كيفية استخدام التوزيع الهندسي في إكسل

يمثل التحليل الإحصائي الركيزة الأساسية التي تقوم عليها القرارات العلمية والتطبيقية في مجالات الإدارة، والهندسة، والعلوم السلوكية، والاقتصاد. ومن بين النماذج الاحتمالية المتقطعة التي تحظى باهتمام متزايد، يبرز التوزيع الهندسي (Geometric Distribution) كأداة رياضية فريدة لنمذجة ما يعرف بـ “زمن الانتظار” أو عدد المحاولات المطلوبة للوصول إلى أول حدث مستهدف أو أول نجاح. تكمن القوة التحليلية لهذا التوزيع في قدرته على تحويل الظواهر العشوائية المتسلسلة إلى تقديرات كمية دقيقة تساعد متخذ القرار والباحث في توقع المخاطر وقياس الكفاءة التشغيلية، فضلاً عن تقييم احتمالات الإخفاق المتكرر بدقة متناهية عبر مجموعة من المحاولات المستقلة التي تخضع لشروط محاكمات برنولي.

مع التطور المتسارع في برمجيات الجداول الإلكترونية، أضحى برنامج مايكروسوفت إكسل (Microsoft Excel) البيئة الأكثر انتشاراً ومرونة لتطبيق النماذج الاحتمالية المعقدة دون الحاجة إلى كتابة خوارزميات برمجية متقدمة بلغات مثل R أو Python. يوفر إكسل ترسانة من الدوال الرياضية والإحصائية المدمجة، وفي مقدمتها دالة NEGBINOM.DIST، التي تمكّن المستخدمين من بناء نماذج ديناميكية للتوزيع الهندسي، وإجراء حسابات الاحتمالات النقطية والتراكمية، واستخراج المقاييس الوصفية كالتباين والتوقع الرياضي، فضلاً عن تصميم لوحات تحكم تفاعلية ومحاكاة التجارب العشوائية عبر تقنيات مونت كارلو.

يهدف هذا الدليل الأكاديمي الشامل إلى تقديم مرجع معمق ومفصل لكيفية توظيف التوزيع الهندسي في بيئة مايكروسوفت إكسل. سنغطي كافة الجوانب بدءاً من الأسس النظرية والمفاهيم الرياضية الحاكمة، مروراً بالاشتقاقات الجبرية لدوال الكتلة والتراكم، ووصولاً إلى الخطوات العملية التفصيلية لبناء الجداول، والمخططات البيانية المتقدمة، وإجراء اختبارات جودة الملاءمة الإحصائية، وتحليل دراسات الحالة في مراقبة الجودة والقياس السلوكي، بما يضمن للمحلل والباحث فهماً تطبيقياً ونظرياً متكاملاً.

1. المدخل النظري والمفاهيمي إلى التوزيع الهندسي وتطبيقاته الإحصائية

1.1 تعريف التوزيع الهندسي في نظرية الاحتمالات

يُعرَّف التوزيع الهندسي في إطار نظرية الاحتمالات والتحليل الإحصائي بأنه توزيع احتمالي متقطع يصف السلوك العشوائي لعدد حالات الفشل أو الإخفاق التي تسبق تحقيق أول نجاح في سلسلة غير منتهية من محاكمات برنولي المستقلة والمتطابقة. في هذا السياق، يعتبر المتغير العشوائي الهندسي متغيراً منفصلاً يأخذ قيماً صحيحة غير سالبة، حيث يمثل كل مخرج تجربة ثنائية النتيجة، إما نجاحاً باحتمال ثابت، أو فشلاً باحتمال مكمل. تتجلى القيمة الجوهرية لهذا التوزيع في كونه النموذج الرياضي الأمثل للإجابة عن التساؤل الجوهري: “كم محاولة غير ناجحة ستقع قبل أن نصل إلى النتيجة الإيجابية المنشودة؟”.

يتسع مدى القيم الممكنة للمتغير العشوائي الهندسي نظرياً من الصفر إلى ما لا نهاية في حالة تعريف التوزيع بدلالة عدد الإخفاقات السابقة للنجاح الأول، في حين يبدأ المدى من القيمة 1 إلى ما لا نهاية إذا تم تعريفه بدلالة رقم المحاولة التي يقع فيها أول نجاح. هذا التمييز الرياضي يمثل حجر الزاوية في تجنب الأخطاء المفاهيمية؛ فالصيغة الأولى تركز على زمن الإخفاق الخالص المتراكم، بينما تركز الصيغة الثانية على إجمالي الجهد التجريبي المبذول شاملاً المحاولة الناجحة نفسها. كلا التعريفين صحيح رياضياً، وتتحول النتائج بينهما بمجرد إزاحة مقدارها وحدة واحدة على محور الأعداد الصحيحة.

تكتسب نمذجة أزمنة الانتظار أهمية استثنائية في التحليل الكمي؛ إذ لا يقتصر مفهوم “الانتظار” على البعد الزمني الفيزيائي فحسب، بل يمتد ليشمل أي تسلسل من المحاولات المتقطعة مثل عدد المكالمات الهاتفية التسويقية قبل إتمام أول صفقة بيع، أو عدد القطع المفحوصة في خط إنتاج قبل اكتشاف أول قطعة معيبة، أو عدد المحاولات التجريبية التي يخوضها كائن حي قبل تعلم سلوك معين. يتيح التوزيع الهندسي تحويل هذه السلاسل العشوائية إلى توزيعات احتمالية قابلة للقياس والتنبؤ بدقة إحصائية عالية.

1.2 المصطلحات والمفاهيم الأساسية المرتبطة بالتوزيع

يرتكز التوزيع الهندسي على ركائز مفاهيمية صارمة، في مقدمتها مفهوم الحالات الاحتمالية الثنائية المتنافية؛ حيث تُصنّف نتائج كل تجربة إلى فئتين حصريتين وشاملتين هما “النجاح” (Success) و”الفشل” (Failure). تجدر الإشارة إلى أن مصطلح “النجاح” في الإحصاء لا يحمل بالضرورة دلالة إيجابية أخلاقية أو عملية، بل يشير حصراً إلى وقوع الحدث موضوع الدراسة والاهتمام، حتى وإن كان ذلك الحدث هو تعطل آلة صناعية أو رسوب طالب في اختبار تجريبي.

تعتبر معلمة الاحتمال، والتي يُرمز لها بالرمز p، المعلمة الوحيدة الحاكمة للتوزيع الهندسي الكلاسيكي، وتعبّر عن احتمالية وقوع النجاح في أي محاولة فردية، وتأخذ قيمة حقيقية محصورة في المجال المفتوح بين الصفر والواحد الصحيح (0 < p < 1). ويُعرّف المكمل الاحتمالي، الذي يُرمز له بالرمز q حيث q = 1 – p، بأنه احتمالية وقوع الفشل في المحاولة الواحدة. ويشترط النموذج الهندسي ثبات هذه المعلمة عبر سائر التكرارات المتعاقبة دون أي تغيير ناجم عن التعلم، أو الإجهاد، أو التغيرات البيئية المحيطة بالتجربة.

تعد خاصية “انعدام الذاكرة” (Memoryless Property) الخاصية الرياضية الأكثر تميزاً للتوزيع الهندسي بين سائر التوزيعات المتقطعة. تعني هذه الخاصية أن احتمالية تحقيق أول نجاح في المحاولات القادمة لا تتأثر مطلقاً بعدد الإخفاقات التي وقعت بالفعل في الماضي. من منظور رياضي، إذا علمنا أن النظام قد فشل في أول m محاولة، فإن احتمال احتياجه إلى k محاولة إضافية للوصول إلى النجاح يعادل تماماً احتمال احتياجه إلى k محاولة ابتداءً من نقطة الصفر: P(X ≥ m + k | X ≥ m) = P(X ≥ k). يشبه التوزيع الهندسي في هذا الجانب التوزيع الأسي (Exponential Distribution) في الإحصاء المستمر، حيث يعتبر التوزيع الهندسي النظير المتقطع الوحيد للتوزيع الأسي الذي يتسم بهذه الخاصية.

1.3 أهمية التوزيع الهندسي في الأبحاث والتحليل الكمي

يمثل التوزيع الهندسي أداة لا غنى عنها في هندسة الموثوقية الصناعية وإجراءات مراقبة الجودة وضمانها؛ إذ يُستخدم على نطاق واسع في بروتوكولات الفحص الدوري لاختبار متانة المكونات الإلكترونية والميكانيكية. من خلال نمذجة عدد الدورات التشغيلية التي تعمل خلالها الآلة بكفاءة تامة قبل التعرض للعطل الأول، يتمكن مهندسو الصيانة من جدولة عمليات الإحلال والتبديل الوقائي وتقدير فترات الضمان للمنتجات، مما يقلل من التكاليف التشغيلية ومخاطر التوقف المفاجئ.

في حقل العلوم المعرفية والبحث السلوكي، يُوظف التوزيع الهندسي لتحليل وتيرة الاستجابة وتتبع منحنيات التعلم لدى المفحوصين. فعند تصميم مهمات إدراكية تعتمد على المحاولة والخطأ، يتيح حساب احتمالية وصول المفحوص إلى الحل الصحيح بعد عدد معين من الإخفاقات إمكانية المقارنة المعيارية بين القدرات الفردية أو تقييم مدى فعالية استراتيجيات التدريب والتأهيل المختلفة. كما يُستخدم في الدراسات الإكلينيكية لتقدير فترات البقاء الزمني حتى الاستجابة الأولى للعلاجات الطبية الحديثة.

تكتمل هذه الأهمية التطبيقية عند نقل النماذج من المعادلات النظرية المجردة إلى بيئات المعالجة الرقمية؛ حيث تتيح برمجيات الجداول الإلكترونية، وعلى رأسها إكسل، للباحثين والمحللين الماليين والصناعيين بناء نماذج محاكاة تفاعلية لحساب المخاطر واختبار الفرضيات الإحصائية بصرياً ورقمياً، دون الاضطرار إلى الغوص في تعقيدات البرمجة المتقدمة، مما يرسخ دور إكسل كجسر يربط بين النظرية الاحتمالية والتطبيق الميداني الفعلي.

2. خصائص محاولات برنولي وشروط تطبيق التوزيع الهندسي

2.1 محددات محاكمة برنولي (Bernoulli Trial)

تُعد محاكمة برنولي الوحدة البنائية الأساسية التي يقوم عليها التوزيع الهندسي؛ وهي عبارة عن تجربة عشوائية أولية لا تحتمل نتائجها إلا أحد مخرجين متنافيين تماماً يُصطلحان اصطلاحاً بالنجاح والفشل. لا يمكن للتجربة أن تسفر عن نتيجة محايدة أو مخرجات متداخلة، مما يجعل فضاء العينة لكل تجربة فردية ثنائياً بدقة، وممثلاً بالمجموعة الرياضية S = {Success, Failure}. هذا التقسيم الثنائي يفرض على الباحث تحويل الظواهر المعقدة إلى متغيرات ثنائية واضحة المعالم قبل الشروع في النمذجة.

الشرط الثاني الحاسم في محاكمات برنولي هو الاستقلالية التامة (Statistical Independence) بين التجارب المتعاقبة. يعني ذلك رياضياً وتجريبياً أن وقوع نتيجة معينة في المحاولة رقم n لا يقدم أي معلومة، ولا يؤثر بأي حال من الأحوال، على احتمالية النجاح أو الفشل في المحاولة رقم n+1 أو أي محاولة لاحقة. إن انعدام الارتباط أو الاقتران بين الأحداث المتتالية يضمن بقاء البنية الاحتمالية ثابتة ومستقرة طوال فترة إجراء الاختبارات.

أما المحدد الثالث فهو ثبات قيمة المعلمة p؛ أي أن فرصة النجاح في المحاولة العاشرة متطابقة كلياً مع فرصة النجاح في المحاولة الأولى أو المحاولة المليون. يتجلى هذا النموذج بوضوح في أمثلة كلاسيكية مثل رمي قطعة نقود متوازنة بصورة متكررة حتى ظهور الوجه، أو إجراء فحوصات عشوائية لعينات من إنتاج ضخم بنظام “السحب مع الإرجاع”، حيث يظل الاحتمال ثابتاً لا يتأثر بالسحوبات السابقة نظراً لعودة العينة إلى المجتمع الإحصائي الأصلي.

2.2 افتراضات الصحة الإحصائية للنموذج الهندسي

لضمان صحة الاستدلالات الإحصائية المشتقة من تطبيق التوزيع الهندسي، يجب التحقق الصارم من استيفاء فرضية العشوائية في جمع الملاحظات وتجنب أي تحيز منهجي (Systematic Bias). إذا كانت عملية جمع البيانات تخضع لتأثيرات زمنية دورية، أو تدهور في حساسية أجهزة القياس، أو تراكم الخبرة لدى الأفراد المنفذين للتجربة، فإن فرضية ثبات p تسقط، وتصبح نتائج النموذج مضللة وغير معبرة عن الواقع.

يؤدي انتهاك شرط الاستقلالية، كوجود ارتباط تسلسلي (Autocorrelation) بين المحاولات، إلى تشويه دالة التوزيع الاحتمالي؛ مما يجعل ذيل التوزيع إما أكثر سماكة أو أكثر تسطحاً من التوزيع الهندسي النظري. في مثل هذه الحالات، يفقد التوزيع خاصية انعدام الذاكرة، ويصبح التباين الفعلي للبيانات متبايناً بشكل ملحوظ عن التباين النظري المتوقع، مما يقتضي إما معالجة الارتباط أو اللجوء إلى نماذج احتمالية بديلة قادرة على استيعاب الاعتمادية الذاتية مثل سلاسل ماركوف.

يتطلب التحقق التشخيصي من مطابقة البيانات للنموذج الهندسي إجراء اختبارات الفرضيات لحسن الملاءمة (Goodness of Fit) وفحص تكرارات فترات الانتظار تجريبياً. علاوة على ذلك، في الحالات التي تكون فيها احتمالية النجاح p متناهية الصغر (نادرة الحدوث)، يجب أن يكون حجم العينة الإجمالي المتاح للدراسة كبيراً بما يكفي لاحتواء عدد كافٍ من سلاسل الفشل المنتهية بالنجاح، مما يمنع حدوث تشوهات ناتجة عن انقطاع المراقبة أو ظاهرة البيانات المبتورة (Censored Data).

2.3 تمييز التوزيع الهندسي عن التوزيعات الاحتمالية المجاورة

يخلط العديد من المحللين المبتدئين بين التوزيع الهندسي وتوزيع ثنائي الحدين (Binomial Distribution). يكمن الفارق الجوهري في أن توزيع ثنائي الحدين يثبت عدد المحاولات الإجمالي n سلفاً، ويبحث في احتمالية الحصول على عدد k من النجاحات ضمن هذا العدد الثابت. في المقابل، يقوم التوزيع الهندسي بتثبيت عدد النجاحات المستهدفة عند نجاح واحد فقط (r = 1)، بينما يترك عدد المحاولات أو الإخفاقات متغيراً عشوائياً حراً يمتد نظرياً دون سقف محدد.

يمثل التوزيع الهندسي حالة خاصة وأساسية من توزيع ثنائي الحدين السالب (Negative Binomial Distribution). بينما يختص التوزيع الهندسي بحساب عدد الإخفاقات السابقة لتحقيق النجاح رقم 1، يوسع توزيع ثنائي الحدين السالب هذا المفهوم ليشمل حساب عدد الإخفاقات المطلوبة لتحقيق عدد r من النجاحات (حيث r ≥ 1). ومن هنا، يمكن النظر إلى المتغير العشوائي لثنائي الحدين السالب على أنه مجموع r من المتغيرات العشوائية الهندسية المستقلة والمتماثلة التوزيع.

عند المقارنة مع توزيع بواسون (Poisson Distribution)، نجد أن توزيع بواسون يتعامل مع عدد الأحداث النادرة التي تقع خلال فترة زمنية أو مساحية مستمرة ومتصلة وبمعدل حدوث ثابت، في حين يتعامل التوزيع الهندسي مع تجارب متقطعة منفصلة زمنياً أو تجريبياً. يلخص الجدول التالي المعايير المميزة لهذه التوزيعات لتسهيل عملية الاختيار البحثي:

• التوزيع الهندسي: يبحث في عدد الإخفاقات قبل النجاح الأول (r=1) في تجارب برنولي المتقطعة؛ المعلمة الحاكمة: p.
• توزيع ثنائي الحدين السالب: يبحث في عدد الإخفاقات قبل تحقيق النجاح رقم r في تجارب برنولي المتقطعة؛ المعلمات الحاكمة: r, p.
• توزيع ثنائي الحدين: يبحث في عدد النجاحات ضمن عدد ثابت n من محاولات برنولي؛ المعلمات الحاكمة: n, p.
• توزيع بواسون: يبحث في عدد مرات وقوع حدث في وسط متصل بمعدل ثابت؛ المعلمة الحاكمة: λ (متوسط المعدل).

3. الصيغ الرياضية للتوزيع الهندسي: دوال الكتلة والتراكم

3.1 دالة الكتلة الاحتمالية (Probability Mass Function)

تُعد دالة الكتلة الاحتمالية (PMF) الأداة الرياضية التي تحسب احتمالية أن يأخذ المتغير العشوائي المتقطع قيمة محددة بدقة. في إطار التوزيع الهندسي المعرف بعدد حالات الفشل k التي تسبق أول نجاح، تُكتب المعادلة الرياضية على النحو التالي:

P(X = k) = (1 – p)^k × p      حيث k ∈ {0, 1, 2, 3, …}

أما في الصياغة البديلة التي تُعرّف المتغير العشوائي Y على أنه رقم المحاولة الإجمالية التي يتحقق فيها أول نجاح، فإن المعادلة تأخذ الصيغة التالية:

P(Y = n) = (1 – p)^{n – 1} × p      حيث n ∈ {1, 2, 3, 4, …}

يستند الاشتقاق الجبري لهذه المعادلة إلى قاعدة ضرب الاحتمالات للأحداث المستقلة؛ فتحقيق أول نجاح بعد k من الإخفاقات يعني بالضرورة وقوع متتالية محددة وصارمة من الأحداث: فشل في المحاولة الأولى، متبوعاً بفشل في المحاولة الثانية، وهكذا دواليك حتى المحاولة رقم k، ثم وقوع نجاح حاسم في المحاولة رقم k+1. وبما أن المحاولات مستقلة تماماً، فإن الاحتمال المشترك لهذه المتتالية هو حاصل ضرب احتمالات أحداثها الفردية: (1-p) × (1-p) × … × (1-p) × p = (1-p)^k × p.

3.2 دالة التوزيع التراكمي (Cumulative Distribution Function)

تختص دالة التوزيع التراكمي (CDF) بحساب الاحتمال التراكمي بأن يحقق المتغير العشوائي قيمة أقل من أو تساوي عتبة محددة k، أي احتمالية أن يقع أول نجاح بعد عدد من الإخفاقات لا يتجاوز k (أو خلال أول k+1 محاولة). تُشتق الصيغة الجبرية للـ CDF بحساب مجموع المتسلسلة الهندسية المنتهية:

P(X ≤ k) = ∑_i=0^k (1 – p)ⁱ × p = 1 – (1 – p)^{k + 1}

يترتب على هذه المعادلة مفهوم تكميلي بالغ الأهمية يُعرف بـ “دالة البقاء” (Survival Function) أو احتمالية تجاوز عدد معين من الإخفاقات، والتي تصف احتمالية استمرار الفشل لأكثر من k محاولة دون تحقيق أي نجاح. تُصاغ هذه الدالة ببساطة من خلال طرح قيمة التراكم من الواحد الصحيح:

P(X > k) = 1 – P(X ≤ k) = (1 – p)^{k + 1}

بيانياً، تنطلق دالة التوزيع التراكمي من نقطة تبدأ عند P(X ≤ 0) = p وتتزايد تدريجياً بشكل سلالمي متقطع، متقاربة نحو خط التقارب الأفقي عند الواحد الصحيح (1.0 أو 100%) كلما ازدادت قيمة k نحو ما لا نهاية. تُستخدم هذه الدالة التراكمية في بناء فترات الثقة الإحصائية وتحديد الحدود القصوى للمخاطر المسموح بها في دراسات السلامة والاعتمادية.

3.3 المقاييس الإحصائية الوصفية للتوزيع الهندسي

تحدد المعالم الإحصائية الوصفية الخصائص الهيكلية لتوزيع البيانات حول مركزها ومدى تشتتها وشكل التوائها. يُعبر عن القيمة المتوقعة أو المتوسط الحسابي (Mean / Expected Value) لعدد حالات الفشل قبل أول نجاح بالصيغة الرياضية التالية:

E(X) = μ = (1 – p) / p

بينما يكون التوقع الحسابي لإجمالي عدد المحاولات حتى أول نجاح مساوياً لمقلوب احتمالية النجاح: E(Y) = 1 / p. يعكس هذا التوقع حقيقة بديهية؛ فإذا كانت احتمالية نجاح عملية معينة هي 0.20 (أي 20%)، فإننا نتوقع رياضياً إجراء 1 / 0.20 = 5 محاولات إجمالية للوصول إلى النجاح الأول (بواقع 4 إخفاقات ونجاح واحد).

أما تباين التوزيع (Variance)، الذي يقيس مقدار التشتت والتقلب حول المتوسط، فيُعطى بالمعادلة:

Var(X) = σ² = (1 – p) / p²

وبالتالي يكون الانحراف المعياري (Standard Deviation) هو الجذر التربيعي الموجب للتباين: σ = √(1 – p) / p. يتسم التوزيع الهندسي دائماً بـ “التواء إيجابي” (Positive Skewness) قوي نحو اليمين يُحسب بالمعادلة (2 – p) / √(1 – p)، ويكون هذا الالتواء أكثر حدة كلما صغرت قيمة p، مصحوباً بـ “تفرطح موجب” (Leptokurtic Kurtosis) يعكس وجود ذيل طويل ممتد نحو القيم العالية لعدد الإخفاقات النادرة.

4. استخدام دالة NEGBINOM.DIST في إكسل لحساب التوزيع الهندسي

4.1 بنية ووسائط الدالة NEGBINOM.DIST

لا يخصص برنامج مايكروسوفت إكسل دالة مستقلة باسم GEOM.DIST، بل يعتمد رسمياً على دالة توزيع ثنائي الحدين السالب NEGBINOM.DIST لحساب التوزيع الهندسي بدقة متناهية، انطلاقاً من المبدأ الرياضي القائل بأن التوزيع الهندسي هو حالة خاصة من ثنائي الحدين السالب عندما يكون عدد النجاحات المطلوبة مساوياً للواحد الصحيح. تتكون بنية الدالة في إكسل من أربعة وسائط إجبارية مكتوبة بالصيغة التالية:

=NEGBINOM.DIST(number_f, number_s, probability_s, cumulative)

فيما يلي التفصيل الدقيق لكل وسيط من هذه الوسائط الأربعة عند توظيفها لحساب التوزيع الهندسي:

• number_f (عدد الإخفاقات): القيمة العددية الصحيحة k التي تمثل عدد مرات الفشل المطلوب دراستها قبل تحقق أول نجاح. يجب أن تكون قيمة صحيحة أكبر من أو تساوي الصفر (k ≥ 0).
• number_s (عدد النجاحات): يتم ضبط هذا الوسيط دائماً وأبداً على القيمة 1 لتمثيل التوزيع الهندسي، حيث نهدف إلى دراسة الوصول إلى النجاح الأول فقط.
• probability_s (احتمال النجاح): القيمة العشرية للمعلمة p، والتي تمثل احتمال وقوع النجاح في المحاولة الفردية المستقلة، وتخضع للشرط الرياضي الصارم (0 < probability_s < 1).
• cumulative (الوسيط التراكمي المنطقي): قيمة منطقية (Boolean) تأخذ إما FALSE لحساب دالة الكتلة الاحتمالية النقطية P(X = k)، أو TRUE لحساب دالة التوزيع التراكمي P(X ≤ k).

4.2 مقارنة الدالة الحديثة مع الدالة القديمة NEGBINOMDIST

قبل إطلاق إصدار Excel 2010، كان البرنامج يعتمد على دالة تقليدية تحمل الاسم NEGBINOMDIST (بدون نقطة فاصلة). كانت تلك الدالة القديمة تعاني من محدودية وظيفية واضحة؛ إذ كانت تقتصر على ثلاثة وسائط فقط: (number_f, number_s, probability_s)، وتقوم حصراً بحساب الاحتمال النقطي لدالة الكتلة، دون توفير خيار الحساب التراكمي المدمج، مما كان يضطر المستخدمين إلى كتابة صيغ جمع يدوية معقدة أو استخدام معادلات جبرية إضافية لحساب التراكم.

قامت شركة مايكروسوفت بإعادة هيكلة الدوال الإحصائية القياسية لتحسين دقتها الرياضية ومطابقتها للمواصفات الدولية، مما أثمر عن إطلاق الدالة المحدثة NEGBINOM.DIST المزودة بالوسيط الرابع cumulative. على الرغم من أن إكسل لا يزال يدعم الدالة القديمة لأغراض التوافقية مع الملفات التاريخية القديمة، إلا أن التوصية الأكاديمية والمهنية الصارمة تحث على استخدام الدالة الحديثة ذات النقطة الفاصلة لضمان أعلى مستويات الدقة الرقمية، وتجنب تعطل الملفات عند مشاركتها عبر منصات الحوسبة السحابية وأحدث إصدارات مايكروسوفت 365.

4.3 الصيغة المباشرة المخصصة للتوزيع الهندسي عبر العمليات الحسابية

بالإضافة إلى استخدام الدوال الإحصائية المدمجة، يمتلك مستخدم إكسل إمكانية كتابة الصيغة الرياضية للتوزيع الهندسي بصورة مباشرة ومخصصة داخل خلايا ورقة العمل. تتيح هذه الطريقة للباحثين التحقق المتقاطع (Cross-Validation) من صحة النتائج البرمجية وفهم التدفق الحسابي بشكل أعمق. يمكن صياغة المعادلة اليدوية لاحتمال الكتلة النقطية لعدد k من الإخفاقات كالتالي:

=(1 - p)^k * p      أو باستخدام دالة القوى: =POWER(1 - p, k) * p

تتميز الصيغ الرياضية المباشرة بكفاءتها الحسابية العالية عند معالجة مصفوفات بيانات عملاقة، إلا أنها تتطلب حذراً بالغاً عند التعامل مع قيم p متناهية الصغر أو قيم k شديدة الكبر لتفادي مشاكل التقريب الرقمي والطفح السفلي العشري (Underflow). لذلك، يُفضل في التطبيقات الإحصائية المعيارية الاعتماد على دالة NEGBINOM.DIST لما تحتويه من خوارزميات داخلية محسنة للتعامل مع الاستقرار الرقمي.

5. حساب الاحتمال النقطي (Exact Probabilities) في إكسل

5.1 خطوات حساب احتمال حدوث عدد محدد من الإخفاقات

لحساب الاحتمال النقطي الدقيق لوقوع عدد معين من الإخفاقات k قبل تحقيق النجاح الأول في برنامج إكسل، يتم اتباع بروتوكول تنظيمي دقيق يضمن سلامة المراجع الرياضية وتسهيل المراجعة. لنفترض أننا نريد حساب احتمالية إخفاق آلة 3 مرات بالضبط قبل أن تنجح في المحاولة الرابعة، في بيئة صناعية تبلغ فيها احتمالية النجاح الفردي للمحاولة p = 0.25.

يتم تجهيز ورقة العمل بتخصيص الخلية B1 لكتابة احتمالية النجاح 0.25، والخلية B2 لكتابة عدد الإخفاقات المستهدفة 3. بعد ذلك، نتوجه إلى الخلية المخصصة لعرض النتيجة (ولتكن B3) ونكتب الصيغة الإحصائية التالية:

=NEGBINOM.DIST(B2, 1, B1, FALSE)

عند الضغط على مفتاح الإدخال Enter، يقوم إكسل بتعويض القيم داخل دالة الكتلة الاحتمالية: (1 – 0.25)³ × 0.25 = (0.75)³ × 0.25 = 0.421875 × 0.25 = 0.10546875. لتفسير هذه النتيجة، نغير تنسيق الخلية من تبويب “الصفحة الرئيسية” إلى “نسبة مئوية” مع منزلتين عشريتين، فتظهر النتيجة 10.55%، وهي الاحتمالية الدقيقة لمواجهة 3 إخفاقات متتالية يعقبها النجاح مباشرة.

5.2 التعامل مع احتمالية النجاح في المحاولة الأولى مباشرة

تعتبر حالة تحقيق النجاح في المحاولة الأولى مباشرة، دون التعرض لأي إخفاق مسبق، نقطة الانطلاق الأساسية للتوزيع الهندسي. يعبر عن هذه الحالة رياضياً بالقيمة k = 0 (صفر حالات فشل). إذا قمنا بإدخال هذه القيمة في صيغة إكسل:

=NEGBINOM.DIST(0, 1, 0.25, FALSE)

سيعيد إكسل الناتج 0.25 مباشرة وبدقة متطابقة مع قيمة p الأصلية؛ نظراً لأن (1 – p)⁰ × p = 1 × p = p. يحمل هذا المخرج الإحصائي أهمية مفاهيمية بالغة؛ فهو يؤكد أن أعلى احتمال نقطي في التوزيع الهندسي يتركز دائماً وأبداً عند المحاولة الأولى (أي عند k = 0 إخفاق)، مما يجعل منوال التوزيع (Mode) مساوياً للصفر بصورة دائمة، بغض النظر عن قيمة المعلمة p، طالما أن 0 < p < 1.

5.3 حساب احتمالات نقاط متعددة ومقارنتها تحليلياً

في الدراسات والتقارير التحليلية، نادراً ما يقتصر الاهتمام على نقطة احتمالية منفردة؛ بل يتطلب التحليل مقارنة مجموعة متسلسلة من الاحتمالات النقطية لدراسة سلوك التراجع الاحتمالي. لتحقيق ذلك في إكسل، ننشئ جدولاً نضع فيه قيم k في العمود A ابتداءً من الخلية A5 بالقيمة 0 نزولاً إلى الخلية A15 بالقيمة 10.

في الخلية B5 المجاورة، نكتب الصيغة مع استخدام مراجع الخلايا المطلقة لتثبيت خلية المعلمة p باستخدام علامة الدولار ($):

=NEGBINOM.DIST(A5, 1, $B$1, FALSE)

عند سحب مقبض التعبئة التلقائية لتطبيق الصيغة على النطاق من B5 إلى B15، يولد إكسل جدولاً مقارناً يوضح الاضمحلال الأسي السريع للاحتمالات النقطية مع تزايد عدد الإخفاقات. يوضح هذا التحليل النقطي السريع ما يُعرف بـ “نقطة التلاشي الاحتمالي”، وهي النقطة التي تصبح عندها احتمالية مواجهة إخفاقات إضافية شبه منعدمة عملياً، مما يساعد في تحديد عتبات الإيقاف في التجارب المعملية.

6. حساب الاحتمالات التراكمية والاحتمالات التكميلية في إكسل

6.1 حساب احتمال النجاح خلال عدد أقصاه k من الإخفاقات (P(X ≤ k))

يمثل حساب الاحتمال التراكمي الأداة المركزية لاتخاذ القرارات الاستراتيجية وتقييم الكفاءة؛ حيث يهتم المدراء والباحثون بمعرفة احتمالية حسم المسألة وتحقيق النجاح ضمن سقف محدد من الموارد أو المحاولات الفاشلة المسموح بها. لحساب احتمالية أن يتحقق أول نجاح بعد عدد من الإخفاقات لا يتجاوز k، نضبط الوسيط الرابع للدالة على القيمة المنطقية TRUE.

على سبيل المثال، إذا أردنا حساب احتمال تحقيق النجاح الأول في موعد أقصاه 4 إخفاقات (أي خلال المحاولات الخمس الأولى) باحتمال نجاح فردي p = 0.20، نكتب الصيغة التالية في إكسل:

=NEGBINOM.DIST(4, 1, 0.20, TRUE)

ينفذ إكسل العملية التراكمية الرياضية: 1 – (1 – 0.20)^{4 + 1} = 1 – (0.80)⁵ = 1 – 0.32768 = 0.67232 (أو 67.23%). يمكن التحقق من صحة هذا الناتج الرياضي بجمع الاحتمالات النقطية الفردية المنفصلة للقيم k = 0, 1, 2, 3, 4 عبر دالة الجمع =SUM(B5:B9)، لنجد تطابقاً تاماً بين الطريقتين، مما يبرز سهولة واختصار الوسيط التراكمي في توفير الوقت والجهد الحسابي.

6.2 حساب احتمال تجاوز عدد معين من الإخفاقات (P(X > k))

تكتسب الاحتمالات التكميلية أو دالة البقاء أهمية استثنائية عند تقييم سيناريوهات المخاطر والتعثر المالي أو التشغيلي؛ إذ تجيب عن تساؤلات حاسمة مثل: “ما هو احتمال استمرار تعطل النظام وفشله لأكثر من k محاولة متتالية؟”. بما أن فضاء الاحتمالات الكلي يساوي واحداً صحيحاً، فإن حساب هذا الاحتمال التكميلي يتم عبر طرح الاحتمال التراكمي من القيمة 1:

=1 - NEGBINOM.DIST(k, 1, p, TRUE)

يمكن أيضاً استخدام الصيغة الجبرية المباشرة والمكافئة لها رياضياً في إكسل:

=(1 - p)^(k + 1)

إذا كانت احتمالية نجاح تشغيل خادم شبكي في المحاولة الواحدة هي p = 0.30، وأردنا حساب مخاطر فشل الخادم لأكثر من 5 محاولات متتالية (أي X > 5 إخفاقات)، نطبق الصيغة: =1 - NEGBINOM.DIST(5, 1, 0.30, TRUE)، فتكون النتيجة (0.70)^6 = 0.117649 (أي 11.76%). تمنح هذه النتيجة مسؤولي تقنية المعلومات تقديراً كمياً لاحتمالية الدخول في سيناريو التعطل الحرج.

6.3 حساب الاحتمالات الواقعة ضمن نطاق محدد (P(a ≤ X ≤ b))

في العديد من الفرضيات الإحصائية، يتطلب التحليل تقدير احتمالية وقوع أول نجاح ضمن فترة محددة ومحصورة بين حدين من الإخفاقات، مثل حساب احتمال أن يقع النجاح بعد ما لا يقل عن a من الإخفاقات وبما لا يزيد عن b من الإخفاقات (حيث a ≤ b). نظراً للطبيعة المتقطعة للتوزيع الهندسي، تُصاغ معادلة الفرق التراكمي في إكسل على النحو التالي:

=NEGBINOM.DIST(b, 1, p, TRUE) - NEGBINOM.DIST(a - 1, 1, p, TRUE)

يجب الانتباه بدقة رياضية إلى ضرورة طرح a – 1 من الحد الأدنى وليس a؛ وذلك لضمان تضمين القيمة a نفسها ضمن النطاق الاحتمالي المحسوب. فإذا أردنا حساب احتمالية أن يقع النجاح الأول بين الفشل الثالث والفشل السابع (أي 3 ≤ X ≤ 7) مع احتمال نجاح p = 0.15، تكون الصيغة في إكسل:

=NEGBINOM.DIST(7, 1, 0.15, TRUE) - NEGBINOM.DIST(2, 1, 0.15, TRUE)

تقوم هذه المعادلة بحساب التراكم حتى 7 إخفاقات وطرح التراكم حتى إخفاقين فقط، تاركة الاحتمال الصافي لمجموع النقاط k = 3, 4, 5, 6, 7، وهو ما يمكن مطابقته برمجياً في إكسل بجمع الخلايا النقطية المقابلة لتلك القيم للتحقق من سلامة البناء الرياضي للنموذج.

7. بناء جدول توزيع احتمالي هندسي كامل في ورقة عمل إكسل

7.1 هيكلة ورقة العمل وتصميم مدخلات البيانات

يتطلب بناء نموذج إحصائي احترافي وقابل لإعادة الاستخدام هيكلة واضحة لورقة العمل في إكسل، مع الفصل التام بين خلايا المدخلات (Parameters)، وخلايا الحسابات الجدلية، وخلايا المخرجات التلخيصية. نبدأ بتخصيص منطقة علوية لمدخلات النموذج في النطاق A1:B3، حيث نكتب في الخلية A1 التسمية “احتمال النجاح (p)”، ونخصص الخلية B1 لإدخال القيمة المتغيرة (مثل 0.20).

لضمان عدم حدوث أخطاء حسابية ناجمة عن إدخال قيم خاطئة للمعلمة، نطبق أداة التحقق من صحة البيانات (Data Validation) على الخلية B1؛ فنختار من شريط الأدوات تبويب “بيانات” ثم “التحقق من صحة البيانات”، ونضبط معيار السماح على “عشري” (Decimal) مع تحديد الشرط “بين” (Between) لقيمتي الحد الأدنى 0.0001 والحد الأقصى 0.9999، مع إضافة رسالة تنبيه توضح للمستخدم ضرورة إدخال احتمال صحيح محصور بين الصفر والواحد.

بعد ذلك، ننشئ جدول البيانات الرئيسي ابتداءً من الصف الخامس، حيث نخصص العمود A لعدد الإخفاقات k عبر إدراج متسلسلة رقمية تبدأ من 0 في الخلية A6 وتتزايد بمقدار واحد حتى تصل إلى 30 أو 50 في الخلايا اللاحقة، مما يمنح النموذج مدى حسابياً كافياً لاستيعاب التوزيع الاحتمالي حتى مستويات التلاشي.

7.2 توليد أعمدة دالة الكتلة ودالة التوزيع التراكمي تلقائياً

بمجرد إعداد عمود الإخفاقات k، نقوم بتوليد الأعمدة الاحتمالية الثلاثة الرئيسية التي تغطي كافة الأبعاد الإحصائية للتوزيع الهندسي. نخصص العمود B لاحتمال الكتلة النقطية P(X = k)، والعمود C للاحتمال التراكمي الصاعد P(X ≤ k)، والعمود D لاحتمال البقاء أو التجاوز P(X > k). يتم إدخال الصيغ في الصف الأول من البيانات (الصف 6) كالتالي:

• الخلية B6 (الاحتمال النقطي): =NEGBINOM.DIST(A6, 1, $B$1, FALSE)
• الخلية C6 (الاحتمال التراكمي): =NEGBINOM.DIST(A6, 1, $B$1, TRUE)
• الخلية D6 (احتمال التجاوز): =1 - C6

نقوم بتحديد الخلايا الثلاث B6:D6 والضغط المزدوج على مقبض التعبئة في الزاوية السفلية اليسرى لتطبيق المعادلات فورياً على كامل النطاق الممتد لأسفل الجدول. لتأكيد سلامة النموذج رياضياً، ننشئ خلية تحقق في أسفل عمود الكتلة النقطية لحساب المجموع الإجمالي عبر الصيغة =SUM(B6:B56)؛ فإذا كانت قيمة المجموع تقترب بشكل متطابق من القيمة 1.0000 (أو 100%)، فإن ذلك يؤكد اكتمال التوزيع وسلامة البناء الرياضي للجدول.

7.3 أتمتة الحسابات الديناميكية وتطبيق التنسيق الشرطي

لتحويل جدول البيانات إلى نموذج عمل ديناميكي تفاعلي، يُفضل تحويل النطاق كاملاً إلى جدول إكسل رسمي (Excel Table) عبر الضغط على الاختصار Ctrl + T وتحديد خيار “يحتوي الجدول على رؤوس”. تضمن هذه الخطوة تمدد الصيغ وتحديث النطاقات تلقائياً في حال إضافة قيم جديدة للمتغير k دون الحاجة لإعادة كتابة المعادلات يدوياً.

لتعزيز القراءة البصرية للبيانات، نطبق قواعد التنسيق الشرطي (Conditional Formatting) على عمود الاحتمالات النقطية (العمود B)؛ فنختار “مقاييس الألوان” (Color Scales) بتدرج لوني من الأخضر الداكن للقيم الاحتمالية المرتفعة، متدرجاً نحو الأصفر ثم الأحمر الفاتح مع انخفاض الاحتمالات، مما يعكس للمشاهد بصرياً وسريعاً تركز الثقل الاحتمالي في المراحل الأولى للتوزيع.

علاوة على ذلك، يمكن تصميم بطاقات تلخيصية علوية في ورقة العمل تعرض مؤشرات فورية مثل: المتوسط الحسابي، والانحراف المعياري، واحتمال النجاح في أول 3 محاولات، مع ربط هذه البطاقات بخلايا الجدول لتتغير لحظياً كلما قام المستخدم بتعديل قيمة المعلمة p في الخلية الرئيسية B1.

8. التمثيل البياني للتوزيع الهندسي باستخدام أدوات المخططات في إكسل

8.1 إنشاء مخطط الأعمدة (Column Chart) لدالة الكتلة الاحتمالية

يعد التمثيل البياني لدالة الكتلة الاحتمالية أداة محورية لتحويل الجداول الرقمية الصامتة إلى تصور إدراكي واضح لشكل التوزيع والتوائه. لإنشاء مخطط الأعمدة القياسي في إكسل، نحدد نطاق قيم k في العمود A ونطاق الاحتمالات النقطية المقابلة في العمود B، ثم نتوجه إلى تبويب “إدراج” (Insert) ونختار من قسم المخططات “مخطط عمودي ثنائي الأبعاد” (2D Clustered Column).

لإضفاء الطابع الإحصائي السليم على المخطط، يجب تعديل خصائص الأعمدة لتلائم المتغيرات المتقطعة؛ فننقر بزر الفأرة الأيمن على أحد الأعمدة ونختار “تنسيق سلسلة البيانات” (Format Data Series)، ثم نقوم بتقليل “عرض الفجوة” (Gap Width) إلى نطاق يتراوح بين 10% و 20% بدلاً من القيمة الافتراضية العريضة، مما يجعل الأعمدة تبدو متقاربة ومنسجمة كدالة توزيع احتمالي متصلة بنيوياً.

نضيف بعد ذلك “عناوين المحاور” (Axis Titles) بتسمية المحور الأفقي بـ “عدد الإخفاقات (k)” والمحور الرأسي بـ “الاحتمال P(X = k)”، مع تفعيل “تسميات البيانات” (Data Labels) على الأعمدة الخمسة الأولى لإظهار النسب الدقيقة فوق القمم الأكثر وزناً، ونضبط عنوان المخطط ليكون ديناميكياً يعكس قيمة p الحالية من خلال ربطه بصيغة نصية مثل: ="دالة الكتلة للتوزيع الهندسي عند p = " & TEXT(B1, "0.00").

8.2 رسم منحنى التوزيع التراكمي السلالمي (Step Chart)

نظراً لأن التوزيع الهندسي توزيع متقطع، فإن التمثيل البياني الأدق رياضياً لدالة التوزيع التراكمي P(X ≤ k) لا ينبغي أن يكون خطاً منحنياً أملساً، بل منحنى سلالمياً (Step Chart) يوضح ثبات الاحتمال عند قيمة معينة حتى حدوث القفزة الاحتمالية مع كل محاولة جديدة. في إكسل، يمكن إنشاء هذا المخطط باستخدام المخططات الخطية أو المبعثرة مع خطوط مستقيمة وزوايا قائمة.

تتمثل الخطوة الأكثر احترافية في إنشاء مخطط مجمع (Combo Chart) يدمج بين دالة الكتلة ودالة التوزيع التراكمي في مساحة رسومية واحدة؛ فنحدد بيانات k، والاحتمال النقطي، والاحتمال التراكمي معاً، ومن تبويب المخططات نختار “مخطط مجمع”، ونضبط سلسلة الاحتمال النقطي لتكون “أعمدة متفاوتة المسافات” على المحور الرأسي الرئيسي (الأيسر)، وسلسلة الاحتمال التراكمي لتكون “خطاً” (Line Chart) مقترناً بـ محور رأسي ثانوي (Secondary Axis) على الجانب الأيمن.

نضبط حدود المحور الرأسي الثانوي لتبدأ تماماً من 0.0 وتنتهي عند 1.0 (أو 100%) لضمان عدم تجاوز الخط التراكمي للحد الأقصى المطلق، مع إضافة خط أفقي منقط يمثل خط التقارب عند الواحد الصحيح، مما يتيح للقارئ مقارنة التراجع النقطي للأعمدة مع الارتفاع التراكمي للمنحنى في آن واحد وبدقة تحليلية فائقة.

8.3 إنشاء مخططات تفاعلية تتغير ديناميكياً مع تغير المعلمات

للارتقاء بنموذج إكسل إلى مستوى الأدوات الاحترافية المتقدمة للعروض التقديمية والتحليل التفاعلي، يمكن ربط المخططات البيانية بعناصر التحكم في النماذج (Form Controls). نتوجه إلى تبويب “المطور” (Developer) — وفي حال عدم ظهوره، يتم تفعيله من خيارات تخصيص الشريط في إكسل — ثم نختار “إدراج” ومن قسم عناصر تحكم النماذج ندرج شريط تمرير (Scroll Bar) فوق ورقة العمل.

ننقر بزر الفأرة الأيمن على شريط التمرير ونختار “تنسيق عنصر التحكم” (Format Control)، ونضبط القيمة الصغرى على 1 والقيمة العظمى على 99 مع تعيين التغيير التزايدي بمقدار 1، ونربط عنصر التحكم بخلية وسيطة، ولتكن E1. في الخلية الرئيسية للمعلمة B1، نكتب الصيغة: =E1 / 100. بهذه الخطوة، يتحول شريط التمرير إلى أداة تحكم سلسة تمكن المستخدم من تغيير احتمالية النجاح من 1% إلى 99% بمجرد سحب المؤشر يميناً ويساراً.

بمجرد تحريك شريط التمرير، يعيد إكسل حساب كافة خلايا جدول التوزيع الهندسي في أجزاء من الثانية، وتتحدث المخططات البيانية المرتبطة بها لحظياً وبصورة حركية مذهلة، مظهرة كيف يتسع التوزيع وتتمدد ذيوله الطويلة عند انخفاض قيمة p، وكيف ينكمش التوزيع ويتكدس بقوة نحو الصفر عند ارتفاع قيمة p، مما يوفر بيئة استكشافية بصرية مثالية لشرح المفاهيم الاحتمالية في الاجتماعات التنفيذية والأكاديمية.

9. حساب المقاييس المركزية ومقاييس التشتت للتوزيع الهندسي في إكسل

9.1 حساب المتوسط الحسابي والتوقع الرياضي (Mean / Expected Value)

يمثل التوقع الرياضي المركز الثقلي للتوزيع الاحتمالي؛ وهو الرقم الذي يعبر عن المتوسط النظري لعدد الإخفاقات التي نتوقع حدوثها على المدى الطويل إذا كررنا التجربة لعدد لا نهائي من المرات. لحساب هذا المتوسط في إكسل لعدد الإخفاقات السابقة للنجاح الأول، نطبق الصيغة المباشرة في خلية مخصصة للنتائج:

=(1 - B1) / B1

أما إذا كان التحليل يتطلب حساب المتوسط الكلي لعدد المحاولات الإجمالية متضمنة محاولة النجاح ذاتها، فإن الصيغة المطبقة تكون مقلوب الاحتمال:

=1 / B1

للتحقق الإحصائي المتقاطع من صحة هذه الصيغة النظرية بالاعتماد على جدول البيانات المولد في ورقة العمل، يمكن استخدام دالة الضرب التجميعي للمصفوفات SUMPRODUCT، والتي تضرب كل قيمة لعدد الإخفاقات k في احتمالها النقطي المقابل وتجمع النواتج، محاكية تماماً التعريف الرياضي للتوقع: E(X) = ∑ k × P(X = k):

=SUMPRODUCT(A6:A56, B6:B56)

عند تنفيذ هذه الدالة على مدى بيانات يحتوي على عدد كافٍ من الصفوف، سنجد أن ناتج دالة SUMPRODUCT يتطابق كلياً مع ناتج الصيغة المباشرة =(1 - B1) / B1، مما يرسخ الثقة في دقة الحسابات الرياضية لورقة العمل.

9.2 حساب التباين والانحراف المعياري في إكسل

يقيس التباين درجة تشتت المتغير العشوائي حول متوسطه المتوقع؛ فكلما كبر التباين، اتسعت رقعة عدم اليقين وزادت احتمالية مواجهة سلاسل إخفاق طويلة جداً أو قصيرة جداً بشكل غير متوقع. نكتب صيغة حساب التباين النظري للتوزيع الهندسي في إكسل كالتالي:

=(1 - B1) / (B1^2)

ولحساب الانحراف المعياري، الذي يعيد قياس التشتت بنفس وحدة قياس المتغير الأصلي (عدد الإخفاقات)، نستخدم دالة الجذر التربيعي SQRT المدمجة في إكسل مطبقة على صيغة التباين:

=SQRT((1 - B1) / (B1^2))      أو بصيغة مبسطة مكافئة: =SQRT(1 - B1) / B1

يساعد الانحراف المعياري المحللين في بناء حدود التوقع والتنبؤ؛ فبالرغم من أن التوزيع الهندسي غير متماثل ولا يخضع لقاعدة التوزيع الطبيعي التجريبية (68-95-99.7)، إلا أن معرفة الانحراف المعياري تمكن المحلل من تطبيق متباينة تشيبيشيف (Chebyshev’s Inequality) لتحديد الحدود الرياضية الصارمة التي لا يمكن للبيانات تجاوزها بنسب احتمالية محددة.

9.3 حساب الوسيط والمنوال والمئينيات للتوزيع المتقطع

يتميز منوال (Mode) التوزيع الهندسي بأنه ثابت دائماً ويساوي الصفر (0)، حيث يمثل احتمال عدم وقوع أي إخفاق أعلى نقطة كتلة احتمالية في التوزيع بأكمله. أما وسيط التوزيع (Median) — وهو القيمة التي يتساوى عندها احتمال وقوع عدد إخفاقات أقل منها أو مساوٍ لها مع احتمال وقوع عدد إخفاقات أكبر منها بنسبة 50% على الأقل — فيمكن حسابه بصيغة رياضية مغلقة وتطبيقها في إكسل باستخدام دالة السقف CEILING واللوغاريتم الطبيعي LN:

=CEILING(-LN(2) / LN(1 - B1) - 1, 1)

لحساب المئينيات المتقدمة (Percentiles) — مثل المئين 95 الذي يحدد عدد الإخفاقات الذي يضمن للمؤسسة نسبة إنجاز للنجاح قدرها 95% على الأقل — يمكن توظيف دوال البحث الحديثة في إكسل مثل XLOOKUP للبحث في العمود التراكمي المولد مسبقاً في الجدول:

=XLOOKUP(0.95, C6:C56, A6:A56, , 1)

يقوم إكسل من خلال هذا الوسيط الأخير 1 بالبحث عن أول قيمة في العمود التراكمي C تساوي أو تزيد مباشرة عن 0.95، ويعيد قيمة k المقابلة لها من العمود A، مما يمنح متخذ القرار تقديراً دقيقاً لعدد المحاولات الكافية لتحقيق الأهداف بنسبة ثقة محددة سلفاً دون تعقيدات حسابية.

10. تطبيقات التوزيع الهندسي في القياس والتحليل السلوكي عبر إكسل

10.1 نمذجة زمن استجابة المفحوصين وعدد محاولات التعلم

يحتل التوزيع الهندسي موقعاً ريادياً في حقل القياس النفسي والتقييم التربوي؛ حيث يُستخدم كنموذج معياري لتحليل عدد المحاولات الفاشلة التي يستغرقها الطالب أو المفحوص قبل تقديم الاستجابة الصحيحة الأولى في المهمات المعرفية التكيفية. تعكس المعلمة p في هذا السياق “مستوى الكفاءة المعرفية” أو “سرعة التعلم”؛ فكلما كانت قيمة p المقدرة للمفحوص أعلى، دل ذلك على سرعة استيعابه للمهارة وتطلبه لعدد أقل من المحاولات التجريبية.

يمكن بناء نموذج في إكسل لمقارنة مجموعتين تجريبيتين خضعتا لأسلوبين تدريبيين مختلفين. نضع بيانات عدد المحاولات حتى النجاح لأفراد المجموعة الأولى في العمود A وللمجموعة الثانية في العمود B، ثم نقوم بتقدير المعلمة p لكل مجموعة عبر مقلوب المتوسط الحسابي لبيانات كل عمود باستخدام الدالة =1 / AVERAGE(A2:A100).

من خلال رسم دالتي التوزيع الهندسي المستنتجتين للمجموعتين على مخطط بياني مشترك في إكسل، يتضح بصرياً وإحصائياً أي المنهجين التدريبيين يرفع من احتمالية النجاح المبكر، مما يوفر للباحثين أدلة كمية دامغة حول فعالية التدخلات التربوية والسلوكية.

10.2 تحليل السلوك الاستهلاكي ومعدلات التحويل الرقمي

في قطاع التجارة الإلكترونية والتسويق الرقمي، يُستخدم التوزيع الهندسي لنمذجة “مسار التحويل” (Conversion Funnel)؛ وتحديداً عدد الزيارات أو النقرات الإعلانية غير المجدية التي يقوم بها العميل المحتمل قبل اتخاذ قرار الشراء الأول. يمثل الفشل هنا زيارة متجر دون شراء، بينما يمثل النجاح إتمام أول عملية دفع.

تساعد دوال إكسل مسؤولي التسويق في حساب تكلفة الاستحواذ على العميل (CAC) بدقة؛ فإذا كانت نسبة التحويل لكل زيارة هي p = 0.04 (أي 4%)، فإن التوقع الرياضي لإجمالي الزيارات المطلوبة للشراء هو =1 / 0.04 = 25 زيارة. إذا كانت تكلفة النقرة الإعلانية الواحدة 0.50 دولار، فإن التكلفة المتوقعة لاكتساب العميل تكون 25 × 0.50 = 12.50 دولار.

علاوة على ذلك، يمكن استخدام دالة =NEGBINOM.DIST(10, 1, 0.04, TRUE) لحساب احتمالية أن يشتري العميل في غضون أول 10 زيارات فقط (والتي تبلغ حوالي 36.16%)، مما يوجه إدارة التسويق نحو تحديد التوقيت الأمثل لتقديم كوبونات الخصم أو العروض الترويجية قبل تسرب المستخدم وفقدانه نهائياً.

10.3 دراسة ظواهر التعزيز والامتثال في التجارب السلوكية

في تجارب علم النفس التجريبي ودراسات تعديل السلوك، تُطبق بروتوكولات “جداول التعزيز المتقطع” (Intermittent Reinforcement Schedules) لدراسة مدى صمود الاستجابات السلوكية. يُستخدم التوزيع الهندسي هنا لنمذجة عدد الاستجابات غير المعززة التي يقدمها الكائن الحي قبل تلقي أول مكافأة أو تعزيز تجريبي.

من خلال تجميع بيانات الامتثال السلوكي في إكسل، يستطيع الباحث مقارنة التوزيع التجريبي الفعلي لفترات الصمود مع التوزيع الهندسي النظري؛ حيث يشير أي انحراف دال إحصائياً بين التوزيعين إلى وجود عوامل وسيطة تؤثر على سلوك المفحوص، مثل تأثير الإحباط التراكمي الناتج عن الفشل المتكرر، أو وجود نمط تعلم استباقي ينتهك فرضية ثبات المعلمة p.

يوفر إكسل الأدوات الإحصائية اللازمة لتقدير مصفوفات التباين والانحدار لتلك التجارب السلوكية، مما يمكن الباحثين من صياغة نظريات سلوكية أكثر دقة مدعومة بحسابات احتمالية متينة وموثوقة.

11. التعامل مع الأخطاء الشائعة والتحقق من صحة النماذج في إكسل

11.1 الأخطاء الشائعة في إدخال وسائط دالة NEGBINOM.DIST

يواجه العديد من مستخدمي إكسل أخطاء برمجية ومفاهيمية عند تطبيق التوزيع الهندسي، مما يؤدي إلى الحصول على نتائج غير دقيقة أو ظهور رموز الأخطاء الشائعة في خلايا الجدول. يلخص الجدول التالي أبرز هذه الأخطاء وسبل معالجتها وتصحيحها رياضياً وبرمجياً:

• الخلط بين إجمالي المحاولات وعدد الإخفاقات (Off-by-One Error): إدخال رقم المحاولة n مباشرة في وسيط number_f بدلاً من عدد الإخفاقات k.
  الحل: تذكر دائماً أن k = n – 1، واطرح 1 من إجمالي المحاولات قبل التمرير للدالة.
• خطأ #NUM! بسبب احتمالات غير صالحة: إدخال قيمة للمعلمة p تكون أصغر من أو تساوي الصفر، أو أكبر من أو تساوي الواحد الصحيح (مثل إدخال 1.5 أو 0 أو -0.2).
  الحل: التحقق من ضبط p في النطاق المفتوح 0 < p < 1 حصراً.
• خطأ #NUM! بسبب قيم سالبة للإخفاقات: إدخال قيمة سالبة في وسيط number_f (مثل k = -2).
  الحل: تقييد مدخلات k لتكون أعداداً صحيحة غير سالبة (k ≥ 0).
• تحديد الوسيط التراكمي بشكل خاطئ: استخدام TRUE عند الرغبة في حساب احتمال نقطة محددة، أو FALSE عند الرغبة في تراكم مجال احتمالي.
  الحل: استخدام FALSE للكتلة النقطية P(X=k) و TRUE للتراكم P(X≤k).
• خطأ #VALUE! بسبب تنسيقات نصية: إدخال نصوص أو مسافات غير مرئية داخل خلايا الأرقام.
  الحل: التأكد من تنسيق كافة خلايا المدخلات كقيم رقمية وتفريغها من الرموز النصية.

11.2 التحقق من صحة وجودة ملاءمة النموذج الهندسي (Goodness of Fit)

لا يكفي مجرد افتراض أن البيانات الواقعية تتبع التوزيع الهندسي، بل يتحتم على المحلل إجراء اختبار إحصائي صارم للتحقق من “حسن الملاءمة” (Goodness of Fit). الأسلوب المعياري المتبع في إكسل هو تطبيق اختبار كاي-تربيع لحسن الملاءمة (Chi-Square Goodness of Fit Test) لمقارنة التكرارات الملاحظة فعلياً (Observed Frequencies) بالتكرارات المتوقعة نظرياً (Expected Frequencies).

لتنفيذ الاختبار في إكسل، نضع فئات الإخفاقات k في العمود A، والتكرارات الملاحظة التجريبية في العمود B، ونحسب مجموع التكرارات الإجمالي N = SUM(B2:B10). في العمود C، نحسب الاحتمال النظري الهندسي لكل فئة، ثم نولد التكرار المتوقع في العمود D بضرب الاحتمال في الحجم الإجمالي: =C2 * $N$.

بعد تجهيز العمودين، نستخدم دالة اختبار كاي-تربيع المدمجة في إكسل لحساب القيمة الاحتمالية (P-value):

=CHISQ.TEST(B2:B10, D2:D10)

إذا كانت القيمة الاحتمالية الناتجة أكبر من مستوى الدلالة المعتمد (عادة α = 0.05)، فإننا نقبل الفرضية الصفرية القائلة بأن البيانات تتبع التوزيع الهندسي بكفاءة ودون فروق ذات دلالة إحصائية، مما يمنح النموذج المعتمد في إكسل الموثوقية العلمية الكاملة.

11.3 استكشاف مشكلات الدقة الحسابية والأرقام المتناهية الصغر

عند التعامل مع ذيول التوزيعات الهندسية الطويلة ذات قيم k الكبيرة جداً (مثل k > 100) مع معلمات نجاح صغيرة، تبدأ احتمالات الكتلة النقطية بالاقتراب من الصفر المطلق بدرجات متناهية في الصغر (مثل 10^-15). في هذه المناطق الحدية، قد تعاني معالجات الجداول الإلكترونية من ظاهرة الخطأ التقريبي التراكمي أو التصفير التلقائي (Floating-Point Arithmetic Underflow).

للتغلب على هذه المعضلة الحسابية في إكسل عند الحاجة لحساب احتمالات متناهية الصغر بدقة فائقة، يُنصح بالانتقال إلى “الفضاء اللوغاريتمي” (Log-Space). يتم ذلك بحساب اللوغاريتم الطبيعي لاحتمال الكتلة عبر الصيغة:

=k * LN(1 - p) + LN(p)

تمنع هذه الصيغة حدوث الطفح السفلي من خلال تحويل عمليات الضرب والرفع إلى قوى إلى عمليات جمع وضرب خطية بسيطة للوغاريتمات، وعند الحاجة لعرض الاحتمال النهائي يمكن تطبيق دالة الأس =EXP(...)، مما يحافظ على أعلى درجات الدقة الرقمية التي يتيحها محرك حسابات مايكروسوفت إكسل.

12. محاكاة التوزيع الهندسي ومقارنته المتقدمة بالتوزيعات الأخرى في إكسل

12.1 إجراء محاكاة مونت كارلو للتوزيع الهندسي في إكسل

تعد محاكاة مونت كارلو (Monte Carlo Simulation) وسيلة تجريبية فعالة لفهم السلوك العشوائي للتوزيع الهندسي وتوليد آلاف العينات الافتراضية لاختبار استقرار الأنظمة المعقدة. تعتمد المحاكاة في إكسل على طريقة “التحويل المتكامل العكسي” (Inverse Transform Sampling)، والتي تحول الأرقام العشوائية المنتظمة المنتجة عبر دالة RAND() إلى متغيرات عشوائية تتبع التوزيع الهندسي بدقة.

تُصاغ المعادلة الرياضية العكسية لتوليد عدد الإخفاقات k في خلية إكسل على النحو التالي:

=INT(LN(1 - RAND()) / LN(1 - $B$1))      أو بصيغة مكافئة: =INT(LN(RAND()) / LN(1 - $B$1))

عند كتابة هذه الصيغة في الخلية A1 وسحبها لأسفل حتى الخلية A10000، يقوم إكسل بتوليد 10,000 تجربة عشوائية مستقلة تحاكي عدد الإخفاقات قبل النجاح الأول. لحساب المتوسط والتباين التجريبيين للقيم المولدة، نستخدم الدالتين =AVERAGE(A1:A10000) و =VAR.S(A1:A10000) على التوالي.

بمقارنة هذه النتائج التجريبية بالقيم النظرية المحسوبة مسبقاً عبر =(1-p)/p و =(1-p)/p^2، سنلاحظ تقارباً شبه تام مع زيادة عدد التكرارات، مما يبرهن عملياً على قانون الأعداد الكبيرة (Law of Large Numbers) ويوفر للمحلل أداة محاكاة لاختبار سيناريوهات الإجهاد في بيئات العمل الحقيقية.

12.2 المقارنة الرياضية والتطبيقية مع التوزيع الهندسي الفوقي (Hypergeometric)

يكمن الفارق الجوهري بين التوزيع الهندسي والتوزيع الهندسي الفوقي (Hypergeometric Distribution) في آلية سحب العينات؛ فالتوزيع الهندسي يشترط ثبات الاحتمال p نتيجة “السحب مع الإرجاع” أو السحب من مجتمع إحصائي لانهائي، بينما يتعامل التوزيع الهندسي الفوقي مع “السحب بدون إرجاع” من مجتمع إحصائي محدود وصغير الحجم، مما يؤدي إلى تغير احتمالية النجاح مع كل سحبة متتالية نتيجة تناقص عناصر المجتمع.

يوفر إكسل دالة خاصة لحساب التوزيع الهندسي الفوقي هي HYPGEOM.DIST. لتوضيح الفارق العملي، لنفترض صندوقاً يحتوي على 50 قطعة منها 5 قطع معيبة، وأردنا حساب احتمال فحص 3 قطع سليمة قبل سحب أول قطعة معيبة. في حالة السحب بدون إرجاع، تتغير نسب القطع المعيبة في الصندوق مع كل فحص، مما يستوجب استخدام دالة HYPGEOM.DIST.

ومع ذلك، إذا كان حجم المجتمع الإحصائي الكلي ضخماً جداً (كأن يحتوي الصندوق على 50,000 قطعة)، فإن تأثير عدم الإرجاع يصبح ضئيلاً جداً ولا يكاد يُذكر، وتتقارب نتائج التوزيع الهندسي الفوقي كلياً مع نتائج التوزيع الهندسي التقليدي المحسوب عبر NEGBINOM.DIST. كقاعدة إحصائية عامة، إذا كان حجم العينة المسحوبة يمثل أقل من 5% من حجم المجتمع الكلي (n < 0.05 N)، يمكن استخدام التوزيع الهندسي بأمان تام كبديل تقريبي عالي الدقة وسهل الحساب.

12.3 الربط مع توزيع ثنائي الحدين السالب متعدد النجاحات

يمثل الانتقال من التوزيع الهندسي إلى توزيع ثنائي الحدين السالب متعدد النجاحات التطور الطبيعي للنمذجة الإحصائية المتقدمة. ففي العديد من التطبيقات الهندسية والطبية، لا ينتهي الاختبار عند أول نجاح أو أول عطل، بل يستمر حتى رصد عدد r من النجاحات أو الإخفاقات (مثل دراسة متانة المحرك حتى تعطل 3 صمامات مختلفة، أو تقييم دواء حتى شفاء 10 مرضى).

يتميز إكسل بمرونة فائقة في إجراء هذا التوسيع النمذجي؛ إذ لا يتطلب الأمر تغيير اسم الدالة، بل يكتفي المحلل بتعديل الوسيط الثاني number_s في دالة NEGBINOM.DIST من القيمة 1 إلى القيمة r المستهدفة:

=NEGBINOM.DIST(k, r, p, FALSE)

تتيح هذه المرونة للمحلل بناء لوحة تحكم متقدمة (Advanced Statistical Dashboard) في إكسل تشتمل على خانات اختيار ديناميكية لمعلمتي r و p معاً. تتيح هذه اللوحة مقارنة منحنيات التوزيع عند r = 1 (التوزيع الهندسي ذو الالتواء الحاد) مع منحنيات التوزيع عند قيم r الكبيرة (مثل r = 10 أو r = 30)، حيث نلاحظ تحول شكل التوزيع تدريجياً من النمط الهندسي المتناقص إلى النمط شبه الطبيعي المتماثل عملاً بنظرية النهاية المركزية (Central Limit Theorem)، مما يمنح الباحث رؤية إحصائية شاملة وعميقة عبر أداة مكتبية مألوفة كبرنامج إكسل.

خاتمة

استعرض هذا الدليل الشامل الأبعاد النظرية والتطبيقية للتوزيع الهندسي، مبرزاً مكانته كواحد من أهم النماذج الاحتمالية المتقطعة لدراسة أزمنة الانتظار وعدد الإخفاقات السابقة للنجاح الأول في محاكمات برنولي المستقلة. ومن خلال توظيف القدرات الحسابية والبيانية لبرنامج مايكروسوفت إكسل، تتضح إمكانية تحويل هذه المبادئ الرياضية المجردة إلى نماذج عمل تطبيقية تتسم بالدقة العالية والمرونة التفاعلية، مما يدعم اتخاذ القرارات في مجالات مراقبة الجودة، وهندسة الموثوقية، والتسويق الرقمي، والقياس السلوكي.

إن الاعتماد على الدوال الإحصائية المحدثة، وفي مقدمتها دالة NEGBINOM.DIST بضبط وسيط النجاحات على القيمة 1، يضمن تحقيق أعلى مستويات الكفاءة الرقمية في حساب الاحتمالات النقطية والتراكمية وتجنب أخطاء النمذجة الشائعة. كما يوفر الجمع بين الجداول المنظمة، والمخططات البيانية المتطورة، وتقنيات محاكاة مونت كارلو، واختبارات حسن الملاءمة مثل كاي-تربيع، بيئة تحليلية متكاملة داخل إكسل تغني المحلل في كثير من السيناريوهات العملية عن اللجوء إلى بيئات برمجية أكثر تعقيداً. وبذلك، يظل التوزيع الهندسي في إكسل أداة لا غنى عنها لكل باحث ومحلل يسعى إلى فهم الظواهر العشوائية المتسلسلة وإدارتها بمنهجية علمية رصينة.

References

• Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury Press.
• DeGroot, M. H., & Schervish, M. J. (2012). Probability and Statistics (4th ed.). Addison-Wesley.
• Feller, W. (1968). An Introduction to Probability Theory and Its Applications (Vol. 1, 3rd ed.). John Wiley & Sons.
• Hogg, R. V., McKean, J., & Craig, A. T. (2019). Introduction to Mathematical Statistics (8th ed.). Pearson.
• Microsoft Corporation. (2023). NEGBINOM.DIST function – Microsoft Support. Microsoft Support Portal. https://support.microsoft.com/en-us/office/negbinom-dist-function-83144357-9795-4479-ae9b-0080345b5976
• Montgomery, D. C., & Runger, G. C. (2018). Applied Statistics and Probability for Engineers (7th ed.). John Wiley & Sons.
• Ross, S. M. (2014). Introduction to Probability Models (11th ed.). Academic Press.
• Winston, W. L. (2021). Microsoft Excel Data Analysis and Business Modeling (6th ed.). Microsoft Press.