‫‪ 

‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫آﻣﺎر و اﺣﺘﻤﺎﻻت‬
‫)آﻣﺎر زﻳﺴﺘﻲ(‬

‫ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ‪:‬‬

‫ﺻﻔﺎﺋﻲ‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ١‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﺑﺨﺶ اول‬

‫آﻣﺎرﺗﻮﺻﻴﻔﻲ‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٢‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻓﺼﻞ اول‬

‫ﻛﻠﻴﺎت و ﺗﻌﺎرﻳﻒ ‪ ‬‬

‫ﻣﻘﺪﻣﻪ‪:‬‬

‫ﺑﺮاي اوﻟﻴﻦ ﺑﺎر در ﺳﺪه ﻫﺠﺪﻫﻢ ﺗﺪرﻳﺲ آﻣﺎر ﺑﻪ ﻋﻨﻮان دوﻟﺖ ﺷﻨﺎﺳﻲ در داﻧﺸﮕﺎهﻫﺎ آﻏﺎز ﺷﺪ‪ .‬ﻋﻠﻢ آﻣﺎر ﺑﺮاي داﻧﺸﻤﻨﺪان و ﺑﻪ‬

‫وﻳﮋه ﭘﮋوﻫﺸﮕﺮان از ﺳﺎل ‪ 1925‬ﺷﺮوع ﺷﺪ‪ .‬در آن ﺳﺎل ﻛﺘﺎب ﻣﻌﺮوف ﻓﻴﺸﺮ ﺑﺎ ﻧﺎم "روش ﻫﺎي آﻣﺎري ﺑﺮاي ﺗﺤﻘﻴﻖ" ﻣﻨﺘﺸﺮ‬

‫ﺷﺪ‪.‬‬

‫ﺑﺮاي ﺗﺒﻴﻴﻦ ﺿﺮورت ﻛﺎرﺑﺮد آﻣﺎر در ﭘﮋوﻫﺶ ﻫﺎي ﻋﻠﻤﻲ‪ ،‬ﻻزم اﺳﺖ ﻛﻪ ﺑﻪ ﻣﺮاﺣﻞ اﺟﺮاي ﻳﻚ ﭘﮋوﻫﺶ ﻋﻠﻤﻲ ﻧﮕﺎﻫﻲ‬

‫ﺑﻴﺎﻧﺪازﻳﻢ‪ .‬ﺑﻪ ﻃﻮر ﺧﻼﺻﻪ در اﺟﺮاي ﻳﻚ ﺗﺤﻘﻴﻖ‪ ،‬ﺷﺶ ﻣﺮﺣﻠﻪ ﻛﻠﻲ ﺑﻪ ﺷﺮح زﻳﺮ وﺟﻮد دارد‪:‬‬

‫‪ -1‬ﺗﻌﻴﻴﻦ و ﺗﻌﺮﻳﻒ ﻣﺴﺌﻠﻪ ﺗﺤﻘﻴﻖ ‪ ‬‬

‫‪ -2‬ﺗﺪوﻳﻦ ﻓﺮﺿﻴﻪ ﻫﺎي ﺗﺤﻘﻴﻖ ﺑﺮ اﺳﺎس ﻧﻈﺮﻳﻪ و ﭘﮋوﻫﺶ ﻫﺎي ﮔﺬﺷﺘﻪ ‪ ‬‬

‫‪ -3‬ﻃﺮح ﺗﺤﻘﻴﻖ و روش ﻧﻤﻮﻧﻪ ﺑﺮداري ‪ ‬‬

‫‪ -4‬ﺟﻤﻊ آوري داده ﻫﺎ ‪ ‬‬

‫‪ -5‬ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ داده ﻫﺎ ‪ ‬‬

‫‪ -6‬ﺗﻔﺴﻴﺮ داده ﻫﺎ ﺑﺮ اﺳﺎس ﻣﺴﺌﻠﻪ ﺗﺤﻘﻴﻖ ‪ ‬‬

‫ﻫﻤﺎﻧﻄﻮرﻳﻜﻪ دﻳﺪه ﻣﻴﺸﻮد آﻣﺎردر ﺑﻴﺸﺘﺮ ﻣﺮاﺣﻞ اﺟﺮاي ﻳﻚ ﺗﺤﻘﻴﻖ)‪ 3‬اﻟﻲ ‪ (6‬ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﻣﻴﺸﻮد‪  .‬‬

‫ﺗﻮﺳﻌﻪ و رﺷﺪ روزاﻓﺰون آﻣﺎر ﺳﺒﺐ ﺷﺪه اﺳﺖ ﻛﻪ اراﺋﻪ ﺗﻌﺮﻳﻒ ﻣﻨﻄﻘﻲ از آن ﻣﺸﻜﻞ ﺷﻮد‪ .‬ﺗﻌﺮﻳﻒ ﻫﺎي ﻣﺘﻌﺪدي ﺑﺮاي آﻣﺎر‬

‫اراﺋﻪ ﺷﺪه اﺳﺖ‪ .‬ﻣﻲ ﺗﻮان ﺑﻴﺎن ﻛﺮد ﻛﻪ ﻋﻠﻢ آﻣﺎر ﻋﺒﺎرت اﺳﺖ از ﻣﻔﺎﻫﻴﻢ‪ ،‬اﺻﻮل و روﺷﻬﺎﻳﻲ ﻛﻪ ﺑﺮاي ﺟﻤﻊ آوري‪ ،‬ﺗﻨﻈﻴﻢ‪،‬‬

‫ﺧﻼﺻﻪ ﻛﺮدن‪ ،‬ﺗﺠﺰﻳﻪ و ﺗﻔﺴﻴﺮ داده ﻫﺎ ﺑﻪ ﻛﺎر ﻣﻲ رود‪ .‬ﺷﺎﺧﻪ اي از آﻣﺎر ﻛﻪ در ﭘﺮدازش داده ﻫﺎي ﻋﻠﻮم زﻳﺴﺘﻲ و ﭘﺰﺷﻜﻲ ﺑﻪ‬

‫ﻛﺎر ﻣﻲ رود را اﺻﻄﻼﺣﺎ آﻣﺎر زﻳﺴﺘﻲ ﻣﻲ ﻧﺎﻣﻴﻢ‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٣‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫در ﺑﺮرﺳﻲ ﻫﺎي آﻣﺎري‪ ،‬دو ﻫﺪف اﺻﻠﻲ و ﻣﺸﺨﺺ دﻧﺒﺎل ﻣﻲ ﺷﻮد‪ .‬ﻫﺪف اول ﻛﻪ در آﻣﺎر ﺗﻮﺻﻴﻔﻲ ﻣﻨﻈﻮر ﻣﻲ ﺷﻮد‪ ،‬ﻋﺒﺎرت‬

‫اﺳﺖ از ﺟﻤﻊآوري‪ ،‬ﮔﺮوهﺑﻨﺪي‪ ،‬ﺧﻼﺻﻪ ﻛﺮدن‪ ،‬رﺳﻢ ﻧﻤﻮدار و ﺗﻌﻴﻴﻦ ﺷﺎﺧﺺﻫﺎي ﻣﺮﻛﺰي و ﭘﺮاﻛﻨﺪﮔﻲ‪ ،‬ﻣﺎﻧﻨﺪ ﻣﻴﺎﻧﮕﻴﻦ‪،‬‬

‫ﻣﻴﺎﻧﻪ‪ ،‬ﻧﻤﺎ‪ ،‬داﻣﻨﻪ ﺗﻐﻴﻴﺮات‪ ،‬اﻧﺤﺮاف ﻣﺘﻮﺳﻂ از ﻣﻴﺎﻧﮕﻴﻦ‪ ،‬اﻧﺤﺮاف ﻣﻌﻴﺎر و وارﻳﺎﻧﺲ‪ .‬اﻳﻦ ﺷﺎﺧﺺﻫﺎ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ دﻳﮕﺮ‬

‫ﺷﺎﺧﺺﻫﺎي آﻣﺎري اﺳﺘﻔﺎده ﻣﻲ ﺷﻮﻧﺪ‪.‬‬

‫ﻫﺪف دوم ﻛﻪ در آﻣﺎر اﺳﺘﻨﺒﺎﻃﻲ ﮔﻨﺠﺎﻧﺪه ﻣﻲ ﺷﻮد‪ ،‬ﻋﺒﺎرت اﺳﺖ از ﺗﻌﻤﻴﻢ دادن ﻧﻤﻮﻧﻪ ﺑﻪ ﺟﺎﻣﻌﻪ دراﻳﻦ ﻣﻔﻬﻮم اﺳﺘﻨﺒﺎط‬

‫آﻣﺎري ﭘﻠﻲ ﺑﺮاي ارﺗﺒﺎط ﺑﻴﻦ ﺟﺎﻣﻌﻪ و ﻧﻤﻮﻧﻪ اﺳﺖ )ﺷﻜﻞ ‪.(1-1‬‬

‫از آﻧﺠﺎ ﻛﻪ اﻏﻠﺐ اﻣﻜﺎن آﻣﺎرﺑﺮداري از ﻛﻞ اﻓﺮاد ﺟﺎﻣﻌﻪ وﺟﻮد ﻧﺪارد‪ ،‬از ﻧﻤﻮﻧﻪ ﺑﺮداري اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ .‬در اﻳﻨﺠﺎ اﺣﺘﻤﺎل ﭘﻞ‬

‫ارﺗﺒﺎﻃﻲ ﺑﻴﻦ آﻣﺎر ﺗﻮﺻﻴﻔﻲ و آﻣﺎر اﺳﺘﻨﺒﺎﻃﻲ ﻣﻲﺑﺎﺷﺪ‪.‬‬

‫‪ ‬ﺟﺎﻣﻌﻪ )ﭘﺎراﻣﺘﺮﻧﺎﻣﻌﻠﻮم(‬

‫اﺳﺘﻨﺒﺎط آﻣﺎري‬

‫ﻧﻤﻮﻧﻪ )آﻣﺎره ﻣﺤﺎﺳﺒﻪ ﺷﺪه(‬

‫ﺷﻜﻞ ‪ -1-1‬ﺑﺮآورد ﭘﺎراﻣﺘﺮﻫﺎي ﺟﺎﻣﻌﻪ از وﻳﮋﮔﻲ ﻫﺎي ﻧﻤﻮﻧﻪ‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٤‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﺟﺎﻣﻌﻪ و ﻧﻤﻮﻧﻪ‬

‫ﺟﺎﻣﻌﻪ ﻣﺠﻤﻮﻋﻪ اي از اﻓﺮاد اﺳﺖ ﻛﻪ ﺣﺪاﻗﻞ ﻳﻚ وﻳﮋﮔﻲ ﻣﺸﺘﺮك داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ .‬ﻣﺜﻞ ﺟﺎﻣﻌﻪ ﺳﻠﻮﻟﻬﺎي ﻳﻚ ﺑﺎﻓﺖ زﻧﺪه‪ ،‬ﺟﺎﻣﻌﻪ‬

‫ﻣﺎﻫﻲ ﻫﺎي ﻣﻮﺟﻮد در ﻳﻚ اﺳﺘﺨﺮ‪ ،‬ﺟﺎﻣﻌﻪ درﺧﺘﺎن ﻳﻚ ﺟﻨﮕﻞ ‪ ،‬ﺟﺎﻣﻌﻪ ﺑﻴﻤﺎران ﻗﺒﻠﻲ ﻳﻚ ﺑﻴﻤﺎرﺳﺘﺎن و ﻏﻴﺮه‪.‬‬

‫ﺗﻌﺪاد ﻋﻨﺎﺻﺮ ﻣﻮﺟﻮد در ﺟﺎﻣﻌﻪ را ﺣﺠﻢ ﺟﺎﻣﻌﻪ ﻣﻲ ﻧﺎﻣﻨﺪ‪.‬‬

‫از ﻧﻈﺮ ﺗﻌﺪاد اﻓﺮاد‪ ،‬ﺟﺎﻣﻌﻪ‪ ،‬ﻣﺤﺪود ﻳﺎ ﻧﺎﻣﺤﺪود اﺳﺖ‪ .‬وﻗﺘﻲ ﻛﻪ ﺗﻌﺪاد اﻓﺮاد ﻳﻚ ﺟﺎﻣﻌﻪ ﻣﺤﺪود و ﻗﺎﺑﻞ ﺷﻤﺎرش ﺑﺎﺷﺪ‪ ،‬آن را‬

‫ﺟﺎﻣﻌﻪ ﻣﺤﺪود ﮔﻮﻳﻨﺪ‪ ،‬ﻣﺜﻞ ﺟﺎﻣﻌﻪ ﺳﮕﻬﺎي آﺑﻲ ﻳﻚ ﺑﺮﻛﻪ‪ .‬وﻳﮋﮔﻲ اﻳﻦ ﺟﺎﻣﻌﻪ آن اﺳﺖ ﻛﻪ اﮔﺮ از اﻓﺮاد آن ﺑﺮداﺷﺘﻪ ﺷﻮد)ﻳﻜﻲ‬

‫ﻳﻜﻲ( و ﺟﺎﻳﮕﺬاري ﻧﺸﻮد‪ ،‬ﺑﺎﻻﺧﺮه ﺗﻤﺎم ﻣﻲ ﺷﻮد‪ .‬اﮔﺮ ﺗﻌﺪاد اﻓﺮاد ﺟﺎﻣﻌﻪ ﻧﺎﻣﺤﺪود و ﻏﻴﺮ ﻗﺎﺑﻞ ﺷﻤﺎرش ﺑﺎﺷﺪ‪ ،‬آن را ﺟﺎﻣﻌﻪ‬

‫ﻧﺎﻣﺤﺪود ﮔﻮﻳﻨﺪ‪ ،‬ﻣﺜﻞ ﺟﺎﻣﻌﻪ ﻣﺎﺳﻪ ﻫﺎي ﻛﻨﺎر درﻳﺎ‪ .‬وﻳﮋﮔﻲ اﻳﻦ ﺟﺎﻣﻌﻪ آن اﺳﺖ ﻛﻪ ﻫﺮ ﻗﺪر از اﻓﺮاد آن ﺑﺮداﺷﺘﻪ ﺷﻮد‪ ،‬ﺗﻤﺎم‬

‫ﻧﻤﻲ ﺷﻮد‪.‬‬

‫در ﺑﺮاﺑﺮ ﻣﻔﻬﻮم ﺟﺎﻣﻌﻪ‪ ،‬ﻧﻤﻮﻧﻪ ﻣﻄﺮح ﻣﻲ ﺷﻮد‪ .‬در ﺑﻴﺸﺘﺮ ﻣﻮارد ﻣﻄﺎﻟﻌﻪ و ﺑﺮرﺳﻲ ﻛﻠﻴﻪ اﻓﺮاد ﻳﻚ ﺟﺎﻣﻌﻪ ﺑﻪ ﻋﻠﺖ ﻛﻤﺒﻮد وﻗﺖ‬

‫و ﻫﺰﻳﻨﻪ زﻳﺎد اﻣﻜﺎنﭘﺬﻳﺮ ﻧﻴﺴﺖ‪ ،‬ﻟﺬا ﺑﺨﺸﻲ از ﺟﺎﻣﻌﻪ را ﻣﻮرد ﻣﻄﺎﻟﻌﻪ و ﺑﺮرﺳﻲ ﻗﺮار ﻣﻲدﻫﻴﻢ ﻛﻪ ﻣﻌﺮف آن ﺟﺎﻣﻌﻪ ﺑﺎﺷﺪ ﻛﻪ‬

‫ﺑﻪ آن ﻧﻤﻮﻧﻪ ﻣﻲﮔﻮﻳﻴﻢ‪ .‬ﻧﻤﻮﻧﻪ ﻗﺴﻤﺘﻲ از ﺟﺎﻣﻌﻪ اﺳﺖ ﻛﻪ اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ آن ﺑﺮاي اﺳﺘﻨﺘﺎج درﺑﺎره ﺟﺎﻣﻌﻪ ﺑﻪ ﻛﺎر ﻣﻲ رود‪.‬‬

‫از وﻳﮋﮔﻲﻫﺎي ﻧﻤﻮﻧﻪ ﻣﺸﺎﺑﻬﺖ آن ﺑﺎ ﺧﺼﻮﺻﻴﺎت ﺟﺎﻣﻌﻪ اﺳﺖ‪ ،‬ﺑﻪ ﻃﻮري ﻛﻪ ﻣﻌﺮف ﺟﺎﻣﻌﻪ ﺑﻮده و زﻳﺮ ﻣﺠﻤﻮﻋﻪ اي از آن ﺑﻪ‬

‫ﺷﻤﺎر ﻣﻲ رود‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬ﺟﺎﻣﻌﻪ ﻣﻮرد ﺑﺮرﺳﻲ‪ ،‬ﮔﻴﺎﻫﺎن ﻋﻠﻔﻲ ﻣﻮﺟﻮد در ﻣﺮاﺗﻊ ﻳﻚ ﻣﻨﻄﻘﻪ اﺳﺖ‪ .‬ﻫﺮﮔﺎه ﺑﺮاي ﺗﺠﺰﻳﻪ و‬

‫ﺗﺤﻠﻴﻞ‪ ،‬ﻓﻘﻂ ﺗﻌﺪادي از ﮔﻴﺎﻫﺎن آن ﻣﻨﻄﻘﻪ اﻧﺘﺨﺎب و ﻣﻄﺎﻟﻌﻪ ﺷﻮد‪ ،‬ﻳﻚ ﻧﻤﻮﻧﻪ از ﺟﺎﻣﻌﻪ آﻣﺎري اﻧﺘﺨﺎب ﺷﺪه اﺳﺖ‪.‬‬

‫ﺑﺎ اﻳﻦ ﺗﻌﺮﻳﻒ ﻃﺒﻴﻌﻲ اﺳﺖ ﻛﻪ از ﻫﺮ ﺟﺎﻣﻌﻪ آﻣﺎري‪ ،‬ﻣﻲ ﺗﻮان ﻧﻤﻮﻧﻪ ﻫﺎي ﻣﺘﻌﺪدي اﻧﺘﺨﺎب ﻛﺮد‪.‬‬

‫اﻧﻮاع ﻣﺘﻐﻴﺮﻫﺎ‬

‫وﻳﮋﮔﻲ ﻫﺎﻳﻲ ﻛﻪ ﭘﮋوﻫﺸﮕﺮان آﻧﻬﺎ را ﻣﺸﺎﻫﺪه و اﻧﺪازه ﻣﻲ ﮔﻴﺮﻧﺪ‪ ،‬ﻣﺘﻐﻴﺮ ﻳﺎ ﺻﻔﺖ ﻧﺎﻣﻴﺪه ﻣﻲ ﺷﻮﻧﺪ‪ .‬در ﻫﺮ ﺑﺮرﺳﻲ آﻣﺎري از‬

‫اﻧﺪازه ﮔﻴﺮي ﺻﻔﺖ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ در ﻋﻨﺎﺻﺮ ﺟﺎﻣﻌﻪ )ﻳﺎ ﻧﻤﻮﻧﻪ( ﺗﻌﺪادي ﻋﺪد ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ ) ﺑﺮاي ﻣﺜﺎل‪ ،‬وﻗﺘﻲ ﻃﻮل ‪5‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٥‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻧﻬﺎل ﻛﺎج دو ﺳﺎﻟﻪ را اﻧﺪازه ﺑﮕﻴﺮﻳﻢ و اﻋﺪاد ‪ 100 ،96 ،105 ،102‬و ‪ 103‬ﺣﺎﺻﻞ ﺷﻮد( ﻛﻪ ﻫﺮ ﻳﻚ از آﻧﻬﺎ را داده ﻳﺎ ﻣﺸﺎﻫﺪه‬

‫ﻣﻲ ﻧﺎﻣﻨﺪ‪ .‬ﭘﺮدازش روي اﻳﻦ دادهﻫﺎ ﻣﻨﺠﺮ ﺑﻪ ﺗﻮﻟﻴﺪ اﻃﻼﻋﺎت ﻣﻲﺷﻮد ﻛﻪ ﺑﻴﺸﺘﺮ ﻗﺎﺑﻞ ﻓﻬﻢ و ﻛﺎرﺑﺮد اﺳﺖ‪.‬‬

‫ﻣﺘﻐﻴﺮﻫﺎ را ﻣﻲ ﺗﻮان ﺑﻪ ﻛﻤﻲ و ﻛﻴﻔﻲ ﺗﻘﺴﻴﻢ ﻛﺮد‪ .‬ﻣﺘﻐﻴﺮﻫﺎي ﻛﻤﻲ‪ ،‬ﻣﺘﻐﻴﺮﻫﺎي ﻗﺎﺑﻞ اﻧﺪازه ﮔﻴﺮي ﻫﺴﺘﻨﺪ و ﺑﻪ ﺻﻮرت ﻋﺪد‬

‫ﻧﻮﺷﺘﻪ ﻣﻲ ﺷﻮﻧﺪ‪ ،‬ﻣﺎﻧﻨﺪ ﻗﺪ‪ ،‬وزن‪ ،‬ﻣﺴﺎﺣﺖ‪ ،‬زﻣﺎن و ﻏﻴﺮه‪.‬‬

‫ﻣﺘﻐﻴﺮﻫﺎي ﻛﻴﻔﻲ‪ ،‬ﻣﺘﻐﻴﺮﻫﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﻗﺎﺑﻞ اﻧﺪازه ﮔﻴﺮي ﻛﻤﻲ ﻧﻴﺴﺘﻨﺪ و ﺑﻪ ﺻﻮرت ﻏﻴﺮ ﻋﺪدي ﻧﺸﺎن داده ﻣﻲ ﺷﻮﻧﺪ‪ ،‬ﻣﺜﻞ‬

‫ﺟﻨﺲ‪ ،‬رﻧﮓ‪ ،‬ﻧﻮع ﻧﮋاد‪ ،‬ﻧﻮع ﺑﺎﻓﺖ‪ ،‬ﺷﻜﻞ داﻧﻪ‪ ،‬ﺷﺪت ﺣﺴﺎﺳﻴﺖ و ﻏﻴﺮه‪.‬‬

‫ﻣﺘﻐﻴﺮﻫﺎ ﺑﺮ اﺳﺎس راﺑﻄﻪ اي ﻛﻪ ﺑﺎ ﻳﻜﺪﻳﮕﺮ دارﻧﺪ‪ ،‬ﺑﻪ دو دﺳﺘﻪ ﻣﺴﺘﻘﻞ و واﺑﺴﺘﻪ ﺗﻘﺴﻴﻢ ﺷﺪه اﻧﺪ‪ .‬ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ‪ ،‬ﻧﻘﺶ ﻋﻠﺖ‬

‫را ﺑﻪ ﻋﻬﺪه دارد و ﺑﺮ ﻣﺘﻐﻴﺮﻫﺎي دﻳﮕﺮ ﺗﺎﺛﻴﺮ ﻣﻲ ﮔﺬارد و ﻣﻨﺸﺎ ﺑﺮوز ﭘﺪﻳﺪه ﻫﺎ ﻣﻲ ﺷﻮد‪ .‬ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ‪ ،‬ﻣﺘﻐﻴﺮي اﺳﺖ ﻛﻪ‬

‫ارزش آن ﺑﻪ ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ ﺑﺴﺘﮕﻲ دارد‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬در راﺑﻄﻪ ﺑﻴﻦ اﺣﺘﻤﺎل ﺳﺮﻣﺎﺧﻮردﮔﻲ ﺑﺎ دﻣﺎي ﻫﻮا‪ ،‬اﺣﺘﻤﺎل‬

‫ﺳﺮﻣﺎﺧﻮردﮔﻲ ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ و دﻣﺎي ﻫﻮا ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ اﺳﺖ‪.‬‬

‫ﻣﺘﻐﻴﺮﻫﺎ ﻣﻤﻜﻦ اﺳﺖ ﻧﺎﭘﻴﻮﺳﺘﻪ ﻳﺎ ﮔﺴﺴﺘﻪ و ﭘﻴﻮﺳﺘﻪ ﺑﺎﺷﻨﺪ‪ .‬ﻣﺘﻐﻴﺮ ﻧﺎﭘﻴﻮﺳﺘﻪ ﻳﺎ ﮔﺴﺴﺘﻪ ﻣﺘﻐﻴﺮي اﺳﺖ ﻛﻪ ﻓﻘﻂ ﻣﺠﻤﻮﻋﻪاي از‬

‫ارزشﻫﺎي ﻣﻌﻴﻦ ﺑﻪ آن اﺧﺘﺼﺎص داده ﻣﻲ ﺷﻮد‪ .‬ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ‪ ،‬در ﻣﺘﻐﻴﺮﻫﺎي ﻧﺎﭘﻴﻮﺳﺘﻪ ﺧﺮد ﻛﺮدن ارزﺷﻬﺎ اﻣﻜﺎنﭘﺬﻳﺮ‬

‫ﻧﻴﺴﺖ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬ﺗﻌﺪاد ﮔﻠﺒﺮگﻫﺎ در ﻳﻚ ﮔﻞ‪ ،‬ﺗﻌﺪاد داﻧﺸﺠﻮﻳﺎن ﻳﻚ ﻣﺠﻤﻮﻋﻪ و ﺗﻌﺪاد ﺗﺨﻤﻬﺎي ﻳﻚ ﭘﺮﻧﺪه‪ ،‬از ﻣﺘﻐﻴﺮﻫﺎي‬

‫ﻧﺎ ﭘﻴﻮﺳﺘﻪ ﻣﺤﺴﻮب ﻣﻲﺷﻮﻧﺪ‪ ،‬زﻳﺮا ﻓﻘﻂ ﻣﻘﺎدﻳﺮ ﺛﺎﺑﺘﻲ ﻣﺜﻞ ‪ 5 ،3‬و ﻏﻴﺮه را ﺑﻪ ﺧﻮد اﺧﺘﺼﺎص ﻣﻲدﻫﻨﺪ‪ .‬در ﻣﺘﻐﻴﺮﻫﺎي‬

‫ﮔﺴﺴﺘﻪ‪ ،‬ارزشﻫﺎي ﻣﻮﺟﻮد ﺑﻴﻦ دو ﻣﻘﺪار ﻳﺎ دو ارزش داراي ﻣﻌﻨﺎ و ﻣﻔﻬﻮم ﺧﺎص ﻧﻴﺴﺖ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬در ﺻﻮرﺗﻲ ﻛﻪ ﺗﻌﺪاد‬

‫ﮔﻠﺒﺮﮔﻬﺎي ﻳﻚ ﮔﻞ ‪ 5‬ﻋﺪد ﺑﺎﺷﺪ‪ ،‬اﻧﺘﺨﺎب اﻋﺪاد ‪ 4.25 ، 4.75‬ﻳﺎ ‪ 3.5‬ﻣﻌﻨﺎ و ﻣﻔﻬﻮﻣﻲ ﻧﺪارد‪ .‬از دﻳﮕﺮ ﻣﻮارد ﻣﻴﺘﻮان ﺑﻪ ﺗﻌﺪاد‬

‫دﻧﺪاﻧﻬﺎي ﻛﺸﻴﺪه ﺷﺪه ﻛﻮدﻛﺎن ﻳﻚ دﺑﺴﺘﺎن‪ ،‬ﺗﻌﺪاد ﺳﻠﻮﻟﻬﺎي ﻳﻚ ﺑﺎﻓﺖ زﻧﺪه‪ ،‬ﮔﺮوه ﺧﻮﻧﻲ اﻓﺮاد ﻳﻚ ﺟﺎﻣﻌﻪ‪ ،‬ﺗﻌﺪاد ﻓﺮزﻧﺪان‬

‫ﺧﺎﻧﻮادهﻫﺎي ﻳﻚ ﺷﻬﺮو از اﻳﻦ دﺳﺖ اﺷﺎره ﻛﺮد‪ .‬ﻣﺘﻐﻴﺮ ﻧﺎﭘﻴﻮﺳﺘﻪ ﻣﻲ ﺗﻮاﻧﺪ ﻫﻢ ﺑﻪ ﺻﻮرت ﻛﻴﻔﻲ ﺑﺎﺷﺪ‪ ،‬ﻣﺎﻧﻨﺪ ﺟﻨﺲ‪ ،‬ﻧﻮع ﮔﻮﻧﻪ‬

‫و ﻫﻢ ﺑﻪ ﺻﻮرت ﻛﻤﻲ ﻣﺎﻧﻨﺪ ﺗﻌﺪاد ﮔﻠﺒﺮگ ﻫﺎي ﮔﻞ و ﺗﻌﺪاد ﮔﻮزﻧﻬﺎي ﻣﻮﺟﻮد در ﻳﻚ ﮔﻠﻪ‪.‬‬

‫ﻣﺘﻐﻴﺮ ﭘﻴﻮﺳﺘﻪ ﻣﺘﻐﻴﺮي اﺳﺖ ﻛﻪ ﻫﺮ ارزش ﻳﺎ ﻣﻘﺪار )اﻋﺸﺎري و ﻛﺴﺮي( را ﻣﻲ ﺗﻮان ﺑﻪ آن اﺧﺘﺼﺎص داد‪ .‬ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ﻫﺮ‬

‫ﻋﺪدي ﺑﻴﻦ دو واﺣﺪ آن اﻧﺘﺨﺎب ﺷﻮد‪ ،‬داراي ﻣﻌﻨﺎ و ﻣﻔﻬﻮم اﺳﺖ و ﻳﺎ ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ﻗﺎﺑﻞ ﺧﻮرد ﺷﺪن ﺑﺎﺷﺪ‪ .‬وزن ﻳﻚ‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٦‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻣﻮﺟﻮد زﻧﺪه‪ ،‬ارﺗﻔﺎع ﻳﻚ درﺧﺖ و ﻣﺪت زﻣﺎن ﺗﻜﺜﻴﺮ ﻳﻚ ﺳﻠﻮل ﺑﻪ ﺗﻌﺪادي ﻣﺸﺨﺺ‪ ،‬ﻫﻤﮕﻲ از ﻣﺘﻐﻴﺮﻫﺎي ﭘﻴﻮﺳﺘﻪ ﻣﺤﺴﻮب‬

‫ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﻣﺘﻐﻴﺮ ﭘﻴﻮﺳﺘﻪ ﺑﻪ ﻃﻮر ﻃﺒﻴﻌﻲ ﻛﻤﻲ اﺳﺖ و درﺟﻪ اﻧﺪازهﮔﻴﺮي آن ﺑﻪ دﻗﺖ وﺳﻴﻠﻪ اﻧﺪازهﮔﻴﺮي ﺑﺴﺘﮕﻲ دارﻧﺪ‪ .‬ﺑﺮاي‬

‫ﻣﺜﺎل‪ ،‬وزن ﻳﻚ ﻣﺘﻐﻴﺮ ﭘﻴﻮﺳﺘﻪ اﺳﺖ و ﻣﻲ ﺗﻮاﻧﺪ ﺑﻴﻦ ﺻﻔﺮ و ﺑﻲﻧﻬﺎﻳﺖ ﺑﺎﺷﺪ‪.‬‬

‫ﻣﻘﻴﺎس ﻫﺎي اﻧﺪازه ﮔﻴﺮي‬

‫ﻫﺮ ﺑﺮرﺳﻲ آﻣﺎري ﺑﺎ اﻧﺪازهﮔﻴﺮي ﺻﻔﺖﻫﺎي ﻣﺘﻐﻴﺮ ﺳﺮ و ﻛﺎر دارد‪ .‬اﻧﺪازهﮔﻴﺮي ﻓﺮاﻳﻨﺪي اﺳﺖ ﻛﻪ ﺑﺎ آن ﻣﺸﺎﻫﺪهﻫﺎ ﺑﻪ ﻋﺪد‬

‫ﺗﺒﺪﻳﻞ ﻣﻲﺷﻮﻧﺪ‪ .‬اﻧﺪازهﮔﻴﺮي را در ﺳﻄﺢﻫﺎي ﻣﺨﺘﻠﻒ ﻣﻲﺗﻮان اﻧﺠﺎم داد ﻛﻪ ﺑﻪ اﻳﻦ ﺳﻄﺢﻫﺎ‪ ،‬ﻣﻘﻴﺎس ﻣﻲﮔﻮﻳﻨﺪ‪ .‬ﺑﻪ ﻋﺒﺎرت‬

‫دﻳﮕﺮ‪ ،‬ﻣﻲﺗﻮان ﮔﻔﺖ ﻛﻪ اﻋﺪاد در ﻣﻮﻗﻌﻴﺖﻫﺎي ﻣﺘﻔﺎوت ﻣﻌﻨﺎ و ﻣﻀﻤﻮنﻫﺎي ﻣﺨﺘﻠﻔﻲ ﭘﻴﺪا ﻣﻲﻛﻨﻨﺪ‪ .‬ﺑﻪ ﻃﻮر ﻛﻠﻲ ﻣﺘﻐﻴﺮﻫﺎ در‬

‫ﭼﻬﺎر ﻣﻘﻴﺎس اﻧﺪازهﮔﻴﺮي ﻣﻲﺷﻮﻧﺪ ﻛﻪ ﺑﺮ ﺣﺴﺐ ﻧﻮع ﻣﻘﻴﺎس‪ ،‬روشﻫﺎي آﻣﺎري ﻣﺘﻔﺎوﺗﻲ اراﺋﻪ ﻣﻲﺷﻮد‪ .‬اﻳﻦ ﻣﻘﻴﺎسﻫﺎ ﻋﺒﺎرﺗﻨﺪ‬

‫از‪:‬‬

‫اﻟﻒ‪ -‬ﻣﻘﻴﺎس اﺳﻤﻲ )‪:(Nominal‬‬

‫اﻳﻦ دادهﻫﺎ ﺿﻌﻴﻒﺗﺮﻳﻦ ﺳﻄﺢ از اﻧﺪازهﮔﻴﺮي را اراﺋﻪ ﻣﻲدﻫﻨﺪ و ﻓﻘﻂ ﻣﻲﺗﻮان ﺗﻌﻴﻴﻦ ﻛﺮد ﻛﻪ ﻳﻚ ﺷﻲء ﻣﺘﻔﺎوت از ﺷﻲء‬

‫دﻳﮕﺮ اﺳﺖ‪ .‬ﺑﺮ روي اﻳﻦ اﻋﺪاد ﻧﻤﻲ ﺗﻮان اﻋﻤﺎل رﻳﺎﺿﻲ )ﺟﻤﻊ‪ ،‬ﺗﻔﺮﻳﻖ‪ ،‬ﺿﺮب و ﺗﻘﺴﻴﻢ( را اﻧﺠﺎم داد‪ .‬ﺗﻨﻬﺎ وﻳﮋﮔﻲ دادهﻫﺎي‬

‫اﺳﻤﻲ ﻫﻢ ﻣﻌﻨﺎ ﺑﻮدن و ﻫﻢ وزﻧﻲ آﻧﻬﺎﺳﺖ‪ .‬ارزش ﻫﺎ ﻫﻴﭻ راﺑﻄﻪ اي ﺑﺎ ﻫﻢ ﻧﺪارﻧﺪ و اﻏﻠﺐ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻛﻼس در ﻧﻈﺮ ﮔﺮﻓﺘﻪ‬

‫ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﻣﺎﻧﻨﺪ ﺷﻤﺎره ﺷﻨﺎﺳﻨﺎﻣﻪ اﻓﺮاد‪ ،‬ﭘﻼك ﺧﺎﻧﻪ‪ ،‬ﺷﻤﺎره اي ﻛﻪ ﺑﻪ ﺑﻴﻤﺎري ﻫﺎ اﺧﺘﺼﺎص ﻣﻲ دﻫﻴﻢ و ‪. ...‬‬

‫ب‪ -‬ﻣﻘﻴﺎس رﺗﺒﻪاي )‪:(Ordinal‬‬

‫ﺑﻌﻀﻲ از ﻣﺘﻐﻴﺮﻫﺎ را ﻧﻤﻲ ﺗﻮان ﺑﺮ روي ﻣﻘﻴﺎس ﻋﺪدي اﻧﺪازه ﮔﺮﻓﺖ‪ ،‬وﻟﻲ ﻣﻲ ﺗﻮان آﻧﻬﺎ را در ارﺗﺒﺎط ﺑﺎ ﻳﻜﺪﻳﮕﺮ رﺗﺒﻪ ﺑﻨﺪي‬

‫ﻛﺮد‪ .‬در اﻳﻦ ﺣﺎﻟﺖ ﻧﻴﺰ ﻣﺎﻧﻨﺪ ﻣﻘﻴﺎس اﺳﻤﻲ داراي ﺗﻌﺪادي ﻃﺒﻘﻪ اﺳﺖ‪ ،‬وﻟﻲ در اﻳﻨﺠﺎ‪ ،‬ﻃﺒﻘﻪ ﻫﺎ ﻧﺴﺒﺖ ﺑﻪ ﻫﻢ داراي اﻣﺘﻴﺎز ﻳﺎ‬

‫رﺗﺒﻪ ﻫﺴﺘﻨﺪ‪ .‬ارﺗﺒﺎط ﺑﻴﻦ ﮔﺮوهﻫﺎ از ﻧﻮع »ﺑﺰرﮔﺘﺮ«‪» ،‬ﺳﺨﺖﺗﺮ«‪» ،‬ﺧﻮبﺗﺮ« و از اﻳﻦ ﻗﺒﻴﻞ ﻣﻲﺑﺎﺷﺪ‪.‬‬

‫دو وﻳﮋﮔﻲ دادهﻫﺎي رﺗﺒﻪاي ﻫﻢ ﻣﻌﻨﺎ و ﺑﻴﺸﺘﺮ ﻳﺎ ﻛﻤﺘﺮ ﺑﻮدن اﺳﺖ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬اﮔﺮ ﻃﺒﻘﺎت ﺷﺪت ﺣﺴﺎﺳﻴﺖ ﺑﻪ ﺑﻴﻤﺎري ﺧﺎص‬

‫)ﻧﺎﭼﻴﺰ‪ ،‬ﻛﻢ‪ ،‬ﻣﺘﻮﺳﻂ‪ ،‬زﻳﺎد و ﺧﻴﻠﻲ زﻳﺎد(‪ ،‬ﺑﺎ ‪ 4 ،3 ،2 ،1‬و ‪ 5‬رﺗﺒﻪ ﺑﻨﺪي ﺷﻮﻧﺪ‪ ،‬ﻫﺮ ﻛﺪام از رﺗﺒﻪﻫﺎ ﺑﻪ ﻣﻌﻨﺎي ﻳﻚ ﻣﻘﺪار‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٧‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻣﺸﺨﺺ ﺷﺪت ﺣﺴﺎﺳﻴﺖ اﺳﺖ‪ ،‬ﻫﻤﭽﻨﻴﻦ رﺗﺒﻪ ‪ 2‬داراي ﺣﺴﺎﺳﻴﺖ ﺑﻴﺸﺘﺮي از رﺗﺒﻪ ‪ 1‬ﺑﻮده و ﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ رﺗﺒﻪ ‪،3‬‬

‫ﺣﺴﺎﺳﻴﺖ ﺑﻴﺸﺘﺮي از رﺗﺒﻪ ‪ 2‬دارد‪ .‬اﻳﻦ ارﺗﺒﺎﻃﺎت ﻣﻲ ﺗﻮاﻧﻨﺪ از ﻗﺒﻴﻞ ﺑﺰرﮔﺘﺮ‪ ،‬ﺷﺪﻳﺪ ﺗﺮ‪ ،‬ﺑﻬﺘﺮ و از اﻳﻦ ﻗﺒﻴﻞ ﺑﺎﺷﺪ‪ .‬اﻣﺎ اﻳﻦ‬

‫ﺑﺪﻳﻦ ﻣﻌﻨﻲ ﻧﻴﺴﺖ ﻛﻪ ﺣﺴﺎﺳﻴﺖ ‪ 4‬دو ﺑﺮاﺑﺮ ﺣﺴﺎﺳﻴﺖ ‪ 2‬ﻣﻲﺑﺎﺷﺪ‪ .‬ﻳﺎ ﻣﺜﻼ اﮔﺮ ﻣﺤﻘﻘﻲ ﺣﻴﻮاﻧﺎت را ﺑﺮ ﺣﺴﺐ ﻣﻴﺰان ﻫﻮش ﺑﺎ‬

‫اﻋﺪاد ‪ 3 ،2 ،1‬و ‪ 4‬ﻣﺸﺨﺺ ﻛﻨﺪ‪ ،‬ﺣﻴﻮان ﺷﻤﺎره ‪ 4‬از ﺣﻴﻮان ﺷﻤﺎره ‪ 2‬ﺑﺎﻫﻮﺷﺘﺮ اﺳﺖ‪ ،‬اﻣﺎ ﻧﻤﻲﺗﻮان ﮔﻔﺖ ﻛﻪ دو ﺑﺮاﺑﺮ او‬

‫ﺑﺎﻫﻮش اﺳﺖ‪.‬‬

‫ج‪ -‬ﻣﻘﻴﺎس ﻓﺎﺻﻠﻪ اي )‪:(Interval‬‬

‫اﻳﻦ ﻣﻘﻴﺎس اﻓﺰون ﺑﺮ دارا ﺑﻮدن وﻳﮋﮔﻲ ﻫﺎي دو ﻣﻘﻴﺎس اﺳﻤﻲ و رﺗﺒﻪ اي )ﻳﻌﻨﻲ ﮔﺮوه ﺑﻨﺪي ﻋﻨﺎﺻﺮ ﺟﺎﻣﻌﻪ و ﺗﻌﻴﻴﻦ رﺗﺒﻪ آﻧﻬﺎ‬

‫ﺑﺮ اﺳﺎس ﻣﻴﺰان ﺻﻔﺖ ﻣﻮرد ﻧﻈﺮ(‪ ،‬ﻓﻮاﺻﻞ واﺣﺪﻫﺎي ﻋﺪدي اﻧﺪازه ﮔﻴﺮي ﻳﻜﺴﺎﻧﻲ دارد‪ .‬ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ اﮔﺮ ﻳﻚ ﻣﺘﻐﻴﺮ ﻋﻨﺎﺻﺮ‬

‫ﺟﺎﻣﻌﻪ را ﮔﺮوهﺑﻨﺪي ﻛﻨﺪ و ارﺗﺒﺎط ﺑﻴﻦ ﮔﺮوهﻫﺎ از ﻧﻮع رﺗﺒﻪاي ﺑﺎﺷﺪو ﻋﻼوه ﺑﺮ اﻳﻦ دو ﻓﺎﺻﻠﻪ ﺑﻴﻦ ﮔﺮوهﻫﺎ ﻋﺪد ﺛﺎﺑﺘﻲ ﺑﺎﺷﺪ ﺑﻪ‬

‫اﻳﻦ ﻣﻘﻴﺎس اﻧﺪازهﮔﻴﺮي ﻣﻘﻴﺎس ﻓﺎﺻﻠﻪاي ﮔﻮﻳﻨﺪ‪.‬‬

‫در اﻳﻦ ﻧﻮع ﻣﻘﻴﺎس ﻧﺴﺒﺖ ﻫﺮ دو ﻓﺎﺻﻠﻪ ﻣﺴﺘﻘﻞ از واﺣﺪ اﻧﺪازه ﮔﻴﺮي و ﻣﺴﺘﻘﻞ از ﻧﻘﻄﻪ ﺻﻔﺮ اﺳﺖ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل دﻣﺎي‬

‫ﺑﻴﻦ ‪ 0‬ﺗﺎ ‪ 1‬درﺟﻪ ﺳﺎﻧﺘﻲﮔﺮاد و ‪ 100‬درﺟﻪ ﺗﺎ ‪ 101‬درﺟﻪ ﺳﺎﻧﺘﻲﮔﺮاد‪ 1 ،‬درﺟﻪ ﻣﻲﺑﺎﺷﺪ‪ .‬اﻳﻦ ﻣﺴﺌﻠﻪ در ﻣﻮرد درﺟﻪ‬

‫ﻓﺎرﻧﻬﺎﻳﺖ ﻫﻢ ﺻﺤﻴﺢ ﻣﻲﺑﺎﺷﺪ ﺑﻨﺎﺑﺮاﻳﻦ رﺑﻄﻲ ﺑﻪ واﺣﺪ اﻧﺪازهﮔﻴﺮي ﻧﺪارد‪.‬‬

‫در ﻣﻘﻴﺎس ﻓﺎﺻﻠﻪ اي‪ ،‬ﻧﻘﻄﻪ ﺻﻔﺮ و واﺣﺪ اﻧﺪازه ﮔﻴﺮي اﺧﺘﻴﺎري و ﻗﺮاردادي اﺳﺖ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬ﺑﺎ آﻧﻜﻪ واﺣﺪ اﻧﺪازه ﮔﻴﺮي و‬

‫ﻧﻘﻄﻪ ﺻﻔﺮ در دو ﻣﻘﻴﺎس ﺟﺪاﮔﺎﻧﻪ ﺳﺎﻧﺘﻲ ﮔﺮاد و ﻓﺎرﻧﻬﺎﻳﺖ ﺑﺎ ﻳﻜﺪﻳﮕﺮ ﻣﺘﻔﺎوﺗﻨﺪ‪ ،‬ﻫﺮ دو ﺑﺮاي اﻧﺪازه ﮔﻴﺮي درﺟﻪ ﺣﺮارت ﺑﻪ‬

‫ﻛﺎر ﻣﻲ روﻧﺪ‪.‬‬

‫د‪ -‬ﻣﻘﻴﺎس ﻧﺴﺒﺘﻲ )‪:(Ratio‬‬

‫ﻣﻘﻴﺎس ﻧﺴﺒﺘﻲ ﻣﺜﻞ ﻣﻘﻴﺎس ﻓﺎﺻﻠﻪاي اﺳﺖ‪ ،‬اﻣﺎ ﺑﺎ ﻳﻚ ﻧﻘﻄﻪ ﺻﻔﺮ واﻗﻌﻲ‪ ،‬ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺤﺎﺳﺒﻪ ﻧﺴﺒﺖﻫﺎ اﻫﻤﻴﺖ دارد‪ .‬اﮔﺮ دادهﻫﺎ‬

‫واﺣﺪ اﻧﺪازه ﮔﻴﺮي و ﺻﻔﺮ واﻗﻌﻲ داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬در اﻳﻦ ﺻﻮرت داراي ﻣﻘﻴﺎس ﻧﺴﺒﺘﻲ ﻫﺴﺘﻨﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬ﻣﻘﻴﺎس ﻫﺎﻳﻲ ﭼﻮن‬

‫ﭘﻮﻧﺪ و ﮔﺮم ﻧﻘﻄﻪ ﺻﻔﺮ واﻗﻌﻲ دارﻧﺪ و ﻧﺴﺒﺖ ﺑﻴﻦ ﻫﺮ دو وزن دﻟﺨﻮاه‪ ،‬ﻣﺴﺘﻘﻞ از واﺣﺪ اﻧﺪازه ﮔﻴﺮي اﺳﺖ‪ .‬وزن دو ﺷﻲء‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٨‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻣﺨﺘﻠﻒ را ﻣﻲ ﺗﻮان ﻫﻢ ﺑﺎ ﮔﺮم و ﻫﻢ ﺑﺎ ﭘﻮﻧﺪ اﻧﺪازه ﮔﻴﺮي ﻛﺮد‪ .‬در اﻳﻦ ﺻﻮرت ﻧﺴﺒﺖ دو وزن ﺑﺮ ﺣﺴﺐ ﭘﻮﻧﺪ‪ ،‬ﺑﺮاﺑﺮ ﺑﺎ ﻧﺴﺒﺖ‬

‫ﻫﻤﺎن دو وزن ﺑﺮ ﺣﺴﺐ ﮔﺮم اﺳﺖ‪ .‬ﺑﺪان ﺟﻬﺖ ﻧﺴﺒﺘﻲ ﮔﻔﺘﻪ ﻣﻲﺷﻮد ﻛﻪ ﻧﺴﺒﺘﻬﺎ در ﻣﻘﻴﺎﺳﻬﺎي اﻧﺪازهﮔﻴﺮي ﻣﺨﺘﻠﻒ ﻳﻜﺴﺎن‬

‫ﻫﺴﺘﻨﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻧﻤﻮﻧﻪ اﮔﺮ ﻓﺮد اول ‪ 50‬ﻛﻴﻠﻮﮔﺮم وزن داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬اﻳﻦ ﻣﻴﺰان ﺑﺮاﺑﺮ ﺑﺎ ‪ 110‬ﭘﻮﻧﺪ ﺧﻮاﻫﺪ ﺑﻮد‪ .‬ﺣﺎل اﮔﺮ‬

‫ﺷﺨﺺ دوم ‪ 60‬ﻛﻴﻠﻮﮔﺮم وزن داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬اﻳﻦ ﻣﻴﺰان ﺑﺮاﺑﺮ ‪ 132‬ﭘﻮﻧﺪ ﻣﻲﺑﺎﺷﺪ‪ .‬ﻟﺬا ﻧﺴﺒﺖ وزن ﻓﺮد دوم ﺑﻪ اول ﭼﻪ ﺑﺮ‬

‫ﺣﺴﺐ ﭘﻮﻧﺪ و ﭼﻪ ﺑﺮ ﺣﺴﺐ ﻛﻴﻠﻮﮔﺮم ﺑﺮاﺑﺮ ﺧﻮاﻫﺪ ﺑﻮد ﺑﺎ‪:‬‬

‫‪١٣٢‬‬ ‫‪٦‬‬ ‫‪٦٠‬‬ ‫‪٦‬‬

‫ و ‬ ‫ ‬
‫‪١١٠‬‬ ‫‪٥‬‬ ‫‪٥٠‬‬ ‫‪٥‬‬

‫ﺗﻤﺎرﻳﻦ‪:‬‬

‫‪ -١‬ﭘﻞ ارﺗﺒﺎﻃﯽ ﺑﻴﻦ ﻧﻤﻮﻧﻪ و ﺟﺎﻣﻌﻪ و ﺑﻴﻦ ﺁﻣﺎر ﺗﻮﺻﻴﻔﯽ و ﺁﻣﺎر اﺳﺘﻨﺒﺎﻃﯽ ﭼﻴﺴﺖ؟ ‪ ‬‬

‫‪ -٢‬ﺗﻔﺎوت ﺑﻴﻦ دادﻩ و اﻃﻼﻋﺎت ﭼﻴﺴﺖ؟ ‪ ‬‬

‫‪ -٣‬ﻣﺜﺎﻟﯽ از ﻳﮏ ﺗﺤﻘﻴﻖ ﺑﺰﻧﻴﺪ ﮐﻪ در ﺁن ﻣﺘﻐﻴﺮهﺎﯼ ﻣﺴﺘﻘﻞ و واﺑﺴﺘﻪ وﺟﻮد دارد‪  .‬‬

‫‪ -٤‬ﻣﻘﻴﺎسهﺎﯼ اﻧﺪازﻩﮔﻴﺮﯼ ﻣﻨﺎﺳﺐ و ﮔﺴﺴﺘﮕﯽ ﻳﺎ ﭘﻴﻮﺳﺘﮕﯽ ﻣﺘﻐﻴﺮهﺎﯼ زﻳﺮ را ﻣﺸﺨﺺ ﮐﻨﻴﺪ‪  .‬‬

‫د( ﺑﻴﻮﻣﺲ‬ ‫ج( دﻣﺎ‬ ‫ب( ﺿﺮﻳﺐ هﻮﺷﯽ‬ ‫اﻟﻒ( ﮔﺮوﻩ ﺧﻮﻧﯽ‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٩‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻓﺼﻞ دوم‬

‫ﺗﻨﻈﻴﻢ و ﺧﻼﺻﻪﻛﺮدن دادهﻫﺎ‬

‫ﻣﻘﺪﻣﻪ‪:‬‬

‫از آﻧﺠﺎ ﻛﻪ در ﻋﻠﻮم زﻳﺴﺘﻲ ﻣﺘﻐﻴﺮﻫﺎي ﻣﺘﻌﺪدي ﺟﻤﻊ آوري ﻣﻲ ﺷﻮﻧﺪ‪ ،‬ﻻزم اﺳﺖ دادهﻫﺎ ﺑﺎ روش ﺻﺤﻴﺤﻲ ﺧﻼﺻﻪ ﺷﻮﻧﺪ‪ ،‬در‬

‫اداﻣﻪ ﺑﻪ روﺷﻬﺎي آﻣﺎري ﻣﻮرد اﺳﺘﻔﺎده ﺑﺮاي ﺧﻼﺻﻪ ﻛﺮدن و ﺗﻮﺻﻴﻒ آﻧﭽﻪ ﻛﻪ در ﻳﻚ ﭘﮋوﻫﺶ ﺟﻤﻊ آوري ﻣﻲﺷﻮد‪ ،‬اراﺋﻪ‬

‫ﺧﻮاﻫﺪ ﺷﺪ‪ .‬اﻳﻦ روﺷﻬﺎ دادهﻫﺎي ﺑﻪ دﺳﺖ آﻣﺪه از ﻫﺮ ﻣﺘﻐﻴﺮ را ﺧﻼﺻﻪ و ﺗﻮﺻﻴﻒ ﻣﻲﻛﻨﻨﺪ‪.‬‬

‫ﺗﻮﺻﻴﻒ دادهﻫﺎ ﻣﻤﻜﻦ اﺳﺖ آﺧﺮﻳﻦ ﻣﺮﺣﻠﻪ ﻳﻚ ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﺳﺎده آﻣﺎري ﺑﺎﺷﺪ ﻳﺎ اﻳﻦ ﻛﻪ ﻣﺮﺣﻠﻪ ﻣﻘﺪﻣﺎﺗﻲ ﺗﺠﺰﻳﻪ و‬

‫ﺗﺤﻠﻴﻞﻫﺎي ﺑﻌﺪي ﺑﻪ ﺷﻤﺎر رود‪ .‬ﺑﺮاي ﺗﻮﺻﻴﻒ دادهﻫﺎ از اﺑﺰارﻫﺎﻳﻲ ﻣﺎﻧﻨﺪ ‪(1‬ﺟﺪول‪(2 ،‬ﻧﻤﻮدار‪(3 ،‬ﻣﺤﺎﺳﺒﻪ ﺷﺎﺧﺺﻫﺎي ﻣﺮﻛﺰي‬

‫و ‪(4‬ﭘﺮاﻛﻨﺪﮔﻲ اﺳﺘﻔﺎده ﻣﻲﻛﻨﻨﺪ‪.‬‬

‫‪ (1‬اﺑﺰار ﺟﺪول ﺑﺮاي ﻃﺒﻘﻪﺑﻨﺪي دادهﻫﺎ‬

‫ﺑﻌﺪ از ﺟﻤﻊآوري و وﻳﺮاﻳﺶ دادهﻫﺎ‪ ،‬ﻃﺒﻘﻪﺑﻨﺪي اوﻟﻴﻦ ﮔﺎﻣﻲ اﺳﺖ ﻛﻪ ﺑﺎﻳﺪ ﺑﺮداﺷﺘﻪ ﺷﻮد‪ .‬ﻣﺮﺗﺐ ﻛﺮدن دادهﻫﺎ ﺑﺮ اﺳﺎس‬

‫وﻳﮋﮔﻲﻫﺎي ﻣﺸﺘﺮك را ﻃﺒﻘﻪﺑﻨﺪي ﮔﻮﻳﻨﺪ‪ .‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﻮع دادهﻫﺎ )ﻛﻴﻔﻲ و ﻛﻤﻲ( ﻣﻲﺗﻮان ﻃﺒﻘﻪﺑﻨﺪي ﻣﻨﺎﺳﺒﻲ را اﻧﺠﺎم داد‪.‬‬

‫ﻃﺒﻘﻪﺑﻨﺪي ﻋﺒﺎرت اﺳﺖ از ﺗﻬﻴﻪ ﺟﺪوﻟﻲ ﻛﻪ ﻣﻘﺎدﻳﺮ ﻣﺘﻐﻴﺮ ﻣﻮرد ﻧﻈﺮ را ﺑﻪ ﺗﻌﺪاد اﻓﺮادي ﻛﻪ اﻳﻦ ﻛﻤﻴﺖﻫﺎ ﻳﺎ ﻛﻴﻔﻴﺖﻫﺎ را‬

‫ﻣﻌﺮﻓﻲ ﻛﺮدﻧﺪ‪ ،‬ﻣﺮﺑﻮط ﻣﻲﻛﻨﺪ‪ .‬ﻫﺮ ﻛﺪام از اﻳﻦ ﺗﻌﺪاد را‪ ،‬ﻓﺮاواﻧﻲ ﻣﻲﻧﺎﻣﻨﺪ‪ .‬ﺟﺪول ﺑﻪدﺳﺖ آﻣﺪه را‪ ،‬ﺟﺪول ﺗﻮزﻳﻊ آﻣﺎري ﻳﺎ‬

‫ﺟﺪول ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﻣﻲﮔﻮﻳﻨﺪ‪ .‬ﺑﺴﺘﻪ ﺑﻪ ﻧﻮع ﻣﺘﻐﻴﺮﻫﺎ )ﮔﺴﺴﺘﻪ ﻳﺎ ﭘﻴﻮﺳﺘﻪ( و اﻫﺪاف ﺗﺤﻘﻴﻖ‪ ،‬ﺑﻪ دو روش زﻳﺮ ﻣﻲﺗﻮان ﺟﺪول‬

‫ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ آﻧﻬﺎ را ﺗﺮﺳﻴﻢ ﻛﺮد‪.‬‬

‫ﺟﺪول ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﺑﺮاي دادهﻫﺎي ﮔﺴﺴﺘﻪ‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ١٠‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫)اﻧﺪازه‬ ‫اﮔﺮ ﻫﺪف اﻳﻦ ﺑﺎﺷﺪ ﺗﺎ اﻧﺪازهﻫﺎي ﻳﻚ ﻣﺘﻐﻴﺮ را در ‪ K‬ﻃﺒﻘﻪ‪ ،‬ﻧﻤﺎﻳﺶ دﻫﻨﺪ‪ ،‬ﻣﻘﺎدﻳﺮ آﻧﻬﺎ را در ﺳﺘﻮﻧﻲ ﺑﺎ ﻋﻨﻮان‬

‫ﻫﺎ در ﺑﻴﻦ ﻛﻞ‬ ‫ﺗﻌﺪاد‬ ‫)ﻛﻪ‬ ‫وﻳﮋﮔﻲ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ( ﻣﺸﺨﺺ ﻛﺮده و در ﺳﺘﻮن دﻳﮕﺮ ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ آﻧﻬﺎ را ﺑﺎ‬

‫دادهﻫﺎﺳﺖ( ﻧﺸﺎن ﻣﻲدﻫﻨﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ اﮔﺮ ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ ﺑﺮ ﺗﻌﺪاد ﻛﻞ دادهﻫﺎ ﺗﻘﺴﻴﻢ ﺷﻮد‪ ،‬ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ ) ( ﺑﻪدﺳﺖ‬

‫ﻣﻲآﻳﺪ‪ .‬ﺟﻤﻊ ﻓﺮاواﻧﻲﻫﺎي ﻣﻄﻠﻖ ﻃﺒﻘﺎت ﭘﺸﺖ ﺳﺮ ﻫﻢ‪ ،‬ﺳﺘﻮن ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ ﻣﻄﻠﻖ ) ( و ﺟﻤﻊ ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ‪ ،‬ﻃﺒﻘﺎت‬

‫ﭘﺸﺖ ﺳﺮ هﻢ ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ ﻧﺴﺒﻲ ) ( را ﺗﺸﻜﻴﻞ ﻣﻲدﻫﻨﺪ‪) .‬ﻣﻄﺎﺑﻖ ﺷﻜﻞ زﻳﺮ(‬

‫ﻣﺜﻼ ﺟﺪول ﻓﺮاواﻧﻲ ﻣﺮﺑﻮط ﺑﻪ ﮔﺮوه ﻫﺎي ﺧﻮﻧﻲ ﻳﻚ ﺟﺎﻣﻌﻪ ﻣﻴﺘﻮاﻧﺪ ﺑﻪ ﺷﻜﻞ زﻳﺮ ﺑﺎﺷﺪ‪.‬‬

‫‪ ‬‬ ‫‪Fc ‬‬ ‫‪Pi ‬‬ ‫‪Pc ‬‬

‫‪A ‬‬ ‫‪1 ‬‬ ‫‪1 ‬‬ ‫‪0.09 ‬‬ ‫‪0.09 ‬‬
‫‪B ‬‬ ‫‪3 ‬‬ ‫‪4 ‬‬ ‫‪0.27 ‬‬ ‫‪0.36 ‬‬
‫‪O ‬‬ ‫‪2 ‬‬ ‫‪6 ‬‬ ‫‪0.18 ‬‬ ‫‪0.55 ‬‬
‫‪AB ‬‬ ‫‪5 ‬‬ ‫‪11 ‬‬ ‫‪0.45 ‬‬ ‫‪1.00 ‬‬
‫‪ ‬ﻣﺠﻤﻮع‬ ‫‪11 ‬‬ ‫‪1.00 ‬‬

‫از ﺧﻮاص ﺟﺪاول ﻓﺮاواﻧﻲ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺠﻤﻮع ﻓﺮاواﻧﻴﻬﺎي ﻣﻄﻠﻖ ﺑﺮاﺑﺮ ﺑﺎ ﺗﻌﺪاد ﻛﻞ داده ﻫﺎﺳﺖ‪ ،‬ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ ﺑﻴﻦ ‪ 0‬ﺗﺎ ‪1‬‬

‫)ﻳﺎ ﺑﻴﻦ ‪ 0‬ﺗﺎ ‪ 100‬در ﻣﻘﻴﺎس درﺻﺪ( ﺗﻐﻴﻴﺮ ﻣﻲﻛﻨﺪ‪ ،‬ﻣﺠﻤﻮع ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ ﺑﺮاﺑﺮ ‪) 1‬ﻳﺎ ‪ 100‬درﺻﺪ در ﻣﻘﻴﺎس درﺻﺪ( اﺳﺖ‪.‬‬

‫اﮔﺮ اﻧﺪازهﻫﺎي ﻳﻚ ﻣﺘﻐﻴﺮ ﮔﺴﺴﺘﻪ زﻳﺎد ﺑﺎﺷﺪ ﻣﻘﺎدﻳﺮ آﻧﻬﺎ را ﻃﺒﻘﻪﺑﻨﺪي ﻛﺮده و ﺳﭙﺲ ﺟﺪول ﻓﺮاواﻧﻲ را ﺗﻬﻴﻪ ﻣﻲﻛﻨﻴﻢ ﻛﻪ در‬

‫اداﻣﻪ ﺗﻮﺿﻴﺢ داده ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬

‫ﺟﺪول ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﺑﺮاي دادهﻫﺎي ﭘﻴﻮﺳﺘﻪ‬

‫ﺑﺮاي ﺗﺸﻜﻴﻞ ﺟﺪول ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ داده ﻫﺎي ﭘﻴﻮﺳﺘﻪ‪ ،‬ﻣﻮارد زﻳﺮ اﻧﺠﺎم ﻣﻲﺷﻮد‪:‬‬

‫∗ ‪ 2.5‬ﻳﺎ از ﻓﺮﻣﻮل اﺳﺘﻮرﺟﺲ‬ ‫‪1/2‬‬

‫اﻟﻒ‪ -‬ﺗﻌﻴﻴﻦ ﺗﻌﺪاد دﺳﺘﻪﻫﺎ‪ :‬اﺑﺘﺪا ﺗﻌﺪاد دﺳﺘﻪﻫﺎ از ﻓﺮﻣﻮلﻫﺎي ﺗﺠﺮﺑﻲ‪ ،‬ﻳﻮل ﻳﻌﻨﻲ‬

‫ﺗﻌﻴﻴﻦ ﻣﻲﺷﻮد ﻛﻪ در آن ‪ ‬‬ ‫‪ K‬ﻳﺎ از ﻓﺮﻣﻮل ﺗﻘﺮﻳﺒﻲ دﻳﮕﺮي‪ ،‬ﻛﻪ ﻋﺒﺎرت اﺳﺖ از‪2 :‬‬ ‫‪1‬‬ ‫‪3.3 log‬‬
‫‪2‬‬

‫ﻣﻲ ﺑﺎﺷﺪ‪ .‬در ﻓﺮﻣﻮلﻫﺎي ﺑﺎﻻ ‪ :n‬ﺗﻌﺪاد ﻣﺸﺎﻫﺪهﻫﺎ ﻳﺎ دادهﻫﺎ و ‪ :K‬ﺗﻌﺪاد دﺳﺘﻪﻫﺎﺳﺖ‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ١١‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻣﺜﺎل‪ :‬اﮔﺮ ﺗﻌﺪاد ﻛﻞ ﻣﺸﺎﻫﺪهﻫﺎ ﺑﺮاﺑﺮ ‪ 60‬ﺑﺎﺷﺪ‪ ،‬ﺗﻌﺪاد دﺳﺘﻪﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺳﻪ ﻓﺮﻣﻮل ذﻛﺮ ﺷﺪه در ﻗﺒﻞ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬

‫‪ ‬‬ ‫‪١‬‬ ‫‪٣.٣ log ٦٠‬‬ ‫‪١‬‬ ‫‪٣.٣ log ١.٧٧٨٢‬‬ ‫‪٦.٨٧‬‬ ‫ﻓﺮﻣﻮل اﺳﺘﻮرﺟﺲ‪:‬‬

‫‪١‬‬ ‫‪١‬‬
‫‪ ‬‬ ‫∗ ‪٢.٥‬‬ ‫‪٤‬‬ ‫‪٢.٥ ∗ ٦٠٤‬‬ ‫ﻓﺮﻣﻮل ﻳﻮل‪٦.٩٦            :‬‬

‫‪٤.٠٩‬‬
‫‪   ٥٠=٢‬‬ ‫‪→  K‬‬ ‫ =‬ ‫ﻓﺮﻣﻮل ﺗﻘﺮﻳﺒﻲ‪=٥.٩٢ :‬‬
‫‪٢‬‬ ‫‪٠.٦٩‬‬

‫ﺗﻌﺪاد دﺳﺘﻪﻫﺎ ﺑﺎﻳﺪ ﻋﺪدي رﻧﺪ ﺑﺎﺷﺪ ﺑﻨﺎﺑﺮاﻳﻦ ﺗﻌﺪاد دﺳﺘﻪ ﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ ﺳﻪ ﻓﺮﻣﻮل ﺑﻪ ﺗﺮﺗﻴﺐ ‪ 7،7‬و ‪ 6‬ﺑﺪﺳﺖ ﻣﻲآﻳﺪ‪.‬‬

‫ﻻزم ﺑﻪ ذﻛﺮ اﺳﺖ ﻛﻪ ﻫﻴﭻ ﻳﻚ از ﻓﺮﻣﻮلﻫﺎي ﺑﺎﻻ‪ ،‬ﺑﺮ دﻳﮕﺮي ﺑﺮﺗﺮي ﻧﺪارﻧﺪ و اﻧﺘﺨﺎب ﺗﻌﺪاد دﺳﺘﻪﻫﺎ اﺧﺘﻴﺎري ﺑﻮده و ﺑﻪ‬

‫ﺗﺠﺮﺑﻪ ﭘﮋوﻫﺸﮕﺮ ﺑﺴﺘﮕﻲ دارد‪ .‬ﺑﻪ ﻃﻮر ﻣﻌﻤﻮل ﺗﻌﺪاد دﺳﺘﻪﻫﺎ ‪ 10‐20‬ﻋﺪد در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲﺷﻮد‪ .‬درﺻﻮرﺗﻲ ﻛﻪ ﺗﻌﺪاد‬

‫دﺳﺘﻪﻫﺎ ﻛﻤﺘﺮ از ‪ 10‬ﺑﺎﺷﺪ‪ ،‬اﻧﺪازه دﺳﺘﻪﻫﺎ ﺑﺰرگ ﻣﻲﺷﻮد و ﻫﻤﻴﻦ اﻣﺮ ﺳﺒﺐ ﺧﻮاﻫﺪ ﺷﺪ اﻃﻼﻋﺎت ﺑﻴﺸﺘﺮي از دﺳﺖ ﺑﺮود‪.‬‬

‫ﭼﻨﺎﻧﭽﻪ ﺗﻌﺪاد دﺳﺘﻪﻫﺎ ﺑﻴﺸﺘﺮ از ‪ 20‬ﺷﻮد‪ ،‬ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ﺟﺪول ﻣﺸﻜﻞ ﺧﻮاﻫﺪ ﺑﻮد‪ .‬ﺑﻌﻀﻲ ﻣﻌﺘﻘﺪﻧﺪ ﻛﻪ ﺑﻬﺘﺮ اﺳﺖ دﺳﺘﻪﻫﺎ‬

‫ﻛﻤﺘﺮ از ‪ 5‬و ﺑﻴﺸﺘﺮ از ‪ 20‬ﻧﺒﺎﺷﺪ‪ .‬اﻣﺎ در ﻧﻬﺎﻳﺖ اﻳﻦ ﻣﺘﺨﺼﺺ اﺳﺖ ﻛﻪ ﺗﻌﺪاد دﺳﺘﻪ ﻫﺎ را ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ دﻗﺖ ﻣﻮرد ﻧﻴﺎز ﺗﻌﻴﻴﻦ‬

‫ﻣﻲ ﻛﻨﺪ‪.‬‬

‫ب‪ -‬ﺗﻌﻴﻴﻦ ﻓﺎﺻﻠﻪ دﺳﺘﻪﻫﺎ‪ :‬ﻓﺎﺻﻠﻪ دﺳﺘﻪﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ زﻳﺮ ﺗﻌﻴﻴﻦ ﻣﻲﺷﻮد‪:‬‬

‫ ‬
‫ ‬ ‫‪ ‬‬

‫ﻛﻪ در آن ‪ :I‬ﻓﺎﺻﻠﻪ ﺑﻴﻦ دو دﺳﺘﻪ‪ :X ،‬ﻣﻘﺎدﻳﺮ دادهﻫﺎ‪ :R ،‬داﻣﻨﻪ ﻣﻘﺎدﻳﺮ و ‪ :K‬ﺗﻌﺪاد دﺳﺘﻪﻫﺎﺳﺖ‪.‬‬

‫ﺑﺮاي ﭘﺮﻫﻴﺰ از ﻣﺸﻜﻼت ﺑﻌﺪي‪ ،‬ﺑﻬﺘﺮ اﺳﺖ ﻛﻪ ﻓﺎﺻﻠﻪ ﺑﺮاي ﺗﻤﺎم دﺳﺘﻪﻫﺎ ﻳﻜﺴﺎن و ﻋﺪد رﻧﺪي در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد‪.‬‬

‫ج‪ -‬ﻣﺮﺗﺐ ﻛﺮدن ﺻﻌﻮدي ﻳﺎ ﻧﺰوﻟﻲ دادهﻫﺎ‪ :‬دادهﻫﺎي ﻛﻤﻲ را ﺑﺎﻳﺪ ﺑﻪ ﺻﻮرت ﺻﻌﻮدي ﻳﺎ ﻧﺰوﻟﻲ ﻣﺮﺗﺐ ﻛﺮد‪ .‬در ﻣﻮرد دادهﻫﺎي‬

‫ﻛﻴﻔﻲ‪ ،‬ﺑﺎﻳﺪ آﻧﻬﺎ را ﺑﻪ ﺗﺮﺗﻴﺐ ﺣﺮوف اﻟﻔﺒﺎ ﻳﺎ ﻣﻮارد دﻳﮕﺮ ﻣﺮﺗﺐ ﻛﺮد‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ١٢‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫د‪ -‬ﻧﻮﺷﺘﻦ دﺳﺘﻪﻫﺎ‪ :‬ﭼﻬﺎرﻣﻴﻦ ﻣﺮﺣﻠﻪ‪ ،‬ﻧﻮﺷﺘﻦ دﺳﺘﻪﻫﺎﺳﺖ‪ .‬اﻏﻠﺐ ﻧﻮﺷﺘﻦ دﺳﺘﻪﻫﺎ را از ﻛﻮﭼﻜﺘﺮﻳﻦ ﻋﺪدي ﻛﻪ اﻧﺪازه ﻳﺎ ﻓﺎﺻﻠﻪ‬

‫دﺳﺘﻪﻫﺎ ﻣﻀﺮﺑﻲ از آن اﺳﺖ‪ ،‬آﻏﺎز ﻣﻲﻛﻨﻨﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬وﻗﺘﻲ ﻛﻪ ﻓﺎﺻﻠﻪ دﺳﺘﻪﻫﺎ ﺑﺮاﺑﺮ ﺳﻪ ﺑﺎﺷﺪ‪ ،‬ﺑﻬﺘﺮ اﺳﺖ ﻛﻪ دﺳﺘﻪﻫﺎ ﺑﺎ‬

‫ﻳﻜﻲ از اﻋﺪاد ‪ 15 ،12 ،9 ،6‬ﻳﺎ ‪ 18‬ﺷﺮوع ﺷﻮد‪ .‬ﭘﺲ از ﺗﻌﻴﻴﻦ ﻧﻘﻄﻪ ﺷﺮوع دﺳﺘﻪﻫﺎ‪ ،‬ﻳﻌﻨﻲ ﻛﻮﭼﻜﺘﺮﻳﻦ ﻋﺪد دﺳﺘﻪ ﻛﻪ ﺣﺪ‬

‫ﭘﺎﻳﻴﻦ دﺳﺘﻪ اول اﺳﺖ‪ ،‬ﺑﺰرﮔﺘﺮﻳﻦ ﻋﺪد ﻳﺎ ﺣﺪ ﺑﺎﻻي اﻳﻦ دﺳﺘﻪ را ﻣﺤﺎﺳﺒﻪ ﻣﻲﻛﻨﻨﺪ‪.‬‬

‫دﺳﺘﻪﺑﻨﺪي ﺻﺮﻳﺢ دادهﻫﺎي ﮔﺴﺴﺘﻪ و ﭘﻴﻮﺳﺘﻪ ‪:‬‬

‫دادهﻫﺎي ﮔﺴﺴﺘﻪ اﻋﺪادي ﻛﺎﻣﻞ ﻣﻲﺑﺎﺷﻨﺪ و ﻧﻴﺎز ﺑﻪ ﮔﺮد ﻛﺮدن ﻧﺪارﻧﺪ و ﻫﻨﮕﺎم دﺳﺘﻪ ﺑﻨﺪي ﻧﺒﺎﻳﺪ ﻳﻚ ﻋﺪد در دو دﺳﺘﻪ‬

‫ﻣﺘﻮاﻟﻲ ﻧﻮﺷﺘﻪ ﺷﻮد‪ .‬ﻣﺜﻼ اﮔﺮ ﻣﻘﺪار ﺣﺪ اﻗﻞ داده ‪ 3‬و ﻋﺮض دﺳﺘﻪ ﻫﺎ ‪ 4‬ﺑﺎﺷﺪ‪ ،‬دﺳﺘﻪ اول ‪ 6-3‬دﺳﺘﻪ دوم ‪ 10-7‬دﺳﺘﻪ ﺳﻮم‬

‫‪ 14-11‬و ﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ ﺧﻮاﻫﺪ ﺑﻮد‪ .‬اﻣﺎ دادهﻫﺎي ﭘﻴﻮﺳﺘﻪ داراي ﻣﻘﺪار دﻗﻴﻘﻲ ﻧﻴﺴﺘﻨﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ ﻃﺒﻘﻪﺑﻨﺪي‬

‫دﺳﺘﻪ اول و دوم ﻗﺪ داﻧﺸﺠﻮﻳﺎن ﻳﻚ داﻧﺸﮕﺎه ﺑﻪ ﺗﺮﺗﻴﺐ ‪ 60‐62‬و ‪ 62-64‬ﺳﺎﻧﺘﻲﻣﺘﺮ ﺑﺎﺷﺪ‪ ،‬ﻓﺮد ﻧﻤﻲﺗﻮاﻧﺪ ﻗﻀﺎوت ﻛﻨﺪ ﻛﻪ‬

‫ﻣﺤﻘﻖ ﻣﻮرد ﻧﻈﺮ ﻗﺪ ‪ 62.2‬را ﺟﺰو ﻃﺒﻘﻪ اول در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺑﺎ ﻃﺒﻘﻪ دوم‪ .‬اﻣﺎ اﮔﺮ ﺣﺪود ﻃﺒﻘﺎت را ﺑﻪ ﺻﻮرت ‪ 52.5‐61.5‬و‬

‫‪61.5‐72.5‬در ﻧﻈﺮ ﺑﮕﻴﺮﻳﻢ ﻣﺸﺨﺺ اﺳﺖ ﻛﻪ ﻣﺤﻘﻖ ﻗﺪ ‪ 61.2‬را در ﻃﺒﻘﻪ اول ﮔﻨﺠﺎﻧﺪه اﺳﺖ‪.‬‬

‫ﺗﻮﺟﻪ‪ :‬اﮔﺮ دﻗﺖ اﻧﺪازهﮔﻴﺮي دادهﻫﺎي ﭘﻴﻮﺳﺘﻪ ﻳﻚ رﻗﻢ اﻋﺸﺎر ﺑﺎﺷﻨﺪ ﺑﺮاي ﻧﻮﺷﺘﻦ ﺣﺪود ﺻﺮﻳﺢ ﻃﺒﻘﺎت ﻣﺜﻼ ‪ 0.5‬واﺣﺪ از ﺣﺪ‬

‫ﭘﺎﻳﻴﻦ و ﺑﺎﻻ ﻛﻢ ﻣﻲﺷﻮد‪ .‬اﮔﺮ دو رﻗﻢ اﻋﺸﺎر ﺑﺎﺷﺪ ‪ 0.05‬واﺣﺪ از ﭘﺎﻳﻴﻦ و ﺑﺎﻻ ﻛﻢ ﻣﻲﺷﻮد و ‪. ...‬‬

‫ﺑﺎﻳﺪ ﺑﺪاﻧﻴﻢ ﻛﻪ دﻗﺖ اﻧﺪازهﮔﻴﺮي در ﻫﺮ ﻣﻄﺎﻟﻌﻪاي ﻣﺸﺨﺺ ﻣﻲﺑﺎﺷﺪ ﻛﻪ ﻣﻲﺗﻮان آن را از ﻣﻄﺎﻟﻌﺎت ﻗﺒﻠﻲ ﺑﺪﺳﺖ آورد‪ ،‬ﻟﺬا‬

‫ﻣﺜﻼ اﮔﺮ در ﻣﻮرد ﻳﻚ ﻣﺘﻐﻴﺮي دﻗﺖ اﻧﺪازهﮔﻴﺮي ﻳﻚ رﻗﻢ اﻋﺸﺎر ﺑﺎﺷﺪ اﻣﺎ اﻧﺪازهﮔﻴﺮيﻫﺎي ﻣﺎ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ دﻗﺖ ﭘﺎﻳﻴﻦ دﺳﺘﮕﺎه‬

‫ﺑﺎ ﺗﺼﺎدﻓﺎ اﻋﺸﺎري ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻨﺪ در اﻳﻦ ﺣﺎﻟﺖ ﻧﺒﺎﻳﺪ از اﻋﺪاد ﻛﺎﻣﻞ اﺳﺘﻔﺎده ﮔﺮدد و ﺣﺘﻤﺎ ﺑﺎﻳﺪ از ﺣﺪود ﺻﺮﻳﺢ ﻃﺒﻘﺎت‬

‫اﺳﺘﻔﺎده ﺷﻮد ﺗﺎ ﺷﺒﻬﻪاي در ﻃﺒﻘﻪﺑﻨﺪيﻫﺎ ﺑﻪ وﺟﻮد ﻧﻴﺎﻳﺪ‪ .‬ﻧﻜﺘﻪ آﺧﺮ اﻳﻨﻜﻪ ﺑﺮاي ﺟﻠﻮﮔﻴﺮي از ﺑﻪ ﻫﺪر رﻓﺘﻦ دﻗﺖ اﻃﻼﻋﺎت‬

‫ﺑﻬﺘﺮ اﺳﺖ ﺑﻪ ﺟﺎي اﻳﻨﻜﻪ دادهﻫﺎ را اول ﮔﺮد ﻛﻨﻴﻢ و ﺑﻌﺪ دﺳﺘﻪﺑﻨﺪي ﻛﻨﻴﻢ‪ ،‬اﺟﺎزه دﻫﻴﻢ ﺟﺪاول ﺗﻌﻴﻴﻦ ﻛﻨﻨﺪ ﻛﻪ ﻫﺮ داده در‬

‫ﻛﺪام دﺳﺘﻪ ﻗﺮار ﻣﻲﮔﻴﺮﻧﺪ‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ١٣‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ه‪ -‬ﺧﻂ و ﻧﺸﺎن‪ :‬در ﭘﺎﻳﺎن‪ ،‬ﺧﻂ و ﻧﺸﺎنﻫﺎي ﻫﺮ دﺳﺘﻪ را ﻛﺸﻴﺪه و ﺑﻌﺪ ﺷﻤﺎرش در ﻣﻘﺎﺑﻞ ﻫﻤﺎن دﺳﺘﻪ‪ ،‬ﺑﻪ ﺻﻮرت ﻋﺪدي‬

‫ﻣﻲﻧﻮﻳﺴﻨﺪ ﺗﺎ ﻓﺮاواﻧﻲﻫﺎي ﻣﻄﻠﻖ ﻫﺮ دﺳﺘﻪ ﺑﻪدﺳﺖ آﻳﺪ‪.‬‬

‫ﻳﺎ‬ ‫اﻧﻮاع ﺧﻂ و ﻧﺸﺎن‪:‬‬

‫و‪ -‬ﻣﺤﺎﺳﺒﻪ ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ ﻣﻄﻠﻖ‪ ،‬ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ و ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ ﻧﺴﺒﻲ‪.‬‬

‫ﻣﺜﻼ ﺟﺪول ﻓﺮاواﻧﻲ وزن داﻧﺸﺠﻮﻳﺎن ﻳﻚ ﻛﻼس ‪ 13‬ﻧﻔﺮه ﻛﻪ ﻧﻤﻮﻧﻪاي از دادهﻫﺎي ﭘﻴﻮﺳﺘﻪ ﻣﻲﺑﺎﺷﺪ‪ ،‬ﺑﻪ ﺷﻜﻞ زﻳﺮ اﺳﺖ‪.‬‬

‫دﺳﺘﻪ هﺎ ‪ ‬‬
‫‪50.5‐58.5 ‬‬ ‫‪3 ‬‬ ‫‪3 ‬‬ ‫‪0.23 ‬‬ ‫‪0.23 ‬‬
‫‪58.5‐66.5 ‬‬ ‫‪4 ‬‬ ‫‪7 ‬‬ ‫‪0.31 ‬‬ ‫‪0.54 ‬‬
‫‪66.5‐73.5 ‬‬ ‫‪1 ‬‬ ‫‪8 ‬‬ ‫‪0.08 ‬‬ ‫‪0.62 ‬‬
‫‪73.5‐81.5 ‬‬ ‫‪5 ‬‬ ‫‪13 ‬‬ ‫‪0.38 ‬‬ ‫‪1.00 ‬‬
‫ﻣﺠﻤﻮع ‪ ‬‬ ‫‪13 ‬‬ ‫‪  ‬‬ ‫‪1.00 ‬‬ ‫‪  ‬‬
‫‪ ‬‬

‫ﺟﺪول ﻓﺮاواﻧﯽ ﻣﺼﺮف ﻗﺮص اﺳﺘﺎﻣﻴﻨﻮﻓﻦ ‪ ٢٠‬ﺧﺎﻧﻮادﻩ ﮐﻪ ﻧﻤﻮﻧﻪاﯼ از دادﻩهﺎﯼ ﮔﺴﺴﺘﻪ ﻣﯽﺑﺎﺷﺪ‪ ،‬ﺑﻪ ﺷﺮح زﻳﺮ اﺳﺖ‪:‬‬

‫دﺳﺘﻪهﺎ‬

‫‪٠‐٤‬‬ ‫‪٦‬‬ ‫‪٦‬‬ ‫‪٠.٣‬‬ ‫‪٠.٣‬‬

‫‪٥‐٩‬‬ ‫‪٩‬‬ ‫‪١٥‬‬ ‫‪٠.٤٥‬‬ ‫‪٠.٧٥‬‬

‫‪١٠‐١٤‬‬ ‫‪٣‬‬ ‫‪١٨‬‬ ‫‪٠.١٥‬‬ ‫‪٠.٩‬‬

‫‪١٥‐١٩‬‬ ‫‪٢‬‬ ‫‪٢٠‬‬ ‫‪٠.١‬‬ ‫‪١.٠٠‬‬

‫ﻣﺠﻤﻮع‬ ‫‪٢٠‬‬ ‫‪١.٠٠‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ١٤‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﮐﺎرﺑﺮد ﺟﺪاول ﻓﺮاواﻧﯽ‪:‬‬

‫ﺟﺪاول ﻓﺮاواﻧﯽ از ﻣﻬﻤﺘﺮﻳﻦ اﺑﺰارهﺎﯼ ﺗﻨﻈﻴﻢ و ﺧﻼﺻﻪﺳﺎزﯼ دادﻩهﺎ ﻣﯽﺑﺎﺷﻨﺪ‪ .‬ﺑﺮاﯼ ﻧﻤﻮﻧﻪ از ﺟﺪول ﻓﺮاواﻧﯽ ﮔﺮوﻩ ﺧﻮﻧﯽ‬

‫ﻣﯽﺗﻮان ﺑﺮﺧﯽ ﻧﺘﺎﻳﺞ را ﺑﻪ ﺷﺮح زﻳﺮ اﻋﻼم ﮐﺮد‪ .‬ﺑﻴﺸﺘﺮ اﻓﺮاد ﮔﺮوﻩ ﺧﻮﻧﯽ ‪ AB‬و ﮐﻤﺘﺮ ﺁﻧﻬﺎ ﮔﺮوﻩ ﺧﻮﻧﯽ ‪ A‬دارﻧﺪ )از روﯼ‬

‫(‪ ٠.١٨ .‬ﻳﺎ ‪ ١٨‬درﺻﺪ اﻓﺮاد ﮔﺮوﻩ ﺧﻮﻧﯽ ‪ O‬دارﻧﺪ )از‬ ‫(‪ ٦ .‬ﻧﻔﺮ از اﻓﺮاد ﮔﺮوﻩ ﺧﻮﻧﯽ ‪ B ،A‬و ‪ O‬دارﻧﺪ )از روﯼ‬ ‫‪ ‬‬

‫(‪ ٠.٥٥ .‬ﻳﺎ ‪ ٥٥‬درﺻﺪ اﻓﺮاد ﮔﺮوﻩ ﺧﻮﻧﯽ ‪ B ،A‬و ‪ O‬دارﻧﺪ‪.‬‬ ‫روﯼ‬

‫ﺗﻌﻴﻴﻦ دادﻩ ﺷﻤﺎرﻩ ‪n‬ام ﻣﯽﺑﺎﺷﺪ‪ .‬ﺑﺮاﯼ ﻣﺜﺎل در ﺟﺪول ﮔﺮوﻩ ﺧﻮﻧﯽ‪ ،‬دادﻩ ﺷﻤﺎرﻩ ﺳﻮم داراﯼ‬ ‫ﻳﮑﯽ دﻳﮕﺮ از ﮐﺎرﺑﺮدهﺎﯼ‬

‫ﮔﺮوﻩ ﺧﻮﻧﯽ ‪ B‬ﻣﯽﺑﺎﺷﺪ ﮐﻪ در دادﻩهﺎﯼ ﺑﺎزﻧﻮﻳﺴﯽ ﺷﺪﻩ زﻳﺮ ﻧﻴﺰ ﻗﺎﺑﻞ اﺛﺒﺎت اﺳﺖ‪.‬‬

‫ﺷﻤﺎرﻩ دادﻩ‬ ‫‪١   ٢    ٣   ٤   ٥  ٦   ٧     ٨     ٩    ١٠   ١١‬‬

‫دادﻩ‬ ‫‪A   B   B   B   O O AB AB AB   AB   AB‬‬

‫ذﻛﺮ اﻳﻦ ﻧﻜﺘﻪ ﺿﺮوري اﺳﺖ ﻛﻪ در دﺳﺘﻪ ﺑﻨﺪي ﺑﻬﺘﺮ اﺳﺖ از دﺳﺘﻪ ﺑﻨﺪﻳﻬﺎي ﻣﺘﻌﺎرف در ﻣﻄﺎﻟﻌﺎت ﻣﺸﺎﺑﻪ اﺳﺘﻔﺎده ﮔﺮدد ﺗﺎ‬

‫ﻣﻘﺎﻳﺴﻪ ﻣﻄﺎﻟﻌﺎت ﻣﺨﺘﻠﻒ ﺑﻪ آﺳﺎﻧﻲ اﻣﻜﺎﻧﭙﺬﻳﺮ ﺑﺎﺷﺪ‪.‬‬

‫ﺧﺼﻮﺻﻴﺎت ﻳﻚ ﺟﺪول ﻣﻨﺎﺳﺐ‬

‫‪ (1‬ﺗﺎ ﺣﺪ ﻣﻤﻜﻦ ﺳﺎده ﺑﺎﺷﺪ ﺗﺎ ﺑﻪ راﺣﺘﻲ ﺑﺘﻮان از آن اﻃﻼﻋﺎت ﻣﻮرد ﻧﻴﺎز را اﺳﺘﺨﺮاج ﻛﺮد‪ .‬دو ﻳﺎ ﺳﻪ ﺟﺪول ﻛﻮﭼﻚ ﺳﺎده‬

‫ﺑﻬﺘﺮ از ﺟﺪاول ﺑﺰرگ ﺗﺮﻛﻴﺒﻲ ﻣﺘﻘﺎﻃﻊ از ﭼﻨﺪﻳﻦ ﻣﺘﻐﻴﺮ ﻣﻲﺑﺎﺷﺪ‪ .‬‬

‫‪ (2‬ﻛﺪﻫﺎ و ﻋﻼﺋﻢ اﺧﺘﺼﺎري و ﻧﺸﺎﻧﻪﻫﺎ ﻣﻲﺑﺎﻳﺴﺖ در ﭘﺎﻧﻮﻳﺲ ﺟﺪول آورده ﺷﻮد‪ .‬‬

‫‪ (3‬در ﺗﺮﺳﻴﻢ ﺟﺪاول ﺑﺎﻳﺪ ﻫﺮ ﺳﺘﻮن و ردﻳﻒ را ﻛﺎﻣﻼ ﺑﺘﻮان از ﻫﻢ ﺗﺸﺨﻴﺺ داد‪ .‬‬

‫‪ (4‬واﺣﺪ دادهﻫﺎ در ﻫﺮ ﺳﺘﻮن ﺑﺎﻳﺪ ﻣﺸﺨﺺ ﺑﺎﺷﺪ‪ .‬‬

‫‪ (5‬ﻋﻨﻮان ﺟﺪاول ﺑﺎﻳﺪ دﻗﻴﻖ و ﻛﺎﻣﻞ ﺑﺎﺷﺪ‪ .‬‬

‫‪ (6‬ﻋﻨﻮان ﺟﺪول ﻣﻌﻤﻮﻻ ﺟﺪا از ﺑﺪﻧﻪ ﺟﺪول در ﺑﺎﻻي آن ﻧﻮﺷﺘﻪ ﺷﻮد‪ .‬‬

‫‪ (7‬اﮔﺮ دادهﻫﺎي ﺟﺪول از ﻣﻨﺎﺑﻊ دﻳﮕﺮي ﺟﻤﻊآوري ﺷﺪهاﻧﺪ‪ ،‬ﺣﺘﻤﺎ ﺑﺎﻳﺪ ﻣﺎﺧﺬ دادهﻫﺎ در ﭘﺎﻧﻮﻳﺲ ذﻛﺮ ﮔﺮدد‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ١٥‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫‪ (2‬اﺑﺰار ﻧﻤﻮﻧﻪﺑﺮداري ﻧﻤﺎﻳﺶ ﻫﻨﺪﺳﻲ دادهﻫﺎ‬

‫ﺑﺮاي ﻧﻤﺎﻳﺶ ﺗﻮزﻳﻊﻫﺎي ﻓﺮاواﻧﻲ‪ ،‬اﻏﻠﺐ از ﻧﻤﻮدار اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ .‬ﻧﻤﻮدارﻫﺎ ﻛﻤﻚ ﻣﻲﻛﻨﻨﺪ ﺗﺎ ﺗﺼﻮﻳﺮ ﺗﻮزﻳﻊ ﺑﻪ ﺳﻬﻮﻟﺖ دﻳﺪه‬

‫ﺷﻮد‪ .‬روشﻫﺎي ﻧﻤﺎﻳﺶ دادهﻫﺎ‪ ،‬اﻓﺰون ﺑﺮ اﺳﺘﻔﺎده ﻧﻈﺮي‪ ،‬ﺑﺮاي اﺳﺘﻔﺎدهﻫﺎي ﻋﻠﻤﻲ و ﻛﺎرﺑﺮدي ﻧﻴﺰ ﻣﻮرد ﺗﻮﺟﻪ ﻣﻲﺑﺎﺷﻨﺪ‪.‬‬

‫ﺑﻪﻛﺎرﮔﻴﺮي اﻳﻦ روشﻫﺎ در ﮔﺰارش ﻧﻮﻳﺴﻲ‪ ،‬ﻳﻜﻲ از راهﻫﺎي ﻣﻔﻴﺪ ﺑﺮاي اﻧﺘﻘﺎل ﻣﻮﺿﻮع ﮔﺰارش ﺑﻪ ﺧﻮاﻧﻨﺪه در ﻛﻤﺘﺮﻳﻦ زﻣﺎن‬

‫ﻣﻤﻜﻦ و ﺑﺎ ﺳﺎدهﺗﺮﻳﻦ ﺑﻴﺎن اﺳﺖ‪ .‬روش ﻧﻤﺎﻳﺶ دادهﻫﺎ‪ ،‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﻮع ﻣﻘﻴﺎس اﻧﺪازهﮔﻴﺮي آﻧﻬﺎ اﻧﺘﺨﺎب ﻣﻲﺷﻮد‪ .‬ﭼﻨﺎﻧﭽﻪ‬

‫ﻣﻘﻴﺎس دادهﻫﺎ از ﻧﻮع ﻓﺎﺻﻠﻪاي و ﻧﺴﺒﺘﻲ ﺑﺎﺷﺪ‪ ،‬از ﻧﻤﻮدارﻫﺎي ﻛﻤﻲ اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ .‬دادهﻫﺎي ﺑﺎ ﻣﻘﻴﺎس اﺳﻤﻲ ﻳﺎ رﺗﺒﻪاي‬

‫ﻧﻴﺰ ﺑﻪ ﻛﻤﻚ ﻧﻤﻮدارﻫﺎي ﺗﻮﺻﻴﻔﻲ ﻗﺎﺑﻞ ﻧﻤﺎﻳﺶ ﻫﺴﺘﻨﺪ‪.‬‬

‫ﻧﻤﻮدارﻫﺎي ﻛﻤﻲ‬

‫ﻧﻤﻮدار ﻣﺴﺘﻄﻴﻠﻲ‬

‫در ﻣﻮاردي ﻛﻪ دادهﻫﺎ‪ ،‬اﻧﺪازهﻫﺎي ﺻﻔﺖ ﻛﻤﻲ ﭘﻴﻮﺳﺘﻪ و ﻧﺎﺷﻲ از اﻧﺪازهﮔﻴﺮي ﺑﺎﺷﻨﺪ‪ ،‬ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﮔﺮوهﺑﻨﺪي ﺷﺪه ﺑﺮاي‬

‫ﺗﻨﻈﻴﻢ آﻧﻬﺎ و ﻧﻤﻮدار ﻣﺴﺘﻄﻴﻠﻲ ﺑﺮاي ﻧﻤﺎﻳﺶ ﻫﻨﺪﺳﻲ آﻧﻬﺎ‪ ،‬ﻣﻨﺎﺳﺐ اﺳﺖ‪ .‬اﮔﺮ ﺣﺪ ﺑﺎﻻ و ﭘﺎﻳﻴﻦ دﺳﺘﻪﻫﺎ‪ ،‬ﺑﻪ ﻃﻮر ﻣﻨﺎﺳﺐ روي‬

‫ﻣﺤﻮر ‪ X‬ﻗﺮار ﮔﻴﺮﻧﺪ و ﺑﺮ روي ﻫﺮ ﻓﺎﺻﻠﻪ‪ ،‬ﻣﺴﺘﻄﻴﻠﻲ ﺳﺎﺧﺘﻪ ﺷﻮد ﻛﻪ ﻗﺎﻋﺪهاش ﻓﺎﺻﻠﻪ آن دﺳﺘﻪ و ارﺗﻔﺎع آن ﻓﺮاواﻧﻲ ﻧﻈﻴﺮ‬

‫دﺳﺘﻪ ﻣﻮرد ﻧﻈﺮ ﺑﺎﺷﺪ‪ ،‬ﻣﺠﻤﻮﻋﻪ ﻣﺴﺘﻄﻴﻞﻫﺎﻳﻲ ﻛﻪ ﺑﻪ ﺗﺮﺗﻴﺐ ﺣﺎﺻﻞ ﻣﻲﺷﻮﻧﺪ‪ ،‬ﻫﻴﺴﺘﻮﮔﺮام ﻳﺎ ﻧﻤﻮدار ﻣﺴﺘﻄﻴﻠﻲ ﻧﺎﻣﻴﺪه‬

‫ﻣﻲﺷﻮد‪ .‬ﺷﻜﻞ زﻳﺮﻳﻚ ﻧﻤﻮدار ﻣﺴﺘﻄﻴﻠﻲ را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬

‫وزن‬
‫‪5‬‬
‫‪4‬‬
‫‪3‬‬
‫‪2‬‬
‫‪1‬‬
‫‪0‬‬
‫‪50.5‐58.5‬‬ ‫‪58.5‐66.5‬‬ ‫‪66.5‐73.5‬‬ ‫‪73.5‐81.5‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ١٦‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻧﻤﻮدار ﭼﻨﺪ ﺿﻠﻌﻲ‬

‫ﻧﻮع دادهﻫﺎي ﻻزم ﺑﺮاي ﻧﻤﻮدار ﭼﻨﺪﺿﻠﻌﻲ ﺷﺒﻴﻪ ﻧﻤﻮدار ﻣﺴﺘﻄﻴﻠﻲ اﺳﺖ ‪ . ‬ﺑﺮاي رﺳﻢ ﻧﻤﻮدار ﭼﻨﺪﺿﻠﻌﻲ‪ ،‬اﺑﺘﺪا ﻓﺮاواﻧﻲ‬

‫دﺳﺘﻪﻫﺎ ﺑﺎ ﻧﻘﻄﻪ ﻣﺸﺨﺺ ﻣﻲﺷﻮد‪ .‬ﺳﭙﺲ در ﻣﻘﺎﺑﻞ آﻧﻬﺎ ﻧﻘﻄﻪ وﺳﻂ ﻫﺮ دﺳﺘﻪ را ﺑﻪ دﺳﺖ ﻣﻲآورﻧﺪ و ﻧﻘﺎط ﻣﺠﺎور ﻫﻢ را ﺑﺎ‬

‫ﺧﻂﻫﺎي ﻣﺴﺘﻘﻴﻤﻲ ﺑﻪ ﻳﻜﺪﻳﮕﺮ ﻣﺘﺼﻞ ﻣﻲﻛﻨﻨﺪ‪ .‬ﻧﻤﻮدار ﺣﺎﺻﻞ را ﭼﻨﺪﺿﻠﻌﻲ ﻓﺮاواﻧﻲ ﻣﻲﮔﻮﻳﻨﺪ‪ .‬ﻳﻚ ﻧﻤﻮﻧﻪ از ﻧﻤﻮدار ﭼﻨﺪ‬

‫ﺿﻠﻌﻲ در زﻳﺮ آﻣﺪه اﺳﺖ‪.‬‬

‫‪5‬‬

‫‪4‬‬

‫‪3‬‬

‫وزن‬
‫‪2‬‬

‫‪1‬‬

‫‪0‬‬
‫‪50.5‐58.5‬‬ ‫‪58.5‐66.5‬‬ ‫‪66.5‐73.5‬‬ ‫‪73.5‐81.5‬‬

‫ﻛﻪ ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻧﺸﺎن ﻣﻲدﻫﺪ ﻳﻚ ﻧﻔﺮ از اﻓﺮاد ﺟﺎﻣﻌﻪ وزن ‪ 66.5‐73.5‬دارﻧﺪ‪.‬‬

‫ﻧﻤﻮدار ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ‬

‫ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ‪ ،‬ﺗﻮزﻳﻌﻲ اﺳﺖ ﻛﻪ ﺗﻌﺪاد ﻣﺸﺎﻫﺪهﻫﺎ را ﻗﺒﻞ از ﻳﻚ ﻧﻘﻄﻪ ﻣﻌﻴﻦ در ﻣﻘﺎﻳﺴﻪ ﺑﺎ دﻳﮕﺮ ﻣﺸﺎﻫﺪهﻫﺎ ﻧﺸﺎن‬

‫ﻣﻲدﻫﺪ‪ .‬ﻧﻤﻮدار ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ ﺑﺮ اﺳﺎس ﺗﻮزﻳﻊ ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ رﺳﻢ ﻣﻲﺷﻮد‪  ‬ﻛﻪ ﻣﻲﺗﻮاﻧﺪ ﻣﺴﺘﻄﻴﻠﻲ ﻳﺎ ﭼﻨﺪ ﺿﻠﻌﻲ ﺑﺎﺷﺪ‪.‬‬

‫ﻣﺜﻼ ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ ﻣﻄﻠﻖ ﻣﺜﺎل ﻗﺒﻞ ﺑﻪ ﺷﻜﻞ زﻳﺮ ﺧﻮاﻫﺪ ﺑﻮد‪:‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ١٧‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫‪14‬‬

‫‪12‬‬

‫‪10‬‬

‫‪8‬‬

‫‪6‬‬ ‫‪Fc‬‬

‫‪4‬‬

‫‪2‬‬

‫‪0‬‬
‫‪50.5‐58.5‬‬ ‫‪58.5‐66.5‬‬ ‫‪66.5‐73.5‬‬ ‫‪73.5‐81.5‬‬

‫ﮐﻪ ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻧﺸﺎن ﻣﯽدهﺪ ﮐﻪ ‪ ٨‬ﻧﻔﺮ از اﻓﺮاد داراﯼ وزن ﺑﻴﻦ ‪ ٥٠.٥‐٧٣.٥‬دارﻧﺪ‪.‬‬

‫ﻧﻤﻮدارﻫﺎي ﺗﻮﺻﻴﻔﻲ‬

‫اﮔﺮ دادهﻫﺎي ﺟﻤﻊآوري ﺷﺪه از ﻧﻮع ﻛﻴﻔﻲ ﺑﺎﺷﻨﺪ‪ ،‬ﺑﺮاي ﻧﻤﺎﻳﺶ ﻫﻨﺪﺳﻲ آﻧﻬﺎ از ﻧﻤﻮدارﻫﺎي ﺗﻮﺻﻴﻔﻲ اﺳﺘﻔﺎده ﻣﻲﻛﻨﻨﺪ‪.‬‬

‫ﻣﺸﺎﻫﺪهﻫﺎﻳﻲ از ﻧﻮع ﺧﻮب‪ ،‬ﺑﺪ‪ ،‬ﻣﺘﻮﺳﻂ و ﮔﺮوهﻫﺎي ‪ C  ،B ،A‬را ﻣﻲﺗﻮان از ﻧﻮع ﻣﺸﺎﻫﺪهﻫﺎي ﻛﻴﻔﻲ داﻧﺴﺖ‪ .‬ﻃﺒﻴﻌﻲ اﺳﺖ‬

‫ﻛﻪ ﺑﺮاي اﻳﻦ ﻧﻮع ﻣﺸﺎﻫﺪهﻫﺎ‪ ،‬ﺗﻌﺮﻳﻒ ﻓﺎﺻﻠﻪ‪ ،‬ﭼﻨﺎﻧﭽﻪ در ﻧﻤﻮدارﻫﺎي ﻣﺴﺘﻄﻴﻠﻲ ﮔﻔﺘﻪ ﺷﺪ‪ ،‬ﻣﻔﻬﻮﻣﻲ ﻧﺪارد‪ .‬اﻧﻮاع ﻧﻤﻮدارﻫﺎي‬

‫ﺗﻮﺻﻴﻔﻲ ﺑﻪ ﺷﺮح زﻳﺮ اﺳﺖ‪:‬‬

‫ﻧﻤﻮدار ﺳﺘﻮﻧﻲ ﻳﺎ ﻣﻴﻠﻪ اي ﺳﺎده‬

‫ﻧﻤﻮدار ﺳﺘﻮﻧﻲ ﺳﺎده را در ﻳﻚ دﺳﺘﮕﺎه ﻣﺨﺘﺼﺎت ﻛﻪ ﻣﺤﻮر اﻓﻘﻲ آن ﻧﺸﺎندﻫﻨﺪه ﻛﻴﻔﻴﺖ ﻣﺸﺎﻫﺪهﻫﺎ و ﻣﺤﻮر ﻋﻤﻮدي آن‬

‫ﻧﺸﺎندﻫﻨﺪه ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ ﻳﺎ ﻧﺴﺒﻲ ﻫﺮ ﮔﺮوه اﺳﺖ‪ ،‬رﺳﻢ ﻣﻲﻛﻨﻨﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل ﺑﻪ ﻧﻤﻮدار زﻳﺮ ﺗﻮﺟﻪ ﻛﻨﻴﺪ‪:‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ١٨‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و ااﺣﺘﻤﺎﻻت‬

‫‪5‬‬

‫‪4‬‬

‫‪3‬‬
‫‪Fi‬‬
‫‪2‬‬

‫‪1‬‬

‫‪0‬‬
‫‪A‬‬ ‫‪B‬‬ ‫‪O‬‬ ‫‪AB‬‬

‫ﻲ‬
‫ﻧﻤﻮدار ﻣﻴﻠﻪاي ﭼﻨﺪﺗﺎﻳﻲ‬

‫وﻗﺖﮔﻴﺮ ﺑﻮده‬
‫ﺑﺮاي ﻣﻘﺎﻳﺴﻪ آﻧﻬﺎ ﻛﻛﺎرﺑﺮد ﻧﻤﻮدار ﻣﻣﻴﻠﻪاي ﺳﺎده ﺖ‬
‫ﻛﻴﻔﻲ ﺑﺎﺷﺪ‪ ،‬ي‬
‫ل ﺑﺮرﺳﻲ ﺑﻴﺶ از ﻳﻚ ﺻﻔﺖ ﻛﻴ‬
‫اﮔﺮ ﭘﮋووﻫﺸﮕﺮ ﺑﻪ دﻧﺒﺎل‬

‫ﺻﻮرت ﺑﺮاي ﻣﻘﺎﺎﻳﺴﻪ‪ ،‬از ﻧﻤﻮدار ﻣﻴﻠﻪاي ﭼﻨﺪﺗﺎﻳﻳﻲ اﺳﺘﻔﺎده ﻣﻲﻛﻛﻨﻨﺪ‪.‬‬

‫ﻲدﻫﺪ‪ .‬در اﻳﻦ ﺻ‬
‫ﺴﻪﻫﺎ را ﻫﻢ ﺑﻪ ووﺿﻮح ﻧﺸﺎن ﻧﻤﻲ‬
‫و ﻣﻘﺎﻳﺴ‬

‫‪4‬‬

‫‪3‬‬

‫زن‬
‫‪2‬‬
‫ﻣﺮد‬

‫‪1‬‬

‫‪0‬‬
‫‪A‬‬ ‫‪B‬‬ ‫‪O‬‬ ‫‪AB‬‬

‫ﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬
‫ ﺗﻬﻴﻪ و ﺗﻨﻈ‬ ‫ ‪ ١٩‬‬
‫‪ ‬‬
 ‫‪ ‬وﻳﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و ااﺣﺘﻤﺎﻻت‬

‫ﭼﻪاي‬
‫ﻧﻤﻮدار داﻳﺮهاي ﻳﺎ ﻛﻠﻮﭼ‬

‫ﺳﺘﻔﺎده ﻛﺮد‪.‬‬
‫ي ﻣﻲﺗﻮان از ﻧﻤﻮﻮدار داﻳﺮهاي ﻳﺎ ﻛﻠﻮﭼﻪاي ﻧﻴﺰ اﺳ‬
‫ي ﻧﻤﻮدار ﻣﻴﻠﻪاي‬
‫ﺑﻪ ﺟﺎي‬

‫‪9% ‬‬
‫‪46% ‬‬ ‫‪27% ‬‬
‫‪A‬‬

‫‪18% ‬‬ ‫‪B‬‬
‫‪O‬‬
‫‪AB‬‬

‫ﻧﻤﻮدارﻫﻫﺎي ﺗﺼﻮﻳﺮي‬

‫ﺼﺎوﻳﺮ ﻧﺸﺎندﻫﻨﻨﺪه ﻓﺮاواﻧﻲ‬ ‫ﻃﺮﻳﻘﻪ دﻳﮕﺮ ﻧﻤﺎﻳﺶ ددادهﻫﺎ اﺳﺘﻔﺎده از ﻧﻤﻮدارﻫﺎي ﺗﺗﺼﻮﻳﺮي ﻣﻲﺑﺎﺷ‬
‫ﺷﺪ ﻛﻪ در آن اﻧﺪﺪازه ﻳﺎ ﺗﻌﺪاد ﺗﺼ‬

‫ﺑﺰرگ ﻛﺮدن ﺗﺼﻮﻳﺮﺮ‪ .‬ﺑﻴﺸﺘﺮﻳﻦ‬

‫ﻤﺎﻳﺶ ﻣﻲدﻫﻴﻢ ﺗﺎ از ﻃﺮﻳﻖ گ‬
‫ﻓﺰاﻳﺶ ﺗﻌﺪاد ﻧﻤﺎ‬
‫دادهﻫﺎ ﻣﻲﺑﺎﺷﺪ‪ .‬ﻧﻤﻮداررﻫﺎي ﺗﺼﻮﻳﺮي را ﺗﺮﺟﻴﺤﺎ ﺑﺎ اﻓﺰ‬

‫ﺸﺘﺮي ﺷﻜﻞ ﺷﻤﻤﺎﺗﻴﻚ آدم‬

‫ﺷﻬﺮ از ﺗﻌﺪاد ﺑﻴﺸ‬
‫ﺟﻤﻌﻴﺖ ﺑﻴﺸﺘﺮ ﻳﻚ ﺷ‬
‫ﺖ‬ ‫ﻛﺎرﺑﺮد اﻳﻦ ﻧﻤﻮدارﻫﺎ روي ﻧﻘﺸﻪ ﻣﻲ ﺑﺎﺎﺷﺪ‪ .‬ﻣﺜﻼ ﺑﺮاي ﻧﻤﺎﻳﺶ‬

‫اﺳﺘﻔﺎدهه ﻣﻴﺸﻮد‪.‬‬

‫ﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬
‫ ﺗﻬﻴﻪ و ﺗﻨﻈ‬ ‫ ‪ ٢٠‬‬
‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﺧﺼﻮﺻﻴﺎت ﻳﻚ ﻧﻤﻮدار ﻣﻨﺎﺳﺐ‬

‫‪ (1‬ﻧﻤﻮدار ﺑﺎﻳﺪ ﺧﻮد ﻛﺎﻣﻼ ﮔﻮﻳﺎ ﺑﻮده و ﺑﺪون دادهﻫﺎي ﺟﺎﻧﺒﻲ ﻗﺎﺑﻞ ﺗﻔﺴﻴﺮ ﺑﺎﺷﺪ‪ .‬‬

‫‪ (2‬ﻋﻨﻮان ﻧﻤﻮدار ﺑﺎﻳﺪ ﻛﺎﻣﻼ واﺿﺢ و روﺷﻦ ﺑﻮده و ﻣﻌﻤﻮﻻ در ﭘﺎﻳﻴﻦ ﻧﻤﻮدار ﻧﻮﺷﺘﻪ ﻣﻲﺷﻮد‪ .‬‬

‫‪ (3‬واﺣﺪﻫﺎي اﻧﺪازهﮔﻴﺮي ﻣﺤﻮرﻫﺎي اﻓﻘﻲ و ﻋﻤﻮدي ﺑﺎﻳﺪ در ﻛﻨﺎر ﻣﺤﻮرﻫﺎ ﺑﺎ ﻋﻼﺋﻢ ﺧﻮدﺷﺎن ذﻛﺮ ﺷﻮﻧﺪ‪ .‬‬

‫‪ (4‬ﻧﺒﺎﻳﺪ اﻃﻼﻋﺎت زﻳﺎد را در ﻳﻚ ﻧﻤﻮدار ﮔﻨﺠﺎﻧﺪ‪ .‬‬

‫‪ (5‬ﻧﻤﺎﻳﺶ اﻃﻼﻋﺎت ﺗﻔﺼﻴﻠﻲ و ﺟﺰﺋﻴﺎت را ﺑﺎﻳﺪ روي ﺟﺪاول ﻧﺸﺎن داد ﻧﻪ ﻧﻤﻮدار‪ .‬‬

‫‪ (6‬ﺑﻬﺘﺮ اﺳﺖ ﺗﺎ ﺟﺎي ﻣﻤﻜﻦ از ﺑﻪ ﻛﺎر ﺑﺮدن ﻣﺘﻦ در ﻧﻤﻮدارﻫﺎ ﺧﻮدداري ﺷﻮد‪  .‬‬

‫‪ (3‬اﺑﺰار ﺷﺎﺧﺺﻫﺎي ﺗﻤﺎﻳﻞ ﻣﺮﻛﺰي‬

‫اﮔﺮ ﺗﻌﺪاد ﻋﻨﺎﺻﺮ ﺗﺸﻜﻴﻞ دﻫﻨﺪه ﻳﻚ ﺟﺎﻣﻌﻪ آﻣﺎري ﻛﻢ ﺑﺎﺷﺪ ‪ ،‬در آن ﺻﻮرت ﭘﮋوﻫﺸﮕﺮ ﻫﻤﻪ اﻃﻼﻋﺎت ﻣﻮﺟﻮد در واﺣﺪﻫﺎي‬

‫ﺟﺎﻣﻌﻪ را ﺟﻤﻊآوري ﻛﺮده و ﺑﺮ اﺳﺎس اﻃﻼﻋﺎت ﺟﻤﻊآوري ﺷﺪه‪ ،‬وﻳﮋﮔﻲﻫﺎي ﻣﻮرد ﻣﻄﺎﻟﻌﻪ را ﺗﻮﺻﻴﻒ ﻣﻲﻛﻨﺪ‪ .‬اﻣﺎ در‬

‫ﭘﮋوﻫﺶﻫﺎي ﻋﻠﻮم زﻳﺴﺘﻲ ﺗﻌﺪاد ﻋﻨﺎﺻﺮ ﺗﺸﻜﻴﻞ دﻫﻨﺪه ﺟﺎﻣﻌﻪ ﺑﺴﻴﺎر زﻳﺎد ﺑﻮده و ﻻزم اﺳﺖ ﻗﺴﻤﺘﻲ از ﺟﺎﻣﻌﻪ‪ ،‬ﺑﻪ ﻋﻨﻮان‬

‫ﻧﻤﻮﻧﻪ اﻧﺘﺨﺎب ﺷﻮد‪ .‬ﺑﻪ ﻫﺮ ﺣﺎل در ﺗﻤﺎم ﻣﻮارد‪ ،‬اﮔﺮ ﭘﮋوﻫﺸﮕﺮ ﺑﺘﻮاﻧﺪ ﺑﻪ ﺟﺎي اﺳﺘﻔﺎده از اﻃﻼﻋﺎت ﻣﻮﺟﻮد در ﺗﻚﺗﻚ دادهﻫﺎي‬

‫ﺟﻤﻊآوري ﺷﺪه‪ ،‬ﺷﺎﺧﺺ ﻳﺎ ﺷﺎﺧﺺﻫﺎﻳﻲ ﻛﻪ ﻗﺎدرﻧﺪ اﻃﻼﻋﺎت ﻣﻮﺟﻮد در ﻣﺠﻤﻮﻋﻪ دادهﻫﺎ را ﺑﻪ ﺧﻮﺑﻲ ﺗﻮﺻﻴﻒ ﻛﻨﻨﺪ‪ ،‬ﻣﻌﺮﻓﻲ‬

‫ﻧﻤﺎﻳﺪ‪ ،‬ﺳﺮﻋﺖ اﻧﺘﻘﺎل اﻃﻼﻋﺎت ﺑﻴﺸﺘﺮ ﻣﻲﺷﻮد‪ .‬از اﻳﻦرو‪ ،‬ﺷﺎﺧﺺﻫﺎي ﺗﻤﺎﻳﻞ ﻣﺮﻛﺰي ﻣﻌﺮﻓﻲ ﻣﻲﺷﻮﻧﺪ‪.‬‬

‫ﻣﻬﻤﺘﺮﻳﻦ ﻣﻮﺿﻮع در ﻣﻄﺎﻟﻌﻪ ﻫﺮ ﺟﺎﻣﻌﻪ آﻣﺎري‪ ،‬ﺗﻌﻴﻴﻦ ﻣﻘﺪار ﻣﺮﻛﺰي اﺳﺖ‪ ،‬ﻳﻌﻨﻲ ﺗﻌﻴﻴﻦ ﻣﻘﺪاري ﻛﻪ دادهﻫﺎ در اﻃﺮاف آن‬

‫ﺗﻮزﻳﻊ ﺷﺪه ﺑﺎﺷﻨﺪ‪ .‬ﻳﻚ ﺷﺎﺧﺺ ﻣﺮﻛﺰي ﺧﻮب‪ ،‬ﺑﺎﻳﺪ ﺑﺮ ﻣﺒﻨﺎي ﺗﻤﺎﻣﻲ دادهﻫﺎ ﻣﺤﺎﺳﺒﻪ ﺷﻮد وﻳﺎ ﺑﻪ وﺳﻴﻠﻪ ﻧﻤﻮﻧﻪﮔﻴﺮي ﺗﺼﺎدﻓﻲ‬

‫دﺳﺘﺨﻮش ﺗﻐﻴﻴﺮات زﻳﺎدي ﻧﺸﻮد‪ .‬ﺷﺎﺧﺺﻫﺎي ﻣﺮﻛﺰي ﻣﻌﺮوف در آﻣﺎر ﺗﻮﺻﻴﻔﻲ‪ ،‬ﻋﺒﺎرﺗﻨﺪ از ﻣﻴﺎﻧﮕﻴﻦ‪ ،‬ﻣﻴﺎﻧﻪ و ﻧﻤﺎ‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٢١‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻣﻴﺎﻧﮕﻴﻦ‬

‫ﻣﺘﺪاولﺗﺮﻳﻦ ﺷﺎﺧﺺ ﻣﺮﻛﺰي ﻛﻪ در آﻣﺎر ﺑﻪ ﻛﺎر ﻣﻲرود‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ اﺳﺖ‪ .‬اﮔﺮ دادهﻫﺎ ﺑﺮ روي ﻳﻚ ﻣﺤﻮر ﺑﻪ ﺻﻮرت ﻣﻨﻈﻢ ردﻳﻒ‬

‫ﺷﻮﻧﺪ‪ ،‬ﻣﻘﺪار ﻣﻴﺎﻧﮕﻴﻦ‪ ،‬ﺑﻪ ﻃﻮر دﻗﻴﻖ در ﻧﻘﻄﻪ ﺗﻌﺎدل ﻳﺎ ﺛﻘﻞ ﺗﻮزﻳﻊ ﻗﺮار ﻣﻲﮔﻴﺮد‪ .‬ﻣﻴﺎﻧﮕﻴﻦ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﻮع ﻣﺘﻐﻴﺮ اﻧﺪازهﮔﻴﺮي‬

‫ﺷﺪه‪ ،‬داراي اﻧﻮاﻋﻲ ﺑﻪ ﺷﺮح زﻳﺮ اﺳﺖ‪:‬‬

‫ﻣﻴﺎﻧﮕﻴﻦ ﺣﺴﺎﺑﻲ‬

‫ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ ﻣﻌﻴﺎرﻫﺎي ﺗﻤﺎﻳﻞ ﻣﺮﻛﺰي‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ ﺣﺴﺎﺑﻲ اﺳﺖ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ دو ﻋﻼﻣﺖ ‪ μ‬ﺑﺮاي ﻣﻴﺎﻧﮕﻴﻦ ﺟﺎﻣﻌﻪ و‬

‫ﺑﺮاي ﻣﻴﺎﻧﮕﻴﻦ ﻧﻤﻮﻧﻪ‪ ،‬ﻧﺸﺎن داده ﻣﻲﺷﻮد‪ .‬ﻣﻘﺪار ﻣﻴﺎﻧﮕﻴﻦ ﺣﻘﻴﻘﻲ ﺟﺎﻣﻌﻪ‪ ،‬ﺛﺎﺑﺖ ﺑﻮده و ﺗﺎﺑﻊ ﺗﻐﻴﻴﺮات ﻧﻴﺴﺖ‪ ،‬در ﺣﺎﻟﻲ ﻛﻪ‬

‫ﻣﻴﺎﻧﮕﻴﻦ ﻧﻤﻮﻧﻪ‪ ،‬ﻣﺘﻐﻴﺮ و ﻣﻘﺪار آن در ﻧﻤﻮﻧﻪﮔﻴﺮيﻫﺎي ﻣﺨﺘﻠﻒ از ﻳﻚ ﺟﺎﻣﻌﻪ از ﻧﻤﻮﻧﻪاي ﺑﻪ ﻧﻤﻮﻧﻪ دﻳﮕﺮ ﺗﻐﻴﻴﺮ ﻣﻲﻛﻨﺪ‪ .‬اﮔﺮ‬

‫ﻣﻴﺎﻧﮕﻴﻦ‪ ،‬از ﺟﺎﻣﻌﻪ ﺑﺪﺳﺖ آﻳﺪ‪ ،‬ﭘﺎراﻣﺘﺮ و اﮔﺮ از ﻧﻤﻮﻧﻪ ﺑﻪدﺳﺖ آﻳﺪ‪ ،‬ﺑﻪ آن آﻣﺎره ﻣﻲﮔﻮﻳﻨﺪ‪ .‬ﻣﻴﺎﻧﮕﻴﻦ ﺣﺴﺎﺑﻲ از ﻓﺮﻣﻮل زﻳﺮ‬

‫ﺗﻌﻴﻴﻦ ﻣﻲﺷﻮد‪:‬‬

‫∑‬ ‫‪١‬‬
‫ ‬ ‫‪ ‬‬

‫‪ :‬ﻣﻘﺎدﻳﺮ ﻫﺮ ﻣﺸﺎﻫﺪه و ‪ :N‬ﺗﻌﺪاد ﻣﺸﺎﻫﺪهﻫﺎﺳﺖ‪.‬‬ ‫ﻛﻪ در آن‬

‫ﻣﻴﺎﻧﮕﻴﻦ وزﻧﻲ‬

‫ﻣﻴﺎﻧﮕﻴﻦ ﺳﺎده ﺣﺴﺎﺑﻲ وﻗﺘﻲ اﺳﺘﻔﺎده ﻣﻲﺷﻮد ﻛﻪ دادهﻫﺎ اﻫﻤﻴﺖ ﻳﻜﺴﺎﻧﻲ داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬اﻣﺎ اﮔﺮ دادهﻫﺎ داراي اﻫﻤﻴﺖ ﻣﺴﺎوي‬

‫ﻧﺒﺎﺷﻨﺪ‪ ،‬ﺑﻪ ﻫﺮ ﻳﻚ از دادهﻫﺎ‪ ،‬وزﻧﻲ ﺑﻪ ﺗﻨﺎﺳﺐ اﻫﻤﻴﺖ آﻧﻬﺎ اﺧﺘﺼﺎص ﻣﻲدﻫﻨﺪ و ﻣﻴﺎﻧﮕﻴﻦ وزﻧﻲ را ﺣﺴﺎب ﻣﻲﻛﻨﻨﺪ‪ .‬اﮔﺮ ‪N‬‬

‫ﺑﺎﺷﻨﺪ‪ ،‬در آن ﺻﻮرت ﻣﻴﺎﻧﮕﻴﻦ وزﻧﻲ ﺑﻪ ﺻﻮرت زﻳﺮ‬ ‫‪ ...‬و‬ ‫‪3‬‬ ‫‪،‬‬ ‫‪2‬‬ ‫‪،‬‬ ‫‪1‬‬ ‫داراي وزنﻫﺎي‬ ‫‪ ...‬و‬ ‫‪3‬‬ ‫‪،‬‬ ‫‪2‬‬ ‫‪،‬‬ ‫‪1‬‬ ‫ﻣﺸﺎﻫﺪه‬

‫ﻣﺤﺎﺳﺒﻪ ﺧﻮاﻫﺪ ﺷﺪ‪:‬‬

‫∑‬ ‫‪١‬‬
‫ ‬ ‫‪ ‬‬
‫∑‬ ‫‪١‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٢٢‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫‪ :‬وزن ﻫﺮ ﻳﻚ از ﻣﻘﺎدﻳﺮ اﺳﺖ‪.‬‬ ‫‪ :‬ﻣﻘﺪار ﻫﺮ ﻣﺸﺎﻫﺪه و‬ ‫ﻛﻪ در آن‬

‫ﻣﺜﺎل‪ :‬ﻳﻚ ﺟﻴﺮه ﻏﺬاﻳﻲ ﺑﻪ وزن ‪ 500‬ﮔﺮم‪ ،‬ﻣﺨﻠﻮﻃﻲ از ﭼﻬﺎر ﻣﺎده ‪ C ،B ،A‬و ‪ D‬اﺳﺖ ﻛﻪ در ﺟﺪول زﻳﺮ ﻣﻘﺎدﻳﺮ ﻫﺮ ﻳﻚ و‬

‫درﺻﺪ ﭘﺮوﺗﺌﻴﻦ آﻧﻬﺎ آﻣﺪه اﺳﺖ‪ ،‬ﻣﺘﻮﺳﻂ ﭘﺮوﺗﺌﻴﻦ اﻳﻦ ﺟﻴﺮه ﻏﺬاﻳﻲ را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ؟‬

‫ﭘﺮوﺗﺌﻴﻦ )درﺻﺪ(‬ ‫وزن )ﮔﺮم(‬ ‫ﻣﺎدﻩ ﻏﺬاﻳﯽ‬

‫‪١٢٠٠‬‬ ‫‪٨‬‬ ‫‪١٥٠‬‬ ‫‪A‬‬

‫‪٦٠٠‬‬ ‫‪١٢‬‬ ‫‪٥٠‬‬ ‫‪B‬‬

‫‪١٨٠٠‬‬ ‫‪٩‬‬ ‫‪٢٠٠‬‬ ‫‪C‬‬

‫‪١٠٠٠‬‬ ‫‪١٠‬‬ ‫‪١٠٠‬‬ ‫‪D‬‬

‫‪٤٦٠٠‬‬ ‫‐‬ ‫‪٥٠٠‬‬ ‫ﻣﺠﻤﻮع‬

‫‪١٢٠٠ ٦٠٠‬‬ ‫‪١٨٠٠ ١٠٠٠‬‬ ‫‪٤٦٠٠‬‬

‫ ‬ ‫ ‬ ‫‪٩.٢‬‬
‫‪١٥٠ ٥٠‬‬ ‫‪٢٠٠ ١٠٠‬‬ ‫‪٥٠٠‬‬

‫ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل زﻳﺮ ﻣﻴﺎﻧﮕﻴﻦ را در ﺟﺪول ﻓﺮاواﻧﻲ ﻣﺤﺎﺳﺒﻪ ﻣﻲﻛﻨﻴﻢ‬

‫∑‬ ‫‪١‬‬
‫‪ ‬‬
‫∑‬ ‫‪١‬‬

‫در ﺟﺪول ﻓﺮاواﻧﻲ اﻳﺠﺎد ﺷﻮد‪ .‬ﻓﺮاواﻧﻲ ﻣﺮﺑﻮط ﺑﻪ ﻫﺮ‬ ‫ﻣﻴﺘﻮان ﺑﺮاي ﺳﻬﻮﻟﺖ در ﻣﺤﺎﺳﺒﺎت ﺳﺘﻮن ﺟﺪﻳﺪ ﺗﺤﺖ ﻋﻨﻮان‬

‫ﻃﺒﻘﻪ را در داده آن ﻃﺒﻘﻪ ﺿﺮب ﻧﻤﻮده و ﺳﭙﺲ ﺣﺎﺻﻞ ﺟﻤﻊ اﻳﻦ ﺳﺘﻮن را ﺑﻪ دﺳﺖ آورده و ﺑﺮ ﺗﻌﺪاد ﻛﻞ دادهﻫﺎ ﺗﻘﺴﻴﻢ‬

‫ﻣﻲﻛﻨﻴﻢ ﺗﺎ ﻣﻴﺎﻧﮕﻴﻦ ﺣﺎﺻﻞ ﺷﻮد‪.‬‬

‫ﻣﺜﺎل‪ :‬در ﻣﺜﺎل ﺗﻌﺪاد ﻓﺮزﻧﺪان ‪ 150‬ﺧﺎﻧﻮاده در ﻳﻜﻲ از ﺷﻬﺮﻫﺎي اﻳﺮان ﻣﻴﺎﻧﮕﻴﻦ را ﺣﺴﺎب ﻣﻲﻛﻨﻴﻢ‪  .‬‬

‫‪ ‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٢٣‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫‪٠‬‬ ‫‪١٥‬‬ ‫‪٠‬‬ ‫‪٧‬‬

‫‪٣٧٥‬‬
‫‪١‬‬ ‫‪٣٠‬‬ ‫‪٣٠‬‬
‫‪١‬‬
‫‪٢‬‬ ‫‪٣٥‬‬ ‫‪٧٠‬‬ ‫‪٧‬‬

‫‪٣‬‬ ‫‪٣٠‬‬ ‫‪٩٠‬‬ ‫‪١٥٠ ‬‬

‫‪١‬‬
‫‪٤‬‬ ‫‪٢٠‬‬ ‫‪٨٠‬‬

‫‪٥‬‬ ‫‪١٥‬‬ ‫‪٧٥‬‬ ‫‪٣٧٥‬‬

‫‪٢.٥ ‬‬
‫‪٦‬‬ ‫‪٥‬‬ ‫‪٣٠‬‬
‫‪١٥٠‬‬

‫ﻣﺠﻤﻮع‬ ‫‪١٥٠‬‬ ‫‪٣٧٥‬‬

‫در ﺻﻮرﺗﻲ ﻛﻪ دادهﻫﺎ در ﻳﻚ ﺟﺪول ﻓﺮاواﻧﻲ ﻃﺒﻘﻪﺑﻨﺪي ﺷﺪه ﺑﺎﺷﻨﺪ و دادهﻫﺎي ﺧﺎم در دﺳﺘﺮس ﻧﺒﺎﺷﺪ ﺑﺮاي ﺑﻪ دﺳﺖ‬

‫آوردن ﻣﻴﺎﻧﮕﻴﻦ دادهﻫﺎ اﺑﺘﺪا ﻧﻤﺎﻳﻨﺪه ﻫﺮ ﻃﺒﻘﻪ ﻛﻪ ﻋﺒﺎرت اﺳﺖ از ﻣﻌﺪل ﻫﺮ ﻃﺒﻘﻪ‪ ،‬را ﺑﻪ دﺳﺖ ﻣﻲآورﻳﻢ )ﻣﺜﻼ ﺑﺮاي دﺳﺘﻪ‬
‫‪50.5 58.5‬‬
‫( ﺳﭙﺲ از ﻓﺮﻣﻮل ﻓﻮق ﻣﻴﺎﻧﮕﻴﻦ را ﻣﺤﺎﺳﺒﻪ ﻣﻲﻛﻨﻴﻢ‪.‬‬ ‫اول ‪54.5‬‬
‫‪2‬‬

‫ﻣﺜﺎل‪ :‬ﺑﺮاي ‪ 13‬داﻧﺸﺠﻮ ﻣﻴﺎﻧﮕﻴﻦ وزن را ﻣﺤﺎﺳﺒﻪ ﻣﻲﻛﻨﻴﻢ‪.‬‬

‫دﺳﺘﻪ هﺎ ‪ ‬‬ ‫‪Xi ‬‬ ‫‪Fi ‬‬ ‫‪XiFi ‬‬

‫‪50.5‐58.5 ‬‬ ‫‪54.5 ‬‬ ‫‪3 ‬‬ ‫‪163.5 ‬‬
‫‪58.5‐66.5 ‬‬ ‫‪62.5 ‬‬ ‫‪4 ‬‬ ‫‪250 ‬‬
‫‪66.5‐73.5 ‬‬ ‫‪70.5 ‬‬ ‫‪1 ‬‬ ‫‪70.7 ‬‬
‫‪73.5‐81.5 ‬‬ ‫‪77.5 ‬‬ ‫‪5 ‬‬ ‫‪387.5 ‬‬
‫ﻣﺠﻤﻮع ‪ ‬‬ ‫‪13 ‬‬ ‫‪871.5 ‬‬

‫‪∑٧‬‬ ‫‪١‬‬
‫‪ ‬‬
‫‪١٣‬‬

‫‪٨٧١.٥‬‬
‫‪٦٧.٠٣ ‬‬
‫‪١٣‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٢٤‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻣﻴﺎﻧﻪ‬

‫اﮔﺮ دادهﻫﺎ را ﺑﻪ ﺻﻮرت ﺻﻌﻮدي ﻳﺎ ﻧﺰوﻟﻲ ﻣﺮﺗﺐ ﻛﻨﻨﺪ‪ ،‬ﻣﻴﺎﻧﻪ‪ ،‬ﻋﺪدي ﺧﻮاﻫﺪ ﺑﻮد ﻛﻪ دادهﻫﺎ را ﺑﻪ دو ﻗﺴﻤﺖ ﻣﺴﺎوي ﺗﻘﺴﻴﻢ‬

‫ﻣﻲﻛﻨﺪ‪ ،‬ﺑﻪﻃﻮري ﻛﻪ ‪ 50‬درﺻﺪ دادهﻫﺎ ﺑﺰرﮔﺘﺮ از آن و ‪ 50‬درﺻﺪ ﻛﻮﭼﻜﺘﺮ از آن ﺑﺎﺷﻨﺪ‪ .‬اﮔﺮ ﺗﻤﺎﻣﻲ اﻋﺪاد در ﻣﺠﻤﻮﻋﻪ‬

‫دادهﻫﺎ از ‪ 1‬ﺗﺎ ‪ n‬ﺑﺮﺣﺴﺐ ﺑﺰرﮔﻲ رﺗﺒﻪﺑﻨﺪي ﺷﻮﻧﺪ‪ ،‬اﮔﺮ ﻣﺠﻤﻮﻋﻪ آﻧﻬﺎ ﻓﺮد ﺑﺎﺷﺪ ﻣﻴﺎﻧﻪ )‪ ،(Md‬ﻋﺒﺎرت از ﻣﻘﺪاري اﺳﺖ ﻛﻪ‬
‫‪1‬‬
‫ﺑﺎﺷﺪ‪ .‬اﮔﺮ ﻣﺠﻤﻮﻋﻪ دادهﻫﺎ زوج ﺑﺎﺷﺪ‪ ،‬در اﻳﻦ ﺻﻮرت ﻣﻴﺎﻧﻪ‪ ،‬ﻣﺴﺎوي ﻣﺘﻮﺳﻂ دو ﻣﻘﺪار ﻣﻴﺎﻧﻲ‪ ،‬ﻳﻌﻨﻲ ﻣﺴﺎوي‬ ‫رﺗﺒﻪ آن‬
‫‪2‬‬

‫اﺳﺖ‪.‬‬ ‫ﻣﻴﺎﻧﮕﻴﻦ ﻣﻘﺎدﻳﺮي اﺳﺖ ﻛﻪ رﺗﺒﻪ آﻧﻬﺎ و‪+1‬‬

‫‪2‬‬ ‫‪2‬‬

‫ﻣﺜﺎل‪ :‬ﻣﻴﺎﻧﻪ اﻋﺪاد ‪ 41 ،‐13 ،17 ،14‬و ‪ 12‬را ﻣﺸﺨﺺ ﻛﻨﻴﺪ‪.‬‬

‫ﺑﺎ ﻣﺮﺗﺐ ﻛﺮدن اﻋﺪاد ﺑﻪ ﺗﺮﺗﻴﺐ ﺻﻌﻮدي و دادن رﺗﺒﻪ ﺑﻪ آﻧﻬﺎ‪ ،‬ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬

‫‪  41 ‬‬ ‫‪17 ‬‬ ‫‪14 ‬‬ ‫‪12 ‬‬ ‫‪‐13‬‬ ‫ﻣﻘﺪار‪:‬‬

‫‪  5 ‬‬ ‫‪4 ‬‬ ‫‪3 ‬‬ ‫‪2 ‬‬ ‫‪1 ‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫رﺗﺒﻪ‪:‬‬
‫‪1‬‬ ‫‪5 1‬‬
‫اﺳﺖ‪ ،‬در ﻧﺘﻴﺠﻪ ‪ Md=14‬ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬ ‫ ‬ ‫ﻣﻴﺎﻧﻪ ﻋﺪدي ﺑﺎ رﺗﺒﻪ ‪3‬‬
‫‪2‬‬ ‫‪2‬‬

‫ﺑﻪ ﻃﻮر ﻛﻠﻲ از ﻣﻴﺎﻧﻪ ﺑﻪ ﻋﻨﻮان اﻧﺪازه ﺗﻤﺎﻳﻞ ﺑﻪ ﻣﺮﻛﺰ ﺗﻮزﻳﻊﻫﺎﻳﻲ اﺳﺘﻔﺎده ﻣﻲﺷﻮدﻛﻪ ﺷﺎﻣﻞ ﻣﻘﺎدﻳﺮ اﻧﺘﻬﺎﻳﻲ‪ ،‬ﻳﻌﻨﻲ ﻣﻘﺎدﻳﺮي‬

‫در ﺣﺪ ﺑﺴﻴﺎر ﺑﺎﻻ ﻳﺎ ﺑﺴﻴﺎر ﭘﺎﻳﻴﻦ ﻫﺴﺘﻨﺪ‪ .‬از ﻧﻈﺮ ﻋﻠﻤﻲ ﻧﻴﺰ ﻣﻴﺎﻧﻪ ﻛﻤﺘﺮ ﺗﺤﺖ ﺗﺎﺛﻴﺮداد ﻫﺎي واﻗﻊ ﺷﺪه در اﻧﺘﻬﺎي ﺗﻮزﻳﻊ ﻗﺮار‬

‫ﻣﻲﮔﻴﺮد‪ .‬اﮔﺮ ﺻﻔﺖ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ‪ ،‬ﻛﻴﻔﻲ ﺑﺎﺷﺪ‪ ،‬ﺑﻪدﺳﺖ آوردن ﻣﻴﺎﻧﻪ ﺑﻪ ﻋﻨﻮان ﻳﻚ ﭘﺎراﻣﺘﺮ ﻣﺮﻛﺰي ﻣﻔﻴﺪ ﺧﻮاﻫﺪ ﺑﻮد‪ .‬در‬

‫ﻫﻨﮕﺎم ﻣﻴﺎﻧﮕﻴﻦ ﮔﻴﺮي دو ﻋﺪد ﻣﻴﺎﻧﻲ در ﻣﻮرد ﺗﻌﻴﻴﻦ ﻣﻴﺎﻧﻪ ﻣﺠﻤﻮﻋﻪ داده ﻫﺎي ﻛﻴﻔﻲ ﺑﺎ ﺗﻌﺪاد زوج‪ ،‬اﮔﺮ ﻣﻘﺪار ﻣﻴﺎﻧﮕﻴﻦ ﻋﺪد‬

‫ﻛﺎﻣﻠﻲ ﻧﺒﻮد آﻧﺮا ﺑﻪ ﻧﺰدﻳﻜﺘﺮﻳﻦ ﻋﺪد ﻧﺴﺒﺖ ﻣﻲدﻫﻴﻢ‪  .‬‬

‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻣﻴﺎﻧﻪ در ﺟﺪاول ﻓﺮاواﻧﻲ از ﺳﺘﻮن ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ اﺳﺘﻔﺎده ﻣﻲﻛﻨﻴﻢ‪ .‬اوﻟﻴﻦ ﻃﺒﻘﻪاي ﻛﻪ ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ آن‬

‫ﻧﺼﻒ ﺗﻌﺪاد دادهﻫﺎ و ﻳﺎ ﺑﻴﺸﺘﺮ از آن ﺑﺎﺷﺪ‪ ،‬ﻃﺒﻘﻪاي اﺳﺖ ﻛﻪ ﻣﻴﺎﻧﻪ در آن ﻗﺮار دارد‪ .‬ﻣﻴﺎﻧﻪ را در داده ﻫﺎي ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه‬

‫ﺑﺎ اﺳﺘﻔﺎده از راﺑﻄﻪ زﻳﺮ ﺑﺪﺳﺖ ﻣﻲآورﻳﻢ‪:‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٢٥‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫‪٢‬‬ ‫‪١‬‬
‫‪٠.٥‬‬ ‫‪ ‬‬

‫ﻛﻪ در آن‪:‬‬

‫‪ :‬ﺣﺪ ﭘﺎﻳﻴﻨﻲ ﻃﺒﻘﻪاي اﺳﺖ ﻛﻪ ﻣﻴﺎﻧﻪ در آن ﻗﺮار دارد‪) .‬اول ﺑﺎﻳﺪ ﻃﺒﻘﻪ ﻣﻴﺎﻧﻪ را ﻣﺸﺨﺺ ﻛﻨﻴﻢ(‬ ‫‪0.5‬‬

‫‪ :‬ﻓﺮاواﻧﻲ ﺗﺠﻤﻌﻲ ﻣﻄﻠﻖ ﻳﻚ ﻃﺒﻘﻪ ﻗﺒﻞ از ﻃﺒﻘﻪاي ﻛﻪ ﻣﻴﺎﻧﻪ در آن ﻗﺮار دارد‪.‬‬ ‫‪1‬‬

‫‪ :‬ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ ﻃﺒﻘﻪاي ﻛﻪ ﻣﻴﺎﻧﻪ در آن ﻗﺮار دارد‪.‬‬

‫‪ : R‬ﻓﺎﺻﻠﻪ ﻃﺒﻘﺎت‬

‫ﻣﺜﺎل‪ :‬ﻣﻴﺎﻧﻪ را ﺑﺮاي دادهﻫﺎي زﻳﺮ ﺑﺪﺳﺖ ﻣﻲآورﻳﻢ‪:‬‬

‫دﺳﺘﻪ هﺎ ‪ ‬‬ ‫‪Fi ‬‬ ‫‪Fc ‬‬

‫‪50.5‐58.5 ‬‬ ‫‪3 ‬‬ ‫‪3 ‬‬
‫‪58.5‐66.5 ‬‬ ‫‪4 ‬‬ ‫‪7 ‬‬
‫‪66.5‐73.5 ‬‬ ‫‪5 ‬‬ ‫‪12 ‬‬
‫‪73.5‐81.5 ‬‬ ‫‪1 ‬‬ ‫‪13 ‬‬
‫ﻣﺠﻤﻮع ‪ ‬‬ ‫‪13 ‬‬ ‫‪ ‬‬

‫‪١٣ ١‬‬
‫ﻗﺎﺑﻞ‬ ‫( دادﻩ ﺷﻤﺎرﻩ ‪ ٧‬ﮐﻪ از روﯼ‬ ‫ﭼﻮن ﺗﻌﺪاد دادﻩهﺎ ﻓﺮد )‪ (١٣‬ﻣﯽﺑﺎﺷﺪ ﻟﺬا دادﻩ ﻣﻴﺎﻧﻪ ﺑﺮاﺑﺮ ﺧﻮاهﺪ ﺑﻮد ﺑﺎ )‪٧‬‬
‫‪٢‬‬

‫ﺗﺸﺨﻴﺺ ﻣﯽﺑﺎﺷﺪ‪ ،‬ﻳﻌﻨﯽ ﻃﺒﻘﻪ ﻣﻴﺎﻧﻪ ﻃﺒﻘﻪ دوم ﺧﻮاهﺪ ﺑﻮد )‪) (٥٨.٥-٦٦.٥‬ﺑﺮاﯼ ﺗﻮﺿﻴﺢ ﺑﻴﺸﺘﺮ ﺑﻪ ﺗﻴﺘﺮ "ﮐﺎرﺑﺮد ﺟﺪاول‬

‫ﻓﺮاواﻧﯽ" ﻣﺮاﺟﻌﻪ ﺷﻮد(‬

‫‪١٣‬‬
‫‪٣‬‬
‫‪٢‬‬
‫‪٥٨.٥‬‬ ‫‪٨‬‬ ‫‪٦٥.٥‬‬
‫‪٤‬‬

‫‪ ‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٢٦‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻧﻤﺎ‬

‫ﻧﻤﺎ )‪ (Mo‬در ﻳﻚ ﺗﻮزﻳﻊ آﻣﺎري ﻣﻘﺪاري اﺳﺖ ﻛﻪ ﺑﻴﺸﺘﺮﻳﻦ ﺗﻜﺮار را در ﻣﻴﺎن ﻣﺸﺎﻫﺪهﻫﺎ داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬از اﻳﻦ ﺷﺎﺧﺺ ﺑﺮاي‬

‫ﻧﻤﺎﻳﺶ دادهﻫﺎﻳﻲ اﺳﺘﻔﺎده ﻣﻲﻛﻨﻨﺪ ﻛﻪ ﻧﺴﺒﺖ ﺑﻪ دﻳﮕﺮ ﻣﻘﺎدﻳﺮ‪ ،‬ﺗﻜﺮار ﺑﻴﺸﺘﺮي دارﻧﺪ‪ .‬ﻧﻤﺎ ﻳﻚ ﺷﺎﺧﺺ ﻣﺮﻛﺰي ﺑﺴﻴﺎر ﻣﺘﻐﻴﺮ و‬

‫ﻧﺎﭘﺎﻳﺪار اﺳﺖ ﻛﻪ ﻋﻤﻠﻴﺎت رﻳﺎﺿﻲ را ﺑﺮ روي آن ﻧﻤﻲﺗﻮان اﻧﺠﺎم داد‪ .‬در ﭘﮋوﻫﺶﻫﺎﻳﻲ ﻛﻪ ﻫﺪف ﺗﺸﺨﻴﺺ ﺑﺮﺗﺮي ﻳﻚ داده ﻳﺎ‬

‫ﻣﺸﺎﻫﺪه ﺑﺎﺷﺪ‪ ،‬ﻧﻤﺎ ﻣﻔﻴﺪﺗﺮ از ﻣﻴﺎﻧﮕﻴﻦ و ﻣﻴﺎﻧﻪ اﺳﺖ‪.‬‬

‫ﻣﺜﺎل‪ :‬ﺑﺮاي ﻣﺸﺎﻫﺪهﻫﺎي ‪ 5 ،8 ،10 ،15 ،2 ،7 ،15‬و ‪ 2‬ﻧﻤﺎ را ﺗﻌﻴﻴﻦ ﻛﻨﻴﺪ‪.‬‬

‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻦ ﻛﻪ ‪ 2‬و ‪ 15‬ﻧﺴﺒﺖ ﺑﻪ دﻳﮕﺮ ﻣﺸﺎﻫﺪهﻫﺎ‪ ،‬ﺑﻴﺸﺘﺮ ﺗﻜﺮار ﺷﺪهاﻧﺪ‪ ،‬ﻧﻤﺎﻫﺎي ﻣﺸﺎﻫﺪهﻫﺎ ‪ 2‬و ‪ 15‬ﺧﻮاﻫﻨﺪ ﺑﻮد‪،‬‬

‫ﻳﻌﻨﻲ دو ﻧﻤﺎ ﺑﺮاي ﻣﺸﺎﻫﺪهﻫﺎ وﺟﻮد ﺧﻮاﻫﺪ داﺷﺖ‪ .‬دادهﻫﺎ ﻣﻲﺗﻮاﻧﻨﺪ ﻧﻤﺎ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻨﺪ ﻳﺎ ﭼﻨﺪ ﻧﻤﺎ داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪.‬‬

‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻧﻤﺎ در ﺟﺪول ﻓﺮاواﻧﻲ ﻧﻴﺰ اﺑﺘﺪا ﻃﺒﻘﻪاي ﻛﻪ داراي ﺑﻴﺸﺘﺮﻳﻦ ﻓﺮاواﻧﻲ اﺳﺖ در ﻧﻈﺮ ﻣﻲﮔﻴﺮﻳﻢ ﺳﭙﺲ ﺑﺎ اﺳﺘﻔﺎده‬

‫از ﻓﺮﻣﻮل زﻳﺮ‪ ،‬ﻧﻤﺎ را ﺑﺪﺳﺖ ﻣﻲآورﻳﻢ‪ .‬ﺗﻮﺟﻪ ﺷﻮد ﻛﻪ ﺗﺸﺨﻴﺺ ﻃﺒﻘﻪ ﻣﺪ ﺳﺎده ﻣﻲﺑﺎﺷﺪ اﻣﺎ ﻧﻤﻲداﻧﻴﻢ ﻛﻪ دﻗﻴﻘﺎ ﻧﻤﺎ ﻣﺮﺑﻮط ﺑﻪ‬

‫ﻛﺪام داده اﺳﺖ‪.‬‬

‫‪١‬‬
‫‪ ‬‬
‫‪١‬‬ ‫‪٢‬‬

‫ﻛﻪ در آن‪:‬‬

‫‪ :‬ﺣﺪ ﭘﺎﻳﻴﻨﻲ ﻃﺒﻘﻪاي ﻛﻪ داراي ﺑﻴﺸﺘﺮﻳﻦ ﻓﺮاواﻧﻲ اﺳﺖ ‪).‬ﺣﺪ ﭘﺎﻳﻴﻦ ﻃﺒﻘﻪ ﻣﺪ(‬

‫‪ :‬ﺗﻔﺎوت ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ ﻃﺒﻘﻪاي ﻛﻪ داراي ﺑﻴﺸﺘﺮﻳﻦ ﻓﺮاواﻧﻲ اﺳﺖ ﺑﺎ ﻃﺒﻘﻪ ﻗﺒﻞ‪.‬‬ ‫‪1‬‬

‫‪ :‬ﺗﻔﺎوت ﻓﺮاواﻧﻲ ﻣﻄﻠﻖ ﻃﺒﻘﻪاي ﻛﻪ داراي ﺑﻴﺸﺘﺮﻳﻦ ﻓﺮاواﻧﻲ اﺳﺖ ﺑﺎ ﻃﺒﻘﻪ ﺑﻌﺪ‪.‬‬ ‫‪2‬‬

‫‪ : R‬ﻓﺎﺻﻠﻪ ﻃﺒﻘﺎت‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٢٧‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻣﺜﺎل‪ :‬در ﻣﺜﺎل ﻗﺒﻞ ﻃﺒﻘﻪاي ﻛﻪ داراي ﺑﻴﺸﺘﺮﻳﻦ ﻓﺮاواﻧﻲ اﺳﺖ ﻃﺒﻘﻪ ‪ 73.5-81.5‬اﺳﺖ ﺑﻨﺎﺑﺮاﻳﻦ دارﻳﻢ‪:‬‬

‫‪١‬‬
‫‪٦٦.٥‬‬ ‫‪∗٨‬‬ ‫‪٦٨.١‬‬
‫‪١‬‬ ‫‪٤‬‬

‫ﻣﻘﺎﻳﺴﻪ ﻣﻴﺎﻧﮕﻴﻦ‪ ،‬ﻣﻴﺎﻧﻪ و ﻧﻤﺎ‬

‫از ﺑﻴﻦ ﺷﺎﺧﺺﻫﺎي ﺗﻤﺎﻳﻞ ﻣﺮﻛﺰي‪ ،‬اﻫﻤﻴﺖ ﻣﻴﺎﻧﮕﻴﻦ در ﺑﺮرﺳﻲﻫﺎي آﻣﺎري ﺑﻴﺸﺘﺮ اﺳﺖ‪ .‬ﻣﻴﺎﻧﮕﻴﻦ ﺑﺮاي ﺗﻮﺻﻴﻒ ﻣﺘﻐﻴﺮﻫﺎي‬

‫ﻧﺴﺒﺘﻲ و ﻓﺎﺻﻠﻪاي ﻛﻪ از ﭘﺮاﻛﻨﺪﮔﻲ ﻣﺘﻌﺎدﻟﻲ ﺑﺮﺧﻮردار ﺑﺎﺷﻨﺪ‪ ،‬ﻣﻨﺎﺳﺐﺗﺮﻳﻦ ﺷﺎﺧﺺ ﻣﺮﻛﺰي ﺧﻮاﻫﺪ ﺑﻮد‪ ،‬اﻣﺎ ﺑﺮاي ﺗﻮﺻﻴﻒ‬

‫ﻣﺘﻐﻴﺮﻫﺎي رﺗﺒﻪاي و اﺳﻤﻲ ﻛﺎراﻳﻲ ﻧﺪارد‪ .‬ﺑﺮاي ﺗﻮﺻﻴﻒ ﻣﺘﻐﻴﺮﻫﺎي رﺗﺒﻪاي‪ ،‬ﻣﻴﺎﻧﻪ و ﻧﻤﺎ را ﻣﻲﺗﻮان ﺑﻪﻛﺎر ﺑﺮد‪ .‬ﺑﺮاي ﻣﺘﻐﻴﺮﻫﺎي‬

‫اﺳﻤﻲ ﺗﻨﻬﺎ از ﻧﻤﺎ اﺳﺘﻔﺎده ﻣﻲﻛﻨﻨﺪ‪ .‬وﻗﺘﻲ ﮔﺮوهﻫﺎي اول و آﺧﺮ ﺑﺎز ﺑﺎﺷﻨﺪ ﻧﻴﺰ ﻣﻴﺎﻧﻪ ﻣﻌﻴﺎر ﻣﺮﻛﺰي ﺧﻮﺑﻲ ﻣﻲﺑﺎﺷﺪ‪.‬‬

‫‪ (4‬اﺑﺰار ﺷﺎﺧﺺﻫﺎي ﭘﺮاﻛﻨﺪﮔﻲ‬

‫ﺷﺎﺧﺺﻫﺎي ﺗﻤﺎﻳﻞ ﻣﺮﻛﺰي‪ ،‬ﻓﻘﻂ ﺑﺨﺸﻲ از اﻃﻼﻋﺎت ﻻزم را ﺑﺮاي ﻣﺠﻤﻮﻋﻪ دادهﻫﺎ اراﺋﻪ ﻣﻲدﻫﻨﺪ‪  .‬‬

‫ﻣﺜﺎل‪:‬ﻓﺮض ﻛﻨﻴﺪ اﻋﺪاد زﻳﺮ ﻧﻤﺮهﻫﺎي دو ﻛﻼس در ﻳﻚ آزﻣﻮن آﻣﺎر زﻳﺴﺘﻲ ﺑﺎﺷﻨﺪ‪:‬‬

‫ﻛﻼس ﻳﻚ‪2 :‬و ‪3‬و ‪5‬و ‪6‬و ‪14‬و ‪16‬و ‪17‬و ‪18‬و ‪19‬و ‪20‬‬

‫ﻛﻼس دو‪9 :‬و ‪10‬و ‪10‬و ‪11‬و ‪11‬و ‪12‬و ‪13‬و ‪14‬و ‪15‬و ‪15‬‬

‫ﺑﺎ وﺟﻮد اﻳﻨﻜﻪ ﻣﻴﺎﻧﮕﻴﻦ ﺑﺮاي ﻫﺮ دو ﻛﻼس ‪ 12‬ﻣﻲﺑﺎﺷﺪ ﻧﺤﻮه ﭘﺮاﻛﻨﺪﮔﻲ دادهﻫﺎ در اﻃﺮاف ‪ 12‬ﻣﺘﻔﺎوت اﺳﺖ در ﻛﻼس ﻳﻚ‬

‫ﭘﺮاﻛﻨﺪﮔﻲ دادهﻫﺎ زﻳﺎد و اﻏﻠﺐ دادهﻫﺎ از ‪ 12‬دور ﻣﻲﺑﺎﺷﻨﺪ در ﺣﺎﻟﻲ ﻛﻪ در ﻛﻼس دو ﭘﺮاﻛﻨﺪﮔﻲ دادهﻫﺎ ﻛﻢ و دادهﻫﺎ ﻧﺰدﻳﻚ‬

‫ﺑﻪ ‪ 12‬ﻣﻲﺑﺎﺷﻨﺪ‪.‬‬

‫ﻣﺜﺎل ﺑﺎﻻ ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ ﻣﻌﻴﺎرﻫﺎي ﺗﻤﺎﻳﻞ ﻣﺮﻛﺰي ﺑﻪ ﺗﻨﻬﺎﻳﻲ ﻧﻤﻲﺗﻮاﻧﻨﺪ ﻣﻌﺮف ﻛﺎﻣﻠﻲ از دادهﻫﺎ ﺑﺎﺷﻨﺪ و ﻻزم اﺳﺖ‬

‫ﻣﻌﻴﺎرﻫﺎﻳﻲ ﺑﺮاي ﺳﻨﺠﺶ ﭘﺮاﻛﻨﺪﮔﻲ ﻧﻴﺰ ﺗﻌﺮﻳﻒ ﺷﻮﻧﺪ‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٢٨‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﺷﺎﺧﺺﻫﺎي ﭘﺮاﻛﻨﺪﮔﻲ ﺑﺮاي ﺗﻮﺻﻴﻒ ﺑﻬﺘﺮ ﻣﺘﻐﻴﺮﻫﺎ ﺑﻪ ﻛﺎر ﻣﻲروﻧﺪ‪ .‬ﺷﺎﺧﺼﻲ ﺑﺮاي ﺗﻌﻴﻴﻦ ﺗﻐﻴﻴﺮات ﻣﻄﻠﻮب اﺳﺖ ﻛﻪ ﻧﺨﺴﺖ‬

‫در آن از ﺗﻤﺎم ﻣﺸﺎﻫﺪهﻫﺎ اﺳﺘﻔﺎده ﺷﻮد و دوم اﻳﻦ ﻛﻪ اﻧﺪازه ﺗﻐﻴﻴﺮات ﻣﺸﺎﻫﺪهﻫﺎ را ﺑﺮ ﺣﺴﺐ دوري ﻳﺎ ﻧﺰدﻳﻜﻲ ﺑﻪ ﻣﻴﺎﻧﮕﻴﻦ‬

‫ﻧﺸﺎن دﻫﺪ‪ .‬ﺷﺎﺧﺺﻫﺎي ﭘﺮاﻛﻨﺪﮔﻲ‪ ،‬اﻧﻮاﻋﻲ دارﻧﺪ ﻛﻪ ﺑﻪ ﺗﺮﺗﻴﺐ ﻣﻌﺮﻓﻲ ﻣﻲﺷﻮﻧﺪ‪:‬‬

‫داﻣﻨﻪ ﺗﻐﻴﺮات‬

‫ﻳﻜﻲ از ﺳﺎدهﺗﺮﻳﻦ ﺷﺎﺧﺺﻫﺎي ﭘﺮاﻛﻨﺪﮔﻲ‪ ،‬داﻣﻨﻪ ﺗﻐﻴﻴﺮات اﺳﺖ‪ .‬اﻳﻦ ﺷﺎﺧﺺ از ﺗﻔﺎﺿﻞ ﻛﻮﭼﻜﺘﺮﻳﻦ ﻣﺸﺎﻫﺪه از ﺑﺰرﮔﺘﺮﻳﻦ‬

‫ﻣﺸﺎﻫﺪه‪ ،‬ﻣﺤﺎﺳﺒﻪ ﻣﻲﺷﻮد‪ .‬ﺗﻌﺮﻳﻒ داﻣﻨﻪ ﺗﻐﻴﻴﺮات)ﻛﻪ ﺑﺎ ‪ R‬ﻧﺸﺎن داده ﻣﻲﺷﻮد( ﭼﻨﻴﻦ اﺳﺖ‪:‬‬

‫‪R‬‬

‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﻣﻤﮑﻦ اﺳﺖ ﺑﺨﻮاهﻴﻢ ﻣﻴﺎﻧﮕﻴﻦ وزن داﻧﺸﺠﻮﻳﺎن دو ﮐﻼس ‪ ١‬و ‪ ٢‬را ﺑﺪﺳﺖ ﺁورﻳﻢ‪ .‬ﻣﺜﻼ در ﮐﻼس ‪ ، ١‬ﻣﻴﺎﻧﮕﻴﻦ‬

‫‪ ٦٥‬ﮐﻴﻠﻮﮔﺮم ﺑﺪﺳﺖ ﺁﻣﺪﻩ و رﻧﺞ ﺣﺪاﻗﻞ و ﺣﺪاﮐﺜﺮ وزن داﻧﺸﺠﻮﻳﺎن اﻳﻦ ﮐﻼس ‪ ٥٥‬و ‪ ٧٥‬ﮐﻴﻠﻮﮔﺮم ﻣﯽﺑﺎﺷﺪ‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ وزن‬

‫داﻧﺸﺠﻮﻳﺎن ﮐﻼس ‪ ٢‬ﻧﻴﺰ ‪ ٦٥‬ﮐﻴﻠﻮﮔﺮم ﻣﺤﺎﺳﺒﻪ ﺷﺪﻩ در ﺣﺎﻟﻴﮑﻪ رﻧﺞ ﺣﺪاﻗﻞ و ﺣﺪاﮐﺜﺮ وزن اﻳﻦ ﮐﻼس ‪ ٤٥‬و ‪ ٨٥‬ﮐﻴﻠﻮﮔﺮم‬

‫ﻣﯽﺑﺎﺷﺪ‪ .‬هﻤﺎﻧﻄﻮرﻳﮑﻪ دﻳﺪﻩ ﻣﯽﺷﻮد ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﮑﻪ ﻣﻴﺎﻧﮕﻴﻦ وزن دو ﮐﻼس ﺑﺎ هﻢ ﺑﺮاﺑﺮ اﺳﺖ اﻣﺎ داﻣﻨﻪ ﺗﻐﻴﻴﺮات دو ﮐﻼس ﺑﺎ‬

‫هﻢ ﻣﺘﻔﺎوت اﺳﺖ‪.‬‬

‫داﻣﻨﻪ ﺗﻐﻴﻴﺮات ﺑﺎ وﺟﻮد ﺳﺎدﮔﻲ در ﻣﺤﺎﺳﺒﻪ‪ ،‬از ﺛﺒﺎت ﭼﻨﺪاﻧﻲ ﺑﺮﺧﻮردار ﻧﻴﺴﺖ‪ ،‬زﻳﺮا در ﺗﻌﻴﻴﻦ اﻳﻦ ﺷﺎﺧﺺ‪ ،‬از ﻣﺠﻤﻮع‬

‫ﻣﺸﺎﻫﺪهﻫﺎ‪ ،‬ﻓﻘﻂ از ﻛﻮﭼﻜﺘﺮﻳﻦ و ﺑﺰرﮔﺘﺮﻳﻦ آﻧﻬﺎ اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ .‬از اﻳﻦ ﺷﺎﺧﺺ ﺑﺮاي ﻣﻮاردي ﻛﻪ ﺑﻪ ﺷﺎﺧﺺ ﻓﻮري ﻧﻴﺎز‬

‫ﺑﺎﺷﺪ ﻳﺎ ﻫﻨﮕﺎﻣﻲ ﻛﻪ ﺗﻌﻴﻴﻦ ﺑﺰرﮔﺘﺮﻳﻦ و ﻛﻮﭼﻜﺘﺮﻳﻦ ﻣﻘﺪار دادهﻫﺎ و ﻓﺎﺻﻠﻪ ﺑﻴﻦ آﻧﻬﺎ ﻣﻮرد ﻧﻈﺮ ﺑﺎﺷﺪ‪ ،‬اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪.‬‬

‫ﻣﺜﺎل‪ :‬ﺑﺮاي دادهﻫﺎي زﻳﺮ داﻣﻨﻪ ﺗﻐﻴﻴﺮات را ﻣﺸﺨﺺ ﻛﻨﻴﺪ‪.‬‬

‫‪١٥، ١٦، ١٧، ١٧، ٢٠، ٢٠، ٢٢، ٦٠‬‬

‫داﻣﻨﻪ ﺗﻐﻴﻴﺮات در اﻳﻦ ﻣﺜﺎل‪ ،‬ﻣﺴﺎوي ‪ 45‬اﺳﺖ ﻛﻪ ﺑﺴﻴﺎر ﺑﺰرﮔﺘﺮ از ﭘﺮاﻛﻨﺪﮔﻲ واﻗﻌﻲ دادهﻫﺎﺳﺖ‪ .‬دﻟﻴﻞ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﻘﺪار‬

‫ﺑﺰرﮔﺘﺮﻳﻦ داده ﺑﺎ دﻳﮕﺮ دادهﻫﺎ‪ ،‬ﺗﻔﺎوت ﭼﺸﻤﮕﻴﺮي دارد و ﺳﺒﺐ ﻣﻲﺷﻮد ﭘﺮاﻛﻨﺪﮔﻲ ﺑﺰرﮔﺘﺮ از ﻣﻌﻤﻮل ﺟﻠﻮه ﻛﻨﺪ‪  .‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٢٩‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻣﺘﻮﺳﻂ اﻧﺤﺮاف از ﻣﻴﺎﻧﮕﻴﻦ‬

‫ﺷﺎﺧﺺ داﻣﻨﻪ ﺗﻐﻴﻴﺮات ﻗﺎدر ﺑﻪ ﺑﻴﺎن ﺗﻤﺎﻣﻲ ﺗﻐﻴﻴﺮات ﻧﻴﺴﺖ‪ ،‬ﭘﺲ ﺑﺎﻳﺪ ﺑﻪ دﻧﺒﺎل ﺷﺎﺧﺼﻲ ﺑﻮد ﻛﻪ ﺗﻐﻴﻴﺮات ﺗﻤﺎﻣﻲ دادهﻫﺎ را‬

‫اﻧﺪازهﮔﻴﺮي ﻛﻨﺪ‪ .‬ﻃﺒﻴﻌﻲ اﺳﺖ ﺗﻐﻴﻴﺮ‪ ،‬زﻣﺎﻧﻲ ﻣﻔﻬﻮم ﭘﻴﺪا ﻣﻲﻛﻨﺪ ﻛﻪ ﻫﺮ ﻳﻚ از دادهﻫﺎ ﻧﺴﺒﺖ ﺑﻪ ﻳﻚ ﻣﺒﺪا ﻣﻘﺎﻳﺴﻪ ﺷﻮﻧﺪ‪ .‬ﺑﻪ‬

‫ﺟﺮات ﻣﻲﺗﻮان ﮔﻔﺖ ﻛﻪ ﺑﻬﺘﺮﻳﻦ ﻣﺮﻛﺰ ﺑﺮاي دادهﻫﺎ‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ اﺳﺖ‪ .‬از وﻳﮋﮔﻴﻬﺎي ﻣﻴﺎﻧﮕﻴﻦ آن اﺳﺖ ﻛﻪ ﻣﺠﻤﻮع اﻧﺤﺮاف‬

‫دادهﻫﺎ از ﻣﻴﺎﻧﮕﻴﻨﺸﺎن ﻫﻤﻴﺸﻪ ﻣﺴﺎوي ﺻﻔﺮ اﺳﺖ‪ .‬واﺿﺢ اﺳﺖ ﻛﻪ آﻧﭽﻪ ﻣﻮﺟﺐ ﺻﻔﺮ ﺷﺪن اﻧﺤﺮافﻫﺎ ﻣﻲﺷﻮد‪ ،‬ﺧﻨﺜﻲ ﺷﺪن‬

‫اﻧﺤﺮافﻫﺎي ﻣﻨﻔﻲ ﺑﺎ اﻧﺤﺮافﻫﺎي ﻣﺜﺒﺖ اﺳﺖ‪ .‬از آﻧﺠﺎ ﻛﻪ اﻧﺤﺮافﻫﺎي ﻣﺜﺒﺖ و ﻣﻨﻔﻲ از ﻧﻈﺮ ﻛﺎرﺑﺮدي ﻳﻜﺴﺎن ﻫﺴﺘﻨﺪ‪ ،‬ﭘﺲ‬

‫ﻣﻲﺗﻮان از ﻗﺪرﻣﻄﻠﻖ اﻧﺤﺮافﻫﺎ ﺑﻪﺻﻮرت زﻳﺮ اﺳﺘﻔﺎده ﻛﺮد‪:‬‬

‫| |‬ ‫|‬ ‫‪| ‬‬

‫در ﻣﺤﺎﺳﺒﻪ ﻗﺪرﻣﻄﻠﻖ ﺗﻮﺟﻪ ﻛﻨﻴﺪ ﻛﻪ اﮔﺮ ﻋﻼﻣﺖ ﻣﻨﻔﻲ ﻳﻚ ﻋﺪد ﻣﻨﻔﻲ ﺑﺮداﺷﺘﻪ ﺷﻮد‪ ،‬ﻗﺪرﻣﻄﻠﻖ آن ﺣﺎﺻﻞ ﻣﻲﺷﻮد و‬

‫|‪. | 4‬‬ ‫|‪ | 2‬و ‪4‬‬ ‫ﻗﺪرﻣﻄﻠﻖ ﻋﺪد ﻣﺜﺒﺖ‪ ،‬ﺧﻮد ﻋﺪد ﻣﻲﺷﻮد ﻣﺜﻼ ‪2‬‬

‫ﺑﺮ اﻳﻦ اﺳﺎس ﻣﻲﺗﻮان ﺑﻪ ﺷﺎﺧﺺ ﺟﺪﻳﺪي از ﭘﺮاﻛﻨﺪﮔﻲ‪ ،‬ﺑﺎ ﻋﻨﻮان ﻣﺘﻮﺳﻂ اﻧﺤﺮاف از ﻣﻴﺎﻧﮕﻴﻦ رﺳﻴﺪ‪ ،‬ﻳﻌﻨﻲ‪:‬‬

‫|∑‬ ‫|‬
‫‪.‬‬

‫‪ :‬ﻣﻘﺎدﻳﺮ ﻣﺸﺎﻫﺪهﻫﺎ‪ :μ ،‬ﻣﻴﺎﻧﮕﻴﻦ و ‪:n‬ﺗﻌﺪاد ﻣﺸﺎﻫﺪهﻫﺎﺳﺖ‪.‬‬ ‫ﻛﻪ در آن ‪ :A.D‬اﻧﺤﺮاف ﻣﺘﻮﺳﻂ از ﻣﻴﺎﻧﮕﻴﻦ‪،‬‬

‫ﺑﺮاﯼ ﻣﺜﺎل اﮔﺮ وزن ﺗﮏﺗﮏ داﻧﺸﺠﻮﻳﺎن ﮐﻼس ‪ ١‬را از ‪) ٦٥‬ﻣﻴﺎﻧﮕﻴﻦ وزن ﮐﻼس ‪ (١‬ﮐﻢ ﮐﻨﻴﻢ‪ ،‬در ﺣﻘﻴﻘﺖ اﻧﺤﺮاف ﺗﮏﺗﮏ‬

‫دادﻩهﺎ از ﻣﻴﺎﻧﮕﻴﻦ را ﺑﺪﺳﺖ ﺁوردﻩاﻳﻢ ﮐﻪ ﻣﻘﺎدﻳﺮ ﻣﺜﺒﺖ و ﻣﻨﻔﯽ ﻣﯽﺑﺎﺷﻨﺪ‪ ،‬ﺣﺎل اﮔﺮ ﻗﺪرﻣﻄﻠﻖ اﻳﻦ اﻧﺤﺮاﻓﻬﺎ را ﺑﺎ هﻢ ﺟﻤﻊ ﮐﺮدﻩ‬

‫و ﺑﺮ ﺗﻌﺪاد اﻧﺤﺮاﻓﻬﺎ )ﺗﻌﺪاد ﮐﻞ دادﻩهﺎ( ﺗﻘﺴﻴﻢ ﮐﻨﻴﻢ‪ ،‬ﻣﺘﻮﺳﻂ اﻧﺤﺮاف از ﻣﻴﺎﻧﮕﻴﻦ ﮐﻼس ‪ ١‬ﺑﺪﺳﺖ ﻣﯽﺁﻳﺪ‪ .‬اﮔﺮ ﻣﺘﻮﺳﻂ اﻧﺤﺮاف‬

‫‪ ‬از ﻣﻴﺎﻧﮕﻴﻦ ﮐﻼس ‪ ٢‬ﺑﻴﺸﺘﺮ از ﮐﻼس ‪ ١‬ﺑﺎﺷﺪ ﻳﻌﻨﯽ ﭘﺮاﮐﻨﺪﮔﯽ وزن داﻧﺸﺠﻮﻳﺎن ﮐﻼس ‪ ٢‬از ﮐﻼس ‪ ١‬ﺑﻴﺸﺘﺮ اﺳﺖ‪.‬‬

‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻣﻴﺎﻧﮕﻴﻦ اﻧﺤﺮاﻓﻬﺎ در ﺟﺪول ﻓﺮاواﻧﻲ از ﻓﺮﻣﻮل زﻳﺮ اﺳﺘﻔﺎده ﻣﻲﻛﻨﻴﻢ ‪:‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٣٠‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫∑‬ ‫‪١‬‬ ‫|‬ ‫|̅‬

‫‪. .‬‬
‫∑‬ ‫‪١‬‬

‫از اﻳﻦ ﺷﺎﺧﺺ‪ ،‬ﻫﻨﮕﺎﻣﻲ ﻛﻪ در ﻣﺤﺎﺳﺒﻪ اﻧﺤﺮافﻫﺎ‪ ،‬ﺗﻌﺪاد اﻧﺪﻛﻲ اﻧﺤﺮاف زﻳﺎد و در ﻣﻘﺎﺑﻞ ﺗﻌﺪاد زﻳﺎدي اﻧﺤﺮاف اﻧﺪك ﻣﻮﺟﻮد‬

‫ﺑﺎﺷﺪ‪ ،‬اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ ،‬زﻳﺮا اﮔﺮ از اﻧﺤﺮاف ﻣﻌﻴﺎر اﺳﺘﻔﺎده ﺷﻮد‪ ،‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻦ ﻛﻪ اﻧﺤﺮاف ﻣﻴﺎﻧﮕﻴﻦ ﻣﺠﺬور ﻣﻲﺷﻮد‪ ،‬ﺷﺎﺧﺺ‬

‫اﻧﺤﺮاف ﻣﻌﻴﺎر‪ ،‬اﻧﺤﺮافﻫﺎ ﺑﻴﺶ از ﻣﻘﺪار واﻗﻌﻲ ﻧﺸﺎن ﻣﻲدﻫﺪ‪.‬‬

‫اﻧﺤﺮاف ﻣﻌﻴﺎر و وارﻳﺎﻧﺲ‬

‫اﻧﺤﺮاف ﻣﻌﻴﺎر اﻣﺮوزه ﺑﻪ ﻋﻨﻮان ﻣﻌﺘﺒﺮﺗﺮﻳﻦ و ﭘﺮ اﺳﺘﻔﺎدهﺗﺮﻳﻦ ﺷﺎﺧﺺ ﭘﺮاﻛﻨﺪﮔﻲ ﺑﻪ ﻛﺎر ﻣﻲرود‪ .‬اﻳﻦ ﺷﺎﺧﺺ اﻓﺰون ﺑﺮ اﻳﻦ ﻛﻪ‬

‫از درﺟﻪ اﻋﺘﺒﺎر ﺑﺎﻻﻳﻲ ﺑﺮﺧﻮردار اﺳﺖ‪ ،‬ﺑﺴﻴﺎري از ﻣﻌﺎﻳﺒﻲ را ﻛﻪ ﺑﺮاي ﺷﺎﺧﺺﻫﺎي ﻗﺒﻠﻲ ﺑﺮﺷﻤﺮده ﺷﺪ‪ ،‬ﻧﺪارد‪ .‬ﻣﻔﺎﻫﻴﻢ آﻣﺎري‬

‫دﻳﮕﺮ ﺑﺮ اﺳﺎس اﻳﻦ ﺷﺎﺧﺺ‪ ،‬ﭘﺎﻳﻪﮔﺬاري ﺷﺪه اﺳﺖ‪ .‬ﻓﺮﻣﻮل ﻣﺤﺎﺳﺒﻪ اﻧﺤﺮاف ﻣﻌﻴﺎر ﺟﺎﻣﻌﻪ ﻛﻪ آن را ﺑﺎ ‪ σ‬ﻧﺸﺎن ﻣﻲدﻫﻨﺪ‬

‫ﭼﻨﻴﻦ اﺳﺖ‪:‬‬

‫∑‬ ‫‪١‬‬
‫‪σ‬‬ ‫‪ ‬‬

‫‪2‬‬
‫ﺑﻪﺻﻮرت زﻳﺮ اﺳﺖ‪:‬‬ ‫ﻓﺮﻣﻮل ﻣﺤﺎﺳﺒﻪ وارﻳﺎﻧﺲ ﺟﺎﻣﻌﻪ‬

‫∑‬ ‫‪٢‬‬
‫‪٢‬‬ ‫‪١‬‬
‫‪ ‬‬

‫‪2‬‬
‫ﻧﻤﻮﻧﻪ در ﻣﺨﺮج ﻛﺴﺮ ﻓﺮﻣﻮلﻫﺎي ﺑﺎﻻ ‪ n‐1‬ﻗﺮار ﻣﻲﮔﻴﺮد‪.‬‬ ‫و وارﻳﺎﻧﺲ‬ ‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ اﻧﺤﺮاف ﻣﻌﻴﺎر‬

‫∑‬ ‫‪١‬‬ ‫̅‬ ‫‪٢‬‬

‫‪ ‬‬
‫‪١‬‬

‫∑‬ ‫‪٢‬‬
‫‪٢‬‬ ‫‪١‬‬ ‫̅‬
‫‪ ‬‬
‫‪١‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٣١‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫‪ :‬ﻣﻘﺪار ﻫﺮ ﻛﺪام از ﻣﺸﺎﻫﺪهﻫﺎ‪ : ،‬ﻣﻴﺎﻧﮕﻴﻦ ﻧﻤﻮﻧﻪ‪ :μ ،‬ﻣﻴﺎﻧﮕﻴﻦ ﺟﺎﻣﻌﻪ و ‪ :n‬ﺗﻌﺪاد ﻣﺸﺎﻫﺪهﻫﺎﺳﺖ‪.‬‬ ‫در ﻓﺮﻣﻮلﻫﺎي ﺑﺎﻻ‪،‬‬

‫اﮔﺮ ﺗﻌﺪاد ﻣﺸﺎﻫﺪات زﻳﺎد ﺑﺎﺷﺪ اﺳﺘﻔﺎده از دﺳﺘﻮر ﺑﺎﻻ ﺧﺴﺘﻪ ﻛﻨﻨﺪه ﺧﻮاﻫﺪ ﺑﻮد ﺑﺎ اﺳﺘﻔﺎده از ﺟﺒﺮ ﻣﻘﺪﻣﺎﺗﻲ ﻓﺮﻣﻮل وارﻳﺎﻧﺲ‬

‫ﺑﻪ ﺻﻮرت زﻳﺮ ﻛﻪ از ﻧﻈﺮ ﻣﺤﺎﺳﺒﻪ ﺳﺎدهﺗﺮ اﺳﺖ درﻣﻲآﻳﺪ‪:‬‬

‫‪٢‬‬ ‫‪٢‬‬
‫‪٢‬‬
‫∑‬ ‫‪١‬‬ ‫∑‬ ‫‪١‬‬
‫‪ ‬‬
‫‪١‬‬

‫ﻣﺜﺎل‪ :‬وارﻳﺎﻧﺲ دادهﻫﺎي زﻳﺮ را ﺑﺎ اﺳﺘﻔﺎده از ﻓﺮﻣﻮل اﺻﻠﻲ ﺳﺎده ﺷﺪه وارﻳﺎﻧﺲ ﺑﺪﺳﺖ آورﻳﺪ‪:‬‬

‫‪١‬‬ ‫‪٧‬‬ ‫‪٠‬‬ ‫‪٣‬‬ ‫‪٩‬‬

‫̅‬ ‫‪١‐٤=‐٣‬‬ ‫‪٧‐٤=٣‬‬ ‫‪٠‐٤=‐٤‬‬ ‫‪٣‐٤=‐١‬‬ ‫‪٩‐٤=٥‬‬

‫‪٢‬‬ ‫‪٢‬‬ ‫‪٢‬‬ ‫‪٢‬‬

‫̅‬ ‫‪٣‬‬ ‫‪٩‬‬ ‫‪٣٢‬‬ ‫‪٩‬‬ ‫‪٤‬‬ ‫‪١٦‬‬ ‫‪١‬‬ ‫‪١‬‬ ‫‪٥٢‬‬ ‫‪٢٥‬‬

‫̅‬ ‫‪٤ ‬‬

‫ﺑﺎ اﺳﺘﻔﺎدﻩ از ﻓﺮﻣﻮل اﺻﻠﯽ‪:‬‬

‫‪٦٠‬‬ ‫‪٢‬‬ ‫‪٢‬‬

‫‪ ‬‬
‫‪٤‬‬
‫‪√١٥‬‬ ‫‪٣.٨٧                           ‬‬ ‫‪٣.٨٧‬‬ ‫‪١٥‬‬

‫ﺑﺎ اﺳﺘﻔﺎدﻩ از ﻓﺮﻣﻮل ﺳﺎدﻩ ﺷﺪﻩ‪:‬‬

‫‪١‬‬ ‫‪٧‬‬ ‫‪٠‬‬ ‫‪٣‬‬ ‫‪٩‬‬ ‫‪٢٠ ‬‬

‫‪١‬‬

‫‪٢‬‬
‫‪١٢‬‬ ‫‪٧٢‬‬ ‫‪٠٢‬‬ ‫‪٣٢‬‬ ‫‪٩٢‬‬ ‫‪١٤٠ ‬‬
‫‪١‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٣٢‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫‪٢‬‬ ‫‪٢‬‬ ‫‪٢‬‬

‫‪٢‬‬
‫∑‬ ‫‪١‬‬ ‫∑ ‬ ‫‪١‬‬ ‫‪٥ ١٤٠‬‬ ‫‪٢٠‬‬ ‫‪٧٠٠‬‬ ‫‪٤٠٠‬‬
‫‪١٥‬‬
‫‪١‬‬ ‫‪٥‬‬ ‫‪٤‬‬ ‫‪٢٠‬‬

‫‪S=٣.٨٧٣‬‬

‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ وارﻳﺎﻧﺲ در ﺟﺪول ﻓﺮاواﻧﻲ از ﻓﺮﻣﻮل زﻳﺮ اﺳﺘﻔﺎده ﻣﻲﻛﻨﻴﻢ ‪:‬‬

‫∑‬ ‫‪٢‬‬
‫‪٢‬‬ ‫‪١‬‬ ‫̅‬
‫‪ ‬‬
‫∑‬ ‫‪١‬‬ ‫‪١‬‬

‫ﻣﻲﺗﻮان ﻓﺮﻣﻮل وارﻳﺎﻧﺲ را ﺑﻪ ﺻﻮرت ﺳﺎدهﺗﺮ ﻧﻮﺷﺖ ﻛﻪ ﻣﺤﺎﺳﺒﺎت آﻧﺮا آﺳﺎنﺗﺮ ﻣﻲﻛﻨﺪ ‪:‬‬ ‫̅‬ ‫‪2‬‬
‫ﺑﺎ اﺳﺘﻔﺎده از ﺑﺴﻂ‬

‫‪٢‬‬ ‫∑‪٢‬‬
‫‪٢‬‬
‫∑‬ ‫‪١‬‬ ‫̅‬ ‫‪١‬‬
‫∑‬ ‫‪١‬‬ ‫‪١‬‬

‫ﺿﺮﻳﺐ ﺗﻐﻴﻴﺮات‬

‫اﻧﺤﺮاف ﻣﻌﻴﺎر ﺑﻪ ﻋﻨﻮان ﻳﻚ ﺷﺎﺧﺺ ﭘﺮاﻛﻨﺪﮔﻲ ﻣﻨﺎﺳﺐ در آﻣﺎر ﺑﻪ ﻛﺎر ﺑﺮده ﻣﻲﺷﻮد‪ ،‬وﻟﻲ از آﻧﺠﺎ ﻛﻪ اﻳﻦ ﺷﺎﺧﺺ ﻣﺮﻛﺰي‬

‫ﻧﻴﺰ‪ ،‬ﻣﺘﺎﺛﺮ از ﻃﺒﻴﻌﺖ دادهﻫﺎ و ﺑﻪ وﻳﮋه واﺣﺪﻫﺎي اﻧﺪازهﮔﻴﺮي اﺳﺖ‪ ،‬ﻣﺘﺎﺳﻔﺎﻧﻪ اﮔﺮ ﭘﮋوﻫﺸﮕﺮ ﻫﻮﺷﻴﺎراﻧﻪ ﻋﻤﻞ ﻧﻜﻨﺪ‪ ،‬ﻣﻲﺗﻮاﻧﺪ‬

‫ﺗﺼﻤﻴﻢﮔﻴﺮي را دﭼﺎر اﺷﺘﺒﺎه ﻛﻨﺪ‪ .‬ﻳﻜﻲ از دﻻﻳﻞ اﻳﻦ اﻣﺮ ﺑﺪان ﺧﺎﻃﺮ ﺻﻮرت ﻣﻲﮔﻴﺮد ﻛﻪ ﻣﺜﻼ دو ﻧﻮع ﻣﺘﻐﻴﺮي ﻛﻪ وارد‬

‫ﻣﺤﺎﺳﺒﻪ ﻣﻲﺷﻮﻧﺪ ﺑﺎ واﺣﺪ ﻣﺨﺘﻠﻒ اﻧﺪازهﮔﻴﺮي ﺷﻮﻧﺪ‪ .‬ﺑﺮاي ﻣﺜﺎل ﻣﻤﻜﻦ اﺳﺖ ﺑﺮاي ﺟﻤﻌﻴﺖ ﻣﻌﻴﻦ ﺑﺮرﺳﻲ ﻛﻨﻴﻢ ﻛﻪ آﻳﺎ‬

‫ﺗﻐﻴﻴﺮات ﻗﺪ ﻳﻚ ﺟﺎﻣﻌﻪ ﻣﺘﻐﻴﺮﺗﺮ از وزن آﻧﻬﺎ اﺳﺖ‪ ،‬ﻛﻪ ﻳﻜﻲ ﺑﺮ ﺣﺴﺐ ﻣﺘﺮ و دﻳﮕﺮي ﺑﺮ ﺣﺴﺐ ﻛﻴﻠﻮﮔﺮم اﻧﺪازهﮔﻴﺮي ﺷﺪه‬

‫اﺳﺖ‪.‬‬

‫ﻋﻼوه ﺑﺮ آن ﻣﻤﻜﻦ اﺳﺖ واﺣﺪﻫﺎي اﻧﺪازهﮔﻴﺮي ﻳﻜﺴﺎن ﺑﻜﺎر ﻣﻲروﻧﺪ اﻣﺎ ﻣﻴﺎﻧﮕﻴﻨﻬﺎ ﻛﺎﻣﻼ ﻣﺘﻔﺎوت ﺑﺎﺷﻨﺪ‪ .‬اﮔﺮ اﻧﺤﺮاف ﻣﻌﻴﺎر‬

‫وزن ﻛﻮدﻛﺎن ﻛﻼس اول دﺑﺴﺘﺎن را ﺑﺎ اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد وزن داﻧﺶآﻣﻮزان ﺳﺎل اول دﺑﻴﺮﺳﺘﺎن ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﻢ‪ ،‬ﻣﻤﻜﻦ اﺳﺖ‬

‫اﻧﺤﺮاف ﻣﻌﻴﺎر دوﻣﻲ از ﻧﻈﺮ ﻋﺪدي ﺑﺰرﮔﺘﺮ از اوﻟﻲ ﺑﺎﺷﺪ زﻳﺮا وزﻧﻬﺎ ﺧﻮد ﺑﺰرﮔﺘﺮ ﻫﺴﺘﻨﺪ‪ ،‬ﻧﻪ ﺑﻪ ﺧﺎﻃﺮ آﻧﻜﻪ ﺗﻐﻴﻴﺮات ﺑﻴﺸﺘﺮ‬

‫اﺳﺖ‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٣٣‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻣﻲﮔﻮﻳﻨﺪ‪ .‬اﻳﻦ‬ ‫ﺑﺮاي دوري از ﻫﺮ ﮔﻮﻧﻪ ﺧﻄﺎ‪ ،‬ﺷﺎﺧﺺ ﭘﺮاﻛﻨﺪﮔﻲ ﻧﺴﺒﻲ در آﻣﺎر وﺟﻮد دارد ﻛﻪ ﺑﻪ آن ﺿﺮﻳﺐ ﺗﻐﻴﻴﺮات‬

‫ﺷﺎﺧﺺ ﻧﺸﺎن ﻣﻲدﻫﺪ ﻛﻪ ﻣﻴِﺰان ﭘﺮاﻛﻨﺪﮔﻲ‪ ،‬ﭼﻨﺪ درﺻﺪ ﻣﻴﺎﻧﮕﻴﻦ اﺳﺖ‪ .‬از اﻳﻦ ﺿﺮﻳﺐ در ﻣﻮاردي ﻛﻪ ﺑﺨﻮاﻫﻨﺪ ﺗﻐﻴﻴﺮﭘﺬﻳﺮي‬

‫ﺗﻘﺴﻴﻢ‬ ‫ﺑﻪ ﻣﻴﺎﻧﮕﻴﻦ آن‬ ‫دو ﻳﺎ ﭼﻨﺪ ﮔﺮوه را ﺑﺎ ﻫﻢ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻨﺪ‪ ،‬اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ .‬اﮔﺮ اﻧﺤﺮاف ﻣﻌﻴﺎر ﻫﺮ ﺗﻮزﻳﻊ‬

‫ﺑﻪ دﺳﺖ ﻣﻲآﻳﺪ‪.‬‬ ‫ﺷﻮد‪ ،‬اﻧﺤﺮاف ﻣﻌﻴﺎر ﻧﺴﺒﻲ ﺑﺎ ﺿﺮﻳﺐ ﺗﻐﻴﻴﺮات‬

‫‪١٠٠‬‬

‫از آﻧﺠﺎﻳﻲ ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ و اﻧﺤﺮاف ﻣﻌﻴﺎر ﻫﺮ دو ﺑﺎ ﻳﻚ واﺣﺪ ﺑﻴﺎن ﻣﻲﺷﻮﻧﺪ‪ ،‬در ﻧﺘﻴﺠﻪ ﺿﺮﻳﺐ ﺗﻐﻴﻴﺮات ﺑﻪ واﺣﺪ اﻧﺪازهﮔﻴﺮي‬

‫ﺑﺴﺘﮕﻲ ﻧﺪارد‪.‬‬

‫ﻣﺜﺎل‪ :‬در ﺟﺪول زﻳﺮ ﻣﻴﺎﻧﮕﻴﻦ و اﻧﺤﺮاف ﻣﻌﻴﺎر وزن ﻳﻚ ﮔﺮو‪ ‬ه از ﺟﻮاﻧﺎن ‪ 20‬ﺳﺎﻟﻪ و ﻳﻚ ﮔﺮوه از ﻧﻮﺟﻮاﻧﺎن ‪ 14‬ﺳﺎﻟﻪ ﮔﺮدآوري‬

‫ﺷﺪه اﺳﺖ‪ ،‬ﺗﻐﻴﻴﺮات وزن دو ﮔﺮون را ﻣﻘﺎﻳﺴﻪ ﻧﻤﺎﻳﻴﺪ‪.‬‬

‫‪ 14‬ﺳﺎل‬ ‫‪ 20‬ﺳﺎل‬ ‫ﺳﻦ‬

‫‪ 32‬ﻛﻴﻠﻮﮔﺮم‬ ‫‪ 145‬ﭘﻮﻧﺪ‬ ‫ﻣﻴﺎﻧﮕﻴﻦ وزن‬

‫‪ 4‬ﻛﻴﻠﻮﮔﺮم‬ ‫‪ 10‬ﭘﻮﻧﺪ‬ ‫اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد‬

‫‪10‬‬
‫‪ ‬‬ ‫‪. .‬‬ ‫‪100‬‬ ‫‪6.9‬‬ ‫ﺟﻮاﻧﺎن ‪ 20‬ﺳﺎﻟﻪ‬
‫‪145‬‬

‫‪4‬‬
‫‪ ‬‬ ‫‪. .‬‬ ‫‪100‬‬ ‫ﺟﻮاﻧﺎن ‪ 14‬ﺳﺎﻟﻪ ‪12.5‬‬
‫‪32‬‬

‫ﺑﻨﺎﺑﺮاﻳﻦ ﺗﻐﻴﻴﺮات وزن در ﻧﻮﺟﻮاﻧﺎن ‪ 14‬ﺳﺎﻟﻪ ﺑﻴﺸﺘﺮ از ﺗﻐﻴﻴﺮات وزن در ﺟﻮاﻧﺎن ‪ 20‬ﺳﺎﻟﻪ اﺳﺖ‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٣٤‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﺗﻤﺎرﻳﻦ‪:‬‬

‫‪ -1‬ﻳﻚ ﺟﺪول ﻓﺮاواﻧﻲ ﺣﺪاﻗﻞ داراي ﭼﻪ ﺳﺘﻮﻧﻬﺎﻳﻲ ﻣﻲﺑﺎﺷﺪ؟ ‪ ‬‬

‫ﻳﻚ ﻧﺘﻴﺠﻪ ﺑﻨﻮﻳﺴﻴﺪ‪  .‬‬ ‫و‬ ‫‪،‬‬ ‫‪،‬‬ ‫‪ -2‬ﻳﻚ ﺟﺪول ﻓﺮاواﻧﻲ ﻓﺮﺿﻲ ﺳﺎﺧﺘﻪ و در ﻣﻮرد ﻫﺮ ﻛﺪام از ﺳﺘﻮﻧﻬﺎي‬

‫آن را رﺳﻢ ﻛﻨﻴﺪ‪  .‬‬ ‫و‬ ‫‪ -3‬در ﻣﻮرد ﺟﺪول ﻓﺮاواﻧﻲ ﻣﺴﺌﻠﻪ ‪ 2‬ﻧﻤﻮدارﻫﺎي ﻣﻨﺎﺳﺐ‬

‫‪ -4‬در ﻣﻮرد ﺟﺪول ﻓﺮاواﻧﻲ ﻣﺴﺌﻠﻪ ‪ 2‬ﻳﻜﻲ از ﺷﺎﺧﺼﻬﺎي ﻣﻨﺎﺳﺐ ﺗﻤﺎﻳﻞ ﻣﺮﻛﺰي و ﭘﺮاﻛﻨﺪﮔﻲ را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪  .‬‬

‫‪ -5‬ﺿﺮﻳﺐ ﺗﻐﻴﻴﺮات ﭼﻪ اﺳﺘﻔﺎدهاي در آﻣﺎر دارد‪.‬ﻣﺜﺎﻟﻲ ﺑﺰﻧﻴﺪ‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٣٥‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻓﺼﻞ ﺳﻮم ‪ ‬‬

‫اﺣﺘﻤﺎل‬

‫ﻣﻘﺪﻣﻪ‬

‫واژه اﺣﺘﻤﺎل ﺑﺮ "ﻋﺪم اﻃﻤﻴﻨﺎن" دﻻﻟﺖ ﻣﻲﻛﻨﺪ‪ .‬اﺣﺘﻤﺎﻻت ﻣﺒﺤﺜﻲ از رﻳﺎﺿﻴﺎت اﺳﺖ ﻛﻪ اﺻﻮل ﻧﻈﺮﻳﻪ آﻣﺎر ﺑﺮ ﻣﺒﻨﺎي آن ﺑﻨﺎ‬

‫ﺷﺪه اﺳﺖ‪ .‬اﻓﺰون ﺑﺮ اﻳﻦ از اﺣﺘﻤﺎﻻت در ﭘﻴﺶﺑﻴﻨﻲ وﻗﺎﻳﻊ آﻳﻨﺪه ﺑﺮ ﻣﺒﻨﺎي اﻃﻼﻋﺎت و ﺷﻮاﻫﺪ ﻣﻮﺟﻮد اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪ .‬ﺑﺮاي‬

‫ﻣﺜﺎل‪ ،‬ﻣﻲﺗﻮان اﺣﺘﻤﺎل وﻗﻮع ﺑﺎرﻧﺪﮔﻲ‪ ،‬ﺣﻀﻮر ﻳﻚ ﮔﻮﻧﻪ ﮔﻴﺎﻫﻲ و ‪ ...‬را ﺗﻌﻴﻴﻦ ﻛﺮد‪ .‬آﻣﺎر ﺗﻮﺻﻴﻔﻲ ﻣﻌﻤﻮﻻ ﺑﻪ ﺗﻮﺻﻴﻒ دادهﻫﺎ‬

‫ﻣﻲﭘﺮدازد ﻛﻪ ﻧﻤﻮﻧﻪﻫﺎﻳﻲ از ﻳﻚ ﺟﺎﻣﻌﻪ آﻣﺎري ﻫﺴﺘﻨﺪ‪ .‬ﺗﻌﻤﻴﻢ ﻧﻤﻮﻧﻪﻫﺎ ﺑﻪ ﺟﺎﻣﻌﻪ ﻛﻪ ﻣﺮﺑﻮط ﺑﻪ آﻣﺎر اﺳﺘﻨﺒﺎﻃﻲ ﻣﻲﺑﺎﺷﺪ‬

‫ﻫﻤﻮاره داراي ﻣﻘﺪاري ﺧﻄﺎ ﻣﻲﺑﺎﺷﺪ ﻛﻪ ﺑﺮاي اﻧﺪازهﮔﻴﺮي آن از ﺗﺌﻮري اﺣﺘﻤﺎﻻت اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪.‬‬

‫ﭘﻴﺶ از ﺗﻌﺮﻳﻒ اﺣﺘﻤﺎل‪ ,‬ﻣﺜﺎﻟﻲ را در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻳﻢ‪ .‬در ﻣﻄﺎﻟﻌﻪ ﺗﺎﺛﻴﺮ ﺟﻮاﻧﻪ زدن ﺑﺬر ﭘﻨﺒﻪ‪ ،‬ﻻزم اﺳﺖ ﺑﺪاﻧﻴﻢ ﻛﻪ درﺻﺪ‬

‫ﺟﻮاﻧﻪ زدن ﻳﺎ ﻗﺎﺑﻠﻴﺖ زﻧﺪه ﻣﺎﻧﺪن ﺑﺬر ﭘﻨﺒﻪ ﭼﻘﺪر اﺳﺖ‪ .‬ﺑﺮاي ﭘﻲ ﺑﺮدن ﺑﻪ اﻳﻦ ﻧﻜﺘﻪ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﺎ ﻛﺎﺷﺖ ‪ 100‬ﺑﺬر و ﺷﻤﺎرش‬

‫ﺗﻌﺪاد ﺑﺬرﻫﺎي ﺟﻮاﻧﻪ زده‪ ،‬ﺷﺮوع ﻧﻤﺎﺋﻴﻢ‪ .‬اﮔﺮ ‪ 49‬ﺑﺬر ﺟﻮاﻧﻪ ﺑﺰﻧﺪ‪ ،‬ﻳﻌﻨﻲ اﮔﺮ در ﺑﻴﻦ ‪ 100‬ﺣﺎدﺛﻪ ‪ 49‬ﻣﻮﻓﻘﻴﺖ داﺷﺘﻪ ﺑﺎﺷﻴﻢ)‬

‫ﻛﻠﻤﻪ ﻣﻮﻓﻘﻴﺖ در آﻣﺎر ﺑﺮاي وﻗﻮع ﺣﺎدﺛﻪ ﻣﻮرد ﺑﺤﺚ ﺑﻪ ﻛﺎر ﻣﻲ رود(‪ ،‬ﻣﻲ ﮔﻮﺋﻴﻢ ﻛﻪ ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ ﻣﻮﻓﻘﻴﺖ )ﺗﻌﺪاد ﻣﻮﻓﻘﻴﺖ‬

‫ﺑﺨﺶ ﺑﺮ ﺗﻌﺪاد آزﻣﺎﻳﺶ(ﺑﺮاﺑﺮ ‪ 0.49‬اﺳﺖ‪ .‬ﺣﺎل اﮔﺮ ‪ 200‬ﺑﺬر ﺑﻜﺎرﻳﻢ و از اﻳﻦ ﺗﻌﺪاد ﺑﻔﺮض ‪ 103‬ﺑﺬر ﺟﻮاﻧﻪ ﺑﺰﻧﺪ‪ ،‬ﻓﺮاواﻧﻲ‬
‫‪103‬‬
‫ﺧﻮاﻫﺪ ﺑﻮد‪ .‬اﮔﺮ ﻣﺎ اﻳﻦ آزﻣﺎﻳﺶ را ﺑﺎرﻫﺎ ﺗﻜﺮار ﻛﻨﻴﻢ و ﻫﺮ ﺑﺎر ﺗﻌﺪاد ﺑﻴﺸﺘﺮي ﺑﺬر ﺑﻜﺎرﻳﻢ‪،‬‬ ‫ﻧﺴﺒﻲ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪0.515‬‬
‫‪200‬‬

‫ﻳﻚ ﺳﺮي ﻣﻘﺎدﻳﺮ از ﻓﺮاواﻧﻲ ﻫﺎ ي ﻧﺴﺒﻲ ﻣﺘﻨﺎﻇﺮ ﺑﻪ دﺳﺖ ﺧﻮاﻫﺪ آﻣﺪ ﻛﻪ در ﺟﺪول زﻳﺮ آﻣﺪه اﺳﺖ‪ .‬اﮔﺮ اﻳﻦ ﻓﺮاواﻧﻲ ﻫﺎي‬

‫ﻧﺴﺒﻲ ﺑﻪ ﻳﻚ ﺣﺪ ﻧﺰدﻳﻚ ﺷﻮﻧﺪ‪ ،‬اﻳﻦ ﻣﻘﺪار ﺣﺪي را اﺣﺘﻤﺎل ﻣﻮﻓﻘﻴﺖ در ﻳﻚ ﻣﺮﺗﺒﻪ آزﻣﺎﻳﺶ ﻣﻲ ﻧﺎﻣﻴﻢ‪ .‬از داده ﻫﺎي ﺟﺪول‬

‫زﻳﺮ ﭼﻨﻴﻦ ﺑﺮ ﻣﻲ آﻳﺪ ﻛﻪ ﻓﺮاواﻧﻲ ﻫﺎي ﻧﺴﺒﻲ ﺑﻪ ﻃﺮف ﻣﻘﺪار ‪ 0.52‬ﻣﻴﻞ ﻣﻲ ﻧﻤﺎﻳﺪ ﻛﻪ اﻳﻦ ﻣﻘﺪار را ﺑﻪ ﻧﺎم اﺣﺘﻤﺎل ﺟﻮاﻧﻪ زدن‬

‫ﻳﻚ ﺑﺬر ﭘﻨﺒﻪ ﺗﻴﻤﺎر ﻧﺸﺪه ﺧﻮاﻫﻴﻢ ﻧﺎﻣﻴﺪ‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٣٦‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻓﺮاواﻧﯽ ﻧﺴﺒﯽ )‪(s/n‬‬ ‫ﺗﻌﺪاد ﻣﻮﻓﻘﻴﺖ )‪(s‬‬ ‫ﺗﻌﺪاد ﺁزﻣﺎﻳﺶ )‪(n‬‬

‫‪٠.٤٩‬‬ ‫‪٤٩‬‬ ‫‪١٠٠‬‬

‫‪٠.٥١٥‬‬ ‫‪١٠٣‬‬ ‫‪٢٠٠‬‬
‫‪٠.٥٢٤‬‬ ‫‪٢٦٢‬‬ ‫‪٥٠٠‬‬
‫‪٠.٥١٧‬‬ ‫‪٥١٧‬‬ ‫‪١٠٠٠‬‬
‫‪٠.٥١٩٣‬‬ ‫‪٥١٩٣‬‬ ‫‪١٠٠٠٠‬‬

‫اﻛﻨﻮن ﻣﻲ ﺗﻮان اﺣﺘﻤﺎل را ﺑﻪ ﺻﻮرت زﻳﺮ در ﻧﻈﺮ ﮔﺮﻓﺖ‪.‬‬

‫ﺗﻌﺮﻳﻒ ‪ : 1‬اﮔﺮ ﺗﻌﺪاد ﻣﻮﻓﻘﻴﺖ در ‪ n‬آزﻣﺎﻳﺶ را ﺑﻪ وﺳﻴﻠﻪ ‪ s‬ﻧﺸﺎن دﻫﻴﻢ و اﮔﺮ ﺳﺮي ﻓﺮاواﻧﻲ ﻫﺎي ﻧﺴﺒﻲ ‪ s/n‬ﻛﻪ ﺑﺮاي‬

‫ﻣﻘﺎدﻳﺮ ﺑﻴﺸﺘﺮ و ﺑﻴﺸﺘﺮ )ﺗﻌﺪاد آزﻣﺎﻳﺶﻫﺎي ﺑﻴﺸﺘﺮ( ‪ n‬ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ ﺑﻪ ﺳﻤﺖ ﻳﻚ ﺣﺪ ﻣﻴﻞ ﻛﻨﺪ‪ ،‬اﻳﻦ ﺣﺪ را "اﺣﺘﻤﺎل‬

‫ﻣﻮﻓﻘﻴﺖ در ﻳﻚ آزﻣﺎﻳﺶ" ﻣﻲ ﻧﺎﻣﻨﺪ‪ .‬ﺑﻪ اﻳﻦ ﻣﻔﻬﻮم ﻗﺎﻧﻮن اﻋﺪاد ﺑﺰرگ ﻣﻲﮔﻮﻳﻨﺪ‪ ،‬اﮔﺮ ﺗﻌﺪاد آزﻣﺎﻳﺸﻬﺎ ﺑﻪ ﺳﻤﺖ ﺑﻲﻧﻬﺎﻳﺖ‬

‫ﻣﻴﻞ ﻛﻨﺪ ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ ﺑﻪ ﺣﺪي ﻧﺰدﻳﻚ ﻣﻲﺷﻮد ﻛﻪ ﻫﻤﺎن اﺣﺘﻤﺎل رخ دادن ﭘﻴﺸﺎﻣﺪ ﻣﻮرد ﻧﻈﺮ اﺳﺖ ﻳﻌﻨﻲ ‪:‬‬

‫‪lim‬‬ ‫‪  ‬‬
‫→‬ ‫∑‬ ‫‪1‬‬

‫در ﻋﻤﻞ‪ ،‬اﺣﺘﻤﺎل را ﺑﺮاﺑﺮ ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ ﻛﻪ ﺑﺮاي ﺑﻴﺸﺘﺮﻳﻦ ﺗﻌﺪاد آزﻣﺎﻳﺶ ﺑﺪﺳﺖ آﻣﺪه ﺑﺎﺷﺪ در ﻧﻈﺮ ﻣﻲﮔﻴﺮﻧﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ‪،‬‬

‫ﺑﺮاي اﻋﺪاد ﺟﺪول ﻓﻮق اﮔﺮ آزﻣﺎﻳﺶ ﺑﺮاي ‪ 10000‬ﺑﺬر ﭘﻨﺒﻪ ﺑﻪ ﻛﺎر رﻓﺘﻪ ﺑﺎﺷﺪ‪ .‬در اﻳﻦ ﺻﻮرت ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ ‪ 0.5193‬را‬

‫اﺣﺘﻤﺎل ﺟﻮاﻧﻪزدن ﻳﻚ ﺑﺬر ﭘﻨﺒﻪ ﻣﻲﺗﻮان در ﻧﻈﺮ ﮔﺮﻓﺖ‪.‬‬

‫ﻧﻜﺘﻪ ﺟﺎﻟﺐ اﻳﻦ اﺳﺖ ﻛﻪ ﺑﺪاﻧﻴﺪ اﻳﻦ ﺣﺪ ﺑﺪﺳﺖ آﻣﺪه در ﺗﻜﺮار آزﻣﺎﻳﺸﺎت زﻳﺎد ﻫﻴﭻﮔﺎه ﻛﺎﻣﻼ ﺛﺎﺑﺖ ﻧﻤﻲﺷﻮد و ﻫﻤﻮاره‬

‫ﻧﻮﺳﺎﻧﺎﺗﻲ دارد‪ .‬ﺑﺪﻳﻦ دﻟﻴﻞ ﻣﺤﺎﺳﺒﺎت اﺣﺘﻤﺎل ﺑﺎ ﻓﺮﺿﻴﺎت رﻳﺎﺿﻲ ﻛﺎﻣﻼ ﺳﺎزﮔﺎر ﻧﻴﺴﺖ‪.‬‬

‫اﻳﻦ ﺗﻌﺮﻳﻒ اﺣﺘﻤﺎل‪ ،‬ﻳﻌﻨﻲ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ اﺣﺘﻤﺎل ﺑﻪ ﻋﻨﻮان ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ ﻣﻮﻓﻘﻴﺖ در ﺗﻌﺪاد زﻳﺎد وﻟﻲ ﻣﺤﺪود آزﻣﺎﻳﺶﻫﺎ‪،‬‬

‫ﺑﺮاي ﻣﻘﺎﺻﺪ دﻳﮕﺮ ﻣﺜﻼ ﺑﺮاي ﻓﻬﻢ و اﺛﺒﺎت ﻗﻀﺎﻳﺎي اﺣﺘﻤﺎﻻت ﻣﻨﺎﺳﺐ ﺧﻮاﻫﺪ ﺑﻮد‪ .‬ﺑﻪ اﻳﻦ ﻧﻮع اﺣﺘﻤﺎل ﻛﻪ ﻣﺒﻨﺎي ﻣﺸﺎﻫﺪاﺗﻲ‬

‫دارد اﺣﺘﻤﺎل ﻋﻴﻨﻲ ﮔﻔﺘﻪ ﻣﻴﺸﻮد‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٣٧‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫اﺣﺘﻤﺎل ﻋﻴﻨﻲ را ﺑﺮاي ﻫﺮ وﻳﮋﮔﻲ ﺧﺎﺻﻲ ﻣﻲﺗﻮان ﻣﺤﺎﺳﺒﻪ ﻧﻤﻮد وﻟﻲ ﺑﺎﻳﺪ ﺗﻮﺟﻪ داﺷﺖ ﻛﻪ ﻣﻘﺪار اﻳﻦ اﺣﺘﻤﺎل ﻧﺴﺒﺖ ﺑﻪ‬

‫ﺷﺮاﻳﻂ ﻣﺨﺘﻠﻒ زﻣﺎﻧﻲ و ﻣﻜﺎﻧﻲ ﻓﺮق ﻣﻲﻛﻨﺪ و در ﻧﺘﻴﺠﻪ ﻣﻴﺰان اﺳﺘﻔﺎده از آن ﺑﺴﻴﺎر ﻣﺤﺪود اﺳﺖ‪ .‬ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ اﻳﻦ روش‬

‫اﺣﺘﻤﺎل وﻗﻮع وﻳﮋﮔﻲ ﺧﺎﺻﻲ را در ﻳﻚ زﻣﺎن و ﻣﻜﺎن ﻣﻌﻴﻦ )ﺷﺮاﻳﻂ ﺧﺎص( ﻣﺤﺎﺳﺒﻪ ﻣﻲﻧﻤﺎﻳﺪ از ﻃﺮف دﻳﮕﺮ اﻳﻦ ﭘﻴﺸﺎﻣﺪﻫﺎ‬

‫ﻫﻢ ارز ﻧﻴﺴﺘﻨﺪ ﻳﻌﻨﻲ اﻣﻜﺎن وﻗﻮع ﭘﻴﺸﺎﻣﺪ اول ﺑﺎ اﻣﻜﺎن وﻗﻮع ﭘﻴﺸﺎﻣﺪﻫﺎي دﻳﮕﺮ ﺑﺮاﺑﺮ ﻧﻴﺴﺖ و ﺗﺤﺖ ﺗﺎﺛﻴﺮ ﻋﻮاﻣﻞ ﻣﺨﺘﻠﻔﻲ‬

‫ﻗﺮار دارﻧﺪ‪ .‬ﻧﺎﮔﻔﺘﻪ ﻧﻤﺎﻧﺪ ﭼﻨﻴﻦ اﺣﺘﻤﺎﻟﻲ در ﻣﻮاردي ﺧﺎص داراي ارزش ﺑﺴﻴﺎر ﻓﺮاواﻧﻲ اﺳﺖ ﺑﺮاي ﻣﺜﺎل اﮔﺮ اﺣﺘﻤﺎل ﻋﻴﻨﻲ‬

‫وﻗﻮع ﻳﻚ ﺑﻴﻤﺎري در ﻳﻚ زﻣﺎن در دو ﻧﻘﻄﻪ ﻣﺨﺘﻠﻒ ﻛﺸﻮر ﻓﺮق داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﭼﻮن اﺣﺘﻤﺎل وﻗﻮع ﻣﻮﻓﻘﻴﺖ ﻗﺒﻞ از اﻧﺠﺎم‬

‫آزﻣﺎﻳﺶ ﻣﺸﺨﺺ ﻧﻴﺴﺖ ﺑﻪ اﻳﻦ ﻧﻮع اﺣﺘﻤﺎﻻت‪ ،‬اﺣﺘﻤﺎل ﭘﺴﻴﻦ ﻣﻲﮔﻮﻳﻨﺪ‪.‬‬

‫اﮔﺮ ﻗﺎدر ﺑﺎﺷﻴﻢ اﺣﺘﻤﺎل وﻗﻮع ﻳﻚ وﻳﮋﮔﻲ ﺧﺎص را ﻗﺒﻞ از آﻧﻜﻪ آن ﺣﺎدﺛﻪ اﺗﻔﺎق ﺑﻴﻔﺘﺪ ﻣﺤﺎﺳﺒﻪ ﻧﻤﺎﻳﻴﻢ آن را اﺣﺘﻤﺎل اوﻟﻴﻪ‪،‬‬
‫‪1‬‬
‫ﭘﻴﺸﻴﻦ ﻳﺎ ﻛﻼﺳﻴﻚ ﮔﻮﻳﻴﻢ‪ .‬ﺑﺮاي ﻣﺜﺎل ﻣﻲداﻧﻴﻢ ﻛﻪ اﮔﺮ ﻳﻚ ﺳﻜﻪ ﺳﺎﻟﻢ را ﭘﺮﺗﺎب ﻧﻤﺎﻳﻴﻢ اﺣﺘﻤﺎل ﺷﻴﺮ آﻣﺪن ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﻳﺎ‬
‫‪2‬‬
‫‪1‬‬
‫اﮔﺮ ﻳﻚ ﺗﺎس را ﭘﺮﺗﺎب ﻧﻤﺎﻳﻴﻢ اﺣﺘﻤﺎل اﻳﻨﻜﻪ ﻋﺪد ‪ 3‬ﺑﺪﺳﺖ آﻳﺪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪ .‬ﻋﻠﺖ اﻳﻦ ﻧﺘﻴﺠﻪﮔﻴﺮي آن اﺳﺖ ﻛﻪ در‬
‫‪6‬‬

‫ﭘﺮﺗﺎب ﻳﻚ ﺳﻜﻪ ﻛﺎﻣﻼ ﻣﺘﻌﺎدل ﻓﻘﻂ اﻣﻜﺎن رخ دادن دو ﺣﺎدﺛﻪ‪ ،‬ﻳﻌﻨﻲ ﺷﻴﺮ ﻳﺎ ﺧﻂ وﺟﻮد دارد و ﻫﺮ دو واﻗﻌﻪ داراي اﺣﺘﻤﺎل‬

‫وﻗﻮع ﻣﺴﺎوي )ﻫﻢ ﺷﺎﻧﺲ ﻳﺎ ﻫﻢ ﺗﺮاز‪ ،‬ﻳﻌﻨﻲ اﻣﻜﺎن وﻗﻮع ﭘﻴﺸﺎﻣﺪ اول ﺑﺮاﺑﺮ اﻣﻜﺎن وﻗﻮع ﭘﻴﺸﺎﻣﺪﻫﺎي دﻳﮕﺮ اﺳﺖ( ﻫﺴﺘﻨﺪ‪ .‬ﻧﻜﺘﻪ‬

‫ﺑﺴﻴﺎر ﻣﻬﻢ آن اﺳﺖ ﻛﻪ در ﺗﻌﺮﻳﻒ اﺣﺘﻤﺎل ﻋﻴﻨﻲ ﻫﺮ ﭼﻘﺪر ﺗﻌﺪاد دﻓﻌﺎت آزﻣﺎﻳﺶ را ﺑﻴﺸﺘﺮ ﻛﻨﻴﻢ ﻣﻘﺪار اﺣﺘﻤﺎل ﻋﻴﻨﻲ‬

‫)ﻧﺴﺒﺖ ﭘﻴﺸﺎﻣﺪ وﻳﮋﮔﻲ( ﺑﻪ اﺣﺘﻤﺎل ﻛﻼﺳﻴﻚ ﻳﺎ اوﻟﻴﻪ ﻧﺰدﻳﻜﺘﺮ ﻣﻲﮔﺮدد‪.‬‬

‫ﺑﺮاي ﭼﻨﻴﻦ ﺣﺎﻻﺗﻲ ﻛﻪ در آﻧﻬﺎ ﻣﻮﻓﻘﻴﺖﻫﺎ ﻳﺎ ﻋﺪم ﻣﻮﻓﻘﻴﺖﻫﺎ ﻓﻘﻂ ﺑﻪ ﺻﻮرت ﭼﻨﺪ ﺣﺎدﺛﻪ ﻫﻢﺗﺮاز اﺗﻔﺎق ﻣﻲاﻓﺘﻨﺪ‪ ،‬ﺗﻌﺮﻳﻒ زﻳﺮ‬

‫ﻣﻨﺎﺳﺐ اﺳﺖ‪:‬‬

‫ﺗﻌﺮﻳﻒ ‪ : 2‬اﮔﺮ ﺣﺎدﺛﻪاي ﺑﺘﻮاﻧﺪ ﺑﻪ ‪ S‬ﺻﻮرت رخ دﻫﺪ و ﺑﻪ ‪ f‬ﺻﻮرت رخ ﻧﺪﻫﺪ‪ ،‬و اﮔﺮ اﺣﺘﻤﺎل وﻗﻮع ﻫﺮ ﻳﻚ از اﻳﻦ ‪S+f‬‬

‫ﺻﻮرتﻫﺎ ﻣﺴﺎوي ﺑﺎﺷﺪ‪" ،‬اﺣﺘﻤﺎل ﻣﻮﻓﻘﻴﺖ )ﭘﻴﺸﺎﻣﺪ ﺣﺎدﺛﻪ( در ﻳﻚ ﺑﺎر آزﻣﺎﻳﺶ" ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪  :‬‬

‫‪ ‬‬

‫و اﺣﺘﻤﺎل ﻋﺪم وﻗﻮع ﺣﺎدﺛﻪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٣٨‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫‪ ‬‬

‫واﺿﺢ اﺳﺖ ﻛﻪ ﺗﻌﺮﻳﻒ ‪ 2‬ﺣﺎﻟﺘﻲ ﺧﺎص از ﺗﻌﺮﻳﻒ ‪ 1‬اﺳﺖ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ‪ ،‬اﺣﺘﻤﺎل آﻣﺪن ﻳﻚ ﺷﻴﺮ در ﭘﺮﺗﺎب ﻳﻚ ﺳﻜﻪ ﻛﺎﻣﻼ‬

‫ﻣﺘﻌﺎدل را ﻣﻲﺗﻮان از ﻫﺮ ﻳﻚ از اﻳﻦ ﺗﻌﺎرﻳﻒ ﺑﻪ دﺳﺖ آورد‪ .‬ﺑﺪﻳﻬﻲ اﺳﺖ ﻛﻪ ﺑﻪ دﺳﺖ آوردن اﺣﺘﻤﺎل از ﺗﻌﺮﻳﻒ دوم‬

‫ﺧﻴﻠﻲ آﺳﺎﻧﺘﺮ اﺳﺖ‪ ،‬ﭼﻮن در ﻳﻚ ﻣﺮﺗﺒﻪ ﭘﺮﺗﺎب ﻳﻚ ﺳﻜﻪ‪ ،‬ﻳﻚ ﺷﻴﺮ ﻣﻲﺗﻮاﻧﺪ ﻓﻘﻂ ﺑﻪ ‪ S=1‬ﺻﻮرت رخ دﻫﺪ و ﻳﻚ ﺧﻂ‬

‫ﻣﻲﺗﻮاﻧﺪ ﻓﻘﻂ ﺑﻪ ‪ f=1‬ﺻﻮرت اﺗﻔﺎق اﻓﺘﺪ و ﻫﺮ دو ﺻﻮرت داراي اﺣﺘﻤﺎل وﻗﻮع ﻣﺴﺎوي ﻣﻲﺑﺎﺷﻨﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ‪ ،‬دارﻳﻢ‪:‬‬

‫‪١‬‬ ‫‪١‬‬
‫‪١‬‬ ‫‪١‬‬ ‫‪٢‬‬

‫اﮔﺮ ﺗﻌﺮﻳﻒ ‪ 1‬را ﺑﻪ ﻛﺎر ﺑﺒﺮﻳﻢ‪ ،‬ﻧﺎﭼﺎر ﺧﻮاﻫﻴﻢ ﺑﻮد ﻛﻪ ﺳﻜﻪ را ﺑﻪ دﻓﻌﺎت زﻳﺎد آزﻣﺎﻳﺶ ﻧﻤﻮده و ﺗﻌﺪاد ﺷﻴﺮﻫﺎ را ﻳﺎدداﺷﺖ‬
‫‪1‬‬
‫ﻧﻤﺎﺋﻴﻢ‪ .‬ﻣﺴﻠﻢ اﺳﺖ ﻛﻪ ﻧﺴﺒﺖ ﺗﻌﺪاد ﺷﻴﺮﻫﺎ ﺑﻪ ﺗﻌﺪاد دﻓﻌﺎت ﭘﺮﺗﺎب ﺳﻜﻪ ﺑﺮاي ﺗﻌﺪاد ﺑﻴﺸﺘﺮ و ﺑﻴﺸﺘﺮ آزﻣﺎﻳﺶ ﺑﻪ ﻋﺪد‬
‫‪2‬‬

‫ﻧﺰدﻳﻚ ﻣﻲﺷﻮد‪  .‬‬

‫ﺑﺎ اﻳﻦ ﻣﻘﺪﻣﻪ در اداﻣﻪ ﻣﻔﺎﻫﻴﻢ اﺳﺎﺳﻲ در اﺣﺘﻤﺎﻻت را ﺗﻌﺮﻳﻒ ﻣﻲﻛﻨﻴﻢ‪.‬‬

‫آزﻣﺎﻳﺶ‪ :‬در ﻧﻈﺮﻳﻪ اﺣﺘﻤﺎل ﻓﻌﺎﻟﻴﺘﻲ ﻛﻪ ﻧﺘﻴﺠﻪ آن از ﻗﺒﻞ ﻣﺸﺨﺺ ﻧﺒﺎﺷﺪ‪ ،‬ﺑﻪ "آزﻣﺎﻳﺶ" ﻣﻌﺮوف اﺳﺖ‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬ﺑﺎ ﭘﺮﺗﺎب‬

‫ﺳﻜﻪ‪ ،‬ﺷﻴﺮ ﻳﺎ ﺧﻂ ﻇﺎﻫﺮ ﻣﻲﺷﻮد‪ .‬اﻧﺠﺎم اﻳﻦ ﻛﺎر ﻳﻚ آزﻣﺎﻳﺶ اﺳﺖ‪  .‬‬

‫ﻓﻀﺎي ﻧﻤﻮﻧﻪ‪:‬‬

‫ﻣﺠﻤﻮﻋﻪ ﭘﻴﺎﻣﺪﻫﺎي ﻣﻤﻜﻦ ﻳﻚ آزﻣﺎﻳﺶ را ﻓﻀﺎي ﻧﻤﻮﻧﻪ آن آزﻣﺎﻳﺶ ﮔﻮﻳﻨﺪ ﻛﻪ آن را ﺑﺎ ‪ S‬ﻧﻤﺎﻳﺶ ﻣﻲدﻫﻨﺪ‪.‬‬

‫ﻣﺜﺎل‪ :‬ﻓﻀﺎي ﻧﻤﻮﻧﻪ ﭘﺮﺗﺎب ﻳﻚ ﺳﻜﻪ را ﻣﺸﺨﺺ ﻛﻨﻴﺪ‪.‬‬

‫}‪  S={H,T‬‬ ‫اﮔﺮ ﻇﺎﻫﺮ ﺷﺪن ﺷﻴﺮ را ﺑﺎ ‪ H‬و ﺧﻂ را ﺑﺎ ‪ T‬ﻧﺸﺎن دﻫﻨﺪ‪ ،‬در اﻳﻦ ﺻﻮرت‪:‬‬

‫}‪S={1,2,3.4,5,6‬‬ ‫ﻣﺜﺎل‪ :‬ﻓﻀﺎي ﻧﻤﻮﻧﻪ ﭘﺮﺗﺎب ﻳﻚ ﺗﺎس را ﻣﺸﺨﺺ ﻛﻨﻴﺪ‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٣٩‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﭘﻴﺸﺎﻣﺪ ‪ :‬در ﻧﻈﺮﻳﻪ اﺣﺘﻤﺎل‪ ،‬ﭘﻴﺸﺎﻣﺪ‪ ،‬ﻳﻜﻲ از زﻳﺮﻣﺠﻤﻮﻋﻪﻫﺎي ﻓﻀﺎي ﻧﻤﻮﻧﻪ اﺳﺖ‪ .‬در ﭘﺮﺗﺎب ﻳﻚ ﺳﻜﻪ‪ ،‬ﺧﻂ آﻣﺪن ﻳﻚ‬

‫ﭘﻴﺸﺎﻣﺪ و ﺷﻴﺮ آﻣﺪن ﭘﻴﺸﺎﻣﺪ دﻳﮕﺮي اﺳﺖ‪.‬‬

‫اﺣﺘﻤﺎل ﻳﻚ ﭘﻴﺸﺎﻣﺪ‪ :‬ﻓﺮض ﻛﻨﻴﺪ ﻓﻀﺎي ﻧﻤﻮﻧﻪاي وﺟﻮد دارد ﻛﻪ در آن‪ ،‬ﻫﻤﻪ ﭘﻴﺎﻣﺪﻫﺎي ﻣﻘﺪﻣﺎﺗﻲ‪ ،‬از ﺷﺎﻧﺲ ﻣﺴﺎوي ﺑﺮاي‬

‫اﻧﺘﺨﺎب ﺷﺪن ﺑﺮﺧﻮردارﻧﺪ)ﻫﻢﺗﺮاز(‪ .‬در اﻳﻦ ﺻﻮرت اﺣﺘﻤﺎل وﻗﻮع ﭘﻴﺸﺎﻣﺪ ﺧﺎﺻﻲ ﻣﺎﻧﻨﺪ ‪ A‬ﻋﺒﺎرت اﺳﺖ از ﺗﻌﺪاد ﻋﻀﻮﻫﺎي‬

‫ﭘﻴﺸﺎﻣﺪ ‪ A‬ﺑﻪ ﺗﻌﺪاد ﻋﻀﻮﻫﺎي ﻓﻀﺎي ﻧﻤﻮﻧﻪ‪ .‬اﮔﺮ ﺗﻌﺪاد ﻋﻀﻮﻫﺎي ﻓﻀﺎي ﻧﻤﻮﻧﻪ را ﺑﺎ )‪ n(s‬و ﺗﻌﺪاد ﻋﻀﻮﻫﺎي ﭘﻴﺸﺎﻣﺪ ‪ A‬را ﺑﺎ‬

‫)‪ n(A‬ﻧﺸﺎن دﻫﻨﺪ‪ ،‬اﺣﺘﻤﺎل ‪ ،A‬ﻳﻌﻨﻲ )‪ P(A‬ﺑﻪ ﺻﻮرت زﻳﺮ ﺧﻮاﻫﺪ ﺑﻮد‪:‬‬

‫‪ ‬‬

‫ﻣﺜﺎل‪ :‬اﺣﺘﻤﺎل ﺑﻴﺮون آوردن ﻣﻬﺮهاي ﺳﻔﻴﺪ‪ ،‬از ﻇﺮﻓﻲ ﻛﻪ ﻣﺤﺘﻮي ‪ 5‬ﻣﻬﺮه ﻗﺮﻣﺰ‪ 4 ،‬ﻣﻬﺮه ﺳﻔﻴﺪ و ‪ 3‬ﻣﻬﺮه ﺳﻴﺎه اﺳﺖ‪ ،‬را‬

‫ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﺪ‪.‬‬

‫ﺗﻌﺪاد ‪ 12‬ﻣﻬﺮه در ﻇﺮف وﺟﻮد دارد ﻛﻪ ‪ 4‬ﻋﺪ ﺳﻔﻴﺪ اﺳﺖ‪ .‬اﮔﺮ ﭘﻴﺸﺎﻣﺪ ﻣﻮرد ﻧﻈﺮ را ﺑﺎ ‪ B‬ﻧﻤﺎﻳﺶ دﻫﻨﺪ‪ ،‬آﻧﮕﺎه‪:‬‬

‫‪٤‬‬ ‫‪١‬‬
‫‪ ‬‬
‫‪١٢‬‬ ‫‪٣‬‬

‫در اداﻣﻪ ﺑﻪ ﺑﺮﺧﻲ "اﺻﻮل اﺳﺎﺳﻲ اﺣﺘﻤﺎﻻت" اﺷﺎره ﻣﻲﺷﻮد‪.‬‬

‫‪0‬‬ ‫‪P A‬‬ ‫اﻟﻒ‪ -‬اﺣﺘﻤﺎل وﻗﻮع ﭘﻴﺸﺎﻣﺪي ﻫﻤﺎﻧﻨﺪ ‪ A‬ﻫﻤﻮاره ﺑﺰرﮔﺘﺮ ﻳﺎ ﻣﺴﺎوي ﺻﻔﺮ و ﻛﻮﭼﻜﺘﺮ ﻳﺎ ﻣﺴﺎوي ﻳﻚ اﺳﺖ‪1 ،‬‬

‫ﻗﺎﺑﻞ اﺛﺒﺎت اﺳﺖ(‬ ‫)از روي ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ ‪ ‬‬

‫ب‪ -‬ﻣﺠﻤﻮع اﺣﺘﻤﺎل ﺗﻤﺎم ﭘﻴﺸﺎﻣﺪﻫﺎي ﻣﻤﻜﻦ ﻓﻀﺎي ﻧﻤﻮﻧﻪ‪ ،‬ﻫﻤﻮاره ﺑﺮاﺑﺮ ﻳﻚ اﺳﺖ )‪) (P(S)=1‬از روي ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ‬

‫ﻗﺎﺑﻞ اﺛﺒﺎت اﺳﺖ(‬ ‫ﺗﺠﻤﻌﻲ‬

‫ﺑﺎ ﺗﻮﺟﻪ ﺑﺎ اﻳﻨﻜﻪ در ﻣﺤﺎﺳﺒﺎت اﺣﺘﻤﺎﻻت ﻫﻤﻮاره در ﺣﺎل ﺷﻤﺎرش ﺗﻌﺪاد اﻋﻀﺎي ﻣﺠﻤﻮﻋﻪ ﻓﻀﺎي ﻧﻤﻮﻧﻪ و ﻣﺠﻤﻮﻋﻪ ﭘﻴﺸﺎﻣﺪ‬

‫)ﺑﻪ ﻋﻨﻮان زﻳﺮﻣﺠﻤﻮﻋﻪاي از ﻓﻀﺎي ﻧﻤﻮﻧﻪ( ﻫﺴﺘﻴﻢ‪ ،‬ﻟﺬا اﻃﻼع ﻛﺎﻓﻲ در زﻣﻴﻨﻪ ﻧﻈﺮﻳﻪ ﻣﺠﻤﻮﻋﻪﻫﺎ ﻣﻲﺗﻮاﻧﺪ درك ﻗﻮاﻧﻴﻦ‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٤٠‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫اﺣﺘﻤﺎﻻت را ﺳﺎده ﻛﻨﺪ‪ .‬ﺑﺪﻳﻦ ﻣﻨﻈﻮر ﺟﺪول ﻣﺘﻘﺎﻃﻊ زﻳﺮ ﻛﻪ ﮔﺮوه ﺧﻮﻧﻲ اﻓﺮاد را ﺑﺮ ﺣﺴﺐ ﺟﻨﺴﻴﺖ ﺗﻔﻜﻴﻚ ﻧﻤﻮده اﺳﺖ اراﺋﻪ‬

‫ﻣﻲﺷﻮد‪.‬‬

‫ﮔﺮوه ﺧﻮﻧﻲ ‪ ‬‬ ‫‪ ‬زن‪D1:‬‬ ‫ﻣﺠﻤﻮع ‪   ‬ﻣﺮد‪D2:‬‬

‫‪  c1:A‬‬ ‫‪ 1‬‬ ‫‪ 0‬‬ ‫‪ 1‬‬

‫‪  c2:B‬‬ ‫‪ 2‬‬ ‫‪ 1‬‬ ‫‪ 3‬‬

‫‪  c3:O‬‬ ‫‪ 0‬‬ ‫‪ 2‬‬ ‫‪ 2‬‬

‫‪  c4:AB‬‬ ‫‪ 3‬‬ ‫‪ 3‬‬ ‫‪ 6‬‬

‫ﻣﺠﻤﻮع ‪ ‬‬ ‫‪ 6‬‬ ‫‪ 6‬‬ ‫‪  12‬‬

‫در ﺟﺪول ﺑﺎﻻ ﻣﺠﻤﻮﻋﻪﻫﺎي‪ c1‬اﻟﻲ ‪ c4‬از اﻓﺮادي ﺗﺸﻜﻴﻞ ﺷﺪه ﻛﻪ ﺑﻪ ﺗﺮﺗﻴﺐ داراي ﮔﺮوه ﻫﺎي ﺧﻮﻧﻲ ‪AB,O,B,A‬‬

‫ﻣﻲﺑﺎﺷﻨﺪ و ﻣﺠﻤﻮﻋﻪﻫﺎي ‪) D1‬زن( و‪) D2‬ﻣﺮد( آﻧﻬﺎ را از ﻟﺤﺎظ ﺟﻨﺴﻴﺘﻲ ﺗﻔﻜﻴﻚ ﻣﻲﻛﻨﺪ‪ .‬ﺑﺎ اﺳﺘﻔﺎده از ﻣﻔﺎﻫﻴﻢ اﺷﺘﺮاك‪,‬‬

‫اﺟﺘﻤﺎع و ﻣﻜﻤﻞ در ﻣﻮرد ﻣﺠﻤﻮﻋﻪﻫﺎ ﻣﻲﺗﻮان ﻣﺠﻤﻮﻋﻪﻫﺎي دﻳﮕﺮي را از ﻣﺠﻤﻮﻋﻪ اﺻﻠﻲ )ﻣﺮﺟﻊ( ﻣﺸﺨﺺ ﺳﺎﺧﺖ‪ .‬ﺑﺮاي‬

‫ﻣﺜﺎل‪ ،‬ﻣﺠﻤﻮﻋﻪ ‪) C1 ∩ D1‬اﺷﺘﺮاك( از زﻧﻬﺎﻳﻲ ﻛﻪ ﮔﺮوه ﺧﻮﻧﻲ ‪ A ‬دارﻧﺪ ﺑﻪ وﺟﻮد آﻣﺪه )ﻳﺎ ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ﺗﻌﺪاد اﻓﺮاد ﮔﺮوه‬

‫‪ n C1 ∩ D1‬اﺳﺖ‪  .‬ﻣﺠﻤﻮﻋﻪ ‪) C4 ∪ D2‬اﺟﺘﻤﺎع( از اﻓﺮاد داراي ﮔﺮوه‬ ‫ﺧﻮﻧﻲ ‪ A‬ﺑﻪ ﺷﺮﻃﻲ ﻛﻪ از زﻧﻬﺎ ﺑﺎﺷﻨﺪ( و ‪1‬‬

‫‪ n C4 ∪ D2‬ﻣﻲﺑﺎﺷﺪ‪ .‬در‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫ﺧﻮﻧﻲ ‪ AB‬ﻳﺎ اﻓﺮاد ﻣﺮد ﻳﺎ ﻫﺮ دو ﺗﺸﻜﻴﻞ ﮔﺮدﻳﺪه اﺳﺖ و ﺑﺮاﺑﺮ ﺑﺎ ‪9‬‬

‫ﻣﺤﺎﺳﺒﻪ ‪ n C4 ∪ D2‬ﻋﺪد ‪ 3‬را از ﻣﺠﻤﻮع دو ﻋﺪد دﻳﮕﺮ ﻛﻢ ﻣﻲﻛﻨﻴﻢ‪ ،‬ﭼﻮن در ﺷﻤﺎرش ﺗﻌﺪاد ﻋﻨﺎﺻﺮ ﻣﻮﺟﻮد در اﺟﺘﻤﺎع‬

‫ﻣﺠﻤﻮﻋﻪﻫﺎي ‪ A2‬و ‪ B2‬دو ﺑﺎر ﺷﻤﺎرش ﺷﺪه اﺳﺖ‪ .‬ﻣﻜﻤﻞ ‪ ، D2‬ﻳﻌﻨﻲ ‪ D2‬از اﻓﺮادي ﻛﻪ ﺷﺎﻣﻞ ﻣﺮدان ﻧﻤﻲﺷﻮﻧﺪ ﺗﺸﻜﻴﻞ‬

‫‪ n D2‬ﺧﻮاﻫﺪ ﺑﻮد‪ .‬ﻻزم ﺑﻪ ذﻛﺮ اﺳﺖ ﻛﻪ ﺑﺮاي درك ﺑﻬﺘﺮ‬ ‫‪12‬‬ ‫‪6‬‬ ‫ﮔﺮدﻳﺪه ﻛﻪ ﻫﻤﺎن زﻧﻬﺎ ﻣﻲﺑﺎﺷﻨﺪ و ﺑﺮاﺑﺮ ﺑﺎ ‪6‬‬

‫ﻣﻮارد ﻣﺬﻛﻮر از ﻧﻤﻮدار "ون" ﻧﻴﺰ ﻣﯽﺗﻮان اﺳﺘﻔﺎدﻩ ﻧﻤﻮد ﮐﻪ ﻳﮏ ﻧﻤﺎﻳﺶ دو ﺑﻌﺪﯼ از ﻣﺠﻤﻮﻋﻪهﺎ روﯼ ﮐﺎﻏﺬ ﺑﻪ ﺻﻮرت‬

‫دو ﺑﻌﺪﯼ ﻣﯽﺑﺎﺷﺪ‪  .‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٤١‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ج‪ -‬ﻗﺎﻧﻮن ﺟﻤﻊ‬

‫ﻗﺎﻧﻮن ﺟﻤﻊ زﻣﺎﻧﻲ ﺑﻪ ﻛﺎر ﻣﻲرود ﻛﻪ ﻳﻜﻲ از ﭼﻨﺪ ﭘﻴﺸﺎﻣﺪ اﺗﻔﺎق ﺑﻴﻔﺘﺪ‪ ،‬ﻳﻌﻨﻲ ﺣﺎدﺛﻪ اول ﻳﺎ ﺣﺎدﺛﻪ دوم ﻳﺎ ‪ . ...‬ﻗﺒﻞ از ﺑﻴﺎن‬

‫ﻗﺎﻧﻮن ﺟﻤﻊ‪ ،‬ﻻزم اﺳﺖ ﻛﻪ ﭘﻴﺸﺎﻣﺪﻫﺎي ﺳﺎزﮔﺎر و ﻧﺎﺳﺎزﮔﺎر ﺗﻌﺮﻳﻒ ﺷﻮﻧﺪ‪.‬‬

‫‪ A ∩ B‬و در ﻧﺘﻴﺠﻪ‪ ،‬وﻗﻮع ﻳﻜﻲ از آﻧﻬﺎ ﻣﺎﻧﻊ‬ ‫دو ﭘﻴﺸﺎﻣﺪ ‪ A‬و ‪ B‬ﻧﺎﺳﺎزﮔﺎرﻧﺪ‪ ،‬ﻫﺮﮔﺎه ﺑﺮآﻣﺪ ﻣﺸﺘﺮﻛﻲ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻨﺪ ∅‬

‫رخ دادن دﻳﮕﺮي ﺑﺎﺷﺪ‪.‬ﻳﺎ اﮔﺮ دو ﻳﺎ ﭼﻨﺪ ﭘﻴﺸﺎﻣﺪ ﭼﻨﺎن ﺑﺎﺷﻨﺪ ﻛﻪ در ﻫﺮ ﻳﻚ آزﻣﺎﻳﺶ ﻣﻨﻔﺮد‪ ،‬ﺑﻴﺶ از ﻳﻜﻲ از آﻧﻬﺎ ﻧﺘﻮاﻧﺪ رخ‬

‫ﺑﺪﻫﺪ‪ ،‬آﻧﻬﺎ را ﻧﺴﺒﺖ ﺑﻪ ﻫﻢ ﻧﺎﺳﺎزﮔﺎر ﻳﺎ"ﻣﺎﻧﻌﻪ اﻟﺠﻤﻊ" ﻣﻲﻧﺎﻣﻨﺪ‪ .‬ﻣﺎﻧﻨﺪ ﭘﻴﺸﺎﻣﺪ ﮔﺮوه ﺧﻮﻧﻲ ‪ A‬ﻳﺎ ﻣﺮد ﺑﻮدن ﻛﻪ اﺷﺘﺮاﻛﻲ‬

‫ﻧﺪارﻧﺪ‪.‬‬

‫‪ A ∩ B‬و در ﻧﺘﻴﺠﻪ ﻫﻤﺰﻣﺎن ﺑﺎ ﻳﻜﺪﻳﮕﺮ ﻫﻢ‬ ‫دو ﭘﻴﺸﺎﻣﺪ ‪ A‬و ‪ B‬ﺳﺎزﮔﺎرﻧﺪ‪ ،‬ﻫﺮﮔﺎه ﺑﺮآﻣﺪ ﻣﺸﺘﺮك داﺷﺘﻪ ﺑﺎﺷﻨﺪ ∅‬

‫ﺑﺘﻮاﻧﻨﺪ رخ دﻫﻨﺪ‪ .‬ﻣﺎﻧﻨﺪ ﭘﻴﺸﺎﻣﺪ ﮔﺮوه ﺧﻮﻧﻲ ‪ AB‬ﺑﺎ زن ﺑﻮدن ﻛﻪ اﺷﺘﺮاك دارﻧﺪ‪.‬‬

‫‪  P A∪B‬‬ ‫‪P A‬‬ ‫ﻗﺎﻧﻮن ﺟﻤﻊ در ﻣﻮرد دو ﭘﻴﺸﺎﻣﺪ ﻧﺎﺳﺎزﮔﺎر ‪ A‬و ‪ B‬ﻋﺒﺎرﺗﺴﺖ از ‪P B :‬‬

‫ﻣﺜﻼ اﺣﺘﻤﺎل اﻳﻨﻜﻪ در ﺟﺪول ﺑﺎﻻ ﻓﺮد اﻧﺘﺨﺎب ﺷﺪه ﻣﺮد ﻳﺎ ﮔﺮوه ﺧﻮﻧﻲ ‪ A‬ﺑﺎﺷﺪ‪:‬‬

‫‪٦‬‬ ‫‪١‬‬ ‫‪٧‬‬

‫∪‬ ‫‪٠.٥٨ ‬‬
‫‪١٢‬‬ ‫‪١٢‬‬ ‫‪١٢‬‬

‫ﻗﺎﻧﻮن ﺟﻤﻊ در ﻣﻮرد دو ﭘﻴﺸﺎﻣﺪ ﺳﺎزﮔﺎر ‪ A‬و ‪ B‬ﻋﺒﺎرﺗﺴﺖ از‪  :‬‬

‫∪‬ ‫∩‬

‫ﻣﺜﻼ اﺣﺘﻤﺎل اﻳﻦ را ﺣﺴﺎب ﻛﻨﻴﺪ ﻛﻪ ﻓﺮد اﻧﺘﺨﺎﺑﻲ زن ﻳﺎ ﮔﺮوه ﺧﻮﻧﻲ ‪ AB‬ﺑﺎﺷﺪ‪  :‬‬

‫∪‬ ‫‪∩  ‬‬

‫‪٦‬‬ ‫‪٦‬‬ ‫‪٣‬‬ ‫‪٩‬‬

‫ﻳﺎ‬
‫‪١٢‬‬ ‫‪١٢‬‬ ‫‪١٢‬‬ ‫‪١٢‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٤٢‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻗﺎﻧﻮن ﺟﻤﻊ را ﺑﻪ ﺑﻴﺶ از دو ﭘﻴﺸﺎﻣﺪ ﻧﻴﺰ‪ ،‬ﻣﻲﺗﻮان ﺗﻌﻤﻴﻢ داد‪ .‬ﺑﺮاي ﻣﺜﺎل‪ ،‬در ﻣﻮرد ﺳﻪ ﭘﻴﺸﺎﻣﺪ ﻧﺎﺳﺎزﮔﺎر ‪ B ،A‬و ‪:C‬‬

‫∪‬ ‫∪‬ ‫‪ ‬‬

‫در ﻣﻮرد ﺳﻪ ﭘﻴﺸﺎﻣﺪ ﺳﺎزﮔﺎر ‪ B ،A‬و ‪:C‬‬

‫∪‬ ‫∪‬ ‫∩‬ ‫∩‬ ‫∩‬ ‫∩‬

‫اﻣﻴﺪ رﻳﺎﺿﻲ‬

‫اﮔﺮ ‪ p‬اﺣﺘﻤﺎل وﻗﻮع ﻳﻚ ﭘﻴﺸﺎﻣﺪ در ﻳﻚ آزﻣﺎﻳﺶ ﻣﻨﻔﺮد ﺑﺎﺷﺪ‪" ،‬ﺗﻌﺪاد دﻓﻌﺎت ﻣﻮرد اﻧﺘﻈﺎر وﻗﻮع" ﺑﺎ "اﻣﻴﺪ رﻳﺎﺿﻲ" آن‬

‫ﭘﻴﺸﺎﻣﺪ در ‪ n‬آزﻣﺎﻳﺶ ﺑﺮاﺑﺮ ‪ np‬ﺧﻮاﻫﺪ ﺑﻮد‪ .‬ﻫﻤﺎﻧﻄﻮرﻳﻜﻪ در ﻗﺒﻞ دﻳﺪﻳﻢ اﺣﺘﻤﺎل ﺳﺒﺰ ﻛﺮدن ﺑﺬر ﭘﻨﺒﻪ ﺑﺮاﺑﺮ ﺑﺎ ‪0.5139‬‬

‫‪ 0.5193‬ﻳﻌﻨﻲ ‪ 0.5193‬ﺑﺬر‬ ‫ﻣﺤﺎﺳﺒﻪ ﺷﺪه اﺳﺖ‪ .‬اﮔﺮ ‪ 10000‬ﺑﺬر ﭘﻨﺒﻪ ﺑﻜﺎرﻳﻢ ﺗﻌﺪاد ﺑﺬرﻫﺎي ﺳﺒﺰ ﺷﺪه ﺑﺮاﺑﺮ ﺑﺎ ‪10000‬‬
‫‪6‬‬
‫ﻣﻲﺑﺎﺷﺪ‪ .‬اﮔﺮ ﺗﻌﺪاد ﻛﻞ اﻓﺮاد ‪ 12‬ﻧﻔﺮ‬ ‫ﺧﻮاﻫﺪ ﺑﻮد‪ .‬ﻳﺎ اﻳﻨﻜﻪ در ﺟﺪول ﻗﺒﻞ دﻳﺪﻳﻢ ﻛﻪ اﺣﺘﻤﺎل ﮔﺮوه ﺧﻮﻧﻲ ‪ AB‬ﺑﺮاﺑﺮ ﺑﺎ‬
‫‪12‬‬
‫‪6‬‬
‫ﻳﺎ ‪ 6‬ﻧﻔﺮ آﻧﻬﺎ ﮔﺮوه ﺧﻮﻧﻲ ‪ AB‬ﺧﻮاﻫﻨﺪ داﺷﺖ‪.‬‬ ‫ﺑﺎﺷﻨﺪ‪12 ،‬‬
‫‪12‬‬

‫ﻣﺜﺎﻟﻲ دﻳﮕﺮ‪ :‬در ‪ 900‬ﻣﺮﺗﺒﻪ آزﻣﺎﻳﺶ ﭘﺮﺗﺎب دو ﺗﺎس‪ ،‬ﺗﻌﺪاد ﻣﻮرد اﻧﺘﻈﺎر ﺑﺮاي ﺣﺎﻟﺘﻲ ﻛﻪ ﻣﺠﻤﻮع ﻛﻤﺘﺮ از ‪ 5‬ﺑﺎﺷﺪ‪ ،‬ﭼﻘﺪر‬

‫اﺳﺖ؟‬

‫ﺑﺮاي ﭘﻴﺪا ﻛﺮدن اﺣﺘﻤﺎل ‪ p‬ﺑﺮاي ﺑﻪ دﺳﺖ آوردن ﻣﺠﻤﻮﻋﻲ ﻛﻤﺘﺮ از ‪ 5‬در ﻳﻚ ﻣﺮﺗﺒﻪ رﻳﺨﺘﻦ دو ﺗﺎس‬

‫ﭼﻮن ﺑﺮاي ﻣﺠﻤﻮع ﻛﻤﺘﺮ از ‪ 5‬ﺣﺎﻟﺘﻬﺎي زﻳﺮ ﻣﻴﺘﻮاﻧﺪ ﺑﺮاي دو ﺗﺎس رخ دﻫﺪ ‪:‬‬

‫‪3-1‬ﻳﺎ ‪ 2-1‬ﻳﺎ ‪ 3-2‬ﻳﺎ ‪ 1-4‬ﻳﺎ ‪ 1-1‬ﻳﺎ‪ 2-2‬ﻟﺬا‪:‬‬

‫‪6‬‬ ‫‪1‬‬
‫‪ ،S+f=36 ،S=6‬ﭘﺲ‬
‫‪36‬‬ ‫‪6‬‬

‫‪1‬‬
‫‪900‬‬ ‫ﺗﻌﺪاد دﻓﻌﺎت ﻣﻮرد اﻧﺘﻈﺎر در ﺑﻴﻦ ‪ 900‬آزﻣﺎﻳﺶ ﺑﺮاي ﺣﺎﻟﺘﻲ ﻛﻪ ﻣﺠﻤﻮع ﻛﻤﺘﺮ از ‪ 5‬ﺑﺎﺷﺪ‪ ،‬ﻋﺒﺎرت اﺳﺖ از ‪150‬‬
‫‪6‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٤٣‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﺑﻪ آﺳﺎﻧﻲ ﻣﻲﺗﻮان دﻳﺪ ﻛﻪ اﻣﻴﺪ رﻳﺎﺿﻲ ﻣﺤﺘﻤﻞﺗﺮﻳﻦ ﺗﻌﺪاد ﻣﻮﻓﻘﻴﺖ ﺑﺮاي وﻗﻮع در ﺑﻴﻦ ‪ n‬آزﻣﺎﻳﺶ اﺳﺖ‪ .‬ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ‪ ،‬در‬

‫ﻣﺜﺎل ﻗﺒﻞ‪ ،‬ﻣﺤﺘﻤﻞﺗﺮﻳﻦ ﭘﻴﺸﺎﻣﺪ ﻋﺒﺎرت از آﻣﺪن ‪ 150‬ﻣﺮﺗﺒﻪ ﻣﺠﻤﻮع ﻛﻤﺘﺮ از ‪ 5‬ﻣﻲﺑﺎﺷﺪ‪ .‬ﻣﻊﻫﺬا‪ ،‬اﻳﻦ ﻣﻔﻬﻮم ﺑﺪﻳﻦ ﻣﻌﻨﺎ‬

‫ﻧﻴﺴﺖ ﻛﻪ در ‪ 900‬ﻣﺮﺗﺒﻪ ﭘﺮﺗﺎب دو ﺗﺎس ﺣﺘﻤﺎ ﺑﺎﻳﺪ اﻳﻦ ﭘﻴﺸﺎﻣﺪ اﺗﻔﺎق ﺑﻴﻔﺘﺪ‪ .‬در واﻗﻊ‪ ،‬ﺣﺘﻲ ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻫﻢ ﻧﻴﺴﺖ ﻛﻪ اﻳﻦ‬

‫ﭘﻴﺸﺎﻣﺪ ﺑﺎ اﺣﺘﻤﺎل زﻳﺎد اﺗﻔﺎق ﻣﻲاﻓﺘﺪ‪ .‬ﺑﻪ ﻃﻮر ﻣﺴﻠﻢ‪ ،‬ﻣﻌﻨﻲ آن اﻳﻦ اﺳﺖ ﻛﻪ اﺣﺘﻤﺎل وﻗﻮع اﻳﻦ ﭘﻴﺸﺎﻣﺪ )آﻣﺪن ‪ 150‬ﻣﺮﺗﺒﻪ‬

‫ﻣﺠﻤﻮع ﻛﻤﺘﺮ از ‪ (5‬از ﭘﻴﺸﺎﻣﺪﻫﺎي دﻳﮕﺮ ﺑﻴﺸﺘﺮ اﺳﺖ‪ .‬اﮔﺮ اﺣﺘﻤﺎل ‪ p‬ﺑﻪ ﺻﻮرت ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ در ‪ n‬ﻣﺮﺗﺒﻪ آزﻣﺎﻳﺶ ﺗﻌﻴﻴﻦ‬

‫ﺷﺪه ﺑﺎﺷﺪ‪ ،‬ﺑﻪ آﺳﺎﻧﻲ دﻳﺪه ﻣﻲﺷﻮد ﻛﻪ در اﻳﻦ ‪ n‬آزﻣﺎﻳﺶ اﻣﻴﺪ رﻳﺎﺿﻲ ﺑﺎ ﻣﻘﺪار واﻗﻌﻲ ﻣﻮﻓﻘﻴﺖ ﺑﺮاﺑﺮ اﺳﺖ‪ .‬ﺑﻪ اﻳﻦ ﺗﺮﺗﻴﺐ‪،‬‬

‫اﮔﺮ اﺣﺘﻤﺎل ﺟﻮاﻧﻪزﻧﻲ ﺑﺬرﻫﺎي ﺗﻴﻤﺎر ﻧﺸﺪه ﭘﻨﺒﻪ‪ ،‬ﻫﻤﺎنﻃﻮر ﻛﻪ ﻗﺒﻼ دﻳﺪه ﺷﺪ ﺑﺮاﺑﺮ ‪ 0.5193‬ﺑﺎﺷﺪ‪ ،‬اﻣﻴﺪ رﻳﺎﺿﻲ ﺟﻮاﻧﻪزﻧﻲ در‬

‫‪ 0.5193‬ﻣﻲﺑﺎﺷﺪ ﻛﻪ ﺑﺎ ﺗﻌﺪاد واﻗﻌﻲ ﺟﻮاﻧﻪﻫﺎي ﻇﺎﻫﺮ ﺷﺪه ﺑﺮاﺑﺮ اﺳﺖ‪.‬‬ ‫‪10000‬‬ ‫‪ 10000‬ﺑﺬر ﺑﺮاﺑﺮ ﺑﺎ ‪5193‬‬

‫‪ ‬‬

‫د‪ -‬اﺣﺘﻤﺎل ﺷﺮﻃﻲ‪:‬‬

‫ﮔﺎﻫﮕﺎﻫﻲ اﻣﻜﺎن دارد ﻣﺠﻤﻮﻋﻪ ﻫﻤﻪ ﻧﺘﺎﻳﺞ ﻣﻤﻜﻦ زﻳﺮ ﻣﺠﻤﻮﻋﻪاي از ﻣﺠﻤﻮﻋﻪ ﻣﺮﺟﻊ را ﺗﺸﻜﻴﻞ دﻫﺪ‪ .‬ﺑﻪ ﺑﻴﺎن دﻳﮕﺮ‪ ،‬ﻣﻲﺗﻮان‬

‫ﺟﻤﻌﻴﺖ ﻣﺴﺎﻋﺪ را ﺑﺎ اﻋﻤﺎل ﻣﺠﻤﻮﻋﻪ ﺷﺮاﻳﻄﻲ ﻛﻪ ﺑﺮ ﻛﻞ ﺟﻤﻌﻴﺖ ﻗﺎﺑﻞ اﻋﻤﺎل ﻧﻴﺴﺖ‪ ،‬ﻛﺎﻫﺶ داد‪ .‬اﮔﺮ ﻣﺨﺮج ﻛﺴﺮ اﺣﺘﻤﺎﻻت‬

‫زﻳﺮﻣﺠﻤﻮﻋﻪاي از ﻣﺠﻤﻮﻋﻪ ﻣﺮﺟﻊ ﺑﺎﺷﺪ‪ ،‬ﺣﺎﺻﻞ را اﺣﺘﻤﺎل ﺷﺮﻃﻲ ﻣﻲﻧﺎﻣﻨﺪ‪ .‬ﻣﻔﻬﻮم اﺣﺘﻤﺎل ﺷﺮﻃﻲ را ﺑﺎ ﻣﺮاﺟﻌﻪ ﻣﺠﺪد ﺑﻪ‬

‫ﺟﺪول ﮔﺮوه ﺧﻮﻧﻲ و ﺟﻨﺲ ﻣﻲﺗﻮان ﺷﺮح داد‪ .‬ﻓﺮض ﻛﻨﻴﺪ ﺑﺨﻮاﻫﻴﻢ اﺣﺘﻤﺎل آﻧﻜﻪ ﻳﻚ ﻧﻔﺮ اﻧﺘﺨﺎب ﺷﺪه ﮔﺮوه ﺧﻮﻧﻲ‪AB‬‬

‫داﺷﺘﻪ ﺑﺎﺷﺪ را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﻢ‪ .‬اﺣﺘﻤﺎل ﺑﺎﻻ اﺣﺘﻤﺎل ﻏﻴﺮﺷﺮﻃﻲ اﺳﺖ‪ ،‬ﭼﻪ ﺑﺮ ﻣﺠﻤﻮﻋﻪ ﻫﻤﻪ ﻧﺘﺎﻳﺞ ﻣﻤﻜﻦ ﻫﻴﭻ ﺷﺮﻃﻲ ﺑﺎر‬

‫ﻧﻜﺮدهاﻳﻢ‪.‬‬

‫اﻳﻦ اﺣﺘﻤﺎل را ﺑﻪ ﺻﻮرت زﻳﺮ ﻣﺤﺎﺳﺒﻪ ﻣﻲﻧﻤﺎﻳﻴﻢ‪:‬‬

‫‪٤‬‬ ‫‪٦‬‬
‫‪٤‬‬ ‫‪٠.٥ ‬‬
‫‪١٢‬‬

‫ﺣﺎل اﮔﺮ ﻣﺠﻤﻮﻋﻪ ﻫﻤﻪ ﻧﺘﺎﻳﺞ ﻣﻤﻜﻦ را ﺑﻪ ﻣﺠﻤﻮﻋﻪ اﻓﺮاد ﻣﺮد )ﻣﺠﻤﻮﻋﻪ ‪ (D2‬ﻛﺎﻫﺶ دﻫﻴﻢ‪،‬ﺣﺎل ﺣﺴﺎب ﻛﻨﻴﺪ اﺣﺘﻤﺎل آن ﻛﻪ‬

‫ﻳﻜﻲ از اﻓﺮاد اﻧﺘﺨﺎب ﺷﺪه ﮔﺮوه ﺧﻮﻧﻲ ‪ AB‬داﺷﺘﻪ ﺑﺎﺷﺪ ﺑﻪ ﺷﺮط آﻧﻜﻪ وي از ﻣﻴﺎن ﻣﺮدﻫﺎ اﻧﺘﺨﺎب ﺷﺪه ﺑﺎﺷﺪ‪ ،‬ﭼﻘﺪر اﺳﺖ؟‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٤٤‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫در ﺟﺪول ﻣﺮﺑﻮﻃﻪ ﻣﺸﺎﻫﺪه ﻣﻲﻛﻨﻴﻢ ﻛﻪ ﻣﺠﻤﻮﻋﻪ ‪ D2‬از ‪ 6‬ﻋﻀﻮ‪ ،‬ﻳﻌﻨﻲ از اﻓﺮاد ﻣﺮد درﺳﺖ ﺷﺪه اﺳﺖ‪ .‬در ﻫﻤﻴﻦ ﺟﺪول‬

‫ﻣﻲﺑﻴﻨﻴﻢ ﻛﻪ ‪ 3‬ﻧﻔﺮ ﮔﺮوه ﺧﻮﻧﻲ ‪ AB‬دارﻧﺪ ﻛﻪ ﻣﻌﺎدل ﺑﺎ ﺗﻌﺪاد اﻋﻀﺎي ﻣﺠﻤﻮﻋﻪ ‪ C4 ∩ D2‬ﻣﻲﺑﺎﺷﺪ‪ .‬از اﻳﻦرو‪ ،‬ﭘﺎﺳﺦ ﺳﻮال‬

‫ﺑﺎﻻ ﺑﻪ ﺻﻮرت زﻳﺮ اﺳﺖ‪:‬‬

‫‪٤‬‬ ‫∩‬ ‫‪٢‬‬ ‫‪٣‬‬

‫‪٤| ٢‬‬ ‫‪٠.٥ ‬‬
‫‪٢‬‬ ‫‪٦‬‬

‫ﺧﻂ ﻋﻤﻮدي در ‪ P C4 |D2‬ﺧﻮاﻧﺪه ﻣﻲﺷﻮد "ﺑﻪ ﺷﺮﻃﻲ ﻛﻪ ‪ ...‬داده ﺷﺪه ﺑﺎﺷﺪ" ﭘﺲ‪ P C4 |D2 ،‬ﭼﻨﻴﻦ ﺧﻮاﻧﺪه ﻣﻲﺷﻮد‪:‬‬

‫"اﺣﺘﻤﺎل ﭘﻴﺸﺎﻣﺪ ‪ C4‬ﺑﻪ ﺷﺮﻃﻲ ﻛﻪ ﭘﻴﺸﺎﻣﺪ ‪ D2‬داده ﺷﺪه ﺑﺎﺷﺪ" ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﺷﺮﻃﻲ ﻫﻤﻴﺸﻪ اول ﺷﺮط را اﺟﺮا‬

‫ﻣﻲﻛﻨﻴﻢ ﻛﻪ ﺑﻌﺪ از ﺧﻂ ﻋﻤﻮدي )|( ﻣﻲآﻳﺪ‪ .‬اﮔﺮ ﺻﻮرت و ﻣﺨﺮج ﻛﺴﺮ ﺑﺎﻻ را ﺑﺮ ﺗﻌﺪاد اﻋﻀﺎي ﻣﺠﻤﻮﻋﻪ ﻣﺮﺟﻊ )‪ ، n(U‬ﻳﻌﻨﻲ‬

‫ﺗﻌﺪاد ﻛﻞ اﻓﺮاد ﺗﻘﺴﻴﻢ ﻛﻨﻴﻢ ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬

‫‪٤‬‬ ‫∩‬ ‫‪٢‬‬

‫‪٤| ٢‬‬ ‫‪ ‬‬

‫‪٢‬‬

‫‪٣‬‬
‫‪٤‬‬ ‫∩‬ ‫‪٢‬‬ ‫‪١٢‬‬
‫‪٤| ٢‬‬ ‫‪٠.٥ ‬‬
‫‪٢‬‬ ‫‪٦‬‬
‫‪١٢‬‬

‫ﻧﺘﻴﺠﻪ ﺣﺎﺻﻠﻪ ﻣﺎ را ﺑﻪ ﺗﻌﺮﻳﻒ ﻛﻠﻲ "اﺣﺘﻤﺎل ﺷﺮﻃﻲ" ﺑﻪ ﺻﻮرت زﻳﺮ رﻫﻨﻤﻮن ﻣﻲﺳﺎزد‪.‬‬

‫ﺗﻌﺮﻳﻒ ‪ :‬اﺣﺘﻤﺎل ﺷﺮﻃﻲ ‪ A‬ﺑﻪ ﺷﺮﻃﻲ ﻛﻪ ﭘﻴﺸﺎﻣﺪ ‪ B‬داده ﺷﺪه ﺑﺎﺷﺪ‪ ،‬ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ اﺣﺘﻤﺎل ‪ A ∩ B‬ﺗﻘﺴﻴﻢ ﺑﺮ اﺣﺘﻤﺎل‬

‫ﭘﻴﺸﺎﻣﺪ ‪ B‬ﺑﻪ ﺷﺮط آن ﻛﻪ اﺣﺘﻤﺎل ﭘﻴﺸﺎﻣﺪ ‪ B‬ﻣﺨﺎﻟﻒ ﺻﻔﺮ ﺑﺎﺷﺪ‪.‬‬

‫ﻳﻌﻨﻲ‪:‬‬

‫∩‬
‫|‬ ‫ ‬ ‫‪٠ ‬‬

‫ه ‪ -‬ﻗﺎﻧﻮن ﺿﺮب‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٤٥‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻗﺎﻧﻮن ﺿﺮب زﻣﺎﻧﻲ ﺑﻪ ﻛﺎر ﻣﻲرود ﻛﻪ ﭼﻨﺪ ﭘﻴﺸﺎﻣﺪ ﺑﺎ ﻫﻢ اﺗﻔﺎق ﺑﻴﻔﺘﻨﺪ ﻳﻌﻨﻲ ﺣﺎدﺛﻪ اول و ﺣﺎدﺛﻪ دوم و ‪ . ...‬ﻗﺒﻞ از اﺳﺘﻔﺎده‬

‫از اﻳﻦ ﻗﺎﻧﻮن ﻻزم اﺳﺖ ﭘﻴﺸﺎﻣﺪﻫﺎي ﻣﺴﺘﻘﻞ و واﺑﺴﺘﻪ ﺗﻌﺮﻳﻒ ﺷﻮﻧﺪ‪.‬‬

‫دو ﻳﺎ ﭼﻨﺪ ﭘﻴﺸﺎﻣﺪ را ﻣﻮﻗﻌﻲ "ﻣﺴﺘﻘﻞ" ﻣﻲﻧﺎﻣﻨﺪ ﻛﻪ اﺣﺘﻤﺎل وﻗﻮع ﻫﺮ ﻳﻚ از آﻧﻬﺎ ﺗﺤﺖ ﺗﺎﺛﻴﺮ وﻗﻮع دﻳﮕﺮي ﻗﺮار ﻧﮕﻴﺮد‪ .‬در‬

‫ﻏﻴﺮ اﻳﻦ ﺻﻮرت‪ ،‬ﭘﻴﺸﺎﻣﺪ را "ﻏﻴﺮ ﻣﺴﺘﻘﻞ ﻳﺎ واﺑﺴﺘﻪ" ﻣﻲﻧﺎﻣﻨﺪ‪.‬‬

‫اﮔﺮ ﺗﺎﺳﻲ را دو ﺑﺎر ﺑﺮﻳﺰﻳﻢ‪ ،‬وﻗﻮع ‪ 3‬در رﻳﺰش اول و وﻗﻮع ‪ 5‬در رﻳﺰش دوم وﻗﺎﻳﻊ ﻣﺴﺘﻘﻞ ﻣﻲﺑﺎﺷﻨﺪ ﻳﺎ اﮔﺮ دو ﺗﺎس را‬

‫ﻳﻜﻤﺮﺗﺒﻪ ﭘﺮت ﻛﻨﻴﻢ‪ ،‬اﺣﺘﻤﺎل وﻗﻮع ‪ 3‬در ﺗﺎس اول و ‪ 5‬در ﺗﺎس دوم ﻣﺴﺘﻘﻞ از ﻫﻢ ﻫﺴﺘﻨﺪ‪ .‬ﺣﺎﻻ ﻣﺜﻼ اﮔﺮ ﮔﺮوه ﺧﻮﻧﻲ اﻓﺮاد‬

‫ﻳﻚ ﺟﺎﻣﻌﻪ آﻣﺎري ﺧﺎص را روي ﻛﺎرﺗﻬﺎي ﻣﺴﺘﻘﻞ ﺑﻨﻮﻳﺴﻴﻢ ﺑﻪ ﺗﺮﺗﻴﺒﻲ ﻛﻪ در آن ‪ 4‬ﻛﺎرت ﮔﺮوه ﺧﻮﻧﻲ ‪ 4 ,A‬ﻛﺎرت ‪،B ‬‬

‫‪4‬ﻛﺎرت ‪ O ‬و ‪ 12‬ﻛﺎرت ‪ AB ‬و در ﻣﺠﻤﻮع ‪ 26‬ﻛﺎرت داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ .‬اﮔﺮ دو ﻛﺎرت ﺑﻪ ﻃﻮر ﻣﺘﻮاﻟﻲ از ﻳﻚ دﺳﺘﻪ ﻛﺎرت‪ ،‬ﺑﺪون‬

‫ﺟﺎﻳﮕﺬاري ﺑﻴﺮون ﻛﺸﻴﺪه ﺷﻮﻧﺪ‪ ،‬ﻇﻬﻮر ﻳﻚ ‪ A‬در ﻛﺸﻴﺪن ﻣﺮﺗﺒﻪ اول و ﻇﻬﻮر ﻳﻚ ‪ B‬در دﻓﻌﻪ دوم وﻗﺎﻳﻊ ﻣﺴﺘﻘﻞ ﻧﻴﺴﺘﻨﺪ‪.‬‬

‫زﻳﺮا اﺣﺘﻤﺎل ﺑﻪ دﺳﺖ آﻣﺪن ‪ B‬در ﻛﺸﻴﺪن دﻓﻌﻪ دوم ﺑﺴﺘﮕﻲ ﺑﻪ ﺣﺎدﺛﻪاي دارد ﻛﻪ در ﻛﺸﻴﺪن ورق اول اﺗﻔﺎق اﻓﺘﺎده اﺳﺖ‪.‬‬

‫اﮔﺮ ﺑﻌﺪ از اﻧﺘﺨﺎب ورق آن را ﺟﺎﻳﮕﺬاري ﻛﻨﻴﻢ‪ ،‬در اﻳﻦ ﺻﻮرت‪ ،‬ﻧﺘﻴﺠﻪ ﻛﺸﻴﺪن ورق دوم از ﻛﺸﻴﺪن ورق اول ﻣﺴﺘﻘﻞ ﺧﻮاﻫﺪ‬

‫ﺑﻮد‪ .‬ﺑﺮاي ﺗﺸﺨﻴﺺ دو روﻳﺪاد واﺑﺴﺘﻪ ﻳﺎ ﻣﺴﺘﻘﻞ از روي ﺟﺪول ﮔﺮوه ﺧﻮﻧﻲ ﻣﻲﺗﻮان ﺑﻪ اﻳﻦ ﺻﻮرت ﻧﻴﺰ ﻋﻤﻞ ﻛﺮد ﻛﻪ اﮔﺮ‬

‫اﻋﻤﺎل ﺷﺮط ﺗﻐﻴﻴﺮي در ﻣﻴﺰان اﺣﺘﻤﺎل ﺑﻮﺟﻮد ﻧﻴﺎورد آن دو ﭘﻴﺸﺎﻣﺪ را ﻣﺴﺘﻘﻞ و در ﺻﻮرﺗﻲ ﻛﻪ اﻋﻤﺎل ﺷﺮط اﺣﺘﻤﺎل‬

‫ﻣﺤﺎﺳﺒﻪ ﺷﺪه را ﺗﻐﻴﻴﺮ دﻫﺪ آن دو ﭘﻴﺸﺎﻣﺪ را واﺑﺴﺘﻪ ﻣﻲﻧﺎﻣﻴﻢ‪ .‬ﻣﺜﻼ در ﺑﺤﺚ اﺣﺘﻤﺎل ﺷﺮﻃﻲ اﺣﺘﻤﺎل ﮔﺮوه ﺧﻮﻧﻲ ‪ AB‬ﺑﻪ‬

‫ﺷﺮط ﻣﺮد ﺑﻮدن ﺑﺎ اﺣﺘﻤﺎل ﮔﺮوه ﺧﻮﻧﻲ ‪ AB‬ﺑﺪون ﻫﻴﭻ ﺷﺮﻃﻲ ﺑﺮاﺑﺮ ‪ 0.5‬ﻣﺤﺎﺳﺒﻪ ﺷﺪه اﺳﺖ‪ ،‬ﺑﻨﺎﺑﺮاﻳﻦ دو ﭘﻴﺸﺎﻣﺪ ﮔﺮوه‬

‫ﺧﻮﻧﻲ ‪ AB‬و ﻣﺮد ﺑﻮدن ﻣﺴﺘﻘﻞ ﻫﺴﺘﻨﺪ‪ .‬اﻣﺎ دو ﭘﻴﺸﺎﻣﺪ ﮔﺮوه ﺧﻮﻧﻲ ‪ B‬و ﻣﺮد ﺑﻮدن واﺑﺴﺘﻪ ﻫﺴﺘﻨﺪ )ﭼﮕﻮﻧﻪ؟(‪.‬‬

‫در ﺻﻮرﺗﻲ ﻛﻪ دو ﭘﻴﺸﺎﻣﺪ‪ ،‬ﻣﺴﺘﻘﻞ از ﻳﻜﺪﻳﮕﺮ ﺑﺎﺷﻨﺪ‪ ،‬اﺣﺘﻤﺎل اﻳﻦ ﻛﻪ ﻫﺮ دوي آﻧﻬﺎ اﺗﻔﺎق ﺑﻴﻔﺘﻨﺪ‪ ،‬ﻣﺴﺎوي ﺣﺎﺻﻞ ﺿﺮب‬

‫‪ ‬‬ ‫∩‬ ‫‪.‬‬ ‫اﺣﺘﻤﺎل وﻗﻮع ﻫﺮ ﻳﻚ از آﻧﻬﺎ ﺧﻮاﻫﺪ ﺑﻮد‪          :‬‬

‫اﮔﺮ دو ﭘﻴﺸﺎﻣﺪ واﺑﺴﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬ﻳﻌﻨﻲ اﺣﺘﻤﺎل وﻗﻮع ﻳﻜﻲ از آﻧﻬﺎ ﺑﻪ اﺣﺘﻤﺎل وﻗﻮع ﺑﺎ ﻋﺪم وﻗﻮع دﻳﮕﺮي ﺑﺴﺘﮕﻲ داﺷﺘﻪ ﺑﺎﺷﺪ‪،‬‬

‫اﺣﺘﻤﺎل آن ﻛﻪ ﻫﺮ دوي آﻧﻬﺎ اﺗﻔﺎق ﺑﻴﻔﺘﻨﺪ‪ ،‬ﻋﺒﺎرت اﺳﺖ از‪:‬‬

‫∩‬ ‫‪.‬‬ ‫|‬ ‫‪.‬‬ ‫|‬ ‫‪ ‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٤٦‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻫﻤﺎﻧﻄﻮرﻳﻜﻪ دﻳﺪه ﻣﻴﺸﻮد اﻳﻦ ﻗﺎﻧﻮن از روي ﻃﺮﻓﻴﻦ وﺳﻄﻴﻦ ﻛﺮدن ﻓﺮﻣﻮل اﺣﺘﻤﺎل ﺷﺮﻃﻲ ﺑﻪ راﺣﺘﻲ اﺛﺒﺎت ﻣﻴﺸﻮد‪.‬‬

‫ﻣﺜﺎل‪ :‬از ﻫﻤﺎن دﺳﺘﻪ ‪ 26‬ﺗﺎﻳﻲ ﻛﺎرت ﮔﺮوه ﺧﻮﻧﻲ‪ ،‬ﻳﻚ ورق ﺑﻪ ﻃﻮر ﺗﺼﺎدﻓﻲ ﻛﺸﻴﺪه ﻣﻲﺷﻮد )ﺑﺪون ﺟﺎﻳﮕﺬاري(‪ .‬ﺳﭙﺲ ﻳﻚ‬

‫ورق دﻳﮕﺮ ﻧﻴﺰ ﻛﺸﻴﺪه ﻣﻲﺷﻮد‪ .‬اﺣﺘﻤﺎل آﻧﻜﻪ ورق اول ‪ A‬و ورق دوم ‪ B‬ﺑﺎﺷﺪ ﭼﻘﺪر اﺳﺖ؟‬

‫‪4‬‬
‫‪ p1‬و اﺣﺘﻤﺎل ﻛﺸﻴﺪن ﻳﻚ ‪ B‬در ﺑﺎر دوم ﭘﺲ از آﻧﻜﻪ ﻳﻚ ‪ A‬از ﺑﻴﻦ ﺑﺮﮔﻬﺎ‬ ‫اﺣﺘﻤﺎل ﻛﺸﻴﺪن ﻳﻚ ‪ A‬در دﻓﻌﻪ اول ﺑﺮاﺑﺮ‬
‫‪26‬‬
‫‪4‬‬
‫‪ p2‬اﺳﺖ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ اﺣﺘﻤﺎل ﻣﻮرد ﻧﻈﺮ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬ ‫ﺑﻴﺮون ﻛﺸﻴﺪه ﺷﺪه ﺑﺎﺷﺪ‪ ،‬ﺑﺮاﺑﺮ‬
‫‪25‬‬

‫‪٤‬‬ ‫‪٤‬‬ ‫‪١٦‬‬

‫‪ ‬‬ ‫ﻳﻌﻨﯽ‪ :‬ﻣﺎﺑﻘﯽ ﮐﺎرﺗﻬﺎ‬
‫‪٢٦‬‬ ‫‪٢٥‬‬ ‫‪٦٥٠‬‬

‫اﻳﻦ ﺑﺪان ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ اﮔﺮ ﻋﻤﻞ ﻛﺸﻴﺪن دو ﻛﺎرت ﺑﻪ ﻃﻮر ﻣﺘﻮاﻟﻲ از ﺑﻴﻦ ‪ 26‬ﺑﺮگ را ﺑﻪ دﻓﻌﺎت زﻳﺎد اﻧﺠﺎم دﻫﻴﻢ )و‬

‫ﻫﻤﻴﺸﻪ ﺑﻪ ﻫﻤﻴﻦ ﺻﻮرت و ﺑﺪون ﺟﺎﻳﮕﺬاري(‪ ،‬ﻓﻘﻂ در ‪ 16‬ﺑﺎر از ‪ 650‬ﺑﺎر ﻳﺎ ﺣﺪود ‪ 1‬ﺑﺎر در ﻫﺮ ‪ 40‬آزﻣﺎﻳﺶ‪ ،‬اﺑﺘﺪا ﻳﻚ ‪ A‬و‬

‫ﺑﻌﺪ از آن ﻳﻚ ‪ B‬ﺑﻴﺮون ﻛﺸﻴﺪه ﻣﻲﺷﻮﻧﺪ‪.‬‬

‫ﻗﺎﻧﻮن ﺿﺮب را ﺑﻪ ﺑﻴﺶ از دو ﭘﻴﺸﺎﻣﺪ ﻧﻴﺰ‪ ،‬ﻣﻲﺗﻮان ﺗﻌﻤﻴﻢ داد‪ .‬ﺑﺮاي ﻣﺜﺎل در ﻣﻮرد ﺳﻪ ﭘﻴﺸﺎﻣﺪ ﻣﺴﺘﻘﻞ ﻣﻲﺗﻮان ﻧﻮﺷﺖ‪:‬‬

‫∩‬ ‫∩‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪ ‬‬

‫و در ﻣﻮرد ﺳﻪ ﭘﻴﺸﺎﻣﺪ واﺑﺴﺘﻪ ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬

‫∩‬ ‫∩‬ ‫∩‬ ‫∩‬ ‫∩‬ ‫‪.‬‬ ‫∩ |‬ ‫‪.‬‬ ‫|‬ ‫‪.‬‬ ‫∩ |‬ ‫‪ ‬‬

‫ﻣﺜﺎل‪ :‬در ﻳﻚ ﻛﻴﺴﻪ ‪ 4‬ﻣﻬﺮه ﺳﻔﻴﺪ‪ 5 ،‬ﻣﻬﺮه ﺳﻴﺎه و ‪ 8‬ﻣﻬﺮه ﻗﺮﻣﺰ وﺟﻮد دارد‪ .‬از اﻳﻦ ﻛﻴﺴﻪ ‪ 3‬ﻣﻬﺮه‪ ،‬ﺑﻪ ﻃﻮر ﺗﺼﺎدﻓﻲ اﻧﺘﺨﺎب‬

‫ﻣﻲﺷﻮد‪ .‬اﺣﺘﻤﺎل اﻳﻦ ﻛﻪ اوﻟﻲ ﺳﻔﻴﺪ‪ ،‬دوﻣﻲ ﺳﻴﺎه و ﺳﻮﻣﻲ ﻗﺮﻣﺰ ﺑﺎﺷﺪ‪ ،‬ﭼﻘﺪر اﺳﺖ؟‬

‫‪٤ ٥ ٨‬‬
‫ ﺳﻮﻣﻲ ﻗﺮﻣﺰ ‪ ،‬دوﻣﻲ ﺳﻴﺎه ‪ ،‬اوﻟﻲ ﺳﻔﻴﺪ ‪P‬‬ ‫∗ ∗‬ ‫‪٠.٠٤٨ ‬‬
‫‪١٦ ١٥ ١٤‬‬

‫ﺗﻮﺟﻪ ﻛﻨﻴﺪ ﻛﻪ اﺧﺘﻼف ﻋﻤﺪه ﺑﻴﻦ ﻗﺎﻧﻮن ﺟﻤﻊ و ﺿﺮب در اﻳﻦ اﺳﺖ ﻛﻪ در اوﻟﻲ وﻗﻮع ﺣﺎدﺛﻪ اول ﻳﺎ دوم ﻳﺎ ﺳﻮم‪ ،‬اﻟﻲ آﺧﺮ‪،‬‬

‫ﻣﺪﻧﻈﺮ اﺳﺖ‪ ،‬در ﺣﺎﻟﻲ ﻛﻪ در ﻣﻮرد دوم وﻗﻮع ﺣﺎدﺛﻪ اول و دوم و ﺳﻮم و ﻏﻴﺮه ﻣﻮرد ﻧﻈﺮ ﻣﻲﺑﺎﺷﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ‪ ،‬ﻏﺎﻟﺒﺎ در ﻳﻚ‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٤٧‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﻣﺴﺌﻠﻪ اﺣﺘﻤﺎل اﮔﺮ "ﻳﺎ" در ﺑﺮداﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﺑﺎﻳﺪ اﺣﺘﻤﺎلﻫﺎي وﻗﺎﻳﻊ را ﺑﺎ ﻫﻢ ﺟﻤﻊ ﻛﺮد )اﻟﺒﺘﻪ ﺑﻪ ﺷﺮﻃﻲ ﻛﻪ آﻧﻬﺎ ﻣﺎﻧﻌﻪ اﻟﺠﻤﻊ‪ ‬‬

‫ﻳﺎ ﻧﺎﺳﺎزﮔﺎر ﺑﺎﺷﻨﺪ( و از ﻃﺮف دﻳﮕﺮ‪ ،‬اﮔﺮ ﻣﺴﺌﻠﻪ اﺣﺘﻤﺎل "و" درﺑﺮداﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﻻزﻣﻪاش اﻳﻦ اﺳﺖ ﻛﻪ اﺣﺘﻤﺎﻟﻬﺎي وﻗﺎﻳﻊ را در‬

‫ﻫﻢ ﺿﺮب ﻧﻤﻮد )ﺑﻪ ﺷﺮﻃﻲ ﻛﻪ وﻗﺎﻳﻊ از ﻫﻢ ﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ(‪ .‬ﮔﺎﻫﻲ اوﻗﺎت در ﺣﻞ ﺑﻌﻀﻲ از ﻣﺴﺎﺋﻞ ﻫﺮ دو ﻗﺎﻧﻮن ﺿﺮب و ﺟﻤﻊ‬

‫ﺑﺎ ﻫﻢ اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪:‬‬

‫ﻣﺜﺎل‪ :‬اﺣﺘﻤﺎل اﻳﻦ را ﺣﺴﺎب ﻛﻨﻴﺪ ﻛﻪ در ﻳﻚ ﺧﺎﻧﻮاده از ﺳﻪ ﺑﭽﻪ دو ﺗﺎ ﭘﺴﺮ و ﻳﻜﻲ دﺧﺘﺮ ﺑﺎﺷﺪ‪.‬‬

‫ﺣﺎﻻت ﻣﻄﻠﻮب ﻣﺎ ﻋﺒﺎرﺗﻨﺪ از‪:‬‬

‫‪A‬‬ ‫‪ ‬دﺧﺘﺮ ‪ ،‬ﭘﺴﺮ ‪ ،‬ﭘﺴﺮ‬

‫‪B‬‬ ‫‪ ‬ﭘﺴﺮ ‪ ،‬دﺧﺘﺮ ‪ ،‬ﭘﺴﺮ‬

‫‪C‬‬ ‫‪ ‬ﭘﺴﺮ ‪ ،‬ﭘﺴﺮ ‪ ،‬دﺧﺘﺮ‬

‫‪١‬‬
‫ﭘﺴﺮ‬ ‫ﭘﺴﺮ‬ ‫دﺧﺘﺮ‬ ‫‪ ‬‬
‫‪٨‬‬
‫‪١‬‬
‫ﭘﺴﺮ‬ ‫دﺧﺘﺮ‬ ‫ﭘﺴﺮ‬ ‫‪ ‬‬
‫‪٨‬‬
‫‪١‬‬
‫دﺧﺘﺮ‬ ‫ﭘﺴﺮ‬ ‫ﭘﺴﺮ‬ ‫‪ ‬‬
‫‪٨‬‬
‫‪١‬‬ ‫‪١‬‬ ‫‪١‬‬ ‫‪٣‬‬
‫ﻳﺎ ﻳﺎ‬ ‫‪ ‬‬
‫‪٨‬‬ ‫‪٨‬‬ ‫‪٨‬‬ ‫‪٨‬‬

‫اﺣﺘﻤﺎل ﻋﺪم رﺧﺪاد‬

‫اﺣﺘﻤﺎل ﻋﺪم رﺧﺪاد ﭘﻴﺸﺎﻣﺪ ‪ A‬ﻳﺎ ﻣﻜﻤﻞ ﭘﻴﺸﺎﻣﺪ ‪ A‬ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬

‫̅‬ ‫‪١‬‬ ‫‪ ‬‬

‫‪6‬‬ ‫‪6‬‬
‫ﻛﻪ ﻫﻤﺎن اﺣﺘﻤﺎل زن‬ ‫‪2‬‬ ‫‪1‬‬ ‫ﭼﻘﺪر اﺳﺖ‪:‬‬ ‫‪2‬‬ ‫ﻣﺜﻼ در ﺟﺪول ﮔﺮوه ﺧﻮﻧﻲ اﺣﺘﻤﺎل ﻣﻜﻤﻞ ﭘﻴﺸﺎﻣﺪ‬
‫‪12‬‬ ‫‪12‬‬

‫ﺑﻮدن اﺳﺖ‪.‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٤٨‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫(؟‬ ‫ﻣﺜﺎل‪ :‬اﮔﺮ ‪ 30‬درﺻﺪ ﺟﺎﻣﻌﻪ ﻣﺴﺘﻌﺪ ﺗﺼﺎدف ﺑﺎﺷﻨﺪ ))‪ ،(P(A‬ﭼﻨﺪ درﺻﺪ ﺟﺎﻣﻌﻪ ﻣﺴﺘﻌﺪ ﺗﺼﺎدف ﻧﻴﺴﺘﻨﺪ ) ̅‬

‫‪٣٠‬‬ ‫‪٧٠‬‬
‫̅‬ ‫‪١‬‬ ‫‪١‬‬
‫‪١٠٠‬‬ ‫‪١٠٠‬‬

‫ﭼﻘﺪر اﺳﺖ؟‬ ‫∩̅‬ ‫ﻣﺜﺎل‪ :‬اﮔﺮ ‪ P(A)=0.3‬و ‪ P(B)=0.2‬و ‪ A‬و ‪ B‬از ﻫﻢ ﻣﺴﺘﻘﻞ ﺑﺎﺷﻨﺪ‬

‫∩̅‬ ‫̅‬ ‫‪١‬‬ ‫‪١‬‬ ‫‪١‬‬ ‫‪٠.٣‬‬ ‫‪١‬‬ ‫‪٠.٢‬‬ ‫‪٠.٧‬‬ ‫‪٠.٨‬‬ ‫‪٠.٥٦ ‬‬

‫ﻣﺜﺎل‪ :‬ﺳﻪ ﻧﻔﺮ ‪ A‬و ‪ B‬و ‪ C‬ﺑﻪ ﺗﺮﺗﻴﺐ اﺣﺘﻤﺎل ‪ 0.4‬و ‪ 0.7‬و ‪ 0.5‬ﻳﻚ ﻣﺴﺌﻠﻪ را ﺣﻞ ﻣﻲﻛﻨﻨﺪ‪ .‬ﻣﻄﻠﻮب اﺳﺖ‪:‬‬

‫اﻟﻒ( اﺣﺘﻤﺎل آن ﻛﻪ ﻓﻘﻂ ﻳﻜﻲ ﻣﺴﺎﺋﻞ را ﺣﻞ ﻛﻨﺪ‪.‬‬

‫ب( اﺣﺘﻤﺎل آن ﻛﻪ ﻣﺴﺎﺋﻞ ﺣﻞ ﺷﻮد‪.‬‬

‫ﺣﻞ اﻟﻒ(‬

‫ ﺣﻞ ﻧﻜﻨﺪ و ﺣﻞ ﻧﻜﻨﺪ و ﺣﻞ ﻛﻨﺪ‬ ‫ ﺣﻞ ﻧﻜﻨﺪ و ﺣﻞ ﻛﻨﺪ و ﺣﻞ ﻧﻜﻨﺪ‬ ‫ ﺣﻞ ﻛﻨﺪ و ﺣﻞ ﻧﻜﻨﺪ و ﺣﻞ ﻧﻜﻨﺪ‬ ‫‪  ‬‬

‫‪0.4‬‬ ‫‪0.3‬‬ ‫‪0.5‬‬ ‫‪0.6‬‬ ‫‪0.7‬‬ ‫‪0.5‬‬ ‫‪0.6‬‬ ‫‪0.3‬‬ ‫‪0.5‬‬ ‫‪0.36 ‬‬

‫ﺣﻞ ب(‬

‫ﺣﻞ ﺷﺪن ﻣﺴﺌﻠﻪ ﺑﺪﻳﻦ ﻣﻌﻨﺎ اﺳﺖ ﻛﻪ ﺣﺪاﻗﻞ ﻳﻜﻲ ﻣﺴﺎﺋﻞ را ﺣﻞ ﻛﻨﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ از ﻣﻜﻤﻞ آن اﺳﺘﻔﺎده ﻣﻲﻛﻨﻴﻢ‪.‬‬

‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪0.5 1‬‬ ‫‪0.7 1‬‬ ‫‪0.4‬‬ ‫‪1‬‬ ‫‪0.5 0.3 0.6‬‬ ‫‪0.91  ‬‬

‫ﻣﺜﺎل‪:‬ﻓﺮض ﻛﻨﻴﺪ اﺣﺘﻤﺎل آﻧﻜﻪ در ‪ 20‬ﺳﺎل آﻳﻨﺪه زن و ﺷﻮﻫﺮي زﻧﺪه ﺑﻤﺎﻧﻨﺪ ﺑﻪ ﺗﺮﺗﻴﺐ ‪ 0.7‬و ‪ 0.4‬ﺑﺎﺷﺪ‪ ،‬ﻣﻄﻠﻮﺑﺴﺖ ﻣﺤﺎﺳﺒﻪ‬

‫اﺣﺘﻤﺎل‪:‬‬

‫ج( اﺣﺘﻤﺎل آﻧﻜﻪ ﺣﺪاﻗﻞ ﻳﻜﻲ زﻧﺪه ﺑﻤﺎﻧﺪ)در ‪ 20‬ﺳﺎل آﻳﻨﺪه‬ ‫اﻟﻒ( ﻫﺮ دو زﻧﺪه ﺑﻤﺎﻧﻨﺪ‪ .‬ب( ﻫﻴﭽﻜﺪام زﻧﺪه ﻧﻤﺎﻧﻨﺪ‬

‫و(زن زﻧﺪه ﺑﻤﺎﻧﺪ‬ ‫د( ﻓﻘﻂ ﻳﻜﻲ زﻧﺪه ﺑﻤﺎﻧﺪ ه( ﻓﻘﻂ زن زﻧﺪه ﺑﻤﺎﻧﺪ‬ ‫ﺷﺨﺼﻲ زﻧﺪه ﺑﻤﺎﻧﺪ(‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٤٩‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫‪ ‬ﺣﻞ اﻟﻒ(‬

‫‪ ‬ﭘﻴﺸﺎﻣﺪ زﻧﺪه ﻣﺎﻧﺪن ﺷﻮﻫﺮ ‪A:  0.4‬‬

‫دو ﭘﻴﺸﺎﻣﺪ ﻣﺴﺘﻘﻞاﻧﺪ‬
‫‪B:‬‬ ‫ﭘﻴﺸﺎﻣﺪ زﻧﺪه ﻣﺎﻧﺪن زن ‪0.7‬‬

‫∩‬ ‫‪0.4‬‬ ‫‪0.7‬‬ ‫‪0.28 ‬‬

‫ﺣﻞ ب(‬

‫∩‬ ‫‪0.6‬‬ ‫‪0.3‬‬ ‫‪0.18 ‬‬

‫ﺣﻞ ج(‬

‫‪: ‬راه ﺣﻞ اول‬ ‫∪‬ ‫‪1‬‬ ‫∩‬ ‫‪1‬‬ ‫ﻫﻴﭽﻜﺪام زﻧﺪه ﻧﻤﺎﻧﻨﺪ‬ ‫‪1‬‬ ‫‪0.18‬‬ ‫‪0.82‬‬

‫‪:‬راه ﺣﻞ دوم‬ ‫∪‬ ‫∩‬ ‫‪0.4‬‬ ‫‪0.7‬‬ ‫‪0.4 0.7‬‬ ‫‪0.82 ‬‬

‫ﺣﻞ د(‬

‫∩‬ ‫∩‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪0.6 0.7‬‬ ‫‪0.4 0.3‬‬ ‫‪0.54 ‬‬

‫ﺣﻞ ه(‬

‫∩‬ ‫‪.‬‬ ‫‪0.6 0.7‬‬ ‫‪0.42 ‬‬

‫ﺣﻞ و(‬

‫‪0.7 ‬‬

‫‪ ‬‬ ‫|̅‬ ‫‪١‬‬ ‫|‬ ‫ﻧﮑﺘﻪ‪ :‬ﻣﮑﻤﻞ اﺣﺘﻤﺎل وﻗﻮع ﭘﻴﺸﺎﻣﺪ ‪ A‬ﺑﻪ ﺷﺮط وﻗﻮع ﺣﺎدﺛﻪ ‪ B‬ﻋﺒﺎرﺗﻨﺪ از‪:‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٥٠‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫را ﺣﺴﺎب ﮐﻨﻴﺪ‪.‬‬ ‫|̅‬ ‫ﺑﺎﺷﺪ‪ ،‬ﺁﻧﮕﺎﻩ‬ ‫|‬ ‫ﻣﺜﺎل‪ :‬اﮔﺮ ‪ P(A)=٠.٤‬و ‪ P(B)=٠,٦‬و ‪٠.١‬‬

‫∩‬
‫|‬ ‫ ‬ ‫∩‬ ‫‪٠.١‬‬ ‫‪٠.٤‬‬ ‫‪٠.٠٤  ‬‬

‫∩‬ ‫‪٠.٠٤‬‬
‫|‬ ‫‪٠/٠٦٧ ‬‬
‫‪٠.٦‬‬

‫|̅‬ ‫‪١‬‬ ‫|‬ ‫‪١‬‬ ‫‪٠.٠٦٧‬‬ ‫‪٠.٩٣ ‬‬

‫اﺣﺘﻤﺎل ﻣﺘﻮﺳﻂ‬

‫ﺑﺘﻮاﻧﺪرخ دﻫﺪ )واﺑﺴﺘﻪ ﺑﻪ ﭘﻴﺸﺎﻣﺪﻫﺎي ‪،(A‬‬ ‫‪...‬‬ ‫‪2‬‬ ‫‪،‬‬ ‫‪1‬‬ ‫ﻫﺮﮔﺎه ﭘﻴﺸﺎﻣﺪ ‪ B‬ﺑﻪ ﺷﺮط وﻗﻮع ﻫﺮ ﻳﻚ از ﭘﻴﺸﺎﻣﺪﻫﺎي ﻧﺎﺳﺎزﮔﺎر‬

‫آﻧﮕﺎه اﺣﺘﻤﺎل وﻗﻮع ﭘﻴﺸﺎﻣﺪ ‪ B‬ﺑﻪ ﻃﻮر ﻣﺘﻮﺳﻂ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬

‫|‬ ‫‪ ‬‬
‫‪١‬‬

‫ﻧﻤﺎﻳﺶ ﮔﺮاﻓﻴﻜﻲ اﻳﻦ ﻣﻔﻬﻮم ﺑﻪ ﺷﻜﻞ زﻳﺮ اﺳﺖ‪:‬‬

‫‪١ ‬‬ ‫‪B ‬‬
‫‪٢ ‬‬
‫‪ ‬‬ ‫‪ ‬‬ ‫‪….. ‬‬
‫‪ ‬‬

‫‪ ‬‬

‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل اﮔﺮ اﻓﺮاد ﻳﻚ ﺟﺎﻣﻌﻪ ﺑﻪ ﺳﻪ ﻃﺒﻘﻪ ﻛﻮدك‪ ،‬ﺟﻮان و ﭘﻴﺮ ﺗﻘﺴﻴﻢ ﺷﺪه ﺑﺎﺷﻨﺪ و ﺑﻴﻤﺎري وﺑﺎ در اﻳﻦ ﺟﺎﻣﻌﻪ ﺷﺎﻳﻊ‬

‫ﺷﺪه ﺑﺎﺷﺪ‪ ،‬اﺣﺘﻤﺎل اﺑﺘﻼ ﺑﻪ ﻣﻴﻜﺮوب وﺑﺎ ﺑﻪ ﻃﻮر ﻣﺘﻮﺳﻂ در اﻳﻦ ﺟﺎﻣﻌﻪ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ‪:‬‬

‫‪ ‬‬
‫اﺣﺘﻤﺎل اﺑﺘﻼ ﺑﻪ‬
‫ﮐﻮدﮎ‬ ‫‪ ‬وﺑﺎ‬
‫ﺟﻮان‬ ‫‪ ‬‬
‫‪ ‬ﭘﻴﺮ‬
‫‪ ‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٥١‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫‪ ‬‬

‫اﺑﺘﻼ ﺑﻪ وﺑﺎ‬ ‫اﺑﺘﻼ ﺑﻪ وﺑﺎ و ﻛﻮدك‬ ‫اﺑﺘﻼ ﺑﻪ وﺑﺎ و ﺟﻮان‬ ‫اﺑﺘﻼ ﺑﻪ وﺑﺎ و ﭘﻴﺮ‬ ‫‪ ‬‬

‫( اﺳﺖ ﻟﺬا ﻓﺮﻣﻮل ﺿﺮب‬ ‫‪1,‬‬ ‫‪2,‬‬ ‫)‪3‬‬ ‫از آﻧﺠﺎ ﻛﻪ ﭘﻴﺸﺎﻣﺪ اﺑﺘﻼ ﺑﻪ وﺑﺎ )‪ (B‬واﺑﺴﺘﻪ ﺑﻪ ﭘﻴﺸﺎﻣﺪﻫﺎي ﻛﻮدك‪ ،‬ﺟﻮان و ﭘﻴﺮ ﺑﻮدن‬

‫ﭘﻴﺸﺎﻣﺪﻫﺎي واﺑﺴﺘﻪ اﺳﺘﻔﺎده ﻣﻲﺷﻮد‪.‬‬

‫ﻣﺜﺎل‪ :‬اﮔﺮ ﻳﻚ ﻓﺮد ﺣﻮاسﭘﺮت در ﻳﻚ ﺳﺎل ﺑﻪ اﺣﺘﻤﺎل ‪ ٪40‬ﺗﺼﺎدف ﮐﻨﺪ و اﻳﻦ اﺣﺘﻤﺎل ﺑﺮاﯼ ﻓﺮد ﺣﻮاسﺟﻤﻊ ‪٪٢٠‬‬

‫ﺑﺎﺷﺪ‪ .‬اﮔﺮ ﻓﺮض ﮐﻨﻴﻢ ‪ ٪٣٠‬اﻓﺮاد ﺟﺎﻣﻌﻪ ﺣﻮاسﭘﺮت ﺑﺎﺷﻨﺪ‪ ،‬اﺣﺘﻤﺎل اﻳﻨﮑﻪ ﻳﮏ ﻓﺮد از اﻳﻦ ﺟﺎﻣﻌﻪ در ﻳﮏ ﺳﺎل‬
‫ﺗﺼﺎدف داﺷﺘﻪ ﺑﺎﺷﺪ ﭼﻘﺪر اﺳﺖ؟‬

‫اﮔﺮ ‪ A‬اﺣﺘﻤﺎل ﺗﺼﺎدف و ‪ B‬اﺣﺘﻤﺎل ﺣﻮاسﭘﺮﺗﻲ ﺑﺎﺷﺪ ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬

‫‪P(B)=٣٠٪                ‬‬ ‫‪٧٠٪                        ‬‬ ‫|‬ ‫‪٤٠٪                 ‬‬ ‫|‬ ‫‪٢٠٪  ‬‬

‫‪٣٠‬‬ ‫‪٤٠‬‬ ‫‪٧٠‬‬ ‫‪٢٠‬‬ ‫‪٢٦‬‬

‫‪.‬‬ ‫|‬ ‫‪.‬‬ ‫|‬ ‫‪ ‬‬
‫‪١٠٠‬‬ ‫‪١٠٠‬‬ ‫‪١٠٠‬‬ ‫‪١٠٠‬‬ ‫‪١٠٠‬‬

‫ﻗﻀﻴﻪ ﺑﻴﺰ‬

‫ﻣﻤﻜﻦ اﺳﺖ اﺣﺘﻤﺎل وﻗﻮع ﭘﻴﺸﺎﻣﺪي را در ﺷﺮاﻳﻂ ﻣﻌﻤﻮل ﺑﺪاﻧﻴﺪ‪ ،‬وﻟﻲ اﮔﺮ اﻃﻼﻋﺎت ﺟﺪﻳﺪي ﺑﻪ دﺳﺖ آوردﻳﺪ‪ ،‬در اﺣﺘﻤﺎل‬

‫وﻗﻮع ﭘﻴﺸﺎﻣﺪ اوﻟﻴﻪ‪ ،‬ﺗﺠﺪﻳﺪ ﻧﻈﺮ ﻛﻨﻴﺪ‪ .‬ﺑﻪ اﺣﺘﻤﺎل وﻗﻮع ﭘﻴﺸﺎﻣﺪ ﻗﺒﻞ از اﻃﻼﻋﺎت ﺟﺪﻳﺪ "اﺣﺘﻤﺎل ﭘﻴﺸﻴﻦ" و ﺑﻪ ااﺣﺘﻤﺎل‬

‫وﻗﻮع آن ﭘﻴﺸﺎﻣﺪ‪ ،‬ﺑﻌﺪ از ﻛﺴﺐ اﻃﻼﻋﺎت ﺟﺪﻳﺪ‪" ،‬اﺣﺘﻤﺎل ﭘﺴﻴﻦ" ﮔﻮﻳﻨﺪ‪ .‬اﻳﻦ دو ﮔﻮﻧﻪ اﺣﺘﻤﺎل در ﻧﻈﺮﻳﻪ ﺗﺼﻤﻴﻢﮔﻴﺮي‬

‫ﻛﺎرﺑﺮد ﻓﺮاوان دارد‪ .‬ﻗﻀﻴﻪ ﺑﻴﺰ ﻣﺎ را ﺑﺮاي ﺗﺠﺪﻳﺪﻧﻈﺮ در اﺣﺘﻤﺎﻻت در ﺻﻮرت دﺳﺘﺮﺳﻲ ﺑﻪ اﻃﻼﻋﺎت ﺟﺪﻳﺪ‪ ،‬ﻛﻤﻚ ﻣﻲﻛﻨﺪ‪.‬‬

‫رخ دﻫﺪ‪ ،‬آﻧﮕﺎه‪:‬‬ ‫‪،...‬‬ ‫‪2‬‬ ‫‪،‬‬ ‫‪1‬‬ ‫ﻓﺮض ﻛﻨﻴﺪ ﭘﻴﺸﺎﻣﺪ ‪ B‬ﺑﻪ ﻫﻤﺮاه ﻳﻜﻲ و ﺗﻨﻬﺎ ﻳﻜﻲ از ﭘﻴﺸﺎﻣﺪﻫﺎي ﻧﺎﺳﺎزﮔﺎر‬

‫|‬ ‫|‬
‫)‪(Ai|B‬‬ ‫ﻳﺎ ‪    ‬‬ ‫|‬ ‫‪ ‬‬ ‫ﻳﻌﻨﯽ‪ ‬هﻤﺎن ﺿﺮب اﺣﺘﻤﺎﻻت‬
‫∑‬ ‫|‬
‫‪١‬‬ ‫∩‬

‫ﻳﻌﻨﯽ هﻤﺎن اﺣﺘﻤﺎل ﻣﺘﻮﺳﻂ )‪  P(B‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٥٢‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و ااﺣﺘﻤﺎﻻت‬

‫ﻣﻲﻧﺎﻣﻨﺪ‪  .‬‬ ‫را اﺣﺘﻤﺎل ﭘﺴﻴﻴﻦ ﭘﻴﺸﺎﻣﺪ‬ ‫|‬ ‫را ااﺣﺘﻤﺎل ﭘﻴﺸﻴﻦ و‬ ‫ﻛﻪ در آآن‬

‫ﻞ از ﺟﻤﻌﻴﺘﻲ ‪ 12‬ﻧﻔﺮه ﺷﺎﻣﻞ ‪ 6‬ﻧﻔﺮ زن )‪ (O‬و ‪ 6‬ﻧﻔﺮ ﻣﺮد )∆( ﺗﻌﺪاد ‪1‬‬
‫ﺑﺮاي رووﺷﻦ ﺷﺪن ﻣﻄﻠﻠﺐ ﻓﺮض ﻛﻨﻴﺪﺪ در ﺷﻜﻞ ﻣﻘﺎﺑﻞ‬

‫ﺨﻴﺺ داده ﺷﺪهه اﺳﺖ‪   .‬‬

‫زن و ‪ 2‬ﻣﺮد ﺑﻴﻤﺎر ﺗﺸﺨ‬

‫ﺧﻮاﻫﺪ ﺑﻮد ﺑﺎ‪:‬‬

‫ﺾ اﻧﺘﺨﺎب ﺷﻮدد ﺑﻪ ﺷﺮط آﻧﻜﻪ زن ﺑﺎﺷﺪ ﺑﺮاﺑﺮ ﺧ‬
‫ل آﻧﻜﻪ ﻳﻚ ﻣﺮﻳﺾ‬
‫اﺣﺘﻤﺎل‬

‫‪3‬‬ ‫‪2‬‬
‫‪12‬‬ ‫‪3‬‬ ‫‪2‬‬
‫زن ﻣﺮﻳﺾ‬
‫ن‬ ‫‪6‬‬ ‫‪6‬‬
‫‪12‬‬

‫ل آﻧﻜﻪ ﻳﻚ زن ااﻧﺘﺨﺎب ﺷﻮد ﺑﻪ ﺷﺮط آﻧﻜﻪ ﻣﺮﻳﻳﺾ ﺑﺎﺷﺪ ﺑﺮاﺑﺮ ااﺳﺖ ﺑﺎ‪:‬‬
‫اﺣﺘﻤﺎل‬

‫‪6‬‬ ‫‪2‬‬
‫‪12‬‬ ‫‪6‬‬ ‫‪2‬‬
‫ﻣﺮﻳﺾ زن‬ ‫‪3‬‬ ‫‪3‬‬
‫‪12‬‬

‫ﺷﻮد اﻳﻦ دو ﻣﻔﻬﻮم ﺑﺎ ﻫﻢ ﻓﺮق‬

‫ﻞ ﻣﺤﺎﺳﺒﻪ ﻫﺴﺘﺘﻨﺪ‪ .‬ﻫﻤﺎﻧﻄﻮرﻳﻜﻜﻪ دﻳﺪه ﻣﻲ د‬
‫ي ﺷﻜﻞ ﻧﻴﺰ ﻗﺎﺑﻞ‬
‫ﻫﺮ دو ااﻳﻦ اﺣﺘﻤﺎﻻت ﺑﺑﻪ راﺣﺘﻲ از روي‬

‫ﻣﻲﻛﻨﻨﺪﺪ و اﺣﺘﻤﺎﻻت ﻣﻣﺘﻔﺎوﺗﻲ دارﻧﺪ‪.‬‬

‫ﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬
‫ ﺗﻬﻴﻪ و ﺗﻨﻈ‬ ‫ ‪ ٥٣‬‬
‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﺎ ﻓﺮاواﻧﻲ ﻧﺴﺒﻲ ‪٪٤٠ ،٪٢٠ ، ٪30‬‬ ‫‪4‬‬ ‫و‬ ‫‪3‬‬ ‫‪،‬‬ ‫‪2‬‬ ‫‪،‬‬ ‫‪1‬‬ ‫ﻣﺜﺎل‪ :‬ﺑﺎ ﻣﻄﺎﻟﻌﻪ ژﻧﻮم ﺑﻴﻤﺎران ﻳﻚ ﺑﻴﻤﺎري ﺧﺎص ‪ 4‬ژن‬

‫و ‪ ٪١٠‬ﻣﺸﺎهﺪﻩ ﺷﺪﻩ اﺳﺖ و اﮔﺮ ﻣﻴﺰان ﺗﻮاﻧﺎﻳﯽ ﺗﺸﺨﻴﺺ هﺮ ﻳﮏ از ژﻧﻬﺎﯼ ﻣﺬﮐﻮر ﺑﺎ اﺑﺰارهﺎﯼ ﻣﻮﺟﻮد ﺑﻪ ﺗﺮﺗﻴﺐ‬
‫‪ ٪١ ،٪٢ ،٪٣‬و ‪ ٪٤‬ﺑﺎﺷﺪ‪ ،‬ﭘﻴﺪا ﮐﻨﻴﺪ‪.‬‬

‫اﻟﻒ( اﺣﺘﻤﺎل ﺗﺸﺨﻴﺺ ﺑﻴﻤﺎرﯼ ﺧﺎص در ﻓﺮد ﻣﺸﮑﻮﮎ )‪ P(A‬از روﯼ اﻳﻦ ژﻧﻬﺎ‬

‫‪١‬‬ ‫‪٢‬‬ ‫‪٣‬‬ ‫‪٤‬‬

‫ﻓﺮاواﻧﯽ ﻧﺴﺒﯽ‬ ‫‪٪٣٠‬‬ ‫‪٪٢٠‬‬ ‫‪٪٤٠‬‬ ‫‪٪١٠‬‬

‫درﺻﺪ ﺗﻮاﻧﺎﻳﯽ ﺗﺸﺨﻴﺺ‬ ‫‪٪٣‬‬ ‫‪٪٢‬‬ ‫‪٪١‬‬ ‫‪٪٤‬‬

‫‪٣٠‬‬ ‫‪٣‬‬ ‫‪٢٠‬‬ ‫‪٢‬‬ ‫‪٤٠‬‬ ‫‪١‬‬ ‫‪١٠‬‬ ‫‪٤‬‬

‫‪٠.٠٢١ ‬‬
‫‪١٠٠‬‬ ‫‪١٠٠‬‬ ‫‪١٠٠‬‬ ‫‪١٠٠‬‬ ‫‪١٠٠‬‬ ‫‪١٠٠‬‬ ‫‪١٠٠‬‬ ‫‪١٠٠‬‬

‫ﺑﺘﻮان ﺁن را ﺗﺸﺨﻴﺺ‬ ‫‪٤‬‬ ‫ﻳﺎ‬ ‫‪١‬‬ ‫ب( اﮔﺮ ﻓﺮدﯼ ﺑﻴﻤﺎرﯼ ﺧﺎﺻﯽ داﺷﺘﻪ ﺑﺎﺷﺪ اﺣﺘﻤﺎل اﻳﻨﮑﻪ از روﯼ ﺑﺮرﺳﯽ ژنهﺎﯼ‬
‫داد ﭼﻘﺪر اﺳﺖ‪.‬‬

‫|‪١‬‬ ‫|‪٤‬‬ ‫‪ ‬‬

‫‪٣٠‬‬ ‫‪٣‬‬
‫‪١٠٠ ١٠٠‬‬
‫|‪١‬‬ ‫‪٠.٤٢٨ ‬‬
‫‪٠.٠٢١‬‬

‫‪١٠‬‬ ‫‪٤‬‬
‫‪١٠٠ ١٠٠‬‬
‫|‪٤‬‬ ‫‪٠.١٩٠٤ ‬‬
‫‪٠.٠٢١‬‬

‫‪P(B)=٠.٤٢٨ +٠.١٩٠٤ =٠.٦١٨ ‬‬

‫ﻣﺜﺎل‪ :‬ﭘﻨﺠﺎه و دو درﺻﺪ از ﺟﻤﻌﻴﺖ ﺷﻬﺮي را زﻧﺎن ﺗﺸﻜﻴﻞ ﻣﻲدﻫﻨﺪ‪ 0.004 ،‬از زﻧﺎن و ‪ 0.003‬از ﻣﺮدان ﻣﺒﺘﻼ ﺑﻪ آﺳﻢ‬

‫ﻫﺴﺘﻨﺪ‪ :‬اﻟﻒ‪ -‬ﭼﻪ ﻧﺴﺒﺘﻲ از اﻫﺎﻟﻲ ﺷﻬﺮ ﻣﺒﺘﻼ ﺑﻪ آﺳﻢ ﻫﺴﺘﻨﺪ؟‬

‫ب‪ -‬اﮔﺮ ﺷﺨﺼﻲ اﻧﺘﺨﺎب ﺷﻮد و ﻣﺒﺘﻼ ﺑﻪ آﺳﻢ ﺑﺎﺷﺪ‪،‬اﺣﺘﻤﺎل اﻳﻨﻜﻪ زن ﺑﺎﺷﺪ ﭼﻘﺪر اﺳﺖ؟‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٥٤‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫اﺑﺘﺪا ‪ B‬را ﭘﻴﺸﺎﻣﺪ زﻧﺎن )در ﻧﺘﻴﺠﻪ ‪  ‬ﭘﻴﺸﺎﻣﺪ ﻣﺮدان( و ‪ A‬را ﭘﻴﺸﺎﻣﺪ ﻣﺒﺘﻼﻳﺎن ﺑﻪ آﺳﻢ ﺗﻌﺮﻳﻒ ﻣﻲﻛﻨﻴﻢ‬

‫‪P B‬‬ ‫‪٠.٥٢     ‬‬ ‫‪٠.٤٨         ‬‬ ‫‪⁄‬‬ ‫‪٠.٠٠٤           ‬‬ ‫‪⁄‬‬ ‫‪٠.٠٠٣ ‬‬

‫اﻟﻒ‪  P(A)=?       -‬‬

‫‪⁄‬‬ ‫‪⁄‬‬ ‫‪٠.٠٠٤‬‬ ‫‪٠.٥٢‬‬ ‫‪٠.٠٠٣‬‬ ‫‪٠.٤٨‬‬ ‫‪٠.٠٠٣٥٢ ‬‬

‫‪ ‬‬ ‫‪⁄‬‬ ‫ب‪? -‬‬

‫‪⁄‬‬ ‫‪٠.٠٠٤‬‬ ‫‪٠.٥٢‬‬ ‫‪٠.٠٠٢٠٨‬‬

‫‪⁄‬‬ ‫‪٠.٥٩١‬‬
‫‪⁄‬‬ ‫‪⁄‬‬ ‫‪٠.٠٠٤‬‬ ‫‪٠.٥٢‬‬ ‫‪٠.٠٠٣‬‬ ‫‪٠.٤٨‬‬ ‫‪٠.٠٠٣٥٢‬‬

‫را ﺣﺴﺎب ﻛﻨﻴﺪ‪.‬‬ ‫‪4| 2‬‬ ‫ﻣﺜﺎل‪ :‬اﻟﻒ( از روي ﺟﺪول ﮔﺮوه ﺧﻮﻧﻲ‬

‫‪3‬‬
‫‪4‬‬ ‫∩‬ ‫‪2‬‬ ‫‪12‬‬ ‫‪3‬‬
‫‪4| 2‬‬ ‫‪6‬‬ ‫‪ ‬‬
‫‪2‬‬ ‫‪6‬‬
‫‪12‬‬

‫را ﺣﺴﺎب ﻛﻨﻴﺪ‪.‬‬ ‫‪4| 2‬‬ ‫ب( ﺑﺪون اﺳﺘﻔﺎده از ﺟﺪول ﮔﺮوه ﺧﻮﻧﻲ‬

‫‪6‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪.‬‬ ‫‪2| 4‬‬ ‫‪12‬‬ ‫‪6‬‬ ‫‪3‬‬
‫‪4| 2‬‬ ‫‪6‬‬ ‫‪ ‬‬
‫‪2‬‬ ‫‪6‬‬
‫‪12‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٥٥‬‬

‫‪ ‬‬
 ‫‪ ‬وﻳﺮاﻳﺶ اول‬ ‫‪ ‬آﻣﺎر و اﺣﺘﻤﺎﻻت‬

‫ﺗﻤﺎرﻳﻦ‪:‬‬

‫‪ -1‬ﻓﺮض ﻛﻨﻴﻢ ﺗﺴﺖ ﺗﻮﺑﺮﻛﻮﻟﻴﻦ ﺑﺮاي اﻓﺮاد ﻣﺴﻠﻮل ﺑﺎ اﺣﺘﻤﺎل ‪ 99‬درﺻﺪ و ﺑﺮاي اﻓﺮاد ﻏﻴﺮﻣﺴﻠﻮل ﺑﺎ اﺣﺘﻤﺎل ‪ 10‬درﺻﺪ‬

‫ﻣﺜﺒﺖ اﺳﺖ‪ .‬ﭼﻨﺎﻧﭽﻪ ‪ 5‬درﺻﺪ اﻓﺮاد ﺟﻤﻌﻴﺘﻲ ﻣﺴﻠﻮل ﺑﺎﺷﻨﺪ‪ .‬اﮔﺮ از ﺑﻴﻦ اﻳﻦ ﺟﻤﻌﻴﺖ ﻳﻚ ﻧﻔﺮ را ﺑﻪ ﻃﻮر ﺗﺼﺎدﻓﻲ ﺑﺮﮔﺮﻓﺘﻪ‬

‫ﻣﻮرد ﺗﺴﺖ ﺗﻮﺑﺮﻛﻮﻟﻴﻦ ﻗﺮار دﻫﻴﻢ‪.‬‬

‫اوﻻ اﻳﻦ اﺣﺘﻤﺎل را ﺣﺴﺎب ﻛﻨﻴﺪ ﻛﻪ ﺟﻮاب ﺗﺴﺖ او ﻣﺜﺒﺖ ﺑﺎﺷﺪ‪.‬‬

‫ﺛﺎﻧﻴﺎ اﮔﺮ ﺑﺪاﻧﻴﻢ ﻛﻪ ﺟﻮاب ﺗﺴﺖ او ﻣﺜﺒﺖ اﺳﺖ‪ ،‬اﻳﻦ اﺣﺘﻤﺎل را ﺣﺴﺎب ﻛﻨﻴﺪ ﻛﻪ او ﻣﺴﻠﻮل ﺑﺎﺷﺪ‪.‬‬

‫‪1‬‬
‫و ﺗﻮﺳﻂ‬ ‫‪ -2‬ﺳﻌﻴﺪ و ﺳﺎﻋﺪ‪ ،‬ﺟﺪا از ﻫﻤﺪﻳﮕﺮ‪ ،‬ﺑﺮاي ﺣﻞ ﻣﺴﺎﻟﻪاي ﻣﻲﻛﻮﺷﻨﺪ‪ .‬اﺣﺘﻤﺎل ﺣﻞ ﻣﺴﺎﻟﻪ ﺗﻮﺳﻂ ﺳﻌﻴﺪ ﺑﺮاﺑﺮ ﺑﺎ ‪ ‬‬
‫‪3‬‬
‫‪1‬‬
‫اﺳﺖ‪ .‬اﺣﺘﻤﺎل ﻫﺮ ﻳﻚ از ﭘﻴﺸﺎﻣﺪﻫﺎي زﻳﺮ را ﺑﻪ دﺳﺖ آورﻳﺪ‪.‬‬ ‫ﺳﺎﻋﺪ ﺑﺮاﺑﺮ ﺑﺎ‬
‫‪4‬‬

‫اوﻻ ﺣﻞ ﻣﺴﺎﻟﻪ ﺗﻮﺳﻂ ﻫﺮ دو ﻧﻔﺮ‬

‫ﺛﺎﻧﻴﺎ ﺣﻞ ﻣﺴﺎﻟﻪ ﺗﻮﺳﻂ ﻓﻘﻂ ﻳﻜﻲ از دو ﻧﻔﺮ‬

‫ﺣﻞ ﻣﺴﺌﻠﻪ‬ ‫ﺣﻞ ﻣﺴﺌﻠﻪ‬ ‫ﺣﻞ ﻣﺴﺌﻠﻪ‬
‫‪ ‬ﺗﻮﺳﻂ ﺳﻌﻴﺪ‬ ‫ﺗﻮﺳﻂ هﺮ دو‬ ‫‪ ‬ﺗﻮﺳﻂ ﺳﺎﻋﺪ‬ ‫ﺛﺎﻟﺜﺎ اﺣﺘﻤﺎل ﺣﻞ ﺷﺪن ﻣﺴﺎﻟﻪ‬
‫‪A∩  ‬‬

‫‪ ٪3 -3‬از اﻧﺴﺎﻧﻬﺎ ﺑﻪ ﻳﮏ ﺑﻴﻤﺎرﯼ ﺧﺎص ﻣﺒﺘﻼ ﻣﯽﺷﻮﻧﺪ‪ .‬در ﻳﮏ ﮔﺮوﻩ ‪ ١٠٠‬ﻧﻔﺮﯼ از ﻣﺮدان‪ ،‬اﺣﺘﻤﺎﻻت ﻣﺮﺑﻮط ﺑﻪ‬

‫ﻣﻮارد زﻳﺮ ﭼﻘﺪر اﺳﺖ؟‬

‫اوﻻ دﻗﻴﻘﺎ ‪ ٣‬ﻧﻔﺮ ﺑﻪ اﻳﻦ ﺑﻴﻤﺎرﯼ ﻣﺒﺘﻼ ﺑﺎﺷﻨﺪ‪.‬‬

‫ﺛﺎﻧﻴﺎ ‪ ٣ ،٢‬ﻳﺎ ‪ ٤‬ﻧﻔﺮ ﺑﻪ اﻳﻦ ﺑﻴﻤﺎرﯼ ﻣﺒﺘﻼ ﺑﺎﺷﻨﺪ‪.‬‬

‫‪ ‬‬

‫ ﺗﻬﻴﻪ و ﺗﻨﻈﻴﻢ ‪ :‬ﺻﻔﺎﺋﯽ‬ ‫ ‪ ٥٦‬‬

‫‪ ‬‬