حجم العينة: لماذا لا يتساوى 8/8 مع 720/800؟

على الرغم من أن صورة النجاح الكامل التي تظهر في سلسلة من ثماني مرات من أصل ثمانٍ تبدو مثالية من الناحية الرقمية، إلا أنها تُعد واحدة من أكثر البُنى تضليلاً في تحليل البيانات. إن حدوث أي حدث ثماني مرات في الماضي وانتهائه بالنتيجة نفسها في جميع المرات يقدم أساساً إحصائياً ضعيفاً بشأن احتمال حدوث الحدث التاسع في المستقبل. فالثقة الإحصائية لا تعتمد فقط على نسبة النجاح، بل ترتبط مباشرة بعدد الملاحظات المستقلة التي تُحقق بناءً عليها تلك النسبة.

على سبيل المثال، لا يُثبت ظهور "الوجه" ثلاث مرات متتالية عند رمي قطعة نقدية أن القطعة غير متكافئة. وبالمثل، فإن السلاسل التي يتم تحقيقها ضمن مجموعة بيانات محدودة تكون بعيدة كل البعد عن عكس إمكانات الأداء الحقيقي للفرق أو الاحتمالات (Odds). ومع زيادة حجم العينة، يقل تأثير الانحرافات العشوائية وتقوى قدرة البيانات على تمثيل المجتمع الإحصائي.

عند فحص البيانات الرياضية، يكون الهدف الأساسي هو استبعاد النتائج العشوائية مع الكشف عن الأنماط المستدامة. وغالباً ما تكون النسبة المئوية العالية في مجموعات البيانات الصغيرة نتاجاً لجميل الحظ أو تقلبات المستوى القطبية على المدى القصير. لهذا السبب، يُعد التركيز على عدد الملاحظات بدلاً من الاقتصار على نسبة النجاح أمراً ضرورياً من الناحية التحليلية في تحليل الاحتمالات.

الضعف الإحصائي للعينات الصغيرة وخطر الانحراف

يشرح المفهوم المعروف في الأدبيات الإحصائية باسم قانون الأعداد الصغيرة الاعتقاد الخاطئ لدى البشر بأن العينات الصغيرة تمثل المجتمع الإحصائي العام تمثيلاً كاملاً. لنفترض أن الفريق A قد تجاوز حاجز 2.5 هدف في آخر 8 مباريات له. قد يكون هذا الوضع نتيجة دائمة لأسلوب لعب الفريق المذكور، كما أنه قد ينجم كلياً عن ظروف جدول المباريات المتصادفة.

في العينات الصغيرة، تُغير قيمة شاذة واحدة النسبة المئوية الإجمالية بدرجة هائلة. فعند حدوث نتيجة مختلفة واحدة في سلسلة من ثماني مباريات، تتراجع نسبة النجاح فجأة إلى مستوى 87.5 بالمائة. في حين أن نتيجة شاذة واحدة في مجموعة بيانات تضم 800 مباراة لا تؤثر تقريباً على المتوسط العام وتحافظ عليه عند مستوى 89.88 بالمائة.

يُظهر هذا المستوى العالي من الحساسية مدى هشاشة الاستنتاجات المصنوعة من مجموعات البيانات الصغيرة. وإذا كان التباين (Variance) في البيانات المستخدمة في عمليات اتخاذ القرار عالياً، فإن هامش الخطأ في التوقعات يتزايد بالنسبة ذاتها. ويجب أن يكون الهدف الأول عند إجراء التحليل هو خفض التباين لرفع مستوى الثقة الإحصائية.

النسبة نفسها بحجم مختلف: فترة الثقة وموثوقية البيانات

قد تعني نسبة النجاح 90 بالمائة تحقيق 9 انتصارات في 10 مباريات، كما قد تعني تحقيق 900 انتصار في 1000 مباراة. وعلى الرغم من أن كلا النسبتين تبدوان متساويتين رياضياً على الورق، إلا أن هناك فجوة شاسعة بينهما من حيث الثقة الإحصائية. ففي المثال الأول يكون الخطأ المعياري عالياً جداً، بينما يقترب الخطأ المعياري في المثال الثاني من الصفر.

في الحسابات الرياضياتية، تتسق فترة الثقة وتتضيق كلما اتسع حجم البيانات. لنفترض أن نطاق الاحتمال الحقيقي لبيانات تسجل 9 نجاحات في 10 مباريات يتأرجح في نطاق واسع بين 55 بالمائة و 99 بالمائة. وعلى العكس من ذلك، يتنحصر نطاق الاحتمال الحقيقي في مجموعة بيانات تسجل 900 نجاح في 1000 مباراة ضمن مساحة ضيقة للغاية بين 88 بالمائة و 92 بالمائة.

عند تقييم المباريات، يُسرّع الرؤية الفورية لفارق الحجم هذا من العملية التحليلية. وبالفعل، عند استخدام Oto Analiz، يكتفي المستخدم باختيار المباراة؛ فيقوم النظام بقياس جميع خيارات الرهان المتاحة للمباراة في البيانات دفعة واحدة ويكتب حجم العينة لكل منها. وبذلك يمكن للمحلل التحديد الفوري لعدد المباريات السابقة التي تستند إليها النسبة المئوية التي يأخذها بعين الاعتبار.

المقاييس الأساسية التي يجب البحث عنها بجانب قراءة النسبة المئوية

إن التركيز فقط على نسبة النجاح عند النظر إلى جدول إحصائي يعني تفويت الجزء الأكبر من الصورة. والمقياس الأكثر أهمية الذي يجب أن يتواجد بجوار النسبة المئوية مباشرة هو قيمة N التي تمثل إجمالي عدد الملاحظات. فأي بيانات نسبية لا يُذكر فيها قيمة N لا تحمل أي معنى من الناحية التحليلية.

أثناء عملية التحليل، وعند تقييم نسبة مئوية ما، يجب البحث عن المكونات الأربعة الأساسية التالية:

• إجمالي عدد الملاحظات (قيمة N)
• النطاق الزمني لجمع البيانات ومدى حداثتها
• الانحراف المعياري والتباين للنسبة بين الفترات
• تجانس مجموعة البيانات وقدرتها التمثيلية

أما المقياس الثاني في الأهمية فهو التوزيع الزمني للبيانات. فكون عينة من 800 مباراة تعود إلى العامين أحدثين أم إلى السنوات العشر الأخيرة يحدد مباشرة مدى حداثة البيانات. والبيانات التي لا تتوزع بشكل متجانس في ما بينها والتي تعرضت لتغيرات هيكلية مع مرور الوقت قد تكون مضللة حتى لو كانت ذات حجم كبير.

بالإضافة إلى ذلك، يجب فحص تباين البيانات وانحرافها المعياري. إذا كانت نسبة نجاح سوق معين تبدو عالية ولكن تقلباتها بين الفترات مرتفعة للغاية، فيمكن الحديث عن عدم استقرار هناك. وفي عملية التحليل، يجب تقييم نسبة النجاح وعدد الملاحظات والنطاق الزمني ومقدار الانحراف معاً.

نهج تحديد العتبة والمعايير في تصفية البيانات

عند إجراء التحليل، يلزم تحديد قيم عتبة معينة لمعرفة أي مجموعات البيانات يُعد موثوقاً. فالمرشحات (الفلاتر) الضيقة للغاية توقع في فخ العينة الصغيرة، في حين أن الفلاتر الواسعة للغاية تتسبب في إدراج بيانات فقدت حداثتها ضمن العملية. ويُعد تحديد عتبة متوازنة مفتاح الدقة التحليلية.

عادةً ما تندرج أعداد الملاحظات الأقل من 30 تحت فئة العينات الصغيرة إحصائياً ويجب التعامل معها بحذر شديد. وتقدم العينات التي تتراوح بين 30 و 100 مستوى متوسطاً من الثقة، بينما تشكل الملاحظات المتجانسة التي تبلغ 100 فما فوق أساساً إحصائياً متيناً. ويجب مراعاة هذا التدرج عند إعداد الفلاتر.

يلخص الجدول التالي الخصائص الإحصائية ونهج التقييم التي تقدمها أحجام العينات المختلفة:

سيناريو خطوة بخطوة: التحليل العلمي للمقارنة بين 8/8 و 720/800

من أجل تجسيد الموضوع، لنفحص خطوة بخطوة سيناريو دوري افتراضي يمتلك مجموعتي بيانات مختلفين. في السيناريو الأول، لنفترض أن جميع المباريات الـ 8 الأخيرة بين الفريق A والفريق B انتهت بفوز صاحب الأرض. أما في السيناريو الثاني، لنفترض أنه تم تحقيق فوز صاحب الأرض في 720 مباراة من أصل 800 مباراة سابقة لُعبت ضمن نطاق احتمالات مماثل.

في السيناريو الأول، تبدو نسبة النجاح كاملة (8/8). ولكن نظراً لأن N=8 هنا، فإن الخطأ المعياري مرتفع للغاية. قد تكون العوامل الدورية مثل البطاقات الحمراء، أو قرارات الحكام، أو الإصابات التي تعرض لها أحد الفريقين في تلك المباريات هي التي أوجدت هذه السلسلة المكونة من 8 مباريات. واحتمال انكسار هذه السلسلة في المباراة التالية مرتفع للغاية من الناحية الإحصائية.

أما في السيناريو الثاني، فتصل نسبة النجاح إلى مستوى 90 بالمائة (720/800). ورغم أنها نسبة أقل ظاهرياً من النجاح الكامل، إلا أنه نظراً لأن N=800، فإن البيانات التي تم الحصول عليها تتمتع بقوة إحصائية هائلة. فخبرة 800 مباراة مختلفة قد استوعبت بالفعل عشرات المتغيرات مثل الأحوال الجوية، والإصابات، وتغييرات المدربين. وبناءً على ذلك، يُعد مؤشر هذه البيانات البالغة 90 بالمائة أكثر موثوقية بأضعاف مضاعفة مقارنة بجدول 8/8.

كيف ينبغي أن يكون منطق الفحص في حالة العينات الصغيرة؟

في بعض الحالات قد لا يكون من الممكن الوصول إلى مجموعات بيانات واسعة. قد تكون الأسابيع الأولى من الدوري لا تزال تُلعَب، أو قد يكون الفريقان يلتقيان لأول مرة في تاريخهما. في مثل هذه الحالات التي يكون فيها حجم البيانات غير كافٍ، يلزم تغيير الأسلوب بدلاً من التخلي التام عن النهج التحليلي.

عند مواجهة عينة صغيرة، بدلاً من إعطاء وزن كبير للاحتمالات الفردية، ينبغي الاستفادة من متوسطات الدوري الأوسع أو بيانات الفرق ذات الملف الشبيه (Profile). بالإضافة إلى ذلك، في النقاط التي تكون فيها البيانات الكمية غير كافية، يجب إدراج العناصر النوعية مثل حالات الإصابة، والتوافق التكتيكي، وظروف الملعب في التحليل.

إلى جانب الفحوصات اليدوية، تساعد المسوحات المنهجية أيضاً في هذه العملية. على سبيل المثال، يختار JARVIS يومياً المباريات وأسواق الرهان الأكثر دعماً بالبيانات التاريخية؛ وتوجد بجوار كل توقع نسبة العينة ونسبة الثقة. وبذلك يمكن بسهولة التمييز بين المباريات ذات البيانات الصغيرة والغير كافية والمباريات التي تقف خلفها أحجام بيانات كافية.

الأخطاء الشائعة في التحليل القائم على العينات

الخطأ الأكثر شيوعاً في تقييم العينات هو قبول سلاسل الأداء (الفورمة) قصيرة المدى كاتجاه (Trend) دائم. إن انتهاء المباريات الـ 4 الأخيرة لفريق ما بنتيجة عالية متتالية لا يعني أن هذا الفريق سيكون لديه متوسط أهداف عالٍ على مدار الموسم ككل. ولا ينبغي الخلط بين السلاسل قصيرة المدى والمتوسطات طويلة المدى عند القراءة الإحصائية.

وهناك خطأ شائع آخر يتمثل في استخدام العينة المتحيزة (Selection Bias). فإن اختيار مجموعة بيانات صغيرة تفي بشرط معين فقط وإصدار حكم بشأن الكل يعيب التحليل. على سبيل المثال، الاستناد فقط إلى 5 مباريات لُعبت في أوقات مشمسة وحساب التوقع العام للأهداف للفريق يقدم استنتاجاً خاطئاً.

يمكننا تلخيص الأخطاء الشائعة على النحو التالي:

• الثقة الزائدة في نسب النجاح الكاملة مثل 8 من 8 في العينات الصغيرة.
• تجاهل الإطار الزمني الذي جُمعت فيه البيانات ومدى حداثتها.
• اتخاذ القرارات بالنظر فقط إلى النسب المئوية دون مراعاة قيمة عدد الملاحظات (N).
• عدم احتساب التأثير المربك للقيم الشاذة على مجموعات البيانات الصغيرة.

حدود تحليل العينات الحالات التي لا يعمل فيها الأسلوب

مهما كان حجم العينة عالياً، فإن للنماذج الإحصائية أيضاً حدوداً معينة. ونظراً لأن عالم الرياضة يتمتع بتركيبة ديناميكية، فإن البيانات القادمة من 1000 مباراة سابقة لا يمكنها التنبؤ الكامل بتغيير جذري يحدث اليوم. وفي الفترات التي تحدث فيها انكسارات هيكلية، تقل قيمة حجم البيانات السابقة.

على سبيل المثال، عندما يتغير المدير الفني لفريق ما أو قائمة اللاعبين أو فلسفة اللعب من رأسها إلى أخمص قدميها، قد تفقد العينة المكونة من 200 مباراة سابقة لهذا الفريق صلاحيتها. وعندما لا تتوافق ديناميكيات الحقبة الجديدة مع مجموعة البيانات القديمة، قد تجر العينة الكبيرة المستخدمَ إلى شعور زائف بالثقة.

بالإضافة إلى ذلك، تضعف القدرة التمثيلية للبيانات السابقة في الحالات الاستثنائية مثل تغيير القواعد، أو تحديثات نظام الدوري، أو قرارات اللعب بدون جمهور. ويكتسب التحليل الإحصائي معناه من خلال دمج البيانات الرقمية مع الظروف الحقيقية التي تتجلى على أرض الملعب. فالإجمالي الرقمي بمفرده لا يكفي لتفسير الطبيعة الديناميكية لكرة القدم.

مقالات ذات صلة

• كيف نقرأ النتائج السابقة التي تبدو دقيقة تماماً؟
• كيف يتم تحليل الرهان الرياضي القائم على البيانات؟ نظام تحليل نموذجي من البداية إلى النهاية