الرياضيات1763تأسيسي10 دقيقة قراءة

مقالة نحو حلّ مسألة في نظرية الاحتمالات

An Essay Towards Solving a Problem in the Doctrine of Chances

Bayes, T. · Price, R. — Philosophical Transactions of the Royal Society of London

المشكلة

بحلول منتصف القرن الثامن عشر كانت نظرية الاحتمالات تُجيب عن المسائل المباشرة: إذا كانت العملة تُظهر الوجه بنسبة 60%، فما احتمال ظهور 7 وجوه من 10 رميات؟ لكن السؤال العكسي — وهو الأهمّ عملياً — بقي بلا إجابة: إذا رصدتُ 7 وجوه في 10 رميات، فماذا أستنتج عن الانحياز الحقيقي لهذه العملة؟ لم تكن هناك منهجية مبدئية تسمح بالاستدلال العكسي من المشاهدات إلى الاحتمالية المجهولة التي ولّدتها.

الإسهام

قدّم بايز أول إطار . أظهر أنك إذا بدأت بافتراض قبلي عن احتمالية مجهولة — اختار هو التوزيع المنتظم الذي يعامل جميع القيم بالتساوي — ثم رصدتَ نجاحات وإخفاقات في تجارب متكررة، فبإمكانك حساب توزيع بعدي يتركّز حول القيمة الحقيقية كلّما تراكمت البيانات. النتيجة الرياضية الجوهرية هي أن توزيعاً قبلياً منتظماً مقترناً بأرصاد ذات الحدّين يُعطي توزيعاً بعدياً من عائلة بيتا — وهذا أول تحديث بايزي مُوثَّق في التاريخ.

الأثر

مقالة بايز هي البذرة التي نبت منها — المحرِّك الذي يقف وراء مرشِّحات البريد العشوائي والتشخيص الطبي واختبارات A/B ومحركات البحث وتدريب النماذج اللغوية الحديثة. كلّما حدَّث نظامٌ ما معتقداتِه بناءً على بيانات جديدة فإنه يمارس ما وصفه بايز عام 1763. وسّع لابلاس هذا الإطار لاحقاً وعمّمه، لكن الاختراق المفاهيمي — الانتقال من الدليل إلى السبب — يعود الفضل فيه لبايز.

تخيّل أنك معصوب العينين في غرفة مظلمة. شخصٌ ما دحرج كرة على طاولة طويلة — ليس لديك أدنى فكرة أين استقرّت. ثم يبدأ بدحرجة كرات أخرى واحدة تلو الأخرى، وكل ما يخبرك به: «يسار الكرة الأولى» أو «يمين الكرة الأولى».

بعد أن تسمع «يسار» سبع مرات و«يمين» ثلاث مرات من أصل عشر رميات، يبدأ تصوُّرك بالتشكّل: الكرة الأولى على الأرجح تقع قرب علامة 70% من الطاولة، لكنك لستَ متيقّناً — قد تكون عند 60% أو 80%.

كل رمية جديدة تُصقل تصوُّرك أكثر. هذا هو جوهر الاستدلال البايزي: أنت لا ترى الكرة مباشرةً أبداً، لكن كل دليل جديد يُضيّق المنطقة التي يُحتمل أن تكون فيها.

المشكلة: الاستدلال العكسي من النتائج إلى الأسباب

قبل بايز كان علم الاحتمالات يسير في اتجاه واحد فقط. إذا عرفتَ أن النرد عادل، تستطيع حساب فرصة الحصول على ثلاث سداسيات متتالية: $(1/6)^3$ . هذه هي المسألة الأمامية — تنطلق من سبب معلوم لتتوقّع النتائج.

لكن الحياة الواقعية تطرح السؤال المعاكس في كل مرة تقريباً. طبيبٌ يرى أعراضاً فيسأل: أيُّ مرض سبّبها على الأرجح؟ عالِمٌ يرصد بيانات فيسأل: أيُّ فرضية تفسّرها أفضل تفسير؟ أنت تقذف عملة مئة مرة فتظهر 73 وجهاً — هل هذه العملة منحازة؟

هذه هي المسألة العكسية — أي الاحتمالية العكسية: الانتقال من نتائج مُشاهَدة إلى السبب المجهول الذي أنتجها. قبل بايز لم يمتلك أحدٌ طريقة منهجية لحلّها.

افتح في المختبر

قارن بين الاحتمالية الأمامية والعكسية: الرياضيات واحدة لكن الاتجاه معكوس.

تستيقظ التجربة عند وصولك…

التجربة الذهنية: كرة على طاولة

صمّم بايز تجربة ذهنية بسيطة وأنيقة. تصوّر طاولة مسطّحة تمتدّ من 0 إلى 1. تُدحرج كرة أولى عليها فتستقرّ عند نقطة مجهولة $\\theta$ — لا تراها. ثم تُدحرج $n$ كرة إضافية، وكل ما تعرفه عن كلٍّ منها: هل سقطت يسار الكرة الأولى أم يمينها.

احتمال السقوط يسار $\\theta$ يساوي $\\theta$ ، والسقوط يميناً يساوي $1-\\theta$ . هذه بالضبط سلسلة من باحتمالية مجهولة $\\theta$ . إذا سقطت $k$ كرة من أصل $n$ يسار الكرة الأولى، فالسؤال: أين تقع $\\theta$ ؟

الرؤية المحورية لبايز كانت أن يُعامِل $\\theta$ نفسه كمتغيّر عشوائي يملك . وبما أن الكرة الأولى أُلقيت عشوائياً على الطاولة، فإن $\\theta$ موزَّع بانتظام بين 0 و1 — وهذا هو . الأدلة القادمة من الكرات اللاحقة تُعيد تشكيل هذا التوزيع المسطّح إلى مدبّب يتمركز قرب النسبة المرصودة $k/n$ .

افتح في المختبر

ادحرج الكرات على الطاولة وراقب كيف يتبلور اعتقادك عن θ.

تستيقظ التجربة عند وصولك…

الفكرة الجوهرية: قبلي × دليل = بعدي

يمكن تكثيف إسهام بايز في جملة واحدة: اعتقادك المُحدَّث عن كمية مجهولة يساوي اعتقادك القبلي، مضروباً في مدى قدرة كل قيمة ممكنة على تفسير ما رصدتَه، ثم مُقيَّساً ليكون المجموع واحداً.

تصوَّر الأمر كمحاكمة. قبل بدء المحاكمة يحمل المحلّفون انطباعاً أوّلياً عن الإدانة أو البراءة. كل دليل — شهادة شاهد، نتيجة فحص جنائي — يُقوّي هذا الانطباع أو يُضعفه. والحُكم النهائي — أي البعدي — هو ذلك الانطباع الأوّلي بعد أن عدّلته جميع الأدلة.

رياضياً، لمتغيّر مستمر مجهول $\\theta$ وبيانات مرصودة $D$ :

P(\theta | D) = \frac{P(D | \theta) \cdot P(\theta)}{P(D)}

مبرهنة بايز — محرك الاحتمالية العكسية — P(θ|D) = الاحتمال البعدي · P(D|θ) = الأرجحية — ما مدى احتمالية البيانات لو كان θ صحيحاً؟ · P(θ) = الاحتمال القبلي — اعتقادك عن θ قبل رؤية البيانات · P(D) = ثابت التقييس — يضمن أن التوزيع البعدي يتكامل إلى واحد

افتح في المختبر

تابع المكوّنات الثلاثة لمبرهنة بايز خطوة بخطوة.

تستيقظ التجربة عند وصولك…

اقرأ المعادلة كأنها وصفة: ابدأ بـالقبلي $P(\\theta)$ ، وزِن كل قيمة محتملة لـ $\\theta$ بمقدار ما تفسّر ما رأيتَه — أي $P(D|\\theta)$ — ثم قيِّس الناتج. والنتيجة هي البعدي $P(\\theta|D)$ ، أي اعتقادك المُحدَّث بعد رؤية البيانات.

المقام $P(D)$ ثابتٌ لا يتغيّر بتغيُّر $\\theta$ ، فهو مجرد . لهذا تُكتب المبرهنة غالباً بالصيغة التناسبية:

P(\theta | D) \propto P(D | \theta) \cdot P(\theta)

الصيغة التناسبية — البعدي يتناسب مع الأرجحية × القبلي — «يتناسب مع» تعني أن شكل التوزيع تحدّده الأرجحية × القبلي فقط، وثابت التقييس لا يفعل سوى ضمان أن يكون الناتج توزيعاً احتمالياً صحيحاً

الاحتمال القبلي المنتظم: ترميز الجهل التام

سؤال جوهري في الاستدلال البايزي: ماذا تختار توزيعاً قبلياً حين لا تملك أيّ معرفة مسبقة؟ جواب بايز كان التوزيع المنتظم — امنح كلَّ قيمة بين 0 و1 كثافة احتمالية متساوية.

يُعرف هذا أحياناً بـ«مبدأ عدم كفاية السبب»: إذا لم يكن لديك سبب لتفضيل قيمة $\\theta$ على أخرى، عاملها جميعاً بالتساوي. في تجربة الطاولة ينشأ هذا بشكل طبيعي — الكرة الأولى دُحرجت عشوائياً، فنقطة توقّفها موزّعة بانتظام.

جمال هذا الاختيار أنه يدَع البيانات تتكلّم. مع الاحتمال القبلي المنتظم يتشكّل البعدي بالكامل وفقاً للأدلة. وكلّما تراكمت الأدلة تلاشى تأثير القبلي وتقارب البعدي نحو القيمة الحقيقية — مهما كانت نقطة البداية.

المحرك الرياضي: تَرافُق بيتا وذات الحدّين

هنا تُثمر تجربة بايز الذهنية عن نتيجة رياضية أنيقة بصيغة مغلقة. الإعداد كالتالي:

القبلي: $\\theta \\sim \\text{Uniform}(0,1)$ ، وهي حالة خاصة من $\\text{Beta}(1,1)$ .
الأرجحية: $k$ نجاح في $n$ تجربة يتبع $\\text{Binomial}(n,\\theta)$ .

الفكرة البسيطة: القبلي يقول «أيُّ انحياز للعملة محتملٌ بالتساوي»، والبيانات تقول «رصدتُ $k$ وجه في $n$ رمية». حين ندمجهما عبر مبرهنة بايز نحصل على البعدي:

\theta | (k, n) \sim \text{Beta}(k+1,\; n-k+1)

التوزيع البعدي بيتا — النتيجة الرئيسية لبايز — ابدأ بتوزيع Beta(1,1) = المنتظم · ارصد k نجاح و n−k إخفاق · البعدي هو Beta(k+1, n−k+1) — مدبّب قرب k/n ويضيق كلما زادت البيانات

هذه النتيجة لافتة لسببين. أولاً: البعدي ينتمي إلى العائلة ذاتها التي ينتمي إليها القبلي — كلاهما من توزيعات بيتا. حين يكون القبلي والبعدي من العائلة نفسها نقول إن القبلي مترافق مع الأرجحية، وهذا ما يُعرف بـ. الفائدة العملية هي أنك تستطيع تحديث معتقداتك مرّة بعد أخرى دون مغادرة عائلة بيتا: كل دفعة أدلة جديدة تُعدّل المعلمتين فحسب.

ثانياً: المتوسط البعدي يساوي $(k+1)/(n+2)$ ، ويبدأ عند $1/2$ حين لا تملك بيانات (جهل تام)، ثم يزحف نحو النسبة المرصودة $k/n$ كلّما كبر $n$ . البعدي يتركّز: تباينه يتقلّص بمقدار $1/n$ ، فمع بيانات كافية يتلاشى عدم اليقين — وهذه الخاصية تُعرف بـ.

افتح في المختبر

اسحب المؤشرات لضبط k (النجاحات) وn (التجارب) وراقب كيف يتشكّل التوزيع البعدي بيتا.

تستيقظ التجربة عند وصولك…

التحديث البايزي عملياً

قوة الاستدلال البايزي تكمن في طبيعته التراكمية التعاقبية. البعدي الذي حصلتَ عليه أمس يصبح هو القبلي اليوم. افترض أنك قذفتَ عملة 5 مرات وظهر الوجه 4 مرات — بعديُّك هو Beta(5,2). في اليوم التالي تقذفها 5 مرات أخرى فيظهر الوجه 3 مرات. لا حاجة للبدء من الصفر — بعديُّك الجديد هو Beta(5+3, 2+2) = Beta(8,4)، تماماً كما لو رصدتَ 7 وجوه في 10 رميات دفعة واحدة.

لهذا تُعدّ الأساليب البايزية مثالية لأنظمة التعلّم التي تستقبل البيانات تدريجياً — كمحركات التوصيات وأنظمة كشف الاحتيال والنماذج اللغوية أثناء .

افتح في المختبر

انقر «ارمِ» لإضافة الأدلة رمية تلو أخرى. راقب تطوّر البعدي لحظةً بلحظة.

تستيقظ التجربة عند وصولك…

الفكرة نفسها في الكود

تقدير انحياز العملة بطريقة بايز — كاملاًpython

مبسَّط لإظهار الفكرة — ليس التنفيذ الحقيقي.

import numpy as np
from scipy.stats import beta

def bayesian_update(prior_a, prior_b, heads, tails):
    """تحديث التوزيع القبلي بيتا بأرصاد قذف العملة.
       prior_a, prior_b: معلمتا بيتا (ابدأ بـ 1,1 للمنتظم)
       heads, tails: الأعداد المرصودة
       يُعيد: معلمتي بيتا البعديتين"""
    post_a = prior_a + heads
    post_b = prior_b + tails
    return post_a, post_b

# ابدأ بجهل تام: Beta(1,1) = التوزيع المنتظم
a, b = 1, 1

# ارصد 7 وجوه و3 خلفيات
a, b = bayesian_update(a, b, heads=7, tails=3)
# البعدي: Beta(8, 4)

# متوسط البعدي = a / (a+b) — أفضل تقديرنا لانحياز العملة
print(f"متوسط البعدي: {a/(a+b):.3f}")          # 0.667
print(f"فترة المصداقية 95%: "
      f"{beta.ppf(0.025, a, b):.3f} – "
      f"{beta.ppf(0.975, a, b):.3f}")            # 0.399 – 0.881

# ارصد 20 رمية أخرى: 14 وجه و6 خلفيات
a, b = bayesian_update(a, b, heads=14, tails=6)
# البعدي الآن: Beta(22, 10)

print(f"\nبعد 30 رمية:")
print(f"متوسط البعدي: {a/(a+b):.3f}")          # 0.688
print(f"فترة المصداقية 95%: "
      f"{beta.ppf(0.025, a, b):.3f} – "
      f"{beta.ppf(0.975, a, b):.3f}")            # 0.521 – 0.830

# الفترة تقلّصت — بيانات أكثر = يقين أكبر.
# هذا هو بايز: قبلي + دليل ← بعدي أكثر حدّة.

ريتشارد برايس: المُحرِّر الذي نشر الثورة

توفّي بايز عام 1761 دون أن ينشر مقالته. صديقه ريتشارد برايس — قسّ وفيلسوف ورياضيّ — عثر على المخطوطة بين أوراقه، وأدرك أهميتها، فقضى عامين في تحريرها وتوسيعها. أضاف برايس ملحقاً مفصّلاً يتضمّن حسابات عددية تُوضّح المبرهنة عملياً، وقرأ البحث أمام الجمعية الملكية في 23 ديسمبر 1763.

لم يكن دور برايس مجرد تحرير. فقد أوضح الدلالات العملية للمبرهنة: يمكن استخدامها لتقدير احتمال أن انتظامات مرصودة — كشروق الشمس كل يوم — تعكس قوانين طبيعية حقيقية لا مجرد مصادفة. رأى برايس في رياضيات بايز أداة فلسفية للتفكير في الأدلة — وهي رؤية سبقت بقرون ما نعرفه اليوم بنظرية المعرفة البايزية.

الحاشية الفلسفية: بايز يبرّر القبلي المنتظم

في فقرة شهيرة عُرفت بالحاشية (Scholium)، حاجج بايز بأنه حين لا تملك معرفة مسبقة عن احتمالية حدث ما، فالأصل أن تعامل كل الاحتمالات على قدم المساواة. عبّر عن ذلك بقوله: «ليس لديّ سبب لأظنّ أن الحدث سيقع عدداً معيّناً من المرات أكثر من عدد آخر في مجموعة تجارب محدّدة». هذه الفقرة هي أكثر ادّعاءات المقالة إثارة للنقاش الفلسفي، وأكثرها تأثيراً عملياً في الوقت ذاته — إذ تُمثّل أساس الافتراضي المُستخدَم حتى اليوم.

لماذا أحدث فرقاً: من 1763 إلى الذكاء الاصطناعي الحديث

ظلّت مقالة بايز شبه مجهولة حتى أعاد بيير-سيمون لابلاس اكتشاف الفكرة بشكل مستقل ووسّعها بين سبعينيات القرن الثامن عشر وعشرينيات القرن التاسع عشر. لكن الرؤية الجوهرية — الاستدلال العكسي من البيانات إلى الفرضيات — صارت من أعمق الأفكار أثراً في العلوم والهندسة.

1763
نُشرت مقالة بايز بعد وفاته
يقرأ ريتشارد برايس مقالة بايز أمام الجمعية الملكية. أول إطار رسمي للاحتمالية العكسية — الاستدلال من بيانات مرصودة إلى أسباب مجهولة.
1774
لابلاس يُعمِّم المبرهنة
يستنتج لابلاس بشكل مستقل صيغة أعمّ لمبرهنة بايز ويطبّقها على علم الفلك وإحصاءات السكان والاستدلال القانوني.
1812
كتاب لابلاس: النظرية التحليلية للاحتمالات
ينشر لابلاس عمله الأبرز الذي قنّن نظرية الاحتمالات، والأساليب البايزية في صميمه. تهيمن الصياغة «اللابلاسية» لقرن كامل.
1950
إحياء المنهج البايزي في الإحصاء
إحصائيون أمثال هارولد جيفريز وسافيج وليندلي يتبنّون المنهج البايزي في مقابل المدرسة التكرارية المهيمنة، فيُعيدون إشعال جدل تأسيسي في أسس الإحصاء.
1990
الشبكات البايزية ومرشِّحات البريد العشوائي
جوديا بيرل يصوغ الشبكات البايزية رياضياً. مرشِّحات البريد العشوائي تعتمد مصنّف بايز الساذج. الأساليب البايزية تدخل عالم الحوسبة التطبيقية.
2012
التعلم العميق البايزي
الباحثون يطبّقون أفكار بايز على الشبكات العصبية — نمذجة عدم اليقين والتحسين البايزي للمعلمات الفائقة والاستدلال البعدي لأوزان النموذج.
2024
الاستدلال البايزي في النماذج اللغوية الكبيرة
النماذج اللغوية الحديثة تمارس ضمنياً نوعاً من التحديث البايزي — كل رمز جديد في السياق يُنقّح التوزيع التنبؤي للنموذج، بآلية تُذكّر بتراكم الأدلة الذي وصفه بايز.

المرجعBayes, T. and Price, R.. An Essay Towards Solving a Problem in the Doctrine of Chances. Philosophical Transactions of the Royal Society of London, 1763.

مصطلحات هذه الورقة