نظرية الاحتمالات

نظرية الاحتمالات فرع أساسي من فروع الرياضيات يدرس الظواهر التي لا يمكن التنبؤ بنتائجها بصورة يقينية، ويضع إطارًا رياضيًا لقياس درجة عدم اليقين وتحليل الأحداث العشوائية. وهي اليوم من أكثر الأدوات الرياضية انتشارًا، إذ تدخل في الإحصاء، والفيزياء، والهندسة، والاقتصاد، وعلوم الحاسوب، والذكاء الاصطناعي، ونظرية المعلومات، وعلم الأحياء، والطب، ونمذجة المخاطر. وعلى الرغم من أن بعض الأفكار المتعلقة بالصدفة وعدم اليقين تعود إلى العصور القديمة، فإن الصياغة الرياضية المنظمة للاحتمال ظهرت تدريجيًا في أوروبا خلال القرن السابع عشر، ثم تطورت على يد كريستيان هويغنز ويعقوب برنولي وأبراهام دو موافر وتوماس بايز وبيير سيمون لابلاس وغيرهم، قبل أن تبلغ مرحلة تأسيسية حاسمة في القرن العشرين مع النظام البديهي لأندريه كولموغوروف سنة 1933. ^[1][2]

ماهية الاحتمال وطبيعة العشوائية

يُستخدم الاحتمال رياضيًا لتمثيل درجة عدم اليقين المرتبطة بحدث أو نتيجة. فإذا كان الحدث مستحيلًا فإن احتماله يساوي صفرًا، وإذا كان مؤكدًا في النموذج المعني فإن احتماله يساوي واحدًا، أما القيم الواقعة بينهما فتمثل درجات مختلفة من الإمكان. وفي الصياغة الحديثة لا يُنظر إلى الاحتمال على أنه مجرد «تخمين»، بل باعتباره دالة رياضية تستوفي مجموعة من الشروط الدقيقة. وقد أصبحت هذه الصياغة أساسًا مشتركًا لمجالات متعددة تختلف في تفسيرها الفلسفي لطبيعة الاحتمال، بما في ذلك التفسير التكراري، والتفسير البايزي، والتفسير المنطقي، وتفسيرات أخرى. ^[3]

ويجب التمييز بين «العشوائية» و«الجهل». فقد تكون نتيجة تجربة ما غير متوقعة بالنسبة إلى المراقب، بينما تكون خاضعة في الواقع لقوانين فيزيائية حتمية؛ ولذلك لا تحدد نظرية الاحتمالات وحدها موقفًا فلسفيًا نهائيًا من طبيعة العالم أو من معنى العشوائية. وإنما توفر بنية رياضية يمكن استخدامها عندما تكون المعرفة المتاحة غير يقينية أو عندما يمثل النموذج ظاهرة عشوائية بصورة مناسبة.

الجذور القديمة لفكرة الاحتمال

عرفت المجتمعات القديمة مسائل مرتبطة بالصدفة وعدم اليقين، كما ظهرت محاولات مبكرة لتحليل نتائج بعض التجارب العشوائية. غير أن وجود التفكير في الصدفة لا يعني وجود نظرية احتمالات بالمعنى الرياضي الحديث. فالتطور الحاسم احتاج إلى تحويل المقارنة بين الإمكانات إلى كميات عددية وقواعد يمكن البرهنة عليها.

وقد اهتم مؤرخو الاحتمالات بالتقاليد السابقة للقرن السابع عشر، لأن تاريخ هذا العلم أكثر تعقيدًا من الرواية التقليدية التي تبدأ مباشرة برسائل باسكال وفيرما. وتشير الدراسات التاريخية الحديثة إلى وجود تقاليد سابقة في حساب «الفرص» وفي التفكير المرتبط بالأدلة والمخاطر، وأن القرن السابع عشر شهد تحولًا في هذه الأفكار إلى بنية رياضية أكثر انتظامًا. ^[1]

باسكال وفيرما والمسألة التاريخية

ترتبط بداية الاحتمالات الرياضية الحديثة تقليديًا بالمراسلات التي جرت سنة 1654 بين بليز باسكال وبيير دو فيرما حول ما أصبح يعرف بمسألة النقاط، وهي مسألة تتعلق بكيفية تقسيم المكافأة بصورة عادلة عندما تتوقف سلسلة من المحاولات قبل اكتمالها. وقد أدت هذه المراسلات إلى استخدام منهجي للتعداد والحساب من أجل مقارنة النتائج الممكنة.

كان لهذه المراسلات أثر تاريخي بالغ، لكنها لم تكن ظهورًا كاملًا لنظرية الاحتمالات الحديثة بكل مفاهيمها اللاحقة. فالدراسات التاريخية المعاصرة تؤكد أن باسكال وفيرما استخدما تقنيات متقدمة ضمن تقليد سابق لحساب الفرص، وأن أهمية مراسلاتهما تكمن أيضًا في رفع مستوى الدقة الرياضية وإثارة اهتمام المجتمع الرياضي بالمشكلات المتعلقة بالصدفة. ^[1]

هويغنز وبناء الحساب الأولي للاحتمال

بعد أعمال باسكال وفيرما، قدم عالم الرياضيات الهولندي كريستيان هويغنز في سنة 1657 كتابًا مهمًا بعنوان De Ratiociniis in Ludo Aleae، ويُعد من أقدم الأعمال المنشورة التي قدمت معالجة منظمة لمسائل الاحتمال. وقد ركز هويغنز على مفهوم القيمة المتوقعة، واستخدمه لتحليل مسائل تتعلق بالفرص والمقارنة بين النتائج.

وتشير الدراسات التاريخية إلى أن معالجة هويغنز كانت أكثر من مجرد مجموعة حلول لمسائل منفردة؛ فقد قدمت إطارًا يمكن من خلاله فهم المقارنة بين النتائج المتوقعة، وكان لعمله تأثير كبير في الأجيال اللاحقة من علماء الاحتمالات. ^[1]

يعقوب برنولي وقانون الأعداد الكبيرة

شهدت نظرية الاحتمالات في أواخر القرن السابع عشر وبدايات القرن الثامن عشر تحولًا جوهريًا مع أعمال يعقوب برنولي. وقد نُشر كتابه Ars Conjectandi بعد وفاته سنة 1713، وتضمن صياغة مبكرة لقانون الأعداد الكبيرة، الذي يربط بين الاحتمال النظري والسلوك المتكرر لعدد كبير من التجارب.

تكمن أهمية قانون الأعداد الكبيرة في أنه يوضح، تحت الشروط الرياضية المناسبة، أن المتوسطات التجريبية تميل إلى القيم المتوقعة أو الاحتمالات النظرية مع ازدياد عدد المشاهدات. وقد كان هذا التطور أساسيًا في الانتقال من مجرد حساب الفرص إلى استخدام الاحتمال لفهم البيانات والتكرارات. ويعد القانون من الركائز التاريخية التي ربطت الاحتمالات بالإحصاء التجريبي. ^[4]

دو موافر والتوزيع الطبيعي

أسهم أبراهام دو موافر في تطوير نظرية الاحتمالات، ولا سيما في دراسة التوزيع الثنائي وتقريباته. وفي كتابه The Doctrine of Chances، الذي صدر في طبعات متعددة ابتداءً من سنة 1718، طور نتائج مهمة تتعلق بتوزيع عدد النجاحات في عدد كبير من المحاولات، وقدم تقريبًا أصبح مرتبطًا لاحقًا بالتوزيع الطبيعي.

كان هذا العمل خطوة مهمة نحو ما أصبح يعرف لاحقًا بنظرية الحد المركزي، التي تحتل مكانة أساسية في الإحصاء والاحتمالات. وقد أدى التطور التاريخي من مسائل العد والتوزيعات المنفصلة إلى التقريبات المستمرة إلى بناء جسور بين الاحتمالات والرياضيات التحليلية. ^[4]

توماس بايز والاحتمال الشرطي

أصبح توماس بايز من أكثر الأسماء ارتباطًا بالاستدلال الاحتمالي بسبب النتيجة التي عُرفت لاحقًا باسم «نظرية بايز». وقد نُشرت ورقته الأساسية بعد وفاته سنة 1763، وكان موضوعها مرتبطًا بمشكلة الاستدلال من الملاحظات إلى احتمال فرضية أو معلمة مجهولة. ^[5]

في الصياغة الحديثة، إذا كان A وB حدثين وكان P(B) > 0، فإن الاحتمال الشرطي يعرف بالعلاقة:

P(A|B) = P(A ∩ B) / P(B)

ومنها يمكن اشتقاق صيغة بايز:

P(A|B) = P(B|A)P(A) / P(B)

وتسمح هذه العلاقة بتحديث الاحتمال المرتبط بفرضية بعد الحصول على دليل جديد، ولذلك أصبحت أساسًا رياضيًا مهمًا في الاستدلال البايزي. وقد أثار استخدام الاحتمال في تمثيل الاعتقاد والاستدلال نقاشًا فلسفيًا واسعًا، إذ تختلف المدارس حول المعنى الذي ينبغي إسناده إلى الاحتمال: هل هو خاصية تكرارية للأحداث، أم درجة عقلانية للاعتقاد، أم مفهوم آخر؟ ^[6]

لابلاس وتوحيد نظرية الاحتمالات

كان بيير سيمون لابلاس من أهم علماء الاحتمالات في أواخر القرن الثامن عشر وبدايات القرن التاسع عشر. وفي كتابه Théorie analytique des probabilités، الذي صدر سنة 1812، جمع نتائج واسعة من الاحتمالات وربطها بالتحليل الرياضي، كما طور أساليب متعددة للتعامل مع الاحتمالات والإحصاء والأخطاء والمشكلات العلمية.

أعطى لابلاس نظرية الاحتمالات مكانة أوسع بكثير من كونها علمًا للمسائل الترفيهية أو الحسابات المتعلقة بالصدفة؛ فقد استخدمها في مسائل فلكية وسكانية وعلمية، وربطها بمشكلة الاستدلال من البيانات. وأسهم ذلك في ترسيخ الاحتمالات باعتبارها أداة عامة لتحليل عدم اليقين. ^[7]

من الاحتمالات الكلاسيكية إلى الاحتمالات الحديثة

اعتمدت الصياغة الكلاسيكية للاحتمال في بعض المسائل على فكرة الحالات المتساوية الإمكان، بحيث يمكن حساب احتمال حدث من خلال نسبة عدد الحالات الملائمة إلى عدد الحالات الممكنة، عندما تكون هذه الطريقة مبررة. وكان هذا الأسلوب قويًا في المسائل ذات فضاءات النتائج المنتهية والمتناظرة، لكنه لم يكن كافيًا لبناء نظرية عامة للتجارب المعقدة والفضاءات اللانهائية والعمليات العشوائية.

أدى هذا القصور إلى الحاجة إلى أساس رياضي أكثر تجريدًا. ومع تطور نظرية القياس والتحليل الرياضي أصبح من الممكن تعريف الاحتمال بوصفه نوعًا خاصًا من القياس، بحيث لا يتطلب النموذج بالضرورة تعداد النتائج بصورة مباشرة. وقد بلغ هذا الاتجاه مرحلة حاسمة مع أعمال أندريه نيكولايفيتش كولموغوروف في القرن العشرين. ^[8]

كولموغوروف وتأسيس الاحتمالات بديهيًا

نشر الرياضي الروسي أندريه كولموغوروف سنة 1933 كتابه Grundbegriffe der Wahrscheinlichkeitsrechnung، المعروف في الترجمات الإنجليزية باسم Foundations of the Theory of Probability. وقد وضع فيه أساسًا بديهيًا لنظرية الاحتمالات باستخدام مفاهيم نظرية المجموعات ونظرية القياس. وأصبح هذا العمل أحد أهم المنعطفات في تاريخ الاحتمالات الحديثة. ^[9]

في إطار كولموغوروف، يمثل فضاء الاحتمال بالثلاثي (Ω, F, P)، حيث تمثل Ω فضاء النتائج، وتمثل F مجموعة الأحداث القابلة للقياس، وتمثل P دالة الاحتمال. وتقوم النظرية الحديثة على ثلاثة مبادئ أساسية: عدم السلبية، وتطبيع احتمال الفضاء الكلي إلى واحد، والإضافية المعدودة للأحداث المتنافية زوجيًا. وتسمح هذه البنية ببناء نظرية متماسكة للفضاءات المنتهية واللانهائية والعمليات العشوائية. ^[10]

بديهيات الاحتمال

إذا كان Ω هو فضاء العينة، فإن الاحتمال P يحقق بصورة أساسية:

P(A) ≥ 0

P(Ω) = 1

ولكل سلسلة معدودة من الأحداث المتنافرة زوجيًا A₁, A₂, …:

P(∪ Aᵢ) = Σ P(Aᵢ)

ومن هذه البديهيات تُشتق نتائج أساسية عديدة، منها P(∅)=0، والعلاقة P(Aᶜ)=1−P(A)، وعدم تجاوز احتمال أي حدث للقيمة واحد. وتمثل الإضافية المعدودة عنصرًا محوريًا في ربط الاحتمالات بنظرية القياس، خصوصًا عند دراسة الفضاءات اللانهائية والعمليات العشوائية. ^[11]

فضاء العينة والأحداث

يبدأ بناء النموذج الاحتمالي بتحديد مجموعة النتائج الممكنة، التي تسمى فضاء العينة. فإذا كانت التجربة تحتوي على مجموعة محدودة من النتائج، يمكن تمثيلها بمجموعة من العناصر. أما في النماذج المعقدة فقد يكون فضاء العينة مستمرًا أو عالي الأبعاد أو حتى فضاءً من المسارات الكاملة لعملية عشوائية.

والحدث ليس بالضرورة نتيجة منفردة؛ بل هو مجموعة من النتائج داخل فضاء العينة. فإذا كان A حدثًا، فإن احتمال A يحدد مقدارًا بين صفر وواحد يصف درجة حدوثه في النموذج. وتسمح هذه اللغة ببناء عمليات رياضية دقيقة على الأحداث، مثل الاتحاد والتقاطع والمتمم والاحتمال الشرطي.

الاحتمال الشرطي والاستقلال

يعد الاحتمال الشرطي من أهم مفاهيم النظرية. فهو يصف احتمال حدث في ضوء معرفة تحقق حدث آخر. فإذا كان P(B) > 0، فإن:

P(A|B) = P(A ∩ B) / P(B)

أما الاستقلال فيشير إلى حالة لا يؤدي فيها وقوع حدث إلى تغيير الاحتمال الخاص بحدث آخر. ويكون الحدثان A وB مستقلين عندما:

P(A ∩ B) = P(A)P(B)

ويجب التمييز بدقة بين الاستقلال وعدم الترابط في بعض السياقات؛ فالاستقلال مفهوم أقوى من مجرد غياب علاقة خطية، وهو من المفاهيم المركزية في بناء النماذج الاحتمالية وتحليل المتغيرات العشوائية.

المتغيرات العشوائية

المتغير العشوائي ليس «متغيرًا يتصرف اعتباطيًا» بالمعنى العام، بل هو دالة رياضية تربط كل نتيجة في فضاء العينة بقيمة عددية، أو في التعميمات الحديثة بقيمة في فضاء مناسب. ويسمح هذا المفهوم بتحويل الأحداث والنتائج إلى كميات يمكن حساب متوسطاتها وتوزيعاتها.

إذا كان X متغيرًا عشوائيًا، فإن توزيعه الاحتمالي يحدد كيفية توزع الاحتمال على القيم التي يمكن أن يأخذها. وقد تكون المتغيرات العشوائية منفصلة، بحيث تأخذ قيمًا معدودة، أو مستمرة، بحيث توصف عادة بكثافة احتمالية بالنسبة إلى مقياس مناسب.

التوزيعات الاحتمالية

التوزيع الاحتمالي هو وصف رياضي لكيفية انتشار الاحتمالات على النتائج أو القيم. ومن أشهر التوزيعات المنفصلة توزيع برنولي والتوزيع الثنائي وتوزيع بواسون، ومن أشهر التوزيعات المستمرة التوزيع الطبيعي والتوزيع الأسي وتوزيع غاما وتوزيع بيتا.

لكل توزيع معلمات وخصائص تحدد شكله وسلوكه. ويُستخدم التوزيع الثنائي، مثلًا، لنمذجة عدد النجاحات في عدد ثابت من المحاولات المستقلة ذات احتمال نجاح ثابت، بينما يظهر توزيع بواسون في نماذج عدد الأحداث خلال فترة أو منطقة عندما تكون شروط النموذج مناسبة. أما التوزيع الطبيعي فيحتل مكانة مركزية في الاحتمالات والإحصاء بسبب ظهوره في عدد كبير من مسائل التجميع والتقريب ونظرية الحد المركزي.

التوقع الرياضي

التوقع الرياضي هو متوسط مرجح للقيم الممكنة لمتغير عشوائي وفق احتمالاتها. وللمتغير العشوائي المنفصل يمكن كتابته بصورة عامة:

E[X] = Σ x P(X=x)

وفي حالة المتغير المستمر، يُعبّر عنه بالتكامل بالنسبة إلى توزيعه أو كثافته عندما تكون الشروط المناسبة متحققة. ويُعد التوقع من أهم أدوات الاحتمالات، لأنه يلخص مركز التوزيع من منظور المتوسط الاحتمالي.

ولا يعني التوقع بالضرورة أن القيمة المتوقعة ستكون إحدى القيم التي يأخذها المتغير في تجربة فردية؛ فهو مفهوم رياضي يتعلق بالتوزيع الكامل. وتظهر أهمية هذه الفكرة في الإحصاء، ونظرية القرار، والاقتصاد، والفيزياء، ونظرية المعلومات.

التباين والانحراف المعياري

لا يكفي معرفة متوسط المتغير العشوائي لفهم توزيعه، لأن توزيعين قد يمتلكان المتوسط نفسه لكنهما يختلفان كثيرًا في درجة التشتت. ولذلك يستخدم التباين لقياس مقدار ابتعاد القيم عن متوسطها من منظور احتمالي:

Var(X) = E[(X − E[X])²]

أما الانحراف المعياري فهو الجذر التربيعي للتباين. وتظهر هذه المفاهيم بصورة مركزية في الإحصاء وتحليل الأخطاء ونظرية التقدير، كما ترتبط بنظرية الحد المركزي وبالعديد من النماذج الاحتمالية.

قانون الأعداد الكبيرة

يُعد قانون الأعداد الكبيرة من أهم النتائج في نظرية الاحتمالات. وفكرته الأساسية أن المتوسط التجريبي لسلسلة مناسبة من المتغيرات العشوائية يتقارب، تحت شروط معينة، مع التوقع الرياضي عندما يزداد عدد المشاهدات. ولا يعني ذلك أن كل مجموعة صغيرة من النتائج ستطابق الاحتمال النظري، وإنما يصف سلوك المتوسط عندما يصبح عدد التجارب كبيرًا.

ويمثل القانون أحد الروابط الأساسية بين النموذج الاحتمالي والبيانات التجريبية. ولهذا كان من أهم النتائج التي ساعدت على تأسيس العلاقة بين الاحتمالات والإحصاء، وقد ارتبط تاريخيًا بعمل يعقوب برنولي المنشور بعد وفاته سنة 1713. ^[12]

نظرية الحد المركزي

تعد نظرية الحد المركزي من أكثر نتائج الاحتمالات تأثيرًا في العلوم التطبيقية. وفي صورتها الكلاسيكية، تنص على أن مجموع عدد كبير من المتغيرات العشوائية المستقلة ذات الشروط المناسبة، بعد التقييس، يقترب توزيعه من التوزيع الطبيعي. وتختلف الصياغات الدقيقة للنظرية باختلاف الفرضيات، ولذلك توجد عائلة من نظريات الحد المركزي بدلًا من نتيجة واحدة فقط.

تكمن أهمية النظرية في أنها تفسر ظهور التوزيع الطبيعي في مجموعة واسعة من الظواهر التي تنتج عن تراكم تأثيرات عشوائية عديدة. كما أنها تبرر كثيرًا من التقريبات الإحصائية، وتساعد على فهم لماذا يصبح التوزيع الطبيعي أداة مركزية في تحليل البيانات والاستدلال الإحصائي. ^[13]

نظرية الاحتمالات والإحصاء

ترتبط الاحتمالات والإحصاء ارتباطًا وثيقًا، لكنهما ليسا الشيء نفسه. ففي نظرية الاحتمالات يبدأ الباحث عادة بنموذج وتوزيع مفترض ثم يدرس النتائج الممكنة. أما الإحصاء فينطلق غالبًا من بيانات ملاحظة ويحاول استنتاج خصائص المجتمع أو النموذج الذي ولّد البيانات.

ومن هذه الزاوية يمكن اعتبار الاحتمالات الأساس الرياضي الذي يسمح بدراسة سلوك البيانات تحت نموذج معين، بينما يستخدم الإحصاء الاحتمالات لبناء التقديرات واختبارات الفرضيات وفترات الثقة والنماذج الإحصائية. وقد أدى هذا التداخل إلى نشوء علم إحصائي حديث يعتمد بصورة عميقة على نظرية الاحتمالات.

التفسير التكراري للاحتمال

يربط التفسير التكراري الاحتمال بالسلوك طويل المدى للتجارب المتكررة. وفق هذا التصور، يمكن فهم احتمال حدث من خلال التكرار النسبي الذي يقترب منه عند تكرار التجربة في ظروف مناسبة وعدد كبير من المرات. وقد كان الربط بين الاحتمال والتكرار أحد الموضوعات المركزية في تاريخ تطور الاحتمالات.

لكن التفسير التكراري لا يحل جميع المشكلات المفاهيمية؛ فهناك أحداث لا يمكن تكرارها بصورة طبيعية عددًا كبيرًا من المرات، كما أن الاحتمالات تستخدم في الاستدلال حول فرضيات وأحداث مستقبلية. ولذلك ظهرت تفسيرات أخرى تحاول فهم الاحتمال بوصفه درجة اعتقاد أو أداة منطقية للاستدلال. ^[14]

التفسير البايزي

في التفسير البايزي يمكن استخدام الاحتمال لتمثيل درجة الاعتقاد العقلاني في فرضية في ضوء المعلومات المتاحة. وعند وصول دليل جديد يمكن تحديث هذا الاعتقاد باستخدام الاحتمال الشرطي وقاعدة بايز. وهذا يجعل الاحتمال البايزي أداة للاستدلال تحت عدم اليقين، وليس مجرد وصف لتكرار طويل الأجل.

وقد أدى هذا المنظور إلى ظهور مدرسة واسعة في الإحصاء والاستدلال، مع استمرار النقاش حول العلاقة بين التفسير البايزي والتفسير التكراري. وتتناول الأدبيات الفلسفية الحديثة هذه الاختلافات بوصفها جزءًا من مشكلة أوسع تتعلق بتفسير معنى الاحتمال نفسه. ^[15]

الاحتمالات المنفصلة والمستمرة

في النماذج المنفصلة يمكن أن تكون مجموعة القيم الممكنة معدودة، ويُعطى احتمال كل قيمة مباشرة. أما في النماذج المستمرة، فإن احتمال الحصول على قيمة واحدة محددة قد يكون صفرًا، مع أن مجموعة من القيم الواقعة ضمن فترة معينة يمكن أن تمتلك احتمالًا موجبًا. وهذه الخاصية من النتائج المهمة للانتقال من الاحتمالات المنتهية إلى الاحتمالات المبنية على نظرية القياس.

وقد سمح الإطار القياسي لنظرية الاحتمالات بالتعامل بصورة موحدة مع الحالات المنفصلة والمستمرة والفضاءات الأكثر تعقيدًا. ويُعد هذا أحد الأسباب التي جعلت تأسيس كولموغوروف سنة 1933 نقطة تحول أساسية؛ إذ وضع الاحتمالات داخل بنية رياضية عامة قائمة على نظرية المجموعات والقياس. ^[16]

العمليات العشوائية

تدرس العمليات العشوائية الأنظمة التي تتغير مع الزمن أو مع مؤشر آخر بطريقة احتمالية. ومن أمثلتها سلاسل ماركوف، وحركة براونية، والعمليات بواسونية، والعمليات الغاوسية. وقد أصبحت هذه النظريات أساسية في نمذجة الظواهر التي لا تكفي فيها دراسة نتيجة واحدة، وإنما يلزم تحليل تطور النظام عبر الزمن.

تمتد العمليات العشوائية إلى الفيزياء والاقتصاد والهندسة وعلوم الحاسوب. كما ترتبط ارتباطًا وثيقًا بنظرية القياس والتحليل الدالي، لأن وصف العملية العشوائية يتطلب في كثير من الحالات التعامل مع فضاءات من المسارات وليس مع مجموعة صغيرة من النتائج المنفصلة.

سلاسل ماركوف

تصف سلسلة ماركوف عملية يكون فيها توزيع الحالة المستقبلية، وفق النموذج، معتمدًا على الحالة الحالية دون الحاجة إلى معرفة المسار السابق كاملًا. ويعرف ذلك بخاصية ماركوف. وقد أصبحت هذه الفكرة أساسًا لنماذج كثيرة في الرياضيات التطبيقية وعلوم الحاسوب والفيزياء والإحصاء.

وتسمح نماذج ماركوف بدراسة الانتقالات بين الحالات، وحساب احتمالات الوصول إلى حالات مختلفة، وتحليل السلوك طويل المدى لبعض الأنظمة العشوائية. وهي مثال واضح على انتقال نظرية الاحتمالات من دراسة النتائج الفردية إلى دراسة الأنظمة الديناميكية.

الاحتمالات ونظرية المعلومات

تستخدم نظرية المعلومات الاحتمالات لوصف مصادر المعلومات والضوضاء وعدم اليقين. وقد أصبح مفهوم الإنتروبيا، الذي ارتبط بعمل كلود شانون في القرن العشرين، عنصرًا أساسيًا في قياس مقدار عدم اليقين أو المعلومات في توزيعات احتمالية معينة.

وتتقاطع نظرية المعلومات مع الاحتمالات في موضوعات مثل ضغط البيانات والاتصالات والقنوات المشوشة والتشفير واكتشاف الأخطاء. وبذلك أصبح الاحتمال جزءًا من البنية الرياضية التي تقوم عليها شبكات الاتصال الحديثة والعديد من تقنيات معالجة البيانات.

الاحتمالات في الفيزياء

تلعب الاحتمالات دورًا أساسيًا في الفيزياء الإحصائية وميكانيكا الكم. ففي الفيزياء الإحصائية تستخدم التوزيعات الاحتمالية لوصف الأنظمة التي تحتوي على أعداد ضخمة من الجسيمات، بينما تستخدم ميكانيكا الكم قواعد احتمالية للتنبؤ بنتائج القياسات وفق البنية الرياضية للنظرية.

وقد جعل هذا الاستخدام الاحتمال موضوعًا مهمًا في فلسفة العلم، لأن السؤال لم يعد مقتصرًا على كيفية حساب الاحتمال، بل امتد إلى السؤال عن ماهية الاحتمال نفسه وما إذا كان يعبر عن جهلنا أم عن خاصية موضوعية للنظام. وتؤكد الأدبيات الفلسفية أن تفسير الاحتمال يؤثر في مسائل تتعلق بالتفسير العلمي والفيزياء الإحصائية وميكانيكا الكم وعلم الأحياء التطوري. ^[17]

الاحتمالات في علوم الحاسوب

أصبحت نظرية الاحتمالات من الأدوات المركزية في علوم الحاسوب. فهي تستخدم في الخوارزميات العشوائية، وتحليل البيانات، والتعلم الآلي، والشبكات، ونظرية الترميز، والنمذجة الاحتمالية. وفي الخوارزميات العشوائية يمكن استخدام مصادر عشوائية للتحكم في خطوات الخوارزمية، بينما تستخدم النماذج الاحتمالية لتمثيل البيانات والعلاقات غير اليقينية.

وفي الذكاء الاصطناعي الحديث، تظهر الاحتمالات في نماذج التصنيف والتنبؤ والاستدلال والتعلم البايزي والنماذج الرسومية الاحتمالية وغيرها. كما يعتمد كثير من الأساليب الإحصائية المستخدمة في تعلم الآلة على مفاهيم التوقع والتباين والتوزيعات والاحتمال الشرطي.

الاحتمالات في الاقتصاد والعلوم الاجتماعية

تستخدم الاحتمالات في الاقتصاد لتحليل المخاطر وعدم اليقين والتوقعات والنماذج الديناميكية. كما تدخل في الاقتصاد القياسي، حيث تساعد النماذج الاحتمالية على تمثيل العلاقة بين المتغيرات الاقتصادية والبيانات المرصودة.

وفي العلوم الاجتماعية تستخدم الاحتمالات والإحصاء لتحليل العينات والاستطلاعات والنماذج السكانية والظواهر التي تتأثر بعدد كبير من العوامل. ويتيح الإطار الاحتمالي التعبير عن عدم اليقين بدل تقديم نتائج قطعية لا تبررها طبيعة البيانات.

الاحتمالات في الهندسة

تستخدم الهندسة الاحتمالات لتحليل الاعتمادية والمخاطر والأخطاء والضوضاء والأنظمة التي تتأثر بعوامل غير يقينية. ففي هندسة الاتصالات مثلًا تستخدم النماذج الاحتمالية لتحليل الضوضاء ومعدلات الخطأ، وفي هندسة الأنظمة يمكن استخدام الاحتمال لتقدير سلوك المكونات والأنظمة في ظل عدم اليقين.

ولا يعني استخدام الاحتمال أن النظام الهندسي «عشوائي» بالضرورة؛ بل قد تكون هناك متغيرات لا يمكن قياسها أو التحكم فيها بصورة كاملة، ولذلك يكون النموذج الاحتمالي وسيلة كمية لتمثيل المعرفة المتاحة وعدم اليقين المتبقي.

قيمة التوقع والمخاطر

من التطبيقات الأساسية للاحتمال تحليل المخاطر. فإذا كانت النتائج الممكنة x₁, x₂, …, xₙ ولها احتمالات p₁, p₂, …, pₙ، فإن القيمة المتوقعة تعطى بالعلاقة:

E[X] = Σ pᵢxᵢ

لكن القرار العقلاني لا يعتمد دائمًا على التوقع وحده؛ فقد تكون هناك فروق كبيرة في التباين أو في طبيعة الخسائر المحتملة. ولذلك طورت الرياضيات والاقتصاد ونظرية القرار أدوات أكثر تعقيدًا للتعامل مع المخاطر، والمنفعة، وعدم تماثل النتائج.

الفرق بين الاحتمال والإحصاء

يمكن تلخيص الفرق المنهجي بين المجالين في اتجاه الاستدلال. الاحتمالات تبدأ عادة من نموذج احتمالي وتستنتج ما يمكن توقعه من البيانات أو النتائج، بينما يبدأ الإحصاء من بيانات ملاحظة ويحاول استنتاج خصائص النموذج أو المجتمع الذي جاءت منه. ولذلك يشكلان مجالين متداخلين ولكنهما ليسا مترادفين.

فإذا كان لدينا توزيع معروف ونريد معرفة احتمال وقوع قيمة في نطاق معين، فهذه مسألة احتمالية. أما إذا كانت لدينا عينة ونريد تقدير متوسط المجتمع أو تحديد نموذج مناسب، فهذه مسألة إحصائية تعتمد على نظرية الاحتمالات كأساس رياضي.

الاستقلال والارتباط والسببية

من الأخطاء الشائعة الخلط بين الاحتمال والسببية. فإذا كان حدثان مرتبطين إحصائيًا، فهذا لا يعني بالضرورة أن أحدهما سبب الآخر. ويمكن أن ينشأ الارتباط بسبب متغير ثالث أو بسبب بنية البيانات أو بسبب طريقة اختيار العينة.

أما الاستقلال الاحتمالي فهو مفهوم رياضي محدد، ويعني أن معرفة وقوع حدث لا تغير احتمال الحدث الآخر وفق النموذج. ولذلك فإن الاستقلال والارتباط والسببية مفاهيم مختلفة يجب عدم دمجها في مفهوم واحد، خصوصًا عند استخدام الاحتمالات في العلوم التجريبية وتحليل البيانات.

المكانة الرياضية لنظرية الاحتمالات

أصبحت نظرية الاحتمالات في الرياضيات الحديثة نظرية عميقة ومتكاملة تتصل بنظرية القياس والتحليل الحقيقي والتحليل الدالي ونظرية الأعداد والعمليات العشوائية. ولم تعد مجرد حساب للنسب، بل أصبحت إطارًا عامًا يمكن من خلاله بناء نماذج دقيقة للظواهر التي تحتوي على عدم يقين.

وقد كان تأسيس كولموغوروف عام 1933 نقطة تحول حاسمة في هذا التطور؛ إذ جعل الاحتمالات متوافقة بصورة منهجية مع نظرية القياس، وأتاح بناء نظرية للعمليات والفضاءات الاحتمالية المعقدة. ولهذا يُنظر إلى كتابه بوصفه أحد الأعمال المؤسسة لنظرية الاحتمالات الحديثة. ^[18]

التطور من حساب الفرص إلى علم عدم اليقين

يكشف تاريخ نظرية الاحتمالات عن تحول عميق في طبيعة السؤال الرياضي. ففي المراحل المبكرة كان السؤال يتمحور حول مقارنة الإمكانات وحساب الفرص في مسائل محددة. ثم ظهر مفهوم القيمة المتوقعة، وبعده قانون الأعداد الكبيرة، والتوزيعات الاحتمالية، والاستدلال الاحتمالي، ونظرية الأخطاء، وصولًا إلى نظرية القياس والبديهيات والعمليات العشوائية.

ولذلك فإن تاريخ الاحتمالات ليس مجرد سلسلة من القوانين التي اكتشفها علماء متعاقبون، بل هو تاريخ تطور مفهوم «عدم اليقين» نفسه داخل الرياضيات. وقد انتقلت النظرية من نطاق محدود من المسائل إلى لغة عامة تستخدم في تحليل البيانات والنماذج العلمية والأنظمة المعقدة. وتوضح الدراسات التاريخية الحديثة أن الرواية التقليدية التي تجعل مراسلات باسكال وفيرما نقطة الانطلاق الوحيدة تحتاج إلى قدر من التعديل؛ فقد سبقتها أفكار وممارسات متعددة، ثم أسهم علماء كثيرون في بناء النظرية على مدى القرون التالية. ^[19]

الإرث العلمي لنظرية الاحتمالات

أصبحت نظرية الاحتمالات اليوم إحدى اللغات الرياضية الأساسية لوصف العالم الذي لا تكون معلوماتنا عنه كاملة. فهي تسمح بتمثيل الأحداث غير المؤكدة، وقياس عدم اليقين، وبناء النماذج، وحساب التوقعات، ودراسة التغيرات العشوائية، واستخلاص النتائج من البيانات.

وقد مر هذا العلم بمراحل تاريخية متباعدة: جذور مبكرة في التفكير في الصدفة، ثم ظهور الحساب الرياضي للفرص في القرن السابع عشر، ثم أعمال هويغنز وبرنولي ودو موافر وبايز ولابلاس، ثم التوسع في الإحصاء والرياضيات التحليلية، وأخيرًا تأسيس كولموغوروف للنظرية البديهية الحديثة سنة 1933. وبفضل هذا التطور أصبحت الاحتمالات أساسًا مشتركًا لمجالات تمتد من الرياضيات البحتة إلى الفيزياء والاقتصاد والهندسة والإحصاء وعلوم الحاسوب والذكاء الاصطناعي. ^[20]

المراجع الأساسية

Isaac Todhunter, A History of the Mathematical Theory of Probability from the Time of Pascal to that of Laplace, Macmillan and Company, 1865. ^[21]

A. N. Kolmogorov, Grundbegriffe der Wahrscheinlichkeitsrechnung, Springer, 1933؛ وهو العمل الذي وضع الأساس البديهي الحديث لنظرية الاحتمالات. ^[22]

Danielle Macbeth, «Chance Combinatorics: The Theory that History Forgot»، Perspectives on Science, MIT Press, 2023. ^[23]

«Interpretations of Probability»، Stanford Encyclopedia of Philosophy، Stanford University، مرجع متخصص في الأسس الرياضية والفلسفية لتفسير الاحتمال. ^[24]

«A short history of probability theory and its applications»، International Journal of Mathematical Education in Science and Technology, Taylor & Francis, 2014. ^[25]