طرق البحث والقياسعلم الإحصاء النفسي

مقدمة إلى توزيع ذات الحدين السالب

دليل أكاديمي شامل يشرح توزيع ذات الحدين السالب، صياغته الرياضية، خصائصه الإحصائية، ونماذج تطبيقه في تحليل البيانات السلوكية والنفسية المتقدمة.

تاريخ النشر

تُمثّل نظرية الاحتمالات والاستدلال الإحصائي الركيزة المنهجية الصلبة التي تقوم عليها شتى حقول المعرفة التجريبية، بدءاً من العلوم الطبيعية الدقيقة ووصولاً إلى العلوم النفسية والاجتماعية والسلوكية. وفي خضم هذه المنظومة الرياضية المتكاملة، تبرز التوزيعات الاحتمالية المنفصلة كأدوات قياسية لا غنى عنها لنمذجة الظواهر القائمة على العدّ والتكرار المنفصل للأحداث. ولئن كان توزيع ذات الحدين الكلاسيكي وتوزيع بواسون قد استحوَذا على حيز واسع من الاهتمام في الدراسات الأولية، فإن تعقيدات البيانات الميدانية والواقعية سرعان ما كشفت عن قصور هذه النماذج البسيطة في استيعاب التباينات الحركية المعقدة، لا سيما عند دراسة العمليات التي تتطلب الاستمرار في المحاولات حتى الوصول إلى عتبة محددة من الإنجاز، أو عند مواجهة معضلة التشتت الزائد في البيانات العدّية.

من هذا المنطلق، يبرز توزيع ذات الحدين السالب (Negative Binomial Distribution) كواحد من أكثر النماذج الاحتمالية مرونةً وعمقاً في الإحصاء الرياضي والتطبيقي. ينبثق هذا التوزيع من فكرة جوهرية تقلب المنظور التقليدي لتجارب برنولي؛ فبدلاً من تثبيت عدد المحاولات والبحث عن احتمالية تحقيق عدد معين من النجاحات، يعكس توزيع ذات الحدين السالب المسألة ليجعل عدد النجاحات ثابتاً ومستهدفاً، في حين يغدو عدد الإخفاقات أو إجمالي المحاولات اللازمة لبلوغ تلك العتبة هو المتغير العشوائي محل الدراسة والتحليل. هذه الخاصية البنيوية تمنحه قدرة فائقة على صياغة نماذج أوقات الانتظار المنفصلة، وتحليل آليات الفشل والنجاح في بيئات ديناميكية متباينة.

يهدف هذا المقال الأكاديمي الشامل إلى تقديم دراسة مفصلة ودقيقة لتوزيع ذات الحدين السالب، متتبعاً أصوله النظرية، واشتقاقاته الرياضية الصارمة، وخصائصه الاحتمالية الأساسية من توقع وتباين ودوال مولدة. كما يستعرض المقال تموضعه المقارن بين التوزيعات الاحتمالية الأخرى كالتوزيع الهندسي وتوزيع بواسون ونموذج غاما-بواسون المركب، مروراً بطرق تقدير معلماته الإحصائية كالإمكان الأكبر وطرق العزوم والنهج البايزي، ووصولاً إلى استعراض تطبيقاته العملية الرائدة في القياس النفسي والعلوم السلوكية، مدعوماً بأمثلة حسابية وافية وتحليلات برمجية متقدمة في بيئتي R و Python.

جدول المحتويات

1. المفهوم الأساسي لتوزيع ذات الحدين السالب وتعريفه الرياضي

1.1 التعريف النظري للتوزيع وسياق نشأته

يُعرَّف توزيع ذات الحدين السالب في سياق نظرية الاحتمالات بأنه توزيع احتمالي منفصل يصف عدد حالات الفشل التي تسبق تحقيق عدد محدد مسبقاً من النجاحات في سلسلة من محاكمات برنولي المستقلة والمتطابقة. في هذا النموذج، لا تُحدَّد التجربة بسقف زمني أو عدد إجمالي ثابت من المحاولات، بل تظل العملية الاحتمالية جارية ومستمرة حتى يتحقق شرط التوقف المتمثل في وقوع النجاح رقم $r$، حيث يُعتبر $r$ عدداً صحيحاً موجباً ثابتاً. إن التركيز هنا ينصب كلياً على رصد المتغير العشوائي $X$ الذي يعبر عن التكرارات غير الناجحة التي اعترضت مسار التجربة قبل بلوغ الهدف المنشود.

يتجلى الفارق المفاهيمي الجوهري بين التوزيعات الاحتمالية المنفصلة والتوزيعات المستمرة في طبيعة فضاء العينة والقيم التي يمكن للمتغير العشوائي اتخاذها؛ فبينما تتعامل التوزيعات المستمرة مع مجالات لا متناهية من القيم المتصلة ضمن فترات حقيقية وتُقاس بكثافات احتمالية، يختص توزيع ذات الحدين السالب بالتعامل مع قيم عدّية منفصلة تنتمي إلى مجموعة الأعداد الصحيحة غير السالبة ${0, 1, 2, 3, dots}$. هذا التمييز يمنحه بنية ترابطية فريدة تُمكّنه من نمذجة الأحداث الفردية المنفصلة كالأخطاء المرتكبة، أو الوحدات المعيبة، أو المحاولات الفاشلة بدقة رياضية متناهية دون الحاجة إلى افتراض الاتصال الفيزيائي أو الزمني للبيانات.

يعود السياق التاريخي لتطوير هذا التوزيع إلى بدايات القرن الثامن عشر، عندما بدأ علماء الرياضيات، وفي طليعتهم بيير ريموند دي مونتمورت (Pierre Rémond de Montmort) عام 1713، في دراسة مشكلات ألعاب الحظ التي تتضمن إيقاف اللعب عند تحقيق مكسب تراكمي معين. وتطور التوزيع لاحقاً عبر إسهامات متتالية لعلماء الإحصاء الكلاسيكي ليتحول من مجرد مسألة احتمالية في المقامرة إلى أداة تحليلية صلبة. ولعل التسمية بـ “ذات الحدين السالب” تعود بنيوياً إلى الارتباط الوثيق بين معاملات التوزيع الرياضية ومفكوك متسلسلة ذات الحدين للأس السالب، وهو ما يُميزه جبرياً عن توزيع ذات الحدين الموجب الكلاسيكي.

تستند النمذجة الرياضية للمتغير العشوائي الخاضع لتوزيع ذات الحدين السالب إلى حزمة من الافتراضات الأساسية الصارمة الواجب تحققها في الظاهرة المدروسة؛ أولها أن التجربة تتألف من سلسلة من المحاكمات المتتالية، وثانيها أن كل محاكمة لا تقبل سوى نتيجتين متنافيتين وشاملتين هما النجاح أو الفشل، وثالثها استقلالية كل محاكمة استقلالاً تاماً عن نتائج المحاكمات السابقة واللاحقة، وأخيراً ثبات احتمالية النجاح $p$ (وبالتالي ثبات احتمالية الفشل $1-p$) عبر سائر مراحل الاختبار دون أي تحيز أو تغير ناجم عن تراكم المحاولات.

1.2 مفهوم التجربة الاحتمالية والمتغير العشوائي المنفصل

تتميز التجربة الاحتمالية المولدة لتوزيع ذات الحدين السالب بكون فضاء العينة الخاص بها غير محدود بنهاية ثابتة مقدماً، إذ يتشكل هذا الفضاء من سلاسل لا نهائية محتملة من النتائج الثنائية (نجاح/فشل). فالحدث التجريبي قد ينتهي بسرعة فائقة في حال تحققت النجاحات المطلوبة $r$ في أول $r$ محاولات مباشرة، أو قد يمتد نظرياً إلى ما لا نهاية إذا توالت حالات الإخفاق دون بلوغ عدد النجاحات المشروط. هذا الانفتاح في فضاء العينة يُكسب التجربة طابعاً ديناميكياً يختلف جذرياً عن التجارب ذات الفضاءات المغلقة التي تتسم بعدد ثابت من التكرارات كرمي قطعة نقدية عشر مرات متتالية.

يُرمز للمتغير العشوائي المنفصل محل الاهتمام بالرمز $X \sim \text{NB}(r, p)$، ويُعرّف بدقة بأنه عدد حالات الفشل (Failures) المسجلة بدقة حتى لحظة التحقق الفعلي للنجاح ذي الرتبة $r$. وتجدر الإشارة إلى وجود صياغة بديلة تُعرّف المتغير العشوائي $Y$ على أنه إجمالي عدد المحاكمات الكلية (Total Trials) اللازمة لتحقيق $r$ نجاحات، بحيث يكون $Y = X + r$. ومع أن كلا الصياغتين تشيران إلى نفس الظاهرة الفيزيائية والرياضية، إلا أن الاعتماد على عدد الإخفاقات $X$ هو المعيار الأكثر شيوعاً ورسوخاً في الأدبيات الإحصائية الحديثة وتطبيقات النمذجة البرمجية القياسية.

تتطلب هذه البنية الاحتمالية توافر شرطين محوريين: الاستقلال الإحصائي الصارم (Statistical Independence)، وثبات دالة التوزيع الزمني لاحتمال الحدوث. يعني الاستقلال أن معرفة نتيجة المحاكمة رقم $k$ لا تقدم أي معلومة مفيدة لتوقع نتيجة المحاكمة رقم $k+1$، مما ينفي وجود أي تأثير للذاكرة قصيرة أو طويلة المدى على مستوى المحاكمة الفردية. أما ثبات الاحتمالية $p$ فيفرض استقرار النظام المولد للبيانات ضد أي انجراف أو تشويش خارجي، وهو شرط منهجي جوهري لضمان اتساق التقديرات الإحصائية المستنبطة من النموذج.

يتحدد المدى الاحتمالي للمتغير العشوائي $X$ بمجموعة الأعداد الصحيحة غير السالبة، أي أن القيم الممكنة التي يمكن أن يسجلها الباحث هي $k in {0, 1, 2, 3, dots, \infty}$. يُشير الحد الأدنى $k=0$ إلى الحالة المثالية التي تحققت فيها جميع النجاحات المطلوبة $r$ في أول $r$ محاولات متتالية دون تسجيل أي إخفاق على الإطلاق. وبالمقابل، يمتد المدى نحو اللانهاية الإحصائية نظراً لوجود احتمالية رياضية غير صفرية — وإن كانت تتناهى في الصغر — لاستمرار توالي حالات الفشل لفترات طويلة قبل إدراك النجاح الأخير، مما يجعل دالة الكتلة الاحتمالية ممتدة عبر ذيل أيمن غير منتهٍ.

1.3 الأهمية المنهجية للتوزيع في النمذجة الإحصائية

يحتل توزيع ذات الحدين السالب مكانة استراتيجية في الترسانة المنهجية للإحصائيين ومحللي البيانات، وتتجلى أهميته القصوى في معالجة وتحليل البيانات العدّية (Count Data) التي تُعاني من ظاهرة التشتت الزائد (Overdispersion). في العديد من الدراسات التجريبية والميدانية، يفشل توزيع بواسون — الذي يُعد النموذج المعياري للبيانات العدّية — في تمثيل الواقع الإحصائي نظراً لفرضه قيداً صارماً يتمثل في تساوي المتوسط الحسابي مع التباين (Equidispersion)، وهو شرط نادراً ما يتحقق في الظواهر الاجتماعية، السلوكية، أو الوبائية الحقيقية.

عندما تظهر البيانات تبايناً ملحوظاً يفوق قيمة المتوسط الرياضي، يؤدي استخدام النماذج البواسونية إلى تقليل زائف في قيم الأخطاء المعيارية للمقدرات، مما يرفع احتمالية الوقوع في الخطأ من النوع الأول (رفض الفرضية الصفرية وهي صحيحة) وظهور دلالات إحصائية وهمية. هنا يتدخل توزيع ذات الحدين السالب كحل منهجي رصين؛ إذ يحتوي بطبيعته التركيبية على معلمة تشتت إضافية تسمح للتباين بأن يكون دالة تربيعية في المتوسط، مما يتيح استيعاب التباينات الإضافية الناشئة عن عدم التجانس الكامن بين أفراد العينة أو تكتل الأحداث في فترات زمنية محددة.

تمنح هذه المرونة الرياضية الباحثين أداة تفسيرية عميقة لفهم معدلات الفشل والنجاح التراكمية في مختلف التطبيقات الحيوية؛ فعلى سبيل المثال، في أبحاث الموثوقية الهندسية، يُستخدم التوزيع لنمذجة عدد الأعطال الطفيفة التي تسبق الانهيار الكلي للنظام، وفي الدراسات الدوائية لتقييم عدد الجرعات غير الفعالة قبل تحقيق الاستجابة العلاجية المستقرة. إن قدرة التوزيع على التكيف مع التباينات الكبيرة تجعله نموذجاً واقعياً يتجاوز مثالية التوزيعات المقيدة، مما يجعله الإطار المفضل في بناء نماذج الانحدار المتقدمة للبيانات العدّية (Negative Binomial Regression).

علاوة على ذلك، يُمثل التوزيع أداة تشخيصية فارقة في دراسة الأنماط السلوكية المتكررة والعمليات العشوائية غير المتجانسة. فعندما يُظهر نموذج ذات الحدين السالب ملاءمة فائقة للبيانات مقارنة بنماذج التوزيعات المنفصلة الأخرى، فإن ذلك يُعد مؤشراً حاسماً على وجود تباين جوهري في معدلات الاستجابة بين المفحوصين، أو وجود ديناميكيات عدوى وتأثير متبادل بين الأحداث المتتالية. هذه الرؤية التشخيصية تفتح آفاقاً جديدة أمام الباحثين للبحث في المتغيرات الكامنة (Latent Variables) المفسرة لهذا التشتت، بدلاً من الاكتفاء بتوصيف السلوك الظاهري المجرد.

2. الأسس النظرية: محاكمات برنولي وسلاسل الأحداث المستقلة

2.1 طبيعة محاكمة برنولي وخصائصها الرياضية

ترتكز البنية التحتية لتوزيع ذات الحدين السالب على المفهوم التأسيسي لمحاكمة برنولي (Bernoulli Trial)، وهي التجربة العشوائية الأبسط في نظرية الاحتمالات التي لا تسفر إلا عن إحدى نتيجتين متنافيتين كلياً وشاملتين لفضاء الحدث؛ يُصطلح على تسميتهما تقليدياً بـ “النجاح” (Success) و”الفشل” (Failure). لا تحمل هذه التسميات بالضرورة حكماً قيمياً أو أخلاقياً على النتيجة، بل هي مجرد ترميز رياضي للدلالة على تحقق الحدث المستهدف موضوع الاهتمام الإحصائي من عدمه، كإصابة الهدف، أو رسوب طالب في اختبار، أو تعطل محرك ميكانيكي.

رياضياً، يتم توصيف محاكمة برنولي الفردية بمعلمة احتمالية أساسية يُرمز لها بالرمز $p in (0, 1)$، وهي تمثل الاحتمال النظري لتحقق نتيجة “النجاح”، في حين يُعرَّف احتمال الفشل بالمقدار المكمل $q = 1 – p$. وبناءً على بديهيات الاحتمالات، فإن مجموع احتمالي النتيجتين يفي بالمعادلة الصارمة $p + q = 1$. يُعد هذا النموذج المعياري مجرداً وقابلاً للتطبيق على عدد لا حصر له من النماذج التجريبية؛ كرمي قطعة نقدية عادلة حيث $p = 0.5$، أو فحص جودة منتج في خط إنتاج آلي حيث يمثل احتمال وجود عيب تصنيعي المعلمة $p = 0.02$.

تتجلى السمة المحورية في سلاسل محاكمات برنولي في الاستقلال الإحصائي التام بين المحاولات المتعاقبة، وهو ما يرتبط وثيقاً بخاصية “غياب الذاكرة” (Memorylessness) في العمليات المنفصلة الفردية. يعني هذا المبدأ أن المنظومة الاحتمالية لا تحتفظ بأي سجل تاريخي للنتائج السابقة؛ فإذا أُجريت مئة محاكمة متتالية وكانت جميعها إخفاقات، فإن احتمالية النجاح في المحاكمة رقم مئة وواحد تظل ثابتة تماماً وتساوي $p$ دون أي زيادة أو نقصان. هذا الاستقلال يمنع ما يُعرف بـ “مغالطة المقامر” ويضمن أن البنية الرياضية للتوزيع تعتمد حصراً على التوافيق التجميعية للاحتمالات المستقلة.

عند دمج عدة محاكمات برنولي لتكوين مسارات احتمالية، تتشكل السلسلة عبر فضاء الضرب الديكارتي للمحاكمات الفردية. ونظراً للاستقلال، فإن الاحتمال المشترك لأي متتالية محددة من النجاحات والإخفاقات يُحسب ببساطة كحاصل ضرب احتمالات الأحداث الفردية المكونة لها. هذه البساطة الجبرية في التعامل مع المحاكمات الفردية تتحول إلى أداة تركيبية بالغة التعقيد والخصوبة الرياضية عند إدخال شروط الإيقاف الديناميكية التي تؤطر نشأة توزيع ذات الحدين السالب.

2.2 تراكب محاكمات برنولي وتكوين المتغيرات المركبة

ينشأ توزيع ذات الحدين السالب من خلال آلية رياضية تتضمن تراكب وتجميع محاكمات برنولي المتتالية الخاضعة لقاعدة إيقاف حتمية وثابتة (Stopping Rule). تختلف هذه الآلية جوهرياً عن النماذج الثابتة التكرار؛ حيث تستمر المحاكمات بالتدفق تباعاً، وتتراكم حالات الفشل والنجاح حتى اللحظة الدقيقة التي يتحقق فيها النجاح رقم $r$. عند تلك النقطة تحديداً، تُقفل التجربة فوراً ويُحسب عدد الإخفاقات المسجلة حتى تلك اللحظة. هذا التراكب يُحوّل السلسلة من مجرد تكرار بسيط إلى متغير عشوائي مركب يرتبط فيه طول السلسلة الإجمالي بحركية الصدفة والاحتمال.

يفرض شرط التوقف الثابت قيداً هيكلياً بالغ الأهمية على بنية السلسلة الاحتمالية؛ إذ يجب بالضرورة المنطقية والرياضية أن تسفر المحاكمة الأخيرة تماماً (والتي تحمل الترتيب $k + r$ في إجمالي المحاولات) عن نتيجة “نجاح”، وتحديداً هو النجاح رقم $r$. وبناءً على هذا القيد، يتضح أن حالات الفشل الإجمالية البالغ عددها $k$ والنجاحات السابقة البالغ عددها $r – 1$ تتوزع بأي ترتيب متاح وممكن خلال المحاكمات السابقة البالغ عددها الإجمالي $(k + r – 1)$ محاكمة، وهو ما يستدعي استخدام التحليل التوافقي لحساب كافة الترتيبات التبديلية الممكنة لتلك الأحداث.

لحساب عدد التباديل والتوافيق لتوزيع حالات الفشل السابقة، نلجأ إلى المعامل التوافقي الثنائي الذي يحدد عدد الطرق المختلفة لاختيار مواقع $k$ من الإخفاقات (أو بشكل مكافئ، مواقع $r – 1$ من النجاحات) ضمن نطاق زمني قدره $(k + r – 1)$ محاكمة تجريبية. يُعطى هذا المعامل بالصيغة التوافقية القياسية:
$$\binom{k + r – 1}{k} = \frac{(k + r – 1)!}{k! , (r – 1)!}$$
تُعد هذه الصيغة التوافقية المحرك الجبري الأساسي الذي يضبط وزن كل نقطة احتمالية في فضاء العينة، وتضمن استيعاب كافة التباديل العشوائية التي كان يمكن أن تسلكها التجربة قبل بلوغ محطتها النهائية.

يكشف التحليل المقارن مع نماذج العمليات العشوائية المنفصلة الأخرى، مثل سلاسل ماركوف وعمليات التجديد (Renewal Processes)، أن توزيع ذات الحدين السالب يمثل زمناً منفصلاً للوصول الأول المتعدد (First Passage Time) في مسار عشوائي أحادي البعد ذي حاجز امتصاصي. هذه الرؤية المتقدمة تربط التوزيع بحقل العمليات العشوائية، وتؤكد أنه ليس مجرد صيغة رياضية معزولة، بل هو تجسيد لقانون احتمالي شامل يصف سلوكيات التراكم، الانتظار، واستراتيجيات التوقف في النظم المعقدة عبر الزمن المنفصل.

3. الصيغة الرياضية ودالة كتلة الاحتمال (PMF)

3.1 الاشتقاق الرياضي لدالة كتلة الاحتمال

يستند الاشتقاق الرياضي الصارم لـ دالة كتلة الاحتمال (Probability Mass Function – PMF) لتوزيع ذات الحدين السالب إلى المبادئ التوافقية وقوانين الاحتمال المشترك للأحداث المستقلة. لنفترض أننا نريد حساب احتمال أن يسجل المتغير العشوائي $X$ بالضبط $k$ من حالات الفشل قبل تسجيل النجاح رقم $r$. يعني هذا أن إجمالي عدد المحاكمات التي أُجريت حتى اكتمال التجربة هو $N = k + r$ محاكمة، وأن المحاكمة الأخيرة رقم $(k + r)$ أسفرت حتماً ولزوماً عن نجاح.

يتطلب هذا السيناريو وقوع حدثين مستقلين متزامنين: الحدث الأول هو وقوع $k$ من الإخفاقات و $(r – 1)$ من النجاحات بأي ترتيب كان خلال الـ $(k + r – 1)$ محاكمة الأولى؛ والحدث الثاني هو وقوع نجاح مؤكد في المحاكمة الأخيرة رقم $(k + r)$. وبما أن المحاكمات مستقلة، فإن احتمال أي متتالية محددة وفريدة تحتوي على $k$ إخفاقات و $r$ نجاحات هو حاصل ضرب احتمالاتها الفردية، ويُعطى بالصيغة:
$$P(\text{متتالية مفردة}) = p^r \cdot (1 – p)^k$$
حيث يمثل $p^r$ احتمال تحقق $r$ نجاحات، ويمثل $(1 – p)^k$ احتمال تحقق $k$ إخفاقات.

لحساب الاحتمال الكلي $P(X = k)$، يجب ضرب احتمال المتتالية المفردة في إجمالي عدد المتتاليات الممكنة والمتميزة التي تحقق هذا الشرط. وكما أثبتنا توافقياً، فإن عدد هذه الترتيبات يعادل توافيق $k$ من العناصر المختارة من بين $(k + r – 1)$ موضعاً. وعليه، تتبلور الصيغة العامة والنهائية لدالة كتلة الاحتمال لتوزيع ذات الحدين السالب على النحو التالي:
$$P(X = k) = \binom{k + r – 1}{k} (1 – p)^k , p^r, \quad \text{for } k = 0, 1, 2, 3, dots$$
تُبرز هذه الصيغة الرياضية الأنيقة التوازن التام بين التحليل التوافقي التبادلي والاحتمال المشترك الهندسي لتسلسل المحاكمات.

تجدر الإشارة إلى وجود صيغة بديلة شائعة في بعض المراجع الرياضية تعتمد على التوزيع بدلالة إجمالي عدد المحاكمات $N$ (حيث $N = k + r$). في هذه الحالة، يتراوح مدى المتغير $N$ من $r$ إلى $\infty$، وتُصاغ دالة الكتلة الاحتمالية على الهيئة:
$$P(N = n) = \binom{n – 1}{r – 1} p^r (1 – p)^{n – r}, \quad \text{for } n = r, r + 1, r + 2, dots$$
وعلى الرغم من التطابق التام في الجوهر الإحصائي بين الصيغتين، فإن صيغة عدد الإخفاقات $k$ تظل الأكثر مرونة رياضياً، لا سيما عند الرغبة في توسيع نطاق المعلمات لتشمل القيم الحقيقية غير الصحيحة.

3.2 معلمات التوزيع وتفسيرها الإحصائي

يتحدد توزيع ذات الحدين السالب بشكل كامل وصارم عبر معلمتين رئيسيتين: المعلمة الأولى هي $r$، وتُعرف تقليدياً بمعلمة الهدف، أو حجم العينة المستهدف (Size Parameter)، أو معلمة التوقف. في السياق المنفصل الكلاسيكي، تمثل $r$ عدداً صحيحاً موجباً ينتمي إلى مجموعة الأعداد الطبيعية $\mathbb{N} = {1, 2, 3, dots}$، وتعبر عن عدد النجاحات المشروط إنجازها لإنهاء التجربة. تحدد هذه المعلمة عمق السلسلة الاحتمالية وتلعب دوراً محورياً في إزاحة مركز التوزيع نحو اليمين كلما زادت قيمتها، مما يعكس الحاجة إلى مسار أطول لبلوغ أهداف أكبر.

أما المعلمة الثانية فهي $p$، وتُمثل معلمة الاحتمال (Probability Parameter)، حيث تنحصر قيمتها في الفترة المفتوحة $p in (0, 1)$. تُجسد هذه المعلمة القوة الدافعة أو الكفاءة الأساسية للنظام في كل محاولة تجريبية مفردة. تؤثر قيمة $p$ تأثيراً مباشراً وحاسماً على شكل المنحنى الاحتمالي؛ فإذا كانت $p$ قريبة من الواحد الصحيح (احتمالية نجاح مرتفعة جداً)، يتركز التوزيع بحدة قرب الصفر مع انحدار سريع جداً للذيل الأيمن، في حين يؤدي انخفاض قيمة $p$ واقترابها من الصفر إلى تمدد التوزيع وتفرطحه عبر مدى واسع جداً من قيم الإخفاقات المحتملة مع ذيل ثقيل وممتد.

في نظرية الإحصاء الرياضي الحديث والنمذجة التطبيقية، تم تجاوز القيد الذي يفرض كون المعلمة $r$ عدداً صحيحاً؛ حيث تم تعميم التوزيع ليشمل أي قيمة حقيقية موجبة $r in \mathbb{R}^+$ عبر استبدال المضروب الرياضي بـ دالة غاما (Gamma Function) الشهيرة، والتي تحقق الخاصية التكرارية $\Gamma(z + 1) = z \Gamma(z)$ وتكافئ المضروب للأعداد الصحيحة $\Gamma(n) = (n – 1)!$. في هذه الحالة المعممة، يُعاد تعريف المعامل التوافقي ليأخذ الصيغة التحليلية التالية:
$$\binom{k + r – 1}{k} = \frac{\Gamma(k + r)}{k! , \Gamma(r)}$$
يسمح هذا الامتداد الرياضي العبقري بتطبيق التوزيع على ظواهر مستمرة التشتت لا تنحصر بالضرورة في محاكمات العد الكلاسيكية.

إن توسيع نطاق $r$ ليشمل الأعداد الحقيقية الموجبة يمنح التوزيع مرونة فائقة تجعله قادراً على العمل كمعلمة تشتت (Dispersion Parameter) في النماذج الخطية المعممة (GLM). في هذا السياق المعاصر، لا يُنظر إلى $r$ على أنها عدد مادي لنجاحات ملموسة، بل كمعلمة تحكم تضبط درجة التباين الإضافي وعدم التجانس في مجتمع الدراسة، مما يفتح الباب واسعاً أمام ملاءمة البيانات التجريبية المعقدة التي تعجز النماذج الكلاسيكية عن تفسيرها.

3.3 التحقق من صحة الدالة الاحتمالية

لكي تُعتبر دالة كتلة الاحتمال $P(X = k)$ دالة احتمالية صحيحة ومقبولة رياضياً، يجب أن تستوفي بديهيتين أساسيتين من بديهيات كولموغوروف للاحتمالات: الأولى هي أن تكون جميع قيم الاحتمالات غير سالبة، أي $P(X = k) ge 0$ لجميع $k in {0, 1, 2, dots}$، وهو أمر متحقق بداهة بالنظر إلى كون المعاملات التوافقية والمعلمات الاحتمالية $p$ و $(1-p)$ قيماً موجبة قطباً. والبديهية الثانية هي أن يساوي المجموع الكلي للاحتمالات عبر سائر فضاء العينة الواحد الصحيح، أي:
$$\sum_{k=0}^{\infty} P(X = k) = \sum_{k=0}^{\infty} \binom{k + r – 1}{k} (1 – p)^k p^r = 1$$

يتم إثبات هذه النتيجة الجوهرية رياضياً باستخدام نظرية متسلسلة ذات الحدين السالبة (Negative Binomial Series). تنص هذه المتسلسلة التحليلية على أنه لأي عدد حقيقي $|u| 0$، فإن مفكوك دالة القوة ذات الأس السالب يُعطى بالعلاقة:
$$(1 – u)^{-r} = \sum_{k=0}^{\infty} \binom{k + r – 1}{k} u^k$$
إذا قمنا بوضع $u = 1 – p$ (وحيث إن $0 < p < 1$، فإن الشرط $|1 – p| < 1$ محقق تماماً)، فإننا نحصل على المتطابقة الجبرية التالية:
$$\sum_{k=0}^{\infty} \binom{k + r – 1}{k} (1 – p)^k = (1 – (1 – p))^{-r} = (p)^{-r} = \frac{1}{p^r}$$

عند ضرب طرفي هذه المتطابقة الرياضية في الثابت الاحتمالي $p^r$ المستقل عن دليل الجمع $k$، نصل إلى البرهان الدقيق والمباشر:
$$\sum_{k=0}^{\infty} P(X = k) = p^r \sum_{k=0}^{\infty} \binom{k + r – 1}{k} (1 – p)^k = p^r \cdot \frac{1}{p^r} = 1$$
يُبرهن هذا الاشتقاق الأنيق الصحة الرياضية المطلقة للدالة الاحتمالية ويفسر في الوقت ذاته السر البنيوي وراء إطلاق تسمية “توزيع ذات الحدين السالب” على هذا التوزيع، حيث اعتمد البرهان كلياً على مفكوك ذي الحدين ذي القوة السالبة $-r$.

أما فيما يتعلق بالسلوك الرياضي للدالة عند نهايات فضاء العينة والخصائص المقاربة، فإن الدالة تُظهر سلوكاً متناقصاً رتيباً أو سلوكاً أحادي القمة (Unimodal) اعتماداً على قيم المعلمات. فعندما يقترب $k$ من اللانهاية ($k to \infty$)، تتناقص الاحتمالات بسرعة هندسية يقودها الحد المضمحل $(1 – p)^k$، مما يضمن تقارب كافة العزوم الرياضية واستقرار التوزيع تحليلياً عند القيم المتطرفة، وينفي حدوث أي انفجار احتمالي في الذيل الأيمن للمنحنى.

4. الخصائص الإحصائية: التوقع الرياضي والتباين والدوال المولدة

4.1 حساب التوقع الرياضي (القيمة المتوقعة)

يُمثل التوقع الرياضي أو القيمة المتوقعة (Expected Value) للمتغير العشوائي مركز الثقل الاحتمالي الذي تنجذب نحوه المشاهدات عند تكرار التجربة عدداً كبيراً من المرات. لحساب التوقع الرياضي للمتغير العشوائي المنفصل $X \sim \text{NB}(r, p)$، ننطلق من التعريف الرياضي المباشر للتوقع:
$$E(X) = \sum_{k=0}^{\infty} k \cdot P(X = k) = \sum_{k=0}^{\infty} k \binom{k + r – 1}{k} (1 – p)^k p^r$$
نلاحظ أن الحد المقابل لـ $k=0$ يتلاشى تلقائياً، مما يسمح ببدء مؤشر المجموع من $k=1$.

لتبسيط هذا المجموع الجبري، نستفيد من المتطابقة التوافقية التحليلية:
$$k \binom{k + r – 1}{k} = k \frac{(k + r – 1)!}{k! (r – 1)!} = \frac{(k + r – 1)!}{(k – 1)! (r – 1)!} = r \frac{(k + r – 1)!}{(k – 1)! , r!} = r \binom{k + r – 1}{k – 1}$$
بالتعويض في صيغة التوقع وإجراء تغيير لمتغير العداد بوضع $j = k – 1$، حيث يتحول المدى ليصبح من $j = 0$ إلى $\infty$، نحصل على الصياغة الآتية:
$$E(X) = r , p^r (1 – p) \sum_{j=0}^{\infty} \binom{j + (r + 1) – 1}{j} (1 – p)^j$$

يمثل المجموع المتبقي داخل المعادلة مفكوك متسلسلة ذات الحدين السالبة ولكن بالنسبة للمعلمة الجديدة $(r + 1)$، وقيمته التحليلية تساوي $(1 – (1 – p))^{-(r + 1)} = p^{-(r + 1)}$. وبالتعويض النهائي والتبسيط الجبري، نصل إلى القانون الرياضي الدقيق للتوقع:
$$E(X) = r , p^r (1 – p) \cdot \frac{1}{p^{r + 1}} = \frac{r(1 – p)}{p}$$
يُعبر هذا القانون عن متوسط عدد حالات الفشل المتوقع تسجيلها قبل إدراك النجاح رقم $r$.

يكشف التفسير الإحصائي لهذه النتيجة عن علاقة منطقية وسلوكية عميقة؛ فالتوقع الرياضي يتناسب طردياً مع عدد النجاحات المطلوبة $r$، ويتناسب عكسياً مع احتمالية النجاح $p$. فإذا كانت احتمالية النجاح في كل محاولة صغيرة جداً ($p to 0$)، فإن مقام الكسر يقترب من الصفر مما يؤدي إلى تضخم القيمة المتوقعة لعدد الإخفاقات نحو اللانهاية، والعكس صحيح تماماً؛ إذ كلما ارتفعت كفاءة النظام واقتربت $p$ من الواحد، تضاءل متوسط عدد حالات الفشل ليقترب من الصفر. يُشكل هذا التناسب المنهجي أساساً متيناً لتفسير السلوك في مختلف النماذج التطبيقية.

4.2 اشتقاق التباين والانحراف المعياري

يُعد التباين (Variance) المقياس الأساسي لتشتت وتوزع القيم حول مركز التوقع الرياضي. لحساب تباين توزيع ذات الحدين السالب $\text{Var}(X)$، نعتمد على صيغة العزم المضروبي الثاني (Second Factorial Moment) واستخدام العلاقة الحسابية المعروفة:
$$\text{Var}(X) = E[X(X – 1)] + E(X) – [E(X)]^2$$
نقوم أولاً باشتقاق القيمة المتوقعة لحاصل الضرب $E[X(X – 1)]$ عبر التجميع الرياضي المماثل:

باستخدام المتطابقة الجبرية التوافقية:
$$k(k – 1) \binom{k + r – 1}{k} = r(r + 1) \binom{k + r – 1}{k – 2}$$
وبإجراء التعويض وتغيير دليل الجمع بوضع $j = k – 2$، نجد أن:
$$E[X(X – 1)] = r(r + 1) \frac{(1 – p)^2}{p^2}$$
وبالتعويض بهذه النتيجة وبقيمة $E(X) = \frac{r(1 – p)}{p}$ في معادلة التباين العامة، ينتج لدينا:

$$\text{Var}(X) = \frac{r(r + 1)(1 – p)^2}{p^2} + \frac{r(1 – p)}{p} – \left[\frac{r(1 – p)}{p}\right]^2$$
وبفك الأقواس والتبسيط الجبري الدقيق:
$$\text{Var}(X) = \frac{r^2(1 – p)^2 + r(1 – p)^2 + rp(1 – p) – r^2(1 – p)^2}{p^2} = \frac{r(1 – p)[(1 – p) + p]}{p^2} = \frac{r(1 – p)}{p^2}$$
أما الانحراف المعياري $\sigma_X$ فهو ببساطة الجذر التربيعي الموجب للتباين: $\sigma_X = \frac{\sqrt{r(1 – p)}}{p}$.

تتمثل النتيجة الأكثر أهمية في التحليل المقارن لخصائص هذا التوزيع في إثبات أن التباين يفوق القيمة المتوقعة دائماً وأبداً في سائر الظروف الحقيقية للمتغير العشوائي. يتضح هذا جلياً من خلال كتابة التباين بدلالة التوقع على النحو التالي:
$$\text{Var}(X) = \frac{E(X)}{p}$$
وحيث إن المعلمة الاحتمالية محصورة حتماً في النطاق $0 < p 1$ دائماً، مما يترتب عليه حتماً أن:
$$\text{Var}(X) > E(X)$$
يُعرف هذا الفارق الرياضي بمؤشر التشتت، وهو السمة البنيوية الحاسمة التي تميز هذا التوزيع عن توزيع بواسون وتجعله النموذج الرياضي الأمثل لاستيعاب التشتت الزائد في الدراسات الميدانية والتطبيقية.

4.3 الدوال المولدة للعزوم والاحتمالات

تُعد الدوال المولدة من أقوى الأدوات التحليلية في نظرية الاحتمالات، حيث تختزل سائر خصائص التوزيع وعزومه في صياغة دالية واحدة. تُعرَّف دالة توليد الاحتمال (Probability Generating Function – PGF) للمتغير العشوائي $X$ بالصيغة $G_X(t) = E(t^X)$، وتُشتق لتوزيع ذات الحدين السالب كما يلي:
$$G_X(t) = \sum_{k=0}^{\infty} t^k \binom{k + r – 1}{k} (1 – p)^k p^r = p^r \sum_{k=0}^{\infty} \binom{k + r – 1}{k} [t(1 – p)]^k$$
وباستخدام متسلسلة ذات الحدين السالبة بشرط تقارب المتسلسلة $|t(1 – p)| < 1$، نحصل على الصيغة المغلقة للدالة:
$$G_X(t) = p^r [1 – t(1 – p)]^{-r} = \left( \frac{p}{1 – t(1 – p)} \right)^r$$

وبالمثل، تُشتق دالة توليد العزوم (Moment Generating Function – MGF) عبر استبدال $t$ بـ $e^t$ في الدالة السابقة، لتصبح:
$$M_X(t) = E(e^{tX}) = \left( \frac{p}{1 – (1 – p)e^t} \right)^r, \quad \text{for } t < -\ln(1 – p)$$
تتيح هذه الدالة توليد كافة العزوم النظرية حول نقطة الأصل من خلال حساب المشتقات المتتالية بالنسبة لـ $t$ وتقييمها عند $t = 0$. فعلى سبيل المثال، المشتقة الأولى تُعطي $M'_X(0) = E(X)$، والمشتقة الثانية تُعطي $M''_X(0) = E(X^2)$.

تمتد الفائدة التحليلية لدوال العزوم لتشمل حساب العزوم المركزية العليا كمعامل الالتواء (Skewness) ومؤشر التفرطح (Kurtosis) لوصف شكل التوزيع الهندسي. يُعطى معامل الالتواء $\gamma_1$ ومعامل التفرطح المفرط $\gamma_2$ بالصيغتين التاليتين:
$$\gamma_1 = \frac{2 – p}{\sqrt{r(1 – p)}}, \qquad \gamma_2 = \frac{6}{r} + \frac{p^2}{r(1 – p)}$$
يتبين من معامل الالتواء أنه موجب دائماً ($\gamma_1 > 0$)، مما يؤكد أن التوزيع ملتـوٍ نحو اليمين بشكل إيجابي، ويقترب من التماثل فقط عندما تتضخم المعلمة $r to \infty$.

تؤدي الدوال المولدة دوراً برهانياً محورياً في إثبات خصائص التجميع والاستقرار الجمعي للتوزيع؛ فإذا كان لدينا متغيران عشوائيان مستقلان $X_1 \sim \text{NB}(r_1, p)$ و $X_2 \sim \text{NB}(r_2, p)$ يشتركان في نفس معلمة الاحتمال $p$، فإن الدالة المولدة لمجموعهما $Y = X_1 + X_2$ هي ببساطة حاصل ضرب دالتيهما المولدتين:
$$M_Y(t) = M_{X_1}(t) \cdot M_{X_2}(t) = \left( \frac{p}{1 – (1 – p)e^t} \right)^{r_1} \cdot \left( \frac{p}{1 – (1 – p)e^t} \right)^{r_2} = \left( \frac{p}{1 – (1 – p)e^t} \right)^{r_1 + r_2}$$
يُثبت هذا فوراً وبأعلى درجات الصرامة الرياضية أن المجموع ينتمي لنفس عائلة توزيع ذات الحدين السالب بالمعلمات: $Y \sim \text{NB}(r_1 + r_2, p)$.

5. العلاقة والمقارنة بين توزيع ذات الحدين وتوزيع ذات الحدين السالب

5.1 المقارنة الهيكلية في تصميم التجربة

على الرغم من الاشتراك اللفظي والاشتقاقي بين توزيع ذات الحدين (Binomial Distribution) وتوزيع ذات الحدين السالب، إلا أن هناك تبايناً هيكلياً عميقاً في التصميم التجريبي والقواعد الحاكمة لتوليد البيانات في كلا النموذجين. يكمن الفارق الجوهري الأول في طبيعة المعلمات الثابتة مقابل المتغيرات العشوائية؛ ففي توزيع ذات الحدين الكلاسيكي، يقوم الباحث بتثبيت إجمالي عدد المحاكمات مسبقاً عند قيمة محددة $n$， في حين يظل عدد النجاحات المحققة $k$ متغيراً عشوائياً يخضع للاحتمال والصدفة.

في المقابل، يعكس توزيع ذات الحدين السالب هذا التصميم المنهجي تماماً؛ حيث يتم تثبيت عدد النجاحات المطلوبة مقدماً عند القيمة $r$، في حين يغدو عدد الإخفاقات $k$ (أو عدد المحاكمات الكلية $N$) متغيراً عشوائياً مفتوحاً. هذا الانقلاب في التصميم يُترجم مباشرة إلى اختلاف جذري في شروط الإيقاف (Stopping Rules)؛ فبينما تتوقف تجربة ذات الحدين بانتهاء العدد المحدد من المحاولات بصرف النظر عن حصيلة النتائج، لا تتوقف تجربة ذات الحدين السالب إلا عند إنجاز الهدف التراكمي المشروط بالنجاح رقم $r$.

ينعكس هذا الاختلاف الهيكلي على طبيعة فضاء العينة الهندسي لكل توزيع؛ ففضاء العينة في توزيع ذات الحدين فضاءٌ منتهٍ ومحدود بدقة بمجموعة القيم ${0, 1, 2, dots, n}$، حيث يستحيل منطقياً ورياضياً أن يتجاوز عدد النجاحات عدد المحاكمات الكلي $n$. أما فضاء العينة في توزيع ذات الحدين السالب فهو فضاء غير منتهٍ نظرياً ${0, 1, 2, dots, \infty}$، إذ لا يوجد سقف نظري يمنع توالي حالات الفشل إلى ما لا نهاية قبل بلوغ النجاح المطلوب، مما يجعل التوزيع الأخير ينتمي لعائلة التوزيعات ذات الامتداد اللانهائي.

تفرض هذه الفروق الهيكلية على الباحثين ومصممي التجارب ضرورة التمييز الدقيق بين بروتوكولات جمع البيانات؛ فالسؤال البحثي من قبيل: “كم مريضاً سيستجيب للعلاج من بين 50 مريضاً تم اختيارهم؟” يتطلب حتماً تطبيق توزيع ذات الحدين. أما السؤال المنهجي القائل: “كم حالة فشل علاجي ستحدث في العيادة قبل أن نصل إلى شفاء 10 مرضى بنجاح؟” فيفرض دون أدنى شك اللجوء إلى نموذج ذات الحدين السالب لتوصيف الظاهرة توصيفاً سليماً يتطابق مع آليات الواقع التجريبي.

5.2 الفروق الرياضية والإحصائية في الخصائص

تتجلى الفروق الرياضية بين النموذجين في سلوك المؤشرات الإحصائية الأساسية، وخاصة نسبة التباين إلى المتوسط الحسابي. في توزيع ذات الحدين الكلاسيكي بالمعلمات $(n, p)$، يُعطى التوقع بـ $E(Y) = np$ والتباين بـ $\text{Var}(Y) = np(1 – p)$. وبما أن $(1 – p) < 1$، فإن تباين توزيع ذات الحدين يكون دائماً وأبداً أصغر من توقعه الرياضي ($\text{Var}(Y) < E(Y)$)، وهي الظاهرة الإحصائية المعروفة بـ التشتت الناقص (Underdispersion).

على النقيض من ذلك تماماً، أثبتنا رياضياً أن تباين توزيع ذات الحدين السالب يفوق توقعه الرياضي في جميع الحالات ($\text{Var}(X) > E(X)$)، محققاً ظاهرة التشتت الزائد. يوضح هذا التباين الحاد أن التوزيعين يعالجان قطبين إحصائيين متعاكسين تماماً بالنسبة للتشتت، حيث يتوسطهما توزيع بواسون كحالة توازن مثالية يتساوى فيها التباين مع المتوسط. يقدم الجدول المقارن الآتي تحليلاً مكثفاً للفروق الهيكلية والإحصائية بين النموذجين:

  • طبيعة المتغير العشوائي: في ذات الحدين يمثل عدد النجاحات في $n$ محاولة؛ وفي السالب يمثل عدد الإخفاقات لتحقيق $r$ نجاح.
  • فضاء العينة: منتهٍ ومحدود ${0, 1, dots, n}$ مقابل فضاء غير منتهٍ عدياً ${0, 1, 2, dots, \infty}$.
  • التوقع الرياضي: $E(Y) = np$ مقابل $E(X) = \frac{r(1-p)}{p}$.
  • التباين الإحصائي: $\text{Var}(Y) = np(1-p)$ مقابل $\text{Var}(X) = \frac{r(1-p)}{p^2}$.
  • علاقة التشتت: التباين أقل دائماً من المتوسط (تشتت ناقص) مقابل التباين أكبر دائماً من المتوسط (تشتت زائد).
  • دالة التوزيع التراكمي: ترتبط دالتا التوزيع التراكمي (CDF) للنموذجين برابطة تبادلية وثيقة عبر دالة بيتا غير المكتملة المنظمة (Regularized Incomplete Beta Function) $I_p(a, b)$، حيث تتحقق المتطابقة:
    $$P(X le k) = I_p(r, k + 1) = 1 – P(Y le r – 1)$$

تسمح هذه العلاقة التبادلية الرياضية الأنيقة بالتحويل التحليلي المباشر بين حسابات الاحتمالات التراكمية لكلا التوزيعين، مما يبرز الوحدة البنيوية العميقة التي تجمع عائلة التوزيعات الحدية رغم تناقض شروط تجاربها الميدانية وتعاكس خصائص تشتتها الإحصائي.

6. العلاقة بين التوزيع السالب وتوزيع بواسون وظاهرة التشتت الزائد

6.1 توصيف مشكلة التشتت الزائد (Overdispersion)

يُعد توزيع بواسون (Poisson Distribution) المعيار المرجعي الكلاسيكي في النمذجة الإحصائية لبيانات العدّ وتكرار الأحداث النادرة خلال فترات زمنية أو مساحية محددة. ومع ذلك، يرتكز هذا التوزيع على افتراض رياضي بنيوي صارم وشديد التقييد يُعرف بـ “التشتت المتكافئ” (Equidispersion)، والذي يقضي بالتطابق التام والمطلق بين القيمة المتوقعة والتباين الإحصائي للمتغير العشوائي، بحيث يكون:
$$E(Y) = \text{Var}(Y) = \lambda$$
حيث يمثل $lambda$ المعدل الثابت لحدوث الظاهرة في الوحدة القياسية.

في التطبيقات الواقعية والميدانية المعاصرة، نادراً ما تصمد هذه الفرضية أمام التحليل التجريبي للبيانات؛ إذ تظهر البيانات في الغالب تبايناً ملحوظاً يتجاوز بكثير قيمة المتوسط الحسابي، وهو ما يُعرف بظاهرة “التشتت الزائد” (Overdispersion). تنشأ هذه الظاهرة نتيجة لعدة أسباب علمية وميدانية جوهرية؛ من أبرزها عدم التجانس الكامن غير الملاحظ (Unobserved Heterogeneity) بين وحدات العينة، أو التجميع العنقودي للأحداث (Clustering)، أو وجود تبعية زمنية أو مكانية بين التكرارات، أو التباين الحاد في تعرض الأفراد لعوامل الخطر والظروف البيئية.

إن الإصرار على استخدام نموذج بواسون في ظل وجود التشتت الزائد يترتب عليه عواقب وخيمة في الاستدلال الإحصائي؛ حيث يؤدي التقليل الشديد في تقدير الأخطاء المعيارية (Standard Errors) لمعاملات الانحدار إلى تضخيم قيم إحصاءات الاختبار (مثل إحصاء Wald أو $t$-statistic)، مما يسفر عن الحصول على قيم احتمالية ($p$-values) شديدة الصغر خادعة ودلالات إحصائية وهمية لمتغيرات قد لا تمتلك أي أثر حقيقي في الواقع الميداني.

للكشف عن وجود هذه المعضلة، يلجأ الإحصائيون إلى اختبارات دلالة متخصصة، مثل اختبار كاميرون وتريفيدي (Cameron & Trivedi Test) أو فحص نسبة إحصاء كاي-تربيع لبواقي غولد (Deviance or Pearson Chi-Square) مقسوماً على درجات الحرية. فإذا تجاوزت هذه النسبة القيمة 1 بشكل دال إحصائياً، يُعد ذلك دليلاً قاطعاً على بطلان نموذج بواسون وضرورة الانتقال المنهجي إلى نماذج أكثر مرونة كنموذج انحدار ذات الحدين السالب.

6.2 توزيع ذات الحدين السالب كخليط غاما-بواسون (Gamma-Poisson Mixture)

يتحقق الفهم الرياضي والإحصائي الأعمق لتوزيع ذات الحدين السالب من خلال إعادة صياغته التحليلية كنموذج خليط هرمي مستمر يُعرف بخليط غاما-بواسون (Gamma-Poisson Mixture). في هذا الإطار المفاهيمي، نفترض أن استجابات العدّ الفردية $Y$ تتبع توزيع بواسون بمعدل حدوث $lambda$، ولكن بدلاً من افتراض ثبات هذا المعدل عبر كافة أفراد المجتمع، نفترض أن $lambda$ نفسه متغير عشوائي مستمر يتبع توزيع غاما بمعلمة شكل $\alpha$ ومعلمة مقياس $\beta$، ليعكس التباين الفردي الكامن:

$$Y mid \lambda \sim \text{Poisson}(\lambda), \qquad \lambda \sim \text{\Gamma}(\alpha, \beta)$$
للحصول على التوزيع الهامشي غير المشروط للمتغير $Y$، نقوم بمكاملة دالة الكثافة المشتركة على كامل مجال تباين المعلمة $lambda$ من $0$ إلى $\infty$ عبر التكامل الاحتمالي التالي:
$$P(Y = y) = \int_{0}^{\infty} P(Y = y mid \lambda) f(\lambda; \alpha, \beta) , d\lambda = \int_{0}^{\infty} \frac{\lambda^y e^{-\lambda}}{y!} \frac{\beta^\alpha}{\Gamma(\alpha)} \lambda^{\alpha – 1} e^{-\beta \lambda} , d\lambda$$

بتجميع الحدود المتشابهة وإخراج الثوابت خارج إشارة التكامل، يتحول التكامل إلى الصيغة القياسية:
$$P(Y = y) = \frac{\beta^\alpha}{y! , \Gamma(\alpha)} \int_{0}^{\infty} \lambda^{y + \alpha – 1} e^{-(\beta + 1)\lambda} , d\lambda$$
وباستخدام الخصائص التكاملية لدالة غاما، حيث يساوي التكامل $\frac{\Gamma(y + \alpha)}{(\beta + 1)^{y + \alpha}}$، نحصل مباشرة على النتيجة التحليلية الباهرة:
$$P(Y = y) = \frac{\Gamma(y + \alpha)}{y! , \Gamma(\alpha)} \left( \frac{\beta}{\beta + 1} \right)^\alpha \left( \frac{1}{\beta + 1} \right)^y$$

تتطابق هذه الدالة تطابقاً تاماً ومطلقاً مع دالة كتلة الاحتمال لتوزيع ذات الحدين السالب عند إجراء المطابقة البارامترية بوضع $r = \alpha$ و $p = \frac{\beta}{\beta + 1}$. يُثبت هذا الاشتقاق المهيب أن توزيع ذات الحدين السالب يمثل رياضياً نموذج بواسون تم تضخيمه بتوزيع غاما لامتصاص التباين الكامن، ويفسر التباين الإضافي على أنه تجسيد لعدم التجانس غير الملاحظ في مجتمع الدراسة.

ينعكس هذا التمثيل في صيغة التباين الحديثة المستخدمة في نماذج الانحدار: $\text{Var}(Y) = \mu + \alpha \mu^2$، حيث تمثل $\mu$ المتوسط الرياضي، وتمثل $\alpha = \frac{1}{r}$ معلمة التشتت الإضافية. وعندما تتضاءل هذه المعلمة وتقترب من الصفر ($\alpha to 0$، أو بشكل مكافئ $r to \infty$)، يتلاشى الحد التربيعي الإضافي ويؤول تباين التوزيع بالكامل إلى المتوسط، مما يؤدي إلى تقارب توزيع ذات الحدين السالب مقارباً وبشكل حتمي نحو توزيع بواسون الكلاسيكي، ليغدو الأخير مجرد حالة خاصة محدودة من النموذج السالب المعمم.

7. التوزيع الهندسي كحالة خاصة من توزيع ذات الحدين السالب

7.1 الاشتقاق عند ضبط معلمة النجاح (r = 1)

يُمثل التوزيع الهندسي (Geometric Distribution) الحجر الأساس في نماذج أوقات الانتظار المنفصلة، ويتموضع نظرياً كأبسط حالة خاصة واختزال مباشر لتوزيع ذات الحدين السالب عندما يتم ضبط معلمة عدد النجاحات المستهدفة عند القيمة المفردة $r = 1$. في هذا السياق المقيد، يتحول الهدف التجريبي بالكامل من السعي لتحقيق تراكم كمي للنجاحات إلى التركيز الحصري على رصد زمن الوصول الأول، أي حساب عدد حالات الفشل التي تسبق انبثاق النجاح الأول على الإطلاق في سلسلة المحاكمات.

باشتقاق دالة الكتلة الاحتمالية للتوزيع الهندسي انطلاقاً من الصيغة العامة لذات الحدين السالب عند التعويض بقيمة $r = 1$:
$$P(X = k) = \binom{k + 1 – 1}{k} (1 – p)^k p^1 = \binom{k}{k} (1 – p)^k p$$
وحيث إن المعامل التوافقي $\binom{k}{k} = 1$ لجميع قيم $k ge 0$، تختزل الصيغة الرياضية مباشرة إلى صورتها الهندسية البسيطة والشهيرة:
$$P(X = k) = p(1 – p)^k, \quad \text{for } k = 0, 1, 2, 3, dots$$

وبالمثل، تختزل المؤشرات الإحصائية الأساسية للتوزيع الهندسي بالتعويض المباشر بقيمة $r = 1$ في قوانين التوقع والتباين المشتقة سابقاً لتصبح على النحو التالي:
$$E(X) = \frac{1 – p}{p}, \qquad \text{Var}(X) = \frac{1 – p}{p^2}$$
تُجسد هذه البساطة الجبرية كيف ينحدر التوزيع المعقد إلى دالة اضمحلال أسي منفصلة تنخفض فيها الاحتمالات تنازلياً وبصورة رتيبة كلما زادت قيمة $k$.

تتمثل الخاصية الأكثر تفرداً وتميزاً للتوزيع الهندسي — والتي يفقدها توزيع ذات الحدين السالب العام عندما يكون $r > 1$ — في “خاصية فقدان الذاكرة” (Memoryless Property). تنص هذه الخاصية الرياضية الفريدة على أن احتمالية تسجيل $k$ حالات إخفاق إضافية مشروطة بوقوع $m$ حالات إخفاق سابقة لا تعتمد مطلقاً على القيمة التاريخية $m$، وتُصاغ شرطياً بالمعادلة:
$$P(X ge m + k mid X ge m) = P(X ge k)$$
تُعد هذه الخاصية علامة فارقة للتوزيع الهندسي ضمن فئة التوزيعات المنفصلة، وتوضح كيف يتخلى التوزيع عن ذاكرته التراكمية في الحالة الخاصة $r=1$.

7.2 التطبيقات والامتدادات المشتركة

يحتل التوزيع الهندسي موقع الصدارة في التطبيقات التي تركز على زمن الانتظار حتى الحدث الأول؛ كحساب عدد المحاولات الفاشلة لإدخال كلمة المرور قبل تسجيل الدخول الناجح، أو عدد الدورات التشغيلية لآلة ميكانيكية قبل حدوث العطل الأول. إن هذا النموذج الفردي يمثل اللبنة البنيوية الصغرى التي تتشكل منها الظواهر التراكمية الأكثر اتساعاً في العلوم الإحصائية.

تتجلى الرابطة التركيبية العميقة بين التوزيعين في النظرية الاحتمالية القائلة بأن: مجموع $r$ من المتغيرات العشوائية الهندسية المستقلة والمتطابقة التوزيع (i.i.d) التي تشترك في معلمة الاحتمال $p$ يُشكل حتماً وبشكل رياضي دقيق متغيراً عشوائياً يتبع توزيع ذات الحدين السالب بالمعلمات $(r, p)$. فإذا كان $X_i \sim \text{Geometric}(p)$ يمثل عدد الإخفاقات التي تسبق النجاح رقم $i$ بعد تحقيق النجاح رقم $i-1$، فإن إجمالي حالات الفشل لتحقيق $r$ نجاحات يُعبر عنه بالمتغير التجميعي:
$$X = \sum_{i=1}^{r} X_i \sim \text{NB}(r, p)$$

تُستخدم هذه الخاصية التركيبية بكثافة في اختبارات الجهد والتحمل الصناعي والمحاولات السلوكية المتتالية؛ حيث يُنظر إلى المهمة الكلية المعقدة (الممثلة بتوزيع ذات الحدين السالب) على أنها سلسلة متعاقبة من المراحل الفرعية المستقلة، كل مرحلة منها تخضع لمعدل انتظار هندسي خاص بها. هذا التفكيك المنهجي يسهل بدرجة هائلة حساب الاحتمالات وتحليل مسارات الإخفاق في المنظومات متعددة المراحل.

من الناحية المنهجية، يجب على الباحث التمييز الدقيق بين متى يلجأ إلى النموذج الهندسي الفردي ومتى يستدعي النموذج السالب التراكمي؛ فإذا كان الاهتمام البحثي ينصب حصراً على تجاوز العتبة الأولى أو كان النظام ينهار كلياً عند أول واقعة، فإن التوزيع الهندسي يكون هو الخيار الحتمي. أما إذا كان النظام يمتلك قدرة على التحمل والتعافي ويسمح بامتصاص عدد محدد من النجاحات أو الإخفاقات المرحلية لبلوغ الاستقرار النهائي، فإن توزيع ذات الحدين السالب هو الإطار العلمي الشامل الذي يستوعب هذه الديناميكية التراكمية.

8. طرق تقدير المعلمات الإحصائية للبيانات الميدانية

8.1 طريقة الإمكان الأكبر (Maximum Likelihood Estimation – MLE)

تُعد طريقة الإمكان الأكبر (MLE) المنهجية القياسية الأكثر كفاءة ورسوخاً في الاستدلال الإحصائي لتقدير المعلمات المجهولة $\mathbf{\theta} = (r, p)$ لتوزيع ذات الحدين السالب انطلاقاً من عينة عشوائية مستقلة ومتطابقة الحجم $n$ من المشاهدات الميدانية $\mathbf{x} = (x_1, x_2, dots, x_n)$. لبناء المقدرات، نبدأ بصياغة دالة الإمكان (Likelihood Function) كحاصل ضرب دوال الكتلة الاحتمالية الفردية للمشاهدات:

$$L(r, p; \mathbf{x}) = \prod_{i=1}^{n} \left[ \frac{\Gamma(x_i + r)}{x_i! , \Gamma(r)} p^r (1 – p)^{x_i} \right]$$
ولتبسيط الاشتقاق والتعامل الحسابي، نأخذ اللوغاريتم الطبيعي للطرفين للحصول على دالة الإمكان اللوغاريتمية (Log-Likelihood Function) $ell(r, p)$:
$$ell(r, p) = \sum_{i=1}^{n} \ln \Gamma(x_i + r) – n \ln \Gamma(r) – \sum_{i=1}^{n} \ln(x_i!) + n r \ln(p) + \left(\sum_{i=1}^{n} x_i\right) \ln(1 – p)$$

لإيجاد القيم العظمى للمعلمات، نقوم بحساب المشتقات الجزئية الأولى (Score Functions) بالنسبة لكل معلمة ومساواتها بالصفر. المشتقة الجزئية بالنسبة للمعلمة $p$ تُعطي:
$$\frac{\partial ell}{\partial p} = \frac{n r}{p} – \frac{\sum_{i=1}^{n} x_i}{1 – p} = 0 implies \hat{p} = \frac{n r}{n r + \sum_{i=1}^{n} x_i} = \frac{r}{r + \bar{x}}$$
حيث يمثل $\bar{x} = \frac{1}{n}\sum x_i$ المتوسط الحسابي للعينة الملاحظة.

أما المشتقة الجزئية بالنسبة للمعلمة $r$، فتتضمن دالة دايغاما (Digamma Function) $\psi(z) = \frac{d}{dz} \ln \Gamma(z)$، وتأخذ الصيغة غير الخطية المعقدة:
$$\frac{\partial ell}{\partial r} = \sum_{i=1}^{n} \psi(x_i + r) – n \psi(r) + n \ln(p) = 0$$
وبالتعويض عن $p$ بالصيغة المقدرة بدلالة $r$، نحصل على معادلة غير خطية تحتوي على المجهول $r$ بمفرده:
$$\sum_{i=1}^{n} \psi(x_i + r) – n \psi(r) + n \ln\left( \frac{r}{r + \bar{x}} \right) = 0$$

نظراً لاستحالة حل هذه المعادلة تحليلياً وصراحةً، يتم اللجوء الحتمي إلى الخوارزميات والحلول العددية التكرارية، مثل خوارزمية نيوتن-رافسون (Newton-Raphson) أو خوارزمية التعظيم التوقعي (EM Algorithm). وتتميز مقدرات الإمكان الأكبر الناتجة بخواص تقاربية فائقة في العينات الكبيرة؛ كالاتساق (Consistency)، الكفاءة المقاربة (Asymptotic Efficiency)، والاعتدال المقارب، حيث يُستخرج خطأ التقدير ومصفوفة التغاير مباشرة من مقلوب مصفوفة معلومات فيشر (Fisher Information Matrix).

8.2 طريقة العزوم (Method of Moments)

تُمثل طريقة العزوم (Method of Moments – MoM) بديلاً كلاسيكياً مباشراً وسريعاً لتقدير معلمات التوزيع دون الحاجة إلى التعقيدات العددية التكرارية المصاحبة لطريقة الإمكان الأكبر. تقوم الفلسفة المنهجية لهذه الطريقة على مطابقة ومساواة العزوم النظرية لمجتمع التوزيع مع العزوم الإحصائية التجريبية المحسوبة مباشرة من بيانات العينة الملاحظة.

نبدأ بمساواة العزم النظري الأول (التوقع الرياضي) بمتوسط العينة $\bar{x}$، ومساواة العزم المركزي النظري الثاني (التباين) بتباين العينة التجريبي $s^2 = \frac{1}{n-1}\sum_{i=1}^{n} (x_i – \bar{x})^2$:
$$E(X) = \frac{r(1 – p)}{p} = \bar{x}, \qquad \text{Var}(X) = \frac{r(1 – p)}{p^2} = s^2$$
بقسمة معادلة التوقع على معادلة التباين، نحصل فوراً على المقدر المباشر لمعلمة الاحتمال $\tilde{p}$:

$$\frac{E(X)}{\text{Var}(X)} = \frac{\bar{x}}{s^2} = \frac{\frac{r(1 – p)}{p}}{\frac{r(1 – p)}{p^2}} = p implies \tilde{p} = \frac{\bar{x}}{s^2}$$
ثم بالتعويض بهذه القيمة في معادلة التوقع الرياضي، نستخرج المقدر المباشر لمعلمة الحجم $\tilde{r}$:
$$\bar{x} = \frac{\tilde{r}(1 – \tilde{p})}{\tilde{p}} = \frac{\tilde{r}(1 – \frac{\bar{x}}{s^2})}{\frac{\bar{x}}{s^2}} implies \tilde{r} = \frac{\bar{x}^2}{s^2 – \bar{x}}$$

تتجلى الميزة الكبرى لمقدرات العزوم في سهولتها الحسابية الفائقة وإمكانية حسابها يدوياً دون الحاجة إلى برمجيات متقدمة. ومع ذلك، تكشف المقارنة التحليلية مع مقدرات الإمكان الأكبر عن عيوب منهجية خطيرة لطريقة العزوم؛ فهي تفتقر إلى الكفاءة الإحصائية وتتميز بتباينات مقدرات أعلى بكثير، خاصة في العينات الصغيرة والمتوسطة.

علاوة على ذلك، تُعاني طريقة العزوم من معضلة رياضية كارثية في حال كانت بيانات العينة لا تُظهر تشتتاً زائداً من الناحية التجريبية (أي إذا حدث بالصدفة العشوائية في العينة أن $s^2 le \bar{x}$)؛ ففي هذه الحالة، ينتج عن معادلة التقدير قيمة سالبة للمعلمة $\tilde{r}$ وقيمة أكبر من الواحد للمعلمة $\tilde{p}$، وهو ما يقع خارج النطاق الرياضي المعرّف للمعلمات ويفقد التقدير أي معنى إحصائي، مما يجعل مقدرات الإمكان الأكبر هي الخيار المنهجي الأكثر أماناً وموثوقية.

8.3 النهج البايزي في التقدير (Bayesian Estimation)

يقدم الاستدلال البايزي (Bayesian Inference) إطاراً فلسفياً ومنهجياً متكاملاً يتجاوز المنظور التكراري الكلاسيكي؛ حيث لا تُعامل المعلمات المجهولة $\mathbf{\theta} = (r, p)$ كثوابت صلبة مبهمة، بل كمتغيرات عشوائية بحد ذاتها تمتلك توزيعات احتمالية قبلية (Prior Distributions) تعكس المعرفة المسبقة أو حالة عدم اليقين لدى الباحث قبل فحص بيانات التجربة الحالية.

في التحليل البايزي لتوزيع ذات الحدين السالب، يُعد تحديد التوزيع القبلي خطوة حاسمة؛ فبالنسبة للمعلمة $p$ المحصورة في الفترة $(0, 1)$، يُستخدم عادةً توزيع بيتا المقترن (Conjugate Beta Prior) $p \sim \text{B\eta}(a, b)$. أما بالنسبة لمعلمة الحجم والتشتت $r in \mathbb{R}^+$، فلا يوجد توزيع مقترن قياسي لها، لذا يُلجأ إلى توزيعات قبلية شبه مقترنة أو غير إعلامية مرنة؛ مثل توزيع غاما $r \sim \text{\Gamma}(\alpha, \beta)$، أو التوزيع المنتظم المنحرف، أو التوزيعات القبلية الموضوعية المعتمدة على معيار جيفريز (Jeffreys’ Prior).

يتم دمج التوزيع القبلي المشترك $\pi(r, p)$ مع دالة الإمكان $L(r, p; \mathbf{x})$ عبر تطبيق مبرهنة بايز للوصول إلى التوزيع البعدي المشترك (Joint Posterior Distribution) $P(r, p mid \mathbf{x})$:
$$P(r, p mid \mathbf{x}) = \frac{L(r, p; \mathbf{x}) , \pi(r, p)}{\iint L(r, p; \mathbf{x}) , \pi(r, p) , dr , dp} propto L(r, p; \mathbf{x}) , \pi(r, p)$$
ونظراً للتعقيد التحليلي للتكامل في المقام، يتم توليد عينات التوزيع البعدي باستخدام خوارزميات سلاسل ماركوف ومونتي كارلو (MCMC) المتقدمة، مثل أخذ عينات غيبس (Gibbs Sampling) وخوارزمية نو-يو-تيرن (NUTS) المطبقة في بيئات برمجية بايزية متخصصة مثل Stan و PyMC.

يتيح النهج البايزي استخراج مقدرات بعدية غنية كالمتوسط البعدي، الوسيط البعدي، وحساب “فترات المصداقية البايزية” (Credible Intervals) التي تقدم تفسيراً احتماليا مباشراً لمعلمات النموذج (مثل القول بأن هناك احتمالاً قدره 95% أن تقع المعلمة الحقيقية داخل هذه الفترة). وتبرز القوة الاستثنائية لهذا النهج عند التعامل مع العينات الصغيرة الحجم أو البيانات المتفرقة والنادرة؛ حيث تساهم التوزيعات القبلية الرصينة في ضبط النموذج ومنع المشكلات الحسابية لعدم الاستقرار العددي التي قد تعصف بطرق الإمكان الأكبر الكلاسيكية.

9. تطبيقات توزيع ذات الحدين السالب في القياس النفسي والعلوم السلوكية

9.1 نمذجة الاستجابات السلوكية ومعدلات الخطأ

يحتل توزيع ذات الحدين السالب موقعاً ريادياً في حقل القياس النفسي العصبي (Neuropsychometrics) والعلوم السلوكية، حيث تُصمم العديد من التجارب المعرفية لقياس مدى قدرة المفحوص على التعلم وحل المشكلات حتى بلوغ معيار إتقان محدد وثابت. في مثل هذه المهام، يُحدد الباحث معياراً كأن يحقق المفحوص $r = 5$ استجابات صحيحة متتالية، ويغدو المتغير المقاس هو عدد الأخطاء أو المحاولات الفاشلة التي ارتكبها المفحوص قبل الوصول إلى هذا المعيار، وهو ما يطابق البنية الرياضية للتوزيع تطابقاً تاماً.

في أبحاث السلوك الاندفاعي واضطراب نقص الانتباه وفرط النشاط (ADHD)، يُستخدم التوزيع لتحليل أداء الأفراد في اختبارات الأداء المستمر (Continuous Performance Tests) واختبارات التثبيط الاستجابي (مثل مهمة Go/No-Go). يُظهر الأفراد ذوو الاندفاعية المرتفعة تشتتاً كبيراً ومعدلات خطأ متزايدة تتجاوز التوزيعات الطبيعية، مما يجعل توزيع ذات الحدين السالب الإطار الأمثل لنمذجة هذه التباينات الفردية وعزل التباين المرتبط بالاضطراب عن التباين العشوائي العام.

يمتد التطبيق السلوكي ليشمل دراسات الإدمان وعلم النفس الإكلينيكي؛ حيث يُستخدم التوزيع لنمذجة معدلات الانتكاس (Relapse Episodes) التي يتعرض لها المتعافي خلال مسار علاجي يستهدف تحقيق فترة تعافٍ مستقرة وممتدة. كما يُستخدم في تقييم ثبات الأداء المعرفي تحت وطأة الإجهاد النفسي والضغط العصبي الشديد في البيئات العسكرية ومحاكاة الطيران، حيث يتيح التوزيع رصد التدهور التدريجي في دقة الاستجابات وصياغة مؤشرات كمية لمستويات التحمل البشري ومقاومة الإعياء الذهني.

تتيح هذه النمذجة المتقدمة لعلماء النفس استخراج معلمات سلوكية ذات دلالة تفسيرية عميقة؛ فبينما تعكس المعلمة $p$ الكفاءة والقدرة الأساسية للمفحوص على المعالجة المعرفية السليمة، تعكس معلمة التشتت درجة التباين الداخلي وعدم الاستقرار في تركيزه وانتباهه عبر فقرات الاختبار، مما يوفر تشخيصاً متعدد الأبعاد يتجاوز مجرد احتساب الدرجة الكلية الخام.

9.2 تحليل البيانات العدية في استبيانات القياس النفسي

تتميز بيانات استبيانات ومقاييس الأعراض السريرية في القياس النفسي بأنها بيانات عدّية شديدة الالتواء نحو اليمين ومكتظة بالقيم الصفرية؛ حيث يسجل غالبية الأفراد الأصحاء في العينات العامة قيماً صفرية أو منخفضة جداً على مقاييس الأعراض المرضية، في حين تسجل الفئات الإكلينيكية قيماً مرتفعة ومتفاوتة التشتت. يفشل الانحدار الخطي الكلاسيكي تماماً في معالجة هذه البيانات نظراً لانتهاك فروض التوزيع الطبيعي وثبات التجانس، مما يجعل نماذج انحدار ذات الحدين السالب (Negative Binomial Regression) الخيار المنهجي الأكثر رصانة.

في دراسات تتبع نوبات الهلع (Panic Attacks) أو نوبات القلق الحاد التي يسجلها المرضى في مذكراتهم اليومية (Ecological Momentary Assessment – EMA)، يُظهر تكرار النوبات تشتتاً فائقاً وعدم تجانس كبير بين المرضى تفرضه الفروق الفردية في سمات الشخصية ومصادر الضغط الحياتي. يتيح نموذج ذات الحدين السالب ربط هذا التكرار بالمتغيرات التفسيرية (مثل نوع العلاج الدوائي، أو ممارسة تقنيات الاسترخاء) مع ضبط ومعالجة التشتت الزائد بدقة رياضية متكاملة.

علاوة على ذلك، يبرز التوزيع كأداة قوية في تحليل استبيانات الرضا الوظيفي، مقاييس العدوانية السلوكية، والتسلط في البيئات المدرسية والمهنية. إن استخدام نماذج الانحدار المعتمدة على هذا التوزيع يضمن تقدير فترات ثقة صحيحة وموثوقة واختبارات فرضيات دقيقة لمعاملات الانحدار، مما يحمي الباحثين في العلوم النفسية من الوقوع في فخ الاستنتاجات الإحصائية المضللة التي تسببها النماذج البواسونية التقليدية.

يوضح التحليل الإحصائي المقارن في أدبيات القياس النفسي أن تطبيق انحدار ذات الحدين السالب يؤدي إلى تحسين معايير جودة المطابقة (Goodness-of-Fit) مثل معيار أكايكي للمعلومات (AIC) ومعيار المعلومات البايزي (BIC) بشكل ملحوظ مقارنة بنماذج الانحدار الخطي أو نماذج بواسون، مما يجعله المعيار الذهبي المعتمد في المنشورات السيكومترية الرصينة الصادرة عن الهيئات العالمية المتخصصة.

9.3 الأبحاث التربوية والقياس التعليمي

في الميدان التربوي والتعليمي، يوفر توزيع ذات الحدين السالب حلولاً قياسية ونماذج رياضية رصينة لتقييم الكفاءة والتحصيل الدراسي. يُستخدم التوزيع في اختبارات التمكن الإتقاني (Mastery Testing)؛ حيث يُطلب من الطالب مواصلة الإجابة عن بنود الاختبار حتى يتمكن من الإجابة الصحيحة عن عدد محدد $r$ من الأسئلة المحورية التي تثبت إتقانه للمهارة التعليمية. يمثل عدد الإجابات الخاطئة $k$ المسجلة في هذا المسار متغيراً خاضعاً لذات الحدين السالب، ويُستخدم كمؤشر دقيق على مستوى صعوبة المادة أو فجوة التعلم لدى الطالب.

يمتد التطبيق المنهجي ليشمل معالجة البيانات الإدارية المدرسية الحساسة؛ مثل نمذجة معدلات الغياب غير المبرر، التغيب المزمن عن الفصول الدراسية، وحوادث المخالفات الانضباطية والتسرب المدرسي. تتميز هذه السجلات بكونها بيانات عدّية ذات تشتت زائد حاد، حيث تتركز المخالفات لدى قلة من الطلاب بينما ينعدم لدى الأغلبية، مما يجعل النمذجة السالبة أداة تشخيصية فعالة لتحديد الفئات المعرضة للخطر وتصميم التدخلات التربوية الوقائية.

في برامج تعديل السلوك الصفي (Classroom Behavior Modification)، يُستخدم التوزيع لتتبع مسارات تحسن أداء الطلاب عبر الزمن من خلال رصد تراجع عدد المحاولات غير المقبولة سلوكياً قبل الاستجابة لتوجيهات المعلم. تتيح هذه النمذجة تقييم الفعالية الحقيقية للبرامج السلوكية بمقارنة معلمات التشتت والاحتمال قبل تطبيق التدخل وبعده عبر تصميمات القياس المتكرر.

وفي مجال الاختبارات التكيفية المحوسبة (Computerized Adaptive Testing – CAT)، يُستفاد من الخصائص الاحتمالية للتوزيع في تطوير خوارزميات التوقف الديناميكي للاختبارات؛ حيث يتم إنهاء الاختبار آلياً بمجرد وصول تقدير قدرة الطالب $\theta$ إلى مستوى دقة واستقرار إحصائي محدد سلفاً، مما يقلل من زمن الاختبار وعدد الأسئلة غير الضرورية ويحسن تجربة القياس التعليمي بشكل جوهري.

10. أمثلة تطبيقية وحسابية محلولة خطوة بخطوة

10.1 المثال الأول: تجربة رمي العملة الكلاسيكية

نص المسألة: يُجري باحث في نظرية الاحتمالات تجربة تتضمن رمي قطعة نقدية غير عادلة (Unfair Coin) بشكل متكرر ومستقل، حيث تبلغ احتمالية ظهور “الصورة” (التي نعتبرها نجاحاً) في كل رمية مفردة $p = 0.40$، وبالتالي فإن احتمالية ظهور “الكتابة” (فشل) هي $q = 1 – p = 0.60$. قرر الباحث إيقاف التجربة فور الحصول على $r = 4$ صور. ما هو الاحتمال الدقيق لأن يسجل الباحث $k = 6$ إخفاقات (أي 6 كتابات) قبل تحقيق النجاح الرابع المطلوب؟

خطوات الحل التفصيلية:

أولاً: تحديد المعطيات والمتغيرات:

  • عدد النجاحات المطلوبة: $r = 4$
  • عدد الإخفاقات المستهدفة: $k = 6$
  • إجمالي عدد المحاكمات الكلية: $N = k + r = 6 + 4 = 10$ محاكمات
  • احتمال النجاح في المحاكمة المفردة: $p = 0.40$
  • احتمال الفشل في المحاكمة المفردة: $1 – p = 0.60$

ثانياً: كتابة دالة كتلة الاحتمال والتعويض الرياضي:
$$P(X = k) = \binom{k + r – 1}{k} (1 – p)^k p^r$$
بالتعويض بالقيم المحددة في الصيغة:
$$P(X = 6) = \binom{6 + 4 – 1}{6} (0.60)^6 (0.40)^4 = \binom{9}{6} (0.60)^6 (0.40)^4$$

ثالثاً: الحساب اليدوي الدقيق للتوافيق والقوى:

  1. حساب المعامل التوافقي:
    $$\binom{9}{6} = \frac{9!}{6! , (9 – 6)!} = \frac{9 \times 8 \times 7}{3 \times 2 \times 1} = \frac{504}{6} = 84$$
  2. حساب قوى احتمالات الفشل والنجاح:
    $$(0.60)^6 = 0.046656$$
    $$(0.40)^4 = 0.025600$$
  3. حساب حاصل الضرب النهائي:
    $$P(X = 6) = 84 \times 0.046656 \times 0.025600 = 84 \times 0.0011943936 \approx 0.100329$$

رابعاً: التفسير الاحتمالي:
تبلغ احتمالية أن يحتاج الباحث إلى تسجيل 6 إخفاقات بالضبط قبل إدراك الصورة الرابعة حوالي $10.03%$. تعني هذه النتيجة الإحصائية أنه إذا تكررت هذه التجربة المركبة 10,000 مرة في ظروف متطابقة، فإننا نتوقع أن تنتهي التجربة في المحاولة العاشرة تماماً (بوقوع 6 إخفاقات و4 نجاحات) في حوالي 1,003 تجربة منها.

10.2 المثال الثاني: تقييم تشخيصي نفسي وسلوكي

نص المسألة الإكلينيكية: في دراسة تشخيصية لتقييم الذاكرة العاملة لدى الأطفال المعرضين لصعوبات التعلم، يخضع الطفل لاختبار معرفي متتابع محوسب. يُبرمج النظام لإنهاء المهمة بمجرد تحقيق الطفل لـ $r = 3$ استجابات صحيحة ومتقنة. أظهرت البيانات المعيارية السابقة أن احتمالية تقديم استجابة صحيحة لطفل من هذه الفئة الإكلينيكية في المحاولة الواحدة هي $p = 0.30$. تم فحص طفل وسجل $k = 2$ من الأخطاء فقط قبل إنهاء الاختبار. احسب الاحتمال التراكمي $P(X le 2)$، ووضح كيف يُفسر هذا الاحتمال إكلينيكياً لتقييم أداء الطفل مقارنة بأقرانه.

خطوات الحل المنهجي:

أولاً: صياغة الاحتمال التراكمي المطلوب:
الاحتمال التراكمي لارتكاب خطأين أو أقل هو مجموع الاحتمالات المنفصلة للحالات $k = 0$ و $k = 1$ و $k = 2$:
$$P(X le 2) = P(X = 0) + P(X = 1) + P(X = 2)$$
معلمات النموذج: $r = 3$، $p = 0.30$، $(1 – p) = 0.70$.

ثانياً: حساب الاحتمالات الفردية تدريجياً:

  1. حالة عدم ارتكاب أي خطأ ($k = 0$):
    $$P(X = 0) = \binom{0 + 3 – 1}{0} (0.70)^0 (0.30)^3 = \binom{2}{0} (1) (0.027) = 1 \times 0.027 = 0.0270$$
  2. حالة ارتكاب خطأ واحد فقط ($k = 1$):
    $$P(X = 1) = \binom{1 + 3 – 1}{1} (0.70)^1 (0.30)^3 = \binom{3}{1} (0.70) (0.027) = 3 \times 0.70 \times 0.027 = 0.0567$$
  3. حالة ارتكاب خطأين ($k = 2$):
    $$P(X = 2) = \binom{2 + 3 – 1}{2} (0.70)^2 (0.30)^3 = \binom{4}{2} (0.49) (0.027) = 6 \times 0.49 \times 0.027 = 0.07938$$

ثالثاً: جمع الاحتمالات لحساب النتيجة التراكمية:
$$P(X le 2) = 0.0270 + 0.0567 + 0.07938 = 0.16308 \approx 16.31%$$

رابعاً: القرار والتفسير الإكلينيكي:
تُشير النتيجة $P(X le 2) \approx 16.31%$ إلى أن حوالي $16.3%$ فقط من أطفال هذه الفئة الإكلينيكية يستطيعون إنجاز المهمة بمهارة فائقة بحيث يرتكبون خطأين أو أقل قبل تحقيق 3 نجاحات. وبما أن هذا الطفل قد حقق هذه النتيجة، فإن أداءه يقع ضمن الشريحة العليا المتميزة (أعلى 16%) مقارنة بالمجموعة المعيارية لنفس الفئة التشخيصية، مما قد يُستدل به إكلينيكياً على استجابة إيجابية لبرامج التدريب المعرفي أو كفاءة أعلى في الانتباه والذاكرة العاملة مقارنة بأقرانه المصابين.

10.3 المثال الثالث: حساب التوقع والتباين لمشروع بحثي ميداني

نص المسألة البحثية: يُجري فريق بحثي دراسة ميدانية حول ظاهرة التسويق الهاتفي لخدمات الدعم النفسي والاستشاري. تتطلب خطة المشروع إجراء اتصالات هاتفية عشوائية حتى الحصول على موافقة $r = 12$ عميلاً على المشاركة في البرنامج العلاجي التجريبي. تشير التقديرات الميدانية الأولية إلى أن معدل استجابة العميل بالموافقة في المكالمة الواحدة ثابت ويبلغ $p = 0.15$.

المطلوب حساب:
1. القيمة المتوقعة (المتوسط) لعدد المكالمات الفاشلة (الرفض) المتوقع حدوثها.
2. تباين وانحراف معياري عدد المكالمات الفاشلة.
3. إجمالي عدد المكالمات الكلية المتوقع إجراؤها لإتمام متطلبات البحث.
4. فترة عدم يقين تقريبية بمستوى ثقة 95% لعدد حالات الرفض.

خطوات المعالجة الإحصائية:

1. حساب القيمة المتوقعة لحالات الرفض $E(X)$:
$$E(X) = \frac{r(1 – p)}{p} = \frac{12 \times (1 – 0.15)}{0.15} = \frac{12 \times 0.85}{0.15} = \frac{10.2}{0.15} = 68 \text{ مكالمة فاشلة}$$

2. حساب التباين والانحراف المعياري:
$$\text{Var}(X) = \frac{r(1 – p)}{p^2} = \frac{E(X)}{p} = \frac{68}{0.15} \approx 453.333$$
الانحراف المعياري $\sigma_X$:
$$\sigma_X = \sqrt{\text{Var}(X)} = \sqrt{453.333} \approx 21.29 \text{ مكالمة}$$

3. حساب إجمالي المكالمات الكلية المتوقعة $E(N)$:
حيث إن إجمالي المكالمات $N = X + r$:
$$E(N) = E(X) + r = 68 + 12 = 80 \text{ مكالمة إجمالية}$$

4. بناء فترة عدم اليقين الاحتمالية (بمستوى ثقة 95% تقريبياً):
باستخدام التقريب المقارب والاعتماد على نظرية النهاية المركزية (حيث $r=12$ حجم متوسط ومناسب):
$$\text{الفترة} = E(X) \pm 1.96 \times \sigma_X = 68 \pm (1.96 \times 21.29) = 68 \pm 41.73$$
وعليه، تنحصر فترة عدم اليقين لعدد حالات الرفض بين:
$$[68 – 41.73, 68 + 41.73] \approx [26.27, 109.73] implies [27, 110] \text{ حالة رفض}$$

المناقشة والتخطيط الميداني:
توضح هذه النتائج لفريق إدارة المشروع البحثي أنهم بحاجة في المتوسط إلى إجراء 80 مكالمة هاتفية لتحقيق هدفهم (12 موافقة و68 رفضاً). ومع ذلك، ونظراً لارتفاع قيمة التباين والانحراف المعياري ($\sigma \approx 21.29$) الذي يعكس الطبيعة المتشتتة لتوزيع ذات الحدين السالب، يجب على الفريق التحوط لوجستياً وميدانياً لإمكانية إجراء ما يصل إلى 122 مكالمة إجمالية (110 رفض + 12 نجاح) لضمان تحقيق حجم العينة المطلوب بثقة إحصائية عالية.

11. النمذجة الإحصائية والتحليل البرمجي لتوزيع ذات الحدين السالب (R و Python)

11.1 التطبيق البرمجي باستخدام لغة R

تُعد لغة البرمجة الإحصائية R البيئة الأكثر خصوبة وتقدماً في التعامل مع النمذجة الاحتمالية وتحليل نماذج ذات الحدين السالب. توفر حزمة stats الأساسية في R أربع دوال قياسية ومحورية للتعامل مع هذا التوزيع الاحتمالي:

  • الدالة dnbinom(x, size, prob): لحساب دالة كتلة الاحتمال $P(X = x)$ لنقاط محددة، حيث يمثل size المعلمة $r$، ويمثل prob المعلمة $p$.
  • الدالة pnbinom(q, size, prob): لحساب دالة التوزيع التراكمي (CDF) $P(X le q)$.
  • الدالة qnbinom(p, size, prob): لحساب دالة المئين أو النسبة المئوية العكسية (Quantile Function).
  • الدالة rnbinom(n, size, prob): لتوليد أرقام وعينات عشوائية تحاكي التوزيع بالحجم $n$.

عند الانتقال إلى النمذجة الانحدارية المتقدمة للبيانات الميدانية، تبرز حزمة MASS الرائدة من خلال دالتها الشهيرة glm.nb(). تتيح هذه الدالة ملاءمة نماذج انحدار ذات الحدين السالب (Negative Binomial Generalized Linear Models) مع التقدير الآلي لمعلمة التشتت الإضافية $\theta$ (المكافئة لـ $r$) عبر خوارزميات الإمكان الأكبر التكرارية، متجاوزة القيد البواسوني الصارم في تماثل التباين والمتوسط.

تتضمن الممارسة التحليلية الرصينة في R إجراء تشخيص شامل لجودة ملاءمة النموذج (Goodness-of-Fit Diagnostics). يتم ذلك من خلال فحص بواقي بيرسون (Pearson Residuals) وبواقي الانحراف (Deviance Residuals)، والتأكد من انخفاض نسبة انحراف النموذج إلى درجات الحرية نحو القيمة 1. كما تُستخدم حزمة ggplot2 الفائقة لتوليد المخططات البيانية التوزيعية، ومقارنة المنحنيات التجريبية بالمنحنيات النظرية المصمتة بدقة بصرية متناهية.

فيما يلي توضيح للخطوات البرمجية النموذجية في بيئة R: يتم أولاً استدعاء مكتبة MASS ومكتبة ggplot2، يلي ذلك توليد بيانات تحاكي عينة تجريبية تتضمن متغيراً تابعاً عدّياً يعاني من التشتت الزائد ومتغيرات تفسيرية مستقلة. يُطبَّق النموذج عبر الأمر model <- glm.nb(y ~ x1 + x2, data = dataset)، ثم تُستخرج المخرجات الإحصائية المفصلة عبر summary(model) لفحص المعاملات والأخطاء المعيارية وقيم الدلالة الإحصائية.

11.2 التطبيق البرمجي باستخدام بيئة Python

توفر بيئة الحوسبة العلمية في لغة Python منظومة متكاملة وشديدة المرونة لتحليل ونمذجة توزيع ذات الحدين السالب عبر مكتباتها القياسية الرائدة: SciPy، Statsmodels، و Scikit-Learn. في حزمة scipy.stats، يُتاح الكائن الإحصائي nbinom الذي يوفر دوال الحساب الاحتمالي المباشر؛ مثل nbinom.pmf(k, n, p) لحساب الاحتمال النقطي، nbinom.cdf(k, n, p) للاحتمال التراكمي، و nbinom.rvs(n, p, size=N) لتوليد العينات العشوائية المحاكية.

أما في مجال بناء نماذج الانحدار الإحصائي، فتُعد حزمة statsmodels.formula.api المنصة المركزية للمحللين؛ حيث توفر فئة NegativeBinomial ضمن نماذج النماذج الخطية المعممة (GLM)، أو تطبيق نموذج NegativeBinomial المباشر عبر واجهة الانحدار المنفصل statsmodels.discrete.discrete_model. تتيح هذه الحزم ملاءمة نوعين رئيسيين من التشتت: نموذج NB1 (حيث التباين خطي في المتوسط) ونموذج NB2 المعياري (حيث التباين دالة تربيعية في المتوسط: $\text{Var} = \mu + \alpha \mu^2$).

تتيح بيئة Python مقارنة النماذج المتنافسة بدقة عالية عبر استخراج معايير المفاضلة الإحصائية؛ كمعيار أكايكي للمعلومات (AIC)، معيار شوارتز البايزي (BIC)، واختبار نسبة الإمكان (Likelihood Ratio Test). هذه المعايير تُمكّن الباحث من حسم الاختيار الرياضي بصورة موضوعية بين نموذج بواسون الأبسط ونموذج ذات الحدين السالب الأوسع.

تكتمل المنظومة البرمجية في Python باستخدام مكتبات التصور البياني مثل matplotlib.pyplot و seaborn. يُستخدم الاقتران بين هاتين المكتبتين لرسم المدرجات التكرارية للبيانات الأصلية متراكبة مع دوال الكثافة المقدرة، ورسم فترات الثقة للتنبؤات السلوكية، مما يمنح الباحثين لوحات بيانية عالية الدقة للنشر العلمي والتقارير الأكاديمية.

11.3 تفسير المخرجات البرمجية وكتابة التقارير الإحصائية

يتطلب التحليل الإحصائي السليم فهماً عميقاً لكيفية قراءة وتفسير مخرجات النمذجة البرمجية الصادرة عن برمجيات التحليل. نظراً لأن نماذج انحدار ذات الحدين السالب تستخدم افتراضياً “دالة الربط اللوغاريتمي” (Log Link Function)، فإن معاملات الانحدار المقدرة ($\beta$) تمثل التغير في اللوغاريتم الطبيعي للمعدل المتوقع للحدث لكل وحدة زيادة في المتغير المستقل، وهي صيغة يصعب تفسيرها المباشر عملياً.

لتحقيق التفسير العملي والميداني الواضح، يقوم المحلل بتحويل هذه المعاملات إلى ما يُعرف بـ نسب معدلات الحدوث (Incidence Rate Ratios – IRR) من خلال أخذ الدالة الأسية لمعامل الانحدار: $\text{IRR} = \exp(\beta)$. يُفسر مقياس IRR بأنه نسبة التغير المضاعف في المعدل المتوقع؛ فإذا كانت قيمة $\text{IRR} = 1.25$ لمتغير تدريبي معين، فهذا يعني أن كل زيادة بمقدار وحدة واحدة في ذلك المتغير ترتبط بزيادة متوقعة قدرها 25% في معدل تكرار الحدث، مع ثبات سائر المتغيرات الأخرى في النموذج.

عند صياغة النتائج في التقارير الأكاديمية والبحوث المنشورة وفق معايير الجمعية الأمريكية لعلم النفس (APA 7th Edition)، يجب تضمين حزمة متكاملة من المؤشرات الإحصائية: معاملات النموذج غير المعيارية ($B$)، الأخطاء المعيارية ($SE$)، قيم إحصاء وايلد ($z$ أو $\text{Wald } \chi^2$)، مستويات الدلالة الدقيقة ($p$-values)، وفترات الثقة بنسبة 95% لنسب معدلات الحدوث ($95% \text{ CI for IRR}$)، بالإضافة إلى ذكر قيمة معلمة التشتت ($\alpha$ أو $\theta$) ومعايير جودة الملاءمة الإجمالية ($AIC, BIC$).

من أفضل الممارسات المنهجية لتجنب الأخطاء الشائعة في التفسير: الحذر من تفسير معاملات انحدار العدّ كتغيرات خطية مطلقة، والتأكد دائماً من تقرير ما إذا كان التشتت الزائد دالاً إحصائياً لتبرير اللجوء لنموذج ذات الحدين السالب أمام المحكمين والزملاء، وتجنب حذف القيم المتطرفة بشكل عشوائي دون فحص أثرها على مقدرات التشتت عبر فحص مسافات كوك (Cook’s Distance) والانحرافات التشخيصية المتقدمة.

12. التحديات الإحصائية والاعتبارات المتقدمة والامتدادات النظرية

12.1 نماذج التضخم الصفري وتجاوز العقبات الميدانية (Zero-Inflated Models)

تواجه الباحثين في العديد من الدراسات السلوكية والإكلينيكية معضلة إحصائية معقدة تُعرف بتضخم الأصفار (Excess Zeros)؛ حيث تحتوي البيانات الميدانية على نسبة هائلة من المشاهدات الصفرية تفوق حتى ما يمكن لتوزيع ذات الحدين السالب المعياري استيعابه. في هذه الحالات المتقدمة، يُلجأ إلى نموذج ذات الحدين السالب المتضخم بالصفر (Zero-Inflated Negative Binomial – ZINB)، والذي يفترض رياضياً أن البيانات تتولد عبر عمليتين احتمالية منفصلتين ومندمجتين في بنية هرمية واحدة.

يميز نموذج ZINB بين نوعين جوهريين ومفاهيميين من الأصفار:

  • الأصفار الهيكلية أو الحتمية (Structural Zeros): وهي الأصفار الصادرة عن أفراد أو وحدات لا تمتلك أصلاً أي قابلية أو فرصة لحدوث الحدث تحت أي ظرف (مثل قياس عدد مرات الحمل لدى الذكور، أو تكرار نوبات تعاطي المخدرات لدى أفراد لم يتعاطوا الإدمان قط).
  • الأصفار العشوائية أو الطارئة (Chance / Sampling Zeros): وهي الأصفار الصادرة عن أفراد يمتلكون القابلية للحدث ولكن صدف أن سجلوا صفراً خلال فترة الملاحظة التجريبية (مثل مدخن لم يدخن أي سيجارة في يوم جمع البيانات لظرف طارئ).

رياضياً، يدمج نموذج ZINB بين معادلة انحدار لوجستي لنمذجة احتمالية الانتماء إلى فئة الأصفار الهيكلية بالاحتمال $\pi_i$، ومعادلة انحدار ذات الحدين السالب لنمذجة تكرار الأحداث للفئة الأخرى، لتصبح دالة الكتلة الاحتمالية المركبة على الهيئة:
$$P(Y_i = y_i) = \begin{\cases} \pi_i + (1 – \pi_i) P_{\text{NB}}(Y_i = 0), &a\mp; \text{if } y_i = 0 \ (1 – \pi_i) P_{\text{NB}}(Y_i = y_i), &a\mp; \text{if } y_i > 0 \end{\cases}$$

للمفاضلة الإحصائية الصارمة بين النموذج السالب القياسي والنموذج المتضخم بالصفر ZINB، يُطبق اختبار فونغ (Vuong Test) لمقارنة النماذج غير المتداخلة. إذا كانت إحصائية فونغ موجبة ودالة إحصائياً ($V > 1.96$)، فإن ذلك يقدم دليلاً قاطعاً على تفوق نموذج التضخم الصفري وقدرته الفائقة على استيعاب التركيبة الثنائية لجمهرة البيانات الميدانية.

12.2 الامتدادات متعددة المتغيرات والنماذج الهرمية

مع تعقد التصميمات التجريبية في العلوم الحديثة، امتدت الأطر النظرية لتوزيع ذات الحدين السالب لتشمل النماذج متعددة المتغيرات (Multivariate Negative Binomial Models). يُستخدم هذا الامتداد المتقدم عند رصد استجابات عدّية متعددة ومترابطة لنفس الفرد عبر الزمن أو عبر أبعاد تشخيصية متزامنة (مثل رصد عدد نوبات الاكتئاب وعدد نوبات القلق في آن واحد)، حيث يتم بناء دالة كثافة احتمالية مشتركة تستوعب مصفوفة التغاير والترابط الكامن بين هذه الاستجابات المتعددة.

وفي سياق الدراسات الطولية (Longitudinal Studies) والبيانات المجمعة في بيئات عنقودية (كبيانات الطلاب داخل الفصول الدراسية، أو المرضى داخل المستشفيات)، تبرز النماذج الخطية المعممة المختلطة (Negative Binomial Generalized Linear Mixed Models – GLMM). تدمج هذه النماذج بين التأثيرات الثابتة للمتغيرات التفسيرية والتأثيرات العشوائية الفردية (Random Effects) التي تتبع توزيعات طبيعية متعددة المتغيرات، مما يتيح عزل التباين الناجم عن البنية الهرمية للمجتمع وضمان تقديرات غير متحيزة للمعاملات.

تفتح هذه النمذجة الهرمية آفاقاً تطبيقية واسعة في القياس النفسي متعدد المستويات (Multilevel Psychometrics)؛ حيث يمكن نمذجة تباين السلوك على مستوى الفرد، وعلى مستوى المجموعة، وعلى مستوى السياق الثقافي والمؤسسي بشكل متزامن وبدقة رياضية بالغة التعقيد، مما يمنح الباحثين القدرة على استكشاف التفاعلات المتقاطعة بين المستويات المختلفة وتأثيرها على استقرار الظاهرة السلوكية.

أما في الحقول المستقبلية المعاصرة لعلوم البيانات وبحوث الذكاء الاصطناعي والتعلم الآلي (Machine Learning)، فيُوظَّف توزيع ذات الحدين السالب كدالة خسارة احتمالية (Loss Function) في شبكات التعلم العميق ونماذج التعزيز المتدرج (Gradient Boosting) المخصصة لنمذجة تدفقات البيانات الضخمة شديدة التشتت؛ مثل التنبؤ بمعدلات النقر على الإعلانات (CTR)، تقدير مدد مكوث المرضى في المستشفيات، وتحليل وتوقع انتشار الأوبئة والعدوى الفيروسية في الشبكات الاجتماعية المعقدة.

خاتمة شاملة

استعرض هذا المقال الأكاديمي الموسع الأبعاد النظرية والتطبيقية لتوزيع ذات الحدين السالب، بدءاً من تعريفه الدقيق كنموذج منفصل يرصد عدد حالات الفشل السابقة لتحقيق عتبة مستهدفة من النجاحات في سلاسل محاكمات برنولي المستقلة، مروراً باشتقاقاته الجبرية الصارمة لدالة الكتلة الاحتمالية، التوقع الرياضي، التباين، والدوال المولدة. كما أبرزت التحليلات المكانة المركزية لهذا التوزيع كجسر يربط بين التوزيعات المنفصلة الكلاسيكية كالهندسي وبواسون، وقدرته الفريدة على العمل كخليط غاما-بواسون يعالج بكفاءة معضلة التشتت الزائد في البيانات الميدانية.

كما بيّنت المناقشة التطبيقية والبرمجية أن توزيع ذات الحدين السالب ليس مجرد صياغة رياضية مجردة، بل هو أداة نمذجة استراتيجية لا غنى عنها في حقول القياس النفسي، والعلوم السلوكية، والتربوية، والطبية، حيث يوفر حلاً جذرياً للبيانات العدّية غير المتجانسة والمتضخمة بالأصفار. إن الاستيعاب العميق للخصائص الهيكلية وطرق التقدير الإحصائي لهذا التوزيع يُمكّن الباحثين ومحللي البيانات من بناء نماذج تنبؤية فائقة الدقة والصرامة، قادرة على استنطاق الظواهر الواقعية المعقدة بأعلى مستويات الموثوقية العلمية.

References

اقتباس هذا المقال

looti, M. (2026, أغسطس 30). مقدمة إلى توزيع ذات الحدين السالب. عرب سايكلوجي. https://arabpsychology.com/statistics/introduction-to-negative-binomial-distribution/
looti, Mohammed. “مقدمة إلى توزيع ذات الحدين السالب.” عرب سايكلوجي, 30 أغسطس 2026, https://arabpsychology.com/statistics/introduction-to-negative-binomial-distribution/.
looti, Mohammed. “مقدمة إلى توزيع ذات الحدين السالب.” عرب سايكلوجي. أغسطس 30, 2026. https://arabpsychology.com/statistics/introduction-to-negative-binomial-distribution/.