ما هو شرط النجاح/الفشل في الإحصاء؟

يمثل الاستدلال الإحصائي الدعامة الرياضية والمنهجية الكبرى التي يرتكز عليها البحث العلمي المعاصر في تحويل الملاحظات الخام والعينات المحدودة إلى استنتاجات وتعميمات قطعية تنطبق على مجتمعات إحصائية كاملة. وضمن فضاء البيانات الفئوية والثنائية، حيث تصنف الاستجابات إلى نمطين متقابلين مثل النجاح والإخفاق، أو الاستجابة واللااستجابة، تبرز معضلة رياضية أساسية ترتبط بطبيعة التوزيعات الاحتمالية المنفصلة وحساباتها التوافقية المعقدة عند تزايد أحجام العينات، مما استدعى تطوير جسور رياضية متينة تتيح استخدام المنحنى الطبيعي المتصل لتقريب هذه الظواهر دون الإخلال بصرامة النتائج وموثوقيتها العلمية.

في صلب هذا التحول الرياضي يكمن ما يعرف في الأدبيات الإحصائية باسم شرط النجاح/الفشل (Success/Failure Condition)، وهو المعيار الرياضي الحاسم الذي يحكم مشروعية الاستعانة بـ التوزيع الطبيعي كتقريب دقيق للتوزيع ذي الحدين، سواء عند بناء فترات الثقة لنسب المجتمع أو عند اختبار الفرضيات الإحصائية البارامترية. ويعد هذا الشرط بمثابة صمام الأمان المنهجي الذي يقي الباحث من الوقوع في فخاخ الانحياز التقديري وتضخم الأخطاء الإحصائية من النوع الأول والنوع الثاني، وهو ما يجعله ركيزة لا غنى عنها في مختلف فروع العلوم السلوكية والنفسية والطبية والاجتماعية.

يتناول هذا الدليل الشامل والمفصل شرط النجاح/الفشل من مختلف جوانبه النظرية والتطبيقية، بدءاً من جذوره التاريخية والرياضية العائدة إلى محاكمات برنولي ومبرهنة دي موافر-لابلاس، مروراً بالصياغات الجبرية والجدل المعياري حول عتبات التحقق (قاعدة الـ 10 مقابل قاعدة الـ 5)، وتطبيقاته في فترات الثقة واختبارات الفرضيات، وصولاً إلى استعراض البدائل اللابارامترية والدقيقة عند انتهاك الشرط، معززاً بنماذج حسابية تفصيلية وأكواد برمجية عبر أشهر المنصات الإحصائية وقائمة مراجع أكاديمية موثقة وفق المعايير الدولية.

1. مفهوم شرط النجاح/الفشل في الإحصاء الاستدلالي

1.1 التعريف الأساسي لشرط النجاح/الفشل

يُعرَّف شرط النجاح/الفشل في فضاء الإحصاء الاستدلالي بأنه معيار رياضي وتحليلي يقضي بضرورة احتواء العينة العشوائية المسحوبة على عدد متوقع كافٍ من المشاهدات في كلتا الفئتين الثنائيتين قيد الدراسة: فئة “النجاح” وفئة “الفشل”. رياضياً، يتحقق هذا الشرط عندما يكون حاصل ضرب حجم العينة الكلي في احتمالية حدوث النجاح مساوياً لعشرة على الأقل، وفي الوقت ذاته يكون حاصل ضرب حجم العينة في احتمالية الفشل (الاحتمال المتمم) مساوياً لعشرة أو أكبر. لا يهدف هذا الشرط إلى تقييم جودة التجربة من الناحية الإجرائية، بل يمثل اختباراً للاستقرار التوزيعي الذي يسمح باستبدال الحسابات التوافقية المعقدة لـ التوزيع ذي الحدين بالتوزيع الطبيعي الموصوف بالدوال الرياضية المتصلة.

إن الأساس المنطقي لهذا الاشتراط ينبع من حقيقة أن التوزيع الطبيعي يتميز بالتناظر التام حول متوسطه الحسابي، بينما يتسم التوزيع ذو الحدين بدرجات متفاوتة من الالتواء تعتمد اعتماداً كلياً على قيمة المعلمة الاحتمالية. وعندما يكون حجم العينة صغيراً مع وجود احتمالية نجاح متطرفة تقترب من الصفر أو الواحد، يصبح التوزيع ذو الحدين شديد الالتواء نحو اليمين أو اليسار، مما يجعل تطبيق المنحنى الجرسي الطبيعي يؤدي إلى تشوهات فادحة في تقدير المساحات الاحتمالية عند أطراف التوزيع. ومن هنا، يبرهن شرط النجاح/الفشل على أن التكرارات المتوقعة تقع في نطاق يضمن امتصاص هذا الالتواء وتحقيق التناظر التقريبي الكافي لسلامة الاستدلال.

يرتبط هذا المفهوم ارتباطاً وثيقاً بكفاءة الاختبارات البارامترية، حيث يفترض نموذج الاستدلال على النسب أن تباين المقدر الإحصائي يستند إلى توزيع تقاربي متصل. وإذا لم يتحقق هذا التكرار المتوقع الأدنى، فإن الخطأ المعياري المحسوب يفقد دقته كمعيار لتشتت النسبة العينية، الأمر الذي ينعكس سلباً على صحة المستويات الاحتمالية وفترات التقدير التي يعتمد عليها متخذ القرار في العلوم التجريبية والتطبيقية.

1.2 السياق النظري وظهور الشرط في الاستدلال الإحصائي

نشأ السياق النظري لشرط النجاح/الفشل نتيجة لتحديات حسابية واجهت علماء الرياضيات والإحصاء عبر القرون الماضية؛ ففي الحقبات التي سبقت ظهور الحواسيب الفائقة، كان حساب الاحتمالات التراكمية لتجارب تتضمن مئات أو آلاف المحاولات الثنائية أمراً يقترب من الاستحالة العملية، نظراً للحاجة إلى حساب المعاملات التوافقية والمضاريب الحسابية ذات القيم الفلكية. وقد قاد هذا العجز الحسابي رواد الرياضيات إلى البحث عن صيغ تقريبية تمكن من محاكاة السلوك التراكمي للبيانات المنفصلة باستخدام دوال متصلة يمكن تكاملها وجدولتها بيسر وسهولة.

شهدت هذه المسيرة تحولاً منهجياً عميقاً بفضل مساهمات علماء الإحصاء الكلاسيكي الذين عملوا على مواءمة النتائج الرياضية لمبرهنات التقارب مع الممارسة الميدانية لجمع البيانات. ولم يكن الانتقال من النماذج المنفصلة إلى النماذج المتصلة مجرد حيلة حسابية لتوفير الجهد، بل كان تطويراً لبنية نظرية متماسكة تفسر كيف يمكن للأنظمة العشوائية الفردية البسيطة أن تنتج أنماطاً توزيعية مستقرة ومنتظمة عند تراكمها بأعداد كافية. وفي هذا الإطار، تبلورت القواعد التجريبية والمعايير الحدية لتحديد اللحظة الرياضية التي يصبح فيها هذا التقريب آمناً ولا يترتب عليه انحراف جوهري عن الحقيقة الاحتمالية.

تدرجت هذه القواعد عبر تاريخ علم الإحصاء من تقديرات غير رسمية تعتمد على الملاحظة البصرية للمنحنيات التكرارية إلى صياغات جبرية دقيقة تستند إلى دراسات المحاكاة الرياضية وتحليل معدلات التغطية التجريبية. وقد أسهم هذا التراكم العلمي في تثبيت شرط النجاح/الفشل كمعيار قياسي يُدرس في المناهج الأكاديمية ويُعتمد كشرط إلزامي في حزم البرمجيات الإحصائية المتقدمة لتأكيد صلاحية التحليلات البارامترية للبيانات الثنائية.

1.3 الأهمية المنهجية للتحقق من الشرط قبل التحليل

تكتسب عملية التحقق المسبق من شرط النجاح/الفشل أهمية منهجية حاسمة تسبق الشروع في أي معالجة إحصائية للبيانات الفئوية، إذ تمثل خط الدفاع الأول لحماية الباحث من الوقوع في أخطاء التعميم الإحصائي الجسيمة. فعندما يدرس الباحثون ظواهر سلوكية أو نفسية تعتمد على تصنيف الأفراد، فإن التسرع في تطبيق اختبارات النسبة الطبيعية دون فحص الشرط يؤدي في كثير من الأحيان إلى بناء استنتاجات وهمية لا تعبر عن الواقع الفعلي للمجتمع الإحصائي، نتيجة لاعتماد النموذج الرياضي على افتراضات منهارة بنيوياً.

تتجلى هذه الأهمية أيضاً في ضمان التطابق الصارم بين البيانات التجريبية المجمعة والافتراضات التوزيعية التي بنيت عليها النماذج الإحصائية؛ فالنماذج الرياضية للاختبارات المعلمية تُشتق انطلاقاً من فرضيات محددة تتعلق بشكل التوزيع الاحتمالي للبيانات. وعند تجاهل فحص شرط النجاح/الفشل، يفقد النموذج قدرته على التحكم في معدلات الخطأ، مما يؤدي إلى تشويه مستويات المعنوية الإحصائية وتقديم تقديرات غير موثوقة للقيم الاحتمالية المرافقة للاختبارات، الأمر الذي يقوض الثقة في نتائج البحث الأكاديمي.

علاوة على ذلك، يسهم التحقق الدقيق من هذا الشرط في تقليص التحيز المنهجي المرتبط بتقدير الأخطاء المعيارية وبناء فترات الثقة. فعند استيفاء الشرط، تكتسب فترات الثقة المحسوبة دقة عالية تعكس المدى الحقيقي الذي تقع ضمنه معلمة المجتمع بنسبة ثقة معلنة، مما يتيح للباحثين تقديم توصيات علمية وقرارات مهنية تستند إلى تقديرات كمية صلبة وخالية من العيوب الرياضية الخفية.

2. الجذور الرياضية: من محاكمات برنولي إلى التوزيع ذي الحدين

2.1 طبيعة تجارب ومحاكمات برنولي (Bernoulli Trials)

ترتكز دراسة البيانات الثنائية في الإحصاء الاحتمالي على المفهوم الرياضي التأسيسي المعروف باسم محاكمة برنولي (Bernoulli Trial)، وهي تجربة عشوائية تتميز باقتصار نتائجها الممكنة على مخرجين اثنين حصريين ومتنافيين، يُصطلح على تسميتهما تقليدياً بـ “النجاح” و”الفشل”. وتتسم هذه التجربة الرياضية بخاصيتين جوهريتين: الأولى هي ثبات احتمالية النجاح، والتي يُرمز لها بالرمز $p$، عبر جميع المحاكمات المتكررة، مما يستتبع تلقائياً أن احتمالية الفشل المتممة، والتي يُرمز لها بالرمز $q$ أو $(1-p)$، تظل ثابتة ومستقرة. أما الخاصية الثانية فهي الاستقلالية الإحصائية التامة بين المحاولات، بحيث لا تؤثر نتيجة أي محاكمة سابقة على احتمالية حدوث أي نتيجة في المحاكمات اللاحقة.

تجد هذه البنية الرياضية تطبيقات واسعة النطاق في مجالات علم النفس التجريبي والعلوم المعرفية؛ فعلى سبيل المثال، عند تعريض مفحوص لمحفز بصري عابر في زمن استجابة مقاس بالمللي ثانية، فإن رصد ما إذا كان المشارك قد لاحظ المحفز (استجابة = 1) أو لم يلاحظه (عدم استجابة = 0) يمثل نموذجاً كلاسيكياً لمحاكمة برنولي. وفي مثل هذه التصاميم، يُفترض أن كل محاولة مستقلة عن سابقتها بافتراض فترات راحة كافية تمنع الإجهاد الإدراكي، وتظل احتمالية الاستجابة ثابتة تحت نفس الشروط المعملية الدقيقة.

يشكل المتغير العشوائي لبرنولي $X$ الوحدة البنائية الأساسية للاستدلال الثنائي، وتعرف دالته الاحتمالية بالصيغة الرياضية $P(X = x) = p^x (1-p)^{1-x}$ حيث تأخذ $x$ القيمة 1 في حالة النجاح أو 0 في حالة الفشل. ويتميز هذا المتغير بقيمة متوقعة مساوية لاحتمال النجاح $E(X) = p$، وتباين رياضي يحسب عبر حاصل الضرب $Var(X) = p(1-p)$، وهي المعالم الأولية التي تنبثق منها كافة النظريات المتقدمة لتحليل النسب الإحصائية.

2.2 بناء التوزيع ذي الحدين وخصائصه الجبرية

عند تكرار محاكمة برنولي لعدد ثابت ومحدد من المرات يرمز له بالرمز $n$، في ظل شرطي الاستقلالية وثبات الاحتمال، فإن مجموع الاستجابات الإيجابية أو عدد النجاحات المحققة يتحول إلى متغير عشوائي جديد يتبع التوزيع ذي الحدين، ويُرمز له بالصيغة $Y sim Bin(n, p)$. وتُحسب احتمالية الحصول على عدد محدد من النجاحات $k$ عبر دالة الكتلة الاحتمالية (Probability Mass Function) التي تأخذ التعبير الجبري التالي:

$$P(Y = k) = \binom{n}{k} p^k (1-p)^{n-k} = \frac{n!}{k!(n-k)!} p^k (1-p)^{n-k}$$

تتضمن هذه الدالة المعامل التوافقي $\binom{n}{k}$ الذي يعبر عن عدد التباديل والتوافيق الممكنة لترتيب $k$ من النجاحات ضمن $n$ من المحاولات الكلية، وهو المكون الذي يتسبب في صعوبات حسابية معقدة عند كبر حجم العينة. أما القيمة المتوقعة لهذا التوزيع فتساوي حاصل ضرب حجم العينة في احتمال النجاح $E(Y) = np$، في حين يُعطى التباين بالمعادلة $Var(Y) = np(1-p)$، ويكون الانحراف المعياري هو الجذر التربيعي الموجب لهذا التباين $\sigma = \sqrt{np(1-p)}$.

تظهر التحديات الجبرية للتوزيع ذي الحدين بوضوح عندما تتسع أحجام العينات إلى المئات أو الآلاف؛ فحساب المضروب الرياضي $n!$ للأعداد الكبيرة يؤدي إلى قيم تفوق القدرات التخزينية والتشغيلية للآلات الحاسبة التقليدية ويتطلب خوارزميات برمجية متخصصة. وعلاوة على ذلك، فإن الرغبة في حساب الاحتمال التراكمي لوقوع عدد من النجاحات ضمن مجال معين تتطلب جمعاً مطولاً لعدد كبير من الحدود المنفصلة، مما يجعل استبدال هذه الدالة الجبرية بنموذج رياضي متصل ضرورة علمية وتطبيقية ملحة.

2.3 الانتقال من المتغيرات المنفصلة إلى المتصلة

يمثل الانتقال من التوزيع ذي الحدين إلى التوزيع الطبيعي قفزة نوعية في الفلسفة الرياضية للإحصاء؛ فالتوزيع ذو الحدين هو بطبيعته توزيع منفصل (Discrete)، حيث تأخذ نتائجه قيماً صحيحة غير قابلة للتجزئة (مثل 0، 1، 2 نجاحات)، وتتوزع كتلته الاحتمالية في نقاط نقطية محددة. في المقابل، يمثل التوزيع الطبيعي نموذجاً متصلاً (Continuous) يتميز بدالة كثافة احتمالية ملساء تتخذ شكل المنحنى الجرسي المتناظر، وتُحسب فيه الاحتمالات عبر المساحات الواقعة تحت المنحنى ضمن فترات محددة بدلاً من النقاط المفردة.

لتبرير استخدام هذا المنحنى المتصل لتمثيل ترددات منفصلة، اعتمد الإحصائيون على مبدأ تقارب التوزيعات الاحتمالية؛ فعندما يتزايد حجم العينة $n$ مع بقاء $p$ بعيدة عن الصفر والواحد، تبدأ أعمدة المدرج التكراري للتوزيع ذي الحدين بالتقارب والاندماج التدريجي، بحيث ترتسم قممها على شكل مسار هندسي مائل للملاسة يتطابق تطابقاً شبه تام مع منحنى غاوس الطبيعي الذي يمتلك نفس المتوسط الحسابي $\mu = np$ ونفس الانحراف المعياري $\sigma = \sqrt{np(1-p)}$.

ولردم الفجوة الهندسية بين المساحات المنفصلة والمستمرة عند إجراء هذا التحول، ظهر مفهوم “تصحيح الاستمرارية” (Continuity Correction). يقوم هذا التعديل الرياضي على إضافة أو طرح نصف وحدة (0.5) من القيمة المنفصلة $k$ عند حساب الاحتمال المتصل، مما يضمن احتواء عرض العمود التكراري المنفصل بأكمله ضمن مجال التكامل للمنحنى المتصل، وهو ما يرفع من دقة التقريب الرياضي لا سيما في العينات المتوسطة التي تقف على أعتاب شرط النجاح/الفشل.

3. مبرهنة النهاية المركزية وعلاقتها بالتقريب الطبيعي

3.1 دور مبرهنة النهاية المركزية (CLT) في نسب العينات

تعد مبرهنة النهاية المركزية الركيزة النظرية الأهم في الإحصاء الرياضي، وتنص في جوهرها على أن مجموع أو متوسط عدد كبير من المتغيرات العشوائية المستقلة والموزعة توزيعاً متطابقاً يقترب من التوزيع الطبيعي المعياري كلما اتسع حجم العينة، بصرف النظر تماماً عن الشكل التوزيعي الأصلي للمجتمع الإحصائي الذي سُحبت منه تلك المشاهدات. وعند تطبيق هذه المبرهنة الكونية على فضاء النسب الثنائية، يتم التعامل مع نسبة النجاح المشاهدة في العينة $\hat{p} = \frac{X}{n}$ بوصفها المتوسط الحسابي لـ $n$ من متغيرات برنولي المستقلة ذات القيم (0 أو 1).

بناءً على هذه الرؤية الرياضية، تصبح القيمة المتوقعة لنسبة العينة مساوية لنسبة المجتمع الحقيقية $E(\hat{p}) = p$، بينما يحسب الخطأ المعياري للنسبة العينية عبر الصيغة $SE(\hat{p}) = \sqrt{\frac{p(1-p)}{n}}$. وتؤكد مبرهنة النهاية المركزية أن توزيع المعاينة لنسبة النجاح $\hat{p}$ يتقارب نحو التوزيع الطبيعي بالمعالم $N(p, \frac{p(1-p)}{n})$ مع نمو حجم العينة باتجاه اللانهاية، مما يتيح تطبيق أدوات الاستدلال الطبيعي على معالم النسب.

يشترط لسريان مبرهنة النهاية المركزية تحقق استقلالية المشاهدات العشوائية، وهو ما يفرض قيداً إضافياً في الدراسات التطبيقية؛ فإذا كان السحب يتم دون إرجاع من مجتمع إحصائي محدود، يجب ألا يتجاوز حجم العينة 10% من إجمالي حجم المجتمع الإحصائي (شرط الاستقلالية $n le 0.10 N$). ويضمن هذا القيد عدم تأثر احتمالات النجاح بين المحاولات المتتالية، مما يحافظ على شروط مبرهنة النهاية المركزية ويدعم التقريب الطبيعي بالتوازي مع شرط النجاح/الفشل.

3.2 مبرهنة دي موافر-لابلاس (De Moivre–Laplace Theorem)

تمثل مبرهنة دي موافر-لابلاس الأصل التاريخي والرياضي المباشر الذي مهد لصياغة مبرهنة النهاية المركزية، وتعتبر حالة خاصة وتطبيقية رائدة للتقريب الطبيعي للتوزيع ذي الحدين. يعود الفضل الأول في اشتقاق هذه المبرهنة إلى عالم الرياضيات الفرنسي أبراهام دي موافر في ثلاثينيات القرن الثامن عشر عندما نجح في تقريب التوزيع ذي الحدين متساوي الاحتمال ($p = 0.5$)، قبل أن يقوم العالم بيير سيمون لابلاس بتوسيع نطاق البرهان الرياضي ليشمل أي قيمة لاحتمال النجاح $p$ تقع في المجال المفتوح بين الصفر والواحد.

يستند البرهان الرياضي لمبرهنة دي موافر-لابلاس إلى استخدام تقريب ستيرلينغ للمضاريب الحسابية الكبيرة ($n! \approx \sqrt{2\pi n} (\frac{n}{e})^n$) لاستبدال المعاملات التوافقية في دالة الكتلة الاحتمالية لذي الحدين. ومن خلال تحليل الحدود المقاربة وتطبيق لوغاريتمات التوسع، أثبت لابلاس رياضياً أن المتغير المعياري المنفصل $Z = \frac{Y – np}{\sqrt{np(1-p)}}$ يتقارب في توزيعه التراكمي إلى دالة الكثافة الاحتمالية الطبيعية المعيارية عندما يقترب حجم العينة $n$ من اللانهاية:

$$\lim_{n to \infty} P\left( a le \frac{Y – np}{\sqrt{np(1-p)}} le b \right) = \frac{1}{\sqrt{2\pi}} \int_{a}^{b} e^{-\frac{z^2}{2}} dz$$

تحدد هذه المبرهنة الشروط الحدية الصارمة للتقريب، وتوضح أن سرعة تقارب دالة ذي الحدين نحو المنحنى الغاوسي تعتمد بشكل حرج على مدى تمركز الكتلة الاحتمالية حول المتوسط، مما يبرز الأهمية الرياضية لضمان أن يكون التشتت الكلي للمحاولات كافياً لتغطية ذيول المنحنى الطبيعي دون انقطاع، وهو الأساس الرياضي الذي انبثق منه لاحقاً شرط النجاح/الفشل التطبيقي.

3.3 تناظر التوزيع مقابل الالتواء في البيانات الثنائية

يتأثر الشكل الهندسي للتوزيع ذي الحدين بشكل مباشر بقيمة معلمة الاحتمال $p$؛ فعندما تكون $p = 0.5$، يكون التوزيع متناظراً تماماً حول متوسطه الحسابي لأي حجم عينة، حيث تتطابق احتمالية النجاح مع احتمالية الفشل، مما يجعل معامل الالتواء (Skewness) مساوياً للصفر. أما عندما تبتعد قيمة $p$ عن المنتصف وتقترب من الحواف الصفرية أو الأحادية، فإن التوزيع يفقد تناظره ويصبح ملتوياً بشدة، حيث يكون الالتواء موجباً (نحو اليمين) عندما تكون $p 0.5$.

يُحسب معامل الالتواء الرياضي للتوزيع ذي الحدين بواسطة المعادلة الجبرية التالية:

$$\gamma_1 = \frac{1 – 2p}{\sqrt{np(1-p)}}$$

تكشف هذه المعادلة بوضوح عن الديناميكية التفاعلية بين حجم العينة $n$ ومعلمة الاحتمال $p$؛ فكلما كانت قيمة $p$ متطرفة وقريبة من الصفر (مما يجعل البسط $1-2p$ كبيراً ومقترباً من 1)، يتطلب الأمر زيادة هائلة في حجم العينة $n$ في المقام لتقليص قيمة معامل الالتواء وجعله يقترب من الصفر، وهو الشرط الأساسي الذي يتيح محاكاة التوزيع بالمنحنى الطبيعي المتناظر خالي الالتواء.

وهنا يبرز الدور الجوهري لشرط النجاح/الفشل؛ فالشرط يضمن بطبيعته الجبرية أن يكون المقام في معادلة الالتواء كبيراً بما يكفي لإخماد أثر الشذوذ في البسط. فعندما يتحقق أن $np ge 10$ و $n(1-p) ge 10$، فإن معامل الالتواء ينخفض إلى مستويات مقبولة إحصائياً تمنع حدوث تشوهات حرجة عند حساب المساحات الاحتمالية في ذيول التوزيع، مما يتيح إجراء اختبارات الفرضيات وحساب فترات الثقة بثقة رياضية ومنهجية عالية.

4. الصياغة الرياضية والمعادلات المحددة لشرط النجاح/الفشل

4.1 معادلة عدد النجاحات المتوقعة (np)

تمثل معادلة حساب عدد النجاحات المتوقعة الطرف الأول في ميزان التحقق لشرط النجاح/الفشل، ويُرمز لها بالصيغة الرياضية المباشرة:

$$\mu_{success} = E(Y) = n \cdot p$$

حيث يمثل $n$ حجم العينة العشوائية المستقلة الكلية، ويمثل $p$ احتمالية حدوث النجاح في المحاكمة الواحدة في المجتمع الإحصائي المدروس. ويقضي الشرط الرياضي القياسي بأن يكون حاصل هذا الضرب مساوياً للعشرة كحد أدنى، أي صياغة المتباينة الأساسية:

$$n \cdot p ge 10$$

يحمل هذا الاشتراط دلالة إحصائية عميقة؛ فالقيمة المتوقعة للنجاحات تعبر عن مركز الكتلة الاحتمالية للتوزيع ذي الحدين. وإذا كانت قيمة $np$ أقل من 10 (كأن تكون 3 أو 4)، فإن التوزيع يكون محشوراً بالقرب من الجدار الصفري للمحور الأفقي، مما يستحيل معه أن يتخذ المنحنى التكراري ذي الحدين هيئة الانتفاخ الجرسي المتناظر للتوزيع الطبيعي، حيث سيفتقر الطرف الأيسر للمنحنى إلى المساحة الكافية للتمدد والتماثل مع الطرف الأيمن، الأمر الذي يترتب عليه خطأ جسيم في تقدير الاحتمالات التراكمية في الطرف الأدنى للتوزيع.

يوضح الجدول التالي متطلبات حجم العينة الأدنى $n$ لضمان تحقيق شرط النجاحات المتوقعة $np ge 10$ عند قيم مختلفة لاحتمال النجاح $p$، مما يبرز كيف تتضاعف متطلبات العينة مع ندرة الظاهرة المدروسة:

• احتمال معتدل ($p = 0.50$): حجم العينة الأدنى المطلوب هو $n = \frac{10}{0.50} = 20$ مشاهدة.
• احتمال منخفض ($p = 0.20$): حجم العينة الأدنى المطلوب هو $n = \frac{10}{0.20} = 50$ مشاهدة.
• احتمال نادر ($p = 0.05$): حجم العينة الأدنى المطلوب هو $n = \frac{10}{0.05} = 200$ مشاهدة.
• احتمال شديد الندرة ($p = 0.01$): حجم العينة الأدنى المطلوب هو $n = \frac{10}{0.01} = 1000$ مشاهدة.

4.2 معادلة عدد الإخفاقات المتوقعة (n(1-p))

تشكل معادلة الإخفاقات المتوقعة الطرف التوأم المكمل لشرط النجاح/الفشل، وترتكز على استخدام الاحتمال المتمم لحدوث الظاهرة $q = 1 – p$. وتصاغ القيمة المتوقعة لعدد حالات الفشل أو عدم الاستجابة رياضياً كالتالي:

$$\mu_{failure} = E(\text{Failures}) = n \cdot (1 – p)$$

ويشترط التحليل الإحصائي الرصين استيفاء المتباينة الرياضية التوأم:

$$n \cdot (1 – p) ge 10$$

تبرز الضرورة المنهجية لهذا الشرط التوأم في الحالات التي تكون فيها احتمالية حدوث الظاهرة مرتفعة للغاية وتكاد تقترب من الواحد الصحيح (مثل دراسة نسبة الأفراد الذين يجيدون القراءة والكتابة في مجتمع متقدم، حيث قد تصل $p = 0.98$). ففي هذه السيناريوهات، بالرغم من أن عدد النجاحات المتوقعة $np$ سيكون ضخماً ويتجاوز العتبة بمراحل، فإن عدد الإخفاقات المتوقعة $n(1-p)$ قد يهبط دون العشرة ما لم يكن حجم العينة كبيراً جداً، مما يؤدي إلى انحشار التوزيع بالقرب من الحد الأقصى ($n$) واختناق الذيل الأيمن للتوزيع الطبيعي الموازي.

لذلك، يؤكد علماء الإحصاء على حتمية التحقق المتزامن والمتوازي من كلا الشرطين معاً؛ فلا يجوز بأي حال من الأحوال الاكتفاء بنجاح أحد الطرفين لتبرير استخدام التقريب الطبيعي. إن الصيغة الرياضية الشاملة لشرط النجاح/الفشل تُصاغ كمجموعة متباينات اقترانية إلزامية:

$$\min\left( n \cdot p, ; n \cdot (1 – p) \right) ge 10$$

4.3 الترميز الإحصائي في حالة المعالم المجهولة

في الممارسة الإحصائية الميدانية والواقع التطبيقي، نادراً ما تتوفر للباحث المعلمة الحقيقية لاحتمال النجاح في المجتمع $p$، حيث يكون الهدف الأساسي من إجراء الدراسة هو تقدير هذه المعلمة المجهولة نفسها أو بناء فترة ثقة حولها. وفي هذه الحالة، يتحول الرمز الإحصائي من المعلمة السكانية الناتجة عن المجتمع إلى المقدر الإحصائي العيني المستخرج من بيانات العينة المشاهدة، والذي يُرمز له بـ $\hat{p}$ (ويُقرأ: p-hat)، حيث يُحسب بقسمة التكرار الملاحظ للنجاحات $x$ على حجم العينة الكلي $n$ ($\hat{p} = x/n$).

وبناءً على هذا التحول التقديري، يُعاد صياغة شرط النجاح/الفشل ليعتمد على التكرارات المشاهدة الفعلية في العينة عبر المتباينتين التاليتين:

$$n \hat{p} ge 10 \quad \text{and} \quad n(1 – \hat{p}) ge 10$$

ومن منظور جبري مبسط، نجد أن $n\hat{p} = n(\frac{x}{n}) = x$ يمثل عدد النجاحات الفعلية المرصودة في العينة، بينما يمثل $n(1-\hat{p}) = n – x$ عدد الإخفاقات الفعلية المرصودة في العينة. وبالتالي، يتحول الشرط في سياق فترات الثقة للنسب إلى متطلب إجرائي بديهي ومباشر: يجب أن تحتوي العينة المدروسة فعلياً على ما لا يقل عن 10 حالات نجاح و10 حالات فشل ملاحظة.

إن استبدال المعلمة الحقيقية بالمقدر العيني يُدخل عنصراً إضافياً من التباين في معادلة الاستدلال، ويجعل حدود فترة الثقة خاضعة لتقلبات العينة العشوائية. ولهذا السبب، فإن التهاون في تطبيق عتبة النجاح/الفشل عند استخدام المقدر $\hat{p}$ ينطوي على مخاطر أكبر مقارنة باستخدامه مع المعلمة المعروفة $p$، مما يستوجب الالتزام الصارم بالعتبات العددية المقررة دون تساهل.

5. عتبة المعيار الإحصائي: مناقشة قاعدة الـ 10 مقابل قاعدة الـ 5

5.1 الأدلة الإحصائية المؤيدة لقاعدة الـ 10 كمعيار قياسي

تحظى “قاعدة الـ 10” بتأييد واسع وإجماع منهجي راسخ في الأدبيات الإحصائية المعاصرة كمعيار قياسي موثوق للتحقق من صلاحية التقريب الطبيعي للتوزيع ذي الحدين. ينبع هذا الإجماع من أبحاث المحاكاة الرقمية المتقدمة التي قامت باختبار سلوك فترات الثقة ومعدلات التغطية التجريبية؛ حيث أظهرت هذه الدراسات أن اعتماد عتبة $np ge 10$ و $n(1-p) ge 10$ يقلص معدل الخطأ في المساحات الاحتمالية الواقعة في ذيول التوزيع الطبيعي إلى أقل من 0.5% مقارنة بالتوزيع ذي الحدين الدقيق، وهو مستوى دقة ممتاز يلبي متطلبات النشر العلمي في المجلات الرصينة.

علاوة على ذلك، توفر عتبة الـ 10 حماية حقيقية لمعدل التغطية الفعلي (Actual Coverage Rate) لفترات الثقة المحددة عند المستوى الاسمي 95%؛ فعندما تنخفض العتبة دون الـ 10، يهبط معدل التغطية الفعلي لفترة ثقة والد الكلاسيكية بصورة مفاجئة ليصل في بعض الحالات إلى 88% أو أقل، مما يعني أن 12% من فترات الثقة المحسوبة تفشل في احتواء معلمة المجتمع الحقيقية بدلاً من النسبة المقررة نظرياً وهي 5%. ومن خلال فرض قاعدة الـ 10، يتم كبح هذا التذبذب وضمان بقاء معدل التغطية قريباً جداً من مستواه الاسمي المعلن.

تتوافق هذه القاعدة أيضاً مع المعايير الأخلاقية والمنهجية المعتمدة لدى كبريات الجمعيات العلمية، مثل الجمعية الأمريكية لعلم النفس (APA) والجمعية الإحصائية الأمريكية (ASA)، التي تحث الباحثين على تبني المعايير الأكثر متانة واستقراراً لتفادي الأخطاء الاستدلالية التي قد تقود إلى قرارات علاجية أو سياسات عامة خاطئة ناتجة عن هشاشة التحليل الرياضي.

5.2 السياقات التاريخية والنصوص المعتمدة لقاعدة الـ 5

على الرغم من الهيمنة المعاصرة لقاعدة الـ 10، لا تزال بعض المراجع الإحصائية الكلاسيكية والمقررات التمهيدية تشير إلى “قاعدة الـ 5” كعتبة كافية للتقريب الطبيعي ($np ge 5$ و $n(1-p) ge 5$). تعود الجذور التاريخية لهذه القاعدة إلى منتصف القرن العشرين، حيث كانت التنازلات المنهجية مقبولة نسبياً لتخفيف العبء الحسابي الهائل عن كاهل الباحثين والطلاب الذين كانوا يجرون الحسابات يدوياً باستخدام الجداول الإحصائية المطبوعة في ملاحق الكتب.

كما تأثرت هذه القاعدة التاريخية بالمعيار الشهير المستخدم في اختبار كاي تربيع لحسن المطابقة وجداول الاقتران، حيث استقر العرف الإحصائي المستند إلى أعمال رونالد فيشر وويليام كوكران على أن الاختبار يظل صالحاً إذا كانت التكرارات المتوقعة في خلايا الجدول لا تقل عن 5. وبما أن اختبار كاي تربيع لجدول $2 \times 2$ يكافئ رياضياً مربع اختبار $Z$ لنسبتين، فقد انتقلت هذه العتبة تلقائياً إلى بعض أدبيات النسب الثنائية دون تمييز كافٍ للفروق الدقيقة في أداء ذيول التوزيع.

ومع ذلك، أثبتت الدراسات الإحصائية الحديثة أن التساهل باعتماد عتبة الـ 5 يمثل مخاطرة منهجية كبيرة، لا سيما عندما تكون نسب الظواهر متطرفة ومبتعدة عن التناظر ($p 0.9$). ففي مثل هذه الظروف، ينتج عن قاعدة الـ 5 تشوهات ملحوظة في التقدير الاحتمالي وانحياز واضح في حساب فترات الثقة، مما جعل المراجع الحديثة تصنف هذه القاعدة كخيار تاريخي متقادم يجب تجنبه في البحوث الرصينة.

5.3 المقارنة المنهجية بين القواعد وفق مستويات الدقة المطلوبة

يوضح التحليل المقارن بين العتبات الإحصائية المختلفة أن اختيار معيار التحقق ينعكس بشكل مباشر على حجم العينة المطلوب للدراسة وعلى مقدار الخطأ المعياري المقبول في الاستدلال. يوضح الجدول التالي مقارنة منهجية دقيقة بين القواعد الثلاث الأكثر شيوعاً في الممارسة الإحصائية (عتبة 5، عتبة 10، وعتبة 15 الأكثر تحفظاً):

• عتبة الـ 5 ($np ge 5$): تمثل حداً تساهلياً تاريخياً. تناسب فقط التجارب الاستطلاعية الأولية ذات الاحتمالات المعتدلة القريبة جداً من 0.5. يعيبها ارتفاع معدل الخطأ في الذيول وهبوط معدل التغطية الفعلي لفترات الثقة إلى مستويات غير مقبولة (أقل من 90% في فترات 95%).
• عتبة الـ 10 ($np ge 10$): تمثل المعيار الذهبي المعتمد عالمياً في الأبحاث الأكاديمية والنفسية المعاصرة. توفر توازناً ممتازاً بين كفاءة حجم العينة ودقة التقريب الرياضي، وتضمن استقرار فترات الثقة ومعدلات الأخطاء الإحصائية عند مستوياتها الاسمية المستهدفة.
• عتبة الـ 15 ($np ge 15$): تمثل معياراً فائق التحفظ يُوصى به بشدة في الدراسات الطبية الحرجة والتجارب الدوائية السريرية، وفي الحالات التي تتطلب بناء فترات ثقة فائقة الدقة (مثل مستوى ثقة 99%) أو عند دراسة نسب شديدة التطرف، حيث تضمن القضاء شبه التام على أي أثر لالتواء التوزيع الأصلي.

توصي الهيئات والمؤسسات الإحصائية الدولية الباحثين بتبني النهج التحفظي؛ فكلما كان القرار المترتب على التحليل الإحصائي ذا أبعاد خطيرة أو تكاليف باهظة، تعين على الباحث رفع العتبة إلى 10 أو 15، مع استخدام الاختبارات الدقيقة كبديل منهجي فوري في حال تعذر الوصول إلى هذه الأرقام المستهدفة في العينة.

6. تطبيقات شرط النجاح/الفشل في فترات الثقة لنسبة المجتمع

6.1 فترة ثقة والد (Wald Confidence Interval) وشروطها

تعد فترة ثقة والد لنسبة المجتمع الأحادية الصيغة الكلاسيكية الأكثر شيوعاً وتدريساً في المقررات الإحصائية، وتعتمد اعتماداً مباشراً وتاماً على تحقق شرط النجاح/الفشل بصيغته العينية ($n\hat{p} ge 10$ و $n(1-\hat{p}) ge 10$). تُبنى هذه الفترة الإحصائية على الافتراض القائل بأن النسبة العينية $\hat{p}$ تتوزع توزيعاً طبيعياً متناظراً حول معلمة المجتمع الحقيقية $p$، وتأخذ الصيغة الجبرية الشهيرة التالية:

$$\text{CI}_{Wald} = \hat{p} \pm Z_{alpha/2} \cdot \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$$

حيث يمثل $Z_{alpha/2}$ القيمة الحرجة من التوزيع الطبيعي المعياري المقابلة لمستوى الثقة المطلوب (مثل 1.96 لمستوى ثقة 95%)، ويمثل المقدار $\sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$ الخطأ المعياري المقدر للنسبة العينية.

تنبع مشكلة صيغة والد الكبرى من حساسيتها الشديدة لانتهاك شرط النجاح/الفشل؛ فعندما يكون عدد النجاحات أو الإخفاقات صغيراً، تعاني صيغة والد من ظاهرة إحصائية سلبية تُعرف باسم “التذبذب العشوائي للفوضى” (Chaotic Oscillatory Behavior). في هذه الحالة، يتذبذب معدل التغطية الحقيقي لفترة الثقة بعنف وبشكل غير متوقع مع تغير أحجام العينات، وقد يهبط بصورة كارثية عن المستوى الاسمي المحدد، بالإضافة إلى احتمالية إنتاج حدود ثقة غير منطقية رياضياً تقع خارج النطاق الاحتمالي الطبيعي (أقل من الصفر أو أكبر من الواحد الصحيح).

لذلك، تظل فترة ثقة والد مقيدة منهجياً بوجوب التحقق الصارم من شرط النجاح/الفشل قبل الشروع في حسابها وعرضها كتقدير علمي موثوق لمعلمة المجتمع، مع ضرورة اللجوء إلى صيغ بديلة أكثر استقراراً عند أدنى شك في عدم استيفاء الشروط العددية.

6.2 فترات الثقة للفرق بين نسبتين مستقلتين

يمتد تطبيق شرط النجاح/الفشل ليشمل التصاميم التجريبية والدراسات المقارنة التي تسعى لتقدير الفرق بين نسبتي مجتمعين مستقلين ($p_1 – p_2$)، كما هو الحال في مقارنة معدل تعافي مجموعة تجريبية تتلقى علاجاً نفسياً مبتكراً بمعدل تعافي مجموعة ضابطة تتلقى علاجاً تقليدياً. وفي هذه الحالة المقارنة، تصاغ فترة الثقة للفرق بين النسبتين بالعلاقة التالية:

$$\text{CI}_{(p_1 – p_2)} = (\hat{p}_1 – \hat{p}_2) \pm Z_{alpha/2} \cdot \sqrt{\frac{\hat{p}_1(1-\hat{p}_1)}{n_1} + \frac{\hat{p}_2(1-\hat{p}_2)}{n_2}}$$

لتطبيق هذا النموذج الاستدلالي بشكل سليم، يشترط الإحصائيون تحقق أربعة شروط نجاح وفشل متزامنة ومستقلة تغطي كافة أطراف المقارنة عبر المجموعتين، وتتمثل في الآتي:

• عدد النجاحات المشاهدة في المجموعة الأولى: $n_1 \hat{p}_1 ge 10$
• عدد الإخفاقات المشاهدة في المجموعة الأولى: $n_1 (1 – \hat{p}_1) ge 10$
• عدد النجاحات المشاهدة في المجموعة الثانية: $n_2 \hat{p}_2 ge 10$
• عدد الإخفاقات المشاهدة في المجموعة الثانية: $n_2 (1 – \hat{p}_2) ge 10$

إذا اختل شرط واحد فقط من هذه الشروط الأربعة (كأن يكون عدد حالات التحسن في المجموعة الضابطة 4 حالات فقط بالرغم من وفرة الحالات في بقية الشروط)، فإن الاستدلال القائم على التوزيع الطبيعي للفرق بين النسبتين يصبح باطلاً منهجياً، وتفقد فترة الثقة قدرتها على تمثيل التباين المشترك الحقيقي بين المجتمعين، مما يستدعي استخدام صيغ متقدمة مثل فترات ثقة بيويلر أو الأساليب التكرارية الدقيقة.

6.3 حساب حجم العينة المستهدف لضمان تحقق فترات الثقة

يعد التخطيط القبلي لحجم العينة خطوة تأسيسية حاسمة في تصميم التجارب والمسوح السلوكية لضمان استيفاء شرط النجاح/الفشل مسبقاً قبل النزول إلى الميدان وبدء عملية جمع البيانات. ولتحقيق هذه الغاية، يستخدم الباحثون المعادلات العكسية التي تشتق حجم العينة الأدنى $n$ بناءً على هامش الخطأ المقبول المرغوب فيه $ME$ ومستوى الثقة المحدد $Z_{alpha/2}$، وفق الصيغة الجبرية التالية:

$$n = \left( \frac{Z_{alpha/2}}{ME} \right)^2 \cdot p^* (1 – p^*)$$

حيث تمثل $p^*$ القيمة التقديرية المسبقة لنسبة المجتمع المستمدة من دراسات استطلاعية سابقة أو أدبيات بحثية منشورة. وإذا كانت النسبة المتوقعة $p^*$ صغيرة (مثلاً $p^* = 0.04$)، فإن هذه المعادلة تضمن تلقائياً أن حجم العينة الناتج سيكون كافياً جداً لتحقيق شرط النجاح $np ge 10$، لأن هامش الخطأ الصغير سيتطلب عينة واسعة تعوض صغر قيمة النسبة.

وفي الحالات التي تنعدم فيها أي معلومات سابقة عن قيمة النسبة $p^*$، يتبنى الباحثون استراتيجية “السيناريو الأسوأ والمحافظ” (Worst-Case Scenario) بافتراض أن $p^* = 0.50$. يعطي هذا الافتراض أقصى تباين ممكن للمتغير الثنائي ($0.5 \times 0.5 = 0.25$)، مما ينتج عنه أكبر حجم عينة محتمل يضمن بصورة قاطعة ومطلقة استيفاء شرط النجاح وشرط الفشل معاً تحت أي نسبة حقيقية قد تسفر عنها التجربة الميدانية لاحقاً.

7. دور شرط النجاح/الفشل في اختبار الفرضيات الإحصائية

7.1 اختبار Z لنسبة واحدة (One-Sample Z-Test for Proportions)

في سياق اختبار الفرضيات الإحصائية حول نسبة مجتمع أحادية، يُستخدم اختبار $Z$ لفحص ما إذا كانت نسبة النجاح في المجتمع تختلف اختلافاً جوهرياً عن قيمة مرجعية محددة تدعى القيمة الصفرية $p_0$. تصاغ الفرضية الصفرية تقليدياً بالصيغة $H_0: p = p_0$ مقابل إحدى الفرضيات البديلة ($H_a: p ne p_0$ أو الفرضيات أحادية الاتجاه $p > p_0$ أو $p < p_0$). وتُحسب الإحصاءة الاختبارية $Z$ عبر المعادلة التالية:

$$Z = \frac{\hat{p} – p_0}{\sqrt{\frac{p_0(1 – p_0)}{n}}}$$

توجد نقطة منهجية وفارقة غاية في الأهمية يجب التمييز بينها بدقة عند فحص شرط النجاح/الفشل في اختبارات الفرضيات مقارنة بفترات الثقة: في اختبار الفرضيات، يتم التحقق من شرط النجاح/الفشل باستخدام النسبة المفترضة في الفرضية الصفرية $p_0$ وليس باستخدام النسبة المشاهدة في العينة $\hat{p}$. وعليه، تأخذ الشروط الصيغة الإلزامية التالية:

$$n \cdot p_0 ge 10 \quad \text{and} \quad n \cdot (1 – p_0) ge 10$$

ينبع هذا التمييز الرياضي من المبدأ الإبستمولوجي المؤسس لاختبار الفرضيات، والذي يقتضي تقييم كافة التوزيعات الاحتمالية والأخطاء المعيارية تحت افتراض صحة الفرضية الصفرية تماماً حتى يثبت العكس بالأدلة التجريبية. وبناءً على ذلك، يتم بناء توزيع المعاينة النظري انطلاقاً من المعلمة $p_0$. فإذا تحقق الشرطان المعتمدان على $p_0$، تكتسب القيمة الاحتمالية ($P\text{-value}$) المحسوبة من جداول التوزيع الطبيعي المعياري مصداقيتها الرياضية الكاملة.

7.2 اختبار Z للفرق بين نسبتين (Two-Sample Z-Test for Proportions)

عند اختبار الفرضية الصفرية القائلة بعدم وجود فرق بين نسبتي مجتمعين مستقلين ($H_0: p_1 = p_2 = p$)، يفترض النموذج الرياضي أن المجتمعين يشتركان في معلمة احتمالية واحدة مجهولة. ولمعالجة هذا الافتراض، يتم دمج بيانات العينتين المستقلتين لحساب ما يعرف بـ النسبة المجمعة (Pooled Proportion)، والتي يُرمز لها بالرمز $\hat{p}_{pool}$، وتُحسب بقسمة إجمالي عدد النجاحات في المجموعتين على إجمالي حجم العينتين معاً:

$$\hat{p}_{pool} = \frac{X_1 + X_2}{n_1 + n_2}$$

وعند هذه النقطة، يتم فحص شرط النجاح/الفشل لإجراء اختبار $Z$ لعينتين بالاعتماد الحصري على هذه النسبة المجمعة وأحجام العينات الفردية، عبر التحقق المتزامن من استيفاء الشروط الأربعة التالية:

• نجاحات المجموعة الأولى المتوقعة تحت الفرضية الصفرية: $n_1 \hat{p}_{pool} ge 10$
• إخفاقات المجموعة الأولى المتوقعة تحت الفرضية الصفرية: $n_1 (1 – \hat{p}_{pool}) ge 10$
• نجاحات المجموعة الثانية المتوقعة تحت الفرضية الصفرية: $n_2 \hat{p}_{pool} ge 10$
• إخفاقات المجموعة الثانية المتوقعة تحت الفرضية الصفرية: $n_2 (1 – \hat{p}_{pool}) ge 10$

يترتب على انتهاك أي من هذه الشروط الأربعة خلل بنيوي في اختبار الفرضية؛ حيث يؤدي التقريب الطبيعي الزائف إلى تضخم معدل الخطأ من النوع الأول ($\alpha$)، مما يرفع احتمالية رفض الفرضية الصفرية الصائبة وادعاء وجود فروق علاجية أو سلوكية وهمية لا وجود لها في الواقع الإحصائي للمجتمعات المدروسة.

7.3 علاقة شرط النجاح/الفشل باختبار كاي تربيع للاستقلالية

توجد علاقة تكافؤ رياضي وتناظر مفاهيمي عميق بين شرط النجاح/الفشل في اختبارات النسب واشتراطات التكرارات المتوقعة في جداول الاقتران الثنائية ($2 \times 2$) عند تطبيق اختبار كاي تربيع للاستقلالية ($\chi^2$). فمن الناحية الرياضية البحتة، فإن قيمة إحصاءة كاي تربيع المحسوبة لجدول طوارئ ثنائي تتطابق حسابياً مع مربع قيمة إحصاءة $Z$ ثنائية النسب المجمعة ($\chi^2 = Z^2$)، وتكون القيمة الاحتمالية الناتجة عن كلا الاختبارين متطابقة تماماً.

يقابل شرط النجاح/الفشل في فضاء كاي تربيع القاعدة الشهيرة التي تفرض ألا يقل التكرار المتوقع $E_{ij}$ في أي خلية من خلايا الجدول الأربع عن حد معين. ويُحسب التكرار المتوقع لكل خلية بضرب مجموع صفها في مجموع عمودها وقسمة الناتج على المجموع الكلي للمشاهدات ($E_{ij} = \frac{R_i \cdot C_j}{N}$). وتتطابق هذه التكرارات المتوقعة جبرياً مع قيم النجاحات والإخفاقات المتوقعة المشتقة عبر النسبة المجمعة ($n_1 \hat{p}_{pool}$، $n_1(1-\hat{p}_{pool})$، إلخ).

عندما تهبط التكرارات المتوقعة في أي من الخلايا دون العتبات الآمنة، تفقد إحصاءة كاي تربيع توزيعها التقاربي النظري، مما يجعل الدلالة الإحصائية المحسوبة مضللة وغير جديرة بالثقة، وهو ما يستدعي الانتقال الفوري إلى النماذج التوافقية الدقيقة الموازية.

8. تطبيقات شرط النجاح/الفشل في البحوث النفسية والعلوم السلوكية

8.1 دراسات انتشار الاضطرابات النفسية النادرة

تواجه البحوث الوبائية في مجال الطب النفسي وعلم النفس الإكلينيكي تحديات منهجية معقدة عند محاولة قياس معدلات انتشار الاضطرابات النفسية ذات الحدوث النادر في المجتمع العام، مثل الفصام المبكر، أو اضطراب الهوية الانفصامية، أو اضطرابات الشخصية شديدة الخصوصية، حيث قد تستقر معدلات الانتشار الحقيقية عند نسب ضئيلة جداً تتراوح بين 0.5% إلى 2% ($p = 0.005 – 0.02$).

في مثل هذه الدراسات، غالباً ما تفشل العينات ذات الحجم المتوسط (مثل سحب عينة من 200 أو 300 مشارك) في استيفاء شرط النجاح/الفشل؛ فإذا كان معدل الانتشار المفترض هو 1%، فإن سحب عينة قوامها 200 فرد سيعطي عدداً متوقعاً من الحالات الإيجابية يساوي $np = 200 \times 0.01 = 2$ حالة فقط. وبما أن الرقم 2 يقل كثيراً عن العتبة القياسية (10)، فإن استخدام اختبارات $Z$ أو فترات ثقة والد لتقدير نسبة المرض في المجتمع يمثل خطأ منهجياً فادحاً يهدد سلامة البحث بأكمله.

يتطلب تجاوز هذا التحدي في القياس النفسي للأمراض النادرة إما توسيع أحجام العينات بصورة ضخمة لتصل إلى آلاف المشاركين ($n ge 1000$ لضمان $np ge 10$)، أو الاستعانة بالتصاميم المنهجية المتخصصة مثل دراسات الحالات والشواهد (Case-Control Studies)، أو استخدام أدوات الاستدلال الدقيق التي لا تشترط التوزيع الطبيعي للبيانات.

8.2 تجارب السلوك والاختيار الثنائي في علم النفس المعرفي

تشكل المهام السلوكية القائمة على الاختيار الثنائي (Binary Choice Paradigms) حجر الزاوية في تجارب علم النفس المعرفي وعلم الأعصاب الإدراكي، حيث يُطلب من المشاركين اتخاذ قرارات سريعة ومتقابلة، مثل تصنيف الوجوه إلى (مألوفة / غير مألوفة)، أو الحكم على المثيرات اللغوية بكونها (كلمة حقيقية / كلمة زائفة)، أو الاستجابة لمحفزات الخطر في بيئات الواقع الافتراضي.

عند تحليل أداء المفحوصين في هذه التجارب، يتعين على الباحثين تقييم كفاية عدد المحاولات التجريبية (Trials) المنفذة لكل مشارك على حدة، أو عبر مجموع المشاركين، للتحقق من استيفاء شرط النجاح/الفشل قبل تطبيق النماذج الخطية العامة أو الاختبارات البارامترية على نسب الاستجابات الصحيحة. فإذا كانت المهمة المعرفية بالغة السهولة بحيث حقق المشاركون دقة شبه كاملة (معدل نجاح 98%)، فإن عدد الأخطاء أو الإخفاقات المشاهدة سيكون ضئيلاً جداً، مما يؤدي إلى انتهاك شرط الفشل $n(1-\hat{p}) ge 10$ ويمنع استخدام التقريب الطبيعي المباشر لمقارنة المجموعات التجريبية.

يسهم الوعي بشرط النجاح/الفشل في هذا السياق في توجيه علماء النفس المعرفي نحو ضبط معايير صعوبة المهام وتحديد العدد الأمثل للمحاكمات التجريبية لكل مشارك، بما يضمن بقاء معدلات الأداء ضمن النطاق الإحصائي الآمن الذي يتيح التقييم الكمي الدقيق للفروق الفردية في سرعة ودقة المعالجة العقلية.

8.3 استطلاعات الرأي والمسوح السلوكية واسعة النطاق

في سياق استطلاعات الرأي العام والمسوح السلوكية والاجتماعية الكبرى، يجمع الباحثون بيانات ضخمة تمثل شرائح ديموغرافية متعددة المستويات لرصد الاتجاهات النفسية والقيم المجتمعية والسلوكيات الصحية. ومع أن حجم العينة الإجمالي للمسح قد يكون كبيراً جداً (كأن يتجاوز 5000 مشارك)، إلا أن خطر انتهاك شرط النجاح/الفشل يبرز بقوة عند الانتقال من التحليل العام للمجتمع إلى إجراء المقارنات الفرعية المتعمقة (Subgroup Analysis).

تحدث هذه المشكلة المنهجية عندما يقوم الباحث بتشريح العينة الكلية إلى فئات ديموغرافية دقيقة متقاطعة (مثل: فحص اتجاهات الإناث المطلقات من الفئة العمرية 18-24 عاماً اللاتي يعشن في المناطق الريفية). في هذه الشريحة الفرعية، قد ينكمش حجم العينة المتاح إلى 25 فرداً فقط، وإذا كانت نسبة تأييد اتجاه سلوكي معين في هذه الفئة تبلغ 10%، فإن عدد النجاحات المتوقعة سيكون $25 \times 0.10 = 2.5$ حالة، مما يسقط صلاحية التقريب الطبيعي كلياً في هذا المستوى من التحليل.

لذلك، يفرض شرط النجاح/الفشل على الباحثين الميدانيين الامتناع عن تعميم نتائج الفئات الفرعية الميكروية باستخدام اختبارات النسب الكلاسيكية ما لم يتم التأكد من استيفاء العتبات العددية داخل كل خلية تصنيفية على حدة، وتجنب الانسياق وراء وهم الأمان الإحصائي الذي يوفره الحجم الكلي الضخم للمسح العام.

9. أثر انتهاك شرط النجاح/الفشل على دقة وصحة الاستدلال الإحصائي

9.1 تشوه مستويات الدلالة الإحصائية وتضخم الخطأ من النوع الأول والثاني

يترتب على المضي في إجراء التحليلات الإحصائية البارامترية عند انتهاك شرط النجاح/الفشل عواقب وخيمة تطال جوهر الدلالة الإحصائية؛ فالتقريب الطبيعي غير السليم يؤدي إلى تشويه الحسابات الرياضية للمساحات الواقعة في ذيول التوزيع، مما يسفر عن إصدار قيم احتمالية ($P\text{-values}$) غير صحيحة ومضللة بالكامل. ففي ظل الالتواء الشديد للبيانات المنفصلة غير المستوفية للشرط، قد تكون القيمة الاحتمالية المحسوبة عبر جدول التوزيع الطبيعي أصغر بكثير أو أكبر بكثير من القيمة الاحتمالية الحقيقية المشتقة من التوزيع ذي الحدين الأصلي.

يقود هذا التشوه التوزيعي مباشرة إلى تضخم خطير في معدل الخطأ من النوع الأول ($\alpha$)؛ حيث يجد الباحث نفسه يرفض الفرضية الصفرية الصائبة بثقة زائفة ويدعي وجود تأثيرات وتدخلات ذات دلالة إحصائية، بينما يعود هذا التأثير المزعوم في حقيقته إلى عدم تطابق النموذج الرياضي المعتمد مع طبيعة البيانات الملتوية. يمثل هذا التضخم الوهمي للدلالة أحد أبرز أسباب ظهور نتائج علمية غير قابلة للتكرار في الأدبيات التجريبية.

وفي المقابل، قد يتسبب انتهاك الشرط في انخفاض كارثي في القوة الإحصائية للاختبار ($1 – \beta$)، مما يؤدي إلى تضخم الخطأ من النوع الثاني؛ حيث يعجز الاختبار عن رصد الفروق والتأثيرات السلوكية الحقيقية الموجودة بالفعل في المجتمع بسبب التقدير الخاطئ للتباين وتشويه الانحراف المعياري، الأمر الذي يؤدي إلى إهدار الجهود البحثية ووأد الفرضيات العلمية الصائبة.

9.2 انحياز مجالات الثقة وظاهرة التغطية المعيبة

تعد مجالات الثقة لنسبة المجتمع من أكثر الأدوات الإحصائية تأثراً بانتهاك شرط النجاح/الفشل؛ فعندما تفشل العينة في احتواء 10 نجاحات و10 إخفاقات على الأقل، تفقد فترة ثقة والد الكلاسيكية قدرتها على تمثيل الواقع، وتظهر فيها عيوب بنيوية خطيرة. يتمثل العيب الأول في ظاهرة “انزياح الحدود خارج النطاق الاحتمالي”، حيث تنتج المعادلات الرياضية حدوداً عليا تفوق الواحد الصحيح (مثل حد أعلى 1.04) أو حدوداً دنيا سالبة تحت الصفر (مثل حد أدنى -0.03)، وهي نتائج مستحيلة رياضياً ومنطقياً في فضاء النسب الإحصائية.

أما العيب المنهجي الأخطر فيتمثل في “ظاهرة التغطية المعيبة” (Defective Coverage Phenomenon)؛ فبينما يصرح الباحث بأنه يقدم فترة ثقة بمستوى 95%، فإن معدل التغطية الفعلي لتلك الفترة عند انتهاك الشرط قد يهبط إلى 80% أو 75% فقط، مما يعني أن هناك احتمالاً بنسبة 25% بأن المعلمة الحقيقية تقع خارج حدود الفترة المحسوبة، وهو ما ينزع أي قيمة استدلالية أو تطبيقية عن النتائج المنشورة.

علاوة على ذلك، تفشل فترات الثقة الطبيعية المنتهكة للشرط في التعبير عن عدم التناظر الحقيقي الكامن في التوزيع؛ فالصيغة الكلاسيكية تضيف وتطرح هامش خطأ متماثل على جانبي النسبة ($\hat{p} \pm ME$)، في حين أن التوزيع ذي الحدين الأصلي للعينات الصغيرة ذات النسب المنخفضة يكون شديد الالتواء نحو اليمين ويتطلب فترة ثقة غير متناظرة ذات امتداد أطول نحو اليمين لاستيعاب الاحتمالات الحقيقية بدقة.

9.3 العواقب المنهجية على القرارات الإكلينيكية والبحثية

تتجاوز عواقب انتهاك شرط النجاح/الفشل الحدود النظرية للرياضيات لتلقي بظلالها المباشرة والخطيرة على القرارات الإكلينيكية والممارسات المهنية وصناعة السياسات العامة. فعلى سبيل المثال، إذا بُني قرار اعتماد بروتوكول علاجي نفسي تجريبي على تجربة سريرية مصغرة انتهكت شرط النجاح/الفشل وأنتجت قيمة $P$ دالة إحصائياً بصورة مضللة، فإن النتيجة المترتبة ستكون تعريض آلاف المرضى لعلاج غير فعال وإهدار الموارد الصحية الوطنية استناداً إلى سراب إحصائي.

تسهم هذه الممارسات الإحصائية المتساهلة أيضاً في تفاقم “أزمة قابلية التكرار” (Replication Crisis) التي ضربت العلوم السلوكية وعلم النفس في العقدين الأخيرين؛ حيث تفشل الدراسات المستقلة اللاحقة في إعادة إنتاج نفس النتائج المنشورة، ويعود جزء جوهري من هذا الفشل المنهجي إلى الاستخدام الأعمى للاختبارات البارامترية التقريبية مع بيانات عينية صغيرة لم تستوفِ الشروط التوزيعية الأساسية.

من هنا، تقع على عاتق الباحثين والمحكمين في المجلات العلمية مسؤولية أخلاقية وأكاديمية صارمة تفرض الإفصاح الشفاف عن معدلات التحقق من الشروط الرياضية في منهجية البحث، والامتناع التام عن قبول أو نشر أي استدلال إحصائي يستند إلى نماذج منهارة الافتراضات، مع اعتماد البدائل الدقيقة التي تحافظ على نزاهة وموثوقية المعرفة العلمية.

10. البدائل الإحصائية عند عدم تحقق شرط النجاح/الفشل

10.1 اختبار ذي الحدين الدقيق (Exact Binomial Test)

يمثل اختبار ذي الحدين الدقيق، الذي ابتكره رونالد فيشر، البديل الرياضي الأول والأقوى عند انتهاك شرط النجاح/الفشل في دراسات النسبة الواحدة. يتميز هذا الاختبار بالاستغناء التام والمطلق عن أي تقريب توزيعي متصل أو استعانة بالمنحنى الطبيعي، حيث يعتمد كلياً على الحساب المباشر لدوال الكتلة الاحتمالية للتوزيع ذي الحدين الأصلي المنفصل تحت شروط الفرضية الصفرية.

لحساب القيمة الاحتمالية الدقيقة ($P\text{-value}$) لاختبار ثنائي الاتجاه يهدف لفحص ما إذا كانت النسبة الحقيقية تختلف عن $p_0$ في عينة شهدت $k$ من النجاحات ضمن $n$ من المحاولات، يقوم الاختبار بجمع الاحتمالات الرياضية الدقيقة لكافة المخرجات الممكنة $i$ التي تمتلك احتمالية حدوث مساوية أو أقل من احتمالية المخرج المرصود $P(Y = k)$:

$$P\text{-value} = \sum_{i: P(Y = i) le P(Y = k)} \binom{n}{i} p_0^i (1 – p_0)^{n-i}$$

يوفر اختبار ذي الحدين الدقيق تحكماً صارماً ومطلقاً في معدل الخطأ من النوع الأول ($\alpha$)، بحيث يضمن عدم تجاوزه للمستوى الاسمي المحدد تحت أي ظرف من الظروف وبغض النظر عن مدى صغر حجم العينة أو تطرف احتمالية النجاح. وبفضل التطور البرمجي والحوسبي المعاصر، أصبح تنفيذ هذا الاختبار وحساب مجالات ثقته الدقيقة (مثل فترة كلوبر-بيرسون Clopper-Pearson) يتم في أجزاء من الثانية دون أي معوقات حسابية.

10.2 فترة ثقة ويلسون (Wilson Score Interval) وتعديل أغريستي-كول

تمثل فترة ثقة ويلسون (Wilson Score Interval) أحد أروع الإنجازات في الاستدلال على النسب، وتعد البديل الرياضي الأمثل لفترة ثقة والد الكلاسيكية المنهارة. ابتكر هذه الفترة عالم الإحصاء إدوين ويلسون عبر عكس اختبار النسبة وتسوية إحصاءة $Z$ دون اللجوء إلى استبدال المعلمة في الخطأ المعياري، مما ينتج عنه فترة ثقة غير متناظرة تمتلك بنية جبرية محكمة تتطابق مع الالتواء الطبيعي للبيانات:

$$\text{CI}_{Wilson} = \frac{\hat{p} + \frac{Z^2}{2n} \pm Z \sqrt{\frac{\hat{p}(1-\hat{p})}{n} + \frac{Z^2}{4n^2}}}{1 + \frac{Z^2}{n}}$$

تتفوق فترة ويلسون تفوقاً ساحقاً على صيغة والد في العينات الصغيرة والمتوسطة وعند انتهاك شرط النجاح/الفشل؛ حيث تحافظ على معدل التغطية الفعلي قريباً جداً من 95% وتمنع تماماً خروج الحدود عن النطاق [0, 1].

ولتبسيط هذه البنية الرياضية المعقدة لجمهور الباحثين، قدم الإحصائيان آلان أغريستي وبراين كول طريقتهما الشهيرة المعروفة باسم طريقة أغريستي-كول (Agresti-Coull Interval) أو قاعدة “إضافة نجاحين وإخفاقين” (+4 Method) لمستوى ثقة 95%. تقوم هذه الطريقة البسيطة والعبقرية على إضافة 4 مشاهدات وهمية للعينة (إضافة 2 إلى عدد النجاحات وإضافة 4 إلى حجم العينة الكلي):

$$\tilde{n} = n + 4, \quad \tilde{p} = \frac{X + 2}{n + 4}$$

ثم تطبيق صيغة والد التقليدية باستخدام هذه النسبة المعدلة $\tilde{p}$ والحجم المعدل $\tilde{n}$. تثبت دراسات المحاكاة الرياضية أن هذه الخطوة البسيطة تسحب التقدير نحو المركز وتصحح الالتواء، مما يمنح فترة أغريستي-كول أداءً مقارباً جداً لفترة ويلسون الدقيقة حتى مع العينات الصغيرة جداً التي لا تستوفي شرط النجاح/الفشل.

10.3 اختبار فيشر الدقيق (Fisher’s Exact Test) وإعادة أخذ العينات (Bootstrapping)

عند التعامل مع جداول الاقتران الثنائية والمقارنة بين نسبتين في ظل انتهاك شرط النجاح/الفشل وانخفاض التكرارات المتوقعة، يبرز اختبار فيشر الدقيق كمعيار ذهبي لا غنى عنه. يعتمد اختبار فيشر على التوزيع فوق الهندسي (Hypergeometric Distribution) لحساب الاحتمال التوافقي الدقيق لظهور التكرارات المشاهدة في جدول $2 \times 2$ مع تثبيت الهوامش الجانبية للجدول، وفق الصيغة الاحتمالية التالية:

$$P = \frac{\binom{a+b}{a} \binom{c+d}{c}}{\binom{n}{a+c}} = \frac{(a+b)! (c+d)! (a+c)! (b+d)!}{a! b! c! d! n!}$$

يضمن اختبار فيشر الحصول على مستويات معنوية دقيقة خالية تماماً من التحيزات الناتجة عن صغر حجم العينة، مما يجعله الخيار الإلزامي في الدراسات الطبية والسلوكية ذات الحالات المحدودة.

وإلى جانب الاختبارات الدقيقة، تبرز التقنيات الإحصائية الحديثة القائمة على إعادة أخذ العينات بالبوتستراب (Bootstrapping) كبديل لابارامتري فائق المرونة. تقوم هذه الطريقة على توليد آلاف العينات العشوائية التكرارية من بيانات العينة الأصلية بالاستبدال، وبناء توزيع تجريبي حر للنسبة أو الفرق بين النسب دون فرض أي شروط توزيعية مسبقة، ثم اشتقاق فترات الثقة عبر النسب المئوية للبوتستراب المئوي المعيارية المكتسبة.

كما تقدم النماذج البايزية (Bayesian Framework) حلاً متقدماً ورصيناً عبر استخدام توزيع بيتا القبلي (Beta Prior) المزدوج مع المعقولية ذات الحدين لإنتاج التوزيع البعدي للنسبة $B\eta(\alpha + x, \beta + n – x)$، مما يتيح استخراج فترات المصداقية البايزية (Credible Intervals) بدقة متناهية تحت أي حجم عينة.

11. أمثلة عملية وحسابية خطوة بخطوة للتحقق من شرط النجاح/الفشل

11.1 مثال 1: دراسة نفسية مع تحقق كامل للشرط

السياق التجريبي: أجرى فريق من الباحثين في علم النفس الإكلينيكي دراسة لتقييم كفاءة برنامج علاج سلوكي معرفي (CBT) مطور لعلاج القلق الاجتماعي. تم تطبيق البرنامج على عينة عشوائية مستقلة قوامها $n = 100$ مريض، وأظهرت النتائج السريرية بعد انتهاء البرنامج أن 40 مريضاً قد حققوا تعافياً كاملاً وسريرياً ملحوظاً ($\hat{p} = 0.40$). المطلوب هو التحقق من شرط النجاح/الفشل لبناء فترة ثقة 95% لمعدل التعافي في المجتمع.

خطوات التحقق الحسابي التفصيلي:

• حساب عدد النجاحات المشاهدة/المتوقعة: $n\hat{p} = 100 \times 0.40 = 40$ حالة نجاح.
• حساب عدد الإخفاقات المشاهدة/المتوقعة: $n(1-\hat{p}) = 100 \times (1 – 0.40) = 100 \times 0.60 = 60$ حالة إخفاق.
• مقارنة النتائج بالعتبة القياسية (10):
  • شرط النجاح: $40 ge 10$ (محقق بنجاح كبير).
  • شرط الفشل: $60 ge 10$ (محقق بنجاح كبير).

القرار الإحصائي والاستنتاج: بما أن كلا الشرطين مستوفيان بامتياز ويتجاوزان العتبة القياسية، فإن استخدام التقريب الطبيعي صالح ومبرر تماماً. الخطأ المعياري يُحسب كالتالي: $SE = \sqrt{\frac{0.40 \times 0.60}{100}} = \sqrt{\frac{0.24}{100}} = \sqrt{0.0024} \approx 0.04899$. هامش الخطأ لمستوى 95% ($Z = 1.96$) هو $ME = 1.96 \times 0.04899 \approx 0.096$. وعليه تكون فترة ثقة والد هي $[0.40 – 0.096, 0.40 + 0.096] = [0.304, 0.496]$ أو بين 30.4% و 49.6%، وهي فترة ثقة صلبة وموثوقة رياضياً.

11.2 مثال 2: دراسة مسحية مع انتهاك الشرط والحاجة للبدائل

السياق التجريبي: أرادت باحثة في علم النفس العصبي دراسة معدل انتشار سمة عصبية نادرة تسبب إدراكاً حسياً مضاعفاً (Synesthesia) لدى عينة عشوائية من طلاب الجامعات. قامت الباحثة بسحب عينة مكونة من $n = 150$ طالباً، وتبين من خلال الفحص المعملي أن 3 طلاب فقط يمتلكون هذه السمة النادرة ($\hat{p} = \frac{3}{150} = 0.02$ أي 2%). المطلوب هو فحص صلاحية استخدام اختبار النسبة الطبيعي وفترة ثقة والد.

خطوات التحقق الحسابي التفصيلي:

• حساب عدد النجاحات المشاهدة: $n\hat{p} = 150 \times 0.02 = 3$ حالات فقط.
• حساب عدد الإخفاقات المشاهدة: $n(1-\hat{p}) = 150 \times 0.98 = 147$ حالة.
• مقارنة النتائج بالعتبة القياسية (10):
  • شرط النجاح: $3 < 10$ (انتهاك صريح وفشل كامل للشرط).
  • شرط الفشل: $147 ge 10$ (محقق).

تحليل الانتهاك والتطبيق البديل: بالرغم من أن عدد الإخفاقات ضخم (147)، إلا أن فشل شرط النجاح (3 فقط) يسقط تلقائياً صلاحية التقريب الطبيعي ويجعل استخدام فترة والد خطأ منهجياً (حيث ستعطي فترة والد حداً أدنى سالباً غير منطقي: $0.02 \pm 1.96 \sqrt{\frac{0.02 \times 0.98}{150}} = 0.02 \pm 0.0224 implies [-0.0024, 0.0424]$).

تطبيق بديل أغريستي-كول (+4):

• تعديل العينة والنجاحات: $\tilde{n} = 150 + 4 = 154$، $\tilde{X} = 3 + 2 = 5$
• النسبة المعدلة: $\tilde{p} = \frac{5}{154} \approx 0.03247$
• الخطأ المعياري المعدل: $SE_{AC} = \sqrt{\frac{0.03247 \times (1 – 0.03247)}{154}} = \sqrt{\frac{0.03142}{154}} \approx 0.01428$
• هامش الخطأ: $ME_{AC} = 1.96 \times 0.01428 \approx 0.0280$
• فترة ثقة أغريستي-كول الناتجة: $[0.03247 – 0.0280, 0.03247 + 0.0280] = [0.0045, 0.0605]$ أو بين 0.45% و 6.05%. نلاحظ أن هذه الفترة تقع بالكامل داخل النطاق الموجب المنطقي وتحافظ على الدقة العلمية الموثوقة.

11.3 مثال 3: مقارنة بين مجموعتين علاجيتين (تصميم ذو عينتين)

السياق التجريبي: تجربة مقارنة عشوائية مضبوطة لاختبار فاعلية عقار نفسي جديد مضاد للاكتئاب مقابل عقار تقليدي. تم توزيع المرضى إلى مجموعتين:

• المجموعة التجريبية (العقار الجديد): حجم العينة $n_1 = 50$، عدد حالات التحسن $X_1 = 35$ ($\hat{p}_1 = 0.70$).
• المجموعة الضابطة (العقار التقليدي): حجم العينة $n_2 = 40$، عدد حالات التحسن $X_2 = 16$ ($\hat{p}_2 = 0.40$).

الهدف هو اختبار الفرضية الصفرية القائلة بعدم وجود فرق بين العقارين ($H_0: p_1 = p_2$).

خطوات الحساب لاختبار الفرضية باستخدام النسبة المجمعة:

• حساب النسبة المجمعة: $\hat{p}_{pool} = \frac{X_1 + X_2}{n_1 + n_2} = \frac{35 + 16}{50 + 40} = \frac{51}{90} \approx 0.5667$ ($56.67%$).
• التحقق من الشروط الأربعة المتزامنة:
  1. نجاحات المجموعة الأولى المتوقعة: $n_1 \hat{p}_{pool} = 50 \times 0.5667 = 28.33 ge 10$ (محقق).
  2. إخفاقات المجموعة الأولى المتوقعة: $n_1 (1 – \hat{p}_{pool}) = 50 \times 0.4333 = 21.67 ge 10$ (محقق).
  3. نجاحات المجموعة الثانية المتوقعة: $n_2 \hat{p}_{pool} = 40 \times 0.5667 = 22.67 ge 10$ (محقق).
  4. إخفاقات المجموعة الثانية المتوقعة: $n_2 (1 – \hat{p}_{pool}) = 40 \times 0.4333 = 17.33 ge 10$ (محقق).

الاستنتاج المنهجي: بما أن الشروط الأربعة جميعها تتجاوز العتبة القياسية (10)، فإن استخدام اختبار $Z$ لعينتين مستقلتين مبرر رياضياً بصورة تامة. الخطأ المعياري المجمع هو $SE_{pool} = \sqrt{0.5667 \times 0.4333 \times (\frac{1}{50} + \frac{1}{40})} = \sqrt{0.2455 \times 0.045} = \sqrt{0.01105} \approx 0.1051$. قيمة إحصاءة الاختبار: $Z = \frac{0.70 – 0.40}{0.1051} = \frac{0.30}{0.1051} \approx 2.85$. تعطي هذه القيمة قيمة احتمالية $P = 0.0044$، مما يسمح برفض الفرضية الصفرية بثقة منهجية تامة وتأكيد تفوق العقار الجديد إحصائياً.

12. كيفية فحص وتطبيق شرط النجاح/الفشل برمجياً والتوصيات الختامية

12.1 الفحص والتحليل باستخدام لغة R

توفر لغة البرمجة الإحصائية R بيئة برمجية متقدمة ومرنة للغاية تتيح للباحثين التحقق التلقائي من شرط النجاح/الفشل وتنفيذ كافة الاختبارات المقارنة والدقيقة بسهولة فائقة. يمكن للباحث بناء دالة فحص مخصصة تقوم باختبار الشروط الحسابية قبل توجيه التحليل نحو الدالة المناسبة، كما هو موضح في البنية الإجرائية التالية:

تستخدم لغة R دالة prop.test() لتنفيذ اختبارات النسب المعتمدة على تقريب كاي تربيع والتوزيع الطبيعي، وتتضمن هذه الدالة افتراضياً خاصية تصحيح الاستمرارية عبر المعامل correct = TRUE، والتي يُنصح بالإبقاء عليها لرفع دقة التقريب عند اقتراب العينة من حدود العتبة الحرجة. وفي المقابل، إذا أظهر فحص البيانات عدم تحقق شرط $np ge 10$ أو $n(1-p) ge 10$، توفر R الدالة المعيارية binom.test() التي تنفذ اختبار ذي الحدين الدقيق مباشرة وبأعلى درجات الموثوقية الرياضية.

علاوة على ذلك، تحتوي حزمة binom المتخصصة في لغة R على دالة شاملة تحمل اسم binom.confint()، والتي تتيح للباحث استخراج كافة فترات الثقة البديلة في مخرجات مقارنة واحدة، بما في ذلك فترة ويلسون (Wilson)، وأغريستي-كول (Agresti-Coull)، وفترة كلوبر-بيرسون الدقيقة (Exact)، مما يمكن الباحث من توثيق التقديرات الأكثر ملاءمة لطبيعة بياناته في تقاريره الأكاديمية.

12.2 الفحص والتحليل باستخدام بيئة Python وحزمة Statsmodels

في بيئة بايثون لتحليل البيانات والتعلم الآلي، تُستخدم مكتبات NumPy و Pandas و SciPy جنباً إلى جنب مع حزمة Statsmodels المتخصصة لتنفيذ الاستدلال الإحصائي على النسب. يمكن للمحلل برمجة شروط منطقية بسيطة تتحقق من مصفوفات الاستجابة وتطابق قيم النجاحات والإخفاقات المتوقعة مع العتبة المحددة قبل تمرير البيانات إلى نماذج الاستدلال.

توفر حزمة statsmodels.stats.proportion ترسانة برمجية متكاملة للتعامل مع النسب الثنائية؛ حيث تُستخدم دالة proportions_ztest() لتنفيذ اختبارات $Z$ للنسب الأحادية والمقارنة، بينما توفر دالة proportion_confint() إمكانية تحديد نوع فترة الثقة المرغوبة بدقة عبر ضبط معامل الطريقة method، مثل اختيار method='wilson' لفترة ويلسون أو method='agresti_coull' أو method='exact' لفترة كلوبر-بيرسون المبنية على دالة بيتا التوزيعية.

كما تتيح مكتبة Matplotlib و Seaborn في بايثون للمحللين ميزة بصرية بالغة الأهمية؛ حيث يمكن رسم دالة التوزيع ذي الحدين الفعلية للبيانات ومقارنتها بصرياً بالمنحنى الطبيعي المكافئ الموصوف بنفس المتوسط والانحراف المعياري، مما يمنح الباحث تقييماً مرئياً ومباشراً لدرجة التناظر أو الالتواء قبل اتخاذ القرار النهائي بشأن النموذج التحليلي المعتمد.

12.3 الفحص في برنامج SPSS ودليل التوصيات للباحثين

يعد برنامج SPSS الأداة الأكثر انتشاراً في أقسام العلوم الاجتماعية والنفسية، ويحتوي على أدوات مدمجة لفحص وتحليل البيانات الفئوية. عند إجراء اختبار كاي تربيع أو جداول الاقتران عبر قائمة Analyze -> Descriptive Statistics -> Crosstabs، يطبع البرنامج تلقائياً أسفل الجدول تنبيهاً تشخيصياً حاسماً يوضح عدد ونسبة الخلايا التي تمتلك تكرارات متوقعة أقل من 5، وهو المؤشر الموازي لشرط النجاح/الفشل في الجداول. وإذا تم انتهاك الشرط، يوفر البرنامج خيار النقر على زر Exact لتفعيل اختبار فيشر الدقيق واختبارات مونت كارلو التكرارية فوراً.

أما لاختبار النسبة الواحدة، فيوفر البرنامج عبر قائمة Nonparametric Tests -> One Sample إمكانية تنفيذ اختبار ذي الحدين الدقيق (Binomial Test) تلقائياً، مع إمكانية مقارنة النسب المشاهدة بالنسبة النظرية المفترضة.

ولضمان جودة الأبحاث الكمية لدى الباحثين وطلبة الدراسات العليا، نلخص قائمة التدقيق المنهجية (Checklist) الإلزامية التالية للتعامل مع البيانات الثنائية:

• التدقيق القبلي: حدد النسبة المتوقعة $p$ مسبقاً وتأكد من أن حجم العينة المستهدف يحقق $n \cdot p ge 10$ و $n(1-p) ge 10$.
• التشخيص العيني: افحص التكرارات المشاهدة الفعلية؛ هل يحتوي جدولك على 10 نجاحات و10 إخفاقات على الأقل في كل مجموعة؟
• اختيار فترات الثقة: تجنب فترة ثقة والد التقليدية إذا لم يستوفِ الشرط تماماً، واعتمد فترة ويلسون أو أغريستي-كول كخيار افتراضي متفوق دائماً.
• اختيار الاختبارات الفرضية: في حال انتهاك الشرط، تحول فوراً إلى اختبار ذي الحدين الدقيق لنسبة واحدة، واختبار فيشر الدقيق لجداول المقارنة.
• الشفافية في التقرير: أشر بوضوح في منهجية البحث إلى استيفاء شرط النجاح/الفشل ومبررات استخدام النموذج الإحصائي المختار ومستوى الثقة المعتمد.

يمثل شرط النجاح/الفشل في جوهره المفهومي والرياضي تجسيداً حياً لدقة ورصانة التفكير الإحصائي؛ فهو ليس مجرد قيد حسابي روتيني، بل هو الجسر النظري الذي يربط بين عالمين رياضيين مختلفين: عالم المحاكمات المنفصلة وعالم الدوال المتصلة. إن الالتزام الأكاديمي الصارم بفحص هذا الشرط واعتماد البدائل الدقيقة عند تعذره يمثل الضمانة الأساسية لحماية العلم من الاستنتاجات الزائفة، ويرتقي بجودة البحوث النفسية والسلوكية لتكون قادرة على تقديم إجابات موثوقة تسهم بفاعلية في فهم وتطوير السلوك الإنساني.

References

• Agresti, A. (2013). Categorical data analysis (3rd ed.). John Wiley & Sons. https://www.wiley.com/en-us/Categorical+Data+Analysis%2C+3rd+Edition-p-9780470463635
• Agresti, A., & Coull, B. A. (1998). Approximate is better than “exact” for interval estimation of binomial proportions. The American Statistician, 52(2), 119–126. https://doi.org/10.1080/00031305.1998.10480550
• Brown, L. D., Cai, T. T., & DasGupta, A. (2001). Interval estimation for a binomial proportion. Statistical Science, 16(2), 101–133. https://doi.org/10.1214/ss/1009213286
• Casella, G., & Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.
• Clopper, C. J., & Pearson, E. S. (1934). The use of confidence or fiducial limits illustrated in the case of the binomial. Biometrika, 26(4), 404–413. https://doi.org/10.1093/biomet/26.4.404
• Cochran, W. G. (1954). Some methods for strengthening the common $\chi^2$ tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001616
• De Moivre, A. (1738). The doctrine of chances: Or, a method of calculating the probabilities of events in play (2nd ed.). H. Woodfall.
• Fisher, R. A. (1922). On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London. Series A, 222(594-604), 309–368. https://doi.org/10.1098/rsta.1922.0009
• Hogg, R. V., McKean, J., & Craig, A. T. (2019). Introduction to mathematical statistics (8th ed.). Pearson.
• Moore, D. S., Notz, W. I., & Fligner, M. A. (2021). The basic practice of statistics (9th ed.). W. H. Freeman.
• Newcombe, R. G. (1998). Two-sided confidence intervals for the single proportion: Comparison of seven methods. Statistics in Medicine, 17(8), 857–872. <a href="https://doi.org/10.1002/(SICI)1097-0258(19980430)17:83.0.CO;2-E”>https://doi.org/10.1002/(SICI)1097-0258(19980430)17:83.0.CO;2-E
• Wilson, E. B. (1927). Probable inference, the law of succession, and statistical inference. Journal of the American Statistical Association, 22(158), 209–212. https://doi.org/10.1080/01621459.1927.10502953