الاحتمالات: كيف تقيس الرياضيات فرص وقوع الأحداث؟

قد يبدو وقوع حدث ما أمرًا بسيطًا: إما أن يحدث أو لا يحدث. لكن الرياضيات تحتاج إلى إجابة أكثر دقة: ما مقدار فرصة حدوثه؟ هنا تظهر الاحتمالات، وهي فرع من الرياضيات يحول عدم اليقين إلى أرقام يمكن تحليلها ومقارنتها واستخدامها في اتخاذ القرارات. من رمي قطعة نقدية إلى توقعات الطقس وتحليل المخاطر والألعاب والمحاكاة الحاسوبية، تمنح الاحتمالات طريقة منظمة للتعامل مع الأحداث التي لا يمكن معرفة نتيجتها مسبقًا.

ما المقصود بالاحتمال؟

الاحتمال هو مقياس عددي لمدى إمكانية وقوع حدث معين. في أبسط صوره، تتراوح قيمة الاحتمال بين صفر وواحد. الصفر يعني أن الحدث مستحيل ضمن النموذج المستخدم، بينما الواحد يعني أنه مؤكد.

أما القيم الموجودة بينهما فتعبر عن درجات مختلفة من الإمكان. احتمال 0.5 يعني فرصة مقدارها 50%، بينما 0.1 تعني 10%. ويمكن تحويل الاحتمال إلى نسبة مئوية بضربه في 100.

لكن الرقم وحده لا يخبرنا بأن الحدث سيقع. إذا كان احتمال سقوط المطر غدًا 70%، فهذا لا يعني أن المطر سيسقط خلال 70% من اليوم، ولا يعني أن 70% من المدينة ستشهد المطر. إنه تعبير رياضي عن درجة عدم اليقين في حدوث الحدث ضمن شروط محددة.

فضاء العينة والأحداث

قبل حساب احتمال أي شيء، تحتاج الرياضيات إلى تحديد جميع النتائج الممكنة للتجربة. تسمى هذه المجموعة فضاء العينة.

عند رمي قطعة نقدية مرة واحدة، يمكن أن تكون النتيجة صورة أو كتابة. إذن فضاء العينة يحتوي على نتيجتين. أما عند رمي حجر نرد عادي، فتوجد ست نتائج ممكنة: 1 و2 و3 و4 و5 و6.

بعد تحديد فضاء العينة، يمكن تعريف الحدث المطلوب قياس احتماله. مثلًا، عند رمي حجر النرد، يمكن أن يكون الحدث هو ظهور رقم زوجي.

• فضاء العينة: {1، 2، 3، 4، 5، 6}.
• الحدث: {2، 4، 6}.
• عدد النتائج المناسبة: 3.
• عدد النتائج الممكنة: 6.

إذا كانت جميع النتائج متساوية في فرصها، فإن احتمال ظهور رقم زوجي يساوي 3 ÷ 6، أي 0.5 أو 50%.

كيف تقيس الرياضيات فرصة وقوع الحدث؟

تستخدم نظرية الاحتمالات مجموعة من القواعد التي تجعل القياس منظمًا. أهمها أن احتمال أي حدث لا يمكن أن يكون سالبًا، وأن احتمال جميع النتائج الممكنة معًا يساوي واحدًا.

إذا كان لدينا حدث A، فإن احتماله يكتب عادة بالرمز P(A). وإذا كان لدينا حدثان لا يمكن أن يحدثا في الوقت نفسه، فإن احتمال وقوع أحدهما أو الآخر يساوي مجموع احتماليهما.

مثلًا، في حجر النرد، احتمال ظهور الرقم 1 هو 1/6، واحتمال ظهور الرقم 6 هو 1/6. وبما أن النتيجتين لا يمكن أن تظهرَا في الرمية نفسها، فإن احتمال ظهور 1 أو 6 يساوي 2/6، أي 1/3.

الاحتمال ليس دائمًا عدّ النتائج

الطريقة السابقة تعمل جيدًا عندما تكون النتائج متساوية الاحتمال. لكن كثيرًا من المسائل الواقعية لا تمتلك هذه الخاصية. لا يمكن مثلًا حساب احتمال هطول المطر بمجرد عد نتائج متساوية.

هنا تدخل البيانات والنماذج الرياضية والتوزيعات الاحتمالية والمحاكاة. يصبح الاحتمال ناتجًا عن نموذج مبني على معلومات وفرضيات بدل عد بسيط للنتائج.

الاحتمال الكلاسيكي

الاحتمال الكلاسيكي هو من أبسط طرق الحساب، ويستخدم عندما تكون النتائج الممكنة متساوية الاحتمال. الصيغة الأساسية هي:

احتمال الحدث = عدد النتائج الملائمة ÷ عدد النتائج الممكنة

لنفترض وجود صندوق يحتوي على 10 كرات متطابقة في الحجم، منها 6 بيضاء و4 سوداء، وأن اختيار الكرة عشوائي. احتمال سحب كرة بيضاء يساوي 6/10، أي 60%.

المسألة هنا واضحة لأن كل كرة لها فرصة متساوية في الاختيار. أما إذا كانت بعض الكرات أثقل من غيرها أو كانت آلية الاختيار غير متوازنة، فإن الحساب البسيط قد لا يمثل الواقع.

التوافيق ودورها في الاحتمالات

عندما تزداد النتائج الممكنة، يصبح العد المباشر صعبًا. تستخدم الرياضيات التوافيق والتباديل لحساب عدد الطرق التي يمكن أن تحدث بها مجموعة من النتائج.

تظهر هذه الأدوات في مسائل اختيار الأشخاص، وترتيب العناصر، وسحب البطاقات، وحساب احتمالات ظهور تركيبات معينة. قوة هذه الطريقة تكمن في أنها تختصر عددًا ضخمًا من الحالات إلى تعبير رياضي واحد.

الاحتمال والتكرار التجريبي

هناك طريقة أخرى لفهم الاحتمال تعتمد على التجربة. إذا كررت حدثًا عشوائيًا عددًا كبيرًا من المرات، فإن التكرار النسبي لبعض النتائج قد يستقر حول قيمة معينة.

إذا رميت قطعة نقدية 10 مرات، قد تحصل على 7 صور و3 كتابات. لا يعني ذلك أن احتمال الصورة هو 70%. عدد التجارب صغير، وقد تختلف النتيجة كثيرًا في تجربة أخرى.

أما إذا كررت الرمي آلاف أو ملايين المرات باستخدام قطعة متوازنة، فإن نسبة ظهور الصورة تميل إلى الاقتراب من 50%. هذه الفكرة مرتبطة بقانون الأعداد الكبيرة، الذي يفسر لماذا تصبح التقديرات التجريبية أكثر استقرارًا مع زيادة عدد التجارب.

لماذا لا تكفي التجربة القصيرة؟

العشوائية يمكن أن تنتج سلاسل غير متوقعة. قد تظهر الصورة خمس مرات متتالية في قطعة نقدية عادلة دون أن يتغير احتمال الرمية التالية.

وهنا تظهر نقطة مهمة: النتائج السابقة لا تجعل النتيجة التالية أكثر عدلًا في الأحداث المستقلة. الاعتقاد بأن ظهور الصورة عدة مرات يجعل الكتابة “مستحقة” في الرمية التالية يسمى أحيانًا مغالطة المقامر.

الاحتمال الشرطي

أحيانًا لا نريد معرفة احتمال حدث في الفراغ، بل نريد معرفته بعد توفر معلومة جديدة. هنا يظهر الاحتمال الشرطي.

تخيل صندوقًا يحتوي على كرات بألوان مختلفة. إذا علمت أن الكرة المسحوبة حمراء، فإن فضاء الاحتمالات يتغير عند طرح سؤال جديد عن خصائص هذه الكرة. المعلومة الجديدة تقلص مجموعة الحالات التي ننظر إليها.

يكتب الاحتمال الشرطي للحدث A بشرط حدوث B بالشكل التالي:

P(A | B) = P(A و B) ÷ P(B)

هذه الصيغة تبدو مجردة في البداية، لكنها تظهر في تطبيقات كثيرة جدًا، من تحليل البيانات إلى أنظمة التنبؤ واكتشاف الأنماط.

مثال بسيط

لنفترض أن لدينا مجموعة من 100 طالب، و60 منهم يدرسون الرياضيات، و40 منهم يدرسون الهندسة، وهناك 20 طالبًا يدرسون المجالين معًا. إذا اخترنا طالبًا نعرف مسبقًا أنه يدرس الرياضيات، فإن السؤال يصبح: ما احتمال أن يدرس الهندسة أيضًا؟

بدل النظر إلى جميع الطلاب المئة، ننظر إلى مجموعة الطلاب الستين الذين يدرسون الرياضيات. ومن بينهم 20 يدرسون الهندسة أيضًا، فيكون الاحتمال 20/60، أي ثلثًا تقريبًا.

الأحداث المستقلة والمرتبطة

يقال إن حدثين مستقلان عندما لا يغير وقوع أحدهما احتمال وقوع الآخر. رمي حجر نرد مرتين مثال واضح إذا كانت الرميتان لا تؤثر إحداهما في الأخرى.

أما إذا كان الحدث الأول يغير الظروف التي يعتمد عليها الحدث الثاني، فنحن أمام أحداث مرتبطة. سحب ورقة من مجموعة بطاقات دون إعادتها قبل السحب الثاني مثال بسيط.

لماذا يهم الفرق؟

عند التعامل مع أحداث مستقلة، يمكن ضرب الاحتمالات للحصول على احتمال وقوع الحدثين معًا. فإذا كان احتمال ظهور الصورة في رمية قطعة نقدية متوازنة هو 1/2، فإن احتمال ظهور الصورة مرتين متتاليتين هو:

1/2 × 1/2 = 1/4

أما في الأحداث المرتبطة، فيجب أخذ تأثير الحدث الأول في الحدث الثاني بالحسبان.

نظرية بايز وتحديث الاحتمالات

من أكثر الأفكار تأثيرًا في الاحتمالات نظرية بايز. تسمح هذه النظرية بتحديث تقدير احتمالي عندما تصل معلومات جديدة.

الفكرة بسيطة: لديك اعتقاد احتمالي أولي، ثم تحصل على دليل. بدل تجاهل الدليل أو البدء من الصفر، تستخدم الرياضيات لإعادة حساب الاحتمال.

تكتب الصيغة الأساسية هكذا:

P(A | B) = [P(B | A) × P(A)] ÷ P(B)

قد تبدو الصيغة صعبة، لكن معناها عملي. إذا كنت تقدر احتمال فرضية معينة، ثم ظهرت معلومة مرتبطة بها، تستطيع استخدام المعلومة لتعديل التقدير.

أهمية الاحتمال القبلي

تتطلب بعض تطبيقات بايز معرفة احتمال أولي يسمى الاحتمال القبلي. هذا الاحتمال يمثل ما نعرفه قبل وصول الدليل الجديد.

بعد إدخال البيانات، نحصل على الاحتمال البعدي. هذه العملية تجعل بايز مفيدًا في التعلم الآلي وتحليل البيانات وتصنيف الرسائل وتقدير المخاطر والعديد من الأنظمة التي تتعامل مع معلومات تتغير باستمرار.

القيمة المتوقعة

الاحتمال لا يجيب فقط عن سؤال “هل سيحدث الحدث؟”، بل يمكن أن يساعد في حساب متوسط النتيجة المتوقعة إذا كررت التجربة عددًا كبيرًا من المرات.

لنفترض لعبة لها نتيجتان. ربح 10 وحدات باحتمال 0.4، وخسارة 5 وحدات باحتمال 0.6. القيمة المتوقعة تحسب بضرب كل نتيجة في احتمالها ثم جمع النتائج:

(10 × 0.4) + (-5 × 0.6) = 1

القيمة المتوقعة هنا تساوي وحدة واحدة لكل تجربة في المتوسط على المدى الطويل. لكنها لا تعني أن كل تجربة ستنتج وحدة واحدة؛ فقد تكون النتيجة الفعلية ربحًا أو خسارة.

المتوسط الاحتمالي ليس وعدًا

هذه نقطة أساسية. القيمة المتوقعة تصف سلوكًا طويل المدى في نموذج معين، ولا تضمن نتيجة تجربة فردية.

تستخدم هذه الفكرة في الاقتصاد والهندسة وإدارة المخاطر والعمليات الصناعية وتحليل القرارات، حيث توجد عدة نتائج محتملة ولكل نتيجة وزن احتمالي.

العلاقة بين الاحتمالات والإحصاء

الاحتمالات والإحصاء مرتبطان بقوة، لكنهما يتحركان في اتجاهين مختلفين نسبيًا. الاحتمال يبدأ غالبًا من نموذج معروف ويحاول استنتاج النتائج المحتملة، بينما يبدأ الإحصاء من بيانات ملاحظة ويحاول استنتاج خصائص النموذج.

يمكن تشبيه الأمر بمسارين:

• الاحتمالات: من النموذج إلى النتائج المحتملة.
• الإحصاء: من البيانات إلى استنتاجات عن النموذج.

إذا عرفت أن قطعة نقدية متوازنة، يمكنك استخدام الاحتمالات لتقدير عدد الصور المتوقع ظهورها في 1000 رمية. أما إذا شاهدت نتائج 1000 رمية، فيمكنك استخدام الإحصاء لتقدير ما إذا كانت القطعة تبدو متوازنة.

المحاكاة والاحتمالات

بعض المسائل الاحتمالية تصبح معقدة جدًا بحيث يصعب حسابها يدويًا. هنا تستخدم المحاكاة الحاسوبية.

يمكن للحاسوب إنشاء عدد هائل من التجارب العشوائية وفق قواعد محددة، ثم تسجيل النتائج وحساب تكرار الأحداث. إذا أردت دراسة نظام يحتوي على آلاف المتغيرات، يمكن للمحاكاة أن توفر طريقة عملية لفهم سلوكه.

محاكاة مونت كارلو

تعتمد محاكاة مونت كارلو على توليد عينات عشوائية لتقدير نتائج نظام معقد. يمكن استخدامها في مسائل الرياضيات والهندسة والاقتصاد والعلوم والحوسبة.

الفكرة الأساسية هي تحويل مسألة صعبة إلى عدد كبير من التجارب الافتراضية، ثم استخدام النتائج لاستخلاص تقدير احتمالي.

كلما زاد عدد التجارب، يمكن أن يتحسن تقدير بعض الكميات، لكن سرعة التحسن ليست خطية دائمًا. لذلك يحتاج تصميم المحاكاة إلى اختيار مناسب للتوزيعات وعدد العينات وطريقة تحليل النتائج.

أين تستخدم الاحتمالات؟

الاحتمالات موجودة في عدد ضخم من المجالات التي تتعامل مع عدم اليقين. قد لا نلاحظها لأنها تعمل خلف أنظمة وبرامج وقرارات يومية.

• الطقس: تقدير فرص هطول الأمطار والظواهر الجوية.
• الهندسة: تحليل احتمالات الأحمال والأعطال والمخاطر.
• الذكاء الاصطناعي: تقدير احتمالات التصنيف والتنبؤ.
• الاقتصاد: نمذجة السيناريوهات والمخاطر.
• الاتصالات: تحليل الأخطاء واحتمالات فقدان البيانات.
• الألعاب: حساب فرص النتائج المختلفة.
• الرياضة: تحليل النتائج والأداء المتوقع.
• العلوم: التعامل مع القياسات والتجارب والأنظمة العشوائية.

الاحتمالات في الذكاء الاصطناعي

تعتمد العديد من تقنيات الذكاء الاصطناعي الحديثة على نماذج احتمالية أو أساليب إحصائية. قد ينتج النظام مجموعة من الاحتمالات بدل إجابة ثنائية مباشرة.

في تصنيف الصور مثلًا، يمكن لنموذج أن يعطي احتمالات لفئات مختلفة. إذا كانت إحدى الفئات تحمل احتمالًا أعلى، فهذا يعني أن النموذج يرى أنها الأكثر توافقًا مع البيانات، وليس أنها صحيحة بشكل يقيني.

الاحتمالات في هندسة المخاطر

عند تصميم منشأة هندسية، قد لا تكون جميع الظروف المستقبلية معروفة بدقة. يمكن استخدام النماذج الاحتمالية لتحليل اختلاف الأحمال أو الظروف البيئية أو معدلات الفشل.

وهذا يختلف عن الحساب الحتمي الذي يستخدم قيمة واحدة محددة لكل متغير. النموذج الاحتمالي يسمح بتمثيل مجموعة من القيم الممكنة مع أوزان مختلفة.

مقارنة طرق حساب الاحتمالات

الطريقة	الفكرة	أفضل استخدام
الاحتمال الكلاسيكي	عد النتائج المتساوية الاحتمال	الألعاب والتجارب البسيطة
التكرار التجريبي	تقدير الاحتمال من البيانات	التجارب المتكررة
الاحتمال الشرطي	تحديث الاحتمال بناءً على معلومة	تحليل الأحداث المرتبطة
نظرية بايز	تحديث الاعتقاد باستخدام دليل جديد	التنبؤ والتصنيف وتحليل البيانات
المحاكاة	تكرار تجارب افتراضية	الأنظمة المعقدة

الاحتمالات والمحاكاة الحيوية

الأنظمة الطبيعية مليئة بالأحداث غير اليقينية. اتجاه الرياح، سقوط بذرة، حركة حيوان، انتشار نوع في بيئة، أو نجاح كائن في الوصول إلى مصدر غذاء، كلها يمكن أن تتأثر بعدة عوامل.

عند دراسة هذه الأنظمة، يمكن استخدام الاحتمالات لوصف تكرار السلوك وتوزيع النتائج والتغير بين الحالات. وهذا يفيد في فهم كيفية استجابة الكائنات لبيئات غير ثابتة.

يمكن أيضًا استخدام النماذج الاحتمالية في تصميم خوارزميات مستوحاة من الطبيعة. بعض خوارزميات البحث والتحسين تستخدم العشوائية بطريقة منظمة لاستكشاف عدد كبير من الحلول بدل السير في مسار واحد ثابت.

الأسئلة الشائعة

ما أعلى قيمة يمكن أن يأخذها الاحتمال؟

أعلى قيمة هي 1، أي 100%. وأقل قيمة هي 0. القيم بينهما تعبر عن درجات مختلفة من إمكانية وقوع الحدث ضمن النموذج المستخدم.

هل احتمال 50% يعني أن الحدث سيحدث نصف الوقت؟

ليس بالضرورة في عدد صغير من التجارب. على المدى الطويل، وفي ظروف مناسبة ومتكررة، يمكن أن يقترب التكرار النسبي من الاحتمال النظري، لكن النتائج الفردية تظل عشوائية.

ما الفرق بين الاحتمال والإحصاء؟

الاحتمال يستخدم نموذجًا أو افتراضات للوصول إلى توقعات عن النتائج، بينما يستخدم الإحصاء البيانات المرصودة لاستخلاص معلومات عن النموذج أو المجتمع الذي جاءت منه البيانات.

لماذا تستخدم نظرية بايز؟

لأنها توفر طريقة رياضية لتحديث الاحتمالات عندما تصل معلومات جديدة. بدل الاحتفاظ بتقدير ثابت، يمكن تعديل التقدير وفق قوة الدليل الجديد.

هل يمكن للحاسوب حساب الاحتمالات بدل الرياضيات؟

الحاسوب ينفذ القواعد الرياضية ولا يلغيها. في المسائل المعقدة يمكن استخدام المحاكاة والحساب العددي لتقدير الاحتمالات عندما يصبح الحل التحليلي المباشر صعبًا.

خلاصة

الاحتمالات تمنح الرياضيات لغة للتعامل مع عدم اليقين. بدل القول إن حدثًا ما “محتمل” أو “غير محتمل” فقط، يمكن إعطاء قيمة عددية توضّح درجة إمكانية وقوعه ضمن نموذج محدد.

تبدأ الفكرة من مفاهيم بسيطة مثل فضاء العينة وعد النتائج، ثم تتوسع إلى الاحتمالات الشرطية والأحداث المستقلة ونظرية بايز والقيمة المتوقعة والمحاكاة الحاسوبية. ومع كل مستوى جديد تصبح الرياضيات أكثر قدرة على التعامل مع العالم الحقيقي، حيث نادرًا ما تكون المعلومات كاملة والنتائج مضمونة.

القوة الحقيقية للاحتمالات ليست في معرفة المستقبل بصورة يقينية، بل في قياس عدم اليقين بطريقة منظمة. ولهذا أصبحت جزءًا من الرياضيات والهندسة والإحصاء والذكاء الاصطناعي والاقتصاد والعلوم، وكل مجال يحتاج إلى اتخاذ قرار عندما تكون النتيجة غير معروفة مسبقًا.