لماذا تتبلور المصادفات الصغيرة المبكرة إلى تفاوتات هائلة؟ نموذج جرة بوليا والعمليات العشوائية المعززة

مقدمة: لماذا تتحول بضع ضربات حظ في البداية إلى فجوات لا رجعة فيها؟

يتم إطلاق مقطعي فيديو أو معيارين تقنيين بجودة متطابقة تقريباً في اللحظة نفسها: وبفضل تقدم عشوائي طفيف في البداية، يتضخم أحدهما عبر التغذية الراجعة الإيجابية ليهيمن على السوق (تأثير متى)، بينما يطوي النسيان الآخر. غير أن قانون الأعداد الكبيرة القوي (SLLN) يعلّمنا العكس: في التجارب المستقلة (i.i.d.) مثل رمي العملة، تتلاشى التقلبات الأولية عندما $n \to \infty$ وتتقارب النسبة حتماً إلى الثابت $p$.

لماذا يتحدى العالم الواقعي قانون الأعداد الكبيرة؟ لأن العديد من العمليات التاريخية هي عمليات عشوائية معززة يؤدي فيها وقوع حدث إلى زيادة احتمال تكراره. في عام 1923، صاغ جورج بوليا وفلوريان إيغنبرغر نموذج جرة بوليا، كاشفين عن مفارقتين رياضيتين:

المفارقة الأولى (القابلية للتبادل): رغم تغير محتوى الجرة بعد كل سحب، فإن $\mathbb{P}(I_n = 1) = \frac{r}{r+b}$ يظل ثابتاً لكل $n$، واحتمال أي متتالية يعتمد فقط على العدد الإجمالي للكرات الحمراء والزرقاء دون اعتبار لترتيبها (Exchangeability).
المفارقة الثانية (نهاية عشوائية): عندما $n \to \infty$، تتقارب نسبة الكرات الحمراء $X_n$ نحو متغير عشوائي $X_\infty \sim \mathrm{Beta}(r, b)$. وعند البدء بـ $r=1, b=1$، تتبع النهاية التوزيع المنتظم $\mathrm{Uniform}(0, 1)$ على $[0, 1]$!

الفصل 1: ثلاثة أكوان للجرار — الاستنزاف، انعدام الذاكرة، وتعزيز بوليا

عند $n = 0$، تحتوي جرة على $R_0 = r$ كرات حمراء و $B_0 = b$ زرقاء ($N_0 = r + b$). في كل خطوة نسحب كرة ونعيدها مع $c$ كرات إضافية من اللون نفسه:

1. بدون إرجاع ($c = -1$): تغذية راجعة سلبية (التوزيع فوق الهندسي).
2. إرجاع بسيط ($c = 0$): عديم الذاكرة i.i.d. ($\mathrm{Binomial}(n, \frac{r}{r+b})$)، $X_n \xrightarrow{\text{a.s.}} \frac{r}{r+b}$.
3. جرة بوليا ($c = +1$): تغذية راجعة إيجابية (إرجاع الكرة مع كرة إضافية من اللون نفسه).

  flowchart TD
    Start["البداية (n = 0): حمراء r، زرقاء b، X₀ = r/(r+b)"]
    Draw["الخطوة n+1: سحب كرة، P(Iₙ₊₁ = 1 | Fₙ) = Xₙ"]
    BranchW["1. بدون إرجاع (c = -1)"]
    BranchB["2. إرجاع بسيط (c = 0)"]
    BranchP["3. جرة بوليا (c = +1)"]
    LimW["تتوقف عند n = r+b على r/(r+b)"]
    LimB["SLLN: Xₙ → r/(r+b) a.s."]
    LimP["دوب: Xₙ → X_∞ ~ Beta(r, b) a.s."]
    Start --> Draw
    Draw --> BranchW --> LimW
    Draw --> BranchB --> LimB
    Draw --> BranchP --> LimP

مع $I_n \in \{0, 1\}$ و $S_n = \sum_{k=1}^n I_k$، لدينا $R_n = r + S_n$ و $N_n = r + b + n$:

$$X_n := \frac{R_n}{N_n} = \frac{r + S_n}{r + b + n}, \qquad \mathbb{P}(I_{n+1} = 1 \mid \mathcal{F}_n) = X_n, \qquad |X_{n+1} - X_n| \le \frac{1}{r + b + n + 1}$$

الخاصية	1. بدون إرجاع ($c = -1$)	2. إرجاع بسيط ($c = 0$)	3. جرة بوليا ($c = +1$)
التغذية الراجعة	سلبية (استنزاف)	معدومة (عديم الذاكرة)	إيجابية (تعزيز ذاتي)
الاعتماد الإحصائي	ارتباط سلبي	مستقل (i.i.d.)	قابل للتبادل لا نهائياً
توزيع $S_n$	$\mathrm{Hypergeom}(N_0, r, n)$	$\mathrm{Binomial}(n, \frac{r}{r+b})$	$\mathrm{BetaBinom}(n, r, b)$
النهاية $X_\infty$	ثابت $\frac{r}{r+b}$	ثابت $\frac{r}{r+b}$ a.s.	متغير $X_\infty \sim \mathrm{Beta}(r, b)$ a.s.

الفصل 2: القابلية للتبادل وتوزيع بيتا-ثنائي الحد

لأي متتالية $(i_1, \dots, i_n) \in \{0, 1\}^n$ تضم $k = \sum_{j=1}^n i_j$ حمراء، يكون حاصل ضرب المقامات $(r+b)^{(n)}$ وحاصل ضرب البسوط إبدالياً $r^{(k)} b^{(n-k)}$:

$$\mathbb{P}(I_1 = i_1, \dots, I_n = i_n) = \frac{r^{(k)} \, b^{(n-k)}}{(r+b)^{(n)}}, \qquad \mathbb{P}(S_n = k) = \binom{n}{k} \frac{\mathrm{B}(r+k, \, b+n-k)}{\mathrm{B}(r, \, b)}$$

وعندما $r = 1, b = 1$ تختصر المضاريب لنحصل على التوزيع المنتظم المنفصل $\mathbb{P}(S_n = k) = \frac{1}{n + 1}$ ($k = 0, 1, \dots, n$).

الفصل 3: مارتينجال دوب ونهاية $\mathrm{Beta}(r,b)$

بما أن $\mathbb{E}[R_{n+1} \mid \mathcal{F}_n] = R_n + X_n = (N_n + 1)X_n$، فإن النسبة $X_n$ تشكل مارتينجالاً محدوداً في $[0, 1]$:

$$\mathbb{E}[X_{n+1} \mid \mathcal{F}_n] = \frac{R_n + \mathbb{E}[I_{n+1} \mid \mathcal{F}_n]}{N_n + 1} = \frac{(N_n + 1) X_n}{N_n + 1} = X_n$$

بموجب مبرهنة تقارب المارتينجال لدوب، فإن $X_n \xrightarrow{\text{a.s.}} X_\infty$. وباستخدام $\frac{\Gamma(z+\alpha)}{\Gamma(z+\beta)} \sim z^{\alpha-\beta}$ عند $k = \lfloor np \rfloor$، نثبت أن $X_\infty$ يتبع توزيع بيتا $\mathrm{Beta}(r, b)$:

$$\boxed{f_{X_\infty}(p) = \frac{\Gamma(r+b)}{\Gamma(r)\Gamma(b)} \, p^{r-1} (1-p)^{b-1} \quad (0 < p < 1), \qquad \mathbb{E}[X_\infty] = \frac{r}{r+b}, \qquad \mathrm{Var}(X_\infty) = \frac{rb}{(r+b)^2(r+b+1)} > 0}$$

الفصل 4: مبرهنة دي فينيتي، التحولات غير الخطية والتطبيقات

مبرهنة التمثيل لدي فينيتي (1931): كل متتالية قابلة للتبادل لا نهائياً هي مزيج من تجارب برنولي المستقلة وفق التوزيع القبلي $\mathrm{Beta}(r,b)$: $$\mathbb{P}(I_1 = i_1, \dots, I_n = i_n) = \int_0^1 p^k (1-p)^{n-k} \, \frac{\Gamma(r+b)}{\Gamma(r)\Gamma(b)} p^{r-1}(1-p)^{b-1} \, dp$$
الجرار غير الخطية ($f(x) = \frac{x^\gamma}{x^\gamma + (1-x)^\gamma}$): تعطي معادلة التقريب العشوائي $X_{n+1} - X_n = \frac{1}{N_n+1}[(f(X_n)-X_n) + \xi_{n+1}]$ ثلاثة أنظمة:

  flowchart TD
    Root["جرة غير خطية: f(x) = x^γ / (x^γ + (1-x)^γ)"]
    Sub["1. دون خطي (0 < γ < 1)"]
    Lin["2. خطي (γ = 1): g(x) ≡ 0"]
    Sup["3. فوق خطي (γ > 1)"]
    ResSub["تعايش: Xₙ → 1/2 a.s."]
    ResLin["اعتماد على المسار: Xₙ → Beta(r, b) a.s."]
    ResSup["احتكار Winner-Take-All: P(X_∞ ∈ {0, 1}) = 1"]
    Root --> Sub --> ResSub
    Root --> Lin --> ResLin
    Root --> Sup --> ResSup

التطبيقات والحدود: يفسر W. Brian Arthur (1989) انغلاق المعايير ($\gamma > 1$، QWERTY، VHS)؛ ويولّد الارتباط التفضيلي (Yule–Simon / Barabási–Albert) قانون القوة $P(k) \sim k^{-(2 + \frac{1}{1-\alpha})}$؛ ويتقارب سحب ألوان بوزن $\theta > 0$ من $H_0$ إلى عملية ديريكليه $\mathrm{DP}(\theta, H_0)$ (CRP)؛ وتثبت تجربة MusicLab (Salganik et al. 2006) الاعتماد على المسار مع أربعة قيود: الجودة $\eta_i$، التشبع، الذاكرة، والشبكة.