الإحصاء القياسيالنماذج الاحتماليةعلم النفس القياسيمنهجية البحث العلمي

التوزيع الهندسي: الاستخدامات، الآلة الحاسبة والصيغة

دليل أكاديمي شامل حول التوزيع الهندسي: تعريفه، خصائصه الرياضية، صيغ الاحتمال، خاصية انعدام الذاكرة، وتطبيقاته في علم النفس والمجالات التطبيقية.

تاريخ النشر

يُعد علم الاحتمالات والإحصاء الرياضي الركيزة الأساسية التي تستند إليها النماذج التفسيرية والتنبؤية في شتى العلوم الطبيعية والإنسانية والتطبيقية. ومن بين التوزيعات الاحتمالية المتقطعة التي تحظى باهتمام بالغ في نظرية الاحتمالات، يبرز التوزيع الهندسي (Geometric Distribution) كنموذج رياضي فريد ومحوري يُعنى بدراسة فترات الانتظار وعدد المحاولات اللازمة لتحقيق نتيجة محددة. يرتكز هذا التوزيع على بنية مفاهيمية أنيقة تنطلق من تجارب بيرنولي المستقلة، ليقدم إجابات كمية دقيقة عن أسئلة ترتبط ارتباطاً وثيقاً بظواهر العالم الحقيقي، مثل: كم محاولة يحتاجها نظام برمجي حتى يواجه أول عطل؟ أو كم فحصاً مخبرياً يجب إجراؤه قبل اكتشاف أول عينة إيجابية؟ أو كم محاولة تدريبية يحتاجها كائن حي لاكتساب سلوك استجابي جديد؟

تتجلى الأهمية الاستثنائية للتوزيع الهندسي في كونه التوزيع الاحتمالي المتقطع الوحيد الذي ينفرد بامتلاك خاصية انعدام الذاكرة (Memoryless Property)، وهي سمة بنيوية تجعله النظير المتقطع للتوزيع الأسي المستمر. تتيح هذه الخاصية نمذجة العمليات العشوائية التي لا تتأثر فيها الاحتمالات المستقبلية بالأحداث السابقة، مما يمنحه قوة تفسيرية فائقة في مجالات متنوعة تمتد من مراقبة الجودة وضمان الموثوقية الهندسية، مروراً بعلم الأوبئة والتشخيص الطبي، وصولاً إلى القياس النفسي، والعلوم السلوكية، والاقتصاد المالي، ونماذج التعلم الإدراكي.

يهدف هذا المقال المرجعي الشامل إلى تقديم دراسة موسعة وتفصيلية للتوزيع الهندسي، تبدأ من منطلقاته النظرية وافتراضاته التأسيسية، وتمر عبر اشتقاق صيغه الرياضية ودواله التراكمية والعزومية، وتفحص خصائصه الإحصائية وخوارزميات حسابه برمجياً ويدوياً، وتستعرض تطبيقاته الميدانية عبر مختلف فروع المعرفة، مدعومة بتمارين محلولة ونماذج للتقدير الإحصائي واختبار الفرضيات، لتزويد الباحثين والممارسين بمرجع أكاديمي متكامل ودقيق.

جدول المحتويات

1. مقدمة تأسيسية: مفهوم التوزيع الهندسي وأهميته الإحصائية

1.1 التعريف النظري للتوزيع الهندسي كدالة كتلة احتمالية

يُعرَّف التوزيع الهندسي في نظرية الاحتمالات بأنه توزيع احتمالي متقطع يصف السلوك العشوائي لعدد المحاولات المتتالية والمستقلة المطلوبة للحصول على أول “نجاح” في تجربة ثنائية المخرجات. يُقصد بالمتغير العشوائي المتقطع هنا ذلك المتغير الذي يتخذ قيماً عددية منفصلة تنتمي إلى مجموعة الأعداد الصحيحة، حيث يمثل كل رقم في فضاء العينة حدثاً واقعياً يقيس مدى استمرار التجربة قبل بلوغ النتيجة المستهدفة.

تؤدي دالة الكتلة الاحتمالية (Probability Mass Function – PMF) الدور الجوهري في ربط كل قيمة ممكنة للمتغير العشوائي باحتمال حدوثها الدقيق. على النقيض من المتغيرات المستمرة التي تُوصف بدوال الكثافة الاحتمالية، تحدد دالة الكتلة للتوزيع الهندسي كتلة احتمالية نقطية موجبة لكل محاولة، بحيث تعكس هذه الكتلة التناقص التدريجي للاحتمال كلما زاد عدد المحاولات المطلوبة لتحقيق أول نجاح. هذا التناقص يتبع في جوهره متتالية هندسية تنازلية، وهو ما منح هذا التوزيع اسمه الشهير في الأدبيات الرياضية.

يرتبط التوزيع الهندسي بنيوياً بمفهوم التجارب المتكررة المستقلة، حيث تُجرى التجربة ذاتها مراراً وتكراراً تحت الشروط نفسها تماماً. إذا اعتبرنا المتغير العشوائي $X$ معبراً عن رقم المحاولة التي يظهر فيها النجاح الأول، فإن فضاء العينة يكون غير منتهٍ وقابلاً للعد، مما يجعل هذا التوزيع أداة مثالية لنمذجة فترات الانتظار المتقطعة وحساب المخاطر في العمليات المتسلسلة زمنياً دون فرض حد أقصى مصطنع لعدد المحاولات.

1.2 شروط وافتراضات تجربة بيرنولي المرتبطة بالتوزيع الهندسي

يقوم التوزيع الهندسي على ركائز تجربة بيرنولي الكلاسيكية، وتستلزم صياغته الرياضية الصارمة تحقق أربعة شروط رئيسية لا غنى عنها. الشرط الأول يتمثل في استقلالية المحاولات (Independence of Trials)، مما يعني أن نتيجة أي محاولة حالية أو مستقبلية لا تتأثر مطلقاً بنتائج المحاولات السابقة، ولا تؤثر بدورها في المحاولات اللاحقة. إن وقوع سلسلة من الإخفاقات المتتالية لا يزيد ولا ينقص من احتمال نجاح المحاولة التالية في إطار التجربة النقية.

الشرط الثاني هو ثبات احتمالية النجاح (Constant Probability of Success)، ويُرمز له بالرمز $p$، حيث يظل هذا الاحتمال ثابتاً لا يتغير من محاولة إلى أخرى عبر كامل مسار التجربة. وبناءً على مبدأ الاحتمال المكمل، فإن احتمالية الفشل تكون ثابتة أيضاً وتُعرّف بالصيغة$q = 1 – p$. يضمن هذا الثبات استقرار المنظومة الاحتمالية وعدم خضوعها لعوامل التآكل أو التكيف أو التعلم، مما يتيح تطبيق القوانين الجبرية للمتسلسلات الهندسية بدقة تامة.

الشرط الثالث يكمن في ثنائية المخرجات (Dichotomous Outcomes)، إذ يجب تصنيف نتائج كل محاولة في إحدى فئتين مانعتين ومتبادلتين حصراً: “نجاح” (Success) أو “فشل” (Failure). والشرط الرابع هو الاستمرار النظري اللانهائي؛ حيث تستمر المحاولات متتالية بالوتيرة نفسها حتى يتحقق النجاح الأول، دون وجود قيد يحدد سقفاً أعلى لعدد المحاولات المسموح بها، مما يتيح للمتغير العشوائي نظرياً أن يمتد إلى اللانهاية الإيجابية، وإن كانت الاحتمالات تتلاشى تدريجياً لتقترب من الصفر عند القيم الكبيرة جداً.

1.3 الصياغتان الشائعتان للمتغير العشوائي في التوزيع الهندسي

في الأدبيات الإحصائية والبرمجية المعاصرة، يُصاغ المتغير العشوائي للتوزيع الهندسي وفق منهجين رئيسيين يختلفان في نقطة البداية ونطاق المتغير، وهو ما يستدعي انتباهاً دقيقاً من الباحثين لتفادي الخلط المفاهيمي والحسابي. الصياغة الأولى، وهي الأكثر شيوعاً في المراجع الأكاديمية النظرية، تُعرّف المتغير العشوائي $X$ بأنه إجمالي عدد المحاولات المطلوبة لتحقيق أول نجاح، بما في ذلك محاولة النجاح ذاتها. في هذه الحالة، ينتمي نطاق المتغير العشوائي إلى مجموعة الأعداد الصحيحة الموجبة: $X in {1, 2, 3, 4, dots}$.

أما الصياغة الثانية، المعتمدة على نطاق واسع في لغات البرمجة وحزم البرمجيات الإحصائية مثل R Project، فتُعرّف المتغير العشوائي $Y$ بأنه عدد الإخفاقات التي تسبق ظهور أول نجاح. في هذه الصياغة، يمكن للمتغير أن يأخذ القيمة صفر إذا تحقق النجاح من المحاولة الأولى مباشرة، وبالتالي يكون نطاقه: $Y in {0, 1, 2, 3, dots}$. ترتبط الصياغتان بعلاقة خطية مباشرة وبسيطة هي: $Y = X – 1$.

يترتب على هذا التمايز اختلاف طفيف في كتابة دالة الكتلة الاحتمالية وصيغ المتوسط الحسابي؛ فبينما يكون متوسط عدد المحاولات حتى أول نجاح هو $\frac{1}{p}$، فإن متوسط عدد الإخفاقات السابقة للنجاح هو $\frac{1-p}{p}$. يعتمد اختيار الصيغة الأنسب على طبيعة السؤال البحثي؛ فإذا كان التركيز منصباً على استهلاك الموارد الإجمالي والوقت الكلي، تُفضّل الصيغة الأولى ($X$)، بينما إذا كان التركيز منصباً على حجم الخسائر وحساب معدلات الخطأ السابقة للإنجاز، تكون الصيغة الثانية ($Y$) هي الأكثر ملاءمة وتطابقاً مع المنطق التحليلي.

2. الصيغة الرياضية للتوزيع الهندسي واشتقاقاتها

2.1 صيغة دالة الكتلة الاحتمالية (PMF)

تُشتق الصيغة الجبرية لدالة الكتلة الاحتمالية للتوزيع الهندسي مباشرة من المبادئ الأولية لحساب الاحتمالات في الأحداث المستقلة. وفقاً للصيغة الأولى، حيث يمثل $X$ عدد المحاولات حتى أول نجاح، تُكتب الدالة على النحو التالي:

$$P(X = k) = (1 – p)^{k – 1} \cdot p = q^{k – 1} \cdot p \quad \text{for } k = 1, 2, 3, dots$$

أما وفقاً للصيغة الثانية، حيث يمثل $Y$ عدد الإخفاقات السابقة للنجاح الأول، فتتخذ الدالة الصورة التالية:

$$P(Y = k) = (1 – p)^k \cdot p = q^k \cdot p \quad \text{for } k = 0, 1, 2, dots$$

يقدم التحليل الجبري لهذه الصيغة تفسيراً واضحاً لمسار التجربة؛ فالحدث ${X = k}$ يعني بالضرورة وقوع تسلسل محدد يتكون من $(k – 1)$ من الإخفاقات المتتالية متبوعة بنجاح واحد حاسم في المحاولة رقم $k$. ونظراً لفرضية الاستقلال التام، فإن احتمال وقوع هذا التسلسل المحدد يساوي حاصل ضرب احتمالات أحداثه الفردية، أي ضرب احتمال الفشل$(1-p)$ في نفسه $(k-1)$ مرة، ثم ضرب الناتج في احتمال النجاح $p$.

يُشترط في هذه المعادلة أن تقع قيمة المعلمة $p$ ضمن النطاق المفتوح أو نصف المغلق حسب طبيعة المسألة، عملياً $0 < p le 1$. إذا كانت$p = 1$، فإن النجاح يتحقق حتماً في المحاولة الأولى ($P(X=1) = 1$) ويكون التوزيع نقطياً متدهوراً. وإذا اقتربت$p$ من الصفر، يمتد ذيل التوزيع نحو اللانهاية بسرعة بطيئة جداً، معبراً عن صعوبة بالغة في تحقيق النجاح المنتظر.

2.2 الاشتقاق الرياضي لصيغة التوزيع الهندسي

لإثبات الرصانة الرياضية للتوزيع الهندسي، يجب البرهان بدقة على أن دالة الكتلة الاحتمالية تمثل توزيعاً احتمالياً سليماً وكاملاً، وهو ما يستلزم تحقيق شرطين أساسيين: أولاً، أن تكون جميع الاحتمالات غير سالبة ($P(X = k) ge 0$ لكل $k$)، وهو متحقق بداهة لأن$p in (0, 1]$ و $(1-p) ge 0$. وثانياً، أن يكون مجموع الاحتمالات عبر كامل فضاء العينة مساوياً للواحد الصحيح تماماً:

$$\sum_{k=1}^{\infty} P(X = k) = \sum_{k=1}^{\infty} (1 – p)^{k – 1} p = p \sum_{k=1}^{\infty} (1 – p)^{k – 1}$$

بتغيير دليل المجموع وفرض $j = k – 1$، يتحول المجموع إلى متسلسلة هندسية لانهائية حدها الأول يساوي $1$ وأساسها هو $q = (1 – p)$:

$$\sum_{j=0}^{\infty} (1 – p)^j = 1 + (1-p) + (1-p)^2 + (1-p)^3 + dots$$

بما أن $0 < p le 1$، فإن أساس المتسلسلة يحقق شرط التقارب الصارم$|1 – p| < 1$. وباستخدام قانون مجموع المتسلسلة الهندسية اللانهائية التقاربية$S = frac{a}{1 – r}$، حيث$a = 1$ و $r = 1 – p$، نجد أن:

$$\sum_{j=0}^{\infty} (1 – p)^j = \frac{1}{1 – (1 – p)} = \frac{1}{p}$$

بالتعويض عن هذا المجموع في معادلة الاحتمال الكلي الأصلية، نحصل على النتيجة الحاسمة:

$$\sum_{k=1}^{\infty} P(X = k) = p \cdot \left(\frac{1}{p}\right) = 1$$

يبرهن هذا الاشتقاق بصورة قاطعة أن دالة الكتلة الاحتمالية تستوفي كامل الشروط المنهجية لتوزيع احتمالي منضبط رياضياً، حيث تتوزع وحدة الاحتمال الكلية عبر المحاولات اللانهائية دون أي فائض أو نقصان احتمالي.

2.3 دالة التوزيع التراكمي (CDF) للتوزيع الهندسي

تُعرّف دالة التوزيع التراكمي (Cumulative Distribution Function – CDF)، والتي يُرمز لها بالرمز $F(k)$ أو $P(X le k)$، بأنها الاحتمال الإجمالي لتحقق أول نجاح في المحاولة رقم $k$ أو في أي محاولة تسبقها. لحساب هذه الدالة، نقوم بجمع الاحتمالات النقطية من المحاولة الأولى حتى المحاولة $k$:

$$P(X le k) = \sum_{i=1}^{k} P(X = i) = \sum_{i=1}^{k} p(1 – p)^{i – 1}$$

باستخدام صيغة مجموع المتسلسلة الهندسية المنتهية المكونة من $k$ حدود، والتي حدها الأول $a = p$ وأساسها $r = 1 – p$، يكون المجموع:

$$P(X le k) = p \cdot \frac{1 – (1 – p)^k}{1 – (1 – p)} = p \cdot \frac{1 – (1 – p)^k}{p} = 1 – (1 – p)^k$$

ينبثق عن هذه الدالة مفهوم تكميلي بالغ الأهمية هو دالة البقاء (Survival Function) أو احتمال الذيل العلوي، والتي تمثل احتمال الحاجة إلى أكثر من $k$ محاولة للوصول إلى النجاح الأول. وتُصاغ رياضياً على النحو التالي:

$$P(X > k) = 1 – P(X le k) = 1 – [1 – (1 – p)^k] = (1 – p)^k$$

تكتسب هذه الصيغة التراكمية دلالة منطقية عميقة؛ فالقول بأن أول نجاح يتطلب أكثر من $k$ محاولة يكافئ منطقياً القول بأن المحاولات الـ $k$ الأولى جميعها باءت بالفشل التام، واحتمال فشل $k$ محاولات متتالية ومستقلة هو ببساطة $(1 – p)^k$. بالإضافة إلى ذلك، تتيح دالة التوزيع التراكمي حساب احتمال وقوع أول نجاح ضمن فترة محددة بين المحاولة $a$ والمحاولة $b$ (حيث $a le b$) عبر المعادلة:

$$P(a le X le b) = P(X le b) – P(X le a – 1) = (1 – p)^{a – 1} – (1 – p)^b$$

3. الخصائص والمعالم الإحصائية المركزية للتوزيع الهندسي

3.1 القيمة المتوقعة (المتوسط الحسابي) واشتقاقها

تُعد القيمة المتوقعة (Expected Value) أو المتوسط الحسابي $\mu = E(X)$ المقياس المركزي الذي يحدد المعدل النظري لعدد المحاولات اللازمة لتحقيق النجاح الأول عند تكرار التجربة عدداً هائلاً من المرات. بالنسبة للصيغة المعتمدة على إجمالي المحاولات $X in {1, 2, 3, dots}$، يُعرّف التوقع رياضياً بالصيغة:

$$E(X) = \sum_{k=1}^{\infty} k \cdot P(X = k) = \sum_{k=1}^{\infty} k \cdot p(1 – p)^{k – 1}$$

لاشتـقاق هذه القيمة، نستفيد من تقنية التفاضل للمتسلسلات الهندسية اللانهائية بالنسبة للأساس. نعلم أن:

$$\sum_{k=0}^{\infty} q^k = \frac{1}{1 – q} \quad \text{حيث } q = 1 – p$$

بإجراء التفاضل لكلا الطرفين بالنسبة للمتغير $q$:

$$\frac{d}{dq}\left(\sum_{k=0}^{\infty} q^k\right) = \sum_{k=1}^{\infty} k q^{k – 1} = \frac{d}{dq}\left(\frac{1}{1 – q}\right) = \frac{1}{(1 – q)^2}$$

بالتعويض عن $q = 1 – p$، يصبح لدينا $\sum_{k=1}^{\infty} k (1 – p)^{k – 1} = \frac{1}{p^2}$. وبضرب الناتج في الثابت $p$ الموجود في تعريف التوقع، نصل إلى النتيجة الأساسية:

$$E(X) = p \cdot \frac{1}{p^2} = \frac{1}{p}$$

أما بالنسبة للصيغة الثانية للمتغير العشوائي $Y$ (عدد الإخفاقات)، فإن القيمة المتوقعة تُحسب مباشرة باستخدام خاصية الخطية للتوقع:

$$E(Y) = E(X – 1) = E(X) – 1 = \frac{1}{p} – 1 = \frac{1 – p}{p}$$

يحمل هذا القانون دلالة حدسية بالغة الوضوح؛ فإذا كان احتمال نجاح حدث ما في كل محاولة هو $p = 0.20$ (أي 20%)، فإننا نتوقع بالمتوسط أن نحتاج إلى $\frac{1}{0.20} = 5$ محاولات لرؤية أول نجاح، وهو ما يطابق المنطق التجريبي السليم.

3.2 التباين والانحراف المعياري للتوزيع الهندسي

يقيس التباين (Variance)، الذي يُرمز له بالرمز $\text{Var}(X)$ أو $\sigma^2$، مدى تشتت وتباعد قيم عدد المحاولات الفردية حول متوسطها الحسابي المتوقع. يُحسب التباين نظرياً عبر العلاقة بين العزم الثاني والعزم الأول:

$$\text{Var}(X) = E(X^2) – [E(X)]^2 = E[X(X – 1)] + E(X) – [E(X)]^2$$

لحساب العزم العاملي الثاني $E[X(X – 1)]$، نطبق تقنية التفاضل من الدرجة الثانية على المتسلسلة الهندسية:

$$E[X(X – 1)] = \sum_{k=1}^{\infty} k(k – 1) p (1 – p)^{k – 1} = p (1 – p) \sum_{k=2}^{\infty} k(k – 1) (1 – p)^{k – 2}$$

بتفاضل المتسلسلة $\frac{1}{1-q}$ مرتين بالنسبة لـ $q$، نجد أن مشتقتها الثانية هي$frac{2}{(1-q)^3} = frac{2}{p^3}$. وعليه فإن:

$$E[X(X – 1)] = p (1 – p) \cdot \frac{2}{p^3} = \frac{2(1 – p)}{p^2}$$

بالتعويض في صيغة التباين الأساسية:

$$\text{Var}(X) = \frac{2(1 – p)}{p^2} + \frac{1}{p} – \frac{1}{p^2} = \frac{2 – 2p + p – 1}{p^2} = \frac{1 – p}{p^2}$$

وحيث إن إضافة أو طرح ثابت من المتغير العشوائي لا يغير تباينه، فإن $\text{Var}(Y) = \text{Var}(X – 1) = \text{Var}(X) = \frac{1 – p}{p^2}$. ويُستخرج الانحراف المعياري (Standard Deviation) بأخذ الجذر التربيعي الموجب للتباين:

$$\sigma = \text{SD}(X) = \frac{\sqrt{1 – p}}{p}$$

يكشف هذا القانون الرياضي عن حساسية التشتت لقيمة $p$؛ فعندما يكون احتمال النجاح صغيراً جداً ($p to 0$)، فإن التباين يتضخم بشكل هائل بمعدل يقارب$frac{1}{p^2}$، مما يشير إلى عدم استقرار كبير في عدد المحاولات المطلوبة وظهور تباينات عريضة بين التجارب المختلفة.

3.3 الدوال المولدة للعزوم والاحتمالات

تُعد الدوال التوليدية من أقوى الأدوات الرياضية في التحليل الاحتمالي، حيث تختزل جميع عزوم التوزيع في صيغة دالية تحليلية واحدة. تُعرّف دالة التوليد العزومي (Moment Generating Function – MGF) للمتغير العشوائي $X$ بالصيغة الرياضية التالية:

$$M_X(t) = E(e^{tX}) = \sum_{k=1}^{\infty} e^{tk} \cdot p(1 – p)^{k – 1} = p e^t \sum_{k=1}^{\infty} [(1 – p)e^t]^{k – 1}$$

هذه متسلسلة هندسية متقاربة بشرط أن يكون الأساس أقل من الواحد الصحيح، أي عندما يكون $(1 – p)e^t < 1$، وهو ما يكافئ الشرط $t < -ln(1 – p)$. وبتطبيق قانون المجموع، نحصل على الدالة المولدة للعزوم المغلقة:

$$M_X(t) = \frac{p e^t}{1 – (1 – p) e^t}$$

وبالمثل، تُعرّف دالة توليد الاحتمالات (Probability Generating Function – PGF) بوضع $s = e^t$، لتتخذ الشكل الآتي:

$$G_X(s) = E(s^X) = \frac{p s}{1 – (1 – p) s} \quad \text{for } |s| < \frac{1}{1 – p}$$

تتيح مشتقات هذه الدوال حساب العزوم المركزية العليا للتوزيع الهندسي. ومن أهم هذه المقاييس معامل الالتواء (Skewness)، الذي يُقاس بالعزم المعياري الثالث ويوضح مدى انحراف المنحنى الاحتمالي عن التماثل:

$$\gamma_1 = \frac{2 – p}{\sqrt{1 – p}} > 0$$

تكون قيمة الالتواء موجبة دائماً لجميع قيم $p in (0, 1)$، وتكون قيمتها على الأقل 2 (عندما تقترب $p$ من 0). يثبت ذلك أن منحنى التوزيع الهندسي يمتلك دوماً ذيلاً أيمن ممتداً وطويلاً يتركز فيه الاحتمال الأكبر عند المحاولات الأولى مع انخفاض تدريجي بطيء نحو اليمين. كما يُعطى معامل التفرطح (Kurtosis) الإجمالي بالمعادلة:

$$\beta_2 = 3 + \frac{p^2 + 6(1 – p)}{1 – p} = 9 + \frac{p^2}{1 – p}$$

يشير التفرطح الزائد (Kurtosis Excess) الإيجابي دائماً إلى أن التوزيع ذو قمة حادة وأطراف ثقيلة (Leptokurtic) مقارنة بالتوزيع الطبيعي المعياري.

4. خاصية انعدام الذاكرة (Memoryless Property) ودراستها المعمقة

4.1 التعريف النظري والرياضي لخاصية انعدام الذاكرة

تُمثل خاصية انعدام الذاكرة (Memoryless Property) العلامة الفارقة والأكثر شهرة في البنية الرياضية للتوزيع الهندسي. تنص هذه الخاصية على أن احتمال تحقق النجاح الأول بعد عدد إضافي معين من المحاولات، بشرط أن النجاح لم يتحقق بالفعل خلال عدد محدد من المحاولات السابقة، يعادل تماماً الاحتمال غير الشرطي لبدء التجربة من نقطة الصفر والانتظار لنفس ذلك العدد الإضافي من المحاولات دون أي اعتبار للتاريخ المنصرم.

يُعبَّر عن هذه الخاصية رياضياً بالاحتمال الشرطي الآتي، لأي عددين صحيحين موجبين $s$ و $t$:

$$P(X > s + t mid X > s) = P(X > t)$$

تكمن الأهمية الاستثنائية لهذه النتيجة في حقيقة رياضية مثبتة مفادها أن التوزيع الهندسي هو التوزيع الاحتمالي المتقطع الوحيد على الإطلاق الذي يحقق هذه الخاصية. في المقابل، ينفرد التوزيع الأسي (Exponential Distribution) بكونه التوزيع الاحتمالي المستمر الوحيد الذي يمتلك هذه الخاصية ذاتها في النطاق المستمر، مما يجعل التوزيعين نظيرين متطابقين في الجوهر ومختلفين فقط في طبيعة فضاء العينة المتقطع مقابل المتصل.

من المنظور الإحصائي، تعني هذه الخاصية أن النظام العشوائي الذي يخضع للتوزيع الهندسي “لا يشيخ” ولا “يتعلم”؛ فالفشل في المحاولات السابقة لا يُقرب الباحث أو الآلة من النجاح في المحاولة القادمة، كما أنه لا يقلل من فرص النجاح، بل تظل احتمالية المستقبل مستقلة كلياً عن العبء التراكمي للماضي.

4.2 البرهان الرياضي لخاصية انعدام الذاكرة في التوزيع الهندسي

يمكن تقديم برهان رياضي مباشر ودقيق لخاصية انعدام الذاكرة باستخدام التعريف الرياضي للاحتمال الشرطي وصيغة دالة البقاء للتوزيع الهندسي المشتقة سابقاً. يُعرّف الاحتمال الشرطي للحدث $A$ بشرط وقوع الحدث $B$ بالمعادلة:

$$P(A mid B) = \frac{P(A \cap B)}{P(B)}$$

بفرض أن الحدث $A$ هو ${X > s + t}$ والحدث $B$ هو ${X > s}$، نلاحظ أن الحدث $A$ هو مجموعة جزئية تماماً من الحدث $B$، لأن وقوع$X > s + t$ يقتضي بالضرورة المنطقية أن $X > s$ (حيث إن $t > 0$). بالتالي، يكون تقاطع الحدثين مساوياً للحدث الأصغر:

$$A \cap B = {X > s + t} \cap {X > s} = {X > s + t}$$

بالتعويض في قانون الاحتمال الشرطي:

$$P(X > s + t mid X > s) = \frac{P(X > s + t)}{P(X > s)}$$

باستخدام دالة البقاء للتوزيع الهندسي $P(X > k) = (1 – p)^k$ للقيمتين $k = s + t$ و $k = s$:

$$P(X > s + t) = (1 – p)^{s + t}$$

$$P(X > s) = (1 – p)^s$$

بقسمة المقدارين واستخدام قوانين الأسس الجبرية:

$$P(X > s + t mid X > s) = \frac{(1 – p)^{s + t}}{(1 – p)^s} = \frac{(1 – p)^s \cdot (1 – p)^t}{(1 – p)^s} = (1 – p)^t$$

وحيث إن الطرف الأيمن $(1 – p)^t$ يمثل بدقة دالة البقاء $P(X > t)$، يكتمل البرهان الرياضي الصارم:

$$P(X > s + t mid X > s) = P(X > t)$$

يؤكد هذا الاختزال الجبري المباشر اختفاء المتغير $s$ بالكامل من المعادلة النهائية، مبيناً أن استهلاك $s$ من المحاولات الفاشلة لم يترك أي أثر على الاحتمالات المستقبلية المتبقية.

4.3 الانعكاسات السلوكية والمنهجية لخاصية انعدام الذاكرة

يترتب على خاصية انعدام الذاكرة آثار عميقة على مستوى التفسير السلوكي وتصميم النماذج المنهجية، لاسيما في كشف الأخطاء المعرفية الشائعة. ترتبط هذه الخاصية ارتباطاً وثيقاً بدحض ما يُعرف في علم النفس المعرفي بـ “مغالطة المقامر” (Gambler’s Fallacy)، وهي الانحياز الإدراكي الذي يقود الفرد إلى الاعتقاد الخاطئ بأن تكرار الفشل في المحاولات السابقة يجعل حدوث النجاح “وشيكاً” أو أكثر احتمالاً في المحاولة القادمة لإعادة التوازن للكون الاحتمالي.

في العمليات التي تتبع التوزيع الهندسي الحقيقي (مثل رمي حجر نرد نزيه أو إدارة عجلة روليت)، يظل احتمال النجاح في المحاولة المائة مساوياً تماماً لاحتمال النجاح في المحاولة الأولى، بصرف النظر عن سلسلة الخسائر المتراكمة. إن إنكار خاصية انعدام الذاكرة يقود الأفراد والمؤسسات إلى قرارات استثمارية أو سلوكية مضللة ومبنية على أوهام الحتمية التعويضية.

من الناحية المنهجية، تفرض خاصية انعدام الذاكرة قيوداً صارمة على تطبيق التوزيع الهندسي؛ فلا يجوز للباحث استخدام هذا التوزيع لنمذجة ظواهر حيوية أو فيزيائية تخضع لعوامل التآكل، أو الإجهاد الميكانيكي، أو اكتساب المهارات والتعلم التراكمي. في مثل هذه الأنظمة الحية، تتغير احتمالية النجاح أو الفشل بمرور الوقت مع تراكم الخبرة أو تدهور العتاد، مما يؤدي إلى انهيار فرضية انعدام الذاكرة ويستوجب الانتقال إلى نماذج إحصائية بديلة.

5. المقارنات الإحصائية: التوزيع الهندسي والتوزيعات الاحتمالية المقاربة

5.1 التوزيع الهندسي مقابل توزيع ثنائي الحدين (Binomial Distribution)

يشترك التوزيع الهندسي وتوزيع ثنائي الحدين (Binomial Distribution) في انطلاقهما من التجربة الاحتمالية التأسيسية ذاتها، وهي تجارب بيرنولي المستقلة ذات الاحتمال الثابت $p$. ومع ذلك، يفترق النموذجان جذرياً في تعريف المتغير العشوائي ومحددات التجربة، مما يجعلهما موجهين للإجابة عن أسئلة بحثية مختلفة تماماً.

في توزيع ثنائي الحدين، يكون عدد المحاولات الإجمالي $n$ ثابتاً ومحدداً مسبقاً قبل بدء التجربة، بينما يكون المتغير العشوائي هو عدد النجاحات المحققة $k$ ضمن هذه المحاولات الـ $n$ المحددة، حيث $k in {0, 1, 2, dots, n}$. في المقابل، يعكس التوزيع الهندسي هذه المنظومة بالكامل؛ حيث يكون عدد النجاحات ثابتاً ومحدداً بواحد فقط ($r = 1$)، بينما يكون عدد المحاولات $X$ عشوائياً وغير مقيد بسقف مسبق.

وجه المقارنة التوزيع الهندسي (Geometric) توزيع ثنائي الحدين (Binomial)
طبيعة المتغير العشوائي عدد المحاولات $X$ حتى أول نجاح عدد النجاحات $K$ في $n$ محاولة
عدد المحاولات عشوائي وغير محدود ($X ge 1$) ثابت ومحدد مسبقاً ($n$)
عدد النجاحات المستهدفة ثابت ويساوي دائماً 1 عشوائي يتراوح بين $0$ و $n$
المعالم الأساسية معلمة واحدة فقط: $p$ معلمتان: $n$ و $p$
القيمة المتوقعة $E(X) = \frac{1}{p}$ $E(K) = n \cdot p$
التباين $\text{Var}(X) = \frac{1-p}{p^2}$ $\text{Var}(K) = n \cdot p \cdot (1-p)$

تتجلى الرابطة الاحتمالية بين التوزيعين في إمكانية صياغة دالة البقاء للتوزيع الهندسي بدلالة ثنائي الحدين: فالحدث ${X > k}$ في التوزيع الهندسي يعادل تماماً حدوث صفر من النجاحات في توزيع ثنائي الحدين بعدد محاولات يساوي $k$، أي$P(X > k) = P(K = 0 mid n = k) = (1 – p)^k$.

5.2 التوزيع الهندسي كحالة خاصة من توزيع ثنائي الحدين السالب (Negative Binomial)

يمثل التوزيع الهندسي حالة خاصة وأبسط تمثيل رياضي لـ توزيع ثنائي الحدين السالب (Negative Binomial Distribution). يُعرّف توزيع ثنائي الحدين السالب بأنه النموذج الاحتمالي الذي يقيس عدد المحاولات $X$ (أو عدد الإخفاقات $Y$) اللازمة للوصول إلى عدد مستهدف محدد من النجاحات مقداره$r$ من النجاحات (حيث $r in {1, 2, 3, dots}$).

تُعطى دالة الكتلة الاحتمالية لتوزيع ثنائي الحدين السالب لعدد المحاولات $X$ بالصيغة العامة التالية:

$$P(X = k) = \binom{k – 1}{r – 1} p^r (1 – p)^{k – r} \quad \text{for } k = r, r+1, r+2, dots$$

عندما نضع المعلمة $r = 1$ (أي انتظار النجاح الأول فقط)، نلاحظ الاختزال الرياضي المباشر للتوافيق والمعاملات:

$$\binom{k – 1}{1 – 1} = \binom{k – 1}{0} = 1$$

وبالتعويض المباشر، تتحول الصيغة فوراً إلى دالة التوزيع الهندسي الكلاسيكية:

$$P(X = k) = 1 \cdot p^1 (1 – p)^{k – 1} = p(1 – p)^{k – 1}$$

يمتد هذا التطابق إلى جميع المقاييس الإحصائية؛ فمتوسط ثنائي الحدين السالب هو $E(X) = \frac{r}{p}$، وعند $r = 1$ يصبح $\frac{1}{p}$. وتباينه هو $\text{Var}(X) = \frac{r(1-p)}{p^2}$، والذي يؤول عند $r = 1$ إلى $\frac{1-p}{p^2}$. من هذا المنطلق، يمكن النظر إلى المتغير العشوائي لثنائي الحدين السالب كحاصل جمع $r$ من المتغيرات العشوائية الهندسية المستقلة المتطابقة التوزيع ($X = \sum_{i=1}^r X_i$).

5.3 التوزيع الهندسي مقابل التوزيع الأسي وتوزيع بواسون

تربط التوزيع الهندسي علاقات بنيوية وثيقة مع التوزيعين الأسي وبواسون في نظرية العمليات العشوائية ومسائل طوابير الانتظار (Queueing Theory). يُعتبر التوزيع الأسي الامتداد المتصل المباشر للتوزيع الهندسي؛ فكلاهما يمثل دالة البقاء ذات التناقص الأسي، وكلاهما ينفرد بخاصية انعدام الذاكرة في فضاء عينته.

عندما نقوم بتقسيم الزمن المستمر إلى فترات زمنية دقيقة ومتناهية في الصغر ذات طول $\Delta t to 0$، ونجعل معدل النجاح في كل فترة هو $p = \lambda \Delta t$، فإن التوزيع الهندسي المتقطع لعدد الفترات يتقارب نحو التوزيع الأسي المستمر بمعدل $lambda$. يظهر هذا التقارب جلياً في دالة البقاء:

$$\lim_{\Delta t to 0} (1 – \lambda \Delta t)^{t / \Delta t} = e^{-\lambda t}$$

أما من زاوية الارتباط مع توزيع بواسون، فإن عمليات بواسون النقطية (Poisson Point Processes) تفترض وصول أحداث نادرة بمعدل ثابت. في مثل هذه العمليات، يكون عدد الأحداث الواقعة خلال فترة زمنية ثابتة خاضعاً لتوزيع بواسون، بينما تخضع الفترات الزمنية المتقطعة (أو عدد المحاولات المنفصلة) الفاصلة بين كل حدثين متتاليين للتوزيع الهندسي. توضح المصفوفة التالية المعايير الفاصلة لاختيار التوزيع المناسب:

التوزيع الإحصائي نوع البيانات التركيز الأساسي للنموذج خاصية انعدام الذاكرة
الهندسي (Geometric) متقطعة ($k = 1, 2, dots$) عدد المحاولات المنفصلة حتى النجاح الأول نعم (المتقطع الوحيد)
الأسي (Exponential) مستمرة ($t ge 0$) الزمن الحقيقي المستمر حتى وقوع الحدث نعم (المستمر الوحيد)
بواسون (Poisson) متقطعة ($k = 0, 1, dots$) إجمالي عدد الأحداث في فترة زمنية ثابتة لا تنطبق مباشرة
ثنائي الحدين السالب متقطعة ($k = r, r+1, dots$) عدد المحاولات للوصول للنجاح رقم $r$ لا (تعتمد على عدد النجاحات المتبقية)

6. تطبيقات التوزيع الهندسي في القياس والبحوث النفسية والسلوكية

6.1 نمذجة سلوك الاستجابة والمحاولات في علم النفس التجريبي

يحتل التوزيع الهندسي مكانة مرموقة في تصميم وتحليل تجارب علم النفس التجريبي ونماذج التعلم الإدراكي والسلوكي. يُستخدم التوزيع على نطاق واسع لنمذجة عدد المحاولات التجريبية التي يحتاجها المفحوص (سواء كان إنساناً أو حيوان تجارب) للوصول إلى استجابة شرطية ناجحة لأول مرة عند تعرضه لمحفز معين في إطار تجارب الاشتراط الكلاسيكي أو الإجرائي.

في المهام الإدراكية المعقدة، مثل حل المتاهات أو اكتشاف القواعد المنطقية المجردة في اختبارات فرز البطاقات، يتيح التوزيع الهندسي للباحثين وضع خط أساس نظري (Baseline) لمعدل النجاح المتوقع في حال كان المفحوص يعتمد على المحاولة والخطأ العشوائي الصرف (Random Trial-and-Error). إذا أظهرت البيانات التجريبية انحرافاً دالاً إحصائياً عن منحنى التوزيع الهندسي، يُعد ذلك مؤشراً كمياً قوياً على تدخل عمليات إدراكية عليا، مثل الاستبصار (Insight) أو التعلم التراكمي الموجه باستراتيجيات معرفية واعية.

بالإضافة إلى ذلك، يُسهم التوزيع في دراسة ظاهرة “انفجار الانطفاء” (Extinction Burst) والإحباط السلوكي؛ حيث يساعد في تقدير عدد المحاولات غير المعززة التي يستمر المفحوص في أدائها قبل التوقف النهائي عن الاستجابة عند انقطاع التعزيز الإيجابي، مما يدعم النمذجة الرياضية لنظرية التعزيز المتقطع ومقاومة الانطفاء.

6.2 تطبيقات التوزيع في علم النفس الإكلينيكي وسلوكيات الإدمان

يمثل التوزيع الهندسي أداة تشخيصية وتحليلية بالغة الأهمية في دراسات علم النفس الإكلينيكي والصحة النفسية، خاصة في مجالات تقييم الانتكاس والاضطرابات السلوكية القهرية. في أبحاث علاج الإدمان والإقلاع عن المواد المخدرة أو التدخين، يُستخدم التوزيع لنمذجة عدد المواقف الضاغطة أو الأيام الحرجة التي يواجهها المتعافي قبل حدوث أول زلة أو انتكاسة سلوكية (First Relapse)، مما يوفر تقديرات لاحتمالية الصمود تحت بروتوكولات علاجية متباينة.

في سياق تحليل اضطراب القمار القهري (Pathological Gambling)، يفسر التوزيع الهندسي الآلية الرياضية التي تجعل المقامر يقع فريسة لتشوهات معرفية مستمرة. بما أن آلات القمار وألعاب الحظ تبرمج وفق احتمالات بيرنولي مستقلة ذات احتمال فوز منخفض جداً ($p$)، فإن التوزيع الهندسي يوضح أن احتمال الفوز يظل ثابتاً في كل سحبة، بينما يتوهم المقامر أن تكرار المحاولات الفاشلة يراكم حظوظه في الفوز الوشيك، مما يغذي الاستمرار القهري في اللعب والمخاطرة المالية.

كما يُوظف التوزيع في تقييم مدى التزام المرضى بالجلسات في برامج العلاج المعرفي السلوكي (CBT)، عبر حساب التوزيع الاحتمالي لعدد الجلسات العلاجية المنفذة حتى ظهور أول تحسن إكلينيكي ملموس يُقاس بمقاييس الاكتئاب والقلق المعتمدة، مما يساعد المعالجين على ترشيد التوقعات العلاجية وتحديد فترات التدخل الأمثل.

6.3 استخدامات التوزيع الهندسي في القياس النفسي والتربوي

يقدم القياس النفسي والتربوي الحديث تطبيقات واسعة للتوزيع الهندسي، خصوصاً في إطار الاختبارات التكيفية المحوسبة (Computerized Adaptive Testing – CAT) المبنية على نظرية الاستجابة للمفردة (IRT). في هذه الاختبارات، يُستخدم التوزيع الهندسي لنمذجة عدد الأسئلة أو المحاولات التي يستغرقها الطالب ضمن مستوى صعوبة معين للوصول إلى أول إجابة صحيحة، مما يُمكّن خوارزمية الاختبار من تقدير مستوى القدرة الكامنة ($\theta$) للمفحوص بسرعة وكفاءة عالية.

يؤدي التوزيع دوراً حاسماً في نمذجة ظاهرة “التخمين العشوائي” في أسئلة الاختيار من متعدد؛ فإذا كان السؤال يمتلك 4 خيارات فإن احتمال التخمين الصحيح بالصدفة هو $p = 0.25$. يتيح التوزيع الهندسي لمطوري الاختبارات حساب التوزيع النظري لعدد الأسئلة التي يمكن للمفحوص غير المستعد تجاوزها بالتخمين المحض قبل ارتكاب أول خطأ، مما يسهم في وضع معايير دقيقة لدرجات القطع والحدود الفاصلة لمنع النجاح العشوائي.

كما يُستعان بالتوزيع في تصميم وتقنين مقاييس “المثابرة والإصرار السلوكي” (Grit Scale) والمثابرة الأكاديمية؛ حيث يُقاس إصرار الطالب تجريبياً برصد عدد المحاولات المتكررة التي يبذلها لحل مسألة برمجية أو رياضية شديدة الصعوبة قبل الاستسلام وطلب المساعدة، مما يمنح القياس النفسي بعداً سلوكياً موضوعياً يتجاوز حدود الاستبيانات التقريرية الذاتية.

7. تطبيقات التوزيع الهندسي في مراقبة الجودة والمجالات الصناعية والطبية

7.1 مراقبة الجودة وفحص العينات في خطوط الإنتاج

تُعد المراقبة الإحصائية للعمليات (Statistical Process Control – SPC) وإدارة الجودة الشاملة من أكثر البيئات الصناعية اعتماداً على التوزيع الهندسي. في خطوط الإنتاج والتجميع الآلية، يُطبق التوزيع لحساب عدد الوحدات أو القطع المصنعة الصالحة التي يتم فحصها على خط الإنتاج حتى ظهور أول وحدة معيبة (Defective Item)، بافتراض أن معدل العيوب $p$ يمثل نسبة مستقرة للعملية الصناعية تحت ظروف التشغيل العادية.

تعتمد خطط فحص القبول بالعينة (Acceptance Sampling Plans) على التوزيع الهندسي في تصميم مخططات المراقبة المعتمدة على فترات الانتظار، مثل مخطط $g$-chart و$h$-chart، والتي تستخدم لرصد العمليات ذات الجودة العالية جداً (High-Quality Processes) التي تكون فيها نسبة العيوب متناهية في الصغر وتُقاس بالأجزاء في المليون (PPM). في هذه الحالات، يفشل مخطط العيوب التقليدي ($p$-chart) في إعطاء دلالات مفيدة، بينما يقدم التوزيع الهندسي تتبعاً دقيقاً لعدد القطع السليمة بين كل عيب وآخر.

إذا انخفض عدد القطع المفحوصة حتى ظهور العيب الأول عن الحد الحرج المحسوب عند مستوى ثقة محدد (باستخدام دالة التوزيع التراكمي)، يطلق نظام المراقبة إنذاراً فورياً بوجود خلل في الماكينات أو المواد الخام، مما يستدعي التدخل الفوري لضبط العملية قبل تفاقم الهدر الصناعي وتقليل تكاليف الفحص المخبري المستمر.

7.2 التطبيقات الوبائية والطبية الحيوية

في مجالات الوبائيات والصحة العامة والبحوث الطبية الحيوية، يوفر التوزيع الهندسي نماذج رياضية صلبة لتفسير آليات انتقال الأمراض المعدية وتقدير المخاطر الصحية. يُستخدم التوزيع في دراسة احتمالية الإصابة بالعدوى كدالة لعدد مرات التعرض لمصدر ممرض (Transmission on Repeated Exposure)، حيث يمثل $p$ احتمال انتقال الميكروب في المخالطة الواحدة، بينما يمثل $X$ عدد مرات المخالطة حتى حدوث الإصابة الأولى للمضيف المعرض للخطر.

في سياق التجارب السريرية للترخيص الدوائي وتقييم البروتوكولات العلاجية المبتكرة، يُستخدم التوزيع الهندسي لتقدير عدد الجرعات أو الدورات العلاجية (Treatment Cycles) المطلوبة للوصول إلى أول استجابة سريرية إيجابية أو هجوع تام للمرض لدى مرضى الأورام أو الأمراض المناعية المزمنة، مما يساعد اللجان الطبية على الموازنة بين الفعالية العلاجية والسمية التراكمية للعقاقير.

على مستوى علم الجينات والبيولوجيا الجزيئية، يُطبق التوزيع الهندسي في تحليل الطفرات الوراثية النقطية عبر تتابع القواعد النيتروجينية في سلاسل الحمض النووي (DNA)، حيث يُحسب عدد أزواج القواعد السليمة المتتالية التي تسبق أول طفرة عشوائية أثناء عملية التضاعف الخلوي، مما يدعم دراسات التطور الجزيئي والساعات الوراثية الحيوية.

7.3 تطبيقات التوزيع في هندسة البرمجيات والموثوقية

تشكل هندسة الموثوقية (Reliability Engineering) واختبار الأنظمة البرمجية بيئة خصبة لتطبيقات التوزيع الهندسي. في مجال فحص البرمجيات وتحديد جاهزيتها للإطلاق، يُستخدم التوزيع لنمذجة عدد حالات الاختبار (Test Cases) أو ساعات التشغيل المنفصلة للنظام حتى حدوث أول انهيار برمجي أو اكتشاف أول ثغرة أمنية حرجة (Critical Bug)، مما يحدد كفاءة الشيفرة البرمجية وموثوقيتها التشغيلية.

في هندسة الاتصالات والشبكات الحاسوبية السلكية واللاسلكية، يُعد التوزيع الهندسي الأساس النظري لنمذجة بروتوكولات إعادة الإرسال، مثل بروتوكول طلب التكرار الآلي (Automatic Repeat reQuest – ARQ). عندما تُرسل حزم البيانات عبر قنوات اتصال مشوشة ذات احتمال خطأ مقداره $q = 1 – p$، فإن عدد محاولات الإرسال اللازمة لوصول الحزمة بنجاح لأول مرة يخضع تماماً للتوزيع الهندسي، مما يسمح بحساب متوسط زمن التأخير وحجم النطاق الترددي الضائع في الإرسال التكراري.

كما يُوظف التوزيع في اختبارات الضغط السيبراني والاختراق الأمني للأنظمة التشفيرية، حيث يُقاس عدد محاولات التخمين التي يحتاجها المهاجم لاختراق مفتاح تشفيري عبر الهجوم الشامل (Brute Force Attack)، مما يرشد مهندسي الأمن السيبراني إلى تحديد أطوال المفاتيح الآمنة المعقدة رياضياً لمنع الاختراق ضمن الآماد الزمنية المقبولة.

8. الآلة الحاسبة للتوزيع الهندسي: الخوارزميات، الحساب اليدوي، والتنفيذ البرمجي

8.1 بناء ومنطق عمل آلة حاسبة التوزيع الهندسي (Calculator Logic)

يعتمد بناء محرك حسابي أو آلة حاسبة برمجية مخصصة للتوزيع الهندسي على معمارية منطقية واضحة تتضمن معالجة المدخلات والتحقق من صحتها الرياضية قبل تنفيذ العمليات الحسابية وتوليد المخرجات الإحصائية المتكاملة. تتلخص المتطلبات المنطقية للحاسبة في النقاط الأساسية التالية:

  • المدخلات (Inputs):
    • احتمال النجاح في المحاولة الواحدة ($p$): ويجب أن يتحقق البرنامج برمجياً من وقوعه في المدى $0 < p le 1$.
    • قيمة المتغير العشوائي المستهدفة ($k$): وهو عدد صحيح يمثل إما عدد المحاولات الكلي ($k ge 1$) أو عدد الإخفاقات ($k ge 0$) بناءً على الصيغة المختارة.
    • نوع الصياغة (Formulation Mode): خيار ثنائي يحدد ما إذا كان $k$ يمثل المحاولات (Trials) أو الإخفاقات (Failures).
  • المعالجة والخوارزمية (Processing):
    • حساب الاحتمال النقطي: $P(X = k) = p (1 – p)^{k – 1}$ (في صياغة المحاولات).
    • حساب الاحتمال التراكمي السفلي: $P(X le k) = 1 – (1 – p)^k$.
    • حساب دالة البقاء التراكمية: $P(X > k) = (1 – p)^k$.
    • حساب المعالم المركزية التلقائية: المتوسط $\mu = \frac{1}{p}$، والتباين $\sigma^2 = \frac{1-p}{p^2}$، والانحراف المعياري $\sigma = \frac{\sqrt{1-p}}{p}$.
  • معالجة الحالات الحدية (Edge Cases): التعامل مع قيم $p$ المتناهية في الصغر لتفادي أخطاء التدفق السفلي (Underflow) باستخدام الحسابات اللوغاريتمية: $ln P(X = k) = ln(p) + (k – 1)ln(1 – p)$ ثم أخذ الدالة الأسية للناتج النهائي.

8.2 التطبيق العملي والحساب باستخدام لغة R وبيئة Python

توفر البيئات البرمجية الإحصائية المتقدمة دوالاً متخصصة عالية الكفاءة لحساب دوال التوزيع الهندسي وتوليد الأرقام العشوائية ورسم المنحنيات الاحتمالية بدقة فائقة.

في بيئة R، يجب الانتباه الشديد إلى أن عائلة دوال التوزيع الهندسي المدمجة مبنية حصراً على صيغة عدد الإخفاقات ($Y$) وليس إجمالي المحاولات. تتضمن هذه الحزمة أربع دوال رئيسية:

  • dgeom(x, prob): لحساب دالة الكتلة الاحتمالية $P(Y = x)$.
  • pgeom(q, prob, lower.tail = TRUE): لحساب الاحتمال التراكمي $P(Y le q)$.
  • qgeom(p, prob): لحساب دالة المئين العكسية (Quantile Function).
  • rgeom(n, prob): لتوليد $n$ من الأرقام العشوائية التابعة للتوزيع الهندسي.

إذا أردنا حساب احتمال أن يكون أول نجاح في المحاولة رقم $k = 4$ باحتمال $p = 0.2$، فإن عدد الإخفاقات هو $x = 3$، ويكون الاستدعاء في R بالشكل: dgeom(3, prob = 0.2).

أما في لغة Python، توفر مكتبة scipy.stats صنفين مختلفين للتعامل مع الصياغتين بدقة عبر مكتبة SciPy العلمية:

الصنف الأساسي scipy.stats.geom يعتمد صياغة إجمالي عدد المحاولات ($X ge 1$)، حيث تُحسب دالة الكتلة الاحتمالية عبر geom.pmf(k, p)، وتُحسب الدالة التراكمية عبر geom.cdf(k, p). في المقابل، توفر المكتبة صنفاً آخر هو scipy.stats.planck أو يمكن استخدام معامل الإزاحة loc = -1 لتمثيل صيغة الإخفاقات. يوضح الكود التالي كيفية إنشاء دوال التوزيع وتصويرها بيانياً في بايثون:

في بايثون، يُستدعى التوزيع الهندسي بحساب geom.pmf(k=4, p=0.2) للحصول على النتيجة النقطية، واستخدام الدالة geom.rvs(p=0.2, size=10000) لمحاكاة تجربة عشوائية ضخمة ورسم المدرج التكراري للبيانات المولدة ومقارنته بالمنحنى النظري باستخدام مكتبة matplotlib.pyplot.

8.3 استخدام جداول Microsoft Excel في حساب التوزيع الهندسي

يُعد برنامج مايكروسوفت إكسيل (Microsoft Excel) من أكثر الأدوات انتشاراً لإجراء التحليلات الإحصائية السريعة في بيئات الأعمال والإدارة التربوية. لا يتضمن إكسيل دالة منفصلة باسم GEOM.DIST، ولكنه يوفر طريقتين احترافيتين لتنفيذ حسابات التوزيع الهندسي بدقة متناهية:

الطريقة الأولى: استخدام دالة ثنائي الحدين السالب NEGBINOM.DIST:
بما أن التوزيع الهندسي هو حالة خاصة من ثنائي الحدين السالب عند $r = 1$، تعتمد هذه الدالة صيغة عدد الإخفاقات وفق التركيب التالي:
=NEGBINOM.DIST(number_f, number_s, probability_s, cumulative)
حيث:

  • number_f: عدد الإخفاقات ($k – 1$).
  • number_s: عدد النجاحات المطلوبة، ونضع قيمته دائماً 1 لتمثيل التوزيع الهندسي.
  • probability_s: احتمالية النجاح $p$.
  • cumulative: قيمة منطقية؛ نضع FALSE لحساب الاحتمال النقطي (PMF)، أو TRUE لحساب الاحتمال التراكمي (CDF).

الطريقة الثانية: بناء الصيغ الرياضية المباشرة في الخلايا:
يمكن كتابة المعادلات الجبرية مباشرة في خلايا الإكسيل، مما يوفر سرعة ومرونة فائقة لبناء نماذج تفاعلية وتحليل الحساسية:

  • لحساب دالة الكتلة الاحتمالية في الخلية (بفرض $k$ في A2 و $p$ في B2):
    =(1 - $B$2)^(A2 - 1) * $B$2
  • لحساب دالة التوزيع التراكمي $P(X le k)$:
    =1 - (1 - $B$2)^A2
  • لحساب دالة البقاء $P(X > k)$:
    =(1 - $B$2)^A2

تتيح هذه الجداول بناء مصفوفات ديناميكية تتغير فيها النتائج والرسوم البيانية التوضيحية تلقائياً بمجرد تعديل قيمة الخلية الحاوية للمعلمة $p$.

9. أمثلة حسابية وتمارين تطبيقية محلولة خطوة بخطوة

9.1 مثال 1: حساب احتمال رمي حجر نرد حتى ظهور أول رقم محدد

نص المسألة: يقوم لاعب برمي حجر نرد سداسي الأوجه منتظم ونزيه بصورة متكررة ومستقلة حتى يظهر له الوجه الذي يحمل الرقم (6). المطلوب:

  1. تحديد فضاء العينة واحتمال النجاح $p$ واحتمال الفشل $q$.
  2. حساب احتمال أن يظهر الرقم (6) لأول مرة في الرمية الرابعة تحديداً ($P(X = 4)$).
  3. حساب احتمال أن يتطلب ظهور الرقم (6) أكثر من 5 رميات ($P(X > 5)$).
  4. حساب احتمال ظهور الرقم (6) في الرمية الثالثة أو قبلها ($P(X le 3)$).
  5. استخراج القيمة المتوقعة والتباين والانحراف المعياري لعدد الرميات المطلوبة.

خطوات الحل التفصيلية:

1. بما أن الحجر متزن وله 6 أوجه متساوية الفرص، فإن احتمال ظهور الرقم 6 في أي رمية هو $p = \frac{1}{6} \approx 0.1667$. وبالتالي يكون احتمال الفشل هو $q = 1 – p = 1 – \frac{1}{6} = \frac{5}{6} \approx 0.8333$.

2. لحساب احتمال ظهور الرقم 6 في الرمية الرابعة تحديداً ($k = 4$):
$$P(X = 4) = (1 – p)^{4 – 1} \cdot p = \left(\frac{5}{6}\right)^3 \cdot \left(\frac{1}{6}\right) = \frac{125}{216} \cdot \frac{1}{6} = \frac{125}{1296} \approx 0.09645 \text{ (أي حوالي 9.65%)}$$

3. لحساب احتمال الحاجة إلى أكثر من 5 رميات ($X > 5$):
$$P(X > 5) = (1 – p)^5 = \left(\frac{5}{6}\right)^5 = \frac{3125}{7776} \approx 0.40188 \text{ (أي حوالي 40.19%)}$$

4. لحساب احتمال ظهور الرقم 6 في الرمية الثالثة أو قبلها ($X le 3$):
$$P(X le 3) = 1 – (1 – p)^3 = 1 – \left(\frac{5}{6}\right)^3 = 1 – \frac{125}{216} = \frac{91}{216} \approx 0.42130 \text{ (أي حوالي 42.13%)}$$

5. حساب المعالم الإحصائية المركزية للتجربة:
$$E(X) = \frac{1}{p} = \frac{1}{1/6} = 6 \text{ رميات}$$
$$\text{Var}(X) = \frac{1 – p}{p^2} = \frac{5/6}{(1/6)^2} = \frac{5/6}{1/36} = \frac{5}{6} \cdot 36 = 30$$
$$\sigma = \sqrt{30} \approx 5.477 \text{ رميات}$$
التفسير الإحصائي: نتوقع في المتوسط الحاجة إلى 6 رميات لظهور الرقم 6، مع وجود تشتت معياري مقداره 5.48 رمية حول هذا المتوسط، مما يبرز اتساع التباين الإحصائي للتجربة.

9.2 مثال 2: دراسة استطلاعية لآراء الجمهور حول قانون جديد

نص المسألة: يجري مركز أبحاث اجتماعية استطلاعاً للرأي العام عبر الهاتف في مجتمع ضخم، حيث تشير التقديرات الميدانية السابقة إلى أن نسبة المؤيدين لقانون بيئي جديد تبلغ 20% فقط من إجمالي السكان ($p = 0.20$). يقوم الباحث بالاتصال بأشخاص يتم اختيارهم عشوائياً وبصورة مستقلة. المطلوب:

  1. ما احتمال أن يكون الشخص الخامس الذي يتواصل معه الباحث هو أول شخص يعلن تأييده للقانون؟
  2. ما احتمال أن يضطر الباحث إلى إجراء مقابلات مع 3 أشخاص على الأكثر قبل العثور على أول مؤيد؟
  3. ما احتمال أن يفشل الباحث في العثور على أي مؤيد خلال أول 4 اتصالات؟
  4. كم عدد الاتصالات المتوقعة التي يجب على الباحث إجراؤها للوصول إلى أول مؤيد؟

خطوات الحل التفصيلية:

1. المعطيات: $p = 0.20$، وبالتالي $q = 1 – 0.20 = 0.80$.
المطلوب هو حساب $P(X = 5)$:
$$P(X = 5) = (1 – 0.20)^{5 – 1} \cdot (0.20) = (0.80)^4 \cdot 0.20 = 0.4096 \cdot 0.20 = 0.08192 \text{ (8.192%)}$$

2. احتمال الوصول لأول مؤيد في 3 اتصالات على الأكثر ($P(X le 3)$):
$$P(X le 3) = 1 – (1 – 0.20)^3 = 1 – (0.80)^3 = 1 – 0.512 = 0.488 \text{ (48.8%)}$$

3. احتمال الفشل في أول 4 اتصالات يكافئ احتمال أن يتطلب أول مؤيد أكثر من 4 اتصالات ($P(X > 4)$):
$$P(X > 4) = (1 – p)^4 = (0.80)^4 = 0.4096 \text{ (40.96%)}$$

4. حساب العدد المتوقع للاتصالات والانحراف المعياري:
$$E(X) = \frac{1}{p} = \frac{1}{0.20} = 5 \text{ اتصالات}$$
$$\text{Var}(X) = \frac{1 – 0.20}{(0.20)^2} = \frac{0.80}{0.04} = 20$$
$$\sigma = \sqrt{20} \approx 4.472 \text{ اتصالات}$$
الدلالة التطبيقية: يجب على فريق جمع البيانات تخصيص ميزانية وزمن يكفيان لإجراء 5 اتصالات بالمتوسط لكل مستجوب مؤيد يتم الوصول إليه، مع مراعاة أن التباين المرتفع يستوجب مرونة في الجداول الزمنية الميدانية.

9.3 مثال 3: فحص جودة خط إنتاج للكشف عن الوحدات المعيبة

نص المسألة: في مصنع لإنتاج المعالجات الدقيقة الإلكترونية، تبلغ نسبة المعالجات المعيبة تحت ظروف التصنيع المستقرة 2% ($p = 0.02$). يقوم مفتش الجودة بسحب المعالجات وفحصها آلياً على التوالي واحداً تلو الآخر حتى تظهر أول قطعة معيبة لإعادة معايرة الآلة. المطلوب:

  1. ما احتمال أن تظهر أول قطعة معيبة بعد فحص 50 قطعة سليمة تماماً (أي أن تظهر القطعة المعيبة في الفحص رقم 51)؟
  2. ما احتمال أن يتم اكتشاف أول قطعة معيبة خلال أول 25 فحصاً؟
  3. إذا تم فحص 40 معالجاً وكانت جميعها سليمة، فما هو الاحتمال الشرطي لأن يتطلب اكتشاف القطعة المعيبة فحص أكثر من 20 قطعة إضافية؟
  4. ما هو العدد المتوقع والوسيط الإحصائي لعدد القطع الواجب فحصها لرصد أول عيب؟

خطوات الحل التفصيلية:

1. المعطيات: $p = 0.02$، و $q = 0.98$.
احتمال ظهور العيب في الفحص رقم $k = 51$:
$$P(X = 51) = (0.98)^{51 – 1} \cdot 0.02 = (0.98)^{50} \cdot 0.02 \approx 0.36417 \cdot 0.02 \approx 0.007283 \text{ (0.728%)}$$

2. احتمال رصد أول عيب ضمن أول 25 فحصاً ($P(X le 25)$):
$$P(X le 25) = 1 – (1 – 0.02)^{25} = 1 – (0.98)^{25} \approx 1 – 0.60346 = 0.39654 \text{ (39.65%)}$$

3. تطبيق خاصية انعدام الذاكرة لحساب الاحتمال الشرطي:
المطلوب هو $P(X > 40 + 20 mid X > 40)$. وفقاً للبرهان الرياضي لخاصية انعدام الذاكرة، فإن التاريخ السابق يسقط بالكامل، ويصبح الاحتمال مساوياً لـ $P(X > 20)$ مباشرة:
$$P(X > 60 mid X > 40) = P(X > 20) = (0.98)^{20} \approx 0.66761 \text{ (66.76%)}$$

4. حساب المتوسط والوسيط الإحصائي:
$$E(X) = \frac{1}{0.02} = 50 \text{ قطعة}$$
يُحسب الوسيط الإحصائي ($M$) للتوزيع الهندسي، وهو القيمة التي يتساوى عندها الاحتمال التراكمي مع 0.50، من خلال المعادلة: $1 – (1 – p)^M ge 0.5 implies (1 – p)^M le 0.5 implies M = lceil frac{-ln(2)}{ln(1 – p)} rceil$.
$$M = \left\lceil \frac{-0.69315}{\ln(0.98)} \right\rceil = \left\lceil \frac{-0.69315}{-0.020203} \right\rceil = \lceil 34.31 \rceil = 35 \text{ قطعة}$$
المقارنة المنهجية: نلاحظ أن الوسيط (35 قطعة) أقل بكثير من المتوسط الحسابي (50 قطعة)، وهذا التباعد يرجع إلى الالتواء الإيجابي الحاد لمنحنى التوزيع الهندسي، حيث تسحب القيم المتطرفة الكبيرة المتوسط الحسابي نحو اليمين.

10. التقدير الإحصائي واختبار الفرضيات لمعلمة التوزيع الهندسي

10.1 تقدير الإمكان الأكبر (Maximum Likelihood Estimation – MLE)

يُعد تقدير الإمكان الأكبر (MLE) المنهجية القياسية والأكثر كفاءة لتقدير المعلمة المجهولة $p$ للتوزيع الهندسي من واقع بيانات عينة عشوائية تجريبية مستمدة من المجتمع الإحصائي. لنفترض أن لدينا عينة عشوائية بسيطة مكونة من $n$ من المشاهدات المستقلة المتطابقة التوزيع: $X_1, X_2, dots, X_n$، حيث يمثل كل $X_i$ عدد المحاولات حتى أول نجاح في التجربة رقم $i$.

تُصاغ دالة الإمكان (Likelihood Function) كحاصل ضرب دوال الكتلة الاحتمالية للمشاهدات الفردية نظراً لفرضية الاستقلال:

$$L(p) = \prod_{i=1}^{n} P(X_i = x_i) = \prod_{i=1}^{n} (1 – p)^{x_i – 1} p = p^n (1 – p)^{\sum_{i=1}^{n} (x_i – 1)} = p^n (1 – p)^{\sum x_i – n}$$

لتبسيط عملية الاشتقاق الجبري، نأخذ اللوغاريتم الطبيعي لكلا الطرفين للحصول على دالة لوغاريتم الإمكان (Log-Likelihood Function):

$$\ln L(p) = ell(p) = n \ln(p) + \left(\sum_{i=1}^{n} x_i – n\right) \ln(1 – p)$$

لإيجاد القيمة العظمى للمعلمة $p$، نقوم بحساب المشتقة الأولى بالنسبة لـ$p$ ومساواتها بالصفر (Score Function = 0):

$$\frac{d ell(p)}{dp} = \frac{n}{p} – \frac{\sum x_i – n}{1 – p} = 0$$

بإعادة الترتيب وحل المعادلة الجبرية:

$$\frac{n}{p} = \frac{\sum x_i – n}{1 – p} implies n(1 – p) = p\left(\sum x_i – n\right) implies n – n p = p \sum x_i – n p implies n = p \sum x_i$$

ينتج عن ذلك مقدر الإمكان الأكبر النقطي الحاسم للمعلمة $p$، والذي يُرمز له بالرمز$hat{p}_{text{MLE}}$:

$$\hat{p}_{\text{MLE}} = \frac{n}{\sum_{i=1}^{n} x_i} = \frac{1}{\bar{X}}$$

حيث $\bar{X}$ هو المتوسط الحسابي للعينة. تثبت هذه النتيجة الأنيقة أن المقدر الأمثل لإمكانية النجاح هو ببساطة مقلوب متوسط عدد المحاولات التجريبية. ويتميز هذا المقدر بالاتساق الإحصائي والكفاءة التقاربية (Asymptotic Efficiency)، ويحقق الحد الأدنى لراو-كرامير (Cramér-Rao Lower Bound) للتباين عندما يقترب حجم العينة $n$ من اللانهاية.

10.2 طريقة العزوم (Method of Moments) وفترات الثقة

تعتمد طريقة العزوم (Method of Moments) على مساواة العزم النظري الأول للتوزيع بالعزم التجريبي المناظر المستخرج من بيانات العينة. نعلم أن العزم النظري الأول للتوزيع الهندسي هو المتوسط $E(X) = \frac{1}{p}$، بينما العزم التجريبي الأول هو $\bar{X} = \frac{1}{n}\sum X_i$. بمساواة الطرفين:

$$\frac{1}{\tilde{p}} = \bar{X} implies \tilde{p}_{\text{MM}} = \frac{1}{\bar{X}}$$

نلاحظ هنا تطابقاً تاماً بين مقدر طريقة العزوم ومقدر الإمكان الأكبر ($\tilde{p}_{\text{MM}} = \hat{p}_{\text{MLE}}$).

لبناء فترة ثقة مقاربة (Asymptotic Confidence Interval) للمعلمة $p$ عند مستوى دلالة $\alpha$ (بدرجة ثقة $1 – alpha$)، نستند إلى نظرية النهاية المركزية (Central Limit Theorem) التي تضمن التقارب التوزيعي لمتوسط العينة نحو التوزيع الطبيعي للعينات الكبيرة ($n ge 30$). يُحسب الخطأ المعياري التقديري لمقدر النسبة بالصيغة:

$$\text{SE}(\hat{p}) = \sqrt{\frac{\hat{p}^2 (1 – \hat{p})}{n}} = \hat{p} \sqrt{\frac{1 – \hat{p}}{n}}$$

وتتخذ فترة الثقة المقاربة ذات الحدين $(1 – \alpha)$ الشكل التالي:

$$\hat{p} \pm Z_{1 – alpha/2} \cdot \hat{p} \sqrt{\frac{1 – \hat{p}}{n}}$$

حيث يمثل $Z_{1 – alpha/2}$ القيمة الحرجة من جدول التوزيع الطبيعي المعياري (مثلاً $1.96$ لمستوى ثقة 95%). أما في حالات العينات الصغيرة ($n < 30$) أو عندما تكون قيمة $p$ قريبة جداً من الصفر، يُوصى باستخدام فترات الثقة الدقيقة القائمة على تحويلات توزيع بيتا (Beta Distribution) أو إعادة أخذ العينات المعززة (Bootstrapping) لتجنب انحياز الحدود المقاربة والتأكد من بقاء حدود الثقة ضمن النطاق المنطقي $(0, 1]$.

10.3 اختبارات جودة التوفيق (Goodness-of-Fit Tests) للتوزيع الهندسي

قبل الاعتماد النهائي على التوزيع الهندسي في التحليلات التنبؤية، يتعين على الباحث التحقق إحصائياً من مدى ملاءمة النموذج الهندسي للبيانات الميدانية عبر اختبارات جودة التوفيق (Goodness-of-Fit Tests). يُعد اختبار كاي-تربيع ($\chi^2$) الأداة الإحصائية الأكثر استخداماً لمطابقة التكرارات المشاهدة مع التكرارات النظرية المتوقعة.

تتلخص فرضيات الاختبار في الآتي:

  • الفرضية الصفرية ($H_0$): تتبع البيانات التجريبية توزيعاً هندسياً بمعلمة $p$.
  • الفرضية البديلة ($H_1$): لا تتبع البيانات التجريبية التوزيع الهندسي.

تُحسب إحصائية كاي-تربيع التجريبية بالصيغة:

$$\chi^2 = \sum_{j=1}^{k} \frac{(O_j – E_j)^2}{E_j}$$

حيث تمثل $O_j$ التكرار المشاهد للفئة $j$، بينما تمثل$E_j = n cdot P(X in text{Category } j)$ التكرار النظري المتوقع المحسوب من دالة التوزيع الهندسي بعد تقدير المعلمة $\hat{p} = \frac{1}{\bar{X}}$. تُقارن القيمة المحسوبة بالقيمة الجدولية الحرجة لتوزيع كاي-تربيع عند درجات حرية تساوي $df = k – 1 – 1 = k – 2$ (حيث يتم طرح درجة حرية إضافية لتقدير المعلمة $p$ من العينة ذاتها).

كما يمكن تطبيق اختبار كولموجوروف-سميرنوف (Kolmogorov-Smirnov Test) المعدل للبيانات المتقطعة عبر مقارنة دالة التوزيع التراكمي التجريبية $F_n(x)$ بالدالة التراكمية النظرية $F(x) = 1 – (1 – \hat{p})^x$. إذا كانت القيمة الاحتمالية ($p$-value) الناتجة عن هذه الاختبارات أكبر من مستوى الدلالة المحدد (مثلاً$alpha = 0.05$)، فإننا نقبل الفرضية الصفرية ونستنتج كفاءة وموثوقية النموذج الهندسي في تمثيل الظاهرة المدروسة.

11. الافتراضات المنهجية، التحديات والمغالطات الشائعة

11.1 الافتراضات الأساسية للتطبيق الدقيق للتوزيع الهندسي

يستند التطبيق الدقيق للتوزيع الهندسي في الأبحاث الميدانية والتطبيقية إلى جملة من الفروض المنهجية الصارمة التي يشكل الإخلال بأي منها تهديداً مباشراً للصدق الداخلي والخارجي للنتائج الإحصائية. يتصدر هذه الفروض افتراض التجانس الزمني والمكاني التام لاحتمال النجاح ($p$)؛ إذ يُفترض أن البيئة التي تُجرى فيها التجارب ثابتة كلياً ولا يطرأ عليها أي تعديل يرفع أو يخفض من فرص النجاح عبر المحاولات المتتالية.

الافتراض الثاني هو الاستقلال الإحصائي المطلق بين المحاولات المتتابعة، وهو ما يعني رياضياً انعدام الارتباط الذاتي (Zero Autocorrelation) بين مخرجات المحاولات. في الدراسات السلوكية والنفسية، يقتضي هذا الفرض غياب ظواهر “التحفيز الإدراكي”، أو “التعب والإرهاق”، أو “التدريب التراكمي”؛ فإذا أدى تكرار المحاولات إلى إكساب المفحوص مهارة ترفع من احتمالية نجاحه في المحاولة التالية، فإن النموذج الرياضي ينهار على الفور ويتحول من توزيع هندسي نقي إلى عملية تعليمية ديناميكية متغيرة المعالم.

للتحقق من هذه الافتراضات قبل الشروع في النمذجة، يُنصح الباحثون بإجراء اختبارات الارتباط التسلسلي (Runs Test for Randomness) واختبارات التجانس عبر الفترات الزمنية المختلفة، لضمان استقرار المعلمة $p$ واستقلالية الملاحظات التجريبية بالكامل.

11.2 المغالطات النفسية والإحصائية الشائعة في تفسير النتائج

يقع العديد من الباحثين والمحللين في منزلقات تفسيرية ومغالطات إحصائية عند التعامل مع بيانات التوزيع الهندسي، تنبع في مجملها من تداخل المفاهيم الاحتمالية أو الانحيازات الإدراكية الفطرية. من أبرز هذه المغالطات “مغالطة اليد الساخنة” (Hot Hand Fallacy)، والتي تمثل النقيض لمغالطة المقامر؛ حيث يفترض الملاحظ خطأً أن تحقيق نجاح مبكر في المحاولة الأولى يعكس “حالة تفوق دائمة” أو مساراً تصاعدياً للنجاح المستمر، متجاهلاً أن الحادثة قد لا تتعدى كونها ضربة حظ عشوائية ناتجة عن التوزيع الهندسي الطبيعي.

المغالطة الإحصائية الثانية تتمثل في الخلط بين صيغتي التوزيع الهندسي (المحاولات مقابل الإخفاقات) عند كتابة الأكواد واستخدام البرمجيات؛ حيث يؤدي تمرير قيمة المحاولات الكلية لدالة برمجية تفترض عدد الإخفاقات (كما في لغة R) إلى إزاحة في التوزيع بمقدار وحدة كاملة، مما يقود إلى تضخيم أو تقليص خاطئ للاحتمالات النقطية والتراكمية المحسوبة وتقديم تقديرات مضللة لمتوسط فترات الانتظار.

كما يبرز خطأ شائع آخر يتمثل في تجاهل أثر الاقتطاع (Truncation Effect) في التجارب الميدانية؛ حيث يحدد الباحثون في كثير من الأحيان حداً أقصى لعدد المحاولات المسموح بها للمفحوص (مثلاً 10 محاولات كحد أقصى). في هذه الحالة، تفقد التجربة استمراريتها اللانهائية، ويصبح استخدام التوزيع الهندسي التقليدي غير دقيق رياضياً ما لم يتم تطبيق صيغ التوزيع الهندسي المقتطع (Truncated Geometric Distribution) التي تعيد موازنة الكتل الاحتمالية ضمن النطاق المقيد.

11.3 القيود المنهجية والبدائل التوزيعية في حال فشل الفروض

عندما تثبت الاختبارات الإحصائية عدم تحقق الفروض الأساسية للتوزيع الهندسي في البيانات الميدانية، يتعين على الباحث تجنب الإصرار على استخدام النموذج الهندسي الكلاسيكي والانتقال بمرونة إلى النماذج التوزيعية البديلة الأكثر ملاءمة لطبيعة البيانات وتشوهاتها. في الجدول التالي استعراض لأبرز الحالات المعقدة والنماذج البديلة المقابلة لها:

طبيعة المشكلة في البيانات السبب الإحصائي لقصور التوزيع الهندسي النموذج التوزيعي البديل الموصى به
تراكم هائل في عدد الأصفار (النجاح الفوري من المحاولة الأولى بنسب تفوق المتوقع) وجود مسارين منفصلين لتوليد البيانات أحدهما حتمي والآخر عشوائي التوزيع الهندسي المعدل عند الصفر (Zero-Inflated Geometric – ZIG) أو نموذج الحاجز (Hurdle Model)
تغير معدل الفشل بمرور المحاولات (تآكل العتاد، أو الإرهاق، أو التكيف) انهيار فرضية ثبات المعلمة $p$ وفقدان خاصية انعدام الذاكرة توزيع ويبول المتقطع (Discrete Weibull Distribution) الذي يتيح معدلات فشل متزايدة أو متناقصة
الحاجة لأكثر من نجاح واحد لإنهاء التجربة ($r > 1$) تجاوز شرط النجاح الفردي توزيع ثنائي الحدين السالب (Negative Binomial Distribution)
توقف التجربة عند حد أقصى للمحاولات مع وجود حالات لم تنجح بيانات مقتطعة من اليمين (Right-Censored Data) التوزيع الهندسي المقتطع (Truncated Geometric) أو نماذج تحليل البقاء المتقطعة (Discrete Survival Analysis)

12. خاتمة ودليل إرشادي مرجعي للباحثين والممارسين

12.1 ملخص شامل لأبرز القوانين والمعادلات الحسابية

يقدم هذا الجدول المرجعي التلخيصي دليلاً سريعاً ومركزاً لكافة العلاقات والقوانين الرياضية الحاكمة للتوزيع الهندسي بصيغتيه الرئيسيتين، ليكون مرجعاً حسابياً مباشراً للباحثين والممارسين في مختلف التخصصات:

المعلمة / الخاصية الرياضية صيغة إجمالي عدد المحاولات ($X ge 1$) صيغة عدد الإخفاقات السابقة ($Y ge 0$)
فضاء العينة (Support) $k in {1, 2, 3, 4, dots}$ $k in {0, 1, 2, 3, dots}$
دالة الكتلة الاحتمالية (PMF) $P(X = k) = (1 – p)^{k – 1} p$ $P(Y = k) = (1 – p)^k p$
دالة التوزيع التراكمي (CDF) $P(X le k) = 1 – (1 – p)^k$ $P(Y le k) = 1 – (1 – p)^{k + 1}$
دالة البقاء (Survival Function) $P(X > k) = (1 – p)^k$ $P(Y > k) = (1 – p)^{k + 1}$
القيمة المتوقعة (Mean) $E(X) = \frac{1}{p}$ $E(Y) = \frac{1 – p}{p}$
التباين (Variance) $\text{Var}(X) = \frac{1 – p}{p^2}$ $\text{Var}(Y) = \frac{1 – p}{p^2}$
الانحراف المعياري (SD) $\text{SD}(X) = \frac{\sqrt{1 – p}}{p}$ $\text{SD}(Y) = \frac{\sqrt{1 – p}}{p}$
الوسيط الإحصائي (Median) $M = \lceil \frac{-\ln(2)}{\ln(1 – p)} \rceil$ $M = \lceil \frac{-\ln(2)}{\ln(1 – p)} \rceil – 1$
معامل الالتواء (Skewness) $\gamma_1 = \frac{2 – p}{\sqrt{1 – p}}$ $\gamma_1 = \frac{2 – p}{\sqrt{1 – p}}$
الدالة المولدة للعزوم (MGF) $M_X(t) = \frac{p e^t}{1 – (1 – p) e^t}$ $M_Y(t) = \frac{p}{1 – (1 – p) e^t}$

12.2 توصيات منهجية للباحثين في القياس النفسي والإحصاء التطبيقي

في ضوء الاستعراض الشامل للتوزيع الهندسي، نخلص إلى تقديم مجموعة من التوصيات الإرشادية المنهجية الموجهة للباحثين والممارسين في مجالات القياس النفسي، والتربوي، والإحصاء التطبيقي:

  • التوثيق الشفاف للفروض الإحصائية: يجب على الباحثين في تقاريرهم الأكاديمية توثيق الفحوص القبلية التي تؤكد استقلالية المحاولات وثبات معلمة النجاح $p$ عبر الزمن، مع توضيح الصيغة المعتمدة للمتغير العشوائي بدقة (محاولات كلية أم إخفاقات سابقة) لتسهيل إعادة الإنتاج العلمي.
  • الالتزام بمعايير التقرير المنهجي (APA 7th Edition): عند كتابة نتائج النماذج الهندسية، يُوصى بتقرير مقدر الإمكان الأكبر للمعلمة مصحوباً بفترات الثقة الدقيقة أو المقاربة والخطأ المعياري، مثل: $(\hat{p} = 0.24, , 95% \text{ CI } [0.19, , 0.29], , \text{SE} = 0.025)$، وتضمين نتائج اختبارات جودة التوفيق ($\chi^2$) كاملة بدرجات حريتها وقيمتها الاحتمالية.
  • الدمج مع خوارزميات الذكاء الاصطناعي وتعلم الآلة: يُنصح بتوظيف التوزيع الهندسي كدالة احتمالية مسبقة (Prior Distribution) في النماذج البايزية التكيفية وشبكات بايز العصبية، خاصة في مسائل التعلم المعزز (Reinforcement Learning) لتقدير فترات استكشاف البيئة قبل الحصول على أول مكافأة مجزية.
  • استكشاف النماذج المركبة في الأبحاث المستقبلية: توجيه الدراسات المعاصرة نحو فحص التوزيعات الهندسية الهجينة والمعدلة مكانياً وزمنياً، لنمذجة الظواهر السلوكية والبيولوجية الديناميكية التي تتداخل فيها العشوائية المحضة مع مسارات التعلم المعرفي والإجهاد التراكمي.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 26). التوزيع الهندسي: الاستخدامات، الآلة الحاسبة والصيغة. عرب سايكلوجي. https://arabpsychology.com/statistics/geometric-distribution-uses-calculator-formula-2/
looti, Mohammed. “التوزيع الهندسي: الاستخدامات، الآلة الحاسبة والصيغة.” عرب سايكلوجي, 26 أغسطس 2026, https://arabpsychology.com/statistics/geometric-distribution-uses-calculator-formula-2/.
looti, Mohammed. “التوزيع الهندسي: الاستخدامات، الآلة الحاسبة والصيغة.” عرب سايكلوجي. أغسطس 26, 2026. https://arabpsychology.com/statistics/geometric-distribution-uses-calculator-formula-2/.