نظرية الاحتمالات: المتغيرات العشوائية والتوزيعات الاحتمالية — المستوى الجامعي

مقدمة في نظرية الاحتمالات

نظرية الاحتمالات هي فرع من فروع الرياضيات يهتم بدراسة الظواهر العشوائية وتحليل عدم اليقين. تطورت النظرية بشكل كبير منذ أعمال بيير دي فيرما وبليز باسكال في القرن السابع عشر، وأصبحت اليوم أداة أساسية في مجالات متعددة كالإحصاء والاقتصاد والفيزياء والهندسة والذكاء الاصطناعي.

المفاهيم الأساسية

تقوم نظرية الاحتمالات على عدة مفاهيم أساسية: أولاً الفضاء العيني (Sample Space) وهو مجموعة جميع النتائج الممكنة لتجربة عشوائية. ثانياً الحدث (Event) وهو مجموعة جزئية من الفضاء العيني. ثالثاً الاحتمال (Probability) وهو دالة تحدد لكل حدث رقماً بين 0 و1 يعبر عن درجة احتمال وقوعه. تحقق دالة الاحتمال ثلاث مسلمات أساسية وضعها أندريه كولموغوروف: الاحتمال غير سالب، واحتمال الفضاء العيني يساوي 1، واحتمال اتحاد أحداث منفصلة يساوي مجموع احتمالاتها.

المتغيرات العشوائية

المتغير العشوائي (Random Variable) هو دالة تعين قيمة عددية لكل نتيجة في الفضاء العيني. ينقسم المتغير العشوائي إلى نوعين: متغير عشوائي منفصل (Discrete) يأخذ قيماً معدودة مثل عدد مرات ظهور الصورة عند رمي قطعة نقد، ومتغير عشوائي متصل (Continuous) يأخذ قيماً ضمن فترة متصلة مثل الطول أو الوزن. تستخدم المتغيرات العشوائية لنمذجة الظواهر العشوائية في مختلف المجالات التطبيقية.

التوزيعات الاحتمالية

يصف التوزيع الاحتمالي (Probability Distribution) كيفية توزيع الاحتمالات على القيم الممكنة للمتغير العشوائي. من أهم التوزيعات المنفصلة: توزيع برنولي الذي يصف تجربة ذات نتيجتين فقط، والتوزيع ذو الحدين الذي يصف عدد النجاحات في سلسلة من التجارب المستقلة، وتوزيع بواسون الذي يصف عدد وقوع أحداث نادرة خلال فترة زمنية معينة. أما التوزيعات المتصلة فمن أبرزها: التوزيع الطبيعي (Normal Distribution) الذي يعد أهم توزيع في الإحصاء، والتوزيع المنتظم (Uniform Distribution)، والتوزيع الأسي (Exponential Distribution). يمكن للطالب تعميق معرفته من خلال دراسة الإحصاء الاستدلالي الذي يطبق نظرية الاحتمالات في اختبار الفرضيات.

تطبيقات نظرية الاحتمالات

تتعدد تطبيقات نظرية الاحتمالات لتشمل: التنبؤ بالطقس، تقييم المخاطر المالية وتحديد أسعار التأمين، تحليل البيانات في علم الأحياء والطب، تصميم أنظمة الاتصالات وتصحيح الأخطاء، والتعلم الآلي (Machine Learning) حيث تستخدم النماذج الاحتمالية في التصنيف والتنبؤ. كما تشكل الاحتمالات أساساً لدراسة الإحصاء الوصفي حيث تستخدم مقاييس الاحتمال في تفسير البيانات.