدم مكتبة matplotlib أو seaborn في بايثون لرسم دوال الكتلة باستخدام المخططات العمودية (Stem or Bar Plots). أما في برنامج SPSS المفضل لدى الباحثين النفسيين، فيمكن حساب الكتل الاحتمالية المنفصلة عبر نافذة “Compute Variable” باستخدام الدوال الرياضية المدمجة كدالة PDF.BINOM(k, n, p) ودالة PDF.POISON(k, lambda)، فضلاً عن إمكانية إجراء اختبارات مطابقة التوزيع للبيانات التكرارية عبر قائمة “Nonparametric Tests”.

12.3 الاتجاهات الحديثة والنمذجة البايزية المنفصلة

تشهد المنهجيات الإحصائية المعاصرة تحولاً واسعاً نحو تبني الإحصاء البايزي (Bayesian Statistics) في تحليل دوال الكتلة الاحتمالية وتحديثها. في هذا الإطار المتقدم، لا تُعامل معالم دالة الكتلة (مثل معلمة النجاح $p$ في نموذج ذي الحدين أو المعلمة $lambda$ في نموذج بواسون) كقيم ثابتة وجامدة، بل كمتغيرات عشوائية تمتلك توزيعات احتمالية قبلية (Prior Distributions) تعكس المعرفة السيكولوجية والخبرة الإكلينيكية السابقة للباحث.

وعند جمع البيانات السلوكية الجديدة المنفصلة وتحديد دالة الإمكان (Likelihood Function) المستندة إلى دالة الكتلة الاحتمالية، يتم تطبيق مبرهنة بايز لإنتاج التوزيع الاحتمالي البعدي (Posterior Distribution) للمعالم. يوفر هذا النهج البايزي التكاملي تقديراً أكثر واقعية للشك الإحصائي، ويسمح للباحثين النفسيين بتحديث استنتاجاتهم التشخيصية بصورة ديناميكية ومستمرة مع تدفق بيانات الاستجابة من المفحوصين.

كما تتقاطع دوال الكتلة الاحتمالية مع خوارزميات التعلم الآلي والذكاء الاصطناعي الحديثة المطبقة في تحليل السلوك؛ كاستخدام النماذج الرسومية الاحتمالية (Probabilistic Graphical Models) والشبكات البايزية المنفصلة لنمذجة الشبكات المعرفية المعقدة وتشخيص أنماط التفكير المضطربة بناءً على التفاعلات الاحتمالية المنفصلة بين مئات البنود والأعراض السلوكية، مما يفتح آفاقاً واعدة للبحث النفسي المدعوم بأدق التقنيات الحسابية.

الخاتمة

استعرض هذا المقال الموسع والشامل الأبعاد النظرية والرياضية والتطبيقية لـ دالة الكتلة الاحتمالية (Probability Mass Function – PMF) بوصفها الركيزة الأساسية للتعامل الإحصائي مع المتغيرات العشوائية المنفصلة في مجالات العلوم النفسية والسلوكية والقياس السيكومتري. وقد تبين لنا كيف تسهم دالة الكتلة في إرساء بنية رياضية دقيقة تسمح بتعيين أوزان احتمالية حقيقية للنواتج المتقطعة، مستوفيةً شروط اللامسالبية والمجموع الكلي، وموفرةً الأساس الاشتقاقي لكافة المؤشرات المركزية ومقاييس التشتت والعزوم المتقدمة.

كما أوضح التحليل الفروق الجوهرية والمنهجية الفاصلة بين دالة الكتلة الاحتمالية ودالة الكثافة (PDF) ودالة التوزيع التراكمي (CDF)، مستعرضاً أشهر النماذج المنفصلة كنموذج برنولي، والتوزيع ذي الحدين، وتوزيع بواسون، والتوزيعين الهندسي والهندسي الفائق، مع تبيان شروط استخدام كل منها في المختبرات السلوكية والعيادات الإكلينيكية. وقدم المقال مثالين تطبيقيين تفصيليين، أحدهما تجربة رمي النقود الكلاسيكية والآخر تحليل بيانات مقياس ليكرت الخماسي للقلق، مبرهناً على الكيفية الحسابية لبناء جدول التوزيع الاحتمالي واستخراج المؤشرات الإحصائية وتفسيرها سيكولوجياً بدقة متناهية.

إن الاستيعاب العميق لدالة الكتلة الاحتمالية، وتجنب الأخطاء الشائعة في تطبيقها، واستخدام الأدوات البرمجية الحديثة مثل R وبايثون لتحليلها، يُعد متطلباً منهجياً حتمياً لكل باحث يسعى إلى تصميم أدوات قياس سيكومترية صادقة وموثوقة، وإلى نمذجة السلوك الإنساني في فضاء يتسم بعدم اليقين، محولاً الملاحظة السلوكية المتقطعة إلى استدلال علمي كمي رصين يسهم في تقدم المعرفة النفسية والإنسانية.

References

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• American Psychiatric Association. (2013). Diagnostic and statistical manual of mental disorders (5th ed.). American Psychiatric Publishing. https://doi.org/10.1176/appi.books.9780890425596
• Bernoulli, J. (1713). Ars conjectandi, opus posthumum. Impensis Thurnisiorum, Fratrum.
• Casella, G., & Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.
• DeGroot, M. H., & Schervish, M. J. (2012). Probability and statistics (4th ed.). Addison-Wesley.
• Embretson, S. E., & Reise, S. P. (2000). Item response theory for psychologists. Lawrence Erlbaum Associates.
• Feller, W. (1968). An introduction to probability theory and its applications (Vol. 1, 3rd ed.). John Wiley & Sons.
• Hogg, R. V., McKean, J., & Craig, A. T. (2019). Introduction to mathematical statistics (8th ed.). Pearson.
• Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. https://doi.org/10.2307/1914185
• Lord, F. M. (1980). Applications of item response theory to practical testing problems. Lawrence Erlbaum Associates.
• Ross, S. M. (2014). A first course in probability (9th ed.). Pearson.
• Wackerly, D., Mendenhall, W., & Scheaffer, R. L. (2014). Mathematical statistics with applications (7th ed.). Cengage Learning.