‫‪www.e-estekhdam.

com‬‬
‫ﻣﺠﻤﻮﻋﻪ ﺟﺰوات آﻣﻮزﺷﻰ‬

‫ﺟﺰوه آﻣﻮزﺷﻰ‬
‫اﺣﺘﻤــﺎﻻت و‬
‫آﻣـﺎر ﺗﻮﺻﯿﻔﻰ‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫آﻣﺎر ﺗﻮﺻﻴﻔﻲ‬
‫ﺷﺎﻣﻞ ﻣﺠﻤﻮﻋﻪاي از روشﻫﺎ ﺑﺮاي ﺑﺮﻧﺎﻣﻪرﻳﺰي آزﻣﺎﻳﺶﻫﺎ‪ ،‬ﺑﺪﺳﺖآوردن اﻃﻼﻋﺎت و ﺳﭙﺲ ﺳﺎزﻣﺎﻧﺪﻫﻲ‪ ،‬ﺧﻼﺻﻪﺳﺎزي‪،‬‬
‫اراﺋﻪ و ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ اﻃﻼﻋﺎت و درﻧﻬﺎﻳﺖ ﻧﺘﻴﺠﻪﮔﻴﺮي ﺑﺮﻣﺒﻨﺎي اﻳﻦ اﻃﻼﻋﺎت ﻣﻲ ﺑﺎﺷﺪ‪ .‬آﻣﺎر در ﻟﻐﺖ ﺑﻪ ﻣﻌﻨﺎي‬
‫ﺷﻤﺎرش اﺳﺖ‪ .‬آﻣﺎر ﺗﻮﺻﻴﻔﻲ‪ ،‬ﻣﺠﻤﻮﻋﻪ روﺷﻬﺎﻳﻲ اﺳﺖ ﻛﻪ ﺑﻪ ﺧﻼﺻﻪ ﻛﺮدن‪ ،‬ﻃﺒﻘﻪ ﺑﻨﺪي‪ ،‬ﺗﻮﺻﻴﻒ و ﺗﻔﺴﻴﺮ دادهﻫﺎ‬
‫ﻣﻲﭘﺮدازد‪ .‬ﻫﺪف آﻣﺎر ﺗﻮﺻﻴﻔﻲ‪ ،‬ﺗﻮﺻﻴﻒ واﻗﻌﻴﺎت ﻣﻮﺟﻮد اﺳﺖ ﻛﻪ ﺗﻨﻬﺎ ﺧﻄﺎي ﻣﻮﺟﻮد در آن ﺧﻄﺎي اﻧﺪازهﮔﻴﺮي اﺳﺖ‪،‬‬
‫ﻣﺸﺨﺺﻛﺮدن ﻗﺪ داﻧﺶ آﻣﻮزان ﻳﻚ ﻛﻼس‪ ،‬ﺑﺮرﺳﻲ روﻧﺪ رﺷﺪ ﺳﺮاﻧﻪ ﻣﻠﻲ در ﺳﻪ ﺳﺎل ﮔﺬﺷﺘﻪ ﻧﻤﻮﻧﻪاي از ﻣﻔﺎﻫﻴﻢ ﻣﻮرد‬
‫ﺑﺮرﺳﻲ آﻣﺎر ﺗﻮﺻﻴﻔﻲ ﻫﺴﺘﻨﺪ‪ .‬ﻧﻤﺎدﻫﺎي ﻣﻬﻢ در آﻣﺎر ﻋﺒﺎرﺗﻨﺪ از‪:‬‬

‫ﺟﺎﻣﻌﻪ )ﭘﺎراﻣﺘﺮ(‬ ‫ﻧﻤﻮﻧﻪ )آﻣﺎره(‬ ‫ﺷﺎﺧﺺ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ‬

‫‪) µ‬ﻣﻮ(‬ ‫ﻣﻴﺎﻧﮕﻴﻦ‬
‫‪X‬‬
‫‪) P‬ﭘﻲ ﻫﺪ(‬
‫∧‬
‫‪ρ‬‬ ‫ﻧﺴﺒﺖ‬
‫‪) ρ xy‬رو(‬ ‫‪rxy‬‬ ‫ﻫﻤﺒﺴﺘﮕﻲ‬
‫‪2‬‬
‫‪) δ‬ﺳﻴﮕﻤﺎ ﺑﻪ ﺗﻮان دو(‬ ‫‪S2‬‬ ‫وارﻳﺎﻧﺲ‬
‫‪) δ‬ﺳﻴﮕﻤﺎ(‬ ‫‪S‬‬ ‫اﻧﺤﺮاف ﻣﻌﻴﺎر‬

‫‪N‬‬ ‫‪N‬‬ ‫ﺗﻌﺪاد‬

‫‪ = Xc‬ﺣﺪ ﻣﻴﺎﻧﻲ ﻧﻤﺮات‬ ‫‪ = X‬ﻧﻤﺮه ﻳﺎ ﻧﻤﺮه ﻫﺎ‬

‫‪ = Fi‬ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ‬ ‫‪ = L‬ﻛﺮاﻧﻪ ﻃﺒﻘﺎت‬
‫‪ = x‬اﻧﺤﺮاف ﻧﻤﺮه از ﻣﻴﺎﻧﮕﻴﻦ‬ ‫‪ = Fc‬ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ‬
‫‪ = SS‬ﻣﺠﻤﻮع ﻣﺠﺬورات اﻧﺤﺮاف ﻧﻤﺮه از ﻣﻴﺎﻧﮕﻴﻦ‬ ‫‪ = X2‬ﻣﺠﺬور)ﻣﺮﺑﻊ ﻧﻤﺮه( اﻧﺤﺮاف ﻧﻤﺮه از ﻣﻴﺎﻧﮕﻴﻦ‬
‫‪ = i‬ﻓﺎﺻﻠﻪ ﻃﺒﻘﺎﺗﻲ‬ ‫‪ = MS‬ﻣﻴﺎﻧﮕﻴﻦ ﻣﺠﻤﻮع ﻣﺠﺬور اﻧﺤﺮاف ﻧﻤﺮه از ﻣﻴﺎﻧﮕﻴﻦ‬
‫ﺣﺪ واﻗﻌﻲ اﻋﺪاد‬
‫ﺣﺪود واﻗﻌﻲ‪ :‬ﺣﺪود واﻗﻌﻲ ﻧﻤﺮات ﺑﺼﻮرت ﻛﻢ ﻛﺮدن ‪ 0/5‬ﻧﻤﺮه در اﻋﺪاد ﺻﺤﻴﺢ و در اﻋﺪاد اﻋﺸﺎري‪ ،‬ﻧﻴﻢ واﺣﺪ ﻳﻌﻨﻲ‬
‫‪ 0/005 -0/05‬و ﻣﺎﻧﻨﺪ آن ﻛﺴﺮ ﻣﻲﺷﻮد‪ .‬ﻳﻌﻨﻲ‪ :‬ﻛﺮاﻧﻪ ﻋﺪد ‪ 24/5 ← 25‬ﺗﺎ ‪ 25/5‬و ﻛﺮاﻧﻪ ﻋﺪد ‪ 25/45 ← 25/5‬ﺗﺎ ‪25/55‬‬
‫ﻣﻲﺑﺎﺷﺪ‪ .‬ﻣﻔﻬﻮم ﺣﺪود واﻗﻌﻲ ﻣﺨﺼﻮﺻﺎً زﻣﺎﻧﻲ ﻣﻔﻴﺪ اﺳﺖ ﻛﻪ اﻋﺪاد ﮔﺮوه ﺑﻨﺪي ﻳﺎ ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﻮﻧﺪ‪ .‬ﻣﺜﺎل‪ :‬ﭘﺲ از‬
‫اﺟﺮاي ﻳﻚ آزﻣﻮن رﻳﺎﺿﻲ ﻣﺸﺎﻫﺪه ﻣﻲ ﺷﻮد ﻛﻪ ‪ 10‬ﻧﻔﺮ ﻧﻤﺮه ‪ 12‬ﮔﺮﻓﺘﻪ اﻧﺪ‪ .‬اﻳﻦ ﺑﺪان ﻣﻌﻨﻲ ﻧﻴﺴﺖ ﻛﻪ ﻫﻤﻪ ﺗﻮاﻧﺎﻳﻲ‬
‫ﻳﻜﺴﺎن دارﻧﺪ‪ ،‬ﺑﻠﻜﻪ دﻗﻴﻖ ﻧﺒﻮدن وﺳﻴﻠﻪ اﻧﺪازه ﮔﻴﺮي ﻣﻤﻜﻦ اﺳﺖ ﻣﻮﺟﺐ اﻳﻦ اﻣﺮ ﺷﺪه ﺑﺎﺷﺪ‪ .‬ﺑﻪ اﻳﻦ ﺧﺎﻃﺮ ﻧﻴﺎز ﺑﻪ ﺣﺪود‬
‫واﻗﻌﻲ ﻣﻲﺑﺎﺷﺪ؛ ﻳﻌﻨﻲ ‪.11/5 -12/5‬‬
‫ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ‬
‫ﻋﺒﺎرﺗﺴﺖ از ﺳﺎزﻣﺎن دادن اﻧﺪازه ﻫﺎ ﻳﺎ ﻣﺸﺎﻫﺪات ﺑﻪ ﺻﻮرت ﻃﺒﻘﺎت ﻫﻤﺮاه ﺑﺎ ﻓﺮاواﻧﻲ ﻫﺮ ﻃﺒﻘﻪ‪ .‬ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ‪ ،‬دادهﻫﺎ‬
‫را ﺑﺼﻮرت ﺧﻼﺻﻪ و ﻣﺮﺗﺐ‪ ،‬ﺑﻪ ﻧﺤﻮي ﻛﻪ ﺗﻔﺴﻴﺮ آﻧﻬﺎ آﺳﺎن ﺷﻮد‪ ،‬ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﻨﺪ‪.‬‬

‫‪www.e-estekhdam.com‬‬ ‫‪2‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻣﺮاﺣﻞ ﺳﺎﺧﺖ ﺟﺪول ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ‬

‫‪ -1‬ﻣﺮﺗﺐ ﻛﺮدن اﻋﺪاد از ﻛﻮﭼﻚ ﺑﻪ ﺑﺰرگ ﻳﺎ ﺑﺮﻋﻜﺲ‪.‬‬
‫‪ -2‬ﻣﺸﺨﺺ ﻛﺮدن ﺗﻌﺪاد دﻓﻌﺎﺗﻲ ﻛﻪ ﻫﺮ ﻋﺪد ﺗﻜﺮار ﺷﺪه اﺳﺖ )ﺗﻌﺪاد ﻓﺮاواﻧﻲ(‪ .‬زﻣﺎﻧﻲ ﻛﻪ ﻫﻤﻪ اﻋﺪاد ﺗﻚﺗﻚ در‬
‫ﺟﺪول آورده ﺷﻮﻧﺪ‪ ،‬ﺟﺪول ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﻣﻨﻔﺮد ﻳﺎ ﻃﺒﻘﻪ ﺑﻨﺪي ﻧﺸﺪه ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد‪ .‬اﻣﺎ زﻣﺎﻧﻲ ﻛﻪ ﻧﻤﺮهﻫﺎ ﻳﺎ اﻋﺪاد‬
‫داراي داﻣﻨﻪ ﮔﺴﺘﺮده اي ﻫﺴﺘﻨﺪ و ﺗﻨﻈﻴﻢ اﻋﺪاد ﺑﺼﻮرت ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﻃﺒﻘﻪ ﺑﻨﺪي ﻧﺸﺪه وﻗﺘﮕﻴﺮ و ﻃﺎﻗﺖﻓﺮﺳﺎ اﺳﺖ‪،‬‬
‫اﻋﺪاد را ﻃﺒﻘﻪ ﺑﻨﺪي ﻣﻲ ﻛﻨﻴﻢ و از ﺟﺪول ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪) .‬در ﺣﺎل ﺣﺎﺿﺮ ﺑﺎ وﺟﻮد‬
‫راﻳﺎﻧﻪ ﻃﺒﻘﻪ ﺑﻨﺪي اﻋﺪاد ﻏﻴﺮ ﻣﻨﻄﻘﻲ اﺳﺖ( زﻳﺮا‪ :‬در اﺛﺮ ﻃﺒﻘﻪﺑﻨﺪيﻛﺮدن اﻃﻼﻋﺎت ﺑﺮﺧﻲ از اﻃﻼﻋﺎت از ﺑﻴﻦ ﻣﻲ رود‪.‬‬
‫ﺳﺘﻮن داده ﻫﺎ )ﻃﺒﻘﺎت( را در ﺟﺪول ﻓﺮاواﻧﻲ ﺑﺎ ‪ x‬ﻧﺸﺎن ﻣﻲ دﻫﻨﺪ‪ .‬ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ )‪ (f‬ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﻣﻘﺪار دﻓﻌﺎت‬
‫ﺗﻜﺮار ﻫﺮ داده در ﻫﺮ ﻃﺒﻘﻪ‪.‬‬
‫ﻣﺜﺎل‪ :‬در ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ درس آﻣﺎر ﻳﻚ ﻛﻼس‪ ،‬ﻧﻤﺮات ﺑﻪ ﺷﺮح زﻳﺮ ﻣﻲ ﺑﺎﺷﺪ ﺟﺪول ﻓﺮاواﻧﻲ ﻣﺮﺑﻮط ﺑﻪ ﺗﻮزﻳﻊ را ﻓﺮاﻫﻢ‬
‫‪X‬‬ ‫‪F‬‬ ‫ﻛﻨﻴﺪ؟‬
‫‪15‬‬ ‫‪1‬‬ ‫‪11-11-11-10 -15 -12 -10 -12 -11 -10 -11 -12-10‬‬
‫‪12‬‬ ‫‪3‬‬
‫‪11‬‬ ‫‪5‬‬
‫‪10‬‬ ‫‪4‬‬

‫ﻧﻜﺘﻪ‪ :‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺟﺪول ﻓﻮق‪ ،‬ﻋﺪد ‪ 5‬در ﺳﺘﻮن ‪ f‬ﺑﻴﺎﻧﮕﺮ اﻳﻦ اﺳﺖ ﻛﻪ ﻋﺪد ‪ 11‬ﭘﻨﺞ ﺑﺎر ﺗﻜﺮار ﺷﺪه اﺳﺖ‪ .‬اﮔﺮ دادهﻫـﺎي‬
‫ﺳﺘﻮن ﻓﺮاواﻧﻲ )‪ (F‬را ﺑﺎ ﻫﻢ ﺟﻤﻊ ﻛﻨﻴﻢ ﺗﻌﺪاد ﻛﻞ داده ﻫﺎ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ‪N =ΣF .‬‬
‫ﻳﻌﻨﻲ در ﻣﺜﺎل ﻓﻮق ‪N =13‬‬
‫ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه‬
‫زﻣﺎﻧﻲ ﻛﻪ ﺗﻌﺪاد اﻋﺪاد ﻳﻚ ﺗﻮزﻳﻊ و ﻫﻤﭽﻨﻴﻦ ﻓﺎﺻﻠﻪ ﺑﻴﻦ آﻧﻬﺎ ﺧﻴﻠﻲ زﻳﺎد ﺑﺎﺷﺪ‪ ،‬از ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﻃﺒﻘﻪﺑﻨﺪيﺷﺪه اﺳﺘﻔﺎده‬
‫ﻣﻲ ﺷﻮد‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬زﻣﺎﻧﻲ ﻛﻪ ﺗﻔﺎﺿﻞ ﺑﻴﻦ ﺑﺰرﮔﺘﺮﻳﻦ و ﻛﻮﭼﻜﺘﺮﻳﻦ ﻧﻤﺮه ﻳﺎ ﻋﺪد ﻣﺴﺎوي ﻳﺎ ﺑﺰﮔﺘﺮ از ‪ 20‬ﺑﺎﺷﺪ از ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ‬
‫ﻃﺒﻘﻪﺑﻨﺪيﺷﺪه اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬
‫ﻃﺒﻘﺎت ﺑﺎﻳﺴﺘﻲ ﻧﺎﺳﺎزﮔﺎر ﺑﺎﺷﻨﺪ‪ .‬ﻳﻌﻨﻲ ﻳﻚ ﻋﺪد ﻣﻌﻴﻦ ﻓﻘﻂ در ﻳﻚ ﻃﺒﻘﻪ ﻗﺮار داده ﺷﻮد‪ .‬ﻧﻤﺮه ﻫﺎي ﻓـﺮدي در اﻳـﻦ ﻧـﻮع‬
‫ﺗﻮزﻳﻊﻫﺎ ﻫﻮﻳﺖ ﺧﻮد را از دﺳﺖ ﻣﻲ دﻫﻨﺪ‪.‬‬
‫ﻧﺤﻮه ﺳﺎﺧﺘﻦ ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه‬
‫ﺑﺮاي ﺳﺎﺧﺘﻦ ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه دو روش وﺟﻮد دارد‪.‬‬
‫اﻟﻒ( روش ﻳﻜﻢ داراي ﻣﺮاﺣﻞ زﻳﺮ اﺳﺖ‪:‬‬
‫=‬‫‪R XH − XL +1‬‬ ‫‪ -1‬ﺗﻌﻴﻴﻦ داﻣﻨﻪ ﺗﻐﻴﻴﺮات‬
‫‪ -2‬ﺗﻘﺴﻴﻢ ‪ R‬ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﺮ ‪ 4-3-2-1‬ﺗﺎ ﺣﺎﺻﻞ از ‪ 20‬ﻛﻤﺘﺮ ﺷﻮد‪ .‬ﻋﺪد ﺑﺪﺳﺖ آﻣﺪه ﺗﻌﺪاد ﻃﺒﻘﺎت و ﻣﻘﺴﻮم ﻋﻠﻴﻪ ﻓﺎﺻﻠﻪ‬
‫ﻃﺒﻘﺎت ﻣﻲﺑﺎﺷﺪ‬

‫‪www.e-estekhdam.com‬‬ ‫‪3‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪ -3‬ﻧﻮﺷﺘﻦ ﻃﺒﻘﺎت‪ :‬اوﻟﻴﻦ ﻋﺪد ﺑﺎﻳﺪ از ﻛﻮﭼﻜﺘﺮﻳﻦ ﻋﺪد ﺗﻮزﻳﻊ ﻛﻮﭼﻜﺘﺮ ﺑﺎﺷﺪ و ﻣﻀﺮﺑﻲ از ﻓﺎﺻﻠﻪ ﻃﺒﻘﺎت ﻧﻴﺰ ﺑﺎﺷﺪ‪.‬‬
‫‪ -4‬ﻧﻮﺷﺘﻦ ﻓﺮاواﻧﻲ ﻃﺒﻘﺎت‬
‫ب( روش دوم داراي ﻣﺮاﺣﻞ زﻳﺮ اﺳﺖ‪:‬‬
‫‪ -1‬ﺗﻌﻴﻴﻦ داﻣﻨﻪ ﺗﻐﻴﻴﺮات‬
‫=‬
‫‪K 1+ 3/3 Log N‬‬ ‫‪ -2‬ﺗﻌﻴﻴﻦ ﺗﻌﺪاد ﻃﺒﻘﺎت ﺑﺎ اﺳﺘﻔﺎده از ﻗﺎﻧﻮن اﺳﺘﺮژ‬
‫‪R‬‬
‫=‪i‬‬ ‫‪ -3‬ﺗﻌﻴﻴﻦ اﻧﺪازه ﻳﺎ ﺣﺠﻢ ﻫﺮ ﻃﺒﻘﻪ )ﻓﺎﺻﻠﻪ ﻃﺒﻘﺎت(‬
‫‪K‬‬
‫‪ -4‬ﻧﻮﺷﺘﻦ ﻃﺒﻘﺎت‬
‫‪ -5‬ﻧﻮﺷﺘﻦ ﻓﺮاواﻧﻲ ﻃﺒﻘﺎت‬
‫ﻧﻜﺘﻪ‪ :‬ﺗﻌﺪاد ﻃﺒﻘﺎت اﺧﺘﻴﺎري اﺳﺖ و ﻣﻌﻤﻮﻻً ﺑﻴﻦ ‪ 10-20‬اﺳﺖ‪ .‬و اﮔﺮ ﺗﻌﺪاد ﻃﺒﻘﺎت ﺑﺰرﮔﺘﺮ از‪ 20‬ﺑﺎﺷﺪ‪ ،‬ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ‬
‫ﺟﺪول ﻧﻴﺎز ﺑﻪ وﻗﺖ و ﻛﺎر ﺑﻴﺸﺘﺮ دارد‪ .‬اﮔﺮ ﺗﻌﺪاد ﻃﺒﻘﺎت ﻛﻮﭼﻜﺘﺮ از‪ 10‬ﺑﺎﺷﺪ اﻧﺪازه ﻃﺒﻘﺎت ﺑﺰرگ ﻣﻲﺷﻮد و اﻃﻼﻋﺎت‬
‫ﺑﻴﺸﺘﺮي از دﺳﺖ ﻣﻲ رود‬
‫ﻧﻤﺎﻳﻨﺪه ﻃﺒﻘﺎت )ﻧﻘﺎط وﺳﻂ ﻃﺒﻘﺎت(‪ :‬ﻧﻤﺎﻳﻨﺪه ﻃﺒﻘﺎت ﻳﺎ ﻧﻘﺎط ﻣﻴﺎﻧﻲ را ﺑﺎ '‪ x‬ﻧﻤﺎﻳﺶ ﻣﻲ دﻫﻨﺪ و ازﻃﺮﻳﻖ ﻓﺮﻣﻮل زﻳﺮ‬

‫ﺣﺪ ﺑﺎﻻي ﻃﺒﻘﻪ‪+‬ﺣﺪ ﭘﺎﻳﻴﻦ ﻃﺒﻘﻪ = ' ‪X‬‬

‫ﺑﻪدﺳﺖ ﻣﻲآﻳﺪ‪:‬‬
‫‪2‬‬
‫ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﺗﺮاﻛﻤﻲ‪ :‬اﮔﺮ ﭘﮋوﻫﺸﮕﺮي ﻋﻼﻗﻤﻨﺪ ﺑﻪ داﻧﺴﺘﻦ ﺗﻌﺪاد اﻓﺮاد ﻳﺎ ﻧﻤﺮه ﻫﺎﻳﻲ ﺑﺎﺷﺪ ﻛﻪ در ﭘﺎﻳﻴﻦ ﻧﻤﺮه ﻳﺎ ﻋﺪد‬
‫ﺧﺎﺻﻲ وﺟﻮد دارﻧﺪ‪ ،‬ﻧﻴﺎز ﺑﻪ ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﺗﺮاﻛﻤﻲ دارد‪ .‬ﻓﺮاواﻧﻲ ﺗﺮاﻛﻤﻲ ﺑﺎ )‪ (cf‬ﻧﺸﺎن داده ﻣﻲ ﺷﻮد ﻛﻪ از ﺟﻤﻊﻛﺮدن‬
‫ﻓﺮاواﻧﻲﻫﺎي ﺳﺎده ﻫﺮ ﻃﺒﻘﻪ ﺑﺎ ﻃﺒﻘﻪ ﺑﺰرﮔﺘﺮ ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ‪.‬‬
‫ﻧﻜﺘﻪ‪ :1‬ﻓﺮاواﻧﻲ ﺗﺮاﻛﻤﻲ ﻛﻮﭼﻜﺘﺮﻳﻦ ﻃﺒﻘﻪ ﻫﻤﻴﺸﻪ ﺑﺮاﺑﺮ ﺑﺎ ﻓﺮاواﻧﻲ ﺳﺎده ﻳﺎ ﻣﻄﻠﻖ آن ﻃﺒﻘﻪ اﺳﺖ‪.‬‬
‫ﻧﻜﺘﻪ‪ :2‬ﻓﺮاواﻧﻲ ﺗﺮاﻛﻤﻲ ﺑﺰرﮔﺘﺮﻳﻦ ﻃﺒﻘﻪ ﻫﻤﻴﺸﻪ ﺑﺮاﺑﺮ ﺑﺎ ﻣﺠﻤﻮع داده ﻫﺎ )‪ (ΣF‬ﻳﺎ ‪ N‬ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ‬ ‫ﻣﺤﺎﺳﺒﻪي ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ‬
‫= ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ‬
‫ﺟﻤﻊ ﻛﻞ ﻓﺮاواﻧﻲ ﻫﺎ‬

‫درﺻﺪ ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ و ﺗﺮاﻛﻤﻲ‬

‫=‬
‫‪F‬‬
‫‪× 100‬‬ ‫ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ ﻫﺮ ﻃﺒﻘﻪ‬
‫‪P‬‬ ‫=‪P‬‬ ‫‪× 100‬‬
‫‪N‬‬ ‫ﺗﻌﺪاد ﻛﻞ ﻓﺮاواﻧﻲ ﻫﺎ‬
‫=‬
‫‪CF‬‬ ‫‪%‬‬
‫‪CF‬‬
‫‪× 100‬‬ ‫ﻓﺮاواﻧﻲ ﺗﺮاﻛﻤﻲ ﻫﺮ ﻃﺒﻘﻪ‬
‫= ‪Cf %‬‬ ‫‪× 100‬‬
‫‪N‬‬ ‫ﺗﻌﺪاد ﻛﻞ ﻓﺮاواﻧﻲ ﻫﺎ‬
‫ﻧﻤﻮدارﻫﺎ‬
‫ﻧﻤﻮدار داﻳﺮهاي‪ :‬ﻧﻤﻮداري اﺳﺖ ﻛﻪ ﺑﺎ داده ﻫﺎي اﺳﻤﻲ و ﻛﻴﻔﻲ ﺑﻜﺎر ﻣﻲ رود‪ .‬ﺑﺮاي ﻣﺤﺎﺳﺒﻪ درﺟﻪ و زاوﻳﻪ ﻣﺮﻛﺰي‬
‫ﻣﺘﻌﻠﻖ ﺑﻪ ﻳﻚ ﮔﺮوه از ﻓﺮﻣﻮل زﻳﺮ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪:‬‬
‫‪n‬‬
‫= ˚ درﺟﻪ‬ ‫‪× 360‬‬
‫‪N‬‬

‫‪www.e-estekhdam.com‬‬ ‫‪4‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻣﺜﺎل‪ :‬اﮔﺮ داﺧﻞ ﻳﻚ ﮔﺮوه ‪ 120‬ﻧﻔﺮي‪ 60‬ﻧﻔﺮ ﻗﺒﻮل‪ 40 ،‬ﻧﻔﺮ ﺗﺠﺪﻳﺪ و‪ 20‬ﻧﻔﺮ ﻣﺮدود ﺷﺪه ﺑﺎﺷﻨﺪ‪ ،‬درﺟﻪ ﻣﺮﺑﻮط ﺑﻪ‬
‫ﺗﺠﺪﻳﺪيﻫﺎ ﭼﻨﺪ اﺳﺖ؟‬

‫ﻣﺮدود ﻗﺒﻮل‬

‫ﺗﺠﺪﻳﺪ‬

‫ﻧﻤﻮدار ﺳﺘﻮﻧﻲ )ﻣﻴﻠﻪاي(‪ :‬ﻧﻤﻮداري اﺳﺖ ﻛﻪ ﺑﺎ داده ﻫﺎي اﺳﻤﻲ ﺑﻜﺎر ﻣﻲ رود ﻛﻪ در ﻣﺤﻮر ﻋﻤﻮدي‪ ،‬ﻓﺮاواﻧﻲ و در‬
‫ﻣﺤﻮر اﻓﻘﻲ ﻃﺒﻘﺎت ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ‪ .‬در ﻧﻤﻮدار ﻣﻴﻠﻪ اي ﻓﺎﺻﻠﻪ ﺑﻴﻦ اﻋﺪاد و ﻧﻘﺎط ﻳﻜﺴﺎن و ﺛﺎﺑﺖ اﺳﺖ‪ .‬ﻣﺜﻞ ﺗﻌﺪاد‬
‫ﻓﺮزﻧﺪان‪ .‬وﻟﻲ اﮔﺮ ﺑﺮاي ﻣﺘﻐﻴﺮﻫﺎي ﻃﺒﻘﻪ اي ﻣﺎﻧﻨﺪ ﻗﺒﻮﻟﻲ‪ -‬ﻣﺮدودي‪ ،‬رﻧﮓ ﭼﺸﻢ و اﻋﺘﻘﺎدات ﻣﺬﻫﺒﻲ ﻧﻤﻮدار رﺳﻢ ﺷﻮد‪،‬‬
‫ﻫﻴﭻ ﺿﺮورﺗﻲ ﻧﺪارد ﻛﻪ ﻓﺎﺻﻠﻪ ﻫﺎ در ﻣﺤﻮر ‪ X‬ﺛﺎﺑﺖ ﻣﻲﻣﺎﻧﺪ‪ .‬ﺑﺮاي اﻳﻦ ﻣﺘﻐﻴﺮﻫﺎ از ﻧﻤﻮدار داﻳﺮه اي و ﻣﺎﻧﻨﺪ آن اﺳﺘﻔﺎده‬
‫ﻣﻲ ﻛﻨﻨﺪ )ﻧﻤﻮدار ﭘﺎي(‪ .‬ﻣﺜﺎل‪:‬‬

‫ﻧﻤﻮدار ﻫﻴﺴﺘﻮﮔﺮام‪ :‬ﺑﺎ داده ﻫﺎي ﻓﺎﺻﻠﻪ اي و ﻧﺴﺒﺘﻲ ﺑﻪ ﻛﺎر ﻣﻲ رود‪ .‬ﻧﻤﻮداري ﺷﺒﻴﻪ ﻧﻤﻮدار ﺳﺘﻮﻧﻲ اﺳﺖ‪ ،‬وﻟﻲ در آن‬
‫ﺳﺘﻮﻧﻬﺎ ﺑﻪ ﻫﻢ ﭼﺴﺒﻴﺪه اﺳﺖ و در ﻣﺤﻮر اﻓﻘﻲ )‪ (X‬ﻛﺮاﻧﻪ )ﺣﺪود واﻗﻌﻲ( ﻃﺒﻘﺎت و در ﻣﺤﻮر ﻋﻤﻮدي )‪ (y‬ﻓﺮاواﻧﻲ‬
‫ﻣﻄﻠﻖ ﻗﺮار ﻣﻲ ﮔﻴﺮد‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬اﻳﻦ ﻧﻤﻮدار‪ ،‬اﻏﻠﺐ در ﻣﻮاردي اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﻛﻪ ﺑﺨﻮاﻫﻴﻢ ﻓﻘﻂ ﻳﻚ ﻧﻤﻮدار واﺣﺪ را ﻧﺸﺎن دﻫﻴﻢ‪ ،‬درﺣﺎﻟﻴﻜﻪ در‬
‫ﻣﻮﻗﻌﻴﺖﻫﺎي آزﻣﺎﻳﺸﻲ و ﺷﺒﻪ آزﻣﺎﻳﺸﻲ ﻛﻪ ﻣﺎﻳﻠﻴﻢ ﻧﻤﺮه ﻫﺎي آزﻣﻮدﻧﻲ ﻫﺎي دو ﮔﺮوه ﻣﺠﺰا را ﺑﺎ ﻫﻢ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﻢ ﻧﺎﮔﺰﻳﺮ‬
‫ﻫﺴﺘﻴﻢ از ﭘﻠﻴﮕﻮن اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪.‬‬
‫ﻣﺜﺎل‪:‬‬

‫‪i‬‬
‫‪400-499‬‬ ‫‪2‬‬
‫‪300-399‬‬ ‫‪1‬‬
‫‪200-299‬‬ ‫‪14‬‬
‫‪100-199‬‬ ‫‪12‬‬
‫‪0-99‬‬ ‫‪11‬‬

‫ﻧﻤﻮدار ﭼﻨﺪﺿﻠﻌﻲ )ﭘﻠﻴﮕﻮن(‪ :‬ﺑﺎ داده ﻫﺎي ﻓﺎﺻﻠﻪ اي و ﻧﺴﺒﺘﻲ ﺑﻪ ﻛﺎر ﻣﻲ رود‪ .‬ﻧﻤﻮداري ﺷﺒﻴﻪ ﻧﻤﻮدار ﻫﺴﻴﺘﻮﮔﺮام اﺳﺖ‬
‫ﻛﻪ در ﻣﺤﻮر ‪ X‬ﭼﻨﺪ ﻧﻤﺮه ﻣﻴﺎﻧﻲ و در ﻣﺤﻮر ‪ Y‬ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ ﻗﺮار ﻣﻲ ﮔﻴﺮد‪.‬‬

‫‪www.e-estekhdam.com‬‬ ‫‪5‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻧﻜﺘﻪ‪ :‬ﺑﺮاي ﻣﻘﺎﻳﺴﻪ ﭼﻨﺪ ﮔﺮوه در ﻳﻚ ﻣﺤﻮر ﻣﺨﺘﺼﺎت اﮔﺮ ﺗﻌﺪاد آزﻣﻮدﻧﻲﻫﺎ در ﮔﺮوه ﻫﺎ ﺑﺮاﺑﺮ ﺑﺎﺷﺪ‪ ،‬ﻣﻲﺗﻮان از ﻧﻤﻮدار‬
‫ﺳﺘﻮﻧﻲ و ﻳﺎ ﻫﻴﺴﺘﻮﮔﺮام اﺳﺘﻔﺎده ﻛﺮد‪ ،‬وﻟﻲ اﮔﺮ ﺗﻌﺪاد اﻓﺮاد ﮔﺮوه ﻫﺎ ﺑﺮاﺑﺮ ﻧﺒﺎﺷﺪ ﺑﺎﻳﺪ از اﻳﻦ ﺗﻮزﻳﻊ اﺳﺘﻔﺎده ﻛﺮد‪.‬‬
‫ﻧﻤﻮدار ﭼﻨﺪﺿﻠﻌﻲ ﺗﺮاﻛﻤﻲ )اﺟﺎﻳﻮ(‪ :‬ﻣﺎﻧﻨﺪ ﻧﻤﻮدار ﭼﻨﺪ ﺿﻠﻌﻲ اﺳﺖ ﻛﻪ ﺑﺎ داده ﻫﺎي ﻧﺴﺒﺘﻲ و ﻓﺎﺻﻠﻪ اي ﺑﻪﻛﺎرﻣﻲرود‪.‬‬
‫در ﻣﺤﻮر ‪ X‬ﻛﺮاﻧﻪ ﻃﺒﻘﺎت و در ﻣﺤﻮر ‪ Y‬ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ ﻗﺮار ﻣﻲ ﮔﻴﺮد‪ .‬اﮔﺮ ﺑﻪ ﺟﺎي ﻓﺮاواﻧﻲ ﺗﺮاﻛﻤﻲ درﺻﺪ ﻓﺮاواﻧﻲ‬
‫ﺗﺮاﻛﻤﻲ را ﺑﻪ ﺻﻮرت ﻫﻨﺪﺳﻲ ﻧﻤﺎﻳﺶ دﻫﻴﻢ ﺣﺎﺻﻞ اﺟﺎﻳﻮ ﺧﻮاﻧﺪه ﻣﻲ ﺷﻮد‪.‬‬
‫اﻳﻦ ﻧﻤﻮدار وﻗﺘﻲ ﻣﻔﻴﺪ اﺳﺖ ﻛﻪ ﭘﮋوﻫﺸﮕﺮ ﻋﻼﻗﻤﻨﺪ ﺑﺎﺷﺪ وﺿﻌﻴﺖ ﻳﻚ ﻧﻤﺮه ﻳﺎ ﻳﻚ ﻓﺮد را ﻧﺴﺒﺖ ﺑﻪ ﺑﻘﻴﻪ ﻧﻤﺮه ﻫﺎ ﻳﺎ‬
‫اﻓﺮاد ﻣﺸﺨﺺ ﻛﻨﺪ‪ .‬ﺑﺮاي ﺗﺮﺳﻴﻢ اﻳﻦ ﻧﻤﻮدار در روي ﻣﺤﻮر ﻋﺮﺿﻲ )‪ (Y‬ﻓﺮاواﻧﻲ ﺗﺮاﻛﻤﻲ و در روي ﻣﺤﻮر ﻃﻮﻟﻲ )‪(X‬‬
‫ﺣﺪود واﻗﻌﻲ ﻃﺒﻘﺎت ﻗﺮار ﻣﻲ ﮔﻴﺮد‪ .‬ﻣﺜﻞ ﻧﻤﻮدار ﭼﻨﺪ ﺿﻠﻌﻲ اﺳﺖ‪.‬‬

‫ﺷﺎﺧﺺ ﻫﺎي ﮔﺮاﻳﺶ ﻣﺮﻛﺰي‬

‫ﻧﻤﺎ )ﻣﺪ(‬
‫ﺑﻲ ﺛﺒﺎت ﺗﺮﻳﻦ ﺷﺎﺧﺺ ﮔﺮاﻳﺶ ﻣﺮﻛﺰي اﺳﺖ ﻛﻪ ﺑﺎ داده ﻫﺎي اﺳﻤﻲ ﺑﻜﺎر ﻣﻲ رود و ﻋﺪدي اﺳﺖ ﻛﻪ داراي ﺑﻴﺸﺘﺮﻳﻦ‬
‫ﻓﺮاواﻧﻲ ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﻣﺜﻼً‪1-5-6-7-5-6-7-6-6-6-6-6-6- 6-5-9 :‬‬
‫در اﻳﻨﺠﺎ ﻧﻤﺎ ﻋﺪد ‪ 6‬اﺳﺖ‪ .‬ﺑﺮﺧﻲ ﻣﻮارد ﺗﻮزﻳﻊ‪ ،‬دوﻧﻤﺎﻳﻲ ﻳﺎ ﭼﻨﺪﻧﻤﺎﻳﻲ ﻣﻲ ﺷﻮد ﻣﺜﻞ‪1-2-3-2-4-5-5-6-7 :‬‬
‫‪2+5‬‬
‫اﺳﺖ‪.‬‬ ‫در اﻳﻨﺠﺎ ‪ 2‬و ‪ 5‬ﻧﻤﺎ ﻫﺴﺘﻨﺪ ﻛﻪ ﻧﻤﺎ در اﺻﻞ ‪= 3/5‬‬
‫‪2‬‬

‫‪www.e-estekhdam.com‬‬ ‫‪6‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪X‬‬ ‫‪Fi‬‬ ‫در ﺟﺪول ﻓﺮاواﻧﻲ‪ ،‬ﻧﻤﺎ ﻋﺒﺎرﺗﺴﺖ از ﻋﺪدي ﻛﻪ ‪ Fi‬آن ﺑﺰرﮔﺘﺮ اﺳﺖ‪.‬‬
‫‪5‬‬ ‫‪5‬‬
‫در اﻳﻨﺠﺎ ﻋﺪد ‪ 4‬ﻧﻤﺎ اﺳﺖ‪ ،‬زﻳﺮا ﻋﺪد ﭼﻬﺎر‪ 9 ،‬ﺑﺎر ﺗﻜﺮار ﺷﺪه اﺳﺖ‪.‬‬
‫‪4‬‬ ‫‪9‬‬
‫‪3‬‬ ‫‪3‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪1‬‬ ‫‪6‬‬
‫ﻧﻜﺘﻪ‪ :1‬ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻧﻤﺎ ﺑﺎﻳﺪ اﺑﺘﺪا اﻋﺪاد را از ﻛﻮﭼﻚ ﺑﻪ ﺑﺰرگ ﻣﺮﺗﺐ ﻛﻨﻴﻢ‪.‬‬
‫ﻧﻜﺘﻪ‪ :2‬در ﻣﻮﻗﻌﻴﺖ ﻫﺎﻳﻲ ﻛﻪ دو ﻋﺪد ﻣﺠﺎور ‪ x‬ﻓﺮاواﻧﻲ ﻳﻜﺴﺎن داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﻛﻪ ﺑﺰرﮔﺘﺮ از ﻓﺮاواﻧﻲ ﺳﺎﻳﺮ ارزش ﻫـﺎي ‪x‬‬
‫ﺑﺎﺷﻨﺪ‪ ،‬ﻧﻤﺎ را ﻣﻲ ﺗﻮان ﺑﻪ ﻃﻮر ﻗﺮاردادي ﺑﻪ ﻋﻨﻮان ﻣﻴﺎﻧﮕﻴﻦ دو ارزش ﻣﺠﺎور ‪ x‬در ﻧﻈﺮ ﮔﺮﻓﺖ‪.‬‬
‫‪3+4‬‬
‫= ﻣﻴﺎﻧﻪ ‪1-2-3-3-4-4-5‬‬ ‫‪= 3/5‬‬
‫‪2‬‬
‫ﻧﻜﺘﻪ‪ :3‬در ﺟﺎﻳﻲ ﻛﻪ ارزش ﻫﺎي ﻏﻴﺮ ﻣﺠﺎور ﻓﺮاواﻧﻲ ﻫﺎي ﺑﺰرﮔﺘﺮ از ﻓﺮاواﻧﻲ ﻫﺎي ﻃﺒﻘﻪ ﻫﺎي ﻣﺠﺎور داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪،‬‬
‫ﻫﺮﻛﺪام از اﻳﻦ ارزش ﻫﺎ را ﻣﻲ ﺗﻮان ﺑﻪ ﻋﻨﻮان ﻧﻤﺎ در ﻧﻈﺮ ﮔﺮﻓﺖ‪ .‬در ﭼﻨﻴﻦ ﺷﺮاﻳﻄﻲ ﺗﻮزﻳﻊ دوﻧﻤﺎﻳﻲ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪.‬‬
‫‪11-11-12-12-12-13 -13-13-13-13-14-14-14-15-15-15-15-16-16-17-17-18‬‬
‫در اﻳﻨﺠﺎ ﻋﺪد ‪ 13‬ﭘﻨﺞ ﺑﺎر ﺗﻜﺮار ﺷﺪه ﺑﻪ ﻃﻮري ﻛﻪ اﻳﻦ ﻓﺮاواﻧﻲ ﺑﺰرﮔﺘﺮ از ﻓﺮاواﻧﻲ ارزش ﻫﺎي ﻣﺠﺎور اﺳﺖ‪ .‬ﻫﻤﭽﻨﻴﻦ‬
‫ﻋﺪد ‪ 15‬ﭼﻬﺎر ﺑﺎر ﺗﻜﺮار ﺷﺪه و اﻳﻦ ﻓﺮاواﻧﻲ ﻧﻴﺰ ﺑﺰرﮔﺘﺮ از ﻓﺮاواﻧﻲ ارزش ﻫﺎي ﻣﺠﺎور اﺳﺖ‪ .‬اﻳﻦ ﻣﺠﻤﻮﻋﻪ از ﻣﺸﺎﻫﺪهﻫﺎ‬
‫داراي دوﻧﻤﺎ اﺳﺖ )ﻓﺮﮔﻮﺳﻦ‪ ،‬ﺗﺎﻛﺎﻧﻪ‪.(1380 ،‬‬
‫ﻣﺤﺎﺳﺒﻪ ﻧﻤﺎ در داده اي ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه‬
‫از ﻣﻌﺎدﻟﻪي زﻳﺮ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد‪ ،‬ﻛﻪ در آن‪:‬‬
‫‪ = L‬ﺣﺪ واﻗﻌﻲ ﭘﺎﻳﻴﻦ ﻃﺒﻘﻪ اي ﻛﻪ داراي ﺑﻴﺸﺘﺮﻳﻦ ﻓﺮاواﻧﻲ اﺳﺖ‬
‫‪ = i‬ﻃﻮل ﻳﺎ ﻓﺎﺻﻠﻪ ﻃﺒﻘﺎت‬
‫‪ = d1‬ﺗﻔﺎوت ﻓﺮاواﻧﻲ ﻃﺒﻘﻪ ﻧﻤﺎدار از ﻓﺮاواﻧﻲ ﻃﺒﻘﻪ ﻗﺒﻞ‬
‫‪ = d2‬ﺗﻔﺎوت ﻓﺮاواﻧﻲ ﻃﺒﻘﻪ ﻧﻤﺎدار از ﻃﺒﻘﻪ ﺑﻌﺪ‪.‬‬
‫ﻣﺜﺎل‪:‬‬
‫‪X‬‬ ‫‪F‬‬
‫‪54-56‬‬ ‫‪1‬‬ ‫‪d1‬‬
‫( ‪MO = L + i‬‬ ‫)‬
‫‪d1 + d 2‬‬
‫‪57-59‬‬ ‫‪3‬‬
‫‪d1 = 8 − 6 = 2‬‬
‫‪60-62‬‬ ‫‪6‬‬
‫‪d2 = 8 − 2 = 6‬‬
‫‪63-65‬‬ ‫‪8‬‬ ‫ﻃﺒﻘﻪ ﻧﻤﺎ ←‬
‫‪2‬‬
‫‪66-68‬‬ ‫‪2‬‬ ‫=‬
‫(‪MO 62/5 + 3‬‬ ‫‪) = 63/25‬‬
‫‪2+6‬‬

‫ﻧﻜﺘﻪ‪ :‬ﭼﻨﺎﻧﭽﻪ ﺗﻮزﻳﻊ ﻧﺮﻣﺎل ﺑﺎﺷﺪ‪ ،‬ﻧﻤﺎ از ﻓﺮﻣﻮل زﻳﺮ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد‪MO = 3Md -2 X :‬‬

‫‪www.e-estekhdam.com‬‬ ‫‪7‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻣﻴﺎﻧﻪ‬
‫ﻣﻴﺎﻧﻪ ﺟﺎﻳﮕﺎﻫﻲ در ﺗﻮزﻳﻊ ﻧﻤﺮه ﻫﺎﺳﺖ و ﺗﻮزﻳﻊ ﻧﻤﺮه ﻫﺎ را ﺑﻪ دو ﻗﺴﻤﺖ ﻣﺴﺎوي ﺗﻘﺴﻴﻢ ﻣﻲ ﻛﻨﺪ؛ ﻳﻌﻨﻲ ﺟﺎﻳﻲ اﺳﺖ ﻛﻪ‬
‫دﻗﻴﻘﺎً ‪ 50‬درﺻﺪ ﻧﻤﺮه ﻫﺎ ﺑﺎﻻي آن و ‪ 50‬درﺻﺪ ﻧﻤﺮه ﻫﺎ زﻳﺮ آن ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ‪ .‬ﻣﻴﺎﻧﻪ از ﻧﻤﺎ ﺑﺎﺛﺒﺎتﺗﺮ و از ﻣﻴﺎﻧﮕﻴﻦ‬
‫ﺑﻲﺛﺒﺎتﺗﺮ اﺳﺖ و ﺑﺎ داده ﻫﺎي رﺗﺒﻪ اي ﺑﻜﺎر ﻣﻲ رود‪ .‬زﻳﺮا ﻣﺎ اﺑﺘﺪا ﻧﻤﺮه ﻫﺎ را از ﻛﻮﭼﻚ ﺑﻪ ﺑﺰرگ ﻣﺮﺗﺐ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫ﻃﺮﻳﻘﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻴﺎﻧﻪ ﻧﻤﺮات ﺧﺎم در اﻋﺪاد ﮔﺴﺴﺘﻪ‬
‫اﺑﺘﺪا ﻧﻤﺮه ﻫﺎ را از ﻛﻮﭼﻚ ﺑﻪ ﺑﺰرگ ﻣﺮﺗﺐ ﻣﻲ ﻛﻨﻴﻢ و ﺳﭙﺲ اﮔﺮ ﺗﻌﺪاد اﻋﺪاد ﻓﺮد ﺑﺎﺷﺪ‪ ،‬ﻣﻴﺎﻧﻪ‪ ،‬ﻋﺪد وﺳﻂ اﺳﺖ‪.‬‬
‫‪5-6-1-3-4-9-12‬‬ ‫ﻣﺜﺎل‪:‬‬
‫‪ 1-3-4- 5 -6-9-12‬در اﻳﻨﺠﺎ ﻋﺪد ‪ 5‬ﻣﻴﺎﻧﻪ اﺳﺖ‬ ‫ﻣﺜﺎل‪:‬‬
‫ﻣﺜﺎل‪ :‬در ﺗﻮزﻳﻊ اﻋﺪاد ‪ 12-8-17-30-30-21-5-4-31‬ﻣﻴﺎﻧﻪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪.17‬‬
‫ﻃﺮﻳﻘﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻴﺎﻧﻪ اﻋﺪاد ﺧﺎم در ﺗﻌﺪاد زوج‬
‫‪ -1‬اﻋﺪاد را از ﻛﻮﭼﻚ ﺑﻪ ﺑﺰرگ ﻣﺮﺗﺐ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫‪3-5-8-2-9-12‬‬ ‫‪ -2‬دو ﻋﺪد وﺳﻂ را ﺑﺎ ﻫﻢ ﺟﻤﻊ و ﺗﻘﺴﻴﻢ ﺑﺮ دو ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫‪2-3-5-8-9-12‬‬ ‫‪ 8+5‬ﺑﺮاﺑﺮ ‪ 13‬و ‪ 13‬ﺗﻘﺴﻴﻢ ﺑﺮ ‪ 2‬ﻣﻴﺎﻧﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد ﻛﻪ ﺑﺮاﺑﺮ ‪ 6/5‬ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﻧﻤﺮه ﻳﺎ ﻋﺪدي ﻛﻪ ﺗﻮزﻳﻊ را ﺑﻪ دو ﻗﺴﻤﺖ ﺗﻘﺴﻴﻢ ﻣﻲ ﻛﻨﺪ ﺗﻜﺮاري اﺳﺖ‪ ،‬ﻣﻴﺎﻧﻪ ازﻃﺮﻳﻖ ﻣﺤﺎﺳﺒﻪ ﺑﺪﺳﺖ‬
‫ﻣﻲآﻳﺪ‪.‬‬
‫اﻟﻒ( اﺑﺘﺪا ﺣﺪ ﭘﺎﻳﻴﻦ ﻋﺪد ﺗﻜﺮاري ﻛﻪ ﻣﻴﺎﻧﻪ ﻳﻜﻲ از آﻧﻬﺎ اﺳﺖ را ﻣﻲ ﻧﻮﻳﺴﻴﻢ‪.‬‬
‫ب( ﻛﺴﺮي را در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻳﻢ ﻛﻪ ﻣﺨﺮج آن ﺗﻌﺪاد اﻋﺪاد ﺗﻜﺮاي و ﺻﻮرت آن ﻧﺸﺎندﻫﻨﺪه ﺗﻌﺪاد اﻋﺪاد ﺗﻜﺮاي اﺳﺖ‬
‫ﻛﻪ در ﺳﻤﺖ ﭼﭗ ﺧﻂ رﺳﻢ ﻛﻨﻨﺪه ﻣﻴﺎﻧﻪ ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ‪.‬‬
‫ج( ﺣﺎﺻﻞ ﻣﺮاﺣﻞ )اﻟﻒ( و )ب( را ﺑﺎ ﻫﻢ ﺟﻤﻊ و ﻣﻴﺎﻧﻪ را ﺑﺪﺳﺖ ﻣﻲ آورﻳﻢ‪) .‬ﻣﻴﺎﻧﻪ روي ﻋﺪد ‪ 4‬ﻣﻲاﻓﺘﺪ‪ ،‬ﺑﻨﺎﺑﺮاﻳﻦ ﻧﻴﻤﻲ‬
‫از آن ﺑﻌﻼوهي ﻳﻚ ﻣﻮرد ‪ 4‬ﻗﺒﻞ از آن ﺟﻤﻌﺎً ‪ 1/5‬ﺗﺎ از ‪ 4‬ﻫﺎ ﺑﻪ ﺣﺪ ﭘﺎﻳﻴﻦ اﺿﺎﻓﻪ ﻣﻲ ﺷﻮد( ﻣﺎﻧﻨﺪ‪:‬‬
‫‪1/5‬‬
‫‪3-4-4-5-6‬‬ ‫‪ = 3/5+‬ﻣﻴﺎﻧﻪ‬ ‫‪=4/25‬‬
‫‪2‬‬
‫‪2‬‬
‫‪1-2-3-3⊥3-4-5-6‬‬ ‫‪ = 3/5+ =3/17‬ﻣﻴﺎﻧﻪ‬
‫‪3‬‬
‫ﻣﺤﺎﺳﺒﻪ ﻣﻴﺎﻧﻪ در ﺟﺪول اﻋﺪاد ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه‬
‫‪ -1‬اﺑﺘﺪا ﻧﻤﺮات را از ﻛﻮﭼﻚ ﺑﻪ ﺑﺰرگ ﻣﺮﺗﺐ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫‪ -2‬ﺳﭙﺲ ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ و ﺟﺪول را ﺗﺸﻜﻴﻞ و ﺑﺎ ﻓﺮﻣﻮل ﻧﻤﺮات ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه ﻣﻴﺎﻧﻪ را ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫‪3-5-2-4-8-4-4-4-4-2‬‬ ‫ﻣﺜﺎل‪:‬‬
‫‪N‬‬
‫‪X‬‬ ‫‪Fi‬‬ ‫‪Fc‬‬ ‫‪− FC‬‬
‫‪8‬‬ ‫‪1‬‬ ‫‪10‬‬ ‫‪md L + 2‬‬
‫=‬ ‫‪ =L‬ﺣﺪ ﭘﺎﻳﻴﻦ ﻃﺒﻘﻪ ﻣﻴﺎﻧﻪ دار ‪i‬‬
‫‪Fi‬‬
‫‪5‬‬ ‫‪1‬‬ ‫‪9‬‬
‫‪N‬‬
‫‪4‬‬ ‫‪5‬‬ ‫‪8‬‬ ‫ﻃﺒﻘﻪي ﻣﻴﺎﻧﻪ دار= ﻣﺠﻤﻮع ﻓﺮاواﻧﻲ ﺗﻘﺴﻴﻢ ﺑﺮ دو=‬
‫‪2‬‬
‫‪3‬‬ ‫‪1‬‬ ‫‪3‬‬

‫‪www.e-estekhdam.com‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪∑F=10‬‬
‫‪2‬‬
‫‪8‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪ = Fc‬ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ ﻣﺎﻗﺒﻞ ﺳﻄﺮي ﻛﻪ در آن ﻣﻴﺎﻧﻪ واﻗﻊ ﺷﺪه اﺳﺖ‪.‬‬

‫‪ = Fi‬ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ ﻃﺒﻘﻪ ﻣﻴﺎﻧﻪ دار‬
‫‪Fc=3 ,‬‬ ‫‪Fi=5‬‬ ‫‪,‬‬ ‫‪i=1‬‬ ‫‪ = i‬ﻓﺎﺻﻠﻪ ﻃﺒﻘﺎﺗﻲ‬
‫ﻣﺜﺎل‪:‬‬
‫‪N‬‬
‫‪− Fc‬‬ ‫‪5−3‬‬
‫‪md=L+ 2‬‬ ‫‪×i‬‬ ‫⇒‬ ‫‪md=3/5+‬‬ ‫‪×1‬‬ ‫‪md=3/9‬‬
‫‪Fi‬‬ ‫‪5‬‬

‫ﻧﻜﺘﻪ‪ :‬در ﺻﻮرﺗﻲ ﻛﻪ داده در ﻣﻘﻴﺎس ﻓﺎﺻﻠﻪ اي ﻳﺎ ﻧﺴﺒﻲ ﺑﺎﺷﻨﺪ‪ ،‬ﺑﻬﺘﺮﻳﻦ ﺷﺎﺧﺺ‪ ،‬ﮔﺮاﻳﺶ ﻣﺮﻛﺰي ﻣﻴﺎﻧﮕﻴﻦ اﺳﺖ‪ .‬وﻟﻲ‬
‫اﮔﺮ در ﺗﻮزﻳﻌﻲ ﻛﻪ ﻧﻤﺮه اي در ﻛﺮاﻧﻪ )ﻧﻤﺮه ﺧﻴﻠﻲ ﺑﺰرگ ﻳﺎ ﺧﻴﻠﻲ ﻛﻮﭼﻚ( ﺑﺎﺷﺪ )ﺗﻮزﻳﻊ داراي ﻛﺠﻲ ﺑﺎﺷﺪ( ﻣﻴﺎﻧﻪ‬
‫ﺷﺎﺧﺺ ﻣﻨﺎﺳﺐﺗﺮي اﺳﺖ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﺗﻮزﻳﻊ ‪ 5-6-7-9-15-300‬ﻣﻴﺎﻧﻪ ﻣﻨﺎﺳﺐﺗﺮ اﺳﺖ‪.‬‬
‫وﻳﮋﮔﻲﻫﺎ‬
‫‪ -1‬ﻧﺴﺒﺖ ﺑﻪ اﻋﺪاد ﺑﺰرگ ﻳﺎ ﻛﻮﭼﻚ ﺣﺴﺎس ﻧﻴﺴﺖ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﺑﻬﺘﺮﻳﻦ ﺷﺎﺧﺺ اﺳﺖ ﻛﻪ ﺗﻤﺮﻛﺰ اﻋﺪاد را در وﺳﻂ ﺗﻮزﻳﻊ‬
‫ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﺗﻮزﻳﻊ ﻫﺎي زﻳﺮ ﻛﻪ داراي ﻣﻴﺎﻧﮕﻴﻦ ﻫﺎي ﻣﺘﻔﺎوﺗﻲ ﻫﺴﺘﻨﺪ‪ ،‬ﻣﻴﺎﻧﻪ ﺑﺮاﺑﺮ و ﻣﺴﺎوي ‪20‬‬
‫‪ 63-52-20-15-10‬و ‪25-24-20-7-5‬‬ ‫ﻣﻲﺑﺎﺷﺪ‪.‬‬
‫‪ -2‬ﻣﻮرد اﺳﺘﻔﺎده ﻣﻴﺎﻧﻪ زﻣﺎﻧﻲ اﺳﺖ ﻛﻪ ﻣﻘﻴﺎس اﻧﺪازه ﮔﻴﺮي رﺗﺒﻪ اي ﺑﺎﺷﺪ‪ ،‬ﻫﺮﭼﻨﺪ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺮاي دادهﻫﺎﻳﻲ ﺑﺎ‬
‫ﻣﻘﻴﺎس ﻓﺎﺻﻠﻪاي و ﻧﺴﺒﻲ ﻫﻢ اﺳﺘﻔﺎده ﺷﻮد‪.‬‬
‫‪ -3‬ﻣﺠﻤﻮع ﻗﺪرﻣﻄﻠﻖ اﻧﺤﺮاﻓﻬﺎي ﻧﻤﺮه ﻫﺎ از ﻣﻴﺎﻧﻪ ﻛﻮﭼﻜﺘﺮ ﻳﺎ ﻣﺴﺎوي ﻣﺠﻤﻮع ﻗﺪرﻣﻄﻠﻖ اﻧﺤﺮاﻓﻬﺎي ﻧﻤﺮهﻫﺎ از ﻫﺮ ﻋﺪد‬
‫دﻳﮕﺮي اﺳﺖ )ﺑﺪون در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻋﻼﻣﺖ(‪.‬‬

‫‪∑ X − Md ≤ ∑ X − C‬‬
‫ﻗﺪر ﻣﻄﻠﻖ اﻧﺤﺮاﻓﺎت‬
‫ﻧﻤﺮه ﻫﺎ‬
‫ﻣﻴﺎﻧﻪ )‪(6‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪9‬‬
‫‪4‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪5‬‬
‫‪5‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪4‬‬
‫‪6‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪3‬‬
‫‪7‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫‪2‬‬
‫‪9‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪0‬‬
‫‪7‬‬ ‫‪11‬‬ ‫‪8‬‬ ‫‪8‬‬ ‫‪14‬‬

‫‪www.e-estekhdam.com‬‬ ‫‪9‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻣﻴﺎﻧﮕﻴﻦ‬

‫ﻣﻴﺎﻧﮕﻴﻦ‪ ،‬ﺑﺎﺛﺒﺎتﺗﺮﻳﻦ ﺷﺎﺧﺺ ﮔﺮاﻳﺶ ﻣﺮﻛﺰي اﺳﺖ ﻛﻪ ﺑﺎ دادهﻫﺎي ﻓﺎﺻﻠﻪاي و ﻧﺴﺒﻲ ﺑﻜﺎر ﻣﻲرود و ﻣﺮﻛﺰ ﺛﻘﻞ‬
‫دادهﻫﺎﺳﺖ‪.‬‬
‫ﻃﺮﻳﻘﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻴﺎﻧﮕﻴﻦ اﻋﺪاد ﺧﺎم‬
‫ﻣﺜﺎل‪10-9-11 :‬‬

‫∑= ‪X‬‬
‫‪X‬‬ ‫ﻣﺠﻤﻮع ﻧﻤﺮه ﻫﺎ‬
‫= ﻣﻴﺎﻧﮕﻴﻦ‬
‫‪N‬‬ ‫ﺗﻌﺪاد ﻧﻤﺮه ﻫﺎ‬

‫‪10 + 9 + 11‬‬
‫=‪X‬‬ ‫‪= 10‬‬ ‫‪X =10‬‬
‫‪3‬‬
‫ﻃﺮﻳﻘﻪ ﻣﺤﺎﺳﺒﻪ اﻋﺪاد ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه ﺑﺎ ‪i=1‬‬

‫ﻣﺜﺎل‪:‬‬
‫‪X‬‬ ‫‪Fi‬‬ ‫‪F.X‬‬
‫‪5‬‬ ‫‪3‬‬ ‫‪15‬‬
‫‪4‬‬ ‫‪8‬‬ ‫‪32‬‬
‫‪3‬‬ ‫‪5‬‬ ‫‪15‬‬
‫‪2‬‬ ‫‪12‬‬ ‫‪24‬‬ ‫‪86‬‬
‫=‪X‬‬ ‫‪=3/07‬‬
‫‪∑F‬‬ ‫‪i‬‬ ‫=‬
‫=‪n‬‬
‫‪28‬‬ ‫‪∑ F .X = 86‬‬ ‫‪28‬‬
‫ﻃﺮﻳﻘﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻴﺎﻧﮕﻴﻦ اﻋﺪاد ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه ﺑﺎ ‪i≠ 1‬‬

‫∑= ‪X‬‬
‫‪F.X c‬‬
‫‪n‬‬
‫ﻣﺜﺎل‪:‬‬
‫‪X‬‬ ‫‪Fi‬‬ ‫‪Xc‬‬ ‫‪F.X‬‬
‫‪17-19‬‬ ‫‪5‬‬ ‫‪18‬‬ ‫‪90‬‬
‫‪14-16‬‬ ‫‪6‬‬ ‫‪15‬‬ ‫‪90‬‬
‫‪11-13‬‬ ‫‪11‬‬ ‫‪12‬‬ ‫‪132‬‬
‫‪393‬‬
‫‪8-10‬‬ ‫‪3‬‬ ‫‪9‬‬ ‫‪27‬‬ ‫=‪X‬‬ ‫‪=11/56‬‬ ‫‪X =11/56‬‬
‫‪34‬‬
‫‪5-7‬‬ ‫‪9‬‬ ‫‪6‬‬ ‫‪54‬‬
‫‪∑ Fi = 34‬‬ ‫‪∑ F. X‬‬ ‫‪c‬‬ ‫‪= 393‬‬
‫ﺣﺪ ﻣﻴﺎﻧﻲ ﻃﺒﻘﻪ‬
‫‪ =Xc‬ﺑﺮاي ﭘﻴﺪا ﻛﺮدن ﺣﺪ ﻣﻴﺎﻧﻲ ﻧﻤﺮات‪ ،‬دو ﻧﻤﺮه ﻃﺒﻘﻪ را ﺑﺎ ﻫﻢ ﺟﻤﻊ و ﺗﻘﺴﻴﻢ ﺑﺮ ‪ 2‬ﻣﻲ ﻧﻤﺎﺋﻴﻢ‪(7+5=12÷2 =6) .‬‬

‫‪www.e-estekhdam.com 10‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻧﻜﺘﻪ‬
‫‪ -1‬اﮔﺮ ﻣﻴﺎﻧﮕﻴﻦ و ﻣﻴﺎﻧﻪ و ﻧﻤﺎ ﺑﺎ ﻫﻢ ﺑﺮاﺑﺮ ﺑﺎﺷﺪ‪ ،‬ﺗﻮزﻳﻊ ﻣﺘﻘﺎرن اﺳﺖ و ﻛﺠﻲ آن ﺻﻔﺮ اﺳﺖ‪.‬‬
‫‪X = md = mo‬‬

‫‪ -2‬اﮔﺮ ﻣﻴﺎﻧﮕﻴﻦ ﺑﺰرﮔﺘﺮ از ﻣﻴﺎﻧﻪ و ﻣﻴﺎﻧﻪ ﺑﺰرﮔﺘﺮ از ﻧﻤﺎ ﺑﺎﺷﺪ ﻛﺠﻲ ﻣﺜﺒﺖ اﺳﺖ‪ ،‬ﻳﻌﻨﻲ اﻛﺜﺮ ﻧﻤﺮات ﭘﺎﻳﻴﻦ ﺑﻮده و اﻣﺘﺤﺎن‬
‫ﺳﺨﺖ اﺳﺖ‪.‬‬
‫‪X > md > mo‬‬

‫‪ -3‬اﮔﺮ ﻣﻴﺎﻧﮕﻴﻦ ﻛﻮﭼﻜﺘﺮ از ﻣﻴﺎﻧﻪ و ﻣﻴﺎﻧﻪ ﻛﻮﭼﻜﺘﺮ از ﻧﻤﺎ ﺑﺎﺷﺪ‪ ،‬ﻛﺠﻲ ﻣﻨﻔﻲ اﺳﺖ و اﻛﺜﺮ ﻧﻤﺮات ﺑﺎﻻﺳﺖ و اﻣﺘﺤﺎن آﺳﺎن‬
‫ﺑﻮده اﺳﺖ‪.‬‬
‫‪X < md <mo‬‬

‫‪ -4‬ﻛﺸﻴﺪﮔﻲ‪ 1‬ارﺗﻔﺎع )‪ (Y‬ﻣﻨﺤﻨﻲ را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ .‬ﺑﻪ ﺑﺮآﻣﺪﮔﻲ ﻳﺎ ﺧﻮاﺑﻴﺪﮔﻲ ﻣﻨﺤﻨﻲ در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﻣﻨﺤﻨﻲ ﻃﺒﻴﻌﻲ‬
‫ﻛﺸﻴﺪﮔﻲ ﮔﻮﻳﻨﺪ‪.‬‬
‫‪ -5‬در ﺻﻮرﺗﻲ ﻛﻪ ﻳﻚ ﻧﻤﺮه ﺛﺎﺑﺖ )‪ (C‬در ﻛﻠﻴﻪ ﻧﻤﺮات ﻳﻚ ﺗﻮزﻳﻊ ﺿﺮب‪ ،‬ﺗﻘﺴﻴﻢ‪ ،‬ﺟﻤﻊ و ﻳﺎ ﺗﻔﺮﻳﻖ ﺷﻮد‪ ،‬در ﻫﺮ ﭼﻬﺎر‬
‫ﺣﺎﻟﺖ ﻣﻴﺎﻧﮕﻴﻦ ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﺪ‪ ،‬ﻳﻌﻨﻲ‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ ﻗﺒﻠﻲ در آن ﻋﺪد ﺛﺎﺑﺖ ﺿﺮب‪ ،‬ﺗﻘﺴﻴﻢ‪ ،‬ﺟﻤﻊ و ﻳﺎ ﺗﻔﺮﻳﻖ ﻣﻲ ﺷﻮد‪.‬‬
‫=ﺟﺪﻳﺪ‬
‫‪X1 X −C‬‬ ‫=‬
‫‪X1 X +C‬‬ ‫‪X1 = X :C‬‬ ‫‪X 1 = X .C‬‬
‫‪ -6‬ﻣﺠﻤﻮع اﻧﺤﺮاف ﻧﻤﺮه ﻫﺎ از ﻣﻴﺎﻧﮕﻴﻦ ﻫﻤﻴﺸﻪ ﺻﻔﺮ اﺳﺖ‪ ∑ (X- X ) = 0 .‬درواﻗﻊ ﺷﺎﺧﺼﻲ از ﻣﻜﺎن ﻣﺮﻛﺰي ﺑﻪ‬
‫ﻣﻌﻨﺎي ﺣﺪاﻗﻞ ﻣﺠﺬورات اﺳﺖ )ﻓﺮﮔﻮﺳﻦ‪ ،‬ﺗﺎﻛﺎﻧﻪ‪.(81 :1380 ،‬‬
‫‪ -7‬ﻣﺠﻤﻮع ﻣﺠﺬور اﻧﺤﺮاﻓﺎت از ﻣﻴﺎﻧﮕﻴﻦ ﻫﻤﻴﺸﻪ ﻣﻲﻧﻴﻤﻢ اﺳﺖ )ﻛﻤﺘﺮ از ﻫﺮ ﻋﺪد دﻳﮕﺮي اﺳﺖ(‪.‬‬
‫‪∑(x-µ)2 < ∑ (x-a)2‬‬
‫راﺑﻄﻪ ﺷﺎﺧﺺ ﻫﺎي ﮔﺮاﻳﺶ ﺑﻪ ﻣﺮﻛﺰ‬
‫‪mo + 2X‬‬ ‫‪3 md − mo‬‬
‫‪Mo =3md -2 X‬‬ ‫= ‪md‬‬ ‫=‪X‬‬
‫‪3‬‬ ‫‪2‬‬
‫ﻣﻴﺎﻧﮕﻴﻦ ﻣﻴﺎﻧﮕﻴﻦ ﻫﺎ‬

‫= ‪XT‬‬
‫‪∑X‬‬ ‫‪i‬‬
‫در ﺻﻮرﺗﻲ ﻛﻪ ﺣﺠﻢ ﻧﻤﻮﻧﻪ ﻫﺎ ﺑﺮاﺑﺮ ﺑﺎﺷﺪ ﻳﻌﻨﻲ ‪n1=n2,…,nn‬‬
‫‪N‬‬
‫ﻣﺜﺎل‪:‬‬
‫‪X1 = 5‬‬ ‫‪X 2 = 10‬‬ ‫‪X 3 = 15‬‬ ‫‪n1=10‬‬ ‫‪n2=10‬‬ ‫‪n3=10‬‬

‫‪١‬‬
‫‪. Kurtosis‬‬
‫‪www.e-estekhdam.com 11‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬
‫‪X 1 + X 2 + X 3 5 + 10 + 15‬‬
‫= ‪XT‬‬ ‫=‬ ‫‪= 10‬‬ ‫‪X T = 10‬‬
‫‪N‬‬ ‫‪3‬‬
‫در ﺻﻮرﺗﻲ ﻛﻪ ﺣﺠﻢ ﻧﻤﻮﻧﻪ ﻫﺎ ﺑﺮاﺑﺮ ﻧﺒﺎﺷﺪ ﺑﻪ ﻃﺮﻳﻖ زﻳﺮ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد‪:‬‬

‫= ‪XT‬‬
‫‪∑ X .n‬‬ ‫‪i‬‬ ‫‪i‬‬
‫⇒‬
‫‪X 1.n1 + X 2 .n2 + X 3 .n3‬‬
‫‪ni‬‬ ‫‪n1 + n2 + n3‬‬
‫ﻣﺜﺎل‪:‬‬
‫‪X1 = 5‬‬ ‫‪X 2 = 10‬‬ ‫‪X 3 = 15‬‬ ‫‪n1=15‬‬ ‫‪n2=10‬‬ ‫‪n3=20‬‬

‫)‪(5 × 15) + (10× 10) + (15 × 20‬‬

‫= ‪XT‬‬ ‫‪= 10/55‬‬ ‫‪X T = 10/55‬‬
‫‪15 + 10 + 20‬‬
‫ﻣﻴﺎﻧﮕﻴﻦ ﻫﺎرﻣﻮﻧﻴﻚ )ﻫﻤﺴﺎز(‬
‫اﻳﻦ ﻧﻮع ﻣﻴﺎﻧﮕﻴﻦ ﺑﺮاي ﻣﻮاردي ﺑﻜﺎر ﻣﻲ رود ﻛﻪ ﻣﻘﻴﺎس ﺗﺮﻛﻴﺒﻲ ﺑﺎﺷﺪ ﻣﺎﻧﻨﺪ ﻣﺘﺮ در ﺛﺎﻧﻴﻪ و ﻛﻴﻠﻮﻣﺘﺮ ﺑﺮ ﺳﺎﻋﺖ‪ .‬اﻳﻦ‬
‫ﻣﻴﺎﻧﮕﻴﻦ در ﻋﻴﻨﻚﺳﺎزي و ﻣﻄﺎﻟﻌﻪ ﺷﺒﻜﻪ ﻫﺎي ﺑﺮﻗﻲ ﺑﻪ ﻛﺎر ﻣﻲ رود‪.‬‬
‫‪1‬‬
‫= ‪HM‬‬
‫‪1‬‬ ‫‪⎡1 1‬‬ ‫⎤‪1‬‬
‫⎥ ‪⎢ + + ... +‬‬
‫‪N‬‬ ‫‪⎣ x1 x2‬‬ ‫⎦ ‪xn‬‬
‫ﻣﺜﺎل‪ :‬ﻣﻴﺎﻧﮕﻴﻦ ﺳﺮﻋﺖ ﻫﺎي ‪ 5‬و‪ 6‬و‪ 7‬و‪ 2‬ﻛﻴﻠﻮﻣﺘﺮ در ﺳﺎﻋﺖ ‪ 4‬ﻣﺎﺷﻴﻦ ﭼﻨﺪ اﺳﺖ؟‬
‫‪1‬‬
‫= ‪HM‬‬ ‫‪= 3/96‬‬
‫⎤‪1 ⎡ 1 1 1 1‬‬
‫‪× + + +‬‬
‫⎦⎥ ‪4 ⎢⎣ 5 6 7 2‬‬
‫ﻣﻴﺎﻧﮕﻴﻦ ﻫﻨﺪﺳﻲ‬
‫ﻧﻮﻋﻲ ﻣﻴﺎﻧﮕﻴﻦ اﺳﺖ ﻛﻪ ﺑﺎ ‪ G‬ﻧﺸﺎن داده ﻣﻲ ﺷﻮد و ﻣﻌﻤﻮﻻً ﻫﺮﮔﺎه ‪ x i‬ﻫﺎ از درﺻﺪﻫﺎ ﻳﺎ ﻧﺴﺒﺖ ﻫﺎ ﺗﺸﻜﻴﻞ ﺷﺪه ﺑﺎﺷﻨﺪ‪،‬‬
‫اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ .‬در ﻛﺎرﻫﺎي اﻗﺘﺼﺎدي ﻳﺎ ﺟﻤﻌﻴﺖ ﺷﻨﺎﺳﻲ ﺑﻪ ﻛﺎر ﻣﻲ رود‪.‬‬
‫) ‪G= n X 1. X 2 . X 3 ( X n‬‬

‫ﻣﺜﺎل‪ :‬ﻣﻴﺰان ﺳﻮد ﺷﺮﻛﺖ ﻣﻬﺮداد در ‪ 5‬ﺳﺎل ﮔﺬﺷﺘﻪ ﺑﺮﺣﺴﺐ درﺻﺪ ﺑﻪ ﺗﺮﺗﻴﺐ ‪ ،3 ،4 ،4 ،3 ،2‬ﺷﺪه اﺳﺖ‪ .‬ﻛﺪامﻳﻚ از‬
‫ﮔﺰﻳﻨﻪ ﻫﺎي زﻳﺮ وﺿﻊ ﺳﻮد آوري ﺷﺮﻛﺖ را ﺑﻬﺘﺮ ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫‪G= 5 3 × 4 × 4 × 2 × 3 = 3/01‬‬
‫ﺗﻔﺴﻴﺮ‪ :‬اﻋﺪادي ﻣﺎﻧﻨﺪ ‪ 3‬و‪ 6‬را ﻣﻲ ﺗﻮان ﺑﻪﻋﻨﻮان ﻓﺎﺻﻠﻪﻫﺎي ﺑﻴﻦ ﻧﻘﺎط ﻧﺸﺎن داد‪ .‬ﺣﺎﺻﻞﺿﺮب اﻳﻦ دو ﻋﺪد را ﻧﻴﺰ‬
‫ﻣﻲﺗﻮان ﺑﻪﻋﻨﻮان ﻳﻚ ﻣﺴﺎﺣﺖ ﻧﺸﺎن داد‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺴﺘﻄﻴﻠﻲ ﻛﻪ ﻋﺮض آن ‪ 8‬و ﻃﻮل آن ‪ 15‬ﺳﺎﻧﺘﻲ ﻣﺘﺮ اﺳﺖ‪ ،‬ﻣﺴﺎﺣﺘﻲ‬
‫ﺑﺮاﺑﺮ‪ 120‬ﺳﺎﻧﺘﻲ ﻣﺘﺮ ﻣﺮﺑﻊ دارد‪ .‬رﻳﺸﻪ دوم ‪ 120‬ﻳﺎ ‪ 10/95‬ﺑﻌﺪي از ﻳﻚ ﻣﺮﺑﻊ اﺳﺖ ﻛﻪ ﻣﺴﺎﺣﺖ آن ﺑﺎ ﻣﺴﺎﺣﺖ ﻣﺴﺘﻄﻴﻞ‬
‫‪ 8‬ﺿﺮب در ‪ 15‬ﺑﺮاﺑﺮ اﺳﺖ‪ .‬ﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ ﺣﺎﺻﻞﺿﺮب ﺳﻪ ﻋﺪد‪ ،‬ﻣﺒﻴﻦ ﻳﻚ ﺣﺠﻢ اﺳﺖ و رﻳﺸﻪ ﺳﻮم ﺣﺎﺻﻞﺿﺮب‬
‫آﻧﻬﺎ ﺑﻌﺪي از ﻳﻚ ﻣﻜﻌﺐ ﺑﺎ ﻫﻤﺎن ﺣﺠﻢ اﺳﺖ )ﻓﺮﮔﻮﺳﻦ‪ ،‬ﺗﺎﻛﺎﻧﻪ‪.(81 :1380 ،‬‬

‫‪www.e-estekhdam.com 12‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫راﺑﻄﻪ ﺑﻴﻦ ﺳﻪ ﻣﻴﺎﻧﮕﻴﻦ ﻓﻮق ﺑﻪﺻﻮرت زﻳﺮ اﺳﺖ‪:‬‬

‫‪X > G > HM‬‬
‫ﻣﻴﺎﻧﮕﻴﻦ ﻫﺎرﻣﻮﻧﻴﻚ > ﻣﻴﺎﻧﮕﻴﻦ ﻫﻨﺪﺳﻲ > ﻣﻴﺎﻧﮕﻴﻦ وزﻧﻲ‬
‫ﻧﻜﺘﻪ‪ :‬اﮔﺮ ﺑﻴﻦ داده ﻫﺎ ﻋﺪد ﺻﻔﺮ ﻳﺎ ﻣﻨﻔﻲ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﻧﻤﻲ ﺗﻮان از اﻳﻦ روش اﺳﺘﻔﺎده ﻛﺮد‪.‬‬
‫ﺷﺎﺧﺺ ﻫﺎي ﭘﺮاﻛﻨﺪﮔﻲ‬
‫ﻓﺮض ﻛﻨﻴﺪ ﮔﻔﺘﻪ ﺷﻮد درﺟﻪ ﺣﺮارت دﻣﺎ در ﻣﻜﺎﻧﻲ ‪ 65‬درﺟﻪ ﻓﺎرﻧﻬﺎﻳﺖ اﺳﺖ‪ .‬اﮔﺮ ﺻﺮﻓﺎً ﺑﺎ ﻧﮕﺎه ﻛﺮدن ﺑﻪ ﻣﻴﺎﻧﮕﻴﻦ ﻧﺘﻴﺠﻪ‬
‫ﺑﮕﻴﺮﻳﻢ ﻛﻪ اﻳﻦ ﻣﻜﺎن ﺑﺮاي زﻧﺪﮔﻲ ﻣﻨﺎﺳﺐ اﺳﺖ‪ ،‬ﺧﻄﺎ ﻛﺮده اﻳﻢ‪ .‬زﻳﺮا اﻳﻦ ﻋﺪد ﻣﻘﺪار ﻣﺘﻮﺳﻂ ﻣﺎهﻫﺎي زﻣﺴﺘﺎن و ﺗﺎﺑﺴﺘﺎن‬
‫اﺳﺖ‪ .‬ﻣﺎ ﻧﻴﺎز دارﻳﻢ ﺗﻐﻴﻴﺮﭘﺬﻳﺮي درﺟﺎت ﺣﺮارت را ﺑﺪاﻧﻴﻢ‪ .‬ﻳﻌﻨﻲ درﺟﻪ ﺣﺮارت روزاﻧﻪ ﭼﻘﺪر از ﻣﺘﻮﺳﻂ ‪ 65‬درﺟﻪ‬
‫ﻓﺎرﻧﻬﺎﻳﺖ ﻣﺘﻔﺎوت اﺳﺖ‪ .‬از اﻳﻦ رو ﺑﺎﻳﺪ ﺷﺎﺧﺺﻫﺎي ﭘﺮاﻛﻨﺪﮔﻲ ﻛﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ داده ﻫﺎ از ﻣﻴﺎﻧﮕﻴﻦ ﭼﻘﺪر دور و ﻳﺎ ﺑﻪ‬
‫آن ﻧﺰدﻳﻚ ﻫﺴﺘﻨﺪ را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﻢ‪ .‬ﺷﺎﺧﺺﻫﺎي ﭘﺮاﻛﻨﺪﮔﻲ‪ ،‬ﻣﻴﺰان ﭘﺮاﻛﻨﺪه ﺑﻮدن ﻧﻤﺮات ﺣﻮل و ﺣﻮش ﻣﺮﻛﺰ دادهﻫﺎ را‬
‫ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ ﺑﻪ ﺗﺮﺗﻴﺐ ﻋﺒﺎرﺗﻨﺪ از‪ :‬داﻣﻨﻪ ﺗﻐﻴﻴﺮات‪ -‬اﻧﺤﺮاف ﻣﺘﻮﺳﻂ‪ ،‬اﻧﺤﺮاف ﭼﺎرﻛﻲ‪ ،‬وارﻳﺎﻧﺲ و اﻧﺤﺮاف ﻣﻌﻴﺎر‪.‬‬
‫داﻣﻨﻪ ﺗﻐﻴﻴﺮات )‪(R‬‬
‫داﻣﻨﻪ ﺗﻐﻴﻴﺮات ﻳﻚ ﺷﺎﺧﺺ ﭘﺮاﻛﻨﺪﮔﻲ و درواﻗﻊ ﺑﻲﺛﺒﺎتﺗﺮﻳﻦ ﺷﺎﺧﺺ و ﺣﺴﺎس ﺗﺮﻳﻦ ﺷﺎﺧﺺ ﭘﺮاﻛﻨﺪﮔﻲ اﺳﺖ ﻛﻪ ﺑﺎ‬
‫داده ﻫﺎي ﻓﺎﺻﻠﻪ اي ﺑﺎﻳﺴﺘﻲ ﺑﻜﺎر رود و ﺗﻔﺎﺿﻞ ﺑﻴﻦ ﻛﻮﭼﻜﺘﺮﻳﻦ و ﺑﺰرﮔﺘﺮﻳﻦ ﻋﺪد در ﺗﻮزﻳﻊ اﺳﺖ )ﺑﺪون در ﻧﻈﺮ ﮔﺮﻓﺘﻦ‬
‫ﺣﺪود واﻗﻌﻲ اﻋﺪاد(‬
‫‪R = max-min‬‬ ‫‪R = max-min+1‬‬
‫ﻣﺜﺎل‪ :‬در ﺗﻮزﻳﻊ ﻧﻤﺮات ‪ 5-6-9-15-14-20-3‬داﻣﻨﻪ ﺗﻐﻴﻴﺮات را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪:‬‬
‫‪R= 20-3+1=18‬‬ ‫‪R= 18‬‬
‫ﻧﻜﺘﻪ‬
‫‪ -1‬داﻣﻨﻪ ﺗﻐﻴﻴﺮات‪ ،‬ﺑﺮاي ﻧﻤﻮﻧﻪ ﻫﺎي ﺑﺰرگ ﺷﺎﺧﺺ ﺑﻲﺛﺒﺎﺗﻲ اﺳﺖ‪.‬‬
‫‪ -2‬وارﻳﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري داﻣﻨﻪ ﺗﻐﻴﻴﺮات ﺑﺮاي ﻧﻤﻮﻧﻪ ﻫﺎي ﻛﻮﭼﻚ‪ ،‬ﺑﺰرﮔﺘﺮ از وارﻳﺎﻧﺲ ﻧﻤﻮﻧﻪ ﺑﺮداري اﻧﺤﺮاف ﻣﻌﻴﺎر‬
‫ﻧﻴﺴﺖ‪ .‬وﻟﻲ ﺳﺮﻳﻌﺎً ﺑﺎ زﻳﺎد ﺷﺪن ‪ N‬اﻓﺰاﻳﺶ ﻣﻲ ﺑﺎﺑﺪ‪.‬‬
‫‪ -3‬داﻣﻨﻪ ﺗﻐﻴﻴﺮات ﺑﻪ ﺟﺰ در ﻣﻮارد ﺧﺎص ﻣﺴﺘﻘﻞ از ﺣﺠﻢ ﻧﻤﻮﻧﻪ ﻧﻴﺴﺖ‪.‬‬
‫‪ -4‬داﻣﻨﻪ ﺗﻐﻴﻴﺮات ﺑﺮاي ﻧﻤﻮﻧﻪ ﻫﺎي ﻛﻮﭼﻚ ﻣﻨﺎﺳﺐ اﺳﺖ‪.‬‬
‫اﻧﺤﺮاف ﭼﺎرﻛﻲ‬
‫ﺑﻴﺸﺘﺮ در ﻣﻮاردي ﻛﺎرﺑﺮد دارد ﻛﻪ ﻧﻤﺮه ﻫﺎ داراي ﻣﻘﻴﺎس رﺗﺒﻪ اي ﻫﺴﺘﻨﺪ و ﻳﺎ ﻧﻤﺮه اي در ﻛﺮاﻧﻪ ﺑﺎﺷﺪ‪ .‬ﭘﺮاﻛﻨﺪﮔﻲ را در‬
‫اﻃﺮاف ﻣﺮﻛﺰ ﺗﻮزﻳﻊ ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ .‬در داده ﻫﺎي ﭘﺮت ﺑﻪ ﺟﺎي اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬

‫‪ 3- 5 -6 -9‬اﻧﺤﺮاف ﭼﺎرﻛﻲ ﻣﻨﺎﺳﺐ‬ ‫ﻣﺜﺎل‪ :‬ﺑﺮاي ﻧﻤﺮات ‪-15 - 32 -600‬‬

‫اﺳﺖ‪.‬‬
‫‪Q1‬‬ ‫‪md‬‬ ‫‪Q3‬‬

‫‪www.e-estekhdam.com 13‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪Q3 − Q1‬‬ ‫ﭼﺎرك اول – ﭼﺎرك ﺳﻮم‬

‫= ‪SIRQ‬‬ ‫=‬
‫‪2‬‬ ‫‪2‬‬

‫‪32 − 5‬‬
‫=‪Q‬‬ ‫‪= 13/5‬‬
‫‪2‬‬
‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﭼﺎرك ﻣﺘﻮﺳﻂ اﻋﺪاد ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه ﻧﻴﺎز ﺑﻪ ﻣﺤﺎﺳﺒﻪ ﭼﺎرك اول و ﺳﻮم دارﻳﻢ‪ .‬ﺷﺮاﻳﻂ اﺳﺘﻔﺎده از ﭼﺎرك‬
‫ﻣﺘﻮﺳﻂ )اﻧﺤﺮاف ﭼﺎرﻛﻲ( ﻣﺎﻧﻨﺪ ﻣﻴﺎﻧﻪ اﺳﺖ‪ .‬ﺑﻬﺘﺮﻳﻦ ﻣﻮرد اﺳﺘﻔﺎده از اﻧﺤﺮاف ﭼﺎرﻛﻲ ﻫﻨﮕﺎﻣﻲ اﺳﺖ ﻛﻪ ﭼﻮﻟﮕﻲ ﺷﺪﻳﺪ‬
‫اﺳﺖ‪ ،‬زﻳﺮا ﺗﺤﺖ ﺗﺄﺛﻴﺮ ﻧﻤﺮات ﺑﺎﻻ و ﭘﺎﻳﻴﻦ ﻗﺮار ﻧﻤﻲﮔﻴﺮد‪ .‬اﻳﻦ ﺷﺎﺧﺺ از داﻣﻨﻪ ﺗﻐﻴﻴﺮات ﻛﻮﭼﻜﺘﺮ اﺳﺖ‪.‬‬
‫ﻣﺤﺎﺳﺒﻪ ﭼﺎرك ﻫﺎ در اﻋﺪاد ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه‬
‫‪ -1‬اﻋﺪاد را از ﻛﻮﭼﻚ ﺑﻪ ﺑﺰرگ ﻣﺮﺗﺐ ﻛﻨﻴﺪ‪.‬‬
‫‪ -2‬ﻣﻴﺎﻧﻪ را ﺣﺴﺎب ﻛﻨﻴﺪ‪Q2 .‬‬
‫ﺳﺆال‪ :‬ﻣﻴﺎﻧﻪ اﻋﺪاد ﺳﻤﺖ ﭼﭗ و راﺳﺖ را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪ Q2 .‬و ‪ Q1‬ﻣﺜﺎل‪:‬‬
‫‪6 – 8 – 9 – 11 – 12 – 13 – 14 – 17‬‬
‫‪Q1=8/5‬‬ ‫‪Q2=11/5‬‬ ‫‪Q3= 13/5‬‬
‫ﻧﻜﺘﻪ‪1‬‬
‫ﭼﺎرك ﻳﻜﻢ‪ :‬ﻳﻌﻨﻲ ﻧﻘﻄﻪ اي ﻛﻪ ﻳﻚ ﭼﻬﺎرم اﻓﺮاد زﻳﺮ آن و ﺳﻪ ﭼﻬﺎرم ﺑﺎﻻي آن ﻗﺮار دارﻧﺪ‪.‬‬
‫دﻫﻚ ﻳﻜﻢ‪ :‬ﻧﻤﺮه ﻫﺎي ﻳﻚ دﻫﻢ اﻓﺮاد زﻳﺮ آن و ‪ 0/9‬اﻓﺮاد از آن ﺑﺰرﮔﺘﺮ اﺳﺖ‪.‬‬
‫ﺻﺪك ﻳﻜﻢ‪ :‬ﻧﻤﺮه ﻫﺎي ﻳﻚ ﺻﺪم اﻓﺮاد زﻳﺮ آن و ‪ 0/99‬اﻓﺮاد ﺑﺎﻻي آن ﻗﺮار دارد‪.‬‬
‫ﻧﻜﺘﻪ‪ :2‬ﭘﺲ از ﻣﺤﺎﺳﺒﻪ ﻧﻤﺮه ﭼﺎرك اول و ﺳﻮم اﻧﺤﺮاف ﭼﺎرﻛﻲ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ در ﺻﻮرﺗﻲ ﻛﻪ‪:‬‬
‫‪ Q3- Q2 = Q2- Q1‬ﻣﺘﻘﺎرن‬ ‫‪ Q3- Q2 > Q2- Q1‬ﻛﺠﻲ ﻣﺜﺒﺖ‬ ‫‪ Q3- Q2 < Q2- Q1‬ﻛﺠﻲ ﻣﻨﻔﻲ‬

‫ﻧﻘﻄﻪ درﺻﺪي‬
‫ﻧﻘﺎط درﺻﺪي ﻧﻤﺮه را ﺑﺮ ﻣﻘﻴﺎس ﺻﺪ ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ .‬ﻳﻌﻨﻲ ﻧﻘﻄﻪ ‪ 50‬درﺻﺪي ﺑﺮاﺑﺮ ﻣﻴﺎﻧﻪ اﺳﺖ و ﻧﻘﻄﻪ ‪ 25‬درﺻﺪي‬
‫ﺑﺮاﺑﺮ ﭼﺎرك اول اﺳﺖ و ﻧﻘﻄﻪ ‪ 75‬درﺻﺪي ﺑﺮاﺑﺮ ﭼﺎرك ﺳﻮم اﺳﺖ‪.‬‬
‫‪P0/75 = Q3‬‬ ‫‪P0/10 = D1‬‬ ‫‪P0/20 = D2‬‬ ‫‪P0/50= md = Q2‬‬ ‫‪P0/25 = Q1‬‬
‫دﻫﻚ ﻫﻢ ﻣﺜﻞ ﻧﻘﻄﻪ درﺻﺪي‪ ،‬ﻣﻮﻗﻌﻴﺖ ﻧﻤﺮه را در ﻣﻘﻴﺎس‪ 10‬ﺗﺎﻳﻲ ﻧﺸﺎن ﻣﻲ دﻫﺪ و ﭼﺎرك ﻫﻢ ﻣﻮﻗﻌﻴﺖ ﻧﻤﺮه را در‬
‫ﻣﻘﻴﺎس ‪ 25‬ﺗﺎﻳﻲ در ﭼﻬﺎر ﻣﻮﻗﻌﻴﺖ ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ ،‬ﻳﻌﻨﻲ‪:‬‬

‫‪www.e-estekhdam.com 14‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻓﺮﻣﻮل ﻣﺤﺎﺳﺒﻪ ﻣﻴﺎﻧﻪ و دﻳﮕﺮ ﻧﻘﺎط‬

‫‪2N‬‬ ‫‪1N‬‬ ‫‪N‬‬
‫‪− Fc‬‬ ‫‪− Fc‬‬ ‫‪− Fc‬‬
‫‪Q2 = L + ( 4‬‬ ‫‪) i‬‬ ‫‪Q1 = L + ( 4‬‬ ‫‪) i‬‬ ‫‪md = L + ( 2‬‬ ‫‪) i‬‬
‫‪Fi‬‬ ‫‪Fi‬‬ ‫‪Fi‬‬
‫‪40N‬‬ ‫‪6N‬‬ ‫‪1N‬‬
‫‪− Fc‬‬ ‫‪− Fc‬‬ ‫‪− Fc‬‬
‫‪P40 = L + ( 100‬‬ ‫‪) i‬‬ ‫‪D6 = L + ( 10‬‬ ‫‪) i‬‬ ‫‪D1 = L + ( 10‬‬ ‫‪) i‬‬
‫‪Fi‬‬ ‫‪Fi‬‬ ‫‪Fi‬‬
‫ﻣﺜﺎل‪ :‬ﭼﺎرك ﺳﻮم‪ ،‬ﭼﺎرك اول اﻧﺤﺮاف ﭼﺎرﻛﻲ دﻫﻚ دوم‪ ،‬ﺻﺪك ﺷﺼﺖ و ﻫﺸﺘﻢ را در داده ﻫﺎي زﻳﺮ ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪.‬‬
‫‪X‬‬ ‫‪Fi‬‬ ‫‪Fc‬‬ ‫‪3N‬‬
‫‪− Fc‬‬
‫‪25-29‬‬ ‫‪17‬‬ ‫‪100‬‬ ‫‪3 ×100‬‬
‫‪20-24‬‬ ‫‪29‬‬ ‫‪83‬‬ ‫‪Q3 = L + 4‬‬ ‫= ‪.i N‬‬ ‫‪= 75‬‬
‫‪Fi‬‬ ‫‪4‬‬
‫‪15-19‬‬ ‫‪21‬‬ ‫‪54‬‬ ‫‪L=19/5‬‬ ‫‪Fc=54‬‬
‫‪10-14‬‬ ‫‪18‬‬ ‫‪33‬‬
‫‪5-9‬‬ ‫‪15‬‬ ‫‪15‬‬ ‫‪Fi=29‬‬ ‫‪i= 5‬‬
‫‪∑ Fi = 100‬‬ ‫( ‪Q3=19/5 +‬‬
‫‪75 − 54‬‬
‫‪) × 5 = 23/12‬‬
‫‪29‬‬

‫‪N‬‬
‫‪− Fc‬‬
‫( ‪Q1 = L +‬‬ ‫‪4‬‬ ‫‪) i‬‬ ‫‪Fc = 15‬‬ ‫‪L = 9/5‬‬
‫‪Fi‬‬
‫‪25 − 15‬‬
‫( ‪Q1 = 9/5 +‬‬ ‫‪) × 5 =12/28‬‬
‫‪18‬‬
‫‪Q − Q1 23/12 − 12/28‬‬
‫‪) Q = 3‬اﻧﺤﺮاف ﭼﺎرﻛﻲ(‬ ‫=‬ ‫‪= 5/42‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪2N‬‬
‫‪− Fc‬‬
‫( ‪D2 = L +‬‬ ‫‪10‬‬ ‫‪) i‬‬ ‫‪L = 9/5‬‬ ‫‪Fc = 15‬‬
‫‪Fi‬‬
‫‪20 − 15‬‬
‫( ‪D2 = 9/5 +‬‬ ‫‪)×5‬‬ ‫⇒‬ ‫‪D2 = 10/89‬‬
‫‪18‬‬
‫‪68 n‬‬
‫‪− Fc‬‬
‫( ‪PN (0/68) = L +‬‬ ‫‪100‬‬ ‫‪) i‬‬ ‫‪Fc = 54‬‬ ‫‪L =19/5‬‬
‫‪Fi‬‬
‫‪0/68 × 100‬‬
‫‪I=5‬‬ ‫‪Fi =29‬‬ ‫‪= 68‬‬
‫‪100‬‬
‫‪68 − 54‬‬
‫( ‪P0/68 = 19/5 +‬‬ ‫‪)×5‬‬ ‫⇒‬ ‫‪P0/68 = 21/91‬‬
‫‪29‬‬
‫رﺗﺒﻪ درﺻﺪي‬
‫رﺗﺒﻪ درﺻﺪي ﻣﺜﻞ ﻧﻤﺮه ﻫﺎي اﺳﺘﺎﻧﺪارد اﺳﺖ ﻛﻪ ﻣﻮﻗﻌﻴﺖ ﻧﺴﺒﻲ ﻓﺮد را در داﺧﻞ ﮔﺮوه ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻳﻌﻨﻲ ﺑﺎ داﺷﺘﻦ‬
‫رﺗﺒﻪ درﺻﺪي ﻓﺮد ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﮕﻮﻳﻴﻢ ﻛﻪ او از ﭼﻨﺪ درﺻﺪ ﮔﺮوه ﺑﻬﺘﺮ و ﻳﺎ ﺑﺪﺗﺮ ﻋﻤﻞ ﻛﺮده اﺳﺖ‪.‬‬

‫‪www.e-estekhdam.com 15‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪Fi‬‬
‫‪Fc +‬‬
‫( = ‪PR‬‬ ‫‪2 ) ×100‬‬
‫‪n‬‬
‫ﻧﻜﺘﻪ‪ :‬رﺗﺒﻪ درﺻﺪي ﻣﻮﻗﻌﻴﺖ ﻓﺮد را در ﮔﺮوه و ﻧﻘﻄﻪ درﺻﺪي ﻣﻮﻗﻌﻴﺖ ﻧﻤﺮه ﻓﺮد را در داﺧﻞ ﻧﻤﺮه ﻫﺎ )‪ ،(X‬ﻧﺸﺎن‬
‫ﻣﻲدﻫﺪ‪ .‬ﺑﻄﻮر ﻣﺜﺎل ﻛﺴﻲ ﻛﻪ ﺑﺎ ﻧﻤﺮه ‪ ،18‬رﺗﺒﻪ درﺻﺪي ‪ 85‬ﻛﺴﺐ ﻛﻨﺪ‪ ،‬ﻳﻌﻨﻲ ﻧﻤﺮه ‪) 18‬ﻧﻘﻄﻪ درﺻﺪي( از ‪ 85‬درﺻﺪ‬
‫اﻓﺮاد )رﺗﺒﻪ درﺻﺪي( ﺑﻬﺘﺮ و از ‪ 15‬درﺻﺪ اﻓﺮاد ﺑﺪﺗﺮ ﻋﻤﻞ ﻛﺮده اﺳﺖ‪.‬‬
‫ﻣﺜﺎل‪ :‬اﮔﺮ ﺑﺨﻮاﻫﻴﻢ رﺗﺒﻪ درﺻﺪي ﻋﺪد ‪ 22‬را در ﺟﺪول ﻓﻮق ﻣﺸﺨﺺ ﻛﻨﻴﻢ‪ ،‬ﺧﻮاﻫﻴﻢ داﺷﺖ‪.‬‬
‫‪Fi‬‬ ‫‪29‬‬
‫‪Fc +‬‬ ‫‪54 +‬‬
‫( = ‪PR‬‬ ‫‪2 ) × 100‬‬ ‫( = ‪PR‬‬ ‫‪2 ) ×100 = 68/5‬‬ ‫‪PR = 68/5‬‬
‫‪n‬‬ ‫‪100‬‬
‫ﻧﻜﺘﻪ‪ :1‬در ﺗﻮزﻳﻊ ﻫﺎي ﻧﺎﻣﺘﻘﺎرن اﻏﻠﺐ از ﻣﻴﺎﻧﻪ ﺑﻪ ﻋﻨﻮان ﺷﺎﺧﺺ ﻣﺮﻛﺰي و اﻧﺤﺮاف ﭼﺎرﻛﻲ ﺑﻪ ﻋﻨﻮان ﺷﺎﺧﺺ ﭘﺮاﻛﻨﺪﮔﻲ‬
‫اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬
‫ﻧﻜﺘﻪ‪ :2‬اﮔﺮ اﻧﺤﺮاف ﭼﺎرﻛﻲ اﻧﺪازه ﻫﺎ ﺑﺮاﺑﺮ ﺻﻔﺮ ﺑﺎﺷﺪ‪ 50،‬درﺻﺪ اﻧﺪازهﻫﺎﻳﻲ ﻛﻪ در وﺳﻂ ﻗﺮار ﮔﺮﻓﺘﻪ اﻧﺪ‪ ،‬ﺑﺎ ﻫﻢ ﺑﺮاﺑﺮﻧﺪ‪.‬‬
‫درﻧﺘﻴﺠﻪ ﭼﺎركﻫﺎي ﻳﻜﻢ و دوم و ﺳﻮم ﺑﺎ ﻫﻢ ﺑﺮاﺑﺮﻧﺪ و ﺑﺮﻋﻜﺲ‪.‬‬
‫ﭘﺮﺳﺶ‪ :‬ﻛﺪام ﭘﺮاﻛﻨﺪﮔﻲ ﺑﺮاي ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ زﻳﺮ ﻣﻨﺎﺳﺐ ﺗﺮ اﺳﺖ؟‬
‫ﺣﺪود ﻃﺒﻘﺎت‬ ‫‪20-50‬‬ ‫‪20-40‬‬ ‫‪40-60‬‬ ‫‪ 60‬و ﺑﻴﺸﺘﺮ‬
‫ﻓﺮاواﻧﻲ‬ ‫‪25‬‬ ‫‪35‬‬ ‫‪30‬‬ ‫‪10‬‬
‫د( اﻧﺤﺮاف ﻣﺘﻮﺳﻂ‬ ‫ج( ﺿﺮﻳﺐ ﺗﻐﻴﻴﺮات‬ ‫ب( اﻧﺤﺮاف ﻣﻌﻴﺎر‬ ‫اﻟﻒ( اﻧﺤﺮاف ﭼﺎرﻛﻲ‬
‫ﭘﺎﺳﺦ‪ :‬ﮔﺰﻳﻨﻪ )اﻟﻒ( ﺻﺤﻴﺢ اﺳﺖ‪.‬‬
‫اﻧﺤﺮاف ﻣﺘﻮﺳﻂ )‪(MD‬‬
‫اﻧﺤﺮاف ﻣﺘﻮﺳﻂ‪ ،‬ﻳﻚ ﺷﺎﺧﺺ ﭘﺮاﻛﻨﺪﮔﻲ اﺳﺖ ﻛﻪ ﺑﻪ آن ﻣﻴﺎﻧﮕﻴﻦ ﻗﺪر ﻣﻄﻠﻖ اﻧﺤﺮاف ﻧﻤﺮه از ﻣﻴﺎﻧﮕﻴﻦ ﮔﻔﺘﻪ ﻣﻲﺷﻮد‬

‫= ‪MD‬‬
‫‪∑ X−X‬‬
‫‪N‬‬
‫ﻣﺜﺎل‪ :‬ﺑﺮاي اﻋﺪاد ‪ 1-2-3-4-5‬ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬
‫‪X‬‬ ‫‪X- X‬‬ ‫‪X −X‬‬
‫‪5‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪4‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪3‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪-1‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪-2‬‬ ‫‪2‬‬

‫‪∑ X −X =6‬‬
‫‪6‬‬
‫= ‪md‬‬ ‫‪= 1/2‬‬
‫‪5‬‬

‫‪www.e-estekhdam.com 16‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻧﻜﺎت ﻣﻬﻢ‬
‫‪ -1‬ﺑﺎ اﻳﻦ ﺷﺎﺧﺺ ﻋﻤﻠﻴﺎت ﺟﺒﺮي را ﻧﻤﻲﺗﻮان اﻧﺠﺎم داد‪.‬‬
‫‪ -2‬در اﻧﺤﺮاف ﻣﺘﻮﺳﻂ ﻋﻼﺋﻢ اﻋﺪاد و در اﻧﺤﺮاف ﭼﺎرﻛﻲ ﻛﻠﻴﻪ اﻋﺪاد ﻣﻮرد ﻣﻄﺎﻟﻌﻪ ﻗﺮار ﻧﻤﻲﮔﻴﺮﻧﺪ‪.‬‬
‫‪ -3‬ﺗﺄﺛﻴﺮ اﻧﺤﺮاﻓﺎت ﺑﺰرگ را در ﺷﺮاﻳﻄﻲ ﻛﻪ ﺗﻌﺪاد زﻳﺎدي اﻧﺤﺮاﻓﺎت ﻛﻮﭼﻚ در ﺑﺮاﺑﺮ ﺗﻌﺪاد ﻛﻤﻲ اﻧﺤﺮاف ﺑﺰرگ ﺑﺎﺷﺪ‪،‬‬
‫ﻧﺸﺎن ﻧﻤﻲ دﻫﺪ )ﻣﻬﻤﺘﺮﻳﻦ ﻛﺎﺳﺘﻲ(‪.‬‬
‫‪ -4‬اﻧﺤﺮاف ﻣﺘﻮﺳﻂ اﻋﺪاد ﺛﺎﺑﺖ ﺻﻔﺮ اﺳﺖ‪.‬‬
‫وارﻳﺎﻧﺲ )‪(s٢‬‬
‫ﻳﻚ ﺷﺎﺧﺺ ﭘﺮاﻛﻨﺪﮔﻲ اﺳﺖ ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺠﻤﻮع ﻣﺠﺬورات اﻧﺤﺮاف ﻧﻤﺮه از ﻣﻴﺎﻧﮕﻴﻦ ﻣﻲ ﺑﺎﺷﺪ؛ ﻳﻌﻨﻲ‪:‬‬
‫) ‪(∑ X‬‬ ‫‪2‬‬

‫) ‪∑ (X − X ) = ∑ ( X‬‬ ‫‪∑X − n‬‬

‫‪2‬‬ ‫‪2‬‬
‫‪2‬‬
‫‪ss‬‬
‫= ‪S2‬‬ ‫=‬ ‫=‬
‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬ ‫‪n‬‬

‫) ‪∑ (X − X‬‬
‫‪2‬‬
‫‪2‬‬
‫=‪S‬‬ ‫ﻣﺤﺎﺳﺒﻪ وارﻳﺎﻧﺲ از راه اﻧﺤﺮاف ﻧﻤﺮه از ﻣﻴﺎﻧﮕﻴﻦ‬
‫‪n‬‬
‫ﻣﺜﺎل‪ :‬ﺑﺮاي اﻋﺪاد ‪1-2-3-4-5‬‬
‫‪X‬‬ ‫‪X- X‬‬ ‫‪X2‬‬ ‫‪10‬‬
‫= ‪S2‬‬ ‫‪=2‬‬
‫‪5‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪4‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪3‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪-1‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪-2‬‬ ‫‪4‬‬

‫‪∑ X − X =0‬‬ ‫‪∑X‬‬ ‫‪2‬‬

‫‪= 10‬‬

‫) ‪(∑ X‬‬ ‫‪2‬‬

‫‪2‬‬
‫‪∑X‬‬ ‫‪2‬‬
‫‪−‬‬
‫‪n‬‬
‫=‪S‬‬ ‫ﻣﺤﺎﺳﺒﻪ وارﻳﺎﻧﺲ از راه ﻧﻤﺮات ﺧﺎم‬
‫‪n‬‬
‫ﻧﻜﺘﻪ‪ :‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ وارﻳﺎﻧﺲ را در ﻧﻤﻮﻧﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﻴﻢ در ﻣﺨﺮج ﻛﺴﺮ ‪ n-1‬ﻛﻪ ﺑﻪ آن درﺟﻪ آزادي )‪ (df‬ﮔﻔﺘﻪ‬
‫ﻣﻲﺷﻮد اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫درﺟﻪ آزادي‪ :‬ﺗﻌﺪاد ﻣﺸﺎﻫﺪاﺗﻲ اﺳﺖ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ آزاداﻧﻪ ﺗﻐﻴﻴﺮ ﻛﻨﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ درﺟﻪ آزادي وارﻳﺎﻧﺲ‪ df =n-1‬ﻣﻲﺑﺎﺷﺪ‪.‬‬

‫‪X‬‬ ‫‪X2‬‬ ‫ﻧﻜﺘﻪ ﻣﻬﻢ‪ :‬وارﻳﺎﻧﺲ ‪ 5‬ﻋﺪد ﻣﺘﻮاﻟﻲ در ﻧﻤﻮﻧﻪ ﺑﺮاﺑﺮ ‪ 2/5‬و‬
‫‪5‬‬ ‫‪25‬‬ ‫وارﻳﺎﻧﺲ ‪ 5‬ﻋﺪد ﻣﺘﻮاﻟﻲ در ﺟﺎﻣﻌﻪ ﺑﺮاﺑﺮ ‪ 2‬ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪(15 )2‬‬
‫‪4‬‬ ‫‪26‬‬
‫‪3‬‬ ‫‪9‬‬ ‫‪55 −‬‬
‫‪2‬‬ ‫‪4‬‬ ‫=‪S2‬‬ ‫‪5‬‬ ‫‪=2‬‬
‫‪5‬‬
‫‪1‬‬ ‫‪1‬‬

‫‪∑ X = 15‬‬ ‫‪∑X‬‬ ‫‪2‬‬

‫‪= 55‬‬

‫‪www.e-estekhdam.com 17‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫اﻧﺤﺮاف ﻣﻌﻴﺎر )اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد( ‪S‬‬

‫=‪S‬‬
‫=‪2‬‬
‫‪1/41‬‬ ‫ﺟﺬر وارﻳﺎﻧﺲ را اﻧﺤﺮاف ﻣﻌﻴﺎر ﻣﻲ ﮔﻮﻳﻨﺪ‪ ،‬ﻳﻌﻨﻲ در ﻣﺜﺎل ﻓﻮق‪:‬‬
‫ﻧﻜﺘﻪ‪ :‬ﺗﻮان دوم اﻧﺤﺮاف ﻣﻌﻴﺎر‪ ،‬وارﻳﺎﻧﺲ ﻧﺎم دارد‪ .‬اﻧﺤﺮاف ﻣﻌﻴﺎر‪ ،‬ﺑﺎﺛﺒﺎتﺗﺮﻳﻦ ﺷﺎﺧﺺ ﭘﺮاﻛﻨﺪﮔﻲ اﺳﺖ‪ .‬ﻫﺮﭼﻘﺪر‬
‫اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ‪ ،‬ﭘﺮاﻛﻨﺪﮔﻲ ﺑﻴﺸﺘﺮ اﺳﺖ‪ .‬ﺷﺎﻳﺪ اﺳﺎﺳﻲ ﺗﺮﻳﻦ ﻓﺎﻳﺪه اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد اﻳﻦ ﺑﺎﺷﺪ ﻛﻪ ﺑﺎ‬
‫اﺳﺘﻔﺎده از آن ﻣﻲ ﺗﻮان ﻣﺸﺨﺺ ﻛﺮد ﭼﻪ ﻧﺴﺒﺘﻲ از ﻧﻤﺮه ﻫﺎ در ﻓﺎﺻﻠﻪ ﻫﺎي ﻣﺨﺘﻠﻒ ﻧﺴﺒﺖ ﺑﻪ ﻣﻴﺎﻧﮕﻴﻦ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ‪.‬‬
‫ﻧﻜﺘﻪ ﻣﻬﻢ‪ :‬زﻣﺎﻧﻲ ﻛﻪ ﺗﻮزﻳﻊ داراي ﻛﺠﻲ زﻳﺎد ﺑﺎﺷﺪ از اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد ﺑﺎﻳﺪ ﺑﺎ اﺣﺘﻴﺎط اﺳﺘﻔﺎده ﺷﻮد‪ .‬زﻣﺎﻧﻲ از‪ S‬اﺳﺘﻔﺎده‬
‫ﻣﻲﺷﻮد ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ ﺑﻪﻋﻨﻮان ﺷﺎﺧﺺ ﻣﺮﻛﺰي ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲﮔﻴﺮد‪ .‬ﻛﻠﻴﻪ ﺷﺎﺧﺺﻫﺎي ﭘﺮاﻛﻨﺪﮔﻲ )داﻣﻨﻪ ﺗﻐﻴﻴﺮات‪،‬‬
‫اﻧﺤﺮاف ﻣﺘﻮﺳﻂ‪ ،‬اﻧﺤﺮاف ﻣﻌﻴﺎر( ﺑﺎ ﻣﻘﻴﺎس ﺣﺪاﻗﻞ ﻓﺎﺻﻠﻪ اي ﺑﻜﺎر ﻣﻲ روﻧﺪ‪.‬‬
‫ﺛﺒﺎت ﭘﺮاﻛﻨﺪﮔﻲ ﺑﻪ ﺗﺮﺗﻴﺐ‬
‫ﻛﻤﺘﺮ‬ ‫ﺑﻴﺸﺘﺮ‬
‫اﻧﺤﺮاف ﻣﻌﻴﺎر ← وارﻳﺎﻧﺲ ← اﻧﺤﺮاف ﻣﺘﻮﺳﻂ ← ﭼﺎرك ﻣﺘﻮﺳﻂ ← داﻣﻨﻪ ﺗﻐﻴﻴﺮات‬
‫‪R ←Q‬‬ ‫←‬ ‫‪MD‬‬ ‫‪← S2‬‬ ‫‪←S‬‬
‫‪S > MD > Q‬‬ ‫ﻧﻜﺘﻪ ﻣﻬﻢ‬
‫ﺗﺄﺛﻴﺮ ﭼﻬﺎر ﻋﻤﻞ اﺻﻠﻲ در وارﻳﺎﻧﺲ‬
‫در ﺷﺮاﻳﻂ ﺟﻤﻊ و ﺗﻔﺮﻳﻖ ﻳﻚ ﻋﺪد ﺛﺎﺑﺖ در ﻧﻤﺮات ﻳﻚ ﺗﻮزﻳﻊ وارﻳﺎﻧﺲ ﺗﻐﻴﻴﺮ ﻧﻤﻲ ﻛﻨﺪ‪.‬‬
‫‪S21 = S2‬‬ ‫ﺟﻤﻊ‬ ‫‪S21 = S2‬‬ ‫ﺗﻔﺮﻳﻖ‬
‫وﻟﻲ در ﺷﺮاﻳﻂ ﺿﺮب و ﺗﻘﺴﻴﻢ‪ ،‬وارﻳﺎﻧﺲ ﻗﺪﻳﻢ در ﺗﻮان دوم ﻣﺠﺬور ﻋﺪد ﺛﺎﺑﺖ ﺿﺮب ﻳﺎ ﺗﻘﺴﻴﻢ ﻣﻲ ﺷﻮد‪.‬‬
‫‪S21= S2.C2‬‬ ‫ﺿﺮب‬ ‫‪S21= S2:C2‬‬ ‫ﺗﻘﺴﻴﻢ‬
‫ﻣﺜﺎل‪ :‬اﮔﺮ وارﻳﺎﻧﺲ ﻳﻚ ﺗﻮزﻳﻊ ‪ 2‬ﺑﺎﺷﺪ و ﻋﺪد ‪ 3‬در ﻛﻠﻴﻪ ﻧﻤﺮات ﺗﻮزﻳﻊ ﺿﺮب ﺷﻮد وارﻳﺎﻧﺲ ﺟﺪﻳﺪ ﺑﺮاﺑﺮ ﺧﻮاﻫﺪ ﺑﻮد ﺑﺎ‪:‬‬
‫‪S21= 2 × 32 =18‬‬
‫اﮔﺮ وارﻳﺎﻧﺲ ‪ 5‬و ﻋﺪد ﺛﺎﺑﺖ ‪ 6‬ﺑﺎ ﻛﻠﻴﻪ ﻧﻤﺮات ﺟﻤﻊ ﺷﻮد‪ ،‬وارﻳﺎﻧﺲ ﺟﺪﻳﺪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪) S21=5 :‬ﺗﻐﻴﻴﺮي ﻧﻤﻲ ﻛﻨﺪ(‪.‬‬
‫ﺗﺄﺛﻴﺮ ﭼﻬﺎر ﻋﻤﻞ اﺻﻠﻲ در اﻧﺤﺮاف ﻣﻌﻴﺎر‬
‫در ﺷﺮاﻳﻂ ﺟﻤﻊ و ﺗﻔﺮﻳﻖ ﻣﺜﻞ وارﻳﺎﻧﺲ اﺳﺖ؛ ﻳﻌﻨﻲ‪ ،‬اﻧﺤﺮاف ﻣﻌﻴﺎر ﺗﻐﻴﻴﺮي ﻧﻤﻲ ﻛﻨﺪ‪ ،‬وﻟﻲ در ﺷﺮاﻳﻂ ﺿﺮب و ﺗﻘﺴﻴﻢ‬
‫ﻣﺜﻞ ﻣﻴﺎﻧﮕﻴﻦ اﺳﺖ؛ ﻳﻌﻨﻲ‪ ،‬در ﻫﻤﺎن ﻋﺪد ﺛﺎﺑﺖ ﺿﺮب ﻳﺎ ﺗﻘﺴﻴﻢ ﻣﻲ ﺷﻮد‪.‬‬
‫‪S1 = S‬‬ ‫ﺟﻤﻊ‬ ‫‪S1 = S‬‬ ‫ﺗﻔﺮﻳﻖ‬
‫‪S1 = S.C‬‬ ‫ﺿﺮب‬ ‫‪S1= S:C‬‬ ‫ﺗﻘﺴﻴﻢ‬
‫ﻣﺜﺎل‪ :‬اﮔﺮ اﻧﺤﺮاف ﻣﻌﻴﺎر ﻳﻚ ﺗﻮزﻳﻊ ‪ 6‬و ﻳﻚ ﻧﻤﺮه ﺛﺎﺑﺖ ‪ 2‬در ﻛﻠﻴﻪ ﻧﻤﺮات ﺗﻮزﻳﻊ ﺿﺮب ﺷﻮد‪ ،‬اﻧﺤﺮاف ﻣﻌﻴﺎر ﺟﺪﻳﺪ‬
‫‪S1 =6 × 2 =12‬‬ ‫ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬
‫اﮔﺮ اﻧﺤﺮاف ﻣﻌﻴﺎر ﻳﻚ ﺗﻮزﻳﻊ ‪ 6‬و ﻧﻤﺮه ﺛﺎﺑﺖ ‪ 3‬ﺑﺎ ﻛﻠﻴﻪ ﻧﻤﺮات ﺗﻮزﻳﻊ ﺟﻤﻊ ﺷﻮد اﻧﺤﺮاف ﻣﻌﻴﺎر ﺟﺪﻳﺪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬
‫‪) S=6‬ﺗﻐﻴﻴﺮي ﻧﻤﻲ ﻛﻨﺪ(‪.‬‬

‫‪www.e-estekhdam.com 18‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻧﻜﺎت ﻣﻬﻢ‬
‫‪ -1‬ﻣﻴﺎﻧﻪ و ﻧﻤﺎ در ﺟﻤﻊ و ﺗﻔﺮﻳﻖ و ﺿﺮب و ﺗﻘﺴﻴﻢ ﻳﻚ ﻋﺪد ﺛﺎﺑﺖ ﺗﺎﺑﻊ ﻣﻴﺎﻧﮕﻴﻦ ﺑﻮده و ﻣﺜﻞ ﻫﻢ ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫‪ -2‬در ﺟﻤﻊ و ﺗﻔﺮﻳﻖ‪ ،‬وارﻳﺎﻧﺲ‪ -‬اﻧﺤﺮاف ﻣﻌﻴﺎر‪ -‬اﻧﺤﺮاف ﻣﺘﻮﺳﻂ‪ -‬داﻣﻨﻪ ﺗﻐﻴﻴﺮات و اﻧﺤﺮاف ﭼﺎرﻛﻲ ﻣﺜﻞ ﻫﻢ ﺑﻮده و‬
‫ﺗﻐﻴﻴﺮ ﻧﻤﻲ ﻛﻨﻨﺪ‪.‬‬
‫‪ -3‬در ﺷﺮﻳﻂ ﺿﺮب و ﺗﻘﺴﻴﻢ‪ ،‬اﻧﺤﺮاف ﻣﻌﻴﺎر‪ -‬اﻧﺤﺮاف ﻣﺘﻮﺳﻂ‪ -‬اﻧﺤﺮاف ﭼﺎرﻛﻲ و داﻣﻨﻪ ﺗﻐﻴﻴﺮات در ﻫﻤﺎن ﻋﺪد‬
‫ﺿﺮب ﻳﺎ ﺗﻘﺴﻴﻢ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪ -4‬وارﻳﺎﻧﺲ در ﻣﺠﺬور آن ﻋﺪد ﺿﺮب ﻳﺎ ﺗﻘﺴﻴﻢ ﻣﻲ ﺷﻮد‪.‬‬
‫‪ -5‬وارﻳﺎﻧﺲ اﻋﺪاد ﺛﺎﺑﺖ ﺻﻔﺮ اﺳﺖ‪.‬‬
‫‪ -6‬اﮔﺮ ﭼﻨﺪ ﺟﺎﻣﻌﻪ ﺑﺎ ﻫﻢ ﺗﺮﻛﻴﺐ ﺷﻮﻧﺪ‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ و وارﻳﺎﻧﺲ ﺟﺎﻣﻌﻪ ﻛﻞ ﺗﺮﻛﻴﺒﻲ‪ ،‬ﺑﺰرﮔﺘﺮ از ﻣﻴﺎﻧﮕﻴﻦ و وارﻳﺎﻧﺲ ﺟﻮاﻣﻊ‬
‫ﺗﺸﻜﻴﻞ دﻫﻨﺪه ﺧﻮاﻫﺪ ﺑﻮد‪ .‬ﻣﮕﺮ آن ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ ﺟﻮاﻣﻊ ﺑﺮاﺑﺮ ﺑﺎﺷﺪ ﻛﻪ در آن ﺻﻮرت وارﻳﺎﻧﺲ آﻧﻬﺎ ﻫﻢ ﺑﺮاﺑﺮ اﺳﺖ‪.‬‬
‫‪ -7‬وارﻳﺎﻧﺲ ﺗﻔﺎوت ﻫﺎ در ﻧﻤﻮﻧﻪ ﻫﺎي ﻫﻤﺒﺴﺘﻪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬
‫‪S 2y1 − S y22 = S 2y1 + S 2y2 − 2ρS y1 S y2‬‬
‫‪ -8‬وارﻳﺎﻧﺲ ﺗﻔﺎوت ﻫﺎ در ﻧﻤﻮﻧﻪ ﻫﺎي ﻣﺴﺘﻘﻞ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪S12 S22‬‬
‫= ‪S x1− x2 = S x1 + S x2‬‬ ‫‪+‬‬
‫‪N1 N 2‬‬
‫‪ -9‬وارﻳﺎﻧﺲ ﻣﺠﻤﻮع ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬
‫‪2‬‬
‫=‪S‬‬
‫) ‪( X +Y‬‬ ‫=(‪S X2 + SY2 ± 2Cov‬‬
‫‪X , Y ) ( S X2 + SY2 )2rS X SY‬‬
‫ﺗﺼﺤﻴﺢ ﺷﭙﺮد‬
‫ﻓﺮﻣﻮل ﺷﭙﺮد ﺑﺮاي ﺗﺼﺤﻴﺢ اﻧﺤﺮاف ﻣﻌﻴﺎر زﻣﺎﻧﻲ ﻛﺎرﺑﺮد دارد ﻛﻪ ﻓﺎﺻﻠﻪ ﻃﺒﻘﺎﺗﻲ ﺑﺰرگ و ﺗﻌﺪاد ﻃﺒﻘﺎت ﻛﻤﺘﺮ از ‪12‬‬
‫ﺑﺎﺷﺪ‪.‬‬
‫‪i2‬‬
‫‪Sc = S 2 −‬‬
‫‪12‬‬
‫ﻣﺜﺎل‪ :‬اﮔﺮ ﻓﺎﺻﻠﻪ ﻃﺒﻘﺎﺗﻲ ‪ 10‬و اﻧﺤﺮاف ﻣﻌﻴﺎر ﺗﻮزﻳﻊ ‪ 5‬ﺑﺎﺷﺪ‪ ،‬اﻧﺤﺮاف ﻣﻌﻴﺎر ﺗﺼﺤﻴﺢ ﺷﺪه ﺑﺮاﺑﺮ ﺧﻮاﻫﺪ ﺑﻮد ﺑﺎ‪:‬‬

‫‪102‬‬
‫‪Sc = 25 −‬‬ ‫=‬
‫‪4/97‬‬
‫‪12‬‬
‫ﺿﺮﻳﺐ ﭘﺮاﻛﻨﺪﮔﻲ )‪(V‬‬
‫ﻫﻤﺎن ﺿﺮﻳﺐ ﻧﺴﺒﻲ وارﻳﺎﻧﺲ اﺳﺖ ﻛﻪ ﺑﺮ اﺳﺎس آن ﭘﺮاﻛﻨﺪﮔﻲ وﻳﮋﮔﻲ ﻳﻚ ﮔﺮوه را ﺑﺎ ﭘﺮاﻛﻨﺪﮔﻲ وﻳﮋﮔﻲ دﻳﮕﺮ ﻫﻤﺎن‬
‫ﮔﺮوه ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫اﻧﺤﺮاف ﻣﻌﻴﺎر‬
‫‪S‬‬
‫=‬
‫‪V‬‬ ‫=‪×100‬‬ ‫ﻣﻴﺎﻧﮕﻴﻦ‬ ‫‪×100‬‬
‫‪X‬‬

‫‪www.e-estekhdam.com 19‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻣﺜﺎل‪ :‬ﻛﺎرﺧﺎﻧﻪ اي دو ﻧﻮع ﻻﺳﺘﻴﻚ اﺗﻮﻣﺒﻴﻞ ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﺮاي ﻧﻮع اﻟﻒ ﻣﻴﺎﻧﮕﻴﻦ ﻋﻤﺮ ‪ 10000‬ﻛﻴﻠﻮﻣﺘﺮ‪ ،‬ﺑﺎ اﻧﺤﺮاف‬
‫اﺳﺘﺎﻧﺪارد ‪ 2000‬ﻛﻴﻠﻮﻣﺘﺮ‪ ،‬و ﺑﺮاي ﻧﻮع ب ﻣﻴﺎﻧﮕﻴﻦ ﻋﻤﺮ ‪ 11000‬ﻛﻴﻠﻮﻣﺘﺮ ﺑﺎ اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد ‪ 1000‬ﻛﻴﻠﻮﻣﺘﺮ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻛﺪام ﻧﻮع ﻻﺳﺘﻴﻚ ﺑﻬﺘﺮ اﺳﺖ؟‬
‫‪1000‬‬ ‫‪2000‬‬
‫=‪V‬‬ ‫ب( ‪× 100= 9‬‬ ‫=‪V‬‬ ‫اﻟﻒ( ‪× 100= 20‬‬
‫‪11000‬‬ ‫‪10000‬‬
‫ﭘﺎﺳﺦ‪ :‬ﻧﻮع )ب( ﺑﻬﺘﺮ اﺳﺖ‪ ،‬زﻳﺮا ﻫﻢ ﻣﻴﺎﻧﮕﻴﻦ ﻋﻤﺮ آن ﺑﻴﺸﺘﺮ اﺳﺖ و ﻫﻢ ﺿﺮﻳﺐ ﺗﻐﻴﻴﺮ آن ﻛﻮﭼﻜﺘﺮ‪.‬‬
‫ﻣﻮارد اﺳﺘﻔﺎده‬
‫زﻣﺎﻧﻲ ﻛﻪ دو ﻳﺎ ﭼﻨﺪ ﺟﺎﻣﻌﻪ در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﻫﻢ داراي ﻣﺸﺎﻫﺪات ﻧﺎﻫﻤﮕﻮن از ﻧﻈﺮ واﺣﺪ اﻧﺪازه ﮔﻴﺮي ﺑﺎﺷﻨﺪ‪ ،‬ﻣﺎﻧﻨﺪ ﻳﻚ‬
‫ﺟﺎﻣﻌﻪ ﺑﺮﺣﺴﺐ ﻣﺘﺮ و ﻳﻚ ﺟﺎﻣﻌﻪ ﺑﺮﺣﺴﺐ اﻳﻨﭻ‪ ،‬و ﻳﺎ ﭼﻨﺪ ﺟﺎﻣﻌﻪ داراي ﻣﻴﺎﻧﮕﻴﻦ ﻫﺎي ﻣﺘﻔﺎوﺗﻲ ﺑﺎﺷﻨﺪ‪ ،‬اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪.‬‬
‫ﮔﺎﻫﻲ ﻧﻴﺰ ﻣﻘﻴﺎس ﺻﻔﺖ ﻣﻮرد اﻧﺪازهﮔﻴﺮي در دو ﺟﺎﻣﻌﻪ ﻳﻜﺴﺎن اﺳﺖ وﻟﻲ ﺑﺰرﮔﻲ ﻣﺸﺎﻫﺪات آﻧﻬﺎ ﺑﻪ ﻃﻮر ﻗﺎﺑﻞ ﻣﻼﺣﻈﻪ‬
‫اي ﺗﻔﺎوت دارد‪ .‬ﻣﺎﻧﻨﺪ ﻣﻘﺎﻳﺴﻪ ﭘﺮاﻛﻨﺪﮔﻲ ﺳﻮد و زﻳﺎن در ﺻﻨﺎﻳﻊ دﺳﺘﻲ ﺑﺎ ﺻﻨﺎﻳﻊ ﺳﻨﮕﻴﻦ‪.‬‬
‫ﻧﻜﺘﻪ‪ :1‬ﺿﺮﻳﺐ ﺗﻐﻴﻴﺮات اﻋﺪاد ﺛﺎﺑﺖ ﺑﺮاﺑﺮ ﺻﻔﺮ اﺳﺖ‪.‬‬
‫ﭘﺮﺳﺶ‪ :‬ﺑﺮاي ﺗﻌﻴﻴﻦ آﻧﻜﻪ در‪ 30‬روز ﮔﺬﺷﺘﻪ ﺑﻪ ﻧﺴﺒﺖ‪ ،‬ﻗﻴﻤﺖ دﻻر از ﺛﺒﺎت ﺑﻴﺸﺘﺮي ﺑﺮﺧﻮردار ﺑﻮده اﺳﺖ ﻳﺎ ﻳﻮرو‪،‬‬
‫اﺳﺘﻔﺎده از ﻛﺪام ﺷﺎﺧﺺ آﻣﺎري ﻣﻨﺎﺳﺐ ﺗﺮ اﺳﺖ؟‬
‫د( وارﻳﺎﻧﺲ‬ ‫ج( ﺿﺮﻳﺐ ﭼﻮﻟﮕﻲ‬ ‫ب( ﺿﺮﻳﺐ ﭘﺮاﻛﻨﺪﮔﻲ‬ ‫اﻟﻒ( اﻧﺤﺮاف ﻣﺘﻮﺳﻂ‬
‫ﭘﺎﺳﺦ‪ :‬ﮔﺰﻳﻨﻪ )ب( ﺻﺤﻴﺢ اﺳﺖ‪.‬‬
‫ﮔﺸﺘﺎوردﻫﺎي ﭘﻴﺮاﻣﻮن ﻣﻴﺎﻧﮕﻴﻦ‬

‫= ‪m1‬‬
‫‪∑ (X − X ) = 0‬‬ ‫ﮔﺸﺘﺎور اول‪:‬‬
‫‪N‬‬
‫) ‪∑ (X − X‬‬
‫‪2‬‬

‫‪m2‬‬ ‫=‬ ‫‪= S2‬‬ ‫ﮔﺸﺘﺎور دوم‪:‬‬

‫‪n‬‬
‫) ‪∑ (X − X‬‬
‫‪3‬‬

‫‪m3‬‬ ‫=‬ ‫ﮔﺸﺘﺎر ﺳﻮم‪:‬‬

‫‪n‬‬
‫) ‪∑(X − X‬‬
‫‪4‬‬

‫‪m4‬‬ ‫=‬ ‫ﮔﺸﺘﺎور ﭼﻬﺎرم‪:‬‬

‫‪n‬‬
‫ﮔﺸﺘﺎور اول ﻫﻤﻴﺸﻪ ﺻﻔﺮ اﺳﺖ‪ .‬ﮔﺸﺘﺎور دوم ﻫﻤﺎن وارﻳﺎﻧﺲ اﺳﺖ‪ .‬ﮔﺸﺘﺎور ﺳﻮم ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﭼﻮﻟﮕﻲ )ﻛﺠﻲ( ﺑﻜﺎر‬
‫‪m3‬‬
‫= ‪SK‬‬ ‫ﻣﻲ رود‪ ،‬ﻳﻌﻨﻲ‪:‬‬
‫‪m3 m3‬‬
‫‪m4‬‬
‫=‬‫‪Kg‬‬ ‫‪−3‬‬ ‫ﮔﺸﺘﺎور ﭼﻬﺎرم ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻛﺸﻴﺪﮔﻲ ﺑﻜﺎر ﻣﻲ رود‪ ،‬ﻳﻌﻨﻲ‪:‬‬
‫‪(m3 )2‬‬
‫ﻧﻜﺘﻪ‪ :2‬ﻛﺸﻴﺪﮔﻲ ﻣﻌﻴﺎري اﺳﺖ ﺑﺪون واﺣﺪ ﻛﻪ ارﺗﻔﺎع را ﻧﺸﺎن ﻣﻲ دﻫﺪ و راﺑﻄﻪ ﻣﻌﻜﻮس ﺑﺎ ﭘﺮاﻛﻨﺪﮔﻲ دارد‪.‬‬
‫اﮔﺮ ‪ k=0‬ﺑﺎﺷﺪ‪ ،‬ﻛﺸﻴﺪﮔﻲ ﻫﻢ اﻧﺪازه و ﻫﻢ ارﺗﻔﺎع ﺗﻮزﻳﻊ ﻧﺮﻣﺎل اﺳﺖ‪ ،‬اﮔﺮ ‪ k >0‬ﺑﺎﺷﺪ‪ ،‬از ﻧﺮﻣﺎل ﺑﺰرﮔﺘﺮ و ﭘﺮاﻛﻨﺪﮔﻲ‬
‫ﻛﻤﺘﺮ و اﮔﺮ‪ k < 0‬ﺑﺎﺷﺪ‪ ،‬از ﻧﺮﻣﺎل ﻛﻮﺗﺎﻫﺘﺮ و ﭘﺮاﻛﻨﺪﮔﻲ ﺑﻴﺸﺘﺮ اﺳﺖ‪.‬‬

‫‪www.e-estekhdam.com 20‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪X − m0‬‬
‫= ‪g1‬‬ ‫ﻓﺮﻣﻮل ﻛﺠﻲ ﭘﻴﺮﺳﻮن‬
‫‪S‬‬
‫ﻧﻜﺘﻪ‬
‫‪ -1‬اﮔﺮ ‪⏐sk⏐≤ 0/1‬ﺑﺎﺷﺪ‪ ،‬ﺗﻘﺮﻳﺒﺎً ﻛﺠﻲ وﺟﻮد ﻧﺪارد و ﺟﺎﻣﻌﻪ ﻧﺮﻣﺎل اﺳﺖ‪.‬‬
‫‪ -2‬اﮔﺮ‪ 0/1 ≤ ⏐sk⏐≤ 0/5‬ﺑﺎﺷﺪ‪ ،‬ﭼﻮﻟﮕﻲ ﻣﻮﺟﻮد اﻧﺪك وﻟﻲ ﻏﻴﺮ ﻗﺎﺑﻞ اﻏﻤﺎض اﺳﺖ‪ .‬درﺣﻘﻴﻘﺖ ﺟﺎﻣﻌﻪ ازﻧﻈﺮ ﺗﻘﺎرن‬
‫اﻧﺪﻛﻲ ﺑﺎ ﺗﻮزﻳﻊ ﻧﺮﻣﺎل ﻣﺘﻔﺎوت اﺳﺖ‪.‬‬
‫‪ -3‬اﮔﺮ‪⏐sk⏐> 0/5‬ﺑﺎﺷﺪ‪ ،‬ﭼﻮﻟﮕﻲ زﻳﺎد و ﻏﻴﺮ ﻗﺎﺑﻞ اﻏﻤﺎض اﺳﺖ‪ .‬ﺑﻪﻋﺒﺎرت دﻳﮕﺮ ﺟﺎﻣﻌﻪ ازﻧﻈﺮ ﻗﺮﻳﻨﮕﻲ داراي ﺗﻔﺎوت‬
‫ﻓﺎﺣﺸﻲ ﺑﺎ ﺗﻮزﻳﻊ ﻧﺮﻣﺎل اﺳﺖ‪.‬‬
‫ﻧﻤﺮه ﻫﺎي اﺳﺘﺎﻧﺪارد‬
‫ﻧﻤﺮه ﻫﺎي اﺳﺘﺎﻧﺪارد ﻣﻮﻗﻌﻴﺖ ﻓﺮد را در ﮔﺮوه ﻣﻌﻴﻦ ﻣﻲ ﻛﻨﻨﺪ‪ .‬ﺑﺎ دادهﻫﺎي ﻣﻘﻴﺎس ﺣﺪاﻗﻞ ﻓﺎﺻﻠﻪ اي ﻛﺎرﺑﺮد دارﻧﺪ‪ .‬در‬
‫ﺗﺒﺪﻳﻞ ﻧﻤﺮات ﺧﺎم ﺑﻪ ﻧﻤﺮه اﺳﺘﺎﻧﺪارد از ﻓﺮﻣﻮل ﻣﻘﺎﺑﻞ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪:‬‬
‫‪X−X‬‬
‫=‪Z‬‬
‫‪S‬‬
‫ﻣﺜﺎل‪ :‬در اﻣﺘﺤﺎﻧﻲ ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ آن ‪ 38‬و اﻧﺤﺮاف ﻣﻌﻴﺎر آن ‪ 3‬ﺑﺎﺷﺪ‪ ،‬ﻛﺴﻲ ﻛﻪ ﻧﻤﺮه ‪ 44‬ﮔﺮﻓﺘﻪ اﺳﺖ داراي ‪ Z =2‬ﻣﻲﺑﺎﺷﺪ‪.‬‬

‫‪44 − 38 6‬‬
‫=‪Z‬‬ ‫=‬ ‫=‬ ‫‪2‬‬
‫‪3‬‬ ‫‪3‬‬
‫=‬
‫‪X X − Za SX‬‬ ‫در ﺗﺒﺪﻳﻞ ﻧﻤﺮه ‪ Z‬ﺑﻪ دﻳﮕﺮ ﻧﻤﺮات اﺳﺘﺎﻧﺪارد از ﻓﺮﻣﻮل ﻣﻘﺎﺑﻞ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪:‬‬
‫‪2‬‬

‫×‪t = 50+2‬‬
‫‪10=70‬‬ ‫ﻣﺜﺎل‪ :‬ﻛﺴﻲ ﻛﻪ ﻧﻤﺮه او ‪ Z =2‬ﺑﺎﺷﺪ‪ ،‬ﻧﻤﺮه ‪ t‬او ﺑﺮاﺑﺮ ﺧﻮاﻫﺪ ﺑﻮد ﺑﺎ‪:‬‬

‫اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد‬ ‫ﻣﻴﺎﻧﮕﻴﻦ‬ ‫ﻧﻤﺮه ﻫﺎي اﺳﺘﺎﻧﺪارد‬

‫‪1‬‬ ‫‪0‬‬ ‫‪Z‬‬
‫‪10‬‬ ‫‪50‬‬ ‫‪T‬‬
‫‪100‬‬ ‫‪500‬‬ ‫‪CEEB‬‬
‫‪2‬‬ ‫‪5‬‬ ‫ﻧﻪﮔﺎﻧﻪ‬
‫‪15‬‬ ‫‪100‬‬ ‫ﻫﻮش وﻛﺴﻠﺮ‬
‫‪16‬‬ ‫‪100‬‬ ‫ﻫﻮش ﺑﻴﻨﻪ‬
‫‪20‬‬ ‫‪100‬‬ ‫‪ AGCT‬ارﺗﺶ آﻣﺮﻳﻜﺎ‬

‫ﺳﭙﺲ در ﺗﺒﺪﻳﻞ ﻧﻤﺮات ﺑﻪ ﻧﻤﺮات اﺳﺘﺎﻧﺪارد دﻳﮕﺮ ﺑﻪ روش زﻳﺮ ﻋﻤﻞ ﻣﻲ ﻛﻨﻴﻢ‪:‬‬
‫‪CEEB = 500+100Z‬‬ ‫‪t = 50+10Z‬‬ ‫‪ =100+15Z‬ﻫﻮش وﻛﺴﻠﺮ‬
‫‪AGCT = 100+20Z‬‬ ‫‪ =100+16Z‬ﻫﻮش ﺑﻴﻨﻪ‬ ‫‪ = 5+2Z‬ﻧﻪﮔﺎﻧﻪ‬

‫‪www.e-estekhdam.com 21‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻣﺜﺎل‪:‬‬
‫‪ -1‬در آزﻣﻮن ‪ CEEB‬ﻓﺮدي ‪ 800‬ﮔﺮﻓﺘﻪ اﺳﺖ‪ .‬ﻧﻤﺮه ‪ Z‬او ﭼﻘﺪر اﺳﺖ؟‬
‫‪X − X 800 − 500‬‬
‫=‪Z‬‬ ‫=‬ ‫‪=3‬‬
‫‪S‬‬ ‫‪100‬‬
‫‪ -2‬ﻓﺮدي ﻛﻪ در ﻳﻚ آزﻣﻮن ﻧﻤﺮه ﻧﻪﮔﺎﻧﻪ او ‪ 3‬ﺷﺪه اﺳﺖ‪ ،‬ﻧﻤﺮه ‪ Z‬او ﭼﻘﺪر اﺳﺖ؟‬
‫‪3−5‬‬
‫= ‪stanine = 5 + 2 z → Z‬‬ ‫‪= −1‬‬
‫‪2‬‬
‫‪ -3‬ﻧﻤﺮه ‪ IQ‬ﻓﺮدي ‪ 140‬ﺷﺪه اﺳﺖ‪ .‬ﻧﻤﺮه ‪ Z‬او ﭼﻘﺪر اﺳﺖ؟‬
‫‪140 − 100‬‬
‫=‪Z‬‬ ‫‪= 2/7‬‬
‫‪15‬‬
‫‪ -4‬ﻧﻤﺮه ‪ t‬ﻓﺮدي ‪ 30‬ﺷﺪه اﺳﺖ‪ .‬ﻧﻤﺮه ‪ Z‬او ﭼﻘﺪر اﺳﺖ؟‬
‫‪30 − 50‬‬
‫=‪Z‬‬ ‫‪= −2‬‬
‫‪10‬‬
‫‪t = 50+ 10 z‬‬
‫‪ -5‬ﻧﻤﺮه ‪ Z‬ﻓﺮدي ‪ 2‬ﺷﺪه اﺳﺖ‪ .‬ﻧﻤﺮه ‪ CEEB‬او ﭼﻘﺪر اﺳﺖ؟‬
‫‪X = X + Z .S ⇒ 500 + (2 × 100) = 700‬‬
‫‪ -6‬ﻧﻤﺮه ‪ Z‬ﻓﺮدي ‪ 1/5‬ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﻧﻤﺮه ﻧﻪﮔﺎﻧﻪ او ﭼﻘﺪر اﺳﺖ؟‬
‫‪X = 5 + (1/5 × 2) = 8‬‬
‫‪ -7‬ﻧﻤﺮه ‪ Z‬ﻓﺮدي‪ -2‬اﺳﺖ‪ .‬ﻧﻤﺮه ‪ AGCT‬او ﭼﻘﺪر اﺳﺖ؟‬
‫‪X=100+(-2)×20=60‬‬
‫‪ -8‬ﻧﻤﺮه ‪ Z‬ﻓﺮدي ‪ -1/5‬ﺷﺪه اﺳﺖ‪ .‬ﻧﻤﺮه ‪ t‬او ﭼﻘﺪر اﺳﺖ؟‬
‫‪t = 50+(-1/5)×10 =35‬‬
‫‪ -9‬ﻧﻤﺮه ‪ CEEB‬ﻓﺮدي ‪ 350‬ﺷﺪه اﺳﺖ‪ .‬ﻧﻤﺮه ﻫﻮﺷﺒﻬﺮ او ﭼﻘﺪر اﺳﺖ؟‬
‫‪X−X‬‬ ‫‪350 − 500‬‬
‫=‪Z‬‬ ‫⇒‬ ‫‪= 1/5‬‬
‫‪S‬‬ ‫‪100‬‬
‫‪X = X + ZS ⇒ 100 + ( −1/5) × 15 = 77/5‬‬
‫‪ -10‬ﻧﻤﺮه ﻧﻪﮔﺎﻧﻪ ﻓﺮدي ‪ 8‬ﺷﺪه اﺳﺖ‪ ،‬ﻧﻤﺮه ‪ t‬وي ﭼﻘﺪر اﺳﺖ؟‬
‫‪8−5‬‬
‫=‪Z‬‬ ‫‪= 1/5‬‬
‫‪2‬‬
‫‪t = 50+ 2/5×10 =75‬‬
‫‪ -11‬ﻧﻤﺮه ‪ IQ‬ﻓﺮدي ‪ 45‬ﺷﺪه اﺳﺖ‪ .‬ﻧﻤﺮه ‪ t‬او ﭼﻘﺪر اﺳﺖ؟‬
‫‪45 − 100‬‬
‫=‪Z‬‬ ‫‪= −3/67‬‬
‫‪15‬‬
‫‪t = 50+(-3/67)×10 =13‬‬

‫‪www.e-estekhdam.com 22‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻣﻨﺤﻨﻲ ﻃﺒﻴﻌﻲ و ﺳﻄﻮح زﻳﺮ ﻣﻨﺤﻨﻲ‬

‫ﻣﻨﺤﻨﻲ ﻃﺒﻴﻌﻲ )زﻧﮕﻮﻟﻪ اي ﻳﺎ ﮔﻮس( ﻳﻚ ﺗﻮزﻳﻊ ﻃﺒﻴﻌﻲ اﺳﺖ‪.‬‬
‫‪ -1‬ﺷﻜﻞ آن ﺑﻪ ﻣﻴﺎﻧﮕﻴﻦ و اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد ﺑﺴﺘﮕﻲ دارد‪.‬‬
‫‪ -2‬ﻣﻴﺎﻧﮕﻴﻦ آن ﺻﻔﺮ و اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد آن ﻳﻚ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪ -3‬در ﻋﻤﻞ ﻳﻚ ﻣﻨﺤﻨﻲ ﻃﺒﻴﻌﻲ دارﻳﻢ و ﺑﺎﻻﺗﺮﻳﻦ ارﺗﻔﺎع در ﻣﻴﺎﻧﮕﻴﻦ اﺳﺖ‪.‬‬
‫‪ -4‬در ﻣﻨﺤﻨﻲ ﻃﺒﻴﻌﻲ ﻣﻴﺎﻧﮕﻴﻦ و ﻣﻴﺎﻧﻪ و ﻧﻤﺎ ﺑﺎ ﻫﻢ ﺑﺮاﺑﺮ ﻫﺴﺘﻨﺪ‪.‬‬
‫ﺑﻪﻃﻮرﻳﻜﻪ ﻣﻲ ﺑﻴﻨﻴﻢ ﻣﺸﺨﺺ ﻣﻲ ﺷﻮد ﻛﻪ ‪ 34/13‬درﺻﺪ اﻓﺮاد ﺑﻴﻦ ‪ +1‬ﺗﺎ ‪X‬‬
‫ﻗﺮارﻣﻲﮔﻴﺮﻧﺪ‪ .‬ﻫﻤﻴﻨﻄﻮر ‪ 13/59‬درﺻﺪ اﻓﺮاد ﺑﻴﻦ ‪ +2‬ﺗﺎ ‪ +1‬ﻗﺮار ﻣﻲﮔﻴﺮﻧﺪ‪ .‬و‬
‫‪ 2/14‬درﺻﺪ اﻓﺮاد ﺑﻴﻦ ‪ +3‬ﺗﺎ ‪ +2‬و ‪ 0/14‬درﺻﺪ اﻓﺮاد ﺑﻴﻦ ∞ ‪ +‬ﺗﺎ ‪ +3‬ﻗﺮار‬
‫ﻣﻲﮔﻴﺮﻧﺪ‪ .‬اﻳﻦ درﺻﺪﻫﺎ ﺑﺮاي ﻃﺮف ﭼﭗ ﻣﻨﺤﻨﻲ ﺑﻪ دﻟﻴﻞ ﺗﻘﺎرن ﻫﻢ ﺻﺎدق‬
‫اﺳﺖ‪ .‬اﮔﺮ ﺑﺨﻮاﻫﻴﻢ رﺗﺒﻪ درﺻﺪي اﻓﺮاد را ﺑﺮ اﺳﺎس ﻣﻨﺤﻨﻲ ﻧﺮﻣﺎل ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﻢ ﺑﻪ روش زﻳﺮ ﻋﻤﻞ ﻣﻲ ﻛﻨﻴﻢ‪:‬‬
‫اﮔﺮ داده )‪ (Z‬ﻳﻚ ﻋﺪد ﺑﺎﺷﺪ ﺗﻮﺟﻪ ﻣﻲ ﻛﻨﻴﻢ ﻣﺜﺒﺖ اﺳﺖ ﻳﺎ ﻣﻨﻔﻲ‪ ،‬در ﺻﻮرت ﻣﺜﺒﺖ ﺑﻮدن ﺑﺎ رﺗﺒﻪ درﺻﺪي اوﻟﻴﻪ ‪50‬‬
‫ﺟﻤﻊ ﻣﻲ ﻛﻨﻴﻢ و اﮔﺮ ﻣﻨﻔﻲ ﺑﻮد از رﺗﺒﻪ درﺻﺪي ‪ 50‬ﻛﻢ ﻣﻲ ﺷﻮد‪.‬‬
‫‪ 84/13‬درﺻﺪ ⇒ ‪50+34/13‬‬ ‫رﺗﺒﻪ درﺻﺪي ‪ Z =1‬ﭼﻘﺪر اﺳﺖ؟‬
‫‪50-34/13=15/87‬‬ ‫رﺗﺒﻪ درﺻﺪي ‪ Z = -1‬ﭼﻘﺪر اﺳﺖ؟‬
‫درﺻﻮرﺗﻴﻜﻪ ﺳﻄﻮح ﺑﻴﻦ دو ﻧﻤﺮه ‪ Z‬ﺧﻮاﺳﺘﻪ ﺷﻮد دﻳﮕﺮ ‪ 50‬ﻛﺎرﺑﺮدي ﻧﺪارد و ﺳﻄﻮح زﻳﺮ ﻣﻨﺤﻨﻲ ﻣﺤﺎﺳﺒﻪ ﻣﻲﺷﻮد‪.‬‬
‫درﺻﺪ ‪34/13+34/13=68/26‬‬ ‫ﻣﺜﺎل‪ :‬ﺳﻄﻮح زﻳﺮ ﻣﻨﺤﻨﻲ ﺑﻴﻦ ‪ ±1‬ﭼﻘﺪر اﺳﺖ؟‬
‫ﺳﻄﻮح دﻳﮕﺮ ﻋﺒﺎرﺗﻨﺪ از‪:‬‬
‫‪ 49/86‬درﺻﺪ ⇒ ‪ +3‬ﺗﺎ ‪X‬‬ ‫‪ 47/72‬درﺻﺪ ⇒ ‪ +2‬ﺗﺎ ‪X‬‬
‫‪ 49/86‬درﺻﺪ ⇒ ‪ -3‬ﺗﺎ ‪X‬‬ ‫‪ 47/72‬درﺻﺪ ⇒ ‪ -2‬ﺗﺎ ‪X‬‬
‫ﺳﻄﻮح ﺑﻴﻦ ﻣﺜﺒﺖ و ﻣﻨﻔﻲ‬
‫‪ 95/44‬درﺻﺪ ⇒ ‪ +2‬ﺗﺎ ‪-2‬‬ ‫‪ 99/77‬درﺻﺪ ⇒ ‪ +3‬ﺗﺎ ‪-3‬‬ ‫‪ 81/85‬درﺻﺪ ⇒ ‪ -2‬ﺗﺎ ‪+1‬‬
‫درﺻﻮرﺗﻴﻜﻪ ﺑﺼﻮرت اﻋﺸﺎري ﺑﺎﺷﺪ ﺑﺎ روش زﻳﺮ ﻋﻤﻞ ﻣﻲ ﻛﻨﻴﻢ‪:‬‬
‫رﺗﺒﻪ درﺻﺪي ‪ Z =1/5‬ﭼﻘﺪر اﺳﺖ؟‬
‫‪5‬‬
‫‪50 + 34/13 + 13/59 × = 90/93‬‬
‫‪10‬‬
‫رﺗﺒﻪ درﺻﺪي ‪ Z = -2/5‬ﭼﻘﺪر اﺳﺖ؟‬
‫⎡‬ ‫⎤ ‪25‬‬
‫‪50 − ⎢ 34/13 + 13/59 + 2/14 × ⎥ = 1/75‬‬
‫⎣‬ ‫⎦‪100‬‬
‫رﺗﺒﻪ درﺻﺪي ‪ Z =1/02‬ﭼﻘﺪر اﺳﺖ؟‬
‫‪2‬‬
‫× ‪50 + 34/13 + 13/59‬‬ ‫‪= 84/40‬‬
‫‪100‬‬

‫‪www.e-estekhdam.com 23‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﺳﻄﻮح زﻳﺮ ﻣﻨﺤﻨﻲ ﺑﻴﻦ ‪ Z = 1/75‬ﺗﺎ ‪ Z = -1/5‬ﭼﻘﺪر اﺳﺖ؟‬

‫⎡‬ ‫⎤‪5‬‬
‫‪PR = −1/5 ⇒ ⎢ 34/13 + 13/59 × ⎥ = 40/93‬‬
‫⎣‬ ‫⎦‪10‬‬
‫⎡‬ ‫⎤ ‪75‬‬
‫‪PR = 1/75 ⇒ ⎢ 34/13 + 13/59 × ⎥ = 44/32‬‬ ‫‪40/93+44/32 = 85/25‬‬
‫⎣‬ ‫⎦ ‪10‬‬
‫ﻧﻜﺎت ﻣﻬﻢ‬
‫‪ -1‬اﺳﺘﻔﺎده از روش ﺑﺎﻻ ﺣﺪود رﺗﺒﻪ درﺻﺪي را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ .‬ﺑﺮاي ﻣﺤﺎﺳﺒﻪ دﻗﻴﻖ ﺑﺎﻳﺪ از ﺟﺪاول ﻣﺮﺑﻮط ﻛﻪ ﺳﻄﻮح‬
‫ﺑﻴﻦ ‪ Z‬ﻫﺎي ﻣﺨﺘﻠﻒ را اراﺋﻪ ﻛﺮده اﺳﺘﻔﺎده ﻛﺮد‪) .‬ﭘﻴﻮﺳﺖ‪(1‬‬
‫‪ -2‬اﻧﺘﻘﺎل از ﻧﻤﺮه ﻫﺎي ﺧﺎم ﺑﻪ ﻧﻤﺮه ﺗﺮاز ‪ Z‬ﺷﻜﻞ ﻧﻤﺮه را ﺗﻐﻴﻴﺮ ﻧﻤﻲ دﻫﺪ‪.‬‬
‫‪ -3‬اﮔﺮ ﺗﻮزﻳﻊ ﻧﻤﺮهﻫﺎي ﺧﺎم داراي ﻛﺠﻲ ﺑﺎﺷﺪ‪ ،‬ﺗﻮزﻳﻊ ‪ Z‬ﻧﻴﺰ داراي ﻛﺠﻲ اﺳﺖ‪.‬‬
‫‪ -4‬ﺑﺮﺧﻼف رﺗﺒﻪ ﻫﺎي درﺻﺪي اﺧﺘﻼف در ﻧﻤﺮه ﻫﺎي ‪ Z‬اﺧﺘﻼف در ﻧﻤﺮه ﻫﺎي ﺧﺎم را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫‪ -5‬ﻧﺴﺒﺖ اﺧﺘﻼف ﻧﻤﺮهﻫﺎ در ﺗﻮزﻳﻊ اﺻﻠﻲ ﻳﺎ ﻧﻤﺮهﻫﺎي ﺧﺎم‪ ،‬ﻣﺴﺎوي ﻧﺴﺒﺖ اﺧﺘﻼف ﺑﻴﻦ ﻧﻤﺮهﻫﺎي ‪ Z‬آﻧﻬﺎ اﺳﺖ‪.‬‬
‫ﺑﻨﺎﺑﺮاﻳﻦ ﻓﺎﺻﻠﻪ ﺑﻴﻦ اﻧﺪازه ﻧﻤﺮه ﻫﺎي اﺻﻠﻲ در ﺗﺒﺪﻳﻞ ﺑﻪ ﻧﻤﺮه ﻫﺎي ‪ Z‬ﺗﻐﻴﻴﺮ ﻧﻤﻲ ﻛﻨﺪ‪.‬‬
‫‪ -6‬در ﻧﻤﺮه ﻫﺎي ﻧﻪﮔﺎﻧﻪ‪ 9 ،‬ﻓﺎﺻﻠﻪ ﻳﺎ واﺣﺪ وﺟﻮد دارد ﻛﻪ ﻫﺮ ﻓﺎﺻﻠﻪ ﻳﺎ واﺣﺪ آن‪ ،‬ﻣﺴﺎوي ﻧﺼﻒ واﺣﺪ اﻧﺤﺮاف ﻣﻌﻴﺎر‬
‫اﺳﺖ‪ .‬واﺣﺪ ﻣﻴﺎﻧﻲ )ﭘﻨﺠﻤﻴﻦ ﻧﻤﺮه ﻧﻪﮔﺎﻧﻪ( ﻧﻘﻄﻪ ﻣﻴﺎﻧﻲ ﺗﻮزﻳﻊ را ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ درﺑﺮﮔﻴﺮﻧﺪه ‪ 20‬درﺻﺪ ﻣﻮارد اﺳﺖ‪.‬‬
‫ﭼﻬﺎرﻣﻴﻦ‪ ،‬ﺳﻮﻣﻴﻦ‪ ،‬دوﻣﻴﻦ‪ ،‬و ﻧﺨﺴﺘﻴﻦ ﻧﻤﺮه ﻧﻪﮔﺎﻧﻪ‪ ،‬از ﻣﺮﻛﺰ ﺗﻮزﻳﻊ ﺑﻪ ﺳﻤﺖ ﻛﺮاﻧﻪ اﻧﺘﻬﺎﻳﻲ ﭘﺎﻳﻴﻦ ﺗﻮزﻳﻊ‪ ،‬ﺑﻪ ﺗﺮﺗﻴﺐ ‪،17‬‬
‫‪ 4 ،7 ،12‬درﺻﺪ از ﻣﻮارد را درﺑﺮﻣﻲﮔﻴﺮد‪) .‬و ﺑﺮﻋﻜﺲ( ﻧﻤﺮه ‪ 9‬ﮔﺎﻧﻪ ﻣﺎﻧﻨﺪ رﺗﺒﻪ درﺻﺪي ﻧﻘﻄﻪ اي ﺑﺮ روي ﻣﻘﻴﺎس‬
‫ﻧﻴﺴﺖ‪ ،‬ﺑﻠﻜﻪ درﺑﺮﮔﻴﺮﻧﺪه ﻣﺤﺪودهي وﺳﻴﻌﻲ از ﺗﻮزﻳﻊ اﺳﺖ‪ .‬ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ ﻧﺴﺒﺖ ﺑﻪ اﺧﺘﻼفﻫﺎي ﻗﺎﺑﻞﺗﻮﺟﻪ در ﻃﻮل‬
‫ﻣﻘﻴﺎس ﺣﺴﺎس ﻧﻴﺴﺖ‪ ،‬اﻣﺎ ﻧﺴﺒﺖ ﺑﻪ اﺧﺘﻼفﻫﺎي ﻣﻮﺟﻮد در ﻛﺮاﻧﻪﻫﺎي اﻧﺘﻬﺎﻳﻲ ﺗﻮزﻳﻊ‪ ،‬ﺑﻪ ﺻﻮرت ﮔﻤﺮاهﻛﻨﻨﺪهاي‬
‫ﺣﺴﺎس اﺳﺖ‪) .‬آﻳﺰاك‪.(112 :1384 ،‬‬
‫‪ -7‬ﻧﻤﺮه ﻫﺎي ﻛﻼﺳﻲ ﻣﺎﻧﻨﺪ ﻧﻤﺮه ﻫﺎي ﻫﻮﺷﻲ داراي ﺗﻮزﻳﻊ ﺑﻬﻨﺠﺎر ﻫﺴﺘﻨﺪ‪ .‬و ﺑﻴﺸﺘﺮ ﺑﺮاي دوره اﺑﺘﺪاﻳﻲ ﻛﻪ ﻣﻄﺎﻟﺐ از‬
‫ﭘﻴﻮﺳﺘﮕﻲ ﺑﻴﺸﺘﺮي ﺑﺮﺧﻮردارﻧﺪ ﻣﻨﺎﺳﺐ اﺳﺖ‪) .‬آﻳﺰاك‪.(115 :1384 ،‬‬
‫ﻫﻤﺒﺴﺘﮕﻲ‬
‫ﻫﻤﺒﺴﺘﮕﻲ ﺑﺮرﺳﻲ راﺑﻄﻪ ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ ﺑﺎ ﭼﻨﺪ ﻣﺘﻐﻴﺮ اﺳﺖ‪ ،‬ﻳﻌﻨﻲ ﺑﻪدﻧﺒﺎل اﻳﻦ اﻣﺮ ﻫﺴﺘﻴﻢ ﻛﻪ آﻳﺎ اﻓﺰاﻳﺶ ﻳﺎ ﻛﺎﻫﺶ ﻳﻚ‬
‫ﻣﺘﻐﻴﺮ ﺗﺄﺛﻴﺮي روي ﻣﺘﻐﻴﺮ دﻳﮕﺮ دارد‪ .‬ﻓﻨﻮن ﺗﻮﺻﻴﻔﻲ در اﻳﻨﮕﻮﻧﻪ ﻣﻄﺎﻟﻌﺎت )ﻛﻪ در آﻧﻬﺎ ﻓﻘﻂ ارﺗﺒﺎط ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ‪ ،‬ﺑﺪون‬
‫آﻧﻜﻪ ﻫﻴﭻ ﻳﻚ از آﻧﻬﺎ دﺳﺘﻜﺎري ﻳﺎ ﻛﻨﺘﺮل ﺷﻮد‪ ،‬ﻣﻮرد ﺑﺮرﺳﻲ ﻗﺮار ﻣﻲﮔﻴﺮد( ﻋﺒﺎرﺗﺴﺖ از ﻣﻴﺰان ﻫﻤﺨﻮاﻧﻲ )ﻣﺎﻧﻨﺪ ﺿﺮﻳﺐ‬
‫ﻓﺎي ﻳﺎ ﺿﺮاﻳﺐ ﻣﺸﺎﺑﻪ دﻳﮕﺮ( ﺑﺮاي ﻣﻮاردي ﻛﻪ دو ﻣﺘﻐﻴﺮ اﻧﺪازهﮔﻴﺮيﺷﺪه ﻃﺒﻘﻪاي ﺑﺎﺷﺪ‪ .‬ﺿﺮﻳﺐ رﺗﺒﻪاي اﺳﭙﻴﺮﻣﻦ ﺑﺮاي‬
‫ﻣﻮاﻗﻌﻲ ﻛﻪ دو ﻣﺘﻐﻴﺮ ﻣﻮرد اﻧﺪازه ﮔﻴﺮي در ﻣﻘﻴﺎس ﺗﺮﺗﻴﺒﻲ ﺑﻴﺎن ﻣﻲﺷﻮﻧﺪ‪ ،‬و ﺳﺮاﻧﺠﺎم ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﭘﻴﺮﺳﻮن ﺑﺮاي‬
‫ﻣﻮاﻗﻌﻲ ﻛﻪ دو ﻣﺘﻐﻴﺮ ﻣﻮرد ﺑﺤﺚ داراي ﻣﻘﻴﺎس ﻓﺎﺻﻠﻪاي ﺑﺎﺷﻨﺪ‪ .‬ﻫﺮﻛﺪام از اﻳﻨﻬﺎ ﻧﺸﺎن دﻫﻨﺪه ﻗﺪرت ارﺗﺒﺎط ﺑﻴﻦ دو‬
‫ﻣﺘﻐﻴﺮ اﺳﺖ )ﻫﻮﻣﻦ‪.(127 :1382 ،‬‬

‫‪www.e-estekhdam.com 24‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫اﮔﺮ ﻫﺪف ﺑﺮرﺳﻲ ﻳﻚ ﻣﺘﻐﻴﺮ ﻣﺜﻞ ‪ X‬روي ﻣﺘﻐﻴﺮ دﻳﮕﺮ ﻣﺜﻞ ‪ y‬ﺑﺎﺷﺪ‪ ،‬ﺑﺮرﺳﻲ ﻫﻤﺒﺴﺘﮕﻲ ﺗﻚ ﻣﺘﻐﻴﺮي اﺳﺖ‪ .‬اﺻﻄﻼﺣﺎً ﺑﻪ‬
‫ﭘﮋوﻫﺶﻫﺎي ﺗﻚ ﻣﺘﻐﻴﺮي ﻣﻮﻗﻌﻴﺖ ﻫﺎي ﻣﺼﻨﻮﻋﻲ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد‪ .‬اﮔﺮ ﻫﺪف ﺑﺮرﺳﻲ ﭼﻨﺪ ﻣﺘﻐﻴﺮﻣﺜﻞ ‪ Xn…X2X1‬ﺑﺮ‬
‫روي ﻳﻚ ﻣﺘﻐﻴﺮ دﻳﮕﺮ ﻳﻌﻨﻲ‪ y‬ﺑﺎﺷﺪ‪ ،‬ﺑﺮرﺳﻲ ﻫﻤﺒﺴﺘﮕﻲ ﭼﻨﺪ ﻣﺘﻐﻴﺮي اﺳﺖ‪ .‬اﮔﺮ ﻫﺪف ﺑﺮرﺳﻲ ﭼﻨﺪ ﻣﺘﻐﻴﺮ ‪Xn…X2X1‬‬
‫ﺑﺮ روي ﭼﻨﺪ ‪ yn…y1‬ﺑﺎﺷﺪ‪ ،‬ﻫﻤﺒﺴﺘﮕﻲ ﻛﺎﻧﻮﻧﻲ اﺳﺖ‪ .‬در اﻳﻦ ﻣﻄﺎﻟﻌﺎت ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ را ﻣﺘﻐﻴﺮ ﭘﻴﺶﺑﻴﻨﻲﻛﻨﻨﺪه و ﻣﺘﻐﻴﺮ‬
‫واﺑﺴﺘﻪ را ﻣﺘﻐﻴﺮ ﭘﻴﺶﺑﻴﻨﻲﺷﻮﻧﺪه ﮔﻮﻳﻨﺪ‪.‬‬
‫ﺟﻬﺖ ﻫﻤﺒﺴﺘﮕﻲ و ﺷﺪت ﻫﻤﺒﺴﺘﮕﻲ‬
‫ﺟﻬﺖ ﻫﻤﺒﺴﺘﮕﻲ‪ :‬اﮔﺮ اﻓﺰاﻳﺶ ﻳﻚ ﻣﺘﻐﻴﺮ ﺑﺎ اﻓﺰاﻳﺶ ﻣﺘﻐﻴﺮ دﻳﮕﺮ ﻫﻤﺮاه ﺷﻮد ﻳﺎ ﻛﺎﻫﺶ ﻳﻚ ﻣﺘﻐﻴﺮ ﺑﺎ ﻛﺎﻫﺶ ﻣﺘﻐﻴﺮ دﻳﮕﺮ‬
‫ﻫﻤﺮاه ﺷﻮد ﻫﻤﺒﺴﺘﮕﻲ ﻣﺴﺘﻘﻴﻢ اﺳﺖ‪ .‬وﻟﻲ اﮔﺮ‪ ،‬اﻓﺰاﻳﺶ ﻳﻚ ﻣﺘﻐﻴﺮ ﺑﺎ ﻛﺎﻫﺶ ﻣﺘﻐﻴﺮ دﻳﮕﺮ ﻳﺎ ﻛﺎﻫﺶ ﻳﻚ ﻣﺘﻐﻴﺮ ﺑﺎ اﻓﺰاﻳﺶ‬
‫ﻣﺘﻐﻴﺮ دﻳﮕﺮ ﻫﻤﺮاه ﺑﺎﺷﺪ‪ ،‬ﻫﻤﺒﺴﺘﮕﻲ ﻣﻨﻔﻲ اﺳﺖ‪ .‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﺷﻴﺐ ﭘﺮاﻛﻨﺪﮔﻲ )ﺧﻂ رﮔﺮﺳﻴﻮن( اﻓﻘﻲ ﻳﺎ ﻋﻤﻮدي ﺑﺎﺷﺪ‪،‬‬
‫ﻫﻤﺒﺴﺘﮕﻲ ﺻﻔﺮ اﺳﺖ‪.‬‬

‫‪-1‬‬

‫ﻫﻤﺒﺴﺘﮕﻲ ﻛﺎﻣﻞ ﻣﻨﻔﻲ‬ ‫ﻫﻤﺒﺴﺘﮕﻲ ﺻﻔﺮ‬ ‫ﻫﻤﺒﺴﺘﮕﻲ ﺻﻔﺮ‬

‫ﺷﺪت ﻫﻤﺒﺴﺘﮕﻲ‪ :‬داﻣﻨﻪ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ‪ +1‬و ‪ -1‬ﻳﻌﻨﻲ ﻫﻤﺒﺴﺘﮕﻲ ‪ -1‬ﻣﻌﻜﻮس و ﻛﺎﻣﻞ‪ ،‬ﻫﻤﺒﺴﺘﮕﻲ ‪ +1‬ﻣﺴﺘﻘﻴﻢ و ﻛﺎﻣﻞ‬
‫اﺳﺖ‪ .‬ﻣﻘﺪار ﻫﻤﺒﺴﺘﮕﻲ ﺻﻔﺮ ﺗﺎ ‪ 1‬ﻣﻲ ﺑﺎﺷﺪ )ﺷﻴﻮﻟﺴﻮن‪ .(176 :1380 ،‬ﻫﺮ داده اي ﺑﻴﻦ اﻳﻦ دو ﺣﺪ ﻧﺎﻗﺺ اﺳﺖ‪ .‬ﻳﻌﻨﻲ‬
‫ﻫﻤﺒﺴﺘﮕﻲ ‪ 0/99‬ﻧﺎﻗﺺ اﺳﺖ‪ .‬ﻫﺮﭼﻪ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻪ ﻗﺪر ﻣﻄﻠﻖ ‪ 1‬ﻧﺰدﻳﻜﺘﺮ ﺑﺎﺷﺪ ﺷﺪت آن ﺑﻴﺸﺘﺮ اﺳﺖ‪ .‬ﻣﺜﺎل‪ :‬ﻫﻤﺒﺴﺘﮕﻲ‬
‫‪ -0/90‬از ﻫﻤﺒﺴﺘﮕﻲ ‪ +0/70‬ﺷﺪت ﺑﻴﺸﺘﺮي دارد‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬اﮔﺮ ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ از ‪ 0/70‬ﺑﺎﻻﺗﺮ ﺑﺎﺷﺪ ﻣﻲ ﮔﻮﺋﻴﻢ راﺑﻄﻪ ﺧﻄﻲ اﺳﺖ‪ .‬اﮔﺮ ﭘﺎﻳﻴﻦ ﺗﺮ ﺑﺎﺷﺪ راﺑﻄﻪ ﻏﻴﺮﺧﻄﻲ اﺳﺖ‬
‫و در ﺻﻮرت ﻏﻴﺮ ﺧﻄﻲ ﺑﻮدن راﺑﻄﻪ ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ از ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ اﻳﺘﺎ ‪ η‬اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪.‬‬
‫‪SS reg‬‬
‫‪η = 1−‬‬
‫‪SS res‬‬
‫‪X Y‬‬
‫ﻧﺎم‬ ‫‪X‬‬ ‫‪Y‬‬ ‫‪5‬‬ ‫‪1‬‬
‫ﺣﺴﻦ‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪2‬‬
‫ﻋﻠﻲ‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬
‫اﺣﻤﺪ‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪4‬‬
‫ﻣﻬﺪي‬ ‫‪2‬‬ ‫‪2‬‬
‫‪1‬‬ ‫‪5‬‬
‫ﻣﺤﻤﺪ‬ ‫‪1‬‬ ‫‪1‬‬

‫‪www.e-estekhdam.com 25‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻧﻜﺘﻪ‪ :1‬ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻫﻤﺒﺴﺘﮕﻲ اﺑﺘﺪا ﺑﺎﻳﺪ ﻧﻤﻮدار ﭘﺮاﻛﻨﺪﮔﻲ را رﺳﻢ ﻛﺮد‪ .‬اﮔﺮ ﻧﻘﺎط ﺑﻪ ﺧﻂ ﻓﺮﺿﻲ ﻧﺰدﻳﻚ ﺑﺎﺷﻨﺪ‪،‬‬
‫ﻫﻤﺒﺴﺘﮕﻲ زﻳﺎد اﺳﺖ‪.‬‬
‫ﻧﻜﺘﻪ‪ :2‬ﭼﻬﺎر ﻋﻤﻞ اﺻﻠﻲ )×÷‪ (-+‬ﻳﻚ ﻧﻤﺮه در ﻛﻠﻴﻪ ﻧﻤﺮات ﻳﻚ ﺗﻮزﻳﻊ ﻫﻴﭻ ﺗﺄﺛﻴﺮي روي ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﻧﺪارد‪ .‬ﻣﺜﻼً‬
‫اﮔﺮ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ‪) y,x‬ﻗﺪ و وزن( ‪ 0/5‬ﺑﺎﺷﺪ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ‪ 2x‬و ‪ y‬ﻫﻤﺎن ‪ 0/5‬ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬
‫ﻣﺜﺎل‪:‬‬
‫‪X‬‬ ‫‪Y‬‬ ‫‪X‬‬ ‫‪Y‬‬
‫‪150‬‬ ‫‪112‬‬ ‫‪150‬‬ ‫‪145‬‬
‫‪165‬‬ ‫‪108‬‬ ‫‪160‬‬ ‫‪140‬‬
‫‪175‬‬ ‫‪103‬‬ ‫‪170‬‬ ‫‪173‬‬
‫‪180‬‬ ‫‪101‬‬ ‫‪160‬‬ ‫‪142‬‬
‫‪192‬‬ ‫‪99‬‬ ‫‪150‬‬ ‫‪141‬‬
‫‪rxy = -1‬‬ ‫‪rxy = -1‬‬
‫اﻧﻮاع ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ‬
‫اﻟﻒ( در ﺣﺎﻟﺘﻲ ﻛﻪ دو ﻣﺘﻐﻴﺮ اﺳﻤﻲ و ﻳﺎ ﻳﻜﻲ اﺳﻤﻲ و دﻳﮕﺮي رﺗﺒﻪ اي ﺑﺎﺷﻨﺪ‪ :‬ﺿﺮاﻳﺐ ﻋﺒﺎرﺗﻨﺪ از ﻛﺮاﻣﺮ‪ -‬ﺗﻮاﻓﻖ ‪c‬‬
‫– ﻻﻧﺪا‪ -‬ﺗﺎو ﮔﻮدﻣﻦ و ﻛﺮاﺳﻜﺎل‪.‬‬
‫‪ -‬ﻫﻤﺒﺴﺘﮕﻲ ﻛﺮاﻣﺮ‪) :‬ﺟﺪول از ‪ 2×2‬ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ و ﺣﺪاﻗﻞ ﻳﻜﻲ از ﻣﺘﻐﻴﺮﻫﺎ ﭼﻨﺪ ارزﺷﻲ اﺳﺖ(‪ .‬راﺑﻄﻪ ﻣﺘﻘﺎرن ﻧﻴﺴﺖ‪.‬‬
‫ﻣﺎﻧﻨﺪ ﺑﺮرﺳﻲ اﻳﻦ ﻓﺮض‪ :‬ﺑﻴﻦ ﺟﻨﺲ داﻧﺸﺠﻮﻳﺎن و ﮔﺮاﻳﺸﺎت ﺳﻴﺎﺳﻲ آﻧﻬﺎ راﺑﻄﻪ وﺟﻮد دارد‪ .‬ﺟﻨﺲ اﺳﻤﻲ و ﮔﺮاﻳﺸﺎت‬
‫‪χ2‬‬
‫= ‪ υ‬ﻛﻪ ‪ n‬ﺗﻌﺪاد‬ ‫ﺳﻴﺎﺳﻲ ﻫﻢ ﻣﺘﻐﻴﺮ اﺳﻤﻲ‪) .‬ﺑﻲﻃﺮف‪ ،‬ﺗﻨﺪرو‪ ،‬ﻣﺤﺎﻓﻈﻪ ﻛﺎر(‪ .‬ﻣﻌﺎدﻟﻪ آن ﻋﺒﺎرﺗﺴﺖ از‪:‬‬
‫) ‪n( L − 1‬‬
‫ﺣﺠﻢ ﻧﻤﻮﻧﻪ و ‪ L‬ﺗﻌﺪاد ردﻳﻒ ﻳﺎ ﺳﺘﻮن‪ ،‬ﻫﺮﻛﺪام ﻛﻪ ﺗﻌﺪاد ﻛﻤﺘﺮي دارﻧﺪ‪.‬‬

‫ﺟﻤﻊ‬ ‫ﻣﺤﺎﻓﻈﻪ‬ ‫ﺗﻨﺪرو‬ ‫ﺑﻴﻄﺮف‬ ‫ﮔﺮاﻳﺶ‬

‫ﻛﺎر‬ ‫ﺳﻴﺎﺳﻲ‬
‫ﺟﻨﺴﻴﺖ‬
‫‪59‬‬ ‫‪5‬‬ ‫‪22‬‬ ‫‪32‬‬ ‫ﺧﺎﻧﻢ ﻫﺎ‬
‫‪45‬‬ ‫‪10‬‬ ‫‪30‬‬ ‫‪5‬‬ ‫آﻗﺎﻳﺎن‬
‫‪104‬‬ ‫‪15‬‬ ‫‪52‬‬ ‫‪37‬‬ ‫ﺟﻤﻊ‬

‫‪21.0982‬‬
‫=‪υ‬‬ ‫‪=45‬‬
‫)‪104(2 − 1‬‬
‫ﻧﻜﺘﻪ‪ :‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﺗﻌﺪاد ﻛﻤﺘﺮ ﺳﻄﺮ ﻳﺎ ﺳﺘﻮن ﺑﺮاﺑﺮ ‪ 2‬ﺑﺎﺷﺪ‪ ،‬ﻓﺮﻣﻮل ﺑﺎﻻ ﺑﻪ ﻋﻠﺖ اﻳﻦ ﻛﻪ ﻣﻘﺪار ‪ L‬ﺑﺮاﺑﺮ ﺑﺎ ﻳﻚ ﻣﻲﺷﻮد‪،‬‬
‫ﺑﻪﺻﻮرت زﻳﺮ ﻛﻪ ﺑﻪ ﻫﻤﺒﺴﺘﮕﻲ ﻓﻲ ﻣﻌﺮوف اﺳﺖ‪ ،‬ﺗﺒﺪﻳﻞ ﻣﻲ ﺷﻮد‪.‬‬

‫‪www.e-estekhdam.com 26‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪χ2‬‬
‫=‪φ‬‬
‫‪n‬‬
‫‪ -‬ﻫﻤﺒﺴﺘﮕﻲ ‪ c‬ﺗﻮاﻓﻘﻲ‪) :‬ﺟﺪول از ‪ 2×2‬ﺑﻴـﺸﺘﺮ ﺑﺎﺷـﺪ و ﺣـﺪاﻗﻞ ﻳﻜـﻲ از ﻣﺘﻐﻴﺮﻫـﺎ ﭼﻨـﺪ ارزﺷـﻲ اﺳـﺖ(‪ .‬ﻣﻌﺎدﻟـﻪ آن‬
‫ﻋﺒﺎرﺗﺴﺖ از‪:‬‬
‫‪χ2‬‬
‫=‪c‬‬
‫‪χ2 + n‬‬
‫‪ -‬ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﻻﻧﺪا‪ :‬اﻳﻦ ﺿﺮﻳﺐ ﺗﻔﺴﻴﺮ روﺷﻦ ﺗﺮي از ﻫﻤﺒﺴﺘﮕﻲ ﻣﻲ دﻫﺪ‪ .‬ﺷﻤﺎ ﺗﺎ ﭼﻪ اﻧﺪازه ﻣﻲﺗﻮاﻧﻴﺪ از روي‬
‫ﺟﻨﺲ اﻓﺮاد‪ ،‬ﮔﺮاﻳﺸﺎت ﺳﻴﺎﺳﻲ آﻧﻬﺎ را ﭘﻴﺶ ﺑﻴﻨﻲ ﻛﻨﻴﺪ و ﻳﺎ ﺑﺮﻋﻜﺲ‪ .‬اﻳﻦ ﺿﺮﻳﺐ اﻣﻜﺎن ﭼﻨﻴﻦ ﭘﻴﺶﺑﻴﻨﻲ را ﻣﻲدﻫﺪ‪.‬‬
‫‪e1 − e2‬‬
‫= ‪ . γ‬در اﻳﻦ راﺑﻄﻪ ‪ e1‬اﺷﺘﺒﺎه ﮔﺮوهﺑﻨﺪي در ﻣﻮﻗﻌﻴﺖ اول و ‪ e2‬اﺷﺘﺒﺎه ﮔﺮوهﺑﻨﺪي در‬ ‫ﻣﻌﺎدﻟﻪ آن ﻋﺒﺎرﺗﺴﺖ از‪:‬‬
‫‪e1‬‬
‫ﻣﻮﻗﻌﻴﺖ دوم ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ب( ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ در ﺣﺎﻟﺘﻲ ﻛﻪ ﻫﺮ دو ﻣﺘﻐﻴﺮ داراي ﻣﻘﻴﺎس رﺗﺒﻪ اي ﺑﺎﺷﻨﺪ‪ :‬ﻋﺒﺎرﺗﻨﺪ از ﮔﺎﻣﺎ‪ -‬ﺗﺎو ﻛﻨﺪال ‪ -b‬ﺗﺎو‬
‫ﻛﻨﺪال ‪ -c‬ﺿﺮﻳﺐ ‪ d‬ﺳﺎﻣﺮز‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬ﻫﻤﻪ ي اﻳﻦ ﺿﺮاﻳﺐ ﻗﺮﻳﻨﻪ ﻫﺴﺘﻨﺪ‪ .‬ﺑﺪﻳﻦ ﻣﻌﻨﺎ ﻛﻪ ﺑﺎ ﺗﻐﻴﻴﺮ ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ و واﺑﺴﺘﻪ در ﻣﻘﺪار ﺿﺮﻳﺐ ﺗﻐﻴﻴﺮي اﻳﺠﺎد‬
‫ﻧﻤﻲ ﺷﻮد‪.‬‬
‫‪ -‬ﺿﺮﻳﺐ ﮔﺎﻣﺎ )‪ :(G‬راﺑﻄﻪي ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ دو ﻣﻘﻮﻟﻪ اي ﺗﺮﺗﻴﺒﻲ را ﺑﻪ دﺳﺖ ﻣﻲ دﻫﺪ‪ .‬ﻣﺎﻧﻨﺪ راﺑﻄﻪي ﺳﻄﺢ ﺗﺤﺼﻴﻼت‬
‫ﻣﺎدران ﺑﺎ ﻧﮕﺮش آﻧﺎن ﻧﺴﺒﺖ ﺑﻪ ﺗﺤﺼﻴﻼت دﺧﺘﺮان‪.‬‬
‫‪ -‬ﺿﺮﻳﺐ ﻻﻣﺒﺪا ) (‪ :‬راﺑﻄﻪي ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ ﻧﺎﻣﺘﻘﺎرن اﺳﺖ و راﺑﻄﻪي ﻣﺎﻗﺒﻞ و ﻣﺎﺑﻌﺪ را در ﻳﻚ ﺗﻮاﻟﻲ از رﻓﺘﺎرﻫﺎ‬
‫ﻣﻄﺮح ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﻪ ﻣﺎ ﻣﻲ ﮔﻮﻳﺪ ﻣﺘﻐﻴﺮ ‪ a‬ﺗﺎ ﭼﻪ ﺣﺪ ﻣﺘﻐﻴﺮ ‪ b‬را ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻲ ﻛﻨﺪ‪ .‬ﻋﻜﺲ آن ﻣﻤﻜﻦ ﻧﻴﺴﺖ )ﺳﺮﻣﺪ و‬
‫دﻳﮕﺮان‪ .(223 :1380 ،‬ﻣﻘﺪار آن ﺑﻴﻦ ﺻﻔﺮ و ﻳﻚ اﺳﺖ‪.‬‬
‫‪ -‬ﺿﺮﻳﺐ ﻛﭙﺎ )‪ :(k‬اﮔﺮ ﭼﻨﺪ ﻣﺘﻐﻴﺮ اﺳﻤﻲ و راﺑﻄﻪ ﻣﺘﻘﺎرن ﺑﺎﺷﺪ از اﻳﻦ ﺿﺮﻳﺐ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ .‬ﻣﺜﻼً اﮔﺮ ‪ k‬داور ‪N‬‬
‫ﺷﻴﺊ را ﺑﻪ ‪ m‬ﻣﻘﻮﻟﻪ اﺳﻤﻲ ﺗﺒﺪﻳﻞ ﻛﻨﻨﺪ‪ ،‬آﻣﺎره ﻛﭙﺎ ﻣﻴﺰان ﺗﻮاﻓﻖ داورﻫﺎ در ﻣﻮرد اﻳﻨﮕﻮﻧﻪ ﻃﺒﻘﻪ ﺑﻨﺪي را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫ﻣﻘﺪار آن ﺑﻴﻦ ﺻﻔﺮ و ﻳﻚ اﺳﺖ‪.‬‬
‫‪ -‬ﺿﺮﻳﺐ ﻫﻤﺎﻫﻨﮕﻲ )‪ (w‬ﻳﺎ ﺗﻮاﻓﻖ ﻛﻨﺪال )‪ :(u‬در ﭘﮋوﻫﺶ ﻫﺎﻳﻲ ﻛﻪ در آﻧﻬﺎ ﺑﻴﺶ از دو ﻣﺠﻤﻮﻋﻪ رﺗﺒﻪ وﺟﻮد دارد و‬
‫ﻣﺎﻳﻠﻴﻢ ﺑﺪاﻧﻴﻢ ﻛﻪ ﺑﻴﻦ رﺗﺒﻪ ﻫﺎﻳﻲ ﻛﻪ ﺗﻮﺳﻂ ‪ m‬داور ﺑﻪ ‪ n‬ﻓﺮد داده ﺷﺪه ﺗﺎ ﭼﻪ ﺣﺪ ﺗﻮاﻓﻖ وﺟﻮد دارد‪ ،‬از اﻳﻦ دو ﺷﺎﺧﺺ‬
‫اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ .‬وﻗﺘﻲ داده ﻫﺎ ﺑﻪ ﺻﻮرت زوج ﻫﺎي ﻫﻤﺘﺎ و ﻧﻪ ﺑﻪ ﺻﻮرت رﺗﺒﻪ ﺟﻤﻊ آوري ﺷﺪه ﺑﺎﺷﺪ‪ ،‬روش ﺿﺮﻳﺐ‬
‫ﺗﻮاﻓﻖ ﻛﻨﺪال )‪ (u‬ﻣﻨﺎﺳﺐﺗﺮ اﺳﺖ )ﺳﺮﻣﺪ و دﻳﮕﺮان‪ .(224 :1380 ،‬ﻣﻘﺪار ‪ w‬ﺑﻴﻦ ﺻﻔﺮ و ﻳﻚ اﺳﺖ‪ .‬ﻣﻘﺪار ‪ u‬اﮔﺮ ‪k‬‬
‫(‪ ،‬ﺣﺪاﻛﺜﺮ ﺑﺮاﺑﺮ ﻳﻚ اﺳﺖ‪.‬‬ ‫( و اﮔﺮ ‪ k‬ﻓﺮد ﺑﺎﺷﺪ )‬ ‫زوج ﺑﺎﺷﺪ )‬
‫‪ss r‬‬
‫=‪ω‬‬
‫‪1 2 2‬‬
‫)‪m ( n − n‬‬
‫‪12‬‬
‫‪ = m‬ﺗﻌﺪاد داوران‬

‫‪www.e-estekhdam.com 27‬‬
 ‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪ = n‬ﺗﻌﺪاد اﻓﺮاد رﺗﺒﻪ ﺑﻨﺪي ﺷﺪه‬

‫= وارﻳﺎﻧﺲ ﻣﺠﻤﻮع رﺗﺒﻪ ﻫﺎ‬
‫ﻧﻴﺰ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺸﺨﺼﻪ آﻣﺎري زﻳﺮ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ‪:‬‬ ‫آزﻣﻮن ﺗﻘﺮﻳﺒﻲ ﻣﻌﻨﺎدار ﺑﻮدن‬
‫=‬ ‫‪2‬‬
‫‪X ab‬‬ ‫‪m(n − 1)ω‬‬
‫ﻧﻜﺘﻪ‪ :‬ﻫﺮﮔﺎه ﭘﮋوﻫﺸﮕﺮ ﺑﺨﻮاﻫﺪ اﺛﺮ ﻣﺘﻐﻴﺮ ﺳﻮم را ﺛﺎﺑﺖ ﻧﮕﻬﺪارد و ﻣﻴﺰان راﺑﻄﻪي دو ﻣﺘﻐﻴﺮ دﻳﮕﺮ را ﻣﺸﺨﺺ ﻛﻨﺪ‪ ،‬از‬
‫ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ رﺗﺒﻪ اي ﺗﻔﻜﻴﻜﻲ ﻛﻨﺪال ﺑﺎﻳﺪ اﺳﺘﻔﺎده ﻛﻨﺪ )ﺳﺮﻣﺪ و دﻳﮕﺮان‪(224 :1380 ،‬‬
‫ﻫﻤﺒﺴﺘﮕﻲ ﮔﺸﺘﺎوري ﭘﻴﺮﺳﻮن‬
‫زﻣﺎﻧﻲ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﻛﻪ‪:‬‬
‫‪ -1‬ﻫﺮ دو ﻣﺘﻐﻴﺮ ﺗﻮزﻳﻊ ﻧﺮﻣﺎل داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪.‬‬
‫‪ -2‬ﭘﺮاﻛﻨﺪﮔﻲ ﻧﻤﺮات در ﻫﺮ دو ﻣﺘﻐﻴﺮ ﻳﻜﺴﺎن ﺑﺎﺷﺪ‪.‬‬
‫‪ -3‬ﺗﻮزﻳﻊ ﺧﻄﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪ -4‬ﻣﻘﻴﺎس ﻣﺘﻐﻴﺮﻫﺎ ﺣﺪاﻗﻞ ﻓﺎﺻﻠﻪ اي ﺑﺎﺷﺪ )ﻳﺎ ﻧﺴﺒﻲ(‪ .‬ﻣﻬﻤﺘﺮﻳﻦ ﻣﻔﺮوﺿﻪ اﻳﻦ اﺳﺖ ﻛﻪ ﻫﺮ دو ﻣﺘﻐﻴﺮ داراي ﺣﺪاﻗﻞ‬
‫ﻣﻘﻴﺎس ﻓﺎﺻﻠﻪ اي ﺑﺎﺷﻨﺪ‪ .‬ﻣﺜﻞ‪ :‬ﻗﺪ و وزن ﻫﻮش و ﭘﻴﺸﺮﻓﺖ ﺗﺤﺼﻴﻠﻲ‪.‬‬
‫ﻓﺮﻣﻮل ﻣﻬﻢ‬

‫= ‪rxy‬‬
‫= ) ‪∑ (X − X )(Y − Y‬‬
‫‪cov‬‬ ‫‪Zx.Zy‬‬
‫=‬
‫‪S x .S y‬‬ ‫‪S x .S y‬‬ ‫‪n‬‬
‫ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ رﺗﺒﻪاي اﺳﭙﻴﺮﻣﻦ‬
‫ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﻓﻘﻂ دو دﺳﺘﻪ رﺗﺒﻪ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ )ﺗﻌﺪاد رﺗﺒﻪﻫﺎ ﻛﻢ(‪ ،‬از ﺿﺮﻳﺐ اﺳﭙﻴﺮﻣﻦ و ﻳﺎ ﺗﺎو ﻛﻨﺪال ﻣﻲ ﺗﻮان‬
‫اﺳﺘﻔﺎده ﻛﺮد‪ .‬ﺿﺮﻳﺐ اﺳﭙﻴﺮﻣﻦ از زوج ﻫﺎي ﻫﻤﺘﺎ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﺪ‪ .‬زﻣﺎﻧﻲ ﻛﺎرﺑﺮد دارد ﻛﻪ دادهﻫﺎ رﺗﺒﻪاي ﺑﺎﺷﺪ‪ .‬ﻳﻜﻲ از‬
‫ﻣﺘﻐﻴﺮﻫﺎ ﻳﺎ ﻫﺮ دو ﻣﺘﻐﻴﺮ و ﻳﺎ اﻳﻨﻜﻪ دادهﻫﺎ ﻓﺎﺻﻠﻪ اي‪ ،‬وﻟﻲ ﻣﻔﺮوﺿﻪ ﻫﺎي آﻣﺎر ﭘﺎراﻣﺘﺮﻳﻚ رﻋﺎﻳﺖ ﻧﺸﺪه ﺑﺎﺷﺪ‪ .‬ﻣﺜﻞ‪ :‬ﺗﺮﺗﻴﺐ‬
‫ﺗﻮﻟﺪ و رﺗﺒﻪ در ﻛﻼس‪ .‬وﻗﺘﻲ راﺑﻄﻪ ﻏﻴﺮﺧﻄﻲ ﺑﺎﺷﺪ‪ ،‬داده ﻫﺎي ﻓﺎﺻﻠﻪاي ﺑﺎﻳﺪ ﺑﻪ رﺗﺒﻪ ﺗﺒﺪﻳﻞ ﺷﻮﻧﺪ‪) .‬ﺷﻴﻮﻟﺴﻮن‪:1380،‬‬
‫‪ .(190‬اﻳﻦ ﺿﺮﻳﺐ ﺑﺮاي راﺑﻄﻪ ﻫﺎي ﻛﺎﻣﻼً ﻏﻴﺮ ﺧﻄﻲ ﻣﻨﺎﺳﺐ ﻧﻴﺴﺖ )ﺷﻴﻮﻟﺴﻮن‪.(196 :1380،‬‬
‫‪6∑ D 2‬‬
‫‪rs = 1 −‬‬ ‫=‬‫‪D Rx − R y‬‬
‫)‪n(n 2 − 1‬‬

‫‪ X‬ﺧﻼﻗﻴﺖ‬ ‫‪ Y‬ﭘﻴﺸﺮﻓﺖ ﺗﺤﺼﻴﻠﻲ‬ ‫‪Rx‬‬ ‫‪Ry‬‬ ‫‪D‬‬ ‫‪D2‬‬

‫‪120‬‬ ‫‪18‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪-1‬‬ ‫‪1‬‬
‫‪112‬‬ ‫‪19‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪4‬‬
‫‪118‬‬ ‫‪12‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪-2‬‬ ‫‪4‬‬
‫‪125‬‬ ‫‪17‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪-3‬‬ ‫‪9‬‬
‫‪101‬‬ ‫‪19/5‬‬ ‫‪5‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪16‬‬
‫‪∑D‬‬ ‫‪2‬‬
‫‪= 34‬‬

‫‪6 × 34‬‬ ‫‪204‬‬

‫=‬
‫‪rs 1 −‬‬ ‫‪⇒ 1−‬‬ ‫‪= 1 − 1/7 ⇒ 0/7‬‬
‫)‪5(5 2 − 1‬‬
‫‪www.e-estekhdam.com‬‬ ‫‪120‬‬
‫‪28‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻧﻜﺘﻪ‪ :‬زﻣﺎﻧﻲ ﻛﻪ اﻋﺪاد ﺗﻜﺮار ﻣﻲﺷﻮﻧﺪ‪ ،‬ﺑﺮاي ﺗﻌﻴﻴﻦ رﺗﺒﻪ اﻋﺪاد ﻣﺸﺎﺑﻪ ﺑﺎﻳﺪ ﺑﺸﺮح زﻳﺮ ﻋﻤﻞ ﻛﺮد‪:‬‬

‫‪X‬‬ ‫‪Y‬‬ ‫‪Rx‬‬ ‫‪Ry‬‬ ‫‪D‬‬ ‫‪D2‬‬

‫‪18‬‬ ‫‪29‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪-1‬‬ ‫‪1‬‬
‫‪19‬‬ ‫‪42‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪17‬‬ ‫‪35‬‬ ‫‪7/5‬‬ ‫‪4‬‬ ‫‪3/5‬‬ ‫‪12/25‬‬
‫‪18‬‬ ‫‪35‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪25‬‬ ‫‪28‬‬ ‫‪1‬‬ ‫‪7‬‬ ‫‪-6‬‬ ‫‪36‬‬
‫‪12‬‬ ‫‪21‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪23‬‬ ‫‪35‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪-2‬‬ ‫‪4‬‬
‫‪11‬‬ ‫‪66‬‬ ‫‪10‬‬ ‫‪1‬‬ ‫‪9‬‬ ‫‪81‬‬
‫‪18‬‬ ‫‪11‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪-5‬‬ ‫‪25‬‬
‫‪17‬‬ ‫‪14‬‬ ‫‪7/5‬‬ ‫‪9‬‬ ‫‪-1/5‬‬ ‫‪2/25‬‬
‫‪∑D‬‬ ‫‪2‬‬
‫‪= 164/5‬‬

‫‪4+5−6‬‬ ‫‪7+8‬‬ ‫‪3+4+5‬‬

‫رﺗﺒﻪ ﻋﺪد ﺗﻜﺮاري‬ ‫‪=5‬‬ ‫‪= 7/5‬‬ ‫‪=4‬‬
‫‪3‬‬ ‫‪2‬‬ ‫‪3‬‬
‫‪6 × ∑ D2‬‬ ‫‪6 ×164/5‬‬ ‫‪987‬‬
‫‪rs = 1 −‬‬ ‫‪= 1−‬‬ ‫‪= 1−‬‬ ‫‪=0/003‬‬
‫)‪n( n − 1‬‬
‫‪2‬‬
‫)‪10(10 − 1‬‬
‫‪2‬‬
‫‪990‬‬
‫‪ n‬از ﻓﺮﻣﻮل زﻳﺮ ﻣﻘﺪار ﺑﺤﺮاﻧﻲ را ﺑﻴﺎﺑﻴﺪ‪ .‬اﮔﺮ ﺑﻴﻦ ﻣﻘﺎدﻳﺮ‬ ‫‪ n‬از ﺟﺪول اﺳﺘﻔﺎده ﻛﻨﻴﺪ‪ .‬اﮔﺮ ‪30‬‬ ‫ﻧﻜﺘﻪ‪ :‬اﮔﺮ‪30‬‬
‫ﻣﺜﺒﺖ و ﻣﻨﻔﻲ ﺑﻮد ﻫﻤﺒﺴﺘﮕﻲ وﺟﻮد ﻧﺪارد‪.‬‬

‫در ﻣﺜﺎل ﺑﺎﻻ اﮔﺮ ﻓﺮض ﻛﻨﻴﻢ اﻓﺮاد ﻧﻤﻮﻧﻪ ‪ 65‬ﻧﻔﺮ ﻫﺴﺘﻨﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ دارﻳﻢ‪:‬‬

‫اﺳﺖ ﻓﺮض ﺻﻔﺮ‬ ‫اﮔﺮ آﻣﺎره آزﻣﻮن‪ = /40‬ﺑﺎﺷﺪ‪ ،‬ﭼﻮن ﺧﺎرج از داﻣﻨﻪي ‪0/245‬‬
‫رد ﻣﻲﺷﻮد‪ .‬ﻳﻌﻨﻲ ﺑﻴﻦ رﺗﺒﻪ ﻫﺎ ﻫﻤﺒﺴﺘﮕﻲ وﺟﻮد دارد‪.‬‬
‫‪1‬‬
‫ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ دورﺷﺘﻪاي ﻧﻘﻄﻪاي‬
‫زﻣﺎﻧﻲ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮد ﻛﻪ ﻳﻚ ﻣﺘﻐﻴﺮ ﭘﻴﻮﺳﺘﻪ و دﻳﮕﺮي دوارزﺷﻲ واﻗﻌﻲ ﺑﺎﺷﺪ ﻳﺎ ﻳﻚ ﻣﺘﻐﻴﺮ ﭘﻴﻮﺳﺘﻪ و‬
‫دﻳﮕﺮي دوارزﺷﻲ و ﻓﺮض ﻧﺮﻣﺎل ﺑﻮدن ﺗﻮزﻳﻊ رﻋﺎﻳﺖ ﻧﺸﺪه ﺑﺎﺷﺪ‪ .‬ﻣﺜﻞ‪ :‬ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﻧﻤﺮه ﻛﻞ آزﻣﻮن و ﻳﻚ ﺳﺆال ﻳﺎ‬
‫ﺟﻨﺴﻴﺖ و ﻧﻤﺮه در ﻳﻚ آزﻣﻮن ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ از ﻳﻚ ﻛﻤﺘﺮ ﺑﺎﺷﺪ ﺗﺎﺑﻊ ‪ p‬و ‪ q‬اﺳﺖ‪ .‬در ﺣﺎﻟﺖ ﺑﻴﺸﻴﻨﻪ ﻣﻘﺪار آن از ‪ 1‬ﻛﻤﺘﺮ‬
‫اﺳﺖ‪(r = 0/7978) .‬‬

‫‪1‬‬
‫‪. Combination‬‬

‫‪www.e-estekhdam.com 29‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪ -1‬ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ دو رﺷﺘﻪاي‪ :‬ﻳﻚ ﻣﺘﻐﻴﺮ ﭘﻴﻮﺳﺘﻪ و دﻳﮕﺮي دو ارزﺷﻲ ﺳﺎﺧﺘﮕﻲ اﺳﺖ‪ .‬ﻣﻲ ﺗﻮاﻧﺪ از ﻳﻚ ﺑﻴﺸﺘﺮ‬
‫ﺑﺎﺷﺪ‪ .‬ﺗﻮزﻳﻊ ﻧﺮﻣﺎل و راﺑﻄﻪ ﺧﻄﻲ اﺳﺖ‪ .‬ﻣﻨﻈﻮر از ﺳﺎﺧﺘﮕﻲ ﻳﻌﻨﻲ ﻣﺎ ﻣﺜﻼً ﻧﻤﺮات رﻳﺎﺿﻲ ‪ 8-9-15-15‬را ﺑﻪ ﺻﻮرت‬
‫ﻣﺮدود – ﻗﺒﻮل ﻃﺒﻘﻪ ﺑﻨﺪي ﻛﻨﻴﻢ )‪ 0‬و ‪.(1‬‬
‫‪X‬‬ ‫'‪X‬‬
‫‪15‬‬ ‫‪1‬‬
‫‪15‬‬ ‫‪1‬‬
‫‪9‬‬ ‫‪0‬‬
‫‪8‬‬ ‫‪0‬‬
‫‪ -2‬ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﻓﻲ‪ :‬زﻣﺎﻧﻲ ﻛﺎرﺑﺮد دارد ﻛﻪ ﻫﺮ دو ﻣﺘﻐﻴﺮ دوارزﺷﻲ واﻗﻌﻲ ﺑﺎﺷﻨﺪ ﻳﺎ ﻫﺮ دو ﻣﺘﻐﻴﺮ دوارزﺷﻲ و‬
‫ﻓﺮض ﻧﺮﻣﺎل ﺑﻮدن رﻋﺎﻳﺖ ﻧﺸﺪه ﺑﺎﺷﺪ و راﺑﻄﻪ ﻣﺘﻘﺎرن ﺑﺎﺷﺪ‪ .‬ﻳﻌﻨﻲ ﺟﺎي ﻣﺘﻐﻴﺮﻫﺎ ﻋﻮض ﺷﻮد ﻧﺘﻴﺠﻪ ﺗﻐﻴﻴﺮ ﻧﻤﻲ ﻛﻨﺪ‪.‬‬
‫ﻣﺎﻧﻨﺪ راﺑﻄﻪ ﺟﻨﺴﻴﺖ و وﺿﻊ ﺳﻮاد )ﺑﻲﺳﻮاد‪ -‬ﺑﺎﺳﻮاد( و ﻳﺎ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ دو ﺳﺆال )در ﻛﺘﺎب ﺧﺎﻧﻢ ﺳﺮﻣﺪ ﺑﺮاي اﻳﻦ‬
‫ﻣﻮرد ﺗﺘﺮاﻛﻮرﻳﻚ ﭘﻴﺸﻨﻬﺎد ﺷﺪه اﺳﺖ‪ ،‬ص ‪ (222‬ﻛﻪ اﻟﺒﺘﻪ ﺑﻴﺸﺘﺮ ﻓﻲ ﺑﻜﺎر ﻣﻲ رود‪.‬‬
‫‪ -3‬ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺗﺘﺮاﻛﻮرﻳﻚ‪ :‬زﻣﺎﻧﻲ ﻛﺎرﺑﺮد ﻛﻪ ﻳﻚ ﻳﺎ ﻫﺮ دو ﻣﺘﻐﻴﺮ دو ارزﺷﻲ ﺳﺎﺧﺘﮕﻲ ﺑﺎﺷﻨﺪ‪ .‬ﻳﺎ ﻫﺮ دو ﻣﺘﻐﻴﺮ‬
‫دو ارزﺷﻲ و ﻓﺮض ﻧﺮﻣﺎل ﺑﻮدن رﻋﺎﻳﺖ ﺷﺪه ﺑﺎﺷﺪ‪ ،‬ﻣﺜﻞ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﭘﺎﺳﺦ ﮔﺮوه ﻗﻮي و ﺿﻌﻴﻒ ﺑﻪ ﺳﺆال ‪.1‬‬
‫‪ -4‬ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﻛﺎﻧﻮﻧﻲ‪ :‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﺑﺨﻮاﻫﻴﻢ راﺑﻄﻪ ﺑﻴﻦ دو ﻳﺎ ﭼﻨﺪ ﻣﺘﻐﻴﺮ را ﺑﺎ دو ﻳﺎ ﭼﻨﺪ ﻣﺘﻐﻴﺮ دﻳﮕﺮ ﺑﺮرﺳﻲ‬
‫ﻛﻨﻴﻢ‪ ،‬از اﻳﻦ ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ اﺳﺘﻔﺎده ﻣﻲﻛﻨﻴﻢ‪.‬‬
‫‪ -5‬ﻫﻤﺒﺴﺘﮕﻲ ﺗﻔﻜﻴﻜﻲ )ﭘﺎره اي(‪ :‬ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ دو ﻣﺘﻐﻴﺮي اﺳﺖ‪ .‬ﺑﺮاي داده ﻫﺎي ﻧﺎﭘﻴﻮﺳﺘﻪ ﻛﻪ اﺛﺮ ﻣﺘﻐﻴﺮ ﺳﻮم و‬
‫ﺑﻌﺪي را ﻣﻲ ﺧﻮاﻫﻴﻢ روي ﻫﺮ دو ﻣﺘﻐﻴﺮ ﺣﺬف ﻛﻨﻴﻢ‪ ،‬ﺑﻜﺎر ﻣﻲرود‪.‬‬

‫‪rXY.z‬‬ ‫‪rXY.zF‬‬ ‫‪rXY.zfg‬‬

‫ﻣﺮﺗﺒﻪ اول‬ ‫ﻣﺮﺗﺒﻪ دوم‬ ‫ﻣﺮﺗﺒﻪ ﺳﻮم‬
‫راﺑﻄﻪ ﭘﻴﺸﺮﻓﺖ ﺗﺤﺼﻴﻠﻲ و ﺧﻼﻗﻴﺖ ﺑﺎ ﺣﺬف اﺛﺮ ﻫﻮش ﺑﺮ روي ﻫﺮ دو ﻣﺘﻐﻴﺮ )ﺗﻔﻜﻴﻜﻲ ﻣﺮﺗﺒﻪ اول(‬
‫‪ -6‬ﺿﺮﻳﺐ ﻧﻴﻤﻪ ﺗﻔﻜﻴﻜﻲ‪ :‬اﺛﺮ ﻣﺘﻐﻴﺮ ﺳﻮم و ﺑﻌﺪي را روي ﻳﻜﻲ از ﻣﺘﻐﻴﺮﻫﺎ ﺣﺬف ﻣﻲ ﻛﻨﻴﻢ‪:‬‬
‫)‪rX(Y.Z‬‬ ‫)‪rX(Y.Zf‬‬
‫ﻣﺮﺗﺒﻪ اول‬ ‫ﻣﺮﺗﺒﻪ دوم‬

‫ﻫﻔﺘﺎد درﺻﺪ راﺑﻄﻪ ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ‬ ‫ﻧﻜﺘﻪ‪ :‬ﺗﻔﺴﻴﺮ ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﻧﺒﺎﻳﺪ ﺑﺮﺣﺴﺐ درﺻﺪ و ﻧﺴﺒﺖ ﺑﺎﺷﺪ‪ .‬ﻣﺜﻼ ً ‪=0/70‬‬

‫ﻧﻴﺴﺖ‪.‬‬ ‫دﻗﻴﻘﺎ ً دو ﺑﺮاﺑﺮ ‪=0/45‬‬ ‫را ﺗﺒﻴﻴﻦ ﻧﻤﻲ ﻛﻨﺪ و ‪=0/90‬‬

‫‪www.e-estekhdam.com 30‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﺧﻼﺻﻪ ﻫﻤﺒﺴﺘﮕﻲ ﻫﺎ‬

‫ﺗﻮﺿﻴﺢ‬ ‫ﻣﺘﻐﻴﺮ‪2‬‬ ‫ﻣﺘﻐﻴﺮ‪1‬‬ ‫ﻧﻤﺎد‬ ‫روش‬
‫ﺑﺎﺛﺒﺎتﺗﺮﻳﻦ روش اﺳﺖ‪.‬‬ ‫ﭘﻴﻮﺳﺘﻪ‬ ‫ﭘﻴﻮﺳﺘﻪ‬ ‫‪R‬‬ ‫ﮔﺸﺘﺎوري ﭘﻴﺮﺳﻮن‬
‫ﺑﻴﺸﺘﺮ ﺑﻪ ﺟﺎي ﻫﻤﺒﺴﺘﮕﻲ ﮔﺸﺘﺎوري ﺑﻪ ﻛﺎر ﺑﺮده ﻣﻲﺷـﻮد‪ ،‬وﻗﺘـﻲ‬ ‫رﺗﺒﻪ اي‬ ‫رﺗﺒﻪ اي‬ ‫‪ρ‬‬ ‫ﺗﻔﺎوت رﺗﺒﻪ ﻫﺎ )‪(rho‬‬
‫ﻛﻪ ﺗﻌﺪاد ﻣﻮارد ﻛﻤﺘﺮ از ‪ 30‬اﺳﺖ‪.‬‬
‫زﻣﺎﻧﻲ ﻛﻪ ﺗﻌﺪاد ﻣﻮارد ‪ 10‬ﻛﻤﺘﺮ اﺳﺖ‪ ،‬ﺑﻪ ﺟﺎي ‪ rho‬ﺑﻪ ﻛﺎر ﺑـﺮده‬ ‫رﺗﺒﻪ اي‬ ‫رﺗﺒﻪ اي‬ ‫‪τ‬‬ ‫ﺗﺎي ﻛﻨﺪال‬
‫ﻣﻲ ﺷﻮد‪.‬‬

‫ﻣﻘﺪار اﻳﻦ ﻫﻤﺒﺴﺘﮕﻲ ﮔﺎﻫﻲ اوﻗﺎت از ‪ 1‬ﺑﻴﺸﺘﺮ ﻣﻲﺷﻮد و ﺧﻄـﺎي‬ ‫ﭘﻴﻮﺳﺘﻪ‬ ‫دو ارزﺷﻲ‬ ‫‪rbis‬‬ ‫دو رﺷﺘﻪ اي‬
‫اﺳﺘﺎﻧﺪارد آن ﺑﺰرﮔﺘﺮ از ‪ r‬اﺳﺖ‪ .‬از اﻳﻦ روش در ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ‬ ‫ﺳﺎﺧﺘﮕﻲ‬
‫ﺳﺆال اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬
‫زﻣﺎﻧﻲ ﺑﻪ ﻛﺎر ﺑﺮده ﻣﻲ ﺷﻮد ﻛﻪ ﻋﻼﻗﻤﻨﺪ ﺑﻪ ﻣﻄﺎﻟﻌﻪ اﻓﺮادي ﻫـﺴﺘﻴﺪ‬ ‫ﭘﻴﻮﺳﺘﻪ‬ ‫دو ارزﺷﻲ‬ ‫‪rwbis‬‬ ‫دو رﺷﺘﻪ اي ﮔﺴﺘﺮده‬
‫ﻛﻪ در ﻛﺮاﻧﻪ ﻫﺎي اﻧﺘﻬﺎﻳﻲ ﻣﺘﻐﻴﺮ دو ارزﺷﻲ ﻗﺮار دارﻧﺪ‪.‬‬ ‫ﺳﺎﺧﺘﮕﻲ‬
‫ﮔﺴﺘﺮده‬
‫ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺣﺎﺻﻞ در اﻳﻦ روش ﻛـﻮﭼﻜﺘﺮ از ‪ r‬و ﺑـﺴﻴﺎر‬ ‫ﭘﻴﻮﺳﺘﻪ‬ ‫دو ارزﺷﻲ‬ ‫‪rpbis‬‬ ‫دو رﺷﺘﻪ اي ﻧﻘﻄﻪ اي‬
‫ﻛﻮﭼﻜﺘﺮ از ‪ rpbis‬اﺳﺖ‪.‬‬ ‫واﻗﻌﻲ‬

‫زﻣﺎﻧﻲ ﺑﻪ ﻛﺎر ﺑﺮده ﻣﻲ ﺷﻮد ﻛﻪ ﻫﺮ دو ﻣﺘﻐﻴﺮ را ﺑﺘـﻮان در ﻧﻘﻄـﻪي‬ ‫دو ارزﺷﻲ‬ ‫دو ارزﺷﻲ‬ ‫‪rt‬‬ ‫ﭼﻬﺎرﺧﺎﻧﻪ اي‬
‫ﺑﺤﺮاﻧﻲ ﻣﻌﻴﻨﻲ ﺑﻪ دو ﻗﺴﻤﺖ ﺗﻘﺴﻴﻢ ﻛﺮد‪.‬‬ ‫ﺳﺎﺧﺘﮕﻲ‬ ‫ﺳﺎﺧﺘﮕﻲ‬ ‫)ﺗﺘﺮاﻛﻮرﻳﻚ(‬
‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻫﻤﺒﺴﺘﮕﻲ دروﻧﻲ ﺑـﻴﻦ ﺳـﺆال ﻫـﺎ در آزﻣـﻮنﻫـﺎي‬ ‫دو ارزﺷﻲ‬ ‫دو ارزﺷﻲ‬ ‫‪ϕ‬‬ ‫ﺿﺮﻳﺐ ﻓﻲ‬
‫ﭼﻨﺪﮔﺰﻳﻨﻪ اي ﻳﺎ دوﮔﺰﻳﻨﻪ اي ﺑﻪ ﻛﺎر ﺑﺮده ﻣﻲ ﺷﻮد‪.‬‬ ‫واﻗﻌﻲ‬ ‫واﻗﻌﻲ‬

‫در ﺑﺮﺧﻲ ﺷﺮاﻳﻂ ﻣﻌﻴﻦ‪ ،‬ﺑﺎ ‪ rt‬ﻗﺎﺑﻞ ﻣﻘﺎﻳﺴﻪ اﺳﺖ‪ .‬ارﺗﺒﺎط ﻧﺰدﻳﻜـﻲ‬ ‫دو ﻳﺎ ﭼﻨﺪ‬ ‫دو ﻳﺎ ﭼﻨﺪ‬ ‫‪c‬‬ ‫ﺿﺮﻳﺐ ﺗﻮاﻓﻘﻲ‬
‫ﺑﺎ ﺧﻲ دو دارد‪.‬‬ ‫ﻃﺒﻘﻪ اي‬ ‫ﻃﺒﻘﻪ اي‬

‫اﻳﻨﻜﻪ ﻛﺪام ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ ﻳﺎ واﺑﺴﺘﻪ ﻧﺎﻣﮕـﺬاري ﻣـﻲﺷـﻮد در ﻧـﻮع‬ ‫ﻫﺮ دو ﻣﺘﻐﻴﺮ‬ ‫‪d‬‬ ‫ﺷﺎﺧﺺ راﺑﻄﻪ ﻧﺎﻣﺘﻘﺎرن‬
‫ﻣﺤﺎﺳﺒﻪي ﺷﺎﺧﺺ ﺗﺄﺛﻴﺮ دارد‪.‬‬ ‫دو ﻣﻘﻮﻟﻪ اي‬ ‫ﺳﺎﻣﺮز‬
‫ﻳﺎ رﺗﺒﻪ اي‬

‫‪www.e-estekhdam.com 31‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻧﻜﺘﻪ‬
‫‪ -1‬ﻣﺘﻐﻴﺮ ﭘﻴﻮﺳﺘﻪ‪ :‬ﺑﻪ ﻣﺘﻐﻴﺮي ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ﻛﻪ ﭘﻴﻮﺳﺘﺎر زﻳﺮﺑﻨﺎﻳﻲ آن ﺗﻤﺎﻳﻞ ﺑﻪ ﺗﻮزﻳﻊ ﻃﺒﻴﻌﻲ ﻳﺎ ﺑﻬﻨﺠﺎر دارد‪ .‬ﻧﻤﻮﻧﻪﻫﺎﻳﻲ‬
‫از اﻳﻦ ﻣﺘﻐﻴﺮ ﻋﺒﺎرﺗﻨﺪ از‪ :‬وزن‪ ،‬ﺗﻮاﻧﺎﻳﻲ ﻳﺎ ﭘﻴﺸﺮﻓﺖ ﺗﺤﺼﻴﻠﻲ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ آزﻣﻮن ﻫﺎي اﺳﺘﺎﻧﺪارد اﻧﺪازهﮔﻴﺮي ﻣﻲﺷﻮﻧﺪ‪.‬‬
‫‪ -2‬ﻣﺘﻐﻴﺮ دوارزﺷﻲ ﺳﺎﺧﺘﮕﻲ‪ :‬وﻗﺘﻲ ﺣﺎﺻﻞ ﻣﻲ ﺷﻮد ﻛﻪ ﻳﻚ ﻣﺘﻐﻴﺮ ﭘﻴﻮﺳﺘﻪ ﺑﺮ اﺳﺎس ﻳﻚ ﻣﻌﻴﺎر ﻗﺮاردادي ﻛﻪ ﻏﺎﻟﺒﺎً‬
‫ﻧﺰدﻳﻚ ﻣﺮﻛﺰ دادهﻫﺎﺳﺖ‪ ،‬ﺑﻪ دو ﮔﺮوه ﺗﻘﺴﻴﻢ ﺷﻮد‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل‪ ،‬ﺗﻘﺴﻴﻢ ﺑﻨﺪي داﻧﺶ آﻣﻮزان ﺑﻪ ﻣﻮﻓﻖ‪ -‬ﻧﺎﻣﻮﻓﻖ‪ ،‬ﺑﺎﻻي‬
‫ﻣﺘﻮﺳﻂ‪ ،‬ﭘﺎﻳﻴﻦ ﻣﺘﻮﺳﻂ‪ ،‬ﻗﺒﻮل‪ -‬رد‪ ،‬و ﺻﻤﻴﻤﻲ‪ -‬ﺑﻲﺗﻔﺎوت در ﻳﻚ ﻣﻘﻴﺎس ﻧﮕﺮشﺳﻨﺞ‪.‬‬
‫‪ -3‬ﻣﺘﻐﻴﺮ دوارزﺷﻲ واﻗﻌﻲ‪ :‬ﻧﻘﻄﻪ ﺑﺮش ﻧﺴﺒﺘﺎً روﺷﻨﻲ دارد )اﻟﺒﺘﻪ‪ ،‬ﻧﻪ ﺿﺮورﺗﺎً ﻣﻄﻠﻖ( ﺑﻪ ﻃﻮري ﻛﻪ ﺳﺮاﻧﺠﺎم داده ﻫﺎي‬
‫اﻳﻦ ﻣﺘﻐﻴﺮ ﺑﻪ دو ﮔﺮوه ﺗﻘﺴﻴﻢ ﻣﻲﺷﻮﻧﺪ‪ .‬ﻧﻤﻮﻧﻪﻫﺎﻳﻲ از اﻳﻦ ﻣﺘﻐﻴﺮ ﻋﺒﺎرﺗﻨﺪ از‪ :‬ﻣﺬﻛﺮ‪ -‬ﻣﺆﻧﺚ‪ ،‬ﻣﺮده‪ -‬زﻧﺪه‪ ،‬ﻣﻌﻠﻢ‪ -‬ﻏﻴﺮ‬
‫ﻣﻌﻠﻢ‪ ،‬ﻣﺮدود‪ -‬ﻧﺎﻣﺮدود‪ ،‬و ﺳﻴﮕﺎري‪ -‬ﻏﻴﺮﺳﻴﮕﺎري‪ .‬ﻣﺘﻐﻴﺮﻫﺎي دﻳﮕﺮي وﺟﻮد دارﻧﺪ ﻛﻪ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻫﻤﺒﺴﺘﮕﻲ‪ ،‬ﻣﻲﺗﻮان‬
‫آﻧﻬﺎ را دو ارزﺷﻲ واﻗﻌﻲ ﺗﻠﻘﻲ ﻛﺮد‪ .‬ﻧﻈﻴﺮ ﻛﻮررﻧﮕﻲ‪ -‬ﻏﻴﺮﻛﻮررﻧﮕﻲ‪ ،‬اﻟﻜﻠﻲ‪ -‬ﻏﻴﺮ اﻟﻜﻠﻲ و ﭘﺎﺳﺦ ﻫﺎي ﺻﺤﻴﺢ‪ -‬ﻏﻠﻂ ﻳﻚ‬
‫ﺳﺆال ﻣﻌﻴﻦ در ﻳﻚ آزﻣﻮن‪ .‬ﺗﻮزﻳﻊﻫﺎي زﻳﺮﺑﻨﺎﻳﻲ دو ارزش ﻫﺎي واﻗﻌﻲ اﮔﺮ داراي ﺗﻔﺎوت ﻫﺎي ﻣﻄﻠﻖ ﻧﺒﺎﺷﻨﺪ‪ ،‬دوﻧﻤﺎﻳﻲ و‬
‫ﻳﺎ ﺑﻪ ﻃﻮر ﻧﺴﺒﻲ ﻧﺎﭘﻴﻮﺳﺘﻪ ﻫﺴﺘﻨﺪ‪.‬‬
‫ﻛﻮوارﻳﺎﻧﺲ )وارﻳﺎﻧﺲ ﻣﺸﺘﺮك(‬
‫ﻛﻮوارﻳﺎﻧﺲ ﺗﻐﻴﻴﺮﭘﺬﻳﺮي ﻣﺸﺘﺮك ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ را ﮔﻮﻳﻨﺪ )وارﻳﺎﻧﺲ ﻳﻚ ﻣﺘﻐﻴﺮ(‪ .‬ﻣﻘﺪار و ﺟﻬﺖ راﺑﻄﻪ ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ را‬
‫اﻧﺪازه ﻣﻲ ﮔﻴﺮد‪ .‬وﻟﻲ دو ﻣﺤﺪودﻳﺖ دارد‪ .‬ﻣﻘﺪار ﻛﻮوارﻳﺎﻧﺲ ﺑﻪ ﻣﻘﺪار ﺗﻐﻴﻴﺮﭘﺬﻳﺮي ﻧﻤﺮه ﻫﺎي ‪ X‬و‪ Y‬ﺑﺴﺘﮕﻲ دارد‪ .‬اﮔﺮ‬
‫ﭘﺮاﻛﻨﺪﮔﻲ زﻳﺎد ﻛﻮوارﻳﺎﻧﺲ ﻧﻴﺰ زﻳﺎد ﺑﺎﺷﺪ‪ ،‬درﻧﺘﻴﺠﻪ ﻧﻤﻲ ﺗﻮان ﻛﻮوارﻳﺎﻧﺲ اﻧﺪازه ﻫﺎي ﻣﺨﺘﻠﻒ را ﺑﺎ ﻫﻢ ﻣﻘﺎﻳﺴﻪ ﻛﺮد‪.‬‬
‫ﺗﻔﺎوت در ﻣﻘﺪار ﻛﻮوارﻳﺎﻧﺲ ﻣﻤﻜﻦ اﺳﺖ در اﺛﺮ راﺑﻄﻪ ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ‪ ،‬ﺗﻔﺎوت در اﻧﺤﺮاف ﻣﻌﻴﺎرﻫﺎ و ﻳﺎ ﺗﻔﺎوت در راﺑﻄﻪ و‬
‫اﻧﺤﺮاف ﻣﻌﻴﺎرﻫﺎ ﺑﺎﺷﺪ‪ .‬ﺷﺎﺧﺼﻲ ﻛﻪ از ﺗﻔﺎوت در اﻧﺪازه ﻣﻘﻴﺎس ﻫﺎ ﺗﺄﺛﻴﺮ ﻧﭙﺬﻳﺮد ﻫﻤﺒﺴﺘﮕﻲ اﺳﺖ‪ .‬اﻳﻦ ﻋﻤﻞ ﺗﺼﺤﻴﺢ از‬
‫راﺑﻄﻪ اﻟﻒ ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ )ﺷﻴﻮﻟﺴﻮن‪.(175 :1380 ،‬‬

‫= ‪cov‬‬
‫) ‪∑ ( xy) = ∑ ( x − x )( y − y‬‬
‫‪n −1‬‬ ‫‪n −1‬‬
‫ﻓﺮﻣﻮل ﻣﺤﺎﺳﺒﻪ‬
‫ﭘﺮﺳﺶ‪ :‬اﮔﺮ ﻛﻮوارﻳﺎﻧﺲ ‪ x‬و‪ y‬ﺻﻔﺮ ﺑﺎﺷﺪ‪ ،‬ﻛﺪام ﻋﺒﺎرت درﺑﺎره ‪ x‬و‪ y‬ﺻﺤﻴﺢ اﺳﺖ؟‬
‫ب( راﺑﻄﻪ اي ﻏﻴﺮ ﺧﻄﻲ وﺟﻮد دارد‪.‬‬ ‫اﻟﻒ( راﺑﻄﻪ اي وﺟﻮد ﻧﺪارد‪.‬‬
‫د( ﻳﺎ راﺑﻄﻪ ﻏﻴﺮ ﺧﻄﻲ ﺑﺎ اﺳﺘﻘﻼل وﺟﻮد دارد‪.‬‬ ‫ج( دو ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ ﻫﺴﺘﻨﺪ‪.‬‬
‫ﭘﺎﺳﺦ‪ :‬ﮔﺰﻳﻨﻪ )د( ﺻﺤﻴﺢ اﺳﺖ‪ .‬اﮔﺮ ﻛﻮوارﻳﺎﻧﺲ ﺻﻔﺮ ﺷﺪ‪ ،‬ﻧﻤﻲ ﺗﻮان ﺣﻜﻢ ﺑﻪ اﺳﺘﻘﻼل دو ﻣﺘﻐﻴﺮ داد‪ ،‬ﭼﻮن ﻣﻤﻜﻦ اﺳﺖ‬
‫ﺑﻴﻦ آﻧﻬﺎ راﺑﻄﻪاي ﻏﻴﺮﺧﻄﻲ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﻛﻪ ﺑﻮﺳﻴﻠﻪ ﻛﻮوارﻳﺎﻧﺲ ﻣﺸﺨﺺ ﻧﻤﻲ ﺷﻮد‪ .‬ﭼﻮن ﻛﻮوارﻳﺎﻧﺲ ﻓﻘﻂ ﻧﻮع‬
‫راﺑﻄﻪ ﺧﻄﻲ دو ﻣﺘﻐﻴﺮ را ﺗﻌﻴﻴﻦ ﻣﻲ ﻛﻨﺪ )آذر‪.(132 :1380 ،‬‬
‫ﻣﺜﺎل‪ :1‬اﮔﺮ ‪ cov‬ﺑﺮاﺑﺮ ‪ 55‬و ‪ Sy2=64‬ﺑﺎﺷﺪ‪ ،‬ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ‪ y,x‬ﭼﻘﺪر اﺳﺖ؟‬
‫‪cov‬‬ ‫‪55‬‬ ‫‪55‬‬
‫= ‪rxy‬‬ ‫=‬ ‫==‬ ‫‪+0/76‬‬
‫‪S x .S y 8 × 9 72‬‬

‫‪www.e-estekhdam.com 32‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻣﺜﺎل‪ :2‬اﮔﺮ ‪ ∑ ( X − X ) =5‬و ‪ ∑ ( Y − Y ) = 8‬ﺑﺎﺷﺪ و اﻧﺤﺮاف ﻣﻌﻴﺎر ‪ x‬ﺑﺮاﺑﺮ‪ 10‬و اﻧﺤﺮاف ﻣﻌﻴﺎر ‪ y‬ﺑﺮاﺑﺮ‪ 16‬ﺑﺎﺷﺪ‪،‬‬
‫ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﭼﻘﺪر اﺳﺖ؟‬

‫= ‪rxy‬‬
‫= ) ‪∑ ( X − X )(Y − Y‬‬ ‫‪5× 8‬‬
‫=‬
‫‪40‬‬
‫‪= +0/25‬‬
‫‪S x .S y‬‬ ‫‪10×16 160‬‬
‫ﻣﺜﺎل‪ :3‬اﮔﺮ ‪ Z x = 2‬و ‪ Z y = 3/5‬ﺑﺎﺷﺪ و ﺣﺠﻢ ﻧﻤﻮﻧﻪ ﺑﺮاﺑﺮ ‪ 40‬ﻧﻔﺮ‪ ،‬ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﭼﻘﺪر اﺳﺖ؟‬
‫‪Zx.Zy 2 × 3/5 7‬‬
‫= ‪rxy‬‬ ‫=‬ ‫‪= = +0/175‬‬
‫‪n‬‬ ‫‪40‬‬ ‫‪40‬‬
‫ﻣﺜﺎل‪ :4‬ﭼﻨﺎﻧﭽﻪ ﻣﻴﺎﻧﮕﻴﻦ وزن داﻧﺶ آﻣﻮزان )‪ (n =10‬ﺑﺮاﺑﺮ ‪ 50‬و ﻣﻴﺎﻧﮕﻴﻦ ﻗﺪ ﻫﻤﻴﻦ ﮔﺮوه ‪ 110cm‬ﺑﺎﺷﺪ و ﻓﺮدي ﻗﺪ‬
‫‪ S1=5‬وزن و ‪ S2=3‬ﻗﺪ‬ ‫‪ 115cm‬و وزن ‪ 58kg‬داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﻣﻴﺰان ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﻗﺪ و وزن او ﭼﻘﺪر اﺳﺖ؟‬
‫‪X − X 58 − 50‬‬ ‫‪Y − Y 115 − 110‬‬
‫= ‪ Zx‬وزن‬ ‫=‬ ‫‪= 1/6‬‬ ‫= ‪ Zy‬ﻗﺪ‬ ‫=‬ ‫‪= 1/67‬‬
‫‪S‬‬ ‫‪5‬‬ ‫‪S‬‬ ‫‪3‬‬
‫‪Zx.Zx 1/6 × 1/67‬‬
‫‪rxy‬‬ ‫=‬ ‫=‬ ‫‪= +0/27‬‬
‫‪n‬‬ ‫‪10‬‬
‫‪V = r 2 xy × 100‬‬ ‫ﺿﺮﻳﺐ ﺗﻌﻴﻴﻦ )درﺻﺪ وارﻳﺎﻧﺲ ﻣﺸﺘﺮك(‬
‫ﺿﺮﻳﺐ ﺗﻌﻴﻴﻦ ﻧﺸﺎن دﻫﻨﺪه ﻣﻴﺰان ﺗﺄﺛﻴﺮي اﺳﺖ ﻛﻪ ﻣﺘﻐﻴﺮ ‪) X‬ﻣﺴﺘﻘﻞ( در ﻣﺘﻐﻴﺮ‪) Y‬واﺑﺴﺘﻪ( اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ ﻳﺎ ﺑﻪﻋﺒﺎرﺗﻲ‬
‫ﺑﺎ ﻣﺤﺎﺳﺒﻪ اﻳﻦ ﺿﺮﻳﺐ ﻣﻲ ﺗﻮان ﺗﻌﻴﻴﻦ ﻛﺮد ﭼﻨﺪ درﺻﺪ از ﻛﻞ وارﻳﺎﻧﺲ ‪ X‬ﻧﺎﺷﻲ از وارﻳﺎﻧﺲ ‪ Y‬اﺳﺖ‪.‬‬

‫‪cov 2‬‬ ‫وارﻳﺎﻧﺲ ﻣﺸﺘﺮك‬

‫= ‪r 2 xy‬‬ ‫=‬
‫‪S 2 x .S 2 y‬‬ ‫ﻛﻞ وارﻳﺎﻧﺲ‬

‫ﻧﻜﺘﻪ‪ :‬ﺿﺮﻳﺐ ﺗﻌﻴﻴﻦ ﻫﻴﭻ وﻗﺖ ﻣﻨﻔﻲ ﻧﺨﻮاﻫﺪ ﺷﺪ‪ ،‬زﻳﺮا ﺑﺮاي ﻣﺤﺎﺳﺒﻪ آن ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﻣﺠﺬور ﻣﻲ ﺷﻮد‪.‬‬
‫ﺳﺆال‪ :‬اﮔﺮ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﻧﻤﺮه رﻳﺎﺿﻲ و ﻧﻤﺮه ﻫﻨﺪﺳﻪ ‪ 0/7‬ﺑﺎﺷﺪ‪ ،‬درﺻﺪ وارﻳﺎﻧﺲ را ﺑﺪﺳﺖ آورده و ﺑﺎ ﺷﻜﻞ ﻧﺸﺎن‬
‫دﻫﻴﺪ‪.‬‬
‫‪ %51‬ﻋﻮاﻣﻞ دﻳﮕﺮ‬ ‫‪V = (0/7) 2 × 100 = 49‬‬
‫ﻋﻮاﻣﻠﻲ ﻛﻪ ﺑﺮ ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺗﺄﺛﻴﺮ ﻣﻲ ﮔﺬارﻧﺪ‪:‬‬
‫‪ -1‬اﺳﺎس راﺑﻄﻪ از ﺟﺎﻣﻌﻪ اي ﺑﻪ ﺟﺎﻣﻌﻪ دﻳﮕﺮ ﻓﺮق ﻣﻲ ﻛﻨﺪ‪ .‬ﻣﺜﻼ ًدر اﻓﺮاد ﺑﺸﺮ در ﺳﻨﻴﻦ ‪10-16‬ﺳﺎﻟﮕﻲ ﺑﻴﻦ ﺳﻦ ﺗﻘﻮﻳﻤﻲ‬
‫و ﺗﻮاﻧﺎﻳﻲ ﻓﻴﺰﻳﻮﻟﻮژﻛﻲ ﻫﻤﺒﺴﺘﮕﻲ ﺑﺎﻻﻳﻲ وﺟﻮد دارد‪ .‬وﻟﻲ ﺑﻴﻦ اﻳﻦ دو ﻣﺘﻐﻴﺮ در ﺳﻨﻴﻦ ‪ 20-26‬ﺳﺎﻟﮕﻲ ﻫﻤﺒﺴﺘﮕﻲ وﺟﻮد‬
‫ﻧﺪارد‪.‬‬
‫‪ -2‬ﭘﺮاﻛﻨﺪﮔﻲ ﻣﺘﻐﻴﺮﻫﺎ در ﺟﻮاﻣﻊ ﻣﺨﺘﻠﻒ ﻣﺘﻔﺎوت اﺳﺖ‪ .‬ﺑﺪﻳﻦ ﻣﻌﻨﻲ ﻛﻪ ﻫﺮﭼﻪ ﺗﺠﺎﻧﺲ ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ )وارﻳﺎﻧﺲ ﻛﻤﺘﺮ‬
‫ﺑﺎﺷﺪ(‪ ،‬ﻫﻤﺒﺴﺘﮕﻲ ﻛﻤﺘﺮ اﺳﺖ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل‪ ،‬در ﻳﻚ ﭘﮋوﻫﺶ اﮔﺮ ﻫﻤﻪ ﺑﺎﻫﻮش ﺑﺎﺷﻨﺪ‪ ،‬داﻣﻨﻪ ﻣﺤﺪود و ﻣﻘﺪار ‪ r‬ﻛﺎﻫﺶ‬
‫ﻣﻲﻳﺎﺑﺪ‪.‬‬
‫‪ -3‬ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ ﺗﺤﺖ ﺗﺄﺛﻴﺮ ﻫﻤﺒﺴﺘﮕﻲ آﻧﻬﺎ ﺑﺎ ﻣﺘﻐﻴﺮ ﺳﻮم ﻗﺮار دارد‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل‪ ،‬ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﻓﻴﺰﻳﻚ و‬
‫رﻳﺎﺿﻲ ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ دﻟﻴﻞ ﻫﻤﺒﺴﺘﮕﻲ اﻳﻦ ﻣﺘﻐﻴﺮﻫﺎ ﺑﺎ ﻫﻮش ﺑﺎﺷﺪ‪.‬‬

‫‪www.e-estekhdam.com 33‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪ -4‬اﺳﺘﻔﺎده از ﮔﺮوه ﻫﺎي اﻧﺘﻬﺎﻳﻲ ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ را زﻳﺎد ﻣﻲ ﻛﻨﺪ‪ .‬ﻧﻤﺮه ﻫـﺎي اﻧﺘﻬـﺎﻳﻲ در ﺣﺠـﻢ ﻫـﺎي ﻛﻮﭼـﻚ ﺑـﺮ‬
‫ﻫﻤﺒﺴﺘﮕﻲ ﺗﺄﺛﻴﺮ زﻳﺎد ﻣﻲ ﮔﺬارد‪.‬‬
‫‪ -5‬اﮔﺮ ‪ n‬اﻓﺰاﻳﺶ ﻳﺎﺑﺪ‪ ،‬اﺣﺘﻤﺎل ﻣﻌﻨﺎداري ‪ r‬ﺑﻴﺸﺘﺮ اﺳﺖ‪.‬‬
‫‪ -6‬وﻗﺘﻲ ﻣﺘﻐﻴﺮﻫﺎ ﻧﺎﻣﺮﺗﺒﻂ ﺑﺎﺷﻨﺪ‪ r ،‬ﻛﺎﻫﺶ ﻣﻲ ﻳﺎﺑﺪ‪.‬‬
‫‪ -7‬راﺑﻄﻪ ﻏﻴﺮ ﺧﻄﻲ اﻣﻜﺎن دارد ﻣﻘﺪار ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﭘﻴﺮﺳﻮن را ﺑﻪ ﺻﻔﺮ ﻧﺰدﻳﻚ ﻛﻨﺪ‪.‬‬
‫‪ -8‬ﻣﺤﺪودﻳﺖ در داﻣﻨﻪ ﺗﻐﻴﻴﺮات ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ را ﻛﺎﻫﺶ ﻣﻲ دﻫﺪ‪ .‬ﺑﺮاي وﺟﻮد ﻣﺤﺪودﻳﺖ در داﻣﻨﻪ ﺗﻐﻴﻴﺮ ﺑﺎﻳﺪ‬
‫وارﻳﺎﻧﺲﻫﺎ ﻳﺎ اﻧﺤﺮاف ﻣﻌﻴﺎرﻫﺎي ﻣﺘﻐﻴﺮﻫﺎﻳﻲ ﻛﻪ ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ آﻧﻬﺎ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﮔﺮدد ﻣﻮرد ﺑﺮرﺳﻲ ﻗﺮار ﮔﻴﺮﻧﺪ‪.‬‬
‫ﻛﻮﭼﻚ ﺑﻮدن وارﻳﺎﻧﺲ ﻫﺎ ﻣﻲ ﺗﻮاﻧﺪ ﻧﺸﺎﻧﻪ ﻣﺤﺪودﻳﺖ در داﻣﻨﻪ ﺗﻐﻴﻴﺮ ﺑﺎﺷﺪ )ﺷﻴﻮﻟﺴﻮن‪.(197 :1380 ،‬‬
‫‪ -9‬اﮔﺮ وارﻳﺎﻧﺲ ﻛﻮﭼﻚ ﺑﺎﺷﺪ‪ ،‬ﺗﻔﺴﻴﺮ ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺑﺎﻳﺪ ﺑﺎ اﺣﺘﻴﺎط ﻻزم ﺻﻮرت ﮔﻴﺮد‪.‬‬
‫ﻧﻜﺘﻪ‪ :1‬آزﻣﻮن ﻣﻌﻨﺎداري ﺑﺮاي ﻫﻤﺒﺴﺘﮕﻲ در دو ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ آزﻣﻮن ‪ t‬ﻓﺮﻳﺪﻟﻲ اﺳﺖ‪ .‬و اﮔﺮ ﮔﺮوهﻫﺎ ﻣﺴﺘﻘﻞ اﺳﺖ آزﻣﻮن‬
‫‪ z‬ﻓﻴﺸﺮ و اﮔﺮ ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ را در دو ﮔﺮوه واﺑﺴﺘﻪ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﻢ ‪ t‬اﺳﺘﻴﻮدﻧﺖ اﺳﺖ‪) .‬ﻓﺮﮔﻮﺳﻦ‪ ،‬ﺗﺎﻛﺎﻧﻪ‪.(1380 ،‬‬
‫ﻧﻜﺘﻪ‪ :2‬درﺟﻪ آزادي ﻫﻤﺒﺴﺘﮕﻲ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪d.f = n -2 :‬‬
‫ﺗﺤﻠﻴﻞ ﻫﻤﺒﺴﺘﮕﻲ از ﻧﻮع ﭘﻴﺶ ﺑﻴﻨﻲ‪ :‬رﮔﺮﺳﻴﻮن و ﭘﻴﺶ ﺑﻴﻨﻲ‬
‫زﻣﺎﻧﻲ ﻛﻪ ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ ﻫﻤﺒﺴﺘﮕﻲ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﻣﻲﺗﻮان ازﻃﺮﻳﻖ رﮔﺮﺳﻴﻮن ﻣﻘﺪار ﻳﻚ ﻣﺘﻐﻴﺮ )‪ (Y‬را از روي ﻳﻚ‬
‫ﻣﺘﻐﻴﺮ دﻳﮕﺮ )‪ (X‬ﭘﻴﺶ ﺑﻴﻨﻲ ﻳﺎ ﺑﺮآورد ﻛﺮد‪ ،‬و ﻫﺮﭼﻪ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ ﺑﺎﻻﺗﺮ ﺑﺎﺷﺪ‪ ،‬ﺑﻪ ﻫﻤﺎن اﻧﺪازه ﭘﻴﺶﺑﻴﻨﻲ دﻗﻴﻘﺘﺮ‬
‫اﺳﺖ‪) .‬ﻣﻌﺪل ﻧﻤﺮه دروس داﻧﺸﮕﺎﻫﻲ را از روي ﻧﻤﺮه آزﻣﻮن اﺳﺘﻌﺪاد ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻲ ﻛﻨﻴﻢ( اﻳﻦ ﭘﻴﺶ ﺑﻴﻨﻲ از روي ﺧﻂ‬
‫رﮔﺮﺳﻴﻮن ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ‪ .‬اﻳﻦ ﺧﻂ ﺑﻬﺘﺮﻳﻦ ﺑﺮازش از ﻣﻴﺎن ﻣﺠﻤﻮﻋﻪ ﻧﻘﺎط ﻧﻤﻮدار ﭘﺮاﻛﻨﺪﮔﻲ اﺳﺖ‪ .‬راه دﻳﮕﺮ ﻛﻪ ﺑﻪ‬
‫داوري ذﻫﻨﻲ ﺑﺴﺘﮕﻲ ﻧﺪارد‪ ،‬اﺻﻞ ﻛﻤﺘﺮﻳﻦ ﻣﺠﺬورات اﺳﺖ ﻛﻪ ﻣﺠﺬور اﻧﺤﺮاف ﻫﺎ ﺣﻮل ﺧﻂ رﮔﺮﺳﻴﻮن را ﻛﻤﻴﻨﻪ‬
‫ﻣﻲﺳﺎزد‪ .‬ﻣﻲﺗﻮان ﻣﻌﺎدﻟﻪ اﻳﻦ ﺧﻂ را ﺑﺪﺳﺖ آورد و ﺳﭙﺲ ﻧﻤﻮدار آن را رﺳﻢ ﻛﺮد‪ .‬ﺧﻂ رﮔﺮﺳﻴﻮن درﺣﻘﻴﻘﺖ ﻳﻚ‬
‫ﻣﻴﺎﻧﮕﻴﻦ ﻣﺘﺤﺮك ﻳﺎ ﺧﻂ ﻛﻤﺘﺮﻳﻦ ﻣﺠﺬورات اﺳﺖ‪ .‬رﮔﺮﺳﻴﻮن درﺣﻘﻴﻘﺖ ﻣﻌﺎدﻟﻪ ﺧﻂ اﺳﺖ‪Y=a+bx .‬‬
‫ﻧﻜﺘﻪ‪ :‬راﺑﻄﻪ ﺑﻴﻦ ﻣﺘﻐﻴﺮ ﭘﻴﺶﺑﻴﻨﻲﺷﻮﻧﺪه )ﻣﻼك( )‪ (Y‬و ﻣﺘﻐﻴﺮ ﭘﻴﺶﺑﻴﻨﻲﻛﻨﻨﺪه )‪ (X‬ﺗﺎﺑﻊ ﻋﻼﻣﺖ و ﺷﺪت ﺿﺮﻳﺐ‬
‫ﺑﺎﺷﺪ‪ ،‬ﻫﻤﺒﺴﺘﮕﻲ ﻛﺎﻣﻞ اﺳﺖ‪.‬‬ ‫ﺑﺎﺷﺪ‪ ،‬رﮔﺮﺳﻴﻮن ﺻﻔﺮ و اﮔﺮ ‪= 0‬‬ ‫ﻫﻤﺒﺴﺘﮕﻲ اﺳﺖ‪ .‬اﮔﺮ‪1‬‬
‫ﭘﻴﺶ ﺑﻴﻨﻲ ‪ Y‬از روي ‪X‬‬
‫ﺷﻴﻮه ﺷﻬﻮدي‪ :‬ﻛﻪ ازﻃﺮﻳﻖ ﺗﺮﺳﻴﻢ ﻧﻤﻮدار ﻣﻤﻜﻦ اﺳﺖ‪ .‬ﺗﻌﺒﻴﺮ و ﺗﻔﺴﻴﺮ آن ﺗﺎﺑﻊ ﻓﺮد ﻣﺸﺎﻫﺪه ﮔﺮ اﺳﺖ‪.‬‬

‫)اﻟﻒ(‬ ‫)ب(‬ ‫)ج(‬

‫ﺷﻜﻞ اﻟﻒ( ﭼﻮن ﺧﻂ اﻓﻘﻲ اﺳﺖ‪ ،‬ارﺗﻔﺎع ﺷﻴﺐ آن ﺻﻔﺮ اﺳﺖ‪ .‬در اﻳﻦ ﺣﺎﻟﺖ ﭘﻴﺶ ﺑﻴﻨﻲ دﻗﻴﻖ اﻣﻜﺎن ﭘﺬﻳﺮ اﺳﺖ‪.‬‬
‫اﻳﻦ ﺷﻜﻞ دو ﻋﺎﻣﻞ ﻣﻬﻢ در ﭘﻴﺶ ﺑﻴﻨﻲ را دارد‪:‬‬

‫‪www.e-estekhdam.com 34‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪ -1‬ﻣﻴﺎﻧﮕﻴﻦ ﻣﺘﻐﻴﺮ ‪ Y‬ﻳﻌﻨﻲ ‪ Y‬و ﺷﻴﺐ ﺧﻂ ﻓﺮﺿﻲ در ﻧﻤﻮدار ﭘﺮاﻛﻨﺪﮔﻲ‪ -2 .‬اﻳﻦ ﻧﻤﻮدار ﻧﺸﺎن ﻣﻲ دﻫﺪ اﮔﺮ ﺷﻴﺐ ﺧﻂ‬
‫)ﺿﺮﻳﺐ زاوﻳﻪ( ﺻﻔﺮ ﺑﺎﺷﺪ‪ ،‬ﺑﺮاي ﻫﺮ ﻣﻘﺪار از ‪ X‬ﻧﻤﺮه ‪ Y‬ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ ﻧﻤﺮه ﻫﺎي ‪) Y‬ﺷﻴﻮﻟﺴﻮن‪:1380 ،‬‬
‫‪.(219‬‬
‫ﺷﻜﻞ ب( ﺑﻴﻦ ‪ X‬و ‪ Y‬راﺑﻄﻪ ﻣﺜﺒﺖ و ﻛﺎﻣﻞ وﺟﻮد دارد‪ .‬اﮔﺮ ‪ X‬اﻓﺰاﻳﺶ ﻳﺎﺑﺪ ﻣﻘﺪار ‪ Y‬ﺑﻪ ﻫﻤﺎن ﻣﻴﺰان اﻓﺰاﻳﺶ ﻣﻲﻳﺎﺑﺪ‪.‬‬
‫ﺷﻜﻞ ج( ﺑﻴﻦ ‪ X‬و ‪ Y‬راﺑﻄﻪ ﻣﻨﻔﻲ و ﻛﺎﻣﻞ وﺟﻮد دارد‪ .‬اﮔﺮ ‪ X‬اﻓﺰاﻳﺶ ﻳﺎﺑﺪ ﻣﻘﺪار ‪ Y‬ﺑﻪ ﻫﻤﺎن ﻣﻴﺰان ﻛﺎﻫﺶ ﻣﻲﻳﺎﺑﺪ‪.‬‬

‫ﺑﺮاي ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﻄﻮر ﻛﻞ ﺑﺎﻳﺪ اﻃﻼﻋﺎت زﻳﺮ را داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪:‬‬

‫اﻟﻒ( ﻣﻴﺎﻧﮕﻴﻦ ﻧﻤﺮه ﻫﺎي ﻣﺘﻐﻴﺮ ‪Y‬‬
‫ب( ﺷﻴﺐ ﺧﻂ ﻓﺮﺿﻲ ﻛﻪ ﻧﻤﻮدار ﭘﺮاﻛﻨﺪﮔﻲ را ﺗﻮﺻﻴﻒ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫ج( ﻣﻮﻗﻌﻴﺖ ﻧﺴﺒﻲ ﻓﺮد در ﻣﺘﻐﻴﺮ ‪) X‬ﻧﻤﺮه ﻣﻔﺮوض(‪ .‬اﻳﻦ ﻣﻘﺪار ﺑﺎﻳﺪ ﺑﻪ ﻣﻴﺎﻧﮕﻴﻦ ﻧﻤﺮه ﻫﺎي‪ Y‬اﺿﺎﻓﻪ ﻳﺎ از آن ﻛﺴﺮ ﮔﺮدد‪.‬‬
‫‪Y2 − Y1‬‬
‫‪Y =Y +‬‬ ‫) ‪(X − X‬‬
‫‪X 2 − X1‬‬
‫ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﺎ اﺳﺘﻔﺎده از ﻣﻌﺎدﻟﻪ رﮔﺮﺳﻴﻮن ﺧﻄﻲ‬
‫‪Y=a+bx‬‬
‫‪ =a‬ﻋﺮض از ﻣﺒﺪأ )ﻣﻘﺪار ‪ Y‬وﻗﺘﻲ ‪ X‬ﺻﻔﺮ اﺳﺖ(‪.‬‬
‫‪Y2 − Y1‬‬
‫=‪b‬‬ ‫‪ =B‬ﺷﻴﺐ ﺧﻂ )ﻣﻘﺪار ﻣﺘﻐﻴﺮ در ‪ Y‬ﺑﻪ ازاي ﻳﻚ واﺣﺪ ﺗﻐﻴﻴﺮ در ‪(x‬‬
‫‪X 2 − X1‬‬
‫از اﻳﻦ ﻣﻌﺎدﻟﻪ ﻫﻨﮕﺎﻣﻲ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﻛﻪ ﻫﻤﻪ ﻧﻘﺎط ﻳﻚ ﺗﻮزﻳﻊ ﻣﺸﺘﺮك روي ﻳﻚ ﺧﻂ ﻣﺴﺘﻘﻴﻢ ﻗﺮار ﻣﻲ ﮔﻴﺮﻧﺪ‪.‬‬
‫ﭘﻴﺶ ﺑﻴﻨﻲ ﻧﻤﺮه ﻫﺎي اﺳﺘﺎﻧﺪارد )‪(Z‬‬
‫ﻣﻘﺪﻣﺎﺗﻲﺗﺮﻳﻦ روﺷﻲ ﻛﻪ در اﺳﺘﻔﺎده از ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﭘﻴﺮﺳﻮن ﺑﺮاي ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﻪ ﻛﺎر ﺑﺮده ﻣﻲ ﺷﻮد ﻧﻤﺮهﻫﺎي‬
‫) ‪Z Y = ( Z X )( rXY‬‬ ‫اﺳﺘﺎﻧﺪارد اﺳﺖ‪.‬‬
‫ﻣﻬﻢ‪ :‬اﮔﺮ ﻫﻤﺒﺴﺘﮕﻲ ﻛﺎﻣﻞ )‪ (1‬ﺑﺎﺷﺪ‪ ،‬ﻧﻤﺮه اﺳﺘﺎﻧﺪارد ﭘﻴﺶ ﺑﻴﻨﻲ ﻧﻴﺰ ﻛﺎﻣﻞ‪ ،‬در ﻏﻴﺮ اﻳﻦ ﺻﻮرت ﻏﻴﺮﻛﺎﻣﻞ ﻣﻲﺑﺎﺷﺪ‪ .‬ﺑﻪ‬
‫ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ ﻧﻤﺮه اﺳﺘﺎﻧﺪارد ‪ Z‬ﺑﺮاﺑﺮ ‪ 2‬و ﻫﻤﺒﺴﺘﮕﻲ ﻛﺎﻣﻞ )‪ (1‬ﺑﺎﺷﺪ‪ ،‬ﻧﻤﺮه ﭘﻴﺶ ﺑﻴﻨﻲ اﺳﺘﺎﻧﺪارد ﻧﻴﺰ ‪ 2‬ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻣﻬﻢ‪ :‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ ﻛﻢ ﺑﺎﺷﺪ‪ ،‬ﻧﻤﺮه اﺳﺘﺎﻧﺪاردي ﻛﻪ ﭘﻴﺶﺑﻴﻨﻲ ﻣﻲﻛﻨﻴﻢ‪ ،‬ﻧﺰدﻳﻚ ﺑﻪ ﻣﻴﺎﻧﮕﻴﻦ ﺧﻮاﻫﺪ‬
‫ﺑﻮد‪.‬‬
‫ﻧﻜﺘﻪ‪ :1‬زﻣﺎﻧﻲ ﻛﻪ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ ﭘﺎﻳﻴﻦ ﺑﺎﺷﺪ ﻧﻤﺮات ﭘﻴﺶﺑﻴﻨﻲﺷﺪه ﻧﺰدﻳﻚ ﺑﻪ ﻣﻴﺎﻧﮕﻴﻦ ﻧﻤﺮه ﭘﻴﺶﺑﻴﻨﻲﺷﻮﻧﺪه‬
‫ﻫﺴﺘﻨﺪ ﺗﺎ ﻧﻤﺮه واﻗﻌﻲ‪ .‬ﺑﻪ اﻳﻦ ﭘﺪﻳﺪه رﮔﺮﺳﻴﻮن ﻣﻲ ﮔﻮﻳﻨﺪ‪.‬‬
‫ﻧﻜﺘﻪ‪ :2‬ﻣﻴﺰان ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ ﺣﺪود ﻳﺎ ﻣﻘﺪار اﺗﻔﺎق رﮔﺮﺳﻴﻮن را ﺗﻌﻴﻴﻦ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫ﻧﻜﺘﻪ‪ :3‬ﭘﺪﻳﺪه رﮔﺮﺳﻴﻮن اوﻟﻴﻦ ﺑﺎر ﺑﻮﺳﻴﻠﻪ ﮔﺎﻟﺘﻦ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺖ‪ .‬ﺑﺮ اﺳﺎس ﻣﻄﺎﻟﻌﺎت ﮔﺎﻟﺘﻦ‪ ،‬ﻓﺮزﻧﺪان واﻟﺪﻳﻦ‬
‫ﺑﻠﻨﺪﻗﺪ‪ ،‬ﺑﻠﻨﺪﻗﺪ ﻫﺴﺘﻨﺪ اﻣﺎ ﻧﻪ ﺑﻪ اﻧﺪازه واﻟﺪﻳﻦ ﺧﻮد‪ .‬ﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ ﻓﺮزﻧﺪان واﻟﺪﻳﻦ ﻛﻮﺗﺎهﻗﺪ‪ ،‬ﻛﻮﺗﺎهﻗﺪ ﻫﺴﺘﻨﺪ اﻣﺎ ﻧﻪ ﺑﻪ‬
‫ﻛﻮﺗﺎﻫﻲ واﻟﺪﻳﻦ ﺧﻮد‪.‬‬

‫‪www.e-estekhdam.com 35‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﻧﻜﺘﻪ‪ :4‬ﺧﻂ رﮔﺮﺳﻴﻮن‪ ،‬ﺧﻄﻲ اﺳﺖ ﻛﻪ ﺧﻄﺎﻫﺎي ﭘﻴﺶ ﺑﻴﻨﻲ را ﺑﻪ ﺣﺪاﻗﻞ ﻣﻲ رﺳﺎﻧﺪ )ﺧﻂ ﺣﺪاﻗﻞ ﻣﺠﺬورﻫﺎ(‪ .‬ﻳﻌﻨﻲ‬
‫اﻳﻨﻜﻪ ﻣﺠﻤﻮع ﻣﺠﺬور ﻓﺎﺻﻠﻪ‪Y‬ﻫﺎ از ﺧﻂ رﮔﺮﺳﻴﻮن ﻛﻮﭼﻜﺘﺮ از ﻓﺎﺻﻠﻪ ﻫﺮ ﺧﻂ دﻳﮕﺮي ﺗﺎ ﻣﺤﻮر‪Y‬ﻫﺎ ﻣﻲﺑﺎﺷﺪ‪ .‬ﺧﻂ‬
‫رﮔﺮﺳﻴﻮن را ﺧﻂ ﺑﺮازﻧﺪه ﻧﻴﺰ ﻣﻲ ﻧﺎﻣﻨﺪ‪.‬‬
‫ﻧﻜﺘﻪ‪ :5‬اﺧﺘﻼف ﺑﻴﻦ ﻧﻤﺮه واﻗﻌﻲ )‪ (Y‬و ﻧﻤﺮه ﭘﻴﺶ ﺑﻴﻨﻲ ﺷﺪه )`‪ (y‬را ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ ‪ e‬ﻣﻲﮔﻮﻳﻨﺪ‪.‬‬

‫=‬‫‪e y − y′‬‬ ‫ﻧﻜﺎت ﺑﺴﻴﺎر ﻣﻬﻢ‬

‫‪ -1‬رﮔﺮﺳﻴﻮن زﻣﺎﻧﻲ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ ﻛﻪ ﻫﻤﺒﺴﺘﮕﻲ ﻛﺎﻣﻞ ﻧﺒﺎﺷﺪ‪ .‬ﻳﻌﻨﻲ ﻧﻤﺮات از ﮔﺮوه ﻫﺎي ﺑﺎﻻ و ﭘﺎﻳﻴﻦ ﺟﺎﻣﻌﻪ اﻧﺘﺨﺎب‬
‫ﺷﺪه ﺑﺎﺷﻨﺪ )ﻛﺮاﻧﻪ ﺑﺎﻻ و ﭘﺎﻳﻴﻦ(‪.‬‬
‫‪ -2‬اﮔﺮ ﻫﻤﺒﺴﺘﮕﻲ ﺻﻔﺮ ﺑﺎﺷﺪ‪ ،‬رﮔﺮﺳﻴﻮن ﻛﺎﻣﻞ و اﮔﺮ ﻳﻚ ﺑﺎﺷﺪ رﮔﺮﺳﻴﻮن ﺻﻔﺮ اﺳﺖ‪.‬‬
‫‪ -3‬ﺑﻴﻦ ﺷﺪت ﻫﻤﺒﺴﺘﮕﻲ و رﮔﺮﺳﻴﻮن ﻫﻤﺒﺴﺘﮕﻲ ﻣﻌﻜﻮس وﺟﻮد دارد‪.‬‬
‫‪ -4‬اﻧﺤﺮاف ﻧﻤﺮه از ﺧﻂ رﮔﺮﺳﻴﻮن از اﻧﺤﺮاف ﻧﻤﺮه از ﻫﺮ ﺧﻂ دﻳﮕﺮي ﻛﻮﭼﻜﺘﺮ اﺳﺖ‪.‬‬
‫‪ -5‬ﭼﻨﺎﻧﭽﻪ ﭘﺮاﻛﻨﺪﮔﻲ ﻧﻘﺎط در اﻃﺮاف ﺧﻂ رﮔﺮﺳﻴﻮن ﺑﻪ ﺷﻜﻞ ﺑﻴﻀﻲ ﺑﺎﺷﺪ‪ ،‬ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ در ﺣﺪ ﻣﺘﻮﺳﻂ و‬
‫ﻣﻘﺪار آن ﻧﺰدﻳﻚ ﺑﻪ ‪ 0/5‬اﺳﺖ )آﻳﺰاك‪.(172 :1381 ،‬‬
‫ﻣﻌﺎدﻟﻪ ﺧﻂ رﮔﺮﺳﻴﻮن‬
‫ﺑﺮاي ﭘﻴﺶ ﺑﻴﻨﻲ ﻳﻚ ﻣﺘﻐﻴﺮ از روي ﻣﺘﻐﻴﺮ دﻳﮕﺮ از ﻣﻌﺎدﻟﻪ ﺧﻂ رﮔﺮﺳﻴﻮن اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ Y'=a+bx :‬ﻛﻪ در آن‪:‬‬
‫'‪ = Y‬ﻣﺘﻐﻴﺮي ﻛﻪ ﻣﻲ ﺧﻮاﻫﻴﻢ ﭘﻴﺶ ﺑﻴﻨﻲ ﻛﻨﻴﻢ‬ ‫‪ = B‬ﺷﻴﺐ ﺧﻂ‬
‫‪ = X‬ﻣﺘﻐﻴﺮي ﻛﻪ ﻣﻘﺪار آن را در اﺧﺘﻴﺎر دارﻳﻢ‬ ‫‪ =a‬ﻣﺤﻞ ﺗﻼﻗﻲ ﺧﻂ رﮔﺮﺳﻴﻮن ﺑﺎ ﻣﺤﻮر ﻋﺮضﻫﺎ ﻳﺎ ﻋﺮض از ﻣﺒﺪأ‬
‫ﻧﻜﺘﻪ‪ :‬ﺑﻌﻀﻲ ﻣﻮاﻗﻊ ﻣﻘﺪار ‪ a‬و ‪ b‬در اﺧﺘﻴﺎر اﺳﺖ‪ .‬در اﻳﻦ ﺻﻮرت ﺑﺎ ﺟﺎﻳﮕﺰﻳﻨﻲ ﻣﻘﺎدﻳﺮ‪ ،‬ﻣﺤﺎﺳﺒﻪ ﺧﻴﻠﻲ ﺳﺎده ﻣﻲ ﺑﺎﺷﺪ‪.‬‬

‫ﻣﺜﺎل‪:‬‬
‫‪X=0‬‬ ‫‪Y = 4 +2(0) =4‬‬
‫‪X=1‬‬ ‫‪Y = 4 +2 (1) =6‬‬
‫‪X=4‬‬ ‫‪Y = 4 +2 (4) =12‬‬
‫‪X=8‬‬ ‫‪Y = 4 +2 (8) =20‬‬
‫‪Cov XY‬‬ ‫‪SY‬‬ ‫‪SX‬‬ ‫روش ﻣﺤﺎﺳﺒﻪ ﺿﺮاﻳﺐ ‪ a‬و ‪:b‬‬
‫= ‪bYX‬‬ ‫‪byx = rxy‬‬ ‫‪bxy = rxy‬‬
‫‪S X2‬‬ ‫‪SX‬‬ ‫‪SY‬‬

‫‪www.e-estekhdam.com 36‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﺷﻴﺐ ﺧﻂ رﮔﺮﺳﻴﻮن= ‪ bxy‬و ‪Byx‬‬ ‫اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد ‪SY =y‬‬

‫ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ= ‪rxy‬‬ ‫اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد ‪S X =x‬‬

‫ﻣﺤﺎﺳﺒﻪ ‪ a‬و ‪ b‬از روي داده ﻫﺎي ﺧﺎم‬

‫) ‪NΣXY − (ΣX )(ΣY‬‬ ‫‪ΣY − bYX ΣX‬‬

‫= ‪b yx‬‬ ‫= ‪a yx‬‬
‫‪N ΣX 2 − ( ΣX ) 2‬‬ ‫‪N‬‬
‫ﻣﺜﺎل‪ :‬ﺑﺮاي داده ﻫﺎي زﻳﺮ ﻣﻌﺎدﻟﻪ ﺧﻂ رﮔﺮﺳﻴﻮن را ﺑﻪ دﺳﺖ آورﻳﺪ؟‬
‫‪X‬‬ ‫‪Y‬‬ ‫‪X2‬‬ ‫‪Y2‬‬ ‫‪XY‬‬ ‫)‪3(164) − (20)(24‬‬
‫= ‪byx‬‬ ‫‪= 0/46‬‬
‫‪3(142) − (20) 2‬‬
‫‪6‬‬ ‫‪8‬‬ ‫‪36‬‬ ‫‪64‬‬ ‫‪48‬‬
‫)‪24 − (0/46)(20‬‬
‫‪9‬‬ ‫‪9‬‬ ‫‪81‬‬ ‫‪81‬‬ ‫‪81‬‬ ‫= ‪ay‬‬ ‫‪= 4/93‬‬
‫‪3‬‬
‫‪5‬‬ ‫‪7‬‬ ‫‪25‬‬ ‫‪49‬‬ ‫‪35‬‬ ‫)‪y = 4/93 + 0/46( x‬‬

‫‪20‬‬ ‫‪24‬‬ ‫‪142‬‬ ‫‪194‬‬ ‫‪164‬‬

‫ﺧﻄﺎي اﺳﺘﺎﻧﺪارد ﺑﺮآورد‬
‫اﻛﺜﺮ ﻣﻮاﻗﻊ ﺑﻴﻦ ﻧﻤﺮات ﭘﻴﺶ ﺑﻴﻨﻲ ﺷﺪه و ﻧﻤﺮات ﻣﺸﺎﻫﺪه ﺗﻔﺎوت وﺟﻮد دارد‪ .‬ﺑﻪ اﻳﻦ ﺣﺎﻟﺖ‪ ،‬اﺧﺘﻼف ﺧﻄﺎي اﺳﺘﺎﻧﺪارد‬
‫ﺑﺮآورد ﻣﻲ ﮔﻮﻳﻨﺪ‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬ﻫﺮﭼﻪ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﻣﺘﻐﻴﺮﻫﺎ ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ‪ ،‬ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ ﻛﻤﺘﺮ ﺧﻮاﻫﺪ ﺑﻮد‪ .‬اﻳﻦ ﺧﻄﺎ ﺑﻪ دو روش ﻣﺤﺎﺳﺒﻪ‬
‫ﻣﻲﺷﻮد‪.‬‬

‫ﺧﻄﺎي اﺳﺘﺎﻧﺪارد ﭘﻴﺶ ﺑﻴﻨﻲ ‪S yx S y 1− r 2 xy‬‬

‫=‬ ‫= ‪S yx‬‬
‫‪Σe 2‬‬
‫= ‪ SYX‬ﻳﺎ‬ ‫) ‪∑ (Y − Y‬‬ ‫‪2‬‬

‫‪N‬‬ ‫‪N −2‬‬

‫ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ = ‪rxy‬‬ ‫ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ = ‪e‬‬
‫ﻧﻜﺘﻪ‪ N -2 :‬را درﺟﻪ آزادي ﺧﻄﺎي اﺳﺘﺎﻧﺪارد ﭘﻴﺶ ﺑﻴﻨﻲ ﮔﻮﻳﻨﺪ‪.‬‬
‫راﺑﻄﻪ ﭘﺎﻳﺎﻳﻲ و ﺧﻄﺎ‬
‫=‬
‫ﻫﻤﺎﻧﻄﻮر ﻛﻪ ﻣﻼﺣﻈﻪ ﻣﻲ ﺷﻮد ‪ r xx‬ﺿﺮﻳﺐ اﻋﺘﺒﺎر) ﭘﺎﻳﺎﻳﻲ( اﺳﺖ‪.‬‬ ‫‪S E S 1 − rxx‬‬
‫ﻧﻜﺘﻪ‪ :1‬اﮔﺮ ﻫﻤﺒﺴﺘﮕﻲ ﻛﺎﻣﻞ ﺑﺎﺷﺪ ﺧﻄﺎ ﺻﻔﺮ اﺳﺖ‪ .‬ﻳﻌﻨﻲ ﻫﻤﺒﺴﺘﮕﻲ ﺑﺎ ﺧﻄﺎ راﺑﻄﻪ ﻋﻜﺲ دارﻧﺪ‪.‬‬
‫ﻧﻜﺘﻪ‪ :2‬اﻧﺤﺮاف ﻣﻌﻴﺎر ﻧﻤﻮﻧﻪ و ﺧﻄﺎي ﭘﻴﺶ ﺑﻴﻨﻲ راﺑﻄﻪ ﻣﺴﺘﻘﻴﻢ دارﻧﺪ )ﺑﻪ ﻓﺮﻣﻮل ﻫﺎ ﺗﻮﺟﻪ ﻛﻨﻴﺪ(‪.‬‬
‫ﻧﻜﺘﻪ‪ :3‬ﺑﻴﻦ ﺧﻄﺎي اﻧﺪازهﮔﻴﺮي و ﺿﺮﻳﺐ ﭘﺎﻳﺎﻳﻲ راﺑﻄﻪ ﻋﻜﺲ وﺟﻮد دارد‪.‬‬
‫اﻧﻮاع رﮔﺮﺳﻴﻮن‬
‫ﺗﻚ ﻣﺘﻐﻴﺮي‪ :‬از روي ﻳﻚ ﻣﺘﻐﻴﺮ‪ ،‬ﻣﺘﻐﻴﺮ دﻳﮕﺮ را ﭘﻴﺶﺑﻴﻨﻲ ﻣﻲﻛﻨﻴﻢ‪ .‬از روي ﻫﻮش‪ ،‬ﺧﻼﻗﻴﺖ ﻓﺮد را ﭘﻴﺶﺑﻴﻨﻲ ﻣﻲﻛﻨﻴﻢ‪.‬‬
‫ﭼﻨﺪﮔﺎﻧﻪ‪ :‬از روي ﭼﻨﺪ ﻣﺘﻐﻴﺮ‪ ،‬ﻳﻚ ﻣﺘﻐﻴﺮ ﭘﻴﺶﺑﻴﻨﻲ ﻣﻲ ﺷﻮد‪ .‬از روي اﻋﺘﻤﺎد ﺑﻪ ﻧﻔﺲ و اﺿﻄﺮاب و ﺧﻼﻗﻴﺖ‪ ،‬ﭘﻴﺸﺮﻓﺖ‬
‫ﺗﺤﺼﻴﻠﻲ ﭘﻴﺶﺑﻴﻨﻲ ﻣﻲ ﺷﻮد‪.‬‬

‫‪www.e-estekhdam.com 37‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﭼﻨﺪ ﻣﺘﻐﻴﺮي‪ :‬ﭼﻨﺪ ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ‪ ،‬ﭼﻨﺪ ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ را ﭘﻴﺶﺑﻴﻨﻲ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫ﻧﻜﺘﻪ‪ :1‬وﻗﺘﻲ ﻫﻤﺒﺴﺘﮕﻲ ﭼﻨﺪ ﻣﺘﻐﻴﺮ ‪ x‬را ﺑﺎ ﭼﻨﺪ ﻣﺘﻐﻴﺮ ‪ y‬ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻫﻤﺒﺴﺘﮕﻲ ﻛﺎﻧﻮﻧﻲ ﻳﺎ ﻗﺎﻧﻮﻧﻲ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد‪.‬‬
‫ﻧﻜﺘﻪ‪ :2‬ﻣﻘﺪار ﻫﻤﺒﺴﺘﮕﻲ ﭼﻨﺪﮔﺎﻧﻪ ﻣﻌﻤﻮﻻً از ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﻫﺮﻳﻚ از ﻣﺘﻐﻴﺮﻫﺎي ﭘﻴﺶ ﺑﻴﻦ و ﻣﻼك ﺑﻴﺸﺘﺮ اﺳﺖ‪) .‬ﻛﺎزﺑﻲ‪،‬‬
‫‪.(278 :1386‬‬
‫راﻫﺒﺮدﻫﺎي ﺗﺤﻠﻴﻠﻲ در اﻧﺘﺨﺎب ﻣﺘﻐﻴﺮﻫﺎي ﻣﺴﺘﻘﻞ ﺑﺮاي ﺗﺸﻜﻴﻞ ﻣﻌﺎدﻟﻪي رﮔﺮﺳﻴﻮن‬
‫‪ -1‬راﻫﺒﺮد ﻫﻤﺰﻣﺎن‪ :‬ﻫﻤﺰﻣﺎن ﻫﻤﻪي ﻣﺘﻐﻴﺮﻫﺎي ﻣﺴﺘﻘﻞ ﺑﺎ ﻫﻢ وارد ﺗﺤﻠﻴﻞ ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫‪ -2‬رﮔﺮﺳﻴﻮن ﮔﺎم ﺑﻪ ﮔﺎم‪ :‬در اﻳﻦ روش ﻧﺤﻮهي ورود ﻣﺘﻐﻴﺮﻫﺎ ﺑﻪ ﺗﺤﻠﻴﻞ در اﺧﺘﻴﺎر ﻣﺤﻘﻖ ﻧﻴﺴﺖ‪ .‬از روش ﮔﺎم ﺑﻪ ﮔﺎم‬
‫ﺑﺮاي ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ .‬از اﻳﻦ روش ﺑﺮاي ﺗﺒﻴﻴﻦ اﺳﺘﻔﺎده ﻧﻤﻲﺷﻮد‪.‬‬
‫‪ -3‬رﮔﺮﺳﻴﻮن ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﻲ‪ :‬ﺗﺮﺗﻴﺐ ورود ﻣﺘﻐﻴﺮﻫﺎ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﭼﺎرﭼﻮب ﻧﻈﺮي و ﺗﻮﺳﻂ ﻣﺤﻘﻖ ﻣﺸﺨﺺ ﺷﺪه اﺳﺖ‪.‬‬
‫ﭼﻨﺎﻧﭽﻪ ﭘﮋوﻫﺸﮕﺮ ﺑﺨﻮاﻫﺪ در ﭘﻴﺶ ﺑﻴﻨﻲ ﭘﻴﺸﺮﻓﺖ ﺗﺤﺼﻴﻠﻲ از ﻣﺘﻐﻴﺮﻫﺎي ﺧﻼﻗﻴﺖ و ﻫﻮش اﺳﺘﻔﺎده ﻛﻨﺪ‪ ،‬ﻣﻲﺗﻮاﻧﺪ ﺑﺎ‬
‫اﺳﺘﻔﺎده از اﻳﻦ روش و ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻦ ﻛﻪ ﻫﻮش ﺑﺮ ﺧﻼﻗﻴﺖ ﺗﻘﺪم دارد‪ ،‬ﻋﻤﻞ ﻛﻨﺪ‪.‬‬
‫ﻧﻜﺘﻪ‪ :1‬ﺑﺮاي ﭘﻲﺑﺮدن ﺑﻪ ﻣﻌﻨﺎدار ﺑﻮدن آﻣﺎرهﻫﺎي ﻣﺤﺎﺳﺒﻪ ﺷﺪه از آزﻣﻮنﻫﺎي آﻣﺎري زﻳﺮ اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ :‬آزﻣﻮن ﻣﻌﻨﺎدار‬
‫ﻛﻪ از ﺗﻮزﻳﻊ ‪ F‬ﭘﻴﺮوري ﻣﻲ ﻛﻨﺪ و آزﻣﻮن ﻣﻌﻨﺎداري ﺿﺮاﻳﺐ رﮔﺮﺳﻴﻮن ﻛﻪ از ﺗﻮزﻳﻊ ‪ T‬ﭘﻴﺮوي ﻣﻲﻛﻨﺪ‪.‬‬ ‫و‬ ‫ﺑﻮدن‬
‫ﻧﻜﺘﻪ‪:2‬درراﺑﻄﻪ ﺑﺎ ﺿﺮاﻳﺐ اﺳﺘﺎﻧﺪارد ﻧﺸﺪه ‪ b‬و اﺳﺘﺎﻧﺪارد ﺷﺪه ‪ β‬ﺑﺎﻳﺪ ﺗﻮﺟﻪ داﺷﺖ‪ ،‬ﻫﺮﮔﺎه ﺑﺨﻮاﻫﻴﺪ اﺛﺮ ﻣﺘﻐﻴﺮﻫﺎي‬
‫ﻣﺘﻔﺎوت را در ﻳﻚ ﺟﺎﻣﻌﻪي واﺣﺪ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ از ‪ β‬و ﻫﺮﮔﺎه ﺧﻮاﺳﺘﻪ ﺑﺎﺷﻴﺪ اﺛﺮ ﻣﺘﻐﻴﺮﻫﺎي ﺧﺎﺻﻲ را در ﺟﻮاﻣﻊ‬
‫ﻣﺘﻔﺎوت ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ از ‪ b‬اﺳﺘﻔﺎده ﻧﻤﺎﻳﻴﺪ )ﺳﺮﻣﺪ و ﻫﻤﻜﺎران‪.(232 :1380 ،‬‬
‫روش ﻫﺎي دﻳﮕﺮ ﺗﺤﻠﻴﻞ رﮔﺮﺳﻴﻮن‬
‫‪2‬‬
‫ﻧﺴﺒﺖ درﺳﺖ ﻧﻤﺎﻳﻲ )آزﻣﻮن ‪(G‬‬ ‫‪ -1‬آزﻣﻮن‬
‫ﻣﻌﻤﻮﻟﻲ ﺑﺮﺗﺮي دارد‪:‬‬ ‫ﻣﻌﻤﻮﻟﻲ ﺑﺮاي داده ﻫﺎي ‪ 2 × 2‬ﺑﻪ ﻛﺎر ﻣﻲ رود‪ .‬اﻣﺎ ﺑﻪ دﻻﻳﻞ زﻳﺮ ﺑﺮ آزﻣﻮن‬ ‫اﻳﻦ آزﻣﻮن ﻣﺎﻧﻨﺪ‬
‫‪ -‬ﻛﻤﺘﺮ ﺗﺤﺖ ﺗﺄﺛﻴﺮ ﺣﺠﻢ ﻧﻤﻮﻧﻪ ﻗﺮار ﻣﻲ ﮔﻴﺮد‪.‬‬
‫‪ -‬ﻗﺎﺑﻞ اﻓﺮاز ﺑﻪ ﻣﺆﻟﻔﻪ ﻫﺎﻳﻲ اﺳﺖ ﻛﻪ ﻣﺎﻧﻨﺪ ﻣﺠﻤﻮع ﻣﺠﺬورات در ﺗﺤﻠﻴﻞ وارﻳﺎﻧﺲ ﺟﻤﻊ ﭘﺬﻳﺮﻧﺪ‪.‬‬
‫‪ -‬در ﻣﺪل ﻟﮕﺎرﻳﻢ ﺧﻄﻲ ﻛﻪ در آن ﺑﺎ ﺟﺪاول ﭼﻨﺪ ﺑﻌﺪي ﺳﺮوﻛﺎر دارﻳﻢ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮد‪.‬‬
‫‪1‬‬
‫‪ -2‬ﺗﺤﻠﻴﻞ ﻣﻤﻴﺰ‬
‫در ﻣﻮاردي اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﻛﻪ ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ اﺳﻤﻲ و ﻣﺘﻐﻴﺮﻫﺎي ﻣﺴﺘﻘﻞ ﻛﻤﻲ ﺑﺎﺷﻨﺪ‪ .‬در ﺗﺤﻠﻴﻞ ﻣﻤﻴﺰ ﺑﺎﻳﺪ ﮔﺮوهﻫﺎ‬
‫ﻧﺎﻫﻤﭙﻮش و ﻋﻀﻮﻳﺖ آزﻣﻮدﻧﻲ ﻫﺎ در آﻧﻬﺎ ﻣﺸﺨﺺ ﮔﺮدد‪.‬‬
‫ﺑﺮاي ﻣﺜﺎل ﻓﺮض ﻣﻲ ﻛﻨﻴﻢ داﻧﺸﮕﺎﻫﻲ ﻣﻲﺧﻮاﻫﺪ ﻣﻮﻓﻘﻴﺖ ﻳﺎ ﺷﻜﺴﺖ ﻣﺘﻘﺎﺿﻴﺎن ورود ﺑﻪ دورهي دﻛﺘﺮاي رﺷﺘﻪي ﺧﺎﺻﻲ‬
‫را ﭘﻴﺶﺑﻴﻨﻲ ﻛﻨﺪ‪ .‬اﻳﻦ داﻧﺸﮕﺎه ﺑﺎ داﺷﺘﻦ وﻳﮋﮔﻲﻫﺎي داوﻃﻠﺒﺎن ﺳﺎل ﻗﺒﻞ ﻣﺎﻧﻨﺪ ﭘﻴﺸﺮﻓﺖ ﺗﺤﺼﻴﻠﻲ‪ ،‬ﺗﻮﺻﻴﻪﻧﺎﻣﻪﻫﺎ و ﻧﻤﺮات‬
‫اﻣﺘﺤﺎﻧﺎت ورودي ﻛﻪ ﺑﻪ ﻋﻨﻮان ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد‪ ،‬ﺑﺎ ﺗﺤﻠﻴﻞ ﻣﻤﻴﺰ ﻣﻲﺗﻮاﻧﺪ ﺑﻪ ﭘﻴﺶ ﺑﻴﻨﻲ دﺳﺖ ﺑﺰﻧﺪ‪.‬‬

‫‪1‬‬
‫‪. Discriminant‬‬

‫‪www.e-estekhdam.com 38‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪ -3‬رﮔﺮﺳﻴﻮن ﻟﺠﺴﺘﻴﻚ‬
‫در ﻣﺪل ﺗﺤﻠﻴﻞ ﻣﻤﻴﺰ ﻫﻤﻪي ﻣﺘﻐﻴﺮﻫﺎي ﭘﻴﺶ ﺑﻴﻦ ﺑﺎ ﻣﻘﻴﺎس ﻛﻤﻲ )ﻓﺎﺻﻠﻪ اي ﻳﺎ ﻧﺴﺒﺘﻲ( اﻧﺪازه ﮔﻴﺮي ﺷﺪه و ﻣﺘﻐﻴﺮ ﻣﻼك‬
‫)واﺑﺴﺘﻪ( ﻣﻘﻮﻟﻪ اي اﺳﺖ‪ .‬در ﺻﻮرﺗﻲ ﻛﻪ ﻣﺘﻐﻴﺮﻫﺎي ﭘﻴﺶ ﺑﻴﻨﻲ ﻫﻢ در ﻣﻘﻴﺎس ﻛﻤﻲ و ﻫﻢ در ﻣﻘﻴﺎس ﻣﻘﻮﻟﻪاي‬
‫اﻧﺪازهﮔﻴﺮي ﺷﺪه ﺑﺎﺷﻨﺪ‪ ،‬از ﺗﺤﻠﻴﻞ ﻣﻤﻴﺰ ﻧﻤﻲ ﺗﻮان اﺳﺘﻔﺎده ﻛﺮد‪ .‬در اﻳﻦ ﻣﻮارد از رﮔﺮﺳﻴﻮن ﻟﻮﺟﺴﺘﻴﻚ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‬
‫ﻛﻪ ﻣﺘﻐﻴﺮ‪ ،‬ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ ﻣﻘﻮﻟﻪ اي و دو ﺳﻄﺤﻲ اﺳﺖ‪ .‬اﻳﻦ دو ﻣﻘﻮﻟﻪ ﻣﻌﻤﻮﻻً ﺑﻪ ﻋﻀﻮﻳﺖ ﻳﺎ ﻋﺪم ﻋﻀﻮﻳﺖ در ﻳﻚ ﮔﺮوه‬
‫ﻳﺎ ﺑﻠﻲ و ﺧﻴﺮ اﺷﺎره دارد‪ .‬در ﻣﻌﺎدﻟﻪي رﮔﺮﺳﻴﻮن ﻣﻌﻤﻮﻟﻲ از ﺗﻌﺪادي ﻣﺘﻐﻴﺮﻫﺎي ﭘﻴﺶ ﺑﻴﻦ ﺑﺎ ﺿﺮاﻳﺒﻲ )وزن ﻫﺎ( ﺑﺮاي‬
‫ﭘﻴﺶﺑﻴﻨﻲ ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ .‬در رﮔﺮﺳﻴﻮن ﻟﻮﺟﺴﺘﻴﻚ آﻧﭽﻪ ﻛﻪ ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻲ ﺷﻮد ﻳﻚ اﺣﺘﻤﺎل اﺳﺖ ﻛﻪ‬
‫ارزش آن ﺑﻴﻦ ‪ 0‬و ‪ 1‬ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﺪ‪ .‬در اﻳﻦ رﮔﺮﺳﻴﻮن از ﻣﻔﻬﻮم ﺑﺨﺖ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﻛﻪ ﻋﺒﺎرﺗﺴﺖ از ﻧﺴﺒﺖ اﺣﺘﻤﺎل‬
‫وﻗﻮع ﻳﻚ ﭘﺪﻳﺪه ﺑﺮ اﺣﺘﻤﺎل ﻋﺪم وﻗﻮع آن‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬واژهي ﻛﻠﻴﺪي در رﮔﺮﺳﻴﻮن ﻟﻮﺟﺴﺘﻴﻚ ﺳﺎزه اي ﺑﻪ ﻧﺎم ﻟﻮﺟﻴﺖ‪ 1‬اﺳﺖ ﻛﻪ ﻟﮕﺎرﻳﺘﻢ ﻃﺒﻴﻌﻲ ﺑﺨﺖ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻣﺜﺎل‪ :‬ﻓﺮض ﻛﻨﻴﺪ ﭘﮋوﻫﺸﮕﺮي ﻣﻲﺧﻮاﻫﺪ ﻛﻤﻚﻛﺮدن ﻳﺎ ﻧﻜﺮدن اﻓﺮاد را ﺑﻪ دﻳﮕﺮي ﺑﺮﺣﺴﺐ اﺣﺴﺎس ﻫﻤﺪردي‪ ،‬اﺣﺴﺎس‬
‫ﺗﻮاﻧﺎﻳﻲ و ﻗﻮﻣﻴﺖ ﻓﺮد‪ ،‬ﭘﻴﺶ ﺑﻴﻨﻲ ﻛﻨﺪ‪ .‬در اﻳﻦ ﻣﺜﺎل اﺣﺴﺎس ﻫﻤﺪردي و ﺗﻮاﻧﺎﻳﻲ در ﻣﻘﻴﺎس ﻓﺎﺻﻠﻪ اي و ﻗﻮﻣﻴﺖ اﺳﻤﻲ‬
‫ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫‪ -4‬ﻣﺪل ﻟﮕﺎرﻳﻢ ﺧﻄﻲ‬
‫در ﻣﻮاردي ﻛﻪ ﺗﻤﺎم ﻣﺘﻐﻴﺮﻫﺎي ﻣﺪل در ﻣﻘﻴﺎس اﺳﻤﻲ اﻧﺪازه ﮔﻴﺮي ﺷﺪه و داده ﻫﺎ ﺑﻪ ﺻﻮرت ﻓﺮاواﻧﻲ ﺑﺎﺷﺪ‪ ،‬روش‬
‫اﺳﺖ‪ .‬ﻫﺮﮔﺎه ﺗﻌﺪاد ﻣﺘﻐﻴﺮﻫﺎي ﻣﻘﻮﻟﻪاي‬ ‫ﻣﻌﻤﻮﻟﻲ ﺑﺮاي ﭘﻲ ﺑﺮدن ﺑﻪ راﺑﻄﻪي ﺑﻴﻦ دو ﻣﺘﻐﻴﺮ ﻣﻘﻮﻟﻪ اي اﺳﺘﻔﺎده از آزﻣﻮن‬
‫ﻣﺸﻜﻞ ﻳﺎ ﻏﻴﺮ ﻣﻤﻜﻦ ﻣﻲ ﺷﻮد‪ .‬در ﭼﻨﻴﻦ ﻣﻮاردي ﻣﻲ ﺗﻮان از ﻣﺪل ﻟﮕﺎرﻳﺘﻢ‬ ‫ﺑﻴﺶ از دو ﺑﺎﺷﺪ‪ ،‬ﺗﻔﺴﻴﺮ ﺟﺪاول ﺧﻲ دو‬
‫ﺧﻄﻲ اﺳﺘﻔﺎده ﻛﺮد‪ .‬ﻛﻪ اﺳﺎس آن ﺷﺒﻴﻪ روش رﮔﺮﺳﻴﻮن ﭼﻨﺪﮔﺎﻧﻪ اﺳﺖ‪ .‬ﺑﺎ اﻳﻦ ﺗﻔﺎوت ﻛﻪ در اﻳﻦ روش ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ‪،‬‬
‫ﻣﺘﻐﻴﺮﻫﺎي ﻣﻘﻮﻟﻪاي و اﺛﺮﻣﺘﻘﺎﺑﻞ آﻧﻬﺎ‪ ،‬و ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ ﻟﮕﺎرﻳﺘﻢ ﻃﺒﻴﻌﻲ ﻓﺮاواﻧﻲ ﻫﺎي ﺧﺎﻧﻪاي اﺳﺖ‪ .‬ﻣﺜﺎل‪ :‬اﺛﺮ ﺟﻨﺲ‪،‬‬
‫ﻗﻮﻣﻴﺖ‪ ،‬ﺳﻄﺢ درآﻣﺪ و اﺛﺮﻫﺎي ﻣﺘﻘﺎﺑﻞ آﻧﻬﺎ ﺑﺮ ﻓﺮاواﻧﻲ ﺧﺎﻧﻪ ﻫﺎي ﻳﻚ ﺟﺪول ﺗﻮاﻓﻘﻲ‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬ﻫﻤﺎﻧﻨﺪ ﺗﺤﻠﻴﻞ وارﻳﺎﻧﺲ اﺛﺮﻫﺎي ﻣﺘﻘﺎﺑﻞ ﻧﺎﻣﮕﺬاري ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﺳﻪ ﻋﺎﻣﻠﻲ اﺛﺮ ﻣﺘﻘﺎﺑﻞ )ﻣﺮﺗﺒﻪ ﺳﻮم(‬
‫ﻧﺎﻣﻴﺪه ﻣﻲﺷﻮد‪ .‬ﻣﺪل ﻫﺎﻳﻲ ﻛﻪ ﺗﻤﺎﻣﻲ اﺛﺮات ﻣﻤﻜﻦ را درﺑﺮداﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﻣﺪل اﺷﺒﺎع ﺷﺪه ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪ .‬ﻛﻪ ﻣﺜﺎل ﺑﺎﻻ اﻳﻦ‬
‫ﭼﻨﻴﻦ اﺳﺖ‪ .‬ﭼﻮن ﺳﺎده ﻧﻴﺴﺖ ﻣﻄﻠﻮب ﺗﺮﻳﻦ روش ﻣﺤﺴﻮب ﻧﻤﻲ ﺷﻮد‪ .‬ﺗﺤﻠﻴﻞ ﻣﺪل ﻟﮕﺎرﻳﺘﻢ ﺧﻄﻲ ﺑﻪ دو ﺻﻮرت‬
‫ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﻲ و ﻏﻴﺮ ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﻲ اﺳﺖ‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬ﺗﻔﺎوت ﻋﻤﺪه ﻣﺪل ﻟﮕﺎرﻳﺘﻢ ﺧﻄﻲ ﺑﺎ ﻣﺪل رﮔﺮﺳﻴﻮن ﻟﻮﺟﺴﺘﻴﻚ ﻛﻪ ﻣﺪل ﻟﻮﺟﻴﺖ ﻧﻴﺰ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮد‪ ،‬اﻳﻦ اﺳﺖ ﻛﻪ‬
‫در ﻣﺪل ﻟﻮﺟﻴﺖ ﻳﻚ ﻣﺘﻐﻴﺮ ﻣﻘﻮﻟﻪ اي دو ﺳﻄﺤﻲ ﺑﻪ ﻋﻨﻮان ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ وﺟﻮد دارد‪ .‬درﺣﺎﻟﻴﻜﻪ در ﻟﮕﺎرﻳﺘﻢ ﺧﻄﻲ ﻣﺘﻐﻴﺮ‬
‫واﺑﺴﺘﻪ‪ ،‬ﻓﺮاواﻧﻲ ﺧﺎﻧﻪ ﻫﺎ اﺳﺖ )ﺳﺮﻣﺪ و دﻳﮕﺮان‪.(265 :1380 ،‬‬

‫‪1‬‬
‫‪. Logit‬‬

‫‪www.e-estekhdam.com 39‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪1‬‬
‫ﺗﺤﻠﻴﻞ ﭘﺮوﺑﻴﺖ و ﻟﻮﺟﻴﺖ‬
‫ﺑﺮاي ﭘﺎﺳﺨﮕﻮﻳﻲ ﺑﻪ ﭘﺮﺳﺶ ﻫﺎﻳﻲ از ﻗﺒﻴﻞ‪ :‬ﭼﻨﺪ ﺳﺎﻋﺖ ﻣﻄﺎﻟﻌﻪ در ﻫﻔﺘﻪ ﺑﺮاي ﺑﺪﺳﺖ آوردن ﻧﻤﺮه اي ﻣﻌﺎدل ‪ 800‬در‬
‫ﻳﻚ آزﻣﻮن ﻣﺎﻧﻨﺪ ﺗﺎﻓﻞ ﻻزم اﺳﺖ؟ ﻛﻪ در ﭼﻨﻴﻦ ﭘﺮﺳﺶ ﻫﺎﻳﻲ ﻣﺘﻐﻴﺮ ﺗﺄﺛﻴﺮﮔﺬار ﻛﻪ در ﻳﻚ ﻣﻘﻴﺎس ﭘﻴﻮﺳﺘﻪ اﻧﺪازهﮔﻴﺮي‬
‫ﻣﻲﺷﻮد )ﺳﺎﻋﺎت ﻣﻄﺎﻟﻌﻪ( و ﻳﻚ ﻣﺘﻐﻴﺮ ﺑﺮوﻧﺪاد )واﺑﺴﺘﻪ( ﻛﻪ ﻣﻘﻮﻟﻪ اي اﺳﺖ و ﻣﻮﻓﻘﻴﺖ ﻳﺎ ﺷﻜﺴﺖ را اﻧﺪازهﮔﻴﺮي‬
‫ﻣﻲﻛﻨﺪ‪ ،‬از اﻳﻦ ﺗﺤﻠﻴﻞﻫﺎ اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ .‬اﻳﻦ ﺷﻴﻮهﻫﺎ ﺑﺮاي ﺗﺒﺪﻳﻞ دادهﻫﺎي ﺧﺎم ﺑﻪ دادهﻫﺎي اﺳﺘﺎﻧﺪارد ﺑﻜﺎر ﻣﻲروﻧﺪ‪.‬‬
‫ﻣﻘﺪار ﻫﺮ دوي آﻧﻬﺎ ﺑﻴﻦ ‪ 0/2‬و ‪ 0/8‬ﺗﻐﻴﻴﺮ ﻛﺮده و ﻣﺎﻧﻨﺪ ‪ z‬ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ‪ .‬ﺑﺮاي ﺗﺒﺪﻳﻞ ﺑﻪ ﭘﺮوﭘﻴﺖ‪ ،‬ﻧﻤﺮهي ‪ z‬را ﺑﺎ ‪ 5‬ﺟﻤﻊ‬
‫ﻣﻲ ﻛﻨﻴﻢ‪ .‬ﺑﺮاي ﺗﺒﺪﻳﻞ ﺑﻪ ﻟﻮﺟﻴﺖ از ﻓﺮﻣﻮل زﻳﺮ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬
‫‪p‬‬
‫‪ln‬‬
‫)‪( p − 1‬‬
‫= ﻧﻤﺮه ﻟﻮﺟﻴﺖ‬ ‫‪+5‬‬
‫‪2‬‬
‫‪ =Ln‬ﻟﮕﺎرﻳﺘﻢ ﻃﺒﻴﻌﻲ و ‪ = p‬ﻧﺴﺒﺖ ﭘﻴﺎﻣﺪﻫﺎي ﻣﻮﻓﻘﻴﺖ آﻣﻴﺰ اﺳﺖ‪.‬‬
‫ﻣﺜﺎل‪ :‬اﮔﺮ ‪ 150‬داﻧﺸﺠﻮ ‪ 30‬ﺳﺎﻋﺖ در ﻫﻔﺘﻪ ﻣﻄﺎﻟﻌﻪي زﺑﺎن اﻧﮕﻠﻴﺴﻲ ﻛﺮده ﺑﺎﺷﻨﺪ و ‪ 111‬ﻧﻔﺮ از آﻧﻬﺎ ﺗﻮاﻧﺴﺘﻪ ﺑﺎﺷﻨﺪ‬
‫‪111‬‬
‫ﻧﻤﺮهاي ﺑﺎﻻﺗﺮ از ‪ 1200‬ﺑﻪ دﺳﺖ آورﻧﺪ‪ ،‬ﻧﺴﺒﺖ ﻣﻮﻓﻘﻴﺖ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪= 0/74 :‬‬
‫‪150‬‬
‫ﻧﻤﺮهي ‪ z‬ﻣﺘﻨﺎﻇﺮ ﺑﺎ آن )‪ 0/74‬درﺻﺪ( در ﺗﻮزﻳﻊ ﻧﺮﻣﺎل ﺑﺮاﺑﺮ‪ 0/64‬اﺳﺖ‪ .‬از اﻳﻦ رو ﭘﺮوﭘﻴﺖ اﻳﻦ ﭘﻴﺎﻣﺪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬
‫‪ .0/64+5 = 5/64‬ﻟﻮﺟﻴﺖ اﻳﻦ ﭘﻴﺎﻣﺪ ﻧﻴﺰ ﻋﺒﺎرﺗﺴﺖ از‪:‬‬
‫)‪0/74(1 − 0/74‬‬
‫‪ = Ln‬ﻟﻮﺟﻴﺖ‬ ‫‪+5=5/52‬‬
‫‪2‬‬
‫ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ‬
‫ﺑﺮاي ﺑﺮرﺳﻲ رواﻳﻲ ﺳﺎزه از روش آﻣﺎري ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﻛﻪ ﺑﺎ ﺗﺸﻜﻴﻞ ﻣﺎﺗﺮﻳﺲ ﻫﻤﺒﺴﺘﮕﻲ ﺳﺎزهي‬
‫ﻣﻮردﻧﻈﺮ ﺑﺮرﺳﻲ ﻣﻲﺷﻮد‪ .‬ﺑﺮاي اﻧﺠﺎم ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ اﺑﺘﺪا ﺑﺎﻳﺪ اﻃﻼﻋﺎت ﻣﻮﺟﻮد در ﻣﺎﺗﺮﻳﺲ ﻣﻌﻨﺎدار ﺑﺎﺷﺪ‪ .‬ﺑﺮاي اﻳﻦ‬
‫و آزﻣﻮن ﺑﺎرﺗﻠﺖ‪ 2‬ﺣﺪاﻗﻞ ﺷﺮط ﻻزم ﺑﺮاي اﻧﺠﺎم ﻣﺤﺎﺳﺒﺎت‬ ‫ﺑﺎرﺗﻠﺖ اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ .‬ﻣﻌﻨﺎدار ﺑﻮدن‬ ‫ﻣﻨﻈﻮر از آزﻣﻮن‬
‫ﺗﺤﻠﻴﻞ ﻋﺎﻣﻠﻲ اﺳﺖ‪ .‬در آزﻣﻮن ﺑﺎرﺗﻠﺖ ﻓﺮض ﺻﻔﺮ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺘﻐﻴﺮﻫﺎ ﻓﻘﻂ ﺑﺎ ﺧﻮدﺷﺎن ﻫﻤﺒﺴﺘﮕﻲ دارﻧﺪ‪ .‬رد ﻓﺮض‬
‫ﺻﻔﺮ ﺑﻪ اﻳﻦ ﻣﻌﻨﺎ اﺳﺖ ﻛﻪ ﻣﺎﺗﺮﻳﺲ ﺣﺎوي اﻃﻼﻋﺎت ﻣﻌﻨﺎداري اﺳﺖ‪ .‬اﻳﻦ آزﻣﻮن را آزﻣﻮن ﻛﺮوﻳﺖ‪ 3‬ﮔﻮﻳﻨﺪ‪.‬‬
‫اﺣﺘﻤﺎﻻت و ﺗﻮزﻳﻊ دو ﺟﻤﻠﻪ اي‬
‫اﺣﺘﻤﺎل ﻳﻚ ﻧﺴﺒﺖ اﺳﺖ ﻛﻪ ﺻﻮرت آن ﺗﻌﺪاد دﻓﻌﺎﺗﻲ اﺳﺖ ﻛﻪ ﭘﻴﺸﺎﻣﺪ رخ داده و ﻣﺨﺮﺟﺶ ﻛﻞ ﻛﻮﺷﺶ ﻫﺎ اﺳﺖ‪.‬‬
‫‪f‬‬
‫=‪P‬‬
‫‪N‬‬
‫ﻣﺜﺎل‪ :‬ﻫﻤﻴﺸﻪ ﺗﻌﺪاد ﺗﻮﻟﺪ ﭘﺴﺮﻫﺎ ﺑﻴﺸﺘﺮ از دﺧﺘﺮﻫﺎ اﺳﺖ‪ .‬در ﻳﻚ ﮔﺮوه ﻣﻌﻤﻮﻟﻲ ‪ 205‬ﻧﻮزاد ﺑﻪدﻧﻴﺎ آﻣﺪه اﺳﺖ‪ .‬از ﺑﻴﻦ اﻳﻦ‬
‫ﻧﻮزادان ‪ 105‬ﻧﻔﺮ ﭘﺴﺮ ﻫﺴﺘﻨﺪ‪ .‬اﮔﺮ ﻳﻚ ﻧﻮزاد ﺑﻪ ﻃﻮر اﺗﻔﺎﻗﻲ از ﺑﻴﻦ اﻳﻦ ﮔﺮوه اﻧﺘﺨﺎب ﺷﻮد‪ ،‬اﺣﺘﻤﺎل اﻳﻨﻜﻪ اﻳﻦ ﻧﻮزاد ﭘﺴﺮ‬
‫ﻧﺒﺎﺷﺪ ﭼﻘﺪر اﺳﺖ؟‬

‫‪١‬‬
‫‪. Probit‬‬
‫‪١‬‬
‫‪. Bartlett‬‬
‫‪3‬‬
‫‪. Sphericity‬‬

‫‪www.e-estekhdam.com 40‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪100‬‬
‫= ‪Pc‬‬ ‫=‬
‫‪0/488‬‬ ‫ﭼﻮن از ‪ 205‬ﻧﻮزاد ‪ 105‬ﻧﻔﺮ ﭘﺴﺮ ﻫﺴﺘﻨﺪ ﭘﺲ ‪ 100‬ﻧﻮزاد دﺧﺘﺮﻧﺪ‪ .‬درﻧﺘﻴﺠﻪ‪:‬‬
‫‪205‬‬
‫ﻧﻜﺘﻪ‪ :‬اﺣﺘﻤﺎل ﻳﻚ ﭘﻴﺸﺎﻣﺪ ﻏﻴﺮ ﻣﻤﻜﻦ ﺻﻔﺮ اﺳﺖ‪ .‬اﺣﺘﻤﺎل رخ دادن ﻳﻚ ﭘﻴﺸﺎﻣﺪ ﻣﺴﻠﻢ ﻳﻚ اﺳﺖ‪.‬‬
‫ﻓﻀﺎي ﻧﻤﻮﻧﻪ‪ :‬از ﺗﻤﺎم ﭘﻴﺸﺎﻣﺪﻫﺎي ﺳﺎده ﺗﺸﻜﻴﻞ ﻣﻲ ﺷﻮد‪ .‬ﻳﻌﻨﻲ ﻓﻀﺎي ﻧﻤﻮﻧﻪ از ﺗﻤﺎﻣﻲ ﭘﻴﺸﺎﻣﺪﻫﺎﻳﻲ ﺗﺸﻜﻴﻞ ﻣﻲﺷﻮد ﻛﻪ‬
‫دﻳﮕﺮ ﻧﻤﻲﺗﻮان آﻧﻬﺎ را ﺑﻪ ﻣﺆﻟﻔﻪ ﻫﺎي ﺳﺎده ﺗﺮ ﺗﺒﺪﻳﻞ ﻛﺮد‪.‬‬
‫ﻣﺘﻤﻢ روﻳﺪاد ‪ :A‬ﺷﺎﻣﻞ ﺗﻤﺎم ﭘﻴﺸﺎﻣﺪﻫﺎﻳﻲ ﻣﻲ ﺷﻮد ﻛﻪ در آﻧﻬﺎ ﭘﻴﺸﺎﻣﺪ ‪ A‬اﺗﻔﺎق ﻧﻤﻲ اﻓﺘﺪ‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬وﻗﺘﻲ ﻣﻘﺪار اﺣﺘﻤﺎل را ﺑﻴﺎن ﻣﻲ ﻛﻨﻴﻢ ﺑﺎﻳﺪ ﻳﺎ ﺑﺎﻳﺪ ﻋﺪد دﻗﻴﻖ اﻋﺸﺎري را ﺑﻴﺎن ﻛﻨﻴﻢ ﻳﺎ اﻳﻨﻜﻪ ﻋﺪد را ﺗﺎ ‪ 3‬رﻗﻢ ﻣﻌﻨﺎدار‬

‫اﺳﺖ ﻻزم ﻧﻴﺴﺖ ﮔﺮد ﺷﻮد‪.‬‬ ‫ﮔﺮد ﻛﻨﻴﻢ‪ .‬اﮔﺮ ﻋﺪد ﻛﺴﺮ ﺳﺎده ﻣﺎﻧﻨﺪ‬
‫ﭘﻴﺸﺎﻣﺪ ﻣﺮﻛﺐ‪ :1‬ﺑﻪ ﭘﻴﺸﺎﻣﺪي ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ﻛﻪ داراي ‪ 2‬ﻳﺎ ﺑﻴﺸﺘﺮ ﭘﻴﺸﺎﻣﺪ ﺳﺎده ﺑﺎﺷﺪ‪.‬‬

‫ﻓﺮﻣﻮل ﻓﻀﺎي ﻧﻤﻮﻧﻪ ﻛﻞ ﺣﺎﻟﺘﻬﺎي ﻣﻤﻜﻦ‪:‬‬

‫ﻣﺤﺎﺳﺒﻪي اﺣﺘﻤﺎل‬
‫در اﺣﺘﻤﺎل ﻣﺤﺎﺳﺒﺎت ﺑﺮ اﺳﺎس دو ﻗﺎﻧﻮن ﺟﻤﻊ و ﺿﺮب اﻧﺠﺎم ﻣﻲ ﺷﻮد‪ .‬ﻗﺎﻧﻮن ﺟﻤﻊ زﻣﺎﻧﻲ ﺑﻪ ﻛﺎر ﻣﻲ رود ﻛﻪ ﻳﻜﻲ از‬
‫دو ﺣﺎدﺛﻪ اﺗﻔﺎق ﺑﻴﻔﺘﺪ‪ ،‬درﺻﻮرﺗﻴﻜﻪ ﻗﺎﻧﻮن ﺿﺮب در ﺷﺮاﻳﻄﻲ ﺑﻪ ﻛﺎر ﺑﺮده ﻣﻲ ﺷﻮد ﻛﻪ ﻫﺮ دو ﺣﺎدﺛﻪ ﺑﺎ ﻫﻢ اﺗﻔﺎق ﺑﻴﻔﺘﻨﺪ‪.‬‬
‫دو روﻳﺪاد ﻧﺎﺳﺎزﮔﺎر‪ :‬ﺑﻪ ﺣﻮادﺛﻲ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ﻛﻪ وﻗﻮع ﻳﻜﻲ از آﻧﻬﺎ ﻣﺎﻧﻊ وﻗﻮع دﻳﮕﺮي ﺑﺎﺷﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل در ﭘﺮﺗﺎب‬
‫ﺳﻜﻪ‪ ،‬ﻧﺸﺴﺘﻦ ﻳﻚ روي ﺳﻜﻪ ﻣﺎﻧﻊ ﻧﺸﺴﺘﻦ ﻃﺮف دﻳﮕﺮ ﻣﻲ ﺷﻮد‪ .‬در اﻳﻦ ﺻﻮرت اﺣﺘﻤﺎل اﻳﻨﻜﻪ ﻳﻜﻲ از دو روﻳﺪاد‬
‫اﺗﻔﺎق ﺑﻴﻔﺘﺪ ﻣﺴﺎوي اﺳﺖ ﺑﺎ ﻣﺠﻤﻮع اﺣﺘﻤﺎل ﻫﺮﻳﻚ از آﻧﻬﺎ‪.‬‬
‫‪⇒ P=(A∩B)=0‬‬
‫دو روﻳﺪاد ﺳﺎزﮔﺎر‪ :‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ دو روﻳﺪاد ﺳﺎزﮔﺎرﻧﺪ اﻣﻜﺎن وﻗﻮع آﻧﻬﺎ ﺑﻪ ﺻﻮرت ﻫﻤﺰﻣﺎن وﺟﻮد دارد‪.‬‬

‫ﻣﺜﺎل‪ :‬اﮔﺮ از ﻳﻚ دﺳﺘﻪ ورق دو ﻛﺎرت ﺑﻜﺸﻴﻢ‪ ،‬اﺣﺘﻤﺎل آﻣﺪن ‪ 10‬ﺗﺎ دل ﭼﻘﺪر اﺳﺖ؟‬
‫‪4 13 1 16‬‬
‫= )‪ B‬ﻳﺎ ‪P(A‬‬ ‫= ‪+ −‬‬
‫‪52 52 52 52‬‬
‫ﻗﺎﻋﺪه ي ﺿﺮب اﺣﺘﻤﺎل ﻫﺎ‬
‫روﻳﺪادﻫﺎي ﻣﺴﺘﻘﻞ‪ :‬در ﺿﺮب‪ ،‬ﻫﺮ دو روﻳﺪاد ﺑﺎ ﻫﻢ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ‪ .‬ﺑﻪ ﻫﻢ اﻳﻦ و ﻫﻢ آن ﻣﻌﺮف اﺳﺖ‪ .‬در اﻳﻦ ﺻﻮرت‬
‫دو ﺣﺎﻟﺖ وﺟﻮد دارد‪ .‬ﻳﺎ روﻳﺪادﻫﺎ ﻣﺴﺘﻘﻠﻨﺪ ﻳﺎ واﺑﺴﺘﻪ‪:‬‬
‫‪ -‬ﺿﺮب روﻳﺪادﻫﺎي ﻣﺴﺘﻘﻞ‪ :‬ﺑﻪ روﻳﺪادﻫﺎﻳﻲ ﻣﺴﺘﻘﻞ ﮔﻮﻳﻨﺪ ﻛﻪ وﻗﻮع ﻳﺎ ﻋﺪم وﻗﻮع ﻫﺮﻳﻚ در اﺣﺘﻤﺎل وﻗﻮع ﻳﺎ ﻋﺪم‬
‫وﻗﻮع ﺣﺎدﺛﻪي دﻳﮕﺮ ﺗﺄﺛﻴﺮ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل ﺗﻮﻟﺪ ﻓﺮزﻧﺪان و ﻳﺎ اﺣﺘﻤﺎل آﻣﺪن ﻋﺪد ‪ 5‬در اﻧﺪاﺧﺘﻦ دو ﺗﺎس ﺳﺒﺰ و‬
‫آﺑﻲ‪.‬‬
‫‪1 1 1‬‬
‫= × = )‪P ( A × B) = P( A) × P( B‬‬
‫‪6 6 36‬‬

‫‪1‬‬
‫‪. Compound even‬‬

‫‪www.e-estekhdam.com 41‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪ -‬ﺿﺮب روﻳﺪادﻫﺎي واﺑﺴﺘﻪ‪ :‬اﮔﺮ دو روﻳﺪاد واﺑﺴﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬ﻳﻌﻨﻲ اﺣﺘﻤﺎل وﻗﻮع ﻳﻜﻲ از آﻧﻬﺎ ﺑﻪ اﺣﺘﻤﺎل وﻗﻮع دﻳﮕﺮي‬
‫واﺑﺴﺘﻪ ﺑﺎﺷﺪ‪ ،‬اﺣﺘﻤﺎل آن ﻛﻪ ﻫﺮ دو اﺗﻔﺎق ﺑﻴﻔﺘﻨﺪ ﻋﺒﺎرﺗﺴﺖ از‪:‬‬
‫‪B‬‬ ‫)‪P( A ∩ B‬‬
‫= ) (‪= P‬‬
‫‪A‬‬ ‫)‪P ( A‬‬
‫ﻣﺜﺎل‪ :‬در ﻳﻚ ﻛﻴﺴﻪ ‪ 18‬ﻣﻬﺮه وﺟﻮد دارد ﻛﻪ ‪ 6‬ﻣﻬﺮه ﻣﺸﻜﻲ و‪ 12‬ﻣﻬﺮه آن ﺳﻔﻴﺪ اﺳﺖ‪ .‬اﺣﺘﻤﺎل اﻳﻨﻜﻪ اﮔﺮ دو ﻣﻬﺮه ﺧﺎرج‬
‫ﻛﻨﻴﻢ ﻫﺮ دو ﺳﻔﻴﺪ ﺑﺎﺷﺪ‪ ،‬ﭼﻘﺪر اﺳﺖ؟ )ﺑﺪون ﺟﺎﻳﮕﺰﻳﻨﻲ(‬
‫‪12‬‬ ‫‪11‬‬ ‫‪12 11 132‬‬
‫= ‪PA‬‬ ‫= × = ‪⇒ PB = → P‬‬
‫‪18‬‬ ‫‪17‬‬ ‫‪18 17 306‬‬
‫ﻓﺎﻛﺘﻮرﻳﻞ‪n! :‬‬
‫ﻧﺸﺎندﻫﻨﺪه ﺣﺎﺻﻠﻀﺮب اﻋﺪاد ﺻﺤﻴﺢ ﻣﺜﺒﺖ اﺳﺖ‪ ،‬ﺑﻪ ﻃﻮري ﻛﻪ ﻫﺮ ﻋﺪد در ﻋﺪد ﺻﺤﻴﺢ ﻗﺒﻞ از ﺧﻮد ﺿﺮب ﻣﻲ ﺷﻮد‪.‬‬
‫اﻳﻦ ﻋﻤﻞ ﺗﺎ رﺳﻴﺪن ﺑﻪ ﻋﺪد ﻳﻚ اداﻣﻪ ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ‪.‬‬
‫‪4!= 4×3×2×1=24‬‬ ‫ﻣﺜﺎل‪ :‬ﺑﻪ ﭼﻨﺪ روش ﻣﻲ ﺗﻮان ‪ 4‬ﻧﻮع ﻛﺘﺎب را ﻛﻨﺎر ﻫﻢ ﭼﻴﺪ؟‬
‫ﻧﻜﺘﻪ‪0! =1 :‬‬
‫ﻓﺮﻣﻮل ﺗﺮﻛﻴﺐ‪ :1‬زﻣﺎﻧﻲ ﺑﻪ ﻛﺎر ﻣﻲ رود ﻛﻪ ﺗﺮﺗﻴﺐ ﭼﻴﺪن اﻓﺮاد ﻳﺎ اﺷﻴﺎ ﺑﺮاي ﻣﺎ ﻣﻬﻢ ﻧﻴﺴﺖ‪ .‬ﺗﺮﻛﻴﺐ ‪ abc‬ﺑﺎ ‪ cba‬ﻓﺮﻗﻲ‬
‫ﻧﻤﻲ ﻛﻨﺪ‪.‬‬
‫!‪n‬‬
‫= ‪C rn‬‬
‫!) ‪r!(n − r‬‬
‫ﻧﻜﺘﻪ‪ :‬ﺑﺎﻳﺪ اﻳﺘﻢ ﻫﺎ ﻣﺘﻔﺎوت ﺑﺎﺷﻨﺪ‪ .‬اﮔﺮ ﻣﺸﺎﺑﻪ ﺑﺎﺷﻨﺪ از اﻳﻦ ﻗﺎﻋﺪه اﺳﺘﻔﺎده ﻧﻤﻲ ﺷﻮد‪.‬‬
‫ﻣﺎ ﺑﺎﻳﺪ ‪ r‬ﻣﻮرد را از ‪ n‬آﻳﺘﻢ اﻧﺘﺨﺎب ﻛﻨﻴﻢ )ﺑﺪون ﺟﺎﻳﮕﺰﻳﻨﻲ(‬
‫ﻣﺜﺎل‪ 6 :‬ﻧﻔﺮ ﻣﻲ ﺧﻮاﻫﻨﺪ دو ﺑﻪ دو ﻛﻨﺎر ﻫﻢ ﺑﻨﺸﻴﻨﻨﺪ‪ .‬اﻳﻨﻜﻪ ﭼﻪ اﻓﺮادي ﻛﻨﺎر ﻫﻢ ﺑﻨﺸﻴﻨﻨﺪ‪ ،‬ﻣﻬﻢ ﻧﻴﺴﺖ‪ .‬ﺗﻌﺪاد ﺣﺎﻟﺖﻫﺎي‬
‫ﻣﻤﻜﻦ ﺑﺮاي ﻧﺸﺴﺘﻦ را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪.‬‬
‫!‪6‬‬ ‫‪6 × 5 × 4 × 3 × 2 ×1‬‬
‫= ‪C26‬‬ ‫=‬ ‫‪=5‬‬
‫)‪2!(4!) 2 × 1(4 × 3 × 2 × 1‬‬
‫ﻓﺮﻣﻮل ﺗﺮﺗﻴﺐ‪ :‬زﻣﺎﻧﻲ ﺑﻜﺎر ﻣﻲ رود ﻛﻪ ﺗﺮﺗﻴﺐ ﻗﺮار ﮔﺮﻓﺘﻦ ﻣﻮارد ﺑﺮاﻳﻤﺎن ﻣﻬﻢ اﺳﺖ‪.‬‬
‫!‪n‬‬
‫= ‪Arn‬‬
‫!) ‪(n − r‬‬
‫ﻣﺜﺎل‪ 6 :‬ﻧﻔﺮ ﻣﻲ ﺧﻮاﻫﻨﺪ دو ﺑﻪ دو ﻛﻨﺎر ﻫﻢ ﺑﻨﺸﻴﻨﻨﺪ‪ .‬اﻳﻦ ﻛﻪ ﭼﻪ اﻓﺮادي ﻛﻨﺎر ﻫﻢ ﺑﻨﺸﻴﻨﻨﺪ‪ ،‬ﻣﻬﻢ اﺳﺖ‪ .‬ﺗﻌﺪاد ﺣﺎﻟﺖﻫﺎي‬
‫ﻣﻤﻜﻦ ﺑﺮاي ﻧﺸﺴﺘﻦ را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪.‬‬
‫!‪6‬‬ ‫‪6 × 5 × 4 × 3 × 2 ×1‬‬
‫= ‪A26‬‬ ‫=‬ ‫‪= 30‬‬
‫!)‪(6 − 2‬‬ ‫‪4 × 3 × 2 ×1‬‬

‫ﺑﺴﻂ دو ﺟﻤﻠﻪ اي ﻧﻴﻮﺗﻦ )ﭘﺎﺳﻜﺎل(‬

‫‪[ p + q ]n = p n + c. p n−1.q + c. p n−2 .q n+1 + ...q n‬‬
‫‪1‬‬
‫‪. Combination‬‬

‫‪www.e-estekhdam.com 42‬‬
 ‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫ﺷﺮاﻳﻂ اﺳﺘﻔﺎده‬
‫‪p + q =1‬‬ ‫‪ -1‬آزﻣﺎﻳﺶﻫﺎ ﻓﻘﻂ ﻧﺸﺎن دو ﻧﺘﻴﺠﻪ ﭘﻴﺮوزي و ﺷﻜﺴﺖ ﺑﺎﺷﺪ‪.‬‬
‫‪ -2‬آزﻣﺎﻳﺶ ﻫﺎ ﻣﺴﺘﻘﻞ از ﻫﻢ ﺑﺎﺷﻨﺪ‪.‬‬
‫‪ -3‬ﺗﻌﺪاد دﻓﻌﺎت ﻛﻮﺷﺶ ﻣﺸﺨﺺ ﺑﺎﺷﺪ‪.‬‬
‫ﻫﻨﮕﺎم ﻣﻮاﺟﻪ ﺑﺎ ﻣﺠﻤﻮﻋﻪ اي از ﭘﺮﺳﺶ ﻫﺎي ﻣﺸﺎﺑﻪ زﻳﺮ از ﺑﺴﻂ دو ﺟﻤﻠﻪ اي ﻛﻪ راﺣﺖﺗﺮ اﺳﺖ اﺳﺘﻔﺎده ﻛﻨﻴﺪ‪:‬‬
‫ﻣﺜﺎل‪ :‬در اﻣﺘﺤﺎن ‪ 3‬ﺳﺆاﻟﻲ‪ 4 ،‬ﺟﻮاﺑﻲ‪ ،‬اﺣﺘﻤﺎل اﻳﻨﻜﻪ داﻧﺶ آﻣﻮزي ﺑﺼﻮرت ﺗﺼﺎدﻓﻲ ﺑﻪ ﻳﻚ ﺳﺆال ﭘﺎﺳﺦ دﻫﺪ‪ ،‬ﭼﻘﺪر‬
‫اﺳﺖ؟‬
‫‪1‬‬ ‫‪3‬‬
‫‪, q = → ( p + q) 3 = p 3 + 3 p2q1 + 3 p1q2 + q 4 = 1‬‬
‫‪4‬‬ ‫‪4‬‬

‫‪1 3‬‬ ‫‪1‬‬

‫‪3‬‬
‫= ) (= ‪p‬‬ ‫‪ -‬اﺣﺘﻤﺎل اﻳﻨﻜﻪ ﺑﻪ ﻫﻤﻪي ﺳﺆال ﻫﺎ از روي ﺷﺎﻧﺲ ﭘﺎﺳﺦ درﺳﺖ دﻫﺪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬
‫‪4‬‬ ‫‪64‬‬
‫‪1 2 3‬‬
‫= ) ( ) (‪2 p q = 3‬‬
‫‪2 1‬‬ ‫‪9‬‬
‫‪ -‬اﺣﺘﻤﺎل اﻳﻨﻜﻪ ﺑﻪ دو ﺳﺆال ﭘﺎﺳﺦ درﺳﺖ دﻫﺪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪64‬‬
‫‪1‬‬ ‫‪3‬‬
‫= ‪3 p1q 2 = 3 ( )( ) 2‬‬
‫‪27‬‬
‫‪ -‬اﺣﺘﻤﺎل اﻳﻨﻜﻪ ﺑﻪ ﻳﻚ ﺳﺆال ﭘﺎﺳﺦ درﺳﺖ دﻫﺪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬
‫‪4 4‬‬ ‫‪34‬‬

‫= ) (= ‪q‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪27‬‬
‫‪ -‬اﺣﺘﻤﺎل اﻳﻨﻜﻪ اﺻﻼً ﭘﺎﺳﺦ درﺳﺖ ﻧﺪﻫﺪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬
‫‪4‬‬ ‫‪64‬‬
‫‪ -‬اﺣﺘﻤﺎل اﻳﻨﻜﻪ ﺣﺪاﻗﻞ ﺑﻪ ﻳﻚ ﺳﺆال ﭘﺎﺳﺦ درﺳﺖ دﻫﺪ ﭼﻘﺪر اﺳﺖ؟‬
‫‪1‬‬ ‫‪9‬‬ ‫‪27‬‬ ‫‪37‬‬
‫= ) ( ‪p 3 + 3 p 2 q 1 + 3 p 1q 2 = ( ) + ( ) +‬‬
‫‪64‬‬ ‫‪64‬‬ ‫‪64‬‬ ‫‪64‬‬
‫‪X = P.n‬‬ ‫ﻓﺮﻣﻮل ﻣﻴﺎﻧﮕﻴﻦ در ﺗﻮزﻳﻊ دو ﺟﻤﻠﻪ اي‬
‫‪ :n‬ﺗﻌﺪاد دﻓﻌﺎت ﺗﻜﺮار آزﻣﺎﻳﺶ‬
‫‪ :P‬اﺣﺘﻤﺎل ﭘﻴﺮوزي‬
‫‪1‬‬
‫‪X = × 10 = 5‬‬ ‫ﻣﺜﺎل‪ :‬اﮔﺮ ﺳﻜﻪ اي ده ﺑﺎر ﭘﺮﺗﺎب ﺷﻮد‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ آن ﭼﻘﺪر اﺳﺖ؟‬
‫‪2‬‬
‫‪S f = N . p.q‬‬ ‫ﻓﺮﻣﻮل ﺧﻄﺎي اﺳﺘﺎﻧﺪارد ﺑﺮآورد در ﺗﻮزﻳﻊ دو ﺟﻤﻠﻪ اي‪:‬‬
‫ﻣﺜﺎل‪ :‬اﮔﺮ در اﻣﺘﺤﺎن ‪ 10‬ﺳﺆاﻟﻲ ﺷﺮﻛﺖ ﻛﺮده ﺑﺎﺷﻴﻢ و اﻣﺘﺤﺎن ‪ 4‬ﮔﺰﻳﻨﻪ اي ﺑﺎﺷﺪ‪ ،‬ﺧﻄﺎي اﺳﺘﺎﻧﺪارد ﺑﺮآورد آنرا ﻣﺤﺎﺳﺒﻪ‬
‫‪1 3‬‬ ‫‪30‬‬
‫= × ×‪S p = 10‬‬ ‫‪= 1/37‬‬ ‫ﻧﻤﺎﻳﻴﺪ؟‬
‫‪4 4‬‬ ‫‪16‬‬
‫اﻧﻮاع ﺗﺤﻠﻴﻞ داده‬
‫ﺗﺤﻠﻴﻞ داده ﻫﺎي ﻛﻴﻔﻲ‪ :‬ﻣﺴﺘﻠﺰم ﺳﻪ ﻓﻌﺎﻟﻴﺖ اﺳﺖ‪:‬‬
‫‪ -1‬ﺗﻠﺨﻴﺺ داده ﻫﺎ‪ :1‬ﻛﻪ ﻣﻨﻈﻮر اﻧﺘﺨﺎب‪ ،‬ﺗﻤﺮﻛﺰ‪ ،‬ﺗﻨﻈﻴﻢ و ﺗﺒﺪﻳﻞ دادهﻫﺎ اﺳﺖ‪ .‬رﻣﺰﮔﺬاري داده ﻫﺎ و اﻳﻨﻜﻪ ﭘﮋوﻫﺸﮕﺮ‬
‫ﻣﺸﺨﺺ ﻛﻨﺪ ﭼﻪ ﻗﺴﻤﺘﻲ از داده ﻫﺎ ﻣﻔﻴﺪ و ﭼﻪ ﻗﺴﻤﺘﻲ ﻧﻤﻲ ﺗﻮاﻧﺪ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﻴﺮد در اﻳﻦ ﺑﺨﺶ ﻗﺮار دارد‪.‬‬

‫‪1‬‬
‫‪. Data reduction‬‬

‫‪www.e-estekhdam.com 43‬‬
‫آﻣـﺎر‬
‫وﻳﮋه آزﻣﻮﻧﻬﺎي اﺳﺘﺨﺪاﻣﻲ‬

‫‪ -2‬ﻋﺮﺿﻪ داده ﻫﺎ‪ :1‬ﻣﻨﻈﻮر ﻇﺎﻫﺮﺳﺎﺧﺘﻦ ﻣﺠﻤﻮﻋﻪاي از داده ﻫﺎي ﺳﺎزﻣﺎنﻳﺎﻓﺘﻪ اﺳﺖ‪ .‬ﻣﺎﻧﻨﺪ ﻣﻄﺎﻟﺐ روزﻧﺎﻣﻪ‪ ،‬راﻳﺎﻧﻪ‪.‬‬
‫ﺷﻜﻞ راﻳﺞ ﻋﺮﺿﻪ داده ﻫﺎي ﻛﻴﻔﻲ در ﮔﺬﺷﺘﻪ اﺳﺘﻔﺎده از ﻣﺘﻦ ﻫﺎي داﺳﺘﺎنﮔﻮﻧﻪ ﺑﻮده اﺳﺖ‪.‬‬
‫‪ -3‬ﻧﺘﻴﺠﻪ ﮔﻴﺮي‪ /‬ﺗﺄﻳﻴﺪ‪ :2‬ﭘﻲ ﺑﺮدن ﺑﻪ ﻣﻌﻨﺎي ﻫﺮ روﻳﺪاد‪ ،‬اﻟﮕﻮﻫﺎي وﻗﻮع آﻧﻬﺎ‪ ،‬ﺗﺒﻴﻴﻦ آﻧﻬﺎ‪ .‬ﺑﺎ ﻧﺘﻴﺠﻪﮔﻴﺮي ﻧﻤﻲﺗﻮان ﻓﻌﺎﻟﻴﺖ‬
‫ﭘﮋوﻫﺸﻲ را ﭘﺎﻳﺎن ﻳﺎﻓﺘﻪ ﺗﻠﻘﻲ ﻛﺮد‪ .‬زﻳﺮا اﻳﻦ ﻓﻌﺎﻟﻴﺖ ﺑﺎﻳﺪ ﻣﻮرد ﺗﺄﻳﻴﺪ واﻗﻊ ﺷﻮد‪ .‬ﻳﻌﻨﻲ ﺑﺎﻳﺪ از ﺟﻨﺒﻪ ﻣﻮﺟﻪﺑﻮدن‪ ،‬اﺳﺘﺤﻜﺎم‬
‫و ﻗﺎﺑﻠﻴﺖ ﺗﺄﻳﻴﺪ ﻣﻮرد ﺑﺎزﺑﻴﻨﻲ ﻗﺮار ﮔﻴﺮد‪ .‬اﻳﻦ ﻓﺮاﻳﻨﺪ ﻫﻤﺎن ﺗﻌﻴﻴﻦ اﻋﺘﺒﺎر ﻧﺘﺎﻳﺞ اﺳﺖ‪.‬‬
‫ﺗﺤﻠﻴﻞ داده ﻫﺎي ﻛﻤﻲ‪ :‬ﭼﻨﺎﻧﭽﻪ داده ﻫﺎ ﻛﻤﻲ و ﭘﻴﻮﺳﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬داراي ﺗﻮزﻳﻊ ﺑﻬﻨﺠﺎر ﺑﻮده و آزﻣﻮدﻧﻲﻫﺎ ﺑﺎ ﻧﻤﻮﻧﻪﮔﻴﺮي‬
‫ﺗﺼﺎدﻓﻲ اﻧﺘﺨﺎب ﺷﺪه ﺑﺎﺷﻨﺪ‪ ،‬ﺑﺮاي ﺗﺤﻠﻴﻞ داده ﻫﺎ ﻣﻲ ﺗﻮان از آزﻣﻮن ﻫﺎي ﭘﺎراﻣﺘﺮي اﺳﺘﻔﺎده ﻛﺮد‪ .‬اﻳﻦ آزﻣﻮنﻫﺎ داراي‬
‫ﻣﻔﺮوﺿﻪﻫﺎي ﻧﺮﻣﺎلﺑﻮدن ﺗﻮزﻳﻊ ﻧﻤﺮات‪ ،‬ﻳﻜﺴﺎﻧﻲ وارﻳﺎﻧﺲ در ﮔﺮوهﻫﺎ و داﺷﺘﻦ ﻣﻘﻴﺎس ﻓﺎﺻﻠﻪاي و ﻧﺴﺒﺘﻲ و ﭘﻴﻮﺳﺘﻪﺑﻮدن‬
‫دادهﻫﺎ اﺳﺖ‪ .‬ﻣﺎﻧﻨﺪ آزﻣﻮن ‪ .t‬اﮔﺮ اﻳﻦ ﻣﻔﺮوﺿﻪ ﻫﺎ وﺟﻮد ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬ﺑﺎﻳﺪ از آزﻣﻮن ﻫﺎي ﻏﻴﺮ ﭘﺎراﻣﺘﺮي ﻛﻪ ﺑﺎ ﻣﺘﻐﻴﺮﻫﺎي‬
‫اﺳﻤﻲ و رﺗﺒﻪ اي ﺳﺮوﻛﺎر دارد اﺳﺘﻔﺎده ﻛﺮد‪ .‬در ﻣﻮاردي ﻛﻪ ﻣﻘﻴﺎس ﻓﺎﺻﻠﻪ اي اﺳﺖ‪ ،‬وﻟﻲ ﺣﺠﻢ ﻧﻤﻮﻧﻪ ﻛﻮﭼﻚ اﺳﺖ ﻧﻴﺰ‬
‫از آزﻣﻮن ﻫﺎي ﻧﺎﭘﺎراﻣﺘﺮي اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬
‫ﻧﻜﺘﻪ‪ :‬در ﺗﺤﻠﻴﻞﻫﺎي ﭘﺎراﻣﺘﺮي ﻣﻲﺗﻮان ﭘﺎراﻣﺘﺮﻫﺎي ﺟﺎﻣﻌﻪ را ﺑﺮآورد ﻛﺮد‪ ،‬درﺣﺎﻟﻴﻜﻪ در ﺗﺤﻠﻴﻞﻫﺎي ﻧﺎﭘﺎراﻣﺘﺮي ﻓﻘﻂ‬
‫آزﻣﻮن ﻓﺮض ﺻﻮرت ﻣﻲ ﮔﻴﺮد )ﺳﺮﻣﺪ و دﻳﮕﺮان‪.(213 :1380 ،‬‬

‫‪1‬‬
‫‪. Data display‬‬
‫‪2‬‬
‫‪. Conclusion drawing/ verification‬‬

‫‪www.e-estekhdam.com 44‬‬