كيفية استخدام ما يعادل runif() في بايثون

تُعد عملية الانتقال بين البيئات البرمجية المخصصة للحوسبة الإحصائية واحدة من أكثر التحديات المنهجية شيوعاً بين الباحثين وعلماء البيانات ودارسي القياس الكمي. لعقود طويلة، احتلت لغة R مكانة الصدارة بوصفها الأداة الأساسية والأكثر انتشاراً في الأوساط الأكاديمية ومختبرات البحوث النفسية والاجتماعية والطبية الحيوية، بفضل حزمتها الإحصائية المتكاملة ودوالها الرياضية المبنية خصيصاً لتلبية متطلبات التحليل التجريبي الرصين. غير أن التوسع الهائل في مجالات الذكاء الاصطناعي، ونماذج التعلم العميق، والأطر الحسابية الموزعة، جعل من لغة بايثون (Python) قطباً جاذباً لا غنى عنه، مما ولّد حاجة ملحة لدى المشتغلين بالبحث العلمي لترجمة ترسانتهم البرمجية التقليدية بكفاءة ودقة متناهيتين دون المساس بالنزاهة الحسابية للنماذج المنفذة.

يمثل توليد الأرقام العشوائية وتحديداً التوزيع الاحتمالي المنتظم المستمر حجر الزاوية في مئات التطبيقات الإحصائية الأساسية، بدءاً من أساليب المحاكاة الحاسوبية وخوارزميات مونت كارلو (Monte Carlo Simulations)، وصولاً إلى التصميم التجريبي وضبط المتغيرات الدخيلة وتعيين أزمنة التحفيز الحسي في علم النفس السلوكي. وفي هذا السياق، تُعد دالة runif() في لغة R المعيار الذهبي المألوف لمعظم الإحصائيين عند حاجتهم إلى سحب قيم عشوائية مستمرة ذات كثافة احتمالية موحدة ضمن فترة عددية محددة. إلا أن التعامل مع هذا الإجراء داخل النظام البيئي للغة بايثون يتطلب فهماً معمقاً لا يقتصر فقط على استبدال استدعاء برمجي بآخر، بل يمتد إلى استيعاب الفلسفة المعمارية التي تبني عليها بايثون عملياتها الرياضية عبر مكتبة NumPy والوحدات القياسية المرتبطة بها.

يهدف هذا المقال الأكاديمي الموسع إلى تقديم دليل علمي ومرجعي شامل للباحثين والمبرمجين وعلماء القياس النفسي، يفكك آليات عمل دالة runif() الإحصائية والرياضية، ويستعرض بدائلها المكافئة تماماً في بايثون، مع التركيز على دالة numpy.random.uniform() ومنظومة مولدات الأرقام العشوائية الحديثة (Generator API). سنخوض في تشريح المعاملات الرياضية، وطبيعة المجالات الحسابية المغلقة ونصف المفتوحة، وضبط البذور لإعادة الإنتاج العلمي، والتطبيقات المتقدمة في بناء التجارب المعملية، والتحويلات الإحصائية نحو التوزيعات الأخرى، وتفادي الأخطاء البرمجية الشائعة، لنمنح الباحث الأدوات الكاملة لكتابة كود علمي متين يتوافق مع أعلى معايير الشفافية والصلابة المنهجية المعاصرة.

1. المقدمة النظرية: مفهوم دالة runif() في لغة R وأهميتها الإحصائية

1.1 دور runif() في توليد الأرقام العشوائية وتوزيع الاحتمال الموحد

يقوم مفهوم التوزيع الاحتمالي المنتظم المستمر (Continuous Uniform Distribution) على افتراض رياضي بديهي وصارم في آن واحد: تساوي كثافة الاحتمال لجميع القيم الممكنة التي تنتمي إلى مجال رقمي متصل يحده طرف أدنى $a$ وطرف أعلى $b$. رياضياً، تُعرف دالة كثافة الاحتمال (Probability Density Function – PDF) لهذا التوزيع بالصيغة التالية:

f(x) = 1 / (b – a)      for a ≤ x ≤ b

بينما تنعدم هذه القيمة، أي تساوي صفراً، خارج تلك الحدود. تعكس هذه الصيغة حيادية احتمالية مطلقة؛ فلا توجد قيمة داخل النطاق تمتلك أفضلية في الظهور على حساب قيمة أخرى، وهو ما يُترجم هندسياً بمستطيل قاعدته تمتد من $a$ إلى $b$ وارتفاعه يبلغ المعكوس الحسابي لطول تلك القاعدة لضمان أن تظل المساحة الكلية الواقعة تحت المنحنى مساوية للواحد الصحيح، وفقاً للبديهية الأساسية في نظرية الاحتمالات المستمرة.

أما دالة التوزيع التراكمي (Cumulative Distribution Function – CDF)، والتي تعبر عن احتمال أن يأخذ المتغير العشوائي $X$ قيمة تقل عن أو تساوي $x$، فتتخذ شكلاً خطياً متصاعداً تدريجياً، يُصاغ كما يلي:

F(x) = P(X ≤ x) = (x – a) / (b – a)      for a ≤ x ≤ b

وتصبح صفراً إذا كانت $x < a$ وواحداً صحيحاً إذا تجاوزت $x ge b$. تتجلى الأهمية الإحصائية لدالة runif() في R في كونها التجسيد البرمجي المباشر لهذه الخصائص الرياضية؛ إذ تتيح محاكاة العينات العشوائية المستمرة التي تستند إليها بحوث القياس ومحاكاة العمليات التصادفية (Stochastic Processes).

يجب التمييز هنا بدقة بين هذا التوزيع المستمر والتوزيعات الاحتمالية المنفصلة (Discrete Distributions)؛ ففي التوزيع المنفصل، يتركز الاحتمال في نقاط مفردة متقطعة (مثل رمي حجر نرد)، بينما في حالة التوزيع المستمر الذي تولده runif()، يكون احتمال وقوع أي نقطة رياضية محددة بدقة لانهائية مساوياً للصفر نظرياً ($P(X = c) = 0$). وبناءً عليه، يتم التعامل دائماً مع احتمالية وقوع القيم ضمن فترات أو مجالات متناهية الصغر، مما يجعل هذه الدالة أداة مثالية للمحاكاة والتحليل العددي التكراري.

1.2 البنية النحوية والمعاملات الأساسية لدالة runif() في R

تمتلك دالة runif() في لغة R بنية تركيبية بسيطة ومحكمة صُممت لتسهيل الاستخدام الفوري في أسطر الأوامر والبرامج الإحصائية الكبيرة. تتحدد صياغتها المعيارية بالصورة التالية: runif(n, min = 0, max = 1). يمثل المعامل الأول n عدداً صحيحاً موجباً يحدد حجم العينة المطلوب سحبها، أو بدقة أكبر، عدد العناصر المكونة للمتجه الناتج عن الاستدعاء. يتميز هذا المعامل بكونه إجبارياً في سياق التنفيذ؛ إذ لا يمكن استدعاء الدالة دونه، وتفرز محاولة تمرير قيم غير منطقية كالأعداد السالبة أخطاء برمجية فورية.

في المقابل، يمثل المعاملان min و max المعالم المحددة للمجال الرياضي العددي المراد توليد القيم ضمنه؛ حيث يعبر min عن الحد الأدنى، بينما يعبر max عن الحد الأعلى للتوزيع. تمتاز الدالة بوجود سلوك افتراضي مدمج عالي الكفاءة؛ فإذا أغفل المستخدم تحديد هذين المعاملين، تسند R تلقائياً القيمة 0 للمعامل min والقيمة 1 للمعامل max، مما ينتج ما يُعرف بالتوزيع المنتظم القياسي (Standard Uniform Distribution) على الفترة $[0, 1]$.

إن طبيعة المخرجات الصادرة عن runif() تتناغم كلياً مع فلسفة الحوسبة المتجهة (Vectorized Computing) المتجذرة في R؛ فالدالة لا تعيد مؤشرات مفردة أو كائنات غير مستقرة، بل ترجع فوراً متجراً عددياً أحادي البعد (Numeric Vector) من نوع الأرقام العشرية ذات الفاصلة العائمة المزدوجة الدقة (Double Precision Floating-Point). يتيح هذا المتجه المباشر الاندماج بسلاسة تامة مع هياكل البيانات الأخرى مثل المصفوفات الإحصائية (Matrices) وأطر البيانات المجدولة (DataFrames)، مما جعلها عبر العقود اللبنة الأكثر بساطة وثباتاً في كتابة الأكواد التحليلية.

1.3 أهمية توليد الأرقام العشوائية المنتظمة في الأبحاث النفسية والسلوكية

تعتمد الدراسات التجريبية في علم النفس السلوكي وعلم الأعصاب الإدراكي اعتماداً جذرياً على العشوائية المنهجية (Randomization). تكمن الوظيفة المركزية لهذه العشوائية في التحييد الإحصائي للمتغيرات الدخيلة (Extraneous Variables) والحد من تأثيرات الإرباك التجريبي (Confounding Effects) التي قد تفسد الاستدلال السببي في التصاميم بين المجموعات (Between-Subject Designs) أو داخل العينات (Within-Subject Designs). يتيح التوزيع المنتظم التوزيع المتكافئ للمشاركين عبر الشروط التجريبية دون تحيز واعٍ أو غير واعٍ من جانب الباحث، مما يؤسس لمجموعات تجريبية متكافئة مبدئياً قبيل تطبيق التدخلات العلاجية أو المهام المعرفية.

علاوة على ذلك، يشهد المشهد الأكاديمي المعاصر تحولاً هيكلياً عميقاً يستدعي نقل المعالجات التجريبية من بيئة R التقليدية إلى لغة بايثون. يعود هذا التحول إلى هيمنة بايثون على منصات تصميم التجارب المعرفية البرمجية المتطورة، مثل واجهات PsychoPy ومكتبات Expyriment، فضلاً عن الحاجة المتزايدة لدمج القياسات السلوكية مع أطر التعلم الآلي والشبكات العصبية الاصطناعية لمعالجة الإشارات العصبية المعقدة (مثل fMRI وتخطيط أمواج الدماغ EEG).

يفرض هذا الانتقال استيفاء معايير الشفافية وقابلية إعادة الإنتاج العلمي (Scientific Reproducibility). إذا كانت الدراسات السلوكية السابقة قد تأسست على خوارزميات R، فإن إعادة نمذجتها أو مراجعتها التكرارية في بايثون تتطلب ضمان التطابق المفاهيمي والرياضي الدقيق بين مخرجات اللغتين. إن أي خلل بسيط في ترجمة دوال التوليد العشوائي قد ينتج عنه انحراف طفيف في أزمنة عرض المثيرات أو أنماط التوزيع التجريبي، الأمر الذي ينعكس سلباً على سلامة وموثوقية النتائج السيكومترية المستخلصة.

2. الانتقال من R إلى بايثون: تحديد البدائل البرمجية المكافئة

2.1 النظام البيئي للحوسبة العلمية في بايثون

على خلاف لغة R التي صُممت منذ نشأتها الأولى كنظام برمجي موجّه كلياً للتحليل الإحصائي، بُنيت لغة بايثون بوصفها لغة برمجة عامة الأغراض (General-Purpose Language). نتج عن هذا الفارق الفلسفي أن النواة الأساسية لبايثون لا تحتوي افتراضياً على دوال إحصائية متجهة متطورة، بل تعتمد بدلاً من ذلك على بنيتها المعيارية ونظام حزمها الخارجية القوي. وقد برزت مكتبة NumPy (Numerical Python) عبر السنوات لتكون العمود الفقري المطلق والأساس البنيوي الذي ترتكز عليه سائر تطبيقات الحوسبة العلمية ومعالجة البيانات المعقدة في بايثون.

تحتوي بايثون أيضاً على وحدة مدمجة تدعى random ضمن مكتبتها القياسية (Standard Library). وبالرغم من كفاءة هذه الوحدة في التطبيقات الخفيفة وسهولة استخدامها مع هياكل البيانات الأساسية كالقوائم والسلاسل، إلا أنها تعاني من قيود حادة تجعلها غير ملائمة لمعالجة العينات الضخمة أو محاكاة العمليات الإحصائية المتقدمة. يرجع ذلك أساساً إلى بطء عمليات التكرار (Loops) في بايثون الصرفة وافتقارها للمصفوفات المتجانسة المكدسة في الذاكرة المنخفضة.

لهذا السبب، يستقر إجماع الباحثين ومحللي البيانات التجريبية على تفضيل مكتبة NumPy عند التعامل مع المحاكاة العددية والتجارب السلوكية المركبة. تقدم المكتبة كائناً جوهرياً هو مصفوفة الأبعاد المتعددة (ndarray)، المكتوب بلغة C ذات السرعة الفائقة، مما يسمح بإجراء حسابات متجهة متزامنة تضاهي، وتتفوق في كثير من الأحيان على، الأداء الحسابي للأكواد الإحصائية المماثلة في لغة R.

2.2 المقارنة المباشرة: تحديد دالة np.random.uniform() كبديل رئيسي

عند البحث عن البديل المباشر الذي يحاكي السلوك الرياضي لدالة runif() بدقة لا تقبل اللبس، تبرز الدالة numpy.random.uniform() بوصفها المكافئ المباشر والمعتمد تاريخياً داخل النظام البيئي لبايثون. تتطابق هاتان الدالتان كلياً من حيث المبدأ الإحصائي؛ فكلاهما يقوم بسحب متغيرات مستمرة من توزيع منتظم يقع بين حدين عدديين معلنين.

ومع ذلك، تظهر اختلافات طفيفة ولكنها ذات دلالة برمجية عميقة على صعيد التسميات النحوية للمعاملات وترتيبها الهيكلي. فبينما تستخدم R المعامل n للإشارة لحجم العينة وmin و max لحدود النطاق، تعتمد بايثون في np.random.uniform() المعامل low للتعبير عن الحد الأدنى، و high للتعبير عن الحد الأعلى، في حين تستخدم المعامل size لتعيين عدد القيم أو الأبعاد الهندسية للمصفوفة المولدة. يوضح السياق البرمجي الآتي هذا التناظر:

R: runif(n = 10, min = 0, max = 5)
Python: np.random.uniform(low = 0, high = 5, size = 10)

تخضع كلتا الدالتين للمحددات التقنية الصارمة لتمثيل أرقام الفاصلة العائمة وفق معيار معهد مهندسي الكهرباء والإلكترونيات (IEEE 754). يضمن هذا التوافق الرياضي أن تكون السعة الاحتمالية ونقاء الفواصل الرقمية متماثلة نظرياً عبر اللغتين، مما يتيح للباحث إمكانية الانتقال البرمجي وتكرار التحليلات دون خشية حدوث تشوهات رقمية في البنية الرياضية للتوزيع.

2.3 التحول نحو واجهات التوليد الحديثة في NumPy

شهدت الإصدارة 1.17 من مكتبة NumPy نقطة تحول مفصلية في فلسفة إدارة الأرقام العشوائية؛ حيث قرر مجتمع التطوير التمييز بين الواجهة التقليدية القديمة (Legacy Random Generation) القائمة على فضاء الأسماء المباشر np.random.*، وبين واجهة المولد الحديثة كلياً المعتمدة على الكائن numpy.random.Generator. يتم استدعاء هذا المولد المعاصر عبر الدالة المهيئة np.random.default_rng().

تنبع الحاجة إلى هذا التحول من العيوب الهيكلية التي شابت خوارزمية التوليد القديمة (Mersenne Twister)، والتي عانت من بعض القيود الإحصائية وبطء استهلاك الموارد عند الحاجة لتوليد سلاسل عشوائية متوازية ومستقلة. يوفر الكائن الحديث بنية تحتية برمجية أسرع وأكثر صلابة تعتمد على خوارزميات أحدث مثل PCG64 (Permuted Congruential Generator)، متفوقة بوضوح في جودة العشوائية الإحصائية وخصائص الاستقلال التبادلي للبيانات الكبيرة.

في سياق المختبر النفسي والتطبيقي المعاصر، يجب على الباحث المفاضلة بوعي: إذا كان الكود البرمجي المراد نقله يهدف إلى محاكاة نصوص تاريخية قديمة دون المساس بالبنية السائدة، فإن استخدام np.random.uniform() لا يزال خياراً وارداً ومدعوماً للحفاظ على التوافق الرجعي. ولكن، إذا كان المشروع يُبنى ليكون منصة حديثة ومستدامة، فإن التوجه المعياري الموصى به اليوم هو استدعاء rng.uniform() المنبثقة من كائن المولد الافتراضي لضمان الكفاءة الحسابية المتطورة.

3. البنية البرمجية والتشريح الدقيق لدالة np.random.uniform()

3.1 شرح المعاملات الحسابية: low و high و size

تتميز دالة np.random.uniform(low=0.0, high=1.0, size=None) بمرونة تشغيلية فائقة نابعة من الضبط الدقيق لمعاملاتها الأساسية الثلاثة. يؤدي المعامل low دور الطرف الأدنى الحاكم للمجال العددي للتوزيع المراد سحبه، وهو المناظر المباشر للمعامل min في لغة R. يقبل هذا المعامل قيماً عشرية أو صحيحة سالبة أو موجبة، كما يقبل مصفوفات عددية في الحالات الحسابية المتقدمة. في المقابل، يؤدي المعامل high دور الطرف الأعلى، متطابقاً في وظيفته تماماً مع المعامل max.

يحتل المعامل size مكانة محورية في تمييز دالة بايثون؛ إذ يتجاوز كونه مجرد رقم قياسي يحدد طول المتجه مثل المعامل n في R، ليمثل وصفاً هيكلياً هندسياً (Shape Descriptor). إذا تُرك المعامل size=None، تعيد الدالة رقماً عشرياً مفرداً (Python Float). أما إذا تم تمرير رقم صحيح مفرد كقيمة للمعامل (مثل size=100)، تنتج الدالة مصفوفة أحادية البعد تحتوي على مئة قيمة مستمرة، بينما يؤدي تمرير زوج أو ثلاثي مرتب (Tuple) مثل size=(50, 4) إلى بناء مصفوفة مهيكلة ذات أبعاد متعددة على الفور دون الحاجة لإعادة تشكيل لاحقة.

تتطابق القيم الافتراضية للمعاملات في بايثون تطابقاً تاماً مع نظيرتها في R؛ إذ يُسند افتراضياً low=0.0 و high=1.0 في حال غياب التحديد الصريح. تُمكّن هذه الميزة المبرمج من طلب سحب رقم منتظم قياسي بمجرد كتابة np.random.uniform()، مما يحقق اختصاراً برمجياً أنيقاً يسهل كتابة النماذج الأولية بسرعة واحترافية.

3.2 طبيعة المجال الرقمي وتضمين الحدود الرياضية

تتطلب الدقة المنهجية تفكيكاً دقيقاً لطبيعة الفترات العددية التي تعمل الدالتان عليها؛ فمن الناحية النظرية الصرفة، يُعرف التوزيع على فترة مغلقة $[a, b]$، غير أن التطبيق البرمجي الفعلي في بايثون ينتج أرقاماً تنتمي إلى الفترة نصف المفتوحة (Half-Open Interval) المعرفة رياضياً بالرمز $[low, high)$. يعني هذا أن أي قيمة مسحوبة $x$ يجب بالضرورة أن تحقق الشرط الرياضي الصارم:

low ≤ x < high

تضمن هذه الآلية البرمجية ألا تكون القيمة القصوى high مشمولة إطلاقاً ضمن مجموعة النتائج الممكنة نظرياً. إلا أن التحليل الرقمي يكشف عن حالات حافة حسابية (Edge Cases) ينبغي لعلماء البيانات التنبه لها؛ فعند تشغيل الخوارزمية مع بعض معالجات الفاصلة العائمة المقيدة، قد تؤدي عمليات التقريب الداخلي لمستويات البت المنخفضة (Rounding Errors) في معادلة التحويل الخطية:

x = low + (high – low) × U(0, 1)

إلى ظهور القيمة high بدقة مطلقة في حالات نادرة جداً ومجهرية، لا سيما إذا اقتربت قيمة $U(0, 1)$ إلى أقصى تمثيل تسمح به خانة المعالجة العشرية.

بالمقارنة مع خوارزميات لغة R المعتمدة على دالة runif()، نجد أن التوثيق الرسمي لـ R ينوه صراحة إلى أن الفترة المعتمدة هي أيضاً $[min, max]$ نظرياً، ولكنها تستبعد طرفي النطاق استبعاداً عملياً شبه دائم بسبب محدودية الفاصلة العائمة الكسرية، ما لم يتم إجبار المولد على السحب الحتمي للحدود. ومن هنا، يظل السلوك الإحصائي العام بين اللغتين متكافئاً بصورة لا تؤثر إطلاقاً على التحليلات التجريبية الكلية.

3.3 أنماط البيانات الناتجة والتعامل مع الذاكرة الحسابية

تُرجع دالة np.random.uniform() مصفوفات متجانسة مبنية على نمط البيانات العشري المعياري مزدوج الدقة (numpy.float64)، والذي يستهلك 8 بايت من الذاكرة الحية لكل عنصر رقمي مولد. يوفر هذا النمط دقة متناهية تمتد حتى نحو 15 إلى 17 خانة عشرية ذات دلالة، وهو ما يعتبر كافياً وأكثر من مطلوب لمعظم الحسابات والتحليلات الإحصائية السلوكية التي تجري داخل المختبرات.

إلا أنه في سياق محاكاة النظم السكانية الضخمة (Agent-Based Models) أو إجراء ملايين التجارب التكرارية في زمن محدود، قد يصبح استهلاك الذاكرة العشوائية عائقاً كبيراً أمام التنفيذ الفعال. تتيح مكتبة NumPy للمطور إمكانية التحويل القسري للأنماط العددية إلى الدقة الأحادية (numpy.float32)، مما يقلص الحجم المستهلك في الذاكرة بنسبة 50% على الفور، عبر استدعاء وسيط تحويل صريح مثل .astype(np.float32).

علاوة على ذلك، تتمتع المصفوفات الناتجة (ndarray) بخصائص هندسية تسمح بالتحقق الفوري من سلامة الأبعاد وصحة التخصيص التخزيني دون استهلاك وقت معالجة إضافي. فمن خلال قراءة الخاصيتين .shape و .dtype، يستطيع الباحث التأكد من أن أبعاد العينة تتماشى تماماً مع مصفوفة التصميم التجريبي المستهدفة وأن استهلاك الذاكرة يقع ضمن النطاق الآمن لوحدة المعالجة المركزية، مما يقي الكود من الانهيار أثناء معالجة البيانات الفائقة الضخامة.

4. ضبط التكرارية وإعادة الإنتاجية العلمية في بايثون

4.1 مقارنة set.seed() في R مع أدوات ضبط البذور في بايثون

تعتمد الحواسيب الرقمية التقليدية على مبدأ توليد الأرقام شبه العشوائية (Pseudo-Random Number Generation – PRNG)؛ وهي أرقام ليست عشوائية بالمعنى الفلسفي أو الفيزيائي المطلق، بل هي متتاليات قطعية وحتمية تنتج عن معادلات جبرية تكرارية بالغة التعقيد، تبدأ نقطة انطلاقها من قيمة أولية تُعرف اصطلاحاً باسم “البذرة” (Seed). إذا تطابقت البذرة المدخلة، فإن الخوارزمية ملزمة رياضياً بإنتاج السلسلة الرقمية ذاتها في كل مرة يُعاد فيها تشغيل الكود، وهو الأساس الصلب الذي تبنى عليه قابلية إعادة التحقق العلمي.

في لغة R، يُضبط هذا المسار عبر الاستدعاء العام set.seed(x)، والذي يعيد ضبط حالة المولد الكوني (Global State) لكامل جلسة العمل. وفي بايثون، يبرز الاستدعاء التقليدي numpy.random.seed(x) كمكافئ مفاهيمي مباشر لتلك العملية؛ حيث يؤدي تمرير عدد صحيح موجب إلى ضبط مولد الأرقام الكوني التابع لـ NumPy وتوحيد مخرجات الدوال التابعة له، كما يوضح النص البرمجي المقارن:

R: set.seed(123); runif(3)
Python: np.random.seed(123); np.random.uniform(size=3)

غير أن استخدام مولد الحالة الكونية هذا أصبح محفوفاً بالتحذيرات المنهجية في الهندسة البرمجية الحديثة. تكمن المشكلة في أن np.random.seed() تؤثر على مسار العشوائية في كامل المنظومة البرمجية، مما قد يؤدي إلى تداخلات غير مقصودة (Side Effects) إذا استدعت دوال فرعية أو مكتبات خارجية البذرة ذاتها، مسببة ارتباطات غير مرغوب فيها تفسد استقلالية العينات التجريبية.

4.2 إدارة الحالات العشوائية عبر كائن Generator الحديث

لتفادي عيوب الحالة الكونية المشتركة، طورت بايثون في مكتبة NumPy المعمارية المستقلة للكائنات العشوائية عبر استدعاء صريح ومنفصل للمولد:

rng = np.random.default_rng(seed=123)

يخلق هذا السطر كائناً محلياً معزولاً ومستقلاً يُسمى rng (اختصاراً لـ Random Number Generator). لا يمس هذا الكائن أي إعدادات عشوائية أخرى قد تستخدمها حزم برمجية متزامنة في بيئة العمل، مما يمنح المبرمج تحكماً دقيقاً ومستقلاً في كل محاكاة على حدة. وبناءً عليه، تُستدعى الدالة التوليدية مباشرة كخاصية تابعة لهذا الكائن:

sample = rng.uniform(low=0.0, high=1.0, size=10)

يقترن هذا التحديث بالانتقال من خوارزمية Mersenne Twister التاريخية (المعروفة بـ MT19937، والتي تشترك فيها R وبايثون القديمة) إلى خوارزمية PCG64 المتطورة. تمتاز الخوارزمية الحديثة بقدرتها على اجتياز أصعب الاختبارات الإحصائية الصارمة للعشوائية (مثل حزمة اختبارات Diehard Tests)، إلى جانب سرعتها الفائقة وحصانتها المتقدمة ضد مشاكل التشبع والارتباط الخطي في السلاسل العشوائية العملاقة.

4.3 معايير النزاهة العلمية في أبحاث علم النفس التجريبي

تكتسب إدارة البذور العشوائية حساسية قصوى في بحوث علم النفس التجريبي والقياسات السلوكية؛ حيث تقف النزاهة الأكاديمية على حافة التهديد ما لم يتم توثيق هذه التفاصيل الحسابية بدقة متناهية. إن إغفال نشر بذور التوليد العشوائي المعتمدة في الأبحاث المنشورة في المجلات المحكمة يحول دون قدرة الفرق البحثية المستقلة على تكرار التجربة محاكياً واختبار سلامة الاستنتاجات، لا سيما في الدراسات التي تعتمد على تقسيم العينات العشوائي أو تقنيات إعادة أخذ العينات التكرارية مثل أسلوب التمهيد الإحصائي (Bootstrapping).

ينبغي للباحثين الحذر التام من فخ “إعادة ضبط البذرة دون وعي”؛ حيث يُلاحظ أحياناً قيام بعض المبرمجين بوضع استدعاء ضبط البذرة داخل الحلقات التكرارية للتجارب بهدف التثبيت، مما يؤدي دون قصد إلى إنتاج بيانات متطابقة كلياً عبر المحاولات التجريبية للمشاركين، وهو ما يفسد التباين السلوكي المطلوب قياسه بالكامل.

وتزداد هذه المسألة تعقيداً عند تنفيذ التجارب ضمن بيئات الحوسبة المتوازية والمتعددة الخيوط (Multithreading) أو الحوسبة الموزعة على الأنوية المتعددة. فإذا استنسخت الأنوية نفس البذرة الأولية، فإنها ستولد مسارات تجريبية متطابقة تؤدي إلى تحيز إحصائي جسيم ومخفي. تتطلب الممارسة السليمة اشتقاق مولدات فرعية مستقلة ومتباعدة احصائياً لكل مسار حسابي، وهو ما تتيحه الواجهة الحديثة rng.spawn() في NumPy لتأمين النزاهة التجريبية الشاملة.

5. التطبيق العملي الأساسي: محاكاة كود R خطوة بخطوة في بايثون

5.1 إعداد بيئة العمل واستيراد الحزم الضرورية

للشروع في التطبيق العملي المتوافق مع متطلبات النقل الإحصائي، ينبغي تهيئة بيئة العمل البرمجية بما يتوافق مع المعايير الاحترافية المتبعة في بايثون. تتطلب الخطوة الأولى استدعاء مكتبة NumPy تحت اسمها المستعار التقليدي والمعياري عالمياً np، مع التأكد من جاهزية المحلل لمعالجة الأرقام المتجهة دون إبطاء:

import numpy as np

يُنصح الباحثون العاملون في المختبرات السلوكية بالتحقق الصريح من إصدار المكتبة المثبتة لتفادي التناقضات الحسابية؛ فاستخدام الأمر print(np.__version__) يتيح توثيق بيئة التشغيل التي أجريت المحاكاة في ظلها. بعد التأكد من توافق الإصدار، يتم تجهيز المتغيرات التوضيحية المستهدفة والتي تعبر عن معالم التجربة بدقة ووضوح دلالي:

sample_size = 8
lower_bound = 5.0
upper_bound = 10.0

يساعد هذا التعيين الأولي المعزول للمتغيرات على إبقاء الكود مرناً وقابلاً للقراءة والتعديل السريع، بما يتماشى مع أفضل ممارسات كتابة الشفرات الإحصائية القابلة للصيانة والتطوير الأكاديمي المشترك.

5.2 التنفيذ البرمجي لإنتاج العينة المكافئة للمثال المرجعي

لنفترض أن لدينا الكود المرجعي التالي المكتوب بلغة R، والذي يهدف إلى توليد ثماني قيم عشوائية تقع جميعها بين 5 و 10 بعد ضبط بذرة التوليد عند القيمة 1:

# كود R المرجعي
set.seed(1)
r_sample <- runif(n = 8, min = 5, max = 10)
print(r_sample)

لترجمة هذا الإجراء ترجمة مباشرة وشاملة إلى بايثون عبر واجهتها التقليدية الكلاسيكية، نطبق السطور البرمجية التالية:

# كود بايثون المكافئ (الواجهة التقليدية)
import numpy as np

np.random.seed(1)
py_sample = np.random.uniform(low=5.0, high=10.0, size=8)
print(“المصفوفة المولدة في بايثون:”)
print(py_sample)

عند تشغيل هذا الكود، ستُخرج بايثون مصفوفة ndarray تحتوي على 8 قيم عشرية تتراوح كلياً فوق 5 وأقل من 10. غير أن الملاحظة الدقيقة للقيم المنفردة ستكشف نقطة جوهرية: لن تتطابق الأرقام الفردية الناتجة في بايثون خانة بخانة مع الأرقام المقابلة لها في مخرجات R، بالرغم من استخدام نفس البذرة الرياضية الرقمية (1).

يعود هذا التباين الظاهري إلى أن لغة R تنفذ خطوات تقنية مغايرة في تهيئة حالة مصفوفة خوارزمية Mersenne Twister واستخراج الأرقام العشرية من الأرقام الصحيحة الثنائية، بالمقارنة مع الترويسات الحسابية الداخلية في بايثون القديمة. وعلى الرغم من اختلاف القيم الفردية، فإن الخصائص الإحصائية التجميعية، مثل المتوسط النظري، والتباين، والانحراف المعياري، وشكل التوزيع، تتطابق تطابقاً رياضياً تاماً لا تشوبه شائبة.

5.3 التطبيق باستخدام مولد الأرقام الحديث rng.uniform()

إذا أردنا كتابة كود عالي التطور يتوافق مع الدليل الإرشادي المعاصر لمكتبة NumPy ومحددات دليل الأسلوب البرمجي PEP 8، فإننا نعتمد صياغة كائن المولد المحلي. يُعاد بناء المثال السابق كما يلي:

# كود بايثون المكافئ باستخدام واجهة المولد الحديثة
import numpy as np

# إنشاء كائن المولد وتحديد البذرة
rng = np.random.default_rng(seed=1)

# توليد العينة عبر كائن المولد
modern_sample = rng.uniform(low=5.0, high=10.0, size=8)
print(“المخرجات عبر المولد الحديث:”)
print(modern_sample)

تُظهر هذه الصيغة النقاء البصري والوضوح المعماري؛ حيث يُفصل طور بناء المولد عن طور استهلاك الأرقام. كما تتيح المعاملات المسماة (low, high, size) قراءة ذاتية للكود تغني عن التعليقات التوضيحية المفرطة وتضمن وضوح القصد البرمجي لأي مراجع خارجي.

إضافة إلى ذلك، تُبرز الواجهة الحديثة ميزة سرعة التنفيذ واستقرار الحالة الحسابية؛ إذ يمكن إعادة تمرير الكائن rng إلى دوال مخصصة أخرى دون الخوف من فقدان تتبع سلسلة الأرقام أو تأثرها بأكواد عشوائية أخرى تعمل في نفس الجلسة، مما يرسخ استقرار النظام البرمجي للتجربة النفسية المعقدة.

6. توليد مصفوفات متعددة الأبعاد وهياكل البيانات المتقدمة

6.1 توسيع معامل الحجم size لإنتاج مصفوفات ثنائية وثلاثية الأبعاد

تتميز تصاميم البحوث النفسية والسلوكية بتعدد مستويات القياس؛ فنادراً ما تقتصر التجربة على سحب متجه عددي أحادي البسيط. على سبيل المثال، قد يحتاج الباحث إلى محاكاة أداء 100 مشارك في تجربة تتضمن قياس 5 محاولات متتالية لكل فرد. في لغة R، يتطلب هذا توليد متجه بطول 500 عنصر ثم تغليفه داخل دالة بناء المصفوفات matrix(data, nrow=100, ncol=5). أما في بايثون، فإن المعامل size يختزل هذه الإجراءات بخطوة واحدة مباشرة:

trials_matrix = rng.uniform(low=0.0, high=1.0, size=(100, 5))

ينتج هذا الاستدعاء مصفوفة ثنائية الأبعاد منظمة تماماً تمثل فيها الصفوف المشاركين (Participants) بينما تمثل الأعمدة المحاولات التجريبية التكرارية (Trials). وتتسع هذه الميزة بمرونة فائقة لتشمل المصفوفات ثلاثية الأبعاد (3D Arrays)، والتي لا غنى عنها في محاكاة بيانات القياس العصبي مثل إشارات تخطيط الدماغ المستمرة (EEG). فإذا أراد الباحث محاكاة بيانات 50 مشاركاً، عبر 64 قناة استشعار كهربائي (Channels)، ولمدة زمنية تشمل 1000 نقطة قياس، فإن الصياغة تتم ببساطة:

eeg_simulated = rng.uniform(low=-10.0, high=10.0, size=(50, 64, 1000))

يتم تخصيص هذا الحجم الهيكلي الضخم في كتلة متصلة من الذاكرة تتيح تطبيق العمليات الرياضية وحساب المتوسطات عبر أي محور تفضيلي (Axis) بسرعة خارقة ودون أي حاجة لحلقات التكرار البرمجية البطيئة.

6.2 دمج البيانات العشوائية ضمن أطر بيانات Pandas

تمثل مكتبة Pandas البيئة الحاضنة الأكثر شعبية لإدارة الجداول الإحصائية المتقدمة في بايثون، وهي المكافئ المباشر لأطر البيانات (DataFrames) في لغة R. يسهل دمج المصفوفات المولدة عبر rng.uniform() مباشرة داخل كائنات Pandas لإنشاء مجموعات بيانات تحاكي الواقع التجريبي تمهيداً لتحليلها:

import pandas as pd

n_subjects = 200
simulated_data = pd.DataFrame({
    ‘Subject_ID’: np.arange(1, n_subjects + 1),
    ‘Anxiety_Score’: rng.uniform(10, 50, size=n_subjects),
    ‘Reaction_Time_Baseline’: rng.uniform(200, 600, size=n_subjects),
    ‘Attention_Index’: rng.uniform(0.1, 0.9, size=n_subjects)
})

يمنح هذا البناء الباحث القدرة على استثمار الأدوات الاستعلامية القوية في Pandas على الفور؛ كإجراء عمليات الفلترة المتقدمة (مثل استخراج المشاركين الذين يتجاوز مقياس القلق لديهم 40 وحدة)، وإجراء التجميعات الإحصائية الوصفية عبر simulated_data.describe()، مما يحول الأرقام العشوائية المجردة إلى سياق بحثي مفهوم ومنظم يطابق سجلات التجارب الميدانية.

6.3 توليد عينات بحدود متغيرة ديناميكياً

من أقوى المزايا الحسابية المتقدمة في دالة numpy.random.uniform()، والتي تبرز تفوق مصفوفات بايثون، هي قدرتها على قبول متجهات كاملة كمدخلات للمعاملين low و high بدلاً من الاقتصار على القيم العددية الثابتة. تتيح هذه الميزة محاكاة استجابات متغيرة تعتمد على شروط تجريبية متفاوتة لكل مشارك على حدة.

تستند هذه العملية إلى ما يُعرف في NumPy بـ “خاصية البث” (Broadcasting)؛ فإذا افترضنا أن لدينا ثلاثة شروط تجريبية، ولكل شرط نطاق مختلف من التباين في أزمنة الاستجابة، يمكننا صياغة حدود دنيا وعليا متجهة:

lows = np.array([100.0, 200.0, 300.0])
highs = np.array([150.0, 250.0, 450.0])
dynamic_samples = rng.uniform(low=lows, high=highs)

تقوم الدالة هنا بإجراء الاقتران التبادلي العنصري في مسار معالجة واحد، فتسحب القيمة الأولى من المجال $[100, 150)$، والثانية من $[200, 250)$، والثالثة من $[300, 450)$. يختصر هذا النمط البرمجي عشرات الأسطر من الشيفرات والحلقات الشرطية، ويوفر بيئة مثالية لنمذجة الفروق الفردية والشروط المتداخلة في التصاميم التجريبية المتطورة.

7. البديل المعياري في مكتبة بايثون الأساسية: وحدة random القياسية

7.1 استخدام الدالة random.uniform() لتوليد أرقام فردية

تحتوي مكتبة بايثون القياسية على وحدة مبنية داخلياً تُسمى random، تقدم دالة تحمل ذات الاسم: random.uniform(a, b). تعمل هذه الدالة بمثابة البديل المدمج الذي لا يتطلب تثبيت أي حزم خارجية إضافية، مما يجعلها خياراً جذاباً في نصوص المعالجة الخفيفة، والبرمجيات الصغيرة المستقلة، والتطبيقات التعليمية الموجهة للمبتدئين في بايثون.

تعتمد هذه الدالة المعاملين a و b لتحديد طرفي النطاق العددي، ومجالها الرياضي مماثل حيث تحسب النتيجة بناءً على المعادلة الكلاسيكية:

a + (b – a) × random.random()

تتميز هذه الدالة بالبساطة القصوى؛ إذ ترجع دائماً رقماً عشرياً مفرداً (Scalar Float). وتكمن ميزتها في البيئات التي تتطلب تشغيلاً معزولاً للشيفرة دون تنصيب مكاتب علمية ثقيلة، أو عند الحاجة إلى توليد فترات زمنية متباعدة في برامج التحكم بالواجهات أو أدوات التنبيه الصوتي البسيطة داخل بيئة المختبر.

7.2 توليد متجهات وعينات باستخدام أسلوب استيعاب القوائم (List Comprehension)

نظراً لأن دالة random.uniform() القياسية تعيد رقماً واحداً فقط ولا تقبل معاملاً يحدد الحجم، يضطر المبرمج إلى استخدام هياكل التكرار في بايثون لتوليد مجموعة من الأرقام تمثل العينة المستهدفة. ويُعد أسلوب “استيعاب القوائم” (List Comprehension) الأداة الأكثر أناقة وسرعة برمجياً لتنفيذ هذا الإجراء في بايثون الصرفة:

import random

# ضبط البذرة للوحدة القياسية
random.seed(42)

# توليد قائمة تحوي 10 أرقام بين 5 و 10
sample_list = [random.uniform(5.0, 10.0) for _ in range(10)]

ينتج هذا الأسلوب قائمة بايثون قياسية (list). وبالرغم من كفاية هذا الهيكل للمهام المحدودة، إلا أن التعامل معه في التحليلات اللاحقة يتطلب خطوات برمجية إضافية، مثل تحويله يدوياً إلى مصفوفات أو تطبيق دوال خارجية لحساب التباين والانحراف المعياري، مما يشكل عبئاً حوسبياً يفتقر إلى السلاسة الرياضية المعتادة في R أو NumPy.

7.3 المقارنة الأدائية والحسابية بين وحدة random ومكتبة NumPy

يكشف الفحص المعياري واختبارات قياس الكفاءة الزمنية (Benchmarking) عن تباين جذري وهائل في الأداء الحسابي بين وحدة بايثون القياسية ومكتبة NumPy عند التعامل مع سلاسل البيانات الكبيرة. يرجع هذا التباين إلى الاختلافات الهيكلية في أسلوب إدارة الذاكرة ومعالجة الأرقام بين البيئتين.

تتعامل وحدة random القياسية مع الأرقام بوصفها كائنات بايثون متكاملة (Full Python Objects)، مما يفرض عبئاً تخزينياً ضخماً واستهلاكاً ملحوظاً للذاكرة (Overhead) لتخزين الترويسات ومؤشرات الإسناد لكل رقم على حدة. فضلاً عن ذلك، فإن توليد العينات عبر الحلقات المكتوبة بلغة بايثون يستدعي تفسيراً برمجياً متكرراً في كل خطوة تكرار، مما يبطئ عملية التوليد بصورة واضحة عند الرغبة في توليد ملايين النقاط.

في المقابل، تستخدم NumPy مصفوفات C المكدسة والمتلاصقة فيزيائياً في الذاكرة (Contiguous Memory Blocks)، حيث تُنفذ خوارزمية السحب بالكامل داخل طبقة C المترجمة مسبقاً دون الرجوع إلى مفسر بايثون الوسيط. تظهر الاختبارات أن توليد 10 ملايين رقم عشوائي عبر rng.uniform() قد يستغرق بضع أجزاء مئوية من الثانية، بينما يحتاج الأسلوب المقابل في random.uniform() مع استيعاب القوائم إلى عدة ثوانٍ كاملة، مما يجعل NumPy الخيار الحتمي المطلق في أبحاث المحاكاة الإحصائية الجادة.

8. تطبيقات دالة التوزيع المنتظم في تصميم التجارب النفسية

8.1 التوزيع العشوائي للمشاركين في المجموعات التجريبية والضابطة

يمثل التوزيع العشوائي البسيط (Simple Randomization) الركيزة الأولى لضمان الصدق الداخلي (Internal Validity) في التجارب السريرية والسلوكية الرامية إلى اختبار فاعلية البرامج العلاجية والتدخلات النفسية. يهدف هذا الإجراء إلى منع “تحيز الاختيار” (Selection Bias) وتأكيد التكافؤ الإحصائي الأولي بين المجموعة التجريبية الخاضعة للمتغير المستقل والمجموعة الضابطة المقارنة.

يمكن تطبيق دالة التوزيع المنتظم [0, 1) كأداة تصنيف ثنائي غير متحيزة عبر استخدام عتبة احتمالية ثابتة ($p = 0.5$). يتم ذلك بسحب قيمة عشوائية لكل مشارك؛ فإذا كانت القيمة أقل من 0.5، يتم توجيهه إلى المجموعة الضابطة، بينما يوجه إلى المجموعة التجريبية إذا تجاوزت تلك العتبة:

n_participants = 100
random_draws = rng.uniform(0.0, 1.0, size=n_participants)
assignments = np.where(random_draws < 0.5, ‘Control’, ‘Experimental’)

يضمن هذا الأسلوب خضوع كل فرد لنفس الاحتمال الرياضي المسبق ($50%$) للالتحاق بأي من المجموعتين. وتبرز أهمية هذا التطبيق البرمجي في قدرته على التكامل ضمن منصات التسجيل الإلكتروني للاستجابات لفرز المشاركين لحظياً وبطريقة آلية محاكمة تمنع التدخل البشري وتدعم موضوعية التصميم التجريبي.

8.2 محاكاة وضبط الفواصل الزمنية بين المثيرات الحسية (ISI)

في تجارب الانتباه والإدراك الحسي السيكوفيزيائي (Psychophysics)، مثل تجارب “زمن الرجع البسيط” ومهمة “ستروب” ومهمة “عدم التوافق الحركي” (Go/No-Go Task)، يواجه المصمم التجريبي معضلة نفسية تُعرف بـ “التكيف الإدراكي وتوقع المثير” (Expectancy Effects). إذا كان الفاصل الزمني بين انتهاء المحاولة الأولى وظهور المثير التالي ثابتاً تماماً (مثلاً 1000 مللي ثانية)، فإن المفحوص يطور إيقاعاً زمنياً داخلياً يستبق به ظهور المثير، مما يشوه قياس زمن المعالجة الذهنية الحقيقي للمهمة.

للتغلب على هذا التشوه، يلجأ علماء النفس التجريبي إلى أسلوب “التشتيت الزمني المنتظم” (Jittering)؛ حيث يُجعل الفاصل الزمني بين المثيرات (Inter-Stimulus Interval – ISI) متغيراً عشوائياً مستمراً ضمن نطاق محدد بدقة، كأن يتراوح بين 500 و 1500 مللي ثانية. يتم تطبيق هذا الإجراء برمجياً بسلاسة:

n_trials = 120
isi_durations = rng.uniform(low=0.5, high=1.5, size=n_trials)

عند دمج هذه المصفوفة في أدوات بايثون المعملية مثل PsychoPy، يتم تغذية المؤقت الزمني الداخلي بالمصفوفة isi_durations لتحديد مدة شاشة التثبيت النقطية (Fixation Cross) قبل كل مثير، مما يحافظ على يقظة المفحوص ويضمن قياساً نظيفاً لزمن الرجع العصبي خالياً من التخمينات المسبقة.

8.3 محاكاة زمن الرجع واستجابات المشاركين

يُمثل زمن الرجع (Reaction Time – RT) أحد أبرز المتغيرات التابعة كمياً في أبحاث علم النفس المعرفي. ومع أن زمن الرجع الواقعي يخضع لتوزيعات ملتوية إيجابياً (مثل توزيع Ex-Gaussian أو Wald Distribution)، إلا أن التوزيع المنتظم يلعب دوراً بنيوياً في محاكاة “زمن المعالجة الحسية القاعدي” (Non-Decision Time) وتوليد معاملات الضجيج العشوائي المحيط بالأجهزة البيولوجية.

تعتمد نماذج اتخاذ القرار الشهيرة، مثل نموذج الانتشار التوافقي (Drift Diffusion Model – DDM)، على تفكيك الاستجابة المعرفية إلى مكونين رئيسيين: مكون اتخاذ القرار الداخلي التراكمي، ومكون المعالجة الطرفية (زمن التقاط شبكية العين للمثير مضافاً إليه زمن الانقباض العضلي الحركي لإصبع المفحوص فوق لوحة الاستجابة). يُنمذج هذا المكون الأخير كمتغير منتظم يتراوح عادة بين 150 و 300 مللي ثانية:

t_er = rng.uniform(0.15, 0.30, size=n_participants)

إضافة إلى ذلك، يُستخدم التوزيع المنتظم لمحاكاة أخطاء القياس العشوائية (Noise) التي تطرأ على أجهزة التسجيل الإلكترونية في المختبرات السيكوفيزيائية، مما يمنح التجارب الافتراضية محاكاة مطابقة للواقع الميداني قبل اختبار الفرضيات على البشر.

9. التحقق الإحصائي والرياضي من مخرجات التوليد العشوائي

9.1 اختبارات التوزيع وجودة الملاءمة (Goodness of Fit)

لا يجوز للباحث أن يفترض نقاء العشوائية الإحصائية للمولد البرمجي دون التحقق التجريبي الصارم من جودة الملاءمة النظرية للمخرجات المسحوبة، لا سيما في البيئات الحسابية الحرجة. يُعد اختبار كولموجوروف-سميرنوف للعينة الواحدة (One-Sample Kolmogorov-Smirnov Test) الأداة الإحصائية الأكثر صلابة للتحقق مما إذا كانت العينة المولدة تتبع توزيعاً مستمراً محدداً، من خلال مقارنة دالة التوزيع التراكمي التجريبية بدالة التوزيع التراكمي النظرية المستهدفة.

توفر مكتبة SciPy العلمية دعماً متكاملاً لتطبيق هذا الاختبار عبر الدالة scipy.stats.kstest؛ حيث يُمرر المتجه العشوائي المتولد للمقارنة مع دالة التوزيع المنتظم الرياضية المعيارية:

from scipy import stats

sample_to_test = rng.uniform(low=0.0, high=1.0, size=10000)
ks_stat, p_value = stats.kstest(sample_to_test, ‘uniform’, args=(0.0, 1.0))
print(f”KS Statistic: {ks_stat:.5f}, p-value: {p_value:.5f}”)

تنص الفرضية الصفرية ($H_0$) في هذا الاختبار على أن العينة قد سُحبت بالفعل من التوزيع المنتظم المحدد. وبالتالي، فإن الحصول على قيمة دلالة إحصائية كبيرة ($p > 0.05$) يعني الفشل في رفض الفرضية الصفرية، وهو المؤشر الإيجابي المطلوب الذي يؤكد أن المولد الحسابي يعمل بكفاءة ونزاهة تامة دون إحداث تشوهات في الكثافة الاحتمالية للأرقام.

9.2 التمثيل البصري للبيانات المولدة باستخدام Matplotlib و Seaborn

يمثل الفحص البصري التكميلي خطوة لا غنى عنها في منهجية التحقق الإحصائي؛ إذ يكشف المدرج التكراري للعينات العشوائية عن أي تركز غير طبيعي للبيانات في مناطق دون غيرها. يمكن استخدام مكتبتي Matplotlib و Seaborn لرسم المنحنيات التوزيعية بدقة احترافية:

import matplotlib.pyplot as plt
import seaborn as sns

large_sample = rng.uniform(low=2.0, high=8.0, size=50000)
plt.figure(figsize=(8, 4))
sns.histplot(large_sample, stat=”density”, bins=40, color=”teal”, alpha=0.6)
plt.axhline(1 / (8.0 – 2.0), color=”crimson”, linestyle=”–“, linewidth=2)
plt.title(“المدرج التكراري للتوزيع المنتظم مقابل الكثافة النظرية”)
plt.xlabel(“القيمة المسحوبة”)
plt.ylabel(“كثافة الاحتمال”)
plt.show()

عند فحص الرسم الناتج، يجب أن تتخذ أعمدة المدرج التكراري شكلاً مستوياً بصورة مستطيلة تقترب حوافها العليا من الخط الأفقي النظري المتقطع ($y = 1 / (b – a)$). يشير هذا المنظر المستوي المستقر بصرياً إلى تجانس السحب عبر جميع الفئات وتساوي كثافة الاحتمال على امتداد المجال المختار، مما يمنح الباحث ثقة بصرية توازي التحليلات الرقمية السابقة.

9.3 حساب المعالم الإحصائية للعينة المولدة

تخضع العينات المولدة عبر دالة التوزيع المنتظم لقواعد العزوم الرياضية الصارمة (Mathematical Moments)؛ فالقيم النظرية للمتوسط الحسابي ($\mu$) والتباين الإحصائي ($\sigma^2$) لتوزيع منتظم مستمر معرف على المجال $[a, b]$ تُعطى بالمعادلتين التاليتين:

μ = (a + b) / 2
σ² = (b – a)² / 12

ينبغي للباحث عند فحص العينة مقارنة معالمها التجريبية المحسوبة عبر مصفوفات NumPy بهذه المعايير النظرية الصريحة للتحقق من سلامة المحاكاة:

a, b = 10.0, 20.0
sample = rng.uniform(a, b, size=1000000)

empirical_mean = np.mean(sample)
empirical_variance = np.var(sample)

theoretical_mean = (a + b) / 2.0
theoretical_variance = ((b – a) ** 2) / 12.0

استناداً إلى “قانون الأعداد الكبيرة” (Law of Large Numbers)، يتقارب المتوسط التجريبي والتباين التجريبي تقارباً وثيقاً ولانهائياً من المعالم الرياضية النظرية كلما ازداد حجم العينة. فإذا كان حجم العينة مليون سحب كما في المثال، تتطابق النتائج حتى المراتب العشرية الثالثة أو الرابعة، مما يبرهن رياضياً على الاتساق الداخلي لعملية التوليد ومطابقتها للمعايير الأكاديمية الصارمة.

10. تقنيات التحويل من التوزيع المنتظم إلى توزيعات نفسية أخرى

10.1 طريقة أخذ العينات بالتحويل العكسي (Inverse Transform Sampling)

يحتل التوزيع المنتظم القياسي المستمر على الفترة $[0, 1)$ مكانة المركز السيادي في كامل نظرية المحاكاة الإحصائية؛ والسبب في ذلك يعود إلى نظرية رياضية كبرى تُعرف باسم “طريقة أخذ العينات بالتحويل العكسي” (Inverse Transform Sampling). تنص هذه النظرية على أن أي متغير عشوائي مستمر $X$ يمتلك دالة توزيع تراكمي متصلة ورتيبة تماماً $F(x)$، يمكن استخراجه ومحاكاته عبر تطبيق معكوس تلك الدالة $F^{-1}(u)$ على متغير عشوائي منتظم $U \sim \text{Uniform}(0, 1)$.

رياضياً، إذا كان لدينا المتغير المنتظم $U$，فإن المتغير المعرف بالعلاقة التالية:

X = F^-1(U)

سيتبع حتماً وبالضرورة التوزيع الاحتمالي الأصلي المرغوب بدقة متناهية. تكمن القوة المنهجية لهذه الخاصية في إمكانية استخدام دالة numpy.random.uniform() كنواة أولية لتوليد أي توزيع إحصائي تحليلي آخر قد لا تدعمه الدوال المدمجة مباشرة.

على سبيل المثال، عند نمذجة أزمنة البقاء أو أزمنة الاستجابة المعرفية السريعة التي تتبع التوزيع الأسي (Exponential Distribution) ذي المعلمة $lambda$، والتي تمتلك دالة توزيع تراكمي $F(x) = 1 – e^{-\lambda x}$، يمكن اشتقاق دالتها العكسية لتصبح:

X = -ln(1 – U) / λ

يمكن تنفيذ هذا التحويل برمجياً في بايثون بخطوات رياضية مباشرة:

u = rng.uniform(0.0, 1.0, size=10000)
lambda_param = 1.5
exponential_samples = -np.log(1.0 – u) / lambda_param

توضح هذه الشيفرة كيف يتحول التوزيع المنتظم البسيط إلى أداة اشتقاقية كونية تتيح بناء أي نموذج احتمالي مخصص يتطلبه البحث النفسي المعقد.

10.2 محاكاة التوزيع الطبيعي للسمات النفسية والقدرات المعرفية

تُقاس معظم السمات النفسية والقدرات الإدراكية، مثل نسب الذكاء (IQ)، والاستقرار الوجداني، وسعة الذاكرة العاملة، بافتراض خضوعها التام لمنحنى التوزيع الطبيعي الجاوسي (Normal Gaussian Distribution). وبالرغم من أن بايثون توفر دالة جاهزة لاستدعاء هذا التوزيع (rng.normal())، إلا أن فهم كيفية تحويل التوزيع المنتظم إلى توزيع طبيعي عبر “تحويل بوكس-مولر” (Box-Muller Transform) يُعد مطلباً أكاديمياً جوهرياً لدارسي القياس الحسابي.

يقوم تحويل بوكس-مولر على أخذ متغيرين عشوائيين منتظمين مستقلين تماماً $U_1$ و $U_2$ يقعان في الفترة $(0, 1)$، وتحويلهما رياضياً عبر الإحداثيات القطبية لإنتاج متغيرين طبيعيين قياسيين مستقلين $Z_1$ و $Z_2$:

Z₁ = √(-2 × ln(U₁)) × cos(2π × U₂)
Z₂ = √(-2 × ln(U₁)) × sin(2π × U₂)

يمكن بعد ذلك معايرة المتغير الناتج ليطابق مقياس درجات الذكاء المعياري بمتوسط 100 وانحراف معياري 15:

u1 = rng.uniform(0.0001, 0.9999, size=5000)
u2 = rng.uniform(0.0001, 0.9999, size=5000)
z0 = np.sqrt(-2.0 * np.log(u1)) * np.cos(2.0 * np.pi * u2)
simulated_iq = 100.0 + (z0 * 15.0)

يبرهن هذا الإجراء على قدرة المولد المنتظم الأصلي على اشتقاق النماذج السيكومترية الكبرى، ويوفر فهماً حسابياً للأدوات التي تعتمد عليها الحزم الإحصائية المتقدمة في بناء التوزيعات المعقدة.

10.3 نمذجة نظرية الاستجابة للمفردة (Item Response Theory – IRT)

تُعد “نظرية الاستجابة للمفردة” (Item Response Theory – IRT) الإطار المنهجي المهيمن على تصميم الاختبارات النفسية الحديثة، واختبارات قياس الكفاءة الجامعية والمدرسية، وبنوك الأسئلة المتكيفة حوسبياً (Computerized Adaptive Testing – CAT). يقوم نموذج راش البسيط أحادي المعلمة (Rasch 1PL Model) على نمذجة احتمالية نجاح المفحوص $j$ في الإجابة على البند $i$ كدالة لوجستية تعتمد على قدرته الكامنة ($\theta_j$) ومستوى صعوبة البند المعني ($b_i$):

P(Y_ij = 1 | θ_j, b_i) = 1 / (1 + e^{-(θ_j – b_i)})

يبرز هنا دور التوزيع المنتظم كعنصر حاسم في تحويل هذه الاحتمالات المستمرة إلى استجابات واقعية ثنائية (صواب = 1، خطأ = 0)؛ حيث يخضع احتمال كل فقرة لمقارنة عشوائية مع رقم مسحوب من التوزيع المنتظم $[0, 1)$:

n_items = 20
theta = 1.2  # قدرة مرتفعة نسبياً للمشارك
item_difficulties = rng.uniform(-2.0, 2.0, size=n_items)

# حساب الاحتمالية النظرية لكل فقرة
prob_success = 1.0 / (1.0 + np.exp(-(theta – item_difficulties)))

# توليد الاستجابات الفعلية بمقارنتها مع التوزيع المنتظم
random_thresholds = rng.uniform(0.0, 1.0, size=n_items)
responses = (random_thresholds < prob_success).astype(int)

إذا تجاوز الاحتمال النظري للفقرة العتبة العشوائية المنتظمة، تُسجل استجابة صحيحة للمشارك، وإلا تُسجل استجابة خاطئة. يُمكّن هذا النموذج علماء القياس السلوكي من محاكاة مجتمعات اختبارية ضخمة لاختبار خصائص ثبات بنوك المفردات ومعايير القياس السيكومتري بكفاءة حاسوبية فائقة.

11. الأخطاء البرمجية والإحصائية الشائعة وكيفية تصحيحها

11.1 الخلط بين التوزيع المستمر والتوزيع المنفصل

يقع العديد من الباحثين المبتدئين في خطأ منهجي فادح يتمثل في الخلط بين التوزيع الاحتمالي المستمر والتوزيع الاحتمالي المنفصل عند نمذجة الظواهر السلوكية. يظهر هذا الخطأ بوضوح عند الحاجة لمحاكاة مقاييس ليكرت (Likert Scales) المستخدمة على نطاق واسع في استبيانات الشخصية والاتجاهات (مثل المقاييس السباعية أو الخماسية ذات الخيارات: 1، 2، 3، 4، 5).

يقوم بعض المطورين بسحب أرقام مستمرة عبر np.random.uniform(1, 5) ثم تقريبها قسراً إلى أرقام صحيحة باستخدام دالة np.round(). يؤدي هذا الإجراء المشوه إلى انحياز إحصائي حاد في كثافة الفئات الطرفية؛ إذ تصبح احتمالية ظهور القيم الطرفية (1 و 5) نصف احتمالية ظهور القيم الوسيطة (2، 3، 4)، بسبب تباين الفواصل العددية التي تخضع للتقريب، مما يفسد تجانس التوزيع المطلوب تماماً.

تتطلب المعالجة السليمة استخدام الدوال المخصصة حصرياً للمتغيرات المنفصلة. توفر بايثون في مكتبة NumPy دالة rng.integers() المخصصة لسحب الأرقام الصحيحة المنفصلة بالتساوي:

# المحاكاة الصحيحة لمقياس ليكرت الخماسي المتساوي الاحتمال
likert_responses = rng.integers(low=1, high=6, size=100)

تضمن هذه الصيغة أن تحظى جميع الفئات الخمس بفرص متكافئة تماماً للظهور ($20%$ لكل فئة)، مع الحفاظ على البنية المتقطعة الصارمة للمتغير دون تشوهات تقريبية لا مبرر لها.

11.2 إساءة إدارة بذور العشوائية داخل الحلقات التكرارية (Loops)

من الأخطاء البرمجية الخفية والمدمرة للنماذج الحسابية في بايثون قيام الباحث بوضع أمر استدعاء ضبط البذرة العشوائية داخل البنية الهيكلية لحلقات التكرار (For-Loops) بدلاً من وضعها خارجها قبيل انطلاق الحلقة. يتكرر هذا الخطأ بشكل خاص في تجارب التمهيد الإحصائي (Bootstrapping) وعمليات المحاكاة التكرارية لتوليد مجتمعات فرعية متعددة:

# كود خاطئ يسبب كارثة إحصائية
replications = []
for i in range(1000):
    np.random.seed(42)  # خطأ جسيم: إعادة تعيين الحالة نفسها في كل دورة
    sample = np.random.uniform(0, 1, 10)
    replications.append(sample)

في هذا المثال الخاطئ، يُجبر المولد العشوائي على إعادة شحن نفس البذرة (42) في بداية كل دورة، مما ينتج 1000 عينة متطابقة ومتكررة بالمليغرام الواحد. يزول التباين العشوائي المستهدف تماماً، وتتحول المحاكاة إلى عملية هدر حسابي لا قيمة علمية لها على الإطلاق.

لتصحيح هذا الخطأ، يجب أن يُضبط المولد العشوائي لمرة واحدة قطعية خارج نطاق الحلقة، أو يُعتمد كائن المولد المستمر rng ليحافظ على تقدم حالته التصادفية بشكل تسلسلي وطبيعي عبر الدورات المتتالية:

# المعالجة الصحيحة تماماً
rng = np.random.default_rng(seed=42)
replications = [rng.uniform(0, 1, 10) for _ in range(1000)]

يضمن هذا الأسلوب استقلالية العينات المتتابعة وتغير مساراتها العشوائية بصورة تحفظ التباين العيني الحقيقي وتفي بمتطلبات التحليل الإحصائي السليم.

11.3 فخاخ الدقة الحسابية ونقاط النهاية للمجال

تنشأ أخطاء برمجية وحسابية غير متوقعة نتيجة الجهل بطبيعة المجال نصف المفتوح $[low, high)$ الذي تعتمده دالة التوزيع المنتظم في بايثون. تقع المشكلة غالباً عندما يعتمد المبرمج خوارزميات تتطلب ضمناً إمكانية بلوغ الحد الأعلى high، أو عند استخدام المخرجات مباشرة في عمليات قسمة رياضية قد تؤدي إلى انهيار البرنامج.

إذا اعتمد كود بايثون على قسمة رقم ثابت على المخرجات العشوائية المولدة، وكان النطاق يبدأ من الصفر (low=0.0)، فإن ظهور القيمة صفر يظل وارداً وممكناً برمجياً في أي لحظة. يؤدي ذلك إلى وقوع خطأ القسمة على صفر (ZeroDivisionError) أو ظهور قيم لا نهائية موجبة (np.inf) تفسد النماذج الرياضية اللاحقة. يوضح الكود التالي الوقاية الصحيحة من هذه الحالة:

# تجنب الوقوع في الصفر عبر إزاحة الحد الأدنى بهامش مجهري
safe_samples = rng.uniform(low=np.finfo(float).eps, high=1.0, size=1000)
rates = 10.0 / safe_samples  # مسار آمن تماماً من القسمة على صفر

بالإضافة إلى ذلك، إذا تطلبت المحاكاة النفسية مجالات مغلقة بالكامل $[low, high]$ تشمل طرف النهاية دون أي استثناء نظري، فإن الاعتماد المباشر على rng.uniform() لا يفي بهذا الشرط قطعاً. يتطلب التغلب على هذا القيد تطبيق خوارزميات مخصصة للمجالات المغلقة أو استخدام دوال مقياسية تراعي شمول الحافة العليا بدقة مطلقة.

12. دراسة حالة تطبيقية متكاملة وتحليل الأداء المقارن

12.1 بناء تجربة محاكاة سيكولوجية كاملة من الصفر في بايثون

لتجسيد كافة المفاهيم الرياضية والبرمجية السابقة في سيناريو عملي متكامل، نقوم هنا ببناء تجربة محاكاة سيكولوجية موسعة تهدف إلى محاكاة أداء 1000 مشارك في مهمة إدراكية تقيس زمن رد الفعل البسيط تحت تأثير التشتيت الزمني العشوائي للمثيرات.

تتضمن الفرضيات التجريبية:

• يتراوح الفاصل الزمني للمثيرات (ISI) لكل مشارك عشوائياً بين 800 و 2000 مللي ثانية (توزيع منتظم).
• يخضع زمن المعالجة الطرفية غير المرتبط بالقرار لمجال منتظم يتراوح بين 180 و 260 مللي ثانية.
• يُولد ضجيج سلوكي بيولوجي إضافي عبر متغير منتظم يتراوح بين -30 و +30 مللي ثانية يعبر عن تقلبات التركيز اللحظي.
• يُحسب زمن رد الفعل الإجمالي كحاصل جمع زمن المعالجة، والضجيج السلوكي، ونسبة تراكمية تعتمد على الفاصل الزمني.

تُصاغ المحاكاة بالكامل في كود بايثون منظم ومحكم:

import numpy as np
import pandas as pd

# 1. ضبط المحاكاة وإرساء البذرة المنهجية
rng = np.random.default_rng(seed=2026)
n_participants = 1000

# 2. توليد المتغيرات التجريبية باستخدام التوزيع المنتظم
isi_ms = rng.uniform(low=800.0, high=2000.0, size=n_participants)
non_decision_time = rng.uniform(low=180.0, high=260.0, size=n_participants)
cognitive_noise = rng.uniform(low=-30.0, high=30.0, size=n_participants)

# 3. نمذجة زمن رد الفعل التراكمي (RT)
# استجابة تتناقص طفيفاً كلما زاد الفاصل الزمني نتيجة التأهب
preparation_effect = (2000.0 – isi_ms) * 0.05
total_rt_ms = non_decision_time + preparation_effect + cognitive_noise + 150.0

# 4. تجميع مصفوفة البيانات في إطار عمل منظم
experiment_df = pd.DataFrame({
    ‘Participant_ID’: np.arange(1, n_participants + 1),
    ‘ISI_Duration_ms’: isi_ms,
    ‘Non_Decision_ms’: non_decision_time,
    ‘Cognitive_Noise’: cognitive_noise,
    ‘Observed_RT_ms’: total_rt_ms
})

# 5. استعراض النتائج والإحصاءات الوصفية المركزية
print(“الإحصاءات الوصفية لمحاكاة الأداء المعرفي:”)
print(experiment_df[[‘ISI_Duration_ms’, ‘Observed_RT_ms’]].describe().round(2))

يُبرهن هذا التطبيق كيف تتحول دوال التوليد المنتظم البسيطة عبر بايثون إلى أدوات بناء قوية لإنشاء تجارب افتراضية معقدة تحاكي النظم المعرفية بدقة فائقة، مما يتيح اختبار الفرضيات الإحصائية وتحديد أحجام العينات المطلوبة مقدماً (Power Analysis) قبل تدشين التجارب الواقعية على المفحوصين الفعليين.

12.2 قياس الكفاءة الحاسوبية والسرعة في المعالجات الضخمة

عند مقارنة الكفاءة الحاسوبية الصرفة بين دالة runif() في R ودالة np.random.uniform() أو المولد rng.uniform() في بايثون عبر أطر القياس الزمني المتقدمة (باستخدام حزمة microbenchmark في R ووحدة timeit في بايثون)، يبرز تفوق واضح لبايثون في إدارة المعالجات المصفوفية العملاقة.

يظهر التباين الحاسم عند الحاجة لإجراء عمليات المحاكاة التكرارية الكبرى (مثل تجارب مونت كارلو ذات المئة مليون سحب)؛ حيث تستفيد مصفوفات NumPy من خوارزميات التوجيه الشعاعي المتقدمة ومكتبات الجبر الخطي منخفضة المستوى المضمنة في عتاد المعالجات الحديثة (مثل تعليمات AVX-512). تسمح هذه المعمارية للمعالج المركزي (CPU) بسحب ومعالجة كتل رقمية متوازية في نبضة ساعة واحدة، بينما تعاني لغة R أحياناً من استهلاك إضافي لموارد إدارة الذاكرة وتكرار نسخ المتجهات الكبيرة في الذاكرة الحية.

يوضح التحليل الحسابي أن كتابة الكود الموجه للأبعاد والمصفوفات (Fully Vectorized Code) في بايثون يوفر سرعة تنفيذ تفوق الحلقات التكرارية الصرفة بمئات المرات، مما يجعل بايثون منصة فائقة القوة في إدارة الحوسبة الإحصائية المكثفة ونمذجة الشبكات العصبية المعقدة دون استنزاف الموارد الحسابية لمختبرات الأبحاث.

12.3 جدول مقارن شامل كمرجع سريع للباحثين والمحللين

يلخص الجدول المرجعي التالي كافة الفروق البنيوية، والتركيبية، والإحصائية الأساسية بين بيئتي R وبايثون فيما يخص استدعاء وتطبيق التوزيع الاحتمالي المنتظم المستمر، ليكون دليلاً مرجعياً سريعاً للباحثين أثناء كتابة أوراقهم وترجمة برمجياتهم العلمية:

وجه المقارنة	لغة R (البيئة الكلاسيكية)	لغة بايثون (عبر NumPy المعاصرة)
الدالة الأساسية	runif(n, min, max)	rng.uniform(low, high, size) أو np.random.uniform()
معامل حجم العينة	n (عدد صحيح موجب يحدد طول المتجه)	size (يقبل رقماً مفرداً أو زوجاً مرتباً لتحديد أبعاد المصفوفة)
معاملات المجال العددي	min = 0 و max = 1	low = 0.0 و high = 1.0
طبيعة المجال الرياضي	فترة مغلقة نظرياً $[min, max]$ ومفتوحة عملياً	فترة نصف مفتوحة رسمياً $[low, high)$
هيكل البيانات المرجع	متجه عددي (Numeric Vector)	مصفوفة متجانسة الأبعاد (numpy.ndarray)
الضبط المعياري للبذرة	استدعاء كوني عام عبر set.seed(x)	كائن مولد معزول ومحلي عبر default_rng(x)
الخوارزمية الافتراضية الحديثة	Mersenne Twister (MT19937)	خوارزمية Permuted Congruential Generator (PCG64)
المرونة في تمرير الحدود	تدعم المتجهات مع تكرار العناصر (Recycling)	تدعم مصفوفات الحدود عبر خاصية البث (Broadcasting)
دقة التمثيل الافتراضية	فاصلة عائمة مزدوجة الدقة (Double)	فاصلة عائمة مزدوجة الدقة (float64)
البديل في المكتبة القياسية	مدمجة أصلاً في صلب نظام R القياسي	وحدة random.uniform(a, b) المحدودة للأرقام الفردية

يوضح هذا الجدول أن عملية الانتقال بين اللغتين تتجاوز مجرد الترجمة الحرفية لمسميات الدوال، لتصل إلى فهم دقيق لكيفية استثمار الخصائص المتقدمة التي توفرها كل بيئة. يتيح هذا الاستيعاب المنهجي لمحللي البيانات والباحثين كتابة نصوص برمجية تتسم بأعلى درجات الكفاءة الرياضية، وقابلية القراءة والصيانة، والتوافق مع المعايير العلمية الدولية المنظمة للبحوث الإحصائية المعاصرة.

خاتمة

يمثل الانتقال من استخدام دالة runif() في لغة R إلى نظيراتها في بايثون، وتحديداً numpy.random.uniform() ومنظومة default_rng() المعاصرة، أكثر من مجرد تعديل صياغي لكود برمجي؛ إنه يجسد تبنياً واعياً لفلسفة الحوسبة العلمية عالية الكفاءة التي تدير بها بايثون المصفوفات والبيانات المتعددة الأبعاد. لقد أثبت التحليل الرياضي والمفاهيمي أن دقة التوزيع، والحيادية الاحتمالية، وتوافق الفواصل العائمة تظل مضمونة ومصانة بدقة عبر اللغتين، شريطة أن يعي الباحث الفروق الدقيقة في معمارية المولدات، وطبيعة المجالات نصف المفتوحة، وآليات ضبط البذور الحسابية.

سواء كانت المهمة البحثية تنصب على تصميم تجارب سيكوفيزيائية في مختبرات علم النفس المعرفي، أو تقسيم العينات عشوائياً في التجارب الإكلينيكية، أو محاكاة النماذج الرياضية في نظرية الاستجابة للمفردة وتوزيعات مونت كارلو، فإن الترسانة البرمجية التي تقدمها بايثون توفر مرونة حاسوبية فائقة تفوق في كثير من جوانبها الأداء الكلاسيكي، لا سيما عند ربطها بمكتبات التحليل المتقدمة مثل Pandas و SciPy. إن التوثيق المنهجي للبذور والشفافية البرمجية في كتابة الشيفرات هما الضمان الحقيقي للحفاظ على النزاهة العلمية وقابلية تكرار الأبحاث المنشورة في عصر العلم المفتوح والحوسبة الإحصائية المستدامة.

المراجع

• Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … & Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357-362. https://doi.org/10.1038/s41586-020-2649-2
• Matsumoto, M., & Nishimura, T. (1998). Mersenne twister: a 623-dimensionally equidistributed uniform pseudo-random number generator. ACM Transactions on Modeling and Computer Simulation (TOMACS), 8(1), 3-30. https://doi.org/10.1145/272991.272995
• O’Donoghue, M. (2021). Random Number Generation and Monte Carlo Methods in Python and R. Academic Press.
• O’Neill, M. E. (2014). PCG: A family of simple fast space-efficient statistically good algorithms for random number generation (HMC-CS-2014-0905). Harvey Mudd College.
• Peirce, J., Gray, J. R., Simpson, S., MacAskill, M., Höchenberger, R., Sogo, H., … & Lindeløv, J. K. (2019). PsychoPy2: Experiments in behavior made easy. Behavior Research Methods, 51(1), 195-203. https://doi.org/10.3758/s13428-018-01193-y
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• Van Rossum, G., & Drake, F. L. (2009). Python 3 Reference Manual. CreateSpace.
• Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., … & SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261-272. https://doi.org/10.1038/s41592-019-0686-2