اختبار عدالة المولد العشوائي

خطوات الاستخدام

الخطوة 1: جمع الترددات الملاحظة من المولد العشوائي. قم بتشغيل المولد العشوائي لعدد كبير من المرات (مثلاً 1000 مرة) وسجل عدد مرات ظهور كل نتيجة (مثلاً وجوه النرد). هذا هو توزيع الترددات الملاحظة. كلما زاد عدد المحاولات، زادت دقة الاختبار. في الحاسبة، أدخل هذه الترددات كقائمة. يجب أن يكون عدد الفئات (k) معلوماً، مثلاً 6 لوجه النرد.

الخطوة 2: تحديد الترددات المتوقعة للتوزيع العادل. افترض أن المولد العشوائي عادل تماماً، أي أن جميع النتائج متساوية الاحتمال. التردد المتوقع لكل فئة هو إجمالي عدد المحاولات (N) مقسوماً على عدد الفئات (k). مثلاً، إذا كان لديك نرد ذو 6 أوجه ورميته 60 مرة، فالتردد المتوقع لكل وجه هو 10. أدخل هذه القيمة أو اترك الحاسبة تحسبها من إدخالك السابق.

الخطوة 3: حساب إحصائية مربع كاي (χ²). الصيغة هي: χ² = Σ [(Oᵢ - Eᵢ)² / Eᵢ]، حيث Oᵢ هو التردد الملاحظ للفئة i وEᵢ هو التردد المتوقع. احسب الفرق لكل فئة، ثم ربعه، ثم اقسمه على التردد المتوقع، ثم اجمع النتائج لكل الفئات. كلما زادت قيمة χ²، زاد الابتعاد عن التوزيع العادل.

الأسئلة الشائعة

اختبار مربع كاي (Chi-square test) هو اختبار إحصائي يستخدم لتحديد ما إذا كان هناك فرق جوهري بين التوزيع الملاحظ والتوزيع المتوقع. في سياق اختبار عدالة المولد العشوائي، نفترض أن المولد ينتج نتائج موزعة بشكل منتظم (أي أن كل نتيجة محتملة لها نفس الاحتمال). نقوم بجمع ترددات النتائج من عينة من المخرجات، ثم نقارنها بالترددات المتوقعة تحت فرضية العدالة. يحسب الاختبار إحصائية χ² التي تقيس مقدار الاختلاف الكلي بين الترددات الملاحظة والمتوقعة، مرجحاً بالترددات المتوقعة. كلما زادت هذه الإحصائية، زادت الأدلة ضد فرضية العدالة. القيمة الاحتمالية (p-value) تخبرنا باحتمال الحصول على هذه الإحصائية أو أكثر تطرفاً إذا كانت الفرضية صحيحة. إذا كانت p-value صغيرة (أقل من مستوى دلالة محدد مسبقاً مثل 0.05)، نرفض فرضية العدالة ونستنتج أن المولد ليس عادلاً. من المهم ملاحظة أن هذا الاختبار لا يثبت العدالة بل يختبر الانحرافات الكبيرة، وهو يعتمد على حجم العينة؛ فكلما كبرت العينة، زادت القدرة على كشف الانحرافات الصغيرة.

القيمة الاحتمالية (p-value) هي احتمال الحصول على إحصائية مربع كاي أكبر من أو تساوي القيمة المحسوبة، بافتراض أن فرضية العدالة صحيحة (أي أن المولد عادل). بعبارة أخرى، إذا كان المولد عادلاً حقاً، كم مرة سينتج اختبارنا مثل هذه النتيجة المتطرفة أو أكثر تطرفاً بمحض الصدفة؟ إذا كانت p-value صغيرة جداً (أقل من مستوى الدلالة، الذي عادة ما نضعه عند 0.05)، فهذا يعني أن النتيجة غير محتملة الحدوث تحت فرضية العدالة، وبالتالي نرفض الفرضية ونستنتج أن المولد ليس عادلاً. أما إذا كانت p-value كبيرة (مثلاً 0.3)، فهذا يعني أن النتيجة متوقعة تحت فرضية العدالة، ولا نملك دليلاً لرفضها. ومع ذلك، يجب توخي الحذر: p-value لا تخبرنا بحجم الانحراف أو أن المولد عادل تماماً؛ بل تخبرنا فقط بمدى توافق البيانات مع فرضية العدالة. كما أن النتيجة 'غير دالة إحصائياً' لا تعني بالضرورة أن المولد عادل، بل قد يكون حجم العينة صغيراً جداً لكشف الانحرافات. لذلك، يوصى باستخدام عينات كبيرة وتكرار الاختبار.

اختبار مربع كاي له عدة حدود وشروط: أولاً، يجب أن تكون الترددات المتوقعة لكل فئة 5 على الأقل (أو على الأقل 80% من الفئات ≥5 عند بعض المراجع). إذا كانت الترددات المتوقعة صغيرة جداً، فقد يكون الاختبار غير دقيق ويمكن استخدام تصحيح ييتس (Yates' continuity correction) أو دمج الفئات. ثانياً، البيانات يجب أن تكون مستقلة: كل ملاحظة يجب أن تكون مستقلة عن الأخرى، وهو أمر لا يتحقق في بعض أنظمة المولدات العشوائية التي تستخدم حالة داخلية (مثل مولدات الأرقام العشوائية الزائفة). ثالثاً، الاختبار يقيس انحرافاً كلياً عن التوزيع المتوقع ولكن لا يخبرنا بأي فئة تسببت في الانحراف. رابعاً، في حالة التوزيعات المستمرة، يجب تجميع البيانات في فئات (binning) والذي قد يفقد بعض المعلومات. خامساً، عند إجراء عدة اختبارات لنفس المولد، يجب تصحيح مستوى الدلالة (مثل تصحيح بونفيروني) لتجنب النتائج الإيجابية الكاذبة. وأخيراً، اختبار مربع كاي هو اختبار 'عدم توافق' (goodness-of-fit)، وليس اختباراً للعشوائية بمعناها الشامل؛ فهناك جوانب أخرى للعشوائية مثل عدم وجود أنماط متسلسلة، والتي يمكن اختبارها باختبارات أخرى (مثل اختبار التسلسل runs test).

اختبار عدالة المولد العشوائي له تطبيقات واسعة في مجالات متعددة. في الألعاب، يُستخدم للتحقق من أن الآليات العشوائية مثل رمي النرد أو توزيع البطاقات أو تحديد النتائج في ألعاب الفيديو تعمل بشكل عادل، مما يضمن تجربة متوازنة للمستخدمين ويمنع الغش أو التحيز. في المقامرة عبر الإنترنت، تعتمد لجان التنظيم على مثل هذه الاختبارات للتأكد من أن ألعاب الكازينو العشوائية (مثل ماكينات السلوتس) ليست محرفة. في التشفير، تُستخدم مولدات الأرقام العشوائية لتوليد مفاتيح التشفير؛ واختبار عدالتها يضمن قوة الأمان، حيث أن أي تحيز قد يضعف التشفير. في المحاكاة الإحصائية (مثل محاكاة مونت كارلو)، يجب أن تكون الأرقام العشوائية موزعة بانتظام لضمان دقة النتائج. كذلك في علم الأحياء، يُستخدم لاختبار توزيع الشفرات الوراثية، وفي الفيزياء لتحليل الظواهر العشوائية. باختصار، أي تطبيق يعتمد على العشوائية الاصطناعية أو الطبيعية يمكنه الاستفادة من هذا الاختبار للتحقق من صحة الافتراضات.

اختبار عدالة المولد العشوائي

أدخل القيم

خطوات الاستخدام

أمثلة محلولة

أمثلة محسوبة

الأسئلة الشائعة

أدخل القيم

خطوات الاستخدام

1مثال 1: اختبار عدالة نرد. قمت برمي نرد ذي 6 أوجه 60 مرة، وكانت الترددات الملاحظة: [12, 8, 9, 11, 10, 10]. هل النرد عادل عند مستوى دلالة 0.05؟

2مثال 2: اختبار عدالة عملة معدنية. ألقيت عملة 100 مرة، فظهرت الصورة (وجه) 45 مرة والكتابة 55 مرة. هل العملة عادلة عند مستوى 0.05؟

أمثلة محسوبة

الأسئلة الشائعة