الإحصاء والتحليل الكميتطبيقات إكسيل المتقدمة

كيفية استخدام التوزيع فوق الهندسي في إكسيل

دليل أكاديمي شامل يشرح كيفية استخدام دالة التوزيع فوق الهندسي HYPGEOM.DIST في إكسيل لحساب الاحتمالات بدون إرجاع وتطبيقاتها الإحصائية المتقدمة.

تاريخ النشر

يحتل التوزيع فوق الهندسي (Hypergeometric Distribution) مكانة محورية وفريدة في صرح النظرية الاحتمالية والإحصاء التطبيقي، لكونه النموذج الرياضي الحاكم لعمليات المعاينة العشوائية التي تُجرى من مجتمعات إحصائية محدودة دون إرجاع (Sampling Without Replacement). فعلى النقيض من النماذج الاحتمالية الكلاسيكية التي تفترض ثبات الشروط واستقلالية المحاولات، يعكس هذا التوزيع الواقع التجريبي والميداني المعقد الذي تتغير فيه البنية الاحتمالية للمجتمع مع كل مفردة يتم سحبها، مما يجعله أداة لا غنى عنها للباحثين والمحللين في مختلف التخصصات العلمية والصناعية.

ومع تنامي الاعتماد على البيانات الدقيقة في اتخاذ القرارات المصيرية، تبرز الحاجة الماسة إلى توظيف برمجيات تحليل البيانات المتقدمة لنمذجة هذه الظواهر الاحتمالية. ويُعد برنامج مايكروسوفت إكسيل (Microsoft Excel) إحدى أقوى البيئات الحسابية وأكثرها انتشاراً لمعالجة وحساب دوال هذا التوزيع، حيث يوفر دوالاً إحصائية قياسية متطورة تمكن المحلل من إجراء الحسابات الاحتمالية النقطية والتراكمية بدقة متناهية، وبناء نماذج محاكاة واختبارات جودة متقدمة دون الحاجة إلى كتابة خوارزميات برمجية معقدة من الصفر.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك نظري وتطبيقي عميق للتوزيع فوق الهندسي وكيفية تسخير إمكانات إكسيل لتطبيقه عملياً؛ بدءاً من اشتقاق معادلاته الرياضية وتبيان معالمه الأساسية، مروراً بالمقارنة المنهجية المعمقة مع التوزيع ذي الحدين، ووصولاً إلى استعراض تفصيلي لوسيطات الدوال، وبناء خطط مراقبة الجودة، ونمذجة سيناريوهات الأبحاث النفسية والسلوكية، وتحليل الحساسية المتقدم عبر المحاكاة الرقمية.

جدول المحتويات

1. المدخل النظري والمفاهيمي للتوزيع فوق الهندسي

1.1 تعريف التوزيع فوق الهندسي وخصائصه الأساسية

يُعرَّف التوزيع فوق الهندسي رياضياً وإحصائياً بأنه توزيع احتمالي متقطع (Discrete Probability Distribution) يصف احتمالية رصد عدد محدد من النجاحات في عينة عشوائية ذات حجم ثابت، مسحوبة من مجتمع إحصائي محدد ومغلق، دون إعادة العناصر المسحوبة إلى المجتمع الأصلي مرة أخرى. وتكتسب هذه الخاصية—أي عدم الإرجاع—أهمية جوهرية؛ إذ إن كل عملية سحب تؤدي مباشرة إلى إنقاص الحجم الكلي للمجتمع بمقدار وحدة واحدة، وتغير في الوقت ذاته النسبة العددية للفئات المتبقية داخله.

يترتب على عملية المعاينة دون إرجاع فقدان شرط الاستقلالية الإحصائية (Statistical Independence) بين المحاولات المتتالية؛ حيث تصبح احتمالية نجاح أي محاولة لاحقة مشروطة كلياً بالنتائج التي تم الحصول عليها في المحاولات السابقة. فإذا كان لدينا مجتمع يحتوي على عناصر مصنفة ثنائياً (نجاح أو إخفاق)، فإن سحب عنصر ناجح في المحاولة الأولى يقلل تلقائياً من احتمالية سحب عنصر ناجح في المحاولة الثانية، وذلك لتقلص عدد النجاحات المتبقية في المجتمع المتبقي، وهو ما يُميز هذا التوزيع بصورة قطعية عن توزيع ذي الحدين.

تستلزم مشروعية انطباق التوزيع فوق الهندسي توافر أربعة شروط رئيسية: أولاً، أن يكون المجتمع الإحصائي قيد الدراسة محدوداً ومعلوماً بدقة ($N$). ثانياً، أن تنقسم عناصر هذا المجتمع إلى فئتين متنافيتين وشاملتين فقط (مثل: مطابق/معيب، مستجيب/غير مستجيب، مؤهل/غير مؤهل). ثالثاً، أن يتم سحب العينة بحجم محدد مسبقاً ($n$) بطريقة عشوائية بحتة تمنح جميع التوليفات الممكنة نفس فرصة الاختيار. رابعاً، أن تتم عملية السحب بصورة متزامنة أو متتالية دون إرجاع أي عنصر مسحوب إلى المجتمع قبل اكتمال سحب كامل العينة.

1.2 المعالم الإحصائية الأربعة للمجتمع والعينة

يرتكز البناء الرياضي للتوزيع فوق الهندسي على ضبط وتحديد أربعة معالم إحصائية كمية (Parameters) تحدد بدقة فضاء العينة وسلوك دالة الكتلة الاحتمالية؛ وتتكامل هذه المعالم الأربعة لتحديد السلوك التوزيعي بدقة متناهية:

  • حجم المجتمع الكلي ($N$ – Population Size): يمثل إجمالي عدد الوحدات أو الأفراد التي يتألف منها المجتمع المغلق المدروس. وتُعد محدودية هذا المعلم وثباته أثناء إجراء التجربة شرطاً لازماً، إذ يؤثر مقداره تأثيراً مباشراً على درجة التغير في الاحتمالات اللحظية أثناء السحب.
  • إجمالي عدد النجاحات في المجتمع ($K$ – Population Successes): يمثل عدد المفردات التي تمتلك الخاصية أو الصفة المستهدفة بالدراسة داخل المجتمع الكلي ($N$). وبالتالي، فإن عدد الإخفاقات داخل هذا المجتمع يُحسب تلقائياً بالصيغة ($N – K$).
  • حجم العينة المسحوبة ($n$ – Sample Size): يعبر عن عدد الوحدات أو العناصر التي يتم سحبها عشوائياً وبدون إرجاع من المجتمع الكلي. ويشترط منطقياً ورياضياً أن يقع حجم العينة ضمن النطاق الحتمي: $1 le n le N$.
  • عدد النجاحات المرصودة في العينة ($k$ – Sample Successes): يمثل المتغير العشوائي المتقطع ($X = k$) الذي يقيس عدد العناصر الحاملة للصفة المستهدفة والتي ظهرت فعلياً داخل العينة المسحوبة ذات الحجم $n$.

إن التفاعل الرياضي بين هذه المعالم الأربعة يحدد فضاء النتائج الممكنة للمتغير العشوائي $k$. وبخلاف المعاينة غير المقيدة، لا يمكن للمتغير $k$ أن يأخذ قيماً اعتباطية، بل يخضع لحدود صارمة مشتقة من خواص التوافيق الرياضية وحجم التداخل بين العينة والمجتمع، مما يمنح التوزيع طبيعته المنضبطة.

1.3 أهمية التوزيع فوق الهندسي في التحليل الإحصائي والبحوث السلوكية

يمثل التوزيع فوق الهندسي ركيزة تحليلية بالغة الأهمية في العلوم السلوكية والأبحاث النفسية والتجارب الإكلينيكية، لا سيما في البيئات البحثية التي تتعامل مع مجتمعات سكانية دقيقة أو نادرة الحدوث. فعند دراسة اضطراب نفسي نادر الحدوث ضمن مجتمع سريري محلي محدود (كالمستشفيات التخصصية أو مراكز الرعاية المركزة)، تصبح المعاينة دون إرجاع ضرورة أخلاقية ومنهجية لضمان عدم إخضاع المريض لنفس الاختبار التشخيصي أو الإجراء العلاجي مرتين، مما يجعل هذا التوزيع الأداة الوحيدة الصالحة لقياس الاحتمالات المرافقة لتشكيل المجموعات التجريبية والضابطة.

وعلاوة على ذلك، يمتد تطبيق التوزيع إلى ميدان القياس النفسي (Psychometrics) وتقييم جودة المقاييس والاختبارات الموجهة للمجموعات الصغيرة والمغلقة؛ حيث يُستخدم في التحقق من عشوائية استجابات الأفراد على بنود محددة داخل الاختبارات، والتأكد من عدم وجود تحيزات نظامية في اختيار الإجابات الصحيحة ضمن بنوك الأسئلة المحدودة ذات الحجم المحصور. كما يبرز دور التوزيع في استطلاعات الرأي التي تُجرى داخل المنظمات الصغيرة أو النقابات المهنية المغلقة لتقييم الرضا الوظيفي أو التوجهات السلوكية.

تتجلى الأهمية القصوى لهذا التوزيع عندما يشكل حجم العينة المسحوبة ($n$) نسبة جوهرية وغير مهملة من حجم المجتمع الأصلي ($N$)؛ ففي مثل هذه السيناريوهات، يؤدي استخدام النماذج الاحتمالية القائمة على افتراض الاستقلالية (مثل توزيع ذي الحدين أو التوزيع الطبيعي) إلى ارتكاب أخطاء فادحة في تقدير فترات الثقة وحساب الدلالة الإحصائية، مما يهدد الصدق الداخلي للبحوث السلوكية والاجتماعية ويفضي إلى استنتاجات مضللة.

2. الأساس الرياضي وصيغة التوزيع فوق الهندسي

2.1 اشتقاق الدالة الاحتمالية الرياضية

تُشتق دالة الكتلة الاحتمالية (Probability Mass Function – PMF) للتوزيع فوق الهندسي بالاعتماد المباشر على المبادئ الكلاسيكية لعلم التوافيق (Combinatorics) والحساب التوافقي للاحتمالات عبر حاصل قسمة عدد الحالات المواتية لوقوع الحدث على العدد الكلي للحالات الممكنة في فضاء العينة. تُكتب الصيغة الرياضية لحساب احتمالية الحصول على $k$ من النجاحات بالضبط في العينة على النحو الآتي:

$$P(X = k) = \frac{\binom{K}{k} \binom{N – K}{n – k}}{\binom{N}{n}}$$

حيث يمثل الرمز التوافقي $\binom{a}{b}$ المعامل الثنائي المحسوب باستخدام دالة المضروب (Factorial) وفق القاعدة: $\binom{a}{b} = \frac{a!}{b!(a – b)!}$. ولتفكيك البنية الهيكلية لهذه الدالة الاحتمالية، نقسمها إلى ثلاثة حدود رياضية متكاملة:

  • حد توافيق النجاحات $\binom{K}{k}$: يحسب هذا المقدار عدد الطرق التوافقية الممكنة لاختيار $k$ من العناصر الناجحة من بين إجمالي عدد العناصر الناجحة المتاحة في المجتمع والبالغ عددها $K$.
  • حد توافيق الإخفاقات $\binom{N – K}{n – k}$: يحسب عدد الطرق الممكنة لاختيار بقية عناصر العينة غير الناجحة—والبالغ عددها ($n – k$)—من بين إجمالي العناصر غير الناجحة في المجتمع والبالغ عددها ($N – K$).
  • حد فضاء العينة الكلي $\binom{N}{n}$: يمثل المقام المشترك في المعادلة، وهو يحسب إجمالي عدد العينات الفرعية الممكن تكوينها بحجم $n$ من بين المجتمع الكلي ذي الحجم $N$ دون قيد أو شرط.

يعبر حاصل ضرب البسط عن مبدأ العد الأساسي للأحداث المستقلة في التوافيق، بينما يعمل المقام كمعامل توحيد وضبط قياسي (Normalizing Constant) يضمن أن يقع الناتج الاحتمالي بدقة بين الصفر والواحد الصحيح، وأن يساوي المجموع الكلي للاحتمالات عبر جميع قيم $k$ الممكنة الواحد الصحيح ($1.0$) تماماً.

2.2 الخصائص الإحصائية: التوقع الرياضي والتباين والانحراف المعياري

تتمتع دالة التوزيع فوق الهندسي بخصائص عزمية (Moments) محددة رياضياً ترتبط ارتباطاً وثيقاً بخصائص المجتمع المأخوذة منه. يُحسب التوقع الرياضي (القيمة المتوقعة أو المتوسط الحسابي) للمتغير العشوائي $X$ عبر ضرب حجم العينة المسحوبة في النسبة الأصلية للنجاحات في المجتمع ($p = K/N$):

$$E(X) = \mu = n \cdot \frac{K}{N} = n \cdot p$$

يوضح هذا الاشتقاق الأنيق أن متوسط عدد النجاحات المتوقعة في العينة المسحوبة بدون إرجاع يطابق تماماً متوسط التوزيع ذي الحدين، مما يعكس خاصية اتزان التقدير الإحصائي. غير أن الاختلاف الجذري والجوهري يظهر جلياً عند دراسة التباين الإحصائي (Variance) للتوزيع، والذي يُحسب وفق المعادلة التالية:

$$Var(X) = \sigma^2 = n \cdot \frac{K}{N} \cdot \left(1 – \frac{K}{N}\right) \cdot \left(\frac{N – n}{N – 1}\right) = n \cdot p \cdot (1 – p) \cdot \left(\frac{N – n}{N – 1}\right)$$

يحتوي حد التباين على ما يُعرف في الإحصاء الرياضي باسم معامل تصحيح المجتمع المحدود (Finite Population Correction Factor – FPC)، وهو المقدار الكسري $\frac{N – n}{N – 1}$. وبما أن حجم العينة $n ge 1$، فإن هذا المعامل يكون دائماً أقل من أو مساوياً للواحد الصحيح ($FPC le 1$). ويترتب على ذلك نتيجة إحصائية بالغة الأهمية: تباين التوزيع فوق الهندسي يكون دائماً أقل من تباين التوزيع ذي الحدين المناظر له لنفس المعلمات، نظراً لأن استبعاد المفردات المسحوبة يقلل من مقدار العشوائية والتشتت الكلي في النظام.

ويُستخرج الانحراف المعياري (Standard Deviation) بأخذ الجذر التربيعي الموجب لقيمة التباين:

$$\sigma = \sqrt{n \cdot p \cdot (1 – p) \cdot \left(\frac{N – n}{N – 1}\right)}$$

يُستخدم هذا المقياس لتحديد نطاقات التشتت الاحتمالي ودرجة تركز البيانات حول المتوسط المتوقع، ويلعب دوراً حاسماً في حساب مؤشرات القوة الإحصائية وفترات الثقة الدقيقة.

2.3 المحددات الرياضية والمجال القيمي للمتغير العشوائي

على عكس بعض التوزيعات المتقطعة التي تمتد فيها قيم المتغير العشوائي نظرياً من الصفر إلى ما لا نهاية (مثل توزيع بواسون)، أو من الصفر إلى حجم العينة $n$ دون شروط إضافية (مثل توزيع ذي الحدين)، فإن المجال القيمي (Support) للمتغير العشوائي $X = k$ في التوزيع فوق الهندسي مقيد بشكل حتمي بمحددات فيزيائية ورياضية ناتجة عن استحالة اختيار عناصر أكثر من المتاح في أي فئة.

تتحدد الحدود الدنيا والقصوى لقيم $k$ الممكنة وفق العلاقة المزدوجة التالية:

$$\max(0, n – (N – K)) le k le \min(n, K)$$

ولفهم هذا النطاق بدقة، نوضح دلالة كل حد من هذين الحدين:

  • الحد الأعلى $min(n, K)$: لا يمكن لعدد النجاحات في العينة ($k$) أن يتجاوز الحجم الإجمالي للنجاحات الموجودة في المجتمع الكلي ($K$)، كما لا يمكن أن يتجاوز الحجم الكلي للعينة المسحوبة ($n$). بالتالي، فإن سقف القيم المتاحة هو أصغر هذين الرقمين.
  • الحد الأدنى $max(0, n – (N – K))$: إذا كان حجم العينة $n$ كبيراً جداً لدرجة تتجاوز إجمالي عدد الإخفاقات المتاحة في المجتمع ($N – K$)، فإن الباحث سيُجبر حتماً على سحب عناصر ناجحة لملء العينة، مما يجعل الحد الأدنى لعدد النجاحات مساوياً لمقدار هذا الفائض الحتمي وليس صفراً.

تؤدي محاولة حساب الاحتمال لأي قيمة لـ $k$ تقع خارج هذا النطاق المعرف رياضياً إلى ظهور مضاريب سالبة داخل دوال التوافيق، مما يجعل الاحتمال مساوياً للصفر منطقياً ($P(X = k) = 0$). وتتسم الدالة الاحتمالية عند الاقتراب من هذه الحدود بتناقص تدريجي سريع يعكس صعوبة تشكل العينات الشديدة التطرف في المجتمعات المغلقة.

3. المقارنة المنهجية بين التوزيع فوق الهندسي والتوزيع ذي الحدين

3.1 الفروق الجوهرية في شروط المعاينة والاستقلالية

يكمن الاختلاف الجوهري بين التوزيع فوق الهندسي والتوزيع ذي الحدين في الآلية الفيزيائية لجمع البيانات والمعاينة الإحصائية. يتأسس التوزيع ذو الحدين على نموذج محاولات برنولي المستقلة (Bernoulli Trials)، وهي تجارب تفترض بقاء احتمالية النجاح ($p$) ثابتة تماماً عبر جميع المحاولات المتتالية من $1$ إلى $n$. يتحقق هذا الثبات إما بسحب العينات من مجتمع لا نهائي نظرياً، أو بسحب العينات من مجتمع محدود ولكن مع إعادة المفردة المسحوبة مباشرة إلى المجتمع وخلطه جيداً قبل إجراء السحب التالي (Sampling With Replacement).

في المقابل، يتعامل التوزيع فوق الهندسي مع سيناريو المعاينة دون إرجاع من مجتمعات محدودة ومغلقة. تتسبب هذه الآلية في تغير احتمالية النجاح اللحظية بصورة ديناميكية بعد كل محاولة سحب. فإذا افترضنا مجتمعاً يحتوي على 10 عناصر منها 4 عناصر ناجحة، فإن احتمالية النجاح في السحب الأول هي $4/10 = 0.40$. فإذا أسفر السحب الأول عن عنصر ناجح، تنخفض احتمالية النجاح في السحب الثاني فوراً إلى $3/9 \approx 0.333$. أما إذا أسفر السحب الأول عن إخفاق، فإن احتمالية النجاح في السحب الثاني ترتفع إلى $4/9 \approx 0.444$.

هذا الارتباط الشرطي الوثيق يكسر افتراض الاستقلالية الإحصائية بصورة جذرية، مما يجعل دالة الاحتمال تعتمد على تاريخ السحوبات المتتالية والتركيب التناقصي للمجتمع، وهو ما يفرض استخدام الرياضيات التوافقية للتوزيع فوق الهندسي لضمان دقة الاستدلال الاحتمالي.

3.2 شرط التقارب بين التوزيعين (قاعدة الـ 5% أو الـ 10%)

على الرغم من التباين النظري بين التوزيعين، إلا أن السلوك الرياضي للتوزيع فوق الهندسي يقترب تدريجياً ويتقارب مع التوزيع ذي الحدين كلما كَبُر حجم المجتمع الكلي $N$ مقارنة بحجم العينة المسحوبة $n$. ففي المجتمعات الضخمة جداً، يصبح تأثير سحب مفردة واحدة دون إرجاع مهملاً وضئيلاً للغاية على النسبة المئوية للنجاحات المتبقية، مما يجعل احتمالية النجاح شبه ثابتة عملياً.

وضع علماء الإحصاء قواعد إرشادية عملية لتحديد متى يمكن استخدام التوزيع ذي الحدين كتقريب (Approximation) مقبول للتوزيع فوق الهندسي لتسهيل العمليات الحسابية اليدوية. تنص القاعدة الأكثر صرامة وشيوعاً على فحص كسر المعاينة (Sampling Fraction) المعرف بالنسبة $n / N$:

  • إذا كان كسر المعاينة $\frac{n}{N} le 0.05$ (أي 5% أو أقل): فإن معامل تصحيح المجتمع المحدود يكون قريباً جداً من الواحد الصحيح ($\frac{N-n}{N-1} \approx 1$)، ويكون الفرق بين نتائج التوزيعين مهملاً تماماً، مما يتيح استخدام توزيع ذي الحدين بأمان حسابي عالٍ.
  • إذا كان كسر المعاينة $\frac{n}{N} le 0.10$ (أي 10% أو أقل): يُعد التقريب مقبولاً في التطبيقات العامة والمسوح الميدانية غير الدقيقة، مع وجود هامش خطأ طفيف في تقدير الذيول الاحتمالية المتطرفة.
  • إذا تجاوز كسر المعاينة $\frac{n}{N} > 0.10$ (أكثر من 10%): يُحظر استخدام التوزيع ذي الحدين تماماً، حيث تصبح نتائج التقريب مضللة وفاقدة للدقة العلمية، ويجب إلزامياً استخدام التوزيع فوق الهندسي لتفادي ارتكاب خطأ في حساب مستويات الدلالة الإحصائية ومخاطر القرارات.

تؤدي الاستعانة بتوزيع ذي الحدين عندما تكون العينة تمثل نسبة كبيرة من المجتمع إلى تضخيم التباين المقدر والمبالغة في حساب احتمالات الحالات المتطرفة، مما ينتج عنه فترات ثقة أوسع من الحقيقة وإضعاف لقوة الاختبار الإحصائي.

3.3 مقارنة الدالتين المقابلتين في إكسيل: BINOM.DIST مقابل HYPGEOM.DIST

يوفر برنامج إكسيل دالتين قياسيتين منفصلتين تعكسان هذا التمايز المنهجي بدقة فائقة: دالة BINOM.DIST المخصصة لحالات المعاينة مع الإرجاع، ودالة HYPGEOM.DIST المخصصة لحالات المعاينة دون إرجاع. تتضح الفروق الهيكلية والوظيفية بين الدالتين في الجدول المقارن التالي:

وجه المقارنة دالة التوزيع ذي الحدين (BINOM.DIST) دالة التوزيع فوق الهندسي (HYPGEOM.DIST)
طبيعة المعاينة معاينة مع الإرجاع (أو مجتمع لا نهائي) معاينة دون إرجاع من مجتمع محدود
استقلالية المحاولات مستقلة تماماً ($p$ ثابتة) معتمدة وشرطية ($p$ متغيرة لحظياً)
عدد المعاملات المطلوبة 4 معاملات: ($k$, $n$, $p$, Cumulative) 5 معاملات: ($k$, $n$, $K$, $N$, Cumulative)
معلمة المجتمع تتطلب نسبة احتمالية مجردة ($p$) تتطلب تعدادين صحيحين ($K$ و $N$)
التباين المحسوب $\sigma^2 = n \cdot p \cdot (1-p)$ $\sigma^2 = n \cdot p \cdot (1-p) \cdot \frac{N-n}{N-1}$

تُظهر هذه المقارنة أن اختيار الدالة المناسبة في إكسيل ليس تفضيلاً شكلياً، بل قرار إحصائي حاسم يتوقف على بروتوكول جمع البيانات الميداني الفعلي. ويضمن استخدام HYPGEOM.DIST الحصول على نتائج دقيقة تعكس محدودية المجتمع دون أي تقريب رياضي مشوه.

4. بنية وسيطات الدالة HYPGEOM.DIST في إكسيل

Hypergeometric distribution in Excel
Hypergeometric distribution in Excel

4.1 شرح الوسيطات الإلزامية لدالة HYPGEOM.DIST

تتكون دالة التوزيع فوق الهندسي الحديثة في إكسيل من خمس وسيطات (Arguments) إجبارية تحدد مجتمعة البنية الحسابية للدالة؛ وتُكتب الصيغة العامة للدالة في شريط الصيغ وفق التركيب التالي:

=HYPGEOM.DIST(sample_s, number_sample, population_s, number_pop, cumulative)

ولتطبيق الدالة بصورة احترافية خالية من الأخطاء، يجب الإحاطة بالدور الرياضي الدقيق لكل وسيطة من الوسيطات الرقمية الأربع الأولى:

  • وسيطة Sample_s ($k$): تمثل عدد النجاحات المستهدفة والمطلوب حساب الاحتمال لها داخل العينة المسحوبة. يجب أن تكون هذه القيمة عدداً صحيحاً غير سالب يقع حصراً بين $0$ و $min(n, K)$. وإذا تم إدخال قيمة كسرية، فإن إكسيل يقوم باقتطاعها تلقائياً (Truncation) إلى عدد صحيح.
  • وسيطة Number_sample ($n$): تمثل إجمالي حجم العينة المسحوبة من المجتمع. يشترط في هذه الوسيطة أن تكون قيمة صحيحة موجبة ($n > 0$)، وألا تتجاوز بأي حال من الأحوال إجمالي حجم المجتمع الكلي ($n le N$).
  • وسيطة Population_s ($K$): تمثل إجمالي عدد حالات النجاح المتواجدة أصلاً في كامل المجتمع الإحصائي المدروس. يجب أن تكون قيمة صحيحة تقع بين $0$ و $N$.
  • وسيطة Number_pop ($N$): تمثل الحجم الإجمالي للمجتمع الإحصائي المغلق قيد الدراسة. تشترط الدالة أن يكون هذا الرقم صحيحاً وموجباً ($N ge 1$).

إن ترتيب هذه الوسيطات داخل دالة إكسيل ترتيب صارم وحساس؛ فإدخال المعاملات بترتيب خاطئ (كالخلط بين حجم المجتمع وعدد نجاحاته) يؤدي إما إلى ظهور أخطاء رياضية أو إلى الحصول على نتائج احتمالية مضللة تؤثر على صحة الاستنتاجات الإحصائية المبنية عليها.

4.2 الوسيطة المنطقية التراكمية (Cumulative Argument)

تُمثل الوسيطة الخامسة والأخيرة في الدالة—وهي وسيطة cumulative—المحول المنطقي الذي يتحكم في طبيعة الحساب الاحتمالي المراد تنفيذه بواسطة إكسيل. تقبل هذه الوسيطة إحدى قيمتين منطقيتين حصراً (Boolean Values):

  • القيمة المنطقية FALSE (أو الرقم 0): تُوجه هذه القيمة برنامج إكسيل لحساب دالة الكتلة الاحتمالية النقطية (Exact Point Probability)، أي حساب احتمالية أن يحصل الباحث على $k$ من النجاحات بالضبط: $P(X = k)$. تُستخدم هذه القيمة عندما يكون الهدف تقييم احتمال حدوث سيناريو محدد ومفرد بدقة رياضية متناهية.
  • القيمة المنطقية TRUE (أو الرقم 1): تُوجه هذه القيمة البرنامج لحساب دالة التوزيع التراكمي (Cumulative Distribution Function – CDF)، والتي تمثل احتمالية الحصول على عدد من النجاحات أقل من أو يساوي القيمة المحددة $k$: $P(X le k) = \sum_{i=0}^{k} P(X = i)$. تُعد هذه الصيغة ضرورية لحساب احتمالات “على الأكثر” واختبار الفرضيات الإحصائية وحساب مستويات المعنوية (p-values).

يعد التمييز الواعي بين هاتين الحالتين جوهر النجاح في النمذجة الاحتمالية؛ فاختيار TRUE بدلاً من FALSE يغير التفسير الإحصائي للمخرجات بصورة كلية، حيث يحول النتيجة من احتمال حدث مفرد إلى مساحة احتمالية متراكمة تحت منحنى التوزيع المتقطع.

4.3 الفرق بين الدالة الحديثة HYPGEOM.DIST والدالة القديمة HYPGEOMDIST

شهد برنامج إكسيل بدءاً من إصدار عام 2010 (Excel 2010) وما تلاه من إصدارات تحديثاً شاملاً لمكتبة الدوال الإحصائية بهدف مطابقة المعايير القياسية العالمية وزيادة الدقة الخوارزمية وتوحيد تسميات الدوال. ونتج عن هذا التحديث إطلاق الدالة المحدثة HYPGEOM.DIST لتحل محل الدالة الإرثية القديمة HYPGEOMDIST.

يكمن الفارق الجوهري الأول بين الدالتين في الوسيطة التراكمية؛ فالدالة القديمة HYPGEOMDIST كانت تقبل أربع وسيطات فقط: (sample_s, number_sample, population_s, number_pop)، وكانت تقتصر حصرياً وإجبارياً على حساب الاحتمال النقطي ($P(X = k)$) دون القدرة على حساب التوزيع التراكمي مباشرة في خطوة واحدة، مما كان يضطر المستخدمين إلى بناء معادلات جمع معقدة ومصفوفات يدوية لحساب الاحتمالات التراكمية.

أما الدالة الحديثة HYPGEOM.DIST، فقد أضافت الوسيطة الخامسة (cumulative) لتتيح إجراء الحسابات النقطية والتراكمية بنفس المرونة. وعلى الرغم من أن إكسيل لا يزال يدعم الدالة القديمة لضمان التوافق مع ملفات العمل السابقة (Backward Compatibility)، إلا أن استخدام الدالة الحديثة بنقطة الفصل HYPGEOM.DIST يُعد الممارسة القياسية الموصى بها أكاديمياً ومهنياً لضمان أعلى مستويات الدقة الرقمية وتفادي أخطاء التقريب في ذيول التوزيعات الاحتمالية الحساسة.

5. دليل تطبيقي لحساب الاحتمال النقطي الدقيق في إكسيل

5.1 إعداد ورقة العمل وتنظيم خلايا المدخلات

يتطلب البناء الاحترافي للنماذج الإحصائية في إكسيل فصلاً منهجياً واضحاً بين خلايا إدخال المعلمات وخلايا الحسابات والمخرجات، وذلك لضمان سهولة مراجعة النموذج وتقليل احتمالات الخطأ البشري. نبدأ بتهيئة جدول مخصص لمعلمات التوزيع فوق الهندسي الأربعة كما هو موضح في الهيكل التنظيمي التالي:

عنوان الخلية الوصف المعياري للمعلمة الرمز الرياضي قيمة افتراضية تجريبية
B1 حجم المجتمع الكلي (Population Size) $N$ 50
B2 عدد النجاحات في المجتمع (Population Successes) $K$ 10
B3 حجم العينة المسحوبة (Sample Size) $n$ 5
B4 عدد النجاحات المطلوبة في العينة (Sample Successes) $k$ 2

ولضمان صلابة النموذج، يُوصى بتطبيق ميزة التحقق من صحة البيانات (Data Validation) على خلايا المدخلات؛ حيث يتم ضبط خلية $N$ لتقبل فقط أعداداً صحيحة أكبر من الصفر ($N ge 1$)، وضبط خلية $K$ لتقبل قيماً صحيحة محصورة بين $0$ و $N$، وضبط خلية $n$ لتقع بين $1$ و $N$، وضبط خلية $k$ لتلبي شرط النطاق الرياضي المنطقي $max(0, n – (N – K)) le k le min(n, K)$.

كما يُستحسن استخدام أداة “تسمية النطاقات” (Named Ranges) في إكسيل؛ بحيث تتم تسمية الخلية B1 باسم Pop_N، والخلية B2 باسم Pop_K، والخلية B3 باسم Samp_n، والخلية B4 باسم Samp_k. يرفع هذا الإجراء من مقروءية المعادلات الرياضية ويجعل مراجعتها البرمجية شديدة السهولة والوضوح.

5.2 كتابة وتنفيذ صيغة الاحتمال الدقيق خطوة بخطوة

لحساب الاحتمال النقطي الدقيق $P(X = 2)$ بالاعتماد على مراجع الخلايا المحددة في الجدول السابق، ننتقل إلى الخلية المخصصة للمخرجات (ولتكن الخلية B6) ونكتب الصيغة القياسية التالية:

=HYPGEOM.DIST(B4, B3, B2, B1, FALSE)

وفي حال تطبيق الأسماء المعرفة للنطاقات، تُكتب الصيغة بأسلوب برمجي أكثر أناقة على النحو الآتي:

=HYPGEOM.DIST(Samp_k, Samp_n, Pop_K, Pop_N, FALSE)

وللتحقق الاستدلالي من دقة المعالجة الحسابية الداخلية لإكسيل، يمكننا بناء المعادلة التوافقية اليدوية في خلية مجاورة باستخدام دالة التوافيق الرياضية COMBIN، والتي تطبق الصيغة المباشرة لدالة التوزيع فوق الهندسي على النحو التالي:

=(COMBIN(B2, B4) * COMBIN(B1 - B2, B3 - B4)) / COMBIN(B1, B3)

ستظهر مطابقة رقمية تامة حتى المنزلة العشرية الخامسة عشرة بين ناتج دالة HYPGEOM.DIST والصيغة التوافقية اليدوية. ولإظهار النتيجة بأسلوب عرض مهني، يتم النقر بزر الفأرة الأيمن على خلية الناتج واختيار “تنسيق الخلايا” (Format Cells)، ثم تحديد تنسيق “النسبة المئوية” (Percentage) مع ضبط عدد المنازل العشرية على منزلتين أو أربع منازل عشرية، أو اختيار تنسيق “رقم” (Number) مع إظهار أربع منازل عشرية لعرض الاحتمال بصورة دقيقة (مثل: 0.2098 أو 20.98%).

5.3 مثال كلاسيكي: سحب أوراق اللعب دون إرجاع

يُعد صندوق أوراق اللعب القياسي (Standard Deck of 52 Cards) المثال التعليمي الكلاسيكي الأكثر وضوحاً لتجسيد التوزيع فوق الهندسي ومقارنته بالاحتمال التجريبي النظري. يحتوي هذا المجتمع المغلق بدقة على $N = 52$ ورقة لعب، وتتوزع فيه أوراق “الملكة” (Queens) بعدد $K = 4$ أوراق (وهي تمثل النجاح المستهدف بالدراسة)، في حين يبلغ عدد بقية الأوراق غير الملكية $N – K = 48$ ورقة.

لنفترض أن لاعباً سحب عشوائياً عينة مكونة من $n = 5$ أوراق متتالية دفعة واحدة دون إرجاع، والمطلوب حساب احتمالية أن يحصل هذا اللاعب على ملكتين بالضبط ($k = 2$) ضمن أوراقه الخمس المسحوبة. نحدد المعلمات الإحصائية للدالة على النحو التالي:

  • Sample_s ($k$) = 2
  • Number_sample ($n$) = 5
  • Population_s ($K$) = 4
  • Number_pop ($N$) = 52
  • Cumulative = FALSE

نكتب الصيغة في إكسيل: =HYPGEOM.DIST(2, 5, 4, 52, FALSE).

عند تنفيذ هذه العملية الحسابية، يُجري إكسيل التفكيك التوافقي التالي:

$$P(X = 2) = \frac{\binom{4}{2} \binom{48}{3}}{\binom{52}{5}} = \frac{6 \times 17296}{2598960} = \frac{103776}{2598960} \approx 0.0399298$$

تُظهر النتيجة المحسوبة بدقة أن احتمالية الحصول على ملكتين بالضبط عند سحب 5 ورقات لعب دون إرجاع تبلغ حوالي $0.0399$ (أي ما يعادل $3.99%$ تقريباً). توضح هذه النتيجة كيف يتيح إكسيل اختزال عمليات حسابية معقدة ومضاريب عددية هائلة في دالة بسيطة ومباشرة تعطي الإجابة الدقيقة فوراً.

6. حساب الاحتمالات التراكمية والتفاضلية في إكسيل

6.1 حساب الاحتمال التراكمي لعدد نجاحات أقل من أو يساوي ($P(X le k)$)

تمثل دالة التوزيع التراكمي الصاعد الأساس الرياضي لتقييم المخاطر واتخاذ القرارات الإحصائية المبنية على عتبات معينة؛ حيث يُعنى الباحث في معظم الأحيان بمعرفة احتمالية ألا يتجاوز عدد النجاحات أو العيوب حداً أقصى معيناً (“على الأكثر”). لحساب الاحتمال التراكمي $P(X le k)$، نقوم بضبط الوسيطة الخامسة في دالة إكسيل لتأخذ القيمة المنطقية TRUE.

تُكتب الصيغة المباشرة في إكسيل كالتالي: =HYPGEOM.DIST(k, n, K, N, TRUE).

تقوم هذه الصيغة بجمع الاحتمالات النقطية لجميع القيم الممكنة للمتغير العشوائي بدءاً من حده الأدنى وصولاً إلى القيمة $k$ وفق المتسلسلة الرياضية:

$$P(X le k) = \sum_{i=\max(0, n-(N-K))}^{k} P(X = i)$$

فإذا أردنا—على سبيل المثال—حساب احتمالية الحصول على “ملكتين على الأكثر” ($k le 2$) في تجربة سحب 5 أوراق من مجتمع الـ 52 ورقة السابقة، نكتب الصيغة: =HYPGEOM.DIST(2, 5, 4, 52, TRUE). سيعطي إكسيل القيمة المجمعة: $P(X=0) + P(X=1) + P(X=2) \approx 0.6588 + 0.2995 + 0.0399 = 0.9982$ (أي 99.82%).

يوفر هذا الحساب التراكمي المباشر جهداً حسابياً هائلاً ويزيل الحاجة إلى بناء جداول وسيطة لجمع الاحتمالات الفردية، مما يقلل من احتمالية حدوث أخطاء الجمع اليدوي.

6.2 حساب احتمال النجاح الصارم “أقل من” ($P(X < k)$)

نظراً لأن التوزيع فوق الهندسي يمثل توزيعاً احتمالياً متقطعاً تُعرف دالته فقط عند الأعداد الصحيحة، فإن احتمال المتباينة الصارمة “أقل تماماً من $k$” ($P(X < k)$) لا يطابق الاحتمال الضعيف $P(X le k)$. ولحساب هذا الاحتمال، يجب إزاحة نقطة التراكم بمقدار وحدة صحيحة واحدة إلى اليسار؛ ليصبح الاحتمال مكافئاً تماماً للاحتمال التراكمي عند القيمة ($k – 1$).

تُكتب الصيغة الرياضية المكافئة في إكسيل على النحو التالي:

=HYPGEOM.DIST(k - 1, n, K, N, TRUE)

فإذا كان المطلوب حساب احتمالية الحصول على “أقل من 3 نجاحات” ($P(X < 3)$)، فإن الصيغة التنفيذية تُكتب: =HYPGEOM.DIST(3 - 1, n, K, N, TRUE)، وهي مطابقة لحساب $P(X le 2)$.

ويتعين على المحلل الحذر الشديد عند التعامل مع الحالة الخاصة التي تكون فيها $k = 0$؛ فحساب $P(X < 0)$ هو حدث مستحيل رياضياً في هذا التوزيع ويكون احتماله صفراً ($0$). وفي هذه الحالة، إذا تم تمرير القيمة ($0 – 1 = -1$) كمدخل للدالة، سيقوم إكسيل بإرجاع رمز الخطأ الحسابي #NUM!. ولتجنب هذا الخطأ البرمجي وبناء صيغة دفاعية ذكية، يُفضل استخدام دالة IF الشرطية على النحو التالي:

=IF(k <= 0, 0, HYPGEOM.DIST(k - 1, n, K, N, TRUE))

6.3 حساب احتمال “على الأقل” واحتمال “أكبر من” ($P(X ge k)$ و $P(X > k)$)

يعتمد حساب احتمالات الذيول العليا للتوزيع على تطبيق قاعدة المتممة الاحتمالية (Complement Rule)، والتي تنص على أن مجموع احتمالات فضاء العينة الكلي يساوي دائماً $1.0$. ويتم اشتقاق صيغ الذيول العليا وفق القواعد التالية:

أولاً: حساب احتمال “على الأقل” ($P(X ge k)$):

إن متممة الحدث “$X ge k$” هي الحدث المتبقي “$X < k$"، والذي يكافئ بدوره "$X le k – 1$". وعليه، تُصاغ المعادلة الرياضية كالتالي:

$$P(X ge k) = 1 – P(X le k – 1)$$

وتُكتب الصيغة المقابلة في إكسيل:

=1 - HYPGEOM.DIST(k - 1, n, K, N, TRUE)

ثانياً: حساب احتمال “أكبر تماماً من” ($P(X > k)$):

إن متممة الحدث “$X > k$” هي الحدث المباشر “$X le k$“. وعليه، تُصاغ المعادلة الرياضية كالتالي:

$$P(X > k) = 1 – P(X le k)$$

وتُكتب الصيغة المقابلة في إكسيل:

=1 - HYPGEOM.DIST(k, n, K, N, TRUE)

تضمن هذه الصيغ المركبة حساب احتمالات الذيول اليمينية بدقة متناهية، وهو أمر بالغ الحيوية في اختبارات الدلالة الإحصائية للطرف الواحد (One-tailed Tests) وفي حساب احتمالات رصد العيوب الفائقة في خطط المعاينة الصناعية.

6.4 حساب احتمالات النطاق المحصور ($P(a le X le b)$)

في العديد من التحليلات الإحصائية التطبيقية، يحتاج الباحث إلى تقييم احتمالية وقوع عدد النجاحات داخل فترة مغلقة محددة بين حد أدنى $a$ وحد أقصى $b$ (حيث $0 le a le b le n$). يُحسب هذا الاحتمال التفاضلي رياضياً بطرح الاحتمال التراكمي الصاعد للنقطة السابقة للحد الأدنى من الاحتمال التراكمي الصاعد للحد الأعلى، وفق الصيغة:

$$P(a le X le b) = P(X le b) – P(X le a – 1)$$

وتُترجم هذه القاعدة الرياضية داخل بيئة إكسيل في صيغة متكاملة تُكتب في خلية واحدة كالتالي:

=HYPGEOM.DIST(b, n, K, N, TRUE) - IF(a <= 0, 0, HYPGEOM.DIST(a - 1, n, K, N, TRUE))

يقوم الجزء الأول من الصيغة بحساب كامل التراكم الاحتمالي من الصفر حتى النقطة $b$، بينما يقوم الجزء الثاني بطرح المساحة الاحتمالية غير المرغوبة الواقعة تحت النقطة $a$. وتضمن دالة IF المدمجة عدم تمرير قيمة سالبة إلى وسيطة الدالة إذا كان الحد الأدنى $a = 0$، مما يضمن عمل المعادلة بسلاسة تحت مختلف الشروط الحدودية.

7. أمثلة عملية في البحوث النفسية والقياس السلوكي

7.1 تحليل اختيار عينات المشاركين في التجارب الإكلينيكية المحدودة

لنفترض أن فريقاً بحثياً في علم النفس الإكلينيكي يجري دراسة تجريبية متقدمة لتقييم فعالية علاج سلوكي معرفي جديد لاضطراب القلق الحاد. يضم المجتمع السريري المتاح في المركز الطبي عدداً محدوداً من المرضى المؤهلين يبلغ $N = 40$ مريضاً. كشفت التشخيصات الأولية الدقيقة أن هناك $K = 15$ مريضاً يعانون من درجة حادة جداً من الاضطراب، بينما يعاني البقية ($N – K = 25$) من درجات متوسطة.

قام الباحثون بسحب عينة عشوائية مكونة من $n = 10$ مرضى دون إرجاع لإخضاعهم للبروتوكول التجريبي الأول. يُريد الفريق الإحصائي حساب احتمالية أن تضم هذه المجموعة التجريبية $k = 5$ مرضى بالضبط من ذوي الحالات الحادة، لتقييم ما إذا كان تشكيل المجموعة متوازناً أم يميل إلى تحيز بنيوي قد يهدد الصدق الداخلي للتجربة.

يتم تطبيق الدالة في إكسيل بالصيغة التالية:

=HYPGEOM.DIST(5, 10, 15, 40, FALSE)

تُعطي الدالة ناتجاً احتمالياً مقداره $0.2069$ (أي ما نسبته $20.69%$). وفي المقابل، إذا رغب الباحث في حساب احتمالية أن تقع العينة في تحيز شديد بوجود “6 حالات حادة أو أكثر” ($P(X ge 6)$)، تُطبق صيغة المتممة:

=1 - HYPGEOM.DIST(5, 10, 15, 40, TRUE)

يُسفر الحساب عن احتمال قدره $0.1256$ (أي $12.56%$). توفر هذه المؤشرات الرقمية لفريق البحث أرضية صلبة لتقييم التكافؤ الإحصائي لمجموعات المقارنة والتحكم في المتغيرات الدخيلة قبل البدء في تطبيق التدخلات العلاجية.

7.2 فحص بنود مقاييس التفضيل السلوكي واختبارات الشخصية

في مجال القياس النفسي والسيكومتري، تم تصميم اختبار لقياس سمة “اليقظة الذهنية والتركيز السلوكي” يعتمد على اختيار بنود من بنك أسئلة محدود ومقيد. يحتوي بنك الأسئلة على $N = 30$ بنداً تشخيصياً، من بينها $K = 8$ بنود مصنفة كـ “بنود تفضيلية تكشف عن درجات عليا من المرونة الإدراكية”.

يقوم النظام السيكومتري المحوسب باختيار عينة عشوائية من $n = 6$ بنود لكل مفحوص بصورة آلية ودون تكرار للبند لنفس المختبر. يرغب مطورو المقياس في حساب احتمالية أن يظهر أمام المفحوص $k = 3$ بنود تفضيلية أو أكثر بمحض الصدفة البحتة، وذلك لمعايرة عتبة الدرجات المعيارية وتحديد ما إذا كان أداء المفحوص يعكس سمة حقيقية أم عشوائية توزيعية.

تُنفذ المعادلة في إكسيل لحساب $P(X ge 3)$:

=1 - HYPGEOM.DIST(2, 6, 8, 30, TRUE)

تُظهر المخرجات أن هذا الاحتمال يبلغ حوالي $0.1742$ (أي $17.42%$). تُمكن هذه الحسابات الدقيقة مطوري الاختبارات النفسية من وضع معايير تصحيح دقيقة تراعي حجم المجتمع المحدود لبنوك الأسئلة وتمنع التقديرات المشوهة لسمات الأفراد الخاضعين للتقييم.

7.3 تقييم العينات العشوائية في دراسات علم النفس الصناعي والتنظيمي

في سياق استشارات علم النفس الصناعي والتنظيمي، ترغب إدارة مؤسسة استشارية صغيرة تضم $N = 60$ موظفاً في تشكيل لجنة قيادية استشارية مكونة من $n = 8$ موظفين يتم اختيارهم عشوائياً بدون إرجاع لقيادة مبادرة التطوير المؤسسي. تضم الشركة $K = 18$ موظفاً من قسم الدعم الفني واللوجستي، في حين يتوزع بقية الموظفين على الأقسام الإدارية الأخرى.

أثيرت مخاوف من احتمالية حدوث تمثيل غير عادل لأقسام الشركة إذا تم السحب العشوائي البسيط دون تطبيق المعاينة الطبقية؛ وطُلب من المحلل الإحصائي حساب احتمالية عدم تمثيل قسم الدعم الفني بأي مقعد على الإطلاق ($k = 0$)، وكذلك احتمالية هيمنتهم على اللجنة بحصولهم على 4 مقاعد أو أكثر ($k ge 4$).

  • حساب احتمالية التمثيل الصفري ($P(X = 0)$):
    =HYPGEOM.DIST(0, 8, 18, 60, FALSE) $\rightarrow$ الناتج: $0.0461$ (أي $4.61%$).
  • حساب احتمالية الهيمنة التمثيلية ($P(X ge 4)$):
    =1 - HYPGEOM.DIST(3, 8, 18, 60, TRUE) $\rightarrow$ الناتج: $0.1873$ (أي $18.73%$).

تتيح هذه النتائج الكمية لقيادة المؤسسة اتخاذ قرارات تنظيمية مستنيرة قائمة على الأدلة الإحصائية لتقرير ما إذا كان السحب العشوائي البسيط كافياً ومأمون العواقب، أم أن الأمر يتطلب التحول إلى خطة معاينة مقيدة تضمن التمثيل المتوازن لجميع الفئات المهنية داخل المنظمة.

8. تطبيقات مراقبة الجودة وفحص العينات بدون إرجاع

8.1 خطط قبول العينات (Acceptance Sampling Plans)

تُمثل خطط قبول العينات الإحصائية إحدى الركائز الكلاسيكية لإدارة الجودة الشاملة وضبط العمليات الإنتاجية في البيئات الصناعية، لا سيما عند فحص الدفعات الإنتاجية المحدودة (Lots) التي يتم فيها سحب عينات عشوائية دون إرجاع لإجراء الاختبارات الوظيفية القياسية أو الفحوصات غير المتلفة (Non-destructive Testing).

ترتكز خطة المعاينة الأحادية القياسية على ثلاثة معالم رئيسية: حجم الدفعة الكلية ($N$)، وحجم عينة الفحص المسحوبة عشوائياً ($n$)، ورقم القبول المعياري ($c$ – Acceptance Number). ينص الإجراء الميداني للخطة على فحص الوحدات الـ $n$ المسحوبة بدقة؛ فإذا كان عدد الوحدات المعيبة المرصودة ($k$) أقل من أو يساوي رقم القبول ($k le c$)، تُقبل الدفعة الإنتاجية بأكملها. أما إذا تجاوز عدد المعيب رقم القبول ($k > c$)، تُرفض الدفعة وتخضع لإجراءات العزل أو الفحص الشامل.

يتيح التوزيع فوق الهندسي في إكسيل الحساب الدقيق لاحتمالية قبول الدفعة ($P_a$) عند وجود عدد حقيقي من الوحدات المعيبة داخل الدفعة يبلغ $K$، وذلك بتطبيق الدالة التراكمية مباشرة:

$$P_a = P(X le c) = \text{HYPGEOM.DIST}(c, n, K, N, \text{TRUE})$$

كما يسمح التوزيع بنمذجة وحساب نوعين حاسمين من المخاطر الإحصائية في إدارة الجودة:

  • مخاطر المنتج ($\alpha$ – Producer’s Risk / خطأ النوع الأول): احتمالية رفض دفعة ذات جودة مقبولة مطابقة للمواصفات وتحتوي على نسبة عيوب منخفضة جداً نتيجة سحب عينة عشوائية غير مواتية صدفة.
  • مخاطر المستهلك ($\beta$ – Consumer’s Risk / خطأ النوع الثاني): احتمالية قبول دفعة رديئة الجودة تحتوي على عدد كبير من العيوب ($K$) نتيجة وقوع العينة المسحوبة ضمن نطاق القبول ($k le c$) بمحض الصدفة.

8.2 حساب منحنى خصائص التشغيل (Operating Characteristic Curve – OC)

يُعد منحنى خصائص التشغيل (OC Curve) الأداة الهندسية والبيانية الفضلى لتقييم حساسية وأداء أي خطة فحص عينات قبل اعتمادها رسمياً في المصانع والمختبرات؛ حيث يوضح هذا المنحنى العلاقة البيانية بين جودة الدفعة الفعلية (الممثلة بعدد أو نسبة الوحدات المعيبة في المجتمع $K$) واحتمالية قبول تلك الدفعة ($P_a$).

لبناء جدول ومنحنى OC بدقة فائقة في إكسيل لدفعة حجمها $N = 100$، وحجم عينة $n = 15$، ومعيار قبول $c = 1$، نتبع الخطوات المنهجية التالية:

  1. نخصص العمود A لكتابة سيناريوهات عدد الوحدات المعيبة الافتراضية في الدفعة ($K$)، متدرجة من $0$ إلى $25$ معيباً.
  2. نخصص العمود B لحساب النسبة المئوية للمعيب في الدفعة: =A2 / 100.
  3. نخصص العمود C لحساب احتمالية القبول ($P_a$) باستخدام الصيغة: =HYPGEOM.DIST(1, 15, A2, 100, TRUE).
  4. نقوم بتحديد بيانات العمودين B و C، ثم إدراج مخطط مبعثر ذي خطوط ناعمة (Scatter with Smooth Lines).
عدد المعيب في الدفعة ($K$) نسبة المعيب الفعلية ($p$) صيغة إكسيل لاحتمالية القبول ($P_a$) احتمالية قبول الدفعة ($P_a$)
0 0.00 (0%) =HYPGEOM.DIST(1, 15, 0, 100, TRUE) 1.0000 (100.0%)
2 0.02 (2%) =HYPGEOM.DIST(1, 15, 2, 100, TRUE) 0.9791 (97.91%)
5 0.05 (5%) =HYPGEOM.DIST(1, 15, 5, 100, TRUE) 0.8268 (82.68%)
10 0.10 (10%) =HYPGEOM.DIST(1, 15, 10, 100, TRUE) 0.5401 (54.01%)
20 0.20 (20%) =HYPGEOM.DIST(1, 15, 20, 100, TRUE) 0.1408 (14.08%)

يكشف تحليل حساسية المنحنى للمحلل كيف يؤدي رفع حجم العينة $n$ إلى زيادة انحدار المنحنى وجعله يقترب من المنحنى المثالي، مما يزيد من قدرة خطة الفحص على التمييز الحاد بين الدفعات المقبولة والدفعات المرفوضة وحماية المنشأة من تكاليف الجودة الرديئة.

8.3 سيناريو عملي تطبيقي لمراقبة جودة أجهزة القياس السلوكي

استورد مركز أبحاث في العلوم العصبية والسلوكية دفعة تخصصية محدودة تتكون من $N = 100$ جهاز رقمي عالي الدقة لتسجيل وتخطيط الموجات الدماغية (EEG Devices). ونظراً للتكلفة الباهظة والوقت الطويل اللازم لمعايرة كل جهاز، تقرر تطبيق خطة فحص عينات صارمة تعتمد على سحب عينة عشوائية بدون إرجاع بحجم $n = 10$ أجهزة، مع اشتراط قبول الدفعة فقط إذا كانت العينة خالية تماماً من أي جهاز معيب ($c = 0$).

إذا كانت الدفعة تحتوي في الواقع على $K = 10$ أجهزة غير مطابقة للمواصفات البرمجية أو الفيزيائية (أي أن نسبة المعيب الحقيقية في الدفعة هي 10%)، فما هي احتمالية أن تجتاز هذه الدفعة المعيبة الفحص ويتم قبولها بالخطأ؟ وما هي احتمالية اكتشاف عيب واحد على الأقل ورفض الدفعة؟

تُنفذ الحسابات في إكسيل وفق الصيغ التالية:

  • احتمالية قبول الدفعة المعيبة ($P_a = P(X = 0)$):
    الصيغة: =HYPGEOM.DIST(0, 10, 10, 100, FALSE)
    الناتج الحسابي: $0.3305$ (أي أن هناك فرصة بنسبة $33.05%$ لقبول دفعة رديئة تحتوي على 10 أجهزة معيبة!).
  • احتمالية رفض الدفعة واكتشاف العيوب ($P_{reject} = P(X ge 1)$):
    الصيغة: =1 - HYPGEOM.DIST(0, 10, 10, 100, FALSE)
    الناتج الحسابي: $0.6695$ (أي بنسبة $66.95%$).

يوضح هذا التحليل الرقمي لمديري الجودة أن فحص 10 أجهزة فقط ليس كافياً لتوفير حماية إحصائية قوية ضد قبول الأجهزة المعيبة، حيث تبلغ مخاطر المستهلك مستويات مرتفعة وغير مقبولة ($\beta \approx 33%$). وتبرز هنا قيمة إكسيل في تمكين متخذي القرار من تجربة رفع حجم العينة إلى $n = 25$ مثلاً، مما يخفض احتمالية القبول الخاطئ إلى $0.046$ (4.6%)، مما يوفر توازناً اقتصادياً وإحصائياً مدروساً بين تكلفة الفحص ومستوى الأمان الموثوق.

9. التمثيل البياني للتوزيع فوق الهندسي باستخدام مخططات إكسيل

9.1 إنشاء جدول التوزيع الاحتمالي الكامل (Probability Distribution Table)

يُمثل بناء جدول التوزيع الاحتمالي الكامل الخطوة الرياضية الأولى لتحليل السلوك الكلي للمتغير العشوائي ورسم الدوال الاحتمالية بيplotياً. وباستخدام ميزات المصفوفات الديناميكية (Dynamic Arrays) المتاحة في الإصدارات الحديثة من إكسيل، يمكن توليد كامل المتسلسلة بمرونة متناهية.

بافتراض المعلمات: $N = 40$، $K = 12$، $n = 8$؛ نقوم بإنشاء جدول منظم يحتوي على الأعمدة التالية:

  • العمود A (قيم $k$ الممكنة): بدلاً من كتابة الأرقام يدوياً، نستخدم في الخلية A2 دالة التسلسل التلقائي: =SEQUENCE(MIN(Samp_n, Pop_K) + 1, 1, 0, 1). ستقوم هذه الصيغة بإنشاء مصفوفة رأسية تبدأ من $0$ وتنتهي عند القيمة القصوى الممكنة $k = 8$.
  • العمود B (دالة الكتلة الاحتمالية النقطية PMF): نكتب في الخلية B2 الصيغة التلقائية المنسكبة (Spilled Formula):
    =HYPGEOM.DIST(A2#, Samp_n, Pop_K, Pop_N, FALSE).
  • العمود C (دالة التوزيع التراكمي CDF): نكتب في الخلية C2 الصيغة التراكمية المنسكبة:
    =HYPGEOM.DIST(A2#, Samp_n, Pop_K, Pop_N, TRUE).
عدد النجاحات ($k$) الاحتمال النقطي $P(X = k)$ الاحتمال التراكمي $P(X le k)$
0 0.0416 0.0416
1 0.1774 0.2190
2 0.3105 0.5295
3 0.2760 0.8055
4 0.1380 0.9435
5 0.0431 0.9866
6 0.0078 0.9944
7 0.0007 0.9999
8 0.0000 1.0000

للتحقق من سلامة البناء الرياضي، نكتب في أسفل عمود الاحتمالات النقطية صيغة الجمع: =SUM(B2#). يجب أن تُرجع هذه الصيغة القيمة $1.0000$ تماماً دون أي انحراف، مما يؤكد اكتمال فضاء العينة وشمولية الحسابات الإحصائية.

9.2 رسم مخطط الأعمدة البيانية لدالة الكتلة الاحتمالية (PMF Chart)

يوفر مخطط الأعمدة البيانية (Clustered Column Chart) تجسيداً بصرياً فورياً لشكل التوزيع وتماثله ودرجة التوائه (Skewness). لإنشاء هذا المخطط الاحترافي في إكسيل:

  1. حدد نطاق قيم $k$ في العمود A ونطاق الاحتمالات النقطية المقابلة في العمود B.
  2. انتقل إلى علامة التبويب إدراج (Insert) $\rightarrow$ قسم المخططات $\rightarrow$ اختر عمود مجمع ثنائي الأبعاد (2D Clustered Column).
  3. انقر بزر الفأرة الأيمن على أي عمود في المخطط واختر تنسيق سلسلة البيانات (Format Data Series).
  4. قم بتعديل عرض الفجوة (Gap Width) وخفضه إلى قيمة تتراوح بين 0% إلى 10%. يضمن هذا التعديل تقارب الأعمدة بما يعكس الطابع المتقطع لدوال الاحتمال الإحصائية وفق المعايير المعملية.
  5. أضف عناوين المحاور بوضوح: المحور الأفقي يمثل “عدد النجاحات في العينة ($k$)”، والمحور الرأسي يمثل “الاحتمال النقطي $P(X=k)$“.

ولإبراز القيمة الأكثر احتمالاً (المنوال الاحتمالي – Mode)، يمكن استخدام التنسيق الشرطي أو تلوين العمود صاحب القيمة القصوى بلون مغاير وجذاب، مما يتيح للمشاهد استيعاب مركز الثقل التوزيعي فور قراءة المخطط.

9.3 رسم المخطط التراكمي والمنحنى الصاعد (CDF Step Chart)

يُمثل رسم دالة التوزيع التراكمي الصاعد وسيلة حيوية لقراءة مستويات الثقة والمئينيات الاحتمالية بسهولة؛ ونظراً لأن التوزيع متقطع، فإن المنحنى التراكمي النظري الحقيقي يتخذ شكل “الدالة الدرجية” (Step Function) التي تقفز عند كل عدد صحيح وتستقر أفقياً بين الأعداد.

لإنشاء تمثيل بياني تراكمي عالي الجودة في إكسيل:

  1. حدد قيم $k$ في العمود A مع قيم الاحتمال التراكمي المقابلة في العمود C.
  2. اختر إدراج مخطط مساحي (2D Area Chart) أو مخطط خطي مع علامات (Line with Markers).
  3. اضبط تنسيق المحور الرأسي (Y-axis) لتبدأ حدوده الدنيا من $0.0$ وتتوقف حدوده القصوى عند $1.0$ (أو 100%) بشكل إجباري وثابت لمنع التمدد المضلل للمحاور.
  4. أضف خطوط الشبكة الرئيسية (Major Gridlines) لتسهيل تتبع الإسقاطات الأفقية لقيم الاحتمالات الشائعة (مثل: 0.90، 0.95، 0.99).
  5. يمكن إدراج أشكال توضيحية لخطوط أفقية مرجعية عند مستوى الثقة 95% ($p = 0.95$)، وإسقاط خط عمودي على المحور الأفقي لتحديد القيمة الحرجة ($k_{critical}$) التي تمثل عتبة اتخاذ القرار الإحصائي.

يسمح هذا المخطط التراكمي الصاعد للمحللين باستنتاج نتائج اختبارات الفرضيات وتحديد المناطق الحرجة بصرياً دون الحاجة إلى الرجوع المستمر إلى الجداول الرقمية المعقدة.

10. معالجة الأخطاء الشائعة والحدود الرياضية في إكسيل

10.1 تحليل وتصحيح الخطأ #NUM! وأسبابه الحسابية

يُعد ظهور رمز الخطأ #NUM! العائق الأكثر تكراراً عند كتابة دالة HYPGEOM.DIST في إكسيل. ينشأ هذا الخطأ كنتيجة حتمية لانتهاك إحدى القواعد أو المحددات الرياضية المنطقية للدالة، والتي تجعل تنفيذ حسابات التوافيق أمراً مستحيلاً حسابياً. تتلخص الأسباب الجوهرية لهذا الخطأ في النقاط التالية:

  • طلب حجم عينة أكبر من حجم المجتمع ($n > N$): لا يمكن منطقياً سحب عينة تتجاوز إجمالي عدد عناصر المجتمع المغلق دون إرجاع.
  • طلب عدد نجاحات عينة أكبر من حجم العينة ($k > n$): يستحيل رياضياً أن تحتوي العينة على نجاحات أكثر من عدد أفرادها الإجمالي.
  • تجاوز نجاحات العينة لإجمالي نجاحات المجتمع ($k > K$): لا يمكن سحب عناصر ناجحة غير موجودة أصلاً في المجتمع.
  • طلب نجاحات مجتمع تفوق حجم المجتمع ($K > N$): لا يمكن لصفة جزئية أن تتجاوز الكل.
  • إدخال قيم سالبة في أي من المعاملات الأربعة ($k < 0$ أو $n < 0$ أو $K < 0$ أو $N < 0$).
  • انتهاك الحد الأدنى الإجباري للنجاحات: طلب قيمة $k < n – (N – K)$ عندما يكون حجم العينة كبيراً جداً.

لتصحيح هذا الخطأ، يجب مراجعة مصفوفة المدخلات والتأكد من التزامها الصارم بسلسلة المتباينات المنطقية الحاكمة للتوزيع: $N ge 1$، و $0 le K le N$، و $1 le n le N$، وأخيراً $max(0, n – (N – K)) le k le min(n, K)$.

10.2 معالجة الخطأ #VALUE! وأخطاء التنسيق الإدخالي

يظهر الخطأ #VALUE! عندما تفشل خوارزمية إكسيل في تحويل المدخلات النصية أو التنسيقية إلى قيم رقمية صالحة للمعالجة الرياضية. وتنتج هذه المشكلة غالباً عن ممارسات الإدخال اليدوي العشوائية، مثل:

  • إدخال نصوص أو حروف هجائية أو رموز غير رقمية داخل خلايا المعلمات (مثل كتابة “عشرة” بدلاً من 10).
  • وجود مسافات فارغة غير مرئية (Trailing or Leading Spaces) ملتصقة بالأرقام نتيجة النسخ الخاطئ من قواعد بيانات خارجية؛ وتُعالج هذه المشكلة بتطبيق دالة التنظيف =TRIM() أو دالة =VALUE().
  • استخدام فواصل عشرية غير متوافقة مع الإعدادات الإقليمية لنظام التشغيل (كاستخدام النقطة بدلاً من الفاصلة في بعض البيئات العربية).
  • إدخال قيم كسرية غير مقصودة في معاملات العينة أو المجتمع. وعلى الرغم من أن إكسيل يقوم باقتطاع الكسور، إلا أن تمرير أرقام كسرية قد يسبب تداخلاً غير مرغوب في نتائج المقارنات المنطقية.

ولضمان السلامة الإدخالية، يُوصى بإلزام الخلايا بقبول الأعداد الصحيحة فقط باستخدام دالة INT أو ROUND ضمن صيغ التغذية الراجعة، مثل: =HYPGEOM.DIST(INT(B4), INT(B3), INT(B2), INT(B1), FALSE)، مما يضمن تجريد الأرقام من أي كسور عارضة.

10.3 بناء صيغ دفاعية باستخدام دالتي IFERROR و IF

تقتضي معايير هندسة البرمجيات وتصميم النماذج المالية والبحثية المؤمنة في إكسيل عدم السماح بظهور رموز الأخطاء البرمجية الأولية (مثل #NUM! أو #VALUE!) للمستخدمين النهائيين، حيث تعطي هذه الرموز انطباعاً بانهيار النموذج وتعيق تدفق العمليات الحسابية المرتبطة بها.

يمكن بناء صيغة حسابية دفاعية واستباقية متكاملة تدمج قيود الشروط المنطقية وتفحص صحة المعلمات مسبقاً قبل استدعاء دالة HYPGEOM.DIST، وذلك على النحو التالي:

=IF(OR(NOT(ISNUMBER(B1)), NOT(ISNUMBER(B2)), NOT(ISNUMBER(B3)), NOT(ISNUMBER(B4))), "خطأ: المدخلات يجب أن تكون أرقاماً",
IF(B1 < 1, "خطأ: حجم المجتمع يجب أن يكون $ge$ 1",
IF(OR(B2 B1), "خطأ: نجاحات المجتمع خارج النطاق",
IF(OR(B3 B1), "خطأ: حجم العينة خارج النطاق",
IF(OR(B4 MIN(B3, B2)), "خطأ: نجاحات العينة خارج الحدود الممكنة",
HYPGEOM.DIST(B4, B3, B2, B1, FALSE))))))

توفر هذه الصيغة الذكية رسائل توجيهية فورية باللغة العربية تشخص طبيعة الخطأ بدقة للمستخدم، مما يحول نموذج إكسيل إلى تطبيق بحثي تفاعلي محصن ضد أخطاء التشغيل.

11. النمذجة المتقدمة ودمج الدالة مع أدوات وتحليلات إكسيل

11.1 استخدام جداول البيانات أحادية وثنائية المتغير (Data Tables) لتحليل الحساسية

تُعد أداة جداول البيانات (Data Tables) إحدى أقوى أدوات تحليل السيناريوهات وحساسية النماذج في إكسيل؛ إذ تتيح للباحث حساب مئات النتائج الاحتمالية آلياً عند تغير معلمة واحدة أو معلمتين معاً دون كتابة معادلات مكررة.

بناء جدول بيانات ثنائي المتغير (Two-Variable Data Table):
لدراسة التأثير المتزامن لتغير حجم العينة ($n$) وتغير عدد النجاحات في المجتمع ($K$) على احتمالية قبول دفعة ($P(X le 1)$) مأخوذة من مجتمع $N = 100$:

  1. في خلية الزاوية العليا اليسرى للجدول (ولتكن D5)، نكتب المعادلة المرجعية الأساسية: =HYPGEOM.DIST(1, B3, B2, 100, TRUE) (حيث B3 يمثل $n$ و B2 يمثل $K$).
  2. نكتب في رؤوس الأعمدة الأفقية قيماً افتراضية لعدد نجاحات المجتمع $K$ (مثلاً: 5، 10، 15، 20، 25).
  3. نكتب في رؤوس الصفوف الرأسية أحجام عينات مختلفة $n$ (مثلاً: 5، 10، 15، 20، 25، 30).
  4. نحدد كامل نطاق الجدول شاملاً خلية الزاوية ورؤوس الصفوف والأعمدة.
  5. نذهب إلى علامة التبويب بيانات (Data) $\rightarrow$ مجموعة أدوات التنبؤ $\rightarrow$ تحليل ماذا لو (What-If Analysis) $\rightarrow$ جدول البيانات (Data Table).
  6. في نافذة الحوار: نحدد خلية إدخال الصف (Row Input Cell) لتشير إلى الخلية الأصلية لـ $K$ (B2)، ونحدد خلية إدخال العمود (Column Input Cell) لتشير إلى الخلية الأصلية لـ $n$ (B3)، ثم ننقر “موافق”.

يقوم إكسيل في جزء من الثانية بتوليد مصفوفة احتمالية متكاملة تعرض احتمالية القبول تحت كافة التركيبات الممكنة، مما يمنح متخذي القرار خارطة طريق بصرية متكاملة لاختيار استراتيجية المعاينة المثلى.

11.2 البحث عن الهدف (Goal Seek) لحساب حجم العينة المطلوب

في العديد من التصاميم البحثية والتجارب الإحصائية، تكون المشكلة المعكوسة هي المطروحة: ما هو الحد الأدنى لحجم العينة ($n$) اللازم سحبه لضمان تحقيق احتمالية رصد محددة مسبقاً (قوة الاختبار الإحصائي Power) لا تقل عن $0.95$ لرصد عيب واحد على الأقل، من مجتمع حجمه $N = 80$ يحتوي على $K = 8$ عيوب؟

نظراً لأن دالة HYPGEOM.DIST لا يمكن عكسها جبرياً بسهولة، فإن أداة “البحث عن الهدف” (Goal Seek) تمثل الحل العددي التكراري الأمثل في إكسيل:

  1. نخصص خلية لحجم العينة B3 ونضع فيها قيمة تخمينية أولية (ولتكن 5).
  2. في خلية الهدف B6، نكتب صيغة احتمال رصد عيب واحد على الأقل: =1 - HYPGEOM.DIST(0, B3, 8, 80, FALSE).
  3. نفتح أداة البحث عن الهدف (Goal Seek) من قائمة What-If Analysis.
  4. نضبط الخيارات التالية:
    • تعيين الخلية (Set cell): B6
    • إلى القيمة (To value): 0.95
    • بتغيير الخلية (By changing cell): B3
  5. ننقر “موافق”؛ سيبدأ إكسيل بإجراء خوارزمية بحث عددي متقاربة ليجد القيمة الدقيقة لـ $n$.

إذا أرجعت الأداة قيمة كسرية (مثل $n = 24.3$)، فإننا نقوم دائماً بتقريب الناتج إلى أقرب عدد صحيح أعلى ($n = 25$) لضمان عدم انخفاض القوة الاحتمالية عن المستوى المستهدف $0.95$، مما يحسم مسألة تحديد حجم العينة بأسلوب علمي رصين.

11.3 محاكاة مونت كارلو (Monte Carlo Simulation) للمعاينة فوق الهندسية عبر VBA

تُعد محاكاة مونت كارلو (Monte Carlo Simulation) التقنية الحاسوبية الأقوى لاختبار النماذج الاحتمالية والتحقق التجريبي من تطابق التوزيع النظري مع السلوك الميداني الحقيقي. يمكن كتابة إجراء برمجي بلغة ماكرو إكسيل (Visual Basic for Applications – VBA) لمحاكاة عملية سحب العينات دون إرجاع آلاف المرات ومقارنة التكرارات التجريبية بالنتائج النظرية لدالة HYPGEOM.DIST.

يعتمد الكود البرمجي التالي على إنشاء مصفوفة تمثل المجتمع الكلي ($N$) تحتوي على $K$ من الواحدات (نجاح) والبقية أصفار (إخفاق)، ثم تنفيذ عملية خلط عشوائي فيزيائي (Knuth/Fisher-Yates Shuffle) وسحب أول $n$ عناصر لتسجيل عدد النجاحات، وتكرار ذلك لعشرة آلاف تكرار تجريبي:

Sub Run_Hypergeometric_Simulation()
    Dim N As Long, K As Long, n_samp As Long, Trials As Long
    Dim Pop() As Integer, i As Long, j As Long, temp As Integer
    Dim s_idx As Long, successes As Long, trial As Long
    Dim Results(0 To 100) As Long

    N = 50: K = 12: n_samp = 8: Trials = 10000
    ReDim Pop(1 To N)

    For trial = 1 To Trials
        For i = 1 To N: Pop(i) = IIf(i <= K, 1, 0): Next i
        For i = N To 2 Step -1
            j = Application.WorksheetFunction.RandBetween(1, i)
            temp = Pop(i): Pop(i) = Pop(j): Pop(j) = temp
        Next i
        successes = 0
        For s_idx = 1 To n_samp: successes = successes + Pop(s_idx): Next s_idx
        Results(successes) = Results(successes) + 1
    Next trial

    For i = 0 To n_samp
        Cells(i + 2, 6).Value = i
        Cells(i + 2, 7).Value = Results(i) / Trials
        Cells(i + 2, 8).Value = WorksheetFunction.HypGeom_Dist(i, n_samp, K, N, False)
    Next i
End Sub

عند تنفيذ هذا الكود البرمجي، يُظهر العمود G النسب الاحتمالية التجريبية الناتجة عن 10,000 تجربة محاكاة، بينما يعرض العمود H الاحتمال النظري المحسوب بدالة إكسيل. وتكشف المقارنة عن تطابق مذهل يؤكد عملياً قانون الأعداد الكبيرة ويثبت كفاءة دالة التوزيع فوق الهندسي في تمثيل المعاينة دون إرجاع.

12. أفضل الممارسات المنهجية ودليل المراجعة السريعة

12.1 قائمة التحقق المنهجية لسلامة تطبيق التوزيع فوق الهندسي

قبل اعتماد أي نموذج إحصائي أو نتائج مبنية على التوزيع فوق الهندسي في بيئة العمل أو البحث العلمي، يجب المرور على قائمة الفحص المنهجية الصارمة التالية للتحقق من استيفاء جميع الشروط المسبقة:

  • [ ] التحقق من محدودية المجتمع: هل المجتمع الإحصائي المدروس ($N$) محدد ومغلق ومعلوم العدد بدقة تامة؟
  • [ ] التحقق من بروتوكول المعاينة: هل يتم سحب الوحدات عشوائياً وبصورة حتمية دون إرجاع؟
  • [ ] التحقق من ثنائية التصنيف: هل جميع عناصر المجتمع مصنفة بشكل قاطع إلى فئتين متنافيتين وشاملتين (نجاح/إخفاق) دون وجود فئات غامضة أو متداخلة؟
  • [ ] فحص كسر المعاينة: هل يتجاوز حجم العينة 5% إلى 10% من حجم المجتمع ($n/N > 0.05$)؟ إذا كان أقل من ذلك، هل تم تبرير استخدام هذا التوزيع بدلاً من التوزيع ذي الحدين لضمان الدقة المطلقة؟
  • [ ] التأكد من تناسق تعريف النجاح: هل يُعرّف النجاح في العينة ($k$) بنفس المعيار الدقيق للنجاح في المجتمع ($K$)؟
  • [ ] مراجعة الوسيطة التراكمية: هل تم ضبط المعامل cumulative على FALSE للاحتمال النقطي، أم على TRUE للاحتمال التراكمي بما يخدم الفرضية البحثية بدقة؟

12.2 جدول مرجعي شامل للصيغ والتحويلات الاحتمالية في إكسيل

يلخص الجدول المرجعي التالي الصيغ البرمجية القياسية لجميع التحويلات والعبارات اللفظية الاحتمالية التي يواجهها المحلل الإحصائي في التطبيقات العملية:

العبارة اللفظية المستهدفة الرمز الرياضي الصيغة البرمجية المعتمدة في إكسيل
الاحتمال النقطي الدقيق (“$k$ بالضبط”) $P(X = k)$ =HYPGEOM.DIST(k, n, K, N, FALSE)
الاحتمال التراكمي الأقصى (“على الأكثر $k$” أو “$k$ أو أقل”) $P(X le k)$ =HYPGEOM.DIST(k, n, K, N, TRUE)
الاحتمال الصارم الأدنى (“أقل من $k$“) $P(X < k)$ =IF(k<=0, 0, HYPGEOM.DIST(k - 1, n, K, N, TRUE))
الاحتمال التراكمي الأدنى (“على الأقل $k$” أو “$k$ أو أكثر”) $P(X ge k)$ =1 - IF(k<=0, 0, HYPGEOM.DIST(k - 1, n, K, N, TRUE))
الاحتمال الصارم الأعلى (“أكبر من $k$” أو “يتجاوز $k$“) $P(X > k)$ =1 - HYPGEOM.DIST(k, n, K, N, TRUE)
احتمال النطاق المغلق (“بين $a$ و $b$ شاملاً الطرفين”) $P(a le X le b)$ =HYPGEOM.DIST(b, n, K, N, TRUE) - IF(a<=0, 0, HYPGEOM.DIST(a - 1, n, K, N, TRUE))
احتمال الانعدام (“عدم ظهور أي نجاح”) $P(X = 0)$ =HYPGEOM.DIST(0, n, K, N, FALSE)

12.3 الخلاصة والتوصيات لتطوير المهارات التحليلية في إكسيل

يمثل التوزيع فوق الهندسي جسراً رياضياً فريداً يصل بين النظرية التوافقية الصارمة والواقع التطبيقي المعقد للبيانات التجريبية والصناعية. إن الجمع المتناغم بين الفهم النظري المعمق لاشتقاقات هذا التوزيع وخصائصه الإحصائية، وبين المهارة البرمجية في استغلال دوال مايكروسوفت إكسيل وأدواته التحليلية (كالمخططات البيانية، وجداول البيانات، وأداة الهدف، ومحاكاة مونت كارلو عبر VBA)، يمنح الباحث والمحلل قدرة استثنائية على استنطاق البيانات بدقة وثقة.

وللارتقاء بالمهارات التحليلية إلى مستويات متقدمة، يُوصى بتوسيع آفاق التحليل ليشمل الاختبارات الإحصائية غير المعلمية المرتبطة ارتباطاً وثيقاً بهذا التوزيع، وعلى رأسها اختبار فيشر الدقيق (Fisher’s Exact Test) المستخدم في تحليل جداول الاقتران المزدوجة ($2 \times 2$ Contingency Tables)، والذي يعتمد في جوهره الحسابي الكامل على دالة التوزيع فوق الهندسي لحساب الدلالة الإحصائية للارتباط في العينات الصغيرة.

إن الاستثمار في بناء نماذج إكسيل مرنة وديناميكية ومحصنة ضد الأخطاء، مع توثيق خطوات الحساب بدقة، هو السبيل الأمثل لتمكين المؤسسات والباحثين من اتخاذ قرارات مبنية على أدلة رقمية موثوقة تعزز من جودة الأبحاث وسلامة العمليات الإنتاجية.

المراجع والمصادر الأكاديمية (References)

اقتباس هذا المقال

looti, M. (2026, أغسطس 28). كيفية استخدام التوزيع فوق الهندسي في إكسيل. عرب سايكلوجي. https://arabpsychology.com/statistics/how-to-use-hypergeometric-distribution-in-excel/
looti, Mohammed. “كيفية استخدام التوزيع فوق الهندسي في إكسيل.” عرب سايكلوجي, 28 أغسطس 2026, https://arabpsychology.com/statistics/how-to-use-hypergeometric-distribution-in-excel/.
looti, Mohammed. “كيفية استخدام التوزيع فوق الهندسي في إكسيل.” عرب سايكلوجي. أغسطس 28, 2026. https://arabpsychology.com/statistics/how-to-use-hypergeometric-distribution-in-excel/.