الجسر بين الاحتمال والقياس
تمنحنا نظرية الاحتمال أدوات للتفكير في حالة عدم اليقين. لكن البيانات الواقعية أرقام — نتائج رمي العملة تصبح أصفاراً وآحاداً، ونتائج النرد أعداداً صحيحة من 1 إلى 6، والأطوال قياسات بالسنتيمتر. الجسر بين الاحتمال المجرد والأعداد القابلة للقياس هو المتغير العشوائي.
المتغير العشوائي ليس متغيراً بالمعنى الجبري، وليس عشوائياً بالمعنى الاعتباطي. بل هو دالة تُعيّن لكل نتيجة من نتائج التجربة العشوائية عدداً حقيقياً. هذه الفكرة البسيطة ظاهرياً تفتح أمامنا مجموعة أدوات هائلة: القيم المتوقعة، والتباين، ودوال التوزيع، وفي نهاية المطاف آليات الاستدلال الإحصائي بأكملها.
المتغير العشوائي X هو دالة X : Ω → ℝ تُعيّن عدداً حقيقياً X(ω) لكل نتيجة ω في فضاء العينة Ω. العشوائية تنبع من التجربة الأساسية، لا من X نفسه.
X(ω) = القيمة العددية المُعيَّنة للنتيجة ωالمتغيرات العشوائية المتقطعة والمستمرة
التمييز الأساسي بين المتغيرات العشوائية هو ما إذا كانت تأخذ مجموعة عدّة من القيم أم مجموعة متصلة غير عدّة.
المتغير العشوائي المتقطع يأخذ قيماً من مجموعة منتهية أو عدّة لا نهائية: عدد الرؤوس في عشر رميات عملة، عدد العيوب على لوحة دائرة مطبوعة، عدد العملاء الواصلين في ساعة. يمكنك سرد القيم الممكنة حتى لو كانت القائمة لا نهائية.
المتغير العشوائي المستمر يأخذ قيماً من فترة غير عدّة: الجهد الدقيق لإشارة ما، وقت الانتظار حتى الزلزال التالي، درجة الحرارة عند الظهر غداً. بين أي قيمتين ممكنتين توجد قيم ممكنة لا نهائية، لا يمكن سردها.
متقطع: يعدّ الأشياء. القيم نقاط معزولة. تُعيَّن الاحتمالات لقيم فردية.
مستمر: يقيس الأشياء. القيم تملأ فترة. احتمال أي قيمة مفردة بالضبط يساوي صفراً — الفترات وحدها لها احتمال غير صفري.
دالة كتلة الاحتمال (PMF)
بالنسبة للمتغير العشوائي المتقطع X، تُخبرك دالة كتلة الاحتمال (PMF) باحتمال أن يساوي X كل قيمة محددة x. تجيب على سؤال: كم من كتلة الاحتمال تجلس عند كل نقطة؟
يجب أن تحقق PMF شرطين: p(x) ≥ 0 لجميع x، ومجموع p(x) على جميع القيم الممكنة يساوي 1. هذه مجرد بديهيات الاحتمال مُترجَمة إلى لغة الدوال.
مثال بسيط: نرمي نرداً عادلاً سداسياً. المتغير العشوائي X = النتيجة يأخذ القيم {1, 2, 3, 4, 5, 6}، كل منها بـ PMF تساوي p(x) = 1/6. الـ PMF دالة مسطحة — توزيع منتظم على ست نقاط.
دالة كثافة الاحتمال (PDF)
بالنسبة للمتغير العشوائي المستمر X، لا يمكننا إعطاء احتمال موجب للنقاط الفردية — فهي غير عدّة، ويجب أن تجمع الاحتمالات إلى 1. بدلاً من ذلك نستخدم دالة كثافة الاحتمال (PDF)، ونرمز لها بـ f(x)، وتصف كيف ينتشر الاحتمال عبر المحور الحقيقي.
الـ PDF f(x) ليست احتمالاً بحد ذاتها. بل الاحتمال هو المساحة تحت منحنى الكثافة. لإيجاد احتمال وقوع X في الفترة [a, b]، تكامل الـ PDF على تلك الفترة.
يجب أن تحقق PDF أن f(x) ≥ 0 في كل مكان، وأن التكامل على ℝ بأكمله يساوي 1. على خلاف PMF، يمكن أن تتجاوز قيمة PDF f(x) الواحد عند نقطة — فهي كثافة وليست احتمالاً. فكّر فيها كالكثافة الكتلية: منطقة صغيرة ذات كثافة عالية تحمل كثيراً من الاحتمال في داخلها.
دالة التوزيع التراكمي (CDF)
لكل من المتغيرات العشوائية المتقطعة والمستمرة دالة توزيع تراكمي (CDF)، نرمز لها بـ F(x). تجيب CDF على سؤال: ما احتمال أن يكون X على الأكثر x؟ تتراكم الاحتمال من ما لا نهاية السالبة حتى x.
CDF غير تناقصية دائماً لأن تراكم الاحتمال لا ينقص الإجمالي أبداً. تبدأ من 0 وتنتهي عند 1. بالنسبة للمتغير المتقطع، CDF دالة درجية تقفز عند كل قيمة ممكنة. بالنسبة للمتغير المستمر، هي منحنى ناعم على شكل S.
CDF مفيدة بشكل خاص لحساب احتمالات الفترات. P(a < X ≤ b) = F(b) − F(a).
القيمة المتوقعة
القيمة المتوقعة E[X]، وتُسمى أيضاً المتوسط أو التوقع، هي متوسط قيمة المتغير العشوائي على المدى الطويل عبر تكرارات مستقلة كثيرة للتجربة. إنها متوسط مرجح لجميع القيم الممكنة، مع الأوزان هي احتمالاتها.
القيمة المتوقعة لا يلزم أن تكون قيمة يمكن أن يأخذها X فعلاً. عند رمي نرد عادل، E[X] = 3.5، لكن النرد لا يقع على 3.5 أبداً. فكّر في E[X] بوصفها نقطة توازن التوزيع الاحتمالي.
القيمة المتوقعة خطية: E[aX + b] = a E[X] + b، وE[X + Y] = E[X] + E[Y] لأي متغيرين عشوائيين X وY. هذه الخطية أحد أقوى الأدوات في الاحتمال، وتنطبق حتى عندما يكون X وY مترابطَين.
التباين والانحراف المعياري
تُخبرنا القيمة المتوقعة بمركز التوزيع، لكنها لا تُخبرنا بمدى انتشاره. يقيس التباين Var(X) هذا الانتشار بحساب متوسط الانحراف المربع عن المتوسط.
لماذا الانحرافات المربعة؟ استخدام الانحرافات المطلقة |X − μ| أقل ملاءمة رياضياً لأن دالة القيمة المطلقة غير قابلة للاشتقاق عند الصفر. الانحرافات المربعة تؤدي إلى صيغ أكثر قابلية للتحليل.
الانحراف المعياري σ = √Var(X) يُعيد وحدات القياس الأصلية، مما يجعله أكثر قابلية للتفسير. إذا كان X يمثل الأطوال بالسنتيمتر، فإن Var(X) بـ سم²، لكن σ بـ سم.
Var(X) ≥ 0 دائماً. Var(X) = 0 إذا وفقط إذا كان X ثابتاً (لا انتشار على الإطلاق).
Var(aX + b) = a² Var(X) — الإزاحة بـ b لا تغير الانتشار، التحجيم بـ a يُربّع التباين.
للمتغيرات العشوائية المستقلة: Var(X + Y) = Var(X) + Var(Y).
دوال المتغيرات العشوائية
إذا كان X متغيراً عشوائياً وg دالة، فإن Y = g(X) متغير عشوائي أيضاً. تُحسب قيمته المتوقعة باستخدام قانون الإحصائي الغافل (LOTUS): لا تحتاج لإيجاد توزيع Y أولاً. بدلاً من ذلك، طبّق g على كل قيمة من X وأوزن باحتمال X.
LOTUS هو ما يجعل صيغة التباين تعمل: Var(X) = E[(X − μ)²] هي مجرد E[g(X)] حيث g(x) = (x − μ)².
لماذا المتغيرات العشوائية هي اللغة المحورية للإحصاء
تجريد المتغير العشوائي قوي لأنه يفصل النموذج الاحتمالي الأساسي عن الأعداد المحددة التي نلاحظها. بمجرد التعبير عن موقف على هيئة متغير عشوائي، يمكنك تطبيق مجموعة أدوات مشتركة بغض النظر عن طبيعة التجربة الأصلية.
كل نموذج إحصائي هو في نهاية المطاف إفادة عن المتغيرات العشوائية. نموذج الانحدار الخطي يقول إن الاستجابة Y دالة خطية في المتنبئات مع متغير عشوائي ε يمثل الضجيج. اختبار الفرضية يسأل ما إذا كانت إحصاءة الاختبار المرصودة، معاملة كمتغير عشوائي تحت الفرضية الصفرية، متسقة مع ما نتوقعه.
- المتغير العشوائي دالة تُعيّن عدداً حقيقياً لكل نتيجة تجربة عشوائية — إنه الجسر بين فضاءات العينة والحساب.
- المتغيرات العشوائية المتقطعة تأخذ قيماً عدّة؛ توزيعها يوصف بـ PMF: p(x) = P(X = x).
- المتغيرات العشوائية المستمرة تأخذ قيماً على متصل؛ الاحتمال هو مساحة تحت PDF f(x)، وليس f(x) نفسها.
- CDF: F(x) = P(X ≤ x) تنطبق على كلا النوعين، غير تناقصية دائماً، وتتراوح بين 0 و1.
- القيمة المتوقعة E[X] متوسط مرجح باحتمالات جميع القيم الممكنة — نقطة توازن التوزيع.
- خطية التوقع: E[aX + b] = aE[X] + b، وE[X + Y] = E[X] + E[Y] لأي X وY.
- التباين Var(X) = E[(X − μ)²] يقيس متوسط الانتشار المربع حول المتوسط؛ الانحراف المعياري σ = √Var(X) يُعيد الوحدات الأصلية.