التوزيع الهندسي: الاستخدامات، الحاسبة والصيغة

يمثل علم الاحتمالات والإحصاء الرياضي أحد أهم الركائز المنهجية التي بنيت عليها النظريات العلمية المعاصرة، حيث يسعى إلى صياغة نماذج رياضية دقيقة تصف الظواهر العشوائية وتفسر سلوك الأنظمة المعقدة في ظل عدم اليقين. ومن بين التوزيعات الاحتمالية المنفصلة التي تحظى باهتمام بالغ في الدراسات النظرية والتطبيقية، يبرز التوزيع الهندسي (Geometric Distribution) بوصفه الأداة الرياضية المثلى لنمذجة زمن الانتظار المتقطع، أو عدد المحاولات المستقلة اللازمة لتحقيق أول حدث مرغوب فيه. تنبع الأهمية الجوهرية لهذا التوزيع من بساطة بنائه المنطقي المستند إلى تجارب برنولي المتكررة، واقترانه بخصائص رياضية فريدة تجعله جسراً واصلاً بين النمذجة الإحصائية الكلاسيكية وتطبيقات العلوم السلوكية، والهندسة الصناعية، والعلوم الطبية الحيوية.

تتجاوز أهمية التوزيع الهندسي مجرد كونه معادلة جبرية لحساب الاحتمالات، إذ يمثل إطاراً فلسفياً واستدلالياً لمعالجة مسألة “الوصول إلى الغاية” في ظل ظروف العشوائية التامة. فسواء كنا ندرس عدد المكالمات الهاتفية التي يجريها مركز استطلاع للرأي قبل الوصول إلى مستجيب مؤهل، أو نقيس عدد الاختبارات المعرفية التي يخضع لها مفحوص قبل اجتياز مهمة استدلالية معقدة، أو نتتبع عدد الوحدات المنتجة في خط تصنيع آلي قبل ظهور أول قطعة معيبة، فإن التوزيع الهندسي يقدم التوصيف الكمي الأدق لمثل هذه العمليات العشوائية المتسلسلة. ويشكل فهم هذا التوزيع مدخلاً أساسياً لفهم توزيعات أكثر تعقيداً مثل توزيع ذي الحدين السالب وتوزيع بواسون والتوزيع الأسي المتصل.

يهدف هذا المقال الشامل إلى تقديم مرجع أكاديمي متعمق ومفصل حول التوزيع الهندسي؛ حيث يستعرض أصوله النظرية، وافتراضاته الرياضية الصارمة، واشتقاق دواله الأساسية من دالة كتلة الاحتمال إلى الدوال المولدة للعزوم، مروراً بتحليل خاصيته الفريدة المتمثلة في “انعدام الذاكرة”. كما يقدم دليلاً تطبيقياً لحساب معالمه رياضياً وبرمجياً عبر لغات التحليل الإحصائي الحديثة وجداول البيانات، ويسلط الضوء على تطبيقاته الواسعة في القياس النفسي، ومراقبة الجودة، والبحوث الوبائية، معززاً بدراسات حالة تفصيلية وأمثلة محلولة خطوة بخطوة، ومناقشة لأبرز الأخطاء الشائعة في النمذجة الإحصائية وكيفية تفاديها في الأبحاث الرصينة.

1. مقدمة شاملة في التوزيع الهندسي والمفاهيم الأساسية

1.1 التعريف النظري للتوزيع الهندسي وطبيعته الاحتمالية

يُعرَّف التوزيع الهندسي في النظرية الاحتمالية الكلاسيكية بأنه توزيع احتمالي منفصل (Discrete Probability Distribution) ينمذج عدد المحاولات المستقلة والمتطابقة، القائمة على تجارب برنولي الثنائية، واللازمة للحصول على أول نجاح. ويُعد المتغير العشوائي الذي يتبع هذا التوزيع متغيراً منفصلاً لأن قيمه تأخذ أعداداً صحيحة غير سالبة، تمثل عدداً معدوداً من المحاولات أو الإخفاقات. تنبثق الطبيعة الاحتمالية للتوزيع من تركيزه الحصري على نقطة التحول الأولى في سلسلة الاختبارات، مما يجعله نموذجاً مثالياً لدراسة أوقات الوصول الأول وأزمنة الانتظار المنفصلة في العمليات العشوائية الزمنية المتقطعة.

في الأدبيات الإحصائية والرياضية، يوجد صياغتان قياسيتان للتعبير عن المتغير العشوائي الهندسي؛ الصياغة الأولى تُعرّف المتغير العشوائي $X$ بأنه “إجمالي عدد المحاولات حتى تحقق أول نجاح”، وتأخذ قيمه النطاق ${1, 2, 3, dots}$. أما الصياغة الثانية، فتُعرّف المتغير العشوائي $Y$ بأنه “عدد الإخفاقات التي تسبق تحقق أول نجاح”، وتأخذ قيمه النطاق ${0, 1, 2, dots}$. إن التمييز الدقيق بين هاتين الصياغتين يمثل ضرورة منهجية لتفادي اللبس في حساب المتوسطات والتباينات وتطبيق الدوال البرمجية الإحصائية، إذ تختلف الدوال الرياضية الناتجة بإزاحة جبرية مقدارها وحدة واحدة ($X = Y + 1$).

يعود السياق التاريخي لتطور التوزيع الهندسي إلى القرنين السابع عشر والثامن عشر، بالتزامن مع نشأة نظرية الاحتمالات على يد علماء مثل بليز باسكال وبيير دي فيرما وكريستيان هيغنز، والذين اهتموا بحل معضلات ألعاب الحظ والمصادفة. وقد تبلور التوزيع بصورته الرياضية المستقلة مع أعمال ياكوب برنولي في كتابه الرائد “فن التخمين” (Ars Conjectandi) الصادر عام 1713، حيث مهدت متسلسلات برنولي الطريق لفهم السلوك التكراري للمحاولات الثنائية وتطور المتسلسلات الهندسية اللانهائية المرتبطة بحساب احتمالات الاستمرار في التجربة حتى حدوث الحدث المستهدف.

1.2 العلاقة البنيوية بين محاولات برنولي والتوزيع الهندسي

يقوم التوزيع الهندسي بنيوياً على مفهوم تجربة برنولي (Bernoulli Trial)، وهي تجربة عشوائية أولية لا تحتمل إلا نتيجتين متنافيتين وشاملتين تُصنفان اصطلاحاً باسم “النجاح” (Success) و”الفشل” (Failure). في هذا السياق، لا يحمل مصطلح النجاح حكماً قيمياً إيجابياً بالضرورة، بل يشير إلى تحقق الحدث محل الاهتمام الإحصائي (مثل اكتشاف عيب في عينة، أو إصابة مريض بعدوى، أو إجابة صحيحة على سؤال)، بينما يشير الفشل إلى عدم تحققه. يُرمز لاحتمال النجاح في المحاولة الفردية بالرمز $p$، بينما يُرمز لاحتمال الفشل بالرمز$q = 1 – p$.

تتمثل الركيزة الأساسية في الانتقال من محاولة برنولي المفردة إلى التوزيع الهندسي في افتراض استقلال المحاولات المتعاقبة. ويعني الاستقلال الإحصائي الصارم أن نتيجة أي محاولة لا تؤثر بأي شكل من الأشكال، ولا تتأثر، بنتائج المحاولات السابقة أو اللاحقة. رياضياً، يؤدي هذا الاستقلال إلى تطبيق قاعدة الضرب للاحتمالات المشتركة، حيث إن احتمال وقوع سلسلة محددة من النتائج يساوي حاصل ضرب احتمالات كل محاولة على حدة، مما يمنح التوزيع الهندسي بنيته الضرب التراكمي للاحتمالات الفردية عبر مراحل التجربة المستمرة.

يتطلب ثبات احتمالية النجاح $p$ عبر تكرار التجارب استقراراً تاماً في البيئة التجريبية والآلية المولدة للبيانات. فعند إجراء سلسلة من محاولات برنولي، تتولد عينة عشوائية تمثل تسلسلاً من الإخفاقات المتتالية التي تختتم بنجاح وحيد ينهي التجربة. وبالتالي، فإن التوزيع الهندسي ليس سوى الامتداد الديناميكي لمحاولات برنولي عندما يُرفع القيد عن عدد المحاولات الكلي، ويصبح زمن التوقف هو المتغير العشوائي التابع لظهور أول نجاح، مما ينقل التحليل من دراسة النواتج الثابتة إلى دراسة العمليات العشوائية ذات الأفق المفتوح.

1.3 دوره كدالة كتلة احتمالية (Probability Mass Function)

تُعرّف دالة الكتلة الاحتمالية (Probability Mass Function – PMF) في إحصاء المتغيرات المنفصلة بأنها الدالة الرياضية التي تعطي احتمال أن يأخذ المتغير العشوائي قيمة عددية محددة بالضبط. وفي حالة التوزيع الهندسي المعرف بعدد المحاولات حتى أول نجاح، تُكتب الدالة بالصيغة الرياضية: $P(X = k) = (1 – p)^{k-1} p$، حيث يمثل $k in {1, 2, 3, dots}$. تعبر هذه الدالة رياضياً عن اشتراط حدوث الفشل في جميع المحاولات السابقة البالغ عددها $k-1$، متبوعاً بحدوث النجاح في المحاولة رقم $k$.

لكي تكون دالة الكتلة الاحتمالية صالحة ومحققة للشروط الرياضية الصارمة، يجب أن تستوفي شرطين أساسيين: أولاً، أن تكون قيمة الاحتمال غير سالبة وتقع ضمن الفترة المغلقة $[0, 1]$ لكل قيمة من قيم $k$، وهو متحقق نظراً لكون$p in (0, 1]$ و $(1-p) in [0, 1)$. ثانياً، يجب أن يتطابق مجموع الاحتمالات لجميع القيم الممكنة للمتغير العشوائي في فضاء العينة مع الواحد الصحيح، أي أن:
$$\sum_{k=1}^{\infty} P(X = k) = \sum_{k=1}^{\infty} (1 – p)^{k-1} p = p \sum_{j=0}^{\infty} (1 – p)^j = p \left( \frac{1}{1 – (1 – p)} \right) = \frac{p}{p} = 1$$
وهذا يثبت رياضياً اكتمال فضاء العينة وخلو النموذج من أي تسرب احتمالي.

يتميز التمثيل البياني لدالة الكتلة الاحتمالية للتوزيع الهندسي بنمط انحدار أسي متقطع يبدأ من أعلى قيمة احتمالية له عند $k=1$ (حيث $P(X=1) = p$)، ثم يتناقص تدريجياً وبشكل رتيب مع زيادة قيم $k$. يعكس هذا الانحدار الهندسي حقيقة أن احتمالية تأخر النجاح إلى محاولات متقدمة جداً تتضاءل بسرعة فائقة نتيجة الضرب المتكرر في الكسر$(1-p)$، مما يجعل المنحنى ملتوياً بشدة نحو اليمين (Positive Skewness)، وهي خاصية مميزة لجميع توزيعات الانتظار الهندسية في غياب أي تدخلات خارجية تغير من طبيعة النظام الاحتمالي.

2. الشروط والافتراضات الرياضية لتطبيق التوزيع الهندسي

2.1 شرط ثنائية النواتج وتصنيف النتائج

يشترط لتطبيق التوزيع الهندسي بصورة صحيحة أن يتسم فضاء العينة ($\Omega$) لكل محاولة تجريبية بالثنائية الصارمة، بحيث ينقسم فضاء النتائج إلى فئتين متنافيتين تماماً وشاملتين: فئة تمثل “النجاح” ($S$) وفئة تمثل “الفشل” ($F$). يعني التنافي الرياضي استحالة وقوع النتيجتين معاً في محاولة واحدة ($S cap F = emptyset$)، بينما تعني الشمولية أن إحدى النتيجتين لا بد أن تقع حتماً ($S cup F = Omega$). يتم ترميز احتمال وقوع النجاح رياضياً بالمعلمة$p = P(S)$، في حين يُرمز لاحتمال الفشل بالمعلمة$q = P(F) = 1 – p$.

في التطبيقات العملية المعقدة، نادراً ما تظهر البيانات بطبيعة ثنائية نقية منذ البداية، إذ غالباً ما تشتمل التجارب الواقعية على فضاءات عينات متعددة النواتج (Polytomous Outcomes). في هذه الحالات، يتطلب تطبيق التوزيع الهندسي إجراء عملية تصنيف تحويلية دقيقة، يتم من خلالها دمج جميع النتائج المتعددة غير المستهدفة في فئة مركبة واحدة تسمى “الفشل”، بينما تُعرف النتيجة أو مجموعة النتائج المستهدفة بدقة باسم “النجاح”. على سبيل المثال، عند إلقاء حجر نرد سداسي الأوجه والاهتمام بالحصول على الرقم 6 فقط، يُعاد تصنيف النواتج ${1, 2, 3, 4, 5}$ كحالة فشل مركب باحتمال $5/6$، بينما يشكل الوجه${6}$ حالة النجاح باحتمال $1/6$.

يجب أن تظل معايير تصنيف النجاح والفشل ثابتة ودقيقة ومحددة إجرائياً طوال فترة إجراء الاختبارات المتسلسلة. إن أي غموض أو تداخل في تعريف الحدث المستهدف يقوض البنية الرياضية للتوزيع، ويؤدي إلى تشويه تقديرات المعلمات، مما يحيل النموذج الاحتمالي إلى حالة من عدم الاتساق مع الواقع التجريبي المراد دراسته وقياسه بدقة إحصائية رصينة.

2.2 استقلالية المحاولات الاحتمالية

تمثل استقلالية المحاولات الشرط المحوري الثاني في نموذج التوزيع الهندسي؛ حيث يجب أن تكون نتيجة كل محاولة مستقلة إحصائياً عن جميع المحاولات السابقة واللاحقة. في لغة الاحتمالات الشرطية، يعني هذا أن الاحتمال الشرطي لنجاح المحاولة رقم $n$، نظراً لمعرفة النتائج السابقة كافة، يساوي بالضبط الاحتمال البسيط وغير المشروط لنجاح تلك المحاولة، أي أن:
$$P(S_n mid E_1, E_2, dots, E_{n-1}) = P(S_n) = p$$
حيث يمثل $E_i$ نتيجة المحاولة رقم $i$ سواء كانت نجاحاً أو فشلاً.

يتأثر هذا الشرط بصورة جذرية بطريقة تصميم عملية المعاينة؛ ففي حالات المعاينة من مجتمع محدود، يفرق الإحصائيون بين المعاينة مع الإحلال (Sampling with Replacement) والمعاينة بدون إحلال (Sampling without Replacement). تضمن المعاينة مع الإحلال بقاء حجم المجتمع وخصائصه ثابتاً، مما يحافظ على استقلالية المحاولات وثبات قيمة $p$، وبالتالي ينطبق التوزيع الهندسي بدقة. أما في حالة المعاينة بدون إحلال من مجتمعات صغيرة، فإن سحب كل عنصر يغير التركيب الاحتمالي للمجتمع المتبقي، مما ينتهك شرط الاستقلال ويستلزم استخدام التوزيع فوق الهندسي (Hypergeometric Distribution) أو توزيعات الانتظار المرتبطة به بدلاً من التوزيع الهندسي القياسي.

في التطبيقات الميدانية والبيانات الواقعية، يجب التحقق من صحة فرضية الاستقلال عبر اختبارات إحصائية ملائمة مثل اختبارات التسلسل والعشوائية (Runs Test) أو اختبارات الارتباط الذاتي (Autocorrelation Tests). إذا أظهرت البيانات وجود اتجاهات تتابعية، أو تأثيرات تراكمية، أو اعتماد زمني بين المحاولات المتتالية، فإن النموذج الهندسي يصبح غير ملائم رياضياً، مما يستوجب تعديله بنماذج السلاسل الزمنية أو سلاسل ماركوف.

2.3 ثبات معلمة الاحتمال واستمرارية التجربة حتى النجاح

يستلزم التوزيع الهندسي ثبات المعلمة $p$ خلال كامل مسار التجربة العشوائية. يشير هذا الافتراض إلى أن النظام المولد للأحداث يتمتع باستقرار هيكلي وتجانس زمني (Temporal Homogeneity)؛ فلا يجوز أن يطرأ على احتمال النجاح أي تغير ناجم عن عوامل خارجية مثل تغير الظروف البيئية، أو التغيرات الهيكلية في أجهزة القياس، أو تأثيرات التعب والتعلم البشري أثناء الاختبارات السلوكية والمعرفية. إن تغير $p$ من محاولة إلى أخرى يحول النموذج إلى توزيع هندسي غير متجانس المعلمات، وهو ما يخرج عن نطاق الصيغة الكلاسيكية الموحدة للتوزيع.

يرتبط بهذا الافتراض قاعدة توقف صارمة ومحددة بدقة: تستمر التجربة في توليد المحاولات طالما استمرت النتائج في إعطاء “فشل”، وتتوقف التجربة فوراً وبشكل حتمي عند تسجيل أول “نجاح”. لا مجال في البناء النظري للتوزيع الهندسي للاستمرار بعد النجاح الأول، أو التوقف التعسفي قبل تحققه، إذ إن المتغير العشوائي يقيس تحديداً نقطة الانتهاء الأولى هذه. وبالتالي، تتحدد قيمة المتغير العشوائي بقيمة المؤشر اللحظي لحدوث الحدث للمرة الأولى.

من الناحية النظرية، يمتد فضاء العينة لعدد المحاولات إلى المالانهاية ($\infty$)، مما يثير تساؤلاً رياضياً حول احتمالية عدم تحقق النجاح على الإطلاق في سلسلة لا نهائية من المحاولات. يمكن التحقق من ذلك بحساب النهاية لاحتمال استمرار الفشل إلى ما لا نهاية:
$$\lim_{n to \infty} P(X > n) = \lim_{n to \infty} (1 – p)^n = 0 \quad \text{طالما أن } p > 0$$
يثبت هذا التحليل أن احتمال عدم حدوث النجاح إطلاقاً يساوي صفراً في المقاييس الاحتمالية، مما يضمن أن التجربة ستنتهي حتماً في عدد منتهٍ من المحاولات بدرجة يقين احتمالي تام ($P(X < \infty) = 1$).

3. الصيغة الرياضية ودالة كتلة الاحتمال (PMF)

3.1 الاشتقاق الرياضي للصيغة القياسية لعدد المحاولات

لاشتقاق الصيغة القياسية لدالة الكتلة الاحتمالية للتوزيع الهندسي التي تقيس عدد المحاولات الكلي حتى أول نجاح ($X$)، نبدأ بتحليل الحدث المركب$A_k = {X = k}$. يمثل هذا الحدث وقوع متتالية محددة تماماً من النتائج في فضاء العينة المشترك، حيث يجب أن تسفر المحاولات الأولى البالغ عددها$k-1$ عن “فشل” ($F$)، وتسفر المحاولة رقم$k$ حصراً عن “نجاح” ($S$). يمكن التعبير عن هذا المسار التسلسلي بالشكل الجبري التالي:
$$A_k = (\underbrace{F \cap F \cap F \cap dots \cap F}_{k-1 \text{ من الإخفاقات}}) \cap S$$

بالاستناد إلى فرضية الاستقلال الإحصائي بين المحاولات، يتحول احتمال التقاطع المشترك للأحداث المستقلة إلى حاصل ضرب احتمالات هذه الأحداث الفردية مباشرة:
$$P(X = k) = P(F_1) \cdot P(F_2) \cdots P(F_{k-1}) \cdot P(S_k)$$
وبما أن احتمال الفشل في كل محاولة مستقلة وثابتة هو $P(F) = 1 – p = q$، واحتمال النجاح هو $P(S) = p$، فإن المعادلة تصبح:
$$P(X = k) = \underbrace{(1 – p) \cdot (1 – p) \cdots (1 – p)}_{k-1 \text{ مرة}} \cdot p = (1 – p)^{k-1} p$$
حيث ينتمي $k$ إلى مجموعة الأعداد الصحيحة الموجبة ${1, 2, 3, dots}$.

يتضح من هذا الاشتقاق أن المعادلة تتكون من جزأين بنيويين: الجزء الأول $(1 – p)^{k-1}$ ويمثل عامل التضاؤل التراكمي الناجم عن توالي الإخفاقات السابقة، والجزء الثاني $p$ ويمثل احتمال الإنجاز الفوري عند المحاولة الأخيرة. ويخضع هذا التوزيع لخصائص المتسلسلة الهندسية (Geometric Series)، حيث تشكل الحدود الاحتمالية المتتالية متتالية هندسية حقيقية حدها الأول $a = p$ وأساسها المشترك $r = 1 – p$، ومن هذا الاشتقاق الجبري اشتق التوزيع اسمه الرياضي التاريخي.

3.2 الصيغة البديلة للتوزيع الهندسي القائمة على عدد الإخفاقات

في العديد من الفروع التطبيقية ونظم البرمجة الإحصائية، يُفضل نمذجة المتغير العشوائي $Y$ الذي يمثل “عدد الإخفاقات السابقة لتحقق أول نجاح” بدلاً من إجمالي عدد المحاولات. في هذا الإطار المفاهيمي، إذا تحقق النجاح في المحاولة الأولى مباشرة ($X = 1$)، فإن عدد الإخفاقات السابقة يكون صفراً ($Y = 0$). وبالتالي، ترتبط الصياغتان بالمعادلة الخطية البسيطة: $Y = X – 1$.

باشتقاق دالة الكتلة الاحتمالية للمتغير العشوائي $Y$ بالتعويض المباشر، نجد أن:
$$P(Y = y) = P(X – 1 = y) = P(X = y + 1) = (1 – p)^{(y + 1) – 1} p = (1 – p)^y p$$
حيث تأخذ $y$ القيم الصحيحة غير السالبة ${0, 1, 2, 3, dots}$. تبرز أهمية هذه الصياغة البديلة في مجالات مثل نظرية طوابير الانتظار (Queueing Theory) وهندسة الوثوقية، حيث يكون الاهتمام منصباً على قياس مقدار “الجهد الضائع” أو “الزمن المستهلك قبل الإنجاز” دون احتساب خطوة الإنجاز ذاتها.

من الضروري للباحثين والمحللين التحقق دائماً من الصياغة المعتمدة في الحزم الإحصائية البرمجية؛ فعلى سبيل المثال، تعتمد لغة $R$ ومكتبة `scipy.stats` في لغة بايثون صياغة عدد الإخفاقات ($Y ge 0$) كإعداد افتراضي، بينما تفضل الكتب الدراسية النظرية صياغة إجمالي المحاولات ($X ge 1$). إن التحويل الجبري بين الصياغتين يمنع الوقوع في أخطاء إزاحة المؤشرات، والتي قد تؤدي إلى تقديرات مضللة للقيم المتوقعة والمستويات الاحتمالية الحرجة في الأبحاث العلمية.

3.3 الخصائص الجبرية والتحليل التقاربي لدالة الكتلة

تتمتع دالة الكتلة الاحتمالية للتوزيع الهندسي بسلوك جبري مميز وتحليل تقاربي يعكس ديناميكية التناقص الاحتمالي. عند دراسة النسبة بين قيمتين احتمالتين متتاليتين لأي محاولة $k$ والمحاولة التي تليها $k+1$، نجد أن:
$$\frac{P(X = k + 1)}{P(X = k)} = \frac{(1 – p)^k p}{(1 – p)^{k-1} p} = 1 – p = q$$
تكشف هذه النتيجة الرياضية البسيطة والعميقة أن النسبة بين أي احتمالين متتاليين هي نسبة ثابتة دوماً وتساوي تماماً احتمال الفشل $1 – p$. يعني هذا أن الدالة تتناقص بمعدل هندسي ثابت عبر كامل مجالها الحسابي.

عند إجراء تحليل تقاربي لدراسة حساسية الدالة لتغيرات المعلمة $p$، نلاحظ نتيجتين حديتين متناقضتين:

• عندما تقترب المعلمة $p$ من الواحد الصحيح ($p to 1$): يقترب احتمال النجاح من المحاولة الأولى $P(X=1) = p$ من الواحد، بينما تتلاشى احتمالات المحاولات اللاحقة ($P(X > 1) to 0$)؛ ويتحول التوزيع في النهاية إلى توزيع نقطي منحل (Degenerate Distribution) يتركز بالكامل عند النقطة $k=1$.
• عندما تقترب المعلمة $p$ من الصفر ($p to 0$): يصبح منحنى الكتلة الاحتمالية شديد التسطح والانبساط، وتتباعد الاحتمالات ببطء شديد على مدى واسع من قيم $k$، وتزداد القيمة المتوقعة نحو المالانهاية، مما يعكس صعوبة بالغة وزمناً طويلاً للوصول إلى النجاح الأول.

يضمن هذا السلوك التنازلي الرتيب ($P(X=k+1) < P(X=k)$ لجميع قيم $k ge 1$ طالما أن $p in (0, 1)$) أن المنوال الوحيد للتوزيع الهندسي بصيغة المحاولات يقع دائماً وأبداً عند القيمة $k = 1$، بغض النظر عن قيمة المعلمة الاحتمالية $p$.

4. دالة التوزيع التراكمي (CDF) والخصائص الرياضية المتقدمة

4.1 صياغة واشتقاق دالة التوزيع التراكمي

تُعرّف دالة التوزيع التراكمي (Cumulative Distribution Function – CDF) للمتغير العشوائي $X$ بأنها الدالة التي تحسب احتمالية حدوث النجاح الأول في أو قبل محاولة محددة $k$، ويُرمز لها بالرمز$F(k) = P(X le k)$. لحساب هذه القيمة، نقوم بجمع قيم دالة الكتلة الاحتمالية من المحاولة الأولى وحتى المحاولة رقم$k$:
$$F(k) = P(X le k) = \sum_{i=1}^{k} P(X = i) = \sum_{i=1}^{k} (1 – p)^{i-1} p = p \sum_{j=0}^{k-1} (1 – p)^j$$

يمثل هذا المجموع متسلسلة هندسية منتهية حدها الأول $1$ وأساسها $(1 – p)$ وعدد حدودها $k$. وبتطبيق القانون الرياضي لمجموع المتسلسلة الهندسية المنتهية:
$$\sum_{j=0}^{k-1} r^j = \frac{1 – r^k}{1 – r}$$
نعوض بقيمة $r = 1 – p$ لنحصل على:
$$F(k) = p \left( \frac{1 – (1 – p)^k}{1 – (1 – p)} \right) = p \left( \frac{1 – (1 – p)^k}{p} \right) = 1 – (1 – p)^k$$
حيث يأخذ $k$ قيماً صحيحة موجبة ($k ge 1$).

تتميز هذه الصيغة النهائية لدالة التوزيع التراكمي $F(k) = 1 – (1 – p)^k$ ببساطتها وأناقتها الرياضية البالغة، حيث تلغي الحاجة إلى إجراء عمليات جمع تكرارية مطولة لحساب الاحتمالات التراكمية، وتتيح إجراء حسابات سريعة وفورية لاحتمالية إنجاز الأهداف في غضون عدد معين من الخطوات التجريبية.

4.2 دالة البقاء واحتمالات الذيل الأيمن

تُعد دالة البقاء (Survival Function)، أو دالة الموثوقية (Reliability Function)، المتمم الرياضي لدالة التوزيع التراكمي، وتُعرف بأنها احتمال أن يتجاوز المتغير العشوائي قيمة معينة $k$، أي احتمال استمرار الفشل حتى المحاولة$k$ دون تحقيق أي نجاح. يُرمز لدالة البقاء بالرمز $S(k) = P(X > k)$، وتُشتق مباشرة من العلاقة:
$$S(k) = P(X > k) = 1 – P(X le k) = 1 – F(k) = 1 – [1 – (1 – p)^k] = (1 – p)^k$$

يحمل هذا التعبير الرياضي البسيط $(1 – p)^k$ معنى منطقياً مباشراً: لكي يتجاوز عدد المحاولات المطلوبة لتحقيق أول نجاح الرقم $k$، يجب ببساطة أن تفشل جميع المحاولات الأولى البالغ عددها$k$ بالكامل. وبما أن احتمال الفشل في كل محاولة مستقلة هو $1 – p$، فإن احتمال فشلها جميعاً بالتتابع هو حاصل ضربها المباشر$(1 – p)^k$.

تلعب دالة البقاء دوراً جوهرياً في دراسات الموثوقية الصناعية واختبارات الجهد، حيث تستخدم لحساب احتمالية بقاء نظام هندسي أو مكون ميكانيكي يعمل دون تعرضه للعطل الأول بعد عدد محدد من دورات التشغيل. كما تُستخدم في التحليلات الإحصائية الطبية لتقدير احتمالات بقاء المرضى دون انتكاسة بعد مرور فترات علاجية متتالية، مما يجعلها ركيزة أساسية لتحليل بيانات البقاء والذيل الأيمن للتوزيعات الاحتمالية المتقطعة.

4.3 الدوال المولدة للعزوم والاحتمالات

تُعد الدالة المولدة للاحتمال (Probability Generating Function – PGF) والدالة المولدة للعزوم (Moment Generating Function – MGF) من أقوى الأدوات الرياضية في التحليل الإحصائي المتقدم؛ حيث تُستخدمان لاستنتاج العزوم الإحصائية المختلفة ودراسة التوزيعات التجميعية واستقرار المتغيرات العشوائية. تُعرّف الدالة المولدة للاحتمال $G_X(t)$ للمتغير العشوائي الهندسي $X$ بالعلاقة:
$$G_X(t) = E[t^X] = \sum_{k=1}^{\infty} t^k P(X = k) = \sum_{k=1}^{\infty} t^k (1 – p)^{k-1} p = pt \sum_{k=1}^{\infty} [t(1 – p)]^{k-1}$$
وبما أن هذه متسلسلة هندسية لا نهائية تتقارب عندما يكون $|t(1 – p)| < 1$، فإن مجموعها يؤول إلى:
$$G_X(t) = \frac{pt}{1 – t(1 – p)} \quad \text{حيث } |t| < \frac{1}{1 – p}$$

أما الدالة المولدة للعزوم $M_X(t)$، فيتم اشتقاقها عبر إيجاد القيمة المتوقعة للدالة الأسية $e^{tX}$:
$$M_X(t) = E[e^{tX}] = G_X(e^t) = \frac{p e^t}{1 – (1 – p)e^t}$$
ويشترط لتقارب هذه الدالة ووجودها الرياضي أن يكون $(1 – p)e^t < 1$، أي أن يكون $t < -ln(1 – p)$.

تكمن الأهمية التحليلية لهذه الدوال في قدرتها الفائقة على توليد العزوم الأصلية والمركزية عن طريق إجراء عمليات التفاضل المتتالي بالنسبة لـ $t$ والتعويض عند $t = 0$. فعلى سبيل المثال، يمثل المشتق الأول للدالة المولدة للعزوم عند النقطة صفر القيمة المتوقعة للمتغير العشوائي ($E[X] = M’_X(0)$)، بينما يعطي المشتق الثاني العزم الثاني ($E[X^2] = M”_X(0)$)، مما يوفر مساراً جبرياً محكماً لإثبات المقاييس الوصفية دون الحاجة إلى اللجوء إلى معالجة المتسلسلات اللانهائية المعقدة في كل مرة.

5. المقاييس الإحصائية: القيمة المتوقعة والتباين والانحراف المعياري

5.1 القيمة المتوقعة والمتوسط الحسابي للمحاولات

تُعرّف القيمة المتوقعة (Expected Value) أو الأمل الرياضي $E[X]$ للمتغير العشوائي الهندسي $X$ (بصيغة عدد المحاولات) بأنها المتوسط الحسابي النظري لعدد المحاولات اللازمة لتحقيق أول نجاح عند تكرار التجربة عدداً هائلاً من المرات. رياضياً، يُشتق الأمل الرياضي بحساب المجموع التالي:
$$E[X] = \sum_{k=1}^{\infty} k P(X = k) = \sum_{k=1}^{\infty} k (1 – p)^{k-1} p = p \sum_{k=1}^{\infty} k q^{k-1} \quad (\text{حيث } q = 1 – p)$$

لحل هذا المجموع اللانهائي بدقة، نلاحظ أن الحد $k q^{k-1}$ يمثل المشتق الأول للمقدار $q^k$ بالنسبة لـ $q$. وبما أن متسلسلة القوى تتقارب بانتظام داخل نصف قطر التقارب، يمكننا تبديل ترتيب عمليتي الجمع والتفاضل:
$$\sum_{k=1}^{\infty} k q^{k-1} = \frac{d}{dq} \left( \sum_{k=0}^{\infty} q^k \right) = \frac{d}{dq} \left( \frac{1}{1 – q} \right) = \frac{1}{(1 – q)^2} = \frac{1}{p^2}$$
وبالتعويض في معادلة القيمة المتوقعة الأصلية، نصل إلى النتيجة الأنيقة:
$$E[X] = p \cdot \left( \frac{1}{p^2} \right) = \frac{1}{p}$$

يقدم القانون $E[X] = \frac{1}{p}$ تفسيراً حدسياً وعملياً عميقاً؛ فالمتوسط المتوقع لعدد المحاولات يساوي ببساطة المقلوب الحسابي لاحتمال النجاح في المحاولة الفردية. على سبيل المثال، إذا كان احتمال الفوز في لعبة معينة هو $p = 0.2$ (أي خُمس)، فإن القيمة المتوقعة لعدد المحاولات حتى الفوز الأول هي $1 / 0.2 = 5$ محاولات. أما في حالة استخدام الصيغة البديلة للتوزيع القائمة على عدد الإخفاقات $Y = X – 1$، فإن القيمة المتوقعة لعدد الإخفاقات تصبح:
$$E[Y] = E[X – 1] = E[X] – 1 = \frac{1}{p} – 1 = \frac{1 – p}{p} = \frac{q}{p}$$

5.2 التباين والانحراف المعياري للتوزيع الهندسي

يقيس التباين (Variance) درجة تشتت القيم الممكنة للمتغير العشوائي حول قيمته المتوقعة، ويُعرّف رياضياً بالعلاقة: $operatorname{Var}(X) = E[X^2] – (E[X])^2$. لحساب العزم الثاني $E[X^2]$، نستخدم حيلة جبرية عبر حساب العزم العاملي الثاني $E[X(X – 1)]$:
$$E[X(X – 1)] = \sum_{k=1}^{\infty} k(k – 1) (1 – p)^{k-1} p = p q \sum_{k=2}^{\infty} k(k – 1) q^{k-2}$$
يمثل المجموع الداخلي المشتق الثاني للمتسلسلة الهندسية $\sum_{k=0}^{\infty} q^k = \frac{1}{1-q}$ بالنسبة لـ $q$:
$$\frac{d^2}{dq^2} \left( \frac{1}{1 – q} \right) = \frac{2}{(1 – q)^3} = \frac{2}{p^3}$$
وبالتالي يصبح:
$$E[X(X – 1)] = pq \cdot \left( \frac{2}{p^3} \right) = \frac{2(1 – p)}{p^2}$$

نستنتج العزم الثاني عبر إضافة $E[X]$ إلى الناتج:
$$E[X^2] = E[X(X – 1)] + E[X] = \frac{2(1 – p)}{p^2} + \frac{1}{p} = \frac{2 – 2p + p}{p^2} = \frac{2 – p}{p^2}$$
والآن نعوض في معادلة التباين:
$$operatorname{Var}(X) = E[X^2] – (E[X])^2 = \frac{2 – p}{p^2} – \left( \frac{1}{p} \right)^2 = \frac{2 – p – 1}{p^2} = \frac{1 – p}{p^2}$$
أما الانحراف المعياري ($\sigma$)، وهو مقياس التشتت بنفس وحدات المتغير الأصلي، فيساوي الجذر التربيعي للتباين:
$$\sigma = \sqrt{operatorname{Var}(X)} = \frac{\sqrt{1 – p}}{p}$$

تجدر الإشارة إلى أن تباين التوزيع في صيغة الإخفاقات $operatorname{Var}(Y)$ يتطابق تماماً مع تباين صيغة المحاولات $operatorname{Var}(X)$، لأن طرح مقدار ثابت ($1$) يؤدي فقط إلى إزاحة موقع التوزيع دون التأثير على تشتت البيانات، أي أن$operatorname{Var}(X – 1) = operatorname{Var}(X) = frac{1-p}{p^2}$.

5.3 معامل الالتواء والتفرطح والوسيط والمنوال

يوفر التحليل المتقدم للخصائص الشكلية للتوزيع الهندسي رؤية متكاملة حول توزع الكتلة الاحتمالية وتماثلها. يُقاس التواء التوزيع (Skewness) بالعزم المركزي المعياري الثالث، ويُحسب للتوزيع الهندسي بالصيغة:
$$\gamma_1 = \frac{2 – p}{\sqrt{1 – p}}$$
بما أن $p in (0, 1)$، فإن المقدار $(2 – p)$ موجب دائماً وجذر $(1 – p)$ موجب دائماً، مما يثبت أن التوزيع الهندسي يتمتع بالتواء موجب صارم ($\gamma_1 > 0$) في جميع حالاته دون استثناء. يعكس هذا الالتواء الإيجابي امتداد الذيل الأيمن للتوزيع نحو القيم الكبيرة، حيث تتكدس غالبية الاحتمالات عند البداية بينما تنحدر الاحتمالات تدريجياً كلما اتجهنا يميناً.

أما معامل التفرطح (Kurtosis)، الذي يقيس حدة قمة التوزيع وثقل الذيول مقارنة بالتوزيع الطبيعي، فيُعطى معامل التفرطح الزائد (Excess Kurtosis) بالصيغة:
$$\gamma_2 = 6 + \frac{p^2}{1 – p}$$
تظهر هذه الصيغة بوضوح أن التفرطح الزائد للتوزيع الهندسي أكبر من $6$ دائماً لجميع قيم $p in (0, 1)$، مما يعني أن التوزيع ينتمي لفئة التوزيعات شديدة الحدة وثقيلة الذيول (Leptokurtic) بشكل يفوق بكثير التوزيع الطبيعي المعياري الذي يساوي تفرطحه الزائد صفراً.

وفيما يتعلق بمقاييس النزعة المركزية الأخرى:

• المنوال (Mode): هو القيمة الأكثر تكراراً أو احتمالاً في فضاء التوزيع، ويساوي دائماً $1$ في صيغة المحاولات، و $0$ في صيغة الإخفاقات، نظراً للتناقص الرتيب للاحتمالات الهندسية.
• الوسيط (Median): هو القيمة $m$ التي تجعل الاحتمال التراكمي يصل إلى $0.5$ على الأقل، ويُشتق من حل المتباينة $F(m) = 1 – (1 – p)^m ge 0.5$، والتي تعطي:
  $$m = \left\lceil \frac{-\ln(2)}{\ln(1 – p)} \right\rceil$$
  حيث تمثل الأقواس دالة السقف الحسابية (Ceiling Function) لتقريب الناتج إلى أقرب عدد صحيح أكبر.

6. خاصية انعدام الذاكرة (Memoryless Property) ودلالاتها التحليلية

6.1 البرهان الرياضي لخاصية انعدام الذاكرة

تُعد خاصية انعدام الذاكرة (Memoryless Property) الخاصية الرياضية الأكثر تميزاً وفرادة للتوزيع الهندسي، حيث ينفرد بها وحده دون سائر التوزيعات الاحتمالية المنفصلة جميعها. تنص هذه الخاصية على أن احتمال تحقق النجاح بعد استهلاك عدد إضافي من المحاولات $t$، بالنظر إلى أننا قد فشلنا بالفعل في المحاولات السابقة البالغ عددها$s$، يساوي تماماً وبدقة متناهية احتمال تحقق النجاح بعد$t$ من المحاولات منذ البداية كأن لم يسبق أي فشل. رياضياً، تُصاغ الخاصية بدلالة الاحتمال الشرطي كالتالي:
$$P(X > s + t mid X > s) = P(X > t) \quad \text{لكل } s, t in {1, 2, 3, dots}$$

لتقديم برهان جبري صارم لهذه الخاصية، نطبق تعريف الاحتمال الشرطي القياسي:
$$P(X > s + t mid X > s) = \frac{P((X > s + t) \cap (X > s))}{P(X > s)}$$
بما أن الحدث $X > s + t$ هو مجموعة جزئية تماماً ومحتواة داخل الحدث $X > s$ (لأن تجاوز $s+t$ يتضمن بالضرورة تجاوز $s$)، فإن تقاطع الحدثين يؤول ببساطة إلى الحدث الأصغر:
$$(X > s + t) \cap (X > s) = (X > s + t)$$
وبالتالي تصبح المعادلة:
$$P(X > s + t mid X > s) = \frac{P(X > s + t)}{P(X > s)}$$

وبالتعويض باستخدام دالة البقاء للتوزيع الهندسي المشتقة سابقاً $P(X > k) = (1 – p)^k$:
$$P(X > s + t mid X > s) = \frac{(1 – p)^{s + t}}{(1 – p)^s} = \frac{(1 – p)^s \cdot (1 – p)^t}{(1 – p)^s} = (1 – p)^t = P(X > t)$$
وهو ما يثبت النظرية رياضياً بصورة قطعية لا تدع مجالاً للشك.

6.2 التفسير المنطقي والفلسفي لغياب الذاكرة

من الناحية المنطقية والفلسفية، تعكس خاصية انعدام الذاكرة استقلالاً مطلقاً بين الحاضر والماضي في العمليات العشوائية النقية؛ فالنظام العشوائي الخاضع للتوزيع الهندسي لا يمتلك أي آلية لتسجيل الإخفاقات التراكمية أو تخزين “الجهد الضائع”. إن كل محاولة جديدة تمثل بداية جديدة تماماً مطابقة للمحاولة الأولى من حيث الظروف والاحتمالات، دون أن تتأثر بسلسلة الإخفاقات التي سبقتها مهما طالت مدتها.

تسهم هذه الخاصية الرياضية إسهاماً جوهرياً في تفنيد ودحض الظاهرة النفسية المعروفة باسم مغالطة المقامر (Gambler’s Fallacy). يفترض المقامر أو الملاحظ غير المتمرس إحصائياً أنه إذا تكرر الفشل عدة مرات متتالية (كالخسارة المتكررة في لعبة روليت أو عدم ظهور الرقم 6 في رميات النرد المتتالية)، فإن احتمال الفوز في المحاولة القادمة “يجب” أن يزداد لأن النجاح قد “حان وقته”. يثبت التوزيع الهندسي وخاصية انعدام الذاكرة خطأ هذا التصور الشائع؛ فالاحتمال يظل ثابتاً عند القيمة $p$ في كل محاولة مستقلة، والماضي لا يمارس أي ضغط احتمالي على الحاضر.

يمتد هذا التفسير إلى العلوم النفسية والسلوكية؛ فعند تصميم التجارب المعرفية التي تفترض غياب التعلم أو الإنهاك، يُستخدم التوزيع الهندسي كنموذج معياري للمقارنة (Baseline Model). وإذا أظهرت البيانات التجريبية انحرافاً عن خاصية انعدام الذاكرة، فإن ذلك يُعد دليلاً إحصائياً قاطعاً على وجود عمليات ديناميكية متغيرة، مثل اكتساب الخبرة السلوكية أو تراكم التعب والملل لدى المفحوص.

6.3 التداعيات التطبيقية للخاصية في النمذجة الإحصائية

تفرض خاصية انعدام الذاكرة شروطاً محددة ومحاذير منهجية يجب مراعاتها عند بناء النماذج الإحصائية التطبيقية. ففي مجالات هندسة الوثوقية وتحليل البقاء الميكانيكي، يعني افتراض انعدام الذاكرة أن المكون الهندسي لا يتعرض للشيخوخة أو التآكل مع مرور الوقت (No Aging or Wear-out Effect)؛ فالقطعة القديمة التي عملت لمدة $1000$ ساعة دون عطل تماثل تماماً في كفاءتها واحتمالية عطلها اللاحق قطعة جديدة خرجت لتوها من المصنع. إذا كان المكون يخضع لعوامل التآكل الميكانيكي، فإن التوزيع الهندسي يصبح غير ملائم، ويتعين استبداله بنماذج تدمج معدلات فشل متزايدة مثل توزيع ويبول (Weibull Distribution).

وفي مجال نمذجة شبكات الاتصال ونظرية طوابير الانتظار المنفصلة، تؤدي هذه الخاصية إلى تبسيط التحليلات الرياضية بصورة استثنائية؛ حيث تجعل العمليات العشوائية ذات طبيعة ماركوفية (Markovian Property). يتيح ذلك نمذجة حالات الوصول والمغادرة في النظم الشبكية دون الحاجة إلى تتبع السجل التاريخي لكل عميل أو حزمة بيانات، مما يقلل التعقيد الحسابي للنظام ويسمح باشتقاق حلول تحليلية مباشرة لحالات الاستقرار والازدحام.

وعليه، يجب على الباحث الميداني التمييز بدقة بين الأنظمة العشوائية النقية التي تنعدم فيها الذاكرة، والأنظمة الحيوية أو الديناميكية التي تتضمن آليات تراكم وتكيف، لضمان توافق الفرضيات الرياضية مع الوقائع التجريبية للظاهرة المدروسة.

7. حاسبة التوزيع الهندسي: آليات الحساب والبرمجة الرياضية

7.1 بنية الحاسبة الإحصائية والمدخلات والمخرجات

تعتمد بنية حاسبة التوزيع الهندسي الإحصائية على معالجة رياضية محكمة للمدخلات الأساسية وتوليد المخرجات الوصفية والتراكمية بدقة متناهية. تتطلب الحاسبة النموذجية ثلاثة مدخلات رئيسية يحددها المستخدم:

1. معلمة احتمال النجاح ($p$): وهي قيمة حقيقية مقيدة بالمدى الصارم $0 < p le 1$. يجب أن ترفض الحاسبة أي قيم سالبة أو قيم تتجاوز الواحد الصحيح عبر نظام فحص صحة المدخلات (Input Validation).
2. قيمة المتغير العشوائي ($k$ أو $y$): وهو عدد صحيح يعبر إما عن رقم المحاولة ($k ge 1$) أو عدد الإخفاقات ($y ge 0$).
3. نمط الحساب وتحديد الصياغة: تحديد ما إذا كان المطلوب هو احتمال النقطة المنفردة $P(X = k)$، أو الاحتمال التراكمي الأيسر $P(X le k)$، أو احتمال الذيل الأيمن $P(X > k)$، مع توضيح الصياغة المعتمدة للمتغير.

تقوم الخوارزمية الحسابية الداخلية بمعالجة هذه المدخلات عبر استدعاء المعادلات الجبرية لدالة الكتلة الاحتمالية ودالة التوزيع التراكمي ودالة البقاء. وتنتج الحاسبة باقة متكاملة من المخرجات الإحصائية تشمل:

• الاحتمال المحدد للمحاولة المطلوبة $P(X = k) = (1 – p)^{k-1} p$.
• الاحتمال التراكمي للحدث حتى تلك المحاولة $P(X le k) = 1 – (1 – p)^k$.
• احتمال الاستمرار وتجاوز تلك المحاولة $P(X > k) = (1 – p)^k$.
• المقاييس التوزيعية العامة للنظام: القيمة المتوقعة ($1/p$)، التباين ($(1-p)/p^2$)، الانحراف المعياري، ومعامل الالتواء.

تضمن هذه الحسابات الرقمية الدقيقة توفير تغذية راجعة فورية للمحللين والباحثين، مما يساعد في اتخاذ قرارات سريعة ومبنية على أسس إحصائية متينة في مختلف التطبيقات الميدانية والمخبرية.

7.2 تنفيذ حسابات التوزيع الهندسي باستخدام البرمجيات (R و Python)

تحظى البيئات البرمجية الإحصائية الحديثة بحزم مدمجة متطورة لمعالجة التوزيع الهندسي بكفاءة حسابية عالية. في بيئة لغة R، تتوفر عائلة الدوال القياسية الأربع المخصصة للتوزيع الهندسي:

• الدالة `dgeom(x, prob)`: لحساب دالة الكتلة الاحتمالية، حيث يمثل `x` عدد الإخفاقات و`prob` يمثل $p$.
• الدالة `pgeom(q, prob)`: لحساب دالة التوزيع التراكمي $P(Y le q)$.
• الدالة `qgeom(p, prob)`: لحساب دالة الشريحة المئينية أو دالة الوسيط (Quantile Function).
• الدالة `rgeom(n, prob)`: لتوليد عينات عشوائية تحاكي التوزيع الهندسي بحجم $n$.

ملاحظة برمجية حاسمة في R: تعتمد جميع دوال لغة R صياغة “عدد الإخفاقات السابقة للنجاح” ($Y ge 0$). فإذا كان الباحث يدرس “رقم المحاولة الأولى للنجاح” ($X = 4$)، فيجب عليه إدخال القيمة `x = 3` في الدالة (`dgeom(3, prob)`).

أما في بيئة لغة بايثون، فتُستخدم مكتبة التحليل العلمي `scipy.stats` عبر الموديول `geom`. تقدم بايثون صياغة مباشرة لإجمالي عدد المحاولات ($X ge 1$):

• دالة الكتلة الاحتمالية: `scipy.stats.geom.pmf(k, p)` لحساب $P(X = k)$.
• دالة التوزيع التراكمي: `scipy.stats.geom.cdf(k, p)` لحساب $P(X le k)$.
• دالة البقاء: `scipy.stats.geom.sf(k, p)` لحساب $P(X > k)$.
• المقاييس الوصفية: `scipy.stats.geom.stats(p, moments=’mvsk’)` لاستخراج المتوسط، التباين، الالتواء، والتفرطح مباشرة.
• توليد الأرقام العشوائية: `scipy.stats.geom.rvs(p, size=N)` لتوليد متجهات عشوائية.

كما توفر بايثون الموديول `planck` وموديول `nbinom` للتعامل مع الصياغات البديلة للتوزيعات المنفصلة بكل مرونة.

7.3 التطبيق عبر جداول البيانات (Excel و Google Sheets)

تمثل جداول البيانات الإلكترونية مثل Microsoft Excel و Google Sheets أدوات شائعة وفعالة لإجراء الحسابات الإحصائية للتوزيع الهندسي وبناء حاسبات تفاعلية للمستخدمين. على الرغم من عدم وجود دالة مدمجة صريحة باسم `GEOMDIST` في بعض الإصدارات القديمة، يمكن تطبيق المعادلات الرياضية بدقة باستخدام الدوال الأسية المباشرة ودوال التوزيعات المرتبطة.

لحساب الاحتمالات في جداول البيانات، تُطبق الصيغ التالية في خلايا الحساب (بافتراض أن الخلية `A1` تحتوي على المعلمة $p$، والخلية `B1` تحتوي على رقم المحاولة$k$):

• احتمال المحاولة الفردية $P(X = k)$: تُكتب الصيغة الجبرية المباشرة: `=(1-$A$1)^(B1-1)*$A$1` أو باستخدام دالة التوزيع الثنائي السالب المكافئة هندسياً: `=NEGBINOM.DIST(B1-1, 1, $A$1, FALSE)`.
• الاحتمال التراكمي $P(X le k)$: تُكتب الصيغة المباشرة: `=1-(1-$A$1)^B1` أو باستخدام الدالة التراكمية: `=NEGBINOM.DIST(B1-1, 1, $A$1, TRUE)`.
• احتمال البقاء $P(X > k)$: تُكتب الصيغة المباشرة: `=(1-$A$1)^B1`.

يمكن للمحلل تصميم واجهة حاسبة متقدمة داخل جدول البيانات من خلال إنشاء جدول ديناميكي يدرج قيم $k$ من 1 إلى 50، ويولد تلقائياً المنحنى البياني التراكمي ومنحنى الانحدار الهندسي عبر أدوات الرسم البياني المدمجة، مما يتيح للإدارة وفرق العمل إجراء محاكاة سريعة للسيناريوهات المختلفة وتصور تشتت المخاطر الاحتمالية في بيئة عمل بصرية تفاعلية.

8. تطبيقات التوزيع الهندسي في القياس النفسي والعلوم السلوكية

8.1 نمذجة منحنيات التعلم واكتساب المهارات السلوكية

يحتل التوزيع الهندسي موقعاً متميزاً في أبحاث القياس النفسي (Psychometrics) والعلوم المعرفية، وخاصة في دراسة ديناميكيات التعلم واكتساب المفاهيم الجديدة. يُستخدم التوزيع كنموذج احتمالي أساسي لقياس “عدد المحاولات اللازمة لتحقيق أول حل صحيح” أو أول استجابة مستهدفة عند تعريض المفحوص لمهمة إدراكية معقدة، مثل حل ألغاز المصفوفات المنطقية أو تعلم قواعد التمييز البصري المشروط.

في إطار نظريات التعلم الكلاسيكية، يمثل التوزيع الهندسي نموذج “التعلم بالقفزة الواحدة” (All-or-None Learning Model)، حيث يفترض النموذج أن المفحوص ينتقل من حالة عدم المعرفة إلى حالة الإتقان التام في محاولة نوعية محددة. يمثل المعلم $p$ في هذا السياق “معدل الكفاءة المعرفية” أو “سرعة الاستبصار”، في حين يعبر انحراف البيانات التجريبية عن التوزيع الهندسي عن وجود عمليات تعلم تدريجي تراكمي تتغير فيها قيمة $p$ عبر الزمن، مما يوفر أداة تشخيصية قوية للمقارنة بين النماذج المعرفية المختلفة.

كما يُطبق التوزيع في تقييم كفاءة التدخلات العلاجية السلوكية المعرفية (CBT) وبرامج تعديل السلوك؛ حيث يتم تتبع عدد الجلسات أو المحاولات التدريبية المطلوبة قبل أن يظهر المريض أول استجابة تكيفية ناجحة (مثل ممارسة تقنية الاسترخاء بنجاح أو مواجهة موقف مسبب للقلق دون تجنب)، مما يساعد في تقدير الكفاءة الزمنية والسريرية لمختلف البروتوكولات العلاجية.

8.2 دراسات التكيف والامتثال السلوكي في علم النفس الاجتماعي

في ميدان علم النفس الاجتماعي ودراسات السلوك الجمعي، يُستخدم التوزيع الهندسي لنمذجة استجابات الأفراد للضغوط الاجتماعية وحملات التأثير الإقناعي. عند دراسة ظاهرة الامتثال للأعراف الجمعية أو الاستجابة لرسائل التوعية العامة، ينمذج التوزيع الهندسي عدد المحاولات التكرارية للرسالة الإقناعية (مثل الإعلانات الموجهة لتعديل السلوك الصحي) قبل أن يقرر المستهدف الاستجابة والمشاركة للمرة الأولى.

تستفيد دراسات سلوك المستهلك والتسويق العصبي (Neuromarketing) من هذه النمذجة في تحديد العتبة التكرارية للظهور الإعلاني؛ حيث يُعرّف النجاح بحدوث أول عملية نقر على الإعلان أو أول عملية شراء. يساعد حساب التوزيع الهندسي في تحديد القيمة المتوقعة لمرات التعرض الإعلاني اللازمة لتحقيق التحويل، وتحديد نقطة العائد المتناقص التي يصبح بعدها التعرض الإضافي غير مجدٍ اقتصادياً، مما يسهم في تحسين ميزانيات الحملات التسويقية.

وفي أبحاث المحاكاة الاجتماعية للتفاعل الإنساني، يوفر التوزيع الهندسي آلية لتوليد أزمنة الاستجابة العشوائية للأفراد داخل النماذج القائمة على الوكلاء (Agent-Based Models)، مما يسمح بمحاكاة انتشار الأفكار المبتكرة أو السلوكيات التكيفية داخل الشبكات الاجتماعية المعقدة بأسلوب احتمالي يتسق مع التباين السلوكي البشري الطبيعي.

8.3 أبحاث الإدمان والسلوك النمطي المتكرر

تشكل أبحاث علاج الإدمان والسلوكيات القهرية أحد أهم مجالات التطبيق الإكلينيكي للتوزيع الهندسي، حيث ينصب الاهتمام البحثي على تتبع فترات التعافي وقياس أوقات الصمود أمام المغريات البيئية. في هذه الدراسات، يتم تعريف المحاولات المنفصلة على أنها دورات زمنية محددة (مثل الأيام أو الأسابيع) من الامتناع، في حين يُعرف “النجاح” الإحصائي للنموذج بأنه حدوث “أول انتكاسة سلوكية” (First Relapse Event).

يوفر التوزيع الهندسي نموذجاً أولياً لتقدير دالة البقاء وتحديد احتمالية بقاء المريض في حالة تعافٍ تام بعد مرور $k$ من الأسابيع العلاجية. فإذا كانت احتمالية الانتكاسة في أي أسبوع هي $p$، فإن احتمال استمرار التعافي دون انتكاسة حتى الأسبوع$k$ يُعطى مباشرة بدالة البقاء $(1 – p)^k$. تتيح هذه الحسابات للفرق الطبية والنفسية تقييم درجات خطورة الانتكاسة في المراحل العلاجية الأولى، وبناء مؤشرات إنذار مبكر تضمن توفير الرعاية الداعمة وتكثيف التدخلات في الأوقات الحرجة.

كما يُستخدم التوزيع ذاته في الاتجاه المعاكس لنمذجة “محاولات الإقلاع عن التدخين أو العادات الضارة”؛ حيث يقيس عدد المحاولات الجادة التي يبذلها المدخن قبل أن يحقق أول نجاح مستدام في الامتناع، مما يسلط الضوء على تباين الدافعية الذاتية والمرونة النفسية بين الأفراد ويساعد في تصميم برامج دعم مخصصة تلائم الفروق الفردية للمرضى.

9. التطبيقات العملية في مراقبة الجودة والبحوث الميدانية

9.1 مراقبة الجودة وفحص خطوط الإنتاج الصناعي

يمثل التوزيع الهندسي ركيزة أساسية في أساليب ضبط الجودة الإحصائي (Statistical Process Control – SPC) وتصميم خطط المعاينة في المنشآت الصناعية الحديثة. في خطوط الإنتاج المستمر، يقوم مهندسو الجودة بفحص الوحدات المنتجة بشكل متتابع لاكتشاف القطع المعيبة. يُعرّف المتغير العشوائي الهندسي في هذا السياق بأنه “عدد الوحدات السليمة المفحوصة حتى ظهور أول وحدة معيبة”.

إذا كان معدل العيوب الطبيعي في العملية الصناعية المستقرة هو $p = 0.001$ (أي معيب واحد لكل ألف قطعة)، فإن القيمة المتوقعة لعدد القطع المفحوصة حتى رصد العيب الأول هي $E[X] = 1/0.001 = 1000$ قطعة. وإذا لوحظ ظهور العيب الأول بعد فحص عدد قليل جداً من القطع (مثلاً 50 قطعة فقط)، يمكن للمهندسين حساب الاحتمال التراكمي لحدوث ذلك في ظل فرضية استقرار العملية:
$$P(X le 50) = 1 – (1 – 0.001)^{50} \approx 1 – 0.9512 = 0.0488 \quad (4.88%)$$
بما أن هذا الاحتمال أقل من مستوى الدلالة المعتاد ($0.05$)، يُعد ذلك مؤشراً إحصائياً مبكراً على خروج العملية التصنيعية عن السيطرة (Out-of-Control State)، مما يستدعي إيقاف خط الإنتاج فوراً لإجراء الصيانة التصحيحية ومعالجة الخلل.

كما يُستخدم التوزيع الهندسي في بناء مخططات المراقبة المتقدمة للمحاولات المنفصلة ومخططات فترات التشغيل غير المعيبة (Cumulative Count of Conforming Charts – CCC Charts)، والتي توفر حساسية فائقة في اكتشاف التغيرات الطفيفة في العمليات ذات الجودة العالية جداً (Six Sigma Processes) حيث تكون نسب العيوب منخفضة للغاية بالمليون.

9.2 المسوحات الميدانية واستطلاعات الرأي العام

في مجال البحوث الاستقصائية والمسوحات الميدانية لعلم الاجتماع والعلوم السياسية، تواجه فرق جمع البيانات تحديات لوجستية وتكلفية تتعلق بالوصول إلى العينات المستهدفة. يُستخدم التوزيع الهندسي لنمذجة وتخطيط عدد المكالمات الهاتفية أو الزيارات الميدانية اللازمة للوصول إلى أول مستجيب تتوفر فيه الشروط الديموغرافية أو التخصصية المحددة للبحث.

تساعد هذه النمذجة في التقدير المسبق لتكاليف المسوح وتخصيص الموارد الميدانية بكفاءة؛ فإذا كانت نسبة الفئة المستهدفة في المجتمع تمثل $5%$ فقط ($p = 0.05$)، فإن متوسط عدد الاتصالات المطلوبة لكل مقابلة ناجحة هو $1 / 0.05 = 20$ اتصالاً. وباستخدام دالة التوزيع التراكمي، يمكن للباحثين حساب احتمالية تجاوز المقابلات حداً معيناً من الجهد، وتقدير الزمن الإجمالي اللازم لإنهاء عملية جمع البيانات الميدانية بالكامل بدقة إحصائية عالية.

علاوة على ذلك، يساهم التوزيع الهندسي في معالجة إشكالية “عدم الاستجابة” (Non-response Bias)؛ حيث يُستخدم في نمذجة وتعديل أوزان العينات بناءً على عدد محاولات الاتصال المطلوبة للوصول إلى المستجيب، مما يقلل من التحيز الناتج عن صعوبة الوصول إلى فئات معينة من المجتمع ويزيد من مصداقية النتائج الاستطلاعية وتعميمها.

9.3 التطبيقات الوبائية والطب الحيوي

في علم الأوبئة (Epidemiology) والطب الحيوي، يُستخدم التوزيع الهندسي لنمذجة سلاسل انتقال العدوى وانتشار الأمراض السارية في المجتمعات البشرية. ينمذج التوزيع “عدد مرات التعرض المباشر لمصدر العدوى حتى حدوث الإصابة الأولى بالمرض” لدى الأفراد المعرضين للخطر، حيث تعتمد المعلمة $p$ على ضراوة العامل الممرض ومعدل انتقال العدوى وكفاءة الجهاز المناعي للمضيف.

تتجلى فائدة هذا التوزيع في تقييم فاعلية الإجراءات الوقائية، مثل استخدام اللقاحات أو وسائل الحماية الشخصية. يؤدي تطبيق وسيلة وقائية فعالة إلى خفض احتمالية الإصابة في كل تعرض فردي من $p$ إلى $p_{new}$، مما يترتب عليه زيادة هندسية مباشرة في القيمة المتوقعة لعدد مرات التعرض الآمنة ($1/p_{new}$) التي يمكن للفرد تحملها قبل حدوث الإصابة، مما يوفر مقياساً كمياً لتقييم كفاءة التدخلات الصحية العامة.

كما يُطبق التوزيع في التجارب السريرية للجرعات الدوائية المتقطعة؛ حيث ينمذج عدد الجرعات أو الدورات العلاجية المتكررة اللازمة لظهور أول استجابة إيجابية ملموسة لدى المريض (مثل انكماش الورم أو تعافي المؤشرات الحيوية)، مما يساعد الأطباء في تحديد بروتوكولات العلاج المثلى وفترات المتابعة التشخيصية اللازمة لتقليل الآثار الجانبية للأدوية.

10. مقارنة التوزيع الهندسي بالتوزيعات الاحتمالية المرتبطة

10.1 المقارنة مع توزيع ذي الحدين (Binomial Distribution)

يرتبط التوزيع الهندسي بـ توزيع ذي الحدين (Binomial Distribution) برباط وثيق ينبثق من استنادهما معاً إلى نفس البنية التأسيسية المتمثلة في محاولات برنولي المستقلة ذات الاحتمال الثابت $p$. ومع ذلك، يكمن الفارق الجوهري والمنهجي بين النموذجين في طبيعة المتغير العشوائي وشروط التوقف التجريبية:

• توزيع ذي الحدين: يتم تثبيت عدد المحاولات الإجمالي ($n$) مسبقاً قبل بدء التجربة، ويكون المتغير العشوائي المقاس هو “عدد النجاحات المحققة ($k$)” ضمن هذه المحاولات المحددة، حيث تأخذ قيم$k$ النطاق المنتهي ${0, 1, 2, dots, n}$.
• التوزيع الهندسي: يتم تثبيت عدد النجاحات المستهدفة عند “نجاح واحد فقط” ($r = 1$)، ويكون المتغير العشوائي المقاس هو “عدد المحاولات اللازمة ($k$)” لتحقيق هذا النجاح الفردي، حيث يمتد فضاء القيم إلى المالانهاية${1, 2, 3, dots}$.

يمكن التعبير عن العلاقة الاحتمالية المتبادلة بين التوزيعين رياضياً؛ فإن الحدث القائل بأن التوزيع الهندسي يتطلب أكثر من $k$ من المحاولات ($X_{geom} > k$) يكافئ تماماً القول بأنه في تجربة ذي الحدين ذات الـ $k$ محاولة، كان عدد النجاحات مساوياً للصفر ($X_{\binom} = 0$). وبالتالي:
$$P(X_{geom} > k) = P(X_{\binom} = 0 mid n = k) = \binom{k}{0} p^0 (1 – p)^k = (1 – p)^k$$
وهذا يوضح التناسق الهيكلي البديع بين هذين النموذجين الاحتماليين المركزيين.

10.2 المقارنة مع توزيع ذي الحدين السالب (Negative Binomial)

يمثل التوزيع الهندسي حالة خاصة وبسيطة تماماً من توزيع ذي الحدين السالب (Negative Binomial Distribution). بينما ينمذج التوزيع الهندسي عدد المحاولات حتى تحقيق “النجاح الأول” حصراً، ينمذج توزيع ذي الحدين السالب عدد المحاولات $X$ (أو عدد الإخفاقات $Y$) اللازمة لتحقيق عدد محدد مسبقاً مقداره$r$ من النجاحات، حيث $r ge 1$ عدد صحيح محدد.

تُعطى دالة الكتلة الاحتمالية لتوزيع ذي الحدين السالب (بصيغة عدد المحاولات حتى النجاح رقم $r$) بالصيغة:
$$P(X = k) = \binom{k – 1}{r – 1} p^r (1 – p)^{k – r} \quad \text{لكل } k = r, r+1, r+2, dots$$
وعند وضع $r = 1$ في هذه المعادلة العامة، نجد أن:
$$P(X = k mid r = 1) = \binom{k – 1}{0} p^1 (1 – p)^{k – 1} = 1 \cdot p (1 – p)^{k – 1} = (1 – p)^{k – 1} p$$
وهي دالة الكتلة الاحتمالية للتوزيع الهندسي القياسي تماماً.

يترتب على هذا التعميم أن التوزيع الهندسي يمثل اللبنة الأولية لتوزيع ذي الحدين السالب؛ حيث يمكن النظر إلى أي متغير عشوائي يتبع توزيع ذي الحدين السالب بمعلمة $r$ على أنه مجموع $r$ من المتغيرات العشوائية الهندسية المستقلة والمتطابقة التوزيع ($X = \sum_{i=1}^{r} X_i$). وبناءً على خاصية الخطية للقيمة المتوقعة وجمع التباينات للمتغيرات المستقلة، نجد أن متوسط ذي الحدين السالب هو $r/p$ وتباينه هو $r(1-p)/p^2$.

10.3 المقارنة مع التوزيع الأسي والتوزيع البواسونى

يمثل التوزيع الأسي (Exponential Distribution) النظير الرياضي المتصل المباشر للتوزيع الهندسي المنفصل. فبينما يقيس التوزيع الهندسي عدد المحاولات المنفصلة حتى أول نجاح، يقيس التوزيع الأسي الزمن الحقيقي المستمر المتدفق ($T ge 0$) المنقضي حتى وقوع أول حدث في عملية عشوائية مستمرة بمعدل حدوث ثابت $lambda$.

يشترك التوزيعان في خاصية جوهرية واحدة لا نظير لها: التوزيع الهندسي هو التوزيع الاحتمالي المنفصل الوحيد الذي يمتلك خاصية “انعدام الذاكرة”، في حين أن التوزيع الأسي هو التوزيع الاحتمالي المتصل الوحيد الذي يمتلك نفس الخاصية بالضبط ($P(T > s + t mid T > s) = P(T > t)$). ويمكن اشتقاق التوزيع الأسي كنهاية تقاربية للتوزيع الهندسي عندما يؤول الفاصل الزمني بين المحاولات $\Delta t$ إلى الصفر، مع بقاء معدل الأحداث لكل وحدة زمنية ثابتاً.

أما العلاقة مع توزيع بواسون (Poisson Distribution) وعمليات بواسون النقطية، فتتكامل مع هذه المنظومة؛ حيث تصف عملية بواسون عدد الأحداث الكلي الواقع في فترة زمنية متصلة محددة، بينما تتبع أزمنة الانتظار الفاصلة بين تلك الأحداث المتتالية التوزيع الأسي في الزمن المتصل، وتقابلها الفترات المنفصلة بين النجاحات المتتالية التي تتبع التوزيع الهندسي في الزمن المتقطع.

11. أمثلة محلولة ودراسات حالة تفصيلية خطوة بخطوة

11.1 مسائل تطبيقية في فضاء العينات الكلاسيكي (النرد والقرعة)

المسألة الأولى (رمي النرد): يتم إلقاء حجر نرد متزن سداسي الأوجه بصورة متكررة ومستقلة. ما هو احتمال الحصول على الرقم 6 لأول مرة في الرمية الرابعة؟ وما هي القيمة المتوقعة والانحراف المعياري لعدد الرميات اللازمة لظهور الرقم 6؟

خطوات الحل التفصيلية:

1. تحديد فضاء العينة والمعلمات: احتمال ظهور الرقم 6 في أي رمية فردية هو $p = 1/6 \approx 0.1667$. وبالتالي، احتمال عدم ظهوره (الفشل) هو $q = 1 – p = 5/6 \approx 0.8333$.
2. تحديد المتغير العشوائي والمحاولة المطلوبة: المتغير $X$ يتبع التوزيع الهندسي $X \sim \text{Geom}(p = 1/6)$، والمطلوب حساب $P(X = 4)$.
3. تطبيق دالة الكتلة الاحتمالية:
   $$P(X = 4) = (1 – p)^{4 – 1} p = \left( \frac{5}{6} \right)^3 \left( \frac{1}{6} \right) = \left( \frac{125}{216} \right) \left( \frac{1}{6} \right) = \frac{125}{1296} \approx 0.09645 \quad (9.65%)$$
4. حساب القيمة المتوقعة لعدد الرميات:
   $$E[X] = \frac{1}{p} = \frac{1}{1/6} = 6 \text{ رميات}$$
5. حساب التباين والانحراف المعياري:
   $$operatorname{Var}(X) = \frac{1 – p}{p^2} = \frac{5/6}{(1/6)^2} = \frac{5/6}{1/36} = 30$$
   $$\sigma = \sqrt{30} \approx 5.477 \text{ رمية}$$

المسألة الثانية (الاحتمال التراكمي): ما هو احتمال الحصول على الرقم 6 في غضون 3 رميات على الأكثر؟
$$P(X le 3) = 1 – (1 – p)^3 = 1 – \left( \frac{5}{6} \right)^3 = 1 – \frac{125}{216} = \frac{91}{216} \approx 0.4213 \quad (42.13%)$$

11.2 دراسة حالة سلوكية: تفاعل المستجيبين مع اختبار نفسي

وصف الحالة: في دراسة استقصائية لتطوير اختبار ذكاء إدراكي جديد، تم تصميم مسألة استدلال بصري معقدة ومجردة. أظهرت البيانات المعيارية أن احتمالية تمكن الشخص العادي من حل المسألة بصورة صحيحة من محاولة عشوائية واحدة هي $p = 0.25$. خضع أحد المفحوصين للاختبار مع السماح له بالمحاولة المتكررة حتى الوصول إلى أول حل صحيح.

التحليل الإحصائي المطلوب:

1. حساب احتمالية أن ينجح المفحوص في حل المسألة في المحاولة الثالثة تحديداً.
2. حساب احتمالية أن يحتاج المفحوص إلى أكثر من 5 محاولات للوصول إلى الحل.
3. استخراج التقرير الإحصائي الوصفي الكامل لأداء عينة معيارية تتبع هذا النموذج.

الحل والنتائج:

• احتمال النجاح في المحاولة الثالثة ($k=3$):
  $$P(X = 3) = (1 – 0.25)^{3 – 1} (0.25) = (0.75)^2 (0.25) = 0.5625 \times 0.25 = 0.140625 \quad (14.06%)$$
• احتمال استهلاك أكثر من 5 محاولات ($X > 5$) باستخدام دالة البقاء:
  $$P(X > 5) = (1 – p)^5 = (0.75)^5 = 0.2373 \quad (23.73%)$$
• المؤشرات الإحصائية العامة للعينة:
  • متوسط عدد المحاولات المتوقع: $E[X] = 1 / 0.25 = 4$ محاولات.
  • التباين: $operatorname{Var}(X) = (1 – 0.25) / (0.25)^2 = 0.75 / 0.0625 = 12$.
  • الانحراف المعياري: $\sigma = \sqrt{12} \approx 3.464$ محاولات.
  • الوسيط التحليلي: $m = lceil -ln(2) / ln(0.75) rceil = lceil -0.69315 / -0.28768 rceil = lceil 2.409 rceil = 3$ محاولات.

التفسير النفسي والقياسي: تشير النتائج إلى أن $50%$ من المفحوصين ينجحون في غضون 3 محاولات أو أقل (الوسيط)، بينما يمثل الأفراد الذين يحتاجون لأكثر من 5 محاولات الشريحة التي تعاني من بطء في المعالجة المعرفية للمهمة، مما يوفر معياراً لفرز القدرات الاستدلالية بدقة.

11.3 دراسة حالة في ضمان الجودة واكتشاف العيوب التصنيعية

سيناريو المصنع: يمتلك مصنع لصناعة الرقائق الإلكترونية الدقيقة خط إنتاج آلياً عالي التقنية. تبلغ نسبة الرقائق التي تحتوي على عيوب ميكروية $2%$ ($p = 0.02$) في الظروف التشغيلية الطبيعية. يقوم نظام الفحص الليزري بفحص الرقائق واحدة تلو الأخرى بشكل مستقل وفوري.

المطلوب الإداري والفني:

1. ما هو احتمال أن تكون أول رقاقة معيبة يتم اكتشافها هي الرقاقة رقم 50 المفحوصة؟
2. ما هو احتمال فحص أكثر من 100 رقاقة دون العثور على أي رقاقة معيبة؟
3. إذا توقف خط الإنتاج وتم العثور على العيب الأول عند الرقاقة رقم 10 فقط، هل يُعد هذا دليلاً كافياً لمدير الجودة بأن الخط يعاني من خلل مفاجئ؟

المعالجة الحسابية وصناعة القرار:

• احتمال اكتشاف العيب الأول عند الرقاقة 50 بالضبط:
  $$P(X = 50) = (1 – 0.02)^{49} (0.02) = (0.98)^{49} (0.02) \approx 0.3716 \times 0.02 = 0.00743 \quad (0.74%)$$
• احتمال فحص أكثر من 100 رقاقة سليمة دون عيوب ($P(X > 100)$):
  $$P(X > 100) = (1 – 0.02)^{100} = (0.98)^{100} \approx 0.1326 \quad (13.26%)$$
• تقييم قرار مدير الجودة بخصوص ظهور العيب عند الرقاقة 10:
  نحسب الاحتمال التراكمي لاكتشاف العيب في أو قبل الرقاقة 10:
  $$P(X le 10) = 1 – (1 – 0.02)^{10} = 1 – (0.98)^{10} = 1 – 0.8171 = 0.1829 \quad (18.29%)$$
  القرار الإداري: بما أن احتمال حدوث ذلك بالصدفة المجردة يبلغ حوالي $18.3%$ (وهو احتمال مرتفع نسبياً وأكبر بكثير من مستوى الخطر المعتاد $5%$ أو $1%$)، فإن ظهور العيب عند القطعة العاشرة لا يمثل دليلاً إحصائياً كافياً بمفرده لإثبات تعطل الخط؛ ويجب مواصلة المراقبة ما لم تتكرر العيوب بمعدلات أعلى من المتوقع.

12. التحديات والأخطاء الشائعة وأفضل الممارسات في النمذجة

12.1 الأخطاء المفاهيمية في تطبيق التوزيع الهندسي

يقع العديد من الباحثين ومحللي البيانات في أخطاء مفاهيمية شائعة عند تطبيق التوزيع الهندسي، مما ينعكس سلباً على دقة الاستنتاجات العلمية والعملية. من أبرز هذه الأخطاء الخلط بين صياغة عدد المحاولات وصياغة عدد الإخفاقات؛ حيث يؤدي عدم التمييز بين $X in {1, 2, dots}$ و $Y in {0, 1, dots}$ إلى إزاحة المتوسطات بمقدار وحدة كاملة، واستخدام دوال برمجية خاطئة تعطي تقديرات مضللة للقيم الاحتمالية عند المحاولات الأولى.

يتمثل الخطأ الشائع الثاني في تجاهل انتهاك شرط ثبات المعلمة $p$ عبر الزمن. يفترض الكثير من المحللين ملاءمة التوزيع الهندسي لبيانات تتضمن بطبيعتها آليات تعلم أو تدريب أو إجهاد بيولوجي وميكانيكي. فعندما يتحسن أداء المتدرب تدريجياً، يزداد احتمال النجاح $p$ مع كل محاولة، مما يجعل النموذج الهندسي الكلاسيكي يقلل من احتمالية النجاح في المحاولات المتقدمة ويبالغ في تقدير التشتت والتباين.

أما الخطأ الثالث، فيتعلق بـ إغفال شرط استقلال المحاولات عند المعاينة بدون إحلال من مجتمعات محدودة. فعند سحب عينات من مجتمع صغير دون إعادة العناصر المسحوبة، يتغير تركيب المجتمع الاحتمالي بعد كل سحب، مما يقتضي استخدام التوزيع فوق الهندسي وتعديلاته للانتظار بدلاً من التوزيع الهندسي الذي يشترط الاستقلال الصارم وبقاء فضاء العينات ثابتاً.

12.2 معالجة انتهاك الفرضيات وتعديل النماذج

عندما تظهر البيانات الميدانية انتهاكاً لافتراضات التوزيع الهندسي الكلاسيكي، يتعين على الباحث تطبيق نماذج إحصائية معدلة أو اختيار توزيعات بديلة أكثر ملاءمة للبنية الواقعية للظاهرة:

• النماذج الهندسية ذات التضخم الصفري (Zero-Inflated Geometric Models): تُستخدم عندما تحتوي البيانات التجريبية على فائض غير طبيعي من النجاحات الفورية في المحاولة الأولى ($X=1$ أو $Y=0$) يفوق ما يتنبأ به التوزيع الهندسي القياسي، كما في حالات وجود فئة من الخبراء ينجزون المهمة فوراً دون أي إخفاق.
• التوزيع الهندسي المبتور (Truncated Geometric Distribution): يُطبق في الحالات التجريبية التي تفرض حداً أقصى للمحاولات المسموح بها ($k_{\max}$) يتم بعده إنهاء الاختبار إجبارياً حتى لو لم يتحقق النجاح.
• توزيع ويبول المنفصل (Discrete Weibull Distribution): يمثل البديل الأمثل عندما تتغير احتمالية الفشل أو النجاح مع تقدم المحاولات نتيجة للتآكل أو التعب، حيث يدمج معلمة شكل ($\beta$) تحدد اتجاه تزايد أو تناقص المخاطر عبر الزمن.

يجب إخضاع البيانات لاختبارات جودة المطابقة (Goodness-of-Fit Tests)، مثل اختبار كاي-تربيع للمطابقة أو اختبار كولموجوروف-سميرنوف المنفصل، لمقارنة التوزيع التجريبي الفعلي مع التوزيع الهندسي النظري، والتأكد إحصائياً من صلاحية النموذج المعتمد قبل اعتماده في التنبؤ وصنع القرار.

12.3 دليل إرشادي لأفضل ممارسات التحليل والتقارير الإحصائية

لضمان الالتزام بأعلى معايير الرصانة الأكاديمية والمهنية عند استخدام التوزيع الهندسي وإعداد التقارير الإحصائية، يُوصى باتباع الخطوات المنهجية التالية:

1. التوثيق الدقيق للتعريفات الإجرائية: يجب أن يوضح التقرير بعبارات لا تقبل اللبس ما يمثل “النجاح” وما يمثل “الفشل”، وتحديد الصياغة الرياضية المعتمدة للمتغير العشوائي بوضوح (هل يقيس إجمالي المحاولات أم عدد الإخفاقات).
2. تقدير المعلمات وفترات الثقة: يجب تقدير معلمة النجاح $\hat{p}$ باستخدام طريقة الإمكان الأعظم (Maximum Likelihood Estimation – MLE)، والتي تُعطى بالصيغة $\hat{p} = 1 / \bar{X}$ (حيث $\bar{X}$ هو متوسط عينة المحاولات)، مع حساب فترة الثقة الإحصائية (Confidence Interval) للمعلمة عند مستوى ثقة $95%$ باستخدام تقنيات التقريب الطبيعي أو طرائق إعادة العينات (Bootstrapping).
3. التحقق البصري والرقمي من الاستقلال وثبات المعلمات: إدراج رسوم التشخيص الإحصائي مثل مخططات التشتت عبر الزمن ومخططات الارتباط الذاتي لإثبات خلو البيانات من الاتجاهات التراكمية.
4. صياغة المخرجات بلغة واضحة لغير المتخصصين: ترجمة المؤشرات الرياضية المعقدة إلى مدلولات عملية ملموسة، مثل توضيح أن “متوسط وقت الوصول هو 4 محاولات، وأن نصف العينة ستحقق الهدف في 3 محاولات أو أقل”، مما يسهل استيعاب النتائج من قبل صناع القرار في المجالات النفسية والإدارية والطبية.

الخاتمة

يمثل التوزيع الهندسي نموذجاً استثنائياً يجمع بين البساطة الرياضية والقوة التفسيرية الفائقة في عالم النمذجة العشوائية المنفصلة. فمن خلال بناء منطقي محكم يستند إلى تجارب برنولي واستقلال المحاولات، ينجح التوزيع في تقديم توصيف دقيق لكميات زمن الانتظار والمحاولات التكرارية التي تتخلل مختلف الظواهر الإنسانية والتقنية والطبيعية. وتضفي خصائصه الرياضية المميزة، وفي مقدمتها خاصية انعدام الذاكرة وعلاقته المباشرة بالمتسلسلات الهندسية والانحدار الأسي، بعداً تحليلياً فريداً يجعله حجر الزاوية لفهم التوزيعات الاحتمالية الأكثر تعقيداً.

وقد أثبت التوزيع الهندسي عبر عقود من التطبيق كفاءته كأداة لا غنى عنها في القياس النفسي لدراسة سرعة التعلم والتكيف السلوكي، وفي ضمان الجودة الصناعية لرصد العيوب وضبط العمليات، وفي الدراسات الوبائية والاستقصائية لتقدير معدلات التعرض والاستجابة الميدانية. ومع تطور البرمجيات الإحصائية وحاسبات التحليل الرقمي، بات توظيف هذا التوزيع متاحاً بدقة وسلاسة فائقة، مما يمكن الباحثين والمهندسين من تحويل البيانات العشوائية الأولية إلى رؤى استدلالية وتنبؤية تخدم مسارات المعرفة وصناعة القرار الرشيد.

References

• Bernoulli, J. (1713). Ars Conjectandi, Opus Posthumum. Impensis Thurnisiorum, Fratrum.
• Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury Press. https://www.cengage.com
• Feller, W. (1968). An Introduction to Probability Theory and Its Applications (Vol. 1, 3rd ed.). John Wiley & Sons. https://www.wiley.com
• Hogg, R. V., McKean, J., & Craig, A. T. (2019). Introduction to Mathematical Statistics (8th ed.). Pearson. https://www.pearson.com
• Johnson, N. L., Kemp, A. W., & Kotz, S. (2005). Univariate Discrete Distributions (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471715816
• Montgomery, D. C. (2019). Introduction to Statistical Quality Control (8th ed.). John Wiley & Sons. https://www.wiley.com
• Ross, S. M. (2014). Introduction to Probability Models (11th ed.). Academic Press. https://doi.org/10.1016/C2012-0-06103-6
• Wackerly, D. D., Mendenhall, W., & Scheaffer, R. L. (2008). Mathematical Statistics with Applications (7th ed.). Cengage Learning. https://www.cengage.com