مقدمة في التوزيع الهندسي

تحتل نظرية الاحتمالات مكانة مركزية في بنية العلوم الرياضية والتطبيقية المعاصرة، إذ تقدم الأدوات المنهجية الصارمة لتحليل وتفسير الظواهر العشوائية التي تحكم العالم الطبيعي والاجتماعي. ومن بين المنظومة الواسعة للتوزيعات الاحتمالية المتقطة، يبرز التوزيع الهندسي (Geometric Distribution) بوصفه أحد النماذج الرياضية الأكثر أناقة وعمقاً في تفسير عمليات الانتظار والمحاولات المتكررة. يعالج هذا التوزيع مسألة جوهرية تتكرر في شتى الحقول المعرفية: كم عدد الإخفاقات أو المحاولات التي يجب أن نخوضها قبل أن نشهد أول ومضة للنجاح؟ هذا التساؤل البسيط في ظاهره يشكل البوابة الرياضية لفهم طيف واسع من الظواهر المعقدة، بدءاً من سلوك الجسيمات في الفيزياء الإحصائية، مروراً بأنماط التعلم واستجابات الأفراد في علم النفس القياسي، وصولاً إلى استراتيجيات اختبار البرمجيات وضمان الجودة في الهندسة الصناعية الحديثة.

تستمد النمذجة الهندسية أهميتها من ارتباطها العضوي بسلسلة تجارب برنولي المستقلة، حيث تتجلى العشوائية في أبسط صورها الثنائية: النجاح أو الفشل. ومع ذلك، فإن الامتدادات النظرية لهذا التوزيع تتجاوز حدود الحسابات الابتدائية لتكشف عن خصائص استثنائية تنفرد بها هذه العائلة الاحتمالية، وفي مقدمتها خاصية “انعدام الذاكرة” (Memoryless Property) التي تجعل منه النموذج المتقطع الوحيد الذي يتجاهل ماضيه في سبيل استشراف مستقبله. إن دراسة التوزيع الهندسي لا تمثل مجرد تمرين في التحليل الرياضي المجرد، بل هي رحلة استكشافية لفهم كيفية تقاطع الرياضيات مع الواقع التجريبي، وكيف يمكن لصيغة جبرية موجزة أن تصف بدقة متناهية أزمنة التوقف، ومخاطر الفشل، ومعدلات البقاء في النظم الديناميكية المختلفة.

يهدف هذا الدليل الأكاديمي الشامل إلى تقديم معالجة مفصلة ومتعمقة للتوزيع الهندسي، حيث يستعرض الأسس النظرية الصياغات الجبرية، والاشتقاقات الرياضية الدقيقة لخصائصه الإحصائية كالقيمة المتوقعة والتباين والدوال المولدة. كما يسلط الضوء على آليات التقدير الإحصائي، وتطبيقاته العملية في مجالات متعددة تشمل القياس النفسي، ومراقبة الجودة، والمحاكاة الحاسوبية المتقدمة باستخدام لغات التحليل المعاصرة مثل R وPython. وسنعمل من خلال هذا العرض المنهجي على تفكيك بنية التوزيع ومقارنته بالتوزيعات الأخرى، فضلاً عن مناقشة محدداته الواقعية والامتدادات الحديثة التي طورها الإحصائيون لتجاوز تلك المحددات في البيئات المعقدة.

1. مدخل ومفاهيم أساسية حول التوزيع الهندسي

1.1 تعريف التوزيع الهندسي في نظرية الاحتمالات

يُعرَّف التوزيع الهندسي في سياق نظرية الاحتمالات بأنه توزيع احتمالي متقطع يصف السلوك العشوائي لعدد المحاولات أو حالات الفشل المتتالية التي تسبق تحقق أول نتيجة ناجحة في سلسلة غير منتهية نظرياً من محاولات برنولي المتطابقة والمستقلة. ينبثق هذا التوزيع من التجارب التي تكون نتائجها ثنائية حصرية، مثل الصواب والخطأ، أو القبول والرفض، أو التشغيل والتعطل. يتميز المتغير العشوائي الهندسي بأنه يأخذ قيماً صحيحة غير سالبة، ويشكل الأداة الرياضية الأساسية لنمذجة ما يُعرف في الأدبيات الإحصائية باسم “زمن الوصول الأول” أو “زمن الانتظار المتقطع” (Discrete Waiting Time).

يتجلى جوهر التوزيع في تركيزه الصارم على نقطة التحول الأولى في المسار التجريبي؛ فهو لا ينشغل بعدد مرات النجاح الإجمالية ضمن عدد ثابت من التجارب كما يفعل توزيع ذي الحدين، بل يجعل من عدد المحاولات ذاته متغيراً عشوائياً تتحدد نهايته بحدوث واقعة النجاح المستهدفة. ومن هذا المنطلق، يمثل التوزيع الهندسي البنية الرياضية الأساسية لكل الظواهر التي تعتمد على استراتيجية “المحاولة حتى النجاح”، مما يجعله ركيزة لا غنى عنها في تحليل السلاسل الزمنية المتقطعة ونماذج الهلاك والبقاء.

تكتسب دراسة أزمنة الانتظار المتقطعة عبر التوزيع الهندسي أهمية فائقة في الأبحاث الكمية، إذ تتيح للباحثين صياغة فرضيات دقيقة حول متى يتوقع لحدث نادر أو مستمر أن يتحقق لأول مرة. إن فهم هذه الديناميكية يوفر إطاراً تفسيرياً لا غنى عنه لفهم التباين في الأداء البشري والأنظمة الميكانيكية، حيث لا تكون الفترات الفاصلة بين الأحداث متصلة بالضرورة، بل تتشكل عبر خطوات إجرائية منفصلة ومتتابعة يخضع كل منها لمحددات احتمالية ثابتة.

1.2 موقع التوزيع الهندسي بين التوزيعات الاحتمالية المتقطعة

يحتل التوزيع الهندسي موقعاً محورياً وفريداً ضمن شجرة عائلة التوزيعات الاحتمالية المتقطعة، حيث يصنف بوصفه توزيعاً أحادي المعلمة (One-parameter Distribution)، وتتمثل معلمته الوحيدة في احتمال النجاح $p$ في المحاولة الواحدة. هذه الأحادية في المعلمة تمنحه بساطة رياضية فائقة وقدرة تحليلية عالية دون التضحية بالدقة التفسيرية. يرتبط التوزيع بعلاقات بنيوية وطيدة مع توزيعات أخرى؛ فهو يُعد الحالة الخاصة الأولى لتوزيع ذي الحدين السالب (Negative Binomial Distribution) عندما يكون عدد مرات النجاح المطلوبة مساوياً للواحد الصحيح ($r=1$).

في سياق تجارب العد والمحاولات المنفصلة، يعمل التوزيع الهندسي كحلقة وصل تأسيسية بين توزيع برنولي الأولي والتوزيعات التراكمية الأكثر تعقيداً. فبينما يدرس توزيع برنولي محاولة مفردة منعزلة، يمتد التوزيع الهندسي عبر الأفق الزمني ليرصد تراكم تلك المحاولات حتى الوصول إلى النتيجة المنشودة. هذا التموضع يجعله النظير المتقطع المباشر لـ التوزيع الأسي (Exponential Distribution) المعتمد في النمذجة المتصلة، مما يمنحه وزناً استثنائياً في التحليل الإحصائي المقارن ونظريات الطوابير (Queueing Theory).

تبرز أهمية التوزيع كحالة خاصة ومحورية في الإحصاء الرياضي نظراً لكونه التوزيع المتقطع الوحيد الذي يتمتع بخاصية انعدام الذاكرة الكاملة، وهو ما يضعه في موضع دراسة لا غنى عنه عند نمذجة الأنظمة التي لا تعاني من التقادم أو التعب بمرور الزمن. هذا الموقع المفاهيمي يتيح للباحثين استخدامه كمعيار أساسي (Baseline Model) لاختبار مدى وجود تأثيرات ديناميكية مثل التعلم أو الإرهاق أو التآكل في البيانات المرصودة.

1.3 السياقات المنهجية والتطبيقية للتوزيع

تتعدد السياقات التطبيقية للتوزيع الهندسي لتشمل طيفاً واسعاً من التخصصات الأكاديمية والمجالات المهنية. في حقل القياس النفسي والعلوم السلوكية، يُستخدم التوزيع على نطاق واسع لنمذجة عدد المحاولات السلوكية التي يحتاجها الكائن الحي لإتقان مهارة معينة أو الاستجابة لمثير محدد في تجارب الإشراط الإجرائي. يتيح التوزيع للباحثين النفسيين قياس سرعة اكتساب الاستجابة ومقارنة كفاءة برامج التعزيز المختلفة من خلال تتبع عدد الإخفاقات السابقة للأداء الصحيح الأول.

وفي مجال الاختبارات التعليمية والمعرفية، يُوظف التوزيع الهندسي في تحليل زمن الاستجابة ومحاولات حل المسائل الصعبة، حيث يمكن نمذجة عدد الأسئلة التي يخطئ فيها الطالب قبل تقديم أول إجابة صحيحة، مما يسهم في معايرة صعوبة فقرات الاختبارات وبناء نماذج الاستجابة للفقرة (Item Response Theory). كما يمتد هذا التطبيق إلى علم النفس العصبي لدراسة مدى قدرة المرضى الذين يعانون من إصابات دماغية على استرجاع الكلمات أو أداء المهام الحركية المعقدة.

أما في قطاعات الصناعة والهندسة والتكنولوجيا، فإن التوزيع الهندسي يمثل حجر الزاوية في دراسات مراقبة الجودة وضمان الموثوقية؛ حيث يُستخدم لتقدير عدد المنتجات السليمة التي يتم فحصها على خط التجميع قبل اكتشاف أول وحدة معيبة، أو عدد العمليات البرمجية الناجحة قبل وقوع أول استثناء برمجي (Bug). هذه التطبيقات تمكن المهندسين ومديري العمليات من حساب فترات الفحص المثلى، وتحديد جداول الصيانة الوقائية، وتقييم المخاطر التشغيلية بدقة إحصائية متناهية.

2. تجارب برنولي كحجر زاوية للتوزيع الهندسي

2.1 مفهوم تجربة برنولي والنتائج الثنائية

تُعد تجربة برنولي (Bernoulli Trial) اللبنة الأساسية والنموذج الأولي الذي يُبنى عليه التوزيع الهندسي وكافة التوزيعات ذات الصلة بالعد الثنائي. تُعرف تجربة برنولي رياضياً بأنها أي إجراء عشوائي لا يمكن أن يسفر إلا عن نتيجتين متنافيتين وشاملتين لفضاء العينة، يُصطلح تقليدياً على تسميتهما بـ “النجاح” (Success) و”الفشل” (Failure). ومن الجدير بالذكر أن هذين المصطلحين لا يحملان بالضرورة حكماً قيمياً، بل يشيران فقط إلى تحقق الحدث محل الاهتمام الرياضي من عدمه؛ فقد يكون رصد عيب مصنعي هو “النجاح” بالمعنى الإحصائي للكلمة.

يتم ترميز احتمال وقوع حدث النجاح في تجربة برنولي الواحدة بالرمز $p$، حيث يقع هذا الاحتمال ضمن المجال المغلق صفر وواحد، أي أن $0 < p le 1$. وبالتبعية الرياضية، وبما أن مجموع احتمالات فضاء العينة يجب أن يساوي الواحد الصحيح وفقاً لمسلّمات كولموغوروف، فإن احتمال وقوع حدث الفشل يُرمز له غالباً بالرمز$q$ ويُحسب عبر المعادلة المكملة: $q = 1 – p$. يشكل هذا التقسيم الثنائي البسيط نقطة الانطلاق لتوليد فضاءات احتمالية أكثر تعقيداً عند تكرار التجربة عبر الزمن.

تتعدد الأمثلة التمهيدية التي توضح تجربة برنولي؛ فمن الرمي البسيط لقطعة نقود متوازنة حيث يكون ظهور الصورة نجاحاً باحتمال $p = 0.5$، إلى فحص مريض للتأكد من وجود استجابة لعقار جديد من عدمه، أو فحص دقة استجابة مستخدم حاسوب عند النقر على رابط معين في اختبارات واجهات الاستخدام. في كل هذه الحالات، يتم اختزال المشهد المعقد في قيمة احتمالية واحدة تمثل استقرار النظام وثبات ميل التجربة نحو تحقيق الحدث المستهدف.

2.2 شروط المحاولات المتطابقة والمستقلة (i.i.d)

لكي يكون التوزيع الهندسي نموذجاً صالحاً ومطابقاً للواقع التجريبي، يجب أن تخضع سلسلة تجارب برنولي لشرطين رياضيين أساسيين يُعرفان معاً بشرط الاستقلالية والتطابق التوزيعي (Independent and Identically Distributed – i.i.d). يقتضي شرط الاستقلالية الإحصائية ألا تؤثر نتيجة أي محاولة على نتائج المحاولات اللاحقة أو تتأثر بالمحاولات السابقة. رياضياً، يعني هذا أن الاحتمال المشترك لتتابع معين من النتائج يساوي حاصل ضرب احتمالات تلك النتائج المفردة، دون وجود أي نوع من الارتباط الذاتي أو الانتقال الشرطي.

أما شرط التطابق، فيفرض ثبات احتمال النجاح $p$ عبر جميع المحاولات المتعاقبة دون أي تغيير؛ فلا يجوز أن يزداد الاحتمال بمرور الزمن نتيجة لتدريب أو ممارسة، ولا أن ينخفض نتيجة لإرهاق أو استهلاك الموارد المادية. إن ثبات $p$ هو الضامن الوحيد لكون النظام الخاضع للمراقبة في حالة توازن إحصائي مستقر، وهو افتراض محوري يتيح للمحللين استخدام الدوال الرياضية الهندسية القياسية دون الحاجة إلى تعديل معالم التوزيع بعد كل تكرار.

يؤدي الإخلال بشرط الاستقلالية أو ثبات الاحتمال إلى انهيار النموذج الهندسي وفقدانه لقدرته التنبؤية؛ فإذا كان النجاح في محاولة يزيد من احتمالية النجاح في المحاولة التالية، فإننا ننتقل إلى نماذج العدوى أو سلاسل ماركوف المعتمدة على الذاكرة. وبالمثل، إذا كان احتمال الفشل يتزايد تدريجياً بسبب تآكل المعدات، فإن التوزيع الأنسب يتحول نحو نماذج ويبول (Weibull) أو التوزيعات الهندسية المعتمدة على الزمن، مما يبرز الأهمية القصوى للتحقق التجريبي من شروط برنولي قبل تطبيق النموذج.

2.3 توليد المتغير العشوائي الهندسي من محاولات برنولي

يتولد المتغير العشوائي الهندسي من خلال المضي قدماً في إجراء تجارب برنولي المستقلة والمتطابقة على نحو متتابع وغير متوقف، حتى اللحظة الدقيقة التي يتحقق فيها أول نجاح في السلسلة. عند تلك النقطة الزمنية المحددة، تتوقف التجربة فوراً ويتم تسجيل عدد المحاولات التي أُجريت، أو عدد الإخفاقات التي سبقت هذا النجاح. هذا التوليد الإجرائي يجعل من المتغير العشوائي الهندسي متغيراً حراً في فضاء عينة غير محدود ولكنه قابل للعد (Countably Infinite Sample Space).

يتكون فضاء العينة لهذه التجربة المركبة من متتاليات غير منتهية من النتائج المحتملة، والتي يمكن تمثيلها بالرموز: ${S, FS, FFS, FFFS, FFFFS, dots}$، حيث يرمز $S$ للنجاح (Success) ويرمز $F$ للفشل (Failure). يمثل كل عنصر في هذا الفضاء مساراً تجريبياً مكتملاً ينتهي دائماً بالرمز $S$. ونظراً لأن كل محاولة تجري باستقلالية تامة، فإن احتمالية وقوع أي متتالية بطول$k$ من الفشل متبوعة بنجاح واحد تتحدد عبر ضرب احتمالات كل خطوة على حدة: $(1-p) \times (1-p) \times dots \times p$.

يؤدي هذا البناء المتتابع إلى تكوين التوزيع التكراري النظري للنتائج، حيث نلاحظ أن المتتالية الأقصر ($S$) تمتلك أعلى وزن احتمالي، بينما تتناقص احتمالات المتتاليات الأطول بصورة هندسية متسارعة. هذا التناقص المنتظم يعكس الطبيعة التراكمية للفشل؛ فكلما تطلب الوصول إلى النجاح عدداً أكبر من المحاولات، تضاءل الاحتمال المشترك لحدوث تلك السلسلة الطويلة من الإخفاقات المتتالية، وهو الأساس المنطقي الذي يستند إليه التوزيع في منح النتائج أوزانها النسبية.

3. الصياغة الرياضية ودالة الكتلة الاحتمالية (PMF)

3.1 دالة الكتلة الاحتمالية لعدد حالات الفشل

تعتمد الصياغة الرياضية القياسية الأولى للتوزيع الهندسي على تعريف المتغير العشوائي $X$ بوصفه يمثل عدد حالات الفشل التي تقع قبل تحقق النجاح الأول مباشرة. بموجب هذا التعريف، فإن المتغير العشوائي $X$ يمكن أن يأخذ أي قيمة صحيحة ضمن المجموعة: ${0, 1, 2, 3, dots}$. تعني القيمة $X = 0$ أن النجاح قد تحقق في المحاولة الأولى مباشرة دون أي فشل مسبق، بينما تعني القيمة $X = 3$ أن التجربة شهدت ثلاثة إخفاقات متتالية قبل أن يظهر النجاح في المحاولة الرابعة.

تُعطى دالة الكتلة الاحتمالية (Probability Mass Function – PMF) لهذا المتغير بالصيغة الرياضية الصريحة التالية:

$$P(X = k) = (1 – p)^k p$$

حيث يمثل $k in {0, 1, 2, dots}$ عدد حالات الفشل، ويمثل $p$ احتمال النجاح الثابت في كل محاولة. يرتكز التفسير الاحتمالي لهذه المعادلة على مبدأ الضرب للاحتمالات المستقلة؛ فالحد $(1-p)^k$ يمثل الاحتمال المشترك لوقوع $k$ من الإخفاقات المتتالية، في حين يمثل الضرب في $p$ احتمال تتويج هذه السلسلة بالنجاح في المحاولة التالية مباشرة.

تتميز هذه الصياغة بمرونتها العالية في التطبيقات النظرية، لا سيما عند الرغبة في حساب التكاليف الإضافية أو الخسائر المترتبة على الفشل فقط دون احتساب المحاولة الناجحة الأخيرة. كما أنها الصياغة الافتراضية المعتمدة في العديد من الحزم البرمجية الإحصائية المتقدمة نظراً لسهولة التعامل مع الصفر كنقطة بداية طبيعية لعمليات العد الرياضي.

3.2 الصيغة البديلة لعدد المحاولات الإجمالية

توجد في الأدبيات الإحصائية صياغة بديلة وشائعة جداً للتوزيع الهندسي، حيث يُعرَّف المتغير العشوائي $Y$ بوصفه إجمالي عدد المحاولات المطلوبة للوصول إلى أول نجاح، متضمناً المحاولة الناجحة ذاتها. في هذا السياق، يرتبط المتغير $Y$ بالمتغير $X$ عبر العلاقة الخطية البسيطة: $Y = X + 1$. ونتيجة لهذا التحول، يصبح المجال الرياضي للمتغير العشوائي $Y$ بادئاً من الواحد الصحيح وممتداً إلى ما لا نهاية: ${1, 2, 3, dots}$.

تُصاغ دالة الكتلة الاحتمالية للمتغير $Y$ على النحو التالي:

$$P(Y = n) = (1 – p)^{n – 1} p$$

حيث يمثل $n in {1, 2, 3, dots}$ رقم المحاولة التي تحقق فيها أول نجاح. في هذه الصيغة، يمثل الأس $(n-1)$ عدد المحاولات الفاشلة التي سبقت المحاولة رقم $n$. وتجدر الإشارة إلى أن هذا الفارق المفاهيمي البسيط يستدعي حذراً شديداً من الباحثين عند قراءة الدراسات أو استخدام البرمجيات الإحصائية، حيث يجب التحقق دائماً من الصياغة المعتمدة لتجنب الأخطاء في حساب المتوسطات والتباينات.

تُفضل هذه الصياغة البديلة في السياقات التطبيقية التي تهتم بجدولة الموارد والوقت الكلي المستهلك في التجربة؛ ففي اختبارات الموثوقية الصناعية أو استطلاعات الرأي، يكون التركيز منصباً على “العدد الإجمالي للاختبارات” أو “إجمالي المكالمات المنجزة”، مما يجعل المتغير $Y$ أكثر ملاءمة للتعبير المباشر عن الواقع الإجرائي للدراسة دون الحاجة إلى إجراء عمليات جمع إضافية لاحقة.

3.3 إثبات خصائص دالة الكتلة الاحتمالية

لكي تكون أي دالة رياضية دالة كتلة احتمالية صالحة بالمعنى الرياضي الصارم، يجب أن تحقق شرطين أساسيين: أولاً، أن تكون جميع قيم الاحتمالات المحسوبة غير سالبة لكل عناصر المجال، وهو شرط محقق بداهة لأن كلاً من $p$ و $(1-p)$ قيم موجبة تنتمي إلى المجال $(0, 1]$. ثانياً، يجب أن يكون المجموع التراكمي للاحتمالات عبر فضاء العينة بأكمله مساوياً للواحد الصحيح تماماً، أي أن $\sum_{k=0}^{\infty} P(X = k) = 1$.

يمكن إثبات هذا الشرط الثاني رياضياً بالاعتماد على خصائص مجموع المتسلسلة الهندسية اللانهائية التقاربية (Infinite Geometric Series). بكتابة المجموع الكامل:

$$\sum_{k=0}^{\infty} P(X = k) = \sum_{k=0}^{\infty} (1 – p)^k p = p \sum_{k=0}^{\infty} (1 – p)^k$$

وبما أن مقدار النسبة المشتركة للمتسلسلة هو $(1-p)$، وهو مقدار يقع حتماً بين الصفر والواحد لأن $0 < p le 1$، فإن مجموع المتسلسلة يتقارب تماماً وفقاً للقاعدة الشهيرة$sum_{k=0}^{infty} r^k = frac{1}{1-r}$ حيث $r = 1-p$. وبالتعويض المباشر نحصل على:

$$p \times \left( \frac{1}{1 – (1 – p)} \right) = p \times \left( \frac{1}{p} \right) = 1$$

يكشف هذا البرهان الرياضي الأنيق عن تناغم بنية التوزيع، ويوضح السلوك التنازلي الرتيب لدالة الاحتمال؛ حيث تكون القيمة العظمى للاحتمال دائماً عند المحاولة الأولى ($k=0$ أو $n=1$)، ثم تتناقص الاحتمالات بصورة أسية مستمرة ومطردة كلما كبرت قيم $k$. هذا يعني أن احتمالية تأخر النجاح تتضاءل بمعدل ثابت هندسياً، مؤكدة أن الوصول إلى النجاح أمر حتمي الحدوث باحتمال مقداره 1 عند المضي في المحاولات إلى ما لا نهاية.

4. دالة التوزيع التراكمي (CDF) وخصائص البقاء

4.1 اشتقاق دالة التوزيع التراكمي

تُعد دالة التوزيع التراكمي (Cumulative Distribution Function – CDF) الأداة الإحصائية التي تحدد احتمالية أن يأخذ المتغير العشوائي قيمة أقل من أو تساوي قيمة عددية معينة $k$. بالنسبة للمتغير العشوائي الهندسي$X$ الذي يمثل عدد حالات الفشل، تُعرَّف الدالة التراكمية رياضياً بالصيغة: $F(k) = P(X le k) = \sum_{i=0}^{k} P(X = i)$. يعبر هذا المقدار عن احتمال تحقق النجاح الأول في حدود $k$ من المحاولات الفاشلة أو أقل.

لاشتقاق هذه الصيغة العامة بصورة مغلقة دون الحاجة لجمع الحدود يدوياً، نقوم بحساب مجموع المتسلسلة الهندسية المنتهية:

$$F(k) = \sum_{i=0}^{k} (1 – p)^i p = p \sum_{i=0}^{k} (1 – p)^i$$

باستخدام قانون مجموع المتسلسلة الهندسية المنتهية ذات الأساس $r = (1-p)$ والحدود البالغ عددها $(k+1)$، نطبق المعادلة $\sum_{i=0}^{k} r^i = \frac{1 – r^{k+1}}{1 – r}$، مما يقودنا إلى النتيجة المباشرة:

$$F(k) = p \left( \frac{1 – (1 – p)^{k+1}}{1 – (1 – p)} \right) = p \left( \frac{1 – (1 – p)^{k+1}}{p} \right) = 1 – (1 – p)^{k+1}$$

تتخذ هذه الدالة شكلاً بيانياً درَجياً (Step Function) يتميز بقفزات متقطعة عند القيم الصحيحة لـ $k$، حيث يرتفع المنحنى التراكمي بسرعة نحو الواحد الصحيح في التوزيعات التي تمتلك قيمة$p$ مرتفعة، بينما يرتفع ببطء شديد وتدرج طويل عندما تكون قيمة $p$ منخفضة، مما يعكس الحاجة إلى نطاق أوسع من المحاولات لتأكيد احتمالية النجاح التراكمية.

4.2 دالة البقاء واحتمالات الذيل الأيمن

تُعرف دالة البقاء (Survival Function) أو دالة الموثوقية (Reliability Function) في نظرية الاحتمالات بأنها المكمل الحسابي لدالة التوزيع التراكمي، ويُرمز لها بالرمز $S(k)$ أو $R(k)$. تقيس هذه الدالة احتمالية تجاوز المتغير العشوائي لعتبة معينة من الإخفاقات، أي احتمال استمرار الفشل لما بعد النقطة $k$. تُصاغ رياضياً على النحو التالي:

$$S(k) = P(X > k) = 1 – F(k) = 1 – [1 – (1 – p)^{k+1}] = (1 – p)^{k+1}$$

يحمل هذا الاشتقاق البسيط دلالة منطقية بالغة العمق؛ فلكي يتجاوز عدد الإخفاقات القيمة $k$، يجب حتماً ولزوماً أن تكون المحاولات الـ$(k+1)$ الأولى جميعها إخفاقات متتالية دون انقطاع، واحتمال فشل $(k+1)$ محاولة مستقلة هو ببساطة ضرب احتمال الفشل في نفسه $(k+1)$ مرة، وهو ما يتطابق تماماً مع النتيجة الرياضية المشتقة.

تحظى احتمالات الذيل الأيمن (Right-tail Probabilities) بأهمية قصوى في تقييم المخاطر المتقدمة وإدارة النظم المعقدة؛ إذ تتيح لحساب احتمالات السيناريوهات السيئة أو المتطرفة، مثل استمرار انقطاع الخدمة لعدد كبير من المحاولات، أو مقاومة سلوك غير مرغوب للانطفاء في العلاج السلوكي النفسي. فكلما كانت قيمة $S(k)$ مرتفعة عند قيم $k$ الكبيرة، دل ذلك على وجود احتمال غير مهمل لمواجهة فترات انتظار طويلة ومكلفة تتطلب تخطيطاً استثنائياً للطوارئ.

4.3 حساب الاحتمالات الفترية المتقطعة

يعد حساب الاحتمالات الفترية المتقطعة، أي احتمالية وقوع عدد حالات الفشل ضمن مجال محدد محصور بين حد أدنى $a$ وحد أقصى $b$ ($a le X le b$)، من المتطلبات التطبيقية المتكررة في التحليل الإحصائي. يمكن حساب هذا الاحتمال إما من خلال الجمع المباشر لقيم دالة الكتلة الاحتمالية عبر عناصر تلك الفترة، أو بأسلوب أكثر كفاءة وأناقة عبر استخدام الفروق بين قيم دالة التوزيع التراكمي:

$$P(a le X le b) = F(b) – F(a – 1)$$

بالتعويض المباشر بالصيغة التراكمية التي تم اشتقاقها سابقاً، يمكن تبسيط هذه العلاقة الجبرية إلى صيغة مباشرة وسهلة الحساب تعتمد على دالة البقاء:

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

لتوضيح ذلك بمثال تطبيقي، إذا كان احتمال نجاح خوارزمية ذكاء اصطناعي في التعرف على وجه مشوش في كل محاولة هو $p = 0.20$، وأردنا حساب احتمالية أن تنجح الخوارزمية بعد ارتكاب ما بين محاولتين فاشلتين إلى 4 محاولات فاشلة ($2 le X le 4$):

• نحسب احتمال الفشل: $1 – p = 0.80$
• نطبق القانون المباشر: $P(2 le X le 4) = (0.80)^2 – (0.80)^{4+1} = (0.80)^2 – (0.80)^5$
• نجري الحساب العددي: $0.64 – 0.32768 = 0.31232$ (أي حوالي $31.23%$)

توضح هذه الحسابات الفترية كيف يمكن للمحلل الرياضي الإجابة بدقة وسرعة عن التساؤلات المتعلقة بنطاقات الأداء المتوقعة دون الحاجة إلى الدخول في حسابات تراكمية معقدة ومطولة.

5. الخصائص الإحصائية: القيمة المتوقعة والتباين

5.1 استنتاج القيمة المتوقعة (المتوسط الحسابي)

تُمثل القيمة المتوقعة (Expected Value) أو المتوسط الحسابي النظري المقياس الأساسي للنزعة المركزية في التوزيع الهندسي، حيث تعبر عن متوسط عدد حالات الفشل التي يُتوقع حدوثها على المدى الطويل قبل تسجيل أول نجاح. بالاعتماد على التعريف الرياضي للقيمة المتوقعة للمتغير العشوائي المتقطع $X$، نكتب:

$$E[X] = \sum_{k=0}^{\infty} k \cdot P(X = k) = \sum_{k=0}^{\infty} k (1 – p)^k p = p \sum_{k=1}^{\infty} k (1 – p)^k$$

لإيجاد المجموع اللانهائي للحدود التي تحتوي على المتغير $k$ كمعامل مضروب، نستخدم أسلوب التفاضل لمتسلسلة القوى. نعلم أن المتسلسلة الهندسية القياسية هي $\sum_{k=0}^{\infty} q^k = \frac{1}{1-q}$، حيث $q = 1-p$. بإجراء التفاضل لكلا الطرفين بالنسبة للمتغير $q$، نحصل على:

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

بضرب طرفي المعادلة الناتجة في $q$， نحصل على الصيغة التجميعية:$sum_{k=1}^{infty} k q^k = frac{q}{(1-q)^2}$. وبالتعويض المباشر في معادلة التوقع الرياضي الأصلية، واستبدال$q$ بـ $(1-p)$ و $(1-q)$ بـ $p$:

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

أما بالنسبة للمتغير العشوائي البديل $Y = X + 1$، والذي يمثل إجمالي عدد المحاولات حتى النجاح، فإن التوقع الرياضي يُحسب ببساطة عبر خاصية خطية التوقع:

$$E[Y] = E[X + 1] = E[X] + 1 = \frac{1 – p}{p} + 1 = \frac{1 – p + p}{p} = \frac{1}{p}$$

يكشف هذا القانون الرياضي المحوري ($E[Y] = \frac{1}{p}$) عن علاقة عكسية صارمة بين احتمال النجاح وزمن الانتظار؛ فإذا كان احتمال إصابة الهدف في لعبة الرماية هو $p = 0.1$، فإن متوسط عدد الطلقات اللازمة لإصابة الهدف لأول مرة هو $1 / 0.1 = 10$ طلقات. هذه البساطة التفسيرية تجعل من مقلوب الاحتمال قاعدة ذهبية سريعة لتقدير أزمنة التوقف في التطبيقات الحياتية والهندسية المختلفة.

5.2 اشتقاق التباين والانحراف المعياري

يقيس التباين (Variance) درجة تشتت أو انتشار قيم المتغير العشوائي حول قيمته المتوقعة. يُعرَّف التباين رياضياً بالمعادلة: $operatorname{Var}(X) = E[X^2] – (E[X])^2$. ولتسهيل حساب العزم الثاني غير المركزي $E[X^2]$، يُفضل الإحصائيون استخدام العزم العاملي الثاني $E[X(X-1)] = E[X^2] – E[X]$، ومن ثم فإن $E[X^2] = E[X(X-1)] + E[X]$.

لحساب $E[X(X-1)]$ نستخدم المشتقة الثانية للمتسلسلة الهندسية بالنسبة لـ $q$:

$$\frac{d^2}{dq^2} \left( \sum_{k=0}^{\infty} q^k \right) = \sum_{k=2}^{\infty} k(k-1) q^{k-2} = \frac{d^2}{dq^2} \left( \frac{1}{1-q} \right) = \frac{2}{(1-q)^3}$$

بضرب الطرفين في $q^2$ والتعويض في معادلة التوقع العاملي:

$$E[X(X-1)] = p \sum_{k=2}^{\infty} k(k-1) q^k = p \left( \frac{2 q^2}{(1-q)^3} \right) = p \left( \frac{2 (1-p)^2}{p^3} \right) = \frac{2 (1-p)^2}{p^2}$$

نقوم الآن بتجميع الحدود للحصول على التباين النهائي للمتغير $X$:

$$operatorname{Var}(X) = E[X(X-1)] + E[X] – (E[X])^2 = \frac{2(1-p)^2}{p^2} + \frac{1-p}{p} – \frac{(1-p)^2}{p^2}$$

$$operatorname{Var}(X) = \frac{(1-p)^2}{p^2} + \frac{p(1-p)}{p^2} = \frac{(1-p)[(1-p) + p]}{p^2} = \frac{1-p}{p^2}$$

ونظراً لأن إضافة ثابت لا تؤثر على التباين، فإن تباين إجمالي عدد المحاولات $Y$ هو ذاته تباين عدد الإخفاقات: $operatorname{Var}(Y) = operatorname{Var}(X+1) = operatorname{Var}(X) = \frac{1-p}{p^2}$. أما الانحراف المعياري (Standard Deviation)، فيُحسب بأخذ الجذر التربيعي الموجب للتباين:

$$\sigma = \sqrt{operatorname{Var}(X)} = \frac{\sqrt{1-p}}{p}$$

يُظهر الانحراف المعياري للتوزيع الهندسي خاصية هامة جداً، وهي أنه يقترب من قيمة المتوسط الحسابي عندما تكون $p$ صغيرة جداً ($\sigma \approx E[Y]$)، مما يعني أن التوزيع يتسم بدرجة تشتت وتذبذب عالية للغاية كلما كانت الأحداث المرصودة نادرة الوقوع.

5.3 الوسيط والمنوال في التوزيع الهندسي

بالإضافة إلى المتوسط الحسابي، تقدم مقاييس النزعة المركزية الأخرى—كالمنوال والوسيط—رؤى نوعية حول شكل وتوزيع الاحتمالات الهندسية. يُعرَّف المنوال (Mode) بأنه القيمة الأكثر تكراراً أو التي تمتلك أعلى احتمال في فضاء العينة. نظراً لأن دالة الكتلة الاحتمالية للتوزيع الهندسي $P(X=k) = (1-p)^k p$ تتناقص تناقصاً رتيباً مع كل زيادة في $k$، فإن القيمة العظمى للدالة تتحقق دائماً عند أقل قيمة ممكنة للمتغير.

بناءً على ذلك، يكون منوال التوزيع الهندسي لعدد الإخفاقات ثابتاً دائماً عند القيمة $0$، بينما يكون منوال إجمالي عدد المحاولات ثابتاً دائماً عند القيمة $1$، بغض النظر عن قيمة المعلمة$p$. هذا يعني أن النتيجة الفردية الأكثر احتمالاً في أي تجربة هندسية هي دائماً تحقيق النجاح فوراً من المحاولة الأولى.

أما الوسيط (Median) للمتغير العشوائي $Y$، فيُعرَّف بأنه أصغر عدد صحيح$m$ يحقق الشرط التراكمي $P(Y le m) ge 0.5$. بالتعويض في دالة التوزيع التراكمي $1 – (1-p)^m ge 0.5$، نصل إلى المتراجحة$(1-p)^m le 0.5$. وبأخذ اللوغاريتم الطبيعي للطرفين (مع مراعاة عكس إشارة التباين لأن اللوغاريتم لكسر أقل من 1 يكون سالباً):

$$m \ln(1-p) le \ln(0.5) = -\ln(2) implies m ge \frac{-\ln(2)}{\ln(1-p)}$$

وبالتالي، يُعطى الوسيط رسمياً بصيغة دالة السقف (Ceiling function):

$$operatorname{Median}(Y) = \left\lceil \frac{-\ln(2)}{\ln(1-p)} \right\rceil$$

يوضح الجدول التالي مقارنة بين مقاييس النزعة المركزية الثلاثة للتوزيع الهندسي عند قيم مختلفة للاحتمال $p$ لإبراز الالتواء الشديد نحو اليمين:

احتمال النجاح ($p$)	المنوال (Mode) لـ $Y$	الوسيط (Median) لـ $Y$	المتوسط (Mean) لـ $Y$
$0.50$	1	1	2.00
$0.20$	1	4	5.00
$0.05$	1	14	20.00
$0.01$	1	69	100.00

تُظهر هذه المقارنة الرقمية بوضوح أن الوسيط يكون دائماً أقل بكثير من المتوسط الحسابي، وهو ما يؤكد الالتواء الإيجابي الشديد للتوزيع الهندسي، حيث تسحب المحاولات المتطرفة النادرة قيمة المتوسط نحو اليمين بينما تظل غالبية الكتلة الاحتمالية متمركزة بالقرب من البداية.

6. خاصية انعدام الذاكرة (Memoryless Property)

6.1 المفهوم الرياضي لخاصية انعدام الذاكرة

تُعد خاصية “انعدام الذاكرة” (Memoryless Property) السمة النظرية الأكثر تميزاً وشهرة للتوزيع الهندسي؛ حيث ينفرد التوزيع الهندسي بكونه التوزيع الاحتمالي المتقطع الوحيد على الإطلاق الذي يتمتع بهذه الخاصية الرياضية الفريدة. تعني هذه الخاصية جوهرياً أن احتمالية تحقق النجاح بعد عدد إضافي معين من المحاولات لا تتأثر مطلقاً بعدد الإخفاقات التي وقعت في الماضي؛ فالنظام “ينسى” تماماً تاريخه التشغيلي مع كل خطوة يخطوها.

تُصاغ خاصية انعدام الذاكرة رياضياً باستخدام الاحتمال الشرطي على النحو التالي:

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

أو بصيغة مكافئة لعدد المحاولات التراكمي:

$$P(X > s + t mid X ge s) = P(X > t) \quad \forall s, t in {0, 1, 2, dots}$$

بلسان الواقع العملي: إذا كنت تنتظر حدثاً يخضع للتوزيع الهندسي، وقمت بإجراء $s$ من المحاولات دون جدوى، فإن احتمال أن تضطر للانتظار لمدة $t$ من المحاولات الإضافية هو تماماً نفس احتمال أن تنتظر لمدة $t$ من المحاولات إذا كنت تبدأ التجربة الآن من الصفر لأول مرة. إن المحاولات السابقة الفاشلة لا تُقرّبك بأي حال من الأحوال من النجاح القادم، ولا تجعل النظام “مستحقاً” للنجاح، وهو مفهوم يقلب العديد من الحدسيات البشرية الشائعة رأساً على عقب.

6.2 البرهان الرياضي الكامل للخاصية

يمكن تقديم برهان رياضي دقيق وصارم لخاصية انعدام الذاكرة بالاعتماد المباشر على قانون الاحتمال الشرطي $P(A mid B) = \frac{P(A \cap B)}{P(B)}$ وعلى دالة البقاء للتوزيع الهندسي. لنفترض أن الحدث $A$ هو ${X ge s + t}$ وأن الحدث $B$ هو ${X ge s}$.

نلاحظ أولاً أن الحدث $A$ هو مجموعة جزئية تماماً من الحدث $B$، لأن حدوث إخفاقات بعدد$(s+t)$ يتضمن بالضرورة وقوع إخفاقات بعدد $s$ على الأقل ($s, t ge 0$). وبالتالي فإن التقاطع بين الحدثين يؤول إلى الحدث الأصغر:

$$(X ge s + t) \cap (X ge s) = (X ge s + t)$$

بتطبيق قانون الاحتمال الشرطي نحصل على:

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

نعلم من اشتقاق دالة البقاء للتوزيع الهندسي أن $P(X ge k) = P(X > k – 1) = (1 – p)^k$. بالتعويض المباشر في بسط ومقام المعادلة الشرطية:

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

باستخدام القواعد الجبرية للأسس، نقوم بتفكيك حدود البسط: $(1-p)^{s+t} = (1-p)^s \cdot (1-p)^t$. وباختزال الحد المشترك $(1-p)^s$ من البسط والمقام:

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

يُثبت هذا البرهان الجبري اختفاء المتغير $s$ بالكامل من الطرف الأيمن للمعادلة، مما يبرهن رياضياً وبشكل قاطع أن الاحتمال الشرطي المستقبلي مستقل استقلالاً تاماً عن الزمن المنقضي أو المحاولات المستهلكة في الماضي.

6.3 الآثار النظرية والنفسية لانعدام الذاكرة

تمتد آثار خاصية انعدام الذاكرة إلى مجالات علم النفس المعرفي والتحليل السلوكي، وتحديداً في تفسير ما يُعرف في الأدبيات السلوكية بـ مغالطة المقامر (Gambler’s Fallacy). تنشأ هذه المغالطة عندما يعتقد الشخص خطأً أن تكرار سلسلة من الإخفاقات المتتالية في تجربة عشوائية مستقلة يجعل حدوث النجاح في المحاولة التالية “أكثر ترجيحاً” أو “وشيكاً بالضرورة” لكي تعيد الطبيعة التوازن لنفسها.

يوضح التوزيع الهندسي بشكل قاطع زيف هذا التفكير الحدسي؛ فماكينة القمار أو رمي العملة أو محاولات إلقاء حجر النرد لا تمتلك أي وسيلة لتسجيل تاريخ المحاولات السابقة. فإذا رمى لاعب عملة متوازنة 10 مرات متتالية وحصل على “كتابة”، فإن احتمال الحصول على “صورة” في الرمية الحادية عشرة يظل ثابتاً تماماً عند $0.5$، دون أي زيادة ناتجة عن “التعطش للنجاح”.

ومع ذلك، يجب على الباحثين الحذر الشديد عند تطبيق فرضية انعدام الذاكرة على الأنظمة الحية والبيولوجية؛ فالكائنات الحية تمتلك آليات للتكيف والتعلم المعرفي، كما تعاني في الوقت ذاته من الإرهاق العضلي والذهني. فإذا كان الطالب يحل مسائل رياضية حتى ينجح في حل مسألة واحدة، فإن احتمالية نجاحه في كل خطوة قد ترتفع بسبب الفهم المتراكم لطبيعة المسائل، أو قد تنخفض بسبب التعب والإحباط. في مثل هذه البيئات الديناميكية، تفقد خاصية انعدام الذاكرة صلاحيتها، ويصبح لزاماً على الإحصائيين استخدام نماذج التعلم الديناميكي بدلاً من التوزيع الهندسي الساكن.

7. الدوال المولدة والعزوم الإحصائية المتقدمة

7.1 الدالة المولدة للاحتمال (PGF)

تُعد الدالة المولدة للاحتمال (Probability-Generating Function – PGF) من الأدوات التحليلية المتقدمة في نظرية الاحتمالات، حيث تُستخدم لترميز دالة الكتلة الاحتمالية للمتغير العشوائي المتقطع في صورة متسلسلة قوى جبرية. تُعرَّف الدالة المولدة للاحتمال للمتغير $X$ رياضياً بالمعادلة: $G_X(z) = E[z^X] = \sum_{k=0}^{\infty} P(X = k) z^k$.

لاشتقاق هذه الدالة للتوزيع الهندسي لعدد حالات الفشل، نقوم بالتعويض بصيغة دالة الاحتمال:

$$G_X(z) = \sum_{k=0}^{\infty} (1 – p)^k p z^k = p \sum_{k=0}^{\infty} ((1 – p)z)^k$$

بافتراض أن المقدار $|(1-p)z| < 1$، وهو ما يحدد نطاق تقارب الدالة في المستوى المركب للدائرة التي نصف قطرها $|z| < \frac{1}{1-p}$، يمكن استخدام صيغة مجموع المتسلسلة الهندسية اللانهائية للحصول على الشكل المغلق:

$$G_X(z) = \frac{p}{1 – (1 – p)z}$$

تتيح هذه الدالة استخراج الاحتمالات الفردية بسهولة بالغة عن طريق التفاضل المتتالي وتقييم المشتقات عند النقطة $z = 0$، وفقاً للمسلّمة الرياضية:

$$P(X = k) = \frac{1}{k!} left. \frac{d^k G_X(z)}{dz^k} right|_{z=0}$$

كما تُعد الدالة المولدة للاحتمال أداة لا غنى عنها في دراسة عمليات التفرع (Branching Processes) وتحليل مجموع المتغيرات العشوائية المستقلة عبر ضرب دوالها المولدة بدلاً من إجراء عمليات الالتفاف (Convolution) المعقدة جبرياً.

7.2 الدالة المولدة للعزوم (MGF)

تُعرَّف الدالة المولدة للعزوم (Moment-Generating Function – MGF) بأنها القيمة المتوقعة للدالة الأسية للمتغير العشوائي: $M_X(t) = E[e^{tX}]$. ترتبط هذه الدالة ارتباطاً وثيقاً بالدالة المولدة للاحتمال عبر العلاقة البسيطة $M_X(t) = G_X(e^t)$. بالتعويض المباشر في صيغة $G_X(z)$ نستنتج الصيغة المغلقة للدالة المولدة للعزوم:

$$M_X(t) = \frac{p}{1 – (1 – p)e^t}$$

تكون هذه الدالة معرفة ومتقاربة تماماً لجميع القيم الحقيقية لـ $t$ التي تحقق الشرط: $(1-p)e^t < 1 implies t < -\ln(1-p)$. تبرز قوة الدالة المولدة للعزوم في قدرتها الفائقة على توليد كافة العزوم غير المركزية حول نقطة الأصل من خلال حساب المشتقات المتتالية بالنسبة لـ $t$ وتقييمها عند $t = 0$.

لحساب العزم الأول (المتوسط الحسابي) نشتق الدالة مرة واحدة:

$$M’_X(t) = \frac{d}{dt} \left( p(1 – (1 – p)e^t)^{-1} \right) = p(-1)(1 – (1 – p)e^t)^{-2} \cdot (-(1 – p)e^t) = \frac{p(1 – p)e^t}{(1 – (1 – p)e^t)^2}$$

بوضع $t = 0$ نحصل مباشرة على التوقع:

$$E[X] = M’_X(0) = \frac{p(1 – p)(1)}{(1 – (1 – p)(1))^2} = \frac{p(1 – p)}{p^2} = \frac{1 – p}{p}$$

وبالمثل، يتيح اشتقاق الدالة للمرة الثانية $M”_X(0)$ الحصول على العزم الثاني $E[X^2]$، مما يوفر مساراً حسابياً بديلاً وموثوقاً لإثبات التباين والخصائص الإحصائية العليا دون الحاجة إلى معالجة المتسلسلات اللانهائية يدوياً في كل خطوة.

7.3 معاملات الالتواء والتفرطح

يقدم التحليل المتقدم للعزوم المركزية الثالثة والرابعة رؤية شاملة حول الخصائص الشكلية لمنحنى التوزيع الهندسي من حيث درجة انحرافه وسمك ذيوله الاحتمالية. يُقاس التماثل والتفرطح عبر معاملين رياضيين قياسيين هما: معامل الالتواء (Skewness) ومعامل التفرطح (Kurtosis).

يُعطى معامل الالتواء للتوزيع الهندسي بالصيغة الرياضية التالية:

$$\gamma_1 = \frac{E[(X – \mu)^3]}{\sigma^3} = \frac{2 – p}{\sqrt{1 – p}}$$

بما أن $0 < p le 1$، فإن المقدار$(2 – p)$ موجب دائماً، وكذلك الجذر في المقام. هذا يبرهن رياضياً على أن التوزيع الهندسي موجب الالتواء دائماً (Positively Skewed) لجميع قيم المعلمة $p$. تبلغ القيمة الصغرى للالتواء حوالي$sqrt{2} approx 1.414$ عندما تقترب $p$ من الصفر، في حين يزداد الالتواء إلى ما لا نهاية كلما اقتربت $p$ من الواحد الصحيح، مما يعكس الامتداد الطويل للذيل الأيمن مقارنة بكتلة الاحتمال المتركزة عند البداية.

أما معامل التفرطح المفرط (Excess Kurtosis)، والذي يقيس مدى ثقل ذيول التوزيع مقارنة بالتوزيع الطبيعي القياسي (الذي تفرطحه صفر)، فيُحسب بالعلاقة:

$$\gamma_2 = \frac{E[(X – \mu)^4]}{\sigma^4} – 3 = 6 + \frac{p^2}{1 – p}$$

يكشف هذا القانون أن معامل التفرطح المفرط للتوزيع الهندسي يتجاوز دائماً القيمة 6 لجميع قيم $p in (0, 1)$، وهو ما يصنف التوزيع بوصفه توزيعاً مفرط التفرطح وثقيل الذيل (Leptokurtic). تعكس هذه الخاصية الهيكلية احتمالية عالية لظهور قيم متطرفة وشديدة التباعد عن المتوسط مقارنة بالتوزيعات ذات الذيول الخفيفة، وهو ما يجب أخذه في الحسبان عند بناء فترات التنبؤ ونماذج تقدير الأخطار القصوى.

8. المقارنة والربط مع التوزيعات الاحتمالية الأخرى

8.1 العلاقة مع توزيع ذي الحدين السالب

يمثل التوزيع الهندسي الركيزة التأسيسية لـ توزيع ذي الحدين السالب (Negative Binomial Distribution). بينما يهتم التوزيع الهندسي بانتظار تحقيق أول نجاح فقط ($r = 1$)، يوسع توزيع ذي الحدين السالب هذا الأفق ليدرس عدد المحاولات أو الإخفاقات اللازمة لتحقيق عدد محدد $r$ من النجاحات ($r ge 1$).

تُعطى دالة الكتلة الاحتمالية لتوزيع ذي الحدين السالب للمتغير $W$ الذي يمثل عدد الإخفاقات قبل تحقق $r$ من النجاحات بالصيغة:

$$P(W = k) = \binom{k + r – 1}{k} p^r (1 – p)^k$$

عند التعويض المباشر بقيمة $r = 1$ في هذه المعادلة، نجد أن الحد التوافقي يؤول إلى الواحد الصحيح: $\binom{k + 1 – 1}{k} = \binom{k}{k} = 1$. وبذلك تتحول المعادلة تلقائياً وبشكل كامل إلى صيغة التوزيع الهندسي: $P(W = k) = p (1-p)^k$.

علاوة على ذلك، ينص المبدأ الرياضي التجميعي على أنه إذا كانت لدينا مجموعة من المتغيرات العشوائية الهندسية المستقلة والمتطابقة $X_1, X_2, dots, X_r$ وكل منها يمتلك نفس المعلمة $p$، فإن مجموع هذه المتغيرات العشوائية يتبع توزيع ذي الحدين السالب بالمعلمتين$(r, p)$:

$$W = \sum_{i=1}^{r} X_i \sim operatorname{NB}(r, p)$$

توضح هذه العلاقة التكاملية أن دراسة وفهم التوزيع الهندسي يمثل الخطوة المنطقية الضرورية والمدخل الحتمي لفهم العمليات العشوائية المتعددة الأكثر تعقيداً في النمذجة الإحصائية المتقدمة.

8.2 التقارب مع التوزيع الأسي (Exponential Distribution)

يمثل التوزيع الأسي النظير المتصل المباشر للتوزيع الهندسي المتقطع. يشترك هذان التوزيعان في رابطة نظرية حصرية: فهما التوزيعان الوحيدان في علم الاحتمالات بأكمله اللذان يمتلكان خاصية انعدام الذاكرة الكاملة؛ التوزيع الهندسي في الفضاء المتقطع، والتوزيع الأسي في الفضاء المتصل.

يمكن إثبات التقارب الرياضي من التوزيع الهندسي إلى التوزيع الأسي بالنظر إلى التوزيع الهندسي كعملية تقطيع زمني دقيقة لفترة زمنية مستمرة. إذا قمنا بتقسيم وحدة الزمن إلى $n$ من الفترات الزمنية متناهية الصغر، وكان احتمال وقوع الحدث في أي فترة صغيرة يتناسب طردياً مع طول الفترة بمعدل ثابت $lambda > 0$، بحيث يكون $p_n = \frac{\lambda}{n}$.

إذا عرفنا المتغير المتصل $T_n = \frac{X_n}{n}$ ليمثل الزمن الفيزيائي الفعلي المنقضي حتى وقوع أول حدث، فإننا بدراسة النهاية الرياضية لدالة البقاء عندما يقترب عدد التقسيمات $n$ من اللانهاية نحصل على:

$$P(T_n > t) = P(X_n > n t) = (1 – p_n)^{\lfloor n t \rfloor + 1} \approx \left( 1 – \frac{\lambda}{n} \right)^{n t}$$

باستخدام النهاية الشهيرة لتعريف الدالة الأسية $\lim_{n to \infty} \left(1 – \frac{x}{n}\right)^n = e^{-x}$:

$$\lim_{n to \infty} P(T_n > t) = \lim_{n to \infty} \left[ \left( 1 – \frac{\lambda}{n} \right)^n \right]^t = e^{-\lambda t}$$

هذه النتيجة تثبت أن دالة البقاء الهندسية تتقارب بدقة نحو دالة البقاء للتوزيع الأسي $S(t) = e^{-\lambda t}$. يوضح هذا الاشتقاق كيف ينشأ التوزيع الأسي كحالة حدية طبيعية للتوزيع الهندسي عندما تتحول المحاولات المنفصلة إلى تدفق زمني مستمر ومرن.

8.3 التمييز بين التوزيع الهندسي وتوزيع برنولي وتوزيع بواسون

يواجه العديد من الباحثين تحديات في تحديد النموذج الاحتمالي الأمثل للظواهر الملاحظة، نظراً لاشتراك عائلة التوزيعات المتقطعة في بعض الخصائص الأساسية. لتوضيح الحدود الفاصلة بدقة، يقدم التحليل التالي مقارنة جوهرية بين التوزيع الهندسي وكل من توزيع برنولي وتوزيع بواسون (Poisson Distribution):

• توزيع برنولي: يجيب عن سؤال بسيط ومحدد في نقطة زمنية واحدة: “هل نجحت هذه المحاولة الفردية أم فشلت؟”. المتغير العشوائي هنا ثنائي بحت ويأخذ إما القيمة 0 أو 1. في المقابل، يمتد التوزيع الهندسي عبر الزمن ليجيب عن سؤال: “كم محاولة برنولي متتالية نحتاج لإنجاز أول نجاح؟”، فالمتغير الهندسي هو عدد صحيح ممتد من صفر إلى ما لا نهاية.
• توزيع ذي الحدين: يثبت عدد المحاولات مسبقاً عند قيمة محددة $n$، ويسأل عن “عدد النجاحات” المحققة داخل هذا الإطار الثابت. على العكس من ذلك، يثبت التوزيع الهندسي عدد النجاحات المطلوبة عند نجاح واحد فقط، ويترك “عدد المحاولات الكلي” متغيراً حراً وعشوائياً.
• توزيع بواسون: يرصد عدد مرات وقوع حدث معين خلال فترة زمنية أو مكانية متصلة ومحددة بمعدل وصول ثابت $lambda$. يرتبط بواسون بالتوزيع الهندسي عبر أزمنة الوصول؛ ففي عملية بواسون ذات التدفق المتقطع، تكون الفترات الفاصلة بين الأحداث المتعاقبة موزعة توزيعاً هندسياً، بينما يمثل بواسون عدد الأحداث المنجزة ضمن نافذة زمنية ثابتة.

توضح هذه الفروق البنيوية ضرورة مطابقة طبيعة المتغير العشوائي وسؤال البحث بدقة مع التوزيع المختار، لضمان استقامة الاستدلال الإحصائي وصحة النتائج المستخلصة من البيانات التجريبية.

9. طرائق تقدير المعلمة واستدلال البيانات

9.1 تقدير الإمكان الأكبر (Maximum Likelihood Estimation – MLE)

تُعد طريقة تقدير الإمكان الأكبر (Maximum Likelihood Estimation) الأسلوب المعياري الأكثر كفاءة وشيوعاً لتقدير المعلمة المجهولة $p$ من واقع عينة عشوائية مرصودة. لنفترض أن لدينا عينة عشوائية بسيطة بحجم $N$ مسحوبة من مجتمع يتبع التوزيع الهندسي لعدد حالات الفشل: $x_1, x_2, dots, x_N$.

تُعرف دالة الإمكان المشتركة (Likelihood Function) بأنها حاصل ضرب دوال الكتلة الاحتمالية لكافة المشاهدات المستقلة:

$$L(p) = \prod_{i=1}^{N} P(X = x_i) = \prod_{i=1}^{N} (1 – p)^{x_i} p = p^N (1 – p)^{\sum_{i=1}^{N} x_i}$$

لتبسيط عملية التفاضل، نأخذ اللوغاريتم الطبيعي لدالة الإمكان للحصول على دالة لوغاريتم الإمكان (Log-Likelihood Function):

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

لإيجاد القيمة العظمى للمعلمة، نقوم باشتقاق الدالة اللوغاريتمية بالنسبة لـ $p$ ومساواة المشتقة بالصفر:

$$\frac{d \ln L(p)}{dp} = \frac{N}{p} – \frac{\sum_{i=1}^{N} x_i}{1 – p} = 0$$

بإعادة ترتيب الحدود الجبرية والضرب التبادلي:

$$\frac{N}{p} = \frac{\sum_{i=1}^{N} x_i}{1 – p} implies N(1 – p) = p \sum_{i=1}^{N} x_i implies N = p \left( N + \sum_{i=1}^{N} x_i \right)$$

بقسمة الطرفين على المقدار المشترك، نحصل على مقدر الإمكان الأكبر الصريح $\hat{p}_{\text{MLE}}$:

$$\hat{p}_{\text{MLE}} = \frac{N}{N + \sum_{i=1}^{N} x_i} = \frac{1}{1 + \bar{x}}$$

حيث يمثل $\bar{x} = \frac{1}{N} \sum_{i=1}^{N} x_i$ المتوسط الحسابي التجريبي لعدد حالات الفشل في العينة. أما إذا كانت البيانات المسجلة تمثل إجمالي عدد المحاولات $y_i = x_i + 1$ بمتوسط $\bar{y}$، فإن مقدر الإمكان الأكبر يؤول إلى مقلوب المتوسط مباشرة: $\hat{p} = \frac{1}{\bar{y}}$، وهي نتيجة غاية في البساطة والتوافق المنطقي مع التوقع الرياضي النظري.

9.2 طريقة العزوم ومطابقة المعالم

تعتمد طريقة العزوم (Method of Moments) على مساواة العزم النظري الأول (القيمة المتوقعة للمجتمع) بالعزم التجريبي المناظر المحسوب من بيانات العينة الفعلية. بالنسبة للمتغير العشوائي الهندسي $X$، نعلم أن العزم النظري الأول هو:

$$\mu = E[X] = \frac{1 – p}{p}$$

نقوم بمساواة هذا التوقع بمتوسط العينة الحسابي $\bar{x}$:

$$\frac{1 – \hat{p}_{\text{MM}}}{\hat{p}_{\text{MM}}} = \bar{x} implies 1 – \hat{p}_{\text{MM}} = \bar{x} \cdot \hat{p}_{\text{MM}} implies 1 = \hat{p}_{\text{MM}} (1 + \bar{x})$$

وهذا يقودنا مباشرة إلى مقدر العزوم للمعلمة:

$$\hat{p}_{\text{MM}} = \frac{1}{1 + \bar{x}}$$

نلاحظ هنا تطابقاً تاماً بين مقدر طريقة العزوم ومقدر الإمكان الأكبر. يتميز هذا المقدر باتساقه الإحصائي (Consistency)؛ حيث يقترب باحتمال مقداره 1 من المعلمة الحقيقية $p$ كلما تزايد حجم العينة $N to \infty$.

على الرغم من أن مقلوب المتوسط ينطوي على تحيز طفيف في العينات الصغيرة الحجم بسبب عدم خطية دالة المقلوب (وفقاً لمتباينة جنسن Jensen’s Inequality)، إلا أن هذا التحيز يتلاشى بسرعة مع زيادة المشاهدات، مما يجعله مقدراً عالي الكفاءة ومطابقاً للحد الأدنى لتباين راو-كرامير (Cramér-Rao Lower Bound) تقاربياً.

9.3 فترات الثقة واختبار الفرضيات الإحصائية

يعد بناء فترات الثقة (Confidence Intervals) حول معلمة النجاح $p$ واختبار الفرضيات المرتبطة بها خطوة جوهرية للانتقال من التقدير النقطي إلى الاستدلال الإحصائي الشامل. في العينات الكبيرة، يمكن الاعتماد على مبرهنة النهاية المركزية والتقريب الطبيعي للمقدر $\hat{p}$ لبناء فترة ثقة تقاربية بمستوى ثقة $(1 – \alpha)$:

$$\hat{p} \pm Z_{1 – alpha/2} \cdot operatorname{SE}(\hat{p})$$

حيث يمثل $Z_{1 – alpha/2}$ القيمة الحرجة من جدول التوزيع الطبيعي القياسي، ويمثل $operatorname{SE}(\hat{p})$ الخطأ المعياري المقدر، والذي يُشتق عبر طريقة دلتا (Delta Method) بالصيغة التالية:

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

أما في العينات الصغيرة حيث يفقد التقريب الطبيعي دقته، يُفضل استخدام فترات الثقة الدقيقة القائمة على العلاقة الوثيقة بين التوزيع الهندسي وتوزيع بيتا أو توزيع $F$. يستند هذا الأسلوب إلى حقيقة أن مجموع الإخفاقات$sum x_i$ يخضع لتوزيع ذي الحدين السالب، مما يتيح حساب الحدود الحرجة الدقيقة دون الحاجة لافتراض التوزيع الطبيعي.

وفيما يتعلق باختبار الفرضيات، يمكن صياغة اختبارات الفروض الكلاسيكية (مثل اختبار الفرضية الصفرية $H_0: p = p_0$ مقابل الفرضية البديلة $H_1: p \neq p_0$) عبر استخدام اختبار نسبة الإمكان (Likelihood Ratio Test) أو اختبار فالد (Wald Test). تتيح هذه الاختبارات للباحثين التحقق مما إذا كانت التعديلات التجريبية أو البرامج التدريبية قد أحدثت تغييراً ذا دلالة إحصائية في معدل كفاءة الأداء مقارنة بالمعايير المرجعية المحددة سلفاً.

10. أمثلة تطبيقية وحلول نموذجية خطوة بخطوة

10.1 تجارب رمي العملة والنرد الاحتمالية

تُمثل الألعاب الاحتمالية الكلاسيكية ميداناً مثالياً لتطبيق النظريات الهندسية وتثبيت خطوات الحل الحسابي الدقيق. سنستعرض فيما يلي مسألتين نموذجيتين مع خطوات الحل التفصيلية:

المسألة الأولى: عند إلقاء حجر نرد متوازن سداسي الأوجه، ما هو احتمال الحصول على الرقم (6) لأول مرة في الرمية الخامسة؟ وما هو متوسط عدد الرميات المتوقع لتحقيق ذلك؟

• تحديد المعطيات: النرد متوازن، وبالتالي فإن احتمال ظهور الرقم 6 في أي رمية هو $p = 1/6 \approx 0.1667$. احتمال عدم ظهوره هو $1 – p = 5/6 approx 0.8333$.
• تعريف المتغير: ليكن $Y$ هو إجمالي عدد الرميات حتى ظهور أول 6 ($n = 5$).
• تطبيق دالة الاحتمال: $P(Y = 5) = (1 – p)^{5 – 1} p = (5/6)^4 \cdot (1/6)$
• الحساب العددي: $P(Y = 5) = \frac{625}{1296} \cdot \frac{1}{6} = \frac{625}{7776} \approx 0.08037$ (أي حوالي $8.04%$).
• حساب المتوسط المتوقع: $E[Y] = \frac{1}{p} = \frac{1}{1/6} = 6$ رميات.

المسألة الثانية: ما احتمال أن يتطلب ظهور أول “صورة” في رمي قطعة نقود متوازنة أكثر من 3 رميات فاشلة ($X > 3$)؟

• المعطيات: قطعة النقود متوازنة، إذن $p = 0.5$ و $1 – p = 0.5$.
• تطبيق دالة البقاء المباشرة: $P(X > 3) = (1 – p)^{3 + 1} = (0.5)^4$
• الحساب العددي: $P(X > 3) = 0.0625$ (أي $6.25%$).

تثبت هذه الأمثلة كيف تتيح الصيغ الهندسية حل المسائل الاحتمالية المعقدة في خطوات حسابية موجزة ودقيقة للغاية.

10.2 تطبيقات التجارب النفسية وزمن الاستجابة

في تجربة متقدمة في علم النفس المعرفي، طُلب من مجموعة من المشاركين أداء مهمة حركية إدراكية معقدة عبر واجهة رقمية جديدة. يفترض الباحث أن احتمال أن يتقن المشارك المهمة بنجاح في أي محاولة معطاة هو $p = 0.15$، مع افتراض استقلالية المحاولات لغرض بناء النموذج المرجعي.

المطلوب الأول: حساب احتمالية أن ينجح المفحوص في إتقان المهمة في غضون أول 3 محاولات على الأكثر ($Y le 3$).

• المعطيات: $p = 0.15 implies 1 – p = 0.85$. المطلوب حساب الاحتمال التراكمي $P(Y le 3) = F(2)$ لعدد حالات الفشل.
• تطبيق صيغة التوزيع التراكمي: $F(k) = 1 – (1 – p)^{k+1}$ حيث $k = 3 – 1 = 2$.
• الحساب: $P(Y le 3) = 1 – (0.85)^3 = 1 – 0.614125 = 0.385875$ (أي حوالي $38.59%$).

المطلوب الثاني: إذا لوحظ في التجربة أن مفحوصاً معيناً قد فشل بالفعل في المحاولات الـ 4 الأولى، فما هو الاحتمال الشرطي لأن يحتاج إلى محاولتين إضافيتين على الأقل لإتقان المهمة ($Y ge 7 mid Y > 4$)؟

• بالاعتماد على خاصية انعدام الذاكرة: $P(X ge 6 mid X ge 4) = P(X ge 2)$.
• تطبيق دالة البقاء: $P(X ge 2) = (1 – p)^2 = (0.85)^2 = 0.7225$ (أي $72.25%$).

يقوم الباحث النفسي بعد ذلك بمقارنة هذه القيم النظرية بالبيانات الحقيقية التي تم جمعها من عينة واسعة من المشاركين؛ فإذا وجد أن نسبة النجاح الفعلية بعد المحاولة الرابعة أعلى بكثير من التقدير النظري، دل ذلك على وجود أثر تعلم تراكمي قوي يبطل فرضية انعدام الذاكرة، ويوفر دليلاً كمياً على تطور البنية المهارية للمفحوصين عبر التكرار.

10.3 تطبيقات الموثوقية وفحص العيوب الصناعية

تُعد مراقبة الجودة في خطوط الإنتاج الإلكترونية الضخمة أحد أبرز الميادين التطبيقية للتوزيع الهندسي. لنفترض أن خط إنتاج لرقائق المعالجات الدقيقة ينتج رقائق معيبة بمعدل ثابت ونادر قدره $0.02$ لكل رقاقة يتم تصنيعها ($p = 0.02$). يقوم روبوت الفحص الآلي باختبار الرقائق المتتالية حتى يكتشف أول رقاقة معيبة لإيقاف الخط وإجراء المعايرة.

التحليل الإحصائي للعملية الصناعية:

• متوسط عدد الرقائق السليمة: يُحسب متوسط عدد المنتجات السليمة المصنوعة قبل ظهور أول عيب عبر التوقع الرياضي لعدد الإخفاقات في إيجاد العيب (حيث الرقاقة السليمة هي “فشل” في العثور على عيب): $E[X] = \frac{1 – p}{p} = \frac{1 – 0.02}{0.02} = \frac{0.98}{0.02} = 49$ رقاقة سليمة.
• حساب حد الأمان للصيانة الوقائية: يرغب مهندسو الجودة في تحديد عدد الرقائق $k$ التي يجب فحصها بحيث يكون احتمال عدم العثور على أي عيب حتى تلك النقطة مساوياً لـ $50%$ على الأقل (أي تحديد وسيط الفحص). نستخدم صيغة دالة البقاء:
  $$(1 – 0.02)^k ge 0.50 implies (0.98)^k ge 0.50$$
  $$k \ln(0.98) ge \ln(0.50) implies k le \frac{-0.69315}{-0.02020} \approx 34.31$$
  هذا يعني أنه بحلول الرقاقة رقم 35، يكون احتمال ظهور رقاقة معيبة قد تجاوز حاجز الـ $50%$.

تتيح هذه النمذجة الدقيقة لمديري المصانع ضبط حساسيات أجهزة الفحص وجدولة نوبات العمل الفنية بأسلوب علمي يقلل من الهدر المالي ويضمن استقرار معايير الجودة الشاملة للمنتجات النهائية.

11. التحليل الحاسوبي والمحاكاة للتوزيع الهندسي

11.1 التطبيق والتحليل الإحصائي باستخدام لغة R

توفر بيئة الحوسبة الإحصائية R منظومة مدمجة ومتكاملة من الدوال القياسية المخصصة للتعامل مع التوزيع الهندسي بكفاءة عالية. تلتزم لغة R بالصياغة القياسية للتوزيع المعتمدة على عدد حالات الفشل ($X in {0, 1, 2, dots}$). تتمثل هذه الدوال الأساسية في الحزمة الأساسية (stats) في الأشكال الأربعة التالية:

• dgeom(x, prob): دالة الكتلة الاحتمالية لحساب الاحتمال النقطي $P(X = x)$ بدقة عددية عالية.
• pgeom(q, prob): دالة التوزيع التراكمي لحساب $P(X le q)$، وتدعم المعامل lower.tail = FALSE لحساب دالة البقاء $P(X > q)$ مباشرة وبدقة تتفادى أخطاء التقريب الحسابي.
• qgeom(p, prob): دالة المئينات والوسيط، والتي تقوم بحساب القيمة الحرجة المقابلة لاحتمال تراكمي معطى.
• rgeom(n, prob): مولد الأرقام العشوائية لإنشاء عينات محاكاة تخضع للتوزيع الهندسي بالمعلمة المحددة.

لتنفيذ التحليل الإحصائي ورسم التوزيعات بيانياً، يمكن للباحثين استخدام مكتبات متقدمة مثل ggplot2 لإنشاء أشكال بيانية مدرجة ومقارنة التوزيعات التجريبية بالمنحنيات النظرية. كما تتيح دالة goodfit() في حزمة vcd إجراء اختبارات جودة المطابقة مثل اختبار كاي-تربيع (Chi-Square Goodness of Fit) للتحقق مما إذا كانت البيانات الميدانية المرصودة تتطابق إحصائياً مع التوزيع الهندسي المفترض.

11.2 المعالجة البرمجية عبر Python وبيئة Scipy

تُعد لغة بايثون (Python)، مدعومة بمكتباتها العلمية القوية كـ scipy.stats و numpy، منصة رائدة لمعالجة البيانات الاحتمالية والنمذجة الرياضية. يوفر الكائن الإحصائي scipy.stats.geom معالجة متكاملة للتوزيع الهندسي، ولكن تجب الإشارة إلى ملاحظة برمجية حاسمة: يعتمد كائن geom في بايثون افتراضياً على صياغة إجمالي عدد المحاولات ($Y in {1, 2, 3, dots}$). ولتحويله للعمل بصيغة عدد الإخفاقات ($X$)، يُستخدم معامل الإزاحة loc = -1.

تتضمن الدوال الأساسية في مكتبة Scipy ما يلي:

• geom.pmf(k, p): لحساب دالة الكتلة الاحتمالية عند المحاولة $k$.
• geom.cdf(k, p): لحساب دالة التوزيع التراكمي الاحتمالية.
• geom.sf(k, p): دالة البقاء المباشرة (Survival Function)، والتي تتفوق عددياً على حساب $1 – text{CDF}$.
• geom.stats(p, moments='mvsk'): دالة مدمجة فائقة السرعة تقوم بحساب المتوسط (Mean)، التباين (Variance)، الالتواء (Skewness)، والتفرطح المفرط (Kurtosis) دفعة واحدة.

باستخدام مكتبة matplotlib.pyplot أو seaborn، يستطيع المحلل توليد رسومات بيانية عالية الجودة توضح السلوك التنازلي للتوزيع وتوضح الفروق بين معالم التوزيع المختلفة بصرياً، فضلاً عن إمكانية بناء فئات برمجية مخصصة (Custom Classes) لاختبار خاصية انعدام الذاكرة تلقائياً عبر مئات التكرارات التجريبية.

11.3 محاكاة مونت كارلو (Monte Carlo Simulation)

تُمثل محاكاة مونت كارلو (Monte Carlo Simulation) إحدى أقوى التقنيات الحسابية لدراسة سلوك التوزيعات الاحتمالية والتحقق التجريبي من النظريات الرياضية في ظل غياب الحلول التحليلية المغلقة في النظم المعقدة. تعتمد الفكرة الأساسية على توليد ملايين العينات العشوائية المستقلة التي تتبع التوزيع الهندسي ومراقبة تقارب المؤشرات الإحصائية التجريبية نحو القيم النظرية المقررة.

من خلال إجراء محاكاة برمجية لتوليد $N = 1,000,000$ مشاهدة عشوائية لمتغير هندسي بمعلمة $p = 0.25$، يمكن رصد النقاط التحليلية التالية:

• التحقق من قانون الأعداد الكبيرة (Law of Large Numbers): نلاحظ أن المتوسط الحسابي للعينة المحاكاة $\bar{y}_{\text{\sim}}$ يتقارب بسرعة فائقة مع التوقع النظري $E[Y] = 1/0.25 = 4.000$ مع تناقص الخطأ المعياري بمعدل يتناسب عكسياً مع جذر حجم العينة $\mathcal{O}(1/\sqrt{N})$.
• استقرار التباين: يتطابق التباين التجريبي المحسوب من المحاكاة مع القيمة النظرية $operatorname{Var}(Y) = (1-0.25)/(0.25^2) = 12.000$، مما يؤكد صحة الاشتقاق الجبري للعزم الثاني.
• سلوك العينات الصغيرة مقابل العينات الكبيرة: تكشف محاكاة عينات صغيرة الحجم ($N = 30$) عن تذبذب واسع النطاق في تقدير المعلمة $\hat{p}$، مع ظهور التواء تجريبي شديد وتباين واسع بين التكرارات المختلفة، مما يبرز الأثر الحاسم لحجم العينة في استقرار الاستدلال الإحصائي للتوزيعات ثقيلة الذيل كالتوزيع الهندسي.

12. محددات التوزيع الهندسي والامتدادات المتقدمة

12.1 تحديات افتراض ثبات الاحتمال في العلوم السلوكية

على الرغم من الأناقة الرياضية للتوزيع الهندسي، إلا أن تطبيقه في العلوم السلوكية والاجتماعية يواجه تحديات منهجية معقدة تنبع من افتراض ثبات احتمال النجاح $p$ عبر الزمن. في الواقع التجريبي البشري، نادراً ما تظل الاحتمالات ثابتة بصورة استاتيكية عبر تتابع المحاولات.

يبرز “منحنى التعلم” (Learning Curve) كأول وأهم العوامل المخلة بهذا الافتراض؛ فعندما يخوض الفرد تجربة تعليمية أو مهارية متكررة، يكتسب المفحوص خبرات تراكمية واستراتيجيات حل جديدة تؤدي إلى زيادة تدريجية في قيمة احتمال النجاح $p_k$ مع كل محاولة إضافية ($p_1 < p_2 < p_3 dots$). في هذه الحالة، يتناقص ذيل التوزيع الفعلي بمعدل أسرع بكثير مما يتنبأ به التوزيع الهندسي التقليدي، مما يجعل النموذج يبالغ في تقدير أوقات الانتظار الطويلة.

على النقيض من ذلك، يظهر عامل “الإرهاق المعرفي والبدني” (Cognitive Fatigue) أو فقدان الدافعية والملل في الاختبارات الطويلة، حيث يبدأ المفحوص باحتمال نجاح مرتفع ثم يتدهور الأداء تدريجياً وتتناقص قيمة $p_k$ مع تقدم المحاولات. لتجاوز هذه المحددات الواقعية، يضطر الإحصائيون إلى استخدام نماذج احتمالية أكثر مرونة، مثل نماذج التوزيع الهندسي الديناميكي المعتمد على الزمن أو نماذج الاستجابة المعرفية الديناميكية (Dynamic Item Response Models).

12.2 انتهاك شرط الاستقلالية والارتباط التسلسلي

يتمثل المحدد الجوهري الثاني في فرضية الاستقلالية الإحصائية التامة بين المحاولات المتعاقبة. في العديد من النظم الطبيعية والتطبيقية، تظهر البيانات ما يُعرف بـ “الارتباط التسلسلي” (Serial Correlation) أو الاعتمادية الذاتية (Autocorrelation)، حيث تتأثر نتيجة المحاولة الحالية تأثراً مباشراً بنتيجة المحاولة السابقة.

في بيئات التدريب والتقييم، تؤدي التغذية الراجعة الفورية (Immediate Feedback) التي يتلقاها المفحوص عقب كل إخفاق إلى إعادة توجيه سلوكه وتعديل استجابته في المحاولة التالية مباشرة، مما يخلق علاقة شرطية واضحة تكسر مبدأ برنولي النقي. وبالمثل، في الأنظمة الميكانيكية، قد يؤدي الإخفاق الجزئي في إحدى الدورات التشغيلية إلى إجهاد موضعي يزيد من احتمالية تعطل النظام في الدورة اللاحقة مباشرة.

لتشخيص الانحراف عن نموذج الاستقلالية، يلجأ المحللون إلى استخدام اختبارات العشوائية الإحصائية، مثل اختبار الأشواط (Runs Test) واختبار معامل الارتباط الذاتي لسلاسل الاستجابة. وإذا ثبت وجود اعتماد تسلسلي ذي دلالة إحصائية، يتم استبدال النموذج الهندسي بنماذج أكثر ملاءمة مثل سلاسل ماركوف المتقطعة (Markov Chains) ذات الحالات الانتقالية، والتي تأخذ مصفوفة الاحتمالات الشرطية في الحسبان بصورة منهجية.

12.3 الامتدادات الرياضية والنماذج المركبة

لمعالجة أوجه القصور والمحددات في النموذج الهندسي القياسي وتوسيع نطاق استخدامه في البيئات الواقعية المعقدة، طور علماء الإحصاء الرياضي عدة امتدادات هيكلية ونماذج مركبة بالغة الأهمية، من أبرزها:

• التوزيع الهندسي المقتطع (Truncated Geometric Distribution): يُستخدم في الحالات التي تُفرض فيها حدود جبرية قصوى على عدد المحاولات المسموح بها ($k le M$)، كما في الاختبارات ذات المحاولات المحدودة أو بروتوكولات الاتصالات التي تلغي إرسال الحزم بعد عدد محدد من المحاولات الفاشلة لتجنب استنزاف الموارد الشبكية.
• التوزيع الهندسي المركب (Compound Geometric Distribution): يظهر عندما تكون معلمة النجاح $p$ ذاتها متغيراً عشوائياً يتبع توزيعاً مستمراً (كتوزيع بيتا Beta Distribution)، مما يولد نموذج “بيتا-هندسي” (Beta-Geometric) القادر على استيعاب التباين والاختلاف الفردي في القدرات بين أفراد العينة الواحدة.
• التوزيع الهندسي المتضخم بالصفر (Zero-Inflated Geometric): يُطبق في الظواهر التي تحتوي على فائض إحصائي غير طبيعي من النجاحات الفورية في المحاولة الأولى ($X = 0$) بما يتجاوز قدرة التوزيع الهندسي القياسي على الاستيعاب، حيث يُقسم المجتمع إلى شريحتين متمايزتين رياضياً.

تفتح هذه الامتدادات الحديثة آفاقاً واسعة لاستخدام البنية الهندسية في نمذجة البيانات الضخمة، وهندسة الوثوقية المتقدمة، وتحليل سلوك المستهلك في التجارة الإلكترونية، مما يبرهن على الحيوية الدائمة والتطور المستمر لهذا الفرع الأصيل من فروع الرياضيات الإحصائية.

خاتمة واستنتاجات ختامية

قدم هذا الدليل المنهجي استعراضاً شاملاً ومفصلاً للتوزيع الهندسي بوصفه أحد الأعمدة التأسيسية في نظرية الاحتمالات والإحصاء التطبيقي. لقد تتبعنا رحلة هذا التوزيع انطلاقاً من جذوره الأولية في تجارب برنولي الثنائية، مروراً بصياغاته الرياضية المتعددة وإثبات دوال الكتلة والتوزيع التراكمي وخصائص البقاء، وصولاً إلى استنتاج عزومه الإحصائية المتقدمة كالتباين والالتواء والتفرطح والدوال المولدة.

أظهرت الدراسة عمق وتفرد خاصية “انعدام الذاكرة” التي ينفرد بها التوزيع الهندسي في الفضاء المتقطع، وكيف تقدم هذه الخاصية تفسيراً رياضياً صارماً يدحض المغالطات النفسية الشائعة كمغالطة المقامر، مع توضيح الحدود المنهجية التي يجب مراعاتها عند تطبيقها على النظم الحية والبيئات القابلة للتعلم والتكيف. كما استعرضنا طرائق التقدير الإحصائي الصارمة وتطبيقات التوزيع المتنوعة في مجالات الرعاية، ومراقبة الجودة، وعلم النفس المعرفي، بالإضافة إلى آليات المحاكاة والتحليل الحاسوبي الحديث.

ختاماً، يتضح أن التوزيع الهندسي يمثل أكثر من مجرد صيغة رياضية لحساب أزمنة الانتظار؛ إنه نموذج فكري ورياضي يعلمنا كيفية تجريد الواقع وتحويل عمليات المحاولة والخطأ المعقدة إلى معادلات منتظمة وقابلة للتنبؤ. وعلى الرغم من ظهور نماذج وامتدادات إحصائية أكثر تعقيداً لمواكبة ديناميكيات العالم المعاصر، يظل التوزيع الهندسي المعيار الأساسي والمنطلق الرياضي الذي لا غنى عنه لكل باحث يسعى لسبر أغوار العشوائية وتحليل بنية البيانات الزمنية المتقطعة بكفاءة واقتدار.

References

• Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury Press. https://www.cengage.com
• Feller, W. (1968). An Introduction to Probability Theory and Its Applications (Vol. 1, 3rd ed.). John Wiley & Sons. https://www.wiley.com
• Hogg, R. V., McKean, J., & Craig, A. T. (2018). Introduction to Mathematical Statistics (8th ed.). Pearson. https://www.pearson.com
• Johnson, N. L., Kemp, A. W., & Kotz, S. (2005). Univariate Discrete Distributions (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/0471715816
• Ross, S. M. (2014). Introduction to Probability Models (11th ed.). Academic Press. https://doi.org/10.1016/C2012-0-06487-2
• Wackerly, D. D., Mendenhall, W., & Scheaffer, R. L. (2008). Mathematical Statistics with Applications (7th ed.). Cengage Learning. https://www.cengage.com