المحتويات:
العزم المركزي
المجالات التأديبية الأساسية: الإحصاء، نظرية الاحتمالات، الرياضيات التطبيقية
1. التعريف الجوهري
يمثل العزم المركزي (Central Moment) مفهومًا إحصائيًا أساسيًا يهدف إلى وصف شكل وتوزيع متغير عشوائي معين بطريقة تتجاوز مجرد تحديد مركزه أو ميله المركزي. يتم تعريف العزم المركزي من الرتبة k على أنه القيمة المتوقعة للقوة k للفرق بين المتغير العشوائي وقيمته المتوقعة (المتوسط). على عكس العزوم الخام (Raw Moments) التي تُحسب حول نقطة الصفر، تُحسب العزوم المركزية حول الوسط الحسابي للتوزيع. هذا التركيز حول الوسط يجعل العزوم المركزية مقاييس جوهرية لوصف الخصائص الداخلية للتوزيع، مثل تشتته (انتشاره)، والتواءه (عدم تماثله)، وتفرطحه (درجة الذروة أو الذيلية).
تكمن الأهمية القصوى للعزوم المركزية في أنها توفر خصائص ثابتة لا تتأثر بإزاحة التوزيع (أي إضافة ثابت إلى جميع قيم المتغير العشوائي)، مما يجعلها أدوات مثالية للمقارنة بين التوزيعات المختلفة بشكل مستقل عن موقعها على المحور العددي. يُعد العزم المركزي الثاني، المعروف باسم التباين (Variance)، أشهر هذه المقاييس وأكثرها استخداماً، حيث يقيس مدى تشتت البيانات حول المتوسط. أما العزوم المركزية العليا (الرتبة الثالثة والرابعة وما فوق) فتوفر معلومات أدق حول شكل التوزيع، وتلعب دوراً حاسماً في تحليل البيانات المتقدم وفي تطوير النماذج الاحتمالية.
في سياق نظرية الاحتمالات، إذا كان لدينا متغير عشوائي X بمتوسط $mu$ (القيمة المتوقعة $E[X]$)، فإن العزم المركزي من الرتبة k، والمُشار إليه بالرمز $mu_k$، يُعطى بالصيغة $E[(X – mu)^k]$. هذا التعريف الرياضي يوضح أن العزم المركزي يقيس متوسط المسافة المرفوعة للقوة k بين كل نقطة بيانات ومتوسط التوزيع. كلما زادت رتبة العزم (k)، زاد تركيزه على الذيلين (Tails) البعيدين للتوزيع، مما يجعله حساساً للقيم المتطرفة (Outliers) أو الشاذة في مجموعة البيانات.
2. الصيغة الرياضية والاشتقاق
للتعبير عن العزم المركزي رياضياً، يجب التمييز بين المتغيرات العشوائية المتقطعة والمستمرة. في حالة المتغير العشوائي المستمر X ذي دالة كثافة الاحتمال $f(x)$، يُعرّف العزم المركزي من الرتبة k كما يلي: $mu_k = int_{-infty}^{infty} (x – mu)^k f(x) dx$. هذه الصيغة التكاملية تؤكد أن العزم هو متوسط مرجح لـ $(x – mu)^k$ عبر النطاق الكامل للمتغير، حيث يتم ترجيح كل قيمة باحتمالية حدوثها $f(x)$.
أما بالنسبة للمتغير العشوائي المتقطع X ذي دالة كتلة الاحتمال $P(x_i)$، فإن العزم المركزي من الرتبة k يُحسب كالتالي: $mu_k = sum_{i} (x_i – mu)^k P(x_i)$. سواء كنا نتعامل مع توزيع مستمر أو متقطع، فإن الهدف يبقى واحداً: قياس مدى تباعد القيم عن المركز (المتوسط) وتجميع هذه الفروق بطريقة منهجية. يتطلب وجود العزم المركزي من الرتبة k أن تكون القيمة المتوقعة لـ $|X – mu|^k$ محدودة.
تاريخياً، ارتبط مفهوم العزوم بشكل وثيق بجهود علماء الإحصاء الأوائل، ولا سيما كارل بيرسون، الذي كان له دور محوري في تطوير الإحصاء الوصفي في أواخر القرن التاسع عشر وأوائل القرن العشرين. كان بيرسون رائداً في استخدام العزوم لوصف التوزيعات الاحتمالية بشكل رياضي صارم، حيث أدرك أن العزوم العليا توفر أدوات تحليلية قوية تتجاوز مقاييس النزعة المركزية والتشتت البسيطة. وقد أتاح هذا الإطار الرياضي إمكانية تصنيف التوزيعات وتطوير عائلات من التوزيعات بناءً على خصائصها اللحظية، مما شكل الأساس للعديد من الاختبارات الإحصائية الحديثة.
3. الخصائص الرئيسية
تتمتع العزوم المركزية بعدد من الخصائص الرياضية الهامة التي تجعلها مفيدة للغاية في التحليل الإحصائي. أولاً، العزم المركزي الأول (حيث $k=1$) يكون دائماً صفراً، أي $mu_1 = E[(X – mu)] = E[X] – E[mu] = mu – mu = 0$. هذه الخاصية هي نتيجة مباشرة لتعريف المتوسط كمركز توازن للتوزيع، حيث تتوازن الانحرافات الموجبة والسالبة حوله.
ثانياً، العزم المركزي الثاني ($mu_2$) هو التباين ($sigma^2$). التباين هو مقياس للتشتت التربيعي للبيانات حول المتوسط. ونظراً لأن التباين يُحسب كقيمة متوقعة لمربع الانحرافات، فإنه يكون دائماً موجباً (أو صفراً إذا كانت جميع القيم متطابقة). أما الجذر التربيعي للتباين فهو الانحراف المعياري ($sigma$)، وهو المقياس الأكثر شيوعاً لتفسير التشتت بنفس وحدات قياس المتغير الأصلي.
ثالثاً، تتميز العزوم المركزية بخاصية الثبات تحت الإزاحة (Invariance under translation). إذا قمنا بإضافة ثابت c إلى المتغير العشوائي X لإنشاء متغير جديد $Y = X + c$، فإن متوسط التوزيع الجديد سيكون $mu_Y = mu_X + c$. ومع ذلك، فإن العزوم المركزية لـ Y ستكون مطابقة تماماً للعزوم المركزية لـ X (أي $mu_k(Y) = mu_k(X)$). هذه الخاصية مهمة لأنها تسمح للمحللين بالتركيز فقط على شكل التوزيع، بمعزل عن موقعه المطلق على المحور العددي.
4. العزوم المركزية الأربعة الأولى (مقاييس الشكل)
تكتسب العزوم المركزية ذات الرتب الدنيا أهمية خاصة لأنها تصف الخصائص الأبرز لشكل التوزيع: التشتت، والالتواء، والتفرطح. كما ذكرنا، العزم الأول هو صفر والثاني هو التباين.
العزم المركزي الثالث ($mu_3$) يصف الالتواء (Skewness). يقيس الالتواء مدى تماثل التوزيع. إذا كان التوزيع متماثلاً تماماً (مثل التوزيع الطبيعي)، فإن العزم المركزي الثالث يكون صفراً. إذا كان التوزيع ملتويًا لليمين (الذيل الأيمن أطول)، فإن $mu_3$ تكون موجبة؛ وإذا كان ملتويًا لليسار (الذيل الأيسر أطول)، فإنها تكون سالبة. غالباً ما يُستخدم معامل الالتواء، وهو العزم الثالث المقسَّم على مكعب الانحراف المعياري، لتوفير مقياس معياري خالٍ من وحدات القياس.
العزم المركزي الرابع ($mu_4$) يصف التفرطح (Kurtosis). يقيس التفرطح درجة الذروة (Peakedness) وثقل الذيلين (Tail Heaviness) للتوزيع مقارنةً بالتوزيع الطبيعي. عادةً ما يُستخدم معامل التفرطح (Kurtosis Coefficient)، وهو $mu_4$ مقسوماً على القوة الرابعة للانحراف المعياري. التوزيعات التي تحتوي على ذيول أثقل وذروة أكثر حدة من التوزيع الطبيعي (توزيعات leptokurtic) يكون لها تفرطح أكبر من 3 (القيمة التي يتميز بها التوزيع الطبيعي)، بينما التوزيعات ذات الذيول الأخف والذروة الأكثر تسطحاً (توزيعات platykurtic) يكون لها تفرطح أقل من 3.
5. العلاقة بالعزوم الخام
على الرغم من أن العزوم المركزية والعزوم الخام (العزوم حول الصفر) تصفان نفس التوزيع، إلا أنه يمكن التعبير عن أحدهما بدلالة الآخر. تُعد العلاقة بينهما ضرورية من الناحية الحسابية، خاصة عند التعامل مع تحويلات المتغيرات العشوائية. يُمكن اشتقاق العزم المركزي من الرتبة k باستخدام العزوم الخام الأولى وصولاً إلى الرتبة k، والعكس صحيح.
تُستخدم مبرهنة ذات الحدين بشكل شائع لربط العزوم المركزية بالعزوم الخام. على سبيل المثال، يمكن التعبير عن العزم المركزي الثاني (التباين) بدلالة العزوم الخام الأولى والثانية: $mu_2 = mu’_2 – (mu’_1)^2$. حيث أن $mu’_1$ هو العزم الخام الأول (وهو المتوسط $mu$)، و $mu’_2$ هو العزم الخام الثاني ($E[X^2]$). هذه العلاقة هي الأساس لحساب التباين بكفاءة في العديد من الخوارزميات الإحصائية.
كلما زادت رتبة العزم، أصبحت العلاقة أكثر تعقيداً. فمثلاً، العزم المركزي الثالث يُعطى بالصيغة: $mu_3 = mu’_3 – 3 mu’_2 mu’_1 + 2 (mu’_1)^3$. إن القدرة على التحويل بين العزوم الخام والعزوم المركزية تتيح للمحللين اختيار الإطار الأكثر ملاءمة للسياق الرياضي أو البرمجي قيد الدراسة. ففي حين أن العزوم الخام أسهل في الحساب المباشر من التعريف، فإن العزوم المركزية أسهل في التفسير الإحصائي لأنها مستقلة عن موقع التوزيع.
6. الأهمية والتأثير في التحليل الإحصائي
تُشكل العزوم المركزية عماد التحليل الإحصائي الاستدلالي والوصفي على حد سواء. إن فهم التباين أمر حيوي في كل فرع من فروع العلم تقريباً، من الفيزياء إلى الاقتصاد. ففي التمويل، يُستخدم التباين كمقياس للمخاطر، حيث يشير التباين العالي في عوائد الأصول إلى تقلبات أكبر ومخاطر أعلى.
علاوة على التباين، فإن العزوم العليا (الالتواء والتفرطح) لها أهمية قصوى في نمذجة المخاطر. ففي الأسواق المالية، غالبًا ما تكون العوائد غير متماثلة (التواء غير صفري) وتظهر ذيولًا سميكة (تفرطح عالٍ)، مما يعني أن الأحداث المتطرفة أكثر احتمالًا مما يتنبأ به التوزيع الطبيعي. يعد دمج هذه العزوم العليا أمرًا ضروريًا لبناء نماذج دقيقة لإدارة القيمة المعرضة للخطر (Value at Risk – VaR) وتحديد الأسعار الصحيحة للمشتقات المالية.
في نظرية الاحتمالات، تلعب العزوم دوراً حاسماً في مبرهنات التقارب. على سبيل المثال، تنص مبرهنة الحد المركزي (Central Limit Theorem) على أن متوسط العينات يميل إلى التوزيع الطبيعي بغض النظر عن شكل التوزيع الأصلي، شريطة وجود التباين (العزم المركزي الثاني). كما تُستخدم العزوم في تعريف دوال توليد العزوم (Moment Generating Functions)، والتي توفر طريقة قوية لتحديد التوزيع بشكل فريد (في حال وجودها).
7. القيود والنقد
على الرغم من القوة التحليلية للعزوم المركزية، إلا أنها تخضع لبعض القيود والنقد، خاصة عند التعامل مع توزيعات معينة. أحد أهم القيود هو أن العزوم العليا قد لا تكون موجودة لجميع التوزيعات. فمثلاً، لا يمتلك توزيع كوشي (Cauchy Distribution) أي عزوم ذات رتبة أكبر من أو تساوي 1، بما في ذلك المتوسط والتباين، نظراً لذيوله الثقيلة جداً. في مثل هذه الحالات، تصبح العزوم المركزية أدوات غير فعالة لوصف شكل التوزيع، ويجب اللجوء إلى مقاييس بديلة مثل الوسيط أو مقاييس التشتت القائمة على الربيعيات.
النقد الثاني يركز على مشكلة العزوم (Moment Problem). تنص هذه المشكلة على أنه حتى إذا كانت جميع العزوم المركزية لتوزيع ما موجودة ومحدودة، فإنها قد لا تكون كافية لتحديد التوزيع بشكل فريد. بمعنى آخر، قد تتطابق سلسلتان مختلفتان من العزوم لتوزيعين مختلفين، مما يترك غموضاً في تحديد التوزيع الفعلي. يتطلب حل هذه المشكلة شروطاً إضافية، مثل أن يكون التوزيع محدود النطاق أو أن تفي دالة توليد العزوم بشروط معينة (كما هو الحال في التوزيع الطبيعي).
علاوة على ذلك، تعتبر العزوم المركزية، وخاصة العزوم ذات الرتب العالية، حساسة للغاية للقيم المتطرفة (Outliers). نظراً لرفع الانحرافات عن المتوسط إلى قوة عالية (مثل القوة الرابعة في حالة التفرطح)، فإن قيمة متطرفة واحدة يمكن أن تضخم بشكل كبير قيمة العزم، مما يؤدي إلى تشويه التقديرات الإحصائية لشكل التوزيع. هذا يفسر اللجوء المتزايد إلى المقاييس الإحصائية القوية (Robust Statistics) التي تكون أقل تأثراً بالقيم الشاذة، خاصة في تطبيقات علم البيانات الحديثة.