متغير ذو الحدين – binomial variable

مدرس الدكتور محمد لوتي

المحتويات:

المتغير ذو الحدين (Binomial Variable)

Primary Disciplinary Field(s): الإحصاء، نظرية الاحتمالات، الرياضيات التطبيقية

1. التعريف الجوهري والتأسيس الرياضي

يمثل المتغير ذو الحدين (Binomial Variable) مفهوماً أساسياً في مجال الإحصاء ونظرية الاحتمالات، حيث يصف توزيع احتمال عدد النجاحات في سلسلة من التجارب المستقلة والمتطابقة. هذا المتغير هو في جوهره متغير عشوائي متقطع يقيس حصيلة عملية تتكون من عدد ثابت من المحاولات، يُرمز إليه بالرمز (n)، حيث تكون نتيجة كل محاولة ثنائية، إما نجاح أو فشل. إن فهم هذا المتغير يرتبط ارتباطاً وثيقاً بـ توزيع برنولي، الذي يمثل الحالة الأبسط حيث تكون n=1.

يُعرف التوزيع الذي يتبعه هذا المتغير بـ توزيع ذي الحدين، ويتم ترميزه عادةً بالصيغة: X ~ B(n, p)، حيث تمثل ‘n’ عدد المحاولات الكلي، وتمثل ‘p’ احتمال النجاح في أي محاولة فردية. إن تحديد هذه المعلمات الرياضية يعد أمراً حاسماً، إذ أنهما يحددان شكل التوزيع الاحتمالي بالكامل. فإذا كانت ‘n’ صغيرة جداً، يكون التوزيع مائلاً بشكل واضح، بينما يميل التوزيع ليصبح أكثر تناظراً مع زيادة عدد المحاولات ‘n’، خاصة إذا كان احتمال النجاح ‘p’ قريباً من 0.5.

إن الأهمية الرياضية للمتغير ذي الحدين تكمن في قدرته على نمذجة الظواهر الحقيقية التي تتسم بالثنائية، مثل نتائج اختبارات الفرضيات، أو نسبة المنتجات المعيبة في دفعة تصنيع، أو عدد الأفراد الذين يظهرون سمة جينية معينة. هذه القدرة على التنميط الكمي لنتائج الاحتمالات تجعله أداة لا غنى عنها في مجالات تتطلب استدلالاً إحصائياً دقيقاً، وهو ما يفسر حضوره المستمر في الكتب المدرسية والمناهج الأكاديمية المتقدمة في الإحصاء التطبيقي.

2. شروط تجربة برنولي والافتراضات الأساسية

لكي يمكن اعتبار متغير عشوائي ما متغيراً ذا حدين، يجب أن تفي التجربة التي يمثلها بأربعة شروط صارمة تُعرف باسم شروط تجربة برنولي. يعد الالتزام بهذه الافتراضات ضرورياً لضمان صلاحية تطبيق دالة الكتلة الاحتمالية للتوزيع ذي الحدين واستخلاص استنتاجات إحصائية صحيحة. وإذا تم انتهاك أي من هذه الشروط، فإن النموذج ذي الحدين يفقد دقته وقد يتطلب استخدام نماذج احتمالية بديلة.

تتمثل الشروط الأربعة الأساسية لتجربة ذات الحدين فيما يلي:

عدد ثابت من المحاولات (Fixed Number of Trials, n): يجب أن يكون عدد المحاولات (n) محدداً وثابتاً قبل بدء التجربة. لا يمكن أن يتغير هذا العدد بناءً على النتائج التي يتم الحصول عليها خلال التجربة. هذا الشرط يميز التوزيع ذا الحدين عن التوزيعات الأخرى مثل التوزيع الهندسي، حيث تستمر المحاولات حتى يتم تحقيق النجاح الأول.
نتائج ثنائية فقط (Binary Outcomes): يجب أن يكون لكل محاولة نتيجتان محتملتان فقط، مصنفتان بوضوح على أنهما “نجاح” أو “فشل”. هذه الثنائية هي السمة المميزة الأساسية للتوزيع، وتسمح بتبسيط فضاء الاحتمالات.
استقلال المحاولات (Independent Trials): يجب أن تكون نتيجة كل محاولة مستقلة تماماً عن نتائج المحاولات الأخرى. بمعنى آخر، لا يؤثر ما حدث في المحاولة السابقة على احتمالية النجاح أو الفشل في المحاولة اللاحقة. هذا الاستقلال يسهل حساب الاحتمالات المشتركة عبر ضرب الاحتمالات الفردية.
احتمال ثابت للنجاح (Constant Probability of Success, p): يجب أن يظل احتمال النجاح (p) هو نفسه في كل محاولة من المحاولات. إذا تغير احتمال النجاح من محاولة إلى أخرى (كما يحدث في السحب بدون إرجاع من مجموعة صغيرة)، فإن التوزيع المناسب هو التوزيع الهندسي الفوقي بدلاً من التوزيع ذي الحدين.

إن أهمية الالتزام بهذه الشروط تتجلى في دقة التنبؤ. على سبيل المثال، في دراسة استقصائية كبيرة، إذا كانت العينة صغيرة جداً بحيث يؤثر اختيار شخص واحد على احتمالية اختيار شخص آخر بسمات مماثلة، فإن شرط الاستقلال قد يُنتهك، مما يستدعي إعادة تقييم للنموذج الإحصائي المستخدم.

3. دالة الكتلة الاحتمالية (Probability Mass Function – PMF)

تُعد دالة الكتلة الاحتمالية (PMF) هي القلب الرياضي للمتغير ذي الحدين، حيث توفر الأداة اللازمة لحساب الاحتمال الدقيق للحصول على عدد محدد (k) من النجاحات بالضبط ضمن عدد ثابت (n) من المحاولات. هذه الدالة تجمع بين مفهوم الاحتمال الأساسي والمبادئ التوافقية (Combinatorics) بشكل أنيق.

تُعطى الصيغة الرياضية لدالة الكتلة الاحتمالية للتوزيع ذي الحدين (P(X=k)) على النحو التالي:

P(X = k) = C(n, k) * p^k * (1 – p)^{(n – k)}

حيث تمثل العناصر التالية:

C(n, k): هو معامل ذي الحدين، ويُقرأ “n فوق k”، ويمثل عدد الطرق المختلفة التي يمكن بها اختيار k من النجاحات من أصل n من المحاولات الكلية. رياضياً، يتم حسابه كـ n! / (k! * (n-k)!)، وهو يمثل الجانب التوافقي في المعادلة.
p^k: يمثل احتمال تحقيق k من النجاحات، حيث يتم ضرب احتمال النجاح (p) في نفسه k من المرات، بافتراض الاستقلال.
(1 – p)^{(n – k)}: يمثل احتمال تحقيق (n – k) من الفشل، حيث (1-p) هو احتمال الفشل (ويُرمز إليه عادةً بالرمز q).

إن التفسير العملي لهذه الدالة هو أنها لا تحسب فقط احتمال تحقيق k من النجاحات، بل تأخذ في الاعتبار أيضاً جميع الترتيبات الممكنة لهذه النجاحات ضمن التسلسل الكلي للمحاولات. على سبيل المثال، عند رمي عملة أربع مرات (n=4) ورغبتنا في الحصول على وجهين (k=2)، فإن الدالة تحسب ليس فقط احتمال الحصول على وجهين بالضبط، بل تحسب عدد الترتيبات الممكنة لحدوث ذلك (مثل وجه-وجه-ذيل-ذيل، أو وجه-ذيل-وجه-ذيل، وما إلى ذلك).

تتميز دالة الكتلة الاحتمالية للتوزيع ذي الحدين بخصائص رياضية معينة، أهمها أن مجموع الاحتمالات لجميع القيم الممكنة للمتغير العشوائي (من k=0 إلى k=n) يجب أن يساوي 1، وهو شرط أساسي لجميع التوزيعات الاحتمالية. وتسمح هذه الدالة للمحللين بتحديد احتمالية سيناريوهات معينة بدقة عالية، مما يدعم اتخاذ القرارات القائمة على المخاطر في مجالات متعددة.

4. المعلمات الإحصائية الرئيسية

لفهم خصائص أي توزيع احتمالي، من الضروري تحديد مقاييسه المركزية والتشتتية. بالنسبة للمتغير ذي الحدين X ~ B(n, p)، فإن أهم هذه المعلمات هما القيمة المتوقعة (المتوسط) والتباين (Variance).

أولاً: القيمة المتوقعة (المتوسط، E[X]):

القيمة المتوقعة للمتغير ذي الحدين هي ببساطة ناتج ضرب عدد المحاولات (n) في احتمال النجاح (p). رياضياً:

E[X] = n * p

تمثل القيمة المتوقعة المتوسط الذي نتوقع الحصول عليه من النجاحات إذا كررنا التجربة عدداً لا نهائياً من المرات. على سبيل المثال، إذا كان لدينا 100 محاولة (n=100) وكان احتمال النجاح 0.2 (p=0.2)، فإننا نتوقع في المتوسط الحصول على 20 نجاحاً (100 * 0.2 = 20). هذا المقياس هو مقياس الموقع المركزي للتوزيع، ويوفر مؤشراً سريعاً للاتجاه العام لنتائج التجربة.

ثانياً: التباين (Variance, Var[X]):

يقيس التباين مدى تشتت نتائج المتغير ذي الحدين حول قيمته المتوقعة. يتم حسابه كناتج ضرب عدد المحاولات (n) في احتمال النجاح (p) في احتمال الفشل (q = 1 – p). رياضياً:

Var[X] = n * p * (1 – p)

ويُستخدم الانحراف المعياري، وهو الجذر التربيعي للتباين، بشكل شائع لتوفير مقياس للتشتت بنفس وحدات المتغير العشوائي. كلما كانت قيمة التباين أكبر، دل ذلك على أن النتائج المحتملة للنجاحات أكثر تشتتاً وتنوعاً حول المتوسط. وعلى العكس، إذا كان التباين صغيراً، فهذا يعني أن النتائج تميل إلى التجمع بالقرب من القيمة المتوقعة. يُلاحظ أن التباين يكون في أقصى قيمة له عندما يكون p = 0.5، مما يعكس أعلى درجة من عدم اليقين في نتيجة كل محاولة.

5. التطور التاريخي والمساهمات المبكرة

يعود الفضل في التأسيس النظري للمتغير ذي الحدين وتوزيعه إلى عالم الرياضيات السويسري ياكوب برنولي (Jakob Bernoulli)، الذي نُشر عمله الرائد Ars Conjectandi (فن التخمين) بعد وفاته في عام 1713. يعتبر هذا العمل بمثابة حجر الزاوية في نظرية الاحتمالات الحديثة، حيث قدم برنولي تحليلاً مفصلاً لسلسلة من التجارب المستقلة ذات النتائج الثنائية، والتي أصبحت تُعرف لاحقاً باسم “تجارب برنولي”.

على الرغم من أن برنولي لم يستخدم مصطلح “التوزيع ذو الحدين” بالمعنى الحديث، إلا أن عمله قدم أول صيغة واضحة لما أصبح يُعرف بـ قانون الأعداد الكبيرة، حيث أثبت أن التكرار النسبي لحدث معين يقترب بشكل متزايد من الاحتمال النظري لذلك الحدث مع زيادة عدد المحاولات. هذا الإنجاز كان ثورياً في وقته، حيث نقل دراسة الاحتمالات من مجرد تحليل لألعاب الحظ إلى فرع رياضي صارم يمكن تطبيقه على الظواهر العلمية والاجتماعية.

في القرون التي تلت عمل برنولي، تم تطوير التوزيع ذي الحدين وتوسيعه من قبل علماء رياضيات آخرين. على سبيل المثال، كان لـ أبراهام دي موافر (Abraham de Moivre) مساهمات حاسمة في القرن الثامن عشر، خاصة في تطوير تقريب التوزيع ذي الحدين باستخدام التوزيع الطبيعي عندما يكون عدد المحاولات كبيراً. هذا التقريب كان ضرورياً لأنه في تلك الفترة كانت الحسابات التوافقية لـ C(n, k) تصبح مستحيلة يدوياً مع زيادة n.

6. التطبيقات العملية وأهميتها

يتمتع المتغير ذو الحدين بأهمية عملية هائلة نظراً لانتشاره في نمذجة أي عملية تتضمن قرارات أو نتائج ثنائية. تتراوح تطبيقاته من العلوم الطبيعية والهندسة إلى العلوم الاجتماعية والمالية.

ضبط الجودة والتصنيع: يستخدم التوزيع ذو الحدين بشكل روتيني في مراقبة جودة المنتجات. يمكن لمديري المصانع تحديد احتمال وجود عدد معين من الوحدات المعيبة في دفعة إنتاج ذات حجم ثابت. إذا تجاوز العدد الفعلي للعيوب القيمة المتوقعة بناءً على التوزيع ذي الحدين، فقد يشير ذلك إلى وجود مشكلة نظامية في عملية التصنيع.
الطب والبيولوجيا: في التجارب السريرية، يمكن استخدام المتغير ذي الحدين لنمذجة نتائج علاج معين (مثل النجاح/الفشل) في عينة ثابتة من المرضى. كما يُستخدم في علم الوراثة لنمذجة احتمال ظهور صفة جينية معينة (النجاح) في نسل مجموعة من الأفراد.
التمويل والتأمين: في قطاع التأمين، يمكن استخدام التوزيع ذي الحدين لتقدير احتمال وقوع عدد معين من المطالبات (النجاح) ضمن مجموعة ثابتة من وثائق التأمين خلال فترة زمنية محددة. أما في التمويل، فيمكن استخدامه لنمذجة حركة أسعار الأصول في نماذج مبسطة (مثل نموذج سعر الخيار ذي الحدين)، حيث يتحرك السعر للأعلى أو للأسفل فقط.
الاستطلاعات واستطلاعات الرأي: عند إجراء استطلاع رأي، إذا تم طرح سؤال بنعم أو لا، فإن عدد الأفراد الذين يختارون “نعم” من إجمالي عدد المشاركين يتبع تقريباً توزيعاً ذا حدين، مما يسمح للمحللين بتقدير هوامش الخطأ والثقة في نتائج الاستطلاع.

تكمن أهمية هذا المتغير في أنه يسمح باتخاذ قرارات مستنيرة بناءً على الاحتمال، بدلاً من التخمين. فمن خلال تحديد المعلمات n و p، يمكن للمتخصصين في مختلف المجالات تحديد مستويات المخاطر المقبولة وتخطيط الموارد بشكل أكثر كفاءة.

7. العلاقة بالتوزيعات الأخرى

لا يقف المتغير ذو الحدين بمعزل عن النماذج الاحتمالية الأخرى، بل يرتبط بها بعلاقات تحويلية مهمة، خاصة عندما تختلف قيم المعلمات n و p.

أولاً: العلاقة بتوزيع برنولي:

كما ذُكر سابقاً، فإن توزيع برنولي هو حالة خاصة من التوزيع ذي الحدين، حيث n = 1. فالمتغير ذو الحدين يمكن اعتباره مجموع n من المتغيرات المستقلة الموزعة وفقاً لتوزيع برنولي. هذه العلاقة تؤكد أن أساس نظرية الاحتمالات الثنائية ينبع من المحاولة الفردية (برنولي).

ثانياً: تقريب بواسون (Poisson Approximation):

عندما يكون عدد المحاولات (n) كبيراً جداً (n → ∞) وفي الوقت نفسه يكون احتمال النجاح (p) صغيراً جداً (p → 0)، بحيث يظل حاصل ضربهما (λ = np) ثابتاً، يمكن تقريب التوزيع ذي الحدين باستخدام توزيع بواسون. هذا التقريب مفيد بشكل خاص لنمذجة الأحداث النادرة التي تحدث على مدى فترة زمنية أو مساحة كبيرة، مثل عدد حوادث السيارات في مدينة معينة خلال شهر.

ثالثاً: التقريب الطبيعي (Normal Approximation):

عندما تكون قيمة n كبيرة بما فيه الكفاية، يمكن تقريب التوزيع ذي الحدين باستخدام التوزيع الطبيعي (التوزيع الغاوسي). القاعدة التجريبية تشير إلى أن هذا التقريب يكون مقبولاً إذا كانت كل من n*p و n*(1-p) أكبر من أو تساوي 10. كان هذا التقريب تاريخياً بالغ الأهمية قبل ظهور الحواسيب، ويبقى مهماً لأنه يسمح باستخدام خصائص التوزيع الطبيعي سهلة الحساب للاستدلال على التوزيع ذي الحدين.

8. القيود والانتقادات

على الرغم من القوة التحليلية للمتغير ذي الحدين، إلا أن تطبيقه مقيد بشدة بضرورة الالتزام بالافتراضات الأربعة لتجربة برنولي. وعندما تفشل هذه الافتراضات في العالم الحقيقي، تنشأ قيود مهمة:

فشل شرط الاستقلال: ربما يكون هذا هو القيد الأكثر شيوعاً. في العديد من السيناريوهات الواقعية، لا تكون المحاولات مستقلة. على سبيل المثال، إذا كان يتم اختبار مقاومة عينات من مادة ما، فإن فشل عينة قد يزيد من احتمالية فشل العينات اللاحقة إذا كانت هناك مشكلة مشتركة في دفعة الإنتاج. في هذه الحالات، يجب استخدام نماذج أخرى تتعامل مع الارتباط (مثل نماذج سلاسل ماركوف).

احتمال النجاح غير الثابت (Non-Constant Probability): إذا تغير احتمال النجاح (p) من محاولة إلى أخرى، فإن النموذج ذو الحدين يصبح غير مناسب. مثال على ذلك هو السحب بدون إرجاع من مجموعة صغيرة، حيث يتغير احتمال السحب التالي بناءً على ما تم سحبه مسبقاً. في هذه الحالة، يكون التوزيع الهندسي الفوقي هو البديل المناسب.

تعدد النتائج (More than Two Outcomes): يقتصر المتغير ذو الحدين على النتائج الثنائية (نجاح/فشل). إذا كان لدى التجربة ثلاث نتائج أو أكثر (مثل نتائج استطلاع رأي: مؤيد، معارض، محايد)، فإن النموذج المناسب هو التوزيع متعدد الحدود (Multinomial Distribution)، وهو امتداد للتوزيع ذي الحدين للتعامل مع الفئات المتعددة.

لذلك، يجب على الإحصائيين والمحللين دائماً إجراء فحص دقيق للبيانات التجريبية والظروف الأساسية قبل اتخاذ قرار استخدام نموذج المتغير ذي الحدين، لضمان أن الافتراضات النظرية تتوافق بدقة مع الواقع العملي.