لماذا يُعتبر المنوال مهماً في الإحصاء؟

يحتل علم الإحصاء موقع الصدارة بين العلوم المنهجية التي تُعنى بتحويل التدفقات الهائلة من البيانات الخام إلى معارف بنيوية قابلة للفهم والاستخدام العملي في اتخاذ القرارات المصيرية. وفي قلب هذا العلم الرياضي الرصين، تبرز مقاييس النزعة المركزية (Measures of Central Tendency) بوصفها الركائز الأساسية التي تستهدف تلخيص مجموعات البيانات الضخمة واختزالها في قيمة مفردة تعبر عن المركز أو النقطة النموذجية التي تتجمع حولها المشاهدات. ومن بين هذه المقاييس الكلاسيكية، يبرز “المنوال” (Mode) كأداة تحليلية فريدة تتجاوز في جوهرها وفلسفتها الحسابية الأطر التجريدية التي تحكم كلاً من المتوسط الحسابي والوسيط، مقدماً رؤية مباشرة وأصيلة للواقع الإحصائي المعاش.

تكمن أهمية المنوال في كونه المقياس الإحصائي الوحيد الذي لا يفرض متطلبات جبرية صارمة أو افتراضات حول الطبيعة الكمية للأرقام، بل ينطلق مباشرة من فكرة “التكرار والشيوع”؛ وهي فكرة فطرية تتقاطع بعمق مع طبيعة الإدراك البشري لكيفية تشكل الأنماط في الطبيعة والمجتمع. في حين يخبرنا المتوسط الحسابي بنقطة التوازن الرياضي للمجموعة، ويشير الوسيط إلى النقطة التي تقسم البيانات إلى نصفين متساويين بعد الترتيب، يأتي المنوال ليجيب عن السؤال البراغماتي الأهم في كثير من السياقات الحيوية: “ما هو الشيء، أو الرقم، أو السلوك، أو الخيار الأكثر حدوثاً وانتشاراً بين الناس أو العناصر المدروسة؟”.

يمتد تأثير المنوال عبر طيف واسع من الحقول المعرفية والتطبيقية، بدءاً من بحوث علم النفس والقياس السيكومتري ودراسة الظواهر السلوكية والاجتماعية، مروراً بالتحليلات الاقتصادية والتسويقية وإدارة سلاسل الإمداد، وصولاً إلى أحدث تقنيات تعلم الآلة (Machine Learning) واستكشاف البيانات الضخمة (Big Data Mining). سيتناول هذا المقال التحليلي الشامل دراسة معمقة لدور المنوال الإحصائي، مبرزاً أبعاده الفلسفية والرياضية، وقدراته الاستثنائية في التعامل مع مختلف مستويات القياس، مع استعراض دقيق لمواطن تفوقه وحدوده المنهجية وطرق حسابه عبر المنصات البرمجية المتطورة.

1. مقدمة تأسيسية: ماهية المنوال وموقعه في مقاييس النزعة المركزية

1.1 التعريف الرياضي والإحصائي للمنوال

يُعرَّف المنوال في الأدبيات الإحصائية والرياضية بأنه القيمة أو الفئة الأكثر تكراراً أو شيوعاً ضمن مجموعة محددة من البيانات أو المشاهدات الإحصائية. من الناحية الرمزية والرياضية البحتة، إذا كانت لدينا عينة إحصائية تتكون من مجموعة مشاهدات منفصلة ${x_1, x_2, dots, x_n}$، فإن المنوال $Mo$ يمثل العنصر $x_k$ الذي يرتبط بأعلى تكرار مطلق $f(x_k)$ مقارنة بجميع التكرارات المقابلة للقيم الأخرى في فضاء العينة ذاته. هذا التعريف البسيط يحمل في طياته دلالة عميقة؛ إذ إن المنوال هو المقياس الوحيد الذي ينبثق مباشرة من البنية التكرارية الصرفة للبيانات دون الحاجة إلى إجراء عمليات جمع أو ضرب أو قسمة، مما يجعله مستقلاً بنيوياً عن العمليات الحسابية التقليدية التي تشترط خصائص فئوية أو نسبية للبيانات.

يتخذ حساب المنوال مسارات منهجية متمايزة بناءً على طبيعة تنظيم البيانات وتصنيفها إلى بيانات غير مبوبة (Raw Data) وبيانات مبوبة (Grouped Data). ففي حالة البيانات غير المبوبة، يتم تحديد المنوال بمجرد فحص مصفوفة التكرارات وتعيين القيمة التي تمتلك التكرار الأكبر، أما في حالة البيانات المبوبة المدرجة في جداول توزيع تكراري تتضمن فئات ذات مدى محدد، فإن الأمر يتطلب تحديد “الفئة المنوالية” (Modal Class) أولاً، وهي الفئة المقابلة لأكبر تكرار، ومن ثم تطبيق معادلات استيفاء رياضية متقدمة مثل طريقة الفروق لكارل بيرسون أو طريقة الرافعة لكينج (King’s Method) لتقدير القيمة الدقيقة للمنوال داخل تلك الفئة بناءً على تكرارات الفئات السابقة واللاحقة لها.

تبرز الفروق الجوهرية بين المنوال ومقاييس النزعة المركزية الأخرى في الطبيعة الاستدلالية لكل مقياس؛ فالمتوسط الحسابي (Mean) يمثل مركز الثقل الجبري الذي يأخذ في الحسبان جميع القيم دون استثناء ولكنه يتأثر سلباً بأي اختلال أو تطرف، في حين أن الوسيط (Median) يمثل الموضع القائم على الرتبة والذي يشطر التوزيع إلى نصفين متطابقين عددياً، بينما يركز المنوال حصرياً على الكثافة التكرارية الموضعية، مما يجعله يمثل “النموذج الأكثر واقعية” الذي يمكن لعنصر من العينة أن يتماهى معه فعلياً داخل المجتمع الإحصائي.

1.2 التطور التاريخي لاستخدام المنوال في الإحصاء الوصفي

تعود الجذور الاصطلاحية والتأسيسية لمفهوم المنوال الحديث إلى أواخر القرن التاسع عشر وبدايات القرن العشرين، حيث برز المفهوم بصيغته الرياضية الصارمة على يد عالم الإحصاء والرياضيات البريطاني الشهير كارل بيرسون (Karl Pearson) في عام 1895. صاغ بيرسون مصطلح “Mode” اشتقاقاً من المفهوم اللغوي الفرنسي “à la mode” الذي يعني “النمط الشائع” أو “الموضة السائدة”، وذلك لتأكيد أن هذا المقياس يمثل النزعة الطبيعية للمجتمعات الإنسانية والظواهر الطبيعية للتمحور حول نمط سلوكي أو فيزيائي سائد ومسيطر يظهر بتواتر يفوق الأنماط البديلة.

مع تطور حركة القياس النفسي (Psychometrics) وتأسيس علم النفس التجريبي على يد رواد مثل فرانسيس غالتون وتشارلز سبيرمان، شهد استخدام المنوال نقلة نوعية من مجرد كونه أداة وصفية مساعدة إلى اعتباره حجر زاوية في تحليل البنى السلوكية والقدرات العقلية؛ حيث وجد الباحثون النفسيون أن توزيع السمات الإنسانية والأنماط المعرفية في البيئات الميدانية غالباً ما يتميز بوجود قمم تكرارية واضحة تعكس الأنماط العصابية أو الذهانية أو مستويات الذكاء النموذجية التي لا يمكن للمتوسط الحسابي المجرد التعبير عنها دون تشويه الفروق الفردية الكامنة بين المستجيبين.

في العصر الرقمي المعاصر، انتقل المنوال من مرحلة الجداول التكرارية الورقية والحساب اليدوي المضني إلى قلب خوارزميات تحليل البيانات الضخمة وعلم البيانات المتقدم. لقد أتاحت البنى التحتية الحاسوبية الحديثة تقدير المنوال اللحظي (Real-time Mode Estimation) في تدفقات البيانات الضخمة (Streaming Data) وتطبيقه في أنظمة التوصية السلوكية ومحركات البحث وقواعد البيانات غير العلائقية، مما عزز مكانته كمعيار لا غنى عنه في نمذجة الاتجاهات الفورية لمليارات المستخدمين حول العالم.

1.3 الأهمية الفلسفية للمنوال في تمثيل الواقع الإحصائي

يحمل المنوال في بنيته الإحصائية أبعاداً فلسفية وإبستيمولوجية تميزه عن سائر المقاييس الرياضية التجريدية؛ فالمنوال هو المقياس الوحيد للنزعة المركزية الذي يضمن – في حالة البيانات المنفصلة والنوعية – أن تكون القيمة الناتجة هي “قيمة حقيقية وقائمة بالفعل” ضمن مفردات العينة المدروسة. في المقابل، غالباً ما ينتج عن حساب المتوسط الحسابي قيم تجريدية وهمية لا وجود لها في الواقع الفيزيائي أو الاجتماعي؛ كأن يُقال إن “متوسط عدد أفراد الأسرة في مجتمع ما هو 4.37 فرداً”، وهي قيمة رياضية مستحيلة الوجود في الواقع العملي، بينما يقدم المنوال رقماً صحيحاً وواقعياً (مثل 4 أفراد) يعكس النموذج البنيوي الحقيقي الملموس للأسرة.

يرتبط المنوال ارتباطاً وثيقاً بفهم النماذج السلوكية النمطية (Archetypal Patterns) والظواهر المعيارية في الدراسات الوصفية والاجتماعية؛ فهو يعبر عن “روح الجماعة” أو المسار المعتاد الذي تسلكه الأغلبية الساحقة في مواقف الاختيار الحر. إن دراسة المجتمع من منظور منوالي تتيح للباحث الاجتماعي والنفسي فهم حالة التطابق والتماثل السائدة بين الأفراد، بعيداً عن التشويه الذي تفرضه النماذج الرياضية الصارمة التي تفترض تجانس التوزيعات بشكل مثالي قد يتعارض مع تعقيدات السلوك الإنساني.

يؤدي المنوال دوراً محورياً كمعيار أساسي للمطابقة والمعيارية (Normative Benchmark) في الأبحاث التطبيقية؛ فعند دراسة الأعراف السريرية أو المعايير القياسية للإنتاج الصناعي، لا يكون الهدف دائماً هو معرفة النقطة الحسابية المتوازنة، بل تحديد الحالة النمطية التي تعكس الاستقرار التشغيلي أو الصحي. من هنا تنبع القيمة الفلسفية للمنوال كأداة تسعى لتوثيق الواقع كما هو، لا كما تفرضه المعادلات الرياضية التجريدية المنفصلة عن السياق الطبيعي للظاهرة.

2. القدرة الفريدة على تحديد القيمة الأكثر شيوعاً وتكراراً

2.1 كشف الأنماط السائدة في مجموعات البيانات الكبيرة

تتميز مجموعات البيانات الضخمة (Big Datasets) التي يتم جمعها من السجلات الرقمية أو منصات التجارة الإلكترونية أو شبكات الاستشعار الذكية باحتوائها على ملايين السجلات غير المنظمة التي تتسم بدرجة عالية من التشويش والتشتت. في مثل هذه البيئات المعقدة، يوفر المنوال وسيلة فائقة السرعة والكفاءة الخوارزمية لاستخراج واستكشاف الأنماط السائدة والخيارات المهيمنة، حيث يمكن لحساب المنوال أن يفرز فوراً الفئات التي تستحوذ على الحصة الأكبر من التفاعلات أو العمليات دون استهلاك موارد حسابية معقدة تتطلبها مقاييس التشتت أو الانحدار الخطي.

يتجلى التطبيق العملي لهذه الميزة في مجالات التسعير التجاري للسلع الاستهلاكية، والتقييم العقاري، وتجارة التجزئة؛ فبينما قد يتعرض متوسط سعر المنتجات في متجر إلكتروني ضخم للتأثر بوجود عدد محدود من السلع الفاخرة ذات الأسعار الفلكية، يقدم السعر المنوالي (Modal Price) لصانع القرار الصورة الدقيقة والحقيقية لنطاق التسعير الأكثر شيوعاً والذي يمثل الشريحة المستهدفة الأساسية من المشترين، مما يسمح ببناء استراتيجيات تسعير متطابقة تماماً مع القوة الشرائية للكتلة الحرجة من المستهلكين.

يساعد التحليل المنوالي للبيانات المليونية قادة المؤسسات ومخططي الأعمال على تقديم إجابات فورية وحاسمة حول المنتجات الأكثر طلباً، ومقاسات الملابس الأكثر مبيعاً، وأوقات الذروة الأكثر كثافة في استخدام الشبكات الرقمية. إن هذه القدرة على عزل وتوضيح الخيار المسيطر توفر لصانع القرار أرضية صلبة تعتمد على الواقع الفعلي المباشر للعمليات التشغيلية، متجاوزة الضبابية التي قد تخلقها المقاييس الحسابية المركبة.

2.2 فهم السلوك الجمعي والاتجاهات العامة

يشكل رصد السلوك الجمعي وتحديد اتجاهات الرأي العام أحد أعقد التحديات المنهجية في العلوم السلوكية والسياسية؛ نظراً لأن التفضيلات الإنسانية لا تتبع دائماً نسقاً خطياً منتظماً. في استطلاعات الرأي العام والانتخابات والمسوح الاجتماعية واسعة النطاق، يبرز المنوال كأداة لا غنى عنها لتحديد الموقف الأغلبي المشترك أو الخيار الذي حاز على أعلى درجات التأييد بين البدائل المتاحة، وهو ما يطلق عليه في العلوم السياسية “الخيار الديمقراطي المنوالي”.

عند تحليل الاستجابات النموذجية في الاستبيانات التي تقيس مواقف الجمهور تجاه قضايا سياسية أو اجتماعية معقدة، يتيح المنوال للباحثين استنتاج النقطة المرجعية التي تتفق عندها أكبر كتلة تصويتية أو مجتمعية. هذا المؤشر يعكس بدقة ديناميكية “الامتثال الاجتماعي” وتوجهات الأغلبية، متيحاً لعلماء الاجتماع فهم القوى الدافعة خلف التحولات الفكرية والسياسية للمجتمعات بدلاً من الاكتفاء بالأرقام المتوسطة التي قد تخفي وراءها انقسامات حادة أو إجماعاً زائفاً غير موجود على أرض الواقع.

كما يسهم المنوال في دراسة اتجاهات الموضة الرقمية والسلوكيات التفاعلية على شبكات التواصل الاجتماعي، حيث يتم استخدامه لتحليل أكثر الوسوم (Hashtags) تداولاً، ونوع المحتوى الأكثر تفضيلاً، وطبيعة التعبيرات الرمزية الأكثر استخداماً؛ مما يوفر لمحللي السلوك الإنساني والمسوقين قدرة استثنائية على مواءمة رسائلهم وحملاتهم التوعوية أو التسويقية مع التردد السلوكي السائد لدى الفئات المستهدفة.

2.3 أهمية تحديد التكرار في التحليل الاستكشافي للبيانات

في المراحل الأولى لأي مشروع بحثي أو تحليلي، يلعب التحليل الاستكشافي للبيانات (Exploratory Data Analysis – EDA) دوراً حاسماً في استكشاف الطبيعة الداخلية للمتغيرات قبل الشروع في النمذجة المتقدمة أو اختبار الفرضيات الصارمة. في هذا السياق، يُعد المنوال الأداة الاستكشافية الأولى التي يعتمد عليها محلل البيانات لإجراء مسح بنيوي سريع للجداول والبيانات الأولية، مما يمنحه إحساساً مباشراً بهيكل البيانات ومواضع التركز القصوى للمشاهدات.

يعمل حساب المنوال كأداة تدقيق ورقابة نوعية للتحقق من سلامة وصحة عمليات جمع وإدخال البيانات (Data Quality Assurance). فعلى سبيل المثال، إذا أظهر التحليل المنوالي لمتغير الأعمار في دراسة سريرية تكراراً غير طبيعي للقيمة “99” أو “0”، فإن هذا التكرار المفاجئ والشاذ ينبه الباحث فوراً إلى وجود خطأ منهجي في ترميز القيم المفقودة (Missing Values Encoding) أو خلل في أنظمة الإدخال الآلي للملفات، وهو ما لا يمكن كشفه بالسرعة ذاتها عبر المتوسط الحسابي الذي قد يبتلع هذه القيم ويغير نتائجه دون إصدار تحذير بنيوي مباشر.

يسهم المنوال بفاعلية في بناء وتوجيه الفرضيات الإحصائية الميدانية؛ إذ إن ملاحظة قمة تكرارية بارزة في فئة معينة تفتح آفاقاً بحثية جديدة لاستكشاف الأسباب الكامنة خلف تفوق تلك الفئة على غيرها. هذا الانطلاق من الملاحظة التكرارية الواقعية يقود الباحثين إلى صياغة أسئلة بحثية أكثر دقة وأوثق صلة بالواقع التجريبي، مما يرفع من الكفاءة الإبستيمولوجية للبحث العلمي ككل.

3. التعامل الحصري والفعال مع البيانات النوعية والاسمية

3.1 تفوق المنوال مع المتغيرات الاسمية (Nominal Data)

تُعد مستويات القياس الإحصائي (Levels of Measurement) التي صاغها ستانلي ستيفنز المعيار الأساسي لتحديد العمليات الرياضية المسموح بتطبيقها على المتغيرات المختلفة. وفي هذا الإطار، تمثل المتغيرات الاسمية (Nominal Variables) أدنى مستويات القياس وأكثرها نقاءً من حيث النوعية؛ حيث تتكون من فئات وتصنيفات كيفية لا تقبل الترتيب التفاضلي، ولا تخضع لأي تسلسل هرمي، مثل: الجنسية، والنوع الاجتماعي، والتخصص الأكاديمي، وفصائل الدم، والحالة التشغيلية للمعدات.

في هذا المستوى الاسمي الحرج، تعجز مقاييس النزعة المركزية الأخرى مثل المتوسط الحسابي والوسيط عجزاً رياضياً تاماً ومطلقاً عن تقديم أي معنى وظيفي أو تحليلي؛ إذ يستحيل جمع فئات مثل “مصري، أردني، سعودي” لحساب متوسطها الحسابي، كما يستحيل ترتيبها تصاعدياً لتحديد وسيطها. هنا يتجلى التفوق الحصري والمطلق للمنوال، بصفته المقياس الوحيد الصالح رياضياً ومنهجياً لتلخيص هذه البيانات وتحديد الفئة التي تمتلك التكرار الأكبر بين المستجيبين، مثل تحديد أن “فصيلة الدم O+ هي المنوال في عينة المتبرعين”.

يمتد هذا التفوق الحصري إلى الدراسات الطبية والنفسية المتخصصة في التشخيصات الإكلينيكية، حيث تتوزع الحالات المرضية عبر فئات تصنيفية نوعية مشتقة من الأدلة الطبية الدولية. إن استخدام المنوال يتيح للباحثين والأطباء تحديد الاضطراب النفسي أو المرض العضوي الأكثر انتشاراً بين المراجعين في منشأة صحية محددة خلال فترة زمنية معينة، وهو ما يمثل المعلومة الوبائية الأهم لتوجيه الموارد الطبية وبروتوكولات العلاج دون الوقوع في مغالطة التقدير الكمي غير القابل للتطبيق.

3.2 تطبيق المنوال في البيانات الترتيبية (Ordinal Data)

تحتل المتغيرات الترتيبية (Ordinal Variables) مرتبة وسطى بين البيانات الاسمية والبيانات الكمية الفئوية؛ حيث تمتلك فئاتها ترتيباً منطقياً وتفاضلياً تصاعدياً أو تنازلياً، ولكن دون وجود مسافات متساوية بدقة بين رتبة وأخرى. يظهر هذا النوع من البيانات بوضوح طاغٍ في العلوم الاجتماعية والإنسانية عبر مقياس ليكرت (Likert Scale) متعدد الدرجات، والمستخدم على نطاق واسع في قياس الرضا والاتجاهات النفسية (مثل: غير موافق بشدة، غير موافق، محايد، موافق، موافق بشدة).

على الرغم من أن بعض الممارسات التحليلية الخاطئة تميل إلى ترميز استجابات مقياس ليكرت بأرقام (1 إلى 5) ثم حساب المتوسط الحسابي لها، إلا أن هذا الإجراء يواجه انتقادات منهجية وإحصائية عنيفة من علماء القياس؛ نظراً لأن الفارق الذاتي والنفسي بين “غير موافق بشدة” و”غير موافق” لا يعادل بالضرورة الفارق بين “موافق” و”موافق بشدة”. هنا يبرز المنوال كمقياس يتمتع بأعلى درجات الصدق الرياضي والنقاء المنهجي؛ حيث يقدم التوصيف الدقيق للفئة التفضيلية الأكثر اختياراً من قِبل العينة دون تشويه البنية الترتيبية للأداة.

يتيح المنوال للباحثين النفسيين والاجتماعيين تفسير مستويات الرضا والشدة الانفعالية بشكل مباشر لا يقبل التأويل الخاطئ؛ فعندما يشير التقرير الإحصائي إلى أن الاستجابة المنوالية لمستوى التوتر لدى الموظفين هي “مرتفع جداً”، فإن هذه النتيجة تنقل دلالة سلوكية وإدارية قاطعة تفرض اتخاذ إجراءات وقائية فورية، مقارنة بالمتوسط الرقمي الكسري المضلل (مثل 3.7) الذي يفرغ الاستجابة السلوكية من زخمها الإنساني والواقعي.

3.3 أهمية المنوال في التصنيفات الديموغرافية والاجتماعية

تشكل المتغيرات الديموغرافية الأساس المتين الذي تُبنى عليه كافة الدراسات التنموية والاستقصاءات السكانية الميدانية. تتضمن هذه المتغيرات بيانات متعددة الفئات ترتبط بالبنية العمرية، والحالات الوظيفية، والتوزيع الجغرافي، والمستويات التعليمية، والحالة الاجتماعية للمواطنين في مجتمع إحصائي محدد. تلعب هذه التصنيفات دوراً حيوياً في توجيه القرارات التخطيطية والتنموية للدول والمؤسسات غير الحكومية.

يساعد المنوال في استخراج الفئات الأكثر تمثيلاً (The Most Representative Demographics) داخل المجتمعات؛ كأن يحدد الباحث أن الفئة العمرية المنوالية في المجتمع هي فئة “الشباب من 18 إلى 24 سنة”، أو أن الحالة المهنية الأكثر تكراراً في إقليم معين هي “العاملين في القطاع الزراعي”. هذه التحديدات النوعية المنوالية تزود صناع السياسات بالركائز الأساسية اللازمة لتصميم السياسات العامة الملائمة لاحتياجات الشريحة الأوسع في المجتمع بدلاً من تبني حلول معيارية مبنية على معدلات عامة قد لا تخدم الأغلبية السائدة.

في مجال الدراسات الاجتماعية ومكافحة الفقر، يعتمد التخطيط الاجتماعي الفعال على معرفة “النمط السكني المنوالي” و”الحالة التعليمية المنوالية” لأرباب الأسر في المناطق المحرومة. إن هذه المعلومات الوصفية المستندة بدقة إلى القوة التكرارية للمنوال تضمن توجيه حزم الدعم والبرامج التأهيلية نحو الفئات ذات الثقل الحقيقي، مما يرفع من كفاءة الإنفاق الاجتماعي ويعزز العدالة التوزيعية للموارد التنموية.

4. المنوال كمؤشر محوري للنزعة المركزية وشكل التوزيع

4.1 تحديد قمة المنحنى التكراري (Peak of the Distribution)

في إطار الإحصاء الرياضي ونظرية الاحتمالات، يمثل المنوال مفهوماً هندسياً ودالياً بالغ الأهمية؛ فهو النقطة على المحور الأفقي التي ترتبط بأعلى قمة (Peak or Vertex) في منحنى التوزيع التكراري، أو النقطة التي تبلغ عندها دالة الكثافة الاحتمالية (Probability Density Function – PDF) قيمتها العظمى المطلقة أو المحلية. رياضياً، بالنسبة لمتغير عشوائي مستمر يمتلك دالة كثافة احتمالية قابلة للاشتقاق $f(x)$، يمكن تحديد المنوال من خلال إيجاد القيم التي تحقق المعادلة التفاضلية الأولى $f'(x) = 0$ بشرط أن تكون المشتقة الثانية سالبة $f”(x) < 0$.

يعبر المنوال بذلك عن منطقة “التركز الكثافي الأقصى” للمشاهدات في الفضاء الرياضي للتوزيع، مشيراً إلى النطاق الذي تزداد فيه احتمالية العثور على أفراد العينة مقارنة بأي نطاق آخر مساوٍ له في المدى. يمنح هذا التمثيل الهندسي المباشر الباحثين تصوراً بصرياً فورياً حول نقطة الجذب الأساسية التي تتجمع حولها العناصر، وهو ما يفسر استخدام الرسوم البيانية للمدرجات التكرارية (Histograms) وتقدير الكثافة النواتية (Kernel Density Estimation) لتحديد المنوال بصرياً واستكشاف سلوك الظاهرة الطبيعية أو الفيزيائية المدروسة.

تتجلى أهمية معرفة قمة المنحنى في العديد من التطبيقات الهندسية والفيزيائية؛ مثل تحليل موجات التردد الراديوي، ودراسة توزيع سرعات الجزيئات في الغازات (توزيع ماكسويل-بولتزمان)، حيث يمثل المنوال السرعة الأكثر احتمالاً التي تتحرك بها معظم الجزيئات، وهي معلومة فيزيائية حيوية تختلف في معناها وقيمتها التطبيقية عن متوسط سرعة الجزيئات أو جذر متوسط المربعات للسرعة.

4.2 استخدام المنوال في قياس التواء التوزيعات (Skewness)

يُعد شكل التوزيع التكراري للبيانات من أهم الخصائص التي تحدد مدى ملاءمة الأساليب الإحصائية المعلمية (Parametric) أو اللامعلمية (Non-parametric) للتحليل. وفي هذا السياق، يلعب المنوال دوراً رياضياً حاسماً في تقدير وتفسير التواء التوزيعات الإحصائية (Skewness)، الذي يشير إلى مدى انحراف التوزيع عن التماثل التام حول المركز.

صاغ كارل بيرسون معامل الالتواء الشهير (Pearson’s Mode Skewness Coefficient) بالاعتماد المباشر على العلاقة التفاضلية بين المتوسط والمنوال مقسومة على الانحراف المعياري، عبر الصيغة الرياضية التالية:

$$\text{Skewness} = \frac{\text{Mean} – \text{Mode}}{\sigma}$$

يوفر هذا المعامل قراءة مباشرة ودقيقة لاتجاه الالتواء وشدته، والتي يمكن تلخيص دلالاتها الإحصائية في النقاط البنيوية التالية:

• الالتواء الإيجابي أو جهة اليمين (Positive / Right Skewed): يحدث عندما يمتلك التوزيع ذيلاً طويلاً ممتداً نحو القيم المرتفعة والموجبة. في هذه الحالة، يتأثر المتوسط الحسابي بقوة بالقيم المرتفعة وينجذب نحو اليمين، يليه الوسيط، بينما يستقر المنوال عند القمة في أقصى اليسار، مما يجعل العلاقة الترتيبية: $\text{Mode} < \text{Median} < \text{Mean}$. يظهر هذا النمط بشكل كلاسيكي في توزيعات الدخل والثروة حيث تتركز غالبية السكان عند الدخول المنخفضة مع وجود قلة قليلة من أصحاب المليارات.
• الالتواء السلبي أو جهة اليسار (Negative / Left Skewed): يحدث عندما يمتد ذيل التوزيع نحو القيم المتدنية جداً. هنا ينجذب المتوسط الحسابي نحو أقصى اليسار تحت وطأة القيم المنخفضة، يليه الوسيط، بينما يبقى المنوال مستقراً عند القمة المرتفعة نحو اليمين، لتصبح العلاقة الرياضية: $\text{Mean} < \text{Median} < \text{Mode}$. يظهر هذا التوزيع بوضوح في اختبارات التحصيل الدراسي السهلة جداً حيث يحصل غالبية الطلاب على درجات مرتفعة بينما يخفق عدد قليل للغاية.

4.3 المنوال في التوزيع الطبيعي المعياري (Normal Distribution)

يمثل التوزيع الطبيعي المعياري (Standard Normal Distribution)، أو ما يُعرف بمنحنى غاوس (Gaussian Curve)، حجر الزاوية الأهم في الإحصاء الاستدلالي والنظرية الاحتمالية الكلاسيكية. يتميز هذا التوزيع الشكلي الأيقوني بتماثله الكامل والمطلق حول محوره المركزي العمودي، مما ينتج عنه خاصية رياضية فريدة تشكل معياراً لاختبار مثالية التوزيعات الإحصائية التجريبية.

تتمثل هذه الخاصية المركزية في التطابق التام والتطابق الحسابي المطلق بين مقاييس النزعة المركزية الثلاثة، حيث يتحقق التساوي الرياضي الصارم: $\text{Mean} = \text{Median} = \text{Mode}$. هذا يعني أن نقطة التوازن الجبري (المتوسط)، ونقطة الانتصاف الرتبي (الوسيط)، وقمة الكثافة التكرارية الأكثر شيوعاً (المنوال) تلتقي جميعها عند نقطة إحداثية واحدة تحدد منتصف المنحنى بدقة متناهية.

يستخدم الباحثون الإحصائيون مدى تقارب أو تباعد المنوال عن المتوسط الحسابي في العينات الميدانية كاختبار استكشافي أولي وسريع لمدى تحقق فرضية “اعتدالية التوزيع” (Normality Assumption). إن أي انزياح جوهري للمنوال عن المتوسط يُعد مؤشراً حاسماً على انعدام التماثل، مما يوجه المحلل الإحصائي إلى التخلي عن النماذج البارامترية التي تفترض الاعتدالية واستبدالها بنماذج أكثر متانة تستوعب التشوهات التوزيعية القائمة في البيانات الفعلية.

5. مناعة المنوال ضد القيم المتطرفة والشاذة (Robustness to Outliers)

5.1 مقارنة مقاومة التأثر بين المنوال والمتوسط الحسابي

تُعد القيم المتطرفة والشاذة (Outliers) من أكبر التحديات المنهجية التي تواجه التحليل الإحصائي الكلاسيكي؛ نظراً لقدرتها الفائقة على تضليل المؤشرات وتشويه النتائج إذا ما تم الاعتماد على مقاييس حساسة للتغيرات الطرفية. في هذا المضمار، يظهر الفارق الجوهري والدراماتيكي بين الخصائص الاستدلالية لكل من المتوسط الحسابي والمنوال.

يمتلك المتوسط الحسابي درجة انهيار (Breakdown Point) تساوي رياضياً الصفر، مما يعني أن إضافة قيمة شاذة واحدة شديدة التطرف إلى عينة تتألف من آلاف المشاهدات كفيلة بسحب المتوسط بالكامل نحو تلك القيمة وجعله غير ممثل للكتلة الحقيقية للبيانات. على سبيل المثال، إذا كانت لدينا مجموعة رواتب لعشرة موظفين في شركة ناشئة تبلغ قيمتها [1000، 1000، 1000، 1200، 1200، 1500، 1500، 1500، 1500، 100000]، فإن الراتب الخرافي للمدير التنفيذي (100,000) سيرفع المتوسط الحسابي إلى نحو 11,050 دولار، وهو رقم وهمي لا يتقاضاه أي موظف عادي داخل المؤسسة.

في المقابل، يتمتع المنوال بحصانة ومناعة مطلقة وفطرية ضد هذه القيم المتطرفة والشاذة (Exceptional Robustness)؛ حيث تظل قيمته في المثال السابق ثابتة بدقة عند 1500 دولار (أو 1000 دولار حسب الفئات المتنافسة)، دون أن يتأثر إطلاقاً بوجود الراتب المليوني الشاذ. لا يعبأ المنوال بمقدار المسافة الهندسية التي تبعد بها القيم الطرفية عن المركز، بل ينصب تركيزه البنيوي فقط على تكرار الأرقام، مما يجعله المقياس الأضمن لتوصيف الواقع الفعلي في البيئات ذات التباين المالي الحاد.

5.2 موثوقية المنوال في العينات غير المتجانسة

تواجه الدراسات التجريبية والمسوح الميدانية الحقلية باستمرار مشكلة تلوث البيانات بالضجيج القياسي (Measurement Noise) والأخطاء التقنية الناتجة عن أخطاء الأجهزة أو استجابات غير دقيقة من المفحوصين. في ظل وجود هذه العينات غير المتجانسة والمشوبة بالشوائب، تبرز الموثوقية الإحصائية الفائقة للمنوال كأداة قادرة على عزل الضجيج العشوائي وتقديم تقدير متماسك للظاهرة قيد الدراسة.

نظراً لأن أخطاء القياس والقيم الناتجة عن عيوب الأجهزة عادة ما تتوزع بشكل عشوائي ومشتت على أطراف فضاء العينة دون أن تشكل كتلة تكرارية متماسكة، فإن المنوال يتجاهلها تلقائياً وبشكل بنيوي تام. يستقر المنوال حصرياً في النطاق الذي تتجمع فيه المشاهدات الصحيحة والمتكررة، مما يقلل بشكل ملموس من التحيز الإحصائي (Statistical Bias) الناجم عن المشاهدات الشاذة غير المعيارية، ويوفر نتائج علمية تتسم باستقرار عالي وموثوقية يمكن الاعتماد عليها في بناء الاستنتاجات النظرية والتطبيقية.

تكتسب هذه الميزة أهمية استثنائية في تحليلات القياس عن بُعد (Telemetry) والبيانات الصادرة عن مجسات إنترنت الأشياء (IoT Sensors) المنتشرة في البيئات الوعرة والمصانع؛ حيث تتعرض هذه المجسات لذبذبات طارئة أو انقطاعات لحظية ترسل قراءات حرارية أو كهربائية خاطئة تماماً، ويضمن استخدام المنوال اللحظي تصفية هذه القراءات الشاذة واعتماد القراءة التشغيلية المستقرة التي تعكس الحالة الحقيقية للمنظومة.

5.3 حالات تفوق المنوال في اتخاذ القرارات الواقعية

في سياقات الإدارة الاستراتيجية والتخطيط اللوجستي والعمليات الصناعية، يحتاج متخذو القرار إلى معلومات عملية قابلة للترجمة إلى إجراءات ملموسة، وهو ما يفشل المتوسط الحسابي في تقديمه في كثير من الحالات الحرجة. هنا يتفوق المنوال تفوقاً شاملاً ومطلقاً بوصفه الأداة التشغيلية الأكثر كفاءة وملاءمة لاحتياجات الواقع المؤسسي والتجاري.

تبرز أهمية هذا التفوق في التطبيقات الحيوية التالية:

• إدارة المخزون وتجارة التجزئة (Inventory Optimization): عند تخطيط إنتاج وتخزين مقاسات الأحذية أو الملابس الجاهزة، يكون المتوسط الحسابي للمقاسات (مثل مقاس 41.6) رقماً عبثياً لا يمكن تصنيعه. إن القرار الاقتصادي الرشيد يتطلب معرفة المقاس المنوالي (مثل المقاس 42) لإنتاج أكبر كمية منه لتلبية الطلب الفعلي لأكبر شريحة من المستهلكين، مما يقلل من تكاليف التخزين الراكد ويرفع معدل دوران البضائع.
• تسعير الخدمات الاستهلاكية (Service Pricing): عند تصميم باقات الإنترنت أو باقات الاتصالات، لا تهتم الشركات بمتوسط استهلاك الدقائق المشوه بالمستخدمين الاستثنائيين، بل تبني باقاتها التنافسية على أساس حجم الاستهلاك المنوالي الذي تختاره الأغلبية الساحقة من المشتركين، مما يضمن تحقيق أعلى معدلات انتشار واستقطاب للعملاء.
• تحديد الجرعات الدوائية النموذجية (Clinical Pharmacology): في التجارب الدوائية المبكرة، يسعى الأطباء لتحديد الجرعة العلاجية المنوالية التي تحقق الاستجابة الشفائية المثلى لدى أكبر تكرار من المرضى دون إحداث آثار جانبية خطيرة، متجنبين الاعتماد على المتوسط الذي قد يتأثر باستجابات نادرة لمرضى يعانون من قصور جيني أو مناعي استثنائي.

6. أهمية المنوال في البحوث النفسية والقياس السيكومتري

6.1 تحليل استجابات الاختبارات النفسية والمقاييس الشخصية

يعتمد علم النفس الحديث والقياس السيكومتري (Psychometrics) على استخراج السمات والأنماط المعرفية الكامنة وراء السلوك الإنساني من خلال بطاريات اختبارات مقننة ومقاييس شخصية متطورة. في هذا الحقل المعرفي الدقيق، يمثل المنوال الأداة الأكثر حساسية لتحديد “النمط الاستجابي النموذجي” (Modal Response Pattern) الذي يعبر عن التفضيلات النفسية الحقيقية للأفراد دون الوقوع في شَرَك التبسيط الكمي المخل.

يتجلى دور المنوال بوضوح عند تحليل نتائج اختبارات الشخصية واسعة الشهرة مثل مؤشر مايرز-بريجز للأنماط (MBTI) أو مقياس العوامل الخمسة الكبرى للشخصية (Big Five). في هذه الأدوات، لا يتم تقييم الفرد بناءً على متوسطات حسابية تدمج الأبعاد المتناقضة، بل يتم تصنيف الشخصية عبر تحديد الخيارات المنوالية عبر المحاور الأساسية (مثل الانبساطية مقابل الانطوائية، أو التفكير مقابل الشعور)، مما ينتج توصيفاً سيكولوجياً دقيقاً ومتبلوراً يعكس هوية الشخصية وخصائصها السلوكية الفريدة.

في إطار الأسئلة التشخيصية المستندة إلى الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5)، يساعد المنوال في استخراج التكرار النوعي للأعراض النفسية لدى المبحوثين. يتيح ذلك للباحث السيكومتري معرفة ما إذا كانت العينة تميل بشكل نمطي نحو استجابة تشخيصية محددة تشير إلى اضطراب وجداني أو معرفي، متجاوزاً بذلك عيوب المقاييس الرياضية الكلاسيكية التي قد تخلط بين درجات الحدة ودرجات التكرار.

6.2 تحديد الأعراض الإكلينيكية الأكثر شيوعاً للاضطرابات

في الممارسة الإكلينيكية والطب النفسي التطبيقي، يمثل التشخيص الفارق والدقيق للاضطرابات العقلية تحدياً كبيراً بسبب التداخل الواسع في الأعراض الإكلينيكية بين المتلازمات المرضية المختلفة؛ كالتداخل بين أعراض اضطراب الاكتئاب الجسيم واضطرابات القلق العام أو اضطراب ما بعد الصدمة (PTSD).

يلعب المنوال دوراً محورياً في رصد “العرض المنوالي” (Modal Symptom) الذي يتكرر بأعلى نسبة في عينة المرضى المصابين بحالة معينة. فعلى سبيل المثال، قد يكتشف الباحثون السريريون أن “اضطراب النوم والأرق المبكر” هو العرض المنوالي الأكثر شيوعاً لدى مرضى الاكتئاب في بيئة جغرافية أو ثنائية ثقافية محددة، مما يمنح الأطباء دليلاً استرشادياً سريعاً لتوجيه الفحص الإكلينيكي والتركيز على هذا العرض كمؤشر إنذار مبكر للاضطراب.

كما يُستخدم المنوال في تقييم فاعلية البروتوكولات العلاجية وجلسات العلاج النفسي السلوكي المعرفي (CBT)؛ حيث يتم تتبع معدل التحسن السلوكي المنوالي لدى مجموعات العلاج. هذا التتبع يوضح بدقة النتيجة السريرية الأكثر ترجيحاً التي يمكن للمعالج النفسي أن يعد بها المريض الجديد، مما يرسخ مبادئ “الطب النفسي المسند بالدليل” (Evidence-Based Psychiatry) بعيداً عن التفاؤل المفرط الذي قد تعكسه المتوسطات الحسابية المتأثرة بتحسن خارق لعدد محدود من المرضى.

6.3 المنوال في تقييم صدق وثبات الأدوات السيكومترية

يمثل تقنين المقاييس النفسية وبناء أدوات القياس السلوكي عملية منهجية معقدة تتطلب التحقق الصارم من مؤشرات الصدق (Validity) والثبات (Reliability). يُعد المنوال أداة تشخيصية سيكومترية لا غنى عنها لفحص جودة الفقرات والبنود الاختبارية والتأكد من ملاءمتها للاستخدام الميداني على المجتمع المستهدف.

يساعد التحليل المنوالي في كشف ظاهرة “تحيز الاستجابة” (Response Bias) والنزوع نحو الإجابة المركزية أو الإجابات الاجتماعية المرغوبة (Social Desirability). فعندما يلاحظ الباحث السيكومتري أن المنوال لبند معين هو الخيار الأقصى (مثل “موافق تماماً”) لدى 95% من أفراد عينة التقنين، فإن هذا يشير إلى أن البند يعاني من ضعف في القدرة التمييزية (Discriminative Power) وانعدام التباين المنوالي؛ مما يستوجب تعديل صياغة البند أو حذفه بالكامل من الصورة النهائية للمقياس لعدم قدرته على التمييز بين الفروق الفردية الكامنة.

في اختبارات الثبات بطريقة التطبيق وإعادة التطبيق (Test-Retest Method)، يُستخدم مؤشر التطابق المنوالي لفحص مدى استقرار الخيارات النموذجية للمفحوصين عبر فترات زمنية متباعدة. إن ثبات القيمة المنوالية لاستجابات الأفراد يعزز من الموثوقية الاستدلالية للأداة ويثبت أنها تقيس سمات شخصية مستقرة نسبياً وليس حالات وجدانية عابرة تتغير بتغير الظروف اللحظية للتطبيق.

7. تطبيقات المنوال في دراسات السلوك البشري وعلم النفس المعرفي

7.1 دراسة زمن الرجع والمهام المعرفية

يُعد قياس زمن الرجع (Reaction Time – RT) في علم النفس المعرفي وعلم الأعصاب الإدراكي من أدق الوسائل لدراسة كفاءة المعالجة العصبية والعمليات العقلية المعقدة كالانتباه والذاكرة وسرعة اتخاذ القرار. تتسم توزيعات أزمنة الرجع في التجارب المعملية بكونها توزيعات ملتوية التواءً إيجابياً شديداً؛ حيث يمتد ذيل التوزيع طويلاً نحو اليمين بسبب محاولات نادرة يستغرق فيها المفحوص وقتاً طويلاً نتيجة السهو، أو الرمش، أو التشتت الذهني اللحظي.

في هذه التجارب الدقيقة، يؤدي استخدام المتوسط الحسابي لزمن الرجع إلى تشويه جسيم في تقدير سرعة المعالجة العقلية الحقيقية؛ نظراً لأن تلك القيم المتطرفة الناتجة عن التشتت تسحب المتوسط الحسابي بعيداً عن الواقع العصبي. في المقابل، يمثل “زمن الرجع المنوالي” (Modal Reaction Time) القيمة المثلى التي تعبر عن سرعة المعالجة الفسيولوجية الطبيعية والدقيقة التي يؤدي بها الدماغ مهمته المعرفية في حالة الانتباه الكامل والاستقرار التشغيلي للشبكات العصبية.

يوفر التحليل المنوالي لأزمنة الرجع أرضية صلبة للمقارنة بين الفئات العمرية المختلفة (مثل مقارنة سرعة المعالجة بين الشباب وكبار السن) أو لتقييم التدهور المعرفي لدى مرضى الزهايمر والباركنسون؛ حيث يسمح عزل المحاولات الشاذة للمنوال بإبراز الفروق الجوهرية في سرعة الإدراك الفعلي دون خلطها بمشكلات تشتت الانتباه العارضة.

7.2 تحليل سلوك المستهلك وصنع القرار الاقتصادي النفسي

يتقاطع الاقتصاد السلوكي (Behavioral Economics) بعمق مع علم النفس لدراسة الكيفية التي يتخذ بها البشر قرارات الشراء والاستثمار في ظل ظروف عدم اليقين والمحدودية العقلية (Bounded Rationality). في هذا الإطار، يقدم المنوال تفسيرات سيكولوجية عميقة للخيارات الاستهلاكية التي تبدو غير مفسرة بالنماذج الاقتصادية الكلاسيكية.

يُستخدم المنوال في دراسة ظاهرة “عقلية القطيع” (Herd Behavior) والامتثال الاجتماعي في الأسواق الاستهلاكية؛ حيث يميل غالبية المشترين إلى اختيار “المنتج المنوالي” أو الباقة التي يعلن عنها الموقع التجاري بأنها “الخيار الأكثر شعبية”. إن وعي المستهلك بالقيمة المنوالية يخلق تأثيراً نفسياً يقلل من شعوره بالندم المحتمل (Regret Aversion)، دافعاً إياه للاعتقاد بأن خيار الأغلبية هو الخيار الأكثر أماناً وضماناً للجودة.

يسهم المنوال أيضاً في فهم وتفكيك التحيزات المعرفية الشائعة مثل “تحيز الإرساء” (Anchoring Bias) و”تحيز التوافر” (Availability Heuristic)؛ حيث يدرس الباحثون كيف يتمكن التسعير المنوالي أو العرض التكراري المكثف لرسائل تسويقية معينة من تشكيل نقطة مرجعية ذهنية لدى المستهلك تجعله يقيّم جميع الخيارات اللاحقة بناءً على تلك القيمة المنوالية المستقرة في ذاكرته العاملة.

7.3 المنوال في علم النفس الاجتماعي ودراسة الأعراف

يرتكز علم النفس الاجتماعي في جزء كبير من نظرياته على فهم كيفية تشكل وتطور الأعراف الاجتماعية (Social Norms) والقواعد غير المكتوبة التي تحكم سلوك الأفراد داخل الجماعات. من الناحية الإحصائية والتحليلية، يمكن تعريف “العرف الاجتماعي” بدقة بأنه “السلوك المنوالي” الذي تمارسه الغالبية العظمى من أفراد المجتمع في سياق مكاني وزماني محدد.

يوفر المنوال مقياساً كمياً ونوعياً لمدى تماسك الجماعة ومدى امتثال الأفراد للمحددات الاجتماعية السائدة؛ حيث يتم قياس “الانحراف المعياري السلوكي” للفرد عن السلوك المنوالي للجماعة لتقدير درجة التكيف النفسي والاجتماعي. إن معرفة السلوك المنوالي تساعد في تمييز السلوكيات القيادية أو الابتكارية عن السلوكيات المنحرفة التي تخترق المنظومة القيمية للمجتمع.

يلعب المنوال دوراً حاسماً في رصد ظواهر “التغيير الاجتماعي” (Social Change) والتحولات الثقافية الكبرى عبر الزمن. فعندما يرصد الباحثون الاجتماعيون تحول القيمة المنوالية لظاهرة معينة (مثل سن الزواج المنوالي، أو عدد سنوات التعليم المنوالية للإناث) عبر عقود متعاقبة، فإن هذا التحول في القمة التكرارية يعطي مؤشراً بنيوياً لا يقبل الشك على حدوث تحول جذري في الوعي الجمعي والمنظومة الثقافية للأمة ككل.

8. فهم التوزيعات التكرارية المعقدة: أحادية وثنائية ومتعددة المنوال

8.1 التوزيع أحادي المنوال (Unimodal Distribution)

يُمثل التوزيع أحادي المنوال (Unimodal Distribution) النمط التوزيعي الأكثر بساطة وشيوعاً في الظواهر الطبيعية والبيولوجية والفيزيائية؛ وهو التوزيع الذي يمتلك قمة تكرارية بارزة ووحيدة في المنحنى البياني، مما يدل على وجود قيمة أو فئة مركزية واحدة تنجذب نحوها غالبية عناصر العينة الإحصائية المدروسة.

تحمل أحادية المنوال دلالة إبستيمولوجية ومنهجية بالغة الأهمية في البحث العلمي؛ فهي تشير بقوة إلى “تجانس العينة” (Sample Homogeneity) ووحدة المجتمع الإحصائي المسحوب منه تلك المشاهدات. فعند دراسة سمة فيزيائية مثل طول القامة لدى الذكور البالغين في منطقة جغرافية متجانسة عرقياً، ينتج التوزيع قمة منوالية واحدة تعكس البنية الوراثية والبيئية الموحدة للمجتمع.

تعتبر غالبية التوزيعات الاحتمالية النظرية الكلاسيكية توزيعات أحادية المنوال، مثل التوزيع الطبيعي (Gaussian)، وتوزيع تي ستودنت (Student’s t)، وتوزيع مربع كاي (Chi-Square)، وتوزيع إف (F-Distribution). يتيح هذا الاستقرار أحادي القمة للباحثين استخدام النماذج الخطية واختبارات الفروق المعلمية باطمئنان كامل لعدم وجود انقسامات كامنة داخل فضاء العينة.

8.2 التوزيع ثنائي المنوال (Bimodal Distribution) ودلالاته

يُعد التوزيع ثنائي المنوال (Bimodal Distribution) من أكثر التوزيعات الإحصائية إثارة للأهمية والتحليل المنهجي المعمق؛ وهو التوزيع الذي يُظهر منحناه التكراري “قمتين منفصلتين وبارزتين” تقعان في موقعين مختلفين عبر خط الأعداد، مما يعني وجود قيمتين أو فئتين تتكرران بتردد أعلى بكثير من بقية القيم المحيطة بهما في العينة.

يحمل ظهور التوزيع ثنائي المنوال رسالة إنذار منهجية بالغة القوة للباحث، تفيد بأن العينة الإحصائية المدروسة ليست عينة متجانسة على الإطلاق، بل هي في الحقيقة “مزيج مركب من مجتمعين فرعيين متمايزين” تم دمجهما قسراً أو عن غير قصد في مجموعة بيانات واحدة. تتضح هذه الظاهرة في الأمثلة التطبيقية التالية:

• الفروق البيولوجية بين الجنسين: إذا تم قياس توزيع طول القامة لعينة عشوائية تضم 10,000 شخص من الذكور والإناث معاً دون فصل، فسينتج التوزيع قمتين منواليتين متباينتين؛ إحداهما حول 162 سم (قمة الإناث) والأخرى حول 176 سم (قمة الذكور).
• الاستقطاب السياسي والاجتماعي الحاد: في دراسات الرأي العام حول قضايا خلافية كبرى، يُظهر التوزيع ثنائي المنوال وجود معسكرين أيديولوجيين متقابلين (أحدهما يتبنى أقصى درجات التأييد والآخر أقصى درجات الرفض)، مع خلو منطقة الوسط من أي كتلة حرجة.

في مثل هذه التوزيعات ثنائية القمة، تفشل مقاييس النزعة المركزية التقليدية كالمتوسط الحسابي والوسيط فشلاً ذريعاً ومضللاً؛ إذ سيقع المتوسط الحسابي في الوادي المنخفض تماماً بين القمتين، وهي منطقة فارغة تقريباً من المشاهدات الفعلية، مما يجعل المتوسط قيمة مضللة تعبر عن لا شيء في الواقع، بينما يبرز المنوال المزدوج ليقدم التفسير الحقيقي الوحيد لطبيعة الانقسام القائم في العينة.

8.3 التوزيع متعدد المنوال (Multimodal) وحالات انعدام المنوال

يتجاوز التعقيد الإحصائي التوزيعات الثنائية ليصل إلى التوزيعات متعددة المنوال (Multimodal Distributions)؛ وهي التوزيعات التي تشتمل على ثلاث قمم تكرارية متباينة أو أكثر. تعكس هذه التوزيعات المركبة وجود بنى تفاعلية شديدة التعقيد ومجتمعات فرعية متعددة متداخلة داخل قواعد البيانات الضخمة (مثل بيانات الحركة الجوية، أو سجلات الشراء الاستهلاكية عبر مناطق جغرافية متعددة الثقافات).

للتعامل مع التوزيعات متعددة المنوال، تستعين الإحصاءات المتقدمة بخوارزميات “التجميع العنقودي” (Clustering Algorithms) ونماذج المزيج الغاوسي (Gaussian Mixture Models – GMM) لفصل وتفكيك هذه القمم المنوالية المتعددة وتحديد المراكز الخاصة بكل مجتمع فرعي على حدة، مما يمهد الطريق لنمذجة كل نمط بشكل مستقل يراعي خصوصيته الإحصائية.

على الطرف النقيض تماماً، تبرز حالات “انعدام المنوال” في البيانات الإحصائية؛ وهي الحالات التي تتوزع فيها المشاهدات عبر فضاء العينة بتكرارات متساوية تماماً (كأن تتكرر كل قيمة مرة واحدة فقط)، أو في حالة التوزيع المنتظم (Uniform Distribution) الذي يكون فيه المنحنى التكراري أفقياً ومسطحاً تماماً دون أي قمة. يعكس انعدام المنوال في هذه الحالات التكافؤ التام في احتمالات الحدوث وانعدام النزعة التفضيلية أو التجمعية نحو أي قيمة بعينها، وهي معلومة استدلالية هامة تفيد في تصميم تجارب العشوائية التامة واختبارات المحاكاة الرياضية (Monte Carlo Simulations).

9. مقارنة منهجية متقدمة: المنوال مقابل المتوسط والوسيط

9.1 جدول معايير الاختيار بين المقاييس الثلاثة

يتطلب التحليل الإحصائي الرصين فهماً منهجياً عميقاً للخصائص الرياضية والوظيفية لكل مقياس من مقاييس النزعة المركزية، وذلك لضمان اختيار المقياس الأكثر ملاءمة لطبيعة المتغير وشكل التوزيع وأهداف البحث. يوضح الجدول التالي مقارنة منهجية شاملة تحدد معايير المفاضلة بين المنوال والوسيط والمتوسط الحسابي:

المعيار المنهجي	المنوال (Mode)	الوسيط (Median)	المتوسط الحسابي (Mean)
مستوى القياس الملائم	الاسمي، الترتيبي، الفئوي، النسبي (الوحيد للبيانات الاسمية).	الترتيبي، الفئوي، النسبي (لا يصلح للبيانات الاسمية).	الفئوي والنسبي فقط (يشترط مسافات متساوية وقيم كمية).
الحساسية للقيم المتطرفة	محصن تماماً ولا يتأثر إطلاقاً بالقيم الشاذة والقصوى.	مقاوم جداً ويحتفظ باستقراره الموضعي.	شديد الحساسية وينهار تماماً بوجود قيم شاذة مفردة.
التعامل مع التوزيعات الملتوية	يحدد قمة التوزيع الفعلية دون أن ينجرف مع الذيل.	يمثل النقطة المنصفة الأفضل للبيانات الملتوية.	ينجرف بقوة نحو الذيل الطويل مشوهاً المركز الحقيقي.
التفرد الإحصائي	قد يكون وحيداً، أو ثنائياً، أو متعدداً، أو منعدماً.	قيمة وحيدة وفريدة دائماً لأي مجموعة بيانات.	قيمة وحيدة وفريدة دائماً لأي مجموعة بيانات.
المعالجة الجبرية والرياضية	محدودية استخدامه في المعادلات الجبرية والاستدلال المتقدم.	متوسط الصعوبة الرياضية في الاشتقاق والتحليل الجبري.	مثالي وسهل جداً في كافة العمليات الجبرية والاستدلالية.
الدلالة التفسيرية للواقع	القيمة أو الخيار الأكثر حدوثاً وشيوعاً ونموذجية في المجتمع.	القيمة العادلة التي تفصل المجتمع إلى نصفين متطابقين عددياً.	نقطة التوازن الجبري التي تفترض توزيع الحصص بالتساوي التام.

9.2 مواقف عملية يتفوق فيها المنوال تفوقاً مطلقاً

توجد بيئات وسياقات تطبيقية ميدانية يصبح فيها استخدام المتوسط الحسابي أو الوسيط ضرباً من التضليل المنهجي، وتفرض طبيعة المشكلة اتخاذ المنوال معياراً حصرياً وأساسياً للتحليل واتخاذ القرار. من أبرز هذه المواقف الاستثنائية ما يلي:

• الانتخابات والاستفتاءات الديمقراطية (Democratic Voting Systems): في النظم الانتخابية القائمة على الأغلبية أو التمثيل البسيط، يكون الفائز بالمنصب هو المرشح الذي يحصل على “المنوال الانتخابي” (أكبر عدد مطلق من الأصوات). لا يمكن التفكير مطلقاً في حساب وسيط أو متوسط لأسماء المرشحين، فالمنوال هو المقياس الوحيد الذي يجسد الإرادة الانتخابية للأغلبية.
• جدولة المواعيد وإدارة الفعاليات الكبرى (Event Scheduling Optimization): عند استطلاع آراء آلاف المشاركين حول التوقيت الأنسب لانطلاق مؤتمر دولي أو محاضرة تدريبية، فإن التوقيت المنوالي هو الخيار الإداري الأوحد القابل للتطبيق لضمان حضور أكبر عدد من المسجلين، في حين أن التوقيت المتوسط قد يحدد ساعة غير مناسبة لأي طرف من المشاركين.
• التصنيع وتوحيد المعايير الصناعية (Industrial Standardization): في خطوط إنتاج المصابيح الكهربائية أو قطع غيار السيارات، يتم تصميم المنتجات بناءً على المقاسات المنوالية للمعدات الشائعة في الأسواق لضمان التوافق التجاري الكامل، متجاهلين المتوسطات الحسابية التي تنتج قياسات شاذة تفقد المنتج صلاحيته التسويقية.

9.3 التكامل بين المقاييس الثلاثة في التحليل الشامل

على الرغم من التمايز الوظيفي الواضح بين مقاييس النزعة المركزية، فإن الممارسة الإحصائية الاحترافية المعاصرة لا تنظر إلى هذه المقاييس كأدوات متنافسة يقصي بعضها بعضاً، بل تتعامل معها كمنظومة ثلاثية متكاملة تتضافر معاً لرسم صورة تشريحية بالغة الدقة لهيكل البيانات المعقدة.

يتيح التقرير الإحصائي الشامل الذي يجمع بين المقاييس الثلاثة استنتاج الفروق التفسيرية العميقة بين “ما هو شائع ونمطي” (المنوال)، و”ما هو منصف ورتبي” (الوسيط)، و”ما هو متوازن حسابياً” (المتوسط). إن قراءة الفروق والمسافات الرقمية الفاصلة بين هذه المقاييس تعمل بمثابة أداة تشخيص فوري لشكل التوزيع التكراري، وتكشف بوضوح عن وجود الالتواءات والتكتلات غير المرئية في قواعد البيانات الضخمة دون الحاجة إلى اللجوء لاختبارات الاستدلال المتقدمة في المراحل التمهيدية للتحليل.

يسهم هذا التكامل في تزويد المحللين وعلماء البيانات برؤية استراتيجية متعددة الأبعاد؛ حيث يستعين المحلل بالمنوال لفهم الخيار التشغيلي الأوسع انتشاراً، ويستعين بالوسيط لتحديد نقطة العدالة التوزيعية، ويستخدم المتوسط لإجراء التنبؤات والتقديرات الإجمالية، مما يضمن بناء سياسات وقرارات مؤسسية تتسم بالشمولية والمتانة العلمية.

10. حساب المنوال وتطبيقه في البرمجيات الإحصائية ولغات البرمجة

10.1 استخراج المنوال باستخدام برنامج SPSS

يُعد الحساب المنهجي للمنوال عبر البرمجيات الإحصائية المتخصصة الخطوة التطبيقية الأساسية للباحثين في العلوم الاجتماعية والنفسية. وفي هذا الإطار، يوفر برنامج SPSS (Statistical Package for the Social Sciences) مسارات إجرائية مرنة لاستخراج المنوال بدقة متناهية.

تتمثل الخطوات الإجرائية لاستخراج المنوال في SPSS في الانتقال عبر القوائم الرئيسية إلى مسار التحليل الوصفي: Analyze > Descriptive Statistics > Frequencies، ثم إدخال المتغيرات المطلوبة وتفعيل خيار المنوال (Mode) من نافذة الإحصاءات الفرعية (Statistics). يتيح البرنامج أيضاً توليد المدرجات التكرارية (Histograms) مع تراكب منحنى التوزيع الطبيعي لعرض القمة المنوالية بصرياً وتحديد موضعها مقارنة بالمتوسط والانحراف المعياري.

في حال وجود توزيع متعدد المناويل (Multiple Modes)، يقوم برنامج SPSS بحساب القيمة المنوالية الأولى ذات الترتيب الأدنى ويعرض تنبيهاً إرشادياً أسفل جدول المخرجات ينص على: “وجود أكثر من منوال، وتم عرض أصغر قيمة فقط”. ينبه هذا التقرير الباحث إلى ضرورة العودة إلى الجدول التكراري التفصيلي لفحص القمم الأخرى وتسجيل كافة القيم المتنافسة لضمان دقة التقرير العلمي النهائي.

10.2 حساب المنوال في لغة بايثون (Python) ومكتبات علم البيانات

تعتبر لغة بايثون (Python) البيئة البرمجية الأكثر هيمنة في علم البيانات والتعلم الآلي؛ حيث توفر منظومة غنية من المكتبات الرياضية والإحصائية المتطورة لحساب المنوال بكفاءة خوارزمية فائقة قادرة على معالجة البيانات الضخمة (Big Data) المتدفقة بسرعة هائلة.

تتضمن المسارات البرمجية في بايثون عدة أدوات لاستخراج المنوال بحسب طبيعة البيانات:

• مكتبة Scipy Stats: تقدم دالة scipy.stats.mode() التي تقوم بحساب القيمة المنوالية وتكرارها الفعلي مباشرة لمصفوفات NumPy، مع إمكانية تحديد المحور الموجه للحساب عبر الأبعاد المتعددة.
• مكتبة Pandas: توفر دالة DataFrame.mode() و Series.mode() والتي تتميز بمرونة استثنائية؛ حيث ترجع تلقائياً كافة المناويل في حال كانت البيانات متعددة المنوال دون إهمال أي قمة، فضلاً عن تعاملها التلقائي والفعال مع القيم المفقودة (NaNs).
• التصور البصري مع Seaborn و Matplotlib: تتيح دوال مثل sns.histplot(kde=True) و sns.kdeplot() رسم دالة الكثافة النواتية وتقدير القمة المنوالية للمتغيرات المستمرة بدقة بصرية متناهية تسهم في استكشاف التوزيعات المعقدة.

10.3 تحليل المنوال في بيئة لغة آر (R) الإحصائية

تمثل لغة آر (R) البيئة الأكاديمية القياسية للإحصائيين حول العالم. ومن المفارقات التاريخية الطريفة في لغة R أن الدالة الافتراضية mode() لا تقوم بحساب المنوال الإحصائي، بل ترجع نوع التخزين البرمجي للكائن، مما يتطلب من الباحثين اتباع منهجيات مخصصة لتقدير المنوال الإحصائي الحقيقي.

يقوم المحللون في لغة R ببناء دوال برمجية خوارزمية مخصصة لحساب المنوال للبيانات المنفصلة عبر دمج دوال التكرار والفرز، مثل الشفرة المرجعية التالية:

get_mode <- function(v) { uniqv <- unique(v); uniqv[which.max(tabulate(match(v, uniqv)))] }

أما بالنسبة للبيانات الكمية المستمرة والمعقدة، فتعتمد بيئة R على حزم إحصائية متقدمة متخصصة مثل مكتبة modeest (Mode Estimation)، والتي توفر ترسانة واسعة من المقدرات المنوالية المتقدمة مثل مقدر بارزن (Parzen’s Kernel Method)، ومقدر جرينوود-بيكل، ونماذج الانحدار المنوالي (Modal Regression) التي تدمج المنوال مباشرة في نماذج التنبؤ الإحصائي غير الخطي.

11. القيود المنهجية والتحديات الإحصائية المرتبطة بالمنوال

11.1 عدم الحساسية لكافة قيم مجموعة البيانات

على الرغم من المزايا البنيوية الفائقة للمنوال، إلا أنه يواجه عدداً من القيود الرياضية والمنهجية التي تحد من استخداماته في بعض التحليلات الاستدلالية المتقدمة. يكمن العيب الأساسي للمنوال في عدم حساسيته لمعظم قيم مجموعة البيانات؛ حيث ينحصر تركيزه الحسابي فقط على القيم الأكثر تكراراً مهملاً تماماً بقية المشاهدات غير المكررة مهما كان حجمها أو موقعها.

يترتب على هذه الخاصية أن أي تغييرات جوهرية أو تحولات واسعة النطاق في أطراف التوزيع أو في القيم الوسيطة لن تؤثر إطلاقاً على قيمة المنوال طالما بقيت القمة التكرارية محتفظة بتفوقها العددي النسبي. يعني هذا أن المنوال يفشل في عكس “الكتلة الكلية” أو “الطاقة الإجمالية” للبيانات، مما يجعله غير مناسب للاستخدام في الحسابات التي تتطلب رصد التغيرات الكلية للظاهرة (مثل حساب الناتج المحلي الإجمالي أو استهلاك الوقود التراكمي لأسطول طائرات).

كما يعاني المنوال من صعوبة المعالجة الجبرية والرياضية المتقدمة؛ حيث يستحيل اشتقاق معادلات استدلالية بسيطة لحساب التباين المنوالي أو فترات الثقة المعلمية للمنوال بالطريقة السلسة ذاتها المتاحة للمتوسط الحسابي، مما يقيد من توظيفه المباشر في اختبارات الفروض الكلاسيكية مثل تحليل التباين (ANOVA) ونماذج الانحدار الخطي العادي.

11.2 صعوبة التطبيق على البيانات الكمية المستمرة المتصلة

تواجه عملية حساب المنوال مأزقاً نظرياً وتطبيقياً كبيراً عند التعامل مع المتغيرات الكمية المستمرة (Continuous Variables) المقاسة بدقة عالية متناهية الكسور (مثل قياس الأوزان بأجزاء من المليجرام، أو توقيت السباقات بأجزاء من الثانية)؛ حيث تصبح احتمالية تكرار قيمة عددية متطابقة تماماً أكثر من مرة واحدة في العينات المحدودة أمراً شبه مستحيل رياضياً وفق قواعد الاحتمال المستمر ($P(X = x) = 0$).

في هذه الحالات، تفتقر مصفوفة البيانات الخام إلى أي تكرار عددي مباشر، مما يؤدي إلى إخفاق الحساب الأولي للمنوال وإرجاع حالة “انعدام المنوال”. لمعالجة هذا القصور، يُلزم الإحصائيون بفرز البيانات وتجميعها قسراً داخل فئات متتالية (Binning Process) لتكوين جداول توزيع تكراري تسمح بظهور فئات منوالية ذات تكرار ملموس.

تكمن المشكلة المنهجية الكبرى في هذه المقاربة في أن القيمة الناتجة للمنوال تتأثر تأثراً بالغاً وشديداً باختيار عرض الفئة (Class Interval Width) وحدود البداية والنهاية للفئات؛ حيث يؤدي تغيير حجم الفئة قليلاً إلى انزياح الفئة المنوالية وتغير قيمة المنوال بالكامل، وهو ما يُعرف في الأدبيات الإحصائية بـ “التحيز الناتج عن التقطيع الفئوي” (Discretization Bias).

11.3 غموض التفسير في البيانات متعددة المنوال

يفقد المنوال جاذبيته وميزته الأساسية بوصفه “مؤشراً ملخصاً ومفرداً” للنزعة المركزية عندما تحتوي مجموعة البيانات على قمم تكرارية متعددة ومتساوية؛ كأن تشتمل العينة على ثلاثة أو أربعة مناويل تتنافس على المركز، مما يربك الباحث ويصعب من مهمة صياغة استنتاج استدلالي مفرد يعبر عن مركز الثقل في التقرير النهائي.

تتعقد المشكلة بشكل خاص عند محاولة إجراء مقارنات إحصائية بين مجموعات أو عينات تجريبية متعددة تمتلك كل منها عدداً مختلفاً من المناويل؛ كأن تتم مقارنة مجموعة أحادية المنوال بأخرى ثلاثية المنوال. في هذه البيئات المقارنة، تفشل المقاييس التقليدية للاختبارات الإحصائية في ضبط المقارنة، مما يجبر الباحث على التخلي عن المنوال كمعيار للمقارنة المباشرة، أو اللجوء إلى خوارزميات إحصائية وتصنيفية معقدة للغاية تتطلب مهارات تحليلية وتفسيرية استثنائية لتجنب الخروج بنتائج متناقضة أو مضللة لصناع القرار.

12. الخاتمة واستشراف المستقبل: دور المنوال في تعلم الآلة والبيانات الضخمة

12.1 المنوال في معالجة القيم المفقودة (Mode Imputation)

في عصر التحول الرقمي والذكاء الاصطناعي، تعتمد موثوقية نماذج وخوارزميات تعلم الآلة بشكل مطلق على جودة مرحلة “تنظيف وتهيئة البيانات” (Data Preprocessing). ومن بين التحديات المركزية في هذه المرحلة تبرز معالجة القيم المفقودة والناقصة (Missing Data Handling) في قواعد البيانات الضخمة.

يمثل المنوال الأسلوب المعياري والرائد في العالم لمعالجة وتعويض القيم المفقودة في المتغيرات النوعية والفئوية والاسمية، عبر تقنية تُعرف بـ التعويض بالمنوال (Mode Imputation). تتلخص هذه التقنية في استبدال الحقول الفارغة في مصفوفة البيانات بالقيمة أو الفئة المنوالية الأكثر تكراراً في ذلك المتغير داخل مجموعة التدريب (Training Set).

تتميز هذه التقنية بسرعة حاسوبية هائلة وقدرة فائقة على الحفاظ على السلامة المنطقية للمتغيرات الفئوية دون إدخال فئات هجينة مشوهة؛ مما يجعلها خطوة أساسية وإلزامية قبل تغذية البيانات في شبكات التعلم العميق ونماذج التصنيف الذكية. على الرغم من ذلك، يحرص علماء البيانات على تطبيق تقنيات التعويض بحذر شديد لتجنب تقليل التباين الطبيعي للمتغير أو تضخيم الارتباطات الزائفة في العينات الصغيرة.

12.2 المنوال في خوارزميات التصنيف والتعلم الآلي

يتجاوز المنوال في الذكاء الاصطناعي كونه مجرد أداة لمعالجة البيانات، ليكون القلب الرياضي المشغل لأقوى خوارزميات التصنيف (Classification Algorithms) والتعلم المجمع (Ensemble Learning) التي تقود الابتكارات المعاصرة.

تتجسد مركزية المنوال في البنى الخوارزمية المتقدمة التالية:

• خوارزمية الجار الأقرب (K-Nearest Neighbors – KNN): عند التنبؤ بالفئة التي ينتمي إليها عنصر جديد، تقوم الخوارزمية بفحص أقرب $K$ من الجيران المحيطين به في الفضاء المتجهي، وتعتمد “المنوال الفئوي” لهؤلاء الجيران لتحديد تصنيف العنصر النهائي بناءً على تصويت الأغلبية المنوالية.
• غابات القرار والتعلم المجمع (Random Forests & Bagging): تعتمد خوارزميات الغابات العشوائية على تدريب مئات من أشجار القرار المستقلة، ثم دمج تنبؤاتها عبر آلية “التصويت الأغلبي الصارم” (Majority Voting)، وهو التطبيق الخوارزمي الدقيق للمنوال الرياضي، لإنتاج تنبؤ فائق الدقة يتميز بمتانة عالية ضد الأخطاء الفردية لكل شجرة.
• التجميع المنوالي المتقدم (Mode-based Clustering): يُستخدم لتحديد القمم المنوالية متعددة الأبعاد داخل البيانات غير الخطية المعقدة (Non-linear Data)، وتجميع المشاهدات حول تلك القمم لبناء مجموعات عنقودية ذكية تفوق قدرات خوارزميات $K\text{-Means}$ التقليدية.

12.3 خلاصة الأهمية الإحصائية للمنوال في البحث العلمي

في الختام، يتضح بجلاء أن المنوال ليس مجرد مقياس تمهيدي بسيط يقتصر دوره على المسوحات الأولية، بل هو أداة إحصائية وتحليلية متجذرة في البنية الإبستيمولوجية للعلوم الوصفية والتطبيقية والذكاء الاصطناعي. تتجسد عظمته المنهجية في قدرته الفريدة على ملامسة الواقع الفعلي والمباشر للمجتمعات والظواهر الإنسانية والفيزيائية دون وسائط تجريدية تفرضها الحسابات الجبرية المعقدة.

يوصي المنهج الإحصائي المعاصر الباحثين وصناع القرار بالابتعاد عن الرؤية الأحادية التي تهيمن عليها نزعة الاعتماد الحصري على المتوسط الحسابي، وضرورة دمج المنوال كشريك تحليلي أساسي في التقارير الإحصائية؛ لضمان فهم التوزيعات الحقيقية، واكتشاف الأنماط السائدة، ومعالجة البيانات النوعية بأعلى درجات الدقة والصدق العلمي.

مع استمرار تدفق البيانات الضخمة وتعقد النماذج السلوكية للمجتمعات الرقمية المعاصرة، ستظل القيمة المنوالية بمثابة البوصلة الأكثر موثوقية وثباتاً للعلماء والمحللين لاستكشاف الأنماط السائدة، وحل ألغاز السلوك البشري، وبناء خوارزميات ذكية تقرأ الواقع الإحصائي وتستشرف المستقبل بدقة علمية رصينة وموضوعية لا تلين.

المراجع

• Agresti, A. (2018). Statistical Methods for the Social Sciences (5th ed.). Pearson. https://www.pearson.com
• Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). SAGE Publications. https://uk.sagepub.com
• Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7
• Maronna, R. A., Martin, R. D., Yohai, V. J., & Salibián-Barrera, M. (2019). Robust Statistics: Theory and Methods (with R) (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/9781119214656
• Pearson, K. (1895). Contributions to the mathematical theory of evolution.—II. Skew variation in homogeneous material. Philosophical Transactions of the Royal Society of London. (A.), 186, 343–414. https://doi.org/10.1098/rsta.1895.0010
• Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677
• Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley. https://www.pearson.com