‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻋﻠﻢ اﻹﺣﺼﺎء‬
‫ﻣﻘﺪﻣﺔ ﻗﺼرية ﺟﺪٍّا‬

‫ﺗﺄﻟﻴﻒ‬
‫دﻳﻔﻴﺪ ﺟﻴﻪ ﻫﺎﻧﺪ‬

‫ﺗﺮﺟﻤﺔ‬
‫أﺣﻤﺪ ﺷﻜﻞ‬

‫ﻣﺮاﺟﻌﺔ‬
‫ﻣﺤﻤﺪ ﻓﺘﺤﻲ ﺧﴬ‬
‫‪Statistics‬‬ ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬
‫‪David J. Hand‬‬ ‫دﻳﻔﻴﺪ ﺟﻴﻪ ﻫﺎﻧﺪ‬

‫اﻟﻄﺒﻌﺔ اﻷوﱃ ‪٢٠١٦‬م‬

‫رﻗﻢ إﻳﺪاع ‪٢٠١٥ / ١٧٨٠٤‬‬
‫ﺟﻤﻴﻊ اﻟﺤﻘﻮق ﻣﺤﻔﻮﻇﺔ ﻟﻠﻨﺎﴍ ﻣﺆﺳﺴﺔ ﻫﻨﺪاوي ﻟﻠﺘﻌﻠﻴﻢ واﻟﺜﻘﺎﻓﺔ‬
‫املﺸﻬﺮة ﺑﺮﻗﻢ ‪ ٨٨٦٢‬ﺑﺘﺎرﻳﺦ ‪٢٠١٢ / ٨ / ٢٦‬‬

‫ﻣﺆﺳﺴﺔ ﻫﻨﺪاوي ﻟﻠﺘﻌﻠﻴﻢ واﻟﺜﻘﺎﻓﺔ‬

‫إن ﻣﺆﺳﺴﺔ ﻫﻨﺪاوي ﻟﻠﺘﻌﻠﻴﻢ واﻟﺜﻘﺎﻓﺔ ﻏري ﻣﺴﺌﻮﻟﺔ ﻋﻦ آراء املﺆﻟﻒ وأﻓﻜﺎره‬
‫وإﻧﻤﺎ ﱢ‬
‫ﻳﻌﱪ اﻟﻜﺘﺎب ﻋﻦ آراء ﻣﺆﻟﻔﻪ‬
‫‪ ٥٤‬ﻋﻤﺎرات اﻟﻔﺘﺢ‪ ،‬ﺣﻲ اﻟﺴﻔﺎرات‪ ،‬ﻣﺪﻳﻨﺔ ﻧﴫ ‪ ،١١٤٧١‬اﻟﻘﺎﻫﺮة‬
‫ﺟﻤﻬﻮرﻳﺔ ﻣﴫ اﻟﻌﺮﺑﻴﺔ‬
‫ﻓﺎﻛﺲ‪+ ٢٠٢ ٣٥٣٦٥٨٥٣ :‬‬ ‫ﺗﻠﻴﻔﻮن‪+ ٢٠٢ ٢٢٧٠٦٣٥٢ :‬‬
‫اﻟﱪﻳﺪ اﻹﻟﻜﱰوﻧﻲ‪hindawi@hindawi.org :‬‬
‫املﻮﻗﻊ اﻹﻟﻜﱰوﻧﻲ‪http://www.hindawi.org :‬‬

‫ﻫﺎﻧﺪ‪ ،‬دﻳﻔﻴﺪ ﺟﻴﻪ‪.‬‬

‫ﻋﻠﻢ اﻹﺣﺼﺎء‪ :‬ﻣﻘﺪﻣﺔ ﻗﺼرية ﺟﺪٍّا‪/‬ﺗﺄﻟﻴﻒ دﻳﻔﻴﺪ ﺟﻴﻪ ﻫﺎﻧﺪ‪.‬‬
‫ﺗﺪﻣﻚ‪٩٧٨ ٩٧٧ ٧٦٨ ٣٨٨ ٣ :‬‬
‫‪ -١‬اﻹﺣﺼﺎء‬
‫أ‪ -‬اﻟﻌﻨﻮان‬
‫‪٣١٠‬‬

‫ﺗﺼﻤﻴﻢ اﻟﻐﻼف‪ :‬ﻣﺤﻤﺪ اﻟﻄﻮﺑﺠﻲ‪.‬‬

‫ﻳُﻤﻨَﻊ ﻧﺴﺦ أو اﺳﺘﻌﻤﺎل أي ﺟﺰء ﻣﻦ ﻫﺬا اﻟﻜﺘﺎب ﺑﺄﻳﺔ وﺳﻴﻠﺔ ﺗﺼﻮﻳﺮﻳﺔ أو إﻟﻜﱰوﻧﻴﺔ أو ﻣﻴﻜﺎﻧﻴﻜﻴﺔ‪،‬‬
‫وﻳﺸﻤﻞ ذﻟﻚ اﻟﺘﺼﻮﻳﺮ اﻟﻔﻮﺗﻮﻏﺮاﰲ واﻟﺘﺴﺠﻴﻞ ﻋﲆ أﴍﻃﺔ أو أﻗﺮاص ﻣﻀﻐﻮﻃﺔ أو اﺳﺘﺨﺪام أﻳﺔ وﺳﻴﻠﺔ‬
‫ﻧﴩ أﺧﺮى‪ ،‬ﺑﻤﺎ ﰲ ذﻟﻚ ﺣﻔﻆ املﻌﻠﻮﻣﺎت واﺳﱰﺟﺎﻋﻬﺎ‪ ،‬دون إذن ﺧﻄﻲ ﻣﻦ اﻟﻨﺎﴍ‪.‬‬
‫أوﻻ ﺑﺎﻟﻠﻐﺔ اﻹﻧﺠﻠﻴﺰﻳﺔ ﻋﺎم ‪ .٢٠٠٨‬ﻧُﴩت ﻫﺬه اﻟﱰﺟﻤﺔ ﺑﺎﻻﺗﻔﺎق ﻣﻊ اﻟﻨﺎﴍ‬
‫ﻧُﴩ ﻛﺘﺎب ﻋﻠﻢ اﻹﺣﺼﺎء ً‬
‫اﻷﺻﲇ‪.‬‬
‫‪Arabic Language Translation Copyright © 2016 Hindawi Foundation for‬‬
‫‪Education and Culture.‬‬
‫‪Statistics‬‬
‫‪Copyright © David J. Hand 2008.‬‬
‫‪Statistics was originally published in English in 2008.‬‬
‫‪This translation is published by arrangement with Oxford University Press.‬‬
‫‪All rights reserved.‬‬
 ‫اﳌﺤﺘﻮﻳﺎت‬

‫‪7‬‬ ‫ﺗﻤﻬﻴﺪ‬
‫‪9‬‬ ‫‪ -١‬ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎن‬
‫‪27‬‬ ‫‪ -٢‬ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬
‫‪41‬‬ ‫‪ -٣‬ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬
‫‪59‬‬ ‫‪ -٤‬اﻻﺣﺘﻤﺎﻻت‬
‫‪77‬‬ ‫‪ -٥‬اﻟﺘﻘﺪﻳﺮ واﻻﺳﺘﺪﻻل‬
‫‪93‬‬ ‫‪ -٦‬اﻟﻨﻤﺎذج واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬
‫‪109‬‬ ‫‪ -٧‬اﻟﺤﻮﺳﺒﺔ اﻹﺣﺼﺎﺋﻴﺔ‬
‫‪113‬‬ ‫ﺗﻌﻠﻴﻘﺎت ﺧﺘﺎﻣﻴﺔ‬
‫‪115‬‬ ‫ﻗﺮاءات إﺿﺎﻓﻴﺔ‬
‫‪119‬‬ ‫ﻣﺼﺎدر اﻟﺼﻮر‬
 ‫ﲤﻬﻴﺪ‬

‫ﺗﻤﺜﱢﻞ اﻷﻓﻜﺎر واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ أﺳﺎس ﻛﻞ ﺟﻮاﻧﺐ اﻟﺤﻴﺎة اﻟﺤﺪﻳﺜﺔ ﺗﻘﺮﻳﺒًﺎ‪ .‬ﰲ ﺑﻌﺾ‬
‫وﻟﻜﻦ ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎن ﺗﻜﻮن اﻷﻓﻜﺎر واﻷدوات‬ ‫ْ‬ ‫اﻷﺣﻴﺎن ﻳﻜﻮن َدوْر اﻹﺣﺼﺎء واﺿﺤً ﺎ‪،‬‬
‫اﻹﺣﺼﺎﺋﻴﺔ ﻣﺨﺘﻔﻴﺔ ﰲ اﻟﺨﻠﻔﻴﺔ‪ .‬وﰲ ﻛﻠﺘﺎ اﻟﺤﺎﻟﺘني‪ ،‬ﺑﺴﺒﺐ اﻟﻮﺟﻮد اﻟﺸﺎﻣﻞ ﻟﻸﻓﻜﺎر‬
‫اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬ﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﻣﻦ ا ُملﻔِ ﻴﺪ ﻟﻠﻐﺎﻳﺔ أن ﻧﻤﺘﻠﻚ ﺑﻌﺾ اﻟﻔﻬْ ﻢ ﻟﻬﺎ‪ .‬واﻟﻬﺪف ﻣﻦ‬
‫ﻫﺬا اﻟﻜﺘﺎب ﻫﻮ ﺗﻘﺪﻳﻢ ﻣﺜﻞ ﻫﺬا اﻟﻔﻬﻢ‪.‬‬
‫ﻣﺆﺳﻒ ﻳُﻀ ﱢﻠﻞ اﻟﻨﺎس ﻋﻦ ﻃﺒﻴﻌﺘﻪ اﻷﺳﺎﺳﻴﺔ‪.‬‬ ‫ﻳُﻌﺎﻧﻲ اﻹﺣﺼﺎء ﻣﻦ ﺳﻮء ﻓﻬْ ﻢ ﺟﻮﻫﺮي ِ‬
‫وﻫﺬا اﻻﻋﺘﻘﺎد اﻟﺨﺎﻃﺊ ﻫﻮ أﻧﻪ ﻳﺘﻄﻠﺐ ﻣﻬﺎرة ﺣﺴﺎﺑﻴﺔ ﻛﺒرية ﻣ ُِﻤ ﱠﻠﺔ‪ ،‬وأﻧﻪ‪ ،‬ﻧﺘﻴﺠﺔ ﻟﺬﻟﻚ‪،‬‬
‫ﺟﺎف وﻣﻤ ﱞﻞ ﻳﺨﻠﻮ ﻣﻦ اﻟﺨﻴﺎل أو اﻹﺑﺪاع أو اﻹﺛﺎرة‪ .‬ﺑَﻴْ َﺪ أن ﻫﺬه ﺻﻮرة ﺧﺎﻃﺌﺔ ﺗﻤﺎﻣً ﺎ‬ ‫ﱞ‬ ‫ﻣﺠﺎل‬
‫ملﺠﺎل ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ؛ إذ إﻧﻬﺎ ﻣﺒﻨﻴﺔ ﻋﲆ ﺗﺼﻮر ﻳﺮﺟﻊ ﺗﺎرﻳﺨﻪ إﱃ أﻛﺜﺮ ﻣﻦ ﻧﺼﻒ‬
‫ﻗﺮن‪ .‬ﺗﺤﺪﻳﺪًا‪ ،‬ﺗﺘﺠﺎﻫﻞ ﻫﺬه اﻟﺼﻮرة ﺗﻤﺎﻣً ﺎ ﺣﻘﻴﻘﺔ أن أﺟﻬﺰة اﻟﻜﻤﺒﻴﻮﺗﺮ ﻗﺪ ﻏريت وﺟﻪ‬
‫ﻣﻌﺘﻤﺪ ﻋﲆ اﻟﺤﺴﺎب إﱃ ﻧﻈﺎم ﻗﺎﺋﻢ ﻋﲆ اﺳﺘﺨﺪام أدوات‬ ‫ِ‬ ‫املﺠﺎل ﺗﻤﺎﻣً ﺎ؛ إذ ﺣﻮﱠﻟﺘْﻪ ﻣﻦ ﻣﺠﺎل‬
‫ﻟﺴ ْﱪ اﻟﺒﻴﺎﻧﺎت ﺑﺤﺜًﺎ ﻋﻦ اﻟﻔﻬﻢ واﻟﺘﻨﻮﻳﺮ‪ .‬ﻫﺬا ﻫﻮ ﻣﺎ ﻳﺘﻤﺤﻮر ﺣﻮﻟﻪ ﻣﺠﺎل‬ ‫ﺑﺮﻣﺠﻴﺔ ﻣﺘﻄﻮرة َ‬
‫ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ؛ اﺳﺘﺨﺪام اﻷدوات ملﺴﺎﻋﺪة اﻹدراك وﺗﻮﻓري ﻛ ﱟﻞ ﻣﻦ وﺳﺎﺋﻞ ﺗﺴﻠﻴﻂ‬
‫ﻈﻢ املﺴﺎﻋﺪة ﰲ ﻋﻤﻠﻴﺔ ﺻﻨﻊ اﻟﻘﺮار‪ .‬ﻛﻞ‬ ‫وﺳﺒُﻞ اﻟﻔﻬْ ﻢ‪ ،‬وأدوات اﻟﺮﺻﺪ واﻟﺘﻮﺟﻴﻪ‪ ،‬وﻧ ُ ُ‬ ‫اﻟﻀﻮء‪ُ ،‬‬
‫ﱢ‬
‫ﻫﺬا — وأﻛﺜﺮ — ﻳﻤﺜﻞ ﺟﻮاﻧﺐ ﻣﺠﺎل ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪.‬‬
‫ﻳﻬﺪف ﻫﺬا اﻟﻜﺘﺎب إﱃ ﻣﻨْﺢ اﻟﻘﺎرئ ﻗ ْﺪ ًرا ﻣﻦ اﻟﻔﻬْ ﻢ ملﺠﺎل ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ .‬ﻣﻦ‬
‫اﻟﻮاﺿﺢ أﻧﻪ ﰲ ﻛﺘﺎب ﻗﺼري ﻣﺜﻞ ﻫﺬا اﻟﻜﺘﺎب ﻻ أﺳﺘﻄﻴﻊ اﻟﺨﻮض ﰲ اﻟﺘﻔﺎﺻﻴﻞ؛ ﻟﺬا ً‬
‫ﺑﺪﻻ‬
‫ﺑﺄﴎه‪ ،‬ﰲ ﻣﺤﺎوﻟﺔ ﻟﻠﺘﻌﺒري ﻋﻦ ﻃﺒﻴﻌﺔ‬ ‫ﻠﺖ إ ْﻟﻘﺎءَ ﻧﻈﺮة ﻋﺎﻣﺔ ﻋﲆ املﺠﺎل ْ‬ ‫ﻓﻀ ُ‬ ‫ﻣﻦ اﻟﺘﻔﺼﻴﻞ‪ ،‬ﱠ‬
‫أن ﻳَﻤﻨَﺢ اﻟﻜﺘﺎبُ اﻟﻘﺎرئ َ ﻓﻬﻤً ﺎ‬
‫اﻟﻔﻠﺴﻔﺔ واﻷﻓﻜﺎر واﻷدوات واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‪ .‬وآ ُﻣ ُﻞ ْ‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻟﻜﻴﻔﻴﺔ ﻋﻤﻞ ﻣﺠﺎل ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ ،‬وﻣﺪى أﻫﻤﻴﺘﻪ‪ ،‬وأن ﻳُﻌ ﱢﺮﻓﻪ — ﺑﺎﻟﻄﺒﻊ — اﻟﺴﺒﺐ‬
‫ﰲ أﻫﻤﻴﺘﻪ‪.‬‬
‫ﻳﻌﺮض اﻟﻔﺼﻞ اﻷول ﺑﻌﺾ اﻟﺘﻌﺮﻳﻔﺎت اﻷﺳﺎﺳﻴﺔ‪ ،‬ﻣﻊ ﺗﻮﺿﻴﺤﺎت ﺗﻬﺪف ﻟﻠﺘﻌﺮﻳﻒ‬
‫ﺑﻌﻀﺎ ﻣﻦ أﺑﺴﻂ‬ ‫ً‬ ‫ﺑﺒﻌﺾ ﻣﻦ ﻗﻮة اﻹﺣﺼﺎء وأﻫﻤﻴﺘﻪ وإﺛﺎرﺗﻪ‪ .‬وﻳﻘﺪم اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ‬ ‫ٍ‬
‫ﺑﺎملﻠﺨﺼﺎت اﻷﺳﺎﺳﻴﺔ‬ ‫ﱠ‬ ‫اﻷﻓﻜﺎر اﻹﺣﺼﺎﺋﻴﺔ؛ اﻷﻓﻜﺎر اﻟﺘﻲ رﺑﻤﺎ ﻗﺎﺑﻠﻬﺎ اﻟﻘﺎرئ ﺑﺎﻟﻔﻌﻞ‪ ،‬واملﻌﻨﻴﺔ‬
‫ﻟﻠﺒﻴﺎﻧﺎت‪ .‬وﻳﺤﺬرﻧﺎ اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ ﻣﻦ أن ﺻﺤﺔ أي اﺳﺘﻨﺘﺎﺟﺎت ﻧﺴﺘَﻘِ ﻴﻬﺎ ِ‬
‫ﺗﻌﺘﻤﺪ ﻛﺜريًا ﻋﲆ‬
‫أﻳﻀﺎ اﺳﱰاﺗﻴﺠﻴﺎت ﻟﺠﻤﻊ اﻟﺒﻴﺎﻧﺎت ﻋﲆ ﻧﺤﻮ أﻛﺜﺮ ﻛﻔﺎءة‪.‬‬ ‫ﺟﻮدة اﻟﺒﻴﺎﻧﺎت اﻟﺨﺎم‪ ،‬وﻳﻮﺿﺢ ً‬
‫ﺳﺎﻗ ِﻲ اﻹﺣﺼﺎء‪ ،‬ﻓﺈن ﺳﺎﻗﻬﺎ اﻷﺧﺮى ﻫﻲ اﻻﺣﺘﻤﺎل‪ .‬وﻳﻘﺪم اﻟﻔﺼﻞ‬ ‫وإذا ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت إﺣﺪى َ‬
‫ﺳﺎﻗ ِﻲ اﻟﺒﻴﺎﻧﺎت واﻻﺣﺘﻤﺎﻻت‪ ،‬ﻳﺒﺪأ اﻹﺣﺼﺎء‬‫اﻟﺮاﺑﻊ املﻔﺎﻫﻴﻢ اﻷﺳﺎﺳﻴﺔ ﻟﻼﺣﺘﻤﺎل‪ .‬واﺳﺘﻨﺎدًا ﻋﲆ َ‬
‫ﰲ اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ املﴚ‪ ،‬ﻣﻊ وﺻﻒ ﻛﻴﻔﻴﺔ اﺳﺘﻘﺎء املﺮء ﻟﻼﺳﺘﻨﺘﺎﺟﺎت واﻟﺘﻮﺻﻞ ﻻﺳﺘﺪﻻﻻت‬
‫ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ .‬وﻳﻌﺮض اﻟﻔﺼﻞ اﻟﺴﺎدس َﻟﻤْ ﺤﺔ ﺧﺎﻃﻔﺔ ﻟﺒﻌﺾ اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ املﻬﻤﺔ‪،‬‬
‫ﻣﺒﻴﱢﻨًﺎ ﻛﻴﻒ أﻧﻬﺎ ﺗﺸ ﱢﻜﻞ ﺟﺰءًا ﻣﻦ ﺷﺒﻜﺔ ﻣﱰاﺑﻄﺔ ﻣﻦ اﻷﻓﻜﺎر واﻟﻄﺮق ﻻﺳﺘﺨﺮاج اﻟﻔﻬﻢ‬
‫ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ .‬وأﺧريًا‪ ،‬ﻳﺘﻨﺎول اﻟﻔﺼﻞ اﻟﺴﺎﺑﻊ ﺑﻌﺾ اﻟﻄﺮق اﻟﺘﻲ أﺛﱠﺮ ﺑﻬﺎ اﻟﻜﻤﺒﻴﻮﺗﺮ ﻋﲆ‬
‫اﻹﺣﺼﺎء‪.‬‬
‫ً‬
‫ﻣﺠﻬﻮﻻ؛ ﻋﲆ‬ ‫أن أﺷﻜﺮ إﻣﻴﲇ ﻛﻴﻨﻮاي‪ ،‬وﺷﻴﲇ ﺷﺎﻧﻮن‪ ،‬وﻣﺎرﺗﻦ ﻛﺮودر‪ ،‬وﻗﺎرﺋًﺎ‬ ‫أو ﱡد ْ‬
‫ﺣﺴﻨﺖ ﺗﻌﻠﻴﻘﺎﺗُﻬﻢ ﻫﺬا اﻟﻜﺘﺎبَ ﻛﺜريًا‪ ،‬وﺳﺎﻋﺪَت ﻋﲆ‬ ‫اﻟﺘﻌﻠﻴﻖ ﻋﲆ ﻣﺴﻮﱠدات ﻫﺬا اﻟﻜﺘﺎب؛ إذ ﱠ‬
‫ﺑﺎق ﻫﻮ ﺧﻄﺌﻲ أﻧﺎ وﺣﺪي‪.‬‬ ‫ﺗﺴﻮﻳﺔ اﻟﻐﻤﻮض ﰲ اﻟﺘﻔﺴريات‪ .‬وﺑﺎﻟﻄﺒﻊ‪ ،‬أي ﻏﻤﻮض ٍ‬
‫دﻳﻔﻴﺪ ﺟﻴﻪ ﻫﺎﻧﺪ‬
‫إﻣﱪﻳﺎل ﻛﻮﻟﻴﺪج‪ ،‬ﻟﻨﺪن‬

‫‪8‬‬
 ‫اﻟﻔﺼﻞ اﻷول‬

‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎن‬

‫ردٍّا ﻋﲆ أوﻟﺌﻚ اﻟﺬﻳﻦ ﻳﻘﻮﻟﻮن‪» :‬ﺛﻤﺔ أﻛﺎذﻳﺐ‪ ،‬وأﻛﺎذﻳﺐ ﺑﻐﻴﻀﺔ‪ ،‬وإﺣﺼﺎﺋﻴﺎت«‪،‬‬

‫ﱠ‬
‫وﻟﻜﻦ‬ ‫ﻏﺎﻟﺒًﺎ ﻣﺎ أﻗﺘﺒﺲ ﻗﻮل ﻓﺮﻳﺪرﻳﻚ ﻣﻮﺳﺘﻠﺮ‪» :‬اﻟﻜﺬب ﺑﺎﻹﺣﺼﺎﺋﻴﺎت ﺳﻬﻞ‪،‬‬
‫اﻟﻜﺬب ﺑﺪوﻧﻬﺎ أﺳﻬﻞ‪«.‬‬

‫)‪ (1‬ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‬

‫أرﻳﺪ أن أﺑﺪأ ﺑﺘﺄﻛﻴ ٍﺪ رﺑﻤﺎ ﻳ َِﺠﺪه اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻘﺮاء ﻣﻔﺎﺟﺌًﺎ‪» :‬ﻋﻠﻢ اﻹﺣﺼﺎء ﻫﻮ أﻛﺜﺮ اﻟﻌﻠﻮم‬
‫أن أوﺿﺢ ﻟﻚ أن ﻫﺬه اﻟﻌﺒﺎرة ﺻﺤﻴﺤﺔ‪ ،‬وأن ﱢ‬
‫أﺑني ﻟﻚ اﻟﺴﺒﺐ‬ ‫إﺛﺎرة‪ «.‬وﻫﺪﰲ ﰲ ﻫﺬا اﻟﻜﺘﺎب ْ‬
‫ﰲ ﺻﺤﺘﻬﺎ‪ .‬وآﻣﻞ أن أﺑﺪﱢد ﺑﻌﺾ املﻔﺎﻫﻴﻢ اﻟﺨﺎﻃﺌﺔ اﻟﻘﺪﻳﻤﺔ ﺣﻮل ﻃﺒﻴﻌﺔ اﻹﺣﺼﺎء‪ ،‬وإﻇﻬﺎر‬
‫ً‬
‫ﻓﻀﻼ ﻋﻦ‬ ‫ﺑﻌﺾ ﻣﻦ ﻗﻮﱠﺗﻪ اﻟﻬﺎﺋﻠﺔ‪،‬‬
‫ﻣﺎ ﻳﺒﺪو ﻋﻠﻴﻪ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ ،‬وﻛﺬﻟﻚ ﺗﻮﺿﻴﺢ ٍ‬
‫اﻧﺘﺸﺎره‪.‬‬
‫وﻋﲆ ﻧﺤﻮ ﺧﺎص‪ ،‬أرﻳﺪ ﰲ ﻫﺬا اﻟﻔﺼﻞ اﻟﺘﻤﻬﻴﺪي أن أﻧﻘﻞ أﻣﺮﻳﻦ؛ أوﻟﻬﻤﺎ‪ :‬ﻫﻮ ﻧﻜﻬﺔ‬
‫اﻟﺜﻮرة اﻟﺘﻲ ﺣﺪﺛﺖ ﰲ اﻟﻌﻘﻮد اﻟﻘﻠﻴﻠﺔ املﺎﺿﻴﺔ؛ ﻓﺄرﻳﺪ أن أﴍح ﻛﻴﻒ ﺗﺤﻮل اﻹﺣﺼﺎء‬
‫ﻣﻌﻨﻲ ﺑﺎﻟﺘﻼﻋﺐ اﻟﻴﺪوي ﺑﺄﻋﻤﺪة اﻷرﻗﺎم إﱃ ﺗﻜﻨﻮﻟﻮﺟﻴﺎ ﺣﺪﻳﺜﺔ‬ ‫ﱟ‬ ‫ﱟ‬
‫ﺟﺎف‬ ‫ﻣﻦ ﻋﻠﻢ ﻓﻴﻜﺘﻮري‬
‫ﻣﺘﻄﻮرة ﻟﻠﻐﺎﻳﺔ ﺗﻨﻄﻮي ﻋﲆ اﺳﺘﺨﺪام أدوات اﻟﱪﻣﺠﻴﺎت اﻷﻛﺜﺮ ﺗﻘﺪﻣً ﺎ‪ .‬وأرﻳﺪ ﺗﻮﺿﻴﺢ ﻛﻴﻒ‬
‫ﻳﺴﺘﺨﺪم إﺣﺼﺎﺋﻴﻮ اﻟﻴﻮم ﻫﺬه اﻷدوات ﻟﺪراﺳﺔ اﻟﺒﻴﺎﻧﺎت ﺑﺤﺜًﺎ ﻋﻦ اﻟﺒﻨﻴﺎت واﻷﻧﻤﺎط‪ ،‬وﻛﻴﻔﻴﺔ‬
‫وﻛﺸﻒ اﻟﺤﻘﺎﺋﻖ املﻮﺟﻮدة‬‫اﺳﺘﺨﺪاﻣﻬﻢ ﻟﻬﺬه اﻟﺘﻜﻨﻮﻟﻮﺟﻴﺎ ﻟﺘﻘﺸري ﻃﺒﻘﺎت اﻟﺤرية واﻟﻐﻤﻮض ْ‬
‫ﺗﺤﺘﻬﺎ؛ ﻓﻌِ ﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ — ﻋﲆ ﻏﺮار اﻟﺘﻠﺴﻜﻮﺑﺎت واملﺠﺎﻫﺮ واﻷﺷﻌﺔ اﻟﺴﻴﻨﻴﺔ وأﺟﻬﺰة‬
‫اﻟﺮادار وأﺟﻬﺰة املﺴﺢ اﻟﻄﺒﻴﺔ — ﻳﻤ ﱢﻜﻨﻨﺎ ﻣﻦ رؤﻳﺔ أﺷﻴﺎء ﻏري ﻣﺮﺋﻴﺔ ﻟﻠﻌني املﺠﺮدة؛ ﻓﻬﺬا‬
‫اﻟﻌﻠﻢ ﻳﻤ ﱢﻜﻨﻨﺎ ﻣﻦ اﻟﺮؤﻳﺔ ﺧﻼل اﻟﻀﺒﺎب واﻻرﺗﺒﺎك املﻮﺟﻮد ﰲ اﻟﻌﺎ َﻟﻢ ﻣﻦ ﺣﻮﻟﻨﺎ؛ ﻣﻦ أﺟﻞ‬
‫ﻓﻬﻢ اﻟﻮاﻗﻊ اﻷﺳﺎﳼ‪.‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻫﺬا إذَن ﻫﻮ أول ﳾء أرﻳﺪ أن أوﺻﻠﻪ ﺧﻼل ﻫﺬا اﻟﻔﺼﻞ‪ :‬اﻟﻘﻮة واﻹﺛﺎرة اﻟﻬﺎﺋﻠﺘﺎن‬
‫اﻟﻠﺘﺎن ﻳﻀﻤﻬﻤﺎ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ ،‬واملﺼﺪر اﻟﺬي ﺟﺎء ﻣﻨﻪ‪ ،‬واﻷﺷﻴﺎء اﻟﺘﻲ ﻳَﻘﺪِر ﻋﲆ‬
‫ﻓﻌﻠﻬﺎ‪ .‬واﻟﴚء اﻟﺜﺎﻧﻲ اﻟﺬي أﺗﻤﻨﱠﻰ ﺗﻮﺻﻴﻠﻪ ﻫﻮ اﻟﻮﺟﻮد اﻟﻜﲇ ﻟﻺﺣﺼﺎء؛ ﻓﻼ ﻳﻮﺟﺪ ﺟﺎﻧﺐ ﻣﻦ‬
‫ﻣﺒﻨﻲ ﻋﲆ ﻋﻠﻢ اﻹﺣﺼﺎء؛‬ ‫ﱞ‬ ‫ﺟﻮاﻧﺐ اﻟﺤﻴﺎة اﻟﺤﺪﻳﺜﺔ ﻻ ﻳﻤﺴﻪ ﻋﻠﻢ اﻹﺣﺼﺎء‪ .‬إن اﻟﻄﺐ اﻟﺤﺪﻳﺚ‬
‫ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬وُﺻﻔﺖ اﻟﺘﺠﺎرب اﻟﻌﺸﻮاﺋﻴﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﻀﺒﻂ ﺑﺄﻧﻬﺎ »واﺣﺪة ﻣﻦ أدوات‬
‫اﻟﺒﺤﺚ اﻷﺑﺴﻂ واﻷﻗﻮى واﻷﻛﺜﺮ ﺛﻮرﻳﺔ‪ «.‬وﻓﻬْ ﻢ اﻟﻌﻤﻠﻴﺎت اﻟﺘﻲ ﺗﻨﺘﴩ اﻷوﺑﺌﺔ ﻣﻦ ﺧﻼﻟﻬﺎ‬
‫ﻳﻤﻨﻌﻬﺎ ﻣﻦ اﻟﻔﺘﻚ ﺑﺎﻟﺒﴩ‪ .‬ﺗﻌﺘﻤﺪ اﻟﺤﻜﻮﻣﺔ اﻟﻘﺪﻳﺮة ﻋﲆ اﻟﺘﺤﻠﻴﻞ اﻹﺣﺼﺎﺋﻲ اﻟﺪﻗﻴﻖ ﻟﻠﺒﻴﺎﻧﺎت‬
‫ﺣﺠﺔ ﻟﻺﴏار ﻋﲆ أن ﺟﻤﻴﻊ ﻣَ ﻦ ﻳﻜﻮﻧﻮن‬ ‫ً‬ ‫ﰲ وﺻﻒ اﻻﻗﺘﺼﺎد واملﺠﺘﻤﻊ؛ ورﺑﻤﺎ ﻳﻤﺜﻞ ﻫﺬا‬
‫ﰲ اﻟﺤﻜﻮﻣﺔ ﻳﻨﺒﻐﻲ أن ﻳَﺪرﺳﻮا دورات إﻟﺰاﻣﻴﺔ ﰲ اﻹﺣﺼﺎء‪ .‬واملﺰارﻋﻮن وﺗﻘﻨﻴﱡﻮ اﻟﻐﺬاء‬
‫وﻣﺮاﻛﺰ اﻟﺘﺴﻮق ﻳﺴﺘﺨﺪﻣﻮن ﺟﻤﻴﻌً ﺎ اﻹﺣﺼﺎء ﻋﲆ ﻧﺤﻮ ﺿﻤﻨﻲ ﰲ ﺗﺤﺪﻳ ِﺪ ﻣﺎ ﻳﺰرﻋﻮﻧﻪ‪،‬‬
‫وﻛﻴﻔﻴﺔ ﻣﻌﺎﻟﺠﺘﻪ‪ ،‬وﻛﻴﻔﻴﺔ ﺗﻐﻠﻴﻔﻪ وﺗﻮزﻳﻌﻪ‪ .‬وﻳﺤﺪد اﻟﻬﻴﺪروﻟﻮﺟﻴﻮن ﻣﺪى اﻻرﺗﻔﺎع اﻟﻼزم‬
‫ﻟﺒﻨﺎء ﺣﻮاﺟﺰ اﻟﻔﻴﻀﺎﻧﺎت ﻣﻦ ﺧﻼل ﺗﺤﻠﻴﻞ إﺣﺼﺎﺋﻴﺎت اﻷرﺻﺎد اﻟﺠﻮﻳﺔ‪ .‬وﻳﺒﻨﻲ املﻬﻨﺪﺳﻮن‬
‫أﻧﻈﻤﺔ اﻟﻜﻤﺒﻴﻮﺗﺮ ﺑﺎﺳﺘﺨﺪام إﺣﺼﺎﺋﻴﺎت املﻮﺛﻮﻗﻴﺔ ﻟﻀﻤﺎن ﻋﺪم ﺗﻌﻄﻠﻬﺎ ﻛﺜريًا‪ .‬وﺗُﺒﻨَﻰ ﻧ ُ ُ‬
‫ﻈﻢ‬
‫ﻣﻌﻘﺪة‪ ،‬ﺑﺤﻴﺚ ﺗﻌﻤﻞ ﺑﺸﻜﻞ ﻟﺤﻈﻲ )أي ﰲ‬ ‫ُﺮاﻗﺒَﺔ اﻟﺤﺮﻛﺔ اﻟﺠﻮﻳﺔ ﻋﲆ ﻧﻤﺎذج إﺣﺼﺎﺋﻴﺔ ﱠ‬ ‫ﻣ َ‬
‫اﻟﺰﻣﻦ اﻟﺤﻘﻴﻘﻲ(‪ .‬وﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻚ ﻗﺪ ﻻ ﺗﺪرك ذﻟﻚ‪ ،‬ﻓﺈن اﻷﻓﻜﺎر واﻷدوات اﻹﺣﺼﺎﺋﻴﺔ‬
‫ٌ‬
‫ﻛﺎﻣﻨﺔ ﰲ ﻛﻞ ﺟﻮاﻧﺐ اﻟﺤﻴﺎة اﻟﺤﺪﻳﺜﺔ ﺗﻘﺮﻳﺒًﺎ‪.‬‬

‫)‪ (2‬ﺑﻌﺾ اﻟﺘﻌﺮﻳﻔﺎت‬

‫أﺣﺪ اﻟﺘﻌﺮﻳﻔﺎت اﻟﺠﻴﺪة ﻟﻌﻠﻢ اﻹﺣﺼﺎء أﻧﻪ »ﺗﻜﻨﻮﻟﻮﺟﻴﺎ اﺳﺘﺨﺮاج املﻌﻨﻰ ﻣﻦ اﻟﺒﻴﺎﻧﺎت«‪ .‬وﻣﻊ‬
‫ذﻟﻚ‪ ،‬ﻻ ﻳﻮﺟﺪ ﺗﻌﺮﻳﻒ ﻣﺜﺎﱄ؛ ﻓﻌﲆ وﺟﻪ اﻟﺨﺼﻮص‪ ،‬ﻻ ﻳُﺸري ﻫﺬا اﻟﺘﻌﺮﻳﻒ إﱃ املﺼﺎدﻓﺔ‬
‫واﻻﺣﺘﻤﺎل‪ ،‬اﻟﻠﺬﻳﻦ ﻳُﻌﺪﱠان دﻋﺎﻣﺘني أﺳﺎﺳﻴﺘني ﻟﻠﻌﺪﻳﺪ ﻣﻦ ﺗﻄﺒﻴﻘﺎت اﻹﺣﺼﺎء؛ وﻣﻦ ﺛﻢ رﺑﻤﺎ‬
‫آﺧﺮ ﰲ أﻧﻪ »ﺗﻜﻨﻮﻟﻮﺟﻴﺎ اﻟﺘﻌﺎﻣﻞ ﻣﻊ ﻋﺪم اﻟﻴﻘني«‪ .‬وﻣﻊ ﻫﺬا‪ ،‬ﻗﺪ ﺗﻀﻊ‬ ‫ﻳﺘﻤﺜﱠﻞ ﺗﻌﺮﻳﻒ ﺟﻴﺪ َ‬
‫ﺗﻌﺮﻳﻔﺎت أﺧﺮى‪ ،‬أو ﺗﻌﺮﻳﻔﺎت أﻛﺜﺮ دﻗﺔ‪ ،‬ﻣﺰﻳﺪًا ﻣﻦ اﻟﱰﻛﻴﺰ ﻋﲆ اﻷدوار اﻟﺘﻲ ﻳﻠﻌﺒﻬﺎ ﻋﻠﻢ‬
‫اﻹﺣﺼﺎء‪ .‬وﻫﻜﺬا ﻳﻤﻜﻨﻨﺎ اﻟﻘﻮل إن ﻋﻠﻢ اﻹﺣﺼﺎء ﻫﻮ اﻟﻌﻠﻢ اﻟﺮﺋﻴﺲ »ﻟﻠﺘﻨﺒﺆ ﺑﺎملﺴﺘﻘﺒﻞ« أو‬
‫»ﻟﺼﻨﻊ اﺳﺘﻨﺘﺎﺟﺎت ﺣﻮل املﺠﻬﻮل« أو »ﻹﻧﺘﺎج ﻣﻠﺨﺼﺎت ﻣﻨﺎﺳﺒﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت«‪ .‬وﻋﻨﺪ‬
‫ﻄﻲ ﻋﲆ ﻧﺤﻮ واﺳﻊ ﺟﻮﻫﺮ ﻫﺬا املﺠﺎل‪ ،‬ﻋﲆ اﻟﺮﻏﻢ‬ ‫ﺟﻤﻊ ﻫﺬه اﻟﺘﻌﺮﻳﻔﺎت ﻣﻌً ﺎ ﻓﺈﻧﻬﺎ ﺗﻐ ﱢ‬
‫ﱢ‬
‫ﺳﺘﻮﻓﺮ ﺗﺠﺴﻴﺪات ﻣﺨﺘﻠﻔﺔ ﺟﺪٍّا ﻟﻬﺬا اﻟﻌﻠﻢ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪،‬‬ ‫ﻣﻦ أن اﻟﺘﻄﺒﻴﻘﺎت املﺨﺘﻠﻔﺔ‬
‫اﺗﺨﺎذ اﻟﻘﺮارات واﻟﺘﻨﺒﺆ واﻟﺮﺻﺪ اﻟﻠﺤﻈﻲ واﻟﻜﺸﻒ ﻋﻦ اﻟﻐﺶ واﻟﺘﻌﺪاد اﻟﺴﻜﺎﻧﻲ وﺗﺤﻠﻴﻞ‬

‫‪10‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎن‬

‫ﺗﺴﻠﺴﻞ اﻟﺠﻴﻨﺎت ﻛﻠﻬﺎ ﺗﻄﺒﻴﻘﺎت ﻟﻺﺣﺼﺎء‪ ،‬وﻣﻊ ذﻟﻚ رﺑﻤﺎ ﺗﺘﻄﻠﺐ أﺳﺎﻟﻴﺐَ وأدوات ﻣﺨﺘﻠﻔﺔ‬
‫ُ‬
‫ﺗﻌﻤﺪت اﺧﺘﻴﺎر ﻛﻠﻤﺔ‬ ‫ﻟﻠﻐﺎﻳﺔ‪ .‬وﺛﻤﺔ ﳾء ﺗﺠﺪر ﻣﻼﺣﻈﺘﻪ ﺣﻮل ﻫﺬه اﻟﺘﻌﺮﻳﻔﺎت؛ ﻫﻮ أﻧﻨﻲ‬
‫ﺑﺪﻻ ﻣﻦ ﻋﻠﻢ؛ ﻓﺎﻟﺘﻜﻨﻮﻟﻮﺟﻴﺎ ﻫﻲ ﺗﻄﺒﻴﻖ ﻟﻠﻌﻠﻢ واﻛﺘﺸﺎﻓﺎﺗﻪ‪ ،‬وﻫﺬا ﻫﻮ ﻣﺎﻫﻴﺔ‬ ‫»ﺗﻜﻨﻮﻟﻮﺟﻴﺎ« ً‬
‫اﻹﺣﺼﺎء؛ ﺗﻄﺒﻴﻖ ﻓﻬْ ﻤﻨﺎ ﻟﻜﻴﻔﻴﺔ اﺳﺘﺨﺮاج املﻌﻠﻮﻣﺎت ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬وﻓﻬﻤﻨﺎ ﻟﻌﺪم اﻟﻴﻘني‪.‬‬
‫وﻣﻊ ذﻟﻚ‪ ،‬ﻳُﺸﺎر إﱃ اﻹﺣﺼﺎء أﺣﻴﺎﻧًﺎ ﻋﲆ أﻧﻪ ﻋﻠﻢ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬إﺣﺪى املﺠﻼت اﻹﺣﺼﺎﺋﻴﺔ‬
‫وﺗﺸﻮﻳﻘﺎ ﺗُﺴﻤﱠ ﻰ ﺑﺬﻟﻚ اﻻﺳﻢ ﻓﺤﺴﺐ‪» :‬اﻟﻌﻠﻮم اﻹﺣﺼﺎﺋﻴﺔ«‪.‬‬ ‫ً‬ ‫اﻷﻛﺜﺮ إﺛﺎرة‬
‫ُ‬
‫ﺗﻨﺎوﻟﺖ‬ ‫وﺣﺘﻰ اﻵن ﰲ ﻫﺬا اﻟﻜﺘﺎب — وﻋﲆ وﺟﻪ اﻟﺨﺼﻮص ﰲ اﻟﻔﻘﺮة اﻟﺴﺎﺑﻘﺔ —‬
‫»اﻹﺣﺼﺎء«‪ ،‬وﻳﻮﺟﺪ ﳾء آﺧﺮ ﺳﻨﺘﻨﺎوﻟﻪ ﰲ ﻫﺬا اﻟﻜﺘﺎب ﻫﻮ »اﻹﺣﺼﺎﺋﻴﺎت«‪ ،‬واﻹﺣﺼﺎﺋﻴﺔ ﻫﻲ‬
‫ﺣﻘﻴﻘﺔ رﻗﻤﻴﺔ أو ﻣﻠﺨﺺ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻣﻠﺨﺺ ﻟﻠﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗَ ِﺼﻒ ﺑﻌﺾ اﻟﺴﻜﺎن؛‬
‫رﺑﻤﺎ ﺣﺠﻢ اﻟﺴﻜﺎن أو ﻣﻌﺪﱠل املﻮاﻟﻴﺪ أو ﻣﻌﺪﱠل اﻟﺠﺮﻳﻤﺔ؛ إذن‪ ،‬ﻳﺪور ﻫﺬا اﻟﻜﺘﺎب — ﻣﻦ‬
‫ﻧﺎﺣﻴﺔ — ﺣﻮل اﻟﺤﻘﺎﺋﻖ اﻟﺮﻗﻤﻴﺔ اﻟﻔﺮدﻳﺔ‪ .‬وﻟﻜﻦ ﺑﺎملﻌﻨﻰ اﻟﺤﻘﻴﻘﻲ ﻟﻠﻐﺎﻳﺔ ﻓﻬﻮ ﻳﺪور ﺣﻮل‬
‫ﻣﺎ ﻫﻮ أﻛﺜﺮ ﻣﻦ ذﻟﻚ ﺑﻜﺜري؛ ﻓﻬﻮ ﻳﺪور ﺣﻮل ﻛﻴﻔﻴﺔ ﺟﻤْ ﻊ وﻣﻌﺎﻟﺠﺔ وﺗﺤﻠﻴﻞ واﺳﺘﻨﺘﺎج أﺷﻴﺎء‬
‫ﻣﻦ ﻫﺬه اﻟﺤﻘﺎﺋﻖ اﻟﺮﻗﻤﻴﺔ‪ .‬وﻫﻮ ﻳﺪور ﺣﻮل اﻟﺘﻜﻨﻮﻟﻮﺟﻴﺎ ﻧﻔﺴﻬﺎ؛ وﻫﺬا ﻳَﻌﻨِﻲ أن اﻟﻘﺎرئ‬
‫اﻵﻣﻞ ﰲ أن ﻳ َِﺠ َﺪ ﺟﺪاول أﻋﺪاد ﰲ ﻫﺬا اﻟﻜﺘﺎب )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل »إﺣﺼﺎﺋﻴﺎت رﻳﺎﺿﻴﺔ«(‬ ‫ِ‬
‫اﻵﻣﻞ ﰲ اﻟﺘﻮﺻﻞ ﻟﻔﻬﻢ ﻛﻴﻔﻴﺔ اﺗﺨﺎذ اﻟﴩﻛﺎت‬ ‫ﻓﺴﻮف ﻳُﺼﺎب ﺑﺨﻴﺒﺔ أﻣﻞ‪ .‬وﻟﻜﻦ اﻟﻘﺎرئ ِ‬
‫ﻟﻠﻘﺮارات‪ ،‬وﻛﻴﻔﻴﺔ اﻛﺘﺸﺎف ﻋﻠﻤﺎء اﻟﻔﻠﻚ ﻷﻧﻮاع ﺟﺪﻳﺪة ﻣﻦ اﻟﻨﺠﻮم‪ ،‬وﻛﻴﻔﻴﺔ ﺗﺤﺪﻳﺪ اﻟﺒﺎﺣﺜني‬
‫ﰲ ﻣﺠﺎل اﻟﻄﺐ ﻟﻠﺠﻴﻨﺎت املﺮﺗﺒﻄﺔ ﺑﻤﺮض ﻣﻌني‪ ،‬وﻛﻴﻔﻴﺔ اﺗﺨﺎذ اﻟﺒﻨﻮك ﻗﺮا ًرا ﺑﻤﻨﺢ أو ﻋﺪم‬
‫ﺑﻄﺎﻗﺔ اﺋﺘﻤﺎن‪ ،‬وﻛﻴﻔﻴﺔ ﺗﺤﺪﻳﺪ ﴍﻛﺎت اﻟﺘﺄﻣني ﺗﻜﻠﻔﺔ اﻟﻘﺴﻂ‪ ،‬وﻛﻴﻔﻴﺔ ﺑﻨﺎء‬ ‫َ‬ ‫ﺷﺨﺺ ﻣﺎ‬
‫ٍ‬ ‫ﻣﻨﺢ‬
‫ﻣﺮﺷﺤﺎت اﻟﱪﻳﺪ املﺰﻋِﺞ اﻟﺘﻲ ﺗﻤﻨﻊ اﻹﻋﻼﻧﺎت املﺰﻋِﺠﺔ ﻣﻦ اﻟﻮﺻﻮل إﱃ ﺻﻨﺪوق ﺑﺮﻳﺪك‬ ‫ﱢ‬
‫اﻹﻟﻜﱰوﻧﻲ‪ ،‬وﻣﺎ إﱃ ذﻟﻚ؛ ﻓﺈﻧﻪ ﺳﻮف ﻳﺠﺪ ﻣﺄرﺑﻪ‪.‬‬
‫ﻳﺒني اﻟﻔﺎرق ﺑني ا ُملﺴﻤﱠ ﻴ َْني »اﻹﺣﺼﺎء« و»اﻹﺣﺼﺎﺋﻴﺎت«؛ ﻓﺎﻹﺣﺼﺎء ﻫﻮ‬ ‫ﻛﻞ ﻣﺎ ﺳﺒﻖ ﱢ‬
‫ُﻘﺼﺪ ﺑﻬﺎ اﻟﺤﻘﺎﺋﻖ اﻟﺮﻗﻤﻴﺔ أو املﻠﺨﺼﺎت املﻨﺪرﺟﺔ‬ ‫اﻟﻌﻠﻢ اﻷﺳﺎﳼ اﻟﺸﺎﻣﻞ‪ ،‬أﻣﺎ اﻹﺣﺼﺎﺋﻴﺎت ﻓﻴ َ‬
‫ﺗﺤﺖ املﻈ ﱠﻠﺔ اﻟﻜﱪى ﻟﻌﻠﻢ اﻹﺣﺼﺎء‪.‬‬
‫اﺳﺘﺨﺪﻣﺖ ﰲ ﺗﻌﺮﻳﻔﻲ اﻷول ﻛﻠﻤﺔ »اﻟﺒﻴﺎﻧﺎت«‪ .‬وﻛﻠﻤﺔ »ﺑﻴﺎﻧﺎت« ﰲ اﻹﻧﺠﻠﻴﺰﻳﺔ ‪Data‬‬ ‫ُ‬
‫ﻄﻰ« املﺸﺘﻘﺔ ﻣﻦ ‪ dare‬ﺑﻤﻌﻨﻰ‬ ‫ﻣﺸﺘﻘﺔ ﻣﻦ اﻟﻜﻠﻤﺔ اﻟﻼﺗﻴﻨﻴﺔ ‪ datum‬ﺑﻤﻌﻨﻰ »ﳾء ﻣُﻌ ً‬
‫ٍ‬
‫ﺣﺴﺎﺑﺎت أو ﻏريﻫﺎ ﻣﻦ‬ ‫ٍ‬
‫ﻗﻴﺎﺳﺎت أو‬ ‫»ﻳﻌﻄﻲ«‪ .‬ﻋﺎدة ﻣﺎ ﺗﻜﻮن اﻟﺒﻴﺎﻧﺎت أرﻗﺎﻣً ﺎ؛ ﻧﺘﺎﺋﺞَ‬
‫ﻄﺎ ملﺎ ﻧﺪرﺳﻪ‪.‬‬‫ﺗﻤﺜﻴﻼ ﻣﺒﺴ ً‬
‫ً‬ ‫اﻟﻌﻤﻠﻴﺎت‪ .‬وﻳﻤﻜﻦ اﻟﻨﻈﺮ ملﺜﻞ ﻫﺬه اﻟﺒﻴﺎﻧﺎت ﻋﲆ أﻧﻬﺎ ﺗﻘﺪﱢم‬
‫ﻓﺈذا ﻛﻨﱠﺎ ﻣﻬﺘﻤﱢ ني ﺑﺄﻃﻔﺎل املﺪارس‪ ،‬وﺑﺨﺎﺻﺔ ﻗﺪرﺗﻬﻢ اﻷﻛﺎدﻳﻤﻴﺔ وﻣﺪى ﻣﻼءﻣﺘﻬﻢ ﻷﻧﻮاع‬

‫‪11‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫املِ ﻬَ ﻦ املﺨﺘﻠﻔﺔ‪ ،‬رﺑﻤﺎ ﻧﺨﺘﺎر دراﺳﺔ اﻷرﻗﺎم اﻟﺘﻲ ﺗﺼﻒ ﻧﺘﺎﺋﺠﻬﻢ ﰲ ﻣﺨﺘﻠﻒ اﻻﺧﺘﺒﺎرات‬
‫واﻻﻣﺘﺤﺎﻧﺎت‪.‬‬
‫ورﺑﻤﺎ ﺗﻤﻨﺤﻨﺎ ﻫﺬه اﻷرﻗﺎم إﺷﺎرة ﺣﻴﺎل ﻗﺪراﺗﻬﻢ وﻣﻴﻮﻟﻬﻢ‪ .‬ﺑﺎﻋﱰاف اﻟﺠﻤﻴﻊ‪ ،‬ﻟﻦ‬
‫ﺷﺨﺼﺎ ﻣﺎ ﻛﺎن‬ ‫ً‬ ‫ٍ‬
‫ﺑﺒﺴﺎﻃﺔ إﱃ أن‬ ‫ﻳﻜﻮن ﻫﺬا اﻟﺘﻤﺜﻴﻞ ﻣﺜﺎﻟﻴٍّﺎ؛ ﻓﺮﺑﻤﺎ ﺗُ ِﺸري اﻟﺪرﺟﺔ املﻨﺨﻔﻀﺔ‬
‫ﺨﱪﻧﺎ ﺑﺎﻟﻜﺜري ﻋﻦ ﻗﺪرة اﻟﻄﻔﻞ‪،‬‬ ‫ﻳﺸﻌﺮ ﺑﺎملﺮض أﺛﻨﺎء اﻻﻣﺘﺤﺎن‪ .‬وﻋﺒﺎرة »ﻟﻢ ﻳﺤﴬ« ﻻ ﺗُ ِ‬
‫وﻟﻜﻦ ﺗﺨﱪﻧﺎ ﻓﺤﺴﺐ أﻧﻪ ﻟﻢ ﻳ َُﺨ ْﺾ اﻻﻣﺘﺤﺎن‪ .‬ﺳﺄﺗﺤﺪث ﺑﺸﻜﻞ أﻛﺜﺮ اﺳﺘﻔﺎﺿﺔ ﻋﻦ »ﺟﻮدة‬
‫اﻟﺒﻴﺎﻧﺎت« ﰲ وﻗﺖ ﻻﺣﻖ‪ ،‬وﻫﻲ ﻣﻬﻤﺔ ﺑﺴﺒﺐ املﺒﺪأ اﻟﻌﺎم )اﻟﺬي ﻳﻨﻄﺒﻖ ﻋﲆ ﺟﻤﻴﻊ ﺟﻮاﻧﺐ‬
‫اﻟﺤﻴﺎة‪ ،‬وﻟﻴﺲ ﻓﻘﻂ ﰲ اﻹﺣﺼﺎﺋﻴﺎت( اﻟﻘﺎﴈ ﺑﺄﻧﻪ إذا ﻛﺎﻧﺖ املﺎدة اﻟﺨﺎم اﻟﺘﻲ ﺗﻌﻤﻞ ﻋﻠﻴﻬﺎ‬
‫ردﻳﺌﺔ‪ ،‬ﻓﺈن اﻟﻨﺘﺎﺋﺞ ﺳﺘﻜﻮن ردﻳﺌﺔ‪ .‬ﻳﺴﺘﻄﻴﻊ اﻹﺣﺼﺎﺋﻴﻮن ﻓﻬْ ﻢ أﺷﻴﺎء ﻛﺜرية ﻣﺬﻫﻠﺔ ﻣﻦ‬
‫اﻷرﻗﺎم‪ ،‬ﻟﻜﻨﻬﻢ ﻻ ﻳﻤﻜﻦ أن ﻳﺼﻨﻌﻮا املﻌﺠﺰات‪.‬‬
‫ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎل‪ ،‬ﻳﺒﺪو أن ﺣﺎﻻت ﻛﺜرية ﻻ ﺗُﻨﺘِﺞ ﺑﻴﺎﻧﺎت رﻗﻤﻴﺔ ﻣﺒﺎﴍة؛ ﻓﺎﻟﻜﺜري ﻣﻦ‬
‫اﻟﺒﻴﺎﻧﺎت اﻟﺨﺎم ﻗﺪ ﺗﻜﻮن ﰲ ﺷﻜﻞ ﺻﻮر أو ﻛﻠﻤﺎت أو ﺣﺘﻰ أﺷﻴﺎء ﻣﺜﻞ إﺷﺎرات إﻟﻜﱰوﻧﻴﺔ‬
‫أو ﺻﻮﺗﻴﺔ؛ وﻣﻦ ﺛﻢ ﻓﺈن ﺻﻮر اﻷﻗﻤﺎر اﻟﺼﻨﺎﻋﻴﺔ ﻟﻠﻤﺤﺎﺻﻴﻞ أو ﺗﻐﻄﻴﺔ اﻟﻐﺎﺑﺎت ا َمل ِﻄرية‪،‬‬
‫واﻷوﺻﺎف اﻟﻠﻔﻈﻴﺔ ﻟﻶﺛﺎر اﻟﺠﺎﻧﺒﻴﺔ اﻟﺘﻲ ﺗَﺤﺪث ﻋﻨﺪ ﺗﻨﺎول اﻟﺪواء‪ ،‬واﻷﺻﻮات املﻠﻔﻮﻇﺔ‬
‫ُﻈﻬﺮ اﻟﻔﺤﺺ اﻟﺪﻗﻴﻖ أﻧﻪ ﻋﻨﺪﻣﺎ ﺗُﻘﺎس‬ ‫ﻋﻨﺪ اﻟﺘﺤﺪث؛ ﻻ ﺗﺄﺧﺬ ﻣَ ﻈﻬَ ﺮ اﻷرﻗﺎم‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻳ ِ‬
‫ﻫﺬه اﻷﺷﻴﺎء وﺗُﺴﺠﱠ ﻞ‪ ،‬ﻓﺈﻧﻬﺎ ﺗُﱰﺟَ ﻢ إﱃ ﺗﻤﺜﻴﻼت رﻗﻤﻴﺔ أو إﱃ ﺗﻤﺜﻴﻼت ﻳﻤﻜﻦ أن ﺗُﱰﺟَ ﻢ‬
‫ﺑﻌﺪ ذﻟﻚ إﱃ أرﻗﺎم؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﺻﻮر اﻷﻗﻤﺎر اﻟﺼﻨﺎﻋﻴﺔ واﻟﺼﻮر اﻷﺧﺮى ﺗُﻤﺜﱠﻞ‬
‫ﺑﻤﻼﻳني اﻟﻌﻨﺎﴏ اﻟﺼﻐرية اﻟﺘﻲ ﺗُﺴﻤﱠ ﻰ وﺣﺪات اﻟﺒﻜﺴﻞ‪ ،‬وﻛ ﱞﻞ ﻣﻨﻬﺎ ﻳﻮﺻﻒ ﻣﻦ ﺣﻴﺚ‬
‫اﻟﺸﺪة )اﻟﺮﻗﻤﻴﺔ( ﻟﻸﻟﻮان املﺨﺘﻠﻔﺔ اﻟﺘﻲ ﺗﺸ ﱢﻜﻠﻬﺎ‪ .‬وﻳﻤﻜﻦ ﻣﻌﺎ َﻟﺠﺔ اﻟﻨﺺ ﰲ ﺻﻮرة ﺗﻌﺪاد‬
‫ﻟﻠﻜﻠﻤﺎت أو ﻣﻘﺎﻳﻴﺲ ﻟﻠﺘﺸﺎﺑﻪ ﺑني اﻟﻜﻠﻤﺎت واﻟﻌﺒﺎرات؛ وﻫﺬا ﻫﻮ ﻧﻮع اﻟﺘﻤﺜﻴﻞ املﺴﺘﺨﺪم‬
‫ﻣﻦ ﻗِ ﺒَﻞ ﻣﺤ ﱢﺮﻛﺎت اﻟﺒﺤﺚ ﻋﲆ ﺷﺒﻜﺔ اﻹﻧﱰﻧﺖ ﻣﺜﻞ ﺟﻮﺟﻞ‪ .‬وﺗُﻤﺜﱠﻞ اﻟﻜﻠﻤﺎت املﻨﻄﻮﻗﺔ ﻣﻦ‬
‫ﺧﻼل اﻟﻜﺜﺎﻓﺎت اﻟﺮﻗﻤﻴﺔ ﻟﻸﺷﻜﺎل املﻮﺟﻴﺔ اﻟﺘﻲ ﺗﺸ ﱢﻜﻞ اﻷﺟﺰاء املﻔﺮدة ﻣﻦ اﻟﻜﻼم‪ .‬وﻋﲆ ﻧﺤﻮ‬
‫ﻋﺎم‪ ،‬رﻏﻢ أﻧﻪ ﻟﻴﺴﺖ ﺟﻤﻴﻊ اﻟﺒﻴﺎﻧﺎت أرﻗﺎﻣً ﺎ‪ ،‬ﻓﺈن ﻣﻌﻈﻢ اﻟﺒﻴﺎﻧﺎت ﺗُﱰﺟَ ﻢ إﱃ ﺷﻜﻞ رﻗﻤﻲ ﰲ‬
‫ﻣﺮﺣﻠﺔ ﻣﺎ‪ .‬وﻣﻌﻈﻢ اﻹﺣﺼﺎﺋﻴﺎت ﺗﺘﻌﺎﻣﻞ ﻣﻊ اﻟﺒﻴﺎﻧﺎت اﻟﺮﻗﻤﻴﺔ‪.‬‬ ‫ٍ‬

‫)‪ (3‬أﻛﺎذﻳﺐ‪ ،‬أﻛﺎذﻳﺐ ﺑﻐﻴﻀﺔ‪ ،‬ووﺿﻊ اﻷﻣﻮر ﰲ ﻧﺼﺎﺑﻬﺎ‬

‫ﻧُﺴﺒﺖ ﻋﺒﺎرة »ﺛﻤﺔ أﻛﺎذﻳﺐ‪ ،‬وأﻛﺎذﻳﺐ ﺑﻐﻴﻀﺔ‪ ،‬وإﺣﺼﺎﺋﻴﺎت« — املﺬﻛﻮرة ﰲ ﺑﺪاﻳﺔ ﻫﺬا‬
‫اﻟﻔﺼﻞ — ﻋﲆ وﺟﻮه ﻣﺨﺘﻠﻔﺔ إﱃ ﻣﺎرك ﺗﻮﻳﻦ وﺑﻨﻴﺎﻣني دزراﺋﻴﲇ‪ ،‬وﻏريﻫﻤﺎ‪ .‬ﻛﻤﺎ َو َر َد ﻋﲆ‬

‫‪12‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎن‬

‫ﻟﺴﺎن اﻟﻌﺪﻳﺪ ﻣﻦ اﻷﺷﺨﺎص ﺗﴫﻳﺤﺎت ﻣﻤﺎﺛﻠﺔ؛ ﻣﻨﻬﺎ‪» :‬ﻋﲆ ﻏﺮار اﻷﺣﻼم‪ ،‬اﻹﺣﺼﺎﺋﻴﺎت‬
‫ﻫﻲ ﺷﻜﻞ ﻣﻦ أﺷﻜﺎل ﺗﺤﻘﻴﻖ اﻟﺮﻏﺒﺎت« )ﺟﻮن ﺑﻮدرﻳﺎر‪ ،‬ﰲ ﻛﺘﺎب »ذﻛﺮﻳﺎت ﺟﻤﻴﻠﺔ«‪،‬‬
‫ﻠﺖ‬‫ﻣﺆﺳﻔﺔ ﺗﻤﺜ ﱠ ْ‬
‫ﱠت ﻋﲆ ﻧﺤﻮ ﺧﺎص إﱃ ﻧﺘﻴﺠﺔ ِ‬ ‫اﻟﻔﺼﻞ اﻟﺮاﺑﻊ(‪ ،‬و»… ﻋﺒﺎدة اﻹﺣﺼﺎﺋﻴﺎت أد ْ‬
‫ﰲ ﺟﻌﻞ ﻣﻬﻤﺔ اﻟﻜﺎذب اﻟﴫف أﺳﻬﻞ ﺑﻜﺜري« )ﺗﻮم ﺑﻮرﻧﺎم‪ ،‬ﰲ ﻛﺘﺎب »ﻗﺎﻣﻮس اﻟﺘﻀﻠﻴﻞ«(‪،‬‬
‫»ﺧ َﺰﻋْ ِﺒﻼت« ﻣﺪﻋﻮﻣﺔ ﺑﺎﻷرﻗﺎم« )أودري ﻫﺎﺑريا ورﻳﺘﺸﺎرد روﻧﻴﻮن‪ ،‬ﰲ‬ ‫و»اﻹﺣﺼﺎﺋﻴﺎت ﻫﻲ ُ‬
‫َ‬
‫ﺗﻼﻋﺒﺖ ﺑﻬﺎ‪،‬‬ ‫ﻛﺘﺎب »اﻹﺣﺼﺎﺋﻴﺎت اﻟﻌﺎﻣﺔ«(‪ ،‬و»اﻹﺟﺮاءات اﻟﻘﺎﻧﻮﻧﻴﺔ ﻣﺜﻞ اﻹﺣﺼﺎﺋﻴﺎت؛ إذا‬
‫ﻳﻤﻜﻨﻚ أن ﺗﺜﺒﺖ أيﱠ ﳾء« )آرﺛﺮ ﻫﻴﲇ‪ ،‬ﰲ رواﻳﺔ »املﻄﺎر«(‪ ،‬وﻣﺎ إﱃ ذﻟﻚ‪.‬‬
‫ً‬
‫ﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﻳﻮﺟﺪ ﻛﺜري ﻣﻦ اﻟﺸﻚ ﺣﻴﺎل اﻹﺣﺼﺎﺋﻴﺎت‪ ،‬ورﺑﻤﺎ ﻧﺘﺴﺎءل أﻳﻀﺎ ﻣﺎ إذا‬
‫ﻛﺎن ﻫﻨﺎك ﻋﻨﴫ ﺧﻮف ﻣﻦ ﻫﺬا املﺠﺎل‪ .‬ﻣﻦ املﺆﻛﺪ أن اﻹﺣﺼﺎﺋﻲ ﻏﺎﻟﺒًﺎ ﻣﺎ ﻳﻠﻌﺐ دور ﺷﺨﺺ‬
‫ﺗﻮﺧﻲ اﻟﺤَ ﺬَر‪ ،‬ورﺑﻤﺎ ﺣﺘﻰ ﻳﻜﻮن ﺣﺎﻣ َﻞ اﻷﺧﺒﺎر اﻟﺴﻴﺌﺔ‪ .‬واﻹﺣﺼﺎﺋﻴﻮن اﻟﻌﺎﻣﻠﻮن‬ ‫ﻳﺠﺐ ﻋﻠﻴﻪ ﱢ‬
‫ﰲ اﻟﺒﻴﺌﺎت اﻟﺒﺤﺜﻴﺔ — ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل ﰲ ﻛﻠﻴﺎت اﻟﻄﺐ أو اﻟﺴﻴﺎﻗﺎت اﻻﺟﺘﻤﺎﻋﻴﺔ — رﺑﻤﺎ‬
‫ﻳﻜﻮن ﻋﻠﻴﻬﻢ ﴍح أن اﻟﺒﻴﺎﻧﺎت ﻏري ﻛﺎﻓﻴﺔ ﻟﻺﺟﺎﺑﺔ ﻋﻦ ﺳﺆال ﻣﻌني‪ ،‬أو أن اﻟﺠﻮاب ﺑﺒﺴﺎﻃﺔ‬
‫ﻣﺆﺳﻔﺎ ﻣﻦ وﺟﻬﺔ ﻧﻈﺮ اﻟﺒﺎﺣﺚ‪ ،‬وﻟﻜﻦ‬ ‫ً‬ ‫ﻟﻴﺲ ﻣﺎ أراد اﻟﺒﺎﺣﺚ َﺳﻤَ ﺎﻋَ ﻪ‪ ،‬ورﺑﻤﺎ ﻳﻜﻮن ﻫﺬا أﻣ ًﺮا‬
‫ﻟﻴﺲ ﻣﻦ اﻹﻧﺼﺎف إﻟﻘﺎء اﻟﻠﻮم ﻋﲆ ﺣﺎﻣﻞ اﻟﺮﺳﺎﻟﺔ اﻹﺣﺼﺎﺋﻴﺔ‪.‬‬
‫ﰲ ﻛﺜري ﻣﻦ اﻟﺤﺎﻻت‪ ،‬ﺗﺘﻮ ﱠﻟﺪ اﻟﺸﻜﻮك ﺑﺴﺒﺐ أوﻟﺌﻚ اﻟﺬﻳﻦ ﻳﺨﺘﺎرون اﻹﺣﺼﺎﺋﻴﺎت اﻧﺘﻘﺎﺋﻴٍّﺎ‪.‬‬
‫ﻓﺈذا ﻛﺎن ﻫﻨﺎك أﻛﺜﺮ ﻣﻦ ﻃﺮﻳﻘﺔ ﻟﺘﻠﺨﻴﺺ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬وﺗﻨﺒﻊ ﻛ ﱞﻞ ﻣﻨﻬﺎ ﺑﺎﻟﻨﻈﺮ‬
‫ﻗﻠﻴﻼ‪ ،‬ﻓﺈن اﻷﺷﺨﺎص املﺨﺘﻠﻔني ﺣﻴﻨَﻬﺎ ﻳﻤﻜﻦ أن ﻳﺨﺘﺎروا اﻟﱰﻛﻴﺰ ﻋﲆ‬ ‫ﰲ ﺟﻮاﻧﺐ ﻣﺨﺘﻠﻔﺔ ً‬
‫ﻣﻠﺨﺼﺎت ﻣﺨﺘﻠﻔﺔ‪ .‬وﺛﻤﺔ ﻣﺜﺎل ﻣﺤﺪد ﰲ إﺣﺼﺎﺋﻴﺎت اﻟﺠﺮﻳﻤﺔ؛ ﻓﻔﻲ ﺑﺮﻳﻄﺎﻧﻴﺎ‪ ،‬رﺑﻤﺎ ﻳُﻌَ ﱡﺪ‬
‫أﻫﻢ ﻣﺼﺪر ﻹﺣﺼﺎﺋﻴﺎت اﻟﺠﺮﻳﻤﺔ ﻫﻮ »اﺳﺘﻘﺼﺎء اﻟﺠﺮﻳﻤﺔ اﻟﱪﻳﻄﺎﻧﻴﺔ«‪ ،‬وﻫﺬا اﻻﺳﺘﻘﺼﺎء‬
‫ﻳُﻘﺪﱢر ﻣﺴﺘﻮى اﻟﺠﺮﻳﻤﺔ ﻋﻦ ﻃﺮﻳﻖ ﺳﺆال ﻋﻴﱢﻨﺔ ﻣﻦ اﻟﻨﺎس ﻣﺒﺎﴍة ﻋﻦ اﻟﺠﺮاﺋﻢ اﻟﺘﻲ وﻗﻌﻮا‬
‫ﺿﺤﺎﻳﺎ ﻟﻬﺎ ﺧﻼل اﻟﻌﺎم املﺎﴈ‪ .‬ﰲ املﻘﺎﺑﻞ‪ ،‬ﻓﺈن ﺳﻠﺴﻠﺔ »إﺣﺼﺎﺋﻴﺎت اﻟﺠﺮاﺋﻢ املﺴﺠﱠ ﻠﺔ«‬
‫ﺗﺸﻤﻞ ﺟﻤﻴﻊ اﻟﺠﺮاﺋﻢ ا ُملﺒ ﱠﻠﻎ ﻋﻨﻬﺎ إﱃ وزارة اﻟﺪاﺧﻠﻴﺔ واﻟﺘﻲ ﺳﺠﱠ ﻠﺘْﻬﺎ اﻟﴩﻃﺔ‪ .‬وﺑﻄﺒﻴﻌﺘﻬﺎ‪،‬‬
‫ﻻ ﺗﺸﻤﻞ ﻫﺬه اﻹﺣﺼﺎﺋﻴﺎت ﺑﻌﺾ اﻟﺠﺮاﺋﻢ اﻟﺒﺴﻴﻄﺔ‪ ،‬وأﻫﻢ ﻣﻦ ذﻟﻚ ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎل أﻧﻬﺎ‬
‫ﺗﺴﺘﺜﻨﻲ اﻟﺠﺮاﺋﻢ اﻟﺘﻲ ﻟﻢ ﺗُﺒ ﱠﻠﻎ ﻋﻨﻬﺎ اﻟﴩﻃﺔ ﰲ املﻘﺎم اﻷول‪ .‬وﺑﻮﺟﻮد ﻣﺜﻞ ﻫﺬه اﻻﺧﺘﻼﻓﺎت‪،‬‬
‫ﻟﻴﺲ ﻣﻦ املﺴﺘﻐ َﺮب أن اﻷرﻗﺎم ﻳﻤﻜﻦ أن ﺗﺨﺘﻠﻒ ﺑني ﻣﺠﻤﻮﻋﺘَﻲ اﻹﺣﺼﺎﺋﻴﺎت‪ ،‬ﻟﺪرﺟﺔ أن‬
‫وﻓﻘﺎ ﻹﺣﺪى ﻣﺠﻤﻮﻋﺘَﻲ‬ ‫ﻓﺌﺎت ﻣﻌﻴﻨﺔ ﻣﻦ اﻟﺠﺮاﺋﻢ رﺑﻤﺎ ﺗﺒﺪو آﺧِ ﺬة ﰲ اﻟﺘﻨﺎﻗﺺ ﻋﲆ ﻣﺮ اﻟﺰﻣﻦ ً‬
‫وﻓﻘﺎ ﻟﻠﻤﺠﻤﻮﻋﺔ اﻷﺧﺮى‪.‬‬‫اﻷرﻗﺎم ﻓﻴﻤﺎ ﺗﻜﻮن آﺧﺬة ﰲ اﻟﺘﺰاﻳﺪ ً‬
‫ﻣﺤﺘﻤﻼ آﺧﺮ ﻟﻠﺘﺸﻜﻚ ﰲ اﻹﺣﺼﺎﺋﻴﺎت؛‬ ‫ً‬ ‫أﻳﻀﺎ ﺳﺒﺒًﺎ‬‫أرﻗﺎم إﺣﺼﺎﺋﻴﺎت اﻟﺠﺮﻳﻤﺔ ﺗﻮﺿﺢ ً‬
‫ﻓﻌﻨﺪ اﺳﺘﺨﺪام ﻣﻘﻴﺎس ﻣﻌني ﻛﻤﺆﴍ ﻷداء ﻧﻈﺎ ٍم ﻣﺎ‪ ،‬رﺑﻤﺎ ﻳﺨﺘﺎر اﻷﺷﺨﺎص اﺳﺘﻬﺪاف ﻫﺬا‬

‫‪13‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫وﻟﻜﻦ ﻋﲆ ﺣﺴﺎب ﺟﻮاﻧﺐ أﺧﺮى ﻣﻦ اﻟﻨﻈﺎم؛ وﻣﻦ ﺛﻢ ﻳﺘﺤﺴﻦ‬ ‫ْ‬ ‫املﻘﻴﺎس‪ ،‬ﻓﻴُﺤﺴﻨﻮن ﻗﻴﻤﺘﻪ‬
‫املﻘﻴﺎس املﺨﺘﺎر ﻋﲆ ﻧﺤﻮ ﻏري ﻣﺘﻜﺎﻓﺊ‪ ،‬وﻳﺼﺒﺢ ﻋﺪﻳﻢ اﻟﻔﺎﺋﺪة ﻛﻤﻘﻴﺎس ﻷداء اﻟﻨﻈﺎم؛ ﻋﲆ‬
‫ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻳﻤﻜﻦ ﻟﻠﴩﻃﺔ أن ﺗﻘﻠﻞ ﻣﻦ ﻣﻌﺪل ﴎﻗﺔ املﺘﺎﺟﺮ ﻣﻦ ﺧﻼل ﺗﺮﻛﻴﺰ ﻛﻞ ﻣﻮاردﻫﺎ‬
‫ﻋﲆ ﺗﻠﻚ اﻟﺠﺮﻳﻤﺔ‪ ،‬ﻋﲆ ﺣﺴﺎب اﻟﺴﻤﺎح ﺑﺰﻳﺎدة أﻧﻮاع أﺧﺮى ﻣﻦ اﻟﺠﺮﻳﻤﺔ؛ وﻧﺘﻴﺠﺔ ﻟﺬﻟﻚ‪،‬‬
‫ﻓﺈن ﻣﻌﺪل ﴎﻗﺔ املﺘﺎﺟﺮ ﻳﺼﺒﺢ ﻋﺪﻳﻢ اﻟﻔﺎﺋﺪة ﻛﻤﺆﴍ ﻋﲆ ﻣﻌﺪل اﻟﺠﺮﻳﻤﺔ‪ .‬وﻗﺪ ُﺳﻤﱢ ﻴﺖ‬
‫ﻫﺬه اﻟﻈﺎﻫﺮة ﺑﺎﺳﻢ »ﻗﺎﻧﻮن ﺟﻮدﻫﺎرت«‪ ،‬ﺗﻴﻤﱡ ﻨًﺎ ﺑﺘﺸﺎرﻟﺰ ﺟﻮدﻫﺎرت‪ ،‬وﻫﻮ ﻛﺒري ﻣﺴﺘﺸﺎرﻳﻦ‬
‫ﺳﺎﺑﻘﺎ ﰲ »ﻣﴫف إﻧﺠﻠﱰا«‪.‬‬ ‫ً‬
‫اﻟﻬﺪف ﻣﻦ ﻛﻞ ذﻟﻚ ﻫﻮ أن املﺸﻜﻠﺔ ﻻ ﺗﻜﻤﻦ ﰲ اﻹﺣﺼﺎﺋﻴﺎت ﰲ ﺣﺪ ذاﺗﻬﺎ‪ ،‬وﻟﻜﻦ ﰲ‬
‫اﺳﺘﺨﺪام ﺗﻠﻚ اﻹﺣﺼﺎﺋﻴﺎت‪ ،‬وﺳﻮء ﻓﻬﻢ ﻛﻴﻔﻴﺔ إﻧﺘﺎج اﻹﺣﺼﺎﺋﻴﺎت‪ ،‬وﻣﺎ ﺗﻌﻨﻴﻪ اﻹﺣﺼﺎﺋﻴﺎت‬
‫ﺣﻘﺎ‪ .‬ﻟﻌﻞ ﻣﻦ اﻟﻄﺒﻴﻌﻲ ﺗﻤﺎﻣً ﺎ أن ﻧﻜﻮن ﻣﺘﺸ ﱢﻜﻜني ﺣﻴﺎل اﻷﺷﻴﺎء اﻟﺘﻲ ﻻ ﻧﻔﻬﻤﻬﺎ‪ ،‬واﻟﺤﻞ ﻫﻮ‬ ‫ٍّ‬
‫إزاﻟﺔ ﺳﻮء اﻟﻔﻬﻢ‪.‬‬
‫أﺳﺎﺳﺎ ﻧﺘﻴﺠﺔ ﻟﻄﺒﻴﻌﺔ اﻟﺘﻘﺪم اﻟﻌﻠﻤﻲ؛ وﻣﻦ‬ ‫ً‬ ‫ﻣﻊ ذﻟﻚ‪ ،‬ﺛﻤﺔ ﺳﺒﺐ آﺧﺮ ﻟﻠﺘﺸﻜﻚ ﻳﻨﺸﺄ‬
‫ﺗﺒني أن ﻧﻮﻋً ﺎ ﻣﻌﻴﻨًﺎ ﻣﻦ‬
‫ﺻﺤﻴﻔﺔ ﻣﺎ ﻋﻦ دراﺳﺔ ﻋﻠﻤﻴﺔ ﱢ‬ ‫ٍ‬ ‫ﺛَﻢﱠ‪ ،‬رﺑﻤﺎ ﻧﻘﺮأ ﰲ ﻳﻮم ﻣﻦ اﻷﻳﺎم ﰲ‬
‫اﻟﻄﻌﺎم ﺿﺎ ﱞر ﻟﻨﺎ‪ ،‬وﰲ اﻟﻴﻮم اﻟﺘﺎﱄ ﺗُ ِﺸري إﱃ أﻧﻪ ﻣُﻔِ ﻴﺪ‪ .‬ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎل ﻳﻮ ﱢﻟﺪ ذﻟﻚ ا ْﻟﺘ ً‬
‫ِﺒﺎﺳﺎ؛‬
‫أيْ ﺷﻌﻮ ًرا ﺑﺄن اﻟﻌﻠﻤﺎء ﻻ ﻳﻌﺮﻓﻮن اﻟﺠﻮاب‪ ،‬ورﺑﻤﺎ أﻧﻪ ﻻ ﻳﻤﻜﻦ اﻟﻮﺛﻮق ﺑﻬﻢ‪ .‬وﺣﺘﻤً ﺎ ﻣﺜﻞ‬
‫ﻫﺬه اﻟﺘﺤﻘﻴﻘﺎت اﻟﻌﻠﻤﻴﺔ ﺗَﺴﺘﺨﺪم اﻟﺘﺤﻠﻴﻼت اﻹﺣﺼﺎﺋﻴﺔ ﻋﲆ ﻧﺤﻮ ﻣﻜﺜﱠﻒ؛ وﻣﻦ ﺛﻢ ﻓﺈن‬
‫ﺑﻌﻀﺎ ﻣﻦ ﻫﺬه اﻟﺸﻜﻮك ﻳﻨﺘﻘﻞ إﱃ اﻹﺣﺼﺎﺋﻴﺎت‪ .‬وﻟﻜﻦ ﺟﻮﻫﺮ اﻟﺘﻘﺪم اﻟﻌﻠﻤﻲ ﻫﻮ ﺗﺤﻘﻴﻖ‬ ‫ً‬
‫ﺗﻐري ﻓﻬﻤﻨﺎ؛ ﻓﺮﻏﻢ أﻧﻨﺎ ﻛﻨﱠﺎ ﻧﻈﻦ ﰲ املﺎﴈ أن اﻟﺪﻫﻮن اﻟﻐﺬاﺋﻴﺔ ﺿﺎرة‬ ‫اﻛﺘﺸﺎﻓﺎت ﺟﺪﻳﺪة ﱢ‬
‫ﻟﻨﺎ‪ ،‬ﻓﻘﺪ دﻓﻌَ ﻨﺎ ﻣﺰﻳﺪ ﻣﻦ اﻟﺪراﺳﺎت إﱃ إدراك أﻧﻪ ﻳﻮﺟﺪ أﻧﻮاع ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻟﺪﻫﻮن؛ ﺑﻌﻀﻬﺎ‬
‫ﻣﻔﻴﺪ وﺑﻌﻀﻬﺎ ﺿﺎر‪ .‬إن اﻟﺼﻮرة أﻛﺜﺮ ﺗﻌﻘﻴﺪًا ﻣﻤﺎ ﻛﻨﱠﺎ ﻧﻌﺘﻘﺪ ﰲ اﻟﺒﺪاﻳﺔ؛ ﻟﺬﻟﻚ ﻟﻴﺲ ﻣﻦ‬
‫املﺴﺘﻐ َﺮب أن ﺗﺆدﱢي اﻟﺪراﺳﺎت اﻷوﻟﻴﺔ إﱃ اﺳﺘﻨﺘﺎﺟﺎت ﺗﺒﺪو ﻣﺘﻀﺎرﺑﺔ وﻣﺘﻨﺎﻗﻀﺔ‪.‬‬
‫واﻟﺴﺒﺐ اﻟﺮاﺑﻊ ﻟﻠﺘﺸﻜﻚ ﻳﻨﺸﺄ ﻣﻦ ﺳﻮء ﻓﻬﻢ أوﱄ ﱟ ملﺒﺎدئ اﻹﺣﺼﺎء‪ .‬وﻛﺘﻤﺮﻳﻦ‪ ،‬رﺑﻤﺎ‬
‫ﻳﺤﺎول اﻟﻘﺎرئ أن ﻳﺤﺪد ﻣﺎ ﻫﻮ ﻣﺜري ﻟﻠﺸﻜﻮك ﰲ ﻛ ﱟﻞ ﻣﻦ اﻟﻌﺒﺎرات اﻟﺘﺎﻟﻴﺔ )اﻷﺟﻮﺑﺔ ﻣﻮﺟﻮدة‬
‫ﰲ اﻟﺘﻌﻠﻴﻘﺎت اﻟﺨﺘﺎﻣﻴﺔ ﰲ آﺧِ ﺮ اﻟﻜﺘﺎب(‪:‬‬
‫ﺗﻘﺮﻳﺮ ﻣﺎ أن اﻟﺘﺸﺨﻴﺺ املﺒ ﱢﻜﺮ ﻟﻠﻤﺮض ﻳﺆدي إﱃ اﻟﺘﻤﺘﻊ ﺑﻤﻌﺪﻻت ﻋﻤﺮﻳﺔ‬ ‫ٍ‬ ‫)‪ (١‬ﻧﻘﺮأ ﰲ‬
‫أﻃﻮل؛ ﻟﺬﻟﻚ ﻓﺈن ﺑﺮاﻣﺞ اﻟﻔﺤﺺ ﻣﻔﻴﺪة‪.‬‬
‫)‪ (٢‬ﻗﻴﻞ ﻟﻨﺎ إن اﻟﺴﻌﺮ ا ُملﻌ َﻠﻦ ُﺧ ﱢﻔﺾ ﺑﺎﻟﻔﻌﻞ ﺑﻨﺴﺒﺔ ﺧﺼﻢ ‪ ٪٢٥‬ﻟﻠﻌﻤﻼء ﱠ‬
‫املﺆﻫﻠني‪ ،‬وﻟﻜﻨﻨﺎ‬
‫ﻣﺆﻫﻠني؛ ﻟﺬﻟﻚ ﻋﻠﻴﻨﺎ دﻓﻊ ‪ ٪٢٥‬أﻛﺜﺮ ﻣﻦ اﻟﺴﻌﺮ ا ُملﻌ َﻠﻦ‪.‬‬
‫ﻟﺴﻨﺎ ﱠ‬

‫‪14‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎن‬

‫ﱠ‬
‫املﺘﻮﻗﻊ ﺳﻮف ﻳﺼﻞ إﱃ ‪ ١٥٠‬ﻋﺎﻣً ﺎ ﰲ اﻟﻘﺮن ا ُملﻘ ِﺒﻞ‪،‬‬ ‫)‪ (٣‬ﻧﺴﻤﻊ ﺗﻨﺒ ًﺆا ﺑﺄن ﻣﺘﻮﺳﻂ اﻟﻌﻤﺮ‬
‫اﺳﺘﻨﺎدًا إﱃ اﺳﺘﻘﺮاء ﺑﺴﻴﻂ ﻣﻦ اﻟﺰﻳﺎدات ﻋﲆ ﻣﺪى اﻟﺴﻨﻮات املﺎﺋﺔ املﺎﺿﻴﺔ‪.‬‬
‫)‪ (٤‬ﻗﻴﻞ ﻟﻨﺎ‪» :‬ﻣﻨﺬ ﻋﺎم ‪ ،١٩٥٠‬ﺗَﻀﺎﻋَ ﻒ ﻛ ﱠﻞ ﻋﺎم ﻋﺪ ُد اﻷﻃﻔﺎل اﻷﻣﺮﻳﻜﻴني اﻟﺬﻳﻦ ﺗﻌﺮﺿﻮا‬
‫ﻟﺤﺎدث إﻃﻼق ﻧﺎر‪«.‬‬

‫أﺣﻴﺎﻧًﺎ ﻻ ﻳﻜﻮن ﺳﻮء اﻟﻔﻬﻢ أوﻟﻴٍّﺎ ﻟﻠﻐﺎﻳﺔ‪ ،‬أو ﻋﲆ اﻷﻗﻞ‪ ،‬ﻳﻨﺸﺄ ﻋﻦ ﻣﻔﺎﻫﻴﻢ إﺣﺼﺎﺋﻴﺔ‬
‫ﻋﻤﻴﻘﺔ ﻧﺴﺒﻴٍّﺎ‪ .‬ﺳﻴﻜﻮن ﻣﺴﺘﻐﺮﺑًﺎ ﱠأﻻ ﻳﻮﺟﺪ ﺑﻌﺾ اﻷﻓﻜﺎر اﻟﻌﻤﻴﻘﺔ املﻨﺎﻗﻀﺔ ﻟﻠﺒﺪﻳﻬﺔ ﰲ‬
‫اﻹﺣﺼﺎء ﺑﻌﺪ أﻛﺜﺮ ﻣﻦ ﻗﺮن ﻣﻦ اﻟﺘﻄﻮر‪ .‬وﺗﺘﻤﺜﻞ إﺣﺪى ﻫﺬه اﻷﻓﻜﺎر ﻓﻴﻤﺎ ﻳُﻌ َﺮف ﺑﺎﺳﻢ‬
‫»ﻣُﻐﺎ َﻟﻄﺔ املﺪﻋﻲ«‪ ،‬وﺗﺼﻒ اﻟﺨﻠﻂ ﺑني اﺣﺘﻤﺎل أن ﺷﻴﺌًﺎ ﻣﺎ ﺳﻮف ﻳﻜﻮن ﺻﺤﻴﺤً ﺎ )ﻋﲆ‬
‫ﺳﺒﻴﻞ املﺜﺎل‪ ،‬املﺘﻬﻢ ﻣﺬﻧﺐ( إذا ﻛﺎن ﻟﺪﻳﻚ ﺑﻌﺾ اﻷدﻟﺔ )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻗﻔﺎزات املﺪﻋَ ﻰ‬
‫ﻛﻨﺖ ﺗﻔﱰض أن املﺘﻬﻢ‬ ‫ﻋﻠﻴﻪ ﰲ ﻣﴪح اﻟﺠﺮﻳﻤﺔ(‪ ،‬ﻣﻊ اﺣﺘﻤﺎل اﻟﻌﺜﻮر ﻋﲆ ﻫﺬا اﻟﺪﻟﻴﻞ إذا َ‬
‫ﻣﺬﻧﺐ‪ .‬وﻫﺬا ﺧﻠﻂ ﺷﺎﺋﻊ — ﻟﻴﺲ ﰲ املﺤﺎﻛﻢ ﻓﺤﺴﺐ — وﺳﻮف ﻧﺘﻨﺎوﻟﻪ ﻋﲆ ﻧﺤﻮ أوﺛﻖ ﰲ‬
‫وﻗﺖ ﻻﺣﻖ‪.‬‬
‫َ‬
‫ﻓﻤﻦ اﻟﻮاﺿﺢ أن اﻟﻠﻮم ﻻ ﻳَﻘﻊ ﻋﲆ‬ ‫إذا ﻛﺎن ﻫﻨﺎك ﺷﻚ وﻋﺪم ﺛﻘﺔ ﰲ اﻹﺣﺼﺎﺋﻴﺎت‪ِ ،‬‬
‫اﻹﺣﺼﺎﺋﻴﺎت أو ﻛﻴﻔﻴﺔ ﺣﺴﺎﺑﻬﺎ‪ ،‬وإﻧﻤﺎ ﻳﻘﻊ ﻋﲆ ﻃﺮﻳﻘﺔ اﺳﺘﺨﺪام ﺗﻠﻚ اﻹﺣﺼﺎﺋﻴﺎت‪ .‬وﻟﻴﺲ‬
‫ﻣﻦ اﻟﻌﺪل إ ْﻟﻘﺎء اﻟﻠﻮم ﻋﲆ اﻟﻌﻠﻢ‪ ،‬أو اﻹﺣﺼﺎﺋﻲ اﻟﺬي ﻳَﺴﺘﺨﺮج املﻌﻨﻰ ﻣﻦ اﻟﺒﻴﺎﻧﺎت؛ ﺑﻞ إن‬
‫اﻟﻠﻮم ﻳﻘﻊ ﻋﲆ أوﻟﺌﻚ اﻟﺬﻳﻦ ﻻ ﻳﻔﻬﻤﻮن ﻣﺎ ﺗﻘﻮﻟﻪ اﻷرﻗﺎم‪ ،‬أو اﻟﺬﻳﻦ ﻳﺘﻌﻤﱠ ﺪون إﺳﺎءة اﺳﺘﺨﺪام‬
‫اﻟﻨﺘﺎﺋﺞ؛ ﻓﻨﺤﻦ ﻻ ﻧﻠﻮم اﻟﺒﻨﺪﻗﻴﺔ ﻋﲆ ﻗﺘْﻞ أﺣﺪﻫﻢ‪ ،‬ﺑﻞ اﻟﺸﺨﺺ اﻟﺬي أﻃﻠﻖ اﻟﺮﺻﺎص ﻣﻦ‬
‫اﻟﺒﻨﺪﻗﻴﺔ ﻫﻮ ا َملﻠُﻮم‪.‬‬

‫)‪ (4‬اﻟﺒﻴﺎﻧﺎت‬
‫رأﻳﻨﺎ أن اﻟﺒﻴﺎﻧﺎت ﻫﻲ املﺎدة اﻟﺨﺎم اﻟﺘﻲ ﺑُﻨِﻲ ﻋﻠﻴﻬﺎ اﻹﺣﺼﺎء‪ ،‬وﻛﺬﻟﻚ ﻫﻲ املﺎدة اﻟﺨﺎم اﻟﺘﻲ‬
‫ﻧﻔﺴﻬﺎ‪ ،‬وأن ﻫﺬه اﻟﺒﻴﺎﻧﺎت ﻋﺎد ًة ﻣﺎ ﺗﻜﻮن أرﻗﺎﻣً ﺎ‪ .‬وﻣﻊ‬‫ﺗُﺤﺴﺐ ﻣﻨﻬﺎ اﻹﺣﺼﺎﺋﻴﺎت اﻟﻔﺮدﻳﺔ ُ‬
‫ذﻟﻚ‪ ،‬ﻓﺈن اﻟﺒﻴﺎﻧﺎت ﰲ اﻟﻮاﻗﻊ أﻛﺜﺮ ﻣﻦ ﻣﺠﺮد أرﻗﺎم‪ .‬وﻟﻜﻲ ﺗﻜﻮن ﻣﻔﻴﺪة — أيْ ﺗﻤ ﱢﻜﻨﻨﺎ ﻣﻦ‬
‫اﻟﻘﻴﺎم ﺑﺒﻌﺾ اﻟﺘﺤﻠﻴﻼت اﻹﺣﺼﺎﺋﻴﺔ ذات املﻐﺰى — ﻳﺠﺐ أن ﺗﺮﺗﺒﻂ ﻫﺬه اﻷرﻗﺎم ﺑﻤﻌﻨًﻰ؛‬
‫ﻣﻌﺮﻓﺔ ﻣﺎ »ﺗَﻘِ ﻴﺴﻪ« اﻟﻘﻴﺎﺳﺎت‪ ،‬وﻣﺎ ﺗﻢ ﻋَ ﺪﱡه ﻋﻨﺪﻣﺎ ﻳُﻌﺮض‬
‫ِ‬ ‫ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻧﺤﻦ ﺑﺤﺎﺟﺔ إﱃ‬
‫ﻋﻠﻴﻨﺎ ﺗﻌﺪاد‪ .‬وﻟﺘﺤﻘﻴﻖ ﻧﺘﺎﺋﺞ ﺻﺤﻴﺤﺔ ودﻗﻴﻘﺔ ﻋﻨﺪﻣﺎ ﻧﻘﻮم ﺑﺘﻨﻔﻴﺬ ﺗﺤﻠﻴﻞ إﺣﺼﺎﺋﻲ‪ ،‬ﻧﺤﺘﺎج‬
‫أﻳﻀﺎ أن ﻧﻌﺮف ﺷﻴﺌًﺎ ﻋﻦ ﻛﻴﻔﻴﺔ اﻟﺤﺼﻮل ﻋﲆ ﻫﺬه اﻟﻘِ ﻴَﻢ‪ .‬ﻫﻞ أﺟﺎب ﺟﻤﻴﻊ ﻣَ ﻦ ﺳﺄﻟﻨﺎﻫﻢ‬ ‫ً‬

‫‪15‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻋﲆ اﻻﺳﺘﺒﻴﺎن‪ ،‬أم أﺟﺎب ﺑﻌﺾ اﻷﺷﺨﺎص ﻓﺤﺴﺐ؟ وإذا أﺟﺎب ﺑﻌﺾ اﻷﺷﺨﺎص ﻓﺤﺴﺐ‪،‬‬
‫ﺪﱄ َ ﺑﺒﻴﺎن ﺣﻮ َﻟﻬﺎ ﻋﲆ ﻧﺤﻮ ﻣﻼﺋﻢ أم إن اﻟﻌﻴﻨﺔ‬ ‫ﻓﻬﻞ ﻫﻢ ﻳﻤﺜﱢﻠﻮن املﺠﻤﻮﻋﺔ اﻟﺘﻲ ﻧﻮ ﱡد أن ﻧ ُ ِ‬
‫ﺑﻄﺮﻳﻘﺔ ﻣﺎ؟ ﻫﻞ‪ ،‬ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﺗَﺴﺘﺒﻌِ ﺪ ﻋﻴﱢﻨﺘﻨﺎ اﻟﺸﺒﺎبَ ﻋﲆ ﻧﺤﻮ ﻏري ﻣﺘﻜﺎﻓﺊ؟‬ ‫ٍ‬ ‫ﻣﺸﻮﱠﻫﺔ‬
‫ﻣﻌﺮﻓﺔ ﻣﺎ إذا اﻧﺴﺤﺐ ﻣﺮﴇ ﻣﻦ اﻟﺘﺠﺎرب اﻟﴪﻳﺮﻳﺔ‪ ،‬وﻣﺎ إذا‬ ‫ِ‬ ‫وﺑﺎملﺜﻞ‪ ،‬ﻓﺈﻧﻨﺎ ﺑﺤﺎﺟﺔ إﱃ‬
‫ً‬
‫ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت ﻣُﺤﺪﱠﺛﺔ أم ﻻ‪ .‬وﻧﺤﺘﺎج إﱃ ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎﻧﺖ أداة اﻟﻘﻴﺎس ﻣﻮﺛﻮﻗﺎ ﺑﻬﺎ‬
‫أم ﻻ‪ ،‬أو ﻫﻞ ﻛﺎﻧﺖ ﻟﺪﻳﻬﺎ ﻗﻴﻤﺔ ﻗﺼﻮى ﺗُﺴﺠﱠ ﻞ ﻋﻨﺪﻣﺎ ﺗﻜﻮن اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﻣﺮﺗﻔِ ﻌﺔ ﻋﲆ‬
‫ﻧﺤﻮ ﻣﻔﺮط‪ .‬ﻫﻞ ﻟﻨﺎ أن ﻧﻔﱰض أن ﻣﻌﺪل اﻟﻨﺒﺾ اﻟﺬي ﺳﺠﱠ ﻠﺘْﻪ املﻤﺮﺿﺔ دﻗﻴﻖ أم إﻧﻪ ﻗِ ﻴﻤﺔ‬
‫ﺗﻘﺮﻳﺒﻴﺔ ﻓﺤﺴﺐ؟ ﺛﻤﺔ ﻋﺪد ﻻ ﺣﴫ ﻟﻪ ﻣﻦ ﻣﺜﻞ ﻫﺬه اﻷﺳﺌﻠﺔ ﻳﻤﻜﻦ ﻃﺮﺣﻪ‪ ،‬وﻧﺤﺘﺎج إﱃ‬
‫أن ﻧﻜﻮن ﻣﺘﻨﺒﱢﻬني ﻟﺘﻠﻚ اﻷﺳﺌﻠﺔ اﻟﺘﻲ ﻳﻤﻜﻦ أن ﺗﺆﺛﱢﺮ ﻋﲆ اﻟﻨﺘﺎﺋﺞ اﻟﺘﻲ ﻧﺴﺘﺨﻠﺼﻬﺎ‪ .‬وإذا ﻟﻢ‬
‫آﻧﻔﺎ ﻣﴩوﻋﺔ ﺗﻤﺎﻣً ﺎ‪.‬‬ ‫ﻧﻔﻌﻞ ذﻟﻚ‪ ،‬ﻓﺴﺘﺼﺒﺢ اﻟﺸﻜﻮك ﻣﻦ اﻟﻨﻮع املﺬﻛﻮر ً‬
‫ﺗﺘﻤﺜﱠﻞ إﺣﺪى ﻃﺮق اﻟﻨﻈﺮ إﱃ اﻟﺒﻴﺎﻧﺎت ﰲ اﻋﺘﺒﺎرﻫﺎ »أدﻟﺔ«؛ ﻓﺒﺪون ﺑﻴﺎﻧﺎت‪ ،‬ﺗﺼﺒﺢ‬
‫ً‬
‫أﺳﺎﺳﻴﺔ ﺗﺮﺑﻂ‬ ‫ً‬
‫ﻣﻌﺮﻓﺔ‬ ‫وﺗﻮﻓﺮ اﻟﺒﻴﺎﻧﺎت‬‫ﱢ‬ ‫أﻓﻜﺎرﻧﺎ وﻧﻈﺮﻳﺎﺗﻨﺎ ﺣﻴﺎل اﻟﻌﺎﻟﻢ ﻣﺤﺾ ﺗﻜﻬﻨﺎت‪.‬‬
‫أﻓﻜﺎرﻧﺎ وﻧﻈﺮﻳﺎﺗﻨﺎ ﺑﺎﻟﻮاﻗﻊ‪ ،‬وﺗﺴﻤﺢ ﻟﻨﺎ ﺑﺎﻟﺘﺤﻘﻖ ﻣﻦ ﺻﺤﺔ ﻓﻬﻤﻨﺎ واﺧﺘﺒﺎره‪ .‬ﺑﻌﺪ ذﻟﻚ‬
‫ﺗُﺴﺘﺨﺪَم اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ ملﻘﺎرﻧﺔ اﻟﺒﻴﺎﻧﺎت ﻣﻊ أﻓﻜﺎرﻧﺎ وﻧﻈﺮﻳﺎﺗﻨﺎ‪ ،‬ﻟﻨﺮى ﻣﺪى ﺗﻮاﻓﻖ‬
‫ﺑﻌﻀﻬﺎ ﻣﻊ ﺑﻌﺾ‪ .‬وﺳﻮء اﻟﺘﻮاﻓﻖ ﻳﺪﻓﻌﻨﺎ إﱃ اﻟﺘﻔﻜري ﻣﺮة أﺧﺮى وإﻋﺎدة ﺗﻘﻴﻴﻢ أﻓﻜﺎرﻧﺎ‬
‫وإﻋﺎدة ﺻﻴﺎﻏﺘﻬﺎ ﻟﻜﻲ ﺗﺘﻄﺎﺑﻖ ﻋﲆ ﻧﺤﻮ أﻓﻀﻞ ﻣﻊ اﻟﻮاﻗﻊ املﺮﺻﻮد‪ .‬وﻟﻜﻦ رﺑﻤﺎ ﻳﺠﺪر وﺿﻊ‬
‫أﻳﻀﺎ أن ﻳﻜﻮن ﻧﺎﺗﺠً ﺎ ﻋﻦ ﺳﻮء ﺟﻮدة‬ ‫ﻣﻼﺣﻈﺔ ﺗﺤﺬﻳﺮﻳﺔ ﻫﻨﺎ؛ وﻫﻲ أن ﺳﻮء اﻟﺘﻮاﻓﻖ ﻳﻤﻜﻦ ً‬
‫اﻟﺒﻴﺎﻧﺎت‪ .‬ﻳﺠﺐ أن ﻧﻜﻮن ﻣﻨﺘﺒﻬني ﻟﻬﺬا اﻻﺣﺘﻤﺎل؛ ﻓﺮﺑﻤﺎ ﺗﻜﻮن ﻧﻈﺮﻳﺎﺗﻨﺎ ﺳﻠﻴﻤﺔ وﻟﻜﻦ ﻗﺪ‬
‫ﺑﻄﺮﻳﻘﺔ ﻣﺎ‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻓﺎﻟﺘﻄﺎﺑﻖ اﻟﺠﻴﺪ ﺑني اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة‬ ‫ٍ‬ ‫ﺗﻜﻮن أدوات اﻟﻘﻴﺎس ﻣَ ً‬
‫ﻌﻴﺒﺔ‬
‫وﻣﺎ ﺗﻘﻮﻟﻪ ﻧﻈﺮﻳﺎﺗﻨﺎ ﻋﻤﱠ ﺎ ﻳﻨﺒﻐﻲ أن ﺗﻜﻮن ﻋﻠﻴﻪ اﻟﺒﻴﺎﻧﺎت ﻳﺆﻛﺪ ﻋﻤﻮﻣً ﺎ ﻋﲆ أﻧﻨﺎ ﻋﲆ اﻟﻄﺮﻳﻖ‬
‫ﺣﻘﻴﻘﺔ ﻣﺎ ﻳﺠﺮي‪.‬‬‫َ‬ ‫اﻟﺼﺤﻴﺢ‪ .‬وذﻟﻚ ﻳﺆﻛﺪ ﻋﲆ أن أﻓﻜﺎرﻧﺎ ﺗﻌﻜﺲ ٍّ‬
‫ﺣﻘﺎ‬
‫ﻳﺴﺘﺘﺒﻊ ذﻟﻚ ﺿﻤﻨًﺎ أﻧﻪ ﻟﻜﻲ ﺗﻜﻮن أﻓﻜﺎرﻧﺎ وﻧﻈﺮﻳﺎﺗﻨﺎ ذات ﻣﻐ ًﺰى‪ ،‬ﻳﺠﺐ أن ﺗُﺴﻔِ ﺮ ﻋﻦ‬
‫ﺨﱪﻧﺎ اﻟﻨﻈﺮﻳﺎت ﺑﻤﺎ ﻳﻨﺒﻐﻲ‬ ‫ﺗﻮﻗﻌﺎت ﻳﻤﻜﻦ ﻣﻘﺎرﻧﺘﻬﺎ ﻣﻊ اﻟﺒﻴﺎﻧﺎت املﻮﺟﻮدة ﻟﺪﻳﻨﺎ‪ .‬ﻓﺈذا ﻟﻢ ﺗُ ِ‬
‫أن ﻧﺘﻮﻗﻊ ﻣﻼﺣﻈﺘﻪ‪ ،‬أو إذا ﻛﺎﻧﺖ اﻟﺘﻮﻗﻌﺎت ﻋﺎﻣﺔ ﻟﻠﻐﺎﻳﺔ ﺑﺤﻴﺚ إن أي ﺑﻴﺎﻧﺎت ﺳﻮف ﺗﺘﻮاﻓﻖ‬
‫ﻣﻊ ﻧﻈﺮﻳﺎﺗﻨﺎ‪ ،‬ﻓﺈﻧﻬﺎ ﻟﻦ ﺗﻜﻮن ذات ﻓﺎﺋﺪة ﻛﺒرية؛ ﻓﺄي ﺑﻴﺎﻧﺎت ﺳﺘﺘﻮاﻓﻖ ﻣﻌﻬﺎ‪ .‬وﻗﺪ اﻧﺘُﻘﺪ‬
‫اﻟﺘﺤﻠﻴﻞ اﻟﻨﻔﴘ واﻟﺘﻨﺠﻴﻢ ﻋﲆ ﻫﺬه اﻷﺳﺲ‪.‬‬
‫ﱠ‬
‫ﻛﻤﺎ ﺗﺴﻤﺢ اﻟﺒﻴﺎﻧﺎت ﻟﻨﺎ ﺑﺘﺤﺴﺲ ﻃﺮﻳﻘﻨﺎ ﻋﱪ اﻟﻌﺎﻟﻢ املﻌﻘﺪ؛ ﺑﺎﺗﺨﺎذ ﻗﺮارات ﺣﻮل‬
‫أﻓﻀﻞ اﻹﺟﺮاءات اﻟﺘﻲ ﻳﺠﺐ اﻟﻘﻴﺎم ﺑﻬﺎ؛ ﻓﻨﺤﻦ ﻧﺄﺧﺬ ﻗﻴﺎﺳﺎﺗﻨﺎ‪ ،‬وﻧﺤﺴﺐ املﺠﺎﻣﻴﻊ اﻟﻜﻠﻴﺔ‪،‬‬

‫‪16‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎن‬

‫وﻧﺴﺘﺨﺪم اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ ﻻﺳﺘﺨﺮاج املﻌﻠﻮﻣﺎت ﻣﻦ ﻫﺬه اﻟﺒﻴﺎﻧﺎت ﻟﻮﺻﻒ اﻟﻜﻴﻔﻴﺔ‬

‫اﻟﺘﻲ ﻳﺴري ﺑﻬﺎ اﻟﻌﺎﻟﻢ وﻣﺎ ﻋﻠﻴﻨﺎ أن ﻧﻔﻌﻞ ﻟﺠﻌﻠﻪ ﻳﺴري ﻋﲆ اﻟﻨﺤﻮ اﻟﺬي ﻧﺮﻳﺪ‪ .‬وﻫﺬه‬
‫املﺒﺎدئ ﺗﻮﺿﺤﻬﺎ أﺷﻴﺎء ﻣﺜﻞ اﻟﻄﻴﺎر اﻵﱄ ﰲ اﻟﻄﺎﺋﺮة‪ ،‬وأﻧﻈﻤﺔ املِ ﻼﺣﺔ ﺑﺎﻷﻗﻤﺎر اﻟﺼﻨﺎﻋﻴﺔ‬
‫ﰲ اﻟﺴﻴﺎرات‪ ،‬واملﺆﴍات اﻻﻗﺘﺼﺎدﻳﺔ ﻣﺜﻞ ﻣﻌﺪل اﻟﺘﻀﺨﻢ واﻟﻨﺎﺗﺞ املﺤﲇ اﻹﺟﻤﺎﱄ‪ ،‬وﻣﺮاﻗﺒﺔ‬
‫املﺮﴇ ﰲ وﺣﺪات اﻟﻌﻨﺎﻳﺔ املﺮﻛﺰة‪ ،‬وﺗﻘﻴﻴﻢ اﻟﺴﻴﺎﺳﺎت اﻻﺟﺘﻤﺎﻋﻴﺔ املﻌﻘﺪة‪.‬‬
‫وﻧﻈ ًﺮا ﻟﻠﺪور اﻷﺳﺎﳼ اﻟﺬي ﺗﻠﻌﺒﻪ اﻟﺒﻴﺎﻧﺎت ﺑﻮﺻﻔﻬﺎ اﻟﺮاﺑﻂ ﺑني ﻣﻼﺣﻈﺎﺗﻨﺎ ﻟﻠﻌﺎﻟﻢ ﻣﻦ‬
‫ﻒ اﻟﺒﻴﺎﻧﺎت —‬‫ﺣﻮﻟﻨﺎ وﺑني أﻓﻜﺎرﻧﺎ وﻓﻬﻤﻨﺎ ﻟﻬﺬا اﻟﻌﺎﻟﻢ‪ ،‬ﻓﺈﻧﻪ ﻟﻴﺲ ﻣﻦ َﻗ ِﺒﻴﻞ املﺒﺎﻟﻐﺔ أن ﻧ َ ِﺼ َ‬
‫وﺗﻜﻨﻮﻟﻮﺟﻴﺎ اﺳﺘﺨﺮاج املﻌﻨﻰ ﻣﻨﻬﺎ — ﺑﺎﻋﺘﺒﺎرﻫﺎ ﺣﺠﺮ اﻷﺳﺎس ﻟﻠﺤﻀﺎرة اﻟﺤﺪﻳﺜﺔ‪ .‬وﻫﺬا‬
‫اﺳﺘﺨﺪﻣﺖ اﻟﻌﻨﻮان اﻟﻔﺮﻋﻲ »ﻛﻴﻒ ﺗﺘﺤﻜﻢ اﻟﺒﻴﺎﻧﺎت ﰲ ﻋﺎملﻨﺎ؟« ﻟﻜﺘﺎﺑﻲ‬ ‫ُ‬ ‫ﻫﻮ اﻟﺴﺒﺐ ﰲ أﻧﻨﻲ‬
‫»ﺗﻮﻟﻴﺪ املﻌﻠﻮﻣﺎت« )اﻧﻈﺮ ﻗﺴﻢ اﻟﻘﺮاءات اﻹﺿﺎﻓﻴﺔ(‪.‬‬

‫)‪ (5‬ﻋﻠﻢ اﻹﺣﺼﺎء اﻷﻋﻈﻢ‬

‫ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أن ﺟﺬور ﻣﺠﺎل اﻹﺣﺼﺎء ﻳﻤﻜﻦ ﺗﺘﺒﻌﻬﺎ ﻟﺰﻣﻦ ﺑﻌﻴﺪ ﻟﻠﻐﺎﻳﺔ‪ ،‬ﻓﺈن ﻣﺠﺎل اﻹﺣﺼﺎء‬
‫ﻧﻔﺴﻪ ﰲ اﻟﺤﻘﻴﻘﺔ ﻳﺒﻠﻎ ﻣﻦ اﻟﻌﻤﺮ ﺑﻀﻌﺔ ﻗﺮون ﻓﺤﺴﺐ‪ .‬ﺗﺄﺳﺴﺖ اﻟﺠﻤﻌﻴﺔ اﻹﺣﺼﺎﺋﻴﺔ املﻠﻜﻴﺔ‬
‫ﰲ ﻋﺎم ‪ ،١٨٣٤‬واﻟﺠﻤﻌﻴﺔ اﻹﺣﺼﺎﺋﻴﺔ اﻷﻣﺮﻳﻜﻴﺔ ﰲ ﻋﺎم ‪ ،١٨٣٩‬ﰲ ﺣني أﻧﻪ ﻟﻢ ﻳُﻨﺸﺄ ﻗﺴﻢ‬
‫ﻟﻺﺣﺼﺎء ﰲ أي ﺟﺎﻣﻌﺔ ﰲ اﻟﻌﺎﻟﻢ ﺣﺘﻰ ﻋﺎم ‪ ،١٩١١‬ﺣني ﺣﺪث ذﻟﻚ ﰲ ﻳﻮﻧﻴﻔﺮﺳﻴﺘﻲ ﻛﻮﻟﻴﺪج‬
‫ﰲ ﻟﻨﺪن‪ .‬ﺗﻀﻤﻦ ﻣﺠﺎل اﻹﺣﺼﺎء املﺒﻜﺮ ﻋﺪة ﻓﺮوع‪ ،‬ﺗﺠﻤﱠ ﻌَ ﺖ ﰲ ﻧﻬﺎﻳﺔ املﻄﺎف ﻟﺘﺼﺒﺢ ﻋﻠﻢ‬
‫اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ .‬ﺗَﻤﺜﱠﻞ أﺣﺪ ﻫﺬه اﻟﻔﺮوع ﰲ ﻓﻬﻢ اﻻﺣﺘﻤﺎﻻت‪ ،‬وﻫﻮ أﻣﺮ ﻳﻌﻮد ﺗﺎرﻳﺨﻪ إﱃ‬
‫آﺧﺮ ﰲ‬‫ﻣﻨﺘﺼﻒ اﻟﻘﺮن اﻟﺴﺎﺑﻊ ﻋﴩ‪ ،‬وﻧﺒﻊ ﺟﺰﺋﻴٍّﺎ ﻣﻦ اﻷﺳﺌﻠﺔ املﺘﻌ ﱢﻠﻘﺔ ﺑﺎملﻘﺎﻣﺮة‪ .‬وﺗَﻤﺜﱠﻞ َ‬
‫إدراك أن اﻟﻘﻴﺎﺳﺎت ﻧﺎد ًرا ﻣﺎ ﺗﻜﻮن ﺧﺎﻟﻴﺔ ﻣﻦ اﻷﺧﻄﺎء‪ ،‬وﻟﺬﻟﻚ وُﺟﺪت ﺣﺎﺟﺔ إﱃ ﺑﻌﺾ‬
‫ً‬
‫ﺧﺼﻮﺻﺎ‬ ‫اﻟﺘﺤﻠﻴﻞ ﻻﺳﺘﺨﺮاج ﻣﻌﻨًﻰ ﻣﻌﻘﻮل ﻣﻨﻬﺎ‪ .‬وﰲ اﻟﺴﻨﻮات اﻷوﱃ‪ ،‬ﻛﺎن ﻫﺬا ﻣﻬﻤٍّ ﺎ‪،‬‬
‫ﰲ ﻋﻠﻢ اﻟﻔﻠﻚ‪ .‬وﻟﻜﻦ ﻛﺎن ﻳﻮﺟﺪ ﻓﺮع آﺧﺮ وﻫﻮ اﻻﺳﺘﺨﺪام اﻟﺘﺪرﻳﺠﻲ ﻟﻠﺒﻴﺎﻧﺎت اﻹﺣﺼﺎﺋﻴﺔ‬
‫ﻟﺘﻤﻜني اﻟﺤﻜﻮﻣﺎت ﻣﻦ إدارة ﺑﻠﺪاﻧﻬﺎ‪ .‬وﰲ اﻟﻮاﻗﻊ‪ ،‬ﻫﺬا اﻻﺳﺘﺨﺪام ﻫﻮ اﻟﺬي أدﱠى إﱃ ﻇﻬﻮر‬
‫ﻛﻠﻤﺔ ‪ Statistics‬ﺑﻤﻌﻨﻰ »إﺣﺼﺎﺋﻴﺎت«؛ ﻓﻬﻲ ﺑﻴﺎﻧﺎت ﻋﻦ اﻟﺪوﻟﺔ ‪ .State‬وﺗﻤﺘﻠﻚ ﻛﻞ اﻟﺪول‬
‫املﺘﻘﺪﻣﺔ اﻵن ﻣﻜﺎﺗﺐ إﺣﺼﺎء وﻃﻨﻴﺔ ﺧﺎﺻﺔ ﺑﻬﺎ‪.‬‬
‫ﻣ ﱠﺮ ﻋﻠﻢ اﻹﺣﺼﺎء‪ ،‬ﺧﻼل ﺗﻄﻮره‪ ،‬ﺑﻌﺪة ﻣﺮاﺣﻞ‪ .‬ﺗﻤﻴﱠﺰت املﺮﺣﻠﺔ اﻷوﱃ — اﻟﺘﻲ اﻣﺘﺪﱠت‬
‫ﺣﺘﻰ ﻧﻬﺎﻳﺔ اﻟﻘﺮن اﻟﺘﺎﺳﻊ ﻋﴩ ﺗﻘﺮﻳﺒًﺎ — ﺑﺎﻻﺳﺘﻜﺸﺎﻓﺎت اﻟﻌﺸﻮاﺋﻴﺔ ﻟﻠﺒﻴﺎﻧﺎت‪ .‬ﺛﻢ ﺷﻬﺪ‬
‫اﻟﻨﺼﻒ اﻷول ﻣﻦ اﻟﻘﺮن اﻟﻌﴩﻳﻦ اﻛﺘﺴﺎب اﻹﺣﺼﺎء ﻟﻠﺼﺒﻐﺔ اﻟﺮﻳﺎﺿﻴﺔ‪ ،‬ﻟﺪرﺟﺔ أن اﻟﻜﺜريﻳﻦ‬

‫‪17‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫رأَوْﻫﺎ ﻓﺮﻋً ﺎ ﻣﻦ اﻟﺮﻳﺎﺿﻴﺎت )إﻧﻬﺎ ﺗﺘﻌﺎﻣﻞ ﻣﻊ اﻷرﻗﺎم‪ ،‬أﻟﻴﺲ ﻛﺬﻟﻚ؟( وﺑﺎﻟﻔﻌﻞ‪ ،‬ﻻ ﻳﺰال‬
‫اﻹﺣﺼﺎﺋﻴﻮن ﰲ اﻟﺠﺎﻣﻌﺔ ﻏﺎﻟﺒًﺎ ﻣﺎ ﻳﺪرﺳﻮن اﻹﺣﺼﺎء داﺧﻞ أﻗﺴﺎم اﻟﺮﻳﺎﺿﻴﺎت‪َ .‬ﺷ ِﻬﺪ اﻟﻨﺼﻒ‬
‫اﻟﺜﺎﻧﻲ ﻣﻦ اﻟﻘﺮن اﻟﻌﴩﻳﻦ ﻇﻬﻮر اﻟﻜﻤﺒﻴﻮﺗﺮ‪ ،‬وﻛﺎن ﻫﺬا اﻟﺘﻐﻴري ﻫﻮ اﻟﺬي ارﺗَ َﻘﻰ ﺑﺎﻹﺣﺼﺎء‬
‫ﻋﻤﻼ ﺻﻌﺒًﺎ إﱃ ﻋﻤﻞ ﻣُﻤْ ﺘِﻊ؛ ﻓﻘﺪ أزال اﻟﻜﻤﺒﻴﻮﺗﺮ اﻟﺤﺎﺟﺔ ﻻﻣﺘﻼك ﻣﻤﺎرﳼ اﻹﺣﺼﺎء‬ ‫ﻣﻦ ﻛﻮﻧﻬﺎ ً‬
‫ملﻬﺎرات ﺣﺴﺎﺑﻴﺔ ﺧﺎﺻﺔ‪ ،‬ﻓﻠﻢ ﻳﻌﻮدوا ﺑﺤﺎﺟﺔ ﻟﻘﻀﺎء ﺳﺎﻋﺎت ﻃﻮﻳﻠﺔ ﰲ ﻣﻌﺎﻟﺠﺔ اﻷرﻗﺎم‪.‬‬
‫وﻫﺬا ﻣﻤﺎﺛﻞ ﻟﻠﺘﻐﻴري ﻣﻦ اﻟﺤﺎﺟﺔ إﱃ املﴚ إﱃ ﻛﻞ ﻣﻜﺎن ﻟﻠﻘﺪرة ﻋﲆ ﻗﻴﺎدة اﻟﺴﻴﺎرة؛ ﻓﺎﻟﺮﺣﻼت‬
‫أﺻﺒﺤﺖ اﻵن ﺗﺴﺘﻐﺮق دﻗﺎﺋﻖ‪ ،‬واﻟﺮﺣﻼت اﻟﺘﻲ ﻛﺎﻧﺖ‬ ‫ِ‬ ‫اﻟﺘﻲ ﻛﺎﻧﺖ ﺗﺴﺘﻐﺮق ﰲ اﻟﺴﺎﺑﻖ أﻳﺎﻣً ﺎ‬
‫ﻃﻮﻳﻠﺔ ﻟﻠﻐﺎﻳﺔ ﻟﺪرﺟﺔ ﺗﻤﻨَﻊ اﻟﺘﻔﻜري ﻓﻴﻬﺎ أﺻﺒﺤﺖ اﻵن ﻣﻤﻜﻨﺔ‪.‬‬
‫أﻳﻀﺎ ﻇﻬﻮر ﻣﺪارس أﺧﺮى ﻟﺘﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت‪،‬‬ ‫ﺷﻬﺪ اﻟﻨﺼﻒ اﻟﺜﺎﻧﻲ ﻣﻦ اﻟﻘﺮن اﻟﻌﴩﻳﻦ ً‬
‫وﻟﻜﻦ ملﺠﺎﻻت أﺧﺮى‪ ،‬ﺧﺎﺻﺔ ﻋﻠﻮم اﻟﻜﻤﺒﻴﻮﺗﺮ‪.‬‬ ‫ْ‬ ‫ﻻ ﺗﻌﻮد أﺻﻮﻟﻬﺎ ﻟﻌﻠﻢ اﻹﺣﺼﺎء اﻟﻜﻼﺳﻴﻜﻲ‬
‫وﺗﺸﻤﻞ ﻫﺬه املﺪارس اﻟﺘﻌﻠﻢ اﻵﱄ واﻟﺘﻌﺮف ﻋﲆ اﻷﻧﻤﺎط واﻟﺘﻨﻘﻴﺐ ﻋﻦ اﻟﺒﻴﺎﻧﺎت‪ .‬وﺑﻴﻨﻤﺎ‬
‫ﺗﻄﻮرت ﻫﺬه اﻟﺘﺨﺼﺼﺎت اﻷﺧﺮى‪ ،‬ﻛﺎﻧﺖ ﺗﺤﺪث ﰲ ﺑﻌﺾ اﻷﺣﻴﺎن ﺗﻮﺗﺮات ﺑني ﻫﺬه املﺪارس‬
‫املﺨﺘﻠﻔﺔ واﻹﺣﺼﺎء‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻓﺎﻟﺤﻘﻴﻘﺔ ﻫﻲ أن وﺟﻬﺎت اﻟﻨﻈﺮ املﺘﻔﺎوﺗﺔ اﻟﺘﻲ ﺗﻘﺪﱢﻣﻬﺎ ﻫﺬه‬
‫املﺪارس املﺨﺘﻠﻔﺔ ﺳﺎﻫﻤﺖ ﺟﻤﻴﻌﻬﺎ ﺑﴚء ﰲ ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت‪ ،‬إﱃ ﺣ ﱢﺪ أن اﻹﺣﺼﺎﺋﻴني اﻟﺠﺪد‬
‫ﺗﻮﻓﺮﻫﺎ ﺟﻤﻴﻊ ﻫﺬه املﺠﺎﻻت‪ .‬وﺳﺄذﻛﺮ‬ ‫ﰲ اﻟﻮﻗﺖ اﻟﺤﺎﱄ ﻳﺨﺘﺎرون ﺑﺤُ ﺮﻳﺔ ﻣﻦ اﻷدوات اﻟﺘﻲ ﱢ‬
‫ﺑﻌﺾ ﻫﺬه اﻷدوات ﰲ وﻗﺖ ﻻﺣﻖ‪ .‬ﺑﻮﺿﻊ ﻫﺬا ﰲ اﻻﻋﺘﺒﺎر‪ ،‬ﺳﻮف أﺗﺒﻨﱠﻰ ﰲ ﻫﺬا اﻟﻜﺘﺎب‬
‫ﺗﻌﺮﻳﻔﺎ واﺳﻌً ﺎ ﻟﻺﺣﺼﺎء‪ ،‬ﻣﻬﺘﺪﻳًﺎ ﺑﺘﻌﺮﻳﻒ »ﻋﻠﻢ اﻹﺣﺼﺎء اﻷﻋﻈﻢ« اﻟﺬي ﻗﺪﱠﻣﻪ اﻹﺣﺼﺎﺋﻲ‬ ‫ً‬
‫اﻟﺒﺎرز ﺟﻮن ﺗﺸﺎﻣﱪز‪ ،‬اﻟﺬي ﻗﺎل‪» :‬ﻳﻤﻜﻦ ﺗﻌﺮﻳﻒ ﻋﻠﻢ اﻹﺣﺼﺎء اﻷﻋﻈﻢ ﺑﺒﺴﺎﻃﺔ — ْ‬
‫وإن‬
‫ﻛﺎن ﻋﲆ ﻧﺤﻮ ﻏري ﻣُﺤ َﻜﻢ — ﺑﺄﻧﻪ ﻛﻞ ﻣﺎ ﻳﺘﻌﻠﻖ »ﺑﺎﻟﺘﻌﻠﻢ ﻣﻦ اﻟﺒﻴﺎﻧﺎت«‪ ،‬ﻣﻦ اﻟﺘﺨﻄﻴﻂ أو‬
‫وﺿﻊ ﺣﺪود ﺑني ﺗﺨﺼﺼﺎت‬ ‫اﻟﺠﻤﻊ اﻷول ﺣﺘﻰ اﻟﻌﺮض أو اﻟﺘﻘﺮﻳﺮ اﻷﺧري‪ «.‬أﻣﺎ ﻣﺤﺎوﻟﺔ ْ‬
‫ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت املﺨﺘﻠﻔﺔ‪ ،‬ﻓﻬﻲ ﻋﻤﻠﻴﺔ ﻏري ﻣُﺠﺪِﻳﺔ وﻻ ﻃﺎﺋﻞ ﻣﻦ وراﺋﻬﺎ‪.‬‬
‫إذن‪ ،‬ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ ﻻ ﻳَﺪُور ﺣﻮل اﻟﺤﺴﺎب‪ ،‬وإﻧﻤﺎ ﻳﺪور ﺣﻮل »اﻻﺳﺘﻘﺼﺎء«‪،‬‬
‫ﻒ ﻋﻠﻢ اﻹﺣﺼﺎء ﺑﺄﻧﻪ »ﺗﻄﺒﻴﻖ اﻷﺳﻠﻮب اﻟﻌﻠﻤﻲ«‪ .‬وﻣﻊ أﻧﻨﺎ ﻣﺎ زﻟﻨﺎ ﻧﺠﺪ‬ ‫َﺻ َ‬
‫ﺑﻞ إن اﻟﺒﻌﺾ و َ‬
‫اﻧﻄﻼﻗﺎ ﻣﻦ أﻗﺴﺎم اﻟﺮﻳﺎﺿﻴﺎت ﰲ‬‫ً‬ ‫ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎن أن اﻟﻌﺪﻳﺪ ﻣﻦ اﻹﺣﺼﺎﺋﻴني ﻳﻌﻤﻠﻮن‬
‫أﻳﻀﺎ ﰲ ﻛﻠﻴﺎت اﻟﻄﺐ وأﻗﺴﺎم اﻟﻌﻠﻮم اﻻﺟﺘﻤﺎﻋﻴﺔ‪،‬‬ ‫أﴍت ً‬
‫آﻧﻔﺎ‪ ،‬ﻓﺈﻧﻨﺎ ﻧ َ ِﺠﺪﻫﻢ ً‬ ‫ُ‬ ‫اﻟﺠﺎﻣﻌﺎت ﻛﻤﺎ‬
‫ﺑﻤﺎ ﰲ ذﻟﻚ اﻻﻗﺘﺼﺎد واﻟﻌﺪﻳﺪ ﻣﻦ اﻷﻗﺴﺎم اﻷﺧﺮى اﻟﺘﻲ ﺗﱰاوح ﺑني اﻟﻬﻨﺪﺳﺔ إﱃ ﻋﻠﻢ اﻟﻨﻔﺲ‪.‬‬
‫وﰲ ﺧﺎرج اﻟﺠﺎﻣﻌﺎت‪ ،‬ﺗﻌﻤﻞ أﻋﺪاد ﻛﺒرية ﰲ اﻟﺤﻜﻮﻣﺔ واﻟﺼﻨﺎﻋﺔ‪ ،‬وﰲ اﻟﻘﻄﺎع اﻟﺪواﺋﻲ‪،‬‬
‫واﻟﺘﺴﻮﻳﻖ‪ ،‬واﻻﺗﺼﺎﻻت‪ ،‬واﻟﺨﺪﻣﺎت املﴫﻓﻴﺔ‪ ،‬وﻣﺠﻤﻮﻋﺔ ﻛﺒرية ﻣﻦ املﺠﺎﻻت اﻷﺧﺮى‪ ،‬ﻓﺠﻤﻴﻊ‬

‫‪18‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎن‬

‫ا ُملﺪﻳﺮﻳﻦ ﻳﻌﺘﻤﺪون ﻋﲆ املﻬﺎرات اﻹﺣﺼﺎﺋﻴﺔ ملﺴﺎﻋﺪﺗﻬﻢ ﰲ ﺗﻔﺴري اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗَ ِﺼﻒ‬

‫أﻗﺴﺎﻣﻬﻢ وﴍﻛﺎﺗﻬﻢ وإﻧﺘﺎﺟﻬﻢ واملﻮﻇﻔني وﻣﺎ إﱃ ذﻟﻚ‪ .‬ﻻ ﻳﺴﺘﺨﺪم ﻫﺆﻻء اﻷﺷﺨﺎص‬
‫اﻟﺮﻣﻮز واﻟﺼﻴﻎ اﻟﺮﻳﺎﺿﻴﺔ‪ ،‬وﻟﻜﻦ ﻳﺴﺘﺨﺪﻣﻮن اﻷدوات واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ ﻻﻛﺘﺴﺎب‬
‫املﻌﺮﻓﺔ واﻟﻔﻬﻢ ﻣﻦ اﻷدﻟﺔ؛ أي اﻟﺒﻴﺎﻧﺎت‪ .‬وﻟﻠﻘﻴﺎم ﺑﺬﻟﻚ‪ ،‬ﻓﺈﻧﻬﻢ ﻳﺤﺘﺎﺟﻮن إﱃ دراﺳﺔ ﻣﺠﻤﻮﻋﺔ‬
‫واﺳﻌﺔ ﻣﻦ اﻷﻣﻮر ﻏري اﻟﺮﻳﺎﺿﻴﺔ ﰲ ﺟﻮﻫﺮﻫﺎ؛ ﻣﺜﻞ ﺟﻮدة اﻟﺒﻴﺎﻧﺎت‪ ،‬وﺷﻜﻠﻬﺎ وﻛﻴﻔﻴﺔ ﺟﻤﻌﻬﺎ‪،‬‬
‫وﺗﺤﺪﻳﺪ املﺸﻜﻠﺔ‪ ،‬وﺗﺤﺪﻳﺪ اﻟﻬﺪف اﻷﻛﱪ ﻟﻠﺘﺤﻠﻴﻞ )اﻟﻔﻬﻢ واﻟﺘﻨﺒﺆ واﻟﻘﺮار‪ ،‬وﻣﺎ إﱃ ذﻟﻚ(‪ ،‬ﻣﻊ‬
‫ﺗﺤﺪﻳﺪ ﻣﻘﺪار ﻋﺪم اﻟﻴﻘني املﺮﺗﺒﻂ ﺑﺎﻟﻨﺘﺎﺋﺞ‪ ،‬وﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﻣﻮر اﻷﺧﺮى‪.‬‬
‫ﻛﻤﺎ آﻣﻞ أن ﻳﻜﻮن ﻗﺪ اﺗﻀﺢ ﻣﻤﺎ ﺳﺒﻖ‪ ،‬ﻓﺈن ﻋﻠﻢ اﻹﺣﺼﺎء ﱢ‬
‫ﻛﲇ ﱡ اﻟﻮﺟﻮد؛ إذ ﻳﺘﺨﻠﻞ ﺟﻤﻴﻊ‬
‫ﻃﺒﻘﺖ‬‫ﻣﻨﺎﺣﻲ اﻟﺤﻴﺎة‪ .‬وﻗﺪ ﻛﺎن ﻟﺬﻟﻚ ﺗﺄﺛري ﻣﺘﺒﺎدَل ﻋﲆ ﺗﻄﻮر ﻋﻠﻢ اﻹﺣﺼﺎء ﻧﻔﺴﻪ؛ ﻓﺒﻴﻨﻤﺎ ُ‬
‫اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ ﰲ ﻣﺠﺎﻻت ﺟﺪﻳﺪة‪ ،‬أدت املﺸﺎﻛﻞ واملﺘﻄﻠﺒﺎت واﻟﺨﺼﺎﺋﺺ املﻌﻴﻨﺔ ﻟﺘﻠﻚ‬
‫ﻃﻮرت ﻫﺬه‬ ‫املﺠﺎﻻت إﱃ ﺗﻄﻮﻳﺮ أﺳﺎﻟﻴﺐ وأدوات إﺣﺼﺎﺋﻴﺔ ﺟﺪﻳﺪة‪ .‬وﺑﻌﺪ ذﻟﻚ‪ ،‬ﺑﻤﺠﺮد أن ُ‬
‫اﻷﺳﺎﻟﻴﺐ واﻷدوات اﻟﺠﺪﻳﺪة‪ ،‬اﻧﺘﴩت ووﺟﺪت ﺗﻄﺒﻴﻘﺎت ﻟﻬﺎ ﰲ ﻣﺠﺎﻻت أﺧﺮى‪.‬‬

‫)‪ (6‬ﺑﻌﺾ اﻷﻣﺜﻠﺔ‬

‫ﻣﺜﺎل ‪َ :١‬ﻓ ْﻠﱰة اﻟﱪﻳﺪ املﺰﻋﺞ‬

‫»اﻟﱪﻳﺪ املﺰﻋﺞ« ﻫﻮ ﻣﺼﻄﻠﺢ ﻳُﺴﺘﺨﺪم ﻟﻮﺻﻒ رﺳﺎﺋﻞ اﻟﱪﻳﺪ اﻹﻟﻜﱰوﻧﻲ ﻏري املﺮﻏﻮب ﻓﻴﻬﺎ‬
‫ﺮﺳﻠﺔ ﺗﻠﻘﺎﺋﻴٍّﺎ إﱃ اﻟﻌﺪﻳﺪ ﻣﻦ املﺘﺴ ﱢﻠ ِﻤني؛ ﻋﺎد ًة ﻣﺎ ﻳ َِﺼﻞ ﻋﺪدﻫﻢ إﱃ ﻣﻼﻳني املﺘﺴ ﱢﻠ ِﻤني‪ .‬ﻫﺬه‬
‫ا ُمل َ‬
‫اﻟﺮﺳﺎﺋﻞ رﺳﺎﺋﻞ دﻋﺎﺋﻴﺔ‪ ،‬وﻏﺎﻟﺒًﺎ ﻣﺎ ﺗﻜﻮن ﻣُﺰﻋِﺠﺔ‪ ،‬ورﺑﻤﺎ ﺗﻜﻮن واﺟﻬﺎت ُملﺤﺘﺎﻟِني‪ .‬وﻫﻲ‬
‫ﺗﺸﻤﻞ أﺷﻴﺎء ﻣﺜﻞ ﻋﺮوض دﻣﺞ اﻟﺪﻳﻮن‪ ،‬وﺧﻄﻂ اﻟﺜﺮاء اﻟﴪﻳﻊ‪ ،‬واﻷدوﻳﺔ اﻟﺘﻲ ﻻ ﺗُﴫَف إﻻ‬
‫ﺑﻮﺻﻔﺔ ﻃﺒﻴﺔ‪ ،‬وﻧﺼﺎﺋﺢ ﺣﻮل ﺳﻮق اﻷﺳﻬﻢ‪ ،‬وأدوات ﺟﻨﺴﻴﺔ ﻏﺮﻳﺒﺔ‪ .‬واملﺒﺪأ اﻷﺳﺎﳼ ﰲ ﻫﺬه‬
‫راﺳﻠﺖ ﻋﺪدًا ﻛﺎﻓﻴًﺎ ﻣﻦ اﻟﻨﺎس‪ ،‬ﻣﻦ املﺤﺘﻤﻞ أن ﻳُﺼ ِﺒﺢ ﺑﻌﻀﻬﻢ ﻣﻬﺘﻤٍّ ﺎ‬ ‫َ‬ ‫اﻟﺮﺳﺎﺋﻞ ﻫﻮ أﻧﻪ إذا‬
‫ﻃﻠﺐ ﻣﻨﻬﺎ ﻋﲆ وﺟﻪ‬ ‫— أو ﻳﻨﺨﺪع — ﺑﻌﺮﺿﻚ‪ .‬وﻣﺎ ﻟﻢ ﺗﻜﻦ اﻟﺮﺳﺎﺋﻞ آﺗﻴﺔ ﻣﻦ ﻣﻨﻈﻤﺎت ُ‬
‫اﻟﺘﺤﺪﻳﺪ ﻣﻌﻠﻮﻣﺎت‪ ،‬ﻓﺈن ﻣﻌﻈﻤﻬﺎ ﻟﻦ ﻳﻜﻮن ﻣﺜريًا ﻟﻼﻫﺘﻤﺎم‪ ،‬وﻟﻦ ﻳﺮﻏﺐ أﺣﺪ ﰲ ﺗﻀﻴﻴﻊ وﻗﺘﻪ‬
‫ﰲ ﻗﺮاءﺗﻬﺎ وﺣﺬﻓﻬﺎ‪ .‬وﻫﻮ ﻣﺎ ﻳﻘﻮدﻧﺎ إﱃ ﻣﺮﺷﺤﺎت اﻟﱪﻳﺪ املﺰﻋﺞ؛ وﻫﻲ ﺑﺮاﻣﺞ ﺣﺎﺳﻮﺑﻴﺔ‬
‫ﺗﻔﺤﺺ ﺗﻠﻘﺎﺋﻴٍّﺎ رﺳﺎﺋﻞ اﻟﱪﻳﺪ اﻹﻟﻜﱰوﻧﻲ اﻟﻮاردة وﺗﺤﺪد اﻟﺮﺳﺎﺋﻞ اﻟﺘﻲ ﻣﻦ املﺤﺘﻤﻞ أن‬
‫ﺗﻜﻮن ﻏري ﻣﺮﻏﻮب ﻓﻴﻬﺎ‪ .‬وﻳﻤﻜﻦ ﺑﺮﻣﺠﺔ املﺮﺷﺤﺎت ﺑﺤﻴﺚ ﻳَﺤﺬف اﻟﱪﻧﺎﻣﺞ اﻟﺮﺳﺎﺋﻞ ﻏري‬
‫ﻻﺣﻘﺎ‪ ،‬أو ﻳﺘﺨﺬ ﺑﻌﺾ اﻹﺟﺮاءات‬ ‫املﺮﻏﻮب ﻓﻴﻬﺎ ﺗﻠﻘﺎﺋﻴٍّﺎ‪ ،‬أو ﻳﺮﺳﻠﻬﺎ إﱃ ﻣﺠﻠﺪ ﺗﺨﺰﻳﻦ ﻟﻠﻔﺤﺺ ً‬

‫‪19‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻷﺧﺮى املﻨﺎﺳﺒﺔ‪ .‬ﺗﻮﺟﺪ ﺗﻘﺪﻳﺮات ﻣﺨﺘﻠﻔﺔ ﻟﻜﻤﻴﺔ اﻟﱪﻳﺪ املﺰﻋﺞ اﻟﺘﻲ ﺗُﺮﺳﻞ‪ ،‬وﻟﻜﻦ ﰲ وﻗﺖ‬
‫ﻛﺘﺎﺑﺔ ﻫﺬا اﻟﻜﺘﺎب‪ ،‬ﻳُﺸري أﺣﺪ اﻟﺘﻘﺪﻳﺮات إﱃ أﻧﻪ ﺗﺮﺳﻞ أﻛﺜﺮ ﻣﻦ ‪ ٩٠‬ﻣﻠﻴﺎر رﺳﺎﻟﺔ ﻣﻦ اﻟﱪﻳﺪ‬
‫ﻏري املﺮﻏﻮب ﻓﻴﻪ ﻛﻞ ﻳﻮم؛ وﺑﻤﺎ أن ﻫﺬا اﻟﻌﺪد ﻳﺮﺗﻔﻊ ارﺗﻔﺎﻋً ﺎ ﻛﺒريًا ﻛﻞ ﺷﻬﺮ‪ ،‬ﻓﻤﻦ املﺮﺟﺢ‬
‫أن ﻳﻜﻮن أﻛﱪ ﺑﻜﺜري ﰲ وﻗﺖ ﻗﺮاءﺗﻚ ﻟﻬﺬا اﻟﻜﺘﺎب‪.‬‬
‫ﺛﻤﺔ ﺗﻘﻨﻴﺎت ﻋﺪﻳﺪة ملﻨﻊ اﻟﱪﻳﺪ ﻏري املﺮﻏﻮب ﻓﻴﻪ‪ .‬ﺗﺘﺤﻘﻖ ﺑﻌﺾ اﻟﻄﺮق اﻟﺒﺴﻴﻄﺔ ﻟﻠﻐﺎﻳﺔ‬
‫ﻓﺤﺴﺐ ﻣﻦ وﺟﻮد ﻛﻠﻤﺎت أﺳﺎﺳﻴﺔ ﰲ اﻟﺮﺳﺎﻟﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬إذا ﻛﺎﻧﺖ رﺳﺎﻟﺔ ﺗﺘﻀﻤﻦ‬
‫ﻛﻠﻤﺔ ‪» viagra‬ﻓﻴﺎﺟﺮا«‪ ،‬رﺑﻤﺎ ﺗُﺤﻈﺮ‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻓﺈن إﺣﺪى ﺧﺼﺎﺋﺺ رﺻﺪ اﻟﱪﻳﺪ املﺰﻋﺞ‬
‫ﻫﻲ أﻧﻬﺎ ﺗﺸﺒﻪ ﺳﺒﺎق اﻟﺘﺴﻠﺢ؛ ﻓﺒﻤﺠﺮد أن ﻳﺪرك املﺴﺌﻮﻟﻮن ﻋﻦ اﻟﺮﺳﺎﺋﻞ أن رﺳﺎﺋﻠﻬﻢ ﺣُ ﻈﺮت‬
‫ﺑﻄﺮﻳﻘﺔ ﻣﻌﻴﻨﺔ‪ ،‬ﻳﺴﻌَ ﻮْن إﱃ أﺳﺎﻟﻴﺐ ﻟﻼﻟﺘﻔﺎف ﺣﻮل ﻫﺬه اﻟﻄﺮﻳﻘﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ‬
‫ﻳﺘﻌﻤﺪون ﻛﺘﺎﺑﺔ ‪ viagra‬ﻋﲆ ﻧﺤﻮ ﺧﺎﻃﺊ ﰲ ﺻﻮرة ‪ v1agra‬أو‪v-iagra‬؛ ﺑﺤﻴﺚ ﻳﻤﻜﻨﻚ‬
‫اﻟﺘﻌﺮف ﻋﻠﻴﻬﺎ وﻟﻜﻦ دون أن ﻳﺘﻤﻜﻦ اﻟﱪﻧﺎﻣﺞ اﻟﺘﻠﻘﺎﺋﻲ ﻣﻦ اﻟﺘﻌﺮف ﻋﻠﻴﻬﺎ‪.‬‬
‫ﺗﺴﺘﻨﺪ أدوات رﺻﺪ اﻟﱪﻳﺪ ﻏري املﺮﻏﻮب ﻓﻴﻪ اﻷﻛﺜﺮ ﺗﻄﻮ ًرا ﻋﲆ ﻧﻤﺎذج إﺣﺼﺎﺋﻴﺔ‬
‫ﻟﻠﻤﺤﺘﻮى اﻟﻜﻼﻣﻲ ﻟﺮﺳﺎﺋﻞ اﻟﱪﻳﺪ ﻏري املﺮﻏﻮب ﻓﻴﻪ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﺗَﺴﺘﺨﺪم‬
‫ﺗﻘﺪﻳﺮات ﻻﺣﺘﻤﺎﻻت وﺟﻮد ﻛﻠﻤﺎت ﻣﻌﻴﻨﺔ أو ﻣﺠﻤﻮﻋﺎت ﻣﻦ اﻟﻜﻠﻤﺎت اﻟﺘﻲ ﺗَﻈﻬَ ﺮ ﰲ رﺳﺎﺋﻞ‬
‫اﻟﱪﻳﺪ ﻏري املﺮﻏﻮب ﻓﻴﻪ‪ .‬وﺑﻌﺪ ذﻟﻚ‪ ،‬ﺗُﺼ ِﺒﺢ اﻟﺮﺳﺎﻟﺔ اﻟﺘﻲ ﺗﺤﺘﻮي ﻋﲆ اﻟﻜﺜري ﻣﻦ اﻟﻜﻠﻤﺎت‬
‫اﻟﻌﺎﻟﻴﺔ اﻻﺣﺘﻤﺎل ﻣﻮﺿ َﻊ َﺷ ﱟﻚ‪ .‬وﺗﺒﻨﻲ اﻷدوات اﻷﻛﺜﺮ ﺗﻄﻮ ًرا ﻧﻤﺎذج ﻻﺣﺘﻤﺎﻟﻴﺔ أن ﻛﻠﻤﺔ واﺣﺪة‬
‫ﺳﺘﺘﺒﻊ ﻛﻠﻤﺔ أﺧﺮى ﰲ ﺗﺴﻠﺴﻞ؛ وﻣﻦ ﺛ َ ﱠﻢ ﺗﺘﻤﻜﻦ ﻣﻦ رﺻﺪ اﻟﻌﺒﺎرات وﻣﺠﻤﻮﻋﺎت اﻟﻜﻠﻤﺎت‬
‫املﺸﺒﻮﻫﺔ‪ .‬ﻋﻼوة ﻋﲆ ذﻟﻚ‪ ،‬ﺗﺴﺘﺨﺪم أﺳﺎﻟﻴﺐ أﺧﺮى ﻧﻤﺎذج إﺣﺼﺎﺋﻴﺔ ﻟﻠﺼﻮر ﻟﺮﺻﺪ أﺷﻴﺎء‬
‫ﻣﺜﻞ ﻟﻮن اﻟﺒﴩة ﰲ اﻟﺼﻮرة املﺮﺳﻠﺔ ﻋﱪ اﻟﱪﻳﺪ اﻹﻟﻜﱰوﻧﻲ‪.‬‬

‫ﻣﺜﺎل ‪ :٢‬ﻗﻀﻴﺔ ﺳﺎﱄ ﻛﻼرك‬

‫ﰲ ﻋﺎم ‪ ،١٩٩٩‬ﺧﻀﻌﺖ ﺳﺎﱄ ﻛﻼرك — وﻫﻲ ﻣﺤﺎﻣﻴﺔ ﺑﺮﻳﻄﺎﻧﻴﺔ ﺷﺎﺑﺔ — ﻟﻠﻤﺤﺎﻛﻤﺔ وأُدﻳﻨﺖ‬
‫وﺣُ ﻜﻢ ﻋﻠﻴﻬﺎ ﺑﺎﻟﺴﺠﻦ ﻣﺪى اﻟﺤﻴﺎة ﻟﻘﺘْﻠﻬﺎ ﻃﻔ َﻠﻴْﻬﺎ‪ .‬ﺗﻮﰲ ﻃﻔﻠﻬﺎ اﻷول ﰲ ﻋﺎم ‪ ،١٩٩٦‬ﻋﻦ‬
‫ﻋﻤﺮ ﻳﺒﻠﻎ ‪ ١١‬أﺳﺒﻮﻋً ﺎ‪ ،‬وﻣﺎت ﻃﻔﻠﻬﺎ اﻟﺜﺎﻧﻲ ﰲ ﻋﺎم ‪ ،١٩٩٨‬ﻋﻦ ﻋﻤﺮ ﻳﺒﻠﻎ ‪ ٨‬أﺳﺎﺑﻴﻊ‪.‬‬
‫واﻋﺘﻤﺪ اﻟﺤﻜﻢ ﻋﲆ ﻣﺎ أﺻﺒﺢ ﻧﻤﻮذﺟً ﺎ ﻟﺴﻮء ﻓﻬﻢ واﺳﺘﺨﺪام اﻹﺣﺼﺎﺋﻴﺎت‪ ،‬ﻋﻨﺪﻣﺎ ادﱠﻋﻰ‬
‫ﻃﺒﻴﺐ اﻷﻃﻔﺎل اﻟﺴري روي ِﻣﺪو‪ ،‬ﰲ دوره ﻛﺸﺎﻫﺪ ﺧﺒري ﻟﺼﺎﻟﺢ اﻻدﱢﻋﺎء‪ ،‬أن اﺣﺘﻤﺎﻟﻴﺔ املﻮت‬
‫املﻔﺎﺟﺊ ﻟﻄﻔﻠني ﻛﺎﻧﺖ ‪ ١‬ﻣﻦ ﺑني ‪ ٧٣‬ﻣﻠﻴﻮن ﺣﺎﻟﺔ‪ .‬وﻗﺪ ﺣﺼﻞ ﻋﲆ ﻫﺬا اﻟﺮﻗﻢ ﺑﺒﺴﺎﻃﺔ‬
‫ﻋﻦ ﻃﺮﻳﻖ ﴐب اﺣﺘﻤﺎﻟﻴﺔ ﺣﺎﻟﺘَﻲ اﻟﻮﻓﺎة ﻣﻌً ﺎ ﻋﲆ ﻧﺤﻮ ﻣﻨﻔﺼﻞ‪ .‬وﺑﻘﻴﺎﻣﻪ ﺑﺬﻟﻚ‪ ،‬وﻟﺠﻬﻠﻪ‬

‫‪20‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎن‬

‫ﺗﺠﺎﻫﻞ ﺗﻤﺎﻣً ﺎ ﺣﻘﻴﻘﺔ أن ﺣﺪوث واﺣﺪة ﻣﻦ ﺣﺎﻻت اﻟﻮﻓﺎة ﺗﻠﻚ ﰲ أي‬ ‫َ‬ ‫ﺑﺄﺳﺎﺳﻴﺎت اﻹﺣﺼﺎء‪،‬‬
‫أﴎة ﻣﻦ املﺮﺟﺢ أن ﻳﻌﻨﻲ ارﺗﻔﺎع اﺣﺘﻤﺎﻟﻴﺔ ﺣﺪوث وﻓﺎة أﺧﺮى‪.‬‬
‫ﺗُ ﱢﺒني دراﺳﺔ اﻟﺒﻴﺎﻧﺎت اﻟﺴﺎﺑﻘﺔ أن اﺣﺘﻤﺎل ﺗﻌ ﱡﺮض أي ﻃﻔﻞ ﻣﺨﺘﺎر ﻋﺸﻮاﺋﻴٍّﺎ ﻟﻠﻤﻮت‬
‫املﻔﺎﺟﺊ ﰲ أﴎة ﻣﺜﻞ أﴎة ﻛﻼرك ﻳﺒﻠﻎ ﺣﻮاﱄ ‪ .٨٥٠٠ / ١‬وإذا اﻓﱰﺿﻨﺎ ﺑﺎﻟﺘﺒﻌﻴﺔ أن وﻗﻮع‬
‫ﺣﺎﻟﺔ وﻓﺎة ﻣﺜﻞ ﻫﺬه ﻻ ﻳُﻐري اﺣﺘﻤﺎل وﻗﻮع ﺣﺎﻟﺔ أﺧﺮى‪ ،‬ﻓﺈن ﻓﺮﺻﺔ وﻗﻮع ﺣﺎﻟﺘني ﻣﻦ ﻫﺬه‬
‫اﻟﻮﻓﻴﺎت ﰲ اﻷﴎة ﻧﻔﺴﻬﺎ ﺳﺘﻜﻮن ‪ ٨٥٠٠ / ١‬ﻣﴬوﺑًﺎ ﰲ ‪٨٥٠٠ / ١‬؛ أي واﺣﺪًا ﻣﻦ ‪٧٣‬‬
‫ﻣﻠﻴﻮﻧًﺎ‪ .‬ﺑَﻴْ َﺪ أن ﻫﺬا اﻻﻓﱰاض ﺟﺮيء‪ ،‬وﻳُﺸري اﻟﺘﺤﻠﻴﻞ اﻹﺣﺼﺎﺋﻲ اﻟﺪﻗﻴﻖ ﻟﻠﺒﻴﺎﻧﺎت اﻟﺴﺎﺑﻘﺔ‬
‫ﺛﺎن ﻛﺜريًا ﻋﻨﺪ وﻗﻮع ﺣﺎﻟﺔ ﻣﻤﺎﺛﻠﺔ ﻗﺒﻞ‬ ‫إﱃ أﻧﻪ ﰲ اﻟﻮاﻗﻊ ﺗﺰداد ﻓﺮﺻﺔ ﺣﺪوث ﻣﻮت ﻣﻔﺎﺟﺊ ٍ‬
‫ذﻟﻚ ﺑﺎﻟﻔﻌﻞ‪ .‬وﰲ اﻟﻮاﻗﻊ‪ ،‬ﺗﺸري اﻟﺤﺴﺎﺑﺎت إﱃ أن اﻟﻌﺪﻳﺪ ﻣﻦ ﺣﺎﻻت اﻟﻮﻓﺎة املﺘﻌﺪﱢدة ﺗﻠﻚ‬
‫ُﺘﻮﻗﻊ ﺣﺪوﺛﻬﺎ ﻛﻞ ﻋﺎم ﰲ دوﻟﺔ ﺑﺤﺠﻢ املﻤﻠﻜﺔ املﺘﺤﺪة‪ .‬وﻳﻘﻮل املﻮﻗﻊ اﻹﻟﻜﱰوﻧﻲ‬ ‫ﻳﻨﺒﻐﻲ أن ﻳ ﱠ‬
‫ملﺆﺳﺴﺔ دراﺳﺔ أﺳﺒﺎب ﻣﻮت اﻷﻃﻔﺎل‪» :‬ﻣﻦ اﻟﻨﺎدر ﺟﺪٍّا ﺣﺪوث املﻮت املﻔﺎﺟﺊ ﻣﺮﺗني ﰲ‬
‫اﻷﴎة ﻧﻔﺴﻬﺎ‪ ،‬ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أن اﺿﻄﺮاﺑًﺎ وراﺛﻴٍّﺎ ﰲ ﺑﻌﺾ اﻷﺣﻴﺎن — ﻣﺜﻞ وﺟﻮد ﺧﻠﻞ‬
‫ﻣﻮت أﻛﺜ َﺮ ﻣﻦ رﺿﻴﻊ ﻋﲆ ﻧﺤﻮ ﻏري ﻣﺘﻮﻗﻊ‪«.‬‬ ‫أﻳﴤ — ﻗﺪ ﻳﺴﺒﺐ َ‬
‫ﰲ ﻗﻀﻴﺔ ﺳﺎﱄ ﻛﻼرك‪ ،‬ﻛﺎن ﻳﻮﺟﺪ ﻣﺰﻳﺪ ﻣﻦ اﻷدِ ﱠﻟﺔ اﻟﺘﻲ ﺗُ ِﺸري إﱃ ﺑﺮاءﺗﻬﺎ‪ ،‬وﰲ اﻟﻨﻬﺎﻳﺔ‬
‫ً‬
‫ﻣﻌﺮوﻓﺎ أﻧﻬﺎ ﺗﺴﺒﱢﺐ ﻣﻮت‬ ‫أﺻﺒﺢ ﻣﻦ اﻟﻮاﺿﺢ أن اﺑﻨَﻬﺎ اﻟﺜﺎﻧﻲ ﻛﺎن ﻳُﻌﺎﻧِﻲ ﻋَ ْﺪوَى ﺑﻜﺘريﻳﺔ‬
‫اﻟﺮﺿﻴﻊ املﻔﺎﺟﺊ‪ .‬وأﻃﻠﻖ ﴎاح اﻟﺴﻴﺪة ﻛﻼرك ﺑﻌﺪ ذﻟﻚ ﰲ اﻻﺳﺘﺌﻨﺎف ﰲ ﻋﺎم ‪ .٢٠٠٣‬وﻣﻦ‬
‫املﺄﺳﺎوي أﻧﻬﺎ ﺗﻮﻓﻴﺖ ﰲ ﻣﺎرس ﻣﻦ ﻋﺎم ‪ ٢٠٠٧‬ﻋﻦ ﻋﻤﺮ ﻳﺒﻠﻎ ‪ ٤٢‬ﻋﺎﻣً ﺎ ﻓﺤﺴﺐ‪ .‬وﻳﻮﺟﺪ‬
‫ﻣﺰﻳﺪ ﻣﻦ اﻟﺘﻔﺎﺻﻴﻞ ﻋﻦ ﺳﻮء اﻟﻔﻬﻢ اﻟﺮﻫﻴﺐ وﺳﻮء اﺳﺘﺨﺪام اﻹﺣﺼﺎﺋﻴﺎت ﰲ ﻣﻘﺎل ﻣﻤﺘﺎز‬
‫ﻛﺘﺒﺘْﻪ ﻫﻴﻠني ﺟﻮﻳﺲ ﻋﲆ املﻮﻗﻊ املﺬﻛﻮر ﰲ ﻗﺴﻢ اﻟﻘﺮاءات اﻹﺿﺎﻓﻴﺔ ﰲ ﻧﻬﺎﻳﺔ ﻫﺬا اﻟﻜﺘﺎب‪.‬‬

‫ﻣﺜﺎل ‪ :٣‬ﻋﻨﺎﻗﻴﺪ اﻟﻨﺠﻮم‬

‫ﻣﻊ ازدﻳﺎد ﻗﺪرﺗﻨﺎ ﻋﲆ َﺳ ْﱪ املﺰﻳﺪ واملﺰﻳﺪ ﻣﻦ أﻏﻮار اﻟﻜﻮن‪ ،‬أﺻﺒﺢ ﻣﻦ اﻟﻮاﺿﺢ أن اﻷﺟﺮام‬
‫اﻟﺴﻤﺎوﻳﺔ ﺗﻤﻴﻞ إﱃ اﻟﺘﺠﻤﱡ ﻊ ﻣﻌً ﺎ‪ ،‬وﺗﻔﻌﻞ ذﻟﻚ ﺑﻄﺮﻳﻘﺔ ﻫﺮﻣﻴﺔ؛ ﺣﻴﺚ ﺗﺸﻜﻞ اﻟﻨﺠﻮم ﻋﻨﺎﻗﻴﺪ‪،‬‬
‫وﻋﻨﺎﻗﻴﺪ اﻟﻨﺠﻮم ﻧﻔﺴﻬﺎ ﺗﺸﻜﻞ ﻋﻨﺎﻗﻴﺪ ﻋﲆ ﻣﺴﺘﻮًى أﻋﲆ‪ ،‬وﻫﺬه اﻟﻌﻨﺎﻗﻴﺪ اﻷﻋﲆ ﺗﺘﺠﻤﻊ‬
‫ﺑ َﺪوْرﻫﺎ ﰲ ﻋﻨﺎﻗﻴﺪ أﻛﱪ‪ .‬وﻋﲆ وﺟﻪ اﻟﺘﺤﺪﻳﺪ‪ ،‬ﻣﺠ ﱠﺮﺗﻨﺎ — واﻟﺘﻲ ﻫﻲ ﻋﻨﻘﻮد ﻣﻦ اﻟﻨﺠﻮم‬
‫— ﺟﺰء ﻣﻦ »املﺠﻤﻮﻋﺔ املﺤﻠﻴﺔ« املﻜﻮﻧﺔ ﻣﻦ ﺣﻮاﱄ ﺛﻼﺛني ﻣﺠ ﱠﺮة‪ ،‬وﻫﺬه املﺠﻤﻮﻋﺔ ﺑﺪورﻫﺎ‬
‫ﺟﺰء ﻣﻦ »اﻟﻌﻨﻘﻮد املﺠ ﱢﺮي املﺤﲇ اﻟﻬﺎﺋﻞ«‪ .‬ﻋﲆ اﻟﻨﻄﺎق اﻷوﺳﻊ‪ ،‬ﻳﺒﺪو اﻟﻜﻮن ﺑﺎﻷﺣﺮى ﻣﺜﻞ‬
‫اﻟﺮﻏﻮة‪ ،‬ﻣﻊ وﺟﻮد ﺧﻴﻮط ﺗﺘﻜﻮن ﻣﻦ ﻋﻨﺎﻗﻴﺪ ﻣﺠﺮﻳﺔ ﻓﺎﺋﻘﺔ واﻗﻌﺔ ﻋﲆ ﺣﻮاف ﻣﺴﺎﺣﺎت‬

‫‪21‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻓﺎرﻏﺔ ﺷﺎﺳﻌﺔ‪ .‬وﻟﻜﻦ ﻛﻴﻒ اﻛﺘُﺸﻒ ﻛﻞ ﻫﺬا؟ ﻓﺤﺘﻰ ﻟﻮ اﺳﺘﺨﺪﻣﻨﺎ ﺗﻠﺴﻜﻮﺑﺎت ﻗﻮﻳﺔ ﻟﻠﻨﻈﺮ‬
‫ﺧﺎرج اﻷرض‪ ،‬ﻓﺈﻧﻨﺎ ﻧﺮى ﺑﺒﺴﺎﻃﺔ ﺳﻤﺎءً ﻣﻠﻴﺌﺔ ﺑﺎﻟﻨﺠﻮم‪ .‬واﻟﺠﻮاب ﻫﻮ أن اﺳﺘﻨﺘﺎج وﺟﻮد‬
‫ﻫﺬا اﻟﻬﻴﻜﻞ اﻟﻌﻨﻘﻮدي — ﺑﻞ واﻛﺘﺸﺎﻓﻪ ﰲ املﻘﺎم اﻷول — ﺗَﻄ ﱠﻠﺐ ﺗﻘﻨﻴﺎت إﺣﺼﺎﺋﻴﺔ‪ .‬وﺗﺸﻤﻞ‬
‫إﺣﺪى ﻓﺌﺎت ﻫﺬه اﻟﺘﻘﻨﻴﺎت ﺣﺴﺎب املﺴﺎﻓﺎت ﺑني ﻛﻞ ﻧﺠﻢ وﻋﺪد ﻗﻠﻴﻞ ﻣﻦ اﻟﻨﺠﻮم اﻷﻗﺮب‬
‫ﱠ‬
‫ﻣﺘﻮﻗﻊ ﺗﻜﻮن واﻗﻌﺔ ﰲ‬ ‫إﻟﻴﻪ‪ .‬واﻟﻨﺠﻮم اﻟﺘﻲ ﻳﻜﻮن ﻋﺪد اﻟﻨﺠﻮم اﻟﻘﺮﻳﺒﺔ ﻣﻨﻬﺎ أﻛﱪ ﻣﻤﺎ ﻫﻮ‬
‫ﻣﻨﺎﻃﻖ ﻛﺜﻴﻔﺔ ﻣﺤﻠﻴٍّﺎ؛ أي إﻧﻬﺎ ﺗﺸ ﱢﻜﻞ ﻋﻨﺎﻗﻴﺪ ﻣﺤﻠﻴﺔ‪.‬‬
‫ﻓﺴﺤُ ﺐ اﻟﻐﺒﺎر ﺑني اﻟﻨﺠﻮم ﺳﺘَﺤﺠﺐ‬ ‫ﺑﺎﻟﻄﺒﻊ‪ ،‬ﻳﺘﻌﻠﻖ اﻷﻣﺮ ﺑﺄﻛﺜﺮ ﻣﻦ ذﻟﻚ ﺑﻜﺜري؛ ُ‬
‫رؤﻳﺔ اﻷﺷﻴﺎء اﻟﺒﻌﻴﺪة‪ ،‬وﺳﺤﺐ اﻟﻐﺒﺎر ﻫﺬه ﻟﻴﺴﺖ ﻣﻮ ﱠزﻋﺔ ﻋﲆ ﻧﺤﻮ ﻣﻮﺣﱠ ﺪ ﰲ اﻟﻔﻀﺎء‪.‬‬
‫وﺑﺎملﺜﻞ‪ ،‬ﻟﻦ ﺗُﺮى اﻷﺟﺮام اﻟﺒﺎﻫﺘﺔ ﱠإﻻ إذا ﻛﺎﻧﺖ ﻗﺮﻳﺒﺔ ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻣﻦ اﻷرض‪ .‬واﻟﺨﻴﻂ‬
‫اﻟﺮﻓﻴﻊ ﻣﻦ املﺠﺮات اﻟﺬي ﺗﺮى ﻧﻬﺎﻳﺘﻪ ﻣﻦ اﻷرض ﻳﻤﻜﻦ أن ﻳﺒﺪو ﻛﻌﻨﻘﻮد ﻛﺜﻴﻒ‪ ،‬وﻫﻜﺬا‪.‬‬
‫وﻳﻨﺒﻐﻲ ﺗﻄﺒﻴﻖ ﺗﺼﺤﻴﺤﺎت إﺣﺼﺎﺋﻴﺔ ﻣﺘﻄﻮرة ﺣﺘﻰ ﻧﺘﻤﻜﻦ ﻣﻦ ﺗﻤﻴﻴﺰ اﻟﺤﻘﻴﻘﺔ اﻟﻜﺎﻣﻨﺔ‬
‫ﻣﻦ اﻟﺘﻮزﻳﻌﺎت اﻟﻈﺎﻫﺮﻳﺔ ﻟﻸﺟﺮام اﻟﺴﻤﺎوﻳﺔ‪.‬‬
‫إن َﻓﻬْ ﻢ ﺑﻨﻴﺔ اﻟﻜﻮن ﻳُﻠﻘِ ﻲ اﻟﻀﻮء ﻋﲆ ﻛﻴﻔﻴﺔ ﺗﺸ ﱡﻜﻠﻪ‪ ،‬وﻋﲆ ﺗﻄﻮﱡره املﺴﺘﻘﺒﲇ‪.‬‬

‫ﻣﺜﺎل ‪ :٤‬ﺗﺼﻨﻴﻊ املﻮاد اﻟﻜﻴﻤﻴﺎﺋﻴﺔ‬

‫أﴍت ﺑﺎﻟﻔﻌﻞ إﱃ أﻧﻪ ﰲ ﺣني أن اﻹﺣﺼﺎﺋﻴني رﺑﻤﺎ ﻳﻜﻮﻧﻮن ﻗﺎدرﻳﻦ ﻋﲆ اﻟﻘﻴﺎم ﺑﺄﻣﻮر ﻣﺬﻫﻠﺔ‪،‬‬ ‫ُ‬
‫ﻓﺈﻧﻬﻢ ﻻ ﻳﻤﻜﻦ أن ﻳﺤﻘﻘﻮا ﻣﻌﺠﺰات؛ وﺑﺎﻟﺘﺤﺪﻳﺪ‪ ،‬ﺳﻮف ﺗﺘﺤﺪد ﺟﻮدة اﺳﺘﻨﺘﺎﺟﺎﺗﻬﻢ دوﻣً ﺎ‬
‫ﺑﺠﻮدة اﻟﺒﻴﺎﻧﺎت‪ .‬ﰲ ﺿﻮء ﻫﺬا اﻷﻣﺮ‪ ،‬ﻟﻴﺲ ﻣﻦ املﺴﺘﻐﺮب وﺟﻮد ﺗﺨﺼﺼﺎت ﻓﺮﻋﻴﺔ ﻣﻬﻤﺔ‬
‫ﻨﺎﻗﺶ ﻫﺬه اﻟﺘﺨﺼﺼﺎت اﻟﻔﺮﻋﻴﺔ ﰲ‬ ‫اﻟﺴﺒُﻞ ﻟﺠﻤﻊ اﻟﺒﻴﺎﻧﺎت‪ ،‬وﺗُ َ‬
‫ﰲ اﻹﺣﺼﺎء ﻣﻌﻨﻴﺔ ﺑﺄﻓﻀﻞ ﱡ‬
‫اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ‪ .‬ﻳﺘﻤﺜﻞ أﺣﺪ ﻫﺬه اﻟﺘﺨﺼﺼﺎت اﻟﻔﺮﻋﻴﺔ ﰲ »اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ«‪ ،‬وﺗُﺴﺘﺨﺪم‬
‫ﺗﻘﻨﻴﺎت اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ ﰲ اﻟﺤﺎﻻت اﻟﺘﻲ ﻣﻦ املﻤﻜﻦ ﻓﻴﻬﺎ اﻟﺘﺤﻜﻢ أو اﻟﺘﻼﻋﺐ ﰲ ﺑﻌﺾ‬
‫»املﺘﻐريات« اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ .‬وﺗُﻤ ﱢﻜﻨﻨﺎ أدوات اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ ﻣﻦ اﺳﺘﺨﺮاج أﻗﴡ‬
‫ﻗﺪر ﻣﻦ املﻌﻠﻮﻣﺎت ﺑﺎﻟﻨﺴﺒﺔ ﻷي اﺳﺘﺨﺪام ﻣﻌني ﻟﻠﻤﻮارد؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﰲ إﻧﺘﺎج ﺑﻮﻟﻴﻤﺮ‬
‫ﻛﻴﻤﻴﺎﺋﻲ ﻣﻌني رﺑﻤﺎ ﻧﻜﻮن ﻗﺎدرﻳﻦ ﻋﲆ ﺿﺒﻂ درﺟﺔ اﻟﺤﺮارة واﻟﻀﻐﻂ ووﻗﺖ اﻟﺘﻔﺎﻋﻞ‬
‫اﻟﻜﻴﻤﻴﺎﺋﻲ ﺑﺄي ﻗِ ﻴَﻢ ﻧﺮﻳﺪﻫﺎ‪ .‬واﻟﻘِ ﻴَﻢ املﺨﺘﻠﻔﺔ ﻟﻬﺬه املﺘﻐريات اﻟﺜﻼﺛﺔ ﺳﺘﺆدي إﱃ اﺧﺘﻼﻓﺎت‬
‫ﰲ ﺟﻮدة املﻨﺘﺞ اﻟﻨﻬﺎﺋﻲ‪ .‬واﻟﺴﺆال ﻫﻮ‪ :‬ﻣﺎ ﻫﻲ أﻓﻀﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘﻴﻢ؟‬
‫ﻣﺒﺪﺋﻴٍّﺎ‪ ،‬ﻫﺬا ﺳﺆال ﻳَﺴﻬُ ﻞ اﻹﺟﺎﺑﺔ ﻋﻨﻪ؛ ﻓﻨﺼﻨﻊ ﺑﺒﺴﺎﻃﺔ اﻟﻌﺪﻳﺪ ﻣﻦ ﻛﻤﻴﺎت اﻟﺒﻮﻟﻴﻤﺮ‪،‬‬
‫ﻟﻜ ﱟﻞ ﻣﻨﻬﺎ ﻗِ ﻴَﻢ ﻣﺨﺘﻠﻔﺔ ﻣﻦ املﺘﻐريات اﻟﺜﻼﺛﺔ‪ .‬وﻫﺬا ﻳﺴﻤﺢ ﻟﻨﺎ ﺑﺘﻘﺪﻳﺮ »اﺳﺘﺠﺎﺑﺔ اﻟﺴﻄﺢ«‪،‬‬

‫‪22‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎن‬

‫ﺗﺒني ﺟﻮدة اﻟﺒﻮﻟﻴﻤﺮ ﻋﻨﺪ ﻛﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ ﻗِ ﻴَﻢ املﺘﻐريات اﻟﺜﻼﺛﺔ‪ ،‬وﻳﻤﻜﻨﻨﺎ ﺑﻌﺪ ذﻟﻚ‬ ‫واﻟﺘﻲ ﱢ‬
‫اﺧﺘﻴﺎر اﻟﻘِ ﻴَﻢ اﻟﺜﻼث املﺤﺪدة اﻟﺘﻲ ﺗﺰﻳﺪ اﻟﺠﻮدة إﱃ اﻟﺤﺪ اﻷﻗﴡ‪.‬‬
‫وﻟﻜﻦ ﻣﺎذا ﻟﻮ ﻛﺎﻧﺖ ﻋﻤﻠﻴﺔ اﻟﺘﺼﻨﻴﻊ ﻣﻦ اﻟﻨﻮع اﻟﺬي ﻳﺴﺘﻐﺮق ﻋﺪة أﻳﺎم ﻟﺼﻨﻊ ﻛﻞ‬
‫ﻛﻤﻴﺔ؟ إن ﺻﻨﻊ اﻟﻌﺪﻳﺪ ﻣﻦ ﻫﺬه اﻟﻜﻤﻴﺎت ملﺠﺮد اﻟﺘﻮﺻﻞ إﱃ أﻓﻀﻞ ﻃﺮﻳﻘﺔ ﻟﻠﻘﻴﺎم ﺑﺬﻟﻚ‬
‫رﺑﻤﺎ ﻳﻜﻮن أﻣ ًﺮا ﺻﻌﺐ اﻟﺘﻨﻔﻴﺬ؛ ﻓﺼﻨﻊ ﻣﺎﺋﺔ ﻛﻤﻴﺔ‪ ،‬ﻳﺴﺘﻐﺮق ﺻﻨﻊ ﻛ ﱟﻞ ﻣﻨﻬﺎ ﺛﻼﺛﺔ أﻳﺎم‪،‬‬
‫ﺳﻴﺴﺘﻐﺮق اﻟﺠﺰء اﻷﻛﱪ ﻣﻦ ﻋﺎم ﻛﺎﻣﻞ‪ .‬ﻟﺤﺴﻦ اﻟﺤﻆ‪ ،‬اﻟﺘﺠﺎرب املﺼﻤﱠ ﻤﺔ ﺑﺬﻛﺎء ﺗﺴﻤﺢ ﻟﻨﺎ‬
‫ﺑﺎﺳﺘﺨﺮاج املﻌﻠﻮﻣﺎت ﻧﻔﺴﻬﺎ ﻣﻦ ﻣﺠﻤﻮﻋﺎت ﻣﺨﺘﺎرة ﺑﻌﻨﺎﻳﺔ ﻣﻦ اﻟﻘِ ﻴَﻢ ﻋﺪدﻫﺎ أﻗ ﱡﻞ ﺑﻜﺜري‪.‬‬
‫وﰲ ﺑﻌﺾ اﻷﺣﻴﺎن ﻳﻤﻜﻦ ﻟﻨﺴﺒﺔ ﺿﺌﻴﻠﺔ ﻣﻦ اﻟﻜﻤﻴﺎت أن ﺗﻤﻨﺤﻨﺎ ﻣﻌﻠﻮﻣﺎت ﻛﺎﻓﻴﺔ ﻟﺘﺤﺪﻳﺪ‬
‫أﻓﻀﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘِ ﻴَﻢ‪ ،‬ﴍﻳﻄﺔ أن ﺗُﺨﺘﺎر ﺗﻠﻚ اﻟﻜﻤﻴﺎت ﻋﲆ ﻧﺤﻮ ﺻﺤﻴﺢ‪.‬‬

‫ﻣﺜﺎل ‪ :٥‬رﺿﺎ اﻟﻌﻤﻼء‬

‫إن إدارة أي ﻣﺆﺳﺴﺔ ﻟﻠﺒﻴﻊ ﺑﺎﻟﺘﺠﺰﺋﺔ ﻋﲆ ﻧﺤﻮ ﻓﻌﱠ ﺎل‪ ،‬ﺑﺤﻴﺚ ﺗﺤﻘﻖ رﺑﺤً ﺎ وﺗﻨﻤﻮ ﻣﻊ ﻣﺮور‬
‫اﻟﻮﻗﺖ‪ ،‬ﺗﺘﻄﻠﺐ إﻳﻼء اﻫﺘﻤﺎم دﻗﻴﻖ ﻟﻠﻌﻤﻼء‪ ،‬وﻣﻨﺤَ ﻬﻢ املﻨﺘﺞ أو اﻟﺨﺪﻣﺔ اﻟﺘﻲ ﻳﺮﻳﺪوﻧﻬﺎ‪.‬‬
‫واﻟﻔﺸﻞ ﰲ اﻟﻘﻴﺎم ﺑﺬﻟﻚ ﻳﻌﻨﻲ أﻧﻬﻢ ﺳﻴﺘﻮﺟﻬﻮن إﱃ ﻣُﻨﺎﻓِ ﺲ ﻳﻘﺪﱢم ﻣﺎ ﻫﻮ ﻣﻄﻠﻮب‪ .‬ﺑﻴﺖ‬
‫اﻟﻘﺼﻴﺪ ﻫﻨﺎ ﻫﻮ أن اﻟﻔﺸﻞ ﺳﻮف ﻳﺘﻀﺢ ﻣﻦ اﻧﺨﻔﺎض اﻹﻳﺮادات‪ .‬وﻳﻤﻜﻨﻨﺎ ﻣﺤﺎوﻟﺔ ﺗﺠﻨﱡﺐ‬
‫ذﻟﻚ ﻣﻦ ﺧﻼل ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺣﻮل ﻣﺸﺎﻋﺮ اﻟﻌﻤﻼء ﻗﺒﻞ أن ﻳﺒﺪءوا اﻟﺘﺼﻮﻳﺖ ﺑﺄﻣﻮاﻟﻬﻢ‪.‬‬
‫وﻳﻤﻜﻨﻨﺎ ﺗﻨﻔﻴﺬ دراﺳﺎت ﻣﺴﺤﻴﺔ ﻟﺮﺿﺎ اﻟﻌﻤﻼء‪ ،‬ﺳﺎﺋﻠني اﻟﻌﻤﻼء ﻣﺎ إذا ﻛﺎﻧﻮا ﺳﻌﺪاء ﺑﺎملﻨﺘﺞ‬
‫أو اﻟﺨﺪﻣﺔ أم ﻻ‪ ،‬وﻋﻦ اﻟﻄﺮق اﻟﺘﻲ ﻳﻤﻜﻦ ﻣﻦ ﺧﻼﻟﻬﺎ ﺗﺤﺴني ذﻟﻚ‪.‬‬
‫ﻟﻠﻮﻫﻠﺔ اﻷوﱃ ﻗﺪ ﻳﺒﺪو أﻧﻪ ﻣﻦ اﻟﴬوري ﻣﻨﺢ اﻻﺳﺘﺒﻴﺎﻧﺎت ﻟﺠﻤﻴﻊ اﻟﻌﻤﻼء ﻣﻦ أﺟﻞ‬
‫اﻟﺤﺼﻮل ﻋﲆ ﻧﺘﺎﺋﺞ ﻣﻮﺛﻮﻗﺔ ﺗﻌﻜﺲ ﺳﻠﻮك ﻗﺎﻋﺪة اﻟﻌﻤﻼء ﺑﺄﻛﻤﻠﻬﺎ‪ ،‬ﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ أن‬
‫ﻃﻮﻳﻼ‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﺗﻮﺟﺪ — ﻟﺤﺴﻦ اﻟﺤﻆ — أﺳﺎﻟﻴﺐ‬ ‫ً‬ ‫ﻫﺬه ﻋﻤﻠﻴﺔ ﻣﻜ ﱢﻠﻔﺔ وﺗﺴﺘﻐﺮق وﻗﺘًﺎ‬
‫إﺣﺼﺎﺋﻴﺔ ﺗُﻤ ﱢﻜﻦ ﻣﻦ اﻟﺤﺼﻮل ﻋﲆ ﻧﺘﺎﺋﺞ دﻗﻴﻘﺔ ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻣﻦ ﻋﻴﱢﻨﺔ ﻣﻦ اﻟﻌﻤﻼء‬
‫ﻓﺤﺴﺐ‪ .‬وﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﻜﻦ أن ﺗﻜﻮن اﻟﻨﺘﺎﺋﺞ أﺣﻴﺎﻧًﺎ أﻛﺜﺮ دﻗﺔ ﻣﻦ إﴍاك ﺟﻤﻴﻊ اﻟﻌﻤﻼء‪.‬‬
‫وﻻ ﺣﺎﺟﺔ ﺑﻨﺎ ﻟﻘﻮل إﻧﻪ ﻳﻠﺰم وﺟﻮد ﻋﻨﺎﻳﺔ ﻛﺒرية ﰲ ﻫﺬه اﻟﻌﻤﻠﻴﺔ؛ ﻓﻤﻦ اﻟﴬوري أن ﻧﻜﻮن‬
‫ﺣَ ﺬِرﻳﻦ ﻣﻦ ﺑﻨﺎء اﺳﺘﻨﺘﺎﺟﺎت ﻋﲆ ﻋﻴﻨﺔ ﻣﺸﻮﻫﺔ؛ ﻓﺮﺑﻤﺎ ﺳﺘﻜﻮن اﻟﻨﺘﺎﺋﺞ ﻏري ﻣُﺠﺪِﻳﺔ ﰲ وﺻﻒ‬
‫ﻛﻴﻔﻴﺔ ﺗﴫف اﻟﻌﻤﻼء ﻋﻤﻮﻣً ﺎ إذا أُﺟﺮﻳﺖ املﻘﺎﺑﻼت ﻣﻊ أوﻟﺌﻚ اﻟﺬﻳﻦ ﻳﻨﻔﻘﻮن ﻣﺒﺎﻟﻎ ﻛﺒرية‬
‫ﻃﻮرت اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ اﻟﺘﻲ ﺗﻤ ﱢﻜﻨﻨﺎ ﻣﻦ ﺗﺠﻨﱡﺐ ﻣﺜﻞ‬ ‫ﻣﻦ املﺎل ﻓﺤﺴﺐ‪ .‬وﻣﺮة أﺧﺮى‪ُ ،‬‬
‫ﻫﺬه اﻷﺧﻄﺎء؛ وﻣﻦ ﺛﻢ اﺳﺘﺨﻼص اﺳﺘﻨﺘﺎﺟﺎت ﺻﺤﻴﺤﺔ‪.‬‬

‫‪23‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻣﺜﺎل ‪ :٦‬ﻛﺸﻒ اﻻﺣﺘﻴﺎل ﺑﺒﻄﺎﻗﺎت اﻻﺋﺘﻤﺎن‬

‫ً‬
‫أﻣﻮاﻻ‪،‬‬ ‫ﻟﻴﺴﺖ ﻛﻞ ﻣﻌﺎﻣﻼت ﺑﻄﺎﻗﺎت اﻻﺋﺘﻤﺎن ﴍﻋﻴﺔ‪ .‬واملﻌﺎﻣﻼت اﻻﺣﺘﻴﺎﻟﻴﺔ ﺗﻜﻠﻒ اﻟﺒﻨﻚ‬
‫أﻣﻮاﻻ؛ وﻣﻦ ﺛﻢ ﻓﺈن ﻛﺸﻒ اﻻﺣﺘﻴﺎل وﻣَ ﻨْﻌﻪ أﻣ ٌﺮ ﻣ ُِﻬ ﱞﻢ ﻟﻠﻐﺎﻳﺔ‪.‬‬
‫ً‬ ‫وﻛﺬﻟﻚ ﺗﻜﻠﻒ ﻋﻤﻼء اﻟﺒﻨﻚ‬
‫ﺗﻠﻘﻲ اﺗﺼﺎل ﻫﺎﺗﻔﻲ ﻣﻦ املﴫف ﻟﻠﺘﺄﻛﺪ ﻣﻦ‬ ‫رﺑﻤﺎ ﻣﺮ اﻟﻌﺪﻳﺪ ﻣﻦ ُﻗ ﱠﺮاء ﻫﺬا اﻟﻜﺘﺎب ﺑﺘﺠﺮﺑ ِﺔ ﱢ‬
‫أﻧﻬﻢ ﻗﺎﻣﻮا ﺑﺒﻌﺾ املﻌﺎﻣﻼت‪ .‬ﺗﺴﺘﻨﺪ ﻫﺬه املﻜﺎملﺎت اﻟﻬﺎﺗﻔﻴﺔ ﻋﲆ ﺗﻮﻗﻌﺎت ﺗﻘﺪﻣﻬﺎ ﻧﻤﺎذج‬
‫إﺣﺼﺎﺋﻴﺔ ﺗﺤﺪد ﻣﺪى ﴍﻋﻴﺔ ﺗﴫﻓﺎت اﻟﻌﻤﻼء‪ .‬واﻟﺨﺮوج ﻋﻦ اﻟﺴﻠﻮك اﻟﺬي ﺗﺘﻨﺒﱠﺄ ﺑﻪ ﻫﺬه‬
‫اﻟﻨﻤﺎذج ﻳ ُِﺸري إﱃ أن ﺷﻴﺌًﺎ ﻣﺮﻳﺒًﺎ ﻳﺠﺮي وﻳﺴﺘﺤﻖ اﻟﺘﺤﻘﻖ ﻣﻨﻪ‪.‬‬
‫ﺗﻮﺟﺪ أﻧﻮاع ﻋﺪﻳﺪة ﻣﻦ اﻟﻨﻤﺎذج‪ ،‬ﻳﻌﺘﻤﺪ ﺑﻌﻀﻬﺎ ﺑﺒﺴﺎﻃﺔ ﻋﲆ أﻧﻤﺎط اﻟﺴﻠﻮك املﺜرية‬
‫ﻟﻠﺸﻜﻮك ﰲ ﺟﻮﻫﺮﻫﺎ؛ ﻣﺜﻞ اﻻﺳﺘﺨﺪام املﺘﺰاﻣﻦ ﻟﺒﻄﺎﻗﺔ واﺣﺪة ﰲ ﻣﻜﺎﻧني ﺑﻌﻴ َﺪﻳْﻦ ﺟﻐﺮاﻓﻴٍّﺎ‪.‬‬
‫ﺗﻔﺼﻴﻼ ﻷﻧﻮاع املﻌﺎﻣﻼت اﻟﺘﻲ ﻳﻘﻮم ﺑﻬﺎ اﻟﺸﺨﺺ‬ ‫ً‬ ‫اﻵﺧﺮ ﻋﲆ ﻧﻤﺎذج أﻛﺜﺮ‬ ‫وﻳﺴﺘﻨﺪ اﻟﺒﻌﺾ َ‬
‫ﻋﺎدة‪ ،‬وﻣﺘﻰ ﻳﻤﻴﻞ إﱃ اﻟﻘﻴﺎم ﺑﻬﺎ‪ ،‬وﻛﻤﻴﺔ املﺎل املﺴﺘﺨﺪم‪ ،‬وﰲ أي أﻧﻮاع املﻨﺎﻓﺬ‪ ،‬وﻷي أﻧﻮاع‬
‫املﻨﺘﺠﺎت‪ ،‬وﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪.‬‬
‫ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎل‪ ،‬ﻻ ﻳﻮﺟﺪ ﻧﻤﻮذج ﺗﻨﺒﱡﺌﻲ ﻛﺎﻣﻞ؛ ﻓﻐﺎﻟﺒًﺎ ﻣﺎ ﺗﺘﻨﻮع أﻧﻤﺎط ﻣﻌﺎﻣﻼت ﺑﻄﺎﻗﺔ‬
‫َﺸﱰُوﻫﺎ ﻣﻦ ﻗﺒ ُﻞ‪ .‬ﻋﻼوة ﻋﲆ ذﻟﻚ‪،‬‬ ‫اﻻﺋﺘﻤﺎن؛ ﺣﻴﺚ إن اﻟﻨﺎس ﻗﺪ ﻳﺸﱰون ﻓﺠﺄة ﻣﻨﺘﺠﺎت ﻟﻢ ﻳ َ‬
‫ﻧﺴﺒﺔ ﺿﺌﻴﻠﺔ ﻓﺤﺴﺐ ﻣﻦ املﻌﺎﻣﻼت ﺗﻜﻮن اﺣﺘﻴﺎﻟﻴﺔ؛ رﺑﻤﺎ ﺣﻮاﱄ واﺣﺪ ﰲ اﻷﻟﻒ‪ .‬وﻫﺬا ﻳﺠﻌﻞ‬
‫ﻛﺸﻒ اﻻﺣﺘﻴﺎل ﺷﺪﻳﺪ اﻟﺼﻌﻮﺑﺔ‪.‬‬
‫إن ﻛﺸﻒ اﻻﺣﺘﻴﺎل وﻣﻨﻌﻪ ﻣﻌﺮﻛﺔ ﻣﺴﺘﻤﺮة؛ ﻓﻌﻨﺪ ﺳ ﱢﺪ أﺣَ ِﺪ ُﺳﺒُﻞ اﻻﺣﺘﻴﺎل‪ ،‬ﻓﺈن املﺤﺘﺎﻟني‬
‫اﻟﺘﺨﲇ ﻋﻦ ﻣﺴﺎرﻫﻢ اﻟﺬي اﺧﺘﺎروه واﻟﺤﺼﻮل ﻋﲆ وﻇﻴﻔﺔ ﻣﴩوﻋﺔ‪ ،‬ﺑﻞ‬ ‫ﱢ‬ ‫ﻻ ﻳﻤﻴﻠﻮن إﱃ‬
‫ﻳﺘﺠﻬﻮن إﱃ أﺳﺎﻟﻴﺐ أﺧﺮى ﻟﻼﺣﺘﻴﺎل؛ وﻣﻦ ﺛﻢ ﻓﺈن ذﻟﻚ ﻳﺘﻄﻠﺐ ﺗﻄﻮﻳﺮ املﺰﻳﺪ ﻣﻦ اﻟﻨﻤﺎذج‬
‫اﻹﺣﺼﺎﺋﻴﺔ‪.‬‬

‫ﻣﺜﺎل ‪ :٧‬اﻟﺘﻀﺨﻢ‬
‫إﻧﻨﺎ ﺟﻤﻴﻌً ﺎ ﻧﺄﻟﻒ ﻓﻜﺮة أن اﻷﺷﻴﺎء ﺗﺰداد ﻏﻼءً ﺑﻤﺮور اﻟﻮﻗﺖ‪ .‬وﻟﻜﻦ ﻛﻴﻒ ﻳﻤﻜﻨﻨﺎ ﻣﻘﺎرﻧﺔ‬
‫ﺗﻜﺎﻟﻴﻒ املﻌﻴﺸﺔ اﻟﻴﻮم ﺑﺘﻜﺎﻟﻴﻒ املﻌﻴﺸﺔ أﻣﺲ؟ ﻟﻠﻘﻴﺎم ﺑﺬﻟﻚ‪ ،‬ﻧﺤﺘﺎج إﱃ ﻣﻘﺎرﻧﺔ اﻷﺷﻴﺎء‬
‫ﻧﻔﺴﻬﺎ اﻟﺘﻲ اﺷﱰﻳﻨﺎﻫﺎ ﰲ اﻟﻴﻮﻣني‪ .‬ﻟﻜﻦ ﻟﻸﺳﻒ‪ ،‬ﺗﻮﺟﺪ ﺗﻌﻘﻴﺪات؛ ﻓﺎملﺤﻼت اﻟﺘﺠﺎرﻳﺔ املﺨﺘﻠﻔﺔ‬
‫ﺗﺤﺪد أﺳﻌﺎ ًرا ﻣﺨﺘﻠﻔﺔ ﻟﻸﺷﻴﺎء ﻧﻔﺴﻬﺎ‪ ،‬واﻷﺷﺨﺎص املﺨﺘﻠﻔﻮن ﻳﺸﱰون أﺷﻴﺎء ﻣﺨﺘﻠﻔﺔ‪،‬‬
‫وﻳﻐري اﻷﺷﺨﺎص أﻧﻔﺴﻬﻢ أﻧﻤﺎط ﴍاﺋﻬﻢ‪ ،‬وﺗَﻈﻬَ ﺮ ﻣﻨﺘﺠﺎت ﺟﺪﻳﺪة ﰲ اﻟﺴﻮق وﺗﺨﺘﻔﻲ‬

‫‪24‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء ﰲ ﻛﻞ ﻣﻜﺎن‬

‫ﻣﻨﺘﺠﺎت ﻗﺪﻳﻤﺔ‪ ،‬وﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪ .‬ﻛﻴﻒ ﻧﻀﻊ ﻣﺜﻞ ﻫﺬه اﻟﺘﻐﻴريات ﰲ اﻻﻋﺘﺒﺎر ﻋﻨﺪ ﺗﺤﺪﻳ ِﺪ ﻣﺎ‬
‫إذا ﻛﺎﻧﺖ اﻟﺤﻴﺎة أﻛﺜﺮ ﺗﻜﻠﻔﺔ ﻫﺬه اﻷﻳﺎم أم ﻻ؟‬
‫أﻧﺸﺄ اﻹﺣﺼﺎﺋﻴﻮن واﻻﻗﺘﺼﺎدﻳﻮن ﻣﺆﴍات ﻣﺜﻞ »ﻣﺆﴍ أﺳﻌﺎر اﻟﺘﺠﺰﺋﺔ« و»ﻣﺆﴍ‬
‫أﺳﻌﺎر املﺴﺘﻬﻠﻚ« ﻟﻘﻴﺎس ﺗﻜﺎﻟﻴﻒ املﻌﻴﺸﺔ‪ .‬وﺗﺴﺘﻨﺪ ﻫﺬه املﺆﴍات إﱃ »ﺳ ﱠﻠﺔ« اﻓﱰاﺿﻴﺔ‬
‫ﻟﻠﺴﻠﻊ )ﻣﺌﺎت ﻣﻨﻬﺎ( اﻟﺘﻲ ﻳﺸﱰﻳﻬﺎ اﻟﻨﺎس‪ ،‬إﺿﺎﻓﺔ إﱃ دراﺳﺎت اﺳﺘﻘﺼﺎﺋﻴﺔ ﻻﻛﺘﺸﺎف‬
‫اﻷﺳﻌﺎر اﻟﺘﻲ ﻳُﺒﺎع ﺑﻬﺎ ﻛﻞ ﻋﻨﴫ ﰲ اﻟﺴﻠﺔ‪ .‬وﺗُﺴﺘﺨﺪم ﻧﻤﺎذج إﺣﺼﺎﺋﻴﺔ ﻣﺘﻄﻮرة ﻟﺠﻤﻊ‬
‫أﺳﻌﺎر اﻟﻌﻨﺎﴏ املﺨﺘﻠﻔﺔ ﻟﺘﻘﺪم رﻗﻤً ﺎ إﺟﻤﺎﻟﻴٍّﺎ واﺣﺪًا ﻳﻤﻜﻦ ﻣﻘﺎرﻧﺘﻪ ﻋﲆ ﻣﺪار اﻟﺰﻣﻦ‪.‬‬
‫أﻳﻀﺎ ﻟﻀﺒﻂ ﺣﺪود‬ ‫وﺑﺎﻹﺿﺎﻓﺔ إﱃ ﻛﻮﻧﻬﺎ ﻣﺆﴍًا ﻋﲆ اﻟﺘﻀﺨﻢ‪ ،‬ﺗﺴﺘﺨﺪم ﻫﺬه املﺆﴍات ً‬
‫اﻹﻋﻔﺎء اﻟﴬﻳﺒﻲ واﻟﺮواﺗﺐ املﺮﺗﺒﻄﺔ ﺑﺎملﺆﴍ واملﻌﺎﺷﺎت اﻟﺘﻘﺎﻋﺪﻳﺔ‪ ،‬وﻣﺎ إﱃ ذﻟﻚ‪.‬‬

‫ﺧﺎﺗﻤﺔ‬

‫رﻏﻢ أن ﻫﺬا ﻗﺪ ﻻ ﻳﺒﺪو واﺿﺤً ﺎ داﺋﻤً ﺎ ﻟﻠﻌني ﻏري اﻟﺨﺒرية‪ ،‬ﻓﺈن ﻋﻠﻢ اﻹﺣﺼﺎء واﻷﺳﺎﻟﻴﺐ‬
‫اﻹﺣﺼﺎﺋﻴﺔ ﻳَ ْﻜﻤُﻨﺎن ﰲ ﻗﻠﺐ اﻻﻛﺘﺸﺎف اﻟﻌﻠﻤﻲ‪ ،‬واﻟﻌﻤﻠﻴﺎت اﻟﺘﺠﺎرﻳﺔ واﻟﺤﻜﻮﻣﻴﺔ‪ ،‬واﻟﺴﻴﺎﺳﺔ‬
‫اﻻﺟﺘﻤﺎﻋﻴﺔ‪ ،‬واﻟﺘﺼﻨﻴﻊ‪ ،‬واﻟﻄﺐ‪ ،‬وﻣﻌﻈﻢ ﺟﻮاﻧﺐ اﻟﻨﺸﺎط اﻹﻧﺴﺎﻧﻲ اﻷﺧﺮى‪ .‬ﻋﻼوة ﻋﲆ‬
‫ذﻟﻚ‪ ،‬ﻛﻠﻤﺎ ﺗﻘﺪم اﻟﻌﺎ َﻟﻢ‪ ،‬زادت أﻫﻤﻴﺔ ﻫﺬا اﻟﺪور أﻛﺜﺮ وأﻛﺜﺮ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻣﻨﺬ وﻗﺖ‬
‫َ‬
‫ﻣﺸﺎرﻛﺔ اﻹﺣﺼﺎﺋﻴني‪ ،‬وﳾء ﻣﻦ ﻫﺬا اﻟﻘﺒﻴﻞ‬ ‫ﻃﻮﻳﻞ وﺗﻄﻮﻳ ُﺮ أدوﻳﺔ ﺟﺪﻳﺪة ﻳﺸﱰط‪ ،‬ﻗﺎﻧﻮﻧًﺎ‪،‬‬
‫ﻳﺤﺪث اﻵن ﰲ اﻟﺼﻨﺎﻋﺔ املﴫﻓﻴﺔ؛ ﺣﻴﺚ إن اﻻﺗﻔﺎﻗﺎت اﻟﺪوﻟﻴﺔ اﻟﺠﺪﻳﺪة ﺗﺘﻄﻠﺐ وﺿﻊ ﻧﻤﺎذج‬
‫إﺣﺼﺎﺋﻴﺔ ﻟﻠﻤﺨﺎﻃﺮ‪ .‬وﻧﻈ ًﺮا ﻟﻬﺬا اﻟﺪور املﺤﻮري‪ ،‬ﻣﻦ املﻬﻢ ﺑﻮﺿﻮح أن ﻳﻜﻮن أي ﻣُﻮاﻃﻦ‬
‫ﻣﺴﺘﻨري ﻋﲆ ﻋﻠﻢ ﺑﺎملﺒﺎدئ اﻹﺣﺼﺎﺋﻴﺔ اﻷﺳﺎﺳﻴﺔ‪.‬‬
‫ﻳﻤ ﱢﻜﻨﻨﺎ ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪ ،‬اﻟﺬي ﻳﺴﺘﺨﺪم اﻟﱪﻣﺠﻴﺎت املﺘﻄﻮرة ﻟﺪراﺳﺔ اﻟﺒﻴﺎﻧﺎت‪،‬‬
‫ﻣﻦ اﻟﻘﻴﺎم ﺑﺮﺣﻼت اﺳﺘﻜﺸﺎف ﻣﺸﺎﺑﻬﺔ ﻟﺘﻠﻚ اﻟﺘﻲ ﻗﺎم ﺑﻬﺎ املﺴﺘﻜﺸﻔﻮن ﻗﺒﻞ اﻟﻘﺮن‬
‫اﺳﺘﻘﺼﻮْا ودرﺳﻮا ﻋﻮاﻟﻢ ﺟﺪﻳﺪة وﻣﺜرية‪ .‬وﻫﺬا اﻹدراك — أن ﻋﻠﻢ اﻹﺣﺼﺎء‬ ‫َ‬ ‫اﻟﻌﴩﻳﻦ؛ إذ‬
‫اﻟﺤﻘﻴﻘﻲ ﻳﺘﻤﺤﻮر ﺣﻮل اﺳﺘﻜﺸﺎف املﺠﻬﻮل‪ ،‬وﻻ ﻳﺘﻤﺤﻮر ﺣﻮل ﻋﻤﻠﻴﺎت ﺣﺴﺎﺑﻴﺔ ﻣ ُِﻤ ﱠﻠﺔ —‬
‫أﺳﺎﳼ ﰲ ﺗﻘﺪﻳﺮ ﻗﻴﻤﺔ ﻫﺬا اﻟﻌﻠﻢ اﻟﺤﺪﻳﺚ‪.‬‬
‫ﱞ‬

‫‪25‬‬
 ‫اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ‬

‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫اﻟﺒﻴﺎﻧﺎت أدﻟﺔ اﻟﻄﺒﻴﻌﺔ‪.‬‬

‫ﻣﻘﺪﻣﺔ‬
‫أﻫﺪف ﰲ ﻫﺬا اﻟﻔﺼﻞ إﱃ ﺗﻘﺪﻳﻢ ﺑﻌﺾ املﻔﺎﻫﻴﻢ واﻷدوات اﻷﺳﺎﺳﻴﺔ اﻟﺘﻲ ﺗﺸﻜﻞ أﺳﺎس ﻋﻠﻢ‬
‫اﻹﺣﺼﺎء‪ ،‬واﻟﺘﻲ ﺗﻤ ﱢﻜﻨﻪ ﻣﻦ ﻟﻌﺐ أدوار ﻛﺜرية‪.‬‬
‫أن ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ ﻋﺎﻧَﻰ ﻣﻦ ﻛﺜري ﻣﻦ املﻔﺎﻫﻴﻢ‬ ‫أﴍت ﰲ اﻟﻔﺼﻞ اﻷول إﱃ ﱠ‬ ‫ُ‬
‫آﺧﺮ ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎن )رﺑﻤﺎ ﻋﻦ ﻏري‬ ‫اﻟﺨﺎﻃﺌﺔ وﺳﻮء اﻟﻔﻬﻢ‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻳﺮوﱠج ﺳﻮء ﻓﻬﻢ َ‬
‫ﻗﺼﺪ( ﻋﻦ ﻃﺮﻳﻖ اﻟﻜﺘﺐ اﻟﺘﻲ ﺗﴩح اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ ﻟﻠﺨﱪاء ﰲ ﺗﺨﺼﺼﺎت أﺧﺮى؛‬
‫وﻫﻮ أن اﻹﺣﺼﺎء ﻋﺒﺎرة ﻋﻦ ﺣﻘﻴﺒﺔ ﻣﻦ اﻷدوات‪ ،‬وﻳﺘﻤﺜﻞ دور اﻹﺣﺼﺎﺋﻲ أو ﻣﺴﺘﺨﺪِم‬
‫اﻹﺣﺼﺎء ﰲ اﺧﺘﻴﺎر أداة واﺣﺪة ﺗﺘﻨﺎﺳﺐ ﻣﻊ ﻣﺴﺄﻟﺘﻪ‪ ،‬ﺛﻢ ﺗﻄﺒﻴﻘﻬﺎ‪.‬‬
‫ﺗﺘﻤﺜﻞ ﻣﺸﻜﻠﺔ ﻫﺬه اﻟﻨﻈﺮة ﻟﻺﺣﺼﺎء ﰲ أﻧﻬﺎ ﺗﻌﻄﻲ اﻧﻄﺒﺎﻋً ﺎ ﺑﺄن ﻣﺠﺎل اﻹﺣﺼﺎء‬
‫ﺑﺒﺴﺎﻃﺔ ﻋﺒﺎرة ﻋﻦ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻄﺮق املﻨﻔﺼﻠﺔ ملﻌﺎﻟﺠﺔ اﻷرﻗﺎم؛ ﻓﻬﻲ ﺗﻔﺸﻞ ﰲ ﻧﻘﻞ‬ ‫ٍ‬
‫ﺣﻘﻴﻘﺔ أن اﻹﺣﺼﺎءَ ﻛ ﱞﻞ ﻣﺘﺼ ٌﻞ‪ ،‬ﻣﺒﻨﻲ ﻋﲆ ﻣﺒﺎدئ ﻓﻠﺴﻔﻴﺔ ﻋﻤﻴﻘﺔ‪ ،‬ﺑﺤﻴﺚ ﺗﻜﻮن أدوات‬
‫ً‬
‫ﺷﺎﻣﻼ ﻣﻘﺎرﻧﺔ ﺑﻐريه‪ ،‬ورﺑﻤﺎ ﻳﺒﺪو‬ ‫ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت ﻣﺮﺗﺒﻄﺔ وﻣﺘﺼﻠﺔ؛ ﻓﺒﻌﻀﻬﺎ ﻗﺪ ﻳﺒﺪو‬
‫ﻣﺨﺘﻠﻔﺎ ﺑﺒﺴﺎﻃﺔ ﻷﻧﻪ ﻳﺘﻌﺎﻣﻞ ﻣﻊ أﻧﻮاع ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻋﲆ اﻟﺮﻏﻢ‬‫ً‬ ‫اﻟﺒﻌﺾ اﻵﺧﺮ‬
‫ﻣﻦ أن ﻫﺬه اﻷدوات ﺗﺒﺤﺚ ﻋﻦ اﻟﻨﻮع ﻧﻔﺴﻪ ﻣﻦ اﻟ ِﺒﻨَﻰ‪ ،‬وﻣﺎ إﱃ ذﻟﻚ‪ .‬وأﻇﻦ أن اﻧﻄﺒﺎع‬
‫ﻣﺠﻤﻮﻋﺔ اﻟﻄﺮق املﻌﺰوﻟﺔ ﻫﺬا رﺑﻤﺎ ﻳﻜﻮن ﺳﺒﺒًﺎ آﺧﺮ ﻳﺪﻓﻊ املﺴﺘﺠﺪﱢﻳﻦ ﰲ ﻣﺠﺎل اﻹﺣﺼﺎء‬
‫إﱃ اﻻﻋﺘﻘﺎد ﺑﺄن ﻫﺬا املﺠﺎل ﻣﻤ ﱞﻞ ﻧﻮﻋً ﺎ ﻣﺎ وﺻﻌﺐ اﻟﺘﻌﻠﻢ )ﺑﴫف اﻟﻨﻈﺮ ﻋﻦ أي ﺧﻮف ﻣﻦ‬
‫اﻷرﻗﺎم ﻗﺪ ﻳﻜﻮن ﻟﺪﻳﻬﻢ(؛ ﻓﺘﻌﻠﻢ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻄﺮق املﻨﻔﺼﻠﺔ اﻟﺘﻲ ﺗﺒﺪو ﺷﺪﻳﺪة اﻟﺘﺒﺎﻳﻦ‬
‫أﺻﻌﺐ ﺑﻜﺜري ﻣﻦ ﺗﻌﻠﻢ ﻫﺬه اﻟﻄﺮق ﻣﻦ ﺧﻼل اﺷﺘﻘﺎﻗﻬﺎ ﻣﻦ املﺒﺎدئ اﻷﺳﺎﺳﻴﺔ ﻧﻔﺴﻬﺎ‪.‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻷﻣﺮ ﻳﺸﺒﻪ ﰲ ﺻﻌﻮﺑﺘﻪ ﺗﻌ ﱡﻠﻢ ﻣﺠﻤﻮﻋﺔ ﻋﺸﻮاﺋﻴﺔ ﻣﻦ اﻟﻜﻠﻤﺎت ﻏري املﺮﺗﺒﻄﺔ‪ ،‬ﻣﻘﺎرﻧﺔ ﺑﺘﻌﻠﻢ‬
‫ﺳﻌﻴﺖ — ﰲ ﻫﺬا اﻟﻔﺼﻞ وﻋﲆ ﻣﺪار اﻟﻜﺘﺎب — ﻟﻠﺘﻌﺒري ﻋﻦ‬‫ُ‬ ‫ﺟﻤﻠﺔ ذات ﻣﻌﻨًﻰ‪ .‬وﻟﻘﺪ‬
‫ٍ‬ ‫ِ‬
‫ﻛﻠﻤﺎت‬
‫اﻟﻌﻼﻗﺎت ﺑني اﻷﻓﻜﺎر اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬ﻣﻦ أﺟﻞ إﻳﻀﺎح أن ﻣﺠﺎل اﻹﺣﺼﺎء ﰲ اﻟﺤﻘﻴﻘﺔ وﺣﺪة‬
‫ﻣﺘﻜﺎﻣﻠﺔ ﻣﱰاﺑﻄﺔ‪.‬‬

‫)‪ (1‬اﻟﺒﻴﺎﻧﺎت ﻣﺮة أﺧﺮى‬

‫وﺑﻐﺾ اﻟﻨﻈﺮ ﻋﻦ ﺗﻔﺎﺻﻴﻞ اﻟﺘﻌﺮﻳﻒ اﻟﺬي ﻧﻌﺘﻤﺪه ﻟﻪ‪،‬‬ ‫ﱢ‬ ‫أﻳٍّﺎ ﻛﺎن ﻣﺎ ﻳﻔﻌﻠﻪ ﻋﻠﻢ اﻹﺣﺼﺎء‪،‬‬
‫ﻓﺈن ﻋﻠﻢ اﻹﺣﺼﺎء ﻳﺒﺪأ ﺑﺎﻟﺒﻴﺎﻧﺎت‪ .‬ﺗﺼﻒ اﻟﺒﻴﺎﻧﺎت اﻟﻜﻮن اﻟﺬي ﻧﺮﻏﺐ ﰲ دراﺳﺘﻪ‪ ،‬وأﺳﺘﺨﺪم‬
‫ﻛﻠﻤﺔ »اﻟﻜﻮن« ﻫﻨﺎ ﺑﻤﻌﻨًﻰ ﻋﺎم واﺳﻊ؛ ﻓﻴﻤﻜﻦ أن ﻳﻜﻮن اﻟﻌﺎ َﻟﻢ املﺎدي اﻟﺬي ﻳﺪور ﺣﻮﻟﻨﺎ‪،‬‬
‫أﻳﻀﺎ أن ﻳﻜﻮن ﻋﺎ َﻟﻢ ﻣﻌﺎﻣﻼت ﺑﻄﺎﻗﺎت اﻻﺋﺘﻤﺎن‪ ،‬أو ﻋﺎﻟﻢ ﺗﺠﺎرب املﺼﻔﻮﻓﺎت‬ ‫وﻳﻤﻜﻦ ً‬
‫اﻟﺪﻗﻴﻘﺔ ﰲ ﻋﻠﻢ اﻟﻮراﺛﺔ‪ ،‬أو ﻋﺎﻟﻢ املﺪارس واﻟﺘﺪرﻳﺲ وأداء اﻻﻣﺘﺤﺎﻧﺎت‪ ،‬أو ﻋﺎﻟﻢ اﻟﺘﺠﺎرة‬
‫ﺑني اﻟﺒﻠﺪان‪ ،‬أو ﻋﺎﻟﻢ ﻛﻴﻔﻴﺔ ﺗﴫف اﻷﺷﺨﺎص ﻋﻨﺪ اﻟﺘﻌﺮض ﻟﻺﻋﻼﻧﺎت املﺨﺘﻠﻔﺔ‪ ،‬أو ﻋﺎﻟﻢ‬
‫اﻟﺠﺴﻴﻤﺎت دون اﻟﺬرﻳﺔ‪ ،‬وﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪ .‬ﻻ ﺗﻮﺟﺪ ﻧﻬﺎﻳﺔ ﻟﻠﻌﻮاﻟﻢ اﻟﺘﻲ ﻳﻤﻜﻦ دراﺳﺘﻬﺎ؛ وﻣﻦ‬
‫ﺛﻢ ﻻ ﻧﻬﺎﻳﺔ ﻟﻠﻌﻮاﻟﻢ اﻟﺘﻲ ﺗﻤﺜﻠﻬﺎ اﻟﺒﻴﺎﻧﺎت‪.‬‬
‫ﺨﱪﻧﺎ ﻋﻦ ﻛﻞ اﻟﺘﻌﻘﻴﺪات‬ ‫ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎل‪ ،‬ﻻ ﻳﻤﻜﻦ ملﺠﻤﻮﻋﺔ ﻣﺤﺪودة ﻣﻦ اﻟﺒﻴﺎﻧﺎت أن ﺗُ ِ‬
‫إن َﻛﺘَﺒَﻪ أﻓﺼﺢ‬
‫وﺻﻒ ﻟﻔﻈﻲ — ﺣﺘﻰ ْ‬ ‫ٌ‬ ‫اﻟﻼﻧﻬﺎﺋﻴﺔ ﻟﻠﻌﺎ َﻟﻢ اﻟﺤﻘﻴﻘﻲ‪ ،‬ﺗﻤﺎﻣً ﺎ ﻛﻤﺎ ﻻ ﻳﻮﺟﺪ‬
‫املﺆ ﱢﻟﻔني — ﻳﻤﻜﻦ أن ﻳﻨﻘﻞ ﻛﻞ ﳾء ﻋﻦ ﻛﻞ ﺟﺎﻧﺐ ﻣﻦ ﺟﻮاﻧﺐ اﻟﻌﺎﻟﻢ ﻣﻦ ﺣﻮﻟﻨﺎ؛ وﻫﺬا‬
‫ﻳﻌﻨﻲ أﻧﻨﺎ ﻳﺠﺐ أن ﻧﻜﻮن واﻋِ ني ﻟﻠﻐﺎﻳﺔ ﺑﺄي ﻣَ ﻮَاﻃﻦ ﺿﻌﻒ أو ﺛﻐﺮات ﰲ اﻟﺒﻴﺎﻧﺎت ﻟﺪﻳﻨﺎ‪،‬‬
‫ﻄﻲ‬ ‫وﻳﻌﻨﻲ أﻧﻪ ﻋﻨﺪ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻧﻜﻮن ﺑﺤﺎﺟﺔ ﻹﻳﻼء ﻋﻨﺎﻳﺔ ﺧﺎﺻﺔ ﻟﻠﺘﺄﻛﺪ ﻣﻦ أﻧﻬﺎ ﺗﻐ ﱢ‬
‫ﺑﺎﻟﻔﻌﻞ اﻟﺠﻮاﻧﺐ اﻟﺘﻲ ﻧﻬﺘﻢ ﺑﻬﺎ‪ ،‬أو اﻟﺘﻲ ﻧﺮﻏﺐ ﰲ اﺳﺘﺨﻼص ﻧﺘﺎﺋﺞ ﺣﻮﻟﻬﺎ‪ .‬ﺗﻮﺟﺪ ً‬
‫أﻳﻀﺎ‬
‫ﻃﺮﻳﻘﺔ أﻛﺜﺮ إﻳﺠﺎﺑﻴﺔ ﻟﻠﻨﻈﺮ إﱃ ﻫﺬا اﻷﻣﺮ؛ وﻫﻲ أﻧﻪ ﻋﻦ ﻃﺮﻳﻖ ﺟﻤﻊ ﻣﺠﻤﻮﻋﺔ ﻣﺤﺪودة ﻣﻦ‬
‫اﻟﺠﻮاﻧﺐ اﻟﻮﺻﻔﻴﺔ ﻓﺤﺴﺐ‪ ،‬ﻓﺈﻧﻨﺎ ﻧُﻀﻄﺮ ﻹﻗﺼﺎء اﻟﻌﻨﺎﴏ ﻏري ذات اﻟﺼﻠﺔ؛ ﻓﻌﻨﺪ دراﺳﺔ‬
‫ﺳﻼﻣﺔ ﺗﺼﻤﻴﻤﺎت اﻟﺴﻴﺎرات املﺨﺘﻠﻔﺔ‪ ،‬رﺑﻤﺎ ﻧﻘﺮر ﻋﺪم ﺗﺴﺠﻴﻞ ﻟﻮن اﻟﻘﻤﺎش اﻟﺬي ﻳﻜﺴﻮ‬
‫املﻘﺎﻋﺪ‪.‬‬
‫ﱠ‬
‫ﻣﻦ املﻼﺋﻢ ﻋﻤﻮﻣً ﺎ اﻟﻨﻈﺮ ﻟﻠﺒﻴﺎﻧﺎت ﻋﲆ أن ﻟﻬﺎ ﺟﺎﻧﺒ َْني؛ ﻳﺘﻌﻠﻖ أﺣﺪﻫﻤﺎ ﺑﺎﻟﻜﺎﺋﻨﺎت‬
‫اﻟﺘﻲ ﻧﺮﻏﺐ ﰲ دراﺳﺘﻬﺎ‪ ،‬وﻳﺘﻌﻠﻖ اﻟﺠﺎﻧﺐ اﻵﺧﺮ ﺑﺨﺼﺎﺋﺺ ﻫﺬه اﻟﻜﺎﺋﻨﺎت اﻟﺘﻲ ﻧﺮﻏﺐ‬
‫ﰲ دراﺳﺘﻬﺎ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﺗﺘﻤﺜﻞ ﻫﺬه اﻟﻜﺎﺋﻨﺎت ﰲ أﻃﻔﺎل املﺪرﺳﺔ وﺗﺘﻤﺜﻞ‬
‫ﺧﺼﺎﺋﺼﻬﻢ ﰲ درﺟﺎﺗﻬﻢ ﰲ اﻻﺧﺘﺒﺎر‪ ،‬أو رﺑﻤﺎ ﺗﺘﻤﺜﻞ اﻟﻜﺎﺋﻨﺎت ﰲ اﻷﻃﻔﺎل‪ ،‬وﻟﻜﻨﻨﺎ ﻧﺪرس‬

‫‪28‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫ﻧﻈﺎﻣﻬﻢ اﻟﻐﺬاﺋﻲ وﻧﻤﻮﱠﻫﻢ اﻟﺒﺪﻧﻲ‪ ،‬وﰲ ﻫﺬه اﻟﺤﺎﻟﺔ رﺑﻤﺎ ﺗﺘﻤﺜﻞ اﻟﺨﺼﺎﺋﺺ ﰲ ﻃﻮل اﻷﻃﻔﺎل‬
‫ووزﻧﻬﻢ‪ ،‬أو رﺑﻤﺎ ﺗﻜﻮن ﻫﺬه اﻟﻜﺎﺋﻨﺎت ﻣﻮا ﱠد ﻣﺎدﻳﺔ‪ ،‬أﻣﺎ اﻟﺨﺼﺎﺋﺺ ذات اﻷﻫﻤﻴﺔ ﻓﻬﻲ‬
‫ﺳﻤﺎﺗﻬﺎ اﻟﻜﻬﺮﺑﺎﺋﻴﺔ واملﻐﻨﺎﻃﻴﺴﻴﺔ‪ .‬ﻣﻦ اﻟﺸﺎﺋﻊ ﰲ ﻣﺠﺎل اﻹﺣﺼﺎء ﺗﺴﻤﻴﺔ ﻫﺬه اﻟﺨﺼﺎﺋﺺ‬
‫»ﻣﺘﻐريات«‪ ،‬ﺑﺤﻴﺚ ﻳﻤﺘﻠﻚ ﻛﻞ ﻛﺎﺋﻦ ﻣﻨﻬﺎ »ﻗﻴﻤﺔ« ﻟﻠﻤﺘﻐري )درﺟﺔ اﻟﻄﻔﻞ ﰲ اﺧﺘﺒﺎر اﻹﻣﻼء‬
‫ﺗﻤﺜﻞ ﻗﻴﻤﺔ ﻣﺘﻐري اﻻﺧﺘﺒﺎر‪ ،‬وﻛﻤﻴﺔ اﻟﺘﻮﺻﻴﻞ اﻟﻜﻬﺮﺑﻲ ﻟﻠﻤﺎدة ﺗﻤﺜﻞ ﻗﻴﻤﺔ ﻣﺘﻐري اﻟﻘﺪرة ﻋﲆ‬
‫ﺗﻮﺻﻴﻞ اﻟﺘﻴﺎر‪ ،‬وﻣﺎ إﱃ ذﻟﻚ(‪ .‬وﰲ ﻣﺠﺎﻻت ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت اﻷﺧﺮى‪ ،‬ﺗُﺴﺘَﺨﺪَم ﻛﻠﻤﺎت ﺑﺪﻳﻠﺔ‬
‫ﰲ ﺑﻌﺾ اﻷﺣﻴﺎن )ﻣﺜﻞ »ﻣﻴﺰة« أو »ﺳﻤﺔ« أو »ﺧﺎﺻﻴﺔ«(‪ ،‬وﻟﻜﻦ ﻋﻨﺪ ﻣﻨﺎﻗﺸﺔ اﻟﺠﻮاﻧﺐ‬
‫اﻟﺘﻘﻨﻴﺔ‪ ،‬ﺳﺄﻟﺘﺰم ﻋﺎدة ﺑﻜﻠﻤﺔ »ﻣﺘﻐري«‪.‬‬
‫ﰲ اﻟﻮاﻗﻊ‪ ،‬ﰲ أي دراﺳﺔ‪ ،‬رﺑﻤﺎ ﻧﻜﻮن ﻣﻬﺘﻤني ﺑﺄﻧﻮاع ﻣﺘﻌﺪدة ﻣﻦ اﻟﻜﺎﺋﻨﺎت‪ .‬ﻓﺮﺑﻤﺎ‬
‫ﻻ ﻧﺮﻏﺐ ﰲ اﻟﻔﻬﻢ وﺗﻘﺪﻳﻢ اﻟﻨﺘﺎﺋﺞ ﻋﻦ أﻃﻔﺎل املﺪارس ﻓﺤﺴﺐ‪ ،‬وﻟﻜﻦ ً‬
‫أﻳﻀﺎ ﻋﻦ املﺪارس‬
‫ﻧﻔﺴﻬﺎ ورﺑﻤﺎ ﻋﻦ املﻌﻠﻤني وأﺳﺎﻟﻴﺐ اﻟﺘﺪرﻳﺲ واﻷﻧﻮاع املﺨﺘﻠﻔﺔ ﻟﻬﻴﺎﻛﻞ اﻹدارة املﺪرﺳﻴﺔ‪،‬‬
‫ﻛﻞ ذﻟﻚ ﰲ دراﺳﺔ واﺣﺪة‪ .‬ﻋﻼوة ﻋﲆ ذﻟﻚ‪ ،‬ﻋﺎدة ﻟﻦ ﻧﻜﻮن ﻣﻬﺘﻤني ﺑﺴﻤﺔ واﺣﺪة ﻟﻠﻜﺎﺋﻨﺎت‬
‫اﻟﺘﻲ ﺗﺨﻀﻊ ﻟﻠﺪراﺳﺔ‪ ،‬وإﻧﻤﺎ ﺑﺎﻟﻌﻼﻗﺎت ﺑني اﻟﺴﻤﺎت‪ ،‬ورﺑﻤﺎ ﺑﺎﻟﻔﻌﻞ ﺑﺎﻟﻌﻼﻗﺎت ﺑني ﺳﻤﺎت‬
‫ﱠ‬
‫ﻣﺘﻮﻗﻊ‪ ،‬ﻧﺠﺪ أن اﻷﻣﻮر‬ ‫اﻟﻜﺎﺋﻨﺎت ﻣﻦ اﻷﻧﻮاع املﺨﺘﻠﻔﺔ وﻋﲆ املﺴﺘﻮﻳﺎت املﺨﺘﻠﻔﺔ‪ .‬وﻛﻤﺎ ﻫﻮ‬
‫ﻏﺎﻟﺒًﺎ ﻣﺎ ﺗﻜﻮن ﱠ‬
‫ﻣﻌﻘﺪة ﻟﻠﻐﺎﻳﺔ؛ ﻧﻈ ًﺮا ﻟﺘﻌﻘﻴﺪ املﻮﺿﻮﻋﺎت اﻟﺘﻲ ﻧﺪرﺳﻬﺎ‪.‬‬
‫ﻳﻘﺎوم ﻛﺜري ﻣﻦ اﻟﻨﺎس ﻓﻜﺮة أﻧﻪ ﻳﻤﻜﻦ ﻟﻠﺒﻴﺎﻧﺎت اﻟﺮﻗﻤﻴﺔ أن ﺗﻨﻘﻞ ﺟﻤﺎل اﻟﻌﺎﻟﻢ‬
‫اﻟﺤﻘﻴﻘﻲ؛ ﻓﻴﺸﻌﺮون ﺑﺄن ﺗﺤﻮﻳﻞ اﻷﺷﻴﺎء إﱃ أرﻗﺎم ﻳ ُِﺰﻳﻞ ﺑﻄﺮﻳﻘﺔ أو ﺑﺄﺧﺮى ﻋﻨﻬﺎ ﺳﺤﺮﻫﺎ‪.‬‬
‫ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻫﻢ ﻣﺨﻄﺌﻮن ﺣﺘﻰ اﻟﻨﺨﺎع؛ ﻓﺎﻷرﻗﺎم ﻟﺪﻳﻬﺎ اﻟﻘﺪرة ﻋﲆ اﻟﺴﻤﺎح ﻟﻨﺎ ﺑﺈدراك‬
‫ﻋﻤﻘﺎ‪ ،‬وﺗﻘﺪﻳﺮه ﱠ‬
‫ﺣﻖ ﻗﺪْره‪.‬‬ ‫ﻫﺬا اﻟﺠﻤﺎل — ﻫﺬا اﻟﺴﺤﺮ — ﻋﲆ ﻧﺤﻮ أﻛﺜﺮ وﺿﻮﺣً ﺎ وأﻛﺜﺮ ً‬
‫وﺑﺎﻋﱰاف اﻟﺠﻤﻴﻊ‪ ،‬رﺑﻤﺎ ﻳُﺰال »اﻟﻐﻤﻮض« ﻋﻦ ﻃﺮﻳﻖ وﺻﻒ اﻷﺷﻴﺎء ﺑﺼﻮرة رﻗﻤﻴﺔ؛ ﻓﺈذا‬
‫ﻗﻠﺖ إﻧﻪ ﻳﻮﺟﺪ أرﺑﻌﺔ أﺷﺨﺎص ﰲ اﻟﻐﺮﻓﺔ‪ ،‬ﻓﺈﻧﻚ ﺗﻌﺮف ﺑﺎﻟﻀﺒﻂ ﻣﺎ أَﻋﻨِﻴﻪ‪ ،‬ﰲ ﺣني أﻧﻨﻲ إذا‬ ‫ُ‬
‫ﺷﺨﺼﺎ ﻣﺎ ﺟﺬﱠاب‪ ،‬رﺑﻤﺎ ﻻ ﺗﻜﻮن ﻣﺘﺄﻛﺪًا ﺗﻤﺎﻣً ﺎ ﻣﻤﱠ ﺎ أﻋﻨِﻴﻪ‪ .‬ورﺑﻤﺎ ﺗﺨﺘﻠﻒ ﺣﺘﻰ ﻣﻊ‬
‫ً‬ ‫ُ‬
‫ﻗﻠﺖ إن‬
‫ﺷﺨﺼﺎ ﺟﺬﱠاﺑًﺎ ﰲ اﻟﻐﺮﻓﺔ‪ ،‬وﻟﻜﻦ ﻣﻦ ﻏري املﺮﺟﱠ ﺢ أن ﺗﺨﺘﻠﻒ ﻣﻊ‬ ‫ً‬ ‫وﺟﻬﺔ ﻧﻈﺮي ﰲ أن ﺛﻤﺔ‬
‫وﺟﻬﺔ ﻧﻈﺮي ﺑﺄن ﻫﻨﺎك أرﺑﻌﺔ أﺷﺨﺎص ﰲ اﻟﻐﺮﻓﺔ )ﺑﺎﺳﺘﺜﻨﺎء أﺧﻄﺎء اﻟﻌ ﱢﺪ ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎل‪،‬‬
‫وﻟﻜﻦ ﻫﺬا أﻣﺮ ﻣﺨﺘﻠﻒ(‪ .‬واﻷرﻗﺎم ﻣﻔﻬﻮﻣﺔ ﻋﲆ ﻧﺤﻮ ﻋﺎملﻲ‪ ،‬ﺑﻐﺾ اﻟﻨﻈﺮ ﻋﻦ اﻟﺠﻨﺴﻴﺔ أو‬
‫اﻟﺪﻳﻦ أو اﻟﺠﻨﺲ أو اﻟﻌﻤﺮ أو أي ِﺳﻤَ ﺔ ﺑﴩﻳﺔ أﺧﺮى‪ .‬وﻳﻤﻜﻦ أن ﺗﻜﻮن إزاﻟﺔ اﻟﻐﻤﻮض‬
‫— وﻣﻌﻬﺎ إزاﻟﺔ ﺧﻄﺮ ﺳﻮء اﻟﻔﻬﻢ — ﻣﻔﻴﺪة ﻋﻨﺪﻣﺎ ﻧﺤﺎول أن ﻧﻔﻬﻢ ﺷﻴﺌًﺎ؛ ﻋﻨﺪﻣﺎ ﻧﺤﺎول‬
‫ﻓﻬﻤﻪ ﺗﻤﺎﻣً ﺎ‪.‬‬

‫‪29‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫وﺛﻴﻘﺎ ﺑﺤﻘﻴﻘﺔ أن »اﻷرﻗﺎم‬‫ً‬ ‫وﻳﺮﺗﺒﻂ اﻓﺘﻘﺎد اﻟﻐﻤﻮض ﻫﺬا ﰲ ﺗﻔﺴري اﻷرﻗﺎم ارﺗﺒﺎ ً‬
‫ﻃﺎ‬
‫ﺗﻤﺘﻠﻚ ﺳﻤﺔ واﺣﺪة ﻓﻘﻂ«؛ وﻧﻌﻨﻲ ﺑﻬﺬا ﻗﻴﻤﺘﻬﺎ أو ﺣﺠﻤﻬﺎ‪ .‬ﻓﻌﲆ اﻟﻨﻘﻴﺾ ﻣﻤﺎ ﻗﺪ ﻳﺪﻓﻌﻨﺎ‬
‫اﻟﻌﺮاﻓﻮن إﱃ اﻹﻳﻤﺎن ﺑﻪ‪ ،‬ﻓﺈن اﻷرﻗﺎم ﻟﻴﺴﺖ ﺟﺎﻟِﺒﺔ ﻟﻠﺤﻆ اﻟﺠﻴﺪ أو اﻟﺴﻴﺊ؛ ﺗﻤﺎﻣً ﺎ ﻛﻤﺎ أن‬
‫اﻷرﻗﺎم ﻻ ﺗﻤﺘﻠﻚ ﻟﻮﻧًﺎ أو ﻧﻜﻬﺔ أو راﺋﺤﺔ‪ ،‬ﻓﻠﻴﺲ ﻟﺪﻳﻬﺎ ﺳﻤﺎت ﻏري ﻗﻴﻤﺘﻬﺎ اﻟﺮﻗﻤﻴﺔ اﻟﺬاﺗﻴﺔ‪.‬‬
‫)ﻻ ﻳﻤﻜﻦ إﻧﻜﺎر أن ﺑﻌﺾ اﻷﺷﺨﺎص ﻳﻤﺘﻠﻜﻮن »اﻟﺤﺲ املﺮاﻓﻖ«‪ ،‬واﻟﺬي ﻓﻴﻪ ﻳﺮﺑﻄﻮن ﻟﻮﻧًﺎ‬
‫إﺣﺴﺎﺳﺎ ﺑﺄرﻗﺎم ﻣﻌﻴﻨﺔ‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻓﺈن اﻷﺣﺎﺳﻴﺲ املﺮﺗﺒﻄﺔ ﺗﺘﺒﺎﻳﻦ ﺑﺎﺧﺘﻼف‬ ‫ً‬ ‫ﻣﻌﻴﻨًﺎ أو‬
‫اﻷﺷﺨﺎص‪ ،‬وﻻ ﻳﻤﻜﻦ اﻋﺘﺒﺎرﻫﺎ ﺳﻤﺎت ﺧﺎﺻﺔ ﺑﺎﻷرﻗﺎم ﻧﻔﺴﻬﺎ‪(.‬‬
‫ﺗﻘﺪﱢم اﻟﺒﻴﺎﻧﺎت اﻟﺮﻗﻤﻴﺔ ﻟﻨﺎ ﺻﻠﺔ ﻣﺒﺎﴍة وﻓﻮرﻳﺔ ﺑﺎﻟﻈﻮاﻫﺮ اﻟﺘﻲ ﻧﺪرﺳﻬﺎ أﻛﺜﺮ ﻣﻤﺎ‬
‫ً‬
‫اﺗﺼﺎﻻ‬ ‫ﺗﻘﺪﱢﻣﻪ اﻟﻜﻠﻤﺎت؛ ﻷن اﻟﺒﻴﺎﻧﺎت اﻟﺮﻗﻤﻴﺔ ﺗَﻨﺘﺞ ﻋﺎدة ﻋﻦ ﻃﺮﻳﻖ أدوات ﻗﻴﺎس ﺗﺘﺼﻞ‬
‫ﻣﺒﺎﴍً ا ﺑﺘﻠﻚ اﻟﻈﻮاﻫﺮ ﺑﺪرﺟﺔ أﻛﱪ ﻣﻦ اﺗﺼﺎﻟﻬﺎ ﺑﺎﻟﻜﻠﻤﺎت؛ ﻓﺎﻷرﻗﺎم ﺗﺄﺗﻲ ﻣﺒﺎﴍة ﻣﻦ‬
‫اﻷﺷﻴﺎء اﻟﺘﻲ ﺗﺠﺮي دراﺳﺘﻬﺎ‪ ،‬ﰲ ﺣني أن اﻟﻜﻠﻤﺎت ﺗﺨﻀﻊ ﻟﻠﱰﺷﻴﺢ ﻋﻦ ﻃﺮﻳﻖ اﻟﻌﻘﻞ‬
‫اﻟﺒﴩي‪ .‬ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎل‪ ،‬ﻓﺈن اﻷﺷﻴﺎء ﺗﻜﻮن أﻛﺜﺮ ﺗﻌﻘﻴﺪًا إذا ﺗﻤﱠ ْﺖ إﺟﺮاءات ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت‬
‫ﺑﻮاﺳﻄﺔ اﻟﻜﻠﻤﺎت )ﻛﻤﺎ ﻫﻲ اﻟﺤﺎل إذا ﺟُ ِﻤﻌﺖ اﻟﺒﻴﺎﻧﺎت ﻋﻦ ﻃﺮﻳﻖ اﻻﺳﺘﺒﻴﺎﻧﺎت(‪ ،‬وﻟﻜﻦ‬
‫ً‬
‫ﺗﻤﺜﻴﻼ‬ ‫ﻻ ﻳﺰال املﺒﺪأ ﺻﺎﻟﺤً ﺎ‪ .‬وﺑﻴﻨﻤﺎ ﻗﺪ ﻻ ﺗﻜﻮن أدوات اﻟﻘﻴﺎس ﻣﺜﺎﻟﻴﺔ‪ ،‬ﻓﺈن اﻟﺒﻴﺎﻧﺎت ﺗﻜﻮن‬
‫ﺣﻘﻴﻘﻴٍّﺎ ﻟﻨﺘﺎﺋﺞ ﺗﻄﺒﻴﻖ ﺗﻠﻚ اﻷدوات ﻋﲆ اﻟﻈﺎﻫﺮة ﻗﻴﺪ اﻟﺪراﺳﺔ‪ .‬وأﺣﻴﺎﻧًﺎ أﻟﺨﺺ ذﻟﻚ ﻣﻦ‬
‫ﺧﻼل اﻟﺘﻌﻠﻴﻖ املﻮﺟﻮد ﰲ ﺑﺪاﻳﺔ ﻫﺬا اﻟﻔﺼﻞ‪» :‬اﻟﺒﻴﺎﻧﺎت ﻫﻲ أدﻟﺔ اﻟﻄﺒﻴﻌﺔ‪ ،‬اﻟﺘﻲ ﺗُﺮى ﻣﻦ‬
‫ﺧﻼل ﻋﺪﺳﺔ أداة اﻟﻘﻴﺎس‪«.‬‬
‫وﻓﻮق ﻛﻞ ﻫﺬا‪ ،‬ﻟﻸرﻗﺎم ﻧﺘﺎﺋﺞ ﻋﻤﻠﻴﺔ ﻣﻦ ﺣﻴﺚ اﻟﺘﻘﺪم املﺠﺘﻤﻌﻲ؛ ﻓﻘﺪرة اﻟﻌﺎ َﻟﻢ‬
‫املﺘﺤﴬ ﻋﲆ ﻣﻌﺎﻟﺠﺔ ﺗﻤﺜﻴﻼت اﻟﻮاﻗﻊ اﻟﺘﻲ ﺗﻘﺪﱢﻣﻬﺎ اﻷرﻗﺎم ﻫﻲ اﻟﺘﻲ أدﱠت إﱃ ﻣﺜﻞ ﻫﺬا‬ ‫ﱢ‬
‫اﻟﺘﻘﺪم املﺎدي املﺬﻫﻞ ﰲ اﻟﻘﺮون اﻟﻘﻠﻴﻠﺔ املﺎﺿﻴﺔ‪.‬‬
‫ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أن اﻷرﻗﺎم ﻟﻬﺎ ﺳﻤﺔ واﺣﺪة ﻓﻘﻂ — ﻗﻴﻤﺘﻬﺎ اﻟﺮﻗﻤﻴﺔ — ﻓﺮﺑﻤﺎ ﻧﺨﺘﺎر‬
‫اﺳﺘﺨﺪام ﺗﻠﻚ اﻟﺴﻤﺔ ﺑﻄﺮق ﻣﺨﺘﻠﻔﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻋﻨﺪ اﺗﺨﺎذ ﻗﺮار ﺑﺸﺄن ﺟﺪارة‬
‫وﻓﻘﺎ ﻟﺪرﺟﺎت اﻻﻣﺘﺤﺎن؛ أي إﻧﻨﺎ رﺑﻤﺎ ﻻ ﻧﻬﺘ ﱡﻢ‬ ‫اﻟﻄﻼب ﰲ اﻟﺼﻒ اﻟﺪراﳼ‪ ،‬رﺑﻤﺎ ﻧﺼﻨﱢﻔﻬﻢ ً‬
‫ﻧﺘﻴﺠﺔ ﻣﺎ أﻋﲆ ﻣﻦ أﺧﺮى‪ ،‬وﻻ ﻧﻬﺘ ﱡﻢ ﺑﺎﻟﻔﺎرق اﻟﻌﺪدي اﻟﺪﻗﻴﻖ‪ .‬وﻋﻨﺪﻣﺎ‬ ‫ٌ‬ ‫ﱠإﻻ ﺑﻤﺎ إذا ﻛﺎﻧﺖ‬
‫ﻧﻬﺘﻢ ﻓﻘﻂ »ﺑﱰﺗﻴﺐ« اﻟﻘِ ﻴَﻢ ﺑﻬﺬه اﻟﻄﺮﻳﻘﺔ ﻧﻘﻮل إﻧﻨﺎ ﻧﻌﺎﻟﺞ اﻟﺒﻴﺎﻧﺎت ﺑﻮﺿﻌﻬﺎ ﻋﲆ ﻣﻘﻴﺎس‬
‫»ﺗﺮﺗﻴﺒﻲ«‪ .‬ﻣﻦ ﻧﺎﺣﻴﺔ أﺧﺮى‪ ،‬ﻋﻨﺪﻣﺎ ﻳﻘﻴﺲ املﺰارع ﻛﻤﻴﺔ اﻟﺬرة اﻟﺘﻲ أﻧﺘﺠﻬﺎ‪ ،‬ﻓﻼ ﻳﺮﻳﺪ‬
‫ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎن ﻗﺪ أﻧﺘﺞ أﻛﺜﺮ ﻣﻤﺎ أﻧﺘﺞ ﰲ اﻟﻌﺎم املﺎﴈ أم ﻻ‪ ،‬ﻛﻤﺎ أﻧﻪ ﻳﺮﻳﺪ‬ ‫َ‬ ‫ﺑﺒﺴﺎﻃﺔ‬
‫أﻳﻀﺎ أن ﻳﻌﺮف ﻣﻘﺪا َر ﻣﺎ أﻧﺘﺠﻪ؛ أي اﻟﻮزن اﻟﻔﻌﲇ؛ ﻓﻌﲆ أي ﺣﺎل‪ ،‬ﺳﻮف ﺗُﺒﺎع اﻟﺬرة ﰲ‬ ‫ً‬

‫‪30‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫ُﻘﺎرن املﺰارع ﻓﻌﻠﻴٍّﺎ وزن اﻟﺬرة اﻟﺘﻲ أﻧﺘﺠﻬﺎ‬

‫اﻟﺴﻮق ﻋﲆ ﻫﺬا اﻷﺳﺎس‪ .‬ﰲ ﻫﺬه اﻟﺤﺎﻟﺔ‪ ،‬ﻳ ِ‬
‫ﺑﻮزن ﻣﻌﻴﺎري ﻣﺜﻞ اﻟﻄﻦ‪ ،‬ﺣﺘﻰ ﻳﺴﺘﻄﻴﻊ ﻣﻌﺮﻓﺔ ﻛﻢ ﻃﻨٍّﺎ ﻣﻦ اﻟﺬرة أﻧﺘﺠﻪ‪ .‬ﻳﺘﻀﻤﻦ ذﻟﻚ‬
‫اﺣﺘﺴﺎب ﻧﺴﺒﺔ وزن اﻟﺬرة اﻟﺘﻲ أﻧﺘﺠﻬﺎ املﺰارع ﻟﻮزن اﻟﻄﻦ اﻟﻮاﺣﺪ ﻣﻦ اﻟﺬرة؛ ﻟﻬﺬا اﻟﺴﺒﺐ‪،‬‬
‫ﻋﻨﺪﻣﺎ ﻧﺴﺘﺨﺪم اﻟﻘِ ﻴَﻢ ﻋﲆ ﻫﺬا اﻟﻨﺤﻮ‪ ،‬ﻓﺈﻧﻨﺎ ﻧﻘﻮل إﻧﻨﺎ ﻧﻌﺎﻟﺞ اﻟﺒﻴﺎﻧﺎت ﺑﻮﺿﻌﻬﺎ ﻋﲆ‬
‫ﻆ أﻧﻪ ﰲ ﻫﺬه اﻟﺤﺎﻟﺔ ﻳﻤﻜﻨﻨﺎ اﺧﺘﻴﺎر ﺗﻐﻴري وﺣﺪة اﻟﻘﻴﺎس اﻷﺳﺎﺳﻴﺔ؛‬ ‫ﻣﻘﻴﺎس »ﻧﺴﺒﻲ«‪ .‬ﻻﺣِ ْ‬
‫ﺑﺪﻻ ﻣﻦ اﻟﻄﻦ‪ .‬وﻣﺎ دﻣﻨﺎ ﻧﺸري إﱃ اﻟﻮﺣﺪة‬‫إذ ﻳﻤﻜﻨﻨﺎ ﺣﺴﺎب اﻟﻮزن ﺑﺎﻟﺮﻃﻞ أو اﻟﻜﻴﻠﻮﺟﺮام ً‬
‫اﻟﺘﻲ اﺳﺘﺨﺪﻣﻨﺎﻫﺎ‪ ،‬ﻓﺈﻧﻪ ﻣﻦ اﻟﺴﻬﻞ ﻋﲆ أي ﺷﺨﺺ آﺧﺮ إﻋﺎدة ﺗﺤﻮﻳﻠﻬﺎ ﻣﺮة أﺧﺮى‪ ،‬أو‬
‫ﺗﺤﻮﻳﻠﻬﺎ إﱃ أي وﺣﺪة ﻳﺴﺘﺨﺪﻣﻬﺎ ﻋﺎدة‪.‬‬
‫َ‬
‫ﰲ ﺣﺎﻟﺔ أﺧﺮى‪ ،‬رﺑﻤﺎ ﻧﺮﻏﺐ ﰲ ﻣﻌﺮﻓﺔ ﻋﺪد املﺮﴇ اﻟﺬﻳﻦ ﻋﺎﻧﻮْا ﻣﻦ أﺛﺮ ﺟﺎﻧﺒﻲ ﻣﻌني‬
‫ﻟﺪواءٍ ﻣﺎ‪ .‬وإذا ﻛﺎن اﻟﻌﺪد ﻛﺒريًا ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻓﺈﻧﻨﺎ ﻗﺪ ﻧﺮﻏﺐ ﰲ َﺳﺤْ ﺐ اﻟﺪواء ﻣﻦ اﻟﺴﻮق‬
‫ﻋﲆ أﺳﺎس أﻧﻪ ﻳﻨﻄﻮي ﻋﲆ ﻣﺨﺎﻃﺮة ﻛﺒرية ﻟﻠﻐﺎﻳﺔ‪ .‬ﰲ ﻫﺬه اﻟﺤﺎﻟﺔ‪ ،‬ﻓﺈﻧﻨﺎ ﺑﺒﺴﺎﻃﺔ ﻧُﺤﴢ‬
‫اﻟﻮﺣﺪات املﻨﻔﺼﻠﺔ اﻟﻮاﺿﺤﺔ املﻌﺎﻟِﻢ )املﺮﴇ(‪ .‬ﻟﻦ ﺗﻜﻮن إﻋﺎدة اﻟﻘﻴﺎس ﻋﻦ ﻃﺮﻳﻖ ﺗﻐﻴري‬
‫اﻟﻮﺣﺪات ذات ﻣﻐ ًﺰى )ﻓﻠﻦ ﻧﻔ ﱢﻜﺮ ﰲ إﺣﺼﺎء ﻋﺪد »ﻧﺼﻒ املﺮﴇ«!( ﻟﺬﻟﻚ ﻧﻘﻮل إﻧﻨﺎ ﻧُﻌﺎﻟِﺞ‬
‫اﻟﺒﻴﺎﻧﺎت ﺑﻮﺿﻌﻬﺎ ﰲ املﻘﻴﺎس »املﻄﻠﻖ«‪.‬‬

‫ﱠ‬
‫املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ اﻟﺒﺴﻴﻄﺔ‬ ‫)‪(2‬‬
‫ﰲ ﺣني أن اﻷرﻗﺎم اﻟﺒﺴﻴﻄﺔ ﺗﺸﻜﻞ »ﻋﻨﺎﴏ« اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻓﺈﻧﻪ ﻣﻦ أﺟﻞ أن ﺗﻜﻮن ﻣﻔﻴﺪة‪ ،‬ﻓﺈﻧﻨﺎ‬
‫ﺑﻄﺮﻳﻘﺔ ﻣﺎ‪ ،‬وﻫﻨﺎ ﻳﺄﺗﻲ َدوْر‬ ‫ٍ‬ ‫أن ﻧﻨﻈﺮ ﰲ اﻟﻌﻼﻗﺎت ﺑﻴﻨﻬﺎ‪ ،‬ورﺑﻤﺎ ﻧَﺠﻤَ ﻊ ﺑﻴﻨﻬﺎ‬ ‫ﻧﺤﺘﺎج إﱃ ْ‬
‫ﻃﺮﻗﺎ أﻛﺜﺮ ﺗﻌﻘﻴﺪًا ملﻘﺎرﻧﺔ اﻷرﻗﺎم واﻟﺠﻤﻊ‬ ‫ً‬ ‫اﻹﺣﺼﺎء‪ .‬ﺳﻮف ﺗﺴﺘﻜﺸﻒ اﻟﻔﺼﻮل اﻟﻼﺣﻘﺔ‬
‫ﺑﻴﻨﻬﺎ‪ ،‬وﻟﻜﻦ ﺳﻴﻜﻮن ﻫﺬا اﻟﻔﺼﻞ ﺑﻤﻨﺰﻟﺔ ﻣﻘﺪﻣﺔ ﻟﻸﻓﻜﺎر‪ .‬ﺳﻨُﻠﻘِ ﻲ ﻫﻨﺎ ﻧﻈﺮة ﻋﲆ ﺑﻌﺾ‬
‫أﻛﺜﺮ اﻟﻄﺮق ﻣﺒﺎﴍة؛ ﻓﻠﻦ ﻧﺴﺘﻜﺸﻒ اﻟﻌﻼﻗﺎت ﺑني املﺘﻐريات املﺨﺘﻠﻔﺔ ﰲ ﻫﺬا اﻟﻔﺼﻞ‪ ،‬وﻟﻜﻦ‬
‫ﺑﺒﺴﺎﻃﺔ ﺳﻨﺮى املﻌﻠﻮﻣﺎت واﻟ ﱡﺮ َؤى اﻟﺘﻲ ﻳﻤﻜﻦ اﺳﺘﺨﻼﺻﻬﺎ ﻣﻦ اﻟﻌﻼﻗﺎت ﺑني اﻟﻘِ ﻴَﻢ ا َملﻘﻴﺴﺔ‬
‫وﻓﻖ املﺘﻐري ﻧﻔﺴﻪ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻧﻜﻮن ﻗﺪ ﺳﺠﱠ ﻠﻨﺎ أﻋﻤﺎر املﺘﻘﺪﱢﻣني ﻟﻠﺤﺼﻮل ﻋﲆ‬ ‫ْ‬
‫ﻣﻨﺼﺐ ﰲ اﻟﺠﺎﻣﻌﺔ‪ ،‬أو درﺟﺔ ﺳﻄﻮع اﻟﻨﺠﻮم ﰲ ﻋﻨﻘﻮد ﻣَ ﺠَ ﱢﺮيﱟ ﻣﺎ‪ ،‬أو اﻟﻨﻔﻘﺎت اﻟﺸﻬﺮﻳﺔ‬
‫ﻣﺪﻳﻨﺔ ﻣﺎ‪ ،‬أو أوزان أﺑﻘﺎر ﰲ ﻗﻄﻴﻊ ﰲ وﻗﺖ إرﺳﺎﻟﻬﺎ إﱃ اﻟﺴﻮق‪ ،‬وﻣﺎ إﱃ ذﻟﻚ‪.‬‬ ‫ٍ‬ ‫ﻟﻸ ُ َﴎ ﰲ‬
‫وﰲ ﻛﻞ ﺣﺎﻟﺔ‪ ،‬ﺗُﺴﺠﱠ ﻞ ﻗﻴﻤﺔ رﻗﻤﻴﺔ واﺣﺪة ﻟﻜﻞ »ﻛﺎﺋﻦ« ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﻜﺎﺋﻨﺎت‪.‬‬
‫ﻋﻨﺪﻣﺎ ﺗﺆﺧﺬ ﻣﻌً ﺎ‪ ،‬ﻳُﻘﺎل إن اﻟﻘِ ﻴَﻢ اﻟﻔﺮدﻳﺔ ﰲ املﺠﻤﻮﻋﺔ ﺗﺸ ﱢﻜﻞ »ﺗﻮزﻳﻌً ﺎ« ﻟﻠﻘِ ﻴَﻢ‪ .‬وﺗُﻌَ ﱡﺪ‬
‫ﺳﺒﻼ ﻟﺘﻤﻴﻴﺰ ﻫﺬا اﻟﺘﻮزﻳﻊ؛ أي ﻗﻮل ﻣﺎ إذا ﻛﺎﻧﺖ اﻟﻘِ ﻴَﻢ ﻣﺘﺸﺎ ِﺑﻬﺔ‬ ‫ً‬ ‫املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ‬

‫‪31‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﺟﺪٍّا‪ ،‬وﻣﺎ إذا ﻛﺎﻧﺖ ﺗﻮﺟﺪ ﺑﻌﺾ اﻟﻘِ ﻴَﻢ اﻟﻜﺒرية أو اﻟﺼﻐرية ﻋﲆ ﻧﺤﻮ اﺳﺘﺜﻨﺎﺋﻲ‪ ،‬وﺗﺤﺪﻳﺪ‬
‫اﻟﻘﻴﻤﺔ »اﻟﻨﻤﻮذﺟﻴﺔ« … إﻟﺦ‪.‬‬

‫)‪ (1-2‬اﻟﻘِ ﻴَﻢ املﺘﻮﺳﻄﺔ‬

‫ﻳﺘﻤﺜﻞ أﺑﺴﻂ أﻧﻮاع اﻟﺘﻮﺻﻴﻔﺎت — أو املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ — ملﺠﻤﻮﻋﺔ ﻣﻦ اﻷرﻗﺎم ﰲ‬
‫»اﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ«‪ .‬واﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ ﻫﻲ ﻗﻴﻤﺔ ﺗﻤﺜﻴﻠﻴﺔ؛ وﻫﻲ ﻗﻴﻤﺔ ﻗﺮﻳﺒﺔ‪ ،‬ﺑﻤﻌﻨًﻰ ﻣﺎ‪،‬‬
‫اﻟﻘ ِﺒﻴﻞ ﺗﻜﻮن أﻛﺜﺮ وﺿﻮﺣً ﺎ ﻋﻨﺪﻣﺎ ﺗﻜﻮن‬ ‫ﻷرﻗﺎم املﺠﻤﻮﻋﺔ‪ .‬واﻟﺤﺎﺟﺔ إﱃ ﳾء ﻣﻦ ﻫﺬا َ‬
‫ً‬
‫ﺟﺪوﻻ ﻳﺴﺠﱢ ﻞ أﻋﻤﺎر ﻛﻞ‬ ‫ﻣﺠﻤﻮﻋﺔ اﻷرﻗﺎم ﻛﺒرية؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻟﻨﻔﱰض أن ﻟﺪﻳﻨﺎ‬
‫اﻷﺷﺨﺎص ﰲ ﻣﺪﻳﻨﺔ ﻛﺒرية؛ رﺑﻤﺎ ﻳﺒﻠﻎ ﻋﺪدﻫﻢ ﻣﻠﻴﻮن ﻧﺴﻤﺔ‪ .‬ﻣﻦ أﺟْ ﻞ اﻷﻏﺮاض اﻹدارﻳﺔ‬
‫واﻟﺘﺠﺎرﻳﺔ ﺳﻴﻜﻮن ﻣﻦ املﻔﻴﺪ ﻋﲆ ﻧﺤﻮ واﺿﺢ ﻣﻌﺮﻓﺔ ﻣﺘﻮﺳﻂ ﻋﻤﺮ اﻟﺴﻜﺎن؛ ﻓﺴﻮف‬
‫ﺗﻮﺟﺪ ﺣﺎﺟﺔ ﻟﺨﺪﻣﺎت ﻣﺨﺘﻠﻔﺔ ﻟﻠﻐﺎﻳﺔ‪ ،‬وﺗﻨﺸﺄ ﻓﺮص ﻣﺒﻴﻌﺎت إذا ﻛﺎن ﻣﺘﻮﺳﻂ اﻟﻌﻤﺮ ‪١٦‬‬
‫ﺑﺪﻻ ﻣﻦ ‪ .٦٠‬وﺑﺈﻣﻜﺎﻧﻨﺎ أن ﻧﺤﺎول اﻟﺤﺼﻮل ﻋﲆ ﻓﻜﺮة ﻋﻦ اﻟﺤﺠﻢ اﻟﻌﺎم ﻟﻸرﻗﺎم ﰲ‬ ‫ﻋﺎﻣً ﺎ ً‬
‫اﻟﺠﺪول — اﻷﻋﻤﺎر — ﻣﻦ ﺧﻼل اﻟﻨﻈﺮ إﱃ ﻛﻞ اﻟﻘِ ﻴَﻢ‪ .‬ﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ أن ﻫﺬا ﺳﻴﻜﻮن‬
‫أﻣ ًﺮا ﻋﺴريًا‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬إذا ﻛﺎن اﻟﻨﻈﺮ إﱃ ﻛﻞ رﻗﻢ ﻳﺴﺘﻐﺮق ﺛﺎﻧﻴﺔ واﺣﺪة ﻓﻘﻂ‪ ،‬ﻓﺈن اﻷﻣﺮ‬
‫ﺳﻴﺴﺘﻐﺮق أﻛﺜﺮ ﻣﻦ ‪ ٢٧٠‬ﺳﺎﻋﺔ ﻟﻠﻨﻈﺮ إﱃ ﺟﺪول ﻣﻜﻮﱠن ﻣﻦ ﻣﻠﻴﻮن رﻗﻢ‪ ،‬ﻛﻞ ﻫﺬا ﻣﻊ‬
‫ْ‬
‫وﻟﻜﻦ ﻳﻤﻜﻨﻨﺎ اﺳﺘﺨﺪام ﺟﻬﺎز‬ ‫ﻣﺤﺎوﻟﺔ ﺗﺬ ﱡﻛ ِﺮﻫﺎ وﻣﻘﺎرﻧﺘﻬﺎ‪.‬‬
‫ِ‬ ‫ﺗﺠﺎﻫﻞ اﻟﻌﻤﻞ اﻟﻔﻌﲇ املﺘﻤﺜﻞ ﰲ‬
‫اﻟﻜﻤﺒﻴﻮﺗﺮ اﻟﺨﺎص ﺑﻨﺎ ملﺴﺎﻋﺪﺗﻨﺎ‪.‬‬
‫واﺿﺤِ ني ﺣﻴﺎ َل ﻣﺎ ﻧَﻌﻨِﻴﻪ ﺑﻜﻠﻤﺔ »ﻗﻴﻤﺔ ﻣﺘﻮﺳﻄﺔ«‬ ‫أوﻻ‪ :‬ﻧﺤﻦ ﺑﺤﺎﺟﺔ إﱃ أن ﻧﻜﻮن ِ‬ ‫ً‬
‫ﻣﻌﺎن‪ .‬رﺑﻤﺎ اﻟﻨﻮع اﻷﻛﺜﺮ اﺳﺘﺨﺪاﻣً ﺎ ﻣﻦ اﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ ﻫﻮ‬ ‫ٍ‬ ‫ﺑﺎﻟﻀﺒﻂ‪ ،‬ﻷن اﻟﻜﻠﻤﺔ ﻟﻬﺎ ﻋِ ﺪﱠة‬
‫»املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ«‪ ،‬أو »اﻟﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ«‪ .‬ﻓﺈذا اﺳﺘﺨﺪم اﻟﺸﺨﺺ ﻛﻠﻤﺔ »املﺘﻮﺳﻂ«‬
‫دون أن ﻳﻮﺿﺢ ﺗﻔﺴريﻫﺎ‪ ،‬ﻓﺈﻧﻪ رﺑﻤﺎ ﺣﻴﻨﻬﺎ ﻳﻜﻮن ﻗﺎﺻﺪًا »املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ«‪.‬‬
‫ﺟﺪوﻻ آﺧﺮ ﻳﺤﺘﻮي ﻣﻠﻴﻮن‬‫ً‬ ‫وﻗﺒﻞ أن أوﺿﺢ ﻛﻴﻔﻴﺔ ﺣﺴﺎب املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ‪ ،‬ﺗَﺨﻴﱠ ْﻞ‬
‫ﻟﻨﻔﱰض ﰲ ﻫﺬا اﻟﺠﺪول اﻟﺜﺎﻧﻲ أن ﺟﻤﻴﻊ اﻷرﻗﺎم ﻣﺘﻄﺎﺑﻘﺔ ﺑﻌﻀﻬﺎ ﻣﻊ ﺑﻌﺾ؛ أي‬ ‫ْ‬ ‫رﻗﻢ‪.‬‬
‫ﻟﻨﻔﱰض أﻧﻬﺎ ﺟﻤﻴﻌً ﺎ ﻟﻬﺎ اﻟﻘﻴﻤﺔ ﻧﻔﺴﻬﺎ‪ .‬واﻵن اﺟﻤﻊ ﺟﻤﻴﻊ اﻷرﻗﺎم ﰲ اﻟﺠﺪول اﻷول ﻹﻳﺠﺎد‬ ‫ْ‬
‫ﻣﺠﻤﻮﻋﻬﺎ اﻟﻜﲇ )ﻫﺬا ﻻ ﻳﺴﺘﻐﺮق ﺳﻮى ﺟﺰء ﻣﻦ اﻟﺜﺎﻧﻴﺔ ﺑﺎﺳﺘﺨﺪام ﺟﻬﺎز ﻛﻤﺒﻴﻮﺗﺮ(‪ .‬اﺟﻤﻊ‬
‫ﺟﻤﻴﻊ اﻷرﻗﺎم ﰲ اﻟﺠﺪول اﻟﺜﺎﻧﻲ ﻹﻳﺠﺎد ﻣﺠﻤﻮﻋﻬﺎ اﻟﻜﲇ‪ .‬إذا ﻛﺎن ﻣﺠﻤﻮﻋﺎ أرﻗﺎم اﻟﺠﺪوﻟني‬
‫ﺑﺎﻟﻘﻴﻤﺔ ﻧﻔﺴﻬﺎ‪ ،‬ﻓﺈن اﻟﺮﻗﻢ اﻟﺬي ﺗﻜﺮر ﻣﻠﻴﻮن ﻣﺮة ﰲ اﻟﺠﺪول اﻟﺜﺎﻧﻲ ﻳﻤﺜﻞ ﻗﻴﻤﺔ ﺟﻮﻫﺮﻳﺔ‬
‫ﻧﻮﻋً ﺎ ﻣﺎ ﺑﺎﻟﻨﺴﺒﺔ ﻟﻸرﻗﺎم ﰲ اﻟﺠﺪول اﻷول‪ .‬ﻫﺬا اﻟﺮﻗﻢ املﻔﺮد‪ ،‬واﻟﺬي ﺟﻤﻌﺖ ﻣﻨﻪ ﻣﻠﻴﻮن‬

‫‪32‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫ﻧﺴﺨﺔ ﻟﺘﺼﻞ إﱃ املﺠﻤﻮع ﻧﻔﺴﻪ ﻛﻤﺎ ﰲ اﻟﺠﺪول اﻷول‪ ،‬ﻳﺴﻤﱠ ﻰ املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ )ﻟﻸرﻗﺎم‬
‫ﰲ اﻟﺠﺪول اﻷول(‪.‬‬
‫اﻟﺴﺒُﻞ ﻟﺤﺴﺎب املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ ﻫﻲ ﻣﻦ ﺧﻼل ﻗﺴﻤﺔ ﻣﺠﻤﻮع‬ ‫ﰲ اﻟﻮاﻗﻊ‪ ،‬أﺳﻬﻞ ﱡ‬
‫اﻷرﻗﺎم املﻠﻴﻮن ﰲ اﻟﺠﺪول اﻷول ﻋﲆ ﻣﻠﻴﻮن‪ .‬وﻋﻤﻮﻣً ﺎ‪ ،‬ﻳﺘﻢ إﻳﺠﺎد املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ ملﺠﻤﻮﻋﺔ‬
‫اﺧﺘﺒﺎر‬
‫ٍ‬ ‫ﻣﺜﺎﻻ َ‬
‫آﺧﺮ‪ :‬ﰲ‬ ‫ﻣﻦ اﻷرﻗﺎم ﺑﺠﻤﻊ ﺟﻤﻴﻊ اﻷرﻗﺎم وﻗﺴﻤﺔ املﺠﻤﻮع ﻋﲆ ﻋﺪدﻫﺎ‪ .‬إﻟﻴﻚ ً‬
‫ﻣﺎ‪ ،‬ﻛﺎﻧﺖ اﻟﻨﺴﺒﺔ املﺌﻮﻳﺔ ﻟﻨﺘﺎﺋﺞ ﺧﻤﺴﺔ ﻃﻼب ﰲ اﻟﺼﻒ ﻫﻲ‪ .٥٥ ،٩١ ،٥٣ ،٦٣ ،٧٨ :‬ﻳﺒﻠﻎ‬
‫ﻣﺠﻤﻮع ﻫﺬه اﻷرﻗﺎم‪ .٣٤٠ = ٥٥ + ٩١ + ٥٣ + ٦٣ + ٧٨ :‬وﻳﺄﺗﻲ املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ‬
‫ﺑﺒﺴﺎﻃﺔ ﻋﻦ ﻃﺮﻳﻖ ﻗﺴﻤﺔ ‪ ٣٤٠‬ﻋﲆ ‪٥‬؛ وﻫﻮ ‪ .٦٨‬وﻛﻨﺎ ﺳﻨﺤﺼﻞ ﻋﲆ املﺠﻤﻮع ﻧﻔﺴﻪ‬
‫)‪ (٣٤٠‬إذا ﺣﺼﻞ ﺟﻤﻴﻊ اﻟﻄﻼب اﻟﺨﻤﺴﺔ ﻋﲆ اﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ ‪.٦٨‬‬
‫ﻳﻤﺘﻠﻚ املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﺨﺼﺎﺋﺺ اﻟﺠﺬاﺑﺔ؛ ﻓﺪاﺋﻤً ﺎ ﻣﺎ ﻳﺄﺧﺬ ﻗﻴﻤﺔ ﺑني‬
‫أﻛﱪ اﻟﻘِ ﻴَﻢ وأﺻﻐﺮﻫﺎ ﰲ ﻣﺠﻤﻮﻋﺔ اﻷرﻗﺎم‪ .‬ﻋﻼوة ﻋﲆ ذﻟﻚ‪ ،‬ﻓﺈﻧﻪ ﻳﻮازن ﺑني اﻷرﻗﺎم ﰲ‬
‫املﺠﻤﻮﻋﺔ؛ ﺑﻤﻌﻨﻰ أن ﻣﺠﻤﻮع اﻟﻔﺮوق ﺑني املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ واﻟﻘِ ﻴَﻢ اﻷﻛﱪ ﻣﻨﻪ ﻳﺴﺎوي‬
‫ﺑﺎﻟﻀﺒﻂ ﻣﺠﻤﻮع اﻟﻔﺮوق ﺑني املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ واﻟﻘِ ﻴَﻢ اﻷﺻﻐﺮ ﻣﻨﻪ‪ .‬وﺑﻬﺬا املﻌﻨﻰ‪،‬‬
‫ﻫﻮ ﻗﻴﻤﺔ »ﻣﺮﻛﺰﻳﺔ«‪ .‬واﻷﺷﺨﺎص اﻟﺬﻳﻦ ﻳﻤﻠﻜﻮن ﺗﻔﻜريًا ﻣﻴﻜﺎﻧﻴﻜﻴٍّﺎ ﻗﺪ ﻳﺮﻏﺒﻮن ﰲ ﺗﺼﻮر‬
‫ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﺛﻘﺎل ِزﻧَﺔ اﻟﻮاﺣﺪ ﻣﻨﻬﺎ ﻛﻴﻠﻮﺟﺮام واﺣﺪ ﻣﻮﺿﻮﻋﺔ ﰲ ﻣﻮاﻗﻊ ﻣﺨﺘﻠﻔﺔ ﻋﲆ‬
‫ﻃﻮل ﻟﻮح ﺧﺸﺒﻲ )ﻋﺪﻳﻢ اﻟﻮزن(‪ .‬وﻣﺴﺎﻓﺎت اﻷوزان ﻣﻦ أﺣﺪ ﻃﺮﰲ اﻟﻠﻮح ﺗﻤﺜﱢﻞ اﻟﻘِ ﻴَ َﻢ ﰲ‬
‫ﻣﺠﻤﻮﻋﺔ اﻷرﻗﺎم‪ .‬واملﺘﻮﺳﻂ ﻫﻮ املﺴﺎﻓﺔ اﻟﺘﻲ ﺗﻔﺼﻞ اﻟﻄﺮف ﻋﻦ ﻣﺤﻮر ارﺗﻜﺎز ﻳﺘﻮازن‬
‫ﻓﻴﻪ ﻟﻮح اﻟﺨﺸﺐ ﺗﻤﺎﻣً ﺎ‪.‬‬
‫املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ ﻫﻮ »إﺣﺼﺎﺋﻴﺔ«‪ ،‬وﻫﻮ ﻳﻠﺨﺺ ﻣﺠﻤﻮﻋﺔ ﻛﺎﻣﻠﺔ ﻣﻦ اﻟﻘﻴﻢ ﰲ‬
‫أﻳﻀﺎ ﻣﻌﻠﻮﻣﺎت؛ ﻓﻴ َِﺠﺐ ﱠأﻻ ﱠ‬
‫ﻧﺘﻮﻗﻊ‬ ‫ﻣﺠﻤﻮﻋﺘﻨﺎ ﰲ ﺻﻮرة ﻗﻴﻤﺔ واﺣﺪة‪ .‬ﻳﺘﺒﻊ ذﻟﻚ أﻧﻪ ﻳﻬﻤﻞ ً‬
‫أن ﻧُﻤﺜﱢﻞ ﻣﻠﻴﻮن رﻗﻢ ﻣﺨﺘﻠﻒ )أو ﺧﻤﺴﺔ‪ ،‬أو أﻳٍّﺎ ﻛﺎن ﻋﺪدﻫﺎ( ﻋﻦ ﻃﺮﻳﻖ رﻗﻢ واﺣﺪ دون‬
‫ْ‬
‫وﻟﻜﻦ ﻧﻈ ًﺮا ﻷﻧﻪ‬ ‫اﻟﺘﻀﺤﻴﺔ ﺑﴚءٍ ﻣﺎ‪ ،‬وﺳﻨﻌﻤﻞ ﻋﲆ اﺳﺘﻜﺸﺎف ﻫﺬه اﻟﺘﻀﺤﻴﺔ ﰲ وﻗﺖ ﻻﺣﻖ‪.‬‬
‫ﻣﻠﺨﺼﺎ ﻣﻔﻴﺪًا؛ ﻓﻴﻤﻜﻨﻨﺎ ﻣﻘﺎرﻧﺔ‬‫ً‬ ‫ﻗﻴﻤﺔ ﻣﺮﻛﺰﻳﺔ ﺑﺎملﻌﻨﻰ ا ُملﺒ ﱠَني أﻋﻼه‪ ،‬ﻓﺈﻧﻪ ﻳﻤﻜﻦ أن ﻳﻜﻮن‬
‫ﻣﺘﻮﺳﻄﺎت ﺣﺠﻢ اﻟﻔﺼﻞ ﰲ املﺪارس املﺨﺘﻠﻔﺔ‪ ،‬أو ﻣﺘﻮﺳﻂ درﺟﺔ اﺧﺘﺒﺎر ﻃﻼب ﻣﺨﺘﻠﻔني‪،‬‬
‫أو ﻣﺘﻮﺳﻂ اﻟﻮﻗﺖ اﻟﺬي ﻳﺴﺘﻐﺮﻗﻪ ﻣﺨﺘﻠﻒ اﻟﻨﺎس ﻟﻠﻮﺻﻮل إﱃ اﻟﻌﻤﻞ‪ ،‬أو ﻣﺘﻮﺳﻂ درﺟﺔ‬
‫اﻟﺤﺮارة اﻟﻴﻮﻣﻴﺔ ﰲ ﺳﻨﻮات ﻣﺨﺘﻠﻔﺔ‪ ،‬وﻣﺎ إﱃ ذﻟﻚ‪.‬‬
‫املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ إﺣﺼﺎﺋﻴﺔ ﻣﻬﻤﺔ؛ ﻓﻬﻮ ﻣﻠﺨﺺ ملﺠﻤﻮﻋﺔ ﻣﻦ اﻷرﻗﺎم‪ .‬وﺛﻤﺔ ﻣﻠﺨﺺ‬
‫آﺧﺮ ﻣﻬﻢ ﻫﻮ »اﻟﻮﺳﻴﻂ«‪ .‬ﻛﺎن املﺘﻮﺳﻂ ﻫﻮ اﻟﻘﻴﻤﺔ املﺤﻮرﻳﺔ؛ ﻧﻮﻋً ﺎ ﻣﻦ اﻟﻨﻘﻄﺔ املﺮﻛﺰﻳﺔ‬

‫‪33‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫املﻮازﻧﺔ ملﺠﻤﻮع اﻟﻔﺮوق ﺑﻴﻨﻪ وﺑني اﻷرﻗﺎم ﰲ املﺠﻤﻮﻋﺔ‪ .‬أﻣﺎ اﻟﻮﺳﻴﻂ ﻓﻴﻮازن املﺠﻤﻮﻋﺔ‬
‫ﺑﻄﺮﻳﻘﺔ أﺧﺮى؛ ﻓﻬﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﻜﻮن ﻧﺼﻒ اﻷرﻗﺎم ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت أﻛﱪ ﻣﻨﻬﺎ‬
‫واﻟﻨﺼﻒ اﻵﺧﺮ أﺻﻐﺮ ﻣﻨﻬﺎ‪ .‬وﺑﺎﻟﻌﻮدة إﱃ اﻟﺼﻒ املﻜﻮﱠن ﻣﻦ ﺧﻤﺴﺔ ﻃﻼب املﺬﻛﻮر أﻋﻼه‪،‬‬
‫ﻓﺈن ﻧﺘﺎﺋﺠﻬﻢ ﺑﺎﻟﱰﺗﻴﺐ ﻣﻦ اﻷﺻﻐﺮ إﱃ اﻷﻛﱪ ﻫﻲ‪ .٩١ ،٧٨ ،٦٣ ،٥٥ ،٥٣ :‬واﻟﻨﺘﻴﺠﺔ‬
‫اﻟﻮﺳﻄﻰ ﻫﻨﺎ ﻫﻲ ‪ ،٦٣‬ﻟﺬﻟﻚ ﻫﺬا ﻫﻮ اﻟﻮﺳﻴﻂ‪.‬‬
‫ﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﺳﺘﻈﻬﺮ ﺑﻌﺾ اﻟﺘﻌﻘﻴﺪات إذا وﺟﺪت ﻗﻴﻢ ﻣﺘﺴﺎوﻳﺔ ﰲ ﻣﺠﻤﻮﻋﺔ‬
‫اﻟﺒﻴﺎﻧﺎت )ﻟﻨﻔﱰض ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل أﻧﻬﺎ ﺗﺘﻜﻮن ﻣﻦ ‪ ٩٩‬ﻧﺴﺨﺔ ﻣﻦ اﻟﻘﻴﻤﺔ ‪ ٠‬وﻧﺴﺨﺔ‬
‫واﺣﺪة ﻣﻦ اﻟﻘﻴﻤﺔ ‪ ،(١‬وﻟﻜﻦ ﻳﻤﻜﻦ اﻟﺘﻐﻠﺐ ﻋﲆ ذﻟﻚ‪ .‬ﻋﲆ أي ﺣﺎل‪ ،‬ﻣﺮة أﺧﺮى اﻟﻮﺳﻴﻂ‬
‫ﻫﻮ ﻗﻴﻤﺔ ﺗﻤﺜﻴﻠﻴﺔ ﺑﻤﻌﻨًﻰ ﻣﺎ‪ ،‬وإن ﻛﺎن ﻳﺨﺘﻠﻒ ﻋﻦ املﺘﻮﺳﻂ‪ .‬وﺑﺴﺒﺐ ﻫﺬا اﻻﺧﺘﻼف‪ ،‬ﻟﻨﺎ أن‬
‫ﻧﺘﻮﻗﻊ أﻧﻪ ﺳﻴﺄﺧﺬ ﻗﻴﻤﺔ ﻣﺨﺘﻠﻔﺔ ﻋﻦ املﺘﻮﺳﻂ‪ .‬ﻣﻦ اﻟﻮاﺿﺢ أن اﻟﻮﺳﻴﻂ أﺳﻬﻞ ﰲ اﻟﺤﺴﺎب‬
‫ﻓﻀﻼ ﻋﻦ اﻟﻘﺴﻤﺔ ﻋﲆ ﻋﺪد اﻟﻘﻴﻢ‬ ‫ً‬ ‫ﻣﻦ املﺘﻮﺳﻂ‪ .‬ﻓﻠﻴﺲ ﻋﻠﻴﻨﺎ ﺟﻤﻊ أي ﻗﻴﻢ ﻟﻠﻮﺻﻮل إﻟﻴﻪ‪،‬‬
‫ﰲ املﺠﻤﻮﻋﺔ؛ ﻛﻞ ﻣﺎ ﻋﻠﻴﻚ اﻟﻘﻴﺎم ﺑﻪ ﻫﻮ ﺗﺮﺗﻴﺐ اﻷرﻗﺎم‪ ،‬وﺗﺤﺪﻳﺪ ﻣﻮﻗﻊ اﻟﺮﻗﻢ املﻮﺟﻮد ﰲ‬
‫أﺳﺎﺳﺎ ﻏريُ ذات ﺻﻠﺔ ﺑﻌﴫ اﻟﻜﻤﺒﻴﻮﺗﺮ؛‬ ‫ً‬ ‫اﻟﻮﺳﻂ‪ .‬وﻟﻜﻦ ﰲ اﻟﻮاﻗﻊ ﻫﺬه املﻴﺰة اﻟﺤﺴﺎﺑﻴﺔ‬
‫ﻓﻔﻲ اﻟﺘﺤﻠﻴﻼت اﻹﺣﺼﺎﺋﻴﺔ اﻟﺤﻘﻴﻘﻴﺔ ﻳﻘﻮم اﻟﻜﻤﺒﻴﻮﺗﺮ ﺑﻌﻤﻠﻴﺎت املﻌﺎﻟﺠﺔ اﻟﺤﺴﺎﺑﻴﺔ املﻤﻠﺔ‪.‬‬
‫ﺑﻮﺟﻮد ﻫﺬﻳﻦ املﻠﺨﺼني اﻹﺣﺼﺎﺋﻴني‪ ،‬وﻛﻼﻫﻤﺎ ﻳﻘﺪﱢم ﻗِ ﻴَﻤً ﺎ ﺗﻤﺜﻴﻠﻴﺔ‪ ،‬ﻛﻴﻒ ﻟﻨﺎ أن ﻧﺤﺪد‬
‫أﻳﻬﻤﺎ ﺳﻨﺴﺘﺨﺪم ﰲ أي ﻣﻮﻗﻒ ﻣﻌني؟ ﺑﻤﺎ أﻧﻬﻤﺎ ﻳُﻌ ﱠﺮﻓﺎن ﻋﲆ ﻧﺤﻮ ﻣﺨﺘﻠﻒ — ﻳﺠﻤﻌﺎن‬
‫اﻟﻘﻴﻢ اﻟﺮﻗﻤﻴﺔ ﻋﲆ ﻧﺤﻮ ﻣﺨﺘﻠﻒ — ﻓﻤﻦ املﺮﺟﱠ ﺢ أن ﻳﻨﺘﺠﺎ ﻗﻴﻤً ﺎ ﻣﺨﺘﻠﻔﺔ؛ وﻟﺬﻟﻚ رﺑﻤﺎ ﺗﻜﻮن‬
‫أي اﺳﺘﻨﺘﺎﺟﺎت ﺗﺴﺘﻨﺪ إﻟﻴﻬﻤﺎ ﻣﺨﺘﻠﻔﺔ ﻟﻠﻐﺎﻳﺔ‪ .‬واﻟﺠﻮاب اﻟﻜﺎﻣﻞ ملﺴﺄﻟﺔ أﻳﻬﻤﺎ ﺗﺨﺘﺎر ﺳﻮف‬
‫ﻳﺪﺧﻠﻨﺎ ﰲ أﻣﻮر ﻓﻨﻴﺔ ﺗﺘﺠﺎوز ﻣﺴﺘﻮى ﻫﺬا اﻟﻜﺘﺎب‪ ،‬وﻟﻜﻦ اﻟﺠﻮاب اﻟﻘﺼري ﻫﻮ أن اﻻﺧﺘﻴﺎر‬
‫ﺳﻴﻌﺘﻤﺪ ﻋﲆ اﻟﺘﻔﺎﺻﻴﻞ اﻟﺪﻗﻴﻘﺔ ﻟﻠﺴﺆال اﻟﺬي ﻳﺮﻏﺐ املﺮء ﰲ اﻹﺟﺎﺑﺔ ﻋﻨﻪ‪.‬‬
‫ﻣﺜﺎﻻ‪ :‬ﻟﻨﻔﱰض أن ﴍﻛﺔ ﺻﻐرية ﻟﺪﻳﻬﺎ َﺧﻤﺲ ﻣﺠﻤﻮﻋﺎت ﻣﻦ املﻮﻇﻔني‪ ،‬ﻟﻜ ﱟﻞ‬ ‫إﻟﻴﻚ ً‬
‫ﻣﻨﻬﺎ درﺟﺔ وﻣﺮﺗﺐ ﻣﺨﺘﻠﻔﺎن؛ وﻫﻲ ﻋﲆ اﻟﱰﺗﻴﺐ‪ ١٠٠٠٠ :‬دوﻻر‪ ١٠٠٠١ ،‬دوﻻر‪١٠٠٠٢ ،‬‬
‫دوﻻر‪ ١٠٠٠٣ ،‬دوﻻرات‪ ٩٩٩٩٩ ،‬دوﻻ ًرا‪ .‬ﻣﺘﻮﺳﻂ ﻫﺬه اﻟﻘِ ﻴَﻢ ﻫﻮ ‪ ٢٨٠٠١‬دوﻻر‪ ،‬ﰲ ﺣني‬
‫أن اﻟﻮﺳﻴﻂ ﻫﻮ ‪ ١٠٠٠٢‬دوﻻر‪ .‬واﻵن ﻟﻨﻔﱰض أن اﻟﴩﻛﺔ ﺗﻌﺘﺰم ﺗﻮﻇﻴﻒ ﺧﻤﺴﺔ ﻣﻮﻇﻔني‬
‫ﺟُ ﺪُد؛ واﺣﺪ ﻟﻜﻞ درﺟﺔ‪ .‬رﺑﻤﺎ ﻳ ُِﺸري ﺻﺎﺣﺐ اﻟﻌﻤﻞ إﱃ أﻧﻪ ﰲ ﻫﺬه اﻟﺤﺎﻟﺔ‪ ،‬ﺳﻴُﻀﻄﺮ »ﰲ‬
‫املﺘﻮﺳﻂ« ﻟﺪﻓﻊ راﺗﺐ إﺟﻤﺎﱄ ﻟﻠﻘﺎدﻣني اﻟﺠُ ﺪُد اﻟﺨﻤﺴﺔ ﻛﻠﻬﻢ ﻳﺒﻠﻎ ‪ ٢٨٠٠١‬دوﻻر؛ وﻣﻦ‬
‫ﺛﻢ ﻳﻜﻮن ﻫﺬا ﻫﻮ ﻣﺘﻮﺳﻂ اﻟﺮاﺗﺐ اﻟﺬي ﻳﺬﻛﺮه ﰲ اﻹﻋﻼن‪ .‬ﻟﻜﻦ رﺑﻤﺎ ﻳﺸﻌﺮ املﻮﻇﻔﻮن أن‬
‫ُﺪﻓﻊ ﻟﻬﻢ أﻗﻞ ﻣﻦ ‪ ١٠٠٠٢‬دوﻻرات ﺳﻴﺴﺎوي ﻋﺪد‬ ‫ﻫﺬا ﺗﺤﺎﻳﻞ؛ ﻷن ﻋﺪد املﻮﻇﻔني اﻟﺬﻳﻦ ﺳﻴ َ‬

‫‪34‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫ُﺪﻓﻊ ﻟﻬﻢ ﻣﺒﻠﻎ أﻛﺜﺮ ﻣﻦ ‪ ١٠٠٠٢‬دوﻻرات‪ .‬ورﺑﻤﺎ ﻳﺸﻌﺮون أﻧﻪ ﻣﻦ‬ ‫املﻮﻇﻔني اﻟﺬﻳﻦ ﺳﻴ َ‬
‫ﺻﺪﻗﺎ وﺿﻊ ﻫﺬا اﻟﺮﻗﻢ ﰲ اﻹﻋﻼن‪ .‬أﺣﻴﺎﻧًﺎ ﻳﺘﻄﻠﺐ ﺗﺤﺪﻳﺪ أي املﻘﻴﺎﺳني ﻫﻮ املﻨﺎﺳﺐ‬ ‫ً‬ ‫اﻷﻛﺜﺮ‬
‫ﻳﺒني ﺷﻜﻞ ‪ 1-2‬ﺗﻮزﻳﻊ‬ ‫ﻛﻨﺖ ﺗﻌﺘﻘﺪ أن ﻫﺬه اﻟﺤﺠﺔ ﻣﺒﺘﺪَﻋﺔ‪ ،‬ﱢ‬ ‫ﺗﻔﻜريًا ﻣﺘﺄﻧﱢﻴًﺎ‪) .‬وﰲ ﺣﺎل َ‬
‫رواﺗﺐ ﻻﻋﺒﻲ اﻟﺒﻴﺴﺒﻮل اﻷﻣﺮﻳﻜﻲ ﻗﺒﻞ اﻹﴐاب ﰲ ﻋﺎم ‪ .١٩٩٤‬ﻛﺎن املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ‬
‫‪ ١٫٢‬ﻣﻠﻴﻮن دوﻻر‪ ،‬وﻟﻜﻦ ﻛﺎن اﻟﻮﺳﻴﻂ ‪ ٠٫٥‬ﻣﻠﻴﻮن دوﻻر‪(.‬‬
‫أﻳﻀﺎ اﻟﺘﺄﺛري اﻟﻨﺴﺒﻲ ﻟﻠﻘِ ﻴَﻢ املﺘﻄ ﱢﺮﻓﺔ ﻋﲆ املﺘﻮﺳﻂ واﻟﻮﺳﻴﻂ‪.‬‬‫ﻳﻮﺿﺢ ﻫﺬا املﺜﺎل ً‬
‫ْ‬
‫وﻟﻜﻦ‬ ‫ﰲ ﻣﺜﺎل املﺮﺗﺒﺎت أﻋﻼه‪ ،‬ﻳﺴﺎوي املﺘﻮﺳﻂ ﻣﺎ ﻳﻘﺮب ﻣﻦ ﺛﻼﺛﺔ أﺿﻌﺎف اﻟﻮﺳﻴﻂ‪.‬‬
‫ﺑﺪﻻ ﻣﻦ ‪ ٩٩٩٩٩‬دوﻻ ًرا‪ ،‬ﺣﻴﻨﻬﺎ ﺳﻴﻈﻞ‬ ‫ﻟﻨﻔﱰض أن أﻛﱪ ﻗﻴﻤﺔ ﻛﺎﻧﺖ ‪ ١٠٠٠٤‬دوﻻرات ً‬
‫ِﺼﻒ اﻟﻘِ ﻴَﻢ أﻋﻼه وﻧﺼﻔﻬﺎ أدﻧﺎه(‪ ،‬ﱠإﻻ أن املﺘﻮﺳﻂ ﺳﻴﺘﻘ ﱠﻠﺺ‬‫اﻟﻮﺳﻴﻂ ‪ ١٠٠٠٢‬دوﻻرات )ﻧ ْ‬
‫إﱃ ‪ ١٠٠٠٢‬دوﻻرات‪ .‬إن ﺣﺠﻢ ﻗﻴﻤﺔ واﺣﺪة ﻓﻘﻂ ﻳﻤﻜﻦ أن ﻳﻜﻮن ﻟﻪ ﺗﺄﺛري ﻛﺒري ﻋﲆ‬
‫املﺘﻮﺳﻂ‪ ،‬وﻟﻜﻨﻪ ﻻ ﻳﺆﺛﺮ ﻋﲆ اﻟﻮﺳﻴﻂ‪ .‬وﺣﺴﺎﺳﻴﺔ املﺘﻮﺳﻂ ﺗﻠﻚ ﺣﻴﺎل اﻟﻘِ ﻴَﻢ املﺘﻄﺮﻓﺔ ﻫﻲ‬
‫ً‬
‫ﻣﻔﻀﻼ ﰲ اﻻﺧﺘﻴﺎر ﻋﻦ املﺘﻮﺳﻂ‪.‬‬ ‫أﺣﺪ اﻷﺳﺒﺎب اﻟﺘﻲ ﺗﺠﻌﻞ اﻟﻮﺳﻴﻂ أﺣﻴﺎﻧًﺎ‬
‫املﻠﺨﺼني اﻟﻮﺣﻴﺪﻳﻦ ﻟﻠﻘﻴﻢ اﻟﺘﻤﺜﻴﻠﻴﺔ؛ ﻓﺜﻤﺔ ﻣﻠﺨﺺ آﺧﺮ‬ ‫ﱠ‬ ‫ﻟﻴﺲ املﺘﻮﺳﻂ واﻟﻮﺳﻴﻂ‬
‫ﻣﻬﻢ ﻫﻮ »املﻨﻮال«؛ وﻫﻮ أﻛﺜﺮ اﻟﻘﻴﻢ ﺗﻜﺮا ًرا ﰲ اﻟﻌﻴﻨﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻟﻨﻔﱰض أﻧﻨﻲ‬
‫ﺣﴢ ﻋﺪد اﻷﻃﻔﺎل ﰲ اﻷﴎة ﰲ ﻣﺠﻤﻮﻋﺔ ﺳﻜﺎﻧﻴﺔ ﻣﻌﻴﻨﺔ‪ .‬رﺑﻤﺎ أﺟﺪ أن ﺑﻌﺾ اﻷ ُ َﴎ ﻟﺪﻳﻬﺎ‬ ‫أُ ِ‬
‫ﻃﻔﻞ واﺣﺪ‪ ،‬وﺑﻌﻀﻬﺎ ﻟﺪﻳﻬﺎ ﻃﻔﻼن‪ ،‬وﺑﻌﻀﻬﺎ ﺛﻼﺛﺔ‪ ،‬وﻣﺎ إﱃ ذﻟﻚ‪ ،‬ورﺑﻤﺎ أﺟﺪ ﻋﲆ وﺟﻪ‬
‫اﻟﺨﺼﻮص أن ﻋﺪد اﻷ ُ َﴎ اﻟﺘﻲ ﻟﺪﻳﻬﺎ ﻃﻔﻼن أﻛﱪ ﻣﻦ أي ﻗﻴﻤﺔ أﺧﺮى‪ .‬ﰲ ﻫﺬه اﻟﺤﺎﻟﺔ‪،‬‬
‫ﺳﻴﻜﻮن ﻣﻨﻮال ﻋﺪد اﻷﻃﻔﺎل ﻟﻜﻞ أﴎة ﻫﻮ اﺛﻨني‪.‬‬

‫)‪ (2-2‬اﻟﺘﺸﺘﺖ‬
‫ً‬
‫رﻗﻤﻴﺔ واﺣﺪ ًة‬ ‫ٍ‬
‫ﻣﻠﺨﺼﺎت‬ ‫املﺘﻮﺳﻄﺎت — ﻋﲆ ﻏﺮار املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ واﻟﻮﺳﻴﻂ —‬‫ُ‬ ‫ﺗﻘﺪﱢم‬
‫ملﺠﻤﻮﻋﺎت ﻣﻦ اﻟﻘﻴﻢ اﻟﺮﻗﻤﻴﺔ‪ ،‬وﻫﻲ ﻣﻔﻴﺪة ﻷﻧﻬﺎ ﻳﻤﻜﻦ أن ﺗﻌﻄﻲ ﻣﺆﴍًا ﻋﻦ اﻟﺤﺠﻢ اﻟﻌﺎم‬
‫ْ‬
‫وﻟﻜﻦ‪ ،‬ﻛﻤﺎ رأﻳﻨﺎ ﰲ املﺜﺎل اﻟﺴﺎﺑﻖ‪ ،‬ﻳﻤﻜﻦ ﻟﻠﻘِ ﻴَﻢ اﻟﺘﻠﺨﻴﺼﻴﺔ‬ ‫ﻟﻠﻘﻴﻢ املﻮﺟﻮدة ﰲ اﻟﺒﻴﺎﻧﺎت‪.‬‬
‫اﻟﻮاﺣﺪة أن ﺗﻜﻮن ﻣﻀ ﱢﻠﻠﺔ‪ .‬وﻋﲆ وﺟﻪ اﻟﺘﺤﺪﻳﺪ‪ ،‬ﻗﺪ ﺗﻨﺤﺮف اﻟﻘِ ﻴَﻢ اﻟﺘﻠﺨﻴﺼﻴﺔ اﻟﻮاﺣﺪة ﻛﺜريًا‬
‫ﻋﻦ اﻟﻘِ ﻴَﻢ اﻟﻔﺮدﻳﺔ ﰲ ﻣﺠﻤﻮﻋﺔ اﻷرﻗﺎم‪ .‬وﻟﺘﻮﺿﻴﺢ ذﻟﻚ‪ ،‬ﻟﻨﻔﱰض أن ﻟﺪﻳﻨﺎ ﻣﺠﻤﻮﻋﺔ ﻣﻦ‬
‫ﻣﻠﻴﻮن رﻗﻢ وواﺣﺪ‪ ،‬ﻟﻬﺎ اﻟﻘﻴﻢ‪ .١٠٠٠٠٠٠ ،… ،٤ ،٣ ،٢ ،١ ،٠ :‬إن املﺘﻮﺳﻂ واﻟﻮﺳﻴﻂ‬
‫ﻛﻠﻴﻬﻤﺎ ﻟﻬﺬه املﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘِ ﻴَﻢ ﻳُﺴﺎوي ‪ .٥٠٠٠٠٠‬وﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ ﺗﻤﺎﻣً ﺎ أن ﻫﺬه‬

‫‪35‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫‪٤٠٠‬‬

‫‪٣٠٠‬‬
‫ﻣﻌﺪل اﻟﺘﻜﺮار‬

‫‪٢٠٠‬‬

‫‪١٠٠‬‬

‫‪٠‬‬
‫‪٠‬‬ ‫‪١‬‬ ‫‪٢‬‬ ‫‪٣‬‬ ‫‪٤‬‬ ‫‪٥‬‬ ‫‪٦‬‬
‫اﻟﺮواﺗﺐ ﺑﺎملﻠﻴﻮن دوﻻر‬

‫ﺷﻜﻞ ‪ :1-2‬ﺗﻮزﻳﻊ رواﺗﺐ ﻻﻋﺒﻲ اﻟﺒﻴﺴﺒﻮل اﻷﻣﺮﻳﻜﻴني ﰲ ﻋﺎم ‪ .١٩٩٤‬ﻳﺒني املﺤﻮر اﻷﻓﻘﻲ‬
‫اﻟﺮواﺗﺐ ﺑﺎملﻠﻴﻮن دوﻻر‪ ،‬وﻳﺒني املﺤﻮر اﻟﺮأﳼ أﻋﺪاد اﻟﻼﻋﺒني ﰲ ﻛﻞ ﻧﻄﺎق ﻣﻦ اﻟﺮواﺗﺐ‪.‬‬

‫اﻟﻘﻴﻤﺔ ﻟﻴﺴﺖ ﻗﻴﻤﺔ »ﺗﻤﺜﻴﻠﻴﺔ« ﺟﻴﺪة ﻟﻠﻤﺠﻤﻮﻋﺔ‪ .‬ﻓﻌﲆ ﻃﺮﰲ املﺠﻤﻮﻋﺔ‪ ،‬ﺛﻤﺔ ﻗﻴﻤﺔ واﺣﺪة‬
‫أﻛﱪ ﺑﻨﺼﻒ ﻣﻠﻴﻮن وﻗﻴﻤﺔ واﺣﺪة أﺻﻐﺮ ﺑﻨﺼﻒ ﻣﻠﻴﻮن ﻣﻦ املﺘﻮﺳﻂ )واﻟﻮﺳﻴﻂ(‪.‬‬
‫إن ﻣﺎ ﻧﻔﺘﻘﺪه ﻋﻨﺪﻣﺎ ﻧﻌﺘﻤﺪ ﻓﻘﻂ ﻋﲆ املﺘﻮﺳﻂ ﻟﺘﻠﺨﻴﺺ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻫﻮ‬
‫ﺑﻌﺾ املﺆﴍات ﺣﻮل ﻣﺪى اﻧﺘﺸﺎر اﻟﺒﻴﺎﻧﺎت ﺣﻮل ﻫﺬا املﺘﻮﺳﻂ؛ ﻫﻞ ﺑﻌﺾ ﻧﻘﺎط اﻟﺒﻴﺎﻧﺎت‬
‫أﻛﱪ ﺑﻜﺜري ﻣﻦ املﺘﻮﺳﻂ؟ ﻫﻞ ﺑﻌﻀﻬﺎ أﺻﻐﺮ ﻣﻨﻪ ﺑﻜﺜري؟ أم إﻧﻬﺎ ﻣﺘﺠﻤﻌﺔ ﰲ ﺗﻘﺎرب ﺣﻮل‬
‫املﺘﻮﺳﻂ؟ وﻋﻤﻮﻣً ﺎ‪ ،‬ﻣﺎ ﻣﺪى اﺧﺘﻼف اﻟﻘِ ﻴَﻢ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت ﺑﻌﻀﻬﺎ ﻋﻦ ﺑﻌﺾ؟ ﺗﻘﺪﱢم‬
‫املﻘﺎﻳﻴﺲ اﻹﺣﺼﺎﺋﻴﺔ ﻟﻠﺘﺸﺘﺖ ﻫﺬه املﻌﻠﻮﻣﺎت ﺑﺪﻗﺔ‪ ،‬وﻛﻤﺎ ﻫﻲ اﻟﺤﺎل ﻣﻊ املﺘﻮﺳﻂ‪ ،‬ﻳﻮﺟﺪ‬
‫أﻛﺜﺮ ﻣﻦ ﻣﺠﺮد ﻣﻘﻴﺎس واﺣﺪ‪.‬‬

‫‪36‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫أﺑﺴﻂ ﻣﻘﺎﻳﻴﺲ اﻟﺘﺸﺘﺖ ﻫﻮ »املﺪى«؛ واﻟﺬي ﻳُﻌ ﱠﺮف ﺑﺄﻧﻪ اﻟﻔﺮق ﺑني أﻛﱪ وأﺻﻐﺮ‬
‫اﻟﻘﻴﻢ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‪ .‬ﰲ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎﺗﻨﺎ املﻜﻮﻧﺔ ﻣﻦ ﻣﻠﻴﻮن رﻗﻢ وواﺣﺪ‪ ،‬املﺪى‬
‫ﻫﻮ‪ .١٠٠٠٠٠٠ = ٠ − ١٠٠٠٠٠٠ :‬وﰲ ﻣﺜﺎل اﻟﺮواﺗﺐ اﻟﺨﻤﺴﺔ‪ ،‬املﺪى ﻫﻮ‪٩٩٩٩٩ :‬‬
‫ﱢ‬
‫وﻳﺒني ﻫﺬان املﺜﺎﻻن — اﻟﻠﺬان ﻳﻤﺘﻠﻜﺎن ﻣﺪًى ﻛﺒريًا — أﻧﻪ ﻳﻮﺟﺪ‬ ‫‪.٨٩٩٩٩ = ١٠٠٠٠ −‬‬
‫َ‬
‫اﺧﺘﻼف ﻛﺒري ﻋﻦ املﺘﻮﺳﻂ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬إذا ﻛﺎن املﻮﻇﻔﻮن ﻳﺘﻘﺎﺿﻮْن رواﺗﺐ ﺗﺒﻠﻎ‬
‫‪ ٢٧٩٩٩‬دوﻻ ًرا‪ ٢٨٠٠٠ ،‬دوﻻر‪ ٢٨٠٠١ ،‬دوﻻر‪ ٢٨٠٠٢ ،‬دوﻻر‪ ٢٨٠٠٣ ،‬دوﻻرات‪ ،‬ﻓﺈن‬
‫أﻳﻀﺎ ‪ ٢٨٠٠١‬دوﻻر‪ ،‬وﻟﻜﻦ ﺳﻴﻜﻮن املﺪى ‪ ٤‬دوﻻرات ﻓﻘﻂ‪ .‬ﻫﺬا ﻳﺮﺳﻢ‬ ‫املﺘﻮﺳﻂ ﺳﻴﻜﻮن ً‬
‫َ‬
‫ﺳﻴﺘﻘﺎﺿﻮْن اﻷﺟﺮ‬ ‫ﺻﻮرة ﻣﺨﺘﻠﻔﺔ ﺟﺪٍّا ﺗﺨﱪﻧﺎ أن املﻮﻇﻔني ﻣﻊ ﻫﺬه اﻟﺮواﺗﺐ اﻟﺠﺪﻳﺪة‬
‫ﻧﻔﺴﻪ ﺗﻘﺮﻳﺒًﺎ‪ .‬أﻣﺎ املﺪى اﻟﻜﺒري ﻣﻦ املﺜﺎل اﻟﺴﺎﺑﻖ — اﻟﺒﺎﻟﻎ ‪ ٨٩٩٩٩‬دوﻻ ًرا — ﻓﻴُﺨﱪﻧﺎ ﻋﲆ‬
‫اﻟﻔﻮر أﻧﻪ ﺗﻮﺟﺪ اﺧﺘﻼﻓﺎت ﺿﺨﻤﺔ‪.‬‬
‫املﺪى ﻣﻘﻴﺎس ﻣﻼﺋﻢ ﻟﻠﻐﺎﻳﺔ وﻟﻪ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﺨﺼﺎﺋﺺ اﻟﺠﺬاﺑﺔ ﻛﻤﻘﻴﺎس ﻟﻠﺘﺸﺘﺖ‪ ،‬ﻣﻦ‬
‫أﻫﻤﻬﺎ ﺑﺴﺎﻃﺘﻪ وإﻣﻜﺎﻧﻴﺔ ﺗﻔﺴريه اﻟﺴﻬﻠﺔ‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻣﻦ املﻤﻜﻦ أن ﻧﺸﻌﺮ أﻧﻪ ﻟﻴﺲ ﻣﺜﺎﻟﻴٍّﺎ؛‬
‫ﻓﻬﻮ رﻏﻢ ﻛﻞ ﳾء ﻳﺘﺠﺎﻫﻞ ﻣﻌﻈﻢ اﻟﺒﻴﺎﻧﺎت؛ ﺣﻴﺚ ﻳﻌﺘﻤﺪ ﻓﻘﻂ ﻋﲆ أﻛﱪ اﻟﻘﻴﻢ وأﺻﻐﺮﻫﺎ‪.‬‬
‫وﻟﻠﺘﻮﺿﻴﺢ‪ ،‬ﺗَﺨﻴﱠ ْﻞ ﻣﺠﻤﻮﻋﺘَني ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﺗﺘﺄﻟﻒ ﻛ ﱞﻞ ﻣﻨﻬﻤﺎ ﻣﻦ أﻟﻒ ﻗﻴﻤﺔ‪ .‬ﺗﺘﻀﻤﻦ إﺣﺪى‬
‫املﺠﻤﻮﻋﺘَني ﻗﻴﻤﺔ واﺣﺪة ﺗﺒﻠﻎ ‪ ،٠‬و‪ ٩٩٨‬ﻗﻴﻤﺔ ﺗﺒﻠﻎ ‪ ،٥٠٠‬وﻗﻴﻤﺔ واﺣﺪة ﺗﺒﻠﻎ ‪.١٠٠٠‬‬
‫وﺗﺘﻀﻤﻦ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت اﻷﺧﺮى ‪ ٥٠٠‬ﻗﻴﻤﺔ ﺗﺒﻠﻎ ‪ ،٠‬و‪ ٥٠٠‬ﻗﻴﻤﺔ ﺗﺒﻠﻎ ‪ .١٠٠٠‬ﻣﺪى‬
‫أﻳﻀﺎ ﻣﺘﻮﺳﻂ ﻳﺒﻠﻎ ‪،(٥٠٠‬‬ ‫ﻛﻠﺘﺎ ﻣﺠﻤﻮﻋﺘَﻲ اﻟﺒﻴﺎﻧﺎت ﻫﻮ ‪) ١٠٠٠‬وﺑﺎملﺼﺎدﻓﺔ‪ ،‬ﻟﻜﻞ ﻣﻨﻬﻤﺎ ً‬
‫وﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ أﻧﻬﻤﺎ ﻣﺨﺘﻠﻔﺘﺎن ﻟﻠﻐﺎﻳﺔ ﰲ ﻃﺒﻴﻌﺘﻬﻤﺎ؛ ﻓﺒﺎﻟﱰﻛﻴﺰ ﻓﻘﻂ ﻋﲆ أﻛﱪ اﻟﻘﻴﻢ‬
‫وأﺻﻐﺮﻫﺎ‪ ،‬ﻓﺸﻞ املﺪى ﰲ ﻛﺸﻒ ﺣﻘﻴﻘﺔ أن ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت اﻷوﱃ ﺗﱰﻛﺰ ﻏﺎﻟﺒًﺎ ﺑﻜﺜﺎﻓﺔ‬
‫ﺣﻮل املﺘﻮﺳﻂ‪.‬‬
‫ﻳﻤﻜﻦ اﻟﺘﻐﻠﺐ ﻋﲆ ﻫﺬا اﻟﻘﺼﻮر ﺑﺎﺳﺘﺨﺪام ﻣﻘﻴﺎس ﻟﻠﺘﺸﺘﺖ ﻳﻀﻊ اﻟﻘﻴﻢ »ﻛﻠﻬﺎ« ﰲ‬
‫اﻻﻋﺘﺒﺎر‪.‬‬
‫إﺣﺪى اﻟﻄﺮق اﻟﺸﺎﺋﻌﺔ ﻟﻠﻘﻴﺎم ﺑﺬﻟﻚ ﻫﻲ أن ﺗﺤﺴﺐ اﻟﻔﺮوق ﺑني املﺘﻮﺳﻂ )اﻟﺤﺴﺎﺑﻲ(‬
‫وﻛﻞ رﻗﻢ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‪ ،‬وﺗﻘﻮم ﺑﱰﺑﻴﻊ ﻫﺬه اﻟﻔﺮوق؛ وﻣﻦ ﺛﻢ ﺗﺤﺴﺐ ﻣﺘﻮﺳﻂ‬
‫ﻫﺬه اﻻﺧﺘﻼﻓﺎت املﺮﺑﻌﺔ‪) .‬ﺗﺮﺑﻴﻊ اﻟﻔﺮوق ﻳﺠﻌﻞ اﻟﻘِ ﻴَﻢ ﺟﻤﻴﻌﻬﺎ ﻣﻮﺟﺒﺔ‪ .‬ﻓﺒﺨﻼف ذﻟﻚ‪،‬‬
‫ﺑﻌﻀﺎ ﻋﻨﺪﻣﺎ ﻧﻘﻮم ﺑﺤﺴﺎب املﺘﻮﺳﻂ‪(.‬‬ ‫ً‬ ‫ﺳﻮف ﺗﻠﻐﻲ اﻟﻔﺮوق املﻮﺟﺒﺔ واﻟﺴﺎﻟﺒﺔ ﺑﻌﻀﻬﺎ‬
‫وإذا ﻛﺎن املﺘﻮﺳﻂ اﻟﻨﺎﺗﺞ ﻋﻦ اﻟﻔﺮوق املﺮﺑﻌﺔ ﺻﻐريًا‪ ،‬ﻓﺈﻧﻪ ﻳﺨﱪﻧﺎ ﰲ اﻟﻌﺎدة أن اﻷرﻗﺎم‬
‫ﻟﻴﺴﺖ ﻣﺨﺘﻠﻔﺔ ﻛﺜريًا ﻋﻦ ﻣﺘﻮﺳﻄﻬﺎ؛ وﻫﺬا ﻳﻌﻨﻲ أﻧﻬﺎ ﻟﻴﺴﺖ ﻣﺸﺘﺘﺔ ﻋﲆ ﻧﻄﺎق واﺳﻊ‪.‬‬

‫‪37‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻳُﺴﻤﱠ ﻰ ﻣﻘﻴﺎس ﻣﺘﻮﺳﻂ اﻟﻔﺮوق املﺮﺑﻌﺔ »ﺗﺒﺎﻳﻦ« اﻟﺒﻴﺎﻧﺎت؛ أو ﻳﺴﻤﱠ ﻰ ﰲ ﺑﻌﺾ اﻟﺘﺨﺼﺼﺎت‬
‫»ﻣﺘﻮﺳﻂ ﻣﺮﺑﻌﺎت اﻧﺤﺮاﻓﺎت اﻟﻘِ ﻴَﻢ«‪ .‬وﺳﻨﻮﺿﺢ اﻷﻣﺮ ﺑﺎﺳﺘﺨﺪام درﺟﺎت اﻟﻄﻼب اﻟﺨﻤﺴﺔ‬
‫ﰲ اﻻﺧﺘﺒﺎر اﻟﺘﻲ ﻛﺎﻧﺖ ‪ ،٥٥ ،٩١ ،٥٣ ،٦٣ ،٧٨‬وﻛﺎن ﻣﺘﻮﺳﻄﻬﺎ ‪ .٦٨‬اﻟﻔﺎرق املﺮﺑﻊ ﺑني‬
‫اﻟﻨﺘﻴﺠﺔ اﻷوﱃ واملﺘﻮﺳﻂ ﻫﻮ )‪ ،١٠٠ = ٢ (٦٨ − ٧٨‬وﻫﻜﺬا‪ .‬وﻣﺠﻤﻮع اﻟﻔﺮوق املﺮﺑﻌﺔ ﻫﻮ‬
‫‪١٠٤٨ = ١٦٩ + ٥٢٩ + ٢٢٥ + ٢٥ + ١٠٠‬؛ وﻣﻦ ﺛﻢ ﻓﺈن ﻣﺘﻮﺳﻂ ﻣﺮﺑﻌﺎت اﻧﺤﺮاﻓﺎت‬
‫اﻟﻘﻴﻢ ﻫﻮ ‪ .٢٠٩٫٦ = ٥ ÷ ١٠٤٨‬وﻫﺬا ﻫﻮ اﻟﺘﺒﺎﻳﻦ‪.‬‬
‫ﻳﻨﺸﺄ ﺗﻌﻘﻴﺪ ﻃﻔﻴﻒ ﻣﻦ ﺣﻘﻴﻘﺔ أن اﻟﺘﺒﺎﻳﻦ ﻳﻨﻄﻮي ﻋﲆ ﻗﻴﻢ ﻣﺮﺑﻌﺔ؛ وﻫﺬا ﻳﻌﻨﻲ أن‬
‫اﻟﺘﺒﺎﻳﻦ ﻧﻔﺴﻪ ﻳﻘﺎس ﺑ »وﺣﺪات ﻣﺮﺑﻌﺔ«‪ .‬ﻓﺈذا ﻛﻨﺎ ﻧﻘﻴﺲ إﻧﺘﺎﺟﻴﺔ املﺰارع ﻣﻦ ﺣﻴﺚ أﻃﻨﺎن‬
‫اﻟﺬرة‪ ،‬ﻓﺈن ﺗﺒﺎﻳﻦ اﻟﻘﻴﻢ ﻳُﻘﺎس ﺑ »اﻟﻄﻦ املﺮﺑﻊ«‪ .‬ﻟﻴﺲ ﺗﺄﺛري ﻫﺬا اﻷﻣﺮ واﺿﺤً ﺎ‪ ،‬وﺑﺴﺒﺐ ﻫﺬه‬
‫اﻟﺼﻌﻮﺑﺔ‪ ،‬ﻣﻦ اﻟﺸﺎﺋﻊ أن ﻧﺤﺴﺐ اﻟﺠﺬر اﻟﱰﺑﻴﻌﻲ ﻟﻠﺘﺒﺎﻳﻦ‪ .‬وﻫﺬا ﻳُﻌِ ﻴﺪ وﺣﺪات اﻟﻘﻴﺎس إﱃ‬
‫ﻣﻘﻴﺎﺳﺎ ﻟﻠﺘﺸﺘﺖ ﻳُﺴﻤﱠ ﻰ »اﻻﻧﺤﺮاف املﻌﻴﺎري«‪ .‬وﰲ املﺜﺎل اﻟﺴﺎﺑﻖ‪،‬‬
‫ً‬ ‫ﺻﻮرﺗﻬﺎ اﻷﺻﻠﻴﺔ‪ ،‬وﻳُﻨﺘﺞ‬
‫ﻳﺘﻤﺜﻞ اﻻﻧﺤﺮاف املﻌﻴﺎري ﻟﺪرﺟﺎت اﻟﻄﻼب ﰲ اﻻﺧﺘﺒﺎر ﰲ اﻟﺠﺬر اﻟﱰﺑﻴﻌﻲ ﻟﻠﻌﺪد ‪،٢٠٩٫٦‬‬
‫وﻫﻮ ‪.١٤٫٥‬‬
‫ﻳﺘﻐﻠﺐ اﻻﻧﺤﺮاف املﻌﻴﺎري ﻋﲆ املﺸﻜﻠﺔ اﻟﺘﻲ وﺟﺪﻧﺎﻫﺎ ﻣﻊ املﺪى؛ ﻓﻬﻮ ﻳﺴﺘﺨﺪم‬
‫اﻟﺒﻴﺎﻧﺎت ﻛﺎﻓﺔ‪ .‬ﻓﺈذا ﺗﺠﻤﻌﺖ ﻣﻌﻈﻢ ﻧﻘﺎط اﻟﺒﻴﺎﻧﺎت ﻋﲆ ﻧﺤﻮ وﺛﻴﻖ ﺟﺪٍّا ﻣﻌً ﺎ‪ ،‬ﻣﻊ وﺟﻮد‬
‫ﻋﺪد ﻗﻠﻴﻞ ﻣﻦ اﻟﻨﻘﺎط اﻟﻨﺎﺋﻴﺔ‪ ،‬ﻓﺴﻴﻌﻨﻲ ذﻟﻚ أن اﻻﻧﺤﺮاف املﻌﻴﺎري ﺻﻐري‪ .‬وﰲ املﻘﺎﺑﻞ‪،‬‬
‫إذا ﻛﺎﻧﺖ ﻧﻘﺎط اﻟﺒﻴﺎﻧﺎت ﺗﺘﺨﺬ ﻗِ ﻴَﻤً ﺎ ﻣﺨﺘﻠﻔﺔ ﻟﻠﻐﺎﻳﺔ‪ ،‬ﺣﺘﻰ إذا ﻛﺎﻧﺖ ﺗﺘﺨﺬ اﻟﻘِ ﻴَﻢ اﻷﻛﱪ‬
‫واﻷﺻﻐﺮ ﻧﻔﺴﻬﺎ‪ ،‬ﻓﺈن اﻻﻧﺤﺮاف املﻌﻴﺎري ﺳﻴﻜﻮن أﻛﱪ ﺑﻜﺜري‪.‬‬

‫)‪ (3-2‬اﻻﻟﺘﻮاء‬

‫ﺗﺨﱪﻧﺎ ﻣﻘﺎﻳﻴﺲ اﻟﺘﺸﺘﺖ ﺑﻤﺪى اﻧﺤﺮاف اﻟﻘﻴﻢ املﻔﺮدة ﺑﻌﻀﻬﺎ ﻋﻦ ﺑﻌﺾ‪ ،‬وﻟﻜﻨﻬﺎ ﻻ ﺗﺨﱪﻧﺎ‬
‫ﺑﻄﺮﻳﻘﺔ اﻧﺤﺮاﻓﻬﺎ‪ .‬وﺑﺎﻟﺘﺤﺪﻳﺪ ﻻ ﺗﺨﱪﻧﺎ ﻣﺎ إذا ﻛﺎﻧﺖ اﻻﻧﺤﺮاﻓﺎت اﻷﻛﱪ ﺗﻤﻴﻞ إﱃ أن ﺗﻜﻮن‬
‫ﻟﺪى اﻟﻘﻴﻢ اﻟﻜﱪى أم اﻟﻘﻴﻢ اﻟﺼﻐﺮى ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‪ .‬ﺗَﺬ ﱠﻛ ْﺮ ﻣﺜﺎﻟﻨﺎ ﻋﻦ ﻣﻮﻇﻔﻲ اﻟﴩﻛﺔ‬
‫اﻟﺨﻤﺴﺔ‪ ،‬واﻟﺬي ﻳﺤﺼﻞ ﻓﻴﻪ أرﺑﻌﺔ ﻣﻮﻇﻔني ﻋﲆ ﺣﻮاﱄ ‪ ١٠٠٠٠‬دوﻻر ﺳﻨﻮﻳٍّﺎ‪ ،‬ﺑﻴﻨﻤﺎ ﻳﺤﺼﻞ‬
‫ﻣﻮﻇﻒ واﺣﺪ ﻋﲆ ﺣﻮاﱄ ﻋﴩة أﺿﻌﺎف ذﻟﻚ‪ .‬ﻣﻦ ﺷﺄن أي ﻣﻘﻴﺎس ﻟﻠﺘﺸﺘﺖ )اﻻﻧﺤﺮاف‬
‫املﻌﻴﺎري ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل( أن ﻳﺨﱪﻧﺎ أن اﻟﻘﻴﻢ ﻣﺸﺘﺘﺔ ﻋﲆ ﻧﻄﺎق واﺳﻊ ﺟﺪٍّا‪ ،‬وﻟﻜﻨﻪ ﻟﻦ‬
‫ُﺨﱪﻧﺎ أن إﺣﺪى اﻟﻘﻴﻢ أﻛﱪ ﺑﻜﺜري ﻣﻦ اﻟﻘﻴﻢ اﻷﺧﺮى‪ .‬وﺑﺎﻟﻔﻌﻞ‪ ،‬ﻓﺈن اﻻﻧﺤﺮاف املﻌﻴﺎري‬ ‫ﻳ ِ‬

‫‪38‬‬
 ‫ﺗﻌﺮﻳﻔﺎت ﺑﺴﻴﻄﺔ‬

‫ﻟﻠﻘﻴﻢ اﻟﺨﻤﺴﺔ ‪ ٩٠٠٠٠‬دوﻻر‪ ٨٩٩٩٩ ،‬دوﻻ ًرا‪ ٨٩٩٩٨ ،‬دوﻻ ًرا‪ ٨٩٩٩٧ ،‬دوﻻ ًرا‪ ١ ،‬دوﻻر؛‬
‫ﻫﻮ ﺑﺎﻟﻀﺒﻂ ﻧﻔﺴﻪ ﻟﻠﻘﻴﻢ اﻟﺨﻤﺴﺔ اﻷﺻﻠﻴﺔ‪ .‬املﺨﺘﻠِﻒ ﻫﻨﺎ ﻫﻮ أن اﻟﻘﻴﻤﺔ اﻟﺸﺎذة )ﻗﻴﻤﺔ‬
‫ﺑﺪﻻ ﻣﻦ ﻛﻮﻧﻬﺎ ﻛﺒرية ﺟﺪٍّا‪ .‬وﻟﺮﺻﺪ ﻫﺬا اﻻﺧﺘﻼف‪ ،‬ﻧﺤﺘﺎج إﱃ‬ ‫‪ ١‬دوﻻر( اﻵن ﺻﻐرية ﺟﺪٍّا ً‬
‫إﺣﺼﺎﺋﻴﺔ أﺧﺮى ﻟﺘﻠﺨﻴﺺ اﻟﺒﻴﺎﻧﺎت‪ ،‬إﺣﺼﺎﺋﻴﺔ ﺗﻀﻊ ﰲ اﻻﻋﺘﺒﺎر وﺗﻘﻴﺲ »ﻋﺪم اﻟﺘﻨﺎﻇﺮ« ﰲ‬
‫ﺗﻮزﻳﻊ اﻟﻘِ ﻴَﻢ‪ .‬ﻳﺴﻤﱠ ﻰ أﺣﺪ أﻧﻮاع ﻋﺪم اﻟﺘﻨﺎﻇﺮ ﰲ ﺗﻮزﻳﻊ اﻟﻘﻴﻢ »اﻻﻟﺘﻮاء«‪ .‬وﻳﻌﺪ ﻣﺜﺎﻟﻨﺎ اﻷﺻﲇ‬
‫ﻟﺮواﺗﺐ املﻮﻇﻔني‪ ،‬اﻟﺬي ﻳﻤﺘﻠﻚ ﻗﻴﻤﺔ واﺣﺪة ﻛﺒرية ﻋﲆ ﻧﺤﻮ ﺷﺎذ ﺗﺒﻠﻎ ‪ ٩٩٩٩٩‬دوﻻ ًرا‪،‬‬
‫ﻃﻮﻳﻼ ﻳﻤﺘﺪ إﱃ ﻗﻴﻤﺔ‬ ‫ً‬ ‫ً‬
‫»ذﻳﻼ«‬ ‫»أﻳﻤﻦ اﻻﻟﺘﻮاء« )أو ﻣﻮﺟﺐ اﻻﻟﺘﻮاء(؛ ﻷن ﺗﻮزﻳﻊ اﻟﻘﻴﻢ ﻳﻤﺘﻠﻚ‬
‫واﺣﺪة ﻛﺒرية ﻟﻠﻐﺎﻳﺔ ﻫﻲ ‪ ٩٩٩٩٩‬دوﻻ ًرا‪ .‬ﻟﻬﺬا اﻟﺘﻮزﻳﻊ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻘﻴﻢ اﻟﺼﻐﺮى وﻋﺪد‬
‫ﺳﺎﺑﻘﺎ‪ ،‬اﻟﺬي ﻳﺘﻀﻤﻦ‬ ‫ً‬ ‫ﻗﻠﻴﻞ ﻟﻠﻐﺎﻳﺔ ﻣﻦ اﻟﻘﻴﻢ اﻟﻜﱪى‪ .‬وﰲ املﻘﺎﺑﻞ‪ ،‬ﻓﺈن ﺗﻮزﻳﻊ اﻟﻘﻴﻢ املﺬﻛﻮر‬
‫ﺷﺬوذًا ﻋﻨﺪ ﻗﻴﻤﺔ ‪ ١‬دوﻻر‪ ،‬ﻳﻜﻮن »أﻳﴪ اﻻﻟﺘﻮاء« )أو ﺳﺎﻟﺐ اﻻﻟﺘﻮاء(؛ ﻷن اﻟﺠﺰء اﻷﻛﱪ ﻣﻦ‬
‫اﻟﻘﻴﻢ ﻳﱰاﻛﻢ ﻣﻌً ﺎ‪ ،‬وﻳﻮﺟﺪ ذﻳﻞ ﻃﻮﻳﻞ ﻳﻤﺘﺪ ﻟﻸﺳﻔﻞ ﻧﺤﻮ اﻟﻘﻴﻤﺔ املﻔﺮدة اﻟﺼﻐرية ﺟﺪٍّا‪.‬‬
‫اﻟﺘﻮزﻳﻌﺎت املﻮﺟﺒﺔ اﻻﻟﺘﻮاء ﺷﺎﺋﻌﺔ ﻛﺜريًا‪ ،‬واملﺜﺎل اﻟﻜﻼﺳﻴﻜﻲ ﻋﻠﻴﻬﺎ ﻫﻮ ﺗﻮزﻳﻊ اﻟﺜﺮوة‪،‬‬
‫واﻟﺬي ﻳﻤﺘﻠﻚ ﻓﻴﻪ اﻟﻌﺪﻳﺪ ﻣﻦ اﻷﻓﺮاد ﻣﺒﺎﻟﻎ ﺻﻐرية ﻓﻴﻤﺎ ﻳﻤﺘﻠﻚ ﻋﺪد ﻗﻠﻴﻞ ﻓﺤﺴﺐ ﻣﻦ‬
‫اﻷﻓﺮاد ﻣﻠﻴﺎرات ﻋﺪة ﻣﻦ اﻟﺪوﻻرات‪ .‬وﻳُﻌَ ﱡﺪ ﺗﻮزﻳﻊ رواﺗﺐ ﻻﻋﺒﻲ اﻟﺒﻴﺴﺒﻮل ﰲ اﻟﺸﻜﻞ ‪1-2‬‬
‫ﺗﻮزﻳﻌً ﺎ ﻣﻮﺟﺐ اﻻﻟﺘﻮاء ﺑﺸﺪة‪.‬‬

‫)‪ (4-2‬املﻘﺎﻳﻴﺲ اﻟﺘﺠﺰﻳﺌﻴﺔ‬

‫ﺗﻘﺪﱢم اﻟﻘﻴﻢ املﺘﻮﺳﻄﺔ وﻣﻘﺎﻳﻴﺲ اﻟﺘﺸﺘﺖ وﻣﻘﺎﻳﻴﺲ اﻻﻟﺘﻮاء ﻣﻠﺨﺼﺎت إﺣﺼﺎﺋﻴﺔ إﺟﻤﺎﻟﻴﺔ‪،‬‬
‫ﻓﺘﻜﺜﻒ اﻟﻘﻴﻢ املﻮﺟﻮدة ﰲ اﻟﺘﻮزﻳﻊ إﱃ أﻋﺪاد ﻗﻠﻴﻠﺔ ﻳﺴﻬﻞ اﻟﺘﻌﺎﻣﻞ ﻣﻌﻬﺎ‪ .‬ﻣﻊ ذﻟﻚ‪ ،‬رﺑﻤﺎ‬
‫ﻳﻜﻮن اﻫﺘﻤﺎﻣﻨﺎ ﻣﻘﺼﻮ ًرا ﻋﲆ أﺟﺰاء ﻓﻘﻂ ﻣﻦ اﻟﺘﻮزﻳﻊ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻧﻜﻮن‬
‫ﻣﺜﻼ‪ ،‬أﻛﱪ ‪ ٪٥‬ﻣﻦ اﻟﻘﻴﻢ‪.‬‬ ‫ﻣﻬﺘﻤني ﻓﺤﺴﺐ ﺑﺄﻛﱪ أو أﺻﻐﺮ ﺑﻀﻊ ﻗﻴﻢ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت؛ ً‬
‫ا ْﻟﺘَ َﻘﻴْﻨﺎ ﺑﺎﻟﻔﻌﻞ اﻟﻮﺳﻴﻂ؛ وﻫﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﺗﻜﻮن ﻣﻮﺟﻮدة ﰲ ﻣﻨﺘﺼﻒ اﻟﺒﻴﺎﻧﺎت؛ ﺑﻤﻌﻨﻰ‬
‫أن ‪ ٪٥٠‬ﻣﻦ اﻟﻘﻴﻢ أﻛﱪ ﻣﻨﻬﺎ و‪ ٪٥٠‬أﺻﻐﺮ ﻣﻨﻬﺎ‪ .‬وﻳﻤﻜﻦ ﺗﻌﻤﻴﻢ ﻫﺬه اﻟﻔﻜﺮة؛ ﻓﻌﲆ ﺳﺒﻴﻞ‬
‫املﺜﺎل‪» ،‬اﻟ ﱡﺮﺑَﻴْﻊ اﻷﻋﲆ« ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷرﻗﺎم ﻫﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﻜﻮن ‪) ٪٢٥‬أي اﻟﺮﺑﻊ(‬
‫ﻣﻦ ﻗﻴﻢ اﻟﺒﻴﺎﻧﺎت أﻛﱪ ﻣﻨﻬﺎ‪ ،‬أﻣﺎ »اﻟ ﱡﺮﺑَﻴْﻊ اﻷدﻧﻰ« ﻓﻬﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﻜﻮن ‪ ٪٢٥‬ﻣﻦ ﻗﻴﻢ‬
‫اﻟﺒﻴﺎﻧﺎت أﺻﻐﺮ ﻣﻨﻬﺎ‪.‬‬
‫ﴤ ﰲ ﻫﺬه اﻟﺘﺠﺰﺋﺔ ﺑﺪرﺟﺔ أﻛﱪ ﻧﺠﺪ أن ﻟﺪﻳﻨﺎ »اﻟﻌُ َﺸ ْريَ« )اﻟﺬي ﻳﻘﺴﻢ ﻣﺠﻤﻮﻋﺔ‬ ‫وﺑﺎ ُمل ِ ﱢ‬
‫وﺻﻮﻻ إﱃ اﻟﻌُ َﺸ ْري اﻷﻋﲆ( و»ا ُمل َﺆيﱠ « )اﻟﺬي ﻳﻘﺴﻢ‬
‫ً‬ ‫اﻟﺒﻴﺎﻧﺎت إﱃ أﻋﺸﺎر‪ ،‬ﻣﻦ اﻟﻌُ َﺸ ْري اﻷدﻧﻰ‬

‫‪39‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻟﺒﻴﺎﻧﺎت إﱃ ﴍاﺋﺢ ﻣﺌﻮﻳﺔ(‪ .‬وﻫﻜﺬا ﻳﻤﻜﻦ وﺻﻒ ﺷﺨﺺ ﺑﺄﻧﻪ ﺣﻘﻖ ﻧﺘﻴﺠﺔ ﻓﻮق ا ُمل َﺆيﱢ‬
‫اﻟﺨﺎﻣﺲ واﻟﺘﺴﻌني؛ وﻫﺬا ﻳﻌﻨﻲ أﻧﻪ ﰲ أﻋﲆ ‪ ٪٥‬ﻣﻦ ﻣﺠﻤﻮﻋﺔ اﻟﻨﺘﺎﺋﺞ‪ .‬واملﺼﻄﻠﺢ اﻟﻌﺎم —‬
‫اﻟﺬي ﻳﺘﻀﻤﻦ اﻟ ﱡﺮﺑَﻴْ َﻊ واﻟﻌُ َﺸ ْ َ‬
‫ري وا ُمل َﺆيﱠ وﻏريﻫﺎ ﻛﺤﺎﻻت ﺧﺎﺻﺔ — ﻫﻮ »املﻘﺎﻳﻴﺲ اﻟﺘﺠﺰﻳﺌﻴﺔ«‪.‬‬

‫‪40‬‬
 ‫اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ‬

‫ﲨﻊ ﺑﻴﺎﻧﺎت ﺻﺎﳊﺔ‬

‫ً‬
‫ﺗﻨﻈﻴﻔﺎ ﻗﺒﻞ اﻻﺳﺘﺨﺪام‪.‬‬ ‫اﻟﺒﻴﺎﻧﺎت اﻟﺨﺎم ﻣﺜﻞ اﻟﺒﻄﺎﻃﺲ اﻟﺨﺎم؛ ﻋﺎد ًة ﻣﺎ ﺗﺘﻄﻠﺐ‬
‫روﻧﺎﻟﺪ إﻳﻪ ﺛﻴﺴﺘﺪ‬

‫ﺗﻮﻓﺮ اﻟﺒﻴﺎﻧﺎت ﻧﺎﻓﺬة ﻋﲆ اﻟﻌﺎﻟﻢ‪ ،‬وﻟﻜﻦ ﻣﻦ املﻬﻢ أن ﺗﻤﻨﺤﻨﺎ رؤﻳﺔ واﺿﺤﺔ‪ .‬إن اﻟﻨﺎﻓﺬة‬‫ﱢ‬
‫اﻟﺘﻲ ﺗُﻌﺎﻧِﻲ ﻣﻦ اﻟﺨﺪوش أو اﻟﺘﺸﻮﻫﺎت أو وﺟﻮد ﻋﻼﻣﺎت ﻋﲆ زﺟﺎﺟﻬﺎ ﻣﻦ املﺮﺟﱠ ﺢ أن‬
‫ﺗﻀ ﱢﻠﻠﻨﺎ ﺣﻴﺎل ﻣﺎ ﻳﻜﻤﻦ وراءَﻫﺎ‪ ،‬وﻳﻨﻄﺒﻖ اﻷﻣﺮ ﻧﻔﺴﻪ ﻋﲆ اﻟﺒﻴﺎﻧﺎت‪ .‬ﻓﺈذا ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت‬
‫ٍ‬
‫ﺑﻄﺮﻳﻘﺔ ﻣﺎ‪ ،‬ﻳﻤﻜﻦ ﺑﺴﻬﻮﻟﺔ أن ﺗﻨﺸﺄ ﻋﻨﻬﺎ اﺳﺘﻨﺘﺎﺟﺎت ﺧﺎﻃﺌﺔ‪ .‬وﻋﻤﻮﻣً ﺎ‪،‬‬ ‫ﻣﺸﻮﱠﻫﺔ أو ﺗﺎﻟِﻔﺔ‬
‫ﻟﻴﺴﺖ ﻛﻞ اﻟﺒﻴﺎﻧﺎت ذات ﺟﻮدة ﻋﺎﻟﻴﺔ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﻜﻨﻨﻲ أن أﺗﻌﻤﻖ أﻛﺜﺮ وأﺷري إﱃ أﻧﻪ‬
‫ﻧﻮع‪ ،‬رﺑﻤﺎ‬
‫ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻟﻴﺲ ﺑﻬﺎ ﻣﺸﺎﻛﻞ ﰲ اﻟﺠﻮدة ﻣﻦ أي ٍ‬‫ً‬ ‫ﻣﻦ اﻟﻨﺎدر أن ﺗﻘﺎﺑﻞ‬
‫ﻗﺎﺑﻠﺖ ﻣﺠﻤﻮﻋﺔ ﻣﻦ ﻣﺜﻞ ﻫﺬه اﻟﺒﻴﺎﻧﺎت »املﺜﺎﻟﻴﺔ« ﻓﻼ ﺑﺪ أن ﺗﺸﻚ ﻓﻴﻬﺎ‪.‬‬ ‫َ‬ ‫إﱃ ﺣﺪ أﻧﻚ إذا‬
‫رﺑﻤﺎ ﻳﺠﺐ ﻋﻠﻴﻚ وﻗﺘﻬﺎ أن ﺗﺴﺄل ﻋﻦ ﻋﻤﻠﻴﺎت اﻹﻋﺪاد اﻟﺘﻲ ﺧﻀﻌﺖ ﻟﻬﺎ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‪،‬‬
‫واﻟﺘﻲ ﺗﺠﻌﻠﻬﺎ ﺗﺒﺪو ﻣﺜﺎﻟﻴﺔ‪ .‬وﺳﻮف ﻧﻌﻮد إﱃ ﻣﺴﺄﻟﺔ اﻹﻋﺪاد ً‬
‫ﻻﺣﻘﺎ‪.‬‬
‫ﺗﻤﻴﻞ اﻟﺘﻮﺻﻴﻔﺎت اﻟﻘﻴﺎﺳﻴﺔ ﻟﻸﻓﻜﺎر واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ املﻮﺟﻮدة ﰲ اﻟﻜﺘﺐ إﱃ‬
‫اﻓﱰاض أن اﻟﺒﻴﺎﻧﺎت ﻟﻴﺲ ﺑﻬﺎ ﻣﺸﺎﻛﻞ )وﻫﻨﺎ ﻳﺼﻒ ﺧﱪاء اﻹﺣﺼﺎء اﻟﺒﻴﺎﻧﺎت ﺑﺄﻧﻬﺎ‬
‫»ﻧﻈﻴﻔﺔ«‪ ،‬ﰲ ﻣﻘﺎﺑﻞ اﻟﺒﻴﺎﻧﺎت »املﻠﻮﺛﺔ« أو »اﻟﻔﻮﺿﻮﻳﺔ«(‪ .‬وﻫﺬا أﻣﺮ ﻣﻔﻬﻮم؛ ﻷن اﻟﻬﺪف ﻣﻦ‬
‫ﻫﺬه اﻟﻜﺘﺐ ﻫﻮ وﺻﻒ اﻟﻄﺮق‪ ،‬وﻳﻨﺘﻘﺺ ﻣﻦ وﺿﻮح اﻟﻮﺻﻒ ﻗﻮل ﻣﺎ ﻳﺠﺐ اﻟﻘﻴﺎم ﺑﻪ إذا‬
‫ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت ﻟﻴﺴﺖ ﻛﻤﺎ ﻳﻨﺒﻐﻲ أن ﺗﻜﻮن‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻓﺈن ﻫﺬا اﻟﻜﺘﺎب ﻣﺨﺘﻠﻒ إﱃ ﺣ ﱟﺪ‬
‫وﻧﻘﻞ ﻧﻜﻬﺔ املﺠﺎل‬‫ﻣﺎ؛ ﻓﺎﻟﻬﺪف ﻫﻨﺎ ﻟﻴﺲ ﺗﻌﻠﻴﻢ آﻟﻴﺎت اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬وإﻧﻤﺎ ﺗﻘﺪﻳﻢ ْ‬
‫اﻟﺤﻘﻴﻘﻲ‪ .‬وﻣﺠﺎل اﻹﺣﺼﺎء اﻟﺤﻘﻴﻘﻲ ﻳﻨﺒﻐﻲ أن ﻳﺘﻌﺎﻣﻞ ﻣﻊ اﻟﺒﻴﺎﻧﺎت املﻠﻮﺛﺔ‪.‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻣﻦ أﺟﻞ ﺗﻮﺳﻴﻊ ﻣﻨﺎﻗﺸﺘﻨﺎ‪ ،‬ﻧﺤﺘﺎج إﱃ ﻓﻬ ِﻢ ﻣﺎ ﻳﻤﻜﻦ أن ﺗَﻌﻨِﻴﻪ »اﻟﺒﻴﺎﻧﺎت اﻟﻔﺎﺳﺪة«‪،‬‬

‫وﻛﻴﻔﻴﺔ اﻟﺘﻌﺮف ﻋﻠﻴﻬﺎ‪ ،‬وﻣﺎذا ﻧﻔﻌﻞ ﺣﻴﺎﻟﻬﺎ‪ .‬ﻟﺴﻮء اﻟﺤﻆ‪ ،‬اﻟﺒﻴﺎﻧﺎت ﻣﺜﻞ اﻟﻨﺎس؛ ﻓﻴﻤﻜﻦ أن‬
‫»ﺗﻔﺴﺪ« ﺑﻌﺪد ﻏري ﻣﺤﺪود ﻣﻦ اﻟﻄﺮق املﺨﺘﻠﻔﺔ‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻳﻤﻜﻦ ﺗﺼﻨﻴﻒ اﻟﻌﺪﻳﺪ ﻣﻦ ﻫﺬه‬
‫اﻟﻄﺮق ﻋﲆ أﻧﻬﺎ »ﻧﺎﻗﺼﺔ« أو »ﻏري ﺻﺤﻴﺤﺔ«‪.‬‬

‫)‪ (1‬اﻟﺒﻴﺎﻧﺎت اﻟﻨﺎﻗﺼﺔ‬

‫ﺗُﻌَ ﱡﺪ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت ﻏريَ ﻣﻜﺘﻤﻠﺔ إذا ﻛﺎﻧﺖ ﺑﻌﺾ املﻼﺣﻈﺎت ﻏري ﻣﻮﺟﻮدة‪ ،‬وﻗﺪ ﺗﻜﻮن‬
‫اﻟﺒﻴﺎﻧﺎت ﻣﻔﻘﻮدة ﻋﲆ ﻧﺤﻮ ﻋﺸﻮاﺋﻲ ﻷﺳﺒﺎب ﻻ ﻋﻼﻗﺔ ﻟﻬﺎ ﺗﻤﺎﻣً ﺎ ﺑﺎﻟﺪراﺳﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪،‬‬
‫رﺑﻤﺎ أوﻗﻊ ﻛﻴﻤﻴﺎﺋﻲ أﻧﺒﻮب اﺧﺘﺒﺎر‪ ،‬أو ﻏﺎب ﻣﺮﻳﺾ ﰲ اﻟﺘﺠﺎرب اﻟﴪﻳﺮﻳﺔ ﻟﻜﺮﻳﻢ اﻟﺒﴩة‬
‫ﻋﻦ ﻣﻮﻋﺪ املﺘﺎﺑﻌﺔ ﺑﺴﺒﺐ ﺗﺄﺧﺮ اﻟﻄﺎﺋﺮة‪ ،‬أو اﻧﺘﻘﻞ ﺷﺨﺺ ﻣﻦ ﻣﻨﺰﻟﻪ وﻣِﻦ ﺛ َ ﱠﻢ ﻟﻢ ﻳﻤﻜﻦ‬
‫اﻻﺗﺼﺎل ﺑﻪ ﻣﻦ أﺟﻞ اﺳﺘﻜﻤﺎل اﺳﺘﺒﻴﺎن املﺘﺎﺑﻌﺔ‪ .‬وﻟﻜﻦ ﺣﻘﻴﻘﺔ أن ﻋﻨﴫ ﺑﻴﺎﻧﺎت ﻣﻔﻘﻮد‬
‫أﻳﻀﺎ أن ﺗﻘﺪم ﻣﻌﻠﻮﻣﺎت ﰲ ﺣﺪ ذاﺗﻬﺎ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻳﺮﻏﺐ اﻟﺸﺨﺺ‬ ‫ﻳﻤﻜﻦ ً‬
‫وﺑﺪﻻ ﻣﻦ اﻟﻜﺬب اﻟﴫﻳﺢ‪،‬‬ ‫ً‬ ‫اﻟﺬي ﻳﺴﺘﻜﻤﻞ اﺳﺘﻤﺎرة اﻟﻄﻠﺐ أو اﻻﺳﺘﺒﻴﺎن ﰲ إﺧﻔﺎء ﳾءٍ ﻣﺎ‪،‬‬
‫رﺑﻤﺎ ﺑﺒﺴﺎﻃﺔ ﻻ ﻳ ُِﺠﻴﺐ ﻋﻦ ﻫﺬا اﻟﺴﺆال‪ .‬أو رﺑﻤﺎ أن اﻷﺷﺨﺎص املﻌﺘﻨﻘني ﻟﻮﺟﻬﺔ ﻧﻈﺮ‬
‫ﻃﻠﺐ ﻣﻦ اﻟﻌﻤﻼء ﻣﻞء‬ ‫ﻣﻌﻴﻨﺔ ﻫﻢ ﻓﺤﺴﺐ ﻣَ ﻦ ﻳُﺠﻴﺒﻮن ﻋﲆ اﻻﺳﺘﺒﻴﺎن؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬إذا ُ‬
‫ﻳﺘﻠﻘﻮْﻧﻬﺎ‪ ،‬ﻓﺈن اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﻳﺮﻳﺪون ﻣﻨﺎﻗﺸﺔ أﺷﻴﺎء‬ ‫اﺳﺘﻤﺎرات ﺗﻘﻴﻴﻢ ﻟﻠﺨﺪﻣﺔ اﻟﺘﻲ ﱠ‬
‫ﺑﺨﺼﻮص اﻟﺨﺪﻣﺔ رﺑﻤﺎ ﻳﻜﻮﻧﻮن أﻛﺜﺮ ً‬
‫ﻣﻴﻼ ملﻞء اﻻﺳﺘﺒﻴﺎن‪ .‬وإذا ﻟﻢ ﻳُﺪ َرك ذﻟﻚ ﰲ اﻟﺘﺤﻠﻴﻞ‪،‬‬
‫ً‬
‫ﺧﺼﻮﺻﺎ‬ ‫ﻓﺴﻮف ﺗَﻨﺘﺞ ﺻﻮرة ﻣﺸﻮﻫﺔ ﻋﻦ آراء اﻟﻌﻤﻼء‪ .‬واﺳﺘﻄﻼﻋﺎت اﻹﻧﱰﻧﺖ ﻣﻌ ﱠﺮﺿﺔ‬
‫ﻟﻬﺬا اﻟﻨﻮع ﻣﻦ اﻟﻌﻴﻮب؛ ﺣﻴﺚ ﻳُﻜﺘﻔﻰ ﻏﺎﻟﺒًﺎ ﺑﺪﻋﻮة اﻟﻨﺎس ﻟﻺﺟﺎﺑﺔ ﻋﲆ اﻻﺳﺘﺒﻴﺎن؛ ﻓﻼ ﺗﻮﺟﺪ‬
‫ﺳﻴﻄﺮة ﻋﲆ ﻣﺪى ﺗﻤﺜﻴﻞ املﺴﺘﺠﻴﺒني ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﺎ‪ ،‬أو ﺣﺘﻰ ﻋﲆ‬
‫اﺣﺘﻤﺎﻟﻴﺔ أن ﻳﺠﻴﺐ اﻷﺷﺨﺎص أﻧﻔﺴﻬﻢ ﻋﺪة ﻣﺮات‪.‬‬
‫ﺗﻮﺟﺪ أﻣﺜﻠﺔ أﺧﺮى ﻛﺜرية ﻟﻬﺬا اﻟﻨﻮع ﻣﻦ »اﻟﺘﺤﻴﺰ ﰲ اﻻﺧﺘﻴﺎر«‪ ،‬وﻳﻤﻜﻦ أن ﺗﻜﻮن ﺧﻔﻴﺔ‬
‫إﱃ ﺣ ﱟﺪ ﻣﺎ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻣﻦ املﺄﻟﻮف ﻟﻠﻤﺮﴇ اﻻﻧﺴﺤﺎب ﻣﻦ اﻟﺘﺠﺎرب اﻟﴪﻳﺮﻳﺔ ﻟﻸدوﻳﺔ‪.‬‬
‫ﻟﻨﻔﱰض أن املﺮﴇ اﻟﺬﻳﻦ ُﺷ ُﻔﻮا أﺛﻨﺎء اﺳﺘﺨﺪام اﻟﺪواء ﻟﻢ ﻳﻌﻮدوا ﻟﻠﻤﻘﺎﺑﻠﺔ اﻟﺘﺎﻟﻴﺔ ﻷﻧﻬﻢ‬
‫ﺗﻌﺎﻓﻮْا(‪ .‬ﺣﻴﻨﻬﺎ ﻳﻤﻜﻦ املﺴﺎرﻋﺔ ﺑﺎﻻﺳﺘﻨﺘﺎج ﺑﺄن‬ ‫َ‬ ‫ﺷﻌﺮوا أﻧﻬﺎ ﻏري ﴐورﻳﺔ )ﺑﻤﺎ أﻧﻬﻢ ﻗﺪ‬
‫اﻟﺪواء ﻟﻢ ﻳﻨﺠﺢ‪ ،‬ﻷن املﺮﴇ اﻟﺤﺎﴐﻳﻦ ﻫﻢ ﻓﻘﻂ أوﻟﺌﻚ اﻟﺬﻳﻦ ﻻ ﻳﺰاﻟﻮن ﻣﺼﺎﺑني ﺑﺎملﺮض‪.‬‬
‫ﻇﻬﺮت ﺣﺎﻟﺔ ﻛﻼﺳﻴﻜﻴﺔ ﻟﻬﺬا اﻟﻨﻮع ﻣﻦ اﻟﺘﺤﻴﺰ ﻋﻨﺪﻣﺎ ﺗﻨﺒﱠﺄت ﺟﺮﻳﺪة »ﻟﻴﱰاري‬
‫َﻬﺰم روزﻓﻠﺖ ﰲ اﻻﻧﺘﺨﺎﺑﺎت اﻟﺮﺋﺎﺳﻴﺔ ﰲ‬ ‫داﻳﺠﺴﺖ« ﻋﲆ ﻧﺤﻮ ﻏري ﺻﺤﻴﺢ أن ﻻﻧﺪون ﺳﻴ ِ‬

‫‪42‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫ﻋﺎم ‪ ١٩٣٦‬ﰲ اﻟﻮﻻﻳﺎت املﺘﺤﺪة ﺑﺄﻏﻠﺒﻴﺔ ﺳﺎﺣﻘﺔ‪ .‬ﻟﺴﻮء اﻟﺤﻆ‪ ،‬ﻛﺎﻧﺖ اﻻﺳﺘﺒﻴﺎﻧﺎت ﻗﺪ أُرﺳ َﻠﺖ‬
‫ﻓﻘﻂ ﻟﻸﺷﺨﺎص اﻟﺬﻳﻦ ﻟﺪﻳﻬﻢ ﻫﺎﺗﻒ وﺳﻴﺎرة‪ ،‬وﰲ ﻋﺎم ‪ ١٩٣٦‬ﻛﺎن ﻫﺆﻻء اﻷﺷﺨﺎص أﻛﺜﺮ‬
‫ﺛﺮاء ﰲ املﺘﻮﺳﻂ ﻣﻦ إﺟﻤﺎﱄ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ .‬ﻓﻜﺎن اﻷﺷﺨﺎص اﻟﺬﻳﻦ أُرﺳﻠﺖ‬
‫إﻟﻴﻬﻢ اﻻﺳﺘﺒﻴﺎﻧﺎت ﻻ ﻳﻤﺜﻠﻮن ﻋﲆ ﻧﺤﻮ ﺻﺤﻴﺢ ﻛﻞ املﺠﻤﻮﻋﺔ املﻄﻠﻮﺑﺔ‪ .‬وﻛﻤﺎ اﺗﻀﺢ‪ ،‬اﻟﺠﺰء‬
‫اﻷﻛﱪ ﻣﻦ ﻏريﻫﻢ أﻳﱠﺪوا روزﻓﻠﺖ‪.‬‬
‫ﺛﻤﺔ ﻧﻮع آﺧﺮ ﻣﺨﺘﻠﻒ ﻣﻦ ﺣﺎﻟﺔ اﻻﺳﺘﻨﺘﺎﺟﺎت ﻏري اﻟﺼﺤﻴﺤﺔ اﻟﻨﺎﺷﺌﺔ ﻋﻦ ﻋﺪم ﻣﺮاﻋﺎة‬
‫اﻟﺒﻴﺎﻧﺎت املﻔﻘﻮدة‪ ،‬واﻟﺬي أﺻﺒﺢ ﺣﺎﻟﺔ إﺣﺼﺎﺋﻴﺔ ﻛﻼﺳﻴﻜﻴﺔ ﺛﺎﻧﻮﻳﺔ‪ .‬ﻫﺬه اﻟﺤﺎﻟﺔ ﻫﻲ ﺣﺎﻟﺔ‬
‫ﻣﻜﻮك اﻟﻔﻀﺎء »ﺗﺸﺎﻟﻨﺠﺮ«‪ ،‬اﻟﺬي اﻧﻔﺠﺮ ﻋﻨﺪ إﻃﻼﻗﻪ ﰲ ﻋﺎم ‪١٩٨٦‬؛ ﻣﻤﺎ أﺳﻔﺮ ﻋﻦ ﻣﻘﺘﻞ‬
‫ِ‬
‫ملﻨﺎﻗﺸﺔ ﻣﺎ إذا ﻛﺎن‬ ‫ﺟﻤﻴﻊ ﻣَ ﻦ ﻛﺎﻧﻮا ﻋﲆ ﻣﺘْﻨﻪ‪ .‬ﰲ اﻟﻠﻴﻠﺔ اﻟﺘﻲ ﺳﺒﻘﺖ اﻹﻃﻼق‪ ،‬ﻋُ ﻘﺪ اﺟﺘﻤﺎع‬
‫ﻳﻨﺒﻐﻲ املﴤ ﻗﺪﻣً ﺎ ﰲ اﻹﻃﻼق أم ﻻ؛ ﺣﻴﺚ إن ﺗﻮﻗﻌﺎت درﺟﺔ اﻟﺤﺮارة ﰲ ﻣﻮﻋﺪ اﻹﻃﻼق‬
‫ﺗﺒني أﻧﻪ ﻋﲆ ﻣﺎ ﻳﺒﺪو ﻻ ﺗﻮﺟﺪ‬ ‫أﺷﺎرت إﱃ أﻧﻬﺎ ﻣﻨﺨﻔﻀﺔ ﻋﲆ ﻧﺤﻮ ﻛﺒري‪ .‬أُﻧﺘﺠﺖ ﺑﻴﺎﻧﺎت ﱢ‬ ‫ْ‬
‫ﻋﻼﻗﺔ ﺑني درﺟﺔ ﺣﺮارة اﻟﻬﻮاء واﻷﴐار اﻟﺘﻲ ﻟﺤﻘﺖ ﺑﺒﻌﺾ أرﺑﻄﺔ اﻟﺼﻮارﻳﺦ املﺴﺎﻋﺪة‪.‬‬
‫وﻣﻊ ذﻟﻚ‪ ،‬ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت ﻏري ﻣﻜﺘﻤﻠﺔ‪ ،‬وﻟﻢ ﺗﺸﻤﻞ ﺟﻤﻴﻊ ﻋﻤﻠﻴﺎت اﻹﻃﻼق اﻟﺘﻲ ﻟﻢ ﺗﻘﻊ‬
‫ﺑﻬﺎ »أي« أﴐار‪ .‬ﻛﺎن ﻫﺬا ﻏري ﻣﻼﺋﻢ ﻷن ﻋﻤﻠﻴﺎت اﻹﻃﻼق اﻟﺘﻲ ﻟﻢ ﺗَ َﻘﻊ ﻓﻴﻬﺎ أي أﴐار‬
‫أُﺟﺮﻳﺖ ﰲ اﻟﻐﺎﻟﺐ ﰲ درﺟﺎت ﺣﺮارة أﻋﲆ‪ .‬ﻛﺎن اﻟﺠﺪول املﺤﺘﻮي ﻋﲆ اﻟﺒﻴﺎﻧﺎت »ﻛﺎﻓﺔ«‬
‫ُﻈﻬﺮ ﻋﻼﻗﺔ واﺿﺤﺔ؛ زﻳﺎدة اﺣﺘﻤﺎﻟﻴﺔ وﻗﻮع اﻟﴬر ﰲ درﺟﺎت اﻟﺤﺮارة اﻷﻗﻞ‪.‬‬ ‫ﺳﻴ ِ‬
‫وﻛﻤﺜﺎل أﺧري‪ ،‬اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﻳﺘﻘﺪﻣﻮن ﺑﻄﻠﺒﺎت ﻟﻠﺤﺼﻮل ﻋﲆ ﻗﺮوض ﻣﴫﻓﻴﺔ‬
‫وﺑﻄﺎﻗﺎت اﻻﺋﺘﻤﺎن‪ ،‬وﻣﺎ ﺷﺎﺑَ َﻪ ذﻟﻚ‪ ،‬ﻳﺠﺮي ﺣﺴﺎب »ﻣﺠﻤﻮع اﻟﻨﻘﺎط اﻻﺋﺘﻤﺎﻧﻴﺔ« ﻟﻬﻢ؛ وﻫﻲ‬
‫ﺗﻠﻌﺐ دو ًرا أﺳﺎﺳﻴٍّﺎ ﰲ ﺗﻘﺪﻳﺮ اﺣﺘﻤﺎﻟﻴﺔ ﻋﺠْ ِﺰﻫﻢ ﻋﻦ اﻟﺴﺪاد‪ .‬وﺗُﺴﺘﻤﺪ ﻫﺬه اﻟﺘﻘﺪﻳﺮات ﻣﻦ‬
‫اﻟﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ املﺒﻨﻴﺔ )ﻛﻤﺎ ﻫﻮ ﻣﻮﺿﺢ ﰲ اﻟﻔﺼﻞ اﻟﺴﺎدس( ﺑﺎﺳﺘﺨﺪام ﺑﻴﺎﻧﺎت ﻣﻦ‬
‫اﻟﻌﻤﻼء اﻟﺴﺎﺑﻘني اﻟﺬﻳﻦ ﺳﺪدوا دﻳﻮﻧﻬﻢ ﺑﺎﻟﻔﻌﻞ أو ﻋﺠﺰوا ﻋﻦ اﻟﺴﺪاد‪ .‬وﻟﻜﻦ ﺗﻮﺟﺪ ﻣﺸﻜﻠﺔ؛‬
‫ﻓﺎﻟﻌﻤﻼء اﻟﺴﺎﺑﻘﻮن ﻟﻴﺴﻮا ﻣﻤﺜﻠني ﻟﺠﻤﻴﻊ اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﺗﻘﺪﻣﻮا ﺑﻄﻠﺒﺎت ﻟﻠﺤﺼﻮل ﻋﲆ‬
‫ﻗﺮض‪ .‬ﻓﺮﻏﻢ ﻛﻞ ﳾء‪ ،‬اﺧﺘري اﻟﻌﻤﻼء اﻟﺴﺎﺑﻘﻮن ﻷﻧﻪ ﻛﺎن ﻳُﻌﺘﻘﺪ أﻧﻬﻢ ﻣﺨﺎﻃﺮة ﻣﺄﻣﻮﻧﺔ‪.‬‬
‫ﻓﻠﻮ ﻛﺎن ﻫﺆﻻء املﺘﻘﺪﻣﻮن ﻋُ ﺪﱡوا ﻣﺨﺎﻃﺮة ﻏري ﻣﺄﻣﻮﻧﺔ ﰲ ﺣﺪ ذاﺗﻬﻢ وﻛﺎن ﻣﻦ املﺮﺟﺢ‬
‫أن ﻳﻌﺠﺰوا ﻋﻦ اﻟﺴﺪاد‪ ،‬ﻣﺎ ﻛﺎﻧﻮا ﻟﻴُﻘﺒَﻠﻮا ﰲ املﻘﺎم اﻷول؛ وﻣﻦ ﺛ َ ﱠﻢ ﻟﻢ ﻳﻜﻮﻧﻮا ﻟﻴﺪﺧﻠﻮا ﰲ‬
‫اﻟﺒﻴﺎﻧﺎت‪ .‬إن أي ﻧﻤﻮذج إﺣﺼﺎﺋﻲ ﻻ ﻳﺄﺧﺬ ﺑﻌني اﻻﻋﺘﺒﺎر ﻫﺬا اﻟﺘﺸﻮﻳﻪ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‬
‫ﻣﻦ املﺮﺟﱠ ﺢ أن ﻳﺆدﱢي إﱃ اﺳﺘﻨﺘﺎﺟﺎت ﺧﺎﻃﺌﺔ‪ .‬وﰲ ﻫﺬه اﻟﺤﺎﻟﺔ‪ ،‬ﻳﻤﻜﻦ أن ﻳﻌﻨﻲ ﻫﺬا اﻧﻬﻴﺎر‬
‫اﻟﺒﻨﻚ‪.‬‬

‫‪43‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻛﺎﻧﺖ ﺑﻌﺾ اﻟﻘِ ﻴَﻢ ﻓﺤﺴﺐ ﻧﺎﻗﺼﺔ ﻟﻜﻞ ﺳﺠﻞ )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل ﺑﻌﺾ اﻹﺟﺎﺑﺎت‬ ‫ْ‬ ‫إذا‬
‫ﻋﲆ اﻻﺳﺘﺒﻴﺎن(‪ ،‬ﻳﻮﺟﺪ ﻧﻬﺠﺎن أﺳﺎﺳﻴﺎن ﺷﺎﺋﻌﺎن ﻟﻠﺘﺤﻠﻴﻞ‪ .‬ﻳﺘﻤﺜﻞ أﺣﺪ اﻟﻨﻬﺠني ﺑﺒﺴﺎﻃﺔ ﰲ‬
‫ﻧﺒﺬ أي ﺳﺠﻼت ﻏري ﻣﻜﺘﻤﻠﺔ؛ وﻫﺬا ﻳﺘﻀﻤﻦ ﻧﻘﻄﺘَﻲ ﺿﻌﻒ ﻣﺤﺘﻤﻠﺘني ﺧﻄريﺗني؛ أوﻻﻫﻤﺎ‪:‬‬
‫أﻧﻪ ﻳﻤﻜﻦ أن ﻳﺆدي ﻟﺘﺸﻮﻫﺎت ﻳﺴﺒﺒﻬﺎ اﻟﺘﺤﻴﺰ ﰲ اﻻﺧﺘﻴﺎر ﻣﻦ اﻟﻨﻮع اﻟﺬي ﻧﻮﻗﺶ ً‬
‫آﻧﻔﺎ؛ ﻓﺈذا‬
‫ﻛﺎﻧﺖ ﺳﺠﻼت ﻣﻦ ﻧﻮع ﻣﻌني أﻛﺜﺮ ﻋﺮﺿﺔ ﻷن ﻳﻜﻮن ﺑﻌﺾ ﻗِ ﻴَﻤﻬﺎ ﻧﺎﻗﺼﺔ‪ ،‬ﻓﺈن ﺣﺬف‬
‫ﻫﺬه اﻟﺴﺠﻼت ﺳﻮف ﻳﱰك ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎت ﻣﺸﻮﻫﺔ‪ .‬وﻧﻘﻄﺔ اﻟﻀﻌﻒ اﻟﺨﻄرية اﻟﺜﺎﻧﻴﺔ ﻫﻲ‬
‫أﻧﻪ ﻳﻤﻜﻦ أن ﻳﺆدي إﱃ اﻧﺨﻔﺎض ﻫﺎﺋﻞ ﰲ ﺣﺠﻢ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت املﺘﺎﺣﺔ ﻟﻠﺘﺤﻠﻴﻞ؛ ﻋﲆ‬
‫ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻟﻨﻔﱰض أن اﺳﺘﺒﻴﺎﻧًﺎ ﻳﺤﺘﻮي ﻋﲆ ﻣﺎﺋﺔ ﺳﺆال‪ ،‬ﻣﻦ املﻤﻜﻦ ﺗﻤﺎﻣً ﺎ ﱠأﻻ ﻳ ُِﺠﻴﺐ‬
‫أي ﻣﺸﺎرك ﰲ اﻟﺪراﺳﺔ ﻋﲆ »ﻛﻞ« ﺳﺆال؛ وﻣﻦ ﺛﻢ ﻓﺈن »ﺟﻤﻴﻊ« اﻟﺴﺠﻼت ﺳﺘﺘﻀﻤﻦ ﺷﻴﺌًﺎ‬
‫ﻧﺎﻗﺼﺎ؛ وﻫﺬا ﻳﻌﻨﻲ أن ﻧﺒﺬ اﻟﺮدود ﻏري املﻜﺘﻤﻠﺔ ﻣﻦ ﺷﺄﻧﻪ أن ﻳﺆدي إﱃ ﻧﺒﺬ ﻛﺎﻓﺔ اﻟﺒﻴﺎﻧﺎت‪.‬‬‫ً‬
‫اﻟﻨﻬﺞ اﻟﺸﺎﺋﻊ اﻟﺜﺎﻧﻲ ملﻌﺎﻟﺠﺔ اﻟﻘﻴﻢ اﻟﻨﺎﻗﺼﺔ ﻫﻮ إدﺧﺎل ﻗﻴﻢ ﺑﺪﻳﻠﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪،‬‬
‫ﻟﻨﻔﱰض أن ﺑﻨﺪ اﻟﻌﻤﺮ ﻧﺎﻗﺺ ﻣﻦ ﺑﻌﺾ اﻟﺴﺠﻼت‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺣﻴﻨﻬﺎ اﺳﺘﺒﺪال ﻣﺘﻮﺳﻂ‬
‫اﻷﻋﻤﺎر املﺴﺠﻠﺔ ﺑﺎﻟﻘﻴﻢ املﻔﻘﻮدة‪ .‬وﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أن ﻫﺬا ﻳﻨﺘﺞ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎت ﻛﺎﻣﻠﺔ‬
‫أﻳﻀﺎ؛ ﻓﻔﻲ ﻫﺬه‬ ‫)ﺳﻮاء أﻛﻤﻠﻬﺎ املﺸﺎرﻛﻮن ﰲ اﻟﺪراﺳﺔ أو أﻛﻤﻠﻨﺎﻫﺎ ﻧﺤﻦ(‪ ،‬ﻓﺈﻧﻪ ﻟﻪ ﻋﻴﻮب ً‬
‫اﻟﺤﺎﻟﺔ ﻧﻜﻮن ﻗﺪ اﺧﺘﻠﻘﻨﺎ اﻟﺒﻴﺎﻧﺎت ﰲ اﻷﺳﺎس‪.‬‬
‫إذا ﻛﺎن ﻫﻨﺎك ﺳﺒﺐ ﻟﻠﺸﻚ ﰲ أن ﻏﻴﺎب ﻋﺪد ﻣﻌني إﻧﻤﺎ ﻳﺮﺗﺒﻂ ﺑﺎﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻛﺎن‬
‫ﺳﻴﻤﺘﻠﻜﻬﺎ ﻟﻮ ﻛﺎن ﺣﺎﴐً ا )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬إذا ﻛﺎن ﻛﺒﺎر اﻟﺴﻦ أﻗﻞ ﰲ اﺣﺘﻤﺎﻟﻴﺔ اﻟﺘﻌﺮﻳﻒ‬
‫ﺗﻔﺼﻴﻼ‪ .‬ﻧﺤﻦ ﺑﺤﺎﺟﺔ إﱃ ﺑﻨﺎء‬ ‫ً‬ ‫ﺑﺴﻨﱢﻬﻢ(‪ ،‬ﻓﺜﻤﺔ ﺣﺎﺟﺔ إﱃ وﺟﻮد أﺳﺎﻟﻴﺐ إﺣﺼﺎﺋﻴﺔ أﻛﺜﺮ‬ ‫ِ‬
‫ﻧﻤﻮذج إﺣﺼﺎﺋﻲ ﻻﺣﺘﻤﺎﻟﻴﺔ ﻧﻘﺼﺎن اﻟﺒﻴﺎﻧﺎت — رﺑﻤﺎ ﻣﻦ اﻟﻨﻮع اﻟﺬي ﻳﺘﻨﺎوﻟﻪ اﻟﻔﺼﻞ‬
‫اﻟﺴﺎدس — وﻛﺬﻟﻚ ﻟﻠﻌﻼﻗﺎت اﻷﺧﺮى املﻮﺟﻮدة داﺧﻞ اﻟﺒﻴﺎﻧﺎت‪.‬‬
‫وﻣﻦ اﻟﺠﺪﻳﺮ ﺑﺎﻟﺬﻛﺮ أﻧﻪ ﻣﻦ اﻟﴬوري ﻗﺒﻮل ﺣﻘﻴﻘﺔ أﻧﻪ ﻟﻴﺴﺖ ﻛﻞ اﻟﻘﻴﻢ ﻗﺪ ُﺳﺠﱢ َﻠﺖ‪.‬‬
‫وﻣﻦ املﻤﺎرﺳﺎت اﻟﺸﺎﺋﻌﺔ اﺳﺘﺨﺪام رﻣﺰ ﺧﺎص ﻟﻺﺷﺎرة إﱃ أن اﻟﻘﻴﻤﺔ ﻧﺎﻗﺼﺔ؛ ﻋﲆ ﺳﺒﻴﻞ‬
‫املﺜﺎل‪ ،‬ﻣﻦ اﻟﺸﺎﺋﻊ اﺳﺘﺨﺪام رﻣﺰ ‪ N/A‬اﺧﺘﺼﺎ ًرا ﻟﻌﺒﺎرة ‪ Not Available‬ﺑﻤﻌﻨﻰ »ﻏري‬
‫ُﻣﺘَﺎح«‪ ،‬وﻟﻜﻦ ﰲ ﺑﻌﺾ اﻷﺣﻴﺎن ﻳﺘﻢ اﺳﺘﺨﺪام رﻣﻮز رﻗﻤﻴﺔ ﻣﺜﻞ ‪ ٩٩٩٩‬ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﻌﻤﺮ‪.‬‬
‫وﰲ ﻫﺬه اﻟﺤﺎﻟﺔ‪ ،‬اﻹﺧﻔﺎق ﰲ ﺟﻌﻞ ﺟﻬﺎز اﻟﻜﻤﺒﻴﻮﺗﺮ ﻳﺪرك أن ‪ ٩٩٩٩‬ﻳﻤﺜﻞ اﻟﻘﻴﻢ اﻟﻨﺎﻗﺼﺔ‬
‫ﻳﻤﻜﻦ أن ﻳﺆدي إﱃ ﻧﺘﻴﺠﺔ ﻏري دﻗﻴﻘﺔ إﱃ ﺣ ﱟﺪ ﻛﺒري‪ .‬ﺗَﺨﻴﱠ ْﻞ ﻣﺎ ﺳﻴﻜﻮن ﻋﻠﻴﻪ ﻣﺘﻮﺳﻂ اﻟﻌﻤﺮ‬
‫املﻘﺪﱠر ﻋﻨﺪﻣﺎ ﻳﺪﺧﻞ ﻋﺪد ﻛﺒري ﻣﻦ اﻟﻘﻴﻢ ‪ ٩٩٩٩‬ﰲ ﻋﻤﻠﻴﺔ اﻟﺤﺴﺎب‪.‬‬

‫‪44‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫ﱠ‬
‫ﻣﺘﻮﻗﻌً ﺎ‪ ،‬ﻻ ﻳﻮﺟﺪ ﺣ ﱞﻞ ﻣﺜﺎﱄ ﻟﻠﺒﻴﺎﻧﺎت اﻟﻨﺎﻗﺼﺔ؛‬ ‫ﻋﻤﻮﻣً ﺎ‪ ،‬وﻟﻌﻞ ﻫﺬا ﻳﻨﺒﻐﻲ أن ﻳﻜﻮن‬
‫ﻓﺠﻤﻴﻊ ﻃﺮق اﻟﺘﻌﺎﻣﻞ ﻣﻌﻬﺎ ﺗﺘﻄﻠﺐ إﻗﺤﺎم ﻧﻮع ﻣﻦ اﻻﻓﱰاﺿﺎت اﻹﺿﺎﻓﻴﺔ‪ ،‬واﻟﺤﻞ اﻷﻓﻀﻞ‬
‫ﻫﻮ ﺗﻘﻠﻴﻞ املﺸﻜﻠﺔ أﺛﻨﺎء ﻣﺮﺣﻠﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت‪.‬‬

‫)‪ (2‬اﻟﺒﻴﺎﻧﺎت ﻏري اﻟﺼﺤﻴﺤﺔ‬

‫اﻟﺒﻴﺎﻧﺎت ﻏري املﻜﺘﻤﻠﺔ ﻫﻲ ﻧﻮع واﺣﺪ ﻣﻦ ﻣﺸﻜﻼت اﻟﺒﻴﺎﻧﺎت‪ ،‬وﻟﻜﻦ رﺑﻤﺎ ﺗﻜﻮن اﻟﺒﻴﺎﻧﺎت‬
‫»ﻏري ﺻﺤﻴﺤﺔ« ﺑﺄي ﻋﺪد ﻣﻦ اﻟﻄﺮق وﻷي ﻋﺪد ﻣﻦ اﻷﺳﺒﺎب‪ .‬وﻳﻮﺟﺪ ﻣﺴﺘﻮﻳﺎت ﻋﺎﻟﻴﺔ‬
‫وﻣﻨﺨﻔﻀﺔ ﻷﺳﺒﺎب ﻫﺬه املﺸﻜﻼت‪.‬‬
‫أﺣﺪ اﻷﺳﺒﺎب اﻟﻌﺎﻟﻴﺔ املﺴﺘﻮى ﻳﺘﻤﺜﻞ ﰲ ﺻﻌﻮﺑﺔ اﺗﺨﺎذ ﻗﺮار ﺑﺸﺄن اﻟﺘﻌﺮﻳﻔﺎت املﻨﺎﺳﺒﺔ‬
‫)واملﺘﻔﻖ ﻋﻠﻴﻬﺎ ﻋﺎملﻴٍّﺎ(‪ .‬ﻳُﻌَ ﱡﺪ ﻣﻌﺪﱠل اﻟﺠﺮﻳﻤﺔ — املﺸﺎر إﻟﻴﻪ ﰲ اﻟﻔﺼﻞ اﻷول — ً‬
‫ﻣﺜﺎﻻ ﻋﲆ‬
‫آﺧﺮ‪ .‬ﻋﺎد ًة ﻣﺎ ﻳﻜﻮن اﻻﻧﺘﺤﺎر ﻧﺸﺎ ً‬
‫ﻃﺎ ﻓﺮدﻳٍّﺎ؛ ﻟﺬﻟﻚ ﻻ‬ ‫ﻣﺜﺎﻻ َ‬
‫ً‬ ‫ذﻟﻚ‪ ،‬وﻳُﻌَ ﱡﺪ ﻣﻌﺪل اﻻﻧﺘﺤﺎر‬
‫ُ‬
‫آﺧﺮ أن ﻳﻌﺮف ﻋﲆ وﺟﻪ اﻟﻴﻘني أﻧﻪ ﻛﺎن اﻧﺘﺤﺎ ًرا‪ .‬ﰲ أﺣﻴﺎن ﻛﺜرية ﺗﱰك‬ ‫ﻳﺴﺘﻄﻴﻊ أﺣﺪ َ‬
‫رﺳﺎﻟﺔ اﻧﺘﺤﺎر‪ ،‬وﻟﻜﻦ ﻟﻴﺲ ﰲ ﺟﻤﻴﻊ اﻟﺤﺎﻻت؛ وﻣﻦ ﺛﻢ ﻳﺠﺐ اﺳﺘﺨﻼص دﻟﻴﻞ ﻋﲆ أن‬
‫اﻟﻮﻓﺎة ﻛﺎﻧﺖ ﰲ اﻟﺤﻘﻴﻘﺔ اﻧﺘﺤﺎ ًرا‪ .‬وﻫﺬا ﻳﻨﻘﻠﻨﺎ إﱃ ﻧﻄﺎق ﻏﺎﻣﺾ؛ ﻷﻧﻪ ﻳُﺜِري ﻣﺴﺄﻟﺔ اﻷدﻟﺔ‬
‫ذات اﻟﺼﻠﺔ‪ ،‬وﻋﺪد اﻷدﻟﺔ املﻄﻠﻮﺑﺔ‪ .‬ﻋﻼوة ﻋﲆ ذﻟﻚ‪ ،‬ﻳﻌﻤﺪ اﻟﻌﺪﻳﺪ ﻣﻦ املﻨﺘﺤﺮﻳﻦ إﱃ‬
‫إﺧﻔﺎء ﺣﻘﻴﻘﺔ اﻧﺘﺤﺎرﻫﻢ؛ ﻟﻜﻲ ﺗﺴﺘﻄﻴﻊ اﻷﴎة اﻟﺤﺼﻮل ﻋﲆ أﻣﻮال اﻟﺘﺄﻣني ﻋﲆ اﻟﺤﻴﺎة‬
‫ً‬
‫ﻣﺜﻼ‪.‬‬
‫ﺗﺘﻮﱃ اﻟﻮﻛﺎﻟﺔ اﻟﻮﻃﻨﻴﺔ ﻟﺴﻼﻣﺔ املﺮﴇ ﰲ‬ ‫ﱠ‬ ‫ﰲ ﻣﻮﺿﻊ ﻣﺨﺘﻠﻒ — أﻛﺜﺮ ﺗﻌﻘﻴﺪًا —‬
‫وﺿﻊ اﻟﺘﻘﺎرﻳﺮ ﺣﻮل اﻟﺤﻮادث اﻟﺘﻲ ﺗﻘﻊ ﰲ املﺴﺘﺸﻔﻴﺎت‪ ،‬ﺛﻢ‬ ‫املﻤﻠﻜﺔ املﺘﺤﺪة ﻣﺴﺌﻮﻟﻴﺔ ْ‬
‫ﺗﺤﺎول اﻟﻮﻛﺎﻟﺔ ﺑﻌﺪ ذﻟﻚ ﺗﺼﻨﻴﻔﻬﺎ ﻟﺘﺤﺪﻳﺪ اﻟﻘﻮاﺳﻢ املﺸﱰﻛﺔ‪ ،‬ﻟﻜﻲ ﻳﻤﻜﻦ اﺗﺨﺎذ اﻟﺨﻄﻮات‬
‫ﻮﺻﻒ ﻋﻦ‬ ‫اﻟﻼزﻣﺔ َملﻨْﻊ وﻗﻮع اﻟﺤﻮادث ﰲ املﺴﺘﻘﺒَﻞ‪ .‬وﺗﻜﻤﻦ اﻟﺼﻌﻮﺑﺔ ﰲ أن اﻟﺤﻮادث ﺗُ َ‬
‫ﻃﺮﻳﻖ ﻋﺪة آﻻف ﻣﻦ اﻷﺷﺨﺎص املﺨﺘﻠﻔني‪ ،‬وﺗﻮﺻﻒ ﺑﻄﺮق ﻣﺨﺘﻠﻔﺔ‪ .‬وﺣﺘﻰ اﻟﺤﺎدث ﻧﻔﺴﻪ‬
‫ﻳﻤﻜﻦ وﺻﻔﻪ ﺑﺄﻛﺜﺮ ﻣﻦ ﻧﺤﻮ ﻣﺨﺘﻠﻒ ﺟﺪٍّا‪.‬‬
‫ﻋﲆ ﻣﺴﺘﻮًى أدﻧﻰ‪ ،‬ﻏﺎﻟﺒًﺎ ﻣﺎ ﺗﻘﻊ أﺧﻄﺎء ﰲ ﻗﺮاءة املﻘﺎﻳﻴﺲ أو ﺗﺴﺠﻴﻞ اﻟﻘﻴﻢ؛ ﻋﲆ‬
‫ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻳﻮﺟﺪ اﺗﺠﺎه ﺷﺎﺋﻊ ﰲ ﻗﺮاءة املﻘﺎﻳﻴﺲ وﻫﻮ اﻟﺘﻘﺮﻳﺐ ﺑﻼ وﻋﻲ إﱃ أﻗﺮب‬
‫ﻋﺪد ﺻﺤﻴﺢ؛ ﻓﺘﻮزﻳﻌﺎت ﻗﻴﺎﺳﺎت ﺿﻐﻂ اﻟﺪم املﺴﺠﱠ ﻠﺔ ﺑﺎﺳﺘﺨﺪام ﻣﻘﺎﻳﻴﺲ ﺿﻐﻂ اﻟﺪم‬
‫ً‬
‫اﺗﺠﺎﻫﺎ واﺿﺤً ﺎ ملﺰﻳﺪ ﻣﻦ اﻟﻘﻴﻢ املﺴﺠﱠ ﻠﺔ ﻋﻨﺪ ‪،٧٠ ،٦٠‬‬ ‫ﻈﻬﺮ‬‫اﻟﻘﺪﻳﻤﺔ )ﻏري اﻹﻟﻜﱰوﻧﻴﺔ( ﺗُ ِ‬
‫‪ ٨٠‬ﻣ ﱢﻠﻴﻤﱰًا ﻣﻦ اﻟﺰﺋﺒﻖ ﻣﻦ اﻟﻘﻴﻢ املﺠﺎورة‪ ،‬ﻣﺜﻞ ‪ ٦٩‬أو ‪ .٧٢‬وﻋﻨﺪ أﻗﴡ ﻗﺪْر ﻳﻤﻜﻦ أن‬

‫‪45‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﺑﺪﻻ ﻣﻦ ‪ ،(٨٢‬أو ﻳﻤﻜﻦ اﻟﺨﻠﻂ‬ ‫ﺗﺼﻠﻪ أﺧﻄﺎء اﻟﺘﺴﺠﻴﻞ‪ ،‬ﻳﻤﻜﻦ أن ﺗُﻌﻜﺲ اﻷرﻗﺎم )‪ً ،٢٨‬‬
‫اﺣﺘﻤﺎﻻ ﰲ أوروﺑﺎ؛ ﺣﻴﺚ إن ‪٧‬‬ ‫ً‬ ‫ﺑني اﻟﺮﻗﻢ ‪ ٧‬املﻜﺘﻮب ﺑﺨﻂ اﻟﻴﺪ ﻣﻊ اﻟﺮﻗﻢ ‪) ١‬وﻫﺬا أﻗﻞ‬
‫ﻳﻜﺘﺐ ‪ ،(٧‬أو ﻗﺪ ﺗﻮﺿﻊ اﻟﺒﻴﺎﻧﺎت ﰲ اﻟﻌﻤﻮد اﻟﺨﻄﺄ ﰲ اﻟﻨﻤﻮذج‪ ،‬وﺑﻬﺬا ﺗﺘﻀﺎﻋﻒ اﻟﻘﻴﻢ‬
‫ﻣﺼﺎدﻓﺔ ﺑﻤﻘﺪار ﻋﴩة أﺿﻌﺎف‪ ،‬أو رﺑﻤﺎ ﻳﺤﺪث ﺧﻠﻂ ﺑني اﻟﻨﻤﻂ اﻷﻣﺮﻳﻜﻲ ﻟﻜﺘﺎﺑﺔ اﻟﺘﺎرﻳﺦ‬
‫)ﺷﻬﺮ‪/‬ﻳﻮم‪/‬ﺳﻨﺔ( وﻧﻤﻂ املﻤﻠﻜﺔ املﺘﺤﺪة )ﻳﻮم‪/‬ﺷﻬﺮ‪/‬ﺳﻨﺔ(‪ ،‬أو اﻟﻌﻜﺲ‪ ،‬وﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪.‬‬
‫ﻃ َﺮ َد اﻟﻔﻠﻜﻲ املﻠﻜﻲ ﻧﻴﻔﻴﻞ ﻣﺎﺳﻜﻴﻠني ﻣﺴﺎﻋﺪه دﻳﻔﻴﺪ ﻛﻴﻨﱪوك ﻋﲆ أﺳﺎس‬ ‫ﰲ ﻋﺎم ‪َ ،١٧٩٦‬‬
‫َﻌﱪ ﻓﻴﻬﺎ ﻧﺠﻢ ﻣﺨﺘﺎر ﻟﺨﻂ اﻟﺰوال ﻋﻦ ﻃﺮﻳﻖ أﺣﺪ‬ ‫أن ﻣﺸﺎﻫﺪات اﻷﺧري ﻟﻸوﻗﺎت اﻟﺘﻲ ﻳ ُ‬
‫اﻟﺘﻠﺴﻜﻮﺑﺎت ﰲ ﺟﺮﻳﻨﺘﺶ ﻟﻢ ﺗﻜﻦ دﻗﻴﻘﺔ ﺟﺪٍّا‪ .‬ﻛﺎن ﻫﺬا اﻷﻣﺮ ﻣﻬﻤٍّ ﺎ ﻷن دﻗﺔ اﻟﺴﺎﻋﺔ ﰲ‬
‫ﺟﺮﻳﻨﺘﺶ ﺗﺘﻮﻗﻒ ﻋﲆ اﻟﻘﻴﺎﺳﺎت اﻟﺪﻗﻴﻘﺔ ﻷوﻗﺎت اﻟﻌﺒﻮر‪ ،‬وﺗﻘﺪﻳﺮات ﺧﻄﻮط اﻟﻄﻮل ﻟﺪى‬
‫ﺳﻔﻦ اﻟﺪوﻟﺔ ﺗﻌﺘﻤﺪ ﻋﲆ اﻟﺴﺎﻋﺔ‪ ،‬واﻹﻣﱪاﻃﻮرﻳﺔ اﻟﱪﻳﻄﺎﻧﻴﺔ ﺗﻌﺘﻤﺪ ﻋﲆ ﺳﻔﻨﻬﺎ‪ .‬وﻣﻊ ذﻟﻚ‪،‬‬
‫ﺗﺄﺧﺮ رد اﻟﻔﻌﻞ اﻟﻨﻔﴘ وﻇﺎﻫﺮة‬ ‫ﻓﴪ اﻟﺒﺎﺣﺜﻮن ﺑﻌﺪ ذﻟﻚ أﺳﺒﺎب ﻋﺪم اﻟﺪﻗﺔ ﻫﺬه ﰲ ﺿﻮء ﱡ‬ ‫ﱠ‬
‫اﻟﺘﻘﺮﻳﺐ اﻟﻼواﻋﻲ املﺬﻛﻮرة أﻋﻼه‪ .‬وﻛﻤﺜﺎل أﺧري ﻣﻦ ﺑني ﻛﺜري ﻣﻦ اﻷﻣﺜﻠﺔ اﻟﺘﻲ ﻛﺎن ﻳﻤﻜﻦ‬
‫ﻃ ﱢﻠﻘﺖ‬‫أن أﺧﺘﺎرﻫﺎ‪ ،‬أﺷﺎر ﺗﻌﺪاد اﻟﻮﻻﻳﺎت املﺘﺤﺪة ﻟﻌﺎم ‪ ١٩٧٠‬إﱃ وﺟﻮد ‪ ٢٨٩‬ﻓﺘﺎة ُرﻣﱢ ﻠﺖ و ُ‬
‫أﻳﻀﺎ ﻧﻘﻄﺔ ﻋﺎﻣﺔ‪ ،‬وﻫﻲ أﻧﻪ ﻛﻠﻤﺎ زاد‬ ‫ﰲ اﻟﻮﻗﺖ ﻧﻔﺴﻪ ﰲ ﺳﻦ ‪ .١٤‬وﻳﺠﺐ أن ﻧﻼﺣﻆ ً‬
‫املﺸﺎرﻛﺔ‬
‫ِ‬ ‫ﺣﺠﻢ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‪ ،‬زاد ﻋﺪد املﺸﺎرﻛني ﰲ ﺗﺠﻤﻴﻌﻬﺎ‪ ،‬وﻛﻠﻤﺎ زادت املﺮاﺣﻞ‬
‫ﰲ ﻣﻌﺎﻟﺠﺘﻬﺎ‪ ،‬زاد اﺣﺘﻤﺎل اﺣﺘﻮاﺋﻬﺎ ﻋﲆ أﺧﻄﺎء‪.‬‬
‫ﻛﺜريًا ﻣﺎ ﺗﻨﺸﺄ أﻣﺜﻠﺔ أﺧﺮى ﻷﺧﻄﺎء اﻟﺒﻴﺎﻧﺎت ﻣﻦ املﺴﺘﻮى اﻷدﻧﻰ ﻣﻦ وﺣﺪات اﻟﻘﻴﺎس‪،‬‬
‫ﺑﺪﻻ ﻣﻦ اﻟﻜﻴﻠﻮﺟﺮام‪ .‬ﰲ ﻋﺎم‬ ‫ﺑﺪﻻ ﻣﻦ َ‬
‫اﻟﻘﺪَم‪ ،‬أو اﻟﻮزن ﺑﺎﻟﺮﻃﻞ ً‬ ‫ﻣﺜﻞ ﺗﺴﺠﻴﻞ اﻟﻄﻮل ﺑﺎملﱰ ً‬
‫‪ُ ،١٩٩٩‬ﻓﻘﺪ »ﻣﺴﺒﺎر ﻣﻨﺎخ املﺮﻳﺦ« ﻋﻨﺪﻣﺎ ﻓﺸﻞ ﰲ دﺧﻮل اﻟﻐﻼف اﻟﺠﻮي ﻟﻠﻤﺮﻳﺦ ﺑﺎﻟﺰاوﻳﺔ‬
‫آﺧﺮ‬‫اﻟﺼﺤﻴﺤﺔ ﺑﺴﺒﺐ اﻟﺨﻠﻂ ﺑني ﻗﻴﺎﺳﺎت اﻟﻀﻐﻂ ﺑﻮﺣ َﺪﺗَﻲ اﻟﺮﻃﻞ واﻟﻨﻴﻮﺗﻦ‪ .‬وﰲ ﻣﺜﺎل َ‬
‫ِ‬
‫ﻟﻠﺨﻠﻂ ﺑني وﺣﺪات اﻟﻘﻴﺎس — وﻫﺬه املﺮة ﰲ ﺳﻴﺎق ﻃﺒﻲ — ﻛﺎﻧﺖ ﻣﺴﺘﻮﻳﺎت اﻟﻜﺎﻟﺴﻴﻮم‬
‫ﻋﺎدﻳﺔ‪ ،‬ﰲ ﻧﻄﺎق ‪ ٨٫٦‬ﺣﺘﻰ ‪ ،٩٫١‬ﻟﻜﻦ ﺑَﺪ ْ‬
‫َت‬ ‫ً‬ ‫ٍ‬
‫ﻣﺴﺘﻮﻳﺎت‬ ‫ﻣﺴﻨﱠﺔ ﻋﺎد ًة‬
‫ﰲ اﻟﺪم ﻋﻨﺪ ﺳﻴﺪة ِ‬
‫ﻓﺠﺄة أﻧﻬﺎ اﻧﺨﻔﻀﺖ إﱃ ﻗﻴﻤﺔ أﻗ ﱠﻞ ﻣﻦ ذﻟﻚ ﺑﻜﺜري ﺗﺒﻠﻎ ‪ .٤٫٨‬ﻛﺎﻧﺖ املﻤﺮﺿﺔ املﺴﺌﻮﻟﺔ‬
‫ﻋﲆ وﺷﻚ أن ﺗﺒﺪأ ﰲ ﺣﻘﻨﻬﺎ ﺑﺎﻟﻜﺎﻟﺴﻴﻮم ﻋﻨﺪﻣﺎ اﻛﺘﺸﻒ اﻟﺪﻛﺘﻮر ﺳﻠﻔﺎﺗﻮري ﺑﻴﻨﻔﻴﻨﺠﺎ‬
‫أن اﻻﻧﺨﻔﺎض اﻟﻈﺎﻫﺮي ﻛﺎن ﺑﺒﺴﺎﻃﺔ ﺑﺴﺒﺐ أن املﺨﺘﱪ ﻏري وﺣﺪات اﻟﻘﻴﺎس اﻟﺘﻲ ﻛﺎن‬
‫ﻣﲇ‬‫ﻳﺴﺘﺨﺪﻣﻬﺎ ﰲ ﺗﻘﺪﻳﻢ ﺗﻘﺎرﻳﺮ اﻟﻨﺘﺎﺋﺞ )ﻣﻦ ﻣ ﱢﻠﻴﺠﺮام ﻟﻜﻞ دﻳﺴﻴﻠﱰ )ﻋُ ْﴩ اﻟﻠﱰ( إﱃ ﱢ‬
‫ﻣﻜﺎﻓﺊ ﻟﻜﻞ ﻟﱰ(‪.‬‬

‫‪46‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫)‪ (3‬اﻧﺘﺸﺎر اﻟﺨﻄﺄ‬

‫ﺗﺘﻔﴙ وﺗﺴﺒﱢﺐ ﻋﻮاﻗﺐ وﺧﻴﻤﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪،‬‬‫ﺑﻤﺠﺮد ارﺗﻜﺎب اﻷﺧﻄﺎء‪ ،‬ﻓﺈﻧﻬﺎ ﻳﻤﻜﻦ أن ﱠ‬
‫ﻧ ُ ِﺴﺐَ ﻋﺠﺰ املﻴﺰاﻧﻴﺔ وﺗﴪﻳﺢ اﻟﻌﻤﺎل املﺤﺘﻤﻞ ﰲ ﺷﻤﺎل ﻏﺮب وﻻﻳﺔ إﻧﺪﻳﺎﻧﺎ ﰲ ﻋﺎم ‪٢٠٠٦‬‬
‫ﺷﻖ ﻃﺮﻳﻘﻪ ﻋﱪ اﻟﻨﻈﺎم؛ ﻓﺄﺣﺪ املﻨﺎزل ﻛﺎﻧﺖ ﻗﻴﻤﺘﻪ‬ ‫إﱃ ﺗﺄﺛري ﺧﻄﺄ ﰲ رﻗﻢ واﺣﺪ ﻓﻘﻂ ﱠ‬
‫‪ ١٢١٩٠٠‬دوﻻر ﻟﻜﻦ ﺗﻐريت ﻗﻴﻤﺘﻪ ﻋﻦ ﻃﺮﻳﻖ اﻟﺨﻄﺄ إﱃ ‪ ٤٠٠‬ﻣﻠﻴﻮن دوﻻر‪ .‬وﻟﻸﺳﻒ‪،‬‬
‫اﺳﺘُﺨﺪﻣﺖ ﻫﺬه اﻟﻘﻴﻤﺔ اﻟﺨﺎﻃﺌﺔ ﰲ ﺣﺴﺎب املﻌﺪﻻت اﻟﴬﻳﺒﻴﺔ‪.‬‬
‫وﰲ ﺣﺎﻟﺔ أﺧﺮى‪ ،‬ذﻛﺮ ﻋﺪد ﺻﺤﻴﻔﺔ »ﺗﺎﻳﻤﺰ« ﺑﺘﺎرﻳﺦ ‪ ٢‬دﻳﺴﻤﱪ ‪ ٢٠٠٤‬ﻛﻴﻒ أن‬
‫‪ ٦٦٥٠٠‬ﴍﻛﺔ ﻣﻦ ﺣﻮاﱄ ‪ ١٧٠٠٠٠‬ﴍﻛﺔ أُزﻳﻠﺖ ﻋﻦ ﻃﺮﻳﻖ اﻟﺨﻄﺄ ﻣﻦ ﻗﺎﺋﻤﺔ ﻣﺴﺘﺨﺪﻣﺔ‬
‫ﻟﺘﺠﻤﻴﻊ اﻟﺘﻘﺪﻳﺮات اﻟﺮﺳﻤﻴﺔ ﻟﻨﺎﺗﺞ اﻟﺒﻨﺎء ﰲ املﻤﻠﻜﺔ املﺘﺤﺪة؛ وأدﱠى ذﻟﻚ إﱃ اﻧﺨﻔﺎض ﻧﻤﻮ‬
‫ﺑﺪﻻ ﻣﻦ اﻟﻘﻴﻤﺔ اﻟﺼﺤﻴﺤﺔ اﻟﺘﻲ ﺗﻘﴤ ﺑﺎرﺗﻔﺎﻋﻪ ﺑﻨﺴﺒﺔ‬ ‫اﻟﺒﻨﺎء ﰲ اﻟﺮﺑﻊ اﻷول ﺑﻨﺴﺒﺔ ‪ً ،٪٢٫٦‬‬
‫‪٪٠٫٥‬؛ وﺗَﺮﺗﱠﺐَ ﻋﲆ ذﻟﻚ أﻧﻪ ﰲ اﻟﺮﺑﻊ اﻟﺜﺎﻧﻲ َو َر َد أن ﻧﺴﺒﺔ اﻟﻨﻤﻮ ﺗﺒﻠﻎ ‪ً ٪٥٫٣‬‬
‫ﺑﺪﻻ ﻣﻦ‬
‫اﻟﻨﺴﺒﺔ اﻟﻔﻌﻠﻴﺔ اﻟﺒﺎﻟﻐﺔ ‪.٪٢٫١‬‬

‫)‪ (4‬اﻹﻋﺪاد‬
‫ﻛﻤﺎ ﻳﺠﺐ أن ﻳﻜﻮن واﺿﺤً ﺎ ﻣﻦ اﻷﻣﺜﻠﺔ اﻟﺴﺎﺑﻘﺔ‪ ،‬ﻓﺈن ﻋﻨﴫًا أﺳﺎﺳﻴٍّﺎ أوﻟﻴٍّﺎ ﰲ أي ﺗﺤﻠﻴﻞ‬
‫إﺣﺼﺎﺋﻲ ﻳﺘﻤﺜﻞ ﰲ اﻟﻔﺤﺺ اﻟﺪﻗﻴﻖ ﻟﻠﺒﻴﺎﻧﺎت واﻟﺘﺤﻘﻖ ﻣﻦ وﺟﻮد اﻷﺧﻄﺎء وﺗﺼﺤﻴﺤﻬﺎ ْ‬
‫إن‬
‫أﻣﻜﻦ‪ .‬وﰲ ﺑﻌﺾ اﻟﺴﻴﺎﻗﺎت‪ ،‬ﻳﻤﻜﻦ أن ﺗﺴﺘﻐﺮق ﻫﺬه املﺮﺣﻠﺔ اﻷوﻟﻴﺔ وﻗﺘًﺎ أﻃﻮل ﻣﻦ ﻣﺮاﺣﻞ‬
‫اﻟﺘﺤﻠﻴﻞ اﻟﻼﺣﻘﺔ‪.‬‬
‫ﺛﻤﺔ ﻣﻔﻬﻮم رﺋﻴﴘ ﰲ ﺗﻨﻈﻴﻒ اﻟﺒﻴﺎﻧﺎت ﻫﻮ »اﻟﻘﻴﻤﺔ اﻟﺸﺎذة«‪ .‬واﻟﻘﻴﻤﺔ اﻟﺸﺎذة ﻫﻲ‬
‫ﻗﻴﻤﺔ ﺗﺨﺘﻠﻒ ﻛﺜريًا ﻋﻦ اﻟﻘﻴﻢ اﻷﺧﺮى‪ ،‬أو ﻋﻤﺎ ﻫﻮ ﻣﺘﻮﻗﻊ‪ ،‬وﺗﻜﻮن ﺧﺎرﺟﺔ ﻋﻦ ذﻳﻞ اﻟﺘﻮزﻳﻊ‪.‬‬
‫وأﺣﻴﺎﻧًﺎ ﺗﺤﺪُث ﻫﺬه اﻟﻘﻴﻢ املﺘﻄﺮﻓﺔ ﺑﻔﻌﻞ املﺼﺎدﻓﺔ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أن‬
‫ﻣﻌﻈﻢ ﺣﺎﻻت اﻟﻄﻘﺲ ﺗﻜﻮن ﻣﻌﺘﺪﻟﺔ إﱃ ﺣ ﱟﺪ ﻣﺎ‪ ،‬ﻓﺈن اﻟﻌﻮاﺻﻒ اﻟﺸﺪﻳﺪة ﺗﺤﺪث ﺑﺎﻟﻔﻌﻞ ﰲ‬
‫ً‬
‫ﺳﺎﺑﻘﺎ‪،‬‬ ‫ﺑﻌﺾ اﻷﺣﻴﺎن‪ .‬وﻟﻜﻦ ﰲ ﺣﺎﻻت أﺧﺮى ﻳﻨﺸﺄ اﻟﺸﺬوذ ﺑﺴﺒﺐ أﻧﻮاع اﻷﺧﻄﺎء املﻮﺿﺤﺔ‬
‫ﻣﺜﻞ ﻣﻘﻴﺎس ﺷﺪة اﻟﺮﻳﺢ اﻟﺬي ﻳﺸري ﻇﺎﻫﺮﻳٍّﺎ إﱃ ﻋﺎﺻﻔﺔ ﺿﺨﻤﺔ ﻣﻔﺎﺟﺌﺔ ﻣﻦ اﻟﺮﻳﺎح ﰲ‬
‫ﻛﻞ ﻣﻨﺘﺼﻒ ﻟﻴﻞ‪ ،‬ﺗﺰاﻣﻨًﺎ ﻣﻊ اﻟﻮﻗﺖ ﻧﻔﺴﻪ اﻟﺬي ﻳﻌﻴﺪ ﻓﻴﻪ ﺗﻠﻘﺎﺋﻴٍّﺎ ﻣﻌﺎﻳﺮة ﻧﻔﺴﻪ؛ ﻟﺬﻟﻚ‬
‫ﻳﻌﺪ اﻟﺒﺤﺚ ﻋﻦ اﻟﻘﻴﻢ اﻟﺸﺎذة اﺳﱰاﺗﻴﺠﻴﺔ ﻋﺎﻣﺔ ﺟﻴﺪة ﻟﻠﻜﺸﻒ ﻋﻦ اﻷﺧﻄﺎء ﰲ اﻟﺒﻴﺎﻧﺎت‪،‬‬
‫ﺷﺨﺺ ﻣﺎ‪ .‬ورﺑﻤﺎ ﺗﻜﻮن ﻫﺬه اﻟﻘﻴﻢ ﻗﻴﻤً ﺎ‬
‫ٍ‬ ‫واﻟﺘﻲ ﻳﻤﻜﻦ ﺑﻌﺪ ذﻟﻚ اﻟﺘﺤﻘﻖ ﻣﻨﻬﺎ ﻋﻦ ﻃﺮﻳﻖ‬

‫‪47‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﺷﺎذة ﺧﺎﺻﺔ ﺑﻤﺘﻐريات ﻣﻔﺮدة )ﻣﺜﻞ اﻟﺮﺟﻞ اﻟﺒﺎﻟﻎ ﻣﻦ اﻟﻌﻤﺮ ‪ ٢١٠‬ﺳﻨﻮات(‪ ،‬أو ﻣﺘﻐريات‬
‫ﻣﺘﻌﺪدة‪ ،‬ﻟﻴﺲ أيﱞ ﻣﻨﻬﺎ ﻗﻴﻤﺔ ﺷﺎذة ﰲ ﺣﺪ ذاﺗﻪ )ﻣﺜﻞ اﻟﻔﺘﺎة اﻟﺒﺎﻟﻐﺔ ﻣﻦ اﻟﻌﻤﺮ ‪ ٥‬ﺳﻨﻮات‬
‫وﻟﺪﻳﻬﺎ ‪ ٣‬أﻃﻔﺎل(‪.‬‬
‫ﺷﺎﻣﻼ ﻟﻠﻜﺸﻒ ﻋﻦ اﻷﺧﻄﺎء ﰲ‬ ‫ً‬ ‫ﻛﺸﻒ اﻟﻘﻴﻤﺔ اﻟﺸﺎذة ﻟﻴﺲ ٍّ‬
‫ﺣﻼ‬ ‫وﺑﻄﺒﻴﻌﺔ اﻟﺤﺎل‪ْ ،‬‬
‫اﻟﺒﻴﺎﻧﺎت؛ ﻓﺮﻏﻢ ﻛﻞ ﳾء‪ ،‬ﻳﻤﻜﻦ اﻟﻮﻗﻮع ﰲ أﺧﻄﺎء ﺗﺆدي إﱃ ﻗﻴﻢ ﺗﻈﻬﺮ ﻃﺒﻴﻌﻴﺔ ﺗﻤﺎﻣً ﺎ‪.‬‬
‫ﺷﺨﺺ ﻣﺎ ﻋﻦ ﻃﺮﻳﻖ اﻟﺨﻄﺄ ﻋﲆ أﻧﻪ أﻧﺜﻰ ً‬
‫ﺑﺪﻻ ﻣﻦ ﻛﻮﻧﻪ ذﻛ ًﺮا‪ .‬وأﻓﻀﻞ‬ ‫ٍ‬ ‫ﻓﺮﺑﻤﺎ ﻳُﺪ َرج ﺟﻨﺲ‬
‫ﺣﻞ ﻫﻮ ﺗﺒﻨﱢﻲ ﻣﻤﺎرﺳﺎت إدﺧﺎل ﺑﻴﺎﻧﺎت ﺗﻘﻠﻞ ﻣﻦ ﻋﺪد ﻣﻦ اﻷﺧﻄﺎء‪ .‬وﺳﻨﺘﻨﺎول ﻫﺬا اﻷﻣﺮ‬
‫ﺗﺎل‪.‬‬
‫ﺑﺎﻟﺘﻔﺼﻴﻞ ﰲ ﺟﺰء ٍ‬
‫ُ‬
‫ﻣﺸﻜﻠﺔ ﻣﺎ ﻳﺠﺐ اﻟﻘﻴﺎم ﺑﻪ ﺣﻴﺎﻟﻪ‪ .‬ﻳﻤﻜﻦ أن ﻧﺤﺬف‬ ‫إذا اﻛﺘُﺸﻒ ﺧﻄﺄ واﺿﺢ‪ ،‬ﺗﻮاﺟﻬﻨﺎ‬
‫اﻟﻘﻴﻤﺔ‪ ،‬ﻣﻌﺘﱪﻳﻦ أﻧﻬﺎ ﻗﻴﻤﺔ ﻧﺎﻗﺼﺔ‪ ،‬ﺛﻢ ﻧﺤﺎول اﺳﺘﺨﺪام أﺣﺪ إﺟﺮاءات اﻟﻘﻴﻢ اﻟﻨﺎﻗﺼﺔ‬
‫ﺳﺎﺑﻘﺎ‪ .‬وأﺣﻴﺎﻧًﺎ ﻳﻤﻜﻨﻨﺎ وﺿﻊ ﺗﺨﻤني ذﻛﻲ ملﺎ ﻛﺎن ﻳﻨﺒﻐﻲ أن ﺗﻜﻮن ﻋﻠﻴﻪ ﻫﺬه‬ ‫ً‬ ‫املﺬﻛﻮرة‬
‫اﻟﻘﻴﻤﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻟﻨﻔﱰض أﻧﻪ ﺧﻼل ﺗﺴﺠﻴﻞ أﻋﻤﺎر ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻄﻼب‪ ،‬ﺣﺼﻞ‬
‫اﻟﺸﺨﺺ ﻋﲆ ﺳﻠﺴﻠﺔ اﻟﻘﻴﻢ ‪ .٢٣ ،١٨ ،١٨ ،٢١٠ ،١٩ ،٢٣ ،٢١ ،١٧ ،١٩ ،١٨‬وﺑﺪراﺳﺔ‬
‫ﻫﺬه اﻟﻘﻴﻢ‪ ،‬رﺑﻤﺎ ﻧﻌﺘﻘﺪ أﻧﻪ ﻣﻦ املﺮﺟﺢ أن اﻟﻘﻴﻤﺔ ‪ ٢١٠‬ﻗﺪ دﺧﻠﺖ ﰲ اﻟﻌﻤﻮد اﻟﺨﻄﺄ‪ ،‬وأﻧﻪ‬
‫ﻳﻨﺒﻐﻲ أن ﺗﻜﻮن ‪ .٢١‬وﺑﺎملﻨﺎﺳﺒﺔ‪ ،‬ﻻﺣﻆ ﻋﺒﺎرة »ﺗﺨﻤني ذﻛﻲ« املﺴﺘﺨﺪﻣﺔ أﻋﻼه‪ .‬ﻓﻜﻤﺎ‬
‫ﻫﻲ اﻟﺤﺎل ﻣﻊ ﻛﻞ ﺗﺤﻠﻴﻼت اﻟﺒﻴﺎﻧﺎت اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬ﻓﺈن اﻟﺘﻔﻜري املﺘﺄﻧﻲ أﻣﺮ ﺑﺎﻟﻎ اﻷﻫﻤﻴﺔ‪.‬‬
‫ﻓﻠﻴﺲ اﻷﻣﺮ ﻣﺠﺮد ﻣﺴﺄﻟﺔ اﺧﺘﻴﺎر ﻃﺮﻳﻘﺔ إﺣﺼﺎﺋﻴﺔ ﻣﻌﻴﻨﺔ وﺗﺮك اﻟﻜﻤﺒﻴﻮﺗﺮ ﻟﻴﻘﻮم ﺑﺎﻟﻌﻤﻞ؛‬
‫ﻓﺎﻟﻜﻤﺒﻴﻮﺗﺮ ﻻ ﻳﻘﻮم إﻻ ﺑﺎﻟﻌﻤﻠﻴﺎت اﻟﺤﺴﺎﺑﻴﺔ وﺣﺴﺐ‪.‬‬
‫ﻛﺎن ﻣﺜﺎل أﻋﻤﺎر اﻟﻄﻼب ﰲ اﻟﻔﻘﺮة اﻟﺴﺎﺑﻘﺔ ﺻﻐريًا ﻟﻠﻐﺎﻳﺔ؛ إذ ﻛﺎن ﻳﺤﺘﻮي ﻓﺤﺴﺐ‬
‫ﻋﲆ ﻋﴩة أرﻗﺎم؛ ﻟﺬﻟﻚ ﻛﺎن ﻣﻦ اﻟﺴﻬﻞ اﻟﻨﻈﺮ ﻓﻴﻬﺎ وﺗﺤﺪﻳﺪ اﻟﻘﻴﻤﺔ اﻟﺸﺎذة‪ ،‬ووﺿﻊ‬
‫ﺗﺨﻤني ذﻛﻲ ﺣﻮل ﻣﺎ ﻳﻨﺒﻐﻲ أن ﺗﻜﻮن ﻋﻠﻴﻪ ﻫﺬه اﻟﻘﻴﻤﺔ‪ .‬وﻟﻜﻨﻨﺎ ﻧﻮاﺟﻪ ﻋﲆ ﻧﺤﻮ ﻣﺘﺰاﻳﺪ‬
‫ﻣﺠﻤﻮﻋﺎت ﺑﻴﺎﻧﺎت أﻛﱪ وأﻛﱪ‪ .‬إن ﻣﺠﻤﻮﻋﺎت اﻟﺒﻴﺎﻧﺎت املﻜﻮﻧﺔ ﻣﻦ ﻋﺪة ﻣﻠﻴﺎرات ﻣﻦ اﻟﻘﻴﻢ‬
‫ﺷﺎﺋﻌﺔ ﰲ اﻟﻮﻗﺖ اﻟﺤﺎﴐ ﰲ اﻟﺘﻄﺒﻴﻘﺎت اﻟﻌﻠﻤﻴﺔ )ﻣﺜﻞ ﺗﺠﺎرب اﻟﺠﺴﻴﻤﺎت(‪ ،‬واﻟﺘﻄﺒﻴﻘﺎت‬
‫ً‬
‫ﻣﺴﺘﺤﻴﻼ ﺗﻤﺎﻣً ﺎ‬ ‫اﻟﺘﺠﺎرﻳﺔ )ﻣﺜﻞ اﻻﺗﺼﺎﻻت(‪ ،‬وﻏريﻫﺎ ﻣﻦ املﺠﺎﻻت اﻷﺧﺮى‪ .‬وﻏﺎﻟﺒًﺎ ﻣﺎ ﺳﻴﻜﻮن‬
‫اﺳﺘﻜﺸﺎف ﻛﻞ اﻟﻘﻴﻢ ﻳﺪوﻳٍّﺎ‪ ،‬وﻳﻜﻮن ﻋﻠﻴﻨﺎ أن ﻧﻌﺘﻤﺪ ﻋﲆ اﻟﻜﻤﺒﻴﻮﺗﺮ‪ .‬ﻃﻮﱠر اﻹﺣﺼﺎﺋﻴﻮن‬
‫إﺟﺮاءات آﻟﻴﺔ ﻟﻠﻜﺸﻒ ﻋﻦ اﻟﻘﻴﻢ اﻟﺸﺎذة‪ ،‬وﻟﻜﻨﻬﺎ ﻻ ﺗﺤﻞ املﺸﻜﻠﺔ ﺗﻤﺎﻣً ﺎ‪ .‬رﺑﻤﺎ ﺗﻠﻔﺖ‬
‫اﻹﺟﺮاءات اﻵﻟﻴﺔ اﻻﻧﺘﺒﺎه ﻧﺤﻮ أﻧﻮاع ﻣﻌﻴﻨﺔ ﻣﻦ اﻟﻘﻴﻢ اﻟﻐﺮﻳﺒﺔ‪ ،‬وﻟﻜﻨﻬﺎ ﺳﺘﺘﺠﺎﻫﻞ ﺳﻤﺎت‬
‫ﻣﺴﺄﻟﺔ ﻣﺎ ﻳﺠﺐ اﻟﻘﻴﺎم ﺑﻪ ﺣﻴﺎل اﻟﺸﺬوذ اﻟﻈﺎﻫﺮي‬ ‫ُ‬ ‫اﻟﻐﺮاﺑﺔ اﻟﺘﻲ ﻟﻢ ﺗُﺨﱪ ﻋﻨﻬﺎ‪ .‬ﺛﻢ ﻫﻨﺎك‬

‫‪48‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫املﻠﻴﺎر رﻗ ٍﻢ ﻫﻮ‬
‫ِ‬ ‫اﻟﺬي ﻛﺸﻔﻪ اﻟﻜﻤﺒﻴﻮﺗﺮ‪ .‬ﻻ ﺑﺄس ﰲ ﻫﺬا إذا ﻛﺎن رﻗﻤً ﺎ واﺣﺪًا ﻣﻦ ﻫﺬه‬
‫اﻟﺬي ﻛﺎن ﻣﻮﺿﻊ ﺷﻚ‪ ،‬وﻟﻜﻦ ﻣﺎذا ﻟﻮ ﻛﺎن ﻣﺎﺋﺔ أﻟﻒ رﻗﻢ ﰲ ﻣﻮﺿﻊ ﺷﻚ؟ ﻣﺮة أﺧﺮى‪،‬‬
‫اﻟﻔﺤﺺ واﻟﺘﺼﺤﻴﺢ ﻋﻦ ﻃﺮﻳﻖ اﻷﺷﺨﺎص ﻏري ﻋﻤﲇ‪ .‬وﻟﻠﺘﻌﺎﻣﻞ ﻣﻊ ﻣﺜﻞ ﻫﺬه اﻟﺤﺎﻻت‪،‬‬
‫ﺑﻌﺾ ﻣﻦ أﻗﺪم أﺳﺎﻟﻴﺐ اﻟﺘﺤﺮﻳﺮ‬ ‫ٌ‬ ‫ﻃﻮﱠر اﻹﺣﺼﺎﺋﻴﻮن ﻣﺮة أﺧﺮى إﺟﺮاءات آﻟﻴﺔ‪ ،‬وﻃﻮرت‬
‫اﻵﻟﻴﺔ ﺗﻠﻚ ﰲ ﺳﻴﺎق اﻟﺘﻌﺪادات واﻟﺪراﺳﺎت املﺴﺤﻴﺔ اﻟﻜﺒرية‪ ،‬وﻟﻜﻨﻬﺎ دراﺳﺎت‬ ‫َ‬ ‫واﻟﺘﺼﺤﻴﺢ‬
‫ﻟﻴﺴﺖ ﻣﻌﺼﻮﻣﺔ ﻣﻦ اﻟﺨﻄﺄ‪ .‬ﺧﻼﺻﺔ اﻟﻘﻮل أن اﻹﺣﺼﺎﺋﻴني ﻻ ﻳﺴﺘﻄﻴﻌﻮن — ﻟﻸﺳﻒ —‬
‫ﺻﻨﻊ املﻌﺠﺰات‪ .‬إن وﺟﻮد ﺑﻴﺎﻧﺎت ردﻳﺌﺔ اﻟﺠﻮدة ﻳﺠﻌﻠﻨﺎ ﰲ ﺧﻄﺮ اﻟﺤﺼﻮل ﻋﲆ ﻧﺘﺎﺋﺞ‬
‫ردﻳﺌﺔ اﻟﺠﻮدة )ﺑﻤﻌﻨﻰ ﻏري دﻗﻴﻘﺔ وﺧﺎﻃﺌﺔ وﻋﺮﺿﺔ ﻟﻠﺨﻄﺄ(‪ .‬وأﻓﻀﻞ اﺳﱰاﺗﻴﺠﻴﺔ ﻟﺘﺠﻨﺐ‬
‫ذﻟﻚ ﻫﻲ اﻟﺤﺮص ﻋﲆ اﻟﺤﺼﻮل ﻋﲆ ﺑﻴﺎﻧﺎت ذات ﺟﻮدة ﻋﺎﻟﻴﺔ ﻣﻦ اﻟﺒﺪاﻳﺔ‪.‬‬
‫ﻃﻮرت اﻟﻌﺪﻳﺪ ﻣﻦ اﻻﺳﱰاﺗﻴﺠﻴﺎت ﻟﺘﺠﻨﺐ اﻷﺧﻄﺎء ﰲ اﻟﺒﻴﺎﻧﺎت ﰲ املﻘﺎم اﻷول‪ ،‬وﻫﻲ‬
‫وﻓﻘﺎ ملﺠﺎل اﻟﺘﻄﺒﻴﻖ وﻃﺮﻳﻘﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻋﻨﺪﻣﺎ ﺗُﻨﺴﺦ ﺑﻴﺎﻧﺎت‬ ‫ﺗﺘﻨﻮع ً‬
‫اﻟﺘﺠﺎرب اﻟﴪﻳﺮﻳﺔ ﻣﻦ اﺳﺘﻤﺎرات ﺳﺠﻞ اﻟﺤﺎﻟﺔ املﻜﺘﻮﺑﺔ ﺑﺎﻟﻴﺪ‪ ،‬ﻳﻮﺟﺪ اﺣﺘﻤﺎل ﺣﺪوث‬
‫أﺧﻄﺎء ﰲ ﻣﺮﺣﻠﺔ اﻟﻨﺴﺦ‪ .‬وﺗﻘﻠﻞ ﻫﺬه اﻷﺧﻄﺎء ﻋﻦ ﻃﺮﻳﻖ ﺗﺮﺗﻴﺐ ﺗﻜﺮار إدﺧﺎل اﻟﺒﻴﺎﻧﺎت‬
‫ﻣﺮﺗني ﻋﻦ ﻃﺮﻳﻖ ﺷﺨﺼني ﻣﺨﺘﻠﻔني ﻳﻌﻤﻼن ﻋﲆ ﻧﺤﻮ ﻣﺴﺘﻘﻞ‪ ،‬ﺛﻢ اﻟﺘﺤﻘﻖ ﻣﻦ وﺟﻮد‬
‫أي اﺧﺘﻼﻓﺎت‪ .‬ﻋﻨﺪ اﻟﺘﻘﺪم ﻟﻠﺤﺼﻮل ﻋﲆ ﻗﺮض‪ ،‬ﻓﺈن ﺑﻴﺎﻧﺎت اﻟﻄﻠﺐ )ﻣﺜﻞ اﻟﻌﻤﺮ واﻟﺪﺧﻞ‬
‫واﻟﺪﻳﻮن اﻷﺧﺮى‪ ،‬وﻣﺎ إﱃ ذﻟﻚ( ﻳﻤﻜﻦ إدﺧﺎﻟﻬﺎ ﻣﺒﺎﴍة إﱃ ﺟﻬﺎز اﻟﻜﻤﺒﻴﻮﺗﺮ‪ ،‬وﻳﻤﻜﻦ‬
‫ﻟﱪاﻣﺞ اﻟﻜﻤﺒﻴﻮﺗﺮ اﻟﺘﻔﺎﻋﻠﻴﺔ اﻟﺘﺤﻘﻖ ﻣﻦ اﻷﺟﻮﺑﺔ ﺑﻴﻨﻤﺎ ﻳﺘﻢ إدﺧﺎﻟﻬﺎ )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬إذا‬
‫ﻛﺎن اﻟﺸﺨﺺ ﻣﺎﻟ ًﻜﺎ ملﻨﺰل‪ ،‬ﻓﻬﻞ ﺗﺸﻤﻞ دﻳﻮﻧﻪ اﻟﺮﻫﻦ اﻟﻌﻘﺎري؟( وﻋﻤﻮﻣً ﺎ‪ ،‬ﻳﺠﺐ ﺗﺼﻤﻴﻢ‬
‫اﻻﺳﺘﻤﺎرات ﻋﲆ ﻧﺤﻮ ﻳﻘﻠﻞ اﻷﺧﻄﺎء؛ ﻓﻼ ﻳﻨﺒﻐﻲ أن ﺗﻜﻮن ﻣﻌﻘﺪة ﻋﲆ ﻧﺤﻮ ﻣﻔﺮط‪ ،‬وﻳﺠﺐ‬
‫أن ﺗﻜﻮن ﺟﻤﻴﻊ اﻷﺳﺌﻠﺔ واﺿﺤﺔ‪ .‬وﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﻣﻦ اﻷﻓﻜﺎر اﻟﺠﻴﺪة إﺟﺮاء دراﺳﺔ‬
‫ﻣﺴﺤﻴﺔ ﺗﺠﺮﻳﺒﻴﺔ ﺻﻐرية ﻟﻠﺘﻌﺮف ﻋﲆ أﻳﺔ ﻣﺸﻜﻼت ﰲ ﻋﻤﻠﻴﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت ﻗﺒﻞ اﻻﻧﺘﻘﺎل‬
‫ﻟﻠﺘﻨﻔﻴﺬ اﻟﻔﻌﲇ‪.‬‬
‫وﺑﺎملﻨﺎﺳﺒﺔ‪ ،‬ﺗﻌﺪ ﻋﺒﺎرة »ﺧﻄﺄ ﺣﺎﺳﻮﺑﻲ« ﻋﺒﺎرة ﻣﺄﻟﻮﻓﺔ‪ ،‬وﻳﻌﺪ اﻟﻜﻤﺒﻴﻮﺗﺮ ﻛﺒﺶ ﻓﺪاء‬
‫ﺷﺎﺋﻊ ﻋﻨﺪﻣﺎ ﺗﺤﺪث أﺧﻄﺎء ﰲ اﻟﺒﻴﺎﻧﺎت‪ .‬وﻟﻜﻦ اﻟﻜﻤﺒﻴﻮﺗﺮ ﻳﻔﻌﻞ ﻓﺤﺴﺐ ﻣﺎ ﻳﻘﺎل ﻟﻪ‪،‬‬
‫ﻣﺴﺘﺨﺪﻣً ﺎ اﻟﺒﻴﺎﻧﺎت ا ُملﻘﺪﱠﻣَ ﺔ ﻟﻪ‪ .‬وﻋﻨﺪﻣﺎ ﺗﺤﺪث اﻷﺧﻄﺎء‪ ،‬ﻓﻠﻴﺲ ﻫﺬا ﺻﻨﻴﻌﺔ ﻳﺪ اﻟﻜﻤﺒﻴﻮﺗﺮ‪.‬‬

‫)‪ (5‬اﻟﺒﻴﺎﻧﺎت اﻟﺮﺻﺪﻳﺔ ﰲ ﻣﻘﺎﺑﻞ اﻟﺒﻴﺎﻧﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ‬

‫ﻏﺎﻟﺒًﺎ ﻣﺎ ﻳﻜﻮن ﻣﻦ املﻔﻴﺪ اﻟﺘﻤﻴﻴﺰ ﺑني اﻟﺪراﺳﺎت »اﻟﺮﺻﺪﻳﺔ« واﻟﺪراﺳﺎت »اﻟﺘﺠﺮﻳﺒﻴﺔ«‪،‬‬
‫وﺑﺎملﺜﻞ ﺑني اﻟﺒﻴﺎﻧﺎت اﻟﺮﺻﺪﻳﺔ واﻟﺒﻴﺎﻧﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ‪ .‬ﺗﺸري اﻟﺼﻔﺔ »رﺻﺪﻳﺔ« إﱃ اﻟﺤﺎﻻت‬

‫‪49‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻟﺘﻲ ﻻ ﻳﺴﺘﻄﻴﻊ املﺮء ﻓﻴﻬﺎ أن ﻳﺘﺪﺧﻞ ﰲ ﻋﻤﻠﻴﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﰲ‬
‫اﺳﺘﻄﻼع ﺣﻮل اﻟﺘﻮﺟﻬﺎت اﻟﺬﻫﻨﻴﺔ ﻟﻸﺷﺨﺎص ﺣﻴﺎل اﻟﺴﻴﺎﺳﻴني )اﻧﻈﺮ أدﻧﺎه(‪ ،‬ﺗُﺴﺄل ﻋﻴﻨﺔ‬
‫ﻣﻨﺎﺳﺒﺔ ﻣﻦ اﻷﺷﺨﺎص ﻋﻦ ﺷﻌﻮرﻫﻢ‪ ،‬أو ﰲ دراﺳﺔ ﻟﺨﺼﺎﺋﺺ املﺠﺮات اﻟﺒﻌﻴﺪة‪ ،‬ﺳﻮف‬
‫ٍ‬
‫ﺑﺒﺴﺎﻃﺔ‬ ‫ﺗﺨﻀﻊ ﻫﺬه اﻟﺨﺼﺎﺋﺺ ﻟﻠﺮﺻﺪ واﻟﺘﺴﺠﻴﻞ‪ .‬ﰲ ﻫﺬﻳﻦ املﺜﺎﻟني‪ ،‬اﺧﺘﺎر اﻟﺒﺎﺣﺜﻮن‬
‫اﻷﺷﺨﺎص أو اﻷﺷﻴﺎءَ اﻟﺘﻲ ﺳﻴﺪرﺳﻮﻧﻬﺎ ﺛﻢ ﺳﺠﻠﻮا ﺧﺼﺎﺋﺺ ﻫﺆﻻء اﻷﺷﺨﺎص أو اﻷﺷﻴﺎء‪.‬‬ ‫َ‬
‫ﻻ وﺟﻮد ﻫﻨﺎ ﻟﻔﻜﺮة اﻟﻘﻴﺎم ﺑﴚءٍ ﻣﺎ ﻟﻸﺷﺨﺎص أو املﺠﺮات ﻗﺒﻞ ﻗﻴﺎﺳﻬﺎ‪ .‬ﰲ املﻘﺎﺑﻞ‪،‬‬
‫ﰲ اﻟﺪراﺳﺔ اﻟﺘﺠﺮﻳﺒﻴﺔ ﻳﺘﻼﻋﺐ اﻟﺒﺎﺣﺜﻮن ﻓﻌﻠﻴٍّﺎ ﺑﻌﻨﺎﴏ اﻟﺪراﺳﺔ ﺑﻄﺮﻳﻘﺔ ﻣﺎ؛ ﻋﲆ ﺳﺒﻴﻞ‬
‫أﺧﺬ اﻟﻘﻴﺎﺳﺎت‪ .‬وﰲ‬ ‫املﺜﺎل‪ ،‬ﰲ ﺗﺠﺮﺑﺔ ﴎﻳﺮﻳﺔ رﺑﻤﺎ ﻳﻌ ﱢﺮﺿﻮن املﺘﻄﻮﱢﻋني ﻟﺪواء ﻣﻌني ﻗﺒﻞ ْ‬
‫ً‬
‫ﻇﺮوﻓﺎ‬ ‫ﺗﺠﺮﺑﺔ ﺗﺼﻨﻴﻌﻴﺔ ﻹﻳﺠﺎد اﻟﻈﺮوف اﻟﺘﻲ ﺗُﺴﻔِ ﺮ ﻋﻦ أﻗﻮى ﻣﻨﺘﺞ ﻧﻬﺎﺋﻲ‪ ،‬ﺳﻴﺠ ﱢﺮﺑﻮن‬
‫ﻣﺨﺘﻠﻔﺔ‪.‬‬
‫ﻳﺘﻤﺜﱠﻞ أﺣﺪ اﻟﻔﺮوق اﻟﺠﻮﻫﺮﻳﺔ ﺑني اﻟﺪراﺳﺎت اﻟﺮﺻﺪﻳﺔ واﻟﺘﺠﺮﻳﺒﻴﺔ ﰲ أن اﻟﺪراﺳﺎت‬
‫اﻟﺘﺠﺮﻳﺒﻴﺔ أﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ ﺑﻜﺜري ﰲ ﺗﺤﺪﻳﺪ اﻟﺴﺒﺐ واملﺴﺒﺐ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻧﺨﻤﻦ‬
‫ﻣﺜﻼ( أﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ ﻣﻦ ﻃﺮﻳﻘﺔ‬ ‫أن ﻃﺮﻳﻘﺔ ﻣﻌﻴﻨﺔ ﻟﺘﻌﻠﻴﻢ اﻷﻃﻔﺎل اﻟﻘﺮاءة )اﻟﻄﺮﻳﻘﺔ »أ« ً‬
‫أﺧﺮى )اﻟﻄﺮﻳﻘﺔ »ب«(‪ .‬وﰲ دراﺳﺔ وﺻﻔﻴﺔ‪ ،‬ﺳﻮف ﻧﻨﻈﺮ ﻟﻸﻃﻔﺎل اﻟﺬﻳﻦ ﺧﻀﻌﻮا ﻟﻠﺘﻌﻠﻴﻢ‬
‫ﺑﺎﺳﺘﺨﺪام إﺣﺪى اﻟﻄﺮﻳﻘﺘني وﻧﻘﺎرن ﻗﺪرﺗﻬﻢ ﻋﲆ اﻟﻘﺮاءة‪ .‬ﻟﻜﻨﻨﺎ ﻟﻦ ﻧﻜﻮن ﻗﺎدرﻳﻦ ﻋﲆ‬
‫اﻟﺘﺪﺧﻞ ﰲ ﺗﻮزﻳﻊ اﻷﻃﻔﺎل اﻟﺬﻳﻦ ﻳﺨﻀﻌﻮن ﻟﻠﻄﺮﻳﻘﺔ »أ« واﻟﺬﻳﻦ ﻳﺨﻀﻌﻮن ﻟﻠﻄﺮﻳﻘﺔ »ب«؛‬
‫آﺧﺮ‪ .‬ﻳﺴﺒﺐ ذﻟﻚ ﻣﺸﻜﻠﺔ ﻣﺤﺘﻤﻠﺔ؛ إذ ﻳﻌﻨﻲ أﻧﻪ ﻣﻦ املﻤﻜﻦ‬ ‫ﻓﻬﺬا ﻳﺘﺤﺪد ﻣﻦ ﻗِ ﺒَﻞ ﺷﺨﺺ َ‬
‫ﻓﻀﻼ ﻋﻦ ﻃﺮﻳﻘﺔ اﻟﺘﺪرﻳﺲ؛ ﻋﲆ‬ ‫ً‬ ‫أن ﺗﻮﺟﺪ اﺧﺘﻼﻓﺎت أﺧﺮى ﺑني ﻣﺠﻤﻮﻋﺘَﻲ ﺗﻌ ﱡﻠﻢ اﻟﻘﺮاءة‪،‬‬
‫ﺳﺒﻴﻞ املﺜﺎل‪ ،‬وﻟﺘﻘﺪﻳﻢ ﺗﻮﺿﻴﺢ ﺻﺎرخ‪ ،‬رﺑﻤﺎ ﻳُﻠﺤِ ﻖ املﺪ ﱢرس ﺟﻤﻴﻊ اﻷﻃﻔﺎل اﻟﺬﻳﻦ ﻳﺘﻌ ﱠﻠﻤﻮن‬
‫ﻋﲆ ﻧﺤﻮ أﴎع ﺑﺎﻟﻄﺮﻳﻘﺔ »أ«؛ أو رﺑﻤﺎ ﻛﺎن اﻷﻃﻔﺎل أﻧﻔﺴﻬﻢ ﻣﺴﻤﻮﺣً ﺎ ﻟﻬﻢ ﺑﺎﻻﺧﺘﻴﺎر‪،‬‬
‫ً‬
‫ﺗﻤﺮﺳﺎ ﰲ‬ ‫وﻣﺎل أوﻟﺌﻚ اﻷﻛﺜﺮ ﺗﻘﺪﻣً ﺎ ﺑﺎﻟﻔﻌﻞ ﰲ اﻟﻘﺮاءة إﱃ اﺧﺘﻴﺎر اﻟﻄﺮﻳﻘﺔ »أ«‪ .‬إذا ﻛﻨﱠﺎ أﻛﺜﺮ‬
‫ﻣﺠﺎل اﻹﺣﺼﺎء‪ ،‬ﻓﺮﺑﻤﺎ ﻧﺴﺘﺨﺪم أﺳﺎﻟﻴﺐ إﺣﺼﺎﺋﻴﺔ ﰲ ﻣﺤﺎوﻟﺔ ﻟﻠﺴﻴﻄﺮة ﻋﲆ أي اﺧﺘﻼﻓﺎت‬
‫ﻣﺴﺒﻘﺎ ﺑني اﻷﻃﻔﺎل‪ ،‬وﻛﺬﻟﻚ اﻟﻌﻮاﻣﻞ اﻷﺧﺮى اﻟﺘﻲ ﻧﻌﺘﻘﺪ أﻧﻬﺎ ﻣﻦ املﺮﺟﱠ ﺢ أن ﺗﺆﺛﱢﺮ‬ ‫ً‬ ‫ﻣﻮﺟﻮدة‬
‫ﻋﲆ ﻣﺪى ﴎﻋﺔ ﺗﻌﻠﻤﻬﻢ اﻟﻘﺮاءة‪ .‬وﻟﻜﻦ ﺗﻈﻞ ﻫﻨﺎك داﺋﻤً ﺎ اﺣﺘﻤﺎﻟﻴﺔ وﺟﻮد ﺗﺄﺛريات أﺧﺮى‬
‫ﻟﻢ ﻧﻔ ﱢﻜﺮ ﻓﻴﻬﺎ‪ ،‬واﻟﺘﻲ ﺗﺴﺒﺐ اﻟﻔﺮق‪.‬‬
‫ﺗﺘﻐﻠﺐ اﻟﺪراﺳﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ ﻋﲆ ﻫﺬا اﻻﺣﺘﻤﺎل ﻋﻦ ﻃﺮﻳﻖ اﻻﺧﺘﻴﺎر املﺘﻌﻤﱠ ﺪ ﻟﻜﻞ ﻃﻔﻞ‬
‫ﻧﻌﺮف ﺑﺎﻟﻔﻌﻞ ﻛﻞ اﻟﻌﻮاﻣﻞ ا ُملﻤﻜِﻨﺔ‪ ،‬ﺑﺎﻹﺿﺎﻓﺔ إﱃ‬ ‫وﻟﻠﻄﺮﻳﻘﺔ اﻟﺘﻲ ﻳﺪرس ﺑﻬﺎ؛ ﻓﺈذا ﻛﻨﱠﺎ ِ‬
‫ﻃﺮﻳﻘﺔ اﻟﺘﺪرﻳﺲ — اﻟﺘﻲ ﻳﻤﻜﻦ أن ﺗﺆﺛﱢﺮ ﻋﲆ اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة — ﻳﻤﻜﻨﻨﺎ اﻟﺘﺄﻛﺪ ﻣﻦ‬

‫‪50‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫ﱡ‬
‫ﻧﻈﻦ أن‬ ‫أن اﻟﺘﻮزﻳﻊ ﻋﲆ ﻃﺮﻳﻘﺘَﻲ اﻟﺘﺪرﻳﺲ ﻛﺎن »ﻣﺘﻮازﻧًﺎ«؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬إذا ﻛﻨﱠﺎ‬
‫اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة ﺗﺘﺄﺛﺮ ﺑﺎﻟﻌﻤﺮ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺗﻮزﻳﻊ اﻟﻌﺪد ﻧﻔﺴﻪ ﻣﻦ اﻷﻃﻔﺎل اﻟﺼﻐﺎر ﻋﲆ ﻛﻞ‬
‫ﻃﺮﻳﻘﺔ‪ .‬وﻫﻜﺬا‪ ،‬ﻓﺈن أي اﺧﺘﻼﻓﺎت ﰲ اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة ﻧﺎﺷﺌﺔ ﻋﻦ اﻟﻌﻤﺮ ﻟﻦ ﻳﻜﻮن ﻟﻬﺎ‬
‫أي ﺗﺄﺛري ﻋﲆ اﻟﻔﺮق ﺑني ﻣﺠﻤﻮﻋﺘَﻴﻨﺎ؛ أي إﻧﻪ إذا ﻛﺎن ﻟﻠﻌﻤﺮ ﺗﺄﺛري ﻋﲆ اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة‪،‬‬
‫ﻓﺈن اﻟﺘﺄﺛري ﺳﻴﻜﻮن ﻧﻔﺴﻪ ﰲ ﻛﻠﺘﺎ املﺠﻤﻮﻋﺘَني‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﺗﻤﺘﻠﻚ اﻟﺪراﺳﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ‬
‫وﺳﻴﻠﺔ أﻛﺜﺮ ﻗﻮة ﰲ اﺧﺘﻴﺎر أي ﻃﻔﻞ ﻳﺨﻀﻊ ﻷي ﻃﺮﻳﻘﺔ‪ ،‬واﻟﺘﻲ ﻳُﻄ َﻠﻖ ﻋﻠﻴﻬﺎ اﺳﻢ »اﻟﺘﻮزﻳﻊ‬
‫اﻟﻌﺸﻮاﺋﻲ«‪ ،‬وﺳﻮف أﺗﻨﺎول ذﻟﻚ ﻓﻴﻤﺎ ﻳﲇ‪:‬‬
‫ﻧﺘﻴﺠﺔ ﻫﺬا أﻧﻪ ﰲ اﻟﺪراﺳﺔ اﻟﺘﺠﺮﻳﺒﻴﺔ ﻳﻤﻜﻦ أن ﻧﻜﻮن أﻛﺜﺮ ﺛﻘﺔ ﺣﻴﺎل ﺳﺒﺐ أي‬
‫ﺗﺄﺛري ﻣﺮﺻﻮد‪ .‬وﰲ ﺗﺠﺮﺑﺔ ﻣﻘﺎرﻧﺔ ﺗﻌﻠﻴﻢ اﻟﻘﺮاءة‪ ،‬ﻳﻤﻜﻨﻨﺎ أن ﻧﻜﻮن أﻛﺜﺮ ﺛﻘﺔ أن أي ﻓ ْﺮق‬
‫ﰲ اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة ﺑني املﺠﻤﻮﻋﺘَني ﻫﻮ ﻧﺘﻴﺠﺔ ﻟﻄﺮﻳﻘﺔ اﻟﺘﻌﻠﻴﻢ‪ ،‬وﻟﻴﺲ ﻧﺘﻴﺠﺔ ﻋﺎﻣﻞ‬
‫َ‬
‫آﺧﺮ‪.‬‬
‫ﺑﺪﻻ ﻣﻦ اﻟﺪراﺳﺎت اﻟﺮﺻﺪﻳﺔ‪ .‬ﻓﻼ‬ ‫ﻟﻸﺳﻒ‪ ،‬ﻟﻴﺲ ﻣﻦ املﻤﻜﻦ داﺋﻤً ﺎ إﺟﺮاء اﻟﺘﺠﺎرب ً‬
‫ﻣﺜﻼ ﺗﻌﺮﻳﺾ املﺠﺮات املﺨﺘﻠﻔﺔ ﻟﻈﺮوف ﻣﺨﺘﻠﻔﺔ! وﻋﲆ أي ﺣﺎل‪ ،‬رﺑﻤﺎ ﻳﻜﻮن ﻣﻦ‬ ‫ﻳﻤﻜﻨﻨﺎ ً‬
‫املﻀ ﱢﻠﻞ ﰲ ﺑﻌﺾ اﻷوﻗﺎت اﺳﺘﺨﺪام املﻨﻬﺞ اﻟﺘﺠﺮﻳﺒﻲ؛ ﻓﻔﻲ ﻛﺜري ﻣﻦ اﻟﺪراﺳﺎت املﺴﺤﻴﺔ‬
‫اﻻﺟﺘﻤﺎﻋﻴﺔ‪ ،‬ﻳﺘﻤﺜﻞ اﻟﻬﺪف ﰲ ﻣﻌﺮﻓﺔ ﺣﺎل اﻟﺴﻜﺎن اﻟﺤﻘﻴﻘﻲ‪ ،‬ﻻ ﰲ »ﻣﺎذا ﺳﻴﻜﻮن اﻟﺘﺄﺛري‬
‫اﻟﻨﺎﺗﺞ إذا ﻓﻌﻠﻨﺎ ﻛﺬا وﻛﺬا؟« وﻣﻊ ذﻟﻚ‪ ،‬إذا ﻛﻨﱠﺎ ﻧﺮﻳﺪ ﺑﺎﻟﻔﻌﻞ أن ﻧﻌﺮف ﻣﺎذا ﺳﻴﻜﻮن ﺗﺄﺛري أي‬
‫ﺗﺪﺧﻞ ﻣﺤﺘﻤﻞ‪ ،‬ﻓﺈن اﻟﺪراﺳﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ ﺗُﻌَ ﱡﺪ اﺳﱰاﺗﻴﺠﻴﺔ أﻓﻀﻞ‪ .‬ﻫﺬا اﻟﻨﻮع ﻣﻦ اﻟﺪراﺳﺎت‬ ‫ﱡ‬
‫واﺳﻊ اﻻﻧﺘﺸﺎر ﰲ ﻗﻄﺎع اﻟﺼﻨﺎﻋﺎت اﻟﺪواﺋﻴﺔ واﻟﻄﺐ وﻋﻠﻢ اﻟﻨﻔﺲ‪ ،‬وﻣﺠﺎل اﻟﺘﺼﻨﻴﻊ‬
‫واﻟﺼﻨﺎﻋﺎت اﻟﺘﺤﻮﻳﻠﻴﺔ‪ ،‬ﻛﻤﺎ ﻳُﺴﺘﺨﺪم ﻋﲆ ﻧﺤﻮ ﻣﺘﺰاﻳﺪ ﰲ ﺗﻘﻴﻴﻢ اﻟﺴﻴﺎﺳﺔ اﻻﺟﺘﻤﺎﻋﻴﺔ وﰲ‬
‫ﻣﺠﺎﻻت ﻣﺜﻞ إدارة ﻗﻴﻤﺔ اﻟﻌﻤﻼء‪.‬‬
‫وﻋﻤﻮﻣً ﺎ‪ ،‬ﻋﻨﺪ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت ﺑﻬﺪف إﺟﺎﺑﺔ أو اﺳﺘﻜﺸﺎف ﺑﻌﺾ اﻷﺳﺌﻠﺔ‪ ،‬ﻛﻠﻤﺎ زادت‬
‫اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗُﺠﻤَ ﻊ‪ ،‬زادت دﻗﺔ اﻹﺟﺎﺑﺔ اﻟﺘﻲ ﻳﻤﻜﻦ اﻟﺤﺼﻮل ﻋﻠﻴﻬﺎ؛ وﻫﺬا ﻧﺘﻴﺠﺔ ﻟ »ﻗﺎﻧﻮن‬
‫َ‬
‫ﺳﻴﻨﺎﻗﺶ ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ‪ .‬وﻟﻜﻦ ﺟﻤﻊ املﺰﻳﺪ ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻳﻔﺮض‬ ‫اﻷﻋﺪاد اﻟﻜﺒرية«‪ ،‬اﻟﺬي‬
‫ﺗﻜﻠﻔﺔ أﻛﱪ‪ .‬وﻟﺬﻟﻚ ﻓﻤﻦ اﻟﴬوري اﻟﺘﻮﺻﻞ إﱃ ﺣ ﱟﻞ وﺳﻂ ﻣﻨﺎﺳﺐ ﺑني ﻛﻤﻴﺔ اﻟﺒﻴﺎﻧﺎت‬
‫اﻟﺘﻲ ﺗُﺠﻤَ ﻊ وﺗﻜﻠﻔﺔ ﺟﻤﻌﻬﺎ‪ .‬ﺗﻘﺒﻊ ﺗﺨﺼﺼﺎت ﻓﺮﻋﻴﺔ ﻣﺘﻌﺪدة ﻣﻦ اﻹﺣﺼﺎء ﰲ ﻗﻠﺐ ﻫﺬه‬
‫اﻟﻌﻤﻠﻴﺔ‪ ،‬وﻋﲆ وﺟﻪ اﻟﺨﺼﻮص‪ ،‬ﻳُﻌَ ﱡﺪ »اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ« و»ﻣﺴﺢ اﻟﻌﻴﻨﺎت« ﻧﻮﻋني ﻣﻦ‬
‫اﻟﺘﺨﺼﺼﺎت اﻟﺮﺋﻴﺴﻴﺔ‪.‬‬

‫‪51‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫)‪ (6‬اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ‬

‫رأﻳﻨﺎ ﺑﺎﻟﻔﻌﻞ أﻣﺜﻠﺔ ﻟﺘﺠﺎرب ﺑﺴﻴﻄﺔ ﺟﺪٍّا‪ .‬وﺗﺘﻤﺜﻞ إﺣﺪى أﺑﺴﻂ اﻟﺘﺠﺎرب ﰲ ﺗﺠﺮﺑ ٍﺔ ﴎﻳﺮﻳ ٍﺔ‬
‫املﺠﻤﻮﻋﺔ ﺗَﺴﺘﺨﺪم ﻋﻴﻨﺎت ﻋﺸﻮاﺋﻴﺔ‪ .‬واﻟﻬﺪف ﻫﻨﺎ ﻫﻮ املﻘﺎرﻧﺔ ﺑني ﻋﻼﺟني ﻣﻦ‬ ‫ِ‬ ‫ﺛﻨﺎﺋﻴ ِﺔ‬
‫ﻣﺜﻼ( ﻟﻜﻲ ﻧﺴﺘﻄﻴﻊ ﻣﻌﺮﻓﺔ أﻳﻬﻤﺎ ﻳﻨﺒﻐﻲ إﻋﻄﺎؤه ملﺮﻳﺾ‬ ‫اﻟﻌﻼﺟﺎت اﻟﺒﺪﻳﻠﺔ )»أ« و»ب«‪ً ،‬‬
‫املﺮﴇ‪ ،‬واﻟﻌﻼج »ب« إﱃ اﻟﻌﻴﻨﺔ‬‫َ‬ ‫ﺟﺪﻳﺪ‪ .‬وﻻﻛﺘﺸﺎف ذﻟﻚ‪ ،‬ﻧﻘﺪم اﻟﻌﻼج »أ« إﱃ إﺣﺪى ﻋﻴﻨﺘَ ِﻲ‬
‫اﻷﺧﺮى ﻣﻦ املﺮﴇ‪ ،‬وﻧ ُ َﻘﻴﱢﻢ ﻓﻌﺎﻟﻴﺔ اﻟﻌﻼج‪ .‬وإذا ﺗﻔﻮﱠق »أ« ﻋﲆ »ب« ﰲ املﺘﻮﺳﻂ‪ ،‬ﻓﺈﻧﻨﺎ‬
‫ﻳﺘﻠﻘﻰ املﺮﻳﺾ اﻟﺠﺪﻳﺪ اﻟﻌﻼج »أ«‪ .‬ﺳﻴﻌﺘﻤﺪ ﻣﻌﻨﻰ ﻛﻠﻤﺔ »ﺗﻔﻮق« ﰲ اﻟﺠﻤﻠﺔ‬ ‫ﺳﻨﻮﴆ أن ﱠ‬
‫اﻟﺴﺎﺑﻘﺔ ﻋﲆ اﻟﺪراﺳﺔ ﻧﻔﺴﻬﺎ؛ إذ ﻳﻤﻜﻦ أن ﺗﻌﻨﻲ »ﻳﺸﻔﻲ املﺰﻳﺪ ﻣﻦ املﺮﴇ«‪ ،‬أو »ﻳﻄﻴﻞ‬
‫ﻣﺘﻮﺳﻂ اﻟﻌﻤﺮ«‪ ،‬أو »ﻳﺴﺒﺐ ﻣﺘﻮﺳﻂ اﻧﺨﻔﺎض أﻛﱪ ﰲ اﻷﻟﻢ«‪ ،‬أو ﻣﺎ إﱃ ذﻟﻚ‪.‬‬
‫ﻧﺤﻮ ﻣﺎ‪ ،‬ﻓﺈن‬‫ﺳﺎﺑﻘﺎ‪ ،‬إذا ﻛﺎﻧﺖ ﻣﺠﻤﻮﻋﺘﺎ املﺮﴇ ﺗﺨﺘﻠﻔﺎن ﻋﲆ ٍ‬ ‫ً‬ ‫ﻛﻤﺎ ﻻﺣﻈﻨﺎ ﺑﺎﻟﻔﻌﻞ‬
‫ﺗﻠﻘﻮا اﻟﻌﻼج‬ ‫اﻻﺳﺘﻨﺘﺎﺟﺎت اﻟﺘﻲ ﻳﻤﻜﻦ أن ﻧﺴﺘﺨﻠﺼﻬﺎ ﻣﺤﺪودة‪ .‬ﻓﺈذا ﻛﺎن املﺮﴇ اﻟﺬﻳﻦ ﱠ‬
‫ﺗﻠﻘﻮا اﻟﻌﻼج »ب« ﻛﻠﻬﻢ ﻣﻦ اﻹﻧﺎث‪ ،‬ﻓﺈﻧﻨﺎ ﻟﻦ ﻧﻌﺮف ﻣﺎ‬ ‫»أ« ﺟﻤﻴﻌً ﺎ ﻣﻦ اﻟﺬﻛﻮر‪ ،‬واﻟﺬﻳﻦ ﱠ‬
‫إذا ﻛﺎن أي ﻓﺮق ﺑني املﺠﻤﻮﻋﺘَني ﻻﺣﻈﻨﺎه ﻳﺮﺟﻊ إﱃ اﻟﻌﻼج أم إﱃ اﺧﺘﻼف اﻟﺠﻨﺲ؛ إذ‬
‫ﺑﻐﺾ اﻟﻨﻈﺮ ﻋﻦ اﻟﻌﻼج‪ .‬وﺗﻨﻄﺒﻖ اﻟﻨﻘﻄﺔ ﻧﻔﺴﻬﺎ ﻋﲆ‬ ‫ﱢ‬ ‫رﺑﻤﺎ ﺗﺘﺤﺴﻦ ﺻﺤﺔ اﻹﻧﺎث أﴎع‬
‫آﺧﺮ؛ اﻟﻌﻤﺮ أو اﻟﻄﻮل أو اﻟﻮزن أو ﻣﺪة املﺮض أو ﺗﺎرﻳﺦ اﻟﻌﻼﺟﺎت اﻟﺴﺎﺑﻘﺔ‪ ،‬أو‬ ‫أي ﻋﺎﻣﻞ َ‬
‫ﻣﺎ إﱃ ذﻟﻚ‪.‬‬
‫إﺣﺪى اﺳﱰاﺗﻴﺠﻴﺎت ﺗﻘﻠﻴﻞ ﻫﺬه اﻟﺼﻌﻮﺑﺔ ﺗﻜﻤﻦ ﰲ ﺗﻮزﻳﻊ املﺮﴇ ﻋﺸﻮاﺋﻴٍّﺎ ﻋﲆ‬
‫ﻣﺠﻤﻮﻋﺘَﻲ اﻟﻌﻼج‪ .‬ﺗﻜﻤﻦ ﻗﻮة ﻫﺬا اﻟﻨﻬﺞ ﰲ أﻧﻪ ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ ﻋﺪم ﺿﻤﺎﻧﻪ ﻟﻮﺟﻮد ﺗﻮازن‬
‫)ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻣﻦ املﻤﻜﻦ أن ﺗﺆدي ﻋﻤﻠﻴﺔ اﻟﺘﻮزﻳﻊ اﻟﻌﺸﻮاﺋﻲ إﱃ وﺟﻮد ﻧﺴﺒﺔ أﻋﲆ‬
‫ﺑﻜﺜري ﻣﻦ اﻟﺬﻛﻮر ﰲ ﻣﺠﻤﻮﻋﺔ واﺣﺪة ﻋﻦ اﻷﺧﺮى(‪ ،‬ﻓﺈن اﻟﻘﻮاﻋﺪ اﻷﺳﺎﺳﻴﺔ ﻟﻼﺣﺘﻤﺎل )اﻟﺘﻲ‬
‫ﻧﻨﺎﻗﺸﻬﺎ ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ( ﺗﺨﱪﻧﺎ أن اﺧﺘﻼﻻت اﻟﺘﻮازن اﻟﻜﺒرية ﻏري ﻣﺮﺟﺤﺔ اﻟﺤﺪوث ﻋﲆ‬
‫ﻧﺤﻮ ﻛﺒري‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻣﻦ املﻤﻜﻦ اﻟﺘﻌﻤﻖ أﻛﺜﺮ ﻣﻦ ﻫﺬا ﺑﺤﺴﺎب اﺣﺘﻤﺎﻟﻴﺔ ﺣﺪوث درﺟﺎت‬
‫ﻋﺪم اﻟﺘﻮازن املﺨﺘﻠﻔﺔ‪ .‬وﻫﺬا ﺑﺪوره ﻳُﺘﻴﺢ ﻟﻨﺎ ﺣﺴﺎب ﻣﺪى اﻟﺜﻘﺔ اﻟﺘﻲ ﻳﺠﺐ أن ﻧﻤﺘﻠﻜﻬﺎ‬
‫ﺣﻴﺎل اﺳﺘﻨﺘﺎﺟﺎﺗﻨﺎ‪.‬‬
‫وﻋﻼوة ﻋﲆ ذﻟﻚ‪ ،‬إذا ﻛﺎن اﻟﺘﻮزﻳﻊ اﻟﻌﺸﻮاﺋﻲ »ﻣﺰدوجَ اﻟﺘﻌﻤﻴﺔ«‪ ،‬ﻓﻼ ﻳﻮﺟﺪ ﺧﻄﺮ‬
‫اﻟﺘﺤﻴﺰ اﻟﻼواﻋﻲ اﻟﺬي ﻳﺘﺪﺧﻞ ﰲ ﻋﻤﻠﻴﺔ اﻟﺘﻮزﻳﻊ أو ﻗﻴﺎس املﺮﴇ‪ .‬وﺗﻜﻮن اﻟﺪراﺳﺔ‬
‫ُﺠﺮي اﻟﺘﺠﺮﺑﺔ ﻳﻌﺮف أي ﻋﻼج‬ ‫َ‬
‫ﻣﺰدوﺟﺔ اﻟﺘﻌﻤﻴﺔ إذا ﻟﻢ ﻳﻜﻦ املﺮﻳﺾ وﻻ اﻟﻄﺒﻴﺐ اﻟﺬي ﻳ ِ‬
‫ﻳﺘﻠﻘﺎه املﺮﻳﺾ‪ .‬وﻳﻤﻜﻦ ﺗﺤﻘﻴﻖ ذﻟﻚ ﻋﻦ ﻃﺮﻳﻖ ﺟﻌﻞ اﻷﻗﺮاص أو اﻷدوﻳﺔ ﺗﺒﺪو ﻣﺘﻄﺎﺑﻘﺔ‪،‬‬ ‫ﱠ‬

‫‪52‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫وﺗﺮﻣﻴﺰﻫﺎ ﺑﺒﺴﺎﻃﺔ ﺑﺎﻟﺤﺮﻓني »س« و»ص« دون اﻹﺷﺎرة إﱃ ﻣﺎﻫﻴﺔ اﻟﻌﻼج‪ .‬وﰲ وﻗﺖ ﻻﺣﻖ‬
‫ﻓﺤﺴﺐ — ﺑﻌﺪ أن ﻳﻜﺸﻒ اﻟﺘﺤﻠﻴﻞ أن »س« أﻓﻀﻞ ﻣﻦ »ص« — ﺗُ َﻔﻚ ﺷﻔﺮة اﻟﱰﻣﻴﺰ‪،‬‬
‫ﻟﺘﻮﺿﻴﺢ أن »س« ﻫﻮ ﰲ ﺣﻘﻴﻘﺘﻪ اﻟﻌﻼج »أ« أو »ب«‪.‬‬
‫ٌ‬
‫ﺑﺴﻴﻄﺔ ﺟﺪٍّا‪،‬‬ ‫ً‬
‫ﻋﺸﻮاﺋﻴﺔ‬ ‫ٍ‬
‫ﻋﻴﻨﺎت‬ ‫إن اﻟﺘﺠﺮﺑﺔ اﻟﴪﻳﺮﻳﺔ اﻟﺜﻨﺎﺋﻴﺔ املﺠﻤﻮﻋﺔ اﻟﺘﻲ ﺗَﺴﺘﺨﺪم‬
‫وﻟﻬﺎ ﺻﻮر ﻣﻮﺳﻌﺔ واﺿﺤﺔ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻳﻤﻜﻨﻨﺎ اﻟﺘﻮﺳﻊ ﻓﻴﻬﺎ ﻋﲆ اﻟﻔﻮر إﱃ أﻛﺜﺮ‬
‫أﻏري اﻷﻣﺜﻠﺔ‪ .‬ﻳﺮﻏﺐ ﻣُﺰارع ﰲ‬ ‫ﻣﻦ ﻣﺠﻤﻮﻋﺘَﻲ ﻋﻼج‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻣﻦ أﺟﻞ اﻟﺘﻨﻮﻳﻊ‪ ،‬ﺳﻮف ﱢ‬
‫ﻣﻌﺮﻓﺔ أيﱟ ﻣﻦ ﻣﺴﺘﻮﻳﺎت املﺎء املﻨﺨﻔﻀﺔ أو اﻟﻌﺎﻟﻴﺔ أﻓﻀﻞ ﻓﻴﻤﺎ ﻳﺨﺺ إﻧﺘﺎج ﻏﻠﺔ أﻛﱪ ﻣﻦ‬
‫ﺳﺎﺑﻘﺎ ﻟﺘﺤﺪﻳﺪ‬ ‫ً‬ ‫املﺤﺎﺻﻴﻞ‪ .‬ﻳﻤﻜﻨﻪ إﺟﺮاء ﺗﺠﺮﺑﺔ ﺑﺴﻴﻄﺔ ﺛﻨﺎﺋﻴﺔ املﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻨﻮع املﺬﻛﻮر‬
‫ﻣﺘﻮﻗﻌﺔ ﺗﻤﺎﻣً ﺎ‪ ،‬ﻓﺴﻮف ﻳﺮﻳﺪ ﺗﻌﺮﻳﺾ أﻛﺜﺮ ﻣﻦ‬ ‫ﱠ‬ ‫ﻫﺬا‪ .‬وﺑﻤﺎ أﻧﻨﺎ ﻧﻌﻠﻢ أن اﻟﻨﺘﺎﺋﺞ ﻟﻴﺴﺖ‬
‫ﻋﺎل‪ ،‬ﺛﻢ ﻳﺤﺴﺐ‬ ‫ﺻﻮﺑﺔ واﺣﺪة ملﺴﺘﻮى ﻣﻴﺎ ٍه ﻣﻨﺨﻔِ ﺾ‪ ،‬وأﻛﺜﺮ ﻣﻦ ﺻﻮﺑﺔ واﺣﺪة ملﺴﺘﻮًى ٍ‬
‫اﻟﻐ ﱠﻠﺔ ﰲ ﻛﻞ ﻣﺴﺘﻮًى؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻳﻘﺮر اﺳﺘﺨﺪام أرﺑﻊ ﺻﻮﺑﺎت ﻟﻜﻞ‬ ‫ﻣﺘﻮﺳﻂ َ‬
‫ﻣﺴﺘﻮًى‪ .‬وﻫﺬا ﻫﻮ ﺑﺎﻟﻀﺒﻂ ﻧﻮع اﻟﺘﺼﻤﻴﻢ ﻧﻔﺴﻪ ﻛﻤﺎ ﰲ دراﺳﺔ ﻃﺮق اﻟﺘﺪرﻳﺲ اﻟﺴﺎﺑﻘﺔ‪.‬‬
‫أﻳﻀﺎ أن ﻳﻌﺮف أيﱞ ﻣﻦ ﻣﺴﺘﻮﻳﺎت اﻷﺳﻤﺪة‬ ‫وﻟﻜﻦ ﻟﻨﻔﱰض اﻵن أن املﺰارع ﻳﺮﻳﺪ ً‬
‫املﻨﺨﻔﻀﺔ واﻟﻌﺎﻟﻴﺔ أﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ‪ .‬اﻟﴚء اﻟﺒﺪﻳﻬﻲ اﻟﻘﻴﺎم ﺑﻪ ﻫﻮ إﺟﺮاء ﺗﺠﺮﺑﺔ أﺧﺮى ﺛﻨﺎﺋﻴﺔ‬
‫ﻣﻨﺨﻔﻀﺎ ﻣﻦ اﻷﺳﻤﺪة وأرﺑﻌﺔ‬ ‫ً‬ ‫املﺠﻤﻮﻋﺔ؛ ﻫﺬه املﺮة ﺑﺎﺳﺘﺨﺪام أرﺑﻊ ﺻﻮﺑﺎت ﱠ‬
‫ﺗﺘﻠﻘﻰ ﻣﺴﺘﻮًى‬
‫ﺗﺘﻠﻘﻰ ﻣﺴﺘﻮًى ﻋﺎﻟﻴًﺎ‪ .‬ﻫﺬا ﺟﻴﺪ ﺟﺪٍّا‪ ،‬وﻟﻜﻦ اﻹﺟﺎﺑﺔ ﻋﲆ ﻛﻼ اﻟﺴﺆاﻟني — اﻟﺴﺆال ﻋﻦ ﻣﺴﺘﻮى‬ ‫ﱠ‬
‫املﺎء واﻟﺴﺆال ﻋﻦ ﻣﺴﺘﻮى اﻷﺳﻤﺪة — ﺗﺘﻄﻠﺐ ﻣﺎ ﻣﺠﻤﻮﻋﻪ ﺳﺖ ﻋﴩة ﺻﻮﺑﺔ‪ .‬وإذا ﻛﺎن‬
‫أﻳﻀﺎ ﺑﻔﻌﺎﻟﻴﺔ ﻣﺴﺘﻮﻳﺎت اﻟﺮﻃﻮﺑﺔ املﻨﺨﻔﻀﺔ واﻟﻌﺎﻟﻴﺔ‪ ،‬ودرﺟﺔ اﻟﺤﺮارة‪،‬‬ ‫املﺰارع ﻣﻬﺘﻤٍّ ﺎ ً‬
‫وﺳﺎﻋﺎت اﻟﺘﻌﺮض ﻟﻀﻮء اﻟﺸﻤﺲ‪ ،‬وﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ؛ ﻓﺴﻨﺮى أﻧﻪ ﺳﻴﻜﻮن ﺑﺤﺎﺟﺔ ﻟﻌﺪد ﻛﺒري‬
‫ﻟﻠﻐﺎﻳﺔ ﻣﻦ اﻟﺼﻮﺑﺎت‪.‬‬
‫ﺗﻮﺟﺪ ﻃﺮﻳﻘﺔ ذﻛﻴﺔ ﻟﻠﻐﺎﻳﺔ ﻟﻼﻟﺘﻔﺎف ﺣﻮل ذﻟﻚ؛ وﻫﻲ ﺑﺎﺳﺘﺨﺪام ﻣﻔﻬﻮم ﺗﺼﻤﻴﻢ‬
‫ﻓﺒﺪﻻ ﻣﻦ ﺗﻨﻔﻴﺬ ﺗﺠﺮﺑﺘني ﻣﻨﻔﺼﻠﺘني‪ ،‬واﺣﺪة ﻟﻠﻤﻴﺎه وواﺣﺪة ﻟﻸﺳﻤﺪة‪،‬‬ ‫اﻟﺘﺠﺎرب »اﻟﻌﺎﻣﻠﻴﺔ«؛ ً‬
‫ﻳﺴﺘﻄﻴﻊ املﺰارع ﻣﻌﺎﻟﺠﺔ ﺻﻮﺑﺘني ﺑﺎﺳﺘﺨﺪام »أﺳﻤﺪة ﻣﻨﺨﻔﻀﺔ‪ ،‬وﻣﺎء ﻣﻨﺨﻔﺾ«‪ ،‬واﺛﻨﺘني‬
‫ﻋﺎل«‪ .‬ﻫﺬا ﻳﺘﻄﻠﺐ ﻓﻘﻂ‬ ‫ﻋﺎل«‪ ،‬واﺛﻨﺘني »ﻋﺎﻟﻴﺔ وﻣﻨﺨﻔﺾ«‪ ،‬واﺛﻨﺘني »ﻋﺎﻟﻴﺔ‪ٍ ،‬‬ ‫»ﻣﻨﺨﻔﻀﺔ‪ٍ ،‬‬
‫ﺛﻤﺎﻧﻲ ﺻﻮﺑﺎت زراﻋﻴﺔ‪ ،‬وﻣﻊ ذﻟﻚ ﻧﻈﻞ ﻧﻌﺎﻟﺞ أرﺑﻌً ﺎ ﻣﻨﻬﺎ ﺑﻤﺴﺘﻮى ﻣﻴﺎه ﻣﻨﺨﻔﺾ وأرﺑﻌً ﺎ‬
‫ﻋﺎل‪ ،‬وﻛﺬﻟﻚ أرﺑﻊ ﺻﻮﺑﺎت ﺑﻤﺴﺘﻮى أﺳﻤﺪة ﻣﻨﺨﻔﺾ وأرﺑﻌً ﺎ ﺑﻤﺴﺘﻮى‬ ‫ﺑﻤﺴﺘﻮى ﻣﻴﺎه ٍ‬
‫ﻋﺎل؛ وﻣﻦ ﺛﻢ ﻓﺈن ﻧﺘﺎﺋﺞ اﻟﺘﺤﻠﻴﻞ ﺳﻮف ﺗﻜﻮن دﻗﻴﻘﺔ ﺗﻤﺎﻣً ﺎ ﻛﻤﺎ ﻟﻮ ﻛﻨﱠﺎ أﺟ َﺮﻳْﻨﺎ‬ ‫أﺳﻤﺪة ٍ‬
‫ﺗﺠﺮﺑﺘني ﻣﻨﻔﺼﻠﺘني‪.‬‬

‫‪53‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﺘﻠﻚ ﻫﺬا اﻟﺘﺼﻤﻴﻢ اﻟﻌﺎﻣﲇ )املﻴﺎه واﻷﺳﻤﺪة ﻛﻼﻫﻤﺎ »ﻋﺎﻣﻞ«( ﻣﻴﺰة إﺿﺎﻓﻴﺔ‬
‫ً‬
‫ﻣﺨﺘﻠﻔﺎ ﻋﻨﺪ ﻣﺴﺘﻮﻳ َِﻲ املﻴﺎه؛‬ ‫َ‬
‫ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎن ﺗﺄﺛري ﻣﺴﺘﻮى اﻟﺴﻤﺎد‬ ‫ﺟﺬاﺑﺔ؛ ﻓﻬﻮ ﻳُﺘﻴﺢ ﻟﻨﺎ‬
‫ﻓﺮﺑﻤﺎ ﻳﺨﺘﻠﻒ اﻟﻔﺮق ﺑني املﺤﺼﻮل ﻣﻊ ﻣﺴﺘﻮﻳ َِﻲ اﻷﺳﻤﺪة املﻨﺨﻔِ ﺾ واﻟﻌﺎﱄ ﰲ ﺣﺎﻟﺔ‬
‫ﺼﻪ ﰲ ﻧﻬْ ﺞ إﺟﺮاء‬ ‫اﺧﺘﻼف ﻣﺴﺘﻮى املﻴﺎه‪ .‬وﻫﺬا ﻳُﺴﻤﱠ ﻰ »ﺗﺄﺛري اﻟﺘﻔﺎﻋﻞ«‪ ،‬وﻻ ﻳﻤﻜﻦ ﻓﺤْ ُ‬
‫ﺗﺠﺮﺑﺘني ﻣﻨﻔﺼﻠﺘني‪.‬‬
‫ﻄ ُﺮق ﻋﺪﻳﺪة ﻹﻧﺘﺎج أدوات ﻗﻮﻳﺔ ﻟﻠﻐﺎﻳﺔ‬ ‫ﺟﺮى اﻟﺘﻮﺳﻊ ﰲ ﻫﺬه اﻟﻔﻜﺮة اﻷﺳﺎﺳﻴﺔ ﺑ ُ‬
‫ﻟﻠﺤﺼﻮل ﻋﲆ ﻣﻌﻠﻮﻣﺎت دﻗﻴﻘﺔ ﻣﻦ أﺟْ ﻞ اﻟﻮﺻﻮل ﻟﻠﺤ ﱢﺪ اﻷدﻧﻰ ﻣﻦ اﻟﺘﻜﻠﻔﺔ‪ .‬وﻋﻨﺪ ﺿﻤﱢ ﻬﺎ‬
‫إﱃ ﻏريﻫﺎ ﻣﻦ أدوات اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ‪ ،‬ﻣﺜﻞ اﻟﺘﻮازن واﻟﺘﻮزﻳﻊ اﻟﻌﺸﻮاﺋﻲ واﻟﺴﻴﻄﺮة ﻋﲆ‬
‫اﻟﺘﺄﺛريات املﻌﺮوﻓﺔ‪ ،‬ﻧﺘﺠﺖ ﺑﻌﺾ اﻟﺘﺼﺎﻣﻴﻢ اﻟﺘﺠﺮﻳﺒﻴﺔ املﺘﻄﻮرة ﻟﻠﻐﺎﻳﺔ‪.‬‬
‫أﺣﻴﺎﻧًﺎ ﰲ اﻟﺘﺠﺎرب ﺗﻜﻮن اﻷﻣﻮر ﻏري اﻹﺣﺼﺎﺋﻴﺔ ﻣﻬﻤﱠ ﺔ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﰲ اﻟﺘﺠﺎرب‬
‫اﻟﴪﻳﺮﻳﺔ واﻟﺪراﺳﺎت اﻟﻄﺒﻴﺔ ودراﺳﺎت اﻟﺴﻴﺎﺳﺔ اﻻﺟﺘﻤﺎﻋﻴﺔ اﻷﺧﺮى‪ ،‬رﺑﻤﺎ ﺗﻜﻮن اﻷﻣﻮر‬
‫ﺗﻘﺎرن ﻋﻼﺟً ﺎ ﺟﺪﻳﺪًا ﻣﻘﱰَﺣً ﺎ ﻣﻊ ﻋﻼج وﻫﻤﻲ‬ ‫اﻷﺧﻼﻗﻴﺔ ذات ﺻﻠﺔ؛ ﻓﻔﻲ ﺗﺠﺮﺑﺔ ﴎﻳﺮﻳﺔ ِ‬
‫ﱠ‬
‫ﺳﻴﺘﻠﻘﻮْن ﺷﻴﺌًﺎ ﻟﻴﺲ ﻟﻪ‬ ‫ِﺼﻒ املﺮﴇ املﺘﻄﻮﱢﻋني‬ ‫ﻧﺸﻂ(‪ ،‬ﺳﻨﻜﻮن ﻋﲆ ﻣﻌﺮﻓﺔ ﱠ‬
‫ﺑﺄن ﻧ ْ‬ ‫)ﻏري ِ‬
‫أي ﺗﺄﺛري ﺑﻴﻮﻟﻮﺟﻲ‪ .‬ﻫﻞ ﻫﺬا ﻣﻨﺎﺳﺐ؟ ﻫﻞ ﻳﻮﺟﺪ ﺧﻄﺮ أن ﻳُﻌﺎﻧِﻲ أوﻟﺌﻚ اﻟﺬﻳﻦ ﻳﺘﻨﺎوﻟﻮن‬
‫اﻟﻌﻼج اﻟﺠﺪﻳﺪ املﻘﱰح ﻣﻦ آﺛﺎر ﺟﺎﻧﺒﻴﺔ؟ ﻣﺜﻞ ﻫﺬه اﻷﺷﻴﺎء ﻳﺠﺐ أن ﺗﻜﻮن ﻣﺘﻮازﻧﺔ ﻣﻊ‬
‫ﺤﴡ ﻣﻦ املﺮﴇ ﰲ املﺴﺘﻘﺒَﻞ ﺳﻮف ﻳﺴﺘﻔﻴﺪون ﻣﻤﱠ ﺎ ﻳﺘﻢ ﻣﻌﺮﻓﺘﻪ‬ ‫ﺣﻘﻴﻘﺔ أن أﻋﺪادًا ﻻ ﺗُ َ‬
‫ﺧﻼل اﻟﺘﺠﺮﺑﺔ‪.‬‬

‫)‪ (7‬ﻣﺴﺢ اﻟﻌﻴﻨﺎت‬

‫ﺗﺨﻴﻞ أﻧﻪ ﻣﻦ أﺟﻞ إدارة اﻟﺒﻼد ﻋﲆ ﻧﺤﻮ ﻓﻌﺎل‪ ،‬ﻧﻮ ﱡد أن ﻧﻌﺮف ﻣﺘﻮﺳﻂ اﻟﺪﺧﻞ ملﻠﻴﻮن‬
‫ﺷﺨﺺ ﻋﺎﻣﻞ ﻣﻦ اﻟﺮﺟﺎل واﻟﻨﺴﺎء ﰲ ﺑﻠﺪة ﻣﻌﻴﻨﺔ‪ .‬ﻇﺎﻫﺮﻳٍّﺎ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺗﺤﺪﻳﺪ ﻫﺬا ﻋﻦ ﻃﺮﻳﻖ‬
‫ﺳﺆال ﻛ ﱟﻞ ﻣﻨﻬﻢ ﻋﻦ دﺧﻠﻪ‪ ،‬وﺣﺴﺎب ﻣﺘﻮﺳﻂ اﻟﻨﺘﺎﺋﺞ‪ .‬أﻣﺎ ﻋﻤﻠﻴٍّﺎ‪ ،‬ﻓﺈن ﻫﺬا ﺳﻴﻜﻮن ﺻﻌﺒًﺎ‬
‫ِ‬
‫وﻓﻀﻼ ﻋﻦ أي ﳾء آﺧﺮ‪ ،‬ﻣﻦ املﺮﺟﱠ ﺢ أن ﻳﺘﻐري اﻟﺪﺧﻞ‬ ‫ً‬ ‫ً‬
‫ﻣﺴﺘﺤﻴﻼ‪.‬‬ ‫ﻟﻠﻐﺎﻳﺔ‪ ،‬وﻳﻜﺎد ﻳﻜﻮن‬
‫ﻋﲆ ﻣﺪى اﻟﻮﻗﺖ اﻟﺬي ﺳﻴﺴﺘﻐﺮﻗﻪ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت؛ ﻓﺮﺑﻤﺎ ﻳﱰك ﺑﻌﺾ اﻟﻨﺎس وﻇﺎﺋﻔﻬﻢ أو‬
‫ﺗﻌﻘﺐ‬‫ﻳﺘﻠﻘﻰ اﻟﺒﻌﺾ اﻵﺧﺮ ﻋﻼوات‪ ،‬وﻣﺎ إﱃ ذﻟﻚ‪ .‬وﻋﻼوة ﻋﲆ ذﻟﻚ‪ ،‬ﻓﺈن ﱡ‬ ‫ﻳﻐريوﻧﻬﺎ‪ ،‬ورﺑﻤﺎ ﱠ‬
‫ﻛﻞ ﺷﺨﺺ ﺳﻴﻜﻮن ﻣﻜ ﱢﻠ ًﻔﺎ ﻟﻠﻐﺎﻳﺔ‪ .‬رﺑﻤﺎ ﻧﺤﺎول ﺧﻔﺾ اﻟﺘﻜﺎﻟﻴﻒ ﻣﻦ ﺧﻼل اﻻﻋﺘﻤﺎد ﻋﲆ‬
‫ً‬
‫ﺳﺎﺑﻘﺎ ﰲ اﻟﺤﺎﻟﺔ املﺘﻄ ﱢﺮﻓﺔ ﻟﻼﻧﺘﺨﺎﺑﺎت‬ ‫وﻟﻜﻦ ﻛﻤﺎ رأَﻳْﻨﺎ‬
‫ْ‬ ‫اﻟﻬﺎﺗﻒ‪ ،‬ﻻ املﻘﺎﺑﻼت اﻟﺸﺨﺼﻴﺔ‪،‬‬

‫‪54‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫اﻟﺮﺋﺎﺳﻴﺔ ﰲ اﻟﻮﻻﻳﺎت املﺘﺤﺪة ﻟﻌﺎم ‪ ،١٩٣٦‬ﻳﻮﺟﺪ ﺧﻄﺮ ﻛﺒري ﺑﺄﻧﻨﺎ ﺳﻮف ﻧَﻐﻔﻞ ﻋﻦ ﴍاﺋﺢ‬
‫ﻣﻬﻤﺔ ﻣﻦ اﻟﺴﻜﺎن‪.‬‬
‫ﻃﺮﻳﻘﺔ ﻣﺎ ﻟﺘﻘﻠﻴﻞ ﺗﻜﻠﻔﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت ﻟﻜﻨﻬﺎ ﰲ ﻧﻔﺲ اﻟﻮﻗﺖ ﺗﺠﻌﻞ‬ ‫ٌ‬ ‫ﻣﺎ ﻧﺤﺘﺎﺟﻪ ﻫﻮ‬
‫أﻳﻀﺎ‪ .‬ﺑﺼﻴﺎﻏﺔ اﻷﻣﺮ ﺑﻬﺬه اﻟﻄﺮﻳﻘﺔ‪،‬‬ ‫اﻟﻌﻤﻠﻴﺔ أﴎع‪ ،‬وﺗﺠﻌﻠﻬﺎ — إذا أﻣﻜﻦ — أﻛﺜﺮ دﻗﺔ ً‬
‫ﺷﺎﻗﺔ‪ ،‬وﻟﻜﻦ اﻷﻓﻜﺎر واﻷدوات اﻹﺣﺼﺎﺋﻴﺔ اﻟﺘﻲ ﺗﺘﻤﺘﻊ ﺑﻬﺬه‬ ‫رﺑﻤﺎ ﻳﺒﺪو اﻷﻣﺮ ﻛﺄﻧﻪ ﻣﻬﻤﺔ ﱠ‬
‫اﻟﺨﺼﺎﺋﺺ ﻣﻮﺟﻮدة‪ .‬واﻟﻔﻜﺮة اﻟﺮﺋﻴﺴﻴﺔ ﻫﻲ ﻓﻜﺮة ﻗﺎﺑﻠﻨﺎﻫﺎ ﻋﺪة ﻣﺮات ﻣﻦ ﻗﺒ ُﻞ؛ وﻫﻲ‬
‫ﻓﻜﺮة اﻟﻌﻴﱢﻨﺔ‪.‬‬
‫ﻣﻌﺮﻓﺔ ﻣﺎ ﻳﺤﺼﻞ ﻋﻠﻴﻪ ﻛﻞ واﺣﺪ ﻣﻦ املﻠﻴﻮن ﻣﻮﻇﻒ‪ ،‬ﺳﺄﻟﻨﺎ‬ ‫ِ‬ ‫ً‬
‫ﻟﻨﻔﱰض أﻧﻪ ﺑﺪﻻ ﻣﻦ‬
‫أﻟﻒ ﻣﻮﻇﻒ ﻣﻨﻬﻢ‪ .‬ﻟﻜﻦ ﻋﻠﻴﻨﺎ ﺑﻮﺿﻮح اﻵن أن ﻧﻜﻮن ﺣَ ﺬِرﻳﻦ ﺑﺸﺄن اﻷﻟﻒ‬ ‫ﺑﺒﺴﺎﻃﺔ َ‬
‫ٍ‬
‫ﻣﻮﻇﻒ اﻟﺬﻳﻦ ﻧﺴﺄﻟﻬﻢ ﺑﺎﻟﻀﺒﻂ‪ .‬وأﺳﺒﺎب ذﻟﻚ ﻫﻲ ﰲ اﻷﺳﺎس اﻷﺳﺒﺎب ﻧﻔﺴﻬﺎ اﻟﺘﻲ دﻋﺘْﻨﺎ‬
‫ﻋﻨﺪﻣﺎ ﻛﻨﱠﺎ ﻧﺼﻤﱢ ﻢ اﻟﺘﺠﺮﺑﺔ اﻟﺜﻨﺎﺋﻴﺔ املﺠﻤﻮﻋﺔ اﻟﺒﺴﻴﻄﺔ إﱃ اﺗﺨﺎذ ﺧﻄﻮات ﻟﻀﻤﺎن أن اﻟﻔﺮق‬
‫ﺗﺘﻠﻘﻰ اﻟﻌﻼج »ب«؛ ﻟﺬا‬‫ﺗﺘﻠﻘﻰ اﻟﻌﻼج »أ« واﻷﺧﺮى ﱠ‬ ‫اﻟﻮﺣﻴﺪ ﺑني املﺠﻤﻮﻋﺘَني ﻛﺎن أن واﺣﺪة ﱠ‬
‫ﻋﻠﻴﻨﺎ اﻵن أن ﻧﺘﺄﻛﺪ أن اﻷﺷﺨﺎص اﻷﻟﻒ املﺤﺪدﻳﻦ اﻟﺬﻳﻦ ﻧﺘﻮاﺻﻞ ﻣﻌﻬﻢ ﻳﻤﺜﻠﻮن املﻮﻇﻔني‬
‫املﻠﻴﻮن ﻋﲆ ﻧﺤﻮ ﺗﺎم‪.‬‬
‫ﻣﺎ اﻟﺬي ﻧﻌﻨﻴﻪ ﺑﻜﻠﻤﺔ »ﻣﻤﺜﱢﻞ«؟ ﻋﲆ ﻧﺤﻮ ﻣﺜﺎﱄ‪ ،‬ﻳﻨﺒﻐﻲ أن ﺗﻜﻮن ﻋﻴﱢﻨﺘﻨﺎ املﻜﻮﱠﻧﺔ ﻣﻦ‬
‫أﻟﻒ ﻣﻮﻇﻒ ﺗﺤﺘﻮي ﻋﲆ ﻧﺴﺒﺔ اﻟﺮﺟﺎل ﻧﻔﺴﻬﺎ املﻮﺟﻮدة ﰲ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ اﻟﺨﺎﺿﻌﺔ‬
‫ﻟﻠﺪراﺳﺔ‪ ،‬واﻟﻨﺴﺒﺔ ﻧﻔﺴﻬﺎ ﻣﻦ اﻟﺸﺒﺎب‪ ،‬واﻟﻨﺴﺒﺔ ﻧﻔﺴﻬﺎ ﻣﻦ اﻟﻌﺎﻣﻠني ﺑﺪوام ﺟﺰﺋﻲ‪ ،‬وﻣﺎ إﱃ‬
‫ذﻟﻚ‪ .‬ﻧﺴﺘﻄﻴﻊ ﺿﻤﺎن ذﻟﻚ إﱃ ﺣ ﱟﺪ ﻣﺎ ﻣﻦ ﺧﻼل اﺧﺘﻴﺎر أﻟﻒ ﻣﻮﻇﻒ ﺑﺤﻴﺚ ﺗﻜﻮن ﻧﺴﺒﺔ‬
‫اﻟﺮﺟﺎل — ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل — ﺻﺤﻴﺤﺔ‪ .‬وﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﻳﻮﺟﺪ ﻗﻴﺪ ﻋﻤﲇ ملﺎ ﻳﻤﻜﻨﻨﺎ‬
‫ﻣﻮازﻧﺘﻪ ﻋﻤﺪًا ﺑﻬﺬه اﻟﻄﺮﻳﻘﺔ‪.‬‬
‫ﺷﺎﻫﺪﻧﺎ ﻛﻴﻔﻴﺔ اﻟﺘﻌﺎﻣﻞ ﻣﻊ ﻫﺬه اﻟﺼﻌﻮﺑﺔ ﻋﻨﺪﻣﺎ ﺗﻨﺎوﻟﻨﺎ اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ؛ وذﻟﻚ‬
‫ﻣﻦ ﺧﻼل »اﻟﺘﻮزﻳﻊ اﻟﻌﺸﻮاﺋﻲ« ﻟﻠﻤﺮﴇ ﻋﲆ ﻛﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ املﺠﻤﻮﻋﺘَني‪ .‬ﰲ ﺣﺎﻟﺘﻨﺎ ﻫﺬه‬
‫ﺳﻨﺘﻌﺎﻣﻞ ﻣﻌﻬﺎ ﻋﻦ ﻃﺮﻳﻖ »أﺧﺬ ﻋﻴﻨﺔ ﻋﺸﻮاﺋﻴﺔ« ﻣﻦ أﻟﻒ ﺷﺨﺺ ﻣﻦ ﻣﺠﻤﻮﻋﺔ املﻮﻇﻔني‬
‫اﻟﻜﻠﻴﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ .‬وﻣﺮة أﺧﺮى‪ ،‬رﻏﻢ أن ﻫﺬا ﻻ ﻳﻀﻤﻦ أن اﻟﻌﻴﻨﺔ ﺳﺘﻜﻮن ﻣﺸﺎ ِﺑﻬﺔ‬
‫ﺨﱪﻧﺎ أن ﻓﺮﺻﺔ‬ ‫ﰲ ﺗﻜﻮﻳﻨﻬﺎ ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ ،‬ﻓﺈن اﻻﺣﺘﻤﺎﻟﻴﺔ اﻷﺳﺎﺳﻴﺔ ﺗُ ِ‬
‫اﻟﺤﺼﻮل ﻋﲆ ﻋﻴﱢﻨﺔ ﻣﺨﺘﻠِﻔﺔ ﻛﺜريًا ﺿﺌﻴﻠﺔ ﺟﺪٍّا‪ .‬وﺗﺤﺪﻳﺪًا‪ ،‬ﻳﱰﺗﺐ ﻋﲆ ذﻟﻚ أن اﺣﺘﻤﺎﻟﻴﺔ‬
‫ً‬
‫ﻣﺨﺘﻠﻔﺔ ﻛﺜريًا ﻋﻦ ﻣﺘﻮﺳﻂ‬ ‫أن ﺗﻜﻮن ﺗﻘﺪﻳﺮاﺗﻨﺎ ملﺘﻮﺳﻂ اﻟﺪﺧﻞ‪ ،‬واملﺴﺘﻤَ ﺪﱠة ﻣﻦ اﻟﻌﻴﻨﺔ‪،‬‬
‫ٌ‬
‫ﺿﻌﻴﻔﺔ ﻟﻠﻐﺎﻳﺔ‪ .‬وﰲ اﻟﻮاﻗﻊ‪ ،‬ﺛﻤﺔ ﺧﺎﺻﻴﺘﺎن‬ ‫اﻟﺪﺧﻞ ﰲ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﺎ؛‬

‫‪55‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻟﻼﺣﺘﻤﺎﻻت — ﺳﻮف ﻧﺘﻨﺎوﻟﻬﻤﺎ ﰲ وﻗﺖ ﻻﺣﻖ؛ ﻫﻤﺎ »ﻗﺎﻧﻮن اﻷﻋﺪاد اﻟﻜﺒرية« و»ﻣﱪﻫﻨﺔ‬
‫أﻳﻀﺎ أﻧﻨﺎ ﻳﻤﻜﻨﻨﺎ ﺟﻌﻞ ﻫﺬه اﻻﺣﺘﻤﺎﻟﻴﺔ ﺿﺌﻴﻠﺔ ﻛﻤﺎ ﻧﺸﺎء‬ ‫اﻟﻨﻬﺎﻳﺔ املﺮﻛﺰﻳﺔ« — ﺗُ ِ‬
‫ﺨﱪا ِﻧﻨَﺎ ً‬
‫ﺣﻘﺎ ﻟﻴﺲ ﻣﺪى ﻛ َِﱪ ﻧﺴﺒﺔ اﻟﻌﻴﻨﺔ إﱃ‬‫ﻣﻦ ﺧﻼل زﻳﺎدة ﺣﺠﻢ اﻟﻌﻴﻨﺔ‪ .‬وﻳﺘﻀﺢ ﻟﻨﺎ أن ﻣﺎ ﻳﻬﻢ ٍّ‬
‫املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ‪ ،‬وإﻧﻤﺎ ﺑﺒﺴﺎﻃﺔ ﻣﺪى ﻛﱪ ﺣﺠﻢ اﻟﻌﻴﻨﺔ‪ .‬ﻓﺴﻴﻜﻮن ﺗﻘﺪﻳﺮﻧﺎ — املﺴﺘﻨِﺪ إﱃ‬
‫ﺣﺠﻢ ﻋﻴﻨﺔ ﻣﻜﻮﻧﺔ ﻣﻦ أﻟﻒ ﺷﺨﺺ — ﺑﺎﻟﺪﻗﺔ ﻧﻔﺴﻬﺎ إذا ﻛﺎﻧﺖ املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ اﻟﺨﺎﺿﻌﺔ‬
‫ﻟﻠﺪراﺳﺔ ﺗﺘﺄﻟﻒ ﻣﻦ ﻋﴩة ﻣﻼﻳني أو ﻋﴩة ﻣﻠﻴﺎرات ﺷﺨﺺ‪ .‬وﺑﻤﺎ أن ﺣﺠﻢ اﻟﻌﻴﻨﺔ ﻳﺮﺗﺒﻂ‬
‫ﻃﺎ ﻣﺒﺎﴍًا ﺑﺘﻜﻠﻔﺔ ﺟﻤﻊ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻓﺈن ﻟﺪﻳﻨﺎ اﻵن ﻋﻼﻗﺔ ﻣﺒﺎﴍة ﺑني اﻟﺪﻗﺔ واﻟﺘﻜﻠﻔﺔ؛‬ ‫ارﺗﺒﺎ ً‬
‫ﻓﻜﻠﻤﺎ ﻛﺎن ﺣﺠﻢ اﻟﻌﻴﻨﺔ أﻛﱪ‪ ،‬زادت اﻟﺘﻜﻠﻔﺔ‪ ،‬وﻟﻜﻦ ﻗ ﱠﻞ اﺣﺘﻤﺎل اﻻﻧﺤﺮاف اﻟﻜﺒري ﺑني ﺗﻘﺪﻳﺮ‬
‫اﻟﻌﻴﻨﺔ وﻣﺘﻮﺳﻂ املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪.‬‬
‫ﰲ ﺣني أن »أﺧﺬ ﻋﻴﻨﺔ ﻋﺸﻮاﺋﻴﺔ ﻣﻜﻮﻧﺔ ﻣﻦ أﻟﻒ ﺷﺨﺺ ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ« ﻟﻠﻌﺎﻣﻠني‬
‫ﰲ املﺪﻳﻨﺔ ﻗﺪ ﻳﺒﺪو ﻛﺄﻧﻪ ﻋﻤﻠﻴﺔ ﺑﺴﻴﻄﺔ‪ ،‬ﻓﺈﻧﻬﺎ ﰲ واﻗﻊ اﻷﻣﺮ ﻋﻤﻠﻴﺔ ﺗﺘﻄﻠﺐ ﻋﻨﺎﻳﺔ ﺷﺪﻳﺪة؛‬
‫ﺑﺒﺴﺎﻃﺔ اﺧﺘﻴﺎ ُر أﻟﻒ ﺷﺨﺺ ﻣﻦ أﻛﱪ ﴍﻛﺔ ﰲ املﺪﻳﻨﺔ؛ ﻷن‬ ‫ٍ‬ ‫ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻻ ﻳﻤﻜﻨﻨﺎ‬
‫ﻫﺬه اﻟﻌﻴﻨﺔ ﻗﺪ ﻻ ﺗﻜﻮن ﻣﻤﺜﻠﺔ ﻟﻠﻌﺎﻣﻠني املﻠﻴﻮن ﺟﻤﻴﻌﻬﻢ‪ .‬وﺑﺎملﺜﻞ‪ ،‬ﻻ ﻳﻤﻜﻨﻨﺎ اﻻﺗﺼﺎل ﺑﻌﻴﻨﺔ‬
‫ﻋﺸﻮاﺋﻴﺔ ﻣﻦ ﺑﻴﻮت اﻷﺷﺨﺎص ﰲ اﻟﺴﺎﻋﺔ اﻟﺜﺎﻣﻨﺔ ﻣﺴﺎءً؛ ﻷﻧﻨﺎ ﺳﻨﻐﻔﻞ ﻋﻦ أوﻟﺌﻚ اﻟﺬﻳﻦ‬
‫ﻳﻌﻤﻠﻮن ﰲ وﻗﺖ ﻣﺘﺄﺧﺮ‪ ،‬ورﺑﻤﺎ ﻳﺨﺘﻠﻒ ﻫﺆﻻء اﻟﻌﻤﺎل ﰲ ﻣﺘﻮﺳﻂ اﻟﺪﺧﻞ ﻋﻦ اﻵﺧﺮﻳﻦ‪.‬‬
‫وﻋﻤﻮﻣً ﺎ‪ ،‬ﻟﻠﺘﺄﻛﺪ ﻣﻦ أن اﻟﻌﻴﻨﺔ املﻜﻮﻧﺔ ﻣﻦ أﻟﻒ ﺷﺨﺺ ﻣُﻤﺜﱢﻠﺔ ﻋﲆ ﻧﺤﻮ ﻣﻨﺎﺳﺐ ﻟﻠﻤﺠﻤﻮﻋﺔ‬
‫اﻟﻜﻠﻴﺔ‪ ،‬ﻓﺈﻧﻨﺎ ﺑﺤﺎﺟﺔ إﱃ »إﻃﺎر املﻌﺎﻳﻨﺔ«؛ وﻫﻮ ﻗﺎﺋﻤﺔ ﺗﻀﻢ املﻠﻴﻮن اﻟﻌﺎﻣﻠني ﺟﻤﻴﻌﻬﻢ ﰲ‬
‫املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ ،‬واﻟﺘﻲ ﻳﻤﻜﻦ أن ﻧﺨﺘﺎر ﻣﻨﻬﺎ أﻟﻒ ﺷﺨﺺ ﻋﺸﻮاﺋﻴٍّﺎ‪ .‬إن وﺟﻮد‬
‫ﻣﺜﻞ ﻫﺬه اﻟﻘﺎﺋﻤﺔ ﻳﻀﻤﻦ أن اﺣﺘﻤﺎﻟﻴﺔ ﺗﻀﻤني ﻛﻞ اﻷﺷﺨﺎص ﰲ اﻟﻌﻴﻨﺔ ﻣﺘﺴﺎوﻳﺔ‪.‬‬
‫أﺳﺎﺳﺎ ﻟﻌﻤﻠﻴﺔ ﻣﺴﺢ اﻟﻌﻴﻨﺎت؛‬ ‫ً‬ ‫ﺗُﻌَ ﱡﺪ ﻓﻜﺮة »أﺧﺬ اﻟﻌﻴﻨﺎت اﻟﻌﺸﻮاﺋﻴﺔ اﻟﺒﺴﻴﻄﺔ« ﻫﺬه‬
‫ﻓﻘﺪ ﺷ ﱠﻜ ْﻠﻨﺎ إﻃﺎر ﻣﻌﺎﻳﻨﺔ‪ ،‬وﻣﻨﻪ ﻧﺨﺘﺎر ﻋﺸﻮاﺋﻴٍّﺎ اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﺳﻨُﻀﻤﱢ ﻨﻬﻢ ﰲ ﻋﻴﱢﻨﺘﻨﺎ‪ ،‬ﺛﻢ‬
‫ﻧﺘﻌﻘﺒﻬﻢ )ﻣﻦ ﺧﻼل ﻣﻘﺎﺑﻠﺔ ﺷﺨﺼﻴﺔ أو اﺗﺼﺎل ﻫﺎﺗﻔﻲ أو رﺳﺎﻟﺔ أو ﺑﺮﻳﺪ إﻟﻜﱰوﻧﻲ‪ ،‬أو‬ ‫ﱠ‬
‫ﻃﻮرت ﻫﺬه اﻟﻔﻜﺮة اﻷﺳﺎﺳﻴﺔ ﺑﺎﻟﻌﺪﻳﺪ‬ ‫ﺑﺄي ﻃﺮﻳﻘﺔ( وﻧﺴﺠﻞ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﻧﺮﻳﺪﻫﺎ‪ .‬وﻗﺪ ُ‬
‫ﻣﻦ اﻟﻄﺮق اﻟﺪﻗﻴﻘﺔ واملﺘﻄﻮرة ﺟﺪٍّا؛ ﻣﻤﺎ أﺳﻔﺮ ﻋﻦ ﻧﻬﺞ أﻛﺜﺮ دﻗﺔ وأﻗﻞ ﺗﻜﻠﻔﺔ؛ ﻋﲆ ﺳﺒﻴﻞ‬
‫املﺜﺎل‪ ،‬إذا ﻛﻨﱠﺎ ﻧﻨﻮي ﻣﻘﺎﺑﻠﺔ ﻛﻞ ﺷﺨﺺ ﻣﻦ اﻷﻟﻒ املﺸﺎرﻛني ﰲ اﻟﺪراﺳﺔ‪ ،‬ﻓﺈن ذﻟﻚ ﻳﻤﻜﻦ‬
‫أن ﻳﻜﻮن ﻣﻜ ﱢﻠ ًﻔﺎ ﺟﺪٍّا ﻣﻦ ﺣﻴﺚ اﻟﻮﻗﺖ وﻧﻔﻘﺎت اﻟﺘﻨﻘﻞ‪ .‬ﺳﻴﻜﻮن ﻣﻦ اﻷﻓﻀﻞ — ﻣﻦ ﻫﺬا‬
‫املﻨﻈﻮر — اﺧﺘﻴﺎر املﺸﺎرﻛني ﰲ اﻟﺪراﺳﺔ ﻣﻦ ﻋﻨﺎﻗﻴﺪ ﺟﻐﺮاﻓﻴﺔ ﻣﺤﻠﻴﺔ ﺻﻐرية‪ .‬وﻳﻮﺳﻊ‬
‫»أﺧﺬ اﻟﻌﻴﻨﺎت اﻟﻌﻨﻘﻮدﻳﺔ« ﻋﻤﻠﻴﺔ أﺧﺬ اﻟﻌﻴﻨﺎت اﻟﻌﺸﻮاﺋﻴﺔ اﻟﺒﺴﻴﻄﺔ ﻣﻦ ﺧﻼل اﻟﺴﻤﺎح‬

‫‪56‬‬
 ‫ﺟﻤﻊ ﺑﻴﺎﻧﺎت ﺻﺎﻟﺤﺔ‬

‫ﻓﺒﺪﻻ ﻣﻦ اﺧﺘﻴﺎر أﻟﻒ ﺷﺨﺺ ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﻋﺸﻮاﺋﻴٍّﺎ‪ ،‬ﻓﺈن ﻫﺬا‬ ‫ً‬ ‫ﺑﺬﻟﻚ؛‬
‫ً‬
‫اﻟﻨﻬﺞ ﻳﺨﺘﺎر )ﻣﺜﻼ( ﻋﴩ ﻣﺠﻤﻮﻋﺎت ﺗﺘﻜﻮن ﻛ ﱞﻞ ﻣﻨﻬﺎ ﻣﻦ ﻣﺎﺋﺔ ﺷﺨﺺ‪ ،‬ﺑﺤﻴﺚ ﻳﻌﻴﺶ ﻛﻞ‬
‫اﻷﺷﺨﺎص ﰲ ﻛﻞ ﻣﺠﻤﻮﻋﺔ ﺑﻌﻀﻬﻢ ﺑﺎﻟﻘﺮب ﻣﻦ ﺑﻌﺾ‪ .‬وﺑﺎملﺜﻞ‪ ،‬ﻳﻤﻜﻨﻨﺎ اﻟﺘﺄﻛﺪ ﻣﻦ ﺗﺤﻘﻴﻖ‬
‫ﺑﺪﻻ ﻣﻦ ﻣﺠﺮد اﻻﻋﺘﻤﺎد ﻋﲆ إﺟﺮاء أﺧﺬ اﻟﻌﻴﻨﺎت اﻟﻌﺸﻮاﺋﻴﺔ‪ ،‬إذا‬ ‫اﻟﺘﻮازن ﰲ ﺑﻌﺾ اﻟﻌﻮاﻣﻞ‪ً ،‬‬
‫ﻓﺮﺿﻨﺎ اﻟﺘﻮازن ﻋﲆ ﻃﺮﻳﻘﺔ اﺧﺘﻴﺎر اﻟﻌﻴﻨﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻳﻤﻜﻨﻨﺎ أن ﻧﺨﺘﺎر ﻋﺸﻮاﺋﻴٍّﺎ‬
‫ﻋﺪدًا ﻣﻦ اﻟﻨﺴﺎء ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ ،‬وﻧﺨﺘﺎر ﻋﺸﻮاﺋﻴٍّﺎ ﻋﲆ ﻧﺤﻮ ﻣﻨﻔﺼﻞ‬
‫ﻋﺪدًا ﻣﻦ اﻟﺮﺟﺎل ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ؛ ﺣﻴﺚ ﻳﺘﻢ اﺧﺘﻴﺎر اﻷﻋﺪاد ﺑﺤﻴﺚ ﺗﻜﻮن‬
‫ﻧﺴﺐ اﻟﺬﻛﻮر واﻹﻧﺎث ﻫﻲ ﻧﻔﺴﻬﺎ ﻛﻤﺎ ﻫﻲ اﻟﺤﺎل ﰲ املﺠﻤﻮﻋﺔ اﻹﺟﻤﺎﻟﻴﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪.‬‬
‫ﻳﻘﺴﻢ املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ‬ ‫ﻳُﻌﺮف ﻫﺬا اﻹﺟﺮاء ﺑﺄﻧﻪ »اﻟﻄﺮﻳﻘﺔ اﻟﴩاﺋﺤﻴﺔ ﻷﺧﺬ اﻟﻌﻴﻨﺎت«؛ ﻷﻧﻪ ﱢ‬
‫اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ املﺪرﺟﺔ ﰲ إﻃﺎر اﻟﻌﻴﻨﺔ إﱃ ﴍاﺋﺢ )اﻟﺮﺟﺎل واﻟﻨﺴﺎء ﰲ ﻫﺬه اﻟﺤﺎﻟﺔ(‪.‬‬
‫وإذا ﻛﺎن املﺘﻐري املﺴﺘﺨﺪم ﰲ اﻟﴩاﺋﺢ )اﻟﺠﻨﺲ ﰲ ﻫﺬا املﺜﺎل( ﻳﺮﺗﺒﻂ ارﺗﺒﺎ ً‬
‫ﻃﺎ ﻗﻮﻳٍّﺎ ﺑﺎملﺘﻐري‬
‫اﻟﺬي ﻧﻬﺘﻢ ﺑﻪ )اﻟﺪﺧﻞ ﻫﻨﺎ(‪ ،‬ﻳﻤﻜﻦ أن ﻳﺴﻔﺮ ﻫﺬا ﻋﻦ ﺗﺤﺴﻦ ﰲ اﻟﺪﻗﺔ ﻟﺤﺠﻢ اﻟﻌﻴﻨﺔ ﻧﻔﺴﻪ‪.‬‬
‫وﻋﻤﻮﻣً ﺎ‪ ،‬ﰲ ﻋﻤﻠﻴﺔ املﻌﺎﻳﻨﺔ‪ ،‬ﻧﻜﻮن ﻣﺤﻈﻮﻇني ﻟﻠﻐﺎﻳﺔ إذا ﺣﺼﻠﻨﺎ ﻋﲆ ردود ﻣﻦ ﺟﻤﻴﻊ‬
‫اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﻧﺘﻮاﺻﻞ ﻣﻌﻬﻢ‪ .‬ﻳﻮﺟﺪ داﺋﻤً ﺎ ﻣﻘﺪار ﻣﻦ ﻋﺪم اﻻﺳﺘﺠﺎﺑﺔ‪ ،‬وﻫﺬا ﻳﻌﻮد ﺑﻨﺎ‬
‫ﺳﺎﺑﻘﺎ‪ ،‬وﻛﻤﺎ رأﻳﻨﺎ‪ ،‬ﻳﻤﻜﻦ ﻟﻠﺒﻴﺎﻧﺎت اﻟﻨﺎﻗﺼﺔ‬ ‫ً‬ ‫إﱃ ﻣﺸﻜﻠﺔ اﻟﺒﻴﺎﻧﺎت اﻟﻨﺎﻗﺼﺔ اﻟﺘﻲ ﻧﺎﻗﺸﻨﺎﻫﺎ‬
‫أن ﺗﺆدي إﱃ ﻋﻴﻨﺔ ﻣﺘﺤﻴﺰة واﺳﺘﻨﺘﺎﺟﺎت ﻏري ﺻﺤﻴﺤﺔ‪ .‬ﻓﺈذا رﻓﺾ اﻟﺬﻳﻦ ﻳﺤﺼﻠﻮن ﻋﲆ‬
‫رواﺗﺐ ﻛﺒرية املﺸﺎرﻛﺔ ﰲ اﻟﺪراﺳﺔ‪ ،‬ﻓﺴﻮف ﻧﺒﺨﺲ ﺗﻘﺪﻳﺮ ﻣﺘﻮﺳﻂ اﻟﺪﺧﻞ ﰲ املﺠﻤﻮﻋﺔ‬
‫اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ .‬وﺑﺴﺒﺐ ﻫﺬا‪ ،‬ﻃﻮر ﺧﱪاء اﻟﺪراﺳﺎت املﺴﺤﻴﺔ ﻣﺠﻤﻮﻋﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ‬
‫وﺳﺎﺋﻞ ﺗﻘﻠﻴﻞ وﺿﺒﻂ ﻋﺪم اﻻﺳﺘﺠﺎﺑﺔ‪ ،‬ﺑﻤﺎ ﰲ ذﻟﻚ ﺗﻜﺮار اﻟﺘﻮاﺻﻞ ﻣﻊ ﻏري املﺴﺘﺠﻴﺒني‬
‫وإﺟﺮاءات إﻋﺎدة اﻟﺘﻘﻴﻴﻢ اﻹﺣﺼﺎﺋﻲ‪.‬‬

‫ﺧﺎﺗﻤﺔ‬
‫ﺗﻨﺎول ﻫﺬا اﻟﻔﺼﻞ املﻮاد اﻟﺨﺎم ﻟﻺﺣﺼﺎﺋﻴﺎت؛ وﻫﻲ اﻟﺒﻴﺎﻧﺎت‪ .‬وﻗﺪ ﺻﻴﻐﺖ ﺗﻘﻨﻴﺎت ﺟﻤﻊ‬
‫ﺑﻴﺎﻧﺎت ﻣﺘﻄﻮرة ﻋﲆ ﻳﺪ اﻹﺣﺼﺎﺋﻴني ﻟﻠﺤﺼﻮل ﻋﲆ أﻗﴡ ﻗﺪر ﻣﻦ املﻌﻠﻮﻣﺎت ﺑﺎﻟﺤﺪ اﻷدﻧﻰ‬
‫ﻣﻦ اﻟﺘﻜﻠﻔﺔ‪ ،‬وﻟﻜﻦ ﺳﻴﻜﻮن ﻣﻦ اﻟﺴﺬاﺟﺔ اﻻﻋﺘﻘﺎد ﺑﺄﻧﻪ ﻳﻤﻜﻦ ﻋﺎدة اﻟﺤﺼﻮل ﻋﲆ ﺑﻴﺎﻧﺎت‬
‫ﻣﺜﺎﻟﻴﺔ‪ .‬إن اﻟﺒﻴﺎﻧﺎت اﻧﻌﻜﺎس ﻟﻠﻌﺎ َﻟﻢ اﻟﺤﻘﻴﻘﻲ‪ ،‬واﻟﻌﺎ َﻟﻢ اﻟﺤﻘﻴﻘﻲ ﱠ‬
‫ﻣﻌﻘﺪ‪ .‬وإدرا ًﻛﺎ ﻟﻬﺬا‪،‬‬
‫ْ‬
‫وﻟﻜﻦ ﻣﻦ املﻬﻢ‬ ‫ﻃﻮر اﻹﺣﺼﺎﺋﻴﻮن ً‬
‫أﻳﻀﺎ أدوات ﻟﻠﺘﻌﺎﻣﻞ ﻣﻊ اﻟﺒﻴﺎﻧﺎت ذات اﻟﺠﻮدة اﻟﺮدﻳﺌﺔ‪.‬‬
‫ُﺪﺧﻼت ﻋﺪﻳﻤﺔ‬ ‫ﺪرك أن اﻹﺣﺼﺎﺋﻴني ﻟﻴﺴﻮا َﺳﺤَ ﺮة‪ .‬وﻳﻨﻄﺒﻖ اﻟﻘﻮل املﺄﺛﻮر اﻟﻘﺪﻳﻢ‪» :‬ﻣ َ‬
‫أن ﻧ ُ ِ‬
‫اﻟﻨﻔﻊ ﺗﺴﺎوي ﻧﺘﺎﺋﺞ ﻋﺪﻳﻤﺔ اﻟﻨﻔﻊ« ﺗﻤﺎﻣً ﺎ ﻋﲆ اﻹﺣﺼﺎﺋﻴﺎت ﻛﻤﺎ ﻳﻨﻄﺒﻖ ﻋﲆ ﻛﻞ ﳾء آﺧﺮ‪.‬‬

‫‪57‬‬
 ‫اﻟﻔﺼﻞ اﻟﺮاﺑﻊ‬

‫اﻻﺣﺘﲈﻻت‬

‫ﻛﻮﻧﻚ إﺣﺼﺎﺋﻴٍّﺎ ﻳﻌﻨﻲ أﻧﻚ ﻟﻦ ﺗُﻀﻄﺮ أﺑﺪًا إﱃ اﻟﻘﻮل ﺑﺄﻧﻚ ﻣﺘﺄﻛﺪ‪.‬‬

‫ﻣﺠﻬﻮل‬

‫)‪ (1‬ﺟﻮﻫﺮ املﺼﺎدﻓﺔ‬

‫أﺣﺪ اﻟﺘﻌﺮﻳﻔﺎت اﻟﺘﻲ ﻗﺪﻣﺖ ﰲ اﻟﻔﺼﻞ اﻷول ﺣﻮل اﻹﺣﺼﺎء ﻫﻮ أﻧﻪ ﻋﻠﻢ اﻟﺘﻌﺎﻣﻞ ﻣﻊ ﻋﺪم‬
‫اﻟﻴﻘني‪ .‬وﺑﻤﺎ أﻧﻪ ﻣﻦ اﻟﻮاﺿﺢ ﻟﻠﻐﺎﻳﺔ أن اﻟﻌﺎﻟﻢ ﻣﲇء ﺑﻌﺪم اﻟﻴﻘني‪ ،‬ﻓﺈن ﻫﺬا أﺣﺪ أﺳﺒﺎب‬
‫ﻫﻴﻤﻨﺔ اﻷﻓﻜﺎر واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‪ .‬إن املﺴﺘﻘﺒﻞ ﻣﺠﻬﻮل وﻻ ﻧﺴﺘﻄﻴﻊ أن ﻧﻜﻮن واﺛﻘني‬
‫ﻣﺘﻮﻗﻊ؛ ﻓﺘﺘﻌﻄﻞ اﻟﺴﻴﺎرات وﻧﻘﻊ ﰲ ﺣﻮادث‬ ‫ﱠ‬ ‫ﺑﺸﺄن ﻣﺎ ﺳﻴﺤﺪث‪ .‬وﺑﺎﻟﻔﻌﻞ ﻳﺤﺪث ﻣﺎ ﻫﻮ ﻏري‬
‫وﻳﴬب اﻟﱪق‪ ،‬وﺧﺸﻴﺔ أن أﻗﺪم اﻧﻄﺒﺎﻋً ﺎ ﺑﺄن ﻛﻞ اﻷﻣﻮر ﺳﻴﺌﺔ‪ ،‬أﻗﻮل إن ﻫﻨﺎك ﻣَ ﻦ ﻳﻔﻮزون‬
‫ﺣﺘﻰ ﺑﺎﻟﻴﺎﻧﺼﻴﺐ‪ .‬وﰲ أﺑﺴﻂ اﻟﺤﺎﻻت‪ ،‬ﻧﺤﻦ ﻻ ﻧﻌﻠﻢ ﻳﻘﻴﻨًﺎ أي ﺣﺼﺎن ﺳﻴﻔﻮز ﺑﺎﻟﺴﺒﺎق أو‬
‫أي ﻋﺪد ﺳﻮف ﻳَﻈﻬَ ﺮ ﻋﻨﺪ إﻟﻘﺎء ﻧﺮد‪ .‬وﻓﻮق ذﻟﻚ ﻛﻠﻪ‪ ،‬ﻻ ﻧﺴﺘﻄﻴﻊ اﻟﺘﻨﺒﺆ ﺑﻄﻮل اﻟﺤﻴﺎة اﻟﺘﻲ‬
‫ﺳﻨﻌﻴﺸﻬﺎ‪.‬‬
‫ﻟﻜﻦ ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ ﻛﻞ ﻫﺬا‪ ،‬ﻳﺘﻤﺜﻞ أﺣﺪ أﻋﻈﻢ اﻻﻛﺘﺸﺎﻓﺎت اﻟﺘﻲ ﺗﻮﺻﻠﺖ إﻟﻴﻬﺎ اﻟﺒﴩﻳﺔ‬
‫ً‬
‫ﺗﻨﺎﻗﻀﺎ ﰲ‬ ‫ﰲ أﻧﻪ ﻳﻮﺟﺪ ﻣﺒﺎدئ ﻣﻌﻴﻨﺔ ﺗﺤﻜﻢ َﺳ ْري املﺼﺎدﻓﺔ وﻋﺪم اﻟﻴﻘني‪ .‬رﺑﻤﺎ ﻳﺒﺪو ﻫﺬا‬
‫املﺼﻄﻠﺤﺎت؛ ﻓﺎﻷﺣﺪاث ﻏري اﻟﻴﻘﻴﻨﻴﺔ ﺑﻄﺒﻴﻌﺘﻬﺎ ﻻ ﺗﻨﻄﻮي ﻋﲆ ﻳﻘني؛ ﻓﻜﻴﻒ إذن ﺗﻮﺟﺪ‬
‫ﻗﻮاﻧني ﻃﺒﻴﻌﻴﺔ ﺗﺤﻜﻢ ﺳري ﻫﺬه اﻷﻣﻮر؟‬
‫إﺣﺪى اﻹﺟﺎﺑﺎت ﻋﲆ ﻫﺬا اﻟﺴﺆال ﻫﻲ أﻧﻪ ﰲ ﺣني أن اﻷﺣﺪاث اﻟﻔﺮدﻳﺔ رﺑﻤﺎ ﺗﻜﻮن‬
‫ﻏﺎﻣﻀﺔ وﻏري ﻗﺎﺑﻠﺔ ﻟﻠﺘﻨﺒﺆ ﺑﻬﺎ‪ ،‬ﻓﺈﻧﻪ ﻏﺎﻟﺒًﺎ ﻣﺎ ﻳﻜﻮن ﻣﻦ املﻤﻜﻦ اﻟﺨﺮوج ﺑﺘﻌﻤﻴﻢ ﻳﻨﻄﺒﻖ ﻋﲆ‬
‫ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﺣﺪاث‪ .‬املﺜﺎل اﻟﻜﻼﺳﻴﻜﻲ ﻟﺬﻟﻚ ﻫﻮ إﻟﻘﺎء اﻟﻌﻤﻠﺔ؛ ﻓﺮﻏﻢ أﻧﻨﻲ ﻻ أﺳﺘﻄﻴﻊ أن‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫أﻗﻮل ﻣﺎ إذا ﻛﺎﻧﺖ اﻟﻌﻤﻠﺔ ﺳﺘﻈﻬﺮ وﺟﻪ اﻟﺼﻮرة أم اﻟﻜﺘﺎﺑﺔ ﺑﻌﺪ أي ﻋﻤﻠﻴﺔ إﻟﻘﺎء ﻣﻨﻔﺮدة‪،‬‬
‫ﻳﻤﻜﻨﻨﻲ أن أﻗﻮل ﺑﺜﻘﺔ ﻛﺒرية إﻧﻪ إذا أُﻟﻘﻴﺖ اﻟﻌﻤﻠﺔ ﻋﺪة ﻣﺮات ﻓﺈﻧﻬﺎ ﺳﺘﻈﻬﺮ وﺟﻪ اﻟﺼﻮرة‬
‫ﰲ ﺣﻮاﱄ ﻧﺼﻒ ﻋﺪد املﺮات ووﺟﻪ اﻟﻜﺘﺎﺑﺔ ﰲ ﺣﻮاﱄ ﻧﺼﻒ ﻋﺪد املﺮات‪) .‬أﻓﱰض ﻫﻨﺎ أن‬
‫اﻟﻌﻤﻠﺔ »ﻋﻤﻠﺔ ﻣﺘﺰﻧﺔ«‪ ،‬وأﻧﻪ ﻻ ﺗُﺴﺘﺨﺪم أي ﺧﺪﻋﺔ ﺑﺎﻷﻳﺪي أﺛﻨﺎء إﻟﻘﺎﺋﻬﺎ‪ (.‬وﺛﻤﺔ ﻣﺜﺎل آﺧﺮ‬
‫ﰲ ﻫﺬا اﻟﻨﻄﺎق ﻫﻮ ﺗﺤﺪﻳﺪ ﻣﺎ إذا ﻛﺎن املﻮﻟﻮد ذﻛ ًﺮا أم أﻧﺜﻰ؛ ﻓﺘﺤﺪﻳﺪ اﻟﺠﻨﺲ ﺧﻼل ﻋﻤﻠﻴﺔ‬
‫اﻟﺤﻤﻞ أﻣﺮ ﺧﺎﺿﻊ ﻟﻠﻤﺼﺎدﻓﺔ اﻟﺒﺤﺘﺔ وﻻ ﻳﻤﻜﻦ اﻟﺘﻨﺒﺆ ﺑﻪ‪ .‬وﻟﻜﻨﻨﺎ ﻧﻌﺮف أﻧﻪ ﻋﲆ ﻣﺪار‬
‫اﻟﻌﺪﻳﺪ ﻣﻦ ﺣﺎﻻت اﻟﻮﻻدة ﻓﺈن أﻛﺜﺮ ﻣﻦ ﻧﺼﻒ ﻋﺪد املﻮاﻟﻴﺪ ﺑﻘﻠﻴﻞ ﺳﻴﻜﻮﻧﻮن ذﻛﻮ ًرا‪.‬‬
‫ﺗُﻌَ ﱡﺪ ﻫﺬه اﻟﺴﻤﺔ اﻟﻄﺒﻴﻌﻴﺔ اﻟﻘﺎﺑﻠﺔ ﻟﻠﻤﻼﺣﻈﺔ ً‬
‫ﻣﺜﺎﻻ ﻟﻠﻘﻮاﻧني اﻟﺘﻲ ﺗﺤﻜﻢ ﻋﺪم اﻟﻴﻘني‪،‬‬
‫وﻳﻄﻠﻖ ﻋﻠﻴﻬﺎ اﺳﻢ »ﻗﺎﻧﻮن اﻷﻋﺪاد اﻟﻜﺒرية« ﺑﺴﺒﺐ ﺣﻘﻴﻘﺔ أن اﻟﻨﺴﺒﺔ ﺗﻘﱰب أﻛﺜﺮ وأﻛﺜﺮ‬
‫ﻣﻦ ﻗﻴﻤﺔ ﻣﻌﻴﻨﺔ )اﻟﻨﺼﻒ ﰲ ﺣﺎﻻت اﻟﻌﻤﻠﺔ املﺘﺰﻧﺔ وﻧﻮع ﺟﻨﺲ املﻮاﻟﻴﺪ( ﻛﻠﻤﺎ زاد ﻋﺪد‬
‫اﻟﺤﺎﻻت اﻟﺘﻲ ﻧﻨﻈﺮ ﻓﻴﻬﺎ‪ .‬ﻟﻬﺬا اﻟﻘﺎﻧﻮن ﺗﺒﻌﺎت ﻣﺘﻌﺪدة‪ ،‬وﻫﻮ واﺣﺪ ﻣﻦ أﻗﻮى اﻷدوات‬
‫اﻹﺣﺼﺎﺋﻴﺔ ﰲ ﺗﺮوﻳﺾ ﻋﺪم اﻟﻴﻘني واﻟﺴﻴﻄﺮة ﻋﻠﻴﻪ واﻟﺴﻤﺎح ﻟﻨﺎ ﺑﺎﻻﺳﺘﻔﺎدة ﻣﻨﻪ‪ .‬وﺳﻨﻌﻮد‬
‫ﻻﺣﻘﺎ ﰲ ﻫﺬا اﻟﻔﺼﻞ‪ ،‬وﻋﲆ ﻧﺤﻮ ﻣﺘﻜﺮر ﺧﻼل اﻟﻜﺘﺎب‪.‬‬‫إﻟﻴﻪ ً‬

‫)‪ (2‬ﻓﻬﻢ اﻻﺣﺘﻤﺎﻻت‬

‫ﻟﻜﻲ ﻧﺘﻤﻜﻦ ﻣﻦ ﻣﻨﺎﻗﺸﺔ ﻣﺴﺎﺋﻞ ﻋﺪم اﻟﻴﻘني وﻋﺪم اﻟﻘﺪرة ﻋﲆ اﻟﺘﻨﺒﺆ دون ﻏﻤﻮض‪ ،‬ﻓﺈن‬
‫آﺧﺮ — ﻟﻐﺔ دﻗﻴﻘﺔ؛ وﻫﻲ ﻟﻐﺔ »اﻻﺣﺘﻤﺎﻻت«‪ .‬وإذا‬‫ﻋﻠﻢ اﻹﺣﺼﺎء ﻳﺴﺘﺨﺪم — ﻣﺜﻞ أي ﻋﻠﻢ َ‬
‫ﻛﺎن ﻫﺬا ﻫﻮ أول ﺗﻌ ﱡﺮض ﻟﻚ ﻟﻠﻐﺔ اﻻﺣﺘﻤﺎﻻت‪ ،‬إذن ﻳﺠﺐ أن أﺣﺬرك ﻣﻦ أﻧﻚ ﺳﻮف ﺗﻜﻮن‬
‫ﺑﺤﺎﺟﺔ ﻟﺒﺬل ﺑﻌﺾ اﻟﺠﻬﺪ ﻣﻦ أﺟﻞ ﻓﻬﻤﻬﺎ‪ ،‬ﻛﻤﺎ ﻫﻲ اﻟﺤﺎل ﻣﻊ أول ﺗﻌﺮض ﻟﻠﻤﺮء ﻷي‬
‫ﻟﻐﺔ ﺟﺪﻳﺪة‪ .‬وﺑﻮﺿﻊ ذﻟﻚ ﰲ اﻻﻋﺘﺒﺎر‪ ،‬رﺑﻤﺎ ﺗﺠﺪ ﰲ اﻟﻮاﻗﻊ أن ﻫﺬا اﻟﻔﺼﻞ ﻳﺘﻄﻠﺐ اﻟﻘﺮاءة‬
‫أﻛﺜﺮ ﻣﻦ ﻣﺮة واﺣﺪة؛ ﻓﺮﺑﻤﺎ ﺗﺮﻏﺐ ﰲ إﻋﺎدة ﻗﺮاءة ﻫﺬا اﻟﻔﺼﻞ ﻣﺮة أﺧﺮى ﻋﻨﺪﻣﺎ ﺗﺼﻞ إﱃ‬
‫ﻧﻬﺎﻳﺔ اﻟﻜﺘﺎب‪.‬‬
‫ازدﻫﺮ ﺗﻄﻮر ﻟﻐﺔ اﻻﺣﺘﻤﺎﻻت ﰲ اﻟﻘﺮن اﻟﺴﺎﺑﻊ ﻋﴩ‪ .‬وﻗﺪ أرﳻ ﻗﻮاﻋﺪﻫﺎ ﻋﻠﻤﺎء‬
‫اﻟﺮﻳﺎﺿﻴﺎت أﻣﺜﺎل ﺑﻠﻴﺰ ﺑﺎﺳﻜﺎل وﺑﻴري دي ﻓريﻣﺎ وﻛﺮﻳﺴﺘﻴﺎن ﻫﻴﺠﻨﺰ وﺟﺎﻛﻮب ﺑﺮﻧﻮﱄ‪،‬‬
‫وﻣﻦ ﺑﻌﺪﻫﻢ ﺑﻴري ﺳﻴﻤﻮن ﻻﺑﻼس وأﺑﺮاﻫﺎم دي ﻣﻮاﻓﺮ وﺳﻴﻤﻴﻮن‪-‬دﻧﻴﺲ ﺑﻮاﺳﻮن وأﻧﻄﻮان‬
‫ﻛﻮرﻧﻮ وﺟﻮن ﻓني‪ ،‬وﻏريﻫﻢ‪ .‬وﺑﺤﻠﻮل أواﺋﻞ اﻟﻘﺮن اﻟﻌﴩﻳﻦ‪ ،‬ﻛﺎﻧﺖ ﻛﻞ اﻷﻓﻜﺎر اﻟﻼزﻣﺔ‬
‫ﻟﻌﻠﻢ اﺣﺘﻤﺎﻻت ﻗﻮي ﻣﺘﻮاﻓﺮة‪ .‬وﰲ ﻋﺎم ‪ ،١٩٣٣‬ﻗﺪﱠم ﻋﺎﻟِﻢ اﻟﺮﻳﺎﺿﻴﺎت اﻟﺮوﳼ أﻧﺪرﻳﻪ‬

‫‪60‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫ٍّ‬
‫ﻛﺎﻣﻼ‬ ‫ﻛﻮملﻮﺟﻮروف ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﺪﻳﻬﻴﺎت اﻟﺘﻲ ﻗﺪﻣﺖ »ﺣﺴﺎﺑًﺎ« رﻳﺎﺿﻴٍّﺎ رﺳﻤﻴٍّﺎ‬
‫ﻟﻼﺣﺘﻤﺎﻻت‪ .‬وﻣﻨﺬ ذﻟﻚ اﻟﺤني‪ ،‬اﻋﺘُﻤﺪ ﻧﻈﺎم اﻟﺒﺪﻳﻬﻴﺎت ﻫﺬا ﻋﺎملﻴٍّﺎ ﺗﻘﺮﻳﺒًﺎ‪.‬‬
‫آﻟﻴﺔ ﻳﻤﻜﻦ ﻣﻦ ﺧﻼﻟﻬﺎ اﻟﺘﻌﺎﻣﻞ ﻣﻊ اﻻﺣﺘﻤﺎﻻت‪ ،‬ﻟﻜﻨﻬﺎ‬ ‫ﺗﻮﻓﺮ ﺑﺪﻳﻬﻴﺎت ﻛﻮملﻮﺟﻮروف ً‬ ‫ﱢ‬
‫ﺑﻨﻴﺔ رﻳﺎﺿﻴﺔ‪ .‬وﻻﺳﺘﺨﺪام ﻫﺬه اﻟﺒﻨﻴﺔ ﻟﺘﻘﺪﻳﻢ ﺑﻴﺎﻧﺎت ﺣﻮل اﻟﻌﺎﻟﻢ اﻟﺤﻘﻴﻘﻲ‪ ،‬ﻣﻦ اﻟﴬوري‬
‫اﻹﺷﺎرة إﱃ ﻣﺎ ﺗﻤﺜﱢﻠﻪ اﻟﺮﻣﻮز املﻮﺟﻮدة ﰲ اﻵﻟﻴﺔ اﻟﺮﻳﺎﺿﻴﺔ املﻮﺟﻮدة ﰲ ﻫﺬا اﻟﻌﺎﻟﻢ؛ أي إﻧﻨﺎ‬
‫ﺑﺤﺎﺟﺔ إﱃ ﻗﻮل ﻣﺎ »ﺗﻌﻨﻴﻪ« اﻟﺮﻳﺎﺿﻴﺎت‪.‬‬
‫ﻳﻌني ﺣﺴﺎب اﻻﺣﺘﻤﺎﻻت أرﻗﺎﻣً ﺎ ﺑني ‪ ٠‬و‪ ١‬ﻟﻸﺣﺪاث ﻏري املﺆﻛﺪة ﻟﺘﻤﺜﻴﻞ اﺣﺘﻤﺎﻟﻴﺔ‬
‫ﺣﺪوﺛﻬﺎ‪ .‬ﻳﻌﻨﻲ اﻻﺣﺘﻤﺎل ‪ ١‬أن ﻫﺬا اﻟﺤﺪث ﻣﺆﻛﺪ )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬اﺣﺘﻤﺎل أﻧﻪ ﻟﻮ أن‬
‫ً‬
‫ﺟﺎﻟﺴﺎ إﱃ‬ ‫ﻛﻨﺖ أﻛﺘﺐ ﻫﺬا اﻟﻜﺘﺎب‪ ،‬ﻟﺮآﻧﻲ‬ ‫ُ‬ ‫أﺣﺪﻫﻢ ﻧﻈﺮ ﻣﻦ ﻧﺎﻓﺬة ﺣﺠﺮة ﻣﻜﺘﺒﻲ ﺑﻴﻨﻤﺎ‬
‫ﺷﺨﺼﺎ‬‫ً‬ ‫ﻣﻜﺘﺒﻲ(‪ .‬واﻻﺣﺘﻤﺎل ‪ ٠‬ﻳﻌﻨﻲ أن اﻟﺤﺪث ﻣﺴﺘﺤﻴﻞ )ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬اﺣﺘﻤﺎل أن‬
‫ﻟﺤﺪث ﻣﺎ »ﻳﻤﻜﻦ« أن ﻳﺤﺪث‬ ‫ٍ‬ ‫ﻣﺎ ﺳﻮف ﻳﻨﻬﻲ ﺳﺒﺎق ﻣﺎراﺛﻮن ﰲ ﻋﴩ دﻗﺎﺋﻖ(‪ .‬وﺑﺎﻟﻨﺴﺒﺔ‬
‫ﻣﺴﺘﺤﻴﻼ‪ ،‬ﻓﺈن رﻗﻤً ﺎ ﺑني ‪ ٠‬و‪ ١‬ﻳﻤﺜﻞ »اﺣﺘﻤﺎل« ﺣﺪوﺛﻪ‪.‬‬‫ً‬ ‫وﻟﻜﻨﻪ ﻟﻴﺲ ﻣﺆﻛﺪًا وﻻ‬
‫إﺣﺪى ﻃﺮق اﻟﻨﻈﺮ إﱃ ﻫﺬا اﻟﺮﻗﻢ ﻫﻲ أﻧﻪ ﻳﻤﺜﻞ »درﺟﺔ اﻋﺘﻘﺎد« املﺮء أن اﻟﺤﺪث‬
‫ﺳﻮف ﻳﺤﺪث‪ .‬ﺳﻮف ﻳﻤﺘﻠﻚ اﻷﺷﺨﺎص املﺨﺘﻠﻔﻮن ﻣﻌﻠﻮﻣﺎت أﻛﺜﺮ أو أﻗﻞ ﻣﺘﻌﻠﻘﺔ ﺑﻜﻮن‬
‫اﻟﺤﺪث ﺳﻴﻘﻊ أم ﻻ؛ ﻟﺬﻟﻚ رﺑﻤﺎ ﻳُﺘﻮﻗﻊ أن ﻳﻤﺘﻠﻚ اﻷﺷﺨﺎص املﺨﺘﻠﻔﻮن درﺟﺎت ﻣﺨﺘﻠﻔﺔ ﻣﻦ‬
‫اﻻﻋﺘﻘﺎد؛ وﻫﺬا ﻳﻌﻨﻲ اﺣﺘﻤﺎﻻت ﻣﺨﺘﻠﻔﺔ ﻟﻬﺬا اﻟﺤﺪث‪ .‬وﻟﻬﺬا اﻟﺴﺒﺐ‪ ،‬ﺗُﺴﻤﱠ ﻰ وﺟﻬﺔ اﻟﻨﻈﺮ‬
‫ﺗﻠﻚ ﺣﻴﺎل اﻻﺣﺘﻤﺎل اﻻﺣﺘﻤﺎ َل »اﻟﺬاﺗﻲ« أو »اﻟﺸﺨﴢ«؛ ﻓﻬﻲ ﺗﻌﺘﻤﺪ ﻋﲆ ﻣَ ﻦ ﻳﻘﻴﱢﻢ اﻻﺣﺘﻤﺎل‪.‬‬
‫أﻳﻀﺎ أن اﻻﺣﺘﻤﺎل ﻟﺪى اﻟﺸﺨﺺ رﺑﻤﺎ ﻳﺘﻐري ﻣﻊ ﺗﻮاﻓﺮ املﺰﻳﺪ ﻣﻦ املﻌﻠﻮﻣﺎت‪.‬‬ ‫وﻣﻦ اﻟﻮاﺿﺢ ً‬
‫ﻓﺮﺑﻤﺎ ﺗﺒﺪأ ﺑﺎﺣﺘﻤﺎل — درﺟﺔ اﻋﺘﻘﺎد — ﺗﺒﻠﻎ ‪ ٢ / ١‬أن ﻋﻤﻠﺔ ﻣﻌﻴﻨﺔ ﺳﻮف ﺗﺴﺘﻘﺮ ووﺟﻪ‬
‫اﻟﺼﻮرة ﻷﻋﲆ )ﻋﲆ أﺳﺎس ﺗﺠﺮﺑﺘﻚ اﻟﺴﺎﺑﻘﺔ ﻣﻊ ﻗﺬف ﻋﻤﻼت ﻣﻌﺪﻧﻴﺔ أﺧﺮى(‪ ،‬وﻟﻜﻦ ﺑﻌﺪ‬
‫ﻣﺮاﻗﺒﺔ اﺳﺘﻘﺮار اﻟﻌﻤﻠﺔ ووﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ ‪ ١٠٠‬ﻣﺮة ﻣﺘﺘﺎﻟﻴﺔ دون اﺳﺘﻘﺮارﻫﺎ ﻋﲆ وﺟﻪ‬
‫اﻟﻜﺘﺎﺑﺔ ﻗﻂ‪ ،‬رﺑﻤﺎ ﺗﺼﺒﺢ ﻣﺘﺸﻜ ًﻜﺎ وﺗﻐري اﺣﺘﻤﺎﻻﺗﻚ اﻟﺸﺨﺼﻴﺔ ﺑﺄن ﺗﺴﺘﻘﺮ ﻫﺬه اﻟﻌﻤﻠﺔ‬
‫ﻋﲆ وﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ‪.‬‬
‫ﻃﻮرت أدوات ﻟﺘﻘﺪﻳﺮ اﻻﺣﺘﻤﺎﻻت اﻟﺬاﺗﻴﺔ ﻟﻸﻓﺮاد ﻋﲆ أﺳﺎس اﺳﱰاﺗﻴﺠﻴﺎت‬ ‫وﻗﺪ ُ‬
‫املﺮاﻫﻨﺔ‪ ،‬وﻟﻜﻦ ﻛﻤﺎ ﻫﻲ اﻟﺤﺎل ﻣﻊ أي إﺟﺮاء ﻟﻠﻘﻴﺎس‪ ،‬ﺛﻤﺔ ﻗﻴﻮد ﻋﻤﻠﻴﺔ ﻋﲆ ﻣﺪى دﻗﺔ‬
‫ﺗﻘﺪﻳﺮ اﻻﺣﺘﻤﺎﻻت‪.‬‬
‫ﺣﺪث ﻣﺎ ﰲ أﻧﻬﺎ ﻋﺪد ﻣﺮات وﻗﻮع ﻫﺬا‬ ‫ٍ‬ ‫ﺗﺘﻤﺜﻞ وﺟﻬﺔ ﻧﻈﺮ ﻣﺨﺘﻠﻔﺔ ﻻﺣﺘﻤﺎﻻت وﻗﻮع‬
‫اﻟﺤﺪث إذا ﺗﻜﺮرت اﻟﻈﺮوف ﻋﲆ ﻧﺤﻮ ﻣﺘﻄﺎﺑﻖ ﻟﻌﺪد ﻻ ﻧﻬﺎﺋﻲ ﻣﻦ املﺮات‪ .‬وﻳُﻌَ ﱡﺪ ﻣﺜﺎل‬

‫‪61‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻗﺬف اﻟﻌﻤﻠﺔ املﺘﺰﻧﺔ اﻟﺴﺎﺑﻖ ﺗﻮﺿﻴﺤً ﺎ ﻟﻬﺬا؛ ﻓﻘﺪ رأﻳﻨﺎ أﻧﻪ ﺑﻴﻨﻤﺎ ﺗﻘﺬف اﻟﻌﻤﻠﺔ‪ ،‬ﻓﺈن ﻧﺴﺒﺔ‬
‫ﻇﻬﻮر اﻟﺼﻮرة ﺗﻘﱰب أﻛﺜﺮ وأﻛﺜﺮ ﻣﻦ ﻗﻴﻤﺔ ﻣﺤﺪدة‪ .‬وﺗﻌ ﱠﺮف ﻫﺬه اﻟﻘﻴﻤﺔ ﻋﲆ أﻧﻬﺎ اﺣﺘﻤﺎل‬
‫اﺳﺘﻘﺮار اﻟﻌﻤﻠﺔ ﻋﲆ وﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ ﰲ أي ﻋﻤﻠﻴﺔ ﻗﺬف واﺣﺪة‪ .‬وﻧﻈ ًﺮا ﻟﺪور اﻟﺘﻜﺮارات‪،‬‬
‫أو ﻋﺪد املﺮات‪ ،‬ﰲ ﺗﺤﺪﻳﺪ ﻫﺬا اﻟﺘﻔﺴري ﻟﻼﺣﺘﻤﺎﻻت‪ ،‬ﻓﺈﻧﻪ ﻳﺴﻤﻰ اﻟﺘﻔﺴري »اﻟﺘﻜﺮاري«‪.‬‬
‫وﺗﻤﺎﻣً ﺎ ﻛﻤﺎ ﻫﻲ اﻟﺤﺎل ﻣﻊ اﻟﻨﻬﺞ اﻟﺬاﺗﻲ‪ ،‬ﺗﻮﺟﺪ ﻗﻴﻮد ﻋﻤﻠﻴﺔ ﺗﻤﻨﻌﻨﺎ ﻣﻦ إﻳﺠﺎد‬
‫ً‬
‫ﻇﺮوﻓﺎ‬ ‫ﻟﻌﻤﻠﺔ ﻣﺎ ﻻ ﻳﻤﻜﻦ أن ﺗﻤﺘﻠﻜﺎ ٍّ‬
‫ﺣﻘﺎ‬ ‫ٍ‬ ‫ٍ‬
‫ﻗﺬف‬ ‫اﻻﺣﺘﻤﺎﻻت اﻟﺘﻜﺮارﻳﺔ ﺑﺎﻟﻀﺒﻂ؛ ﻓﻌﻤﻠﻴﺘﺎ‬
‫ﻣﺘﻄﺎﺑﻘﺔ ﺗﻤﺎﻣً ﺎ؛ ﻓﺴﻮف ﺗﺒﲆ ﺑﻌﺾ اﻟﺠﺰﻳﺌﺎت ﻣﻦ اﻟﻌﻤﻠﺔ ﰲ اﻟﺮﻣﻴﺔ اﻷوﱃ‪ ،‬وﺳﺘﺨﺘﻠﻒ‬
‫ﻤﺎس ﻣﻊ اﻷﺻﺎﺑﻊ ﰲ املﺮة‬ ‫ﻗﻠﻴﻼ ﺟﺮاء اﻟﺘﱠ ﱢ‬
‫ﺗﻴﺎرات اﻟﻬﻮاء‪ ،‬وﺳﱰﺗﻔﻊ درﺟﺔ ﺣﺮارة اﻟﻌﻤﻠﺔ ً‬
‫وﻗﺖ ﻣﺎ؛ ﻟﺬﻟﻚ ﻻ ﻳﻤﻜﻨﻨﺎ ﻗﺬﻓﻬﺎ‬‫اﻷوﱃ‪ .‬وﻋﲆ أي ﺣﺎل ﺳﻴﻜﻮن ﻋﻠﻴﻨﺎ وﻗﻒ ﻗﺬف اﻟﻌﻤﻠﺔ ﰲ ٍ‬
‫ﻓﻌﻠﻴٍّﺎ ﻟﻌﺪد ﻻ ﻧﻬﺎﺋﻲ ﻣﻦ املﺮات‪.‬‬
‫ﻫﺬان اﻟﺘﻔﺴريان املﺨﺘﻠﻔﺎن ملﺎ ﺗﻌﻨﻴﻪ اﻻﺣﺘﻤﺎﻻت ﻟﻬﻤﺎ ﺧﺼﺎﺋﺺ ﻣﺨﺘﻠﻔﺔ‪ .‬ﻓﻴﻤﻜﻦ‬
‫ٍ‬
‫ﺣﺪث ﻳﻜﻮن اﻟﺘﻔﻜري‬ ‫ﻟﺤﺪث ﻓﺮﻳﺪ ﻣﻦ ﻧﻮﻋﻪ؛‬‫ٍ‬ ‫اﺳﺘﺨﺪام اﻟﻨﻬﺞ اﻟﺬاﺗﻲ ﻟﺘﻌﻴني اﺣﺘﻤﺎل ﻣﻌني‬
‫ﰲ ﺗﻜﺮاره ﰲ ﻇﻞ ﻇﺮوف ﻣﻤﺎﺛﻠﺔ ﻟﻌﺪد ﻻ ﻧﻬﺎﺋﻲ — أو ﺣﺘﻰ ﻋﺪد ﻛﺒري — ﻣﻦ املﺮات‬
‫ﻻ ﻣﻌﻨﻰ ﻟﻪ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻟﻴﺲ ﻫﻨﺎك ﻣﻌﻨًﻰ ﻻﻗﱰاح ﻋﻤﻞ ﺳﻠﺴﻠﺔ ﻻ ﻧﻬﺎﺋﻴﺔ ﻣﻦ‬
‫ٍ‬
‫ﻟﻨﺘﻴﺠﺔ‬ ‫املﺤﺎوﻻت املﺘﻄﺎﺑﻘﺔ ﻻﻏﺘﻴﺎل اﻟﺮﺋﻴﺲ املﻘﺒﻞ ﻟﻠﻮﻻﻳﺎت املﺘﺤﺪة‪ ،‬ﺑﺤﻴﺚ ﻳﺆدي ﺑﻌﻀﻬﺎ‬
‫ﻣﺎ واﻟﺒﻌﺾ اﻵﺧﺮ ﻟﻨﺘﻴﺠﺔ أﺧﺮى؛ ﻟﺬﻟﻚ ﻳﺒﺪو ﻣﻦ اﻟﺼﻌﺐ ﺗﻄﺒﻴﻖ اﻟﺘﻔﺴري اﻟﺘﻜﺮاري ﻋﲆ‬
‫ﻣﺜﻞ ﻫﺬا اﻟﺤﺪث‪ .‬ﻣﻦ ﻧﺎﺣﻴﺔ أﺧﺮى‪ ،‬ﻓﺈن اﻟﻨﻬﺞ اﻟﺬاﺗﻲ ﻳﻨﻘﻞ اﻻﺣﺘﻤﺎﻻت ﻣﻦ ﻛﻮﻧﻬﺎ ﺧﺎﺻﻴﺔ‬
‫ﻣﻮﺿﻮﻋﻴﺔ ﻟﻠﻌﺎﻟﻢ اﻟﺨﺎرﺟﻲ )ﻣﺜﻞ اﻟﻜﺘﻠﺔ أو اﻟﻄﻮل( إﱃ ﻛﻮﻧﻬﺎ ﺧﺎﺻﻴﺔ ﻟﻠﺘﻔﺎﻋﻞ ﺑني اﻟﺮاﺻﺪ‬
‫واﻟﻌﺎﻟﻢ؛ ﻓﺎﻻﺣﺘﻤﺎﻻت اﻟﺬاﺗﻴﺔ ﺗﺠﻌﻞ اﻟﺮاﺻﺪ ﻫﻮ اﻷﺳﺎس‪ .‬ﻗﺪ ﻳﺸﻌﺮ اﻟﺒﻌﺾ أن ﻫﺬا ﻧﻘﻄﺔ‬
‫ﺿﻌﻒ؛ ﻓﻬﺬا ﻳﻌﻨﻲ أن اﻷﺷﺨﺎص املﺨﺘﻠﻔني ﻳﻤﻜﻨﻬﻢ اﺳﺘﺨﻼص اﺳﺘﻨﺘﺎﺟﺎت ﻣﺨﺘﻠﻔﺔ ﻣﻦ‬
‫اﻟﺘﺤﻠﻴﻞ ﻧﻔﺴﻪ ﻟﻠﺒﻴﺎﻧﺎت ﻧﻔﺴﻬﺎ‪ .‬وﻗﺪ ﻳﻌﺘﱪه اﻟﺒﻌﺾ اﻵﺧﺮ ﻧﻘﻄﺔ ﻗﻮة؛ إذ إن اﻻﺳﺘﻨﺘﺎﺟﺎت‬
‫ﺗﺘﺄﺛﺮ ﺑﻤﻌﺮﻓﺘﻚ اﻟﺴﺎﺑﻘﺔ‪.‬‬
‫ﻣﻊ ذﻟﻚ‪ ،‬ﺗﻮﺟﺪ ﺗﻔﺴريات أﺧﺮى ﻟﻼﺣﺘﻤﺎل؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻳﻔﱰض اﻟﻨﻬﺞ‬
‫»اﻟﻜﻼﺳﻴﻜﻲ« أن ﺟﻤﻴﻊ اﻷﺣﺪاث ﺗﺘﻜﻮن ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﺣﺪاث اﻻﺑﺘﺪاﺋﻴﺔ املﺘﺴﺎوﻳﺔ‬
‫اﻻﺣﺘﻤﺎل؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﻣﻲ اﻟﻨﺮد ﻗﺪ ﻳﻨﺘﺞ اﻟﺮﻗﻢ ‪ ١‬أو ‪ ٢‬أو ‪ ٣‬أو ‪ ٤‬أو ‪ ٥‬أو‬
‫‪ ،٦‬وﺗﻤﺎﺛﻞ اﻟﻨﺮد ﻳﺸري إﱃ ﺗَﺴﺎوي اﺣﺘﻤﺎﻟﻴﺔ ﻇﻬﻮر ﻫﺬه اﻟﻨﺘﺎﺋﺞ اﻟﺴﺖ‪ ،‬وﻫﻜﺬا ﻛﻞ رﻗﻢ‬
‫ﻟﺪﻳﻪ اﺣﺘﻤﺎل ﻳﺒﻠﻎ ‪) ٦ / ١‬ﻳﺠﺐ أن ﻳﻜﻮن ﻣﺠﻤﻮﻋﻬﺎ ‪ ،١‬ﻧﻈ ًﺮا ﻷﻧﻪ ﻣﻦ »املﺆﻛﺪ« أن واﺣﺪًا‬
‫ﻣﻦ اﻷرﻗﺎم ‪ ١‬أو ‪ ٢‬أو ‪ ٣‬أو ‪ ٤‬أو ‪ ٥‬أو ‪ ٦‬ﺳﻮف ﻳﻈﻬﺮ(‪ .‬واﺣﺘﻤﺎل اﻟﺤﺼﻮل ﻋﲆ ﻋﺪد‬

‫‪62‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫زوﺟﻲ — ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل — ﻫﻮ ﻣﺠﻤﻮع اﻻﺣﺘﻤﺎﻻت املﺘﺴﺎوﻳﺔ ﻟﻜﻞ أﺣﺪاث اﻟﺤﺼﻮل‬

‫ﻋﲆ ‪ ٢‬أو ‪ ٤‬أو ‪٦‬؛ وﻣﻦ ﺛ َ ﱠﻢ ﻓﻬﻮ ﻳﺴﺎوي ‪ .٢ / ١‬وﻣﻊ ذﻟﻚ‪ ،‬ﰲ ﻇﺮوف أﻗﻞ اﺻﻄﻨﺎﻋﻴﺔ‪،‬‬
‫ﺗﻮﺟﺪ ﺻﻌﻮﺑﺎت ﰲ ﺗﺤﺪﻳﺪ ﻣﺎﻫﻴﺔ ﻫﺬه اﻷﺣﺪاث »املﺘﺴﺎوﻳﺔ اﻻﺣﺘﻤﺎل«؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪،‬‬
‫ﻛﻨﺖ أرﻳﺪ ﻣﻌﺮﻓﺔ اﺣﺘﻤﺎل أن ﺗﺴﺘﻐﺮق رﺣﻠﺘِﻲ اﻟﺼﺒﺎﺣﻴﺔ ﻟﻠﻌﻤﻞ أﻗﻞ ﻣﻦ ﺳﺎﻋﺔ واﺣﺪة‪،‬‬ ‫إذا ُ‬
‫ﻓﺈﻧﻪ ﻟﻴﺲ ﻣﻦ اﻟﻮاﺿﺢ ﻋﲆ اﻹﻃﻼق ﻣﺎ ﻳﻨﺒﻐﻲ أن ﺗﻜﻮن ﻋﻠﻴﻪ اﻷﺣﺪاث اﻻﺑﺘﺪاﺋﻴﺔ املﺘﺴﺎوﻳﺔ‬
‫اﻻﺣﺘﻤﺎل‪ .‬ﻻ ﻳﻮﺟﺪ ﺗﻤﺎﺛُﻞ واﺿﺢ ﰲ ﻫﺬا املﻮﻗﻒ ﻣﺸﺎﺑﻪ ﻟﻠﺘﻤﺎﺛﻞ املﻮﺟﻮد ﰲ ﺣﺎﻟﺔ اﻟﻨﺮد‪.‬‬
‫وﻋﻼوة ﻋﲆ ذﻟﻚ‪ ،‬إذا ﺗﻄﻠﺒﻨﺎ أن ﺗﻜﻮن اﻷﺣﺪاث اﻻﺑﺘﺪاﺋﻴﺔ »ﻣﺘﺴﺎوﻳﺔ اﻻﺣﺘﻤﺎل« ﻓﺴﻨﻘﻊ ﰲ‬
‫ﻓﺦ اﻟﺘﻌﺮﻳﻒ اﻟﺪاﺋﺮي؛ إذ ﻳﺒﺪو أﻧﻨﺎ ﻫﻜﺬا ﻧﻌ ﱢﺮف اﻻﺣﺘﻤﺎل ﺑﺎﺣﺘﻤﺎل‪.‬‬
‫وﻳﺠﺪر اﻟﺘﺄﻛﻴﺪ ﻫﻨﺎ ﻋﲆ أن ﻛﻞ ﻫﺬه اﻟﺘﻔﺴريات املﺨﺘﻠﻔﺔ ﻟﻼﺣﺘﻤﺎﻻت ﺗﺘﻮاﻓﻖ ﻣﻊ‬
‫اﻟﺒﺪﻳﻬﻴﺎت ﻧﻔﺴﻬﺎ وﻳﺘﻢ ﻣﻌﺎﻟﺠﺘﻬﺎ ﺑﺎﻵﻟﻴﺔ اﻟﺮﻳﺎﺿﻴﺔ ﻧﻔﺴﻬﺎ‪ .‬ﻣﺎ ﻳﺨﺘﻠﻒ ﺑﺒﺴﺎﻃﺔ ﻫﻮ‬
‫ﻃﺮﻳﻘﺔ رﺳﻢ ﺧﺮﻳﻄﺔ اﻟﻌﺎﻟﻢ اﻟﺤﻘﻴﻘﻲ؛ أي ﺗﻌﺮﻳﻒ ﻣﺎ »ﻳﻌﻨﻴﻪ« اﻟﻜﺎﺋﻦ اﻟﺮﻳﺎﴈ‪ .‬أﺣﻴﺎﻧًﺎ‬
‫أﻗﻮل إن »اﻟﺤﺴﺎب« ﻫﻮ ﻧﻔﺴﻪ‪ ،‬وﻟﻜﻦ »اﻟﻨﻈﺮﻳﺔ« ﻣﺨﺘﻠﻔﺔ‪ .‬وﰲ اﻟﺘﻄﺒﻴﻘﺎت اﻹﺣﺼﺎﺋﻴﺔ —‬
‫ﻛﻤﺎ ﺳﻨﺮى ﰲ اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ — ﻳﻤﻜﻦ ﻟﻠﺘﻔﺴريات املﺨﺘﻠﻔﺔ أن ﺗﺆدي ﰲ ﺑﻌﺾ اﻷﺣﻴﺎن‬
‫إﱃ اﺳﺘﺨﻼص اﺳﺘﻨﺘﺎﺟﺎت ﻣﺨﺘﻠﻔﺔ‪.‬‬

‫)‪ (3‬ﻗﻮاﻧني املﺼﺎدﻓﺔ‬

‫ذﻛﺮﻧﺎ ﺑﺎﻟﻔﻌﻞ ﻗﺎﻧﻮﻧًﺎ واﺣﺪًا ﻣﻦ ﻗﻮاﻧني اﻻﺣﺘﻤﺎﻻت؛ وﻫﻮ ﻗﺎﻧﻮن اﻷﻋﺪاد اﻟﻜﺒرية‪ .‬وﻫﺬا‬
‫اﻟﻘﺎﻧﻮن ﻳﺮﺑﻂ رﻳﺎﺿﻴﺎت اﻻﺣﺘﻤﺎﻻت ﺑﺎملﻼﺣﻈﺎت اﻟﺘﺠﺮﻳﺒﻴﺔ ﰲ اﻟﻌﺎﻟﻢ اﻟﺤﻘﻴﻘﻲ‪ .‬وﺛﻤﺔ‬
‫ﻗﻮاﻧني أﺧﺮى ﻟﻼﺣﺘﻤﺎﻻت ﻣﺘﻀﻤﻨﺔ ﰲ ﺑﺪﻳﻬﻴﺎت اﻻﺣﺘﻤﺎﻻت‪ .‬وﺗﺘﻀﻤﻦ ﺑﻌﺾ ﻫﺬه اﻟﻘﻮاﻧني‬
‫املﻬﻤﺔ ﻟﻠﻐﺎﻳﺔ ﻣﻔﻬﻮم »اﻻﺳﺘﻘﻼل«‪.‬‬
‫ﻳﻘﺎل إن اﻟﺤﺪﺛني ﻣﺴﺘﻘﻼن إذا ﻛﺎن وﻗﻮع أﺣﺪﻫﻤﺎ ﻻ ﻳﺆﺛﺮ ﻋﲆ اﺣﺘﻤﺎﻻت وﻗﻮع‬
‫اﻵﺧﺮ؛ ﻓﺤﻘﻴﻘﺔ أن اﻟﻌﻤﻠﺔ اﻟﺘﻲ ﻗﺬﻓﺘُﻬﺎ ﺑﻴﺪي اﻟﻴﴪى ﺳﻮف ﺗﺴﺘﻘﺮ ووﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻷﻋﲆ‬
‫ﺑﺪﻻ ﻣﻦ وﺟﻪ اﻟﺼﻮرة ﻻ ﺗﺆﺛﺮ ﻋﲆ ﻧﺘﺎﺋﺞ ﻗﺬف اﻟﻌﻤﻠﺔ ﺑﻴﺪي اﻟﻴﻤﻨﻰ‪ ،‬ﻓﻌﻤﻠﻴﺘﺎ ﻗﺬف اﻟﻌﻤﻠﺔ‬‫ً‬
‫ﻫﺎﺗﺎن ﻣﺴﺘﻘﻠﺘﺎن‪ .‬وإذا ﻛﺎن اﺣﺘﻤﺎل أن اﻟﻌﻤﻠﺔ املﻮﺟﻮدة ﰲ ﻳﺪي اﻟﻴﴪى ﺳﻮف ﺗﺴﺘﻘﺮ‬
‫ووﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ ﻫﻮ ‪ ،٢ / ١‬واﺣﺘﻤﺎل أن اﻟﻌﻤﻠﺔ ﰲ ﻳﺪي اﻟﻴﻤﻨﻰ ﺳﻮف ﺗﺴﺘﻘﺮ ووﺟﻪ‬
‫اﻟﺼﻮرة ﻷﻋﲆ ﻫﻮ ‪ ،٢ / ١‬ﻓﺈن اﺣﺘﻤﺎل أن ﻛﻠﺘﺎ اﻟﻌﻤﻠﺘني ﺳﻮف ﺗﻘﻊ ﻋﲆ وﺟﻪ اﻟﺼﻮرة‬
‫ﻫﻮ ‪ .٤ / ١ = ٢ / ١ × ٢ / ١‬ﻳﺴﻬﻞ إدراك ﻫﺬا ﺣﻴﺚ إﻧﻨﺎ ﻧﺘﻮﻗﻊ أﻧﻪ ﰲ ﻛﺜري ﻣﻦ ﺗﻜﺮارات‬
‫ﺗﺠﺮﺑﺔ اﻟﻘﺬف املﺰدوج ﺳﻮف ﺗﺴﺘﻘﺮ اﻟﻘﻄﻌﺔ اﻟﻨﻘﺪﻳﺔ ﰲ اﻟﻴﺪ اﻟﻴﴪى ووﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ‬

‫‪63‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻓﻴﻤﺎ ﻳﻘﺮب ﻣﻦ ﻧﺼﻒ ﻣﺮات ﻗﺬﻓﻬﺎ‪ ،‬وأﻧﻪ ﻣﻦ ﺑني ﻫﺬه اﻟﺤﺎﻻت‪ ،‬ﺳﻮف ﺗﺴﺘﻘﺮ اﻟﻘﻄﻌﺔ‬
‫اﻟﻨﻘﺪﻳﺔ ﰲ اﻟﻴﺪ اﻟﻴﻤﻨﻰ ووﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ ﻓﻴﻤﺎ ﻳﻘﺮب ﻣﻦ ﻧﺼﻒ ﻣﺮات ﻗﺬﻓﻬﺎ ﻷن ﻧﺘﺎﺋﺞ‬
‫ﻋﻤﻠﻴﺔ اﻟﻘﺬف اﻷوﱃ ﻻ ﺗﺆﺛﺮ ﻋﲆ اﻟﺜﺎﻧﻴﺔ‪ .‬وﺑﻮﺟﻪ ﻋﺎم‪ ،‬ﻓﺈن ﺣﻮاﱄ ‪ ٤ / ١‬ﻋﺪد ﻣﺮات اﻟﻘﺬف‬
‫املﺰدوج ﻣﻦ ﺷﺄﻧﻪ أن ﻳﻨﺘﺞ ﻋﻨﻪ ﺻﻮرة‪ .‬وﺑﺎملﺜﻞ‪ ،‬ﻓﺈن ﺣﻮاﱄ ‪ ٤ / ١‬ﻋﺪد املﺮات ﺳﻴﻨﺘﺞ‬
‫ﻋﻨﻪ ﻛﺘﺎﺑﺔ ﰲ ﻋﻤﻠﺔ اﻟﻴﺪ اﻟﻴﴪى‪ ،‬وﺻﻮرة ﰲ ﻋﻤﻠﺔ اﻟﻴﺪ اﻟﻴﻤﻨﻰ‪ ،‬وﺣﻮاﱄ ‪ ٤ / ١‬ﻋﺪد املﺮات‬
‫ﺳﻴﻨﺘﺞ ﻋﻨﻪ ﺻﻮرة ﰲ ﻋﻤﻠﺔ اﻟﻴﺪ اﻟﻴﴪى‪ ،‬وﻛﺘﺎﺑﺔ ﰲ ﻋﻤﻠﺔ اﻟﻴﺪ اﻟﻴﻤﻨﻰ‪ ،‬وﺣﻮاﱄ ‪ ٤ / ١‬ﻋﺪد‬
‫املﺮات ﺳﻴﻨﺘﺞ ﻋﻨﻪ ﻛﺘﺎﺑﺔ ﰲ ﻛﻠﺘﺎ اﻟﻌﻤﻠﺘني‪.‬‬
‫ٍّ‬
‫ﰲ املﻘﺎﺑﻞ‪ ،‬ﻓﺈن اﺣﺘﻤﺎل اﻟﺘﻌﺜﺮ واﻟﺴﻘﻮط ﰲ اﻟﺸﺎرع ﺑﺎﻟﺘﺄﻛﻴﺪ ﻟﻴﺲ ﻣﺴﺘﻘﻼ ﻋﻤﱠ ﺎ إذا‬
‫آﺧﺮ‬ ‫ﻣﺜﺎﻻ َ‬
‫ً‬ ‫ﻄﻰ ﺑﺎﻟﺜﻠﻮج أم ﻻ؛ ﻓﻬﺬان اﻟﺤﺪﺛﺎن »ﻏري ﻣﺴﺘﻘﻠني«‪ .‬رأﻳﻨﺎ‬ ‫ﻛﺎن اﻟﺸﺎرع ﻣﻐ ٍّ‬
‫ﻟﻸﺣﺪاث ﻏري املﺴﺘﻘﻠﺔ ﰲ اﻟﻔﺼﻞ اﻷول؛ ﰲ ﺣﺎﻟﺔ ﻟﺴﺎﱄ ﻛﻼرك املﺄﺳﺎوﻳﺔ اﻟﺘﻲ ﺗﻮﰲ ﻓﻴﻬﺎ‬
‫ﻃﻔﻼن ﰲ اﻷﴎة ﻧﻔﺴﻬﺎ‪ .‬ﻋﻨﺪﻣﺎ ﻳﻜﻮن اﻟﺤﺪﺛﺎن ﻏري ﻣﺴﺘﻘﻠني‪ ،‬ﻓﺈﻧﻨﺎ ﻻ ﻧﺴﺘﻄﻴﻊ ﺣﺴﺎب‬
‫اﺣﺘﻤﺎﱄ وﻗﻮﻋﻬﻤﺎ املﻨﻔﺼﻠني ﻣﻌً ﺎ‪ .‬وﰲ‬ ‫َ‬ ‫اﺣﺘﻤﺎل وﻗﻮع ﻛ ﱟﻞ ﻣﻨﻬﻤﺎ ﺑﺒﺴﺎﻃﺔ ﻋﻦ ﻃﺮﻳﻖ ﴐب‬
‫اﻟﻮاﻗﻊ‪ ،‬ﻛﺎن ﻫﺬا ﻫﻮ اﻟﺨﻄﺄ اﻟﺬي ﻛﺎن ﻳﻜﻤﻦ ﰲ ﺟﻮﻫﺮ ﻗﻀﻴﺔ ﺳﺎﱄ ﻛﻼرك‪ .‬ﻹدراك ذﻟﻚ‪،‬‬
‫ﺗﻄﺮﻓﺎ ﻟﺤﺪﺛني ﻏري ﻣﺴﺘﻘﻠني ﺗﻤﺎﻣً ﺎ؛ وﻫﻮ ﻋﻨﺪﻣﺎ »ﺗﺤﺪﱢد« ﻧﺘﺎﺋﺞُ‬ ‫ً‬ ‫دﻋﻨﺎ ﻧﺄﺧﺬ املﻮﻗﻒ اﻷﻛﺜﺮ‬
‫أﺣﺪ اﻟﺤﺪﺛني »ﻋﲆ ﻧﺤﻮ ﺗﺎم« ﻧﺘﺎﺋﺞَ اﻟﺤﺪث اﻵﺧﺮ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﺗﺄﻣﱠ ْﻞ ﻋﻤﻠﻴﺔ ﻗﺬف‬
‫ﻋﻤﻠﺔ واﺣﺪة‪ ،‬واﻟﺤﺪﺛﺎن »وﺟﻪ اﻟﺼﻮرة ﻟﻠﻌﻤﻠﺔ ﻷﻋﲆ« و»وﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻟﻠﻌﻤﻠﺔ ﻷﺳﻔﻞ«‪ .‬ﻛ ﱞﻞ‬
‫ﻣﻦ ﻫﺬﻳﻦ اﻟﺤﺪﺛني ﻟﺪﻳﻪ اﺣﺘﻤﺎل ﻳﺒﻠﻎ اﻟﻨﺼﻒ؛ ﻓﺎﺣﺘﻤﺎل أن اﻟﻌﻤﻠﺔ ﺳﻮف ﺗﺴﺘﻘﺮ ووﺟﻪ‬
‫اﻟﺼﻮرة ﻷﻋﲆ ﻫﻮ ‪ ،٢ / ١‬واﺣﺘﻤﺎل أن اﻟﻌﻤﻠﺔ ﺳﻮف ﺗﺴﺘﻘﺮ ووﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻷﺳﻔﻞ ﻫﻮ‬
‫ﻃﺎ‬ ‫‪ .٢ / ١‬وﻟﻜﻦ ﻣﻦ اﻟﻮاﺿﺢ أﻧﻬﻤﺎ ﻟﻴﺴﺎ ﺣﺪﺛني ﻣﺴﺘﻘﻠني‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻫﻤﺎ ﻣﺮﺗﺒﻄﺎن ارﺗﺒﺎ ً‬
‫ﺗﺎﻣٍّ ﺎ‪ .‬ﻓﻌﲆ أي ﺣﺎل‪ ،‬إذا ﻛﺎن اﻟﺤﺪث اﻷول ﺻﺤﻴﺤً ﺎ )اﻟﺼﻮرة ﻷﻋﲆ( »ﻳﺠﺐ« أن ﻳﻜﻮن‬
‫ﻃﺎ ﺗﺎﻣٍّ ﺎ‪ ،‬ﻓﺈن اﺣﺘﻤﺎل أن ﻳﺤﺪث‬ ‫اﻟﺜﺎﻧﻲ ﺻﺤﻴﺤً ﺎ )اﻟﻜﺘﺎﺑﺔ ﻷﺳﻔﻞ(‪ .‬وﻷﻧﻬﻤﺎ ﻣﺮﺗﺒﻄﺎن ارﺗﺒﺎ ً‬
‫ﻛﻼﻫﻤﺎ ﻳﺴﺎوي ﺑﺒﺴﺎﻃﺔ اﺣﺘﻤﺎل ﺣﺪوث اﻷول؛ وﻫﻮ اﺣﺘﻤﺎل ﻳﺒﻠﻎ اﻟﻨﺼﻒ‪ .‬وﻟﻴﺲ ﻫﺬا ﻣﺎ‬
‫ً‬
‫ﻧﺼﻔﺎ ﻣﻌً ﺎ‪.‬‬ ‫ﻧﺤﺼﻞ ﻋﻠﻴﻪ إذا ﴐﺑﻨﺎ اﻻﺣﺘﻤﺎﻟني املﻨﻔﺼﻠني اﻟﺒﺎﻟﻎ ﻛ ﱞﻞ ﻣﻨﻬﻤﺎ‬
‫ﺑﺼﻔﺔ ﻋﺎﻣﺔ‪ ،‬ﻳﻌﻨﻲ ﻋﺪم اﻻﺳﺘﻘﻼل ﺑني ﺣﺪﺛني أن اﺣﺘﻤﺎل أن أﺣﺪﻫﻤﺎ ﺳﻴﺤﺪث‬
‫ﻳﻌﺘﻤﺪ ﻋﲆ ﻛﻮن اﻵﺧﺮ ﻗﺪ ﺣﺪث أم ﻻ‪.‬‬
‫ﻳﻄﻠﻖ اﻹﺣﺼﺎﺋﻴﻮن ﻋﲆ اﺣﺘﻤﺎل وﻗﻮع ﺣﺪﺛني ﻣﻌً ﺎ اﺳﻢ »اﻻﺣﺘﻤﺎل املﺸﱰك« ﻟﻬﺬﻳﻦ‬
‫اﻟﺤﺪﺛني؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻳﻤﻜﻨﻨﺎ أن ﻧﺘﺤﺪث ﻋﻦ اﻻﺣﺘﻤﺎل املﺸﱰك ﺑﺄﻧﻨﻲ ﺳﻮف أﻧﺰﻟﻖ‬
‫وﺛﻴﻘﺎ ﺑﺎﺣﺘﻤﺎل‬ ‫ﻃﺎ ً‬ ‫ﻄﻰ ﺑﺎﻟﺜﻠﻮج‪ .‬واﻻﺣﺘﻤﺎل املﺸﱰك ﺑني ﺣﺪﺛني ﻳﺮﺗﺒﻂ ارﺗﺒﺎ ً‬ ‫وأن اﻟﻄﺮﻳﻖ ﻣﻐ ٍّ‬

‫‪64‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫ﺣﺪث آﺧﺮ‪ .‬ﻫﺬا ﻳﺴﻤﻰ »اﻻﺣﺘﻤﺎل اﻟﴩﻃﻲ«؛ أي اﺣﺘﻤﺎل‬ ‫ٌ‬ ‫ﺣﺪث ﻣﺎ »إذا« وﻗﻊ‬ ‫ٌ‬ ‫أن ﻳﻘﻊ‬
‫أن ﺣﺪﺛﺎ ﻣﺎ ﺳﻮف ﻳﻘﻊ ﻧﻈ ًﺮا ﻟﻮﻗﻮع ﺣﺪث آﺧﺮ‪ .‬وﻫﻜﺬا ﻳﻤﻜﻨﻨﺎ أن ﻧﺘﺤﺪث ﻋﻦ اﻻﺣﺘﻤﺎل‬ ‫ً‬
‫اﻟﴩﻃﻲ ﺑﺄﻧﻨﻲ ﺳﻮف أﻧﺰﻟﻖ ﻷن اﻟﻄﺮﻳﻖ ﻣﻐ ٍّ‬
‫ﻄﻰ ﺑﺎﻟﺜﻠﻮج‪.‬‬
‫إن اﻻﺣﺘﻤﺎل )املﺸﱰك( ﻟﻮﻗﻮع ﻛﻼ اﻟﺤﺪﺛني »أ« و»ب« ﻫﻮ ﺑﺒﺴﺎﻃﺔ اﺣﺘﻤﺎل وﻗﻮع‬
‫اﻟﺤﺪث »أ« ﻣﴬوﺑًﺎ ﰲ اﺣﺘﻤﺎل وﻗﻮع اﻟﺤﺪث »ب« )املﴩوط( ﻧﻈ ًﺮا ﻟﻮﻗﻮع »أ«؛ ﻓﺎﻻﺣﺘﻤﺎل‬
‫)املﺸﱰك( أن اﻟﺜﻠﻮج ﺗﺘﺴﺎﻗﻂ وأﻧﻨﻲ ﺳﺄﻧﺰﻟﻖ ﻫﻮ اﺣﺘﻤﺎل أن اﻟﺜﻠﻮج ﺗﺘﺴﺎﻗﻂ ﻣﴬوﺑًﺎ ﰲ‬
‫اﻻﺣﺘﻤﺎل )املﴩوط( أﻧﻨﻲ ﺳﺄﻧﺰﻟﻖ إذا ﻛﺎﻧﺖ اﻟﺜﻠﻮج ﻗﺪ ﺗﺴﺎﻗﻄﺖ‪.‬‬
‫وﻟﻠﺘﻮﺿﻴﺢ‪ ،‬ﺗﺄﻣﱠ ْﻞ رﻣﻴﺔ واﺣﺪة ﻟﺤﺠﺮ ﻧﺮد وﺣﺪﺛني‪ .‬اﻟﺤﺪث »أ« ﻫﻮ أن اﻟﺮﻗﻢ اﻟﻈﺎﻫﺮ‬
‫ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ ،٢‬واﻟﺤﺪث »ب« ﻫﻮ أن اﻟﺮﻗﻢ اﻟﻈﺎﻫﺮ ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ .٣‬اﻻﺣﺘﻤﺎل‬
‫املﺸﱰك ﻟﻬﺬﻳﻦ اﻟﺤﺪﺛني »أ« و»ب« ﻫﻮ اﺣﺘﻤﺎل أن ﻧﺤﺼﻞ ﻋﲆ ﻋﺪد ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪٢‬‬
‫و‪ ،٣‬وﻫﺬا اﻻﺣﺘﻤﺎل ﻳﺒﻠﻎ ‪ ٦ / ١‬ﻓﻘﻂ؛ إذ إن واﺣﺪًا ﻓﻘﻂ ﻣﻦ اﻷرﻗﺎم ‪ ٦ ،٥ ،٤ ،٣ ،٢ ،١‬ﻳﻘﺒﻞ‬
‫اﻟﻘﺴﻤﺔ ﻋﲆ ﻛﻞ ﻣﻦ ‪ ٢‬و‪ .٣‬واﻻﺣﺘﻤﺎل املﴩوط ﻟﻠﺤﺪث »ب« ﻧﻈ ًﺮا ﻟﻮﻗﻮع »أ« ﻫﻮ اﺣﺘﻤﺎل‬
‫اﻟﺤﺼﻮل ﻋﲆ رﻗﻢ ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ ٣‬ﻣﻦ ﺑني اﻷرﻗﺎم اﻟﺘﻲ ﺗﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ .٢‬ﺣﺴﻨًﺎ‪،‬‬
‫ﻣﻦ ﺑني ﺟﻤﻴﻊ اﻷرﻗﺎم اﻟﺘﻲ ﺗﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪) ٢‬وﻫﺬا ﻳﻌﻨﻲ‪ ،‬ﻣﻦ ﺑني ‪ (٦ ،٤ ،٢‬رﻗﻢ واﺣﺪ‬
‫ﻓﻘﻂ ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ ،٣‬ﻟﺬﻟﻚ ﻳﺒﻠﻎ ﻫﺬا اﻻﺣﺘﻤﺎل اﻟﴩﻃﻲ ‪ .٣ / ١‬وأﺧريًا‪ ،‬ﻓﺈن اﺣﺘﻤﺎل‬
‫اﻟﺤﺪث »أ« ﻫﻮ ‪) ٢ / ١‬ﻧﺼﻒ اﻷرﻗﺎم ‪ ٦ ،٥ ،٤ ،٣ ،٢ ،١‬ﻳﻘﺒﻞ اﻟﻘﺴﻤﺔ ﻋﲆ ‪ .(٢‬وﻣﻦ ﺛ َ ﱠﻢ‬
‫ﻧﺠﺪ أن اﺣﺘﻤﺎل »أ« )‪ (٢ / ١‬ﻣﴬوﺑًﺎ ﰲ اﻻﺣﺘﻤﺎل )اﻟﴩﻃﻲ( ﻟﻠﺤﺪث »ب« ﻧﻈ ًﺮا ﻟﻮﻗﻮع‬
‫»أ« )‪ (٣ / ١‬ﻫﻮ ‪ .٦ / ١‬وﻫﻮ ﻳﺒﻠﻎ ﻧﻔﺲ ﻗﻴﻤﺔ اﻻﺣﺘﻤﺎل املﺸﱰك ﺑﺎﻟﺤﺼﻮل ﻋﲆ ﻋﺪد ﻳﻘﺒﻞ‬
‫اﻟﻘﺴﻤﺔ ﻋﲆ ﻛﻞ ﻣﻦ ‪ ٢‬و‪٣‬؛ أي اﻻﺣﺘﻤﺎل املﺸﱰك ﻟﻮﻗﻮع اﻟﺤﺪﺛني »أ« و»ب«‪.‬‬
‫ﺳﺎﺑﻘﺎ ﻣﻔﻬﻮم اﻻﺣﺘﻤﺎل اﻟﴩﻃﻲ ﰲ اﻟﻔﺼﻞ اﻷول‪ ،‬ﰲ ﺻﻮرة‬ ‫ً‬ ‫ﰲ اﻟﻮاﻗﻊ‪ ،‬ا ْﻟﺘَ َﻘﻴْﻨﺎ‬
‫ﻣﻐﺎﻟﻄﺔ املﺪﻋﻲ‪ .‬وأﺷﺎر ﻫﺬا إﱃ أن اﺣﺘﻤﺎل وﻗﻮع اﻟﺤﺪث »أ« ﻧﻈ ًﺮا إﱃ ﺣﺪوث »ب« ﻟﻴﺲ‬
‫ﻫﻮ اﻻﺣﺘﻤﺎل ﻧﻔﺴﻪ ﺑﻮﻗﻮع اﻟﺤﺪث »ب« ﻧﻈ ًﺮا ﻟﻮﻗﻮع »أ«؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬اﺣﺘﻤﺎل أن‬
‫ﺷﺨﺼﺎ ﻣﺎ ﻳُﺪِﻳﺮ ﴍﻛﺔ ﻛﱪى ﻳﺴﺘﻄﻴﻊ ﻗﻴﺎدة ﺳﻴﺎرة ﻟﻴﺲ ﻫﻮ اﻻﺣﺘﻤﺎل ﻧﻔﺴﻪ ﺑﺄن اﻟﺸﺨﺺ‬ ‫ً‬
‫َ‬
‫اﻟﺬي ﻳﺴﺘﻄﻴﻊ ﻗﻴﺎدة ﺳﻴﺎرة ﻳﺪﻳﺮ ﴍﻛﺔ ﻛﱪى‪ .‬وﻫﺬا ﻳﻘﻮدﻧﺎ إﱃ ﻗﺎﻧﻮن آﺧﺮ ﻣﻬ ﱟﻢ ﻟﻠﻐﺎﻳﺔ ﻣﻦ‬
‫ﻗﻮاﻧني اﻻﺣﺘﻤﺎﻻت؛ وﻫﻮ »ﻣﱪﻫﻨﺔ ﺑﺎﻳﺰ« )أو »ﻗﺎﻋﺪة ﺑﺎﻳﺰ«(‪ .‬ﺗﺴﺎﻋﺪﻧﺎ ﻣﱪﻫﻨﺔ ﺑﺎﻳﺰ ﰲ رﺑﻂ‬
‫ﻫﺬﻳﻦ اﻻﺣﺘﻤﺎﻟني اﻟﴩﻃﻴني؛ اﻻﺣﺘﻤﺎل اﻟﴩﻃﻲ ﻟﻠﺤﺪث »أ« ﻧﻈ ًﺮا ﻟﻮﻗﻮع »ب«‪ ،‬واﻻﺣﺘﻤﺎل‬
‫اﻟﴩﻃﻲ ﻟﻠﺤﺪث »ب« ﻧﻈ ًﺮا ﻟﻮﻗﻮع »أ«‪.‬‬
‫رأﻳﻨﺎ ﻟﻠﺘ ﱢﻮ أن اﺣﺘﻤﺎل وﻗﻮع ﻛﻼ اﻟﺤﺪﺛني »أ« و»ب« ﻳﺴﺎوي اﺣﺘﻤﺎل أن »أ« ﺳﻴ ََﻘﻊ‬
‫أﻳﻀﺎ‬ ‫ﻣﴬوﺑًﺎ ﰲ اﻻﺣﺘﻤﺎل )املﴩوط( ﺑﺄن »ب« ﺳﻴﻘﻊ ﻧﻈ ًﺮا ﻟﻮﻗﻮع »أ«‪ .‬وﻟﻜﻦ ﻳﻤﻜﻦ ً‬

‫‪65‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻛﺘﺎﺑﺔ ﻫﺬا ﻋﲆ ﻧﺤﻮ ﻣﻌﻜﻮس؛ اﺣﺘﻤﺎل أن ﻛﻼ اﻟﺤﺪﺛني »أ« و»ب« ﺳﻮف ﻳﻘﻌﺎن ﻳﺴﺎوي‬
‫أﻳﻀﺎ اﺣﺘﻤﺎل أن »ب« ﺳﻴﻘﻊ ﻣﴬوﺑًﺎ ﰲ اﺣﺘﻤﺎل أن »أ« ﺳﻴﻘﻊ ﻧﻈ ًﺮا ﻟﻮﻗﻮع »ب«‪ .‬وﺗﻨﺺ‬ ‫ً‬
‫ﻧﻈﺮﻳﺔ ﺑﺎﻳﺰ )ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻪ ﻋﺎدة ﻣﺎ ﻳُﻌﱪ ﻋﻦ ذﻟﻚ ﻋﲆ ﻧﺤﻮ ﻣﺨﺘﻠﻒ( ﻋﲆ أن ﻫﺎﺗني‬
‫اﻟﻄﺮﻳﻘﺘني ﺑﺒﺴﺎﻃﺔ ﻃﺮﻳﻘﺘﺎن ﺑﺪﻳﻠﺘﺎن ﻟﻜﺘﺎﺑﺔ اﻻﺣﺘﻤﺎل املﺸﱰك ﻟﻠﺤﺪﺛني »أ« و»ب«؛ أي‬
‫إن اﺣﺘﻤﺎل »أ« ﻣﴬوﺑًﺎ ﰲ اﺣﺘﻤﺎل »ب« ﻧﻈ ًﺮا ﻟﻮﻗﻮع اﻟﺤﺪث »أ« ﻳﺴﺎوي اﺣﺘﻤﺎل »ب«‬
‫ﻣﴬوﺑًﺎ ﰲ اﺣﺘﻤﺎل »أ« ﻧﻈ ًﺮا ﻟﻮﻗﻮع اﻟﺤﺪث »ب«‪ .‬وﻛﻼﻫﻤﺎ ﻳﺴﺎوي اﻻﺣﺘﻤﺎل املﺸﱰك‬
‫ﺑني »أ« و»ب«‪ .‬ﰲ ﻣﺜﺎل »رﺋﻴﺲ اﻟﴩﻛﺔ اﻟﺬي ﻳﻘﻮد ﺳﻴﺎرة«‪ ،‬ﺗﻜﺎﻓﺊ ﻧﻈﺮﻳﺔ ﺑﺎﻳﺰ ﻗﻮل إن‬
‫اﺣﺘﻤﺎل إدارﺗﻚ ﻟﴩﻛﺔ ﻛﱪى ﻧﻈ ًﺮا إﱃ أﻧﻚ ﺗﺴﺘﻄﻴﻊ ﻗﻴﺎدة ﺳﻴﺎرة‪ ،‬ﻣﴬوﺑًﺎ ﰲ اﺣﺘﻤﺎل أن‬
‫ﺗﺘﻤﻜﻦ ﻣﻦ ﻗﻴﺎدة ﺳﻴﺎرة‪ ،‬ﻳﺴﺎوي اﺣﺘﻤﺎل أﻧﻚ ﺗﺴﺘﻄﻴﻊ ﻗﻴﺎدة ﺳﻴﺎرة ﻧﻈ ًﺮا إﱃ أﻧﻚ رﺋﻴﺲ‬
‫ﴍﻛﺔ‪ ،‬ﻣﴬوﺑًﺎ ﰲ اﺣﺘﻤﺎل ﻛﻮﻧﻚ رﺋﻴﺲ ﴍﻛﺔ‪ .‬وﻛﻼﻫﻤﺎ ﻳﺴﺎوي اﻻﺣﺘﻤﺎل املﺸﱰك ﻟﻜﻮﻧﻚ‬
‫رﺋﻴﺲ ﴍﻛﺔ وﻗﺎد ًرا ﻋﲆ ﻗﻴﺎدة ﺳﻴﺎرة‪.‬‬
‫ﻳﻨﺺ ﻗﺎﻧﻮن آﺧﺮ ﻟﻼﺣﺘﻤﺎﻻت ﻋﲆ أﻧﻪ إذا ﻛﺎن ﻳﻤﻜﻦ وﻗﻮع أﺣﺪ اﻟﺤﺪﺛني‪ ،‬وﻟﻜﻦ‬
‫ﻻ ﻳﻤﻜﻦ أن ﻳﻘﻊ ﻛﻼﻫﻤﺎ ﻣﻌً ﺎ‪ ،‬ﻓﺈن اﺣﺘﻤﺎل أن أﺣﺪﻫﻤﺎ ﺳﻴﻘﻊ ﻫﻮ ﻣﺠﻤﻮع اﻻﺣﺘﻤﺎﻟني‬
‫ﻗﺬﻓﺖ ﻋﻤﻠﺔ — وﻣﻦ املﺆﻛﺪ أﻧﻬﺎ ﻻ ﻳﻤﻜﻦ أن ﺗﻈﻬﺮ وﺟﻪ‬‫َ‬ ‫املﻨﻔﺼﻠني ﻟﻮﻗﻮع ﻛ ﱟﻞ ﻣﻨﻬﻤﺎ‪ .‬إذا‬
‫اﻟﻜﺘﺎﺑﺔ واﻟﺼﻮرة ﰲ اﻟﻮﻗﺖ ذاﺗﻪ — ﻓﺈن اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة »أو« وﺟﻪ اﻟﻜﺘﺎﺑﺔ‬
‫ﻫﻮ ﻣﺠﻤﻮع اﺣﺘﻤﺎل أن وﺟﻪ اﻟﺼﻮرة ﺳﻮف ﻳﻈﻬﺮ واﺣﺘﻤﺎل أن وﺟﻪ اﻟﻜﺘﺎﺑﺔ ﺳﻮف ﻳﻈﻬﺮ‪.‬‬
‫إذا ﻛﺎﻧﺖ اﻟﻌﻤﻠﺔ ﻣﺘﺰﻧﺔ‪ ،‬ﻓﺈن ﻛﻼ ﻫﺬﻳﻦ اﻻﺣﺘﻤﺎﻟني املﻨﻔﺼﻠني ﻫﻮ اﻟﻨﺼﻒ‪ ،‬وﻫﻜﺬا ﻓﺈن‬
‫ً‬
‫ﻣﻌﻘﻮﻻ ﺗﻤﺎﻣً ﺎ؛‬ ‫اﻻﺣﺘﻤﺎل اﻟﻜﲇ ﻟﻈﻬﻮر وﺟﻪ اﻟﺼﻮرة ووﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻫﻮ ‪ .١‬ﻫﺬا اﻷﻣﺮ ﻳﺒﺪو‬
‫إذ ﻳﺘﻮاﻓﻖ اﻟﺮﻗﻢ ‪ ١‬ﻣﻊ اﻟﻴﻘني‪ ،‬وﻣﻦ املﺆﻛﺪ أﻧﻪ ﻳﺠﺐ أن ﻳَﻈﻬَ ﺮ وﺟﻪ اﻟﺼﻮرة أو وﺟﻪ‬
‫اﻟﻜﺘﺎﺑﺔ )أﻓﱰض أﻧﻪ ﻻ ﻳﻤﻜﻦ أن ﻳﻨﺘﻬﻲ اﻷﻣﺮ ﺑﻮﻗﻮف اﻟﻌﻤﻠﺔ ﻋﲆ ﺣﺎﻓﺘﻬﺎ!( وﺑﺎﻟﻌﻮدة إﱃ‬
‫ﻣﺜﺎل رﻣﻲ اﻟﻨﺮد‪ :‬ﻛﺎن اﺣﺘﻤﺎل اﻟﺤﺼﻮل ﻋﲆ ﻋﺪد زوﺟﻲ ﻫﻮ ﻣﺠﻤﻮع اﺣﺘﻤﺎﻻت اﻟﺤﺼﻮل‬
‫ﻋﲆ أيﱟ ﻣﻦ اﻷرﻗﺎم ‪ ٢‬أو ‪ ٤‬أو ‪٦‬؛ ﻷﻧﻪ ﻻ ﻳﻤﻜﻦ أن ﻳﻘﻊ أي ﻣﻦ ﻫﺬه اﻷﺣﺪاث ﻣﻌً ﺎ )وﻻ‬
‫ﺗﻮﺟﺪ أي ﻃﺮق أﺧﺮى ﻟﻠﺤﺼﻮل ﻋﲆ ﻋﺪد زوﺟﻲ ﺑﺮﻣﻴﺔ واﺣﺪة ﻟﻠﻨﺮد(‪.‬‬

‫)‪ (4‬املﺘﻐريات اﻟﻌﺸﻮاﺋﻴﺔ وﺗﻮزﻳﻌﺎﺗﻬﺎ‬

‫رأﻳﻨﺎ ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ ﻛﻴﻒ ﻳﻤﻜﻦ اﺳﺘﺨﺪام املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ اﻟﺒﺴﻴﻄﺔ ﻻﺳﺘﺨﺮاج‬
‫ﱢٍ‬
‫ﻣﺘﻐري ﻣﺎ‪ ،‬ﺑﺤﻴﺚ ﺗﻜﺜﻒ املﺠﻤﻮﻋﺔ ﻟﻴﻜﻮن ﺗﻮزﻳﻊ‬ ‫املﻌﻠﻮﻣﺎت ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﻛﺒرية ﻣﻦ ﻗِ ﻴَﻢ‬
‫اﻟﻘِ ﻴَﻢ ﺳﻬ َﻞ اﻟﻔﻬﻢ‪ .‬إن أي ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎت ﺣﻘﻴﻘﻴﺔ ﺗﻜﻮن ﻣﺤﺪودة ﰲ اﻟﺤﺠﻢ؛ ﻓﻼ ﻳﻤﻜﻦ‬

‫‪66‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫أن ﺗﺤﺘﻮي إﻻ ﻋﲆ ﻋﺪد ﻣﺤﺪود ﻣﻦ اﻟﻘِ ﻴَﻢ‪ .‬ﻫﺬه املﺠﻤﻮﻋﺔ املﺤﺪودة ﻗﺪ ﺗﻤﺜﻞ ﻗﻴﻢ ﻛﺎﻓﺔ‬
‫اﻷﺷﻴﺎء ﻣﻦ اﻟﻨﻮع اﻟﺬي ﻧُﺨﻀﻌﻪ ﻟﻠﺪراﺳﺔ )ﻣﺜﻞ درﺟﺎت ﺟﻤﻴﻊ ﻻﻋﺒﻲ دوري ﻛﺮة اﻟﻘﺪم ﰲ‬
‫ﺳﻨﺔ ﻣﻌﻴﻨﺔ( أو ﻗﺪ ﺗﻤﺜﻞ ﻗﻴﻢ ﺑﻌﺾ اﻷﺷﻴﺎء ﻓﺤﺴﺐ؛ أيْ إﻧﻬﺎ »ﻋﻴﻨﺔ«‪ .‬ورأﻳﻨﺎ أﻣﺜﻠﺔ ﻋﲆ‬
‫ﻫﺬا ﻋﻨﺪﻣﺎ ﺗﻨﺎوﻟﻨﺎ ﻣﺴﺢ اﻟﻌﻴﻨﺎت‪.‬‬
‫اﻟﻌﻴﻨﺔ ﻫﻲ ﻣﺠﻤﻮﻋﺔ ﻓﺮﻋﻴﺔ ﻣﻦ »ﻣﺠﻤﻮﻋﺔ اﻟﻘﻴﻢ« اﻟﻜﺎﻣﻠﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ .‬ﰲ‬
‫ﺑﻌﺾ اﻟﺤﺎﻻت‪ ،‬ﺗﻜﻮن املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻏريَ واﺿﺤﺔ اﻟﺘﻌﺮﻳﻒ‪ ،‬ورﺑﻤﺎ ﺗﻜﻮن ﺿﺨﻤﺔ أو‬
‫ﺣﺘﻰ ﻻ ﻧﻬﺎﺋﻴﺔ؛ ﻟﺬﻟﻚ ﻻ ﻳﻜﻮن ﻟﺪﻳﻨﺎ ﺧﻴﺎر اﻟﻠﺠﻮء إﱃ ﻋﻴﻨﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﰲ ﺗﺠﺎرب‬
‫ﻗﻴﺎس ﴎﻋﺔ اﻟﻀﻮء‪ ،‬ﰲ ﻛﻞ ﻣﺮة آﺧﺬ ﻓﻴﻬﺎ اﻟﻘﻴﺎس أﺗﻮﻗﻊ اﻟﺤﺼﻮل ﻋﲆ ﻗﻴﻤﺔ ﻣﺨﺘﻠﻔﺔ‬
‫ﻗﻠﻴﻼ؛ وذﻟﻚ ﺑﺒﺴﺎﻃﺔ ﺑﺴﺒﺐ ﻋﺪم اﻟﺪﻗﺔ ﰲ ﻋﻤﻠﻴﺔ اﻟﻘﻴﺎس‪ .‬وﻳﻤﻜﻨﻨﻲ — ﻋﲆ اﻷﻗﻞ ﻣﻦ‬ ‫ً‬
‫ﺣﻴﺚ املﺒﺪأ — املﴤ ﻗﺪﻣً ﺎ ﰲ أﺧﺬ اﻟﻘﻴﺎﺳﺎت إﱃ اﻷﺑﺪ؛ وﻫﺬا ﻳﻌﻨﻲ أن ﻣﺠﻤﻮﻋﺔ اﻟﻘﻴﺎﺳﺎت‬
‫املﺤﺘﻤﻠﺔ اﻟﻜﺎﻣﻠﺔ ﻻ ﻧﻬﺎﺋﻴﺔ‪ .‬وﺑﻤﺎ أن ﻫﺬا أﻣﺮ ﻣﺴﺘﺤﻴﻞ‪ ،‬ﻳﺠﺐ أن أرﴇ ﺑﻌﻴﻨﺔ ﻣﺤﺪودة ﻣﻦ‬
‫اﻟﻘﻴﺎﺳﺎت‪ .‬وﺳﻮف ﺗُﺴﺘﺨ َﺮج ﻫﺬه اﻟﻘﻴﺎﺳﺎت ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻟﻠﻘﻴﻢ اﻟﺘﻲ ﻳﺤﺘﻤﻞ أن‬
‫أﺣﺼﻞ ﻋﻠﻴﻬﺎ‪ .‬وﰲ ﺣﺎﻻت أﺧﺮى‪ ،‬ﺗﻜﻮن املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻣﺤﺪودة؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﰲ‬
‫ﻟﻠﺴﻤْ ﻨﺔ ﺑني اﻟﺬﻛﻮر ﰲ ﺑﻠﺪة ﻣﻌﻴﻨﺔ‪ ،‬ﺗﻜﻮن ﻣﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌني ﻟﻠﺪراﺳﺔ ﻣﺤﺪودة‪،‬‬ ‫دراﺳﺔ ﱢ‬
‫ورﻏﻢ أﻧﻨﻲ ﻣﻦ ﺣﻴﺚ املﺒﺪأ أﺳﺘﻄﻴﻊ وزن ﻛﻞ واﺣﺪ ﻣﻨﻬﻢ ﰲ املﺪﻳﻨﺔ‪ ،‬ﻓﻔﻲ املﻤﺎرﺳﺔ اﻟﻌﻤﻠﻴﺔ‬
‫رﺑﻤﺎ ﻟﻦ أرﻳﺪ ذﻟﻚ‪ ،‬وﺳﻮف أﺳﺘﺨﺪم ﻋﻴﻨﺔ‪ .‬وﻣﺮة أﺧﺮى‪ ،‬ﻛﻞ ﻗﻴﻤﺔ ﰲ ﻋﻴﻨﺘﻲ ﻣﺄﺧﻮذة ﻣﻦ‬
‫املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻟﻠﻘﻴﻢ املﻤﻜﻨﺔ‪.‬‬
‫ﰲ ﻛ ﱟﻞ ﻣﻦ ﻫﺬه اﻷﻣﺜﻠﺔ‪ ،‬ﻛﻞ ﻣﺎ أﻋﺮﻓﻪ ﻗﺒﻞ أن آﺧﺬ ﻛﻞ ﻗﻴﺎس ﻫﻮ أﻧﻪ ﺳﻴﻜﻮن ﻟﻪ‬
‫ﻗﻴﻤﺔ ﻣﺎ ﻣﻦ ﻣﺠﻤﻮﻋﺔ اﻟﻘﻴﻢ اﻟﻜﺎﻣﻠﺔ املﻤﻜﻨﺔ‪ .‬ﺳﺘﺤﺪث ﻛﻞ ﻗﻴﻤﺔ ﺑﺎﺣﺘﻤﺎل ﻣﻌني‪ ،‬وﻟﻜﻨﻲ‬ ‫ٌ‬
‫ﻻ أﺳﺘﻄﻴﻊ أن أﺣﺪده أﻛﺜﺮ ﻣﻦ ذﻟﻚ‪ ،‬ورﺑﻤﺎ ﻻ أﻋﺮف ﻣﺎ ﻫﻮ ﻫﺬا اﻻﺣﺘﻤﺎل‪ .‬وﺑﺎﻟﺘﺄﻛﻴﺪ‬
‫ﻻ أﺳﺘﻄﻴﻊ أن أﺣﺪد ﺑﺎﻟﻀﺒﻂ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﺳﻮف أﺣﺼﻞ ﻋﻠﻴﻬﺎ ﰲ اﻟﻘﻴﺎس اﻟﺘﺎﱄ ﻟﴪﻋﺔ‬
‫اﻟﻀﻮء أو ﻣﺎذا ﺳﻴﻜﻮن وزن اﻟﺮﺟﻞ اﻟﺘﺎﱄ اﻟﺬي ﺳﺄﻗﻴﺴﻪ‪ .‬وﺑﺎملﺜﻞ‪ ،‬ﰲ رﻣﻲ اﻟﻨﺮد‪ ،‬أﻋﻠﻢ أن‬
‫اﻟﻨﺘﻴﺠﺔ ﻳﻤﻜﻦ أن ﺗﻜﻮن ‪ ١‬أو ‪ ٢‬أو ‪ ٣‬أو ‪ ٤‬أو ‪ ٥‬أو ‪ ،٦‬وﻫﻨﺎ أﻋﺮف أن ﻫﺬه اﻻﺣﺘﻤﺎﻻت‬
‫ﻣﺘﺴﺎوﻳﺔ )ﻓﻨﺮدي ﻣﻜﻌﺐ ﻣﺜﺎﱄ(‪ ،‬وﻟﻜﻦ ﺑﺨﻼف ذﻟﻚ ﻻ أﺳﺘﻄﻴﻊ أن أﺣﺪد اﻟﻌﺪد اﻟﺬي‬
‫ﺳﻴَﻈﻬَ ﺮ‪ .‬وﻋﲆ ﻏﺮار ﻗﻴﺎﺳﺎت اﻟﴪﻋﺔ واﻟﻮزن‪ ،‬ﻓﺈن اﻟﻨﺘﻴﺠﺔ ﻋﺸﻮاﺋﻴﺔ؛ وﻟﻬﺬا اﻟﺴﺒﺐ ﺗُﺴﻤﱠ ﻰ‬
‫ﻫﺬه املﺘﻐريات »ﻣﺘﻐريات ﻋﺸﻮاﺋﻴﺔ«‪.‬‬
‫ا ْﻟﺘَ َﻘﻴْﻨﺎ ﻣﻦ ﻗﺒ ُﻞ ﺑﺎﻟﻔﻌﻞ ﻣﻔﻬﻮ َم املﻘﺎﻳﻴﺲ اﻟﺘﺠﺰﻳﺌﻴﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﰲ ﺣﺎﻟﺔ‬
‫ا ُمل َﺆﻳﱠﺎت‪ ،‬ا ُمل َﺆيﱡ ‪ ٢٠‬ﻣﻦ اﻟﺘﻮزﻳﻊ ﻫﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﻜﻮن ‪ ٪٢٠‬ﻣﻦ ﻗﻴﻢ اﻟﺒﻴﺎﻧﺎت أﺻﻐﺮ‬

‫‪67‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻣﻨﻬﺎ‪ ،‬وا ُمل َﺆي ‪ ٨‬ﻫﻮ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﻜﻮن ‪ ٪٨‬ﻣﻦ ﻗﻴﻢ اﻟﺒﻴﺎﻧﺎت أﺻﻐﺮ ﻣﻨﻬﺎ‪ ،‬وﻫﻜﺬا‪ .‬وﻋﻤﻮﻣً ﺎ‪،‬‬
‫ا ُمل َﺆيﱡ ‪ K‬ﻳﻜﻮن ‪ k%‬ﻣﻦ اﻟﻌﻴﻨﺔ أﺻﻐﺮ ﻣﻨﻪ‪ .‬وﻳﻤﻜﻨﻨﺎ ﺗﺼﻮر ﺗﺤﺪﻳﺪ ُﻣ َﺆﻳﱠﺎت ﻣﻤﺎﺛﻠﺔ‪ ،‬ﻟﻴﺲ‬
‫ﻟﻠﻌﻴﻨﺔ اﻟﺘﻲ ﻧﺮﺻﺪﻫﺎ ﻓﺤﺴﺐ‪ ،‬وﻟﻜﻦ ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻣﻦ اﻟﻘﻴﻢ اﻟﺘﻲ ﻳﻤﻜﻨﻨﺎ‬
‫رﺻﺪﻫﺎ‪ .‬إذا ﻋﺮﻓﻨﺎ ا ُمل َﺆيﱠ ‪ ٢٠‬ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻣﻦ اﻟﻘﻴﻢ‪ ،‬ﺣﻴﻨﻬﺎ ﻓﺴﻨﻌﺮف أن اﻟﻘﻴﻤﺔ‬
‫املﺄﺧﻮذة ﻋﺸﻮاﺋﻴٍّﺎ ﻣﻦ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻟﺪﻳﻬﺎ اﺣﺘﻤﺎل ‪ ٠٫٢٠‬أن ﺗﻜﻮن أﺻﻐﺮ ﻣﻦ ﻫﺬا‬
‫ا ُمل َﺆيﱢ ‪ .‬وﻋﻤﻮﻣً ﺎ‪ ،‬إذا ﻋﺮﻓﻨﺎ ﻛﻞ ُﻣ َﺆﻳﱠﺎت املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ‪ ،‬ﻓﺴﻨﻌﺮف اﺣﺘﻤﺎل اﺳﺘﺨﺮاج ﻗﻴﻤﺔ‬
‫آﺧﺮ ‪ ٪١٠‬أو ‪ ٪٢٥‬أو ‪ ٪١٦‬أو ‪ ٪٩٨‬أو أي ﻧﺴﺒﺔ ﻣﺌﻮﻳﺔ أﺧﺮى ﻧﻬﺘ ﱡﻢ ﺑﺎﺧﺘﻴﺎرﻫﺎ؛ وﻫﺬا‬ ‫ﰲ َ‬
‫ﻳﻌﻨﻲ أﻧﻨﺎ ﺣﻴﻨﻬﺎ ﻧﻌﺮف ﻛﻞ ﳾء ﻋﻦ ﺗﻮزﻳﻊ اﻟﻘﻴﻢ املﻤﻜﻨﺔ اﻟﺘﻲ ﻧﺴﺘﻄﻴﻊ اﻟﺤﺼﻮل ﻋﻠﻴﻬﺎ‪.‬‬
‫ﻟﻦ ﻧﻌﺮف ﻣﺎ اﻟﻘﻴﻤﺔ اﻟﺘﺎﻟﻴﺔ اﻟﺘﻲ ﺳﻨﺤﺼﻞ ﻋﻠﻴﻬﺎ‪ ،‬وﻟﻜﻦ ﺳﻨﻌﺮف اﺣﺘﻤﺎل أﻧﻬﺎ ﺳﺘﻜﻮن ﰲ‬
‫أﺻﻐﺮ ‪ ٪١‬ﻣﻦ اﻟﻘﻴﻢ ﰲ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ‪ ،‬أو ﰲ أﺻﻐﺮ ‪ ،٪٢‬وﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪.‬‬
‫ﻳﻮﺟﺪ اﺳﻢ ملﺠﻤﻮﻋﺔ ُﻣ َﺆﻳﱠﺎت اﻟﺘﻮزﻳﻊ اﻟﻜﺎﻣﻠﺔ؛ إذ ﻳﻄﻠﻖ ﻋﻠﻴﻬﺎ اﺳﻢ »ﺗﻮزﻳﻊ اﻻﺣﺘﻤﺎل‬
‫اﻟﱰاﻛﻤﻲ«‪ ،‬وﻫﻮ »ﺗﻮزﻳﻊ اﺣﺘﻤﺎل« ﻷﻧﻪ ﻳﺨﱪﻧﺎ »ﺑﺎﺣﺘﻤﺎل« اﻟﺤﺼﻮل ﻋﲆ ﻗﻴﻤﺔ أﻗﻞ ﻣﻦ أي‬
‫ﻗﻴﻤﺔ ﻧﺨﺘﺎرﻫﺎ‪ ،‬وﻫﻮ »ﺗﺮاﻛﻤﻲ« ﻷﻧﻪ ﻣﻦ اﻟﻮاﺿﺢ أن اﺣﺘﻤﺎل اﻟﺤﺼﻮل ﻋﲆ ﻗﻴﻤﺔ أﻗﻞ ﻣﻦ‬
‫ﻛﻨﺖ أﻋﺮف أن اﺣﺘﻤﺎل‬ ‫اﻟﻘﻴﻤﺔ »س« ﻳﺰداد ﻛﻠﻤﺎ زادت »س«‪ .‬ﰲ ﻣﺜﺎل أوزان اﻟﺬﻛﻮر‪ ،‬ﻟﻮ ُ‬
‫اﺧﺘﻴﺎر رﺟﻞ وزﻧﻪ أﻗﻞ ﻣﻦ ‪ ٧٠‬ﻛﻴﻠﻮﺟﺮاﻣً ﺎ ﻫﻮ ‪ ،٢ / ١‬ﻓﺈﻧﻨﻲ ﺣﻴﻨﻬﺎ ﺳﺄﻋﻠﻢ أن اﺣﺘﻤﺎل‬
‫اﺧﺘﻴﺎر رﺟﻞ وزﻧﻪ أﻗﻞ ﻣﻦ ‪ ٨٠‬ﻛﻴﻠﻮﺟﺮاﻣً ﺎ ﻫﻮ أﻛﺜﺮ ﻣﻦ ‪ ٢ / ١‬ﻷﻧﻪ ﻳﻤﻜﻨﻨﻲ أن أﺧﺘﺎر ﻣﻦ‬
‫ﺑني ﻛﻞ أوﻟﺌﻚ اﻟﺬﻳﻦ ﻳﻘ ﱡﻞ وزﻧﻬﻢ ﻋﻦ ‪ ٧٠‬ﻛﻴﻠﻮﺟﺮاﻣً ﺎ‪ ،‬وﻛﺬﻟﻚ أوﻟﺌﻚ اﻟﺬﻳﻦ ﻳﻜﻮن وزﻧﻬﻢ‬
‫ﺑني ‪ ٧٠‬ﻛﻴﻠﻮﺟﺮاﻣً ﺎ و‪ ٨٠‬ﻛﻴﻠﻮﺟﺮاﻣً ﺎ‪ .‬وﻋﻨﺪ اﻟﺤﺪ اﻷﻗﴡ‪ ،‬ﻓﺈن اﺣﺘﻤﺎل اﻟﺤﺼﻮل ﻋﲆ ﻗﻴﻤﺔ‬
‫أﻗﻞ ﻣﻦ أو ﺗﺴﺎوي أﻛﱪ ﻗﻴﻤﺔ ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﻘﻴﻢ اﻟﻜﺎﻣﻠﺔ ﻫﻮ ‪١‬؛ أي إﻧﻪ ﺣﺪث ﻣﺆﻛﺪ‪.‬‬
‫ﺗﺘﻀﺢ ﻫﺬه اﻟﻔﻜﺮة ﰲ اﻟﺸﻜﻞ ‪1-4‬؛ ﻓﻔﻲ ﻫﺬا اﻟﺸﻜﻞ‪ ،‬ﺗُﻤﺜﱠﻞ ﻗﻴﻢ املﺘﻐري اﻟﻌﺸﻮاﺋﻲ‬
‫)ﻓﻜﺮ ﰲ اﻟﻮزن( ﻋﲆ املﺤﻮر اﻷﻓﻘﻲ‪ ،‬وﻳُﻤﺜﱠﻞ اﺣﺘﻤﺎل اﻟﻘﻴﻢ اﻷﺻﻐﺮ ﻋﲆ املﺤﻮر اﻟﺮأﳼ‪.‬‬
‫وﻳﺒني املﻨﺤﻨﻰ اﺣﺘﻤﺎل أن ﺗﻜﻮن اﻟﻘﻴﻤﺔ املﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ — ﺑﺎﻟﻨﺴﺒﺔ ﻷي ﻗﻴﻤﺔ ﻣﻌﻴﻨﺔ‬
‫ﻟﻠﻤﺘﻐري اﻟﻌﺸﻮاﺋﻲ — أﺻﻐﺮ ﻣﻦ ﻫﺬه اﻟﻘﻴﻤﺔ املﻌﻴﻨﺔ‪.‬‬
‫ﻳﺨﱪﻧﺎ ﺗﻮزﻳﻊ اﻻﺣﺘﻤﺎل اﻟﱰاﻛﻤﻲ ملﺘﻐري ﻋﺸﻮاﺋﻲ ﺑﺎﺣﺘﻤﺎل أن ﺗﻜﻮن ﻗﻴﻤﺔ ﻣﺨﺘﺎرة‬
‫ﻋﺸﻮاﺋﻴٍّﺎ »أﻗﻞ« ﻣﻦ أي ﻗﻴﻤﺔ أﺧﺮى‪ .‬واﻟﻄﺮﻳﻘﺔ اﻟﺒﺪﻳﻠﺔ ﻟﻠﻨﻈﺮ إﱃ اﻷﻣﻮر ﻫﻲ أن ﻧﻨﻈﺮ إﱃ‬
‫»ﺑني« أي ﻗﻴﻤﺘني ﻣﻌﻴﻨﺘني‪ .‬وﺗﺘﻤﺜﻞ ﻫﺬه‬ ‫اﺣﺘﻤﺎل أن ﻗﻴﻤﺔ ﻣﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ ﺳﻮف ﺗَ َﻘﻊ ْ َ‬
‫اﻻﺣﺘﻤﺎﻻت ﻋﲆ ﻧﺤﻮ ﻣﻼﺋﻢ ﰲ ﺳﻴﺎق اﻟﻨﻄﺎق اﻟﻮاﻗﻊ ﺑني ﻗﻴﻤﺘني ﺗﺤﺖ ﻣﻨﺤﻨﻰ »اﻟﻜﺜﺎﻓﺔ«‬
‫ً‬
‫ﻣﻨﻄﻘﺔ‬ ‫اﻻﺣﺘﻤﺎﻟﻴﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻳﺒني ﺷﻜﻞ ‪ 2-4‬ﻣﻨﺤﻨﻰ »اﻟﻜﺜﺎﻓﺔ اﻻﺣﺘﻤﺎﻟﻴﺔ«‪ ،‬وﻳﺒني‬

‫‪68‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫س‬
‫اﻻﺣﺘﻤﺎل‬

‫ص‬
‫ﻗﻴﻤﺔ املﺘﻐري اﻟﻌﺸﻮاﺋﻲ‬

‫ﺷﻜﻞ ‪ :1-4‬ﺗﻮزﻳﻊ اﻻﺣﺘﻤﺎل اﻟﱰاﻛﻤﻲ‪.‬‬

‫)ﻣﻈﻠﻠﺔ( ﺗﺤﺖ املﻨﺤﻨﻰ ﺑني ﻧﻘﻄﺘﻲ »أ« و»ب« ﻣﻤﺜﻠﺔ اﺣﺘﻤﺎل أن ﻗﻴﻤﺔ ﻣﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ‬
‫ﺳﻮف ﺗﻘﻊ ﺑني »أ« و»ب«؛ وﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻋﻨﺪ اﺳﺘﺨﺪام ﻣﺜﻞ ﻫﺬا املﻨﺤﻨﻰ ﻟﺘﻮزﻳﻊ‬
‫أوزان اﻟﺮﺟﺎل ﰲ ﺑﻠﺪﺗﻨﺎ‪ ،‬ﻳﻤﻜﻦ أن ﻧﺠﺪ اﺣﺘﻤﺎل أن ﻳﻘﻊ رﺟﻞ ﻣﺨﺘﺎر ﻋﺸﻮاﺋﻴٍّﺎ ﺑني‬
‫‪ ٧٠‬ﻛﻴﻠﻮﺟﺮاﻣً ﺎ و‪ ٨٠‬ﻛﻴﻠﻮﺟﺮاﻣً ﺎ‪ ،‬أو أي زوج آﺧﺮ ﻣﻦ اﻟﻘﻴﻢ‪ ،‬أو ﻓﻮق أي ﻗﻴﻤﺔ ﻧﺮﻳﺪﻫﺎ‬
‫أو ﺗﺤﺘﻬﺎ‪ .‬وﻋﲆ ﻧﺤﻮ ﻋﺎم‪ ،‬ﻣﻦ املﺮﺟﺢ أن ﺗﺤﺪث اﻟﻘﻴﻢ املﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ ﰲ املﻨﺎﻃﻖ‬
‫اﻟﺘﻲ ﺗﻜﻮن ﻓﻴﻬﺎ اﻻﺣﺘﻤﺎﻟﻴﺔ أﻛﺜﺮ ﻛﺜﺎﻓﺔ؛ أي ﺣﻴﺚ ﻳﻜﻮن ﻣﻨﺤﻨﻰ اﻟﻜﺜﺎﻓﺔ اﻻﺣﺘﻤﺎﻟﻴﺔ ﰲ‬
‫أﻋﻼه‪.‬‬
‫ﻻﺣﻆ أن املﺴﺎﺣﺔ اﻟﻜﻠﻴﺔ ﺗﺤﺖ املﻨﺤﻨﻰ ﰲ ﺷﻜﻞ ‪ 2-4‬ﻳﺠﺐ أن ﺗﻜﻮن ‪ — ١‬املﺘﻮاﻓﻖ‬
‫ﻣﻊ اﻟﻴﻘني — وﻳﺠﺐ أن ﺗﻜﻮن ﻟﻠﻘﻴﻤﺔ املﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ ﻗﻴﻤﺔ »ﺟﺰﺋﻴﺔ« ﻣﻨﻬﺎ‪.‬‬
‫ً‬
‫أﺷﻜﺎﻻ ﻣﺨﺘﻠﻔﺔ؛ ﻓﺎﺣﺘﻤﺎل أن اﻣﺮأة‬ ‫ﺗﻤﺘﻠﻚ ﻣﻨﺤﻨﻴﺎت اﻟﺘﻮزﻳﻊ ﻟﻠﻤﺘﻐريات اﻟﻌﺸﻮاﺋﻴﺔ‬
‫ﻣﺨﺘﺎرة ﻋﺸﻮاﺋﻴٍّﺎ ﺳﻮف ﻳﻜﻮن وزﻧﻬﺎ ﺑني ‪ ٧٠‬ﻛﻴﻠﻮﺟﺮاﻣً ﺎ و‪ ٨٠‬ﻛﻴﻠﻮﺟﺮاﻣً ﺎ ﻋﺎدة ﻻ ﻳﻜﻮن‬
‫رﺟﻼ ﻣﺨﺘﺎ ًرا ﻋﺸﻮاﺋﻴٍّﺎ ﺳﻴﻜﻮن وزﻧﻪ ﺑني ﻫﺎﺗني اﻟﻘﻴﻤﺘني‪ .‬ورﺑﻤﺎ‬ ‫ً‬ ‫ﻫﻮ ﻧﻔﺴﻪ اﺣﺘﻤﺎل أن‬
‫ﻧﺘﻮﻗﻊ أن ﻣﻨﺤﻨﻰ ﺗﻮزﻳﻊ أوزان اﻟﻨﺴﺎء ﺳﻴﺄﺧﺬ ﻗِ ﻴَﻤً ﺎ ﻛﺒرية ﰲ اﻷوزان اﻷﺻﻐﺮ ﻣﻤﺎ ﻫﻲ‬ ‫ﱠ‬
‫اﻟﺤﺎل ﺑﺎﻟﻨﺴﺒﺔ ملﻨﺤﻨﻰ اﻟﺮﺟﺎل‪.‬‬

‫‪69‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻛﺜﺎﻓﺔ اﻻﺣﺘﻤﺎل‬

‫أ‬ ‫ب‬
‫ﻗﻴﻤﺔ املﺘﻐري اﻟﻌﺸﻮاﺋﻲ‬

‫ﺷﻜﻞ ‪ :2-4‬داﻟﺔ اﻟﻜﺜﺎﻓﺔ اﻻﺣﺘﻤﺎﻟﻴﺔ‪.‬‬

‫ﺗﻤﺘﻠﻚ ﺑﻌﺾ اﻷﺷﻜﺎل أﻫﻤﻴﺔ ﺧﺎﺻﺔ‪ ،‬وﺗﻮﺟﺪ أﺳﺒﺎب ﻋﺪﻳﺪة ﻟﺬﻟﻚ؛ ﻓﻔﻲ ﺑﻌﺾ اﻟﺤﺎﻻت‪،‬‬
‫ﺗﻈﻬﺮ أﺷﻜﺎل ﻣﻌﻴﻨﺔ‪ ،‬أو أﺷﻜﺎل ﻣﻘﺎرﺑﺔ ﻟﻠﻐﺎﻳﺔ ﻟﻬﺬه اﻷﺷﻜﺎل‪ ،‬ﻋﲆ ﻧﺤﻮ ﻃﺒﻴﻌﻲ‪ .‬ﺑﻴﻨﻤﺎ ﰲ‬
‫ﺣﺎﻻت أﺧﺮى‪ ،‬ﺗﻨﺸﺄ اﻟﺘﻮزﻳﻌﺎت ﻛﻨﺘﺎﺋﺞ ﻟﻘﻮاﻧني اﻻﺣﺘﻤﺎﻻت‪.‬‬
‫ﻟﻌﻞ أﺑﺴﻂ اﻟﺘﻮزﻳﻌﺎت ﻫﻮ »ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ«‪ .‬وﻫﺬا اﻟﺘﻮزﻳﻊ ﻳﻤﻜﻦ أن ﻳﺘﺨﺬ ﻗﻴﻤﺘني‬
‫ﻣﺜﻼ‪ ،‬واﻷﺧﺮى ﻟﻬﺎ اﺣﺘﻤﺎل ‪ .1−p‬وﺑﻤﺎ أﻧﻪ ﻻ ﻳﻤﻜﻦ أن ﻳﺘﺨﺬ‬ ‫ﻓﺤﺴﺐ‪ ،‬ﻗﻴﻤﺔ ﻟﻬﺎ اﺣﺘﻤﺎل ‪ً ،p‬‬
‫ﱠإﻻ ﻗﻴﻤﺘني ﻓﻘﻂ‪ ،‬ﻓﻤﻦ »املﺆﻛﺪ« أن إﺣﺪى اﻟﻘﻴﻤﺘني ﺳﻮف ﺗﻈﻬﺮ؛ وﻣﻦ ﺛ َ ﱠﻢ ﻓﺈن ﻣﺠﻤﻮع‬
‫اﺣﺘﻤﺎﻻت ﻫﺎﺗني اﻟﻨﺘﻴﺠﺘني ﻳﺴﺎوي ‪ .١‬ﻟﺪﻳﻨﺎ ﺑﺎﻟﻔﻌﻞ أﻣﺜﻠﺔ أوﺿﺤﺖ ملﺎذا ﻳُﻌَ ﱡﺪ ﻫﺬا اﻟﺘﻮزﻳﻊ‬
‫ﻣﻔﻴﺪًا؛ ﻓﺎﻟﺤﺎﻻت اﻟﺘﻲ ﻻ ﻳﻨﺘﺞ ﻋﻨﻬﺎ إﻻ ﻧﺘﻴﺠﺘﺎن ﺷﺎﺋﻌﺔ ﺟﺪٍّا؛ ﻣﺜﻞ ﻗﺬف اﻟﻌﻤﻠﺔ اﻟﺘﻲ ﻳﻨﺘﺞ‬
‫ﻋﻨﻬﺎ إﻣﱠ ﺎ وﺟﻪ اﻟﺼﻮرة وإﻣﱠ ﺎ وﺟْ ﻪ اﻟﻜﺘﺎﺑﺔ‪ ،‬وﻋﻤﻠﻴﺔ اﻟﻮﻻدة اﻟﺘﻲ ﺗﻜﻮن ﻧﺘﻴﺠﺘﻬﺎ إﻣﺎ ذﻛ ًﺮا وإﻣﺎ‬
‫أﻧﺜﻰ‪ .‬ﰲ ﻫﺎﺗني اﻟﺤﺎﻟﺘني‪ ،‬ﺗﻤﺘﻠﻚ ‪ p‬ﻗﻴﻤﺔ ‪ ٢ / ١‬أو ﻣﺎ ﻳﻘﺮب ﻣﻦ ‪ .٢ / ١‬وﻟﻜﻦ ﻳﻮﺟﺪ ﻋﺪد‬
‫ﻛﺒري ﻣﻦ اﻟﺤﺎﻻت اﻷﺧﺮى اﻟﺘﻲ ﻻ ﻳﻮﺟﺪ ﻟﻬﺎ ﺳﻮى ﻧﺘﻴﺠﺘني ﻣﺤﺘﻤﻠﺘني‪ :‬ﻧﻌﻢ‪/‬ﻻ‪ ،‬ﺟﻴﺪ‪/‬ﺳﻴﺊ‪،‬‬
‫اﻓﱰاﴈ أو ﻏري اﻓﱰاﴈ‪ ،‬اﻧﻜﺴﺎر أو ﻋﺪم اﻧﻜﺴﺎر‪ ،‬ﺗﻮﻗﻒ‪/‬ﺣﺮﻛﺔ‪ ،‬وﻣﺎ ﺷﺎﺑﻪ ذﻟﻚ‪.‬‬
‫ﻳﻮﺳﻊ »اﻟﺘﻮزﻳﻊ ذو اﻟﺤﺪﻳﻦ« ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ؛ ﻓﺈذا ﻗﺬﻓﻨﺎ ﻋﻤﻠﺔ ﺛﻼث ﻣﺮات‪ ،‬رﺑﻤﺎ ﻳﻈﻬﺮ‬
‫وﺟﻪ اﻟﺼﻮرة ﻣﺮة أو ﻣﺮﺗني أو ﺛﻼث ﻣﺮات أو ﻻ ﻳﻈﻬﺮ أﺑﺪًا‪ .‬وإذا ﻛﺎن ﻟﺪﻳﻨﺎ ﺛﻼﺛﺔ ﻣﻮﻇﻔني‬

‫‪70‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫ﰲ ﻣﺮﻛﺰ اﺗﺼﺎﻻت ﻳﺠﻴﺒﻮن ﻋﲆ ﻧﺤﻮ ﻣﺴﺘﻘ ﱟﻞ ﻋﲆ املﻜﺎملﺎت ﻋﻨﺪﻣﺎ ﺗَ ِﺮدُ‪ ،‬ﻓﺈﻧﻪ ﻣﻦ املﻤﻜﻦ أن‬
‫ً‬
‫ﻣﺸﻐﻮﻻ ﰲ أي ﻟﺤﻈﺔ ﻣﻌﻴﻨﺔ‪.‬‬ ‫ﻳﻜﻮن واﺣﺪ أو اﺛﻨﺎن أو اﻟﺜﻼﺛﺔ ﻣﺸﻐﻮﻟني أو ﻻ ﻳﻜﻮن أﺣﺪﻫﻢ‬
‫ﻳﺨﱪﻧﺎ اﻟﺘﻮزﻳﻊ ذو اﻟﺤﺪﻳﻦ ﺑﺎﺣﺘﻤﺎل ﺣﺼﻮﻟﻨﺎ ﻋﲆ ﻛﻞ رﻗﻢ ﻣﻦ ﻫﺬه اﻷرﻗﺎم ‪ ،٠‬أو ‪ ،١‬أو ‪،٢‬‬
‫أو ‪ .٣‬وﺑﻄﺒﻴﻌﺔ اﻟﺤﺎل‪ ،‬ﻓﺈﻧﻪ ﻳﻄﺒﻖ ﻋﲆ ﻧﺤﻮ ﻋﺎم‪ ،‬وﻟﻴﺲ ﻓﻘﻂ ﻋﲆ املﺠﻤﻮع اﻟﻜﲇ ﻟﺜﻼﺛﺔ‬
‫أﺣﺪاث‪ .‬ﻓﺈذا ﻗﺬﻓﻨﺎ ﻋﻤﻠﺔ ﻣﺎﺋﺔ ﻣﺮة‪ ،‬ﻓﺈن اﻟﺘﻮزﻳﻊ ذا اﻟﺤ ﱠﺪﻳْﻦ ﻳﺨﱪﻧﺎ ً‬
‫أﻳﻀﺎ ﺑﺎﺣﺘﻤﺎﻻت أﻧﻨﺎ‬
‫ﺳﻨﺤﺼﻞ ﻋﲆ ﻛ ﱟﻞ ﻣﻦ ‪ ١٠٠ ،… ،٢ ،١ ،٠‬وﺟﻪ ﺻﻮرة‪.‬‬
‫ﺗﺼﻞ رﺳﺎﺋﻞ اﻟﱪﻳﺪ اﻹﻟﻜﱰوﻧﻲ إﱃ ﺟﻬﺎز اﻟﻜﻤﺒﻴﻮﺗﺮ اﻟﺨﺎص ﺑﻲ ﻋﺸﻮاﺋﻴٍّﺎ‪ .‬وﺗﺼﻞ‬
‫)ﻣﺜﻼ( ﺑﻤﻌﺪل ﺧﻤﺲ رﺳﺎﺋﻞ ﰲ اﻟﺴﺎﻋﺔ‪ ،‬وﻟﻜﻦ‬ ‫ً‬ ‫ﺧﻼل اﻟﻌﻤﻞ اﻟﺼﺒﺎﺣﻲ — ﰲ املﺘﻮﺳﻂ —‬
‫ﻋﺪد اﻟﺮﺳﺎﺋﻞ اﻟﺘﻲ ﺗﺼﻞ ﰲ ﻛﻞ ﺳﺎﻋﺔ ﻳﻤﻜﻦ أن ﻳﻨﺤﺮف ﻋﻦ ﻫﺬا املﻌﺪل ﻋﲆ ﻧﺤﻮ ﻛﺒري‬
‫ﺟﺪٍّا؛ إذ ﻳﺼﻞ ﰲ ﺑﻌﺾ اﻷﺣﻴﺎن ﻋﴩ رﺳﺎﺋﻞ‪ ،‬وﰲ أﺣﻴﺎن أﺧﺮى ﻻ ﺗﺼﻞ أي رﺳﺎﻟﺔ‪ .‬ﻳﻤﻜﻦ‬
‫اﺳﺘﺨﺪام »ﺗﻮزﻳﻊ ﺑﻮاﺳﻮن« ﻟﻮﺻﻒ اﻟﺘﻮزﻳﻊ اﻻﺣﺘﻤﺎﱄ ﻟﻌﺪد رﺳﺎﺋﻞ اﻟﱪﻳﺪ اﻹﻟﻜﱰوﻧﻲ اﻟﺘﻲ‬
‫ﺗﺼﻞ ﰲ ﻛﻞ ﺳﺎﻋﺔ‪ .‬وﻳﻤﻜﻦ أن ﻳﺨﱪﻧﺎ ﺑﺎﺣﺘﻤﺎل )إذا ﻛﺎﻧﺖ رﺳﺎﺋﻞ اﻟﱪﻳﺪ اﻹﻟﻜﱰوﻧﻲ ﺗﺼﻞ‬
‫ﻋﲆ ﻧﺤﻮ ﻣﺴﺘﻘﻞ وﻛﺎن املﻌﺪل اﻟﻌﺎم ﻟﻮﺻﻮﻟﻬﺎ ﺛﺎﺑﺘًﺎ( ﻋﺪم وﺻﻮل أي رﺳﺎﻟﺔ‪ ،‬أو وﺻﻮل‬
‫رﺳﺎﻟﺔ واﺣﺪة‪ ،‬أو رﺳﺎﻟﺘني‪ ،‬وﻣﺎ إﱃ ذﻟﻚ‪ .‬وﻫﺬا اﻟﺘﻮزﻳﻊ ﻳﺨﺘﻠﻒ ﻋﻦ اﻟﺘﻮزﻳﻊ ذي اﻟﺤﺪﻳﻦ؛‬
‫ﻷﻧﻪ ﻋﲆ اﻷﻗﻞ ﻣﻦ ﺣﻴﺚ املﺒﺪأ ﻻ ﻳﻮﺟﺪ ﺣﺪ أﻋﲆ ﻟﻠﻌﺪد اﻟﺬي ﻳﻤﻜﻦ أن ﻳﺼﻞ ﰲ أي ﺳﺎﻋﺔ‪.‬‬
‫ﻓﻔﻲ ﺣﺎﻟﺔ ﻗﺬف اﻟﻌﻤﻠﺔ ﻣﺎﺋﺔ ﻣﺮة‪ ،‬ﻻ ﻳﻤﻜﻨﻨﺎ رؤﻳﺔ أﻛﺜﺮ ﻣﻦ ‪ ١٠٠‬وﺟﻪ ﺻﻮرة‪ ،‬وﻟﻜﻦ ﻳﻤﻜﻦ‬
‫أن ﻳﺼﻠﻨﻲ )ﰲ ﻳﻮم ﺳﻴﺊ ﻟﻠﻐﺎﻳﺔ!( أﻛﺜﺮ ﻣﻦ ‪ ١٠٠‬رﺳﺎﻟﺔ ﺑﺮﻳﺪ إﻟﻜﱰوﻧﻲ ﰲ ﺳﺎﻋﺔ واﺣﺪة‪.‬‬
‫ﺣﺘﻰ اﻵن‪ ،‬ﻛﻞ اﻟﺘﻮزﻳﻌﺎت اﻻﺣﺘﻤﺎﻟﻴﺔ اﻟﺘﻲ ذﻛﺮﺗُﻬﺎ ﻫﻲ ملﺘﻐريات ﻋﺸﻮاﺋﻴﺔ »ﻣﻨﻔﺼﻠﺔ«‬
‫)أو ﻣﺘﻘﻄﻌﺔ(؛ أي إن املﺘﻐريات اﻟﻌﺸﻮاﺋﻴﺔ ﻻ ﺗﺄﺧﺬ ﺳﻮى ﻗﻴ ٍﻢ ﻣﻌﻴﻨﺔ )ﻗﻴﻤﺘني ﰲ ﺣﺎﻟﺔ‬
‫ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ‪ ،‬ﻋﺪد ﻣﻦ اﻟﻘﻴﻢ ﻳﻌﺘﻤﺪ ﻋﲆ ﻋﺪد ﻣﺮات ﻗﺬف اﻟﻌﻤﻠﺔ‪/‬ﻋﺪد املﺸﻐﻠني ﰲ ﺣﺎﻟﺔ‬
‫اﻟﺘﻮزﻳﻊ ذي اﻟﺤﺪﻳﻦ‪ ،‬واﻷﻋﺪاد اﻟﺼﺤﻴﺤﺔ ‪ … ،٣ ،٢ ،١ ،٠‬ﰲ ﺣﺎﻟﺔ ﺗﻮزﻳﻊ ﺑﻮاﺳﻮن(‪ .‬ﺛﻤﺔ‬
‫ﻣﺘﻐريات ﻋﺸﻮاﺋﻴﺔ أﺧﺮى »ﻣﺘﺼﻠﺔ« )أو ﻣﺴﺘﻤﺮة(‪ ،‬وﻳﻤﻜﻦ أن ﺗﺄﺧﺬ أي ﻗﻴﻤﺔ ﻣﻦ اﻟﻨﻄﺎق؛‬
‫ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬اﻟﻄﻮل ﻳﻤﻜﻦ أن ﻳﺄﺧﺬ أي ﻗﻴﻤﺔ داﺧﻞ ﻧﻄﺎق ﻣﻌني )رﻫﻨًﺎ ﺑﺪﻗﺔ أداة‬
‫اﻟﻘﻴﺎس(‪ ،‬وﻻ ﻳﻘﺘﴫ‪ً ،‬‬
‫ﻣﺜﻼ‪ ،‬ﻋﲆ ‪ ٤‬أو ‪ ٥‬أو ‪ ٦‬أﻗﺪام‪.‬‬
‫إذا ﻛﺎن املﺘﻐري اﻟﻌﺸﻮاﺋﻲ ﻳﻤﻜﻦ أن ﻳﺄﺧﺬ ﻗﻴﻤً ﺎ ﺿﻤﻦ ﻓﱰة ﻣﺤﺪودة ﻓﻘﻂ )ﻋﲆ ﺳﺒﻴﻞ‬
‫ﻣﺘﺴﺎو« أن ﻳﺄﺧﺬ أي ﻗﻴﻤﺔ ﻣﻦ اﻟﻘﻴﻢ‬ ‫ٍ‬ ‫املﺜﺎل ﺑني ‪ ٠‬و‪ (١‬وإذا ﻛﺎن »ﻣﻦ املﺤﺘﻤﻞ ﻋﲆ ﻧﺤﻮ‬
‫ﰲ ﺗﻠﻚ اﻟﻔﱰة‪ ،‬ﻳﻘﺎل إﻧﻪ ﻳﺘﺒﻊ »ﺗﻮزﻳﻌً ﺎ ﻣﻨﺘﻈﻤً ﺎ«؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬إذا ﻛﺎن ﺳﺎﻋﻲ اﻟﱪﻳﺪ‬
‫ﻳﺼﻞ داﺋﻤً ﺎ ﰲ اﻟﻔﱰة ﻣﻦ ‪ ١٠‬ﺻﺒﺎﺣً ﺎ ﺣﺘﻰ ‪ ١١‬ﺻﺒﺎﺣً ﺎ‪ ،‬وﻟﻜﻦ ﺑﻄﺮﻳﻘﺔ ﻻ ﻳﻤﻜﻦ اﻟﺘﻨﺒﺆ ﺑﻬﺎ‬

‫‪71‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﺗﻤﺎﻣً ﺎ )ﻓﻤﻦ املﺤﺘﻤﻞ أن ﻳﺼﻞ ﰲ اﻟﻔﱰة ﺑني ‪ ١٠ : ٠٥‬ﺣﺘﻰ ‪ ١٠ : ١٠‬ﺑﺎﻟﻘﺪر ﻧﻔﺴﻪ ﻻﺣﺘﻤﺎل‬
‫وﺻﻮﻟﻪ ﰲ أي ﻓﱰة ﺧﻤﺲ دﻗﺎﺋﻖ أﺧﺮى ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل(‪ ،‬ﻓﺈن ﺗﻮزﻳﻊ وﻗﺖ وﺻﻮﻟﻪ ﺧﻼل‬
‫ﻫﺬه اﻟﻔﱰة ﻳﻜﻮن ﻣﻨﺘﻈﻤً ﺎ‪.‬‬
‫ﻳﻤﻜﻦ ﻟﺒﻌﺾ املﺘﻐريات اﻟﻌﺸﻮاﺋﻴﺔ أن ﺗﺄﺧﺬ أي ﻗﻴﻤﺔ ﻣﻮﺟﺒﺔ؛ ﺷﺄن املﺪة اﻟﺰﻣﻨﻴﺔ‬
‫ﻟﻈﺎﻫﺮ ٍة ﻣﺎ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ .‬ﻟﺘﻮﺿﻴﺢ ذﻟﻚ‪ ،‬ﺗﺄﻣﱠ ِﻞ اﻟﻔﱰة اﻟﺰﻣﻨﻴﺔ اﻟﺘﻲ ﺗَ َ‬
‫ﻈ ﱡﻞ ﻓﻴﻬﺎ املﺰﻫﺮﻳﺎت‬
‫اﻟﺰﺟﺎﺟﻴﺔ ﺳﻠﻴﻤﺔ ﻗﺒﻞ أن ﺗﻨﻜﴪ‪ .‬املﺰﻫﺮﻳﺎت اﻟﺰﺟﺎﺟﻴﺔ ﻻ ﺗﺘﻘﺪم ﰲ اﻟﻌﻤﺮ‪ ،‬ﻟﺬﻟﻚ ﻟﻴﺲ ﻣﻦ‬
‫املﻔﻀﻠﺔ ﻟﺪﻳﻚ ﰲ اﻟﻌﺎم املﻘﺒﻞ إذا ﻛﺎن ﻋﻤﺮﻫﺎ ‪٨٠‬‬ ‫ﱠ‬ ‫املﺮﺟﺢ ﺑﺪرﺟﺔ أﻛﱪ أن ﺗﻨﻜﴪ املﺰﻫﺮﻳﺔ‬
‫َ‬ ‫ِ‬
‫ﺣﺎﻟﺔ ﺗﺴﺎوي‬ ‫ﺳﻨﺔ‪ ،‬ﻣﻦ أن ﺗﻨﻜﴪ ﰲ اﻟﻌﺎم املﻘﺒﻞ إذا ﻛﺎن ﻋﻤﺮﻫﺎ ‪ ١٠‬ﺳﻨﻮات ﻓﻘﻂ )ﰲ‬
‫ﻗﺎر ْن ذﻟﻚ ﻣﻊ اﺣﺘﻤﺎل وﻓﺎة ﺷﺨﺺ ﻳﺒﻠﻎ ﻣﻦ اﻟﻌﻤﺮ ‪ ٨٠‬ﺳﻨﺔ ﰲ‬ ‫ﻛﻞ اﻟﻌﻮاﻣﻞ اﻷﺧﺮى(‪ِ .‬‬
‫اﻟﻌﺎم املﻘﺒﻞ ﰲ ﻣﻘﺎﺑﻞ اﺣﺘﻤﺎل وﻓﺎة ﺷﺨﺺ ﻳﺒﻠﻎ ﻣﻦ اﻟﻌﻤﺮ ‪ ١٠‬ﺳﻨﻮات ﰲ اﻟﻌﺎم املﻘﺒﻞ‪.‬‬
‫ﻄﻢ ﰲ اﻟﻔﱰة اﻟﺰﻣﻨﻴﺔ ‪ ،t‬ﻓﺈن اﺣﺘﻤﺎل أن ﺗﺘﺤﻄﻢ ﰲ‬ ‫ﺑﺎﻟﻨﺴﺒﺔ ملﺰﻫﺮﻳﺔ زﺟﺎﺟﻴﺔ‪ ،‬إذا ﻟﻢ ﺗﺘﺤ ﱠ‬
‫اﻟﻠﺤﻈﺔ اﻟﺘﺎﻟﻴﺔ ﻫﻮ اﻻﺣﺘﻤﺎل ﻧﻔﺴﻪ‪ ،‬ﻣﻬﻤﺎ ﻛﺎﻧﺖ ﻗﻴﻤﺔ ‪) t‬ﻣﺮة أﺧﺮى‪ ،‬ﻛﻞ اﻟﻌﻮاﻣﻞ اﻷﺧﺮى‬
‫ﻣﺘﺴﺎوﻳﺔ(‪ .‬ﻳﻘﺎل ﻫﻨﺎ إن ﻋﻤﺮ املﺰﻫﺮﻳﺎت اﻟﺰﺟﺎﺟﻴﺔ ﻳﺘﺒﻊ »ﺗﻮزﻳﻌً ﺎ أ ُ ﱢﺳﻴٍّﺎ«‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﺗﻮﺟﺪ‬
‫أﻋﺪاد ﻫﺎﺋﻠﺔ ﻣﻦ ﺗﻄﺒﻴﻘﺎت اﻟﺘﻮزﻳﻌﺎت اﻷ ُ ﱢﺳﻴﱠﺔ‪ ،‬وﻟﻴﺲ أﻋﻤﺎر املﺰﻫﺮﻳﺎت اﻟﺰﺟﺎﺟﻴﺔ ﻓﺤﺴﺐ!‬
‫وﻟﻌﻞ اﻷﻛﺜﺮ ﺷﻬﺮة ﺑني اﻟﺘﻮزﻳﻌﺎت املﺴﺘﻤﺮة ﻫﻮ »اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ« أو »ﺗﻮزﻳﻊ‬
‫ﺟﺎوس«‪ .‬وﻏﺎﻟﺒًﺎ ﻣﺎ ﻳﻮﺻﻒ ﻋﲆ ﻧﺤﻮ ﻋﺎم ﰲ ﺳﻴﺎق ﺷﻜﻠﻪ اﻟﻌﺎم‪» :‬ﺷﻜﻞ اﻟﺠﺮس«‪ ،‬ﻛﻤﺎ ﻫﻮ‬
‫ﻣﺒني ﰲ اﻟﺸﻜﻞ ‪ .3-4‬وﻫﺬا ﻳﻌﻨﻲ أن اﺣﺘﻤﺎل ﺣﺪوث اﻟﻘﻴﻢ املﻮﺟﻮدة ﰲ اﻟﻮﺳﻂ أﻛﱪ ﻣﻦ‬
‫اﺣﺘﻤﺎل ﺣﺪوث اﻟﻘﻴﻢ ﰲ اﻟﻄﺮﻓني اﻟﺒﻌﻴﺪﻳﻦ ﻋﻦ اﻟﻮﺳﻂ‪ .‬ﻳﻮﻓﺮ اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ ﺗﻘﺮﻳﺒًﺎ‬
‫ﺟﻴﺪًا ﻟﻜﺜري ﻣﻦ اﻟﺘﻮزﻳﻌﺎت اﻟﺘﻲ ﺗﺤﺪث ﻃﺒﻴﻌﻴٍّﺎ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﺗﻮزﻳﻊ أﻃﻮال ﻋﻴﻨﺔ‬
‫ﻋﺸﻮاﺋﻴﺔ ﻣﻦ اﻟﺮﺟﺎل اﻟﺒﺎﻟﻐني ﻳﺘﺒﻊ ﺗﻮزﻳﻌً ﺎ ﻃﺒﻴﻌﻴٍّﺎ ﺗﻘﺮﻳﺒًﺎ‪.‬‬
‫أﻳﻀﺎ ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎن ﺑﻤَ ﻈﻬَ ﺮ اﻟﻨﻤﻮذج اﻟﺠﻴﺪ ﻟﺸﻜﻞ‬ ‫ﻳﻈﻬﺮ اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ ً‬
‫ﺗﻮزﻳﻊ إﺣﺼﺎﺋﻴﺎت اﻟﻌﻴﻨﺔ )ﻣﺜﻞ املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ املﺬﻛﻮرة ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ( ﻋﻨﺪﻣﺎ‬
‫ﺗﻨﻄﻮي ﻋﲆ ﻋﻴﻨﺎت ﻛﺒرية‪ .‬ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻟﻨﻔﱰض أﻧﻨﺎ أﺧﺬﻧﺎ ﻋﲆ ﻧﺤﻮ ﻣﺘﻜﺮر ﻋﻴﻨﺎت‬
‫ﺗﻮزﻳﻊ ﻣﺎ‪ ،‬وﺣﺴﺒﻨﺎ ﻣﺘﻮﺳﻂ ﻛﻞ ﻋﻴﻨﺔ ﻣﻦ ﻫﺬه اﻟﻌﻴﻨﺎت‪ .‬ﺑﻤﺎ أن ﻛﻞ ﻋﻴﻨﺔ‬ ‫ٍ‬ ‫ﻋﺸﻮاﺋﻴﺔ ﻣﻦ‬
‫ﻣﺨﺘﻠﻔﺎ؛ أي ﺳﻴﻜﻮن ﻟﺪﻳﻨﺎ ﺗﻮزﻳﻊ ﻟﻠﻤﺘﻮﺳﻄﺎت‪.‬‬ ‫ً‬ ‫ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻓﺈﻧﻨﺎ ﻧﺘﻮﻗﻊ أن ﻳﻜﻮن ﻛﻞ ﻣﺘﻮﺳﻂ‬
‫وإذا ﻛﺎﻧﺖ ﻛﻞ ﻋﻴﻨﺔ ﻛﺒرية ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ‪ ،‬ﻓﺴﻴﺘﻀﺢ أن ﻫﺬا اﻟﺘﻮزﻳﻊ ﻟﻠﻤﺘﻮﺳﻄﺎت ﻫﻮ‬
‫ﺗﻮزﻳﻊ ﻃﺒﻴﻌﻲ ﺗﻘﺮﻳﺒًﺎ‪.‬‬
‫أﴍت ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ إﱃ أن اﻹﺣﺼﺎء ﻟﻴﺲ ﻣﺠﺮد ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷدوات املﻌﺰوﻟﺔ‪،‬‬ ‫ُ‬
‫وﻟﻜﻨﻪ ﻟﻐﺔ ﻣﺘﺼﻠﺔ‪ .‬وﺗﻨﻄﺒﻖ ﻧﻘﻄﺔ ﻣﻤﺎﺛﻠﺔ ﻋﲆ اﻟﺘﻮزﻳﻌﺎت اﻻﺣﺘﻤﺎﻟﻴﺔ‪ .‬ﻓﻌﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻨﻲ‬

‫‪72‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫‪٠٫٤‬‬

‫‪٠٫٣‬‬

‫‪٠٫٢‬‬

‫‪٠٫١‬‬

‫‪٠‬‬
‫‪٣−‬‬ ‫‪٢−‬‬ ‫‪١−‬‬ ‫‪٠‬‬ ‫‪١‬‬ ‫‪٢‬‬ ‫‪٣‬‬

‫ﺷﻜﻞ ‪ :3-4‬اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ‪.‬‬

‫ﻛﻼ ﻋﲆ ﺣِ ﺪَة آﻧ ًِﻔﺎ‪ ،‬ﻓﺈن اﻟﺤﻘﻴﻘﺔ ﻫﻲ أن ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ ﻳﻤﻜﻦ اﻋﺘﺒﺎره ﺣﺎﻟﺔ ﺧﺎﺻﺔ‬
‫ذﻛﺮﺗُﻬﺎ ٍّ‬
‫ﻣﻦ اﻟﺘﻮزﻳﻊ ذي اﻟﺤ ﱠﺪﻳْﻦ )ﻓﻬﻮ ﺗﻮزﻳﻊ ذو ﺣ ﱠﺪﻳْﻦ ﻋﻨﺪﻣﺎ ﻻ ﻳﻮﺟﺪ ﺳﻮى ﻧﺘﻴﺠﺘني ﻣﺤﺘﻤﻠﺘني‬
‫ﻄﻰ ﺣﺠﻢ‬ ‫ﻈﻬﺮ ﻫﺬا ﺗﺘﺨ ﱠ‬ ‫ﻓﺤﺴﺐ(‪ .‬وﺑﺎملﺜﻞ‪ ،‬ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أن اﻟﻌﻤﻠﻴﺎت اﻟﺮﻳﺎﺿﻴﺔ اﻟﺘﻲ ﺗُ ِ‬
‫ﻫﺬا اﻟﻜﺘﺎب‪ ،‬ﻓﺈن ﺗﻮزﻳﻊ ﺑﻮاﺳﻮن ﻳﻤﺜﱢﻞ ﺣﺎﻟﺔ ﻣﺘﻄ ﱢﺮﻓﺔ ﻣﻦ اﻟﺘﻮزﻳﻊ ذي اﻟﺤ ﱠﺪﻳْﻦ‪ ،‬وﻳﺸ ﱢﻜﻞ‬
‫ﺗﻮزﻳﻊ ﺑﻮاﺳﻮن واﻟﺘﻮزﻳﻊ اﻷ ُ ﱢﳼ زوﺟً ﺎ ﻃﺒﻴﻌﻴٍّﺎ‪ ،‬وﻳﺼﺒﺢ اﻟﺘﻮزﻳﻊ ذو اﻟﺤﺪﻳﻦ أﻛﺜﺮ وأﻛﺜﺮ‬
‫ﺷﺒﻬً ﺎ ﺑﺎﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ ﻛﻠﻤﺎ زاد اﻟﺤﺪ اﻷﻗﴡ ﻟﻌﺪد اﻷﺣﺪاث‪ ،‬وﻫﻜﺬا‪ .‬وﻫﺬه اﻟﺘﻮزﻳﻌﺎت‬
‫ﰲ ﺣﻘﻴﻘﺘﻬﺎ ﺟﺰء ﻣﻦ وﺣﺪة رﻳﺎﺿﻴﺔ ﻛﺎﻣﻠﺔ ﻣﺘﻜﺎﻣﻠﺔ‪.‬‬
‫أﺷﻜﺎﻻ ﻣﺨﺘﻠﻔﺔ‪ .‬وﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﻜﻦ‬‫ً‬ ‫ُ‬
‫وﺻﻔﺖ اﻟﺘﻮزﻳﻌﺎت اﻟﺴﺎﺑﻘﺔ ﺑﺎﻟﻘﻮل إن ﻟﻬﺎ‬ ‫ﻟﻘﺪ‬
‫َ‬
‫وﺻﻒ ﻫﺬه اﻷﺷﻜﺎل ﻋﲆ ﻧﺤﻮ ﻣﻼﺋﻢ‪ .‬ﻓﺮأﻳْﻨﺎ أن ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ ﻳﺘﻤﻴﺰ ﺑﻮﺟﻮد اﻟﻘﻴﻤﺔ ‪.p‬‬
‫ُﺨﱪﻧﺎ ﺑﺎﺣﺘﻤﺎل أﻧﻨﺎ ﺳﻮف ﻧﺤﺼﻞ ﻋﲆ ﻧﺘﻴﺠﺔ ﻣﻌﻴﻨﺔ‪ .‬وﺗﺘﻮاﻓﻖ ﻗﻴﻢ ‪ p‬املﺨﺘﻠﻔﺔ ﻣﻊ‬ ‫وﻫﺬا ﻳ ِ‬
‫ﺗﻮزﻳﻌﺎت ﺑﺮﻧﻮﱄ ﻣﺨﺘﻠﻔﺔ؛ ﻓﻴﻤﻜﻨﻨﺎ ﺻﻴﺎﻏﺔ ﻧﺘﺎﺋﺞ ﻗﺬف ﻋﻤﻠﺔ ﻋﻦ ﻃﺮﻳﻖ ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ ﻣﻊ‬
‫اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة — ‪ — p‬ﻣﺴﺎوﻳًﺎ اﻟﻨﺼﻒ‪ ،‬وﺻﻴﺎﻏﺔ اﺣﺘﻤﺎل وﻗﻮع ﺣﺎدث‬

‫‪73‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻟﺴﻴﺎرة ﰲ رﺣﻠﺔ واﺣﺪة ﺑﻮاﺳﻄﺔ ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ ﻣﻊ ‪ p‬ﺗﺴﺎوي ﻗﻴﻤﺔ ﺻﻐرية ﺟﺪٍّا )ﻛﻤﺎ‬
‫آﻣﻞ!(‪ .‬وﰲ ﻣﺜﻞ ﻫﺬه اﻟﺤﺎﻟﺔ‪ ،‬ﺗﺴﻤﻰ ‪» p‬ﻣَ ﻌْ َﻠﻤﺔ« )أو ﺑﺎراﻣﱰًا(‪.‬‬
‫أﻳﻀﺎ ﺑﻮﺟﻮد ﻣﻌﻠﻤﺎت ﺗﺆدي اﻟﺪور ﻧﻔﺴﻪ؛ إذ ﺗﻌﺮﻓﻨﺎ‬ ‫وﺗﺘﻤﻴﺰ اﻟﺘﻮزﻳﻌﺎت اﻷﺧﺮى ً‬
‫ﺑﺎﻟﻀﺒﻂ ﺑﻌﻀﻮ ﻋﺎﺋﻠﺔ اﻟﺘﻮزﻳﻌﺎت اﻟﺬي ﻧﺘﺤﺪث ﻋﻨﻪ‪ .‬ﻟﻨﺮى ﻛﻴﻔﻴﺔ ذﻟﻚ‪ ،‬دَﻋْ ﻨﺎ ﻧَﻌُ ْﺪ ﺧﻄﻮة‬
‫إﱃ اﻟﻮراء وﻧﺘﺬﻛﺮ ﻗﺎﻧﻮن اﻷﻋﺪاد اﻟﻜﺒرية‪ .‬ﻳﻨﺺ ﻫﺬا اﻟﻘﺎﻧﻮن ﻋﲆ أﻧﻨﺎ إذا ﻗﻤﻨﺎ ﺑﻤﻼﺣﻈﺎت‬
‫ﻣﺴﺘﻘ ﱠﻠﺔ ﻣﺘﻜﺮرة ﻟﺤﺪث ﻟﻪ ﻧﺘﻴﺠﺔ ‪ A‬ﺑﺎﺣﺘﻤﺎل ‪ p‬وﻧﺘﻴﺠﺔ ‪ B‬ﺑﺎﺣﺘﻤﺎل ‪ ،1 − p‬ﻓﺈﻧﻨﺎ ﻳﺠﺐ‬
‫أن ﻧﺘﻮﻗﻊ أن ﻧﺴﺒﺔ ﻣﺮات ﻣﻼﺣﻈﺔ اﻟﻨﺘﻴﺠﺔ ‪ A‬ﺗﻘﱰب أﻛﺜﺮ وأﻛﺜﺮ ﻣﻦ ‪ p‬ﻛﻠﻤﺎ زاد ﻋﺪد‬
‫املﻼﺣﻈﺎت اﻟﺘﻲ ﻧﻘﻮم ﺑﻬﺎ‪ .‬ﺗُﻌﻤﱠ ﻢ ﻫﺬه اﻟﺴﻤﺔ ﺑﻄﺮق ﻣﻬﻤﺔ‪ .‬ﻓﻌﲆ وﺟﻪ اﻟﺨﺼﻮص‪ ،‬ﻟﻨﻔﱰض‬
‫ﺑﺪﻻ ﻣﻦ ﻣﻼﺣﻈﺔ ﺣﺪث ﻟﻪ ﻧﺘﻴﺠﺘﺎن ﻣﺤﺘﻤﻠﺘﺎن ﻓﺤﺴﺐ‪ ،‬ﻻﺣﻈﻨﺎ ﺣﺪﺛًﺎ ﻳﻤﻜﻦ أن ﻳﺄﺧﺬ‬ ‫أﻧﻪ ً‬
‫أي ﻗﻴﻤﺔ ﻣﻦ ﺗﻮزﻳﻊ ﻋﲆ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘﻴﻢ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻳﺄﺧﺬ أي ﻗﻴﻤﺔ ﰲ اﻟﻔﱰة‬
‫]‪ .[١ ،٠‬وﻟﻨﻔﱰض أﻧﻨﺎ أﺧﺬﻧﺎ ﻣﺠﻤﻮﻋﺎت ﻣﻦ اﻟﻘﻴﺎﺳﺎت ‪ n‬ﻣﻦ ﻣﺜﻞ ﻫﺬا اﻟﺘﻮزﻳﻊ ﻋﲆ ﻧﺤﻮ‬
‫أﻳﻀﺎ أﻧﻪ ﻳﻨﺒﻐﻲ ﻟﻨﺎ أن ﻧﺘﻮﻗﻊ أن ﻳﻘﱰب ﻣﺘﻮﺳﻂ‬ ‫ﻣﺘﻜﺮر‪ .‬ﻳﺨﱪﻧﺎ ﻗﺎﻧﻮن اﻷﻋﺪاد اﻟﻜﺒرية ً‬
‫اﻟﻘﻴﺎﺳﺎت ‪ n‬ﻣﻦ ﻗﻴﻤﺔ ﺛﺎﺑﺘﺔ ﻛﻠﻤﺎ ﻛﺎﻧﺖ ‪ n‬أﻛﱪ‪ .‬وﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺗﺼﻮر زﻳﺎدة ‪ n‬دون‬
‫ﺣﺪ‪ ،‬وﰲ ﻫﺬه اﻟﺤﺎﻟﺔ ﻣﻦ املﻨﻄﻘﻲ أن ﻧﺘﺤﺪث ﻋﻦ ﻣﺘﻮﺳﻂ ﻋﻴﻨﺔ ﻏري ﻣﺤﺪودة ﻣﺴﺘﻤﺪة‬
‫ﻣﻦ اﻟﺘﻮزﻳﻊ؛ ﺑﻞ وﺣﺘﻰ ﻣﺘﻮﺳﻂ اﻟﺘﻮزﻳﻊ ﻧﻔﺴﻪ‪ .‬ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﺑﺎﺳﺘﺨﺪام ﻫﺬه اﻟﻔﻜﺮة‬
‫ﻳﻤﻜﻦ أن ﻧﺘﺤﺪث ﻋﻦ ﻣﺘﻮﺳﻂ اﻟﺘﻮزﻳﻊ اﻷ ُ ﱢﳼ ﻧﻔﺴﻪ وﻟﻴﺲ ﻋﻦ ﻣﺘﻮﺳﻂ »ﻋﻴﻨﺔ ﻣﺄﺧﻮذة‬
‫ﻣﻦ اﻟﺘﻮزﻳﻊ اﻷﳼ« ﻓﺤﺴﺐ‪ .‬وﺗﻤﺎﻣً ﺎ ﻛﻤﺎ ﺳﺘﻤﺘﻠﻚ ﺗﻮزﻳﻌﺎت ﺑﺮﻧﻮﱄ املﺨﺘﻠﻔﺔ ﻣﻌﻠﻤﺎت ‪p‬‬
‫ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻓﺈن اﻟﺘﻮزﻳﻌﺎت اﻷﺳﻴﺔ املﺨﺘﻠﻔﺔ ﺳﻮف ﺗﻤﺘﻠﻚ ﻣﺘﻮﺳﻄﺎت ﻣﺨﺘﻠﻔﺔ‪ .‬وﺣﻴﻨﻬﺎ ﻳﻜﻮن‬
‫املﺘﻮﺳﻂ ﻣﻌﻠﻤﺔ ﻟﻠﺘﻮزﻳﻊ اﻷﳼ‪.‬‬
‫ﻣﻌﻘﻮﻻ »ﻟﻌﻤﺮ« املﺰﻫﺮﻳﺎت‬ ‫ً‬ ‫رأﻳﻨﺎ ﰲ ﻣﺜﺎل ﺳﺎﺑﻖ أن اﻟﺘﻮزﻳﻊ اﻷﳼ ﻛﺎن ﻧﻤﻮذﺟً ﺎ‬
‫اﻟﺰﺟﺎﺟﻴﺔ )ﺗﺤﺖ ﻇﺮوف ﻣﻌﻴﻨﺔ(‪ ،‬واﻵن ﻳﻤﻜﻨﻨﺎ أن ﻧﺘﺼﻮر أن ﻟﺪﻳﻨﺎ ﻣﺠﻤﻮﻋﺘَني ﻣﻦ ﻫﺬه‬
‫املﺰﻫﺮﻳﺎت؛ ﻣﺠﻤﻮﻋﺔ ﺗﺘﻜﻮن ﻣﻦ ﻣﺰﻫﺮﻳﺎت ﺻﻠﺒﺔ ﻣﺼﻨﻮﻋﺔ ﻣﻦ زﺟﺎج ﺳﻤﻴﻚ ﻟﻠﻐﺎﻳﺔ‪،‬‬
‫وﻣﺠﻤﻮﻋﺔ ﺛﺎﻧﻴﺔ ﺗﺘﻜﻮن ﻣﻦ ﻣﺰﻫﺮﻳﺎت َﻫ ﱠﺸﺔ ﻣﺼﻨﻮﻋﺔ ﻣﻦ زﺟﺎج رﻗﻴﻖ ﻟﻠﻐﺎﻳﺔ‪ .‬ﻣﻦ اﻟﻮاﺿﺢ‬
‫أﻧﻪ ﰲ املﺘﻮﺳﻂ‪ ،‬ﻣﺰﻫﺮﻳﺎت املﺠﻤﻮﻋﺔ اﻷوﱃ ﻣﻦ املﺮﺟﺢ أن ﺗﻌﻴﺶ ﻟﻔﱰة أﻃﻮل ﻣﻦ ﻣﺰﻫﺮﻳﺎت‬
‫املﺠﻤﻮﻋﺔ اﻟﺜﺎﻧﻴﺔ‪ .‬ﻛﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ املﺠﻤﻮﻋﺘَني ﻟﻬﺎ ﻣﻌﻠﻤﺔ ﻣﺨﺘﻠﻔﺔ‪.‬‬
‫ﻳﻤﻜﻨﻨﺎ ﺗﺤﺪﻳﺪ املﻌﻠﻤﺎت اﻟﺨﺎﺻﺔ ﺑﺎﻟﺘﻮزﻳﻌﺎت اﻷﺧﺮى ﻋﲆ ﻧﺤﻮ ﻣﺸﺎ ِﺑ ٍﻪ؛ ﻓﻨﺘﺼﻮر‬
‫ﺣﺴﺎب ﻣﻠﺨﺼﺎت إﺣﺼﺎﺋﻴﺔ ﻟﻌﻴﻨﺎت ﺑﺤﺠﻢ ﻻ ﻧﻬﺎﺋﻲ ﻣﺴﺘﻤﺪة ﻣﻦ اﻟﺘﻮزﻳﻌﺎت؛ ﻋﲆ ﺳﺒﻴﻞ‬
‫املﺜﺎل‪ ،‬ﻳﻤﻜﻨﻨﺎ أن ﻧﺘﺼﻮر ﺣﺴﺎب ﻣﺘﻮﺳﻄﺎت ﻋﻴﻨﺎت ﻛﺒرية ﻻ ﻧﻬﺎﺋﻴﺔ ﻣﺴﺘﻤﺪة ﻣﻦ أﻋﻀﺎء‬

‫‪74‬‬
 ‫اﻻﺣﺘﻤﺎﻻت‬

‫ﻗﻠﻴﻼ ﻫﻨﺎ؛ ﻷن أﻋﻀﺎء ﻫﺬه اﻷﴎة‬ ‫اﻷﴎة اﻟﻌﺎدﻳﺔ ﻟﻠﺘﻮزﻳﻌﺎت‪ .‬إﻻ أن اﻷﻣﻮر أﻛﺜﺮ ﺗﻌﻘﻴﺪًا ً‬
‫ﻣﻦ اﻟﺘﻮزﻳﻌﺎت ﻻ ﺗﺘﺤﺪﱠد ﻋﲆ ﻧﺤﻮ ﻓﺮﻳﺪ ﺑﻮاﺳﻄﺔ ﻣﻌﻠﻤﺔ واﺣﺪة؛ ﻓﻬﻲ ﺗﺘﻄﻠﺐ ﻣﻌﻠﻤﺘني‪ .‬ﰲ‬
‫اﻟﻮاﻗﻊ‪ ،‬املﺘﻮﺳﻂ واﻻﻧﺤﺮاف املﻌﻴﺎري ﻟﻠﺘﻮزﻳﻌﺎت ﺳﻴﻜﻮﻧﺎن ﻛﺎﻓﻴ ْ ِ‬
‫َني؛ إذ ﺳﻴﻌﻤﻼن ﻣﻌً ﺎ ﻋﲆ‬
‫ﺗﺤﺪﻳﺪ أي أﻋﻀﺎء اﻟﻌﺎﺋﻠﺔ ﻧﺘﺤﺪث ﻋﻨﻪ ﻋﲆ ﻧﺤﻮ ﻓﺮﻳﺪ‪.‬‬
‫ﻧ ُ ﱢﻘﺢ ﻗﺎﻧﻮن اﻷﻋﺪاد اﻟﻜﺒرية أﻛﺜﺮ ﻣﻦ ذﻟﻚ‪ .‬ﺗﺨﻴ ِﱠﻞ اﺳﺘﺨﺮاج اﻟﻌﺪﻳﺪ ﻣﻦ ﻣﺠﻤﻮﻋﺎت اﻟﻘﻴﻢ‬
‫ﺗﻮزﻳﻊ ﻣﺎ‪ ،‬ﺑﺤﻴﺚ ﺗﻜﻮن ﻛﻞ ﻣﺠﻤﻮﻋﺔ ﺑﺎﻟﺤﺠﻢ ‪ ،n‬واﺣﺴﺐ املﺘﻮﺳﻂ ﻟﻜﻞ ﻣﺠﻤﻮﻋﺔ‪.‬‬ ‫ٍ‬ ‫ﻣﻦ‬
‫ﺣﻴﻨﻬﺎ ﺳﺘﻜﻮن املﺘﻮﺳﻄﺎت ﻧﻔﺴﻬﺎ ﻋﻴﻨﺔ ﻣﻦ اﻟﺘﻮزﻳﻊ؛ ﺗﻮزﻳﻊ اﻟﻘﻴﻢ املﺤﺘﻤﻠﺔ ملﺘﻮﺳﻂ ﻋﻴﻨﺔ‬
‫ﺑﺎﻟﺤﺠﻢ ‪ .n‬ﺗﺨﱪﻧﺎ »ﻣﱪﻫﻨﺔ اﻟﻨﻬﺎﻳﺔ املﺮﻛﺰﻳﺔ« أن ﺗﻮزﻳﻊ ﻫﺬه املﺘﻮﺳﻄﺎت ﻧﻔﺴﻬﺎ ﻳﺘﺒﻊ‬
‫ﺗﻘﺮﻳﺒًﺎ ﺗﻮزﻳﻌً ﺎ ﻃﺒﻴﻌﻴٍّﺎ‪ ،‬وﻫﺬا اﻟﺘﻘﺮﻳﺐ ﻳﺰداد أﻛﺜﺮ وأﻛﺜﺮ ﻛﻠﻤﺎ زادت ﻗﻴﻤﺔ ‪ .n‬ﰲ اﻟﻮاﻗﻊ‪،‬‬
‫أﻳﻀﺎ أن ﻣﺘﻮﺳﻂ ﺗﻮزﻳﻊ املﺘﻮﺳﻄﺎت ﻫﺬا ﻳﺘﻄﺎﺑﻖ‬ ‫ﺨﱪﻧﺎ أﻛﺜﺮ ﻣﻦ ﻫﺬا؛ إذ ﺗﺨﱪﻧﺎ ً‬ ‫إﻧﻬﺎ ﺗُ ِ‬
‫ﻣﻊ ﻣﺘﻮﺳﻂ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻟﻠﻘﻴﻢ‪ ،‬وأن اﻟﺘﺒﺎﻳﻦ ﰲ ﺗﻮزﻳﻊ املﺘﻮﺳﻄﺎت ﻳﺴﺎوي ﻓﻘﻂ ‪1/n‬‬
‫ﺿﻌﻒ ﺣﺠﻢ ﺗﺒﺎﻳﻦ ﺗﻮزﻳﻊ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ‪ .‬وﻳﺘﻀﺢ أن ﻫﺬا ﻣﻔﻴﺪ ﻟﻠﻐﺎﻳﺔ ﰲ اﻹﺣﺼﺎء؛‬
‫ﻷﻧﻪ ﻳﻌﻨﻲ أﻧﻨﺎ ﻳﻤﻜﻨﻨﺎ ﺗﻘﺪﻳﺮ ﻣﺘﻮﺳﻂ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﺑﺄﻛﱪ ﻗﺪر ﻣﻦ اﻟﺪﻗﺔ ﻧﺮﻏﺐ ﻓﻴﻪ‬
‫ﻓﻘﻂ ﻋﻦ ﻃﺮﻳﻖ أﺧﺬ ﻋﻴﻨﺔ ﻛﺒرية ﺑﻤﺎ ﻳﻜﻔﻲ )أﺧﺬ ‪ n‬ﻛﺒرية ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ(؛ ﺣﻴﺚ ﺗﺨﱪﻧﺎ‬
‫ﻣﱪﻫﻨﺔ اﻟﻨﻬﺎﻳﺔ املﺮﻛﺰﻳﺔ ﻣﺪى ﺣﺠﻢ اﻟﻌﻴﻨﺔ اﻟﺬي ﻳﺠﺐ أن ﻧﺼﻞ إﻟﻴﻪ ﻟﺘﺤﻘﻴﻖ اﺣﺘﻤﺎل‬
‫ﻛﺒري ﻟﻠﻮﺻﻮل ﻟﻬﺬه اﻟﺪﻗﺔ‪ .‬وﺑﺸﻜﻞ أﻋﻢ‪ ،‬ﻳُﻌَ ﱡﺪ املﺒﺪأ اﻟﻘﺎﺋﻞ ﺑﺄﻧﻨﺎ ﻧﺴﺘﻄﻴﻊ اﻟﺤﺼﻮل ﻋﲆ‬
‫ﺗﻘﺪﻳﺮات أﻓﻀﻞ وأﻓﻀﻞ ﻣﻦ ﺧﻼل أﺧﺬ ﻋﻴﻨﺎت أﻛﱪ ﻣﺒﺪأ ً ﻗﻮﻳٍّﺎ ﻟﻠﻐﺎﻳﺔ‪ .‬وﻗﺪ رأﻳﻨﺎ ﺑﺎﻟﻔﻌﻞ‬
‫إﺣﺪى اﻟﻄﺮق اﻟﺘﻲ ﺗُﺴﺘﺨﺪم ﻓﻴﻬﺎ ﻫﺬه اﻟﻔﻜﺮة ﻋﲆ ﻧﺤﻮ ﻋﻤﲇ ﺣني ﺗﻨﺎوﻟﻨﺎ ﻣﻮﺿﻮع ﻣﺴﺢ‬
‫اﻟﻌﻴﻨﺎت ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ‪.‬‬
‫آﺧﺮ‪ .‬ﰲ ﻋﻠﻢ اﻟﻔﻠﻚ‪ ،‬ﺗﻜﻮن اﻷﺟﺮام اﻟﺴﻤﺎوﻳﺔ اﻟﺒﻌﻴﺪة ﺧﺎﻓﺘﺔ ﺟﺪٍّا‪ ،‬وﺗﻜﻮن‬ ‫ﻣﺜﺎﻻ َ‬
‫إﻟﻴﻚ ً‬
‫ﻣﻌﻘﺪة ﺑﺴﺒﺐ اﻟﺘﻘﻠﺒﺎت اﻟﻌﺸﻮاﺋﻴﺔ ﰲ اﻹﺷﺎرات‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬إذا أﺧﺬﻧﺎ اﻟﻌﺪﻳﺪ‬ ‫املﺸﺎﻫﺪات ﱠ‬
‫ﻣﻦ اﻟﺼﻮر ﻟﻠﺠﺮم ﻧﻔﺴﻪ ورا َﻛﺒْﻨﺎﻫﺎ ﺑﻌﻀﻬﺎ ﻓﻮق ﺑﻌﺾ‪ ،‬ﻓﺈن اﻷﻣﺮ ﻳُﺸ ِﺒﻪ ﺣﺴﺎب ﻣﺘﻮﺳﻂ‬
‫اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻘﻴﺎﺳﺎت ﻟﻠﴚء ﻧﻔﺴﻪ‪ ،‬وﻛﻞ ﻗﻴﺎس ﻣﺴﺘﻤﺪ ﻣﻦ اﻟﺘﻮزﻳﻊ ﻧﻔﺴﻪ وﻟﻜﻦ ﺑﻮﺟﻮد‬
‫ً‬
‫ﺳﺎﺑﻘﺎ ﻳﺘﻢ اﻟﺘﺨﻠﺺ ﻣﻦ‬ ‫ﻣﻜﻮﱢن ﻋﺸﻮاﺋﻲ إﺿﺎﰲ‪ .‬وﺑﺎﺳﺘﺨﺪام ﻗﻮاﻧني اﻻﺣﺘﻤﺎﻻت املﺬﻛﻮرة‬
‫اﻟﻌﺸﻮاﺋﻴﺔ‪ ،‬وﺗﺒﻘﻰ رؤﻳﺔ واﺿﺤﺔ ﻟﻺﺷﺎرة اﻷﺳﺎﺳﻴﺔ؛ أي اﻟﺠﺮم اﻟﺴﻤﺎوي‪.‬‬

‫‪75‬‬
 ‫اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ‬

‫اﻟﺘﻘﺪﻳﺮ واﻻﺳﺘﺪﻻل‬

‫اﻹﺣﺼﺎء ﻫﻮ اﻟﻔﻠﺴﻔﺔ اﻟﺘﻄﺒﻴﻘﻴﺔ ﻟﻠﻌﻠﻮم‪.‬‬

‫إﻳﻪ ﺑﻲ دﻳﻔﻴﺪ‬

‫رأﻳﻨﺎ ﰲ اﻟﻔﺼﻞ اﻷول أن اﻹﺣﺼﺎﺋﻴﺎت ﺗﻠﻌﺐ دو ًرا ﻣﺰدوﺟً ﺎ ﻳﺘﻤﺜﻞ ﰲ ﺗﻠﺨﻴﺺ اﻟﺒﻴﺎﻧﺎت‬
‫واﺳﺘﺨﺮاج اﻻﺳﺘﻨﺘﺎﺟﺎت ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬واﺳﺘﻜﺸﻔﻨﺎ ﺑﻌﺾ اﻷدوات اﻟﺒﺴﻴﻄﺔ ﻟﺘﻠﺨﻴﺺ‬
‫اﻟﺒﻴﺎﻧﺎت ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ‪ .‬وﰲ ﻫﺬا اﻟﻔﺼﻞ‪ ،‬وﺑﺎﺳﺘﺨﺪام ﻣﻔﺎﻫﻴﻢ اﻻﺣﺘﻤﺎﻻت املﺬﻛﻮرة‬
‫ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ‪ ،‬ﺳﻮف ﻧﺘﻨﺎول اﻟﺘﻘﺪﻳﺮ واﻻﺳﺘﺪﻻل؛ أي‪ ،‬ﺳﻨﺪرس ﻃﺮق ﺗﺤﺪﻳﺪ ﻗﻴﻤﺔ‬
‫اﻟﻜﻤﻴﺎت اﻟﺘﻲ ﻻ ﻳﻤﻜﻨﻨﺎ ﻣﻼﺣﻈﺘﻬﺎ ﺑﺎﻟﻔﻌﻞ‪ ،‬وﺗﻘﺪﻳﻢ إﻓﺎدات ﻋﻨﻬﺎ‪ .‬إﻟﻴﻚ ﺑﻌﺾ اﻷﻣﺜﻠﺔ‪:‬‬
‫ﻣﺜﺎل ‪ :١‬ﻟﺘﺤﺪﻳﺪ ﴎﻋﺔ اﻟﻀﻮء‪ ،‬ﺳﻨﻘﻮم ﺑﺘﻨﻔﻴﺬ ﺑﻌﺾ ﻃﺮق اﻟﻘﻴﺎس‪ .‬ﻻ ﺗﻮﺟﺪ ﻃﺮﻳﻘﺔ‬
‫ﻗﻴﺎس ﻣﺜﺎﻟﻴﺔ‪ ،‬وإذا ﻛﺮرﻧﺎ ﻫﺬه اﻟﻌﻤﻠﻴﺔ ﻓﺮﺑﻤﺎ ﺳﻨﺤﺼﻞ ﻋﲆ ﻗﻴﻤﺔ ﻣﺨﺘﻠﻔﺔ ً‬
‫ﻗﻠﻴﻼ‪ .‬وﺗﻜﺮار‬
‫ُ‬
‫وﻫﺪﻓﻨﺎ إذن ﻫﻮ‬ ‫اﻟﻘﻴﺎس ﻣﺎﺋﺔ ﻣﺮة ﻣﻦ املﺮﺟﺢ أن ﻳﻌﻄﻴﻨﺎ ﻣﺎﺋﺔ ﻗﻴﻤﺔ ﻣﺨﺘﻠﻔﺔ ً‬
‫ﻗﻠﻴﻼ‪.‬‬
‫اﺳﺘﺨﺪام ﻫﺬه اﻟﻌﻴﻨﺔ ﻣﻦ اﻟﻘﻴﻢ ﻟﺘﻘﺪﻳﺮ ﴎﻋﺔ اﻟﻀﻮء اﻟﺤﻘﻴﻘﻴﺔ‪ ،‬دون أن ﻳﺸﻮﺑﻬﺎ ﺷﺎﺋﺒﺔ‬
‫ﻣﻦ ﺧﻄﺄ اﻟﻘﻴﺎس‪.‬‬
‫ﻌﻄﻲ دواءً ﺟﺪﻳﺪًا ﻟﻌﻴﱢﻨﺔ ﻣﻦ املﺮﴇ‬ ‫ﻣﺜﺎل ‪ :٢‬ﰲ ﺗﺠﺮﺑﺔ ﴎﻳﺮﻳﺔ ﻋﺸﻮاﺋﻴﺔ ﺑﺴﻴﻄﺔ‪ ،‬رﺑﻤﺎ ﻧ ُ ِ‬
‫ودواءً ﻣﻌﻴﺎرﻳٍّﺎ ﻟﻌﻴﻨﺔ أﺧﺮى‪ .‬وﺑﻨﺎءً ﻋﲆ ﻣﻼﺣﻈﺎت اﻵﺛﺎر ﻟﺪى ﻫﺎﺗني املﺠﻤﻮﻋﺘَني ﻣﻦ‬
‫املﺮﴇ ﺳﻮف ﻧﺮﻏﺐ ﰲ ﺗﻘﺪﻳﻢ إﻓﺎدة‪ ،‬أو اﺳﺘﺪﻻل‪ ،‬ﺣﻮل اﻟﻔﻌﺎﻟﻴﺔ اﻟﻨﺴﺒﻴﺔ ﻟﻠﺪواء اﻟﺠﺪﻳﺪ‪.‬‬
‫ﺑﻌﺒﺎرة أﺧﺮى‪ ،‬ﻧﺮﻏﺐ ﰲ ﺗﻘﺪﻳﺮ ﻣﺪى ﻛﱪ اﻟﻔﺎرق ﰲ ﻓﻌﺎﻟﻴﺔ اﻟﺪواءﻳﻦ اﻟﺬي ﻗﺪ ﱠ‬
‫ﻧﺘﻮﻗﻌﻪ‬
‫وﺻﻔﻨﺎ ﻛﻞ دواء ﻣﻦ اﻟﺪواءﻳﻦ ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ ﻣﻦ املﺮﴇ اﻟﺨﺎﺿﻌني‬ ‫ْ‬ ‫إذا ﻛﻨﱠﺎ ﻗﺪ‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻟﻠﺪراﺳﺔ‪ .‬وﺳﻨﺮﻏﺐ ً‬
‫أﻳﻀﺎ ﻋﲆ ﻧﺤﻮ ﻣﺜﺎﱄ ﰲ اﻟﺤﺼﻮل ﻋﲆ ﺑﻌﺾ املﺆﴍات ﺣﻮل ﻣﺪى‬
‫ﺛﻘﺘﻨﺎ ﰲ ﺣﺠﻢ اﻟﺘﻘﺪﻳﺮ‪.‬‬
‫ﻣﺜﺎل ‪ :٣‬ﰲ دراﺳﺔ ﻟﻠﺒﻄﺎﻟﺔ ﰲ ﻟﻨﺪن‪ ،‬ﺳﺘﻜﻮن ﻣﻘﺎﺑﻠﺔ اﻟﺠﻤﻴﻊ ﻏري ﻗﺎﺑﻠﺔ ﻟﻠﺘﻄﺒﻴﻖ؛ ﻟﺬﻟﻚ‬
‫ﺳﺘُﺠﺮى ﻣﻘﺎﺑﻼت ﻣﻊ ﻋﻴﻨﺔ ﻣﻦ اﻷﺷﺨﺎص‪ ،‬ﺑﻬﺪف اﺳﺘﺨﺪام ردود ﻫﺬه اﻟﻌﻴﻨﺔ ﻟﺘﻘﺪﻳﻢ‬
‫إﻓﺎدة ﻋﺎﻣﺔ ﻋﻦ ﻟﻨﺪن ﺑﺄﻛﻤﻠﻬﺎ؛ أي إﻧﻨﺎ ﻧﻮد ﺗﻘﺪﻳﺮ اﻟﺒﻄﺎﻟﺔ ﰲ ﻟﻨﺪن ﺑﺄﻛﻤﻠﻬﺎ ﺑﺎﺳﺘﺨﺪام‬
‫ﺑﻴﺎﻧﺎت اﻟﻌﻴﻨﺔ‪.‬‬
‫ﻗﺪﻣﺖ ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ ﻓﻜﺮة »ﻣَ ﻌْ َﻠﻤﺔ« اﻟﺘﻮزﻳﻊ‪.‬‬
‫ُ‬ ‫ﻣﺜﺎل ‪ :٤‬ﻋﲆ ﻧﺤﻮ أﻛﺜﺮ ﺗﺠﺮﻳﺪﻳﺔ‪،‬‬
‫وﺷﺎﻫﺪﻧﺎ ﻣﺜﺎل ﻋﺎﺋﻠﺔ ﺑﺮﻧﻮﱄ ﻣﻦ اﻟﺘﻮزﻳﻌﺎت؛ ﺣﻴﺚ ﻳﺴﺘﻄﻴﻊ ﻣﺘﻐري ﻋﺸﻮاﺋﻲ أن ﻳﺄﺧﺬ‬
‫اﻟﻘﻴﻤﺔ ‪ ٠‬أو ‪ ،١‬وﺣﻴﺚ ﻛﺎﻧﺖ ‪ p‬ﻣﻌﻠﻤﺔ ﺗﻌﻄﻲ اﺣﺘﻤﺎل ﻣﻼﺣﻈﺔ اﻟﻘﻴﻤﺔ ‪ .١‬ﻛﻤﺎ‬
‫ﻣﺜﺎﻻ ﻋﲆ اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ‪ ،‬واﻟﺬي ﻛﺎن ﻳﻤﺘﻠﻚ ﻣﻌﻠﻤﺘني؛ ﻫﻤﺎ اﻻﻧﺤﺮاف‬ ‫ً‬ ‫رأﻳﻨﺎ ً‬
‫أﻳﻀﺎ‬
‫املﻌﻴﺎري واملﺘﻮﺳﻂ‪ .‬ورﺑﻤﺎ ﻳﻜﻮن ﻫﺪﻓﻨﺎ ﻫﻮ ﺗﻘﺪﻳﺮ ﻗﻴﻤﺔ ﻫﺬه املﻌﻠﻤﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪،‬‬
‫رﺑﻤﺎ ﺗﺪرس ﻋﺎﻟِﻤﺔ أﻧﺜﺮوﺑﻮﻟﻮﺟﻴﺎ أﻃﻮال ﻣﺠﻤﻮﻋﺔ ﻣﻌﻴﻨﺔ ﻣﻦ اﻷﺷﺨﺎص‪ ،‬ورﺑﻤﺎ ﺗﻜﻮن‬
‫ً‬
‫ﺗﻮﺻﻴﻔﺎ ﺗﺎﻣٍّ ﺎ‬ ‫ﻣﺴﺘﻌِ ﺪﱠة ﻻﻓﱰاض أن اﻷﻃﻮال ﻣُﻮ ﱠزﻋﺔ ﻃﺒﻴﻌﻴٍّﺎ‪ ،‬وﻟﻜﻦ ﻟﺘﻮﺻﻴﻒ اﻟﺘﻮزﻳﻊ‬
‫ﺳﻮف ﺗﺤﺘﺎج إﱃ ﻣﻌﺮﻓﺔ املﺘﻮﺳﻂ واﻻﻧﺤﺮاف املﻌﻴﺎري ﻟﻬﺬا اﻟﺘﻮزﻳﻊ‪ .‬ورﺑﻤﺎ ﺗﺮﻏﺐ ﰲ‬
‫اﺳﺘﺨﺪام أﻃﻮال ﻋﻴﻨﺔ أﺷﺨﺎص ﻣﻦ املﺠﻤﻮﻋﺔ ﻟﺘﻘﺪﻳﺮ املﺘﻮﺳﻂ واﻻﻧﺤﺮاف املﻌﻴﺎري‬
‫ﻟﻠﻤﺠﻤﻮﻋﺔ ﺑﺄﻛﻤﻠﻬﺎ‪.‬‬

‫)‪ (1‬ﺗﻘﺪﻳﺮ اﻟﻨﻘﻄﺔ‬

‫َ‬
‫اﻟﺼﻔﻘﺔ اﻟﺘﺎﻟﻴﺔ‪ :‬ﺳﻮف ﻳﻘﺬف ﻋﻤﻠﺔ ﻣﻌﺪﻧﻴﺔ ﻋﲆ ﻧﺤﻮ ﻣﺘﻜﺮر‪ ،‬وﻛﻠﻤﺎ‬ ‫ض ﻋﲇ ﱠ ﺻﺪﻳﻖ ﱄ‬ ‫ﻋَ َﺮ َ‬
‫ﻇﻬﺮ وﺟﻪ اﻟﺼﻮرة ﺳﻮف ﻳﻌﻄﻴﻨﻲ ‪ ١٠‬ﺟﻨﻴﻬﺎت اﺳﱰﻟﻴﻨﻴﺔ‪ ،‬وﻟﻜﻦ ﻛﻠﻤﺎ ﻇﻬﺮ وﺟﻪ اﻟﻜﺘﺎﺑﺔ‬
‫ﺳﻮف أﻋﻄﻴﻪ ‪ ٥‬ﺟﻨﻴﻬﺎت اﺳﱰﻟﻴﻨﻴﺔ‪.‬‬
‫ﻳﺒﺪو ﻫﺬا ﻟﻠﻮﻫﻠﺔ اﻷوﱃ وﻛﺄﻧﻪ ﺻﻔﻘﺔ ﺟﻴﺪة ﺑﺎﻟﻨﺴﺒﺔ ﱄ‪ .‬ﻓﺮﻏﻢ ﻛﻞ ﳾء‪ ،‬ﻣﻦ املﻌﺮوف‬
‫ﻣﺘﺴﺎو أن ﺗﺴﺘﻘﺮ اﻟﻌﻤﻠﺔ ووﺟﻪ اﻟﺼﻮرة أو اﻟﻜﺘﺎﺑﺔ ﻷﻋﲆ‬
‫ٍ‬ ‫ﺟﻴﺪًا أﻧﻪ ﻣﻦ املﺮﺟﺢ ﻋﲆ ﻧﺤﻮ‬
‫)اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ﻳﺴﺎوي ‪(٢ / ١‬؛ ﻟﺬﻟﻚ ﻣﻦ املﺤﺘﻤﻞ أن أﻓﻮز ﺑﻌﴩة ﺟﻨﻴﻬﺎت‬
‫اﺳﱰﻟﻴﻨﻴﺔ ﺑﻘﺪر اﺣﺘﻤﺎل ﺧﺴﺎرة ﺧﻤﺴﺔ ﺟﻨﻴﻬﺎت اﺳﱰﻟﻴﻨﻴﺔ ﰲ ﻛﻞ ﻗﺬﻓﺔ ﻟﻠﻌﻤﻠﺔ‪ .‬وﰲ‬
‫املﺘﻮﺳﻂ‪ ،‬ﺳﻮف أﻛﻮن ﻓﺎﺋ ًﺰا‪.‬‬
‫وﻟﻜﻦ ﺑﻌﺪ ذﻟﻚ ﺳﺎورﺗْﻨﻲ اﻟﺸﻜﻮك‪ .‬ملﺎذا ﻳﻘﺪم ﱄ ﺻﻔﻘﺔ ﻳﺒﺪو أﻧﻬﺎ ﰲ ﺻﺎﻟﺤﻲ ﻟﻠﻐﺎﻳﺔ؟‬
‫ﺑﺪأت أﺷ ﱡﻚ ﰲ أﻧﻪ رﺑﻤﺎ ﻋﺒﺚ ﺑﺎﻟﻌﻤﻠﺔ؛ ﺑﺤﻴﺚ ﻳﻜﻮن اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ﰲ اﻟﻮاﻗﻊ‬ ‫ُ‬

‫‪78‬‬
 ‫اﻟﺘﻘﺪﻳﺮ واﻻﺳﺘﺪﻻل‬

‫ً‬
‫ﺿﺌﻴﻼ‬ ‫أﻗ ﱠﻞ ﻣﻦ اﻟﻨﺼﻒ‪ .‬ﻓﻌﲆ أي ﺣﺎل‪ ،‬إذا ﻛﺎن اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ﰲ اﻟﺤﻘﻴﻘﺔ‬
‫ﻟﻠﻐﺎﻳﺔ‪ ،‬ﺑﺤﻴﺚ إﻧﻪ ﻧﺎد ًرا ﻣﺎ ﻳَﻈﻬَ ﺮ‪ ،‬ﻳﻤﻜﻦ أن ﺗﻜﻮن اﻟﺼﻔﻘﺔ ﺳﻴﺌﺔ ﺑﺎﻟﻨﺴﺒﺔ ﱄ‪ .‬ملﻌﺮﻓﺔ ﻫﺬا‪،‬‬
‫ﺳﺄرﻏﺐ ﰲ ﺗﻘﺪﻳﺮ ﻫﺬا اﻻﺣﺘﻤﺎل‪ .‬ﻋﺮض ﺻﺪﻳﻘﻲ — اﻟﻜﺮﻳﻢ ﻟﻠﻐﺎﻳﺔ وﻟﻜﻨﻪ ﻻ ﻳﻌﺮف ﺷﻴﺌًﺎ‬
‫ﺳﺖ ﻣﺮات‪ ،‬ﺣﺘﻰ أﺳﺘﻄﻴﻊ أن أرى اﻟﻮﺟﻪ اﻟﺬي ﺳﻴَﻈﻬَ ﺮ ﰲ‬ ‫ﻋﻦ اﻹﺣﺼﺎء — ﻗﺬْف اﻟﻌﻤﻠﺔ ﱠ‬
‫ﻛﻞ ﻣﺮة‪ .‬وﻫﺪﰲ إذن ﻫﻮ اﺳﺘﺨﺪام ﻫﺬه اﻟﺒﻴﺎﻧﺎت ﻟﺘﻘﺪﻳﺮ اﺣﺘﻤﺎل أن اﻟﻌﻤﻠﺔ ﺳﺘﺴﺘﻘﺮ ووﺟﻪ‬
‫اﻟﺼﻮرة ﻷﻋﲆ ﰲ ﻋﻤﻠﻴﺎت اﻟﻘﺬف املﺴﺘﻘﺒﻠﻴﺔ‪.‬‬
‫ﻟﻨﻔﱰض أن اﻟﻌﻤﻠﺔ ﺧﻀﻌﺖ ﻟﻠﺘﻼﻋﺐ‪ ،‬وأن اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﻌﻤﻠﺔ ﰲ أي ﻗﺬﻓﺔ‬
‫واﺣﺪة ﻛﺎن ‪ ٣ / ١‬ﻓﻘﻂ‪ .‬وﺑﻤﺎ أن ﻗﺬﻓﺎت اﻟﻌﻤﻠﺔ ﻣﺴﺘﻘﻠﺔ ﺑﻌﻀﻬﺎ ﻋﻦ ﺑﻌﺾ )ﻧﺘﻴﺠﺔ اﻟﻘﺬﻓﺔ‬
‫اﻟﻮاﺣﺪة ﻻ ﺗﺆﺛﺮ ﻋﲆ ﻧﺘﻴﺠﺔ أي ﻗﺬﻓﺔ أﺧﺮى(‪ ،‬ﻓﺈﻧﻨﺎ ﻧﻌﻠﻢ أن اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة‬
‫ﰲ ﻗﺬﻓﺘني ﻫﻮ ﺑﺒﺴﺎﻃﺔ ﻧﺎﺗﺞ ﴐب اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ﰲ ﻛﻠﺘﺎ املﺮﺗني‪× ٣ / ١ :‬‬
‫‪ .٩ / ١ = ٣ / ١‬وﺑﺎملﺜﻞ‪ ،‬ﺑﻤﺎ أن اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻫﻮ ‪ ،٣ / ٢ = ٣ / ١ − ١‬ﻓﺈن‬
‫اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ﻣﺘﺒﻮﻋً ﺎ ﺑﻈﻬﻮر وﺟﻪ اﻟﻜﺘﺎﺑﺔ ﺳﻴﻜﻮن ﺣﺎﺻﻞ ﴐب ‪٣ / ١‬‬
‫و‪٣ / ٢‬؛ وﻫﻮ ‪ .٩ / ٢‬وﻋﻤﻮﻣً ﺎ‪ ،‬ﺑﺎﻓﱰاض أن اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ﰲ ﻛﻞ ﻗﺬﻓﺔ ﻫﻮ‬
‫‪ ،٣ / ١‬ﻳﻤﻜﻨﻨﺎ ﺣﺴﺎب اﺣﺘﻤﺎل اﻟﺤﺼﻮل ﻋﲆ أي ﺗﺴﻠﺴﻞ ﻟﻮﺟﻬَ ﻲ اﻟﺼﻮرة واﻟﻜﺘﺎﺑﺔ؛ وﻋﲆ‬
‫ُ‬
‫ﺗﺴﻠﺴﻞ ﻣﻤﺎﺛﻞ ﻟﺬﻟﻚ اﻟﺬي ﻳﻈﻬﺮ ﰲ اﻟﻘﺬﻓﺎت اﻟﺴﺖ اﻟﺘﻲ رأﻳﻨﺎﻫﺎ ﺑﺎﻟﻔﻌﻞ؛‬ ‫وﺟﻪ اﻟﺨﺼﻮص‪،‬‬
‫ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬إذا أﻇﻬﺮت اﻟﻘﺬﻓﺎت اﻟﺴﺖ اﻟﺘﺴﻠﺴ َﻞ ص – ك – ص – ك – ك – ك‪،‬‬
‫ﻓﺈن اﺣﺘﻤﺎل اﻟﺤﺼﻮل ﻋﲆ ﺗﺴﻠﺴﻞ ﻣﺘﻄﺎﺑﻖ ﺑﺎملﺼﺎدﻓﺔ ﺳﻴﻜﻮن ‪× ٣ / ١ × ٣ / ٢ × ٣ / ١‬‬
‫‪٧٢٩ / ١٦ = ٣ / ٢ × ٣ / ٢ × ٣ / ٢‬؛ أي ﺗﻘﺮﻳﺒًﺎ ‪.٠٫٠٢٢‬‬
‫ﻳﻤﻜﻨﻨﺎ ﺑﺎﻟﻄﺮﻳﻘﺔ ﻧﻔﺴﻬﺎ ﺣﺴﺎب اﺣﺘﻤﺎل اﻟﺤﺼﻮل ﻋﲆ ﺗﺴﻠﺴﻞ ص – ك – ص – ك‬
‫– ك – ك إذا ﻛﺎن اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ﰲ ﻛﻞ ﻗﺬﻓﺔ ﻳﺴﺎوي ﻓﻌﻠﻴٍّﺎ أي ﻗﻴﻤﺔ أﺧﺮى؛‬
‫ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬إذا ﻛﺎن اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ‪) ٢ / ١‬وﻣﻦ ﺛﻢ ﻓﺈن اﺣﺘﻤﺎل ﻇﻬﻮر‬
‫وﺟﻪ اﻟﻜﺘﺎﺑﺔ ﻳﺴﺎوي ‪ ،(٢ / ١ = ٢ / ١ − ١‬ﻓﺈن اﺣﺘﻤﺎل اﻟﺤﺼﻮل ﻋﲆ ﻣﺜﻞ ﻫﺬا اﻟﺘﺴﻠﺴﻞ‬
‫ﻫﻮ ‪٦٤ / ١ = ٢ / ١ × ٢ / ١ × ٢ / ١ × ٢ / ١ × ٢ / ١ × ٢ / ١‬؛ أي ﺗﻘﺮﻳﺒًﺎ ‪،٠٫٠١٦‬‬
‫وإذا ﻛﺎن اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ﻫﻮ ‪ ،١٠ / ١‬ﻓﺈن اﺣﺘﻤﺎل اﻟﺤﺼﻮل ﻋﲆ ﻣﺜﻞ ﻫﺬا‬
‫اﻟﺘﺴﻠﺴﻞ ﻳﻘﺮب ﻣﻦ ‪ ٠٫٠٠٧‬وﻫﻜﺬا‪.‬‬
‫ﻫﺪﻓﻨﺎ اﻵن ﻫﻮ ﺗﻘﺪﻳﺮ اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ﰲ أي ﻗﺬﻓﺔ ﻣﺴﺘﻘﺒﻠﻴﺔ؛ أي إﻧﻨﺎ‬
‫ﻧﺮﻏﺐ ﰲ اﺧﺘﻴﺎر ﻗﻴﻤﺔ واﺣﺪة — ‪ ٣ / ١‬أو ‪ ٢ / ١‬أو ‪ ١٠ / ١‬أو أﻳٍّﺎ ﻣﺎ ﺗﻜﻮن — ﻛﺘﻘﺪﻳﺮ‬
‫ﻟﻬﺬا اﻻﺣﺘﻤﺎل‪ .‬وﻋﻨﺪ اﻟﻨﻈﺮ إﱃ اﻟﺤﺴﺎﺑﺎت اﻟﺴﺎﺑﻘﺔ‪ ،‬ﻧﺮى أن اﺣﺘﻤﺎل اﻟﺤﺼﻮل ﻋﲆ اﻟﻨﺘﺎﺋﺞ‬

‫‪79‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫املﺮﺻﻮدة ﻟﺴﺖ ﻗﺬﻓﺎت ﻫﻮ ‪ ٠٫٠٢٢‬إذا ﻛﺎن اﻻﺣﺘﻤﺎل اﻟﺤﻘﻴﻘﻲ ﻟﻈﻬﻮر وﺟﻪ اﻟﺼﻮرة ﻫﻮ‬
‫‪ ،٣ / ١‬ﰲ ﺣني أﻧﻪ ﻻ ﻳﺘﺠﺎوز ‪ ٠٫٠١٦‬إذا ﻛﺎن اﻻﺣﺘﻤﺎل اﻟﺤﻘﻴﻘﻲ ﻟﻈﻬﻮر وﺟﻪ اﻟﺼﻮرة‬
‫ﻫﻮ ‪ ،٢ / ١‬وﻫﻮ أﻗﻞ ﻣﻦ ذﻟﻚ — ‪ ٠٫٠٠٧‬ﻓﻘﻂ — إذا ﻛﺎن اﻻﺣﺘﻤﺎل اﻟﺤﻘﻴﻘﻲ ﻟﻈﻬﻮر‬
‫وﺟﻪ اﻟﺼﻮرة ﻫﻮ ‪ .١٠ / ١‬ﻣﺎ ﻳﻌﻨﻴﻪ ﻫﺬا ﻫﻮ أﻧﻪ ﻣﻦ اﻷﻛﺜﺮ ﺗﺮﺟﻴﺤً ﺎ أن ﻧﺤﺼﻞ ﻋﲆ ﻧﺘﺎﺋﺞ‬
‫اﻟﻘﺬﻓﺎت اﻟﺴﺖ املﺮﺻﻮدة إذا ﻛﺎن اﻻﺣﺘﻤﺎل اﻟﺤﻘﻴﻘﻲ ﻫﻮ ‪ ٣ / ١‬أﻛﺜﺮ ﻣﻤﱠ ﺎ إذا ﻛﺎن ‪ ٢ / ١‬أو‬
‫‪١٠ / ١‬؛ وﻣﻦ ﺛ َ ﱠﻢ ﻳﺒﺪو ﻣﻦ املﻌﻘﻮل أن ﻧﺨﺘﺎر اﻟﻘﻴﻤﺔ ‪ ٣ / ١‬ﻛﺘﻘﺪﻳﺮ وﺣﻴﺪ ﻻﺣﺘﻤﺎل ﻇﻬﻮر‬
‫وﺟﻪ اﻟﺼﻮرة؛ ﻓﻬﺬه ﻫﻲ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻳﺮﺟﺢ أن ﺗﺴﻔﺮ ﻋﻦ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺣﺼﻠﻨﺎ ﻋﻠﻴﻬﺎ‬
‫ً‬
‫ﻓﻌﻼ‪.‬‬
‫ﻳﻮﺿﺢ ﻫﺬا املﺜﺎل ﻃﺮﻳﻘﺔ »اﻹﻣﻜﺎﻧﻴﺔ اﻟﻘﺼﻮى« ﻟﻠﺘﻘﺪﻳﺮ؛ إذ ﻧﺨﺘﺎر ﻗﻴﻤﺔ املﻌﻠﻤﺔ‬
‫اﻟﺘﻲ ﻟﺪﻳﻬﺎ أﻋﲆ اﺣﺘﻤﺎل ﻹﻧﺘﺎج اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة‪ .‬ﰲ املﺜﺎل اﻟﺴﺎﺑﻖ‪ ،‬ﺣﺴﺒﺖ ﻓﻘﻂ ﻫﺬا‬
‫اﻻﺣﺘﻤﺎل ﻟﻠﻘِ ﻴَﻢ اﻟﺜﻼث املﺮﺗﺒﻄﺔ ﺑﺎﺣﺘﻤﺎﻟﻴﺔ ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة )‪،(١٠ / ١ ،٢ / ١ ،٣ / ١‬‬
‫ﺗﺒني اﺣﺘﻤﺎل ﺣﺪوث‬ ‫وﻟﻜﻦ ﻳﻤﻜﻨﻨﺎ ﺟﻮﻫﺮﻳٍّﺎ ﺣﺴﺎﺑﻬﺎ ﻟﺠﻤﻴﻊ اﻟﻘِ ﻴَﻢ املﻤﻜﻨﺔ‪ .‬واﻟﺪاﻟﺔ اﻟﺘﻲ ﱢ‬
‫اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة ﻟﻜﻞ ﺧﻴﺎر ﻣﻤﻜﻦ ﻻﺣﺘﻤﺎﻟﻴﺔ ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ﻳﻄﻠﻖ ﻋﻠﻴﻬﺎ اﺳﻢ‬
‫»داﻟﺔ اﻹﻣﻜﺎن«‪ .‬وﺗﻠﻌﺐ ﻫﺬه اﻟﺪاﻟﺔ دو ًرا ﻣﺤﻮرﻳٍّﺎ ﰲ اﻻﺳﺘﺪﻻل اﻹﺣﺼﺎﺋﻲ‪.‬‬
‫وﻳﻤﻜﻦ ﺗﻄﺒﻴﻖ املﺒﺪأ ﻧﻔﺴﻪ ﻣﻦ أﺟْ ﻞ اﻟﺤﺼﻮل ﻋﲆ ﺗﻘﺪﻳﺮات ملﻌﻠﻤﺎت اﻟﺘﻮزﻳﻊ‬
‫اﻟﻄﺒﻴﻌﻲ‪ ،‬أو أي ﺗﻮزﻳﻊ آﺧﺮ‪ .‬ﻓﻨﺤﺴﺐ ﺑﺒﺴﺎﻃﺔ ﻣﺎ ﻳﻤﻜﻦ أن ﻳﻜﻮن اﺣﺘﻤﺎل اﻟﺤﺼﻮل‬
‫ﻋﲆ ﻣﺠﻤﻮﻋﺔ ﺑﻴﺎﻧﺎت ﻣﺜﻞ اﻟﺘﻲ ﺣﺪﺛﺖ ﰲ اﻟﻮاﻗﻊ ﺑﺎﻟﻨﺴﺒﺔ ﻟﺨﻴﺎرات اﻟﻘﻴﻢ املﺨﺘﻠﻔﺔ املﺤﺘﻤﻠﺔ‬
‫ﻟﻠﻤﻌﻠﻤﺔ‪ .‬وﻣُﻘﺪر اﻹﻣﻜﺎﻧﻴﺔ اﻟﻘﺼﻮى ﻫﻮ ﻗﻴﻤﺔ املﻌﻠﻤﺔ اﻟﺘﻲ ﺗُﻨﺘﺞ أﻛﱪ اﻻﺣﺘﻤﺎﻻت‪ .‬ﻻﺣِ ﻆ‬
‫أن ﻫﺬه اﻟﻌﻤﻠﻴﺔ ﺗُﻨﺘﺞ ﻗﻴﻤﺔ واﺣﺪة؛ وﻫﻲ ﺗﻘﺪﻳﺮ ﻳﻜﻮن ﻫﻮ اﻷﻓﻀﻞ ﻣﻦ ﻣﻨﻈﻮر اﻹﻣﻜﺎﻧﻴﺔ‬
‫اﻟﻘﺼﻮى‪ .‬وﻷﻧﻬﺎ ﻗﻴﻤﺔ واﺣﺪة ﻓﺤﺴﺐ‪ ،‬ﻓﺈﻧﻬﺎ ﺗﺴﻤﻰ »ﺗﻘﺪﻳﺮ اﻟﻨﻘﻄﺔ«‪.‬‬
‫ﺛﻤﺔ ﻃﺮﻳﻘﺔ ﺑﺪﻳﻠﺔ ﻟﻠﺘﻔﻜري ﰲ ﻫﺬا اﻟﻨﻬﺞ ﻟﻠﺘﻘﺪﻳﺮ؛ وﻫﻲ اﻟﻨﻈﺮ ﻟﺪاﻟﺔ اﻹﻣﻜﺎن ﻋﲆ‬
‫أﻧﻬﺎ ﻣﻘﻴﺎس ﻟﻠﺘﻮاﻓﻖ ﺑني اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة )اﻟﺘﺴﻠﺴﻞ اﻟﻨﺎﺗﺞ ﻋﻦ ﺳﺖ ﻗﺬﻓﺎت ﻟﻠﻌﻤﻠﺔ(‬
‫واﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﻨﺒﱠﺄَت ﺑﻬﺎ ﻧﻈﺮﻳﺘﻨﺎ )ﺣﻴﺚ ﺗﻌﻨﻲ ﻛﻠﻤﺔ »ﻧﻈﺮﻳﺔ« ﻫﻨﺎ اﻟﻘﻴﻤﺔ املﻘﱰﺣﺔ‬
‫ﻻﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ٣ / ١ ،‬أو ‪ .(٢ / ١‬واﺧﺘﻴﺎر اﻟﻨﻈﺮﻳﺔ‬
‫)اﺣﺘﻤﺎل ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة( ﻟﺘﺤﻘﻴﻖ أﻗﴡ ﻗﺪر ﻣﻦ اﻟﺘﻮاﻓﻖ — أو ﻋﲆ ﻧﺤﻮ ﻣﻜﺎﻓﺊ‪،‬‬
‫ﻟﺘﻘﻠﻴﻞ اﻟﺘﻨﺎﻗﺾ — أﻣﺮ ﻣﻌﻘﻮل ﻋﲆ ﻧﺤﻮ واﺿﺢ‪ .‬واﻟﺘﻔﻜري ﰲ اﻷﻣﺮ ﺑﻬﺬه اﻟﻄﺮﻳﻘﺔ ﻳﺴﻤﺢ‬
‫ﻟﻨﺎ ﺑﺎﻟﺘﻌﻤﻴﻢ؛ إذ ﻳﻤﻜﻨﻨﺎ اﻟﺘﻔﻜري ﰲ ﻣﻘﺎﻳﻴﺲ أﺧﺮى ﻟﻠﺘﻨﺎﻗﺾ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﰲ ﻛﺜري‬
‫ﻣﻦ اﻟﺤﺎﻻت‪ ،‬ﻳﺘﻤﺜﻞ ﻣﻘﻴﺎس ﺟﻴﺪ ﻟﻠﺘﻨﺎﻗﺾ ﰲ ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت اﻟﻔﺮوق ﺑني ﻗﻴﻤﺔ املﻌﻠﻤﺔ‬

‫‪80‬‬
 ‫اﻟﺘﻘﺪﻳﺮ واﻻﺳﺘﺪﻻل‬

‫املﻘﱰﺣﺔ وﻗﻴﻢ اﻟﻌﻴﻨﺔ اﻟﻔﺮدﻳﺔ‪ .‬واﺧﺘﻴﺎر املﻌﻠﻤﺔ ﻟﻠﺤﺪ ﻣﻦ ﻫﺬا املﻘﻴﺎس ﻳﻌﻨﻲ اﻟﺤﺼﻮل ﻋﲆ‬
‫»أﻓﻀﻞ« ﺗﻘﺪﻳﺮ‪ ،‬ﰲ ﺳﻴﺎق أﺻﻐﺮ ﻣﺠﻤﻮع ﻟﻠﻔﺮوق املﺮﺑﻌﺔ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻫﺬه ﻃﺮﻳﻘﺔ ﺷﺎﺋﻌﺔ‬
‫ﻟﻠﻐﺎﻳﺔ ﻟﻠﺘﻘﺪﻳﺮ‪ ،‬وﻳﻄﻠﻖ ﻋﻠﻴﻬﺎ — ﻷﺳﺒﺎب واﺿﺤﺔ — »ﺗﻘﺪﻳﺮ املﺮﺑﻌﺎت اﻟﺼﻐﺮى«‪.‬‬
‫أﺣﻴﺎﻧًﺎ ﻳﻜﻮن ﻟﺪﻳﻨﺎ أﻓﻜﺎر ﻗﺒﻞ ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت ﻋﻦ اﻟﻘﻴﻤﺔ اﻟﺘﻲ ﻧﺘﻮﻗﻊ أن ﺗﻜﻮن ﻋﻠﻴﻬﺎ‬
‫املﻌﻠﻤﺔ‪ .‬وﻣﺜﻞ ﻫﺬه اﻷﻓﻜﺎر ﻗﺪ ﺗﺄﺗﻲ ﻣﻦ اﻟﺨﱪات أو اﻟﺘﺠﺎرب اﻟﺴﺎﺑﻘﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪،‬‬
‫ﻄﻊ اﻟﻨﻘﺪﻳﺔ‪ ،‬رﺑﻤﺎ ﻧﻌﺘﻘﺪ أن املﻌﻠﻤﺔ ‪ ،p‬اﻟﺘﻲ ﺗﻌﻄﻲ‬ ‫ﺑﻨﺎءً ﻋﲆ ﺧﱪﺗﻨﺎ اﻟﺴﺎﺑﻘﺔ ﰲ ﻗﺬف اﻟﻘِ َ‬
‫اﺣﺘﻤﺎل أن اﻟﻌﻤﻠﺔ املﻘﺬوﻓﺔ ﺳﻮف ﺗﻈﻬﺮ وﺟﻪ اﻟﺼﻮرة‪ ،‬ﺗﻘﱰب ﻣﻦ ‪ ،٢ / ١‬وأﻧﻪ ﻣﻦ ﻏري‬
‫املﺤﺘﻤﻞ ﺟﺪٍّا أن ﺗﻜﻮن ﺑﻌﻴﺪة ﻋﻦ ‪ .٢ / ١‬وﻧﻘﻮل إن ﻟﺪﻳﻨﺎ »ﺗﻮزﻳﻌً ﺎ َﻗﺒﻠﻴٍّﺎ« ﻹﻳﻤﺎﻧﻨﺎ ﺑﺄن‬
‫املﻌﻠﻤﺔ املﺠﻬﻮﻟﺔ ﺗﺄﺧﺬ ﻗﻴﻤً ﺎ ﻣﺨﺘﻠﻔﺔ‪ .‬وﻳﻤﺜﻞ ﻫﺬا اﻟﺘﻮزﻳﻊ إﻳﻤﺎﻧًﺎ ذاﺗﻴٍّﺎ ﺣﻴﺎل ﻗﻴﻤﺔ املﻌﻠﻤﺔ؛‬
‫ﻛﻤﺎ ﻫﻲ اﻟﺤﺎل ﻣﻊ اﻟﺘﻔﺴري اﻟﺬاﺗﻲ ﻟﻼﺣﺘﻤﺎل املﺬﻛﻮر ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ‪ .‬وﰲ ﻣﺜﻞ ﻫﺬه‬
‫ﺑﺪﻻ ﻣﻦ ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت ﺑﻤﻌﺰل ﻻﺳﺘﺨﺮاج ﺗﻘﺪﻳﺮ ﻟﻘﻴﻤﺔ املﻌﻠﻤﺔ‪ ،‬ﻣﻦ املﻨﻄﻘﻲ‬ ‫اﻟﺤﺎﻻت‪ً ،‬‬
‫اﻟﺠﻤﻊ ﺑني اﻟﺒﻴﺎﻧﺎت وإﻳﻤﺎﻧﻨﺎ اﻟﺴﺎﺑﻖ ﻻﺳﺘﺨﺮاج »ﺗﻮزﻳﻊ ﺑﻌﺪي« ملﻌﺘﻘﺪاﺗﻨﺎ ﺣﻮل اﻟﻘﻴﻢ‬
‫املﺤﺘﻤﻠﺔ ﻟﻠﻤﻌﻠﻤﺔ‪ .‬وﻫﺬا ﻳﻌﻨﻲ أﻧﻨﺎ ﻧﺒﺪأ ﺑﺘﻮزﻳﻊ ﻳﺼﻒ ﻣﻌﺘﻘﺪاﺗﻨﺎ ﺣﻮل اﻟﻘﻴﻢ املﺤﺘﻤﻠﺔ‬
‫وﻓﻘﺎ ملﺎ ﻧﻼﺣﻈﻪ ﰲ اﻟﺒﻴﺎﻧﺎت؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﺗﻮزﻳﻌﻨﺎ اﻟﻘﺒﲇ ﻻﺣﺘﻤﺎل‬ ‫ﻟﻠﻤﻌﻠﻤﺔ‪ ،‬وﻧﻌﺪﱢﻟﻪ ً‬
‫أن اﻟﻌﻤﻠﺔ ﺳﺘﻈﻬﺮ وﺟﻪ اﻟﺼﻮرة رﺑﻤﺎ ﻳﻜﻮن ﻣﺮ ﱠﻛ ًﺰا ﻟﻠﻐﺎﻳﺔ ﺣﻮل ﻗﻴﻤﺔ ‪٢ / ١‬؛ ﻓﻨﻌﺘﻘﺪ‬
‫أﻧﻪ ﻣﻦ املﺤﺘﻤﻞ ﺟﺪٍّا أن ﺗﻘﱰب ﻣﻦ ‪ .٢ / ١‬وﻣﻊ ذﻟﻚ‪ ،‬إذا ُﻗﺬﻓﺖ اﻟﻌﻤﻠﺔ ﻣﺎﺋﺔ ﻣﺮة‪ ،‬وﻇﻬﺮ‬
‫ﰲ ﺛﻼث ﻣﺮات ﻓﺤﺴﺐ ﻣﻦ أﺻﻞ ﻣﺎﺋﺔ ﻣﺮة وﺟﻪ اﻟﺼﻮرة‪ ،‬ﻓﺮﺑﻤﺎ ﻧﺮﻏﺐ ﰲ ﺿﺒﻂ ﻫﺬا‬
‫اﻟﺘﻮزﻳﻊ؛ ﺑﺤﻴﺚ ﺗﻌﺘﱪ اﻟﻘﻴﻢ اﻷﺻﻐﺮ ﻟﻼﺣﺘﻤﺎل أﻛﺜﺮ ﺗﺮﺟﻴﺤً ﺎ واﻟﻘﻴﻢ اﻷﻗﺮب ﻟﻠﻘﻴﻤﺔ ‪٢ / ١‬‬
‫أﻗﻞ ﺗﺮﺟﻴﺤً ﺎ‪.‬‬
‫ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻧﻈﺮﻳﺔ ﺑﺎﻳﺰ — املﺬﻛﻮرة ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ — ﻫﻲ اﻟﺘﻲ ﺗﻤﻜﻨﻨﺎ ﻣﻦ اﻟﺠﻤﻊ‬
‫اﻟﻘﺒﻠﻴﺔ واﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة ﻹﻧﺘﺎج املﻌﺘﻘﺪات اﻟﺒﻌﺪﻳﺔ‪ .‬ﻟﻬﺬا اﻟﺴﺒﺐ‪ ،‬ﻳﻄﻠﻖ‬ ‫ﺑني املﻌﺘﻘﺪات َ‬
‫ﻋﲆ ﻫﺬه اﻟﻄﺮﻳﻘﺔ ﻟﻠﺘﻘﺪﻳﺮ ﻃﺮﻳﻘﺔ »اﻟﺘﻘﺪﻳﺮ اﻟﺒﺎﻳﺰي«‪ .‬ﺗﺬﻛﺮ أن ﻧﻈﺮﻳﺔ ﺑﺎﻳﺰ ﺗﺮﺑﻂ اﺛﻨني‬
‫ﻣﻦ اﻻﺣﺘﻤﺎﻻت اﻟﴩﻃﻴﺔ‪ :‬اﺣﺘﻤﺎل ﺣﺪوث »أ« ﻧﻈ ًﺮا ﻟﻮﻗﻮع »ب«‪ ،‬واﺣﺘﻤﺎل ﺣﺪوث »ب«‬
‫ٌ‬
‫ﻗﻴﻤﺔ‬ ‫ﻧﻈ ًﺮا ﻟﻮﻗﻮع »أ«‪ .‬ﰲ ﻫﺬه اﻟﺤﺎﻟﺔ‪ ،‬ﻧَﺴﺘﺨﺪم اﻟﻨﻈﺮﻳﺔ ﻟﺮﺑﻂ اﺣﺘﻤﺎل أن املﻌﻠﻤﺔ ﻟﻬﺎ‬
‫ﻣﺎ ﻧﻈ ًﺮا ﻟﻠﺒﻴﺎﻧﺎت اﻟﺘﻲ ﻧﻼﺣﻈﻬﺎ‪ ،‬ﻣﻊ اﺣﺘﻤﺎل ﻣﻼﺣﻈﺔ ﻫﺬه اﻟﺒﻴﺎﻧﺎت ﻧﻈ ًﺮا ﻟﻘﻴﻤﺔ ﻣﻌﻴﻨﺔ‬
‫ﻟﻠﻤﻌﻠﻤﺔ‪ .‬واﻵن‪ ،‬اﻻﺣﺘﻤﺎل اﻟﺜﺎﻧﻲ ﻣﻦ ﻫﺬﻳﻦ اﻻﺣﺘﻤﺎﻟني — اﺣﺘﻤﺎل ﻣﻼﺣﻈﺔ ﻫﺬه اﻟﺒﻴﺎﻧﺎت‬
‫ﻧﻈ ًﺮا ﻟﻘﻴﻤﺔ ﻣﻌﻴﻨﺔ ﻟﻠﻤﻌﻠﻤﺔ — ﻫﻮ ﺑﺒﺴﺎﻃﺔ داﻟﺔ اﻹﻣﻜﺎن؛ وﻣﻦ ﺛ َ ﱠﻢ ﺗَﺴﺘﺨﺪم ﻧﻈﺮﻳﺔ ﺑﺎﻳﺰ‬
‫إﻣﻜﺎﻧﻴﺔ اﻟﺒﻴﺎﻧﺎت ﻟﺘﻌﺪﻳﻞ ﻣﻌﺘﻘﺪاﺗﻨﺎ اﻟﻘﺒﻠﻴﺔ‪ ،‬ﻣﻦ أﺟﻞ إﻧﺘﺎج ﻣﻌﺘﻘﺪاﺗﻨﺎ اﻟﺒﻌﺪﻳﺔ‪.‬‬

‫‪81‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫دﻗﻴﻘﺎ — وﻟﻜﻨﻪ ﻣﻬﻢ — ﺑني ﻫﺬه اﻟﻄﺮﻳﻘﺔ واﻟﻄﺮق اﻷﺧﺮى‬ ‫ً‬ ‫ﻻﺣﻆ أن ﻫﻨﺎك ً‬
‫ﻓﺮﻗﺎ‬
‫ﺳﺎﺑﻘﺎ )اﻟﺘﻲ ﻏﺎﻟﺒًﺎ ﻣﺎ ﻳُﻄ َﻠﻖ ﻋﻠﻴﻬﺎ اﻟﻄﺮق »اﻟﺘﻜﺮارﻳﺔ« أو »اﻟﻜﻼﺳﻴﻜﻴﺔ«(؛ ﺣﻴﺚ‬ ‫ً‬ ‫املﺬﻛﻮرة‬
‫إﻧﻨﺎ ﻧﻔﱰض ﻓﻴﻬﺎ أن املﻌﻠﻤﺔ املﺠﻬﻮﻟﺔ ﻟﻬﺎ ﻗﻴﻤﺔ ﺛﺎﺑﺘﺔ وﻟﻜﻨﻬﺎ ﻣﺠﻬﻮﻟﺔ‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﺑﺎﻟﻨﺴﺒﺔ‬
‫ﻟﻠﺘﻘﺪﻳﺮ اﻟﺒﺎﻳﺰي‪ ،‬اﻓﱰﺿﻨﺎ أن املﻌﻠﻤﺔ املﺠﻬﻮﻟﺔ ﻟﻬﺎ ﺗﻮزﻳﻊ ﻋﱪ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘﻴﻢ املﻤﻜﻨﺔ‪،‬‬
‫اﻟﻘﺒْﲇ‪ ،‬ﺛﻢ ﺑﻌﺪ ذﻟﻚ — ﻋﻨﺪ ﺗﺤﺪﻳﺜﻪ ﺑﻮاﺳﻄﺔ املﻌﻠﻮﻣﺎت‬ ‫ﻣﻘﺪم ﰲ اﻟﺒﺪاﻳﺔ ﻣﻦ ﺧﻼل اﻟﺘﻮزﻳﻊ َ‬
‫ﰲ اﻟﺒﻴﺎﻧﺎت — ﻣﻦ ﺧﻼل اﻟﺘﻮزﻳﻊ اﻟﺒَﻌْ ﺪي‪ .‬وﻳﻘﺮ اﻟﺒﺎﺣﺚ ﺑﺄن املﻌﻠﻤﺔ ﻳﻤﻜﻦ أن ﻳﻜﻮن ﻟﻬﺎ‬
‫ﻗﻴﻢ ﻣﺨﺘﻠﻔﺔ‪ ،‬وﻳﺴﺘﺨﺪم اﻟﺘﻮزﻳﻊ اﻻﺣﺘﻤﺎﱄ ﻟﻠﺘﻌﺒري ﻋﻦ ﻣﻌﺘﻘﺪه ﺣﻴﺎل ﻛﻞ ﻗﻴﻤﺔ‪.‬‬
‫ﻻ ﻳﺨﻠﻮ ﻣﻔﻬﻮم اﻟﺘﻮزﻳﻊ اﻟﻘﺒﲇ ﻣﻦ اﻟﺠﻮاﻧﺐ ا ُملﺜِرية ﻟﻠﺠَ ﺪَل‪ .‬ﻓﻌَ َﲆ أﻗﻞ ﺗﻘﺪﻳﺮ‪ ،‬اﻷﺷﺨﺎص‬
‫ﱠ‬
‫املﺘﻮﻗﻊ أن ﻳﻤﺘﻠﻜﻮا ﺗﻮزﻳﻌﺎت‬ ‫املﺨﺘﻠﻔﻮن ذوو اﻟﺨﱪة اﻟﺴﺎﺑﻘﺔ املﺨﺘﻠﻔﺔ‪ ،‬رﺑﻤﺎ ﻳﻜﻮن ﻣﻦ‬
‫ﻗﺒﻠﻴﺔ ﻣﺨﺘﻠﻔﺔ‪ ،‬وﻫﺬه اﻟﺘﻮزﻳﻌﺎت ﺳﺘُﺠﻤﻊ ﻣﻊ اﻟﺒﻴﺎﻧﺎت ﻹﻧﺘﺎج ﺗﻮزﻳﻌﺎت ﺑﻌﺪﻳﺔ ﻣﺨﺘﻠﻔﺔ‪،‬‬
‫ورﺑﻤﺎ اﺳﺘﻨﺘﺎﺟﺎت ﻣﺨﺘﻠﻔﺔ‪ .‬وﻫﻜﺬا ﺗﻢ اﻟﺘﻀﺤﻴﺔ ﺑﺄي ﺗﻈﺎﻫﺮ ﺑﺎملﻮﺿﻮﻋﻴﺔ‪ .‬ﻛﻤﺎ ﺗﻮﺟﺪ ً‬
‫أﻳﻀﺎ‬
‫ﺻﻌﻮﺑﺔ ﻋﻤﻠﻴﺔ؛ ﻓﻔﻲ ﺣني أن ﻣﺘﻮﺳﻂ اﻟﺘﻮزﻳﻊ اﻟﻄﺒﻴﻌﻲ واملﻌﻠﻤﺔ ‪ p‬ﰲ ﺗﻮزﻳﻊ ﺑﺮﻧﻮﱄ ﻟﻬﻤﺎ‬
‫ﺗﻔﺴريات واﺿﺤﺔ وﻣﺒﺎﴍة‪ ،‬ﻓﻠﻴﺴﺖ اﻟﺤﺎل داﺋﻤً ﺎ أن ﺗﻤﺘﻠﻚ ﻣﻌﻠﻤﺎت اﻟﺘﻮزﻳﻌﺎت ﺗﻔﺴريات‬
‫واﺿﺤﺔ‪ .‬وﻳﻤﻜﻦ أن ﻳﻜﻮن أﺣﻴﺎﻧًﺎ ﻣﻦ اﻟﺼﻌﺐ ﻟﻠﻐﺎﻳﺔ اﻟﻮﺻﻮل ﻟﺘﻮزﻳﻌﺎت ﻗﺒﻠﻴﺔ ﻣﻌﻘﻮﻟﺔ‬
‫ﺗﻌﻜﺲ ﻣﻌﺮﻓﺘﻨﺎ املﺴﺒﻘﺔ‪.‬‬
‫ﻋﻨﺪ ﻫﺬه اﻟﻨﻘﻄﺔ ﰲ ﴍﺣﻨﺎ ﻟﻄﺮﻳﻘﺔ اﻟﺘﻘﺪﻳﺮ اﻟﺒﺎﻳﺰي وﺻﻠﻨﺎ إﱃ اﻟﺘﻮزﻳﻊ اﻟﺒﻌﺪي؛‬
‫وﻫﻮ ﺗﻮزﻳﻊ ﻳﻠﺨﺺ اﻋﺘﻘﺎد اﻟﺒﺎﺣﺚ ﺑﺸﺄن ﻛﻞ ﻗﻴﻤﺔ ﺗﺄﺧﺬﻫﺎ املﻌﻠﻤﺔ ﺑﻌﺪ رؤﻳﺔ اﻟﺒﻴﺎﻧﺎت‪.‬‬
‫وﻳﻤﻜﻨﻨﺎ‪ ،‬إذا أردﻧﺎ‪ ،‬ﺗﻘﻠﻴﺺ ﻫﺬا اﻟﺘﻮزﻳﻊ ﺑﺄﻛﻤﻠﻪ ﻟﺘﻘﺪﻳﺮ ﻧﻘﻄﺔ واﺣﺪة ﻋﻦ ﻃﺮﻳﻖ اﺳﺘﺨﺪام‬
‫ﻣﻠﺨﺺ إﺣﺼﺎﺋﻲ ﻟﻠﺘﻮزﻳﻊ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻳﻤﻜﻨﻨﺎ أن ﻧﺴﺘﺨﺪم املﺘﻮﺳﻂ أو املﻨﻮال‬
‫اﻟﺨﺎص ﺑﻪ‪.‬‬

‫)‪ (2‬أي ﺗﻘﺪﻳﺮ أﻓﻀﻞ؟‬

‫ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎﻧﺖ ﻃﺮﻳﻘﺔ ﺗﻘﺪﻳﺮ اﻟﻨﻘﻄﺔ ﻓﻌﺎﻟﺔ أم ﻻ‪ ،‬وأي ﻣ َُﻘﺪﱢر ﻫﻮ‬ ‫ُ‬ ‫ﻛﻴﻒ ﻳﻤﻜﻨﻨﺎ‬
‫اﻷﻓﻀﻞ؟ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﺑﻴﻨﻤﺎ ﻗﺪ أﺧﺘﺎر ﺗﻘﺪﻳﺮ ﻣﺘﻮﺳﻂ اﻟﺘﻮزﻳﻊ ﺑﺎﺳﺘﺨﺪام ﻣﺘﻮﺳﻂ‬
‫ﻋﻴﻨﺔ ﻣﺄﺧﻮذة ﻣﻦ ﻫﺬا اﻟﺘﻮزﻳﻊ‪ ،‬ﺛﻤﺔ ﺑﺪﻳﻞ ﻳﺘﻤﺜﻞ ﰲ إﺳﻘﺎط أﻛﱪ اﻟﻘﻴﻢ وأﺻﻐﺮﻫﺎ ﻣﻦ اﻟﻌﻴﻨﺔ‬
‫ﺑﺎﻟﻘﺪْر اﻷﻛﱪ ﻣﻦ اﻟﺘﻔﺎوت‬ ‫ﻗﺒﻞ اﺣﺘﺴﺎب املﺘﻮﺳﻂ‪ .‬وﻋﻤﻮﻣً ﺎ‪ ،‬ﺗﺘﺴﻢ أﻛﱪ اﻟﻘﻴﻢ وأﺻﻐﺮﻫﺎ َ‬
‫ﻣﻦ ﻋﻴﻨﺔ ﻷﺧﺮى؛ ﻟﺬﻟﻚ رﺑﻤﺎ ﻳُﻨﺘﺞ اﻟﺘﻐﺎﴈ ﻋﻨﻬﺎ ﺗﻘﺪﻳ ًﺮا أﻛﺜﺮ ﻣﻮﺛﻮﻗﻴﺔ وأﻗ ﱠﻞ ﺗﻔﺎوﺗًﺎ‪.‬‬

‫‪82‬‬
 ‫اﻟﺘﻘﺪﻳﺮ واﻻﺳﺘﺪﻻل‬

‫ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﻄﺮﻳﻘﺔ اﻟﺘﻜﺮارﻳﺔ ﻟﻠﺘﻘﺪﻳﺮ‪ ،‬واﻟﺘﻲ ﺗَﻔﱰض وﺟﻮد ﻗﻴﻤﺔ ﺣﻘﻴﻘﻴﺔ ﺛﺎﺑﺘﺔ —‬
‫وﻟﻜﻨﻬﺎ ﻣﺠﻬﻮﻟﺔ — ﻟﻠﻤﻌﻠﻤﺔ اﻟﺠﺎري ﺗﻘﺪﻳﺮﻫﺎ‪ ،‬ﻧ َ َﻮ ﱡد ﰲ اﻟﺤﺎﻟﺔ املﺜﺎﻟﻴﺔ أن ﻧﻌﺮف أيﱞ ﻣﻦ‬
‫ﻫﺎﺗني اﻟﻄﺮﻳﻘﺘني ﺗﻌﻄﻲ ﺗﻘﺪﻳ ًﺮا أﻗﺮب إﱃ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪ .‬وﻟﻸﺳﻒ‪ ،‬ﺑﻤﺎ أن اﻟﻘﻴﻤﺔ‬
‫اﻟﺤﻘﻴﻘﻴﺔ ﻣﺠﻬﻮﻟﺔ )ﺑﻴﺖ اﻟﻘﺼﻴﺪ ﻫﻨﺎ ﻫﻮ ﺗﻘﺪﻳﺮﻫﺎ!( ﻓﻼ ﻳﻤﻜﻦ أﺑﺪًا أن ﻧﻌﺮف اﻹﺟﺎﺑﺔ‪ .‬ﻣﻦ‬
‫ﻧﺘﻮﻗﻊ ﻓﻴﻬﺎ أن‬ ‫ﻧﺎﺣﻴﺔ أﺧﺮى‪ ،‬ﻣﺎ »ﻳﻤﻜﻨﻨﺎ« أن ﻧﺄﻣﻞ ﰲ أن ﻧﻌﺮﻓﻪ ﻫﻮ ﻋﺪد املﺮات اﻟﺘﻲ ﻗﺪ ﱠ‬
‫ﺗﻜﻮن اﻟﻘﻴﻤﺔ املﻘ ﱠﺪ َرة ﻗﺮﻳﺒﺔ ﻣﻦ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ إذا ﺣﺪث أن ﻛﺮرﻧﺎ ﻋﻤﻠﻴﺔ أ َ ْﺧﺬ ﻋﻴﻨﺔ ﻣﻦ‬
‫ﻓﻤﻦ‬ ‫اﻟﻘﻴﺎﺳﺎت واﺣﺘﺴﺎب اﻟﺘﻘﺪﻳﺮ‪ .‬ﻓﺮﻏﻢ ﻛﻞ ﳾء‪ ،‬ﺑﻤﺎ أن اﻟﻘﻴﻤﺔ املﻘﺪرة ﺗﺴﺘﻨﺪ ﻋﲆ ﻋﻴﻨﺔ‪ِ ،‬‬
‫املﺮﺟﱠ ﺢ أن اﻟﻘﻴﻤﺔ املﻘﺪرة ﺳﺘﻜﻮن ﻣﺨﺘﻠﻔﺔ إذا أﺧﺬت ﻋﻴﻨﺔ ﻣﺨﺘﻠﻔﺔ؛ وﻫﺬا ﻳﻌﻨﻲ أن اﻟﺘﻘﺪﻳﺮ‬
‫ﰲ ﺣ ﱢﺪ ذاﺗﻪ ﻣﺘﻐري ﻋﺸﻮاﺋﻲ‪ ،‬ﻳﺨﺘﻠﻒ ﻣﻦ ﻋﻴﻨﺔ ﻟﻌﻴﻨﺔ أﺧﺮى‪ .‬وﺑﻤﺎ أﻧﻪ ﻣﺘﻐري ﻋﺸﻮاﺋﻲ‪،‬‬
‫ﻓﺈن ﻟﻪ ﺗﻮزﻳﻌً ﺎ‪ .‬وإذا ﻋﻠﻤﻨﺎ أن ﻫﺬا اﻟﺘﻮزﻳﻊ ﻣﺘﺠﻤﻊ ﺑﺈﺣﻜﺎم ﺣﻮل اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪ ،‬ﻓﺮﺑﻤﺎ‬
‫ﻃﺮﻳﻘﺔ ﻣﺎ »ﻋﺎدة«‬‫ً‬ ‫ً‬
‫ﻃﺮﻳﻘﺔ ﺟﻴﺪ ًة‪ .‬ﺑﻌﺒﺎرة أﺧﺮى‪ ،‬إذا ﻛﻨﱠﺎ ﻧﻌﺮف أن‬ ‫َ‬
‫ﻃﺮﻳﻘﺔ اﻟﺘﻘﺪﻳ َﺮ‬ ‫ﻧﻌﺘﱪ‬
‫ﻣﺎ ﺗُﺴﻔِ ﺮ ﻋﻦ ﺗﻘﺪﻳﺮ ﻳﻜﻮن ﻗﺮﻳﺒًﺎ ﻟﻠﻐﺎﻳﺔ ﻣﻦ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﻟﻠﻤﻌﻠﻤﺔ‪ ،‬ﻓﺮﺑﻤﺎ ﻧﻌﺘﱪﻫﺎ‬
‫ُﺨﱪﻧﺎ ﺷﻴﺌًﺎ ﻋﻦ ﺣﺎﻟﺘﻨﺎ املﺤﺪدة‪ ،‬ﻓﺈﻧﻪ ﺳﻴﻜﻮن ﻟﺪﻳﻨﺎ‬ ‫ﻃﺮﻳﻘﺔ ﺟﻴﺪة ﻟﻠﺘﻘﺪﻳﺮ‪ .‬وﻣﻊ أن ﻫﺬا ﻻ ﻳ ِ‬
‫ً‬
‫ﺷﺨﺼﺎ ﻣﺎ ﻳﺘﻨﺒﱠﺄ‬ ‫ﻛﻨﺖ ﻋﲆ ﻋﻠﻢ ﺑﺄن‬‫ﺛﻘﺔ ﰲ اﻟﻄﺮﻳﻘﺔ ﻋﲆ ﻧﺤﻮ ﻣﱪر‪ .‬ﻓﻌﲆ أي ﺣﺎل‪ ،‬إذا َ‬
‫ﺗﻨﺒ ًﺆا ﺻﺤﻴﺤً ﺎ ﰲ ‪ ٩٩٩‬ﻣﻦ ﻛﻞ ‪ ١٠٠٠‬ﻣﺮة‪ ،‬ﻓﺈﻧﻚ ﺑﺎﻟﺘﺄﻛﻴﺪ ﺳﺘَ ِﻤﻴﻞ إﱃ اﻟﻮﺛﻮق ﺑﻪ ﰲ أي‬
‫ﺣﺎﻟﺔ ﻣﻌﻴﻨﺔ‪ .‬أﻧﺖ ﺗﻔﻌﻞ ذﻟﻚ ﻣﻊ ﺳﺎﺋﻘﻲ اﻟﻘﻄﺎرات واﻟﻄﻴﺎرﻳﻦ واملﻄﺎﻋﻢ‪ ،‬وﻣﺎ إﱃ ذﻟﻚ؛‬
‫ﻓﺄﻧﺖ ﺗﻌﺮف أن اﻟﺴﺎﺋﻖ واﻟﻄﻴﺎر ﻧﺎد ًرا ﻣﺎ ﻳﻘﻊ ﰲ ﺣﺎدث‪ ،‬واملﻄﻌﻢ ﻧﺎد ًرا ﻣﺎ ﻳﻘﺪم ﻃﻌﺎﻣً ﺎ‬
‫ﻣﺴﻤﱠ ﻤً ﺎ‪ ،‬ﻟﺬﻟﻚ ﺗﻜﻮن ﺳﻌﻴﺪًا ﺑﺎملﺨﺎﻃﺮة ﺑﺄﻧﻪ »ﰲ ﻫﺬه املﺮة« ﺳﺘﻜﻮن اﻷﻣﻮر ﻋﲆ ﻣﺎ ﻳﺮام‪.‬‬
‫ﻃﻮﱢرت ﻋﺪة ﻣﻘﺎﻳﻴﺲ ﻣﺨﺘﻠﻔﺔ ﻟﺘﻘﻴﻴﻢ ﻃﺮق اﻟﺘﻘﺪﻳﺮ اﻟﺘﻜﺮارﻳﺔ‬ ‫ﺑﺎﺳﺘﺨﺪام ﻫﺬا املﺒﺪأ‪ُ ،‬‬
‫ُﺨﱪﻧﺎ ﺑﻤﺪى ﺣﺠﻢ اﻟﻔﺎرق ﺑني‬ ‫اﻟﺒﺪﻳﻠﺔ‪ .‬ﻳﺘﻤﺜﻞ أﺣﺪ ﻫﺬه املﻘﺎﻳﻴﺲ ﰲ »اﻟﺘﺤﻴﺰ«‪ ،‬وﻫﺬا ﻳ ِ‬
‫اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﻟﻠﻤﻌﻠﻤﺔ واﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ ﻟﺘﻮزﻳﻊ اﻟﻘﻴﻢ املﻘﺪرة‪ .‬وﻋﲆ وﺟﻪ اﻟﺘﺤﺪﻳﺪ‪ ،‬إذا‬
‫ﻛﺎن ﻫﺬا اﻟﻔﺎرق ﻳﺴﺎوي ﺻﻔ ًﺮا )أي إذا ﻛﺎن ﻣﺘﻮﺳﻂ ﺗﻮزﻳﻊ اﻟﻘﻴﻢ املﻘﺪرة ﻳﺴﺎوي اﻟﻘﻴﻤﺔ‬
‫اﻟﺤﻘﻴﻘﻴﺔ(‪ ،‬ﻳﻘﺎل إن ا ُملﻘﺪﱢر »ﻏري ﻣﺘﺤﻴﺰ«‪.‬‬
‫ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻧﺴﺒﺔ ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة ﻧﺘﻴﺠﺔ ﻗﺬف اﻟﻌﻤﻠﺔ ﻋﺪة ﻣﺮات ﺗﻜﻮن‬
‫ﻣُﻘ ﱢﺪ ًرا ﻏري ﻣﺘﺤﻴﺰ ﻻﺣﺘﻤﺎل أن اﻟﻌﻤﻠﺔ ﺳﺘﺴﺘﻘﺮ ووﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ؛ إذ إن اﻟﻘﻴﻤﺔ‬
‫املﺘﻮﺳﻄﺔ ﻟﺘﻮزﻳﻊ ﻫﺬه اﻟﻨﺴﺒﺔ ﰲ اﻟﺘﺠﺎرب املﺘﻜﺮرة ﺗﺴﺎوي اﻻﺣﺘﻤﺎل اﻟﺼﺤﻴﺢ ﻟﻈﻬﻮر‬
‫وﺟﻪ اﻟﺼﻮرة‪ .‬وﻟﻠﺘﻮﺿﻴﺢ‪ ،‬اﻓﱰض أن اﻻﺣﺘﻤﺎل اﻟﺤﻘﻴﻘﻲ ﻻﺳﺘﻘﺮار اﻟﻌﻤﻠﺔ ووﺟﻪ اﻟﺼﻮرة‬
‫ﻷﻋﲆ ﻫﻮ ‪٠٫٥٥‬؛ وﻫﻮ أﻣﺮ ﻣﺠﻬﻮل ﺑﺎﻟﻨﺴﺒﺔ ﻟﻨﺎ‪ ،‬وأﻧﻨﺎ ﻗﺬﻓﻨﺎ اﻟﻌﻤﻠﺔ ﻋﴩ ﻣﺮات‪ ،‬وﻗﺪرﻧﺎ‬

‫‪83‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻫﺬا اﻻﺣﺘﻤﺎل ﻋﻦ ﻃﺮﻳﻖ ﻧﺴﺒﺔ ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة‪ .‬رﺑﻤﺎ ﺗُﺴﻔِ ﺮ اﻟﻘﺬﻓﺎت اﻟﻌﴩ ﻋﻦ ﺳﺖ‬
‫ﻣﺮات ﻟﻈﻬﻮر وﺟﻪ اﻟﺼﻮرة؛ وﻫﻲ ﻧﺴﺒﺔ ﺗﺒﻠﻎ ‪ ،٠٫٦‬أو ﺛﻼث ﻣﺮات؛ وﻫﻲ ﻧﺴﺒﺔ ﺗﺒﻠﻎ ‪،٠٫٣‬‬
‫أو ﺧﻤﺲ ﻣﺮات؛ وﻫﻲ ﻧﺴﺒﺔ ﺗﺒﻠﻎ ‪ ،٠٫٥‬وﻫﻜﺬا‪ .‬وﰲ املﺘﻮﺳﻂ )ﻣﺘﻮﺳﻂ ﻳُﺤﺴﺐ ﻣﻦ ﺧﻼل‬
‫ﺗﻜﺮارات ﺧﻴﺎﻟﻴﺔ ﻟﻠﻘﺬﻓﺎت اﻟﻌﴩ( ﺳﺘﻜﻮن اﻟﻨﺴﺒﺔ ‪ ٠٫٥٥‬ﻷن ﻧﺴﺒﺔ ﻇﻬﻮر وﺟﻪ اﻟﺼﻮرة‬
‫ﻫﻲ ﻣُﻘﺪﱢر ﻏري ﻣﺘﺤﻴﺰ ﻻﺣﺘﻤﺎل أن اﻟﻌﻤﻠﺔ ﺳﻮف ﺗﺴﺘﻘﺮ ووﺟﻪ اﻟﺼﻮرة ﻷﻋﲆ‪.‬‬
‫وﻋﻤﻮﻣً ﺎ‪ ،‬املﻘﺪر ذو اﻟﺘﺤﻴﺰ اﻟﻜﺒري ﻟﻦ ﻳُﻨﻈﺮ إﻟﻴﻪ ﻋﲆ ﻧﺤﻮ ﻣﻔﻀﻞ ﻣﺜﻞ املﻘﺪر ﻏري‬
‫املﺘﺤﻴﺰ‪ .‬وﰲ املﺘﻮﺳﻂ‪ ،‬ﻣﻦ ﺧﻼل ﺗﻜﺮار اﻟﺘﺠﺮﺑﺔ‪ ،‬ﻓﺈن املﻘﺪر ذا اﻟﺘﺤﻴﺰ اﻟﻜﺒري ﺳﻮف ﻳُﺴﻔِ ﺮ‬
‫ﻋﻦ ﻗﻴﻤﺔ ﻣﺨﺘﻠﻔﺔ ﻛﺜريًا ﻋﻦ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪.‬‬
‫آﺧﺮ ﻟﺘﺤﺪﻳﺪ ﺟﻮدة املﻘﺪر ﻫﻮ »ﻣﺘﻮﺳﻂ ﻣﺮﺑﻊ اﻟﺨﻄﺄ«؛ ﻓﺒﺎﻟﻨﺴﺒﺔ ﻷي‬ ‫ﺛﻤﺔ ﻣﻘﻴﺎس َ‬
‫ﻗﻴﻤﺔ ﻣﻘﺪﱠرة ﻣﻌﻴﻨﺔ ﻳﻤﻜﻨﻨﺎ — إذا ﻋﺮﻓﻨﺎ ﻗﻴﻤﺔ املﻌﻠﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ — ﺣﺴﺎب ﻣﺮﺑﻊ اﻟﻔﺎرق‬
‫)أي »ﻣﺮﺑﻊ اﻟﺨﻄﺄ«( ﺑني اﻟﺘﻘﺪﻳﺮ واﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪ .‬اﻟﱰﺑﻴﻊ ﻣُﻔﻴﺪ ﻟﺴﺒﺐ واﺣﺪ؛ وﻫﻮ أﻧﻪ‬
‫ﻳﺠﻌﻞ ﻛﻞ اﻷرﻗﺎم ﻣﻮﺟﺒﺔ‪ .‬وﺑﻤﺎ أن اﻟﺘﻘﺪﻳﺮ ﻧﻔﺴﻪ ﻣﺘﻐري ﻋﺸﻮاﺋﻲ ﻳﺨﺘﻠﻒ ﻣﻦ ﻋﻴﻨﺔ ﻟﻌﻴﻨﺔ‬
‫أﻳﻀﺎ ﻛﺬﻟﻚ‪ .‬وﺑﻤﺎ أﻧﻪ ﻣﺘﻐري ﻋﺸﻮاﺋﻲ‪ ،‬ﻓﺈن ﻟﺪﻳﻪ ﺗﻮزﻳﻌً ﺎ‪،‬‬ ‫أﺧﺮى‪ ،‬ﻓﺈن ﻣﺮﺑﻊ اﻟﺨﻄﺄ ﻫﻮ ً‬
‫و»ﻣﺘﻮﺳﻂ« ﻣﺮﺑﻊ اﻟﺨﻄﺄ ﺑﺒﺴﺎﻃﺔ ﻫﻮ ﻣﺘﻮﺳﻂ ﻫﺬا اﻟﺘﻮزﻳﻊ‪ .‬وﻣﺘﻮﺳﻂ ﻣﺮﺑﻊ اﻟﺨﻄﺄ اﻟﺼﻐري‬
‫أن — ﰲ املﺘﻮﺳﻂ — ﻣﺮﺑ َﻊ اﻟﻔﺎرق ﺑني اﻟﻘﻴﻤﺔ املﻘﺪﱠرة واﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﺻﻐريٌ‪ .‬وﻻ‬ ‫ﻳﻌﻨﻲ ﱠ‬
‫ﻣﻔﻀﻠﺔ ﻣﺜﻞ ذﻟﻚ‬ ‫ﱠ‬ ‫ﻣﺮﺑﻊ ﺧﻄﺄٍ ﻛﺒريًا ﺑﻨﻈﺮة‬
‫ِ‬ ‫ﻳُﻨﻈﺮ إﱃ ا ُملﻘﺪﱢر اﻟﺬي ﻳُﻌ َﺮف أن ﻟﺪﻳﻪ ﻣﺘﻮﺳ َ‬
‫ﻂ‬
‫ﻣﺮﺑﻊ ﺧﻄﺄٍ ﺻﻐريٌ؛ إذ ﻟﻦ ﻳﺜﻖ املﺮء ﻛﺜريًا ﰲ أن ﻗﻴﻤﺘﻪ ﻗﺮﻳﺒﺔ ﻣﻦ اﻟﻘﻴﻤﺔ‬
‫ِ‬ ‫اﻟﺬي ﻟﺪﻳﻪ ﻣﺘﻮﺳ ُ‬
‫ﻂ‬
‫اﻟﺤﻘﻴﻘﻴﺔ‪.‬‬

‫)‪ (3‬ﺗﻘﺪﻳﺮ اﻟﻔﱰة‬

‫ﻋﻨﺪﻣﺎ ﺗﻨﺎوﻟﻨﺎ ﺑﻌﺾ املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ اﻷﺳﺎﺳﻴﺔ ﺑﺎﻟﺪراﺳﺔ ﰲ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ‪ ،‬رأﻳﻨﺎ‬
‫أﻧﻬﺎ ﺗﻠﺨﺺ ﻋﲆ ﻧﺤﻮ ﺟﻴﺪ ﺟﺪٍّا ﻋﻴﻨﺔ ﻣﻦ اﻟﻘﻴﻢ ﻋﻦ ﻃﺮﻳﻖ ﻣﺘﻮﺳﻄﻬﺎ أو ﻣﻠﺨﺺ إﺣﺼﺎﺋﻲ‬
‫وﺣﻴﺪ آﺧﺮ‪ ،‬وﻟﻜﻦ ﻫﺬا ﺗﺮك اﻟﻜﺜري ﻣﻤﺎ ﻫﻮ ﻣﺮﻏﻮب ﻓﻴﻪ‪ .‬وﺗﺤﺪﻳﺪًا‪ ،‬ﻓﺸﻠﺖ ﻫﺬه املﻠﺨﺼﺎت‬
‫ﰲ إﻳﻀﺎح ﻣﺪى اﻧﺘﺸﺎر ﻗﻴﻢ اﻟﻌﻴﻨﺔ ﺣﻮل ﻫﺬا املﺘﻮﺳﻂ‪ .‬وﻋﺎﻟﺠﻨﺎ ﻫﺬه املﺸﻜﻠﺔ ﻣﻦ ﺧﻼل‬
‫ﺗﻘﺪﻳﻢ املﺰﻳﺪ ﻣﻦ املﻠﺨﺼﺎت اﻹﺣﺼﺎﺋﻴﺔ ﻣﺜﻞ املﺪى واﻻﻧﺤﺮاف املﻌﻴﺎري‪ ،‬واﻟﺘﻲ أﺷﺎرت إﱃ‬
‫ﻣﺪى ﺗﺸﺘﺖ ﻗﻴﻢ اﻟﻌﻴﻨﺔ‪.‬‬
‫ﻳﻨﻄﺒﻖ املﺒﺪأ ﻧﻔﺴﻪ ﻋﲆ اﻟﺘﻘﺪﻳﺮ‪ .‬ﺣﺘﻰ اﻵن ﺗﻨﺎوﻟﻨﺎ ﺗﻘﺪﻳﺮات اﻟﻨﻘﻄﺔ‪ ،‬وﻫﻲ ﺗﻘﺪﻳﺮات‬
‫ﺗﺘﻤﺜﻞ ﰲ ﻗﻴﻤﺔ »واﺣﺪة« ﺗﻤﺜﻞ أﻓﻀﻞ ﺗﻘﺪﻳﺮ ﺑﻤﻌﻨًﻰ ﻣﺎ‪ .‬وﺑﺪﻳﻞ ذﻟﻚ ﻫﻮ ﺗﻘﺪﻳﻢ ﻣﺠﻤﻮﻋﺔ‬

‫‪84‬‬
 ‫اﻟﺘﻘﺪﻳﺮ واﻻﺳﺘﺪﻻل‬

‫ﻣﻦ اﻟﻘﻴﻢ — أي »ﻓﱰة« — ﻧﺜﻖ ﰲ أﻧﻬﺎ ﺗﺤﺘﻮي ﻋﲆ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪ .‬دﻋﻨﺎ ﻧَﻌُ ْﺪ إﱃ ﺻﻔﻘﺔ‬
‫ﺳﺎﺑﻘﺎ ﻟﻠﻮﺻﻮل إﱃ أﻓﻀﻞ ﺗﻘﺪﻳﺮ‬ ‫ً‬ ‫اﻟﻌﴩة‪/‬اﻟﺨﻤﺴﺔ ﺟﻨﻴﻬﺎت اﻟﺘﻲ ﻋﺮﺿﻬﺎ ﺻﺪﻳﻘﻲ‪ .‬ﺳﻌَ ﻴْﻨﺎ‬
‫ﺑﺪﻻ ﻣﻦ ذﻟﻚ‪ ،‬ﻳﻤﻜﻦ أن ﻧﺴﻌﻰ‬ ‫ﻈﻬﺮ وﺟﻪ اﻟﺼﻮرة‪ً .‬‬ ‫وﺣﻴﺪ ﻻﺣﺘﻤﺎل أن ﻗﺬﻓﺔ اﻟﻌﻤﻠﺔ ﺳﺘُ ِ‬
‫ﻟﻠﻮﺻﻮل إﱃ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻘﻴﻢ اﻟﺘﻲ ﻧَﺜِﻖ ﰲ أﻧﻬﺎ ﺗﺸﻤﻞ اﻻﺣﺘﻤﺎل اﻟﺤﻘﻴﻘﻲ‪ .‬رﺑﻤﺎ ﻳﻤﻜﻨﻨﺎ‬
‫ﻣﺜﻼ‪ .‬وﻫﺬا‬ ‫أن ﻧﻜﻮن واﺛﻘني ﻟﻠﻐﺎﻳﺔ ﰲ أن اﻻﺣﺘﻤﺎل اﻟﺤﻘﻴﻘﻲ ﻳﻜﻤﻦ ﺑني ‪ ٤ / ١‬و‪ً ،٥ / ٢‬‬
‫ﻣﺜﺎل ﻋﲆ »ﺗﻘﺪﻳﺮ اﻟﻔﱰة«‪.‬‬
‫وﺑﻤﺎ أن اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﻣﺠﻬﻮﻟﺔ‪ ،‬ﻓﻼ ﻧﺴﺘﻄﻴﻊ أن ﻧﻘﻮل ﻋﲆ وﺟﻪ اﻟﻴﻘني إذا ﻛﺎﻧﺖ‬
‫أي ﻓﱰة ﻣﻌﻴﻨﺔ ﺳﻮف ﺗﺸﺘﻤﻞ ﰲ اﻟﻮاﻗﻊ ﻋﲆ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ أم ﻻ‪ .‬وﻟﻜﻦ ﺗﺨﻴﱠ ْﻞ ﺗﻜﺮار‬
‫اﻟﺘﻤﺮﻳﻦ ﻣﺮا ًرا وﺗﻜﺮا ًرا ﺑﺎﺳﺘﺨﺪام ﻋﻴﻨﺎت ﻋﺸﻮاﺋﻴﺔ ﻣﺨﺘﻠﻔﺔ )ﺗﻤﺎﻣً ﺎ ﻛﻤﺎ ﺗﺨﻴﻠﻨﺎ ﻋﻨﺪﻣﺎ ﺣﺪدﻧﺎ‬
‫ﻧﺸﺌﺖ‬‫ﺳﺎﺑﻘﺎ(‪ .‬ﻳﻤﻜﻨﻨﺎ ﺣﺴﺎب ﺗﻘﺪﻳﺮ اﻟﻔﱰة ﻟﻜﻞ ﻋﻴﻨﺔ ﻣﻦ ﻫﺬه اﻟﻌﻴﻨﺎت‪ ،‬وإذا أ ُ ِ‬ ‫ً‬ ‫اﻟﺘﺤﻴﺰ‬
‫اﻟﻔﱰات ﻋﲆ ﻧﺤﻮ ﺻﺤﻴﺢ‪ ،‬ﻓﻤﻦ املﻤﻜﻦ أن ﻧﻘﻮل إن ﻧﺴﺒﺔ ﻣﻌﻴﻨﺔ ﻣﻦ اﻟﻔﱰات )ﻋﲆ ﺳﺒﻴﻞ‬
‫املﺜﺎل ‪ ٪٩٥‬أو ‪ ٪٩٩‬أو ﻣﺎ ﻧﺨﺘﺎر( ﺗﺸﻤﻞ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ املﺠﻬﻮﻟﺔ‪.‬‬
‫ٍ‬
‫ﻣﻌﻴﻨﺔ‪،‬‬ ‫ﺑﺎﻟﻌﻮدة إﱃ ﻋﻤﻠﺔ ﺻﺪﻳﻘﻲ‪ ،‬ﻻ ﻧﺴﺘﻄﻴﻊ أن ﻧﻘﻮل ﻋﲆ وﺟﻪ اﻟﻴﻘني إن أي ﻓﱰ ٍة‬
‫ﻣﺤﺴﻮﺑ ٍﺔ ﻷي ﻋﻴﻨﺔ ﺑﻴﺎﻧﺎت ﻣﻌﻴﻨﺔ‪ ،‬ﺳﺘﺤﺘﻮي ﻋﲆ اﻻﺣﺘﻤﺎل اﻟﺼﺤﻴﺢ ﺑﺄن اﻟﻌﻤﻠﺔ ﺳﻮف‬
‫ﺗﻈﻬﺮ وﺟﻪ اﻟﺼﻮرة‪ .‬وﻟﻜﻦ ﻳﻤﻜﻨﻨﺎ اﻟﻘﻮل إن ‪) ٪٩٥‬أو ﻣﺎ ﻧﺨﺘﺎر( ﻣﻦ اﻟﻔﱰات ﺳﺘﺤﺘﻮي‬
‫ﻋﲆ اﻻﺣﺘﻤﺎل اﻟﺤﻘﻴﻘﻲ‪ .‬وﺑﻤﺎ أن ‪ ٪٩٥‬ﻣﻦ اﻟﻔﱰات ﺳﻮف ﺗﺤﺘﻮي ﻋﲆ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‪،‬‬
‫ﻓﺈﻧﻨﺎ ﻳﻤﻜﻦ أن ﻧﺜﻖ ﻋﲆ ﻧﺤﻮ ﻛﺒري أن اﻟﻔﱰة اﻟﻮاﺣﺪة اﻟﺘﻲ ﺣﺴﺒﻨﺎﻫﺎ‪ ،‬اﺳﺘﻨﺎدًا إﱃ اﻟﻌﻴﻨﺔ‬
‫ﻓﻌﻼ )ص – ك – ص – ك – ك – ك ﰲ املﺜﺎل( ﺳﺘﺸﻤﻞ اﻟﻘﻴﻤﺔ‬ ‫اﻟﺘﻲ ﺣﺼﻠﻨﺎ ﻋﻠﻴﻬﺎ ً‬
‫اﻟﺤﻘﻴﻘﻴﺔ؛ وﻟﻬﺬا اﻟﺴﺒﺐ‪ ،‬ﺗﺴﻤﻰ ﻫﺬه اﻟﻔﱰات »ﻓﱰات اﻟﺜﻘﺔ«‪.‬‬
‫ﺑﺎﻟﺘﺤﻮل إﱃ ﻃﺮق اﻟﺘﻘﺪﻳﺮ اﻟﺒﺎﻳﺰي‪ ،‬رأﻳﻨﺎ أن ﻧﺘﻴﺠﺔ اﻟﺘﺤﻠﻴﻞ اﻟﺒﺎﻳﺰي ﻫﻲ ﺗﻮزﻳﻊ‬
‫ﺑَﻌﺪيﱞ ﻛﺎﻣﻞ ﻟﻠﻘﻴﻢ‪ ،‬وﻫﺬا اﻟﺘﻮزﻳﻊ ﻳﺨﱪﻧﺎ ﺑﻘﻮة اﻋﺘﻘﺎدﻧﺎ ﰲ أن املﻌﻠﻤﺔ ﻟﺪﻳﻬﺎ أي ﻗﻴﻤﺔ ﻣﻌﻴﻨﺔ‪.‬‬
‫ﻳﻤﻜﻦ أن ﻧﱰك اﻷﻣﻮر ﻋﻨﺪ ﻫﺬا اﻟﺤﺪ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬إذا ﻛﺎن ﻟﻠﺘﻮزﻳﻊ اﻧﺤﺮاف ﻣﻌﻴﺎري‬
‫ﺻﻐري ﻓﺈن ﻫﺬا ﻳﻌﻨﻲ أﻧﻨﺎ ﻛﻨﱠﺎ ﻋﲆ ﺛﻘﺔ ﻛﺒرية ﺑﺄن ﻗﻴﻤﺔ املﻌﻠﻤﺔ ﺗﻜﻤﻦ ﰲ ﻧﻄﺎق ﺿﻴﻖ‪.‬‬
‫ﻟﻜﻦ ﰲ ﺑﻌﺾ اﻷﺣﻴﺎن‪ ،‬ﻣﻦ املﺮﻳﺢ ﺗﻠﺨﻴﺺ اﻷﻣﻮر ﺑﻄﺮﻳﻘﺔ ﻣﻤﺎﺛﻠﺔ ﻟﻔﱰات اﻟﺜﻘﺔ أﻋﻼه‪،‬‬
‫وﺗﻘﺪﻳﻢ ﻓﱰة ﻣﺤﺪدة ﺑﺄﻛﱪ وأﺻﻐﺮ ﻗﻴﻤﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻳﻤﻜﻨﻨﺎ إﻳﺠﺎد ﻓﱰة ﺗﺤﺘﻮي ﻋﲆ‬
‫‪ ٪٩٥‬ﻣﻦ املﺴﺎﺣﺔ املﻮﺟﻮدة ﺗﺤﺖ اﻟﺘﻮزﻳﻊ اﻻﺣﺘﻤﺎﱄ اﻟﺒﻌﺪي داﺧﻠﻬﺎ‪ .‬وﺑﻤﺎ أن اﻟﺘﻮزﻳﻌﺎت‬
‫ﻌﻄﻲ اﺣﺘﻤﺎل‬ ‫ﺗﻤﺘﻠﻚ درﺟﺔ ﻣﻦ ﺗﻔﺴري املﻌﺘﻘﺪ‪ ،‬ﻓﺈن ﻫﺬه اﻟﻔﱰات ﻳﻤﻜﻦ ﺗﻔﺴريﻫﺎ ﻋﲆ أﻧﻬﺎ ﺗُ ِ‬
‫أن اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ ﺗﻜﻤﻦ ﰲ داﺧﻠﻬﺎ‪ .‬وﻟﺘﻤﻴﻴﺰﻫﺎ ﻋﻦ ﻓﱰات اﻟﺜﻘﺔ اﻟﺘﻜﺮارﻳﺔ‪ ،‬ﺗُﺴﻤﱠ ﻰ ﻫﺬه‬
‫اﻟﻔﱰات »ﻓﱰات املﺼﺪاﻗﻴﺔ«‪.‬‬

‫‪85‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫)‪ (4‬اﻻﺧﺘﺒﺎر‬

‫ﻳَﺴﺘﺨﺪم اﻹﺣﺼﺎﺋﻴﻮن ﻋﺒﺎرﺗَﻲ‪» :‬اﺧﺘﺒﺎر اﻟﻔﺮﺿﻴﺔ« و»اﺧﺘﺒﺎر اﻟﺪﻻﻟﺔ« ﻟﻮﺻﻒ ﻋﻤﻠﻴﺘَ ِﻲ‬
‫ِ‬
‫اﺳﺘﻜﺸﺎف ﻣﺎ إذا ﻛﺎﻧﺖ املﻌﻠﻤﺎت ﰲ اﻟﻨﻤﻮذج ﺗﺄﺧﺬ ﻗﻴﻤً ﺎ ﻣﺤﺪدة أو ﺗﻘﻊ ﰲ ﻧﻄﺎﻗﺎت ﻣﻌﻴﻨﺔ‪.‬‬
‫ورﺑﻤﺎ ﻳﻌﻨﻲ ذﻟﻚ ﰲ أﺑﺴﻂ ﻣﺴﺘﻮﻳﺎﺗﻪ اﺧﺘﺒﺎر ﻣﻌﻠﻤﺔ واﺣﺪة ﻓﺤﺴﺐ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪،‬‬
‫َ‬
‫ﻳﺘﻌﺎﻓﻮْن ﺑﺘﻨﺎول‬ ‫ﻳﻤﻜﻦ أن ﻧﻌﺮف أن ‪ ٪٥٠‬ﻣﻦ املﺮﴇ اﻟﺬﻳﻦ ﻳﻌﺎﻧﻮن ﻣﻦ ﻣﺮض ﻣﻌني‬
‫اﻟﻌﻼج املﻌﻴﺎري‪ ،‬وﻗﺪ ﻧﺨﻤﻦ أن ﺗﻨﺎول ﻋﻼج ﺟﺪﻳﺪ ﻣﻘﱰح ﻳﺸﻔﻲ ‪ ٪٨٠‬ﻣﻦ ﻫﺆﻻء املﺮﴇ‪.‬‬
‫املﻌﻠﻤﺔ اﻟﻮﺣﻴﺪة اﻟﺘﻲ ﻧﻬﺘﻢ ﺑﺎﺧﺘﺒﺎرﻫﺎ ﻫﻲ ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﻌﻼج اﻟﺠﺪﻳﺪ‪ ،‬وﺳﻨﻮ ﱡد‬
‫ﺑﺪﻻ ﻣﻦ ‪.٪٥٠‬‬ ‫أن ﻧﻌﺮف ﻣﺎ إذا ﻛﺎﻧﺖ ‪ً ٪٨٠‬‬
‫ﻣﻦ اﻟﺤﻘﻴﻘﻲ أن اﻟﻨﺎس ﻣﺨﺘﻠﻔﻮن؛ ﻓﻬﻢ ﻳﺨﺘﻠﻔﻮن ﻣﻦ ﺣﻴﺚ اﻟﻌﻤﺮ واﻟﺠﻨﺲ واﻟﻠﻴﺎﻗﺔ‬
‫اﻟﺒﺪﻧﻴﺔ وﺷﺪة املﺮض واﻟﻮزن وﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﺷﻴﺎء اﻷﺧﺮى؛ وﻫﺬا ﻳﻌﻨﻲ أﻧﻪ ﺣﺘﻰ ﻋﻨﺪﻣﺎ‬
‫اﻟﺠﺮﻋﺔ ﻧﻔﺴﻬﺎ ﻣﻦ اﻟﺪواء ﻧﻔﺴﻪ‪ ،‬ﻓﺈن اﻻﺳﺘﺠﺎﺑﺔ ﺗﺨﺘﻠﻒ؛‬ ‫َ‬ ‫ﻳﺘﻨﺎول أﺷﺨﺎص ﻣﺘﻤﺎﺛﻠﻮن‬
‫َ‬
‫ُﺸﻔﻰ اﻟﺒﻌﺾ وﻻ ﻳُﺸﻔﻰ اﻟﺒﻌﺾ اﻵﺧﺮ‪ .‬وﰲ اﻟﻮاﻗﻊ‪ ،‬ﻣﻦ املﻤﻜﻦ ﻟﻠﻐﺎﻳﺔ أن ﺗﺨﺘﻠﻒ‬ ‫ﻓﺮﺑﻤﺎ ﻳ َ‬
‫اﺳﺘﺠﺎﺑﺔ املﺮﻳﺾ ﻧﻔﺴﻪ ﰲ اﻷوﻗﺎت املﺨﺘﻠﻔﺔ وﺗﺤﺖ اﻟﻈﺮوف املﺨﺘﻠﻔﺔ‪ .‬اﻟﻨﻤﻮذج املﻌﻘﻮل‬
‫ﻟﻬﺬه اﻟﺤﺎﻟﺔ رﺑﻤﺎ ﻳﺘﻤﺜﻞ ﰲ أن أي ﻣﺮﻳﺾ ﻳﺘﻨﺎول دواءً ﻟﺪﻳﻪ اﺣﺘﻤﺎل ‪ p = 0.5‬ﻟﻠﺸﻔﺎء‪.‬‬
‫وﰲ ﻣﺜﺎﻟﻨﺎ‪ ،‬ﻧﻌﻠﻢ أن ‪ p = 0.8‬ﰲ ﻇﻞ اﻟﻌﻼج املﻌﻴﺎري‪ ،‬وﻧﻈﻦ أن ‪ p = 0.8‬ﰲ ﻇﻞ اﻟﻌﻼج‬
‫اﻟﺠﺪﻳﺪ‪.‬‬
‫ﺸﻔﻰ ﻋﻦ ﻃﺮﻳﻖ اﻟﺪواء اﻟﺠﺪﻳﺪ‪ ،‬ﻓﺈن ﻣﺎ ﻧﻮ ﱡد‬ ‫ﰲ ﻫﺬه املﺮﺣﻠﺔ‪ ،‬ملﻌﺮﻓﺔ اﻟﻨﺴﺒﺔ اﻟﺘﻲ ﺗُ َ‬
‫اﻟﻘﻴﺎم ﺑﻪ ﻫﻮ إﻋﻄﺎء اﻟﺪواء اﻟﺠﺪﻳﺪ ملﺠﻤﻮﻋﺔ املﺮﴇ ﺑﺄﻛﻤﻠﻬﺎ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ‪ ،‬ﺗﺤﺖ ﻛﻞ‬
‫ﺸﻔﻰ‪ .‬ﻫﺬا ﻣﺴﺘﺤﻴﻞ ﻋﲆ ﻧﺤﻮ واﺿﺢ‪ ،‬وﻣﺎ ﻳﺘﻌني‬ ‫اﻟﻈﺮوف املﻤﻜﻨﺔ‪ ،‬وﻧﺮى اﻟﻨﺴﺒﺔ اﻟﺘﻲ ﺗُ َ‬
‫ﻋﻠﻴﻨﺎ اﻟﻘﻴﺎم ﺑﻪ ﻫﻮ إﻋﻄﺎء اﻟﺪواء ﻟﻌﻴﻨﺔ ﻣﻦ املﺮﴇ وﺣﺴﺐ‪ ،‬وﻳﻤﻜﻨﻨﺎ ﺑﻌﺪ ذﻟﻚ ﺣﺴﺎب‬
‫ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﰲ اﻟﻌﻴﻨﺔ‪ .‬ﻟﻸﺳﻒ‪ ،‬ﺑﻤﺎ أﻧﻨﺎ ﻧﺘﻌﺎﻣﻞ ﻣﻊ ﻋﻴﻨﺔ ﻓﺤﺴﺐ‪ ،‬وﻟﻴﺲ ﺟﻤﻴﻊ املﺮﴇ‪،‬‬
‫ﻓﺈن ﻣﺠﺮد ﺣﻘﻴﻘﺔ ﺷﻔﺎء ‪ — ٪٨٠‬ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل — ﻣﻦ اﻟﻌﻴﻨﺔ أو ‪ ٪٦٠‬أو ‪ ٪٩٠‬أو‬
‫ﺸﻔﻰ ﰲ ﻣﺠﻤﻮﻋﺔ املﺮﴇ ﺑﺄﻛﻤﻠﻬﺎ‪ .‬ﻓﺈذا‬ ‫أي ﻧﺴﺒﺔ‪ ،‬ﻻ ﺗﻌﻨﻲ ﺑﺎﻟﴬورة أن ﻫﺬه اﻟﻨﺴﺒﺔ ﺳﺘُ َ‬
‫أﺧﺬﻧﺎ ﻋﻴﻨﺔ ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻓﺴﻨﺤﺼﻞ ﻋﲆ اﻷرﺟﺢ ﻋﲆ ﻧﺘﻴﺠﺔ ﻣﺨﺘﻠﻔﺔ‪.‬‬
‫ُﺸﻔﻰ ﻓﻴﻬﺎ ﻋﻤﻮﻣً ﺎ ‪ ٪٥٠‬ﻓﻘﻂ ﻣﻦ املﺮﴇ‬ ‫وﻣﻊ ذﻟﻚ ﻓﺈن اﻟﻌﻴﻨﺔ املﺄﺧﻮذة ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﻳ َ‬
‫ﻋﺎد ًة ﻣﺎ ﺗﻜﻮن ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﻓﻴﻬﺎ أﻗﻞ ﻣﻦ اﻟﻌﻴﻨﺔ املﺄﺧﻮذة ﻣﻦ ﻣﺠﻤﻮﻋﺔ ﺗﺒﻠﻎ ﻧﺴﺒﺔ اﻟﺸﻔﺎء‬
‫ﻓﻴﻬﺎ ‪ ٪٨٠‬ﻣﻦ املﺮﴇ‪.‬‬

‫‪86‬‬
 ‫اﻟﺘﻘﺪﻳﺮ واﻻﺳﺘﺪﻻل‬

‫ﻣﺜﻼ — ﺑﺤﻴﺚ ﻟﻮ ﻻﺣﻈﻨﺎ أن ﻧﺴﺒﺔ اﻟﺸﻔﺎء‬ ‫وﻫﺬا ﻳﻌﻨﻲ أﻧﻨﺎ ﻳﻤﻜﻦ اﺳﺘﺨﺪام ﺣﺪ — ‪ً t‬‬
‫ﰲ اﻟﻌﻴﻨﺔ أﻗﻞ ﻣﻦ ‪ t‬ﺳﻮف ﻧﺮﺟﺢ ﻓﺮﺿﻴﺔ ‪ ،٪٥٠‬وإذا ﻻﺣﻈﻨﺎ ﻧﺴﺒﺔ ﺷﻔﺎء ﰲ اﻟﻌﻴﻨﺔ أﻛﱪ‬
‫ﻣﻦ ‪ ،t‬ﻓﺴﻮف ﻧﺮﺟﺢ ﻓﺮﺿﻴﺔ ‪ .٪٨٠‬وﰲ اﻟﺤﺎﻟﺔ اﻟﺜﺎﻧﻴﺔ‪ ،‬ﻧﻘﻮل إن إﺣﺼﺎﺋﻴﺎت اﻟﻌﻴﻨﺔ ﺗﻘﻊ‬
‫ﰲ »ﻣﻨﻄﻘﺔ اﻟﺮﻓﺾ« أو »املﻨﻄﻘﺔ اﻟﺤﺮﺟﺔ«؛ ﺣﻴﺚ إن ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﻟﻠﻌﻼج املﻌﻴﺎري —‬
‫‪ — ٪٥٠‬ﻗﺪ »رﻓﻀﺖ«‪.‬‬
‫ﺑﺎﻟﻘﻴﺎم ﺑﺬﻟﻚ‪ ،‬ﻓﺈﻧﻨﺎ ﻧﺨﺎﻃﺮ ﺑﺎﻟﻮﻗﻮع ﰲ أﺣﺪ ﻧﻮﻋني ﻣﻦ اﻷﺧﻄﺎء؛ ﻓﻘﺪ ﻧﻘﺮر أن اﻟﺪواء‬
‫اﻟﺠﺪﻳﺪ ﻳﺸﻔﻲ ‪ ٪٨٠‬ﻣﻦ املﺮﴇ ﰲ ﻣﺠﻤﻮﻋﺔ املﺮﴇ اﻟﺨﺎﺿﻌني ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﻢ ﰲ ﺣني‬
‫أﻧﻪ ﰲ اﻟﺤﻘﻴﻘﺔ ﻳﺸﻔﻲ ‪ ٪٥٠‬ﻓﻘﻂ‪ ،‬أو ﻗﺪ ﻧﻘﺮر أن اﻟﺪواء اﻟﺠﺪﻳﺪ ﻳﺸﻔﻲ ‪ ٪٥٠‬ﻣﻦ املﺮﴇ ﰲ‬
‫ﻣﺠﻤﻮﻋﺔ املﺮﴇ اﻟﺨﺎﺿﻌني ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﻢ ﰲ ﺣني أﻧﻪ ﰲ واﻗﻊ اﻷﻣﺮ ﻳﺸﻔﻲ ‪ .٪٨٠‬ﺗﺮﺗﱢﺐ‬
‫ﻃﺮﻳﻘﺔ ﺗﺴﻤﻰ ﻃﺮﻳﻘﺔ »ﻧﻴﻤﺎن‪-‬ﺑريﺳﻮن« ﻻﺧﺘﺒﺎر اﻟﻔﺮﺿﻴﺔ اﻷﻣﻮ َر ﺑﺤﻴﺚ ﻳﻜﻮن اﺣﺘﻤﺎل‬ ‫ٌ‬
‫ً‬
‫ﻣﻌﺮوﻓﺎ‪ ،‬وﺻﻐريًا ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻟﻴﻌﻄﻴﻨﺎ ﺛﻘﺔ‬ ‫اﻟﻮﻗﻮع ﰲ ﻛﻼ ﻫﺬﻳﻦ اﻟﻨﻮﻋني ﻣﻦ اﻷﺧﻄﺎء‬
‫ﰲ اﻟﻨﺘﺎﺋﺞ‪.‬‬
‫إﻟﻴﻚ ﻛﻴﻔﻴﺔ ﻋﻤﻞ ذﻟﻚ‪ :‬ﻧﺒﺪأ ﺑﻮﺿﻊ اﻓﱰاض؛ إذ ﻧﻔﱰض أن اﻟﺪواء اﻟﺠﺪﻳﺪ ﻳﺸﻔﻲ ‪٪٥٠‬‬
‫ﻓﻘﻂ ﻣﻦ املﺮﴇ‪ ،‬وﻳﺴﻤﻰ ﻫﺬا اﻻﻓﱰاض »ﻓﺮﺿﻴﺔ اﻟﻌﺪم«‪ .‬ﺗﻨﺺ ﻓﺮﺿﻴﺔ أﺧﺮى ﺗُﺴﻤﱠ ﻰ‬
‫»اﻟﻔﺮﺿﻴﺔ اﻟﺒﺪﻳﻠﺔ« ﻋﲆ أن اﻟﺪواء اﻟﺠﺪﻳﺪ ﻳﺸﻔﻲ ‪ ٪٨٠‬ﻣﻦ املﺮﴇ‪ .‬ﺑﺎﺳﺘﺨﺪام ﺣﺴﺎﺑﺎت‬
‫اﻻﺣﺘﻤﺎل اﻷﺳﺎﺳﻴﺔ ﻧﺘﻤﻜﻦ ﻣﻦ ﻣﻌﺮﻓﺔ ﻧﺴﺒﺔ اﻟﻌﻴﻨﺎت اﻟﺘﻲ ﺳﻮف ﺗُﻈﻬﺮ ﻧﺴﺒﺔ ﺷﻔﺎء —‬
‫ﻋﻦ ﻃﺮﻳﻖ املﺼﺎدﻓﺔ — أﻛﱪ ﻣﻦ أي ‪ t‬ﻣﺨﺘﺎرة‪ ،‬إذا ﻛﺎن اﻓﱰاض ‪) ٪٥٠‬ﻓﺮﺿﻴﺔ اﻟﻌﺪم(‬
‫ﺣﻘﻴﻘﻴٍّﺎ‪ .‬وﻋﺎدة ﻣﺎ ﺗُﺨﺘﺎر ‪ t‬ﺑﺤﻴﺚ إﻧﻪ إذا ﻛﺎﻧﺖ ﻓﺮﺿﻴﺔ اﻟﻌﺪم ﺣﻘﻴﻘﻴﺔ‪ ،‬ﻓﺈن ‪ ٪٥‬أو ‪٪١‬‬
‫ﻓﻘﻂ ﻣﻦ املﺮات ﺗﺘﺠﺎوز ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﰲ اﻟﻌﻴﻨﺔ ‪.t‬‬
‫ﰲ ﻫﺬه اﻟﺤﺎﻟﺔ‪ ،‬ﻋﻨﺪﻣﺎ ﺗﻜﻮن ﻓﺮﺿﻴﺔ اﻟﻌﺪم ﺣﻘﻴﻘﻴﺔ )أي إذا ﻛﺎن ‪ ٪٥٠‬ﻓﻘﻂ ﻣﻦ‬
‫املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﺎ ﺳﻴُﺸﻔﻰ( وﺣﺼﻠﻨﺎ ﰲ اﻟﻮاﻗﻊ ﻋﲆ ﻧﺴﺒﺔ ﺷﻔﺎء ﰲ‬
‫اﻟﻌﻴﻨﺔ أﻛﱪ ﻣﻦ ‪ — t‬ﻣﻤﺎ ﻳﺆدي ﺑﻨﺎ إﱃ اﺗﺨﺎذ ﻗﺮار ﻟﺼﺎﻟﺢ ﻧﺴﺒﺔ اﻟﺸﻔﺎء اﻟﻜﲇ اﻟﺒﺎﻟﻐﺔ ‪٪٨٠‬‬
‫— ﻓﺮﺑﻤﺎ ﻧﻜﻮن واﻗﻌني ﰲ اﻟﻨﻮع اﻷول ﻣﻦ اﻷﺧﻄﺎء املﺬﻛﻮرة ً‬
‫آﻧﻔﺎ )وﻫﻮ ﻣﺎ ﻳﺴﻤﻰ ﺗﻘﻠﻴﺪﻳٍّﺎ‬
‫»ﺧﻄﺄ ﻣﻦ اﻟﻨﻮع اﻷول«(‪ .‬وﻋﺎدة ﻣﺎ ﻳﺴﺘﺨﺪم اﻟﺮﻣﺰ ∝ ﻟﺘﻤﺜﻴﻞ اﺣﺘﻤﺎل ﺣﺪوث ﺧﻄﺄ ﻣﻦ‬
‫اﻟﻨﻮع اﻷول‪ .‬وﻳﻌﻨﻲ اﺧﺘﻴﺎرﻧﺎ ﻟﻘﻴﻤﺔ ‪ t‬ﰲ املﺜﺎل أن ∝ ﺛﺎﺑﺘﺔ ﻟﺪﻳﻨﺎ ﻋﻨﺪ ‪ ٠٫٠٥‬أو ‪ ٠٫٠١‬أو‬
‫أي ﻗﻴﻤﺔ ﻧﺨﺘﺎرﻫﺎ‪.‬‬
‫إذا ﻻﺣﻈﻨﺎ ﻧﺴﺒﺔ ﺷﻔﺎء ﰲ اﻟﻌﻴﻨﺔ أﻛﱪ ﻣﻦ ‪ ،t‬ﺣﻴﻨﻬﺎ إﻣﺎ أن ﺗﻜﻮن ﻓﺮﺿﻴﺔ اﻟﻌﺪم‬
‫ﺣﺪث ذو اﺣﺘﻤﺎل ﺿﻌﻴﻒ )ﻣﻌﺪل‬ ‫ٌ‬ ‫ﺣﻘﻴﻘﻴﺔ )اﻟﻨﺴﺒﺔ اﻟﺤﻘﻴﻘﻴﺔ اﻟﺒﺎﻟﻐﺔ ‪ ،(٪٥٠‬وﻳﻜﻮن‬

‫‪87‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻟﻌﻴﻨﺔ أﻋﲆ ﻣﻦ ‪ ،t‬ﻳﺤﺪث ﺑﺎﺣﺘﻤﺎل ∝( ﻗﺪ وﻗﻊ‪ ،‬أو ﺗﻜﻮن ﻓﺮﺿﻴﺔ اﻟﻌﺪم ﻏري ﺣﻘﻴﻘﻴﺔ‪.‬‬
‫ﻫﺬان ﻫﻤﺎ اﻻﺣﺘﻤﺎﻻن اﻟﻮﺣﻴﺪان املﻤﻜﻨﺎن‪ ،‬وﻫﺬا ﻫﻮ ﺟﻮﻫﺮ ﻃﺮﻳﻘﺔ ﻧﻴﻤﺎن‪-‬ﺑريﺳﻮن ﻻﺧﺘﺒﺎر‬
‫اﻟﻔﺮﺿﻴﺔ؛ ﻓﻌﻦ ﻃﺮﻳﻖ اﺧﺘﻴﺎر ‪ t‬ﺑﺤﻴﺚ ﻳﻜﻮن ∝ ﺻﻐريًا ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ )وﻳﻌﺘﻘﺪ ﻋﻤﻮﻣً ﺎ‬
‫أن ‪ ٠٫٠٥‬و‪ ٠٫٠١‬ﺻﻐريان ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ(‪ ،‬ﻧﺸﻌﺮ ﻋﲆ ﻧﺤﻮ ﻣﻌﻘﻮل ﺑﺎﻟﺜﻘﺔ ﻋﻨﺪ اﻹﺷﺎرة‬
‫إﱃ أن ﻓﺮﺿﻴﺔ اﻟﻌﺪم ﻟﻴﺴﺖ ﺣﻘﻴﻘﻴﺔ؛ ﻷﻧﻪ ﻟﻮ ﻛﺎﻧﺖ ﺣﻘﻴﻘﺔ ﻟﻮﻗﻊ ﺣﺪث ﻏري ﻣﺮﺟﺢ‪.‬‬
‫أﻣﺎ اﻟﻨﻮع اﻟﺜﺎﻧﻲ ﻣﻦ اﻷﺧﻄﺎء )ﻳﺴﻤﻰ ﺑﻄﺒﻴﻌﺔ اﻟﺤﺎل »ﺧﻄﺄ ﻣﻦ اﻟﻨﻮع اﻟﺜﺎﻧﻲ«(‬
‫ﻓﻴﻨﺸﺄ ﻋﻨﺪﻣﺎ ﺗﻜﻮن اﻟﻔﺮﺿﻴﺔ اﻟﺒﺪﻳﻠﺔ ﺣﻘﻴﻘﻴﺔ )ﻧﺴﺒﺔ ‪ ٪٨٠‬ﰲ املﺜﺎل(‪ ،‬وﻟﻜﻦ ﻧﺴﺒﺔ اﻟﺸﻔﺎء‬
‫املﺮﺻﻮدة ﰲ اﻟﻌﻴﻨﺔ أﻗﻞ ﻣﻦ ‪ .t‬ﺑﻤﺎ أﻧﻨﺎ اﺧﱰﻧﺎ ‪ t‬ﻟﻠﺴﻴﻄﺮة ﻋﲆ اﺣﺘﻤﺎل اﻟﻮﻗﻮع ﰲ اﻟﺨﻄﺄ‬
‫أﻳﻀﺎ ﻟﻠﺴﻴﻄﺮة ﻋﲆ اﺣﺘﻤﺎل اﻟﻮﻗﻮع ﰲ اﻟﺨﻄﺄ ﻣﻦ‬ ‫ﻣﻦ اﻟﻨﻮع اﻷول‪ ،‬ﻻ ﻳﻤﻜﻨﻨﺎ أن ﻧﺨﺘﺎر ‪ً t‬‬
‫اﻟﻨﻮع اﻟﺜﺎﻧﻲ‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻳﻤﻜﻨﻨﺎ أن ﻧﺠﻌﻞ اﺣﺘﻤﺎل اﻟﻮﻗﻮع ﰲ اﻟﺨﻄﺄ ﻣﻦ اﻟﻨﻮع اﻟﺜﺎﻧﻲ‬
‫ﺻﻐريًا ﻛﻤﺎ ﻧﺸﺎء ﻋﻦ ﻃﺮﻳﻖ أﺧﺬ ﻋﻴﻨﺔ ﻛﺒرية ﺑﻤﺎ ﻳﻜﻔﻲ‪ .‬وﻫﺬا ﻣﺮة أﺧﺮى ﻫﻮ ﺗﺄﺛري‬
‫ﻗﺎﻧﻮن اﻷﻋﺪاد اﻟﻜﺒرية؛ ﻓﺰﻳﺎدة ﺣﺠﻢ اﻟﻌﻴﻨﺔ ﻳﻘﻠﻞ ﻣﻦ ﻧﻄﺎق اﻟﺘﻔﺎوت ﰲ ﺗﻘﺪﻳﺮ اﻟﻌﻴﻨﺔ؛‬
‫وﻣﻦ ﺛ َ ﱠﻢ ﻳﻘﻠﻞ ﻣﻦ اﺣﺘﻤﺎل أن ﻳﻜﻮن ﺗﻘﺪﻳﺮ اﻟﻌﻴﻨﺔ أﻗﻞ ﻣﻦ ‪ t‬ﻋﻨﺪﻣﺎ ﺗﻜﻮن اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ‬
‫ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﺎ أﻋﲆ؛ أي ﻋﻨﺪ ﻗﻴﻤﺔ ‪ .٪٨٠‬وﺑﺎﻟﺘﺤﺪﻳﺪ‪ ،‬ﻣﻦ ﺧﻼل‬
‫ﺟﻌﻞ اﻟﻌﻴﻨﺔ ﻛﺒرية ﺑﻤﺎ ﻳﻜﻔﻲ ﻳﻤﻜﻨﻨﺎ أن ﻧﻘ ﱢﻠﻞ ِﻣﻦ اﺣﺘﻤﺎل ﺣﺪوث اﻟﺨﻄﺄ ﻣﻦ اﻟﻨﻮع اﻟﺜﺎﻧﻲ‬
‫ﻣﻨﺎﺳﺒﺔ‪ .‬ﻋﺎدة ﻣﺎ ﻳُﺴﺘﺨﺪَم اﻟﺮﻣﺰ ‪ β‬ﻟﺘﻤﺜﻴﻞ اﺣﺘﻤﺎل ﺣﺪوث اﻟﺨﻄﺄ ﻣﻦ‬ ‫ِ‬ ‫إﱃ أي ﻗﻴﻤﺔ ﻧﺮاﻫﺎ‬
‫اﻟﻨﻮع اﻟﺜﺎﻧﻲ‪ ،‬وﻳﺴﺘﺨﺪم ﻣﺼﻄﻠﺢ »اﻟﻘﻮة« ﻟﺘﻤﺜﻴﻞ ‪1 − β‬؛ وﻫﻮ اﺣﺘﻤﺎل اﺧﺘﻴﺎر اﻟﻔﺮﺿﻴﺔ‬
‫اﻟﺒﺪﻳﻠﺔ ﻋﻨﺪﻣﺎ ﺗﻜﻮن ﺣﻘﻴﻘﻴﺔ‪.‬‬
‫إن ﻣﻮﻗﻒ اﺧﺘﺒﺎر اﻟﻔﺮﺿﻴﺎت املﺬﻛﻮر ﻫﻨﺎ ﻳﺸﺒﻪ املﻮﻗﻒ ﰲ املﺤﻜﻤﺔ‪ ،‬ﺣﻴﺚ ﻳُﻔﱰض‬
‫ﰲ اﻟﺒﺪاﻳﺔ أن املﺘﻬﻢ ﺑﺮيء )ﻓﺮﺿﻴﺔ اﻟﻌﺪم(‪ ،‬وﻫﻨﺎ ﻳﻜﻮن ﻣﻦ املﻤﻜﻦ ﺣﺪوث ﻧﻮﻋني ﻣﻦ‬
‫اﻷﺧﻄﺎء‪ :‬اﻟﺤﻜﻢ ﻋﲆ ﺷﺨﺺ ﺑﺮيء ﺑﺄﻧﻪ ﻣﺬﻧﺐ )اﻟﻨﻮع اﻷول( أو اﻟﺤﻜﻢ ﻋﲆ ﺷﺨﺺ ﻣﺬﻧﺐ‬
‫ﺑﺄﻧﻪ ﺑﺮيء )اﻟﻨﻮع اﻟﺜﺎﻧﻲ(‪.‬‬
‫ﻻﺣﻆ أن اﻟﻔﺮﺿﻴﺘني ﺗﺪﺧﻼن ﰲ ﻃﺮﻳﻘﺔ ﻧﻴﻤﺎن‪-‬ﺑريﺳﻮن ﻻﺧﺘﺒﺎر اﻟﻔﺮﺿﻴﺔ‪ :‬ﻓﺮﺿﻴﺔ‬
‫اﻟﻌﺪم واﻟﻔﺮﺿﻴﺔ اﻟﺒﺪﻳﻠﺔ‪ .‬ﰲ »اﺧﺘﺒﺎر اﻟﺪﻻﻟﺔ«‪ ،‬ﺗﺨﻀﻊ ﻓﺮﺿﻴﺔ اﻟﻌﺪم ﻓﻘﻂ ﻟﻼﺧﺘﺒﺎر؛‬
‫ﻓﺎﻟﻬﺪف ﻫﻮ »رﻓﺾ« ﻓﺮﺿﻴﺔ اﻟﻌﺪم إذا ﻛﺎﻧﺖ اﻟﻘﻴﻤﺔ اﻹﺣﺼﺎﺋﻴﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻼﺧﺘﺒﺎر‬
‫ﺗﻮﻗﻌﻪ ﰲ‬‫ﻣﺨﺘﻠﻔﺔ ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻋﻤﱠ ﺎ ﻳﻤﻜﻦ ﱡ‬
‫ً‬ ‫)ﻧﺴﺒﺔ اﻟﺸﻔﺎء ﰲ اﻟﻌﻴﻨﺔ ﰲ املﺜﺎل اﻟﺴﺎﺑﻖ(‬
‫ﻇﻞ ﻓﺮﺿﻴﺔ اﻟﻌﺪم‪ ،‬أو »اﻟﻔﺸﻞ ﰲ رﻓﻀﻬﺎ« إذا ﻟﻢ ﺗﻜﻦ اﻟﻘﻴﻤﺔ ﻣﺘﻄﺮﻓﺔ ﻟﻠﻐﺎﻳﺔ‪ .‬ﻓﻼ ﺗﻮﺟﺪ‬
‫أي ﻓﺮﺿﻴﺔ ﺑﺪﻳﻠﺔ ﻣﺬﻛﻮرة ﺑﻮﺿﻮح‪ .‬وﻳﺴﺘﺨﺪم املﺼﻄﻠﺢ »ﻗﻴﻤﺔ ‪ «p‬ﻟﻮﺻﻒ اﺣﺘﻤﺎل أن‬

‫‪88‬‬
 ‫اﻟﺘﻘﺪﻳﺮ واﻻﺳﺘﺪﻻل‬

‫ﻧﺮﺻﺪ ﻗﻴﻤﺔ إﺣﺼﺎﺋﻴﺔ ﺧﺎﺿﻌﺔ ﻟﻼﺧﺘﺒﺎر ﻣﺘﻄﺮﻓﺔ ﻣﺜﻞ ﺗﻠﻚ املﺮﺻﻮدة ﰲ اﻟﻮاﻗﻊ‪ ،‬أو أﻛﺜﺮ‬
‫ﺗﻄﺮﻓﺎ إذا ﻛﺎﻧﺖ ﻓﺮﺿﻴﺔ اﻟﻌﺪم ﺣﻘﻴﻘﻴﺔ‪.‬‬ ‫ً‬
‫وُﺿﻌﺖ ﻓﻜﺮﺗﺎ ﻓﺮﺿﻴﺔ اﻟﻌﺪم واﺧﺘﺒﺎر اﻟﺪﻻﻟﺔ ﻣﻦ أﺟﻞ ﻣﺠﻤﻮﻋﺔ ﻛﺒرية ﻣﻦ املﺸﺎﻛﻞ‪،‬‬
‫وﺳﻤﱢ ﻴﺖ ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎن ﺑﺎﺳﻢ أﺣﺪ ﻣﻄﻮﱢرﻳﻬﺎ اﻷﺻﻠﻴني‬ ‫ﻃﻮﱢرت ُ‬‫ﻓﺜﻤﺔ اﺧﺘﺒﺎرات ﻣﻌﻴﻨﺔ ُ‬
‫)ﻣﺜﻞ اﺧﺘﺒﺎر واﻟﺪ‪ ،‬واﺧﺘﺒﺎر ﻣﺎن وﻳﺘﻨﻲ(‪ ،‬أو ُﺳﻤﱢ ﻴﺖ ﺗﻴﻤﱡ ﻨًﺎ ﺑﺘﻮزﻳﻊ اﻹﺣﺼﺎﺋﻴﺔ املﻌﻨﻴﺔ‬
‫اﻟﺨﺎﺿﻌﺔ ﻟﻼﺧﺘﺒﺎر )ﻣﺜﻞ اﺧﺘﺒﺎر ‪ ،t‬واﺧﺘﺒﺎر ﻣﺮﺑﻊ ﻛﺎي(‪.‬‬
‫وﺗُﻌَ ﱡﺪ اﺧﺘﺒﺎرات اﻟﻔﺮﺿﻴﺎت اﻟﺒﺎﻳﺰﻳﺔ — ﻇﺎﻫﺮﻳٍّﺎ ﻋﲆ اﻷﻗﻞ — أﻛﺜﺮ وﺿﻮﺣً ﺎ؛ ﻓﻮ َْﻓ َﻖ‬
‫ﻣﱪﻫﻨﺔ ﺑﺎﻳﺰ‪ ،‬ﻟﺪﻳﻨﺎ اﺣﺘﻤﺎﻻت ﺑَﻌﺪﻳﺔ ﺑﺄن ﻛﻞ ﻓﺮﺿﻴﺔ ﺣﻘﻴﻘﻴﺔ؛ وﻣﻦ ﺛﻢ ﻧﺴﺘﻄﻴﻊ اﺳﺘﺨﺪاﻣﻬﺎ‬
‫ﻻﺧﺘﻴﺎر إﺣﺪى اﻟﻔﺮﺿﻴﺎت‪ .‬وﰲ املﻤﺎرﺳﺔ اﻟﻌﻤﻠﻴﺔ‪ ،‬ﻓﺈن اﻷﻣﻮر ﰲ ﺑﻌﺾ اﻷﺣﻴﺎن ﺗﻜﻮن أﻛﺜﺮ‬
‫ﺗﻌﻘﻴﺪًا‪.‬‬

‫)‪ (5‬ﻧﻈﺮﻳﺔ اﻟﻘﺮار‬

‫ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎﻧﺖ ﻣﻌﻠﻤﺎت ﻧﻤﻮذج ﺗﺘﺨﺬ‬ ‫ُ‬ ‫ُ‬
‫َﺻﻔﺖ ﻋﲆ ﻧﺤﻮ ﻏري رﺳﻤﻲ »اﻻﺧﺘﺒﺎر« ﺑﺄﻧﻪ‬ ‫و‬
‫ﻗﻴﻤً ﺎ ﻣﻌﻴﻨﺔ أو ﺗﻘﻊ ﺿﻤﻦ ﻧﻄﺎﻗﺎت ﻣﻌﻴﻨﺔ‪ .‬وﻫﺬا وﺻﻒ ﺟﻴﺪ ﻟﻜﺜري ﻣﻤﺎ ﻳﺪور ﰲ أي ﺳﻴﺎق‬
‫ﻋﻠﻤﻲ؛ ﻓﺎﻟﻬﺪف ﻫﻮ اﻛﺘﺸﺎف ﻛﻴﻒ ﺗﺴري اﻷﻣﻮر‪ .‬وﻟﻜﻦ ﰲ ﺳﻴﺎﻗﺎت أﺧﺮى‪ ،‬ﻣﺜﻞ اﻟﺘﺠﺎرة‬
‫أو اﻟﻄﺐ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻓﺈن اﻟﻬﺪف ﻋﺎدة ﻟﻴﺲ ﻣﺠﺮد اﻛﺘﺸﺎف ﻗﻴﻤﺔ املﻌﻠﻤﺎت‪ ،‬وﻟﻜﻦ‬
‫اﻟﻬﺪف ﻫﻮ اﻟﺘﴫف وﻓﻖ ﻣﺎ ﻧﺤﺼﻞ ﻋﻠﻴﻪ ﻣﻦ ﻣﻌﻠﻮﻣﺎت‪ .‬ﻓﻨﺮﻳﺪ أن ﻧﻨﻈﺮ إﱃ املﺮﻳﺾ‪،‬‬
‫ﺠﺮي ﻋﺪدًا ﻣﻦ املﻼﺣﻈﺎت واﻟﺘﺠﺎرب‪ ،‬وﻧﺘﺨﺬ أﻓﻀﻞ ﻣﺴﺎر ﻟﻠﻌﻼج‪ ،‬وذﻟﻚ ﺑﺎﺳﺘﺨﺪام‬ ‫وﻧ ُ ِ‬
‫ً‬
‫ﻣﺨﺘﻠﻔﺔ‪ ،‬وﻟﻜﻦ ﻋﲆ ﻧﺤﻮ‬ ‫اﻟﺒﻴﺎﻧﺎت اﻟﻨﺎﺗﺠﺔ‪ .‬رﺑﻤﺎ ﻳﻌﻨﻲ ﻣﺼﻄﻠﺢ »أﻓﻀﻞ« أﺷﻴﺎءَ ﻛﺜري ًة‬
‫ﻧﻈﺮي‪ ،‬ﻓﺈﻧﻨﺎ ﺳﻮف ﻧﺮﻏﺐ ﰲ ﺗﻌﻈﻴﻢ اﻟﻔﺎﺋﺪة أو اﻟﺮﺑﺢ أو »املﻨﻔﻌﺔ«‪ ،‬أو ﻋﲆ ﻧﺤﻮ ﻣﻜﺎﻓﺊ‪،‬‬
‫ﺗﻘﻠﻴﻞ اﻟﺘﻜﻠﻔﺔ أو اﻟﺨﺴﺎرة‪ .‬إذا ﻛﻨﱠﺎ ﻧﺴﺘﻄﻴﻊ ﺗﺤﺪﻳﺪ »داﻟﺔ ﻣﻨﻔﻌﺔ« ﻣﻨﺎﺳﺒﺔ‪ ،‬ﻣﺤﺪﱢدﻳﻦ ﻣﺎ‬
‫ﻃﺒﱢﻖ ﻛﻞ ﻓﻌﻞ ﺑﻴﻨﻤﺎ ﺗﺄﺧﺬ اﻟﺤﻘﻴﻘﺔ ﻏري املﻌﺮوﻓﺔ ﻛﻞ ﻗﻴﻤﺔ ﻣﻦ ﻗﻴﻤﻬﺎ‬‫ﺳﻴﻜﻮن املﻜﺴﺐ إذا ُ‬
‫املﻤﻜﻨﺔ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﻋﻨﺪﺋ ٍﺬ ﻣﻘﺎرﻧﺔ »ﻗﻮاﻋﺪ اﺗﺨﺎذ اﻟﻘﺮارات« املﺨﺘﻠﻔﺔ؛ أي اﻟﻄﺮق املﺨﺘﻠﻔﺔ‬
‫ﻟﻼﺧﺘﻴﺎر ﺑني اﻷﻓﻌﺎل؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻧﺨﺘﺎر ﻗﺎﻋﺪة اﺗﺨﺎذ اﻟﻘﺮار اﻟﺘﻲ ﺗﺰﻳﺪ ﻣﻦ‬
‫اﻟﺤﺪ اﻷدﻧﻰ ﻟﻠﻤﻜﺎﺳﺐ اﻟﺘﻲ ﻳﻤﻜﻦ ﺟﻠﺒﻬﺎ‪ ،‬ﻣﻬﻤﺎ ﻛﺎﻧﺖ اﻟﺤﻘﻴﻘﺔ ﻏري املﻌﺮوﻓﺔ‪ً .‬‬
‫ﺑﺪﻻ ﻣﻦ‬
‫ذﻟﻚ‪ ،‬إذا ﻛﻨﱠﺎ ﻧﻌﻤﻞ ﺿﻤﻦ إﻃﺎر ﺑﺎﻳﺰي؛ وﻣﻦ ﺛﻢ ﻛﺎن ﻟﺪﻳﻨﺎ ﺗﻮزﻳﻊ ﺑﻌﺪي ﻟﻼﺣﺘﻤﺎﻻت ﻋﱪ‬
‫اﻟﺤﺎﻟﺔ ﻏري املﻌﺮوﻓﺔ ﻟﻠﺤﻘﻴﻘﺔ‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺣﺴﺎب ﻣﺘﻮﺳﻂ ﻗﻴﻤﺔ اﻟﺮﺑﺢ ﻟﻜﻞ ﻗﺎﻋﺪة اﺗﺨﺎذ ﻗﺮار‪،‬‬
‫واﺧﺘﻴﺎر اﻟﻘﺎﻋﺪة ذات أﻛﱪ ﻗﻴﻤﺔ ﻟﻠﻤﺘﻮﺳﻂ‪.‬‬

‫‪89‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﴍﻛﺔ ﻣﺎ ﰲ ﻣﻌﺮﻓﺔ أيﱡ ﻣﺴﺎر ﻟﻠﻌﻤﻞ — إرﺳﺎل‬ ‫ٌ‬ ‫ً‬

‫ﻣﺜﺎﻻ ﻋﲆ ذﻟﻚ‪ .‬رﺑﻤﺎ ﺗﺮﻏﺐ‬ ‫إﻟﻴﻚ‬
‫رﺳﺎﻟﺔ أم إﺟﺮاء ﻣﻜﺎملﺔ ﻫﺎﺗﻔﻴﺔ — ﻫﻮ اﻷﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ ﰲ ﺗﺸﺠﻴﻊ ﻋﻤﻼﺋﻬﺎ ﻋﲆ ﴍاء أﺣﺪث‬
‫ﻣﻨﺘﺠﺎﺗﻬﺎ‪ .‬ﺳﻴﻜﻮن ﻣﻦ ﻏري اﻟﻮاﻗﻌﻲ أن ﻧﺘﺼﻮر أن اﻹﺟﺮاء ﻧﻔﺴﻪ ﺳﻴﻜﻮن أﻛﺜﺮ ﻓﻌﺎﻟﻴﺔ‬
‫ﻟﺠﻤﻴﻊ أﻧﻮاع اﻟﻌﻤﻼء؛ ﻓﺴﻴﺴﺘﺠﻴﺐ ﺑﻌﺾ اﻟﻌﻤﻼء ﻋﲆ ﻧﺤﻮ أﻓﻀﻞ ﻟﻠﺮﺳﺎﻟﺔ‪ ،‬وﺳﻴﺴﺘﺠﻴﺐ‬
‫اﻟﺒﻌﺾ أﻓﻀﻞ ﻟﻠﻤﻜﺎملﺔ اﻟﻬﺎﺗﻔﻴﺔ‪ ،‬وﻟﻜﻨﻨﺎ ﻻ ﻧﻌﺮف اﻟﻮﺳﻴﻠﺔ اﻷﻓﻀﻞ ﻟﻜﻞ ﻋﻤﻴﻞ‪ .‬وﻟﻜﻦ رﺑﻤﺎ‬
‫ﺗﻤﺘﻠﻚ اﻟﴩﻛﺔ ﺑﻴﺎﻧﺎت ﺣﻮل ﻛﻞ ﻋﻤﻴﻞ؛ وﻫﻲ املﻌﻠﻮﻣﺎت اﻟﺘﻲ ﻗﺪﱠﻣﻬﺎ اﻟﻌﻤﻴﻞ ﻋﻨﺪﻣﺎ اﺷﱰى‬
‫ﻣﻨﻬﺎ ﻷول ﻣﺮة؛ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﺼﻒ ﻣﺸﱰﻳﺎﺗﻪ اﻟﺴﺎﺑﻘﺔ‪ ،‬وﻣﺎ ﺷﺎﺑَﻪ ذﻟﻚ‪ .‬ﺑﺎﺳﺘﺨﺪام ﻫﺬه‬
‫اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺻﻴﺎﻏﺔ ﻗﻮاﻋﺪ ﻻﺗﺨﺎذ اﻟﻘﺮار‪ ،‬واﻟﺘﻲ ﺗُ ِ‬
‫ﺨﱪﻧﺎ ﺑﺄﻣﻮر ﻣﺜﻞ »إذا ﻛﺎن اﻟﻌﻤﻴﻞ‬
‫ﻳﺒﻠﻎ ﻣﻦ اﻟﻌﻤﺮ أﻗﻞ ﻣﻦ ‪ ٢٥‬ﻋﺎﻣً ﺎ‪ ،‬وﻟﺪﻳﻪ ﻧﻤﻂ ﺳﺎﺑﻖ ﻣﻦ املﺸﱰﻳﺎت اﻟﻌﺎدﻳﺔ ُ‬
‫ﻓﻘ ْﻢ ﺑﺈﺟﺮاء‬
‫»ﻣﻜﺎملﺔ ﻫﺎﺗﻔﻴﺔ«؛ وﺧﻼف ذﻟﻚ ُﻗ ْﻢ ﺑﺈرﺳﺎل »اﻟﺮﺳﺎﻟﺔ«‪ «.‬وﻳﻤﻜﻦ ﺻﻴﺎﻏﺔ اﻟﻌﺪﻳﺪ ﻣﻦ ﻗﻮاﻋﺪ‬
‫اﺗﺨﺎذ اﻟﻘﺮار املﺤﺘﻤﻠﺔ ﺗﻠﻚ‪ .‬وﺑﺎﻟﻨﺴﺒﺔ ﻟﻜﻞ إﺟﺮاء — ﻣﻜﺎملﺔ ﻫﺎﺗﻔﻴﺔ أو رﺳﺎﻟﺔ — ﻓﺈﻧﻨﺎ‬
‫ﻧﺴﺘﻄﻴﻊ ﺗﻘﺪﻳﺮ اﻟﺮﺑﺢ‪ ،‬رﺑﻤﺎ ﺣﺘﻰ ﻣﻦ اﻟﻨﺎﺣﻴﺔ اﻟﻨﻘﺪﻳﺔ‪ ،‬إذا ﻗﻤﻨﺎ ﺑﻬﺬا اﻹﺟﺮاء واﺗﻀﺢ أن‬
‫اﻟﻌﻤﻴﻞ ﻣﻦ اﻟﻨﻮع اﻟﺬي ﻳﺴﺘﺠﻴﺐ )أو ﻻ ﻳﺴﺘﺠﻴﺐ( ﺟﻴﺪًا ﻟﻬﺬا اﻹﺟﺮاء؛ وﻣﻦ ﺛﻢ ﻳﻤﻜﻦ أن‬
‫ﻧﺨﺘﺎر ﻗﺎﻋﺪة اﺗﺨﺎذ اﻟﻘﺮار اﻟﺘﻲ ﺗﺠﻌﻞ اﻟﺤﺪ اﻷدﻧﻰ ﻟﻠﺮﺑﺢ أﻛﱪ‪ .‬أو ﻳﻤﻜﻨﻨﺎ ﺣﺴﺎب ﻣﺘﻮﺳﻂ‬
‫ﺗﻮزﻳﻊ اﻟﻌﻤﻼء ﻣﻦ ﻛﻞ ﻧﻮع‪ ،‬ﻹﻧﺘﺎج ﻣﺘﻮﺳﻂ رﺑﺢ ﻟﻜﻞ ﻗﺎﻋﺪة اﺗﺨﺎذ ﻗﺮار‪ ،‬ﺛﻢ اﺧﺘﻴﺎر‬
‫اﻟﻘﺎﻋﺪة اﻟﺘﻲ ﺗﺆدي إﱃ أﻛﱪ ﻣﺘﻮﺳﻂ رﺑﺢ‪.‬‬

‫)‪ (6‬إذن أﻳﻦ ﻧﺤﻦ اﻵن؟‬

‫ﻛﺎن اﻻﺳﺘﺪﻻل اﻹﺣﺼﺎﺋﻲ ﻋﲆ ﻣﺮ اﻟﺴﻨني ﻣﻮﺿﻊ ﺟﺪل ﻛﺒري‪ ،‬وأﺣﻴﺎﻧًﺎ ﻛﺎن اﻟﺠﺪل ﻣﺤﺘﺪﻣً ﺎ‬
‫ﻟﻠﻐﺎﻳﺔ‪ .‬وﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أن ﻃﺮق اﻻﺳﺘﺪﻻل املﺨﺘﻠﻔﺔ ﺗﺆدي ﺑﺎﻟﻔﻌﻞ أﺣﻴﺎﻧًﺎ إﱃ اﺳﺘﻨﺘﺎﺟﺎت‬
‫ﺗﺒني أن اﻻﺳﺘﺨﺪام اﻟﺒﺎﻟﻎ اﻟﺪﻗﺔ ﻟﻬﺬه اﻷﺳﺎﻟﻴﺐ ﻋﻦ ﻃﺮﻳﻖ‬ ‫ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻓﺈن اﻟﺘﺠﺎرب ﱢ‬
‫إﺣﺼﺎﺋﻴني ﻳﻔﻬﻤﻮﻧﻬﺎ ﺟﻴﺪًا ﻳﺆدي ﻋﻤﻮﻣً ﺎ إﱃ اﺳﺘﻨﺘﺎﺟﺎت ﻣﺘﺸﺎﺑﻬﺔ‪ .‬ﻫﺬا ﻛﻠﻪ ﺟﺰء ﻣﻦ‬
‫ﻓﻦ ﺗﻄﺒﻴﻖ اﻹﺣﺼﺎء وﻳﺪل ﻋﲆ أن إﺟﺮاء اﻟﺘﺤﻠﻴﻞ اﻹﺣﺼﺎﺋﻲ ﻟﻴﺲ ﻣﺠﺮد ﻣﻤﺎرﺳﺔ آﻟﻴﺔ‬
‫ﻟﻠﺮﻳﺎﺿﻴﺎت؛ ﻓﻬﻮ ﻳﺘﻄﻠﺐ ﻓﻬﻤً ﺎ ﻟﻠﺒﻴﺎﻧﺎت وﺧﻠﻔﻴﺎﺗﻬﺎ‪ ،‬وﻛﺬﻟﻚ ﻓﻬﻤً ﺎ ﺳﻠﻴﻤً ﺎ ﻟﻨﻈﺮﻳﺔ اﻻﺳﺘﺪﻻل‬
‫اﻷﺳﺎﺳﻴﺔ‪.‬‬
‫ﺗﻀﻊ املﺪارس املﺨﺘﻠﻔﺔ ﻟﻼﺳﺘﺪﻻل اﻹﺣﺼﺎﺋﻲ درﺟﺎت ﻣﺘﻔﺎوﺗﺔ ﻣﻦ اﻟﱰﻛﻴﺰ ﻋﲆ ﻋﺪد‬
‫ﻣﻦ املﺒﺎدئ املﺨﺘﻠﻔﺔ‪ .‬وﻣﻦ أﻣﺜﻠﺔ ﻫﺬه املﺒﺎدئ »ﻣﺒﺪأ اﻹﻣﻜﺎن« )إذا اﻣﺘﻠﻚ ﻧﻤﻮذﺟﺎن ﻣﻦ‬
‫اﻟﻨﻤﺎذج املﺨﺘﻠﻔﺔ داﻟﺔ اﻻﺣﺘﻤﺎل ﻧﻔﺴﻬﺎ‪ ،‬ﻓﺈﻧﻪ ﻳﻨﺒﻐﻲ أن ﻳﺆدﻳﺎ إﱃ اﻟﻨﺘﺎﺋﺞ ﻧﻔﺴﻬﺎ(‪ ،‬و»ﻣﺒﺪأ‬

‫‪90‬‬
 ‫اﻟﺘﻘﺪﻳﺮ واﻻﺳﺘﺪﻻل‬

‫أﺧﺬ ﻋﻴﻨﺎت ﻣﺘﻜﺮرة« )ﻳﻨﺒﻐﻲ ﺗﻘﻴﻴﻢ اﻹﺟﺮاءات اﻹﺣﺼﺎﺋﻴﺔ ﻋﲆ أﺳﺎس ﻛﻴﻒ ﺳﺘﺘﴫف »ﰲ‬
‫ﻃﺒﻘﺖ ﻋﲆ اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻌﻴﻨﺎت املﺘﻜﺮرة(‪ ،‬و»ﻣﺒﺪأ اﻟﻜﻔﺎﻳﺔ« )املﻌﻨﻲ ﺑﺘﻠﺨﻴﺺ‬ ‫املﺘﻮﺳﻂ« إذا ُ‬
‫اﻟﺒﻴﺎﻧﺎت ﺑﺤﻴﺚ ﻳﺘﻢ إﺑﻘﺎء ﻣﻌﻠﻮﻣﺎت ﻛﺎﻓﻴﺔ ﻟﺘﻘﺪﻳﺮ أي ﻣﻌﻠﻤﺔ(‪ .‬ﻳﺒﺪو ﻛﻞ ﻣﺒﺪأ ﻣﻦ ﻫﺬه‬
‫ﻣﻌﻘﻮﻻ ﺗﻤﺎﻣً ﺎ‪ ،‬وﻟﻜﻨﻬﺎ رﺑﻤﺎ ﺗﺘﻌﺎرض أﺣﻴﺎﻧًﺎ‪.‬‬
‫ً‬ ‫املﺒﺎدئ‬
‫ﻛﺎﻧﺖ اﻷﺳﺎﻟﻴﺐ اﻟﺘﻜﺮارﻳﺔ اﻟﻜﻼﺳﻴﻜﻴﺔ ﻟﺴﻨﻮات ﻋﺪﻳﺪة ﻫﻲ اﻟﻄﺮق اﻷﻛﺜﺮ اﺳﺘﺨﺪاﻣً ﺎ‬
‫وﻟﻜﻦ اﻛﺘﺴﺒﺖ اﻷﺳﺎﻟﻴﺐ اﻟﺒﺎﻳﺰﻳﺔ ﺷﻌﺒﻴﺔ ﻛﺒرية ﰲ اﻟﺴﻨﻮات اﻷﺧرية‪ .‬ﻛﺎن‬ ‫ِ‬ ‫ﰲ اﻻﺳﺘﺪﻻل‪،‬‬
‫ﻓﻀﻼ‬‫ً‬ ‫ﻫﺬا ﻧﺘﻴﺠﺔ ﻣﺒﺎﴍة ﻟﺘﻄﻮﻳﺮ أﺟﻬﺰة اﻟﻜﻤﺒﻴﻮﺗﺮ اﻟﻘﻮﻳﺔ وأﺳﺎﻟﻴﺐ اﻟﺤﻮﺳﺒﺔ اﻟﺬﻛﻴﺔ‪،‬‬
‫ﻋﻦ اﻟﱰوﻳﺞ ﺑﺤﻤﺎس ملﺜﻞ ﻫﺬه اﻷﺳﺎﻟﻴﺐ ﻣﻦ ﻗِ ﺒَﻞ ﻣﺆﻳﺪﻳﻬﺎ؛ ﻓﺎﻟﻌﻠﻮم ﺗُﻤﺎ َرس ﰲ ﺳﻴﺎق‬
‫اﺟﺘﻤﺎﻋﻲ‪ ،‬واﻟﺠﻮاﻧﺐ اﻹﻧﺴﺎﻧﻴﺔ املﺘﻌﻠﻘﺔ ﺑﻜﻴﻔﻴﺔ اﻧﺘﺸﺎر وﺗﺮاﺟﻊ ﻫﻴﻤﻨﺔ اﻷﻓﻜﺎر املﺨﺘﻠﻔﺔ‬
‫ﻟﻼﺳﺘﺪﻻل ﻋﲆ ﻣﺪى اﻟﻌﻘﻮد اﻟﻘﻠﻴﻠﺔ املﺎﺿﻴﺔ ﺗُﻌﺪ ﻗﺼﺔ راﺋﻌﺔ‪.‬‬
‫أوﺿﺤﺖ ﰲ ﻫﺬا اﻟﻔﺼﻞ أن ﻫﻨﺎك ﺟﻮاﻧﺐ ﻣﺨﺘﻠﻔﺔ‬ ‫ُ‬ ‫ﺛﻤﺔ ﻧﻘﻄﺔ أﺧرية؛ آﻣﻞ أن أﻛﻮن ﻗﺪ‬
‫ﻟﻼﺳﺘﺪﻻل‪ .‬وﺗﺤﺪﻳﺪًا‪ ،‬رﺑﻤﺎ ﻧﻜﻮن ﻣﻬﺘﻤﱢ ني ﺑﻤﺤﺎوﻟﺔ اﻟﻌﺜﻮر ﻋﲆ إﺟﺎﺑﺎت ﻷﻧﻮاع ﻣﺨﺘﻠﻔﺔ ﻣﻦ‬
‫اﻷﺳﺌﻠﺔ‪ .‬وﺗﺸﺘﻤﻞ ﻫﺬه اﻷﺳﺌﻠﺔ ﻋﲆ أﺳﺌﻠﺔ ﻣﺜﻞ‪ِ :‬ﺑ َﻢ ﺗﺨﱪﻧﻲ اﻟﺒﻴﺎﻧﺎت؟ وﻣﺎذا ﻳﻨﺒﻐﻲ ﻋﲇ ﱠ‬
‫أن أُوﻣ َِﻦ ﺑﻪ؟ وﻣﺎذا ﻳﻨﺒﻐﻲ أن أﻓﻌﻞ؟ وﻣﺎ إﱃ ذﻟﻚ‪ .‬وﺗﺘﻼءم ﻃﺮق اﻻﺳﺘﺪﻻل املﺨﺘﻠﻔﺔ ﻣﻊ‬
‫اﻷﻧﻮاع املﺨﺘﻠﻔﺔ ﻣﻦ اﻷﺳﺌﻠﺔ‪.‬‬

‫‪91‬‬
 ‫اﻟﻔﺼﻞ اﻟﺴﺎدس‬

‫اﻟﻨﲈذج واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫أﻓﻀﻞ ﳾء ﰲ ﻛﻮن املﺮء إﺣﺼﺎﺋﻴٍّﺎ ﻫﻮ أﻧﻪ ﻳﺴﺘﻄﻴﻊ اﻟﻠﻌﺐ ﰲ اﻟﻔﻨﺎء اﻟﺨﻠﻔﻲ‬

‫ﻟﻠﺠﻤﻴﻊ‪.‬‬
‫ﺟﻮن دﺑﻠﻴﻮ ﺗﻮﻛﻲ‬

‫)‪ (1‬اﻟﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ‪ :‬وﺿﻊ اﻟ ﱠﻠ ِﺒﻨﺎت ﻣﻌً ﺎ‬

‫اﺳﺘﺨﺪﻣﺖ اﻟﺘﻌﺒري »ﻧﻤﻮذج إﺣﺼﺎﺋﻲ« ﰲ أﻣﺎﻛﻦ ﻣﺨﺘﻠﻔﺔ ﰲ ﻫﺬا اﻟﻜﺘﺎب ﺣﺘﻰ اﻵن دون‬‫ُ‬
‫ﺗﺤﺪﻳﺪ ﻣﺎ أﻋﻨﻴﻪ‪ .‬اﻟﻨﻤﻮذج اﻹﺣﺼﺎﺋﻲ ﻫﻮ ﺗﻤﺜﻴﻞ أو وﺻﻒ ﺑﺴﻴﻂ ﻟﴚء أو ﻧﻈﺎم ﻳﺨﻀﻊ‬
‫ﻟﻠﺪراﺳﺔ‪ .‬ورﺑﻤﺎ ﻳﻨﻄﻮي اﻟﻨﻤﻮذج اﻟﺒﺴﻴﻂ ﻟﻠﻐﺎﻳﺔ ﻋﲆ ﺟﺎﻧﺐ واﺣﺪ ﻓﺤﺴﺐ ﻣﻦ اﻟﻄﺒﻴﻌﺔ‪.‬‬
‫وﰲ اﻟﻮاﻗﻊ‪ ،‬رأﻳﻨﺎ أﻣﺜﻠﺔ ﻋﲆ ذﻟﻚ ﰲ اﻟﻔﺼﻞ اﻟﺮاﺑﻊ ﻋﻨﺪﻣﺎ ﺗﻨﺎوﻟﻨﺎ ﺗﻮزﻳﻌﺎت املﺘﻐريات‬
‫ﱠ‬
‫ﻣﻔﺼﻠﺔ ﻟﻠﻐﺎﻳﺔ؛ إذ رﺑﻤﺎ‬ ‫املﻔﺮدة‪ .‬وﻋﻤﻮﻣً ﺎ‪ ،‬ﻳﻤﻜﻦ ﺑﺎﻟﻔﻌﻞ أن ﺗﻜﻮن اﻟﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ‬
‫ﺗﺤﺘﻮي ﻋﲆ آﻻف املﺘﻐريات املﺮﺗﺒﻄﺔ ﺑﻄﺮق ﻣﻌﻘﺪة ﻟﻠﻐﺎﻳﺔ‪ .‬وﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﺳﻮف‬
‫ﻳﺴﺘﺨﺪم اﻻﻗﺘﺼﺎدﻳﻮن اﻟﺬﻳﻦ ﻳﺤﺎوﻟﻮن ﺗﻮﺟﻴﻪ ﻗﺮارات أي ﺑﻨﻚ ﻣﺮﻛﺰي ﻣﺜﻞ ﻫﺬه اﻟﻨﻤﺎذج‬
‫اﻟﻜﺒرية‪.‬‬
‫ﺛﻤﺔ ﻣﻨﻈﻮر ﻣﻬ ﱞﻢ ﻓﻴﻤﺎ ﻳﺨﺺ اﻟﻨﻤﺎذج ﻳﺘﻤﺜﻞ ﰲ اﻟﺘﺴﺎؤل ﻣﺎ إذا ﻛﺎﻧﺖ ﻫﺬه اﻟﻨﻤﺎذج‬
‫ﺗﻤﺜﻞ اﻟﻮاﻗﻊ اﻷﺳﺎﳼ ﻋﲆ ﻧﺤﻮ ﺻﺤﻴﺢ؛ أي ﻣﺎ إذا ﻛﺎﻧﺖ »ﺣﻘﻴﻘﻴﺔ« أم ﻻ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻫﺬا‬
‫ً‬
‫ﺳﺎﺑﻘﺎ ﰲ ﻫﺬا اﻟﻜﺘﺎب ﻋﻨﺪﻣﺎ ﺳﺄﻟﻨﺎ ﻣﺎ إذا ﻛﺎﻧﺖ ﻗﻴﻤﺔ املﻌﻠﻤﺔ‬ ‫ﻫﻮ املﻨﻈﻮر اﻟﺬي اﺗﺨﺬﻧﺎه‬
‫املﻘﱰﺣﺔ ﻫﻲ اﻟﻘﻴﻤﺔ اﻟﺤﻘﻴﻘﻴﺔ أم ﻻ‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻳﻘﺮ املﻨﻈﻮر اﻷﻛﺜﺮ ﺗﻄﻮ ًرا أﻧﻪ ﻻ ﻳﻮﺟﺪ‬
‫ﻧﻤﻮذج — إﺣﺼﺎﺋﻲ أو ﻏري ذﻟﻚ — ﻳﻤﻜﻦ أن ﻳﺄﺧﺬ ﰲ اﻻﻋﺘﺒﺎر ﻛﻞ اﻟﺘﺄﺛريات واﻟﻌﻼﻗﺎت‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫املﻤﻜﻨﺔ ﰲ اﻟﻌﺎﻟﻢ اﻟﺤﻘﻴﻘﻲ‪ .‬وﻫﺬا املﻨﻈﻮر ﻫﻮ اﻟﺬي دﻓﻊ اﻹﺣﺼﺎﺋﻲ اﻟﺒﺎرز ﺟﻮرج ﺑﻮﻛﺲ‬
‫ﻟﻠﺘﺄﻛﻴﺪ ﻋﲆ أن »ﺟﻤﻴﻊ اﻟﻨﻤﺎذج ﺧﺎﻃﺌﺔ‪ ،‬وإن ﻛﺎن ﺑﻌﻀﻬﺎ ﻣﻔﻴﺪًا‪ «.‬إﻧﻨﺎ ﻧﺒﻨﻲ ﻧﻤﺎذج ﻟﺴﺒﺐ؛‬
‫وﻫﻮ ﻣﺴﺎﻋﺪﺗﻨﺎ ﰲ اﻟﻔﻬﻢ واﻟﺘﻨﺒﺆ واﺗﺨﺎذ اﻟﻘﺮار‪ ،‬وﻣﺎ إﱃ ذﻟﻚ‪ .‬ورﻏﻢ أﻧﻨﺎ ﻧﺪرك أن ﻧﻤﺎذﺟﻨﺎ‬
‫ﻄﺎ ﴐورﻳٍّﺎ ﻟﻠﺘﻌﻘﻴﺪ اﻟﺮﻫﻴﺐ ﻟﻠﻌﺎﻟﻢ‪ ،‬ﻓﺈﻧﻨﺎ إذا ﻣﺎ اﺧﱰﻧﺎﻫﺎ ﺟﻴﺪًا ﻓﺴﻮف ﺗﻤﻜﻨﻨﺎ‬ ‫ﺗﻤﺜﻞ ﺗﺒﺴﻴ ً‬
‫ﻣﻦ اﻟﻘﻴﺎم ﺑﻬﺬه اﻷﻣﻮر‪ .‬أﻣﺎ إذا اﺧﱰﻧﺎﻫﺎ ﻋﲆ ﻧﺤﻮ ﺳﻴﺊ‪ ،‬ﻓﻠﻦ ﻧﻔﻬﻢ‪ ،‬وﺳﻮف ﺗُﺨﻔِ ﻖ‬
‫ﺗﻮﻗﻌﺎﺗﻨﺎ‪ ،‬وﺳﻮف ﺗﺆدي ﻗﺮاراﺗﻨﺎ إﱃ أﺧﻄﺎء؛ إذن‪ ،‬ﻫﺪﻓﻨﺎ ﻫﻮ ﺑﻨﺎء ﻧﻤﺎذج ﺟﻴﺪة ﺑﻤﺎ ﻓﻴﻪ‬ ‫ﱡ‬
‫اﻟﻜﻔﺎﻳﺔ ﻟﺘﺤﻘﻴﻖ ﻏﺮﺿﻨﺎ‪.‬‬
‫وﻳﻤﻜﻦ ﺗﻘﺴﻴﻢ اﻟﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ ﻋﲆ ﻧﺤﻮ ﻣﻼﺋﻢ إﱃ ﻧﻮﻋَ ْني‪ ،‬ﻳُﺴﻤﱠ ﻴَﺎن ﻏﺎﻟﺒًﺎ »اﻟﻨﻤﺎذج‬
‫اﻵﻟﻴﺔ« و»اﻟﻨﻤﺎذج اﻟﺘﺠﺮﻳﺒﻴﺔ«‪ .‬ﻳَﺴﺘَﻨِﺪ اﻟﻨﻤﻮذج اﻵﱄ ﻋﲆ ﺑﻌﺾ اﻟﻨﻈﺮﻳﺎت اﻷﺳﺎﺳﻴﺔ اﻟﺼﻠﺒﺔ‬
‫ﻧﻈﺮﻳﺔ ﻣﺎ ﰲ اﻟﻔﻴﺰﻳﺎء ﻛﻴﻒ أن‬ ‫ٌ‬ ‫ﺨﱪﻧﺎ‬ ‫ﻟﻜﻴﻔﻴﺔ ارﺗﺒﺎط اﻷﺷﻴﺎء؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﺗُ ِ‬
‫ﴎﻋﺔ ﺳﻘﻮط اﻷﺟﺴﺎم ﺗﺰﻳﺪ ﻣﻊ زﻳﺎدة اﻟﺰﻣﻦ اﻟﺬي ﺗﻘﻊ ﻓﻴﻪ‪ .‬أو رﺑﻤﺎ ﺗﺨﱪﻧﺎ ﻧﻈﺮﻳﺔ أﺧﺮى‬
‫ﺣﻮل ﻛﻴﻔﻴﺔ اﻧﺘﺸﺎر اﻟﻌﻘﺎﻗري ﰲ أﻧﺤﺎء اﻟﺠﺴﻢ‪ .‬ﰲ ﻛﻠﺘﺎ ﻫﺎﺗني اﻟﺤﺎﻟﺘني‪ ،‬ﺳﻮف ﺗﺴﺘﻨﺪ‬
‫اﻟﻨﻤﺎذج إﱃ ﻧﻈﺮﻳﺎت ﺣﻮل ﻛﻴﻔﻴﺔ ﻋﻤﻞ اﻷﺷﻴﺎء ﻓﻌﻠﻴٍّﺎ؛ ﰲ اﻟﻮاﻗﻊ‪ ،‬ﺳﻮف ﺗﺴﺘﻨﺪ اﻟﻨﻤﺎذج ﻋﲆ‬
‫ﻒ ﻫﺬه اﻟﻨﻈﺮﻳﺎت‪ ،‬واﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﻧﺠﻤﻌﻬﺎ ﻟﺘﻘﻴﻴﻢ ﻧﻤﺎذﺟﻨﺎ‬ ‫املﻌﺎدﻻت اﻟﺮﻳﺎﺿﻴﺔ اﻟﺘﻲ ﺗَ ِﺼ ُ‬
‫ﺳﻮف ﺗﻜﻮن ﻗِ ﻴَﻢ املﺘﻐريات املﺴﺘﺨﺪﻣﺔ ﰲ ﻫﺬه اﻟﻨﻈﺮﻳﺎت‪ ،‬ﻣﺜﻞ اﻟﴪﻋﺔ واﻟﺰﻣﻦ )ﰲ ﺣﺎﻟﺔ‬
‫ﺳﻘﻮط اﻟﴚء( واﻟﱰﻛﻴﺰ واﻟﺰﻣﻦ )ﰲ ﺣﺎﻟﺔ اﻧﺘﺸﺎر اﻟﻌﻘﺎﻗري(؛ وﻣﻦ ﺛ َ ﱠﻢ اﻟﻨﻤﺎذج اﻵﻟﻴﺔ ﻫﻲ‬
‫ﻣﺒﺎﴍة ﻟﻮﺻﻒ اﻟﻨﻈﺮﻳﺎت‪.‬‬ ‫ِ‬ ‫ﻃﺮق رﻳﺎﺿﻴﺔ‬
‫ﰲ املﻘﺎﺑﻞ‪ ،‬اﻟﻨﻤﺎذج اﻟﺘﺠﺮﻳﺒﻴﺔ ﻫﻲ ﻣﺠﺮد ﻣﺤﺎوﻻت ﻟﺘﻮﻓري ﻣﻠﺨﺼﺎت ﻣﻼﺋﻤﺔ ﻟﻠﺠﻮاﻧﺐ‬
‫املﻬﻤﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة‪ .‬ﻗﺪ ﻻ ﻳﻜﻮن ﻟﺪﻳﻨﺎ أي ﻧﻈﺮﻳﺔ ﺗﻘﻮل إن اﻷﺟﺴﺎم اﻟﺴﺎﻗﻄﺔ‬
‫ﺗﺰﻳﺪ ﴎﻋﺘﻬﺎ ﻣﻊ ﻣﺮور اﻟﺰﻣﻦ‪ ،‬وﻟﻜﻨﻨﺎ ﻗﺪ ﻧﻼﺣﻆ وﺟﻮد ﻋﻼﻗﺔ ﺑني اﻟﺰﻣﻦ واﻟﴪﻋﺔ‪ ،‬وﻋﲆ‬
‫أﺳﺎس ﻫﺬا‪ ،‬ﻧُﺨﻤﱢ ﻦ وﺟﻮد ﻋﻼﻗﺔ ﻃﺮدﻳﺔ‪ .‬وإذا ﻟﻢ ﻳﻮﺟﺪ أي ﻗﺎﻋﺪة ﻧﻈﺮﻳﺔ أﺳﺎﺳﻴﺔ ﻟﻬﺬه‬
‫اﻟﻌﻼﻗﺔ املﻘﱰﺣﺔ‪ ،‬ﻓﺈن اﻟﻨﻤﻮذج ﻳﻜﻮن ﻧﻤﻮذﺟً ﺎ ﺗﺠﺮﻳﺒﻴٍّﺎ‪.‬‬
‫اﻟﻨﻤﺎذج اﻵﻟﻴﺔ واﺳﻌﺔ اﻻﻧﺘﺸﺎر ﰲ اﻟﻌﻠﻮم اﻟﻔﻴﺰﻳﺎﺋﻴﺔ وﰲ ﻣﺠﺎﻻت ﻣﺜﻞ اﻟﻬﻨﺪﺳﺔ‪ ،‬ﻓﻴﻤﺎ‬
‫ﺗﻤﻴﻞ اﻟﻌﻠﻮم اﻻﺟﺘﻤﺎﻋﻴﺔ واﻟﺴﻠﻮﻛﻴﺔ إﱃ اﻻﺳﺘﻔﺎدة ﻋﲆ ﻧﺤﻮ أﻛﱪ ﻣﻦ اﻟﻨﻤﺎذج اﻟﺘﺠﺮﻳﺒﻴﺔ‪.‬‬
‫وﻣﻊ ذﻟﻚ ﻓﻤﻦ اﻟﻮاﺿﺢ وﺟﻮد ﺗﺪاﺧﻞ ﻛﺒري؛ إذ إن ﻃﺒﻴﻌﺔ اﻟﻨﻤﻮذج ﺗﻌﺘﻤﺪ ﻋﲆ ﻣﺎ ﻳﺠﺮي‬
‫ﻧَﻤْ ﺬﺟﺘﻪ وﻣﺪى ﺳﻬﻮﻟﺔ ﻓﻬﻤﻪ؛ ﻓﺎﻻﻗﺘﺼﺎد — اﻟﺬي ﻳُﻌَ ﱡﺪ ﻋﻠﻤً ﺎ اﺟﺘﻤﺎﻋﻴٍّﺎ — ﻣﲇء ﺑﺎﻟﻨﻤﺎذج‬
‫املﻌﺘﻤﺪة ﻋﲆ ﻧﻈﺮﻳﺎت ﺣﻮل ﻛﻴﻔﻴﺔ ارﺗﺒﺎط اﻟﻌﻮاﻣﻞ اﻻﻗﺘﺼﺎدﻳﺔ‪ .‬وﻋﻤﻮﻣً ﺎ‪ ،‬رﺑﻤﺎ ﻣﻦ‬ ‫ِ‬ ‫اﻵﻟﻴﺔ‬
‫اﻹﻧﺼﺎف اﻟﻘﻮل إﻧﻪ ﰲ املﺮاﺣﻞ اﻷوﻟﻴﺔ ﻻﺳﺘﻜﺸﺎف ﻇﺎﻫﺮ ٍة ﻣﺎ‪ ،‬ﻓﺈن اﻟﻨﻤﺎذج اﻟﺘﺠﺮﻳﺒﻴﺔ‬

‫‪94‬‬
 ‫اﻟﻨﻤﺎذج واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫ﺗﻜﻮن أﻛﺜﺮ ﺷﻴﻮﻋً ﺎ؛ إذ إن املﺮء ﻳﺒﺤﺚ ﻋﻦ اﻻﺗﺴﺎق واﻷﻧﻤﺎط ﰲ ﻣﺠﻤﻮﻋﺔ املﻼﺣﻈﺎت‪ .‬وﰲ‬
‫ﻣﺮاﺣﻞ ﻻﺣﻘﺔ‪ ،‬ﻋﻨﺪﻣﺎ ﻳﻜﻮن اﻟﻔﻬﻢ ﻗﺪ ازداد‪ ،‬ﺗُﺼ ِﺒﺢ اﻟﻨﻤﺎذج اﻵﻟﻴﺔ أﻛﺜﺮ أﻫﻤﻴﺔ‪ .‬وﻋﲆ أي‬
‫ﺣﺎل‪ ،‬ﻛﻤﺎ ﺗﻮﺿﺢ ﻧﻤﺎذﺟﻨﺎ ﻟﻸﺟﺴﺎم اﻟﺴﺎﻗﻄﺔ‪ ،‬ﻳﻤﻜﻦ ﺑﻨﺎء ﻧﻤﻮذج ﻣﻌني ﻋﲆ أﻧﻪ ﻧﻤﻮذج‬
‫ﺗﺠﺮﻳﺒﻲ ﺛﻢ ﻳﺼﺒﺢ آﻟﻴٍّﺎ ﻋﻨﺪﻣﺎ ﻳﺰداد ﻓﻬﻤﻨﺎ ﻟﻠﻈﺎﻫﺮة‪.‬‬
‫أﺣﻴﺎﻧًﺎ ﻣﺎ ﻳﻜﻮن ﻣﻦ املﻔﻴﺪ اﻟﺘﻤﻴﻴﺰ ﺑني ﻣﺨﺘﻠﻒ اﻻﺳﺘﺨﺪاﻣﺎت املﻤﻜﻨﺔ ﻟﻠﻨﻤﺎذج‬
‫اﻹﺣﺼﺎﺋﻴﺔ‪ .‬أﺣﺪ أﻣﺜﻠﺔ ﻫﺬا اﻟﺘﻤﻴﻴﺰ ﻳﻜﻮن ﺑني »اﻻﺳﺘﻜﺸﺎف« و»اﻟﺘﺄﻛﻴﺪ«؛ ﻓﻔﻲ اﻻﺳﺘﻜﺸﺎف‪،‬‬
‫ﻧﺒﺤﺚ ﻋﻦ اﻟﻌﻼﻗﺎت أو اﻷﻧﻤﺎط؛ ﺑﻴﻨﻤﺎ ﰲ اﻟﺘﺄﻛﻴﺪ‪ ،‬ﻧﻬﺪف إﱃ ﻣﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎﻧﺖ اﻟﺒﻴﺎﻧﺎت‬
‫ﺗﺪﻋﻢ ﺗﻔﺴريًا ﻣﻘﱰﺣً ﺎ أم ﻻ؛ ﻟﺬﻟﻚ‪ ،‬ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﰲ دراﺳﺔ اﺳﺘﻜﺸﺎﻓﻴﺔ رﺑﻤﺎ ﻧﺒﺤﺚ‬
‫ً‬
‫وﺛﻴﻘﺎ‪ .‬ﻓﺮﺑﻤﺎ ﻳﺄﺧﺬ ﻣﺘﻐري واﺣﺪ ﻗﻴﻤﺔ ﻋﺎﻟﻴﺔ ﻛﻠﻤﺎ‬ ‫ﻋﻦ املﺘﻐريات اﻟﺘﻲ ﺗﺮﺗﺒﻂ ﻣﻌً ﺎ ارﺗﺒﺎ ً‬
‫ﻃﺎ‬
‫ﻓﻌﻞ ذﻟﻚ ﻣﺘﻐري آﺧﺮ‪ ،‬أو رﺑﻤﺎ ﺗﺄﺧﺬ ﻣﺠﻤﻮﻋﺎت ﻣﻦ املﺘﻐريات ﻗﻴﻤً ﺎ ﻣﺘﺸﺎﺑﻬﺔ ﺟﺪٍّا ﻣﻊ‬
‫أﺷﻴﺎء ﻣﺨﺘﻠﻔﺔ‪ ،‬وﻣﺎ إﱃ ذﻟﻚ‪ .‬ﻣﻦ ﻧﺎﺣﻴﺔ أﺧﺮى‪ ،‬رﺑﻤﺎ ﻧﺴﺘﺨﺪم اﻟﺒﻴﺎﻧﺎت ﰲ اﻟﺪراﺳﺎت‬
‫اﻟﺘﺄﻛﻴﺪﻳﺔ ﻟﺘﻘﺪﻳﺮ ﻣﻌﻠﻤﺎت ﻧﻤﻮذج إﺣﺼﺎﺋﻲ ﻣﻘﱰح وإﺟﺮاء اﺧﺘﺒﺎر إﺣﺼﺎﺋﻲ ملﻌﺮﻓﺔ ﻣﺎ إذا‬
‫أﺻﺒﺤﺖ اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬‫ِ‬ ‫ﻛﺎن اﻟﺘﻘﺪﻳﺮ ﻗﺮﻳﺒًﺎ ﺑﻤﺎ ﻓﻴﻪ اﻟﻜﻔﺎﻳﺔ ﻣﻤﱠ ﺎ ﺗﻮﻗﻌﺘْﻪ ﻧﻈﺮﻳﺘﻨﺎ‪.‬‬
‫ﻻﺳﺘﻜﺸﺎف اﻟﺒﻴﺎﻧﺎت ذات أﻫﻤﻴﺔ ﻣﺘﺰاﻳﺪة ﰲ اﻟﺴﻨﻮات اﻷﺧرية‪ ،‬ﻣﻊ ﺗﺮاﻛﻢ ﻣﺠﻤﻮﻋﺎت ﻣﻦ‬
‫اﻟﺒﻴﺎﻧﺎت أﻛﱪ وأﻛﱪ‪ .‬وﻳﻨﻄﺒﻖ ﻫﺬا ﻋﲆ اﻟﺘﻄﺒﻴﻘﺎت اﻟﻌﻠﻤﻴﺔ )ﻣﺜﻞ ﻓﻴﺰﻳﺎء اﻟﺠﺴﻴﻤﺎت وﻋﻠﻢ‬
‫اﻟﻔﻠﻚ(‪ ،‬وﻛﺬﻟﻚ اﻟﺘﻄﺒﻴﻘﺎت اﻟﺘﺠﺎرﻳﺔ )ﻣﺜﻞ ﻗﻮاﻋﺪ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﺤﺘﻮي ﻋﲆ ﺗﻔﺎﺻﻴﻞ‬
‫املﺸﱰﻳﺎت ﻣﻦ املﺘﺎﺟﺮ‪ ،‬أو املﻜﺎملﺎت اﻟﻬﺎﺗﻔﻴﺔ‪ ،‬أو ﺑﻴﺎﻧﺎت ﺗﺪﻓﻖ اﻟﻨﻘﺮ ﻋﲆ اﻹﻧﱰﻧﺖ(‪.‬‬
‫ﺛﻤﺔ ﺗﻤﻴﻴﺰ آﺧﺮ ﻣﻬﻢ ﰲ اﻟﻨﻤﺬﺟﺔ اﻹﺣﺼﺎﺋﻴﺔ ﺑني »اﻟﻮﺻﻒ« و»اﻟﺘﻨﺒﺆ«؛ ﻓﻌﻨﺪ وﺻﻒ‬
‫ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻳﺘﻤﺜﻞ اﻟﻬﺪف ﰲ ﺗﻠﺨﻴﺼﻬﺎ ﺑﻄﺮﻳﻘﺔ ﻣﺮﻳﺤﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬إذا‬
‫ﻛﺎﻧﺖ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت ﺗﺘﻜﻮن ﻣﻦ ﻣﻼﺣﻈﺎت ﻟﻌﴩة ﻣﺘﻐريات )اﻟﻄﻮل واﻟﻮزن واﻟﺰﻣﻦ‬
‫املﺴﺘﻐﺮق ﰲ اﻟﺘﻮﺟﻪ ﻟﻠﻌﻤﻞ‪ ،‬وﻣﺎ إﱃ ذﻟﻚ( ﻟﻜﻞ ﺷﺨﺺ ﻣﻦ ﻣﻠﻴﻮن ﺷﺨﺺ‪ ،‬ﻓﺴﻨﺤﺘﺎج ﻟﻜﻲ‬
‫ﻧﺒﺪأ ﰲ ﻓﻬﻤﻬﺎ إﱃ ﺗﻘﻠﻴﻞ ﺣﺠﻤﻬﺎ إﱃ ﺣﺠﻢ ﻣﻌﻘﻮل؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻳﻤﻜﻨﻨﺎ ﺗﻠﺨﻴﺼﻬﺎ ﻣﻦ‬
‫ﺧﻼل املﺘﻮﺳﻂ اﻟﺤﺴﺎﺑﻲ واﻻﻧﺤﺮاﻓﺎت املﻌﻴﺎرﻳﺔ ﻟﻜﻞ ﻣﺘﻐري‪ ،‬وﻛﺬﻟﻚ ﻋﻦ ﻃﺮﻳﻖ ﻗﻴﺎﺳﺎت‬
‫ﻣﺪى ﺗﺮاﺑﻄﻬﺎ‪ .‬ﺣﻴﻨﻬﺎ ﺳﻴﻜﻮن ﻟﺪﻳﻨﺎ ﺑﻌﺾ اﻷﻣﻞ ﰲ ﻓﻬْ ِﻢ ﻣﺎ ﻳﺠﺮي ﺣﻴﺚ إﻧﻨﺎ وﺻﻔﻨﺎ‬
‫اﻟﺨﺼﺎﺋﺺ اﻟﻌﺎﻣﺔ ﻟﻠﺒﻴﺎﻧﺎت ﻋﲆ ﻧﺤﻮ ﻣﺮﻳﺢ‪ .‬وﺑﺎﻹﺷﺎرة إﱃ ﻫﺬا‪ ،‬ﻛﻤﺎ رأﻳﻨﺎ ﰲ اﻟﻔﺼﻞ‬
‫اﻟﺜﺎﻧﻲ‪ ،‬ﻓﺈن ﻫﺬه املﻠﺨﺼﺎت اﻟﻮﺻﻔﻴﺔ ﻻ ﺗﺨﻠﻮ ﻣﻦ املﺨﺎﻃﺮ‪ .‬ﻓﺈﻧﻬﺎ‪ ،‬ﺑﺤﻜﻢ ﻃﺒﻴﻌﺘﻬﺎ‪ ،‬ﺗﺒﺴﻂ‬
‫أن وﺻﻔﻨﺎ املﻮﺟﺰ‬ ‫اﻟﺘﻌﻘﻴﺪ اﻟﻬﺎﺋﻞ ملﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت ﺑﺄﻛﻤﻠﻬﺎ؛ ﻟﺬﻟﻚ ﻳﺠﺐ أن ﻧﻨﺘﺒﻪ ﻻﺣﺘﻤﺎل ﱠ‬
‫َ‬
‫ﺣﻘﻴﻘﺔ‬ ‫أﻏﻔﻞ ﺷﻴﺌًﺎ ﻣﻬﻤٍّ ﺎ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻓﺸﻞ ﻧﻤﻮذﺟﻨﺎ ﰲ اﻟﻮﺿﻊ ﰲ اﻻﻋﺘﺒﺎر‬

‫‪95‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫وﺟﻮد ﻣﺠﻤﻮﻋﺘَني وراﺛﻴﺘني ﻣﺘﻤﻴﺰﺗني ﰲ املﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ؛ ﻟﺬﻟﻚ ﻳﻠﺰم‬
‫ً‬
‫ﺗﻔﺼﻴﻼ ﻟﺘﻤﺜﻴﻞ ذﻟﻚ‪.‬‬ ‫وﺟﻮد ﻧﻤﻮذج أﻛﺜﺮ‬
‫أﻣﺎ ﻫﺪﻓﻨﺎ ﰲ اﻟﺘﻨﺒﺆ ﻓﻬﻮ اﺳﺘﺨﺪام ﺑﻌﺾ املﺘﻐريات ﻟﻠﺘﻨﺒﺆ ﺑﻘﻴﻢ ﻣﺘﻐريات أﺧﺮى؛ ﻋﲆ‬
‫ﺗﺒني ﺗﻔﺎﺻﻴﻞ اﻟﻨﻈﺎم اﻟﻐﺬاﺋﻲ‬ ‫ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻗﺪ ﻳﻜﻮن ﻟﺪﻳﻨﺎ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﱢ‬
‫ﰲ اﻟﻄﻔﻮﻟﺔ ﻟﻌﻴﻨﺔ ﻣﻦ اﻷﺷﺨﺎص وﻃﻮﻟﻬﻢ ﺑﻌﺪ اﻟﺒﻠﻮغ‪ .‬ﻳﻤﻜﻨﻨﺎ ﺑﺎﺳﺘﺨﺪام ﻫﺬه اﻟﺒﻴﺎﻧﺎت‬
‫ﺑﻨﺎء ﻧﻤﻮذج ﻳﺮﺑﻂ اﻟﻄﻮل ﺑﻌﺪ اﻟﺒﻠﻮغ ﺑﺎﻟﻨﻈﺎم اﻟﻐﺬاﺋﻲ ﰲ اﻟﻄﻔﻮﻟﺔ‪ ،‬ﺛﻢ ﻧﺴﺘﺨﺪم اﻟﻨﻤﻮذج‬
‫ﻟﻠﺘﻨﺒﺆ ﺑﺎﻟﻄﻮل املﺴﺘﻘﺒﲇ املﺤﺘﻤﻞ ﻟﻄﻔﻞ ﻳﺘﺒﻊ ﻧﻈﺎﻣً ﺎ ﻏﺬاﺋﻴٍّﺎ ﻣﻌﻴﻨًﺎ‪ .‬ﻻﺣﻆ أن ﺟﺎﻧﺒًﺎ أﺳﺎﺳﻴٍّﺎ‬
‫ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﻻز ٌم ﻟﻬﺬه اﻟﻨﻤﺎذج؛ إذ إﻧﻨﺎ ﻧﺤﺘﺎج ﻟﻘِ ﻴَ ٍﻢ ﻟﻜ ﱟﻞ ﻣﻦ املﺘﻐريات املﺘﻨﺒﱢﺌﺔ واملﺘﻐري‬
‫املﺘﻨﺒﱠﺄ ﺑﻪ ﻣﻦ ﻋﻴﻨﺘﻨﺎ‪ .‬وﺳﻮف ﻳﺘﻀﺢ أن ﻫﺬا ﺗﻤﻴﻴﺰ ﻣﻬﻢ ﺟﺪٍّا ﺑني اﻟﻨﻤﺎذج اﻟﺘﻨﺒﱡﺌﻴﺔ واﻟﻨﻤﺎذج‬
‫اﻟﻮﺻﻔﻴﺔ‪ ،‬ﻛﻤﺎ ﺳﻨﺮى ﻓﻴﻤﺎ ﻳﲇ‪:‬‬
‫وﻣﺮة أﺧﺮى‪ ،‬ﻟﻴﺲ اﻟﺘﻤﻴﻴﺰ واﺿﺤً ﺎ داﺋﻤً ﺎ وﺿﻮح اﻟﺸﻤﺲ‪ ،‬ﻓﺮﺑﻤﺎ ﻧﻜﻮن ﺑﺒﺴﺎﻃﺔ‬
‫ﻣﻬﺘﻤﱢ ني ﺑﻮﺻﻒ اﻟﻌﻼﻗﺔ ﺑني اﻟﻨﻈﺎم اﻟﻐﺬاﺋﻲ ﰲ اﻟﻄﻔﻮﻟﺔ واﻟﻄﻮل ﺑﻌﺪ اﻟﺒﻠﻮغ‪ ،‬ﻣﻊ ﻋﺪم‬
‫وﺟﻮد ﻧﻴﺔ ﻻﺳﺘﺨﺪام اﻟﻨﻤﻮذج ﻟﻠﺘﻨﺒﺆ ﺑﺄﺣﺪﻫﻤﺎ ﻋﻦ ﻃﺮﻳﻖ اﻵﺧﺮ‪.‬‬
‫ﻳﻮﺟﺪ ﻧﻮع آﺧﺮ ﻣﻬﻢ ﻣﻦ اﻟﺘﻨﺒﺆ ﻫﻮ »اﻟﺘﻮﻗﻊ«‪ ،‬وﻓﻴﻪ ﻧﺴﺘﺨﺪم ﺑﻴﺎﻧﺎت ﻣﻦ املﺎﴈ‬
‫ﻟﺒﻨﺎء ﻧﻤﻮذج ﻳﻤﻜﻦ اﺳﺘﺨﺪاﻣﻪ ﻛﺄﺳﺎس ﻟﻠﺘﻨﺒﺆ ﺑﺎﻟﻘﻴﻢ املﺤﺘﻤﻠﺔ ملﻼﺣﻈﺎت ﻟﻢ ﺗُﺮﺻﺪ ﺑﻌﺪُ؛‬
‫ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻧﻔﺤﺺ اﻟﻨﻤﻂ اﻟﺸﻬﺮي ملﺒﻴﻌﺎت أﺟﻬﺰة اﻟﺘﻠﻔﺎز ﻋﲆ ﻣﺪى اﻟﺴﻨﻮات‬
‫ﺗﻮﻗﻊ‬‫ﻧﺰﻋﺔ املﺒﻴﻌﺎت واﻟﺘﻔﺎوت املﻮﺳﻤﻲ ﻣﻦ أﺟْ ﻞ ﱡ‬ ‫َ‬ ‫اﻟﺨﻤﺲ املﺎﺿﻴﺔ‪ ،‬وﻧﻘﺪﱢر اﺳﺘﻘﺮاﺋﻴٍّﺎ‬
‫ا َمل ِﺒﻴﻌﺎت املﺤﺘﻤﻠﺔ ﺧﻼل اﻻﺛﻨﻲ ﻋﴩ ﺷﻬ ًﺮا اﻟﺘﺎﻟﻴﺔ‪.‬‬
‫أﻳﻀﺎ‪ .‬ﺗﻌﺮﻓﻨﺎ ﴎﻳﻌً ﺎ ﻋﲆ دورﻫﺎ ﰲ اﺗﺨﺎذ‬ ‫ﻟﻠﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ اﺳﺘﺨﺪاﻣﺎت أﺧﺮى ً‬
‫أﻳﻀﺎ ﰲ اﻟﻔﺼﻞ ﻋﻴﻨﻪ ﻛﻴﻒ ُﻗﺪﱢرت ﻣﻌﻠﻤﺎت اﻟﺘﻮزﻳﻌﺎت‪.‬‬ ‫اﻟﻘﺮار ﰲ اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ‪ ،‬ﻛﻤﺎ رأﻳﻨﺎ ً‬
‫ﻳﺘﻢ ذﻟﻚ ﻋﻦ ﻃﺮﻳﻖ ﺗﺤﺪﻳﺪ ﻣﻘﻴﺎس ﻟﻠﺘﻨﺎﻗﺾ ﺑني اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة واﻟﺘﻮزﻳﻊ اﻟﻨﻈﺮي‪،‬‬
‫ﺛﻢ اﺧﺘﻴﺎر ﻗﻴﻤﺔ املﻌﻠﻤﺔ املﻘﺪﱠرة اﻟﺘﻲ ﺗﻘﻠﻞ ﻗﻴﺎس اﻟﺘﻨﺎﻗﺾ ﻷدﻧﻰ ﺣﺪ‪ .‬وﻳﺴﺘﻤﺪ ﻣﻘﻴﺎس‬
‫ﺷﺎﺋﻊ ﻟﻠﺘﻨﺎﻗﺾ ﻣﻦ اﻹﻣﻜﺎن‪ ،‬واﻟﺬي ﻳﻘﻴﺲ ﻣﺪى اﺣﺘﻤﺎل أن ﺑﻴﺎﻧﺎت ﻣﺜﻞ اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة‬
‫أﺧﺬت املﻌﻠﻤﺎت ﻗﻴﻤً ﺎ ﻣﺨﺘﻠﻔﺔ ﻣﺘﻌﺪدة‪ .‬واﻵن‪ ،‬ﺑﻤﺎ أن اﻟﺘﻮزﻳﻌﺎت ﻫﻲ أﺷﻜﺎل‬ ‫ِ‬ ‫ﺳﺘﻨﺸﺄ إذا‬
‫ﺑﺴﻴﻄﺔ ﻓﺤﺴﺐ ﻣﻦ اﻟﻨﻤﻮذج‪ ،‬ﻓﺈن املﺒﺎدئ ﻧﻔﺴﻬﺎ ﺑﺎﻟﻀﺒﻂ ﺗﻨﻄﺒﻖ ﻋﻨﺪ ﺗﺠﺮﺑﺔ ﻧﻤﺎذج أﻛﺜﺮ‬
‫ﺗﻔﺼﻴﻼ )ﻣﺜﻞ ﺗﻠﻚ املﺬﻛﻮرة ﻓﻴﻤﺎ ﻳﲇ(‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﺗﻨﺸﺄ ﻇﺎﻫﺮة ﻏﺮﻳﺒﺔ ﺑﻴﻨﻤﺎ ﺗﺼﺒﺢ اﻟﻨﻤﺎذج‬ ‫ً‬
‫ً‬
‫ﺗﻔﺼﻴﻼ‪.‬‬ ‫أﻛﺜﺮ‬
‫ﻄﺎ ﻟﻠﺘﻮﺿﻴﺢ؛ ﻟﻨﻔﱰض أﻧﻨﺎ ﻧﺮﻳﺪ ﺑﻨﺎء ﻧﻤﻮذج ﻟﻠﺘﻨﺒﺆ ﺑﺎﻟﺮواﺗﺐ اﻷوﱃ‬ ‫ﻣﺜﺎﻻ ﺑﺴﻴ ً‬
‫ﺳﺄذﻛﺮ ً‬
‫ﻟﻠﺨﺮﻳﺠني‪ ،‬اﺳﺘﻨﺎدًا إﱃ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗَ ِﺼﻒ دراﺳﺘﻬﻢ‪ ،‬واملﻮاد اﻟﺘﻲ درﺳﻮﻫﺎ ﰲ اﻟﺠﺎﻣﻌﺔ‪،‬‬

‫‪96‬‬
 ‫اﻟﻨﻤﺎذج واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫وأﻳﻀﺎ ﻋﻮاﻣﻞ ﻣﺜﻞ اﻟﻌﻤﺮ واﻟﺠﻨﺲ وﻣﻜﺎن اﻹﻗﺎﻣﺔ‪ ،‬وﻣﺎ إﱃ ذﻟﻚ‪.‬‬ ‫ً‬ ‫وﻧﺘﺎﺋﺞ اﻣﺘﺤﺎﻧﺎﺗﻬﻢ‪،‬‬
‫اﻓﱰض أﻧﻨﺎ ﺟﻤﻌﻨﺎ ﻋﻴﻨﺔ ﻣﻜﻮﻧﺔ ﻣﻦ ﻣﺎﺋﺔ ﻣﻦ اﻟﺨﺮﻳﺠني اﻟﺠﺪد وﺟﻤﻌﻨﺎ اﻟﺒﻴﺎﻧﺎت ﻣﻨﻬﺎ‪.‬‬
‫ﻋﻤﻮﻣً ﺎ‪ ،‬إذا ﺣﺎوﻟﻨﺎ أن ﻧﺒﻨﻲ ﺗﻮﻗﻌﺎﺗﻨﺎ ﻋﲆ ﻋﺪد ﻗﻠﻴﻞ ﺟﺪٍّا ﻣﻦ املﺘﻐريات )ﻣﺜﻞ اﻟﻌﻤﺮ ﻓﻘﻂ(‬
‫ﻓﺈﻧﻨﺎ ﻟﻦ ﻧﺤﺼﻞ ﻋﲆ ﺗﻨﺒﺆات دﻗﻴﻘﺔ ﻟﻠﻐﺎﻳﺔ؛ ﻓﺎﻟﻌﻤﺮ‪ ،‬ﰲ ﺣﺪ ذاﺗﻪ‪ ،‬وﺣﺪه ﻻ ﻳﺤﺘﻮي ﻋﲆ‬
‫ﻣﻌﻠﻮﻣﺎت ﻛﺎﻓﻴﺔ ﻟﻠﺴﻤﺎح ﻟﻨﺎ ﺑﺄن ﻧﻌﺮف ﻛﻢ ﺳﻴﻜﻮن راﺗﺐ اﻟﺸﺨﺺ املﺘﺨ ﱢﺮج ﰲ اﻟﺠﺎﻣﻌﺔ‬
‫ﺑﺪﻗﺔ ﻣﺘﻨﺎﻫﻴﺔ‪ .‬ﻟﺘﺤﺴني دﻗﺔ اﻟﺘﻨﺒﺆ ﻓﺈﻧﻨﺎ ﺑﺤﺎﺟﺔ إﱃ إﺿﺎﻓﺔ املﺰﻳﺪ ﻣﻦ اﻟﻌﻮاﻣﻞ املﺘﻨﺒﱢﺌﺔ )ﻣﺜﻞ‬
‫اﺳﺘﺨﺪام اﻟﻌﻤﺮ وﻣﺠﺎل اﻟﺪراﺳﺔ ودرﺟﺎت اﻻﻣﺘﺤﺎن ﻟﻠﺘﻨﺒﺆ ﺑﺮاﺗﺐ اﻟﺸﺨﺺ املﺘﺨﺮج(‪ .‬وﻣﻊ‬
‫ذﻟﻚ — وﻫﻨﺎ ﺗﱪز املﻌﻀﻠﺔ — إذا أﺿﻔﻨﺎ ﻋﺪدًا أﻛﱪ ﻣﻤﺎ ﻳﻠﺰم ﻣﻦ املﺘﻐريات املﺘﻨﺒﱢﺌﺔ ﻓﺈن‬
‫دﻗﺔ اﻟﺘﻨﺒﺆ ﻟﻠﻤﺠﻤﻮﻋﺔ اﻟﻜﺎﻣﻠﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺳﺘﻘﻞ؛ ﻓﻌﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻨﺎ ﻧﺴﺘﺨﺪم‬
‫ﻣﺰﻳﺪًا ﻣﻦ املﻌﻠﻮﻣﺎت ﺣﻮل اﻟﺨﺮﻳﺠني‪ ،‬ﻓﺈن ﻧﻤﻮذﺟﻨﺎ ﻟﻴﺲ ﺟﻴﺪًا‪.‬‬
‫ﻣﻨﺎﻗﻀﺎ ﻟﻠﻤﻨﻄﻖ؛ ﻓﻜﻴﻒ ﻳﻤﻜﻦ ﻹﺿﺎﻓﺔ »ﻣﺰﻳﺪ« ﻣﻦ املﻌﻠﻮﻣﺎت أن ﺗﺆدي إﱃ‬ ‫ً‬ ‫ﻳﺒﺪو ﻫﺬا‬
‫ﺗﻨﺒﺆات »أﺳﻮأ«؟‬
‫ﻌﱪ »اﻹﻓﺮاط ﰲ املﻄﺎﺑَﻘﺔ«‪.‬‬ ‫اﻟﺠﻮاب ﻣﺮاوغ‪ ،‬وﻳُﻄ َﻠﻖ ﻋﻠﻴﻪ أﺳﻤﺎء ﻣﺨﺘﻠﻔﺔ‪ ،‬ﻣﻨﻬﺎ اﻻﺳﻢ ا ُمل ﱢ‬
‫ﻟﻔﻬﻢ ذﻟﻚ‪ ،‬دﻋﻨﺎ ﻧﱰاﺟﻊ ﺧﻄﻮة إﱃ اﻟﻮراء وﻧﺘﺪﺑﺮ ﻫﺪﻓﻨﺎ اﻟﺤﻘﻴﻘﻲ‪ .‬إن ﻫﺪﻓﻨﺎ »ﻟﻴﺲ«‬
‫اﻟﺤﺼﻮل ﻋﲆ أﻓﻀﻞ اﻟﺘﻨﺒﺆات املﻤﻜﻨﺔ ﻟﻠﺨﺮﻳﺠني املﺎﺋﺔ ﰲ ﻋﻴﱢﻨﺘﻨﺎ؛ ﻓﻨﺤﻦ ﻧﻌﻠﻢ ﺑﺎﻟﻔﻌﻞ‬
‫وﻟﻜﻦ ﻫﺪﻓﻨﺎ ﻫﻮ اﻟﺤﺼﻮل ﻋﲆ أﻓﻀﻞ اﻟﺘﻨﺒﺆات املﻤﻜﻨﺔ ﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﺨﺮﻳﺠني‬ ‫ﱠ‬ ‫رواﺗﺒﻬﻢ اﻷوﱃ‪،‬‬
‫اﻵﺧﺮﻳﻦ؛ أي إن ﻫﺪﻓﻨﺎ ﻫﻮ »اﻟﺘﻌﻤﻴﻢ« ﻣﻦ اﻟﻌﻴﻨﺔ املﻮﺟﻮدة ﻟﺪﻳﻨﺎ‪ .‬واﻵن‪ ،‬ﺑﺈﺿﺎﻓﺔ املﺰﻳﺪ‬
‫واملﺰﻳﺪ ﻣﻦ املﺘﻐريات املﺘﻨﺒﱢﺌﺔ‪ ،‬ﻓﺈﻧﻨﺎ ﺑﺎﻟﺘﺄﻛﻴﺪ ﻧﻀﻴﻒ ﻣﻌﻠﻮﻣﺎت ﺳﻮف ﺗﻤ ﱢﻜﻨﻨﺎ ﻣﻦ اﻟﺘﻨﺒﺆ‬
‫ﺑﺮواﺗﺐ اﻷﺷﺨﺎص املﻮﺟﻮدﻳﻦ ﰲ ﻋﻴﻨﺘﻨﺎ ﺑﺎﻟﻔﻌﻞ ﻋﲆ ﻧﺤﻮ أﻛﺜﺮ دﻗﺔ‪ .‬وﻟﻜﻦ اﻟﻌﻴﻨﺔ ﻟﻴﺴﺖ‬
‫ﺳﻮى ﻋﻴﻨﺔ؛ أي إﻧﻬﺎ ﻻ ﺗﻤﺜﻞ رواﺗﺐ املﺠﻤﻮﻋﺔ ﺑﺄﻛﻤﻠﻬﺎ ﻋﲆ ﻧﺤﻮ ﻛﺎﻣﻞ‪ .‬وﺑﻌﺪ ﻓﱰة‬
‫ﻣﻦ اﻟﻮﻗﺖ‪ ،‬وﺑﻴﻨﻤﺎ ﻧﻮاﺻﻞ إﺿﺎﻓﺔ املﺰﻳﺪ ﻣﻦ املﺘﻐريات املﺘﻨﺒﺌﺔ‪ ،‬ﻧﺒﺪأ ﰲ اﻟﺘﻨﺒﺆ ﺑﺠﻮاﻧﺐ‬
‫ﻣﻦ اﻟﺒﻴﺎﻧﺎت ﺧﺎﺻﺔ ﺑﺎﻟﻌﻴﻨﺔ وﺣﺪﻫﺎ؛ ﻓﻬﻲ ﻟﻴﺴﺖ ﺳﻤﺎت ﺗﻨﻄﺒﻖ ﻋﲆ املﺠﻤﻮﻋﺔ اﻟﻜﻠﻴﺔ‬
‫ﺑﺄﻛﻤﻠﻬﺎ‪.‬‬
‫ﺗﻨﻄﺒﻖ ﻫﺬه اﻟﻈﺎﻫﺮة ﻋﲆ ﺟﻤﻴﻊ اﻟﻨﻤﺎذج اﻹﺣﺼﺎﺋﻴﺔ؛ ﻓﺎﻟﻨﻤﺎذج ﻳﻤﻜﻦ أن ﺗﻜﻮن‬
‫ﻣﻔﺮﻃﺔ ﰲ اﻟﺘﻌﻘﻴﺪ‪ ،‬ﺑﺤﻴﺚ ﺗﺘﻄﺎﺑﻖ ﻣﻊ اﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة ﺟﻴﺪًا ﺟﺪٍّا ﺑﺎﻟﻔﻌﻞ‪ ،‬وﻟﻜﻨﻬﺎ‬
‫ﺗﻔﺸﻞ ﰲ اﻟﺘﻌﻤﻴﻢ ﻋﲆ أﺷﻴﺎء أﺧﺮى ﻣﺴﺘﻤَ ﺪﱠة ﻣﻦ اﻟﺘﻮزﻳﻊ ﻧﻔﺴﻪ؛ وﻫﺬا ﻳﻌﻨﻲ أﻧﻪ ﻻ ﺑﺪ‬
‫ﻣﻦ وﺿﻊ اﺳﱰاﺗﻴﺠﻴﺎت ﻻﺧﺘﻴﺎر ﻧﻤﺎذج ﺑﺪرﺟﺔ ﺗﻌﻘﻴﺪ ﻣﻨﺎﺳﺒﺔ؛ ﻓﺈذا ﻛﺎﻧﺖ اﻟﻨﻤﺎذج ﻣﻔﺮﻃﺔ‬
‫اﻟﺘﺒﺴﻴﻂ‪ ،‬ﻓﺈﻧﻨﺎ ﻧﺨﺎﻃﺮ ﺑﻔﻘﺪان ﻗﺪرﺗﻬﺎ ﻋﲆ اﻟﺘﻨﺒﺆ‪ ،‬وإذا ﻛﺎﻧﺖ ﻣﻔﺮﻃﺔ اﻟﺘﻌﻘﻴﺪ‪ ،‬ﻓﺈﻧﻨﺎ‬

‫‪97‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻧﺨﺎﻃﺮ ﺑﺎﻹﻓﺮاط ﰲ املﻄﺎﺑﻘﺔ‪ .‬ﻳﺸﻜﻞ ﻫﺬا املﻔﻬﻮم أﺳﺎس ﻣﺒﺪأ »ﺷﻔﺮة أوﻛﺎم«‪ ،‬اﻟﺬي ﻳﻨﺺ‬
‫ﻋﲆ أن »اﻟﻨﻤﺎذج ﻳﻨﺒﻐﻲ ﱠأﻻ ﺗﻜﻮن أﻛﺜﺮ ﺗﻌﻘﻴﺪًا ﻣﻤﺎ ﻫﻮ ﴐوري« )ﻳﻨﺴﺐ إﱃ اﻟﺮاﻫﺐ‬
‫اﻟﻔﺮﻧﺴﻴﺴﻜﺎﻧﻲ وﻳﻠﻴﺎم اﻷوﻛﺎﻣﻲ ﻣﻦ اﻟﻘﺮن اﻟﺮاﺑﻊ ﻋﴩ(‪.‬‬
‫وملﺸﻜﻠﺔ اﻹﻓﺮاط ﰲ املﻄﺎﺑﻘﺔ أﻫﻤﻴﺔ ﺧﺎﺻﺔ ﰲ ﻣﺠﺎل ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ؛ ﻓﻘﺒﻞ‬
‫ُ‬
‫ﻣﻄﺎﺑﻘﺔ اﻟﻨﻤﺎذج املﻌﻘﺪة ﻣﻊ أﻋﺪاد ﻛﺒرية‬ ‫ً‬
‫ﻣﺄﻟﻮﻓﺎ‬ ‫ﻇﻬﻮر أﺟﻬﺰة اﻟﻜﻤﺒﻴﻮﺗﺮ‪ ،‬وﻗﺒﻞ أن ﻳﺼﺒﺢ‬
‫ﻣﻦ املﻌﻠﻤﺎت‪ ،‬ﻛﺎن ﺧﻄﺮ اﻟﻮﻗﻮع ﰲ اﻹﻓﺮاط ﰲ املﻄﺎﺑﻘﺔ أﻗﻞ‪.‬‬

‫)‪ (2‬اﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‪ :‬ﺗﻄﺒﻴﻖ اﻹﺣﺼﺎء‬

‫اﻟﻬﺪف ﻣﻦ ﻫﺬا اﻟﺠﺰء ﻫﻮ ﺗﺤﺪﻳﺪ ﺑﻌﺾ اﻟﻔﺌﺎت املﻬﻤﺔ ﻣﻦ اﻟﻄﺮق اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬وإﻇﻬﺎر‬
‫ﻛﻴﻔﻴﺔ ارﺗﺒﺎط ﺑﻌﻀﻬﺎ ﺑﺒﻌﺾ‪ ،‬وﺗﻮﺿﻴﺢ أﻧﻮاع املﺸﺎﻛﻞ اﻟﺘﻲ ﻳﻤﻜﻦ اﺳﺘﺨﺪاﻣﻬﺎ ﻟﺤﻠﻬﺎ‪.‬‬
‫ﻟﻨﺒﺪأ ﺑﺎﻹﺷﺎرة إﱃ أﻧﻨﺎ ﻧﻬﺘﻢ ﰲ ﻛﺜري ﻣﻦ اﻷﺣﻴﺎن ﺑﺎﻟﻌﻼﻗﺎت ﺑني أزواج املﺘﻐريات‪ .‬ﻫﻞ‬
‫ﺧﻄﺮ اﻹﺻﺎﺑﺔ ﺑﺎﻟﻨﻮﺑﺎت اﻟﻘﻠﺒﻴﺔ ﻳﺰداد ﻣﻊ زﻳﺎدة ﻣﺆﴍ ﻛﺘﻠﺔ اﻟﺠﺴﻢ؟ ﻫﻞ اﻻﺣﱰار اﻟﻌﺎملﻲ‬
‫ﻧﺎﺗﺞ ﻋﻦ اﻟﻨﺸﺎط اﻟﺒﴩي؟ ﻫﻞ إذا ارﺗﻔﻌﺖ اﻟﺒﻄﺎﻟﺔ ﻳﻨﺨﻔﺾ اﻟﺘﻀﺨﻢ؟ ﻫﻞ ﺗﺤﺴني ﻣﺰاﻳﺎ‬
‫اﻟﺴﻼﻣﺔ ﰲ اﻟﺴﻴﺎرة ﻳﺰﻳﺪ ﻣﺒﻴﻌﺎﺗﻬﺎ؟ وﻣﺎ إﱃ ذﻟﻚ‪ .‬إذا ﻛﺎن ﻣﺘﻐريان ﻣﺮﺗﺒﻄني ﺑﺤﻴﺚ إن‬
‫اﻟﻘِ ﻴَﻢ اﻷﻛﱪ ﻷﺣﺪﻫﻤﺎ ﺗَ ِﻤﻴﻞ إﱃ اﻻرﺗﺒﺎط ﺑﺎﻟﻘِ ﻴَﻢ اﻷﻛﱪ ﻟﻶﺧﺮ‪ ،‬ﻳﻘﺎل إن املﺘﻐريﻳﻦ »ﻣﺮﺗﺒﻄﺎن‬
‫إﻳﺠﺎﺑﻴٍّﺎ«‪ .‬وإذا ﻛﺎﻧﺖ اﻟﻘﻴﻢ اﻷﻛﱪ ﻷﺣﺪﻫﻤﺎ ﺗَ ِﻤﻴﻞ إﱃ اﻻرﺗﺒﺎط ﺑﺎﻟﻘﻴﻢ اﻷﺻﻐﺮ ﻟﻶﺧﺮ‪ ،‬ﻳﻘﺎل‬
‫إﻧﻬﻤﺎ »ﻣﺮﺗﺒﻄﺎن ﺳﻠﺒﻴٍّﺎ«‪ .‬واﻟﻄﻮل واﻟﻮزن ﻟﺪى اﻟﺒﴩ ﻣﺮﺗﺒﻄﺎن إﻳﺠﺎﺑﻴٍّﺎ؛ ﻓﺎﻷﺷﺨﺎص‬
‫اﻷﻃﻮل ﻳﻤﻴﻞ وزﻧﻬﻢ إﱃ أن ﻳﻜﻮن أﺛﻘﻞ‪ .‬ﻻﺣﻆ أن اﻟﻌﻼﻗﺔ ﻟﻴﺴﺖ ﻋﻼﻗﺔ دﻗﻴﻘﺔ؛ إذ ﻳﻮﺟﺪ‬
‫أﺧﻔﺎء اﻟﻮزن )اﻷﺷﺨﺎص اﻟﻨﱢﺤَ ﺎف( وأﺷﺨﺎص ﻗﺼﺎر اﻟﻘﺎﻣﺔ ﺛﻘﺎل‬ ‫أﺷﺨﺎص ﻃﻮال اﻟﻘﺎﻣﺔ ﱠ‬
‫اﻟﻮزن‪ .‬وﻟﻜﻦ ﰲ املﺘﻮﺳﻂ ﻋﻤﻮﻣً ﺎ‪ ،‬ﻳﺮﺗﺒﻂ ﻃﻮل اﻟﻘﺎﻣﺔ ﺑﺎﻟﻮزن اﻷﺛﻘﻞ‪ .‬ﻳﻤﻜﻨﻨﺎ ً‬
‫أﻳﻀﺎ أن ﻧﺮى‬
‫ﻣﻦ ﻫﺬا املﺜﺎل أن ﻣﺤﺾ اﻻرﺗﺒﺎط ﺑني ﻣﺘﻐريﻳﻦ ﻻ ﻳﻌﻨﻲ أن أﺣﺪﻫﻤﺎ ﻳﺴﺒﺐ اﻵﺧﺮ؛ ﻓﺈﻟﺰام‬
‫ﺷﺨﺺ ﻣﺎ ﺑﺎﺗﺒﺎع ﻧﻈﺎم ﻏﺬاﺋﻲ ﻣﻜﻮن ﻣﻦ ﻛﻌﻚ ﺑﺎﻟﻜﺮﻳﻤﺔ ﻟﺰﻳﺎدة وزﻧﻪ ﻣﻦ ﻏري املﺮﺟﺢ‬ ‫ٍ‬
‫أن ﻳﺆدي إﱃ زﻳﺎدة ﻃﻮﻟﻪ‪ ،‬ووﺿﻌﻪ ﻋﲆ ِﻣﺨﻠﻌﺔ ﻹﻃﺎﻟﺔ ﺟﺴﺪه ﻣﻦ ﻏري املﺮﺟﺢ أن ﻳﺰﻳﺪ‬
‫وزﻧﻪ‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻛﺎن اﻟﺨﻠﻂ ﺑني اﻻرﺗﺒﺎط واﻟﺴﺒﺒﻴﺔ ﻣﺼﺪ ًرا ﻟﻜﺜري ﻣﻦ ﺳﻮء اﻟﻔﻬﻢ ﻋﲆ‬
‫ﻈﻬﺮ ﻋﻴﻨﺔ ﻋﺸﻮاﺋﻴﺔ ﻣﻦ اﻷﻃﻔﺎل اﻟﺬﻳﻦ ﺗﱰاوح أﻋﻤﺎرﻫﻢ ﺑني‬ ‫ﻣﺮ اﻟﺴﻨني‪ .‬ﻣﻦ املﺮﺟﺢ أن ﺗُ ِ‬
‫‪ ٥‬و‪ ١٦‬ﺳﻨﺔ وﺟﻮد ارﺗﺒﺎط إﻳﺠﺎﺑﻲ واﺿﺢ ﺑني اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة واﻟﻘﺪرة ﻋﲆ اﻟﻘﻴﺎم‬
‫ﺑﻌﻤﻠﻴﺎت ﺣﺴﺎﺑﻴﺔ‪ .‬وﻟﻜﻦ ﻣﻦ ﻏري املﺮﺟﺢ أن ﺗﺴﺒﺐ إﺣﺪاﻫﻤﺎ اﻷﺧﺮى‪ ،‬ﺑﻞ املﺮﺟﺢ أن اﻟﺘﻘﺪم‬
‫ﰲ اﻟﻌﻤﺮ ﻫﻮ اﻟﺴﺒﺐ اﻟﺸﺎﺋﻊ ﻟﻜﻠﺘﻴﻬﻤﺎ؛ ﻓﺎﻷﻃﻔﺎل اﻷﻛﱪ ﺳﻨٍّﺎ أﻓﻀﻞ ﰲ اﻟﻘﺮاءة واﻟﺤﺴﺎب‪.‬‬

‫‪98‬‬
 ‫اﻟﻨﻤﺎذج واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫ﺛﻤﺔ رﻗﻢ واﺣﺪ ﻳﻤﻜﻦ اﺳﺘﺨﺪاﻣﻪ ﻟﺘﻤﺜﻴﻞ ﻗﻮة اﻻرﺗﺒﺎط‪ ،‬وﻫﻮ »ﻣﻌﺎﻣﻞ اﻻرﺗﺒﺎط«‪ .‬وﻳﻮﺟﺪ‬
‫اﻟﻌﺪﻳﺪ ﻣﻦ اﻟﻄﺮق اﻟﺘﻲ ﻳﻤﻜﻦ ﻗﻴﺎس ﻫﺬه اﻟﻘﻮة ﺑﻬﺎ‪ ،‬ﺗﻤﺎﻣً ﺎ ﻣﺜﻠﻤﺎ رأﻳﻨﺎ أﻧﻪ ﺗﻮﺟﺪ ﻃﺮق‬
‫ﻣﺨﺘﻠﻔﺔ ﻟﺘﻌﺮﻳﻒ »املﺘﻮﺳﻂ« و»اﻟﺘﺸﺘﺖ«‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻳﻮﺟﺪ ﻣﻌﻴﺎر ﻋﺎم ملﻌﺎﻣﻼت اﻻرﺗﺒﺎط‬
‫ﺑﺄﻧﻬﺎ ﺗَ َﻘﻊ ﺑني ‪ ١−‬و‪١+‬؛ ﺑﺤﻴﺚ ﻳﻌﻨﻰ ‪ ٠‬أﻧﻪ ﻻ ﻳﻮﺟﺪ ارﺗﺒﺎط‪ ،‬وﻳﻌﻨﻰ ‪ ١+‬وﺟﻮد ارﺗﺒﺎط‬
‫إﻳﺠﺎﺑﻲ ﺗﺎم‪ ،‬وﻳﻌﻨﻲ ‪ ١−‬وﺟﻮد ارﺗﺒﺎط ﺳﻠﺒﻲ ﺗﺎم‪ .‬وﻳﻌﻨﻲ اﻻرﺗﺒﺎط »اﻟﺘﺎم« ﺑني ﻣﺘﻐريﻳﻦ‬
‫ﻛﻨﺖ ﺗﻌﺮف ﻗﻴﻤﺔ »س« ﻓﺈﻧﻚ ﺗﻌﺮف ﻗﻴﻤﺔ »ص« ﺑﺎﻟﻀﺒﻂ‪.‬‬ ‫»س« و»ص« أﻧﻚ إذا َ‬
‫اﻻرﺗﺒﺎط ﻋﻼﻗﺔ ﻣﺘﻨﺎﻇﺮة؛ ﻓﺈذا ﻛﺎن اﻟﻄﻮل ﻳﺮﺗﺒﻂ ﺑﺎﻟﻮزن‪ ،‬ﻓﺈن اﻟﻮزن ﻳﺮﺗﺒﻂ ﺑﺎﻟﻄﻮل‪،‬‬
‫وﻗﻮة ﻫﺬا اﻻرﺗﺒﺎط ﺗﻈﻞ ﻧﻔﺴﻬﺎ ﻣَ ﻬْ ﻤَ ﺎ ﻛﺎﻧﺖ اﻟﻨﺎﺣﻴﺔ اﻟﺘﻲ ﻧﻨﻈﺮ إﻟﻴﻬﺎ ﻣﻨﻬﺎ‪ .‬وﰲ املﻘﺎﺑﻞ‪،‬‬
‫ﻧﻬﺘﻢ ﰲ ﺑﻌﺾ اﻷﺣﻴﺎن ﺑﺎﻟﻌﻼﻗﺎت ﻏري املﺘﻨﺎﻇﺮة ﺑني املﺘﻐريات؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ‬
‫ﻧﺮﻏﺐ ﰲ ﻣﻌﺮﻓﺔ ﻣﻘﺪار اﻟﻔﺮق ﰲ اﻟﻮزن — ﰲ املﺘﻮﺳﻂ — اﻟﺬي ﻳﺮﺗﺒﻂ ﺑﻮﺟﻮد ﻓﺎرق ﰲ‬
‫اﻟﻄﻮل ﻳﺒﻠﻎ ﻋﴩة ﺳﻨﺘﻴﻤﱰات‪ .‬واﻹﺟﺎﺑﺔ ﻋﲆ ﻫﺬا اﻟﻨﻮع ﻣﻦ اﻷﺳﺌﻠﺔ ﺗﺄﺗﻲ ﻣﻦ ﺧﻼل ﻃﺮﻳﻘﺔ‬
‫إﺣﺼﺎﺋﻴﺔ ﺗﺴﻤﻰ »ﺗﺤﻠﻴﻞ اﻻﻧﺤﺪار«‪ .‬وﻳﺨﱪﻧﺎ ﻧﻤﻮذج اﻻﻧﺤﺪار ﺑﻤﺘﻮﺳﻂ ﻗﻴﻤﺔ املﺘﻐري »ص«‬
‫ﻟﻜﻞ ﻗﻴﻤﺔ ﻟﻠﻤﺘﻐري »س«‪ .‬ﰲ املﺜﺎل اﻟﺴﺎﺑﻖ‪» ،‬اﻧﺤﺪار اﻟﻮزن ﻋﲆ اﻟﻄﻮل« ﺳﻴﺨﱪﻧﺎ ﺑﻤﺘﻮﺳﻂ‬
‫اﻟﻮزن اﻟﺬي ﺳﻴﺼﻞ إﻟﻴﻪ اﻷﺷﺨﺎص ﻋﻨﺪ ﻛﻞ ﻃﻮل‪ .‬وﻳﺘﻀﺢ ﻫﺬا ﰲ اﻟﺸﻜﻞ ‪1-6‬؛ ﺣﻴﺚ‬
‫ﻳﻤﺜﱠﻞ اﻟﻮزن ﻋﲆ املﺤﻮر اﻟﺮأﳼ‪ ،‬واﻟﻄﻮل ﻋﲆ املﺤﻮر اﻷﻓﻘﻲ‪ .‬وﺗﻮﺿﺢ ﻛﻞ ﻧﻘﻄﺔ ﺳﻮداء‬
‫زوج اﻟﻮزن‪/‬اﻟﻄﻮل ﻟﺸﺨﺺ ﻣﻦ اﻟﻌﻴﻨﺔ‪ .‬ﻳﺒﺪو واﺿﺤً ﺎ اﻵن ﻣﻦ ﻫﺬا اﻟﺸﻜﻞ أﻧﻨﺎ ﻟﻢ ﻧﺮﺻﺪ‬
‫ﻗﻴﻤً ﺎ ﻟﺠﻤﻴﻊ اﻷﻃﻮال املﻤﻜﻨﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻻ ﻳﻮﺟﺪ أي ﻧﻘﻄﺔ ﺑﻴﺎﻧﺎت ﻋﻨﺪ اﻟﻄﻮل اﻟﺬي‬
‫ﻳﺒﻠﻎ ﺑﺎﻟﻀﺒﻂ ‪ ٦‬أﻗﺪام‪ .‬إﺣﺪى ﻃﺮق اﻟﺘﻐﻠﺐ ﻋﲆ ﻫﺬه اﻟﺼﻌﻮﺑﺔ — ﺑﻨﺎء ﻧﻤﻮذج ﻳﻌﻄﻴﻨﺎ‬
‫ﻣﺘﻮﺳﻂ وزن ﻟﻜﻞ ﻗﻴﻤﺔ ﻣﻦ اﻟﻄﻮل — ﻫﻲ أن ﻧﻔﱰض وﺟﻮد ﻋﻼﻗﺔ ﺑﺴﻴﻄﺔ ﺑني اﻟﻄﻮل‬
‫وﻣﺘﻮﺳﻂ اﻟﻮزن‪ .‬وﻫﺬه اﻟﻌﻼﻗﺔ اﻟﺒﺴﻴﻄﺔ ﺟﺪٍّا ﻫﻲ ﻋﻼﻗﺔ ﺧﻂ ﻣﺴﺘﻘﻴﻢ؛ وﻳ َِﺮ ُد ﻣﺜﺎل ﻟﻬﺬا‬
‫اﻟﺨﻂ ﰲ اﻟﺸﻜﻞ‪ .‬وﺑﺎﻟﻨﺴﺒﺔ ﻷي ﻃﻮل ﻣﻌني‪ ،‬ﻳﺴﻤﺢ ﻟﻨﺎ ﻫﺬا اﻟﺨﻂ ﺑﺎﻟﺒﺤﺚ ﻋﻦ اﻟﻘﻴﻤﺔ‬
‫املﻘﺎﺑﻠﺔ ﻣﻦ ﻣﺘﻮﺳﻂ اﻟﻮزن؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬وﻋﲆ وﺟﻪ اﻟﺘﺤﺪﻳﺪ‪ ،‬ﻓﺈﻧﻪ ﻳﻌﻄﻴﻨﺎ ﻗﻴﻤﺔ‬
‫ملﺘﻮﺳﻂ وزن اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﻳﺒﻠﻎ ﻃﻮﻟﻬﻢ ‪ ٦‬أﻗﺪام‪.‬‬
‫وﺛﻤﺔ ﻋﺪة ﻧﻘﺎط ﻳﻨﺒﻐﻲ ﺗﻮﺿﻴﺤﻬﺎ ﻓﻴﻤﺎ ﻳﺨﺺ ﻫﺬه اﻟﻄﺮﻳﻘﺔ‪.‬‬
‫أوﻻ‪ :‬إﻧﻬﺎ ﺗﻌﻄﻲ »ﻣﺘﻮﺳﻂ« اﻷوزان ﻋﻨﺪ ﻛﻞ ﻃﻮل‪ .‬وﻫﺬا أﻣﺮ ﻣﻌﻘﻮل؛ إذ إﻧﻪ ﰲ اﻟﺤﻴﺎة‬ ‫ً‬
‫اﻟﻮاﻗﻌﻴﺔ‪ ،‬ﺣﺘﻰ اﻷﺷﺨﺎص ذوو اﻟﻄﻮل ﻧﻔﺴﻪ ﻳﻤﻜﻦ أن ﺗﺘﺒﺎﻳﻦ أوزاﻧﻬﻢ‪.‬‬
‫ﻃﺮﻳﻘﺔ ﻣﺎ ﻟﺘﺤﺪﻳﺪ اﻟﺨﻂ اﻟﺬي ﻧﺘﺤﺪث ﻋﻨﻪ ﺑﺎﻟﻀﺒﻂ‪.‬‬ ‫ٍ‬ ‫ﺛﺎﻧﻴًﺎ‪ :‬ﻧﺤﻦ ﺑﺤﺎﺟﺔ إﱃ إﻳﺠﺎد‬
‫ﻄﺎ واﺣﺪًا‪ ،‬وﻟﻜﻦ ﻛﻴﻒ اﺧﱰﻧﺎ ﻫﺬا اﻟﺨﻂ وﻟﻴﺲ ﻏريه؟ ﺗﺘﺤﺪد اﻟﺨﻄﻮط‬ ‫ﻳﺘﻀﻤﻦ اﻟﺸﻜﻞ ﺧ ٍّ‬

‫‪99‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫‪ ١٠‬أﺣﺠﺎر‬
‫اﻟﻮزن‬

‫‪ ٨‬أﺣﺠﺎر‬

‫‪ ٥‬أﻗﺪام‬ ‫‪ ٥‬أﻗﺪام و‪ ٦‬ﺑﻮﺻﺎت‬ ‫‪ ٦‬أﻗﺪام و‪ ٦‬ﺑﻮﺻﺎت ‪ ٦‬أﻗﺪام‬

‫اﻟﻄﻮل‬

‫ﺷﻜﻞ ‪ :1-6‬رﺳﻢ ﺧﻂ وﺳﻂ اﻟﺒﻴﺎﻧﺎت‪.‬‬

‫ﻋﲆ ﻧﺤﻮ ﻓﺮﻳﺪ ﻋﻦ ﻃﺮﻳﻖ ﻣَ ﻌﻠﻤﺘني — ﺗﻘﺎﻃﻌﻬﻤﺎ )ﰲ ﻫﺬا اﻟﺸﻜﻞ ﻗﻴﻤﺔ اﻟﻮزن اﻟﺘﻲ ﻳﺘﻘﺎﻃﻊ‬
‫ﻋﻨﺪﻫﺎ اﻟﺨﻂ ﻣﻊ ﻣﺤﻮر اﻟﻮزن( وﻣﻴﻠﻬﻤﺎ — ﻟﺬﻟﻚ ﻧﺤﻦ ﺑﺤﺎﺟﺔ إﱃ إﻳﺠﺎد وﺳﻴﻠﺔ ﻻﺧﺘﻴﺎر‬
‫ﻫﺎﺗني املﻌﻠﻤﺘني أو ﺗﻘﺪﻳﺮﻫﻤﺎ‪ .‬ﻧﻌﺮف ﺑﺎﻟﻔﻌﻞ ﻃﺮﻳﻘﺔ ﺗﻘﺪﻳﺮ املﻌﻠﻤﺔ؛ ﻓﻘﺪ ﺗﻨﺎوﻟﻨﺎﻫﺎ ﰲ‬
‫اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ‪ .‬وﻟﺘﻘﺪﻳﺮ املﻌﻠﻤﺎت ﻧﺨﺘﺎر ﺗﻠﻚ اﻟﻘﻴﻢ اﻟﺘﻲ ﺗﻘﻠﻞ ﻣﻦ ﻗﺪر اﻟﺘﻨﺎﻗﺾ ﺑني‬
‫اﻟﻨﻤﻮذج واﻟﺒﻴﺎﻧﺎت املﺮﺻﻮدة‪ .‬وﺑﺎﻟﻨﺴﺒﺔ ﻷي زوج ﻣﻌني )اﻟﻮزن واﻟﻄﻮل( ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪،‬‬
‫ﻓﺈن أﺣﺪ ﻣﻘﺎﻳﻴﺲ اﻟﺘﻨﺎﻗﺾ ﻫﻮ ﻣﺮﺑﻊ اﻟﻔﺮق )ﻣﺮة أﺧﺮى‪ ،‬اﻟﺴﺒﺐ ﰲ ﻛﻮﻧﻪ ﻣﺮﺑﻌً ﺎ ﻫﻮ‬
‫ﺟﻌﻞ اﻷرﻗﺎم ﻣﻮﺟﺒﺔ( ﺑني اﻟﻮزن املﺮﺻﻮد واﻟﻮزن املﺘﻮﻗﻊ ﻋﻨﺪ ﻫﺬا اﻟﻄﻮل‪ .‬وﻳﺘﻤﺜﻞ‬
‫ﻣﻘﻴﺎس اﻟﺘﻨﺎﻗﺾ اﻟﻜﲇ املﻌﺘﻤﺪ ﻋﲆ ﻫﺬا ﰲ ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت اﻟﻔﺮوق ﺑني اﻷوزان املﺮﺻﻮدة‬
‫ﱠ‬
‫املﺘﻮﻗﻌﺔ ﻋﻨﺪ اﻷﻃﻮال اﻟﻮاردة ﰲ اﻟﺒﻴﺎﻧﺎت‪ .‬وﺑﻌﺪ ذﻟﻚ ﻧﻘﺪر اﻟﺘﻘﺎﻃﻊ واﻻﻧﺤﺪار‬ ‫واﻷوزان‬
‫ﺑﺎﺧﺘﻴﺎر ﺗﻠﻚ اﻟﻘﻴﻢ اﻟﺘﻲ ﺗﻘﻠﻞ ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت اﻟﻔﺮوق ﻷدﻧﻰ درﺟﺔ‪ .‬وﺑﻤﺎ أﻧﻬﺎ ﺗﻘﻠﻞ‬
‫)ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت( اﻟﻔﺮوق ﺑني اﻟﻘﻴﻢ املﺮﺻﻮدة واملﺘﻮﻗﻌﺔ ﻟﻸوزان ﰲ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﻓﺈن »ﺧﻂ‬
‫اﻧﺤﺪار املﺮﺑﻌﺎت اﻟﺼﻐﺮى« ﻫﺬا ﻳﻨﺘِﺞ أﻓﻀﻞ ﺗﻨﺒﺆ ملﺘﻮﺳﻂ اﻟﻮزن ﻋﻨﺪ أي ﻗﻴﻤﺔ ﻟﻠﻄﻮل‬
‫ﻧﺨﺘﺎرﻫﺎ‪.‬‬

‫‪100‬‬
 ‫اﻟﻨﻤﺎذج واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫اﻟﻨﻘﻄﺔ اﻟﺜﺎﻟﺜﺔ‪ :‬ﻫﻲ أﻧﻪ ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أن ﻫﺬا اﻻﻓﱰاض ﺑﻮﺟﻮد ﻋﻼﻗﺔ ﺧﻂ ﻣﺴﺘﻘﻴﻢ‬
‫ﻄﺎ ﻣﺴﺘﻘﻴﻤً ﺎ‪ ،‬وﻟﻴﺲ ﺧ ٍّ‬
‫ﻄﺎ‬ ‫ﻗﻠﻴﻼ‪ .‬ملﺎذا ﻧﺨﺘﺎر ﺧ ٍّ‬
‫ﻗﺪ ﻳﺒﺪو اﻋﺘﺒﺎﻃﻴٍّﺎ إﱃ ﺣ ﱟﺪ ﻣﺎ‪ ،‬ﻓﺈﻧﻪ ُﻣﱪﱠر ً‬
‫ﻣﻨﺤﻨﻴًﺎ؟ دون اﻟﺨﻮض ﰲ اﻟﺘﻔﺎﺻﻴﻞ ﻫﻨﺎ‪ ،‬ﻣﻦ املﻤﻜﻦ ﺗﻘﺪﻳﻢ ﻣﻨﺤﻨﻴﺎت ﺑﺪرﺟﺎت ﻣﺘﻔﺎوﺗﺔ‬
‫ﺑﺤﻴﺚ ﻳﻤﻜﻦ أن ﻳﻜﻮن ﻟﻠﺨﻂ اﻟﺬي ﻳﺒني اﻟﻌﻼﻗﺔ ﺑني اﻟﻄﻮل وﻣﺘﻮﺳﻂ اﻟﻮزن أﺷﻜﺎل أﻛﺜﺮ‬
‫ﺗﻌﻘﻴﺪًا؛ ﻓﺮﺑﻤﺎ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل ﻳﺰداد ﺑﴪﻋﺔ أﻛﱪ ﻋﻨﺪ اﻷﻃﻮال اﻷدﻧﻰ ﻣﻦ ازدﻳﺎده ﻋﻨﺪ‬
‫اﻷﻃﻮال اﻷﻋﲆ‪ .‬وﻧﻔﻌﻞ ذﻟﻚ ﻣﻦ ﺧﻼل ﺟﻌﻞ اﻟﻨﻤﻮذج أﻛﺜﺮ ﺗﻌﻘﻴﺪًا‪ ،‬ﻋﻦ ﻃﺮﻳﻖ إدﺧﺎل‬
‫ﻣﻌﻠﻤﺎت إﺿﺎﻓﻴﺔ ﺑﺎﻹﺿﺎﻓﺔ إﱃ اﻟﺘﻘﺎﻃﻊ واملﻴﻞ‪.‬‬
‫ﺳﻌﻰ ﻣﺜﺎل اﻧﺤﺪار اﻟﻄﻮل‪/‬اﻟﻮزن ﻟﻠﺘﻨﺒﺆ ﺑﻤﺘﻮﺳﻂ اﻟﻮزن ﻣﻦ ﺧﻼل ﻣﺘﻐري ﻣﺘﻨﺒﺊ‬
‫أﻳﻀﺎ إدﺧﺎل ﻋﻮاﻣﻞ ﻣﺘﻨﺒﺌﺔ ﻣﺤﺘﻤﻠﺔ أﺧﺮى ﻣﻦ أﺟﻞ‬ ‫واﺣﺪ ﻓﻘﻂ ﻫﻮ اﻟﻄﻮل‪ ،‬ﻟﻜﻦ ﻳﻤﻜﻨﻨﺎ ً‬
‫ﺗﺤﻘﻴﻖ ﺗﻮﻗﻌﺎت أﻛﺜﺮ دﻗﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﻳﻤﺘﻠﻚ اﻟﺮﺟﺎل واﻟﻨﺴﺎء أﺷﻜﺎل ﺟﺴﻢ ﻣﺨﺘﻠﻔﺔ‪،‬‬
‫ﺑﺤﻴﺚ إﻧﻪ ﻋﻨﺪ ﻃﻮل ﻣﻌني‪ ،‬رﺑﻤﺎ ﻳﻜﻮن اﻻﺧﺘﻼف ﰲ اﻷوزان ﺑﺴﺒﺐ ﻧﻮع اﻟﺠﻨﺲ ﻋﲆ‬
‫ﻋﺎﻣﻼ ﻣﺘﻨﺒﺌًﺎ‪ .‬وﻳﻤﻜﻨﻨﺎ ﻣﻮاﺻﻠﺔ‬‫ً‬ ‫ﻧﺤﻮ ﻛﺒري؛ ﻟﺬا ﻳﻤﻜﻨﻨﺎ ﺗﻀﻤني ﻧﻮع اﻟﺠﻨﺲ ً‬
‫أﻳﻀﺎ ﺑﺎﻋﺘﺒﺎره‬
‫ﺗﻀﻤني ﻣﺘﻐريات أﺧﺮى ﻧﻈﻦ أﻧﻪ ﻣﻦ املﺮﺟﺢ أن ﺗﺮﺗﺒﻂ ﺑﺎﻟﻮزن‪ .‬ﻟﻜﻦ ﻻ ﻳﻨﺒﻐﻲ أن ﻧﺘﻤﺎدى‬
‫وإﻻ ﻓﺴﻮف ﻳﺘﻤﻴﺰ‬ ‫ﻛﺎﻧﺖ املﻼﺣﻈﺎت ﺗﺘﻌﻠﻖ ﺑﻌﺪد ﻣﺤﺪد ﻣﻦ اﻷﺷﺨﺎص ﻓﺤﺴﺐ‪ ،‬ﱠ‬ ‫ِ‬ ‫ﻛﺜريًا إذا‬
‫ﻧﻤﻮذﺟﻨﺎ ﻣﺮة أﺧﺮى ﺑﺎﻹﻓﺮاط ﰲ املﻄﺎﺑﻘﺔ ﻣﻊ اﻟﺒﻴﺎﻧﺎت؛ وﻟﺬا ﻓﺈﻧﻨﺎ ﻗﺪ ﻻ ﻧﺮﻏﺐ ﰲ ﺗﻀﻤني‬
‫ﻛﺎﻓﺔ املﺘﻐريات اﻟﺘﻲ ﻳﻤﻜﻦ أن ﻧﻔﻜﺮ ﻓﻴﻬﺎ‪ ،‬وإﻧﻤﺎ ﻧﺪرج وﺣﺴﺐ ﻣﺠﻤﻮﻋﺔ ﻓﺮﻋﻴﺔ ﻣﻨﻬﺎ‪.‬‬
‫أﻳﻀﺎ ﻗﺪ ﺗﺪﻓﻌﻨﺎ إﱃ اﻟﺮﻏﺒﺔ ﰲ ﺗﻀﻤني ﻣﺠﻤﻮﻋﺔ ﻓﺮﻋﻴﺔ‬ ‫ﺑﺼﻔﺔ ﻋﺎﻣﺔ‪ ،‬ﺛﻤﺔ أﺳﺒﺎب أﺧﺮى ً‬
‫ﻓﻘﻂ ﻣﻦ املﺘﻐريات املﺘﻨﺒﺌﺔ املﺤﺘﻤﻠﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻳﻜﻮن ﻗﻴﺎس املﺘﻐريات املﺘﻨﺒﺌﺔ‬
‫ﻃﻮﻳﻼ؛ وﻟﺬا ﻓﺈﻧﻨﺎ ﺳﻮف ﻧﺮﻳﺪ أن ﻧُﺒﻘِﻲ اﻟﻌﺪد ﻋﻨﺪ أدﻧﻰ‬ ‫ً‬ ‫ً‬
‫ﻣﻜﻠﻔﺎ‪ ،‬أو ﻳﺴﺘﻐﺮق وﻗﺘًﺎ‬ ‫اﻹﺿﺎﻓﻴﺔ‬
‫ً‬
‫ﺣﺪ ﻣﻤﻜﻦ‪ .‬ﻟﻬﺬه اﻷﺳﺒﺎب وﻏريﻫﺎ‪ ،‬ﻃﻮر اﻹﺣﺼﺎﺋﻴﻮن ﻃﺮﻗﺎ ﻟﻠﻌﺜﻮر ﻋﲆ ﻣﺠﻤﻮﻋﺎت ﻓﺮﻋﻴﺔ‬
‫ﺟﻴﺪة ﻣﻦ املﺘﻐريات؛ ﺣﻴﺚ ﺗﻌﻨﻲ ﻛﻠﻤﺔ »ﺟﻴﺪة« أﻧﻬﺎ ﺗﻨﺘﺞ أﻓﻀﻞ اﻟﺘﻨﺒﺆات‪.‬‬
‫ﺗﺮﺑﻂ ﻧﻤﺎذج اﻻﻧﺤﺪار ﻣﺘﻐري ﻧﺎﺗﺞ أو ﻣﺘﻐري إﺟﺎﺑﺔ ﺑﻮاﺣﺪ أو أﻛﺜﺮ ﻣﻦ املﺘﻐريات‬
‫ﻃﻮرت ﻧﻤﺎذج إﺣﺼﺎﺋﻴﺔ أﺧﺮى ﻟﻠﺘﻌﺎﻣﻞ ﻣﻊ‬ ‫املﺘﻨﺒﱢﺌﺔ‪ .‬ﻫﺬا ﻧﻮع ﺷﺎﺋﻊ ﺟﺪٍّا ﻣﻦ املﺸﻜﻼت‪ ،‬و ُ‬
‫ﺣﺎﻻت ﻣﻤﺎﺛﻠﺔ ﺗﺨﺘﻠﻒ ﰲ ﺑﻌﺾ اﻟﻨﻮاﺣﻲ ﻋﻦ ﺣﺎﻟﺔ اﻻﻧﺤﺪار املﺴﺘﻘﻴﻢ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪،‬‬
‫ﰲ »ﺗﺤﻠﻴﻞ اﻟﺒﻘﺎء« ﺗُﻌ َﺮف ﻗﻴﻤﺔ ﻣﺘﻐري اﻹﺟﺎﺑﺔ ﻟﺒﻌﺾ اﻟﺤﺎﻻت ﻓﻘﻂ‪ ،‬وﻳُﻌﺮف ﻓﻘﻂ أن‬
‫ﻗﻴﻤﺔ ﻣﺎ‪ .‬ﻳﻨﺸﺄ ﻫﺬا ﻋﲆ ﻧﺤﻮ أﻛﺜﺮ ﺷﻴﻮﻋً ﺎ )ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻪ‬ ‫ﻗﻴﻤﺘﻬﺎ ﻟﺤﺎﻻت أﺧﺮى ﺗﺘﺠﺎوز ً‬
‫ﻟﻴﺲ ﰲ ﻫﺬه اﻟﺤﺎﻟﺔ وﺣﺴﺐ( ﻋﻨﺪﻣﺎ ﻳﻜﻮن ﻣﺘﻐري اﻹﺟﺎﺑﺔ ﻓﱰة زﻣﻨﻴﺔ؛ وﻣﻦ ﺛَﻢﱠ‪ ،‬ﻓﺈﻧﻨﺎ ﻗﺪ‬
‫ﻧﺮﻏﺐ ﰲ ﻣﻌﺮﻓﺔ اﻟﻔﱰة اﻟﺰﻣﻨﻴﺔ اﻟﺘﻲ ﺳﻴﻈﻞ ﻓﻴﻬﺎ املﺮﻳﺾ ﻋﲆ ﻗﻴﺪ اﻟﺤﻴﺎة )وﻣﻦ ﻫﻨﺎ ﺟﺎء‬

‫‪101‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﺳﻢ ﻫﺬه اﻟﺘﻘﻨﻴﺔ( أو ﻃﻮل اﻟﻔﱰة اﻟﺰﻣﻨﻴﺔ اﻟﺘﻲ ﺳﻴﺒﻘﻰ ﻓﻴﻬﺎ ﻣﻜﻮن ﻣﻦ اﻟﻨﻈﺎم ﻗﺒﻞ أن‬
‫ﻳﺤﺘﺎج إﱃ اﻻﺳﺘﺒﺪال‪ .‬وﺑﺄﺧﺬ اﻟﺤﺎﻟﺔ اﻷوﱃ ﻛﻤﺜﺎل ﻟﻠﺘﻮﺿﻴﺢ‪ ،‬رﺑﻤﺎ ﺗُ ﱢﺒني ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت‬
‫املﺘﻮﻓﺮة ﻟﺪﻳﻨﺎ أن أﺣﺪ املﺮﴇ ﻋﺎش ﺧﻤﺴﺔ أﺷﻬﺮ‪ ،‬وﻋﺎش آﺧﺮ ﺷﻬﺮﻳﻦ ﻓﻘﻂ‪ ،‬وﻋﺎش ﺛﻼﺛﺔ‬ ‫ﱢ‬
‫آﺧﺮون أﺣﺪ ﻋﴩ ﺷﻬ ًﺮا‪ ،‬وﻫﻜﺬا‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬رﺑﻤﺎ ﻟﻢ ﻧﺘﻤﻜﻦ ﻷﺳﺒﺎب ﻋﻤﻠﻴﺔ ﻣﻦ اﻻﻧﺘﻈﺎر‬
‫ﺣﺘﻰ ﻳﻤﻮت آﺧِ ﺮ ﻣﺮﻳﺾ ﰲ اﻟﺪراﺳﺔ )اﻟﻔﱰة اﻟﺘﻲ ﻗﺪ ﺗﺼﻞ إﱃ أﻋﻮام(؛ ﻟﺬﻟﻚ ﺗﻮﻗﻔﻨﺎ‬
‫ﻋﻦ ﺗﺴﺠﻴﻞ املﻼﺣﻈﺎت‪ .‬ﻛﻞ ﻣﺎ ﻧﻌﺮﻓﻪ ﻋﻦ ﺑﻌﺾ املﺮﴇ ﻫﻮ أﻧﻬﻢ ﻋﺎﺷﻮا ﻓﱰة »أﻃﻮل«‬
‫ﻣﻦ اﻟﻮﻗﺖ ﺑني ﺑﺪء رﺻﺪ املﻼﺣﻈﺎت واﻟﺘﻮﻗﻒ ﻋﻦ رﺻﺪﻫﺎ‪ .‬ﺗﻮﺻﻒ ﻫﺬه اﻟﺒﻴﺎﻧﺎت ﺑﺄﻧﻬﺎ‬
‫»ﻣﺒﺘﻮرة«‪ ،‬وﻟﺘﻮﺿﻴﺢ اﻟﺘﻌﻘﻴﺪات اﻟﺘﻲ ﺗﺴﺒﺒﻬﺎ‪ ،‬ﺗﺄﻣﱠ ْﻞ ﻃﺮﻳﻘﺔ ﺣﺴﺎب ﻣﺘﻮﺳﻂ ﻓﱰة اﻟﺒﻘﺎء‬
‫ﻋﲆ ﻗﻴﺪ اﻟﺤﻴﺎة؛ َﻓﻠِﺤِ ﺴﺎب املﺘﻮﺳﻂ‪ ،‬ﻧﺤﺘﺎج إﱃ ﺟﻤﻊ اﻟﻔﱰات اﻟﺰﻣﻨﻴﺔ املﺮﺻﻮدة واﻟﻘﺴﻤﺔ‬
‫ﻋﲆ اﻟﻌﺪد املﻮﺟﻮد‪ .‬إﻧﻨﺎ ﻟﻢ ﻧﺮﺻﺪ ﰲ اﻟﻮاﻗﻊ ﻓﱰات اﻟﺒﻘﺎء ﻋﲆ ﻗﻴﺪ اﻟﺤﻴﺎة ﻟﻠﻤﺮﴇ املﺒﺘﻮرة‬
‫ﺑﻴﺎﻧﺎﺗﻬﻢ‪ ،‬وﻻ ﻳﻤﻜﻨﻨﺎ ﺗﻀﻤﻴﻨﻬﻢ ﰲ اﻟﺤﺴﺎب‪ .‬وﻟﻜﻦ إذا أﻏﻔﻠﻨﺎﻫﻢ‪ ،‬ﻓﺈﻧﻨﺎ ﺳﻮف ﻧُﻐﻔِ ﻞ ﻋﲆ‬
‫وﺟﻪ اﻟﺘﺤﺪﻳﺪ اﻟﻘِ ﻴَﻢ اﻷﻛﱪ؛ ﻟﺬﻟﻚ ﺳﻮف ﻳﻜﻮن ﺗﻘﺪﻳﺮﻧﺎ ﻣﺘﺤﻴ ًﺰا إﱃ اﻷﺳﻔﻞ‪ .‬وﻋﲆ اﻟﻨﻘﻴﺾ‪،‬‬
‫إذا ﺿﻤﱠ ﻨﱠﺎﻫﻢ‪ ،‬ﺑﺎﺳﺘﺨﺪام ﻓﱰات املﻼﺣﻈﺔ‪ ،‬ﻓﺈن اﻟﻨﺘﻴﺠﺔ ﺗﻌﺘﻤﺪ ﻋﲆ وﻗﺖ اﺧﺘﻴﺎرﻧﺎ ﻟﻠﺘﻮﻗﻒ‬
‫أﻳﻀﺎ‪ ،‬ﻓﻘﺪ وُﺿﻌﺖ أﺳﺎﻟﻴﺐ أﻛﺜﺮ ﺗﻄﻮ ًرا‬ ‫ﻋﻦ رﺻﺪ املﻼﺣﻈﺎت‪ .‬وﺑﻤﺎ أن ﻫﺬا ﻏري ﻣﻼﺋﻢ ً‬
‫ﻟﻠﺘﻌﺎﻣﻞ ﻣﻊ اﻟﺒﻴﺎﻧﺎت املﺒﺘﻮرة‪.‬‬
‫ﺛﻤﺔ ﻧﺴﺨﺔ أﺧﺮى ﻣﻦ ﻣﺸﻜﻠﺔ وﺟﻮد ﻣﺘﻐري ﻧﺎﺗﺞ واﺣﺪ ﻣﺮﺗﺒﻂ ﺑﻮاﺣﺪ أو أﻛﺜﺮ ﻣﻦ‬
‫املﺘﻐريات املﺘﻨﺒﺌﺔ ﺗﺤﺪث ﰲ »ﺗﺤﻠﻴﻞ اﻟﺘﺒﺎﻳﻦ«‪ .‬ﻳﺴﺘﺨﺪم ﻫﺬا اﻟﺘﺤﻠﻴﻞ ﻋﲆ ﻧﻄﺎق واﺳﻊ ﰲ‬
‫ﻣﺠﺎل اﻟﺰراﻋﺔ‪ ،‬وﻋﻠﻢ اﻟﻨﻔﺲ‪ ،‬وﻣﺮاﻗﺒﺔ اﻟﺠﻮدة اﻟﺼﻨﺎﻋﻴﺔ واﻟﺘﺼﻨﻴﻊ‪ ،‬وﻏريﻫﺎ ﻣﻦ املﺠﺎﻻت‪.‬‬
‫ﻛﻼ ﻣﻨﻬﺎ ﻳﺘﺨﺬ ﺑﻀﻊ‬ ‫ﰲ ﺗﺤﻠﻴﻞ اﻟﺘﺒﺎﻳﻦ‪ ،‬ﺗﻜﻮن املﺘﻐريات املﺘﻨﺒﺌﺔ ﴏﻳﺤﺔ؛ وﻫﺬا ﻳﻌﻨﻲ أن ٍّ‬
‫ﻗِ ﻴَﻢ ﻓﺤﺴﺐ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬ﰲ ﺗﺼﻨﻴﻊ ﺑﻌﺾ املﻮاد اﻟﻜﻴﻤﻴﺎﺋﻴﺔ رﺑﻤﺎ ﻧﻜﻮن ﻗﺎدرﻳﻦ ﻋﲆ‬
‫اﻟﺴﻴﻄﺮة ﻋﲆ درﺟﺔ اﻟﺤﺮارة واﻟﻀﻐﻂ واملﺪة‪ ،‬وﻳﻜﻮن ﻟﺪﻳﻨﺎ ﺛﻼﺛﺔ إﻋﺪادات ﻟﻜ ﱟﻞ ﻣﻨﻬﺎ‪:‬‬
‫ﻣﻨﺨﻔﻀﺔ وﻣﺘﻮﺳﻄﺔ وﻋﺎﻟﻴﺔ‪ .‬ﻗﺎﺑﻠﻨﺎ ﻣﺜﻞ ﻫﺬا املﻮﻗﻒ ﻋﻨﺪﻣﺎ ﻧﺎﻗﺸﻨﺎ اﻟﺘﺼﻤﻴﻢ اﻟﺘﺠﺮﻳﺒﻲ ﰲ‬
‫اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ‪ ،‬وﻏﺎﻟﺒًﺎ ﻣﺎ ﻳﺴﺘﺨﺪم ﺗﺤﻠﻴﻞ اﻟﺘﺒﺎﻳﻦ ﻟﺘﺤﻠﻴﻞ اﻟﺘﺠﺎرب‪ .‬ورﻏﻢ ﺗﻘﺪﻳﻤﻪ ﻋﺎدة‬
‫ﻋﲆ أﻧﻪ ﻣﺨﺘﻠﻒ ﻋﻦ ﺗﺤﻠﻴﻞ اﻻﻧﺤﺪار‪ ،‬ﻓﺈﻧﻪ ﻣﻦ املﻤﻜﻦ إﻋﺎدة ﺻﻴﺎﻏﺘﻪ ﰲ ﺻﻮرة ﻧﻤﻮذج‬
‫اﻧﺤﺪار‪ .‬وﻛﻼﻫﻤﺎ ﺣﺎﻟﺘﺎن ﺧﺎﺻﺘﺎن ﻣﻦ ﻓﺌﺔ أﻛﱪ ﻣﻦ اﻟﻨﻤﺎذج ﺗُﺴﻤﱠ ﻰ »اﻟﻨﻤﺎذج اﻟﺨﻄﻴﺔ«‪.‬‬
‫و ﱢُﺳﻌﺖ اﻟﻨﻤﺎذج اﻟﺨﻄﻴﺔ ﻧﻔﺴﻬﺎ ﺑﻄﺮق ﻣﺨﺘﻠﻔﺔ‪ .‬أﺣﺪ اﻟﺘﻌﻤﻴﻤﺎت املﻬﻤﺔ ﻟﻠﻐﺎﻳﺔ ﻳﺘﻤﺜﻞ‬
‫ﻓﻴﻤﺎ ﻳﺴﻤﻰ »اﻟﻨﻤﺎذج اﻟﺨﻄﻴﺔ املﻌﻤﱠ ﻤﺔ«‪ .‬ﰲ اﻻﻧﺤﺪار وﺗﺤﻠﻴﻞ اﻟﺘﺒﺎﻳﻦ‪ ،‬ﻳﻜﻮن اﻟﻬﺪف ﻫﻮ‬
‫ُ‬
‫اﻟﺨﻄﻴﺔ‬ ‫وﺗﻮﺳﻊ اﻟﻨﻤﺎذجُ‬
‫ﱢ‬ ‫اﻟﺘﻨﺒﺆ ﺑﺎﻟﻘﻴﻤﺔ املﺘﻮﺳﻄﺔ ﻟﻺﺟﺎﺑﺔ ﻋﻨﺪ ﻛﻞ ﻗﻴﻤﺔ ﻋﺎﻣﻞ ﻣﺘﻨﺒﺊ‪.‬‬

‫‪102‬‬
 ‫اﻟﻨﻤﺎذج واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫املﻌﻤﻤﺔ ﻫﺬا ﻣﻦ ﺧﻼل اﻟﺴﻤﺎح ﺑﻜﻮن ﻏريﻫﺎ ﻣﻦ ﻣﻌﻠﻤﺎت ﺗﻮزﻳﻊ اﻹﺟﺎﺑﺔ‪ ،‬وﻟﻴﺲ املﺘﻮﺳﻂ‬ ‫ُ‬
‫ﻓﻘﻂ‪ ،‬ﺧﺎﺿﻌﺔ ﻟﻠﺘﻨﺒﺆ‪.‬‬
‫ﻣﻊ ذﻟﻚ‪ ،‬ﺗﻈﻬﺮ ﻧﺴﺨﺔ أﺧﺮى ﻣﻦ ﺑﻨﻴﺔ اﻟﻨﺎﺗﺞ‪/‬املﺘﻨﺒﺊ ﻋﻨﺪﻣﺎ ﺗﻜﻮن اﻹﺟﺎﺑﺔ ﻧﻔﺴﻬﺎ‬
‫ﻗﺎﻃﻌﺔ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﺗﻜﻮن اﻹﺟﺎﺑﺔ ﻋﺒﺎرة ﻋﻦ ﻗﺎﺋﻤﺔ ﻣﻦ اﻟﺘﺸﺨﻴﺼﺎت اﻟﻄﺒﻴﺔ‬
‫املﻤﻜﻨﺔ‪ ،‬ورﺑﻤﺎ ﺗﻜﻮن اﻟﻌﻮاﻣﻞ املﺘﻨﺒﺌﺔ ﻣﺰﻳﺠً ﺎ ﻣﻦ اﻷﻋﺮاض )ﻗﺪ ﺗﻜﻮن ﻣﺪرﺟﺔ ﻋﲆ أﻧﻬﺎ‬
‫ﺣﺎﴐة أو ﻏﺎﺋﺒﺔ( وﻧﺘﺎﺋﺞ اﻟﺘﺤﺎﻟﻴﻞ اﻟﻄﺒﻴﺔ‪ .‬وﺗﻨﺪرج ﻫﺬه اﻷﺳﺎﻟﻴﺐ ﺗﺤﺖ اﺳﻢ ﻋﺎم‬
‫املﺮاﻗﺐ«‪ .‬وﺗﺤﺪث اﻟﺤﺎﻟﺔ اﻟﺨﺎﺻﺔ اﻷﻫﻢ ﻣﻦ ﻫﺬه اﻟﻨﻤﺎذج ﻋﻨﺪﻣﺎ ﻳﻜﻮن‬ ‫َ‬ ‫ﻫﻮ »اﻟﺘﺼﻨﻴﻒ‬
‫ﻣﺘﻐري اﻹﺟﺎﺑﺔ ﺛﻨﺎﺋﻴٍّﺎ؛ أي ﻳﺄﺧﺬ ﻗﻴﻤﺘني ﻣﻤﻜﻨﺘني ﻓﺤﺴﺐ؛ ﻣﺜﻞ ﻣﺮﻳﺾ‪/‬ﺻﺤﻴﺢ‪ ،‬ﻣﺨﺎﻃﺮة‬
‫ﺟﻴﺪة‪/‬ﻣﺨﺎﻃﺮة ﺳﻴﺌﺔ‪ ،‬ﻣﺮﺑﺢ‪/‬ﻋﺪﻳﻢ اﻟﺠﺪوى‪ ،‬اﻟﻜﻠﻤﺔ املﻨﻄﻮﻗﺔ »ﻧﻌﻢ«‪/‬اﻟﻜﻠﻤﺔ املﻨﻄﻮﻗﺔ‬
‫»ﻻ« )ﰲ ﺑﺮاﻣﺞ اﻟﺘﻌﺮف ﻋﲆ اﻟﻜﻼم(‪ ،‬ﺑﺼﻤﺔ ﻣﴫح ﺑﻬﺎ‪/‬ﺑﺼﻤﺔ ﻏري ﻣﴫح ﺑﻬﺎ )ﰲ‬
‫أﻧﻈﻤﺔ املﻘﺎﻳﻴﺲ اﻟﺤﻴﻮﻳﺔ ﻟﻠﺘﻌﺮف ﻋﲆ اﻷﺷﺨﺎص(‪ ،‬ﺻﻔﻘﺔ اﺣﺘﻴﺎﻟﻴﺔ‪/‬ﺻﻔﻘﺔ ﴍﻋﻴﺔ‪ ،‬وﻣﺎ‬
‫ﺷﺎﺑﻪ ذﻟﻚ‪ .‬وﰲ ﻛﻞ ﺣﺎل‪ ،‬ﻓﺈن اﻟﻬﺪف ﺳﻴﻜﻮن ﺑﻨﺎء ﻧﻤﻮذج ﻳُﻤ ﱢﻜﻨﻨﺎ ﻣﻦ ﺗﺤﺪﻳﺪ اﻟﻔﺌﺔ اﻷﻛﺜﺮ‬
‫ً‬
‫اﺣﺘﻤﺎﻻ ﻟﻠﺤﺎﻻت اﻟﺠﺪﻳﺪة‪ ،‬ﻣﺴﺘﺨﺪﻣً ﺎ ﻓﺤﺴﺐ املﻌﻠﻮﻣﺎت ﰲ املﺘﻐريات املﺘﻨﺒﺌﺔ‪.‬‬
‫ﻃﻮر ﻋﺪد ﻛﺒري ﻣﻦ اﻷدوات اﻹﺣﺼﺎﺋﻴﺔ ملﺜﻞ ﻫﺬه اﻟﺤﺎﻻت‪ .‬وﻛﺎن ﻣﻦ ﺑني أول‬
‫اﻷدوات »ﺗﺤﻠﻴﻞ اﻟﺘﻤﺎﻳﺰ اﻟﺨﻄﻲ«‪ ،‬اﻟﺬي ﻃﻮر ﰲ ﺛﻼﺛﻴﻨﻴﺎت اﻟﻘﺮن اﻟﻌﴩﻳﻦ‪ ،‬وﻟﻜﻨﻪ ﻻ ﻳﺰال‬
‫ﻣﺴﺘﺨﺪﻣً ﺎ ﻋﲆ ﻧﻄﺎق واﺳﻊ ﻟﻠﻐﺎﻳﺔ ﺣﺘﻰ اﻟﻴﻮم‪ ،‬ﺳﻮاء ﺑﺸﻜﻠﻪ اﻷﺳﺎﳼ أو ﺑﺘﻮﺳﻴﻌﺎﺗﻪ‬
‫ﻈﻰ ﺑﺸﻌﺒﻴﺔ ﻛﺒرية ﰲ ﺑﻌﺾ املﺠﺎﻻت — ﻣﺜﻞ‬ ‫ﺗﻔﺼﻴﻼ‪ .‬وﺗﻮﺟﺪ ﻃﺮﻳﻘﺔ أﺧﺮى ﺗَﺤ َ‬
‫ً‬ ‫اﻷﻛﺜﺮ‬
‫اﻟﻄﺐ وإدارة ﻗِ ﻴﻤﺔ اﻟﻌُ ﻤَ ﻼء — ﻫﻲ »ﺗﺤﻠﻴﻞ اﻟﺘﻤﺎﻳﺰ اﻟﻠﻮﺟﺴﺘﻲ«‪ .‬وﻫﺬا ﻧﺴﺨﺔ ﻣﻦ اﻻﻧﺤﺪار‬
‫اﻟﻠﻮﺟﺴﺘﻲ‪ ،‬وﻫﻮ ﻧﻮع ﻣﻦ اﻟﻨﻤﺎذج اﻟﺨﻄﻴﺔ املﻌﻤﻤﺔ؛ ﻟﺬﻟﻚ ﻳﻈﻬﺮ اﻟﺼﻠﺔ اﻟﻮﺛﻴﻘﺔ ﺑني ﻃﺒﻘﺎت‬
‫اﻷدوات‪ .‬ﰲ اﻟﻮاﻗﻊ‪ ،‬ﻳﻤﻜﻦ اﻋﺘﺒﺎر اﻻﻧﺤﺪار اﻟﻠﻮﺟﺴﺘﻲ أﺑﺴﻂ أﻧﻮاع »اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ«‪.‬‬
‫ﺗُﺴﻤﱠ ﻰ اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﻴﺔ ﺑﻬﺬا اﻻﺳﻢ ﻷﻧﻬﺎ ُﻗﺪﱢﻣﺖ ﰲ اﻷﺻﻞ ﻛﻨﻤﺎذج ﻟﻄﺮﻳﻘﺔ ﻋﻤﻞ املﺦ؛ ﱠإﻻ‬
‫أﻧﻪ ﰲ اﻟﻮﻗﺖ اﻟﺤﺎﴐ ﺗَﺮ ﱠﻛﺰ اﻟﻌﻤﻞ ﰲ ﻫﺬا املﺠﺎل ﻛﺜريًا ﻋﲆ ﺧﺼﺎﺋﺼﻬﺎ اﻹﺣﺼﺎﺋﻴﺔ ﻛﻨﻈﻢ‬
‫ﻟﻠﺘﻨﺒﺆ‪ ،‬ﺑﻐﺾ اﻟﻨﻈﺮ ﻋﻤﺎ إذا ﻛﺎﻧﺖ ﺗﺸ ﱢﻜﻞ ﻧﻤﺎذج ﺟﻴﺪة ﻟﻠﻨﻈﻢ اﻟﻄﺒﻴﻌﻴﺔ أم ﻻ‪.‬‬
‫وﺗﻮﺟﺪ ﻧﻤﺎذج أﺧﺮى ﻟﻠﺘﺼﻨﻴﻒ املﺮاﻗﺐ ﺗﺸﻤﻞ أﺳﻠﻮب »اﻟﺘﺼﻨﻴﻒ اﻟﺸﺠﺮي« وﻃﺮﻳﻘﺔ‬
‫ﻃﺎ ﺟﺪﻳﺪة‬ ‫ﻳﻘﺴﻢ اﻟﻨﻤﻮذج اﻟﺸﺠﺮي املﺘﻐريات إﱃ ﻧﻄﺎﻗﺎت‪ ،‬وﻳﺼﻨﻒ ﻧﻘﺎ ً‬ ‫»اﻟﺠﺎر اﻷﻗﺮب«‪ .‬ﱢ‬
‫ُﻈﻬﺮ ﺗﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت‬ ‫وﻓﻘﺎ ملﺠﻤﻮﻋﺔ اﻟﻨﻄﺎﻗﺎت اﻟﺘﻲ ﺗﻘﻊ ﻓﻴﻬﺎ‪ .‬ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻳ ِ‬ ‫ً‬
‫أن اﻷﺷﺨﺎص اﻟﺬﻳﻦ ﺗﺰﻳﺪ أﻋﻤﺎرﻫﻢ ﻋﻦ ‪ ٥٠‬ﻋﺎﻣً ﺎ وﻳﻌﻴﺸﻮن ﻧﻤﻂ ﺣﻴﺎة ﻗﻠﻴﻞ اﻟﺤﺮﻛﺔ‬
‫ﻣﺆﴍ ﻛﺘﻠﺔ ﺟﺴﻢ أﻛﱪ ﻣﻦ ‪٢٥‬؛ ﻣﻌ ﱠﺮﺿﻮن ﻟﺨﻄﺮ اﻹﺻﺎﺑﺔ ﺑﺄﻣﺮاض اﻟﻘﻠﺐ‪ .‬ﻣﺜﻞ‬ ‫وﻟﺪﻳﻬﻢ ﱢ‬

‫‪103‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻫﺬه اﻟﻨﻤﺎذج ﻳﻤﻜﻦ أن ﺗُﻤﺜﱠﻞ ﰲ ﺻﻮرة ﺑﻨﻴﺔ ﺷﺠﺮﻳﺔ؛ وﻣﻦ ﻫﻨﺎ ﺟﺎءت اﻟﺘﺴﻤﻴﺔ‪ .‬ﰲ أﺳﻠﻮب‬
‫اﻟﺠﺎر اﻷﻗﺮب‪ ،‬ﻧﺠﺪ اﻟﻜﺎﺋﻨﺎت اﻟﻘﻠﻴﻠﺔ املﻮﺟﻮدة ﰲ ﻣﺠﻤﻮﻋﺔ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﻜﻮن أﻛﺜﺮ ﺷﺒﻬً ﺎ‬
‫)أو »أﻛﺜﺮ ﻗﺮﺑًﺎ«( إﱃ اﻟﻜﺎﺋﻦ اﻟﺠﺪﻳﺪ اﻟﺨﺎﺿﻊ ﻟﻠﺘﺼﻨﻴﻒ؛ ﺣﻴﺚ ﻳﺘﺤﺪﱠد اﻟﺘﺸﺎﺑﻪ ﻣﻦ ﻧﺎﺣﻴﺔ‬
‫املﺘﻐريات املﺘﻨﺒﱢﺌﺔ‪ .‬ﺑﻌﺪﻫﺎ ﻳﻮﺿﻊ اﻟﻜﺎﺋﻦ اﻟﺠﺪﻳﺪ ﺑﺒﺴﺎﻃﺔ ﰲ اﻟﻔﺌﺔ ﻧﻔﺴﻬﺎ ﻛﻤﺎ ﻫﻲ ﺣﺎل‬
‫ﻏﺎﻟﺒﻴﺔ ﻫﺬه اﻟﻜﺎﺋﻨﺎت املﺘﺸﺎﺑﻬﺔ ﻛﺜريًا‪.‬‬
‫ً‬
‫ﺷﺨﺼﺎ )أي »ﻣﺮاﻗﺒًﺎ«( ﻟﺘﺤﺪﻳﺪ‬ ‫ﺮاﻗﺐ ﺑﻬﺬا اﻻﺳﻢ ﻷﻧﻪ ﻳﺤﺘﺎج‬ ‫وﻳﺴﻤﻰ اﻟﺘﺼﻨﻴﻒ ا ُمل َ‬
‫ﺗﺴﻤﻴﺎت ﻓﺌﺎت ﻋﻴﻨﺔ اﻟﺒﻴﺎﻧﺎت‪ ،‬واﻟﺘﻲ ﻳﻤﻜﻨﻨﺎ ﻣﻦ ﺧﻼﻟﻬﺎ ﺑﻨﺎء ﻗﺎﻋﺪة اﻟﺘﺼﻨﻴﻒ ﻟﺘﻄﺒﻴﻘﻬﺎ‬
‫ﻋﲆ اﻟﻜﺎﺋﻨﺎت اﻟﺠﺪﻳﺪة‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻻ ﻳﻮﺟﺪ ﰲ ﻣﺴﺎﺋﻞ اﻟﺘﺼﻨﻴﻒ اﻷﺧﺮى أي ﺗﺴﻤﻴﺔ ﻟﻠﻔﺌﺎت‪،‬‬
‫واﻟﻬﺪف ﻫﻮ ﺑﺒﺴﺎﻃﺔ ﺗﻘﺴﻴﻢ اﻟﻜﺎﺋﻨﺎت إﱃ ﻓﺌﺎت ﻃﺒﻴﻌﻴﺔ‪ ،‬أو رﺑﻤﺎ ﻓﺌﺎت ﻣﻼﺋﻤﺔ‪ .‬وﻳﻤﻜﻨﻨﺎ‬
‫اﻟﻘﻮل إن اﻟﻬﺪف ﻣﻦ ذﻟﻚ ﻫﻮ ﺗﺤﺪﻳﺪ اﻟﻔﺌﺎت؛ ﻓﻔﻲ اﻟﻄﺐ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﺗﻜﻮن‬
‫ﻟﺪﻳﻨﺎ ﻋﻴﻨﺔ ﻣﻦ املﺮﴇ ﻟﻜ ﱟﻞ ﻣﻨﻬﻢ ﺗﻔﺎﺻﻴﻞ ﻋﻦ أﻧﻤﺎط اﻷﻋﺮاض وﻧﺘﺎﺋﺞ اﻟﺘﺤﺎﻟﻴﻞ‪ ،‬ورﺑﻤﺎ‬
‫َ‬
‫ﻣﻌﺮﻓﺔ‬ ‫ﻧﻈﻦ أن ﻋﺪة أﻧﻮاع ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻷﻣﺮاض ﻣﻤﺜﻠﺔ ﰲ اﻟﻌﻴﻨﺔ‪ .‬ﺳﻴﻜﻮن ُ‬
‫ﻫﺪﻓﻨﺎ ﺣﻴﻨﻬﺎ‬
‫ﻣﺎ إذا ﻛﺎن املﺮﴇ ﻳﺸ ﱢﻜﻠﻮن ﻣﺠﻤﻮﻋﺎت ﻣﺨﺘﻠﻔﺔ ﻣﻦ ﻣﻨﻈﻮر اﻷﻋﺮاض وﻧﺘﺎﺋﺞ اﻟﺘﺤﺎﻟﻴﻞ‪.‬‬
‫وﻳﻄﻠﻖ ﻋﲆ اﻷدوات اﻹﺣﺼﺎﺋﻴﺔ ﻻﺳﺘﻜﺸﺎف ﻫﺬه اﻟﺘﺠﻤﻌﺎت اﺳﻢ »اﻟﺘﺤﻠﻴﻞ اﻟﻌﻨﻘﻮدي«‪.‬‬
‫ﻛﺎن ﻟﻬﺬه اﻷﺳﺎﻟﻴﺐ ﻓﺎﺋﺪة ﻛﺒرية ﰲ ﺗﺤﺪﻳﺪ اﻟﻔﺮق ﺑني اﻻﻛﺘﺌﺎب اﻷﺣﺎدي اﻟﻘﻄﺐ واﻟﺜﻨﺎﺋﻲ‬
‫اﻟﻘﻄﺐ‪ ،‬وﺗﺴﺘﺨﺪم ﰲ ﻣﺠﻤﻮﻋﺔ ﻛﺒرية ﻣﻦ املﺠﺎﻻت اﻷﺧﺮى‪ ،‬ﻣﻨﻬﺎ — ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل —‬
‫إدارة ﻗﻴﻤﺔ اﻟﻌﻤﻼء واﻟﺘﺴﻮﻳﻖ؛ ﺣﻴﺚ ﺗﻜﻤﻦ ﻓﺎﺋﺪﺗﻬﺎ ﰲ ﺗﺤﺪﻳ ِﺪ ﻣﺎ إذا ﻛﺎن ﻳﻮﺟﺪ أﻧﻮاع‬
‫ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻟﻌﻤﻼء أم ﻻ‪.‬‬
‫ﺑﺪﻻ ﻣﻦ ذﻟﻚ‪ ،‬ﻓﺈن اﻟﻬﺪف‬‫ﰲ اﻟﺘﺤﻠﻴﻞ اﻟﻌﻨﻘﻮدي‪ ،‬ﻻ ﻳﻮﺟﺪ ﻣﺘﻐري »ﻧﺎﺗﺞ« وﻻ »إﺟﺎﺑﺔ«‪ً .‬‬
‫ﻫﻮ ﻣﺠﺮد وﺻﻒ اﻟﺒﻴﺎﻧﺎت ﻋﲆ ﻧﺤﻮ ﺳﻬﻞ‪ .‬وﺛﻤﺔ أدوات إﺣﺼﺎﺋﻴﺔ أﺧﺮى ﻟﻬﺎ اﻟﻬﺪف ﻧﻔﺴﻪ‪،‬‬
‫ﻋﲆ اﻟﺮﻏﻢ ﻣﻦ أﻧﻬﺎ ﺗﺴﻌﻰ إﱃ وﺻﻒ ﻣﻦ ﻧﻮع ﻣﺨﺘﻠﻒ ﺗﻤﺎﻣً ﺎ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪» ،‬اﻟﻨﻤﻮذج‬
‫اﻟﺒﻴﺎﻧﻲ« ﻫﻮ وﺻﻒ ﻣﺒﺴﻂ ﻟﻠﻌﻼﻗﺎت ﺑني ﻋﺪة ﻣﺘﻐريات — ورﺑﻤﺎ ﻋﺪد ﻛﺒري ﻣﻨﻬﺎ —‬
‫اﺳﺘﻨﺎدًا إﱃ اﻓﱰاض أن اﻟﻌﻼﻗﺎت ﺑني اﻟﻌﺪﻳﺪ ﻣﻦ املﺘﻐريات ﺗﺴﺒﺒﻬﺎ ﻋﻼﻗﺎت وﺳﻴﻄﺔ ﻣﻊ‬
‫ً‬
‫ﺳﺎﺑﻘﺎ؛ ﻓﺮﺑﻤﺎ ﻛﺎن اﻻرﺗﺒﺎط اﻹﻳﺠﺎﺑﻲ‬ ‫ﻣﺜﺎﻻ ﺑﺴﻴ ً‬
‫ﻄﺎ ﺟﺪٍّا ﻋﲆ ﻫﺬا‬ ‫ﻣﺘﻐريات أﺧﺮى‪ .‬وﻗﺪ رأﻳﻨﺎ ً‬
‫ﺑني اﻟﻘﺪرة ﻋﲆ اﻟﻘﺮاءة واﻟﻘﺪرة اﻟﺤﺴﺎﺑﻴﺔ ﻟﺪى اﻷﻃﻔﺎل ﻧﺘﻴﺠﺔ ﻟﻠﻌﻼﻗﺔ ﺑني ﻛﻼ ﻫﺬﻳﻦ‬
‫املﺘﻐريﻳﻦ واﻟﻌﻤﺮ‪.‬‬
‫ﻳﻤﻜﻦ اﻟﺘﻮﺳﻊ ﰲ ﻫﺬه اﻟﻨﻤﺎذج ﻣﻦ ﺧﻼل اﻓﱰاض أن ﺑﻌﺾ اﻟﻌﻼﻗﺎت ﺳﺒﺒﻬﺎ‬
‫املﺘﻐريات »اﻟﻜﺎﻣﻨﺔ« ﻏري املﻘﻴﺴﺔ اﻟﺘﻲ ﺗﺘﻌﻠﻖ ﺑﺒﻌﺾ املﺘﻐريات املﺮﺻﻮدة؛ وﻣﻦ ﺛ َ ﱠﻢ ﺗﺤﻔﺰ‬

‫‪104‬‬
 ‫اﻟﻨﻤﺎذج واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫ﻋﻼﻗﺔ واﺿﺤﺔ ﺑﻴﻨﻬﻤﺎ؛ ﻓﻌﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬رﺑﻤﺎ ﻧﻼﺣﻆ أن أﺳﻌﺎر أﺳﻬﻢ ﺑﻌﺾ اﻟﴩﻛﺎت‬
‫ﺗﺮﺗﻔﻊ أو ﺗﻨﺨﻔﺾ ﻣﻌً ﺎ‪ .‬إﺣﺪى ﻃﺮق ﺗﻔﺴري ﻫﺬا ﻗﺪ ﺗﺘﻤﺜﻞ ﰲ ﺗﺨﻤني وﺟﻮد ﺑﻌﺾ املﺘﻐريات‬
‫اﻟﺨﻔﻴﺔ )ﺑﻌﺾ ﺟﻮاﻧﺐ اﻻﻗﺘﺼﺎد ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل( اﻟﺘﻲ ﺗﺮﺗﺒﻂ ﺑﻜﻞ ﺳﻌﺮ؛ وﻣﻦ ﺛ َ ﱠﻢ ﺗﺤﻔﺰ‬
‫اﻟﻌﻼﻗﺔ ﺑني ﻫﺬه اﻷﺳﻌﺎر؛ ﻓﻌﻨﺪﻣﺎ ﻳﺰﻳﺪ املﺘﻐري اﻟﺨﻔﻲ‪ ،‬ﺗﺮﺗﻔﻊ ﻛﻞ اﻷﺳﻌﺎر‪ .‬ﺗﺸﻜﻞ ﻫﺬه‬
‫اﻷﻓﻜﺎر أﺳﺎس ﻧﻤﺎذج »اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﲇ«‪ ،‬وﻏﺎﻟﺒًﺎ ﻣﺎ ﻳُﺴﻤﱠ ﻰ املﺘﻐري اﻟﻜﺎﻣﻦ ﺑﺎﺳﻢ »اﻟﻌﺎﻣﻞ‬
‫ﻔﴪ ﺳﻠﺴﻠﺔ‬ ‫اﻟﻜﺎﻣﻦ«‪ .‬ﻛﻤﺎ أﻧﻬﺎ ﺗﺸﻜﻞ أﺳﺎس »ﻧﻤﺎذج ﻣﺎرﻛﻮف املﺨﻔﻴﺔ«‪ ،‬واﻟﺘﻲ ﻓﻴﻬﺎ ﺗُ ﱠ‬
‫ﻗﻴﻢ ﻣﺮﺻﻮدة ﰲ ﺳﻴﺎق ﺣﺎﻻت ﺧﻔﻴﺔ ﻟﻠﻨﻈﺎم؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬املﺮﴇ اﻟﺬﻳﻦ ﻳﻌﺎﻧﻮن ﻣﻦ‬
‫ُﺸﻔﻮْن ﻋﲆ‬ ‫ﺑﻌﺾ اﻷﻣﺮاض ﻳﺘﻔﺎوﺗﻮن ﻣﻦ ﺣﻴﺚ ﺟﻮدة اﻟﺤﻴﺎة‪ ،‬ﻓﺄﺣﻴﺎﻧًﺎ ﻳﻨﺘﻜﺴﻮن وأﺣﻴﺎﻧًﺎ ﻳ َ‬
‫ﻧﺤﻮ ﻣﺆﻗﺖ‪ .‬وﻳﻤﻜﻦ ﻧﻤﺬﺟﺔ ﻫﺬا اﻟﺘﻌﺎﻗﺐ ﰲ ﺳﻴﺎق اﻟﺤﺎﻻت اﻷﺳﺎﺳﻴﺔ املﺘﻐرية‪.‬‬
‫إذا ﻛﺎﻧﺖ أﺳﺎﻟﻴﺐ اﻟﺘﺼﻨﻴﻒ ُﺳﻤﱢ ﻴﺖ ﺗﻴﻤﱡ ﻨًﺎ ﺑﺄﻧﻮاع املﺴﺎﺋﻞ املﺼﻤﱠ ﻤﺔ ﻟﺤﻠﻬﺎ‪ ،‬ﻓﻘﺪ ﺳﻤﻴﺖ‬
‫أﺳﺎﻟﻴﺐ أﺧﺮى ﺗﻴﻤﻨًﺎ ﺑﻄﺒﻴﻌﺔ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﻌﻤﻞ ﻋﻠﻴﻬﺎ؛ ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬أﺳﺎﻟﻴﺐ‬
‫»ﺗﺤﻠﻴﻞ اﻟﺴﻼﺳﻞ اﻟﺰﻣﻨﻴﺔ« ﺗﻌﻤﻞ ﻋﲆ اﻟﺴﻼﺳﻞ اﻟﺰﻣﻨﻴﺔ؛ أي املﻼﺣﻈﺎت املﺘﻜﺮرة ﻟﻠﻤﺘﻐري‬
‫أو املﺘﻐريات ﻧﻔﺴﻬﺎ ﻋﲆ ﻣﺪار ﺗﺴﻠﺴﻞ زﻣﻨﻲ‪ .‬وﻫﻴﺎﻛﻞ اﻟﺒﻴﺎﻧﺎت ﺗﻠﻚ ﻣﻮﺟﻮدة ﰲ ﻛﻞ‬
‫ﻣﻜﺎن؛ ﻓﻬﻲ ﺗﻮﺟﺪ ﰲ اﻻﻗﺘﺼﺎد )ﻣﺜﻞ ﻗﻴﺎﺳﺎت اﻟﺘﻀﺨﻢ واﻟﻨﺎﺗﺞ املﺤﲇ اﻹﺟﻤﺎﱄ واﻟﺒﻄﺎﻟﺔ(‪،‬‬
‫واﻟﻬﻨﺪﺳﺔ‪ ،‬واﻟﻄﺐ )ﻣﺜﻞ وﺣﺪات اﻟﻌﻨﺎﻳﺔ املﺮﻛﺰة(‪ ،‬وﰲ ﻛﺜري ﻣﻦ املﺠﺎﻻت اﻷﺧﺮى‪ .‬وﰲ‬
‫ﺗﺤﻠﻴﻞ اﻟﺴﻼﺳﻞ اﻟﺰﻣﻨﻴﺔ‪ ،‬رﺑﻤﺎ ﻳﻜﻮن ﻫﺪﻓﻨﺎ ﻫﻮ ﻓﻬﻤﻬﺎ‪ ،‬أو ﺗﺤﻠﻴﻠﻬﺎ إﱃ ﻣﻜﻮﻧﺎﺗﻬﺎ اﻟﺮﺋﻴﺴﻴﺔ‬
‫)ﻣﺜﻞ اﻟﻨﺰﻋﺔ واملﻮﺳﻤﻴﺔ(‪ ،‬أو رﺻﺪ ﻣﺘﻰ ﻳﺘﻐري ﺳﻠﻮك اﻟﻨﻈﺎم‪ ،‬أو رﺻﺪ اﻟﺤﺎﻻت اﻟﺸﺎذة‬
‫)ﻣﺜﻞ اﻟﺘﻨﺒﺆ ﺑﺎﻟﺰﻻزل(‪ ،‬أو ﺗﻮﻗﻊ اﻟﻘﻴﻢ املﺴﺘﻘﺒﻠﻴﺔ املﺤﺘﻤﻠﺔ‪ ،‬أو ﻣﻦ أﺟﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻦ‬
‫اﻷﺳﺒﺎب اﻷﺧﺮى‪ .‬وﻗﺪ ﻃﻮرت ﻣﺠﻤﻮﻋﺔ ﻛﺒرية ﻣﻦ اﻷﺳﺎﻟﻴﺐ ﻟﺘﺤﻠﻴﻞ ﻫﺬه اﻟﺒﻴﺎﻧﺎت‪.‬‬

‫)‪ (3‬اﻟﺮﺳﻮم اﻟﺒﻴﺎﻧﻴﺔ اﻹﺣﺼﺎﺋﻴﺔ‬

‫ٍّ‬
‫ﺧﺎﺻﺎ‪.‬‬ ‫ﺗﻮﺟﺪ ﻓﺌﺔ ﻣﻌﻴﻨﺔ ﻣﻦ اﻷدوات اﻹﺣﺼﺎﺋﻴﺔ ﻣﻬﻤﺔ ﻟﻠﻐﺎﻳﺔ ﻟﺪرﺟﺔ أﻧﻬﺎ ﺗﺴﺘﺤﻖ اﻫﺘﻤﺎﻣً ﺎ‬
‫ﺻﻘﻠﺖ اﻟﻌني اﻟﺒﴩﻳﺔ ﻋﲆ ﻣﺪار دﻫﻮر ﻣﻦ‬ ‫وﻫﺬه اﻟﻔﺌﺔ ﻫﻲ اﺳﺘﺨﺪام اﻟﺮﺳﻮم اﻟﺒﻴﺎﻧﻴﺔ‪ُ .‬‬
‫اﻟﺘﻄﻮر ﻟﻜﻲ ﺗﻜﻮن ﻗﺎدرة ﻋﲆ إدراك اﻟ ِﺒﻨَﻰ واﻷﻧﻤﺎط ﰲ اﻹﺷﺎرات اﻟﺘﻲ ﺗَ ِﺼﻞ إﻟﻴﻬﺎ‪ .‬وﻳﺴﺘﻔﻴﺪ‬
‫ﻋﻠﻢ اﻹﺣﺼﺎء اﺳﺘﻔﺎدة ﻣﻜﺜﻔﺔ ﻣﻦ ذﻟﻚ ﻋﻦ ﻃﺮﻳﻖ ﺗﻤﺜﻴﻞ اﻟﺒﻴﺎﻧﺎت ﰲ ﺻﻮرة ﻣﺠﻤﻮﻋﺔ ﻛﺒرية‬
‫ﻣﻦ اﻷﻧﻮاع املﺨﺘﻠﻔﺔ ﻣﻦ اﻷﺷﻜﺎل اﻟﺮﺳﻮﻣﻴﺔ؛ ﻓﻌﻨﺪﻣﺎ ﺗُﻌﺮض اﻟﺒﻴﺎﻧﺎت ﻋﲆ ﻧﺤﻮ ﺟﻴﺪ‪ ،‬ﻓﺈن‬
‫اﻟﻌﻼﻗﺎت ﺑني املﺘﻐريات أو اﻟﺘﻜﻮﻳﻨﺎت ﰲ اﻟﺒﻴﺎﻧﺎت ﺗﺼﺒﺢ واﺿﺤﺔ‪ .‬وﻳُﺴﺘﺨﺪَم ﻫﺬا ﰲ ﺗﺤﻠﻴﻞ‬

‫‪105‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻟﺒﻴﺎﻧﺎت ﻟﻠﻤﺴﺎﻋﺪة ﰲ ﻓﻬ ِﻢ ﻣﺎ ﻳﺪور )ﺗَﺬ ﱠﻛ ْﺮ ﺗﻮزﻳﻊ رواﺗﺐ اﻟﺒﻴﺴﺒﻮل ﰲ اﻟﺸﻜﻞ ‪،(1-2‬‬

‫وإﻳﺼﺎل اﻟﻨﺘﺎﺋﺞ إﱃ اﻵﺧﺮﻳﻦ‪ .‬وأُﻗ ﱢﺪ ُم ﺑﻌﺾ اﻷﻣﺜﻠﺔ ﰲ اﻷﺷﻜﺎل اﻟﺜﻼﺛﺔ اﻟﺘﺎﻟﻴﺔ‪:‬‬

‫‪٤٨ ٤٩ ٥٠ ٥١ ٥٢‬‬ ‫‪٣٠ ٣٥ ٤٠ ٤٥ ٥٠‬‬

‫‪١٢‬‬

‫‪١١٫٥‬‬
‫‪ ١٠٠‬ﻣﱰ‬
‫‪١١‬‬

‫‪٥٢‬‬
‫‪٥١‬‬
‫‪٥٠‬‬
‫‪ ٤٠٠‬ﻣﱰ‬
‫‪٤٩‬‬
‫‪٤٨‬‬

‫‪١٦‬‬
‫‪١٥‬‬
‫‪١٤‬‬
‫دﻓﻊ اﻟﺠُ ﻠﺔ‬ ‫‪١٣‬‬
‫‪١٢‬‬
‫‪١١‬‬
‫‪١٠‬‬
‫‪٥٠‬‬
‫‪٤٥‬‬
‫‪٤٠‬‬
‫ﻗﺬف اﻟﻘﺮص‬
‫‪٣٥‬‬
‫‪٣٠‬‬

‫‪١١‬‬ ‫‪١١٫٥‬‬ ‫‪١٢‬‬ ‫‪١٠ ١١ ١٢ ١٣ ١٤ ١٥ ١٦‬‬

‫ﺷﻜﻞ ‪» :2-6‬ﻣﺼﻔﻮﻓﺔ اﻟﺸﻜﻞ اﻻﻧﺘﺸﺎري« اﻟﺘﻲ ﺗُ ﱢﺒني أوﻗﺎت ﺳﺒﺎق اﻟﻌَ ﺪْو ‪ ١٠٠‬ﻣﱰ و‪ ٤٠٠‬ﻣﱰ‬
‫)ﺑﺎﻟﺜﻮاﻧﻲ(‪ ،‬واملﺴﺎﻓﺎت )ﺑﺎﻷﻣﺘﺎر( ﻟﺪﻓﻊ اﻟﺠُ ﻠﺔ وﻗﺬف اﻟﻘﺮص ﻟﻠﻤﻨﺎﻓﺴني ﰲ ﻋﺸﺎري اﻟﺮﺟﺎل ﰲ‬
‫َ‬
‫اﻟﻌﻼﻗﺔ ﺑني اﺛﻨني ﻣﻦ املﺘﻐريات اﻷرﺑﻌﺔ‪.‬‬ ‫ﱢ‬
‫وﻳﺒني ﻛﻞ ﻣﺮﺑﻊ‬ ‫دورة اﻷﻟﻌﺎب اﻷوملﺒﻴﺔ ﻋﺎم ‪.١٩٨٨‬‬
‫واﻟﱰاﺑﻂ اﻟﻘﻮي ﺑني ﻧﺘﺎﺋﺞ ﺣﺪﺛ َ ِﻲ اﻟﺮﻣﻲ واﺿﺢٌ ﻋﲆ ﻧﺤﻮ ﻣﺒﺎﴍ‪.‬‬

‫‪106‬‬
 ‫اﻟﻨﻤﺎذج واﻷﺳﺎﻟﻴﺐ اﻹﺣﺼﺎﺋﻴﺔ‬

‫‪١٥٠٠٠‬‬
‫)ﺑﺎﻟﺠﻨﻴﻪ اﻹﺳﱰﻟﻴﻨﻲ(‬
‫اﻟﺴﺤﺐ اﻟﻨﻘﺪي‬

‫‪١٠٠٠٠‬‬

‫‪٥٠٠٠‬‬

‫‪٠‬‬
‫‪٠‬‬ ‫‪٥٠‬‬ ‫‪١٠٠‬‬ ‫‪١٥٠‬‬
‫ﻋﺪد اﻷﻳﺎم‬

‫ﺷﻜﻞ ‪ :3-6‬ﻣﺨﻄﻂ اﻟﺴﻠﺴﻠﺔ اﻟﺰﻣﻨﻴﺔ اﻟﺬي ﻳﺒني املﺒﻠﻎ املﺴﺤﻮب ﻣﻦ ﺟﻬﺎز ﴏاف آﱄ ﻛﻞ‬
‫ً‬
‫وأﻳﻀﺎ وﺟﻮد ﻧﺰﻋﺔ ﻣﺘﺰاﻳﺪة‬ ‫ﻳﻮم‪ .‬ﻳﺒني اﻟﺸﻜﻞ ﺑﻮﺿﻮح وﺟﻮد دورات أﺳﺒﻮﻋﻴﺔ وﺷﻬﺮﻳﺔ‪،‬‬
‫ﺗﺪرﻳﺠﻴٍّﺎ ﻣﻊ ﻣﺮور اﻟﻮﻗﺖ‪ .‬وﻳﺘﻀﺢ ً‬
‫أﻳﻀﺎ وﺟﻮد ﻗﻴﻤﺔ ﻣﻨﺨﻔﻀﺔ ﻋﲆ ﻧﺤﻮ ﻣﻔﺎﺟﺊ ﺑﺎﻟﻘﺮب ﻣﻦ‬
‫ﻧﻬﺎﻳﺔ اﻟﻔﱰة‪.‬‬

‫‪٦٠‬‬
‫‪٤٠‬‬
‫‪١‬‬
‫‪٢٠‬‬
‫‪٠,٨‬‬
‫ﺗﺸ‬
‫ﺘﻴﺖ‬

‫‪٠,٦‬‬
‫ﺿﻮء‬

‫‪٠٫٦‬‬
‫‪٠٫٨‬‬
‫ﺑﺰ‬

‫‪٠,٤‬‬
‫اوﻳﺔ‬

‫ﻣ ﺎﻣ ﻲ‬ ‫‪١‬‬
‫ﺿﻮء أ‬
‫‪ ٩٠‬د‬

‫ﺸﺘﻴﺖ‬ ‫‪١,٢‬‬
‫ﺗ‬ ‫‪٠,٢‬‬
‫رﺟﺔ‬

‫ﺷﻜﻞ ‪ :4-6‬ﺗﻮزﻳﻊ ﻗِ ﻴَﻢ ﺗﺸﺘﻴﺖ اﻟﻀﻮء ﻣﻦ ﺧﻼﻳﺎ ﻋﻮاﻟﻖ ﻧﺒﺎﺗﻴﺔ ﻣﻦ أﻧﻮاع ﻣﺨﺘﻠﻔﺔ‪ .‬ﰲ اﻟﻮاﻗﻊ‪،‬‬
‫ﻳُﻌﺮض ﺛﻼﺛﺔ أﻧﻮاع ﻫﻨﺎ‪ ،‬وﻟﻜﻦ ﻳﻤﺘﻠﻚ اﺛﻨﺎن ﻣﻨﻬﺎ ﺗﻮزﻳﻌني ﻟﻠﻘﻴﻢ ﻣﺘﺸﺎﺑﻬني ﺟﺪٍّا؛ ﻟﺬﻟﻚ ﻳﺘﺠﻤﻊ‬
‫ﻫﺬان اﻟﺘﻮزﻳﻌﺎن ﻟﺘﻜﻮﻳﻦ ﻗﻤﺔ ﻋﺎﻟﻴﺔ واﺣﺪة‪.‬‬

‫‪107‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﺧﺎﺗﻤﺔ‬

‫َﻗﺪﱠم ﻫﺬا اﻟﻔﺼﻞ ﻣﺮاﺟﻌﺔ ﴎﻳﻌﺔ ﻟﻌﺪد ﻗﻠﻴﻞ ﻣﻦ اﻷدوات اﻹﺣﺼﺎﺋﻴﺔ املﻬﻤﺔ‪ ،‬وﻟﻜﻦ ﻳﻮﺟﺪ‬
‫اﻟﻌﺪﻳﺪ ﻣﻦ اﻷدوات اﻷﺧﺮى اﻟﺮاﺋﻌﺔ اﻟﺘﻲ ﻟﻢ أذﻛﺮﻫﺎ‪ .‬وﺗﺘﻨﺎﺳﺐ اﻟﻨﻤﺎذج املﺨﺘﻠﻔﺔ ﻣﻊ‬
‫أﻧﻮاع املﺴﺎﺋﻞ املﺨﺘﻠﻔﺔ وأﻧﻮاع اﻟﺒﻴﺎﻧﺎت املﺨﺘﻠﻔﺔ‪ ،‬وﻳﻮﺟﺪ ﻋﺪد ﻻ ﻧﻬﺎﺋﻲ ﻣﻦ املﺴﺎﺋﻞ وﺑﻨﻰ‬
‫أﻳﻀﺎ أن ﻧﺪرك أن اﻟﻨﻤﺎذج ﻟﻴﺴﺖ ﻛﻴﺎﻧﺎت ﻣﻌﺰوﻟﺔ؛ ﻓﺎﻟﺤﻘﻴﻘﺔ ﻫﻲ أن‬ ‫اﻟﺒﻴﺎﻧﺎت‪ .‬وﻣﻦ املﻬﻢ ً‬
‫اﻟﻨﻤﺎذج املﺨﺘﻠﻔﺔ ﺗﺮﺗﺒﻂ ﺑﻄﺮق ﻣﺘﻌﺪدة؛ ﻓﺮﺑﻤﺎ ﺗﻜﻮن اﻟﻨﻤﺎذج ﺗﻌﻤﻴﻤً ﺎ ﻷﻧﻮاع أﺧﺮى ﻣﻦ‬
‫اﻟﻨﻤﺎذج أو ﺗﻜﻮن ﺣﺎﻻت ﺧﺎﺻﺔ ﻣﻨﻬﺎ أو ﺗﺘﻜﻴﻒ ﻣﻊ أﻧﻮاع ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ ،‬ﺑَﻴْ َﺪ أﻧﻬﺎ‬
‫ﻣُﺪﻣَ ﺠَ ﺔ ﺟﻤﻴﻌً ﺎ ﰲ ﺷﺒﻜﺔ ﻏﻨﻴﺔ ﻣﻦ اﻟﻌﻼﻗﺎت‪.‬‬

‫‪108‬‬
 ‫اﻟﻔﺼﻞ اﻟﺴﺎﺑﻊ‬

‫اﳊﻮﺳﺒﺔ اﻹﺣﺼﺎﺋﻴﺔ‬

‫اﻟﺴﺤﺮ اﻟﺤﻘﻴﻘﻲ ﻳﺄﺗﻲ ﻣﻦ ﻓﺮﻳﻖ اﻟﺘﺤﻠﻴﻞ اﻹﺣﺼﺎﺋﻲ ﻟﺪﻳﻨﺎ‪.‬‬

‫ﺳﺎم َ‬
‫اﻟﺨ َﻠﻒ‬

‫)‪ (1‬اﻹﺣﺼﺎء ﻳﻐري ﺗﺮﻛﻴﺰه‬

‫رأﻳﻨﺎ ﰲ املﻨﺎﻗﺸﺎت اﻟﺴﺎﺑﻘﺔ ﻛﻴﻒ أن اﻹﻓﺮاط ﰲ املﻄﺎﺑﻘﺔ ﻳﻤﻜﻦ أن ﻳﻤﺜﻞ ﻣﺸﻜﻠﺔ‪ ،‬ﻟﻜﻨﻨﺎ ﻟﻢ‬
‫أﻳﻀﺎ إﱃ اﻟﺤﻞ؛ إذ إﻧﻨﺎ ﺑﺒﺴﺎﻃﺔ أﴍﻧﺎ إﱃ أﻧﻪ ﻛﺎن ﻣﻦ اﻟﴬوري اﺧﺘﻴﺎر ﻧﻤﺎذج‬ ‫ﻧﺘﻄﺮق ً‬
‫ﻟﻴﺴﺖ ﻣﻌﻘﺪة ﻟﻠﻐﺎﻳﺔ وﻻ ﺑﺴﻴﻄﺔ ﻟﻠﻐﺎﻳﺔ‪ .‬وﺑﺪون اﻣﺘﻼك ﺧﱪة ﻛﺒرية ﰲ ﻣﺠﺎل اﻟﻨﻤﺬﺟﺔ‬
‫اﻹﺣﺼﺎﺋﻴﺔ‪ ،‬ﻟﻴﺴﺖ ﻫﺬه ﻧﺼﻴﺤﺔ ﻣﻔﻴﺪة ﺟﺪٍّا‪ ،‬وﺗﻮﺟﺪ ﺣﺎﺟﺔ إﱃ ﻣﺰﻳﺪ ﻣﻦ اﻟﻄﺮق املﻮﺿﻮﻋﻴﺔ‪.‬‬
‫ﱡ‬
‫»اﻟﺘﺤﻘﻖ املﺘﺒﺎدل«‪.‬‬ ‫وﺗﺴﺘﻨﺪ إﺣﺪى ﻫﺬه اﻟﻄﺮق إﱃ ﻣﺒﺪأ‬
‫ﺗﻮاﺻﻞ ﺟﻮد ُة ﻣﻄﺎﺑﻘﺘﻪ‬
‫ﻛﻤﺎ رأﻳﻨﺎ أﻧﻪ — ﺑﺼﻔﺔ ﻋﺎﻣﺔ — ﺑﻴﻨﻤﺎ ﻳﺰداد ﺗﻌﻘﻴﺪ اﻟﻨﻤﻮذج‪ِ ،‬‬
‫اﻟﺘﺤﺴﻦ‪ ،‬ﱠإﻻ أن ﺟﻮدة ﻣﻄﺎﺑﻘﺘﻪ ﻣﻊ ﻋﻴﻨﺎت أﺧﺮى ﻣﺴﺘﻤَ ﺪﱠة ﻣﻦ اﻟﺘﻮزﻳﻊ‬
‫َ‬ ‫ﻣﻊ اﻟﺒﻴﺎﻧﺎت املﺘﺎﺣﺔ‬
‫ْ‬
‫وﻟﻜﻦ ﺑﻌﺪ ذﻟﻚ ﺗﺒﺪأ ﰲ اﻟﺘﺪﻫﻮر‪.‬‬ ‫ﻧﻔﺴﻪ )أو »أداﺋﻪ ﺧﺎرج اﻟﻌﻴﻨﺔ«( ﺗﺘﺤﺴﻦ ﻋﺎدة ﰲ اﻟﺒﺪاﻳﺔ‪،‬‬
‫ﺗﻤﺜﻴﻼ ﻟﻠﺒﻴﺎﻧﺎت اﻟﺠﺪﻳﺪة‪ ،‬وﻫﻲ ﻣﺎ ﻧﺤﻦ ﻣﻬﺘﻤﻮن ﺑﻪ ٍّ‬
‫ﺣﻘﺎ‪.‬‬ ‫ً‬ ‫ﻫﻨﺎ ﺗﻜﻮن »اﻟﻌﻴﻨﺎت اﻷﺧﺮى«‬
‫ﻣﻄﺎﺑﻘﺎ ﻋﲆ ﻧﺤﻮ أﻓﻀﻞ ﻣﻊ ﺑﻴﺎﻧﺎت »ﻋﻴﻨﺔ أﺧﺮى« ﻳﺒﺪو‬ ‫ً‬ ‫واﻟﻨﻘﻄﺔ اﻟﺘﻲ ﻳﻜﻮن ﻓﻴﻬﺎ اﻟﻨﻤﻮذج‬
‫أن ﻣﻦ ﺷﺄﻧﻬﺎ أن ﺗﻤﻨﺤﻨﺎ ﻧﻤﻮذﺟً ﺎ ذا ﻣﺴﺘﻮًى ﻣﻨﺎﺳﺐ ﻣﻦ اﻟﺘﻌﻘﻴﺪ‪ .‬وﻫﺬا ﻫﻮ ﻣﻔﺘﺎح اﻟﺤﻞ؛‬
‫ﻓﻴﺠﺐ ﻋﻠﻴﻨﺎ ﺗﻘﺪﻳﺮ ﻣﻌﻠﻤﺎت اﻟﻨﻤﻮذج ﺑﺎﺳﺘﺨﺪام ﻋﻴﻨﺔ واﺣﺪة‪ ،‬وﺗﻘﻴﻴﻢ أداﺋﻪ ﺑﺎﺳﺘﺨﺪام‬
‫ﻋﻴﻨﺔ أﺧﺮى‪.‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫ﻟﻸﺳﻒ‪ ،‬ﻋﺎد ًة ﻣﺎ ﻧﻤﺘﻠﻚ ﻋﻴﻨﺔ واﺣﺪة ﻓﻘﻂ‪ .‬وإﺣﺪى ﻃﺮق ﻣﻮاﺟﻬﺔ ذﻟﻚ ﺗﺘﻤﺜﻞ ﰲ‬
‫ﺗﻘﺴﻴﻢ ﻫﺬه اﻟﻌﻴﻨﺔ )ﻋﺸﻮاﺋﻴٍّﺎ( إﱃ ﻋﻴﻨﺘني ﻓﺮﻋﻴﺘني‪ .‬وﺗﺴﺘﺨﺪم ﻋﻴﻨﺔ ﻓﺮﻋﻴﺔ واﺣﺪة )ﺗُﺴﻤﱠ ﻰ‬
‫»ﻋﻴﻨﺔ اﻟﺘﺪرﻳﺐ« أو »ﻋﻴﻨﺔ اﻟﺘﺼﻤﻴﻢ«( ﻟﺘﻘﺪﻳﺮ املﻌﻠﻤﺔ‪ ،‬وﺗﺴﺘﺨﺪم اﻷﺧﺮى )ﺗُﺴﻤﱠ ﻰ »ﻋﻴﻨﺔ‬
‫اﻟﺘﺤﻘﻖ«( ﻟﺘﻘﻴﻴﻢ اﻷداء واﺧﺘﻴﺎر اﻟﻨﻤﻮذج‪ .‬وﻫﺬا ﻫﻮ أﺳﻠﻮب اﻟﺘﺤﻘﻖ املﺘﺒﺎدل‪ .‬وﰲ اﻟﻌﺎدة‪،‬‬
‫ﻟﺘﺨﻔﻴﻒ أي ﻣﺸﺎﻛﻞ ﻧﺎﺟﻤﺔ ﻋﻦ ﻛﻮن اﻟﻌﻴﻨﺔ اﻟﻔﺮﻋﻴﺔ املﺴﺘﺨﺪﻣﺔ ﻟﺘﻘﺪﻳﺮ املﻌﻠﻤﺎت ﻟﻴﺴﺖ‬
‫ﻫﻲ ﻣﺠﻤﻞ اﻟﻌﻴﻨﺔ اﻷﺻﻠﻴﺔ‪ ،‬ﻳُﻜﺮر ﻫﺬا اﻹﺟﺮاء ﻋﺪة ﻣﺮات؛ ﻳﻌﻨﻲ ﻫﺬا أن اﻟﻌﻴﻨﺔ اﻷﺻﻠﻴﺔ‬
‫ﻘﺴﻢ ﻋﺸﻮاﺋﻴٍّﺎ إﱃ ﻋﻴﻨﺘني‪ ،‬وﺗُﻘﺪﱠر املﻌﻠﻤﺎت ﺑﺎﺳﺘﺨﺪام ﻋﻴﻨﺔ ﻓﺮﻋﻴﺔ واﺣﺪة‪ ،‬وﻳُﻘﻴﱠﻢ اﻟﻨﻤﻮذج‬ ‫ﺗُ ﱠ‬
‫ﺑﺎﺳﺘﺨﺪام اﻷﺧﺮى‪ .‬وﻳُﻜ ﱠﺮر ﻫﺬا ﺑﺘﻘﺴﻴﻤﺎت ﻋﺸﻮاﺋﻴﺔ ﻣﺨﺘﻠﻔﺔ ﻟﻠﻌﻴﻨﺔ‪ .‬وأﺧريًا‪ ،‬ﻳُﺤﺴﺐ‬
‫ﻗﻴﺎس ﻋﺎ ﱞم ﻟﻸداء املﺴﺘﻘﺒﲇ املﺮﺟﺢ‪.‬‬
‫ٌ‬ ‫ﻣﺘﻮﺳﻂ ﻧﺘﺎﺋﺞ ﺗﻘﻴﻴﻢ ﻛﻞ اﻟﺘﻘﺴﻴﻤﺎت‪ ،‬ﻟﻜﻲ ﻳَﻨﺘُﺞ‬
‫وﺳﻤﱢ ﻲ ﻫﻜﺬا ﻟﻠﺴﺒﺐ اﻟﻮاﺿﺢ‬ ‫ﻣﺜﺎﻻ ﻋﲆ ﻧﻬﺞ »ﻣﻜﺜﱠﻒ ﺣﺎﺳﻮﺑﻴٍّﺎ«؛ ُ‬ ‫ﻳُﻌَ ﱡﺪ اﻟﺘﺤﻘﻖ املﺘﺒﺎدَل ً‬
‫املﺘﻤﺜﻞ ﰲ ﴐورة ﺑﻨﺎء ﻧﻤﺎذج ﻣﺘﻌﺪدة‪ .‬وﺗﻮﺟﺪ ﻓﺌﺔ أﺧﺮى ﻣﻬﻤﺔ ﻣﻦ ﻫﺬه اﻷﺳﺎﻟﻴﺐ ﻫﻲ‬
‫ﱠ‬
‫وﻟﻜﻦ أﺣﺪ‬ ‫»ﺗﻘﻨﻴﺔ إﻋﺎدة املﻌﺎﻳﻨﺔ«‪ ،‬وﻟﻬﺬه اﻟﻄﺮﻳﻘﺔ ﻣﺠﻤﻮﻋﺔ ﻣﺘﻨﻮﻋﺔ ﻣﻦ اﻻﺳﺘﺨﺪاﻣﺎت‪،‬‬
‫اﺳﺘﺨﺪاﻣﺎﺗﻬﺎ املﻬﻤﺔ ﻳﺘﻤﺜﻞ ﰲ ﺗﻘﺪﻳﺮ ﻋﺪم اﻟﻴﻘني املﺮﺗﺒﻂ ﺑﺎﻟﻨﻤﺎذج املﻌﻘﺪة؛ أي ﺗﺤﺪﻳﺪ ﻣﺪى‬
‫اﻻﺧﺘﻼف اﻟﺬي ﻳﻤﻜﻨﻨﺎ أن ﻧﺘﻮﻗﻊ أن ﻳﺼﺒﺢ ﻋﻠﻴﻪ اﻟﻨﻤﻮذج إذا ﻛﻨﱠﺎ ﻗﺪ أﺧﺬﻧﺎ ﻋﻴﻨﺔ ﺑﻴﺎﻧﺎت‬
‫ﻣﺨﺘﻠﻔﺔ‪ .‬وﺗﻌﻤﻞ ﻃﺮق إﻋﺎدة املﻌﺎﻳﻨﺔ ﻣﻦ ﺧﻼل أﺧﺬ ﻋﻴﻨﺎت ﻓﺮﻋﻴﺔ ﻋﺸﻮاﺋﻴﺔ ﺑﺤﺠﻢ اﻟﻌﻴﻨﺔ‬
‫اﻷﺻﻠﻴﺔ ﻧﻔﺴﻬﺎ ﻣﻦ اﻟﻌﻴﻨﺔ اﻷﺻﻠﻴﺔ )وﻫﻮ ﻣﺎ ﻳﻌﻨﻲ أن ﺑﻌﺾ ﻧﻘﺎط اﻟﺒﻴﺎﻧﺎت ﺳﺘﺴﺘﺨﺪم‬
‫أﻛﺜﺮ ﻣﻦ ﻣﺮة(‪ .‬وﻳﺒﻨﻰ ﻧﻤﻮذج ﺟﺪﻳﺪ‪ ،‬ﺑﺎﻟﺸﻜﻞ ﻧﻔﺴﻪ ﻟﻠﻨﻤﻮذج اﻟﺬي ﻳﺠﺮي ﺗﻘﻴﻴﻤﻪ‪ ،‬ﻟﻜﻞ‬
‫ﻋﻴﻨﺔ ﻣﻦ ﻫﺬه اﻟﻌﻴﻨﺎت اﻟﻔﺮﻋﻴﺔ‪ .‬ﻳﺒﺪو اﻷﻣﺮ ﻛﻤﺎ ﻟﻮ ﻛﺎن ﻟﺪﻳﻨﺎ ﻋﻴﻨﺎت ﻣﺘﻌﺪدة‪ ،‬وﻛﻠﻬﺎ‬
‫ﺑﺎﻟﺤﺠﻢ ﻧﻔﺴﻪ‪ ،‬ﻣﻦ اﻟﺘﻮزﻳﻊ اﻷﺻﲇ‪ ،‬وﺗُﻨﺘﺞ ﻛ ﱞﻞ ﻣﻨﻬﺎ ﻧﻤﻮذﺟً ﺎ ﻣُﻘ ﱠﺪ ًرا‪ .‬وﻳﻤﻜﻦ ﺑﻌﺪ ذﻟﻚ‬
‫اﺳﺘﺨﺪام ﻣﺠﻤﻮﻋﺔ اﻟﻨﻤﺎذج ﺗﻠﻚ ملﻌﺮﻓﺔ ﻛﻴﻒ ﻛﺎن ﻳﻤﻜﻦ أن ﻳﺨﺘﻠﻒ ﻫﺬا اﻟﻨﻤﻮذج إذا ﻛﻨﱠﺎ‬
‫ﻗﺪ أﺧﺬﻧﺎ ﻋﻴﻨﺔ ﻣﺨﺘﻠﻔﺔ‪.‬‬
‫ﻏريت ﺑﻬﺎ ﻗﻮة اﻟﻜﻤﺒﻴﻮﺗﺮ ﻋﻠﻢ اﻹﺣﺼﺎء‬ ‫أﺣﺪ أﻗﻮى اﻷﻣﺜﻠﺔ اﻟﺘﻮﺿﻴﺤﻴﺔ ﻟﻠﻜﻴﻔﻴﺔ اﻟﺘﻲ ﱠ‬
‫اﻟﺤﺪﻳﺚ‪ ،‬ﻳَﻈﻬﺮ ﰲ ﺗﺄﺛري اﻷﺳﺎﻟﻴﺐ اﻟﻜﺜﻴﻔﺔ ﺣﺎﺳﻮﺑﻴٍّﺎ ﻋﲆ ﻃﺮق اﻻﺳﺘﺪﻻل اﻟﺒﺎﻳﺰﻳﺔ املﺬﻛﻮرة‬
‫ﰲ اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ‪ .‬ﻓﻤﻦ أﺟْ ﻞ اﺳﺘﺨﺪام اﻟﻄﺮق اﻟﺒﺎﻳﺰﻳﺔ ﻋﻤﻠﻴٍّﺎ‪ ،‬ﻣﻦ اﻟﴬوري ﺣﺴﺎب‬
‫دوا ﱢل اﻟﺘﻮزﻳﻊ املﻌﻘﺪة )ﺑﻤﺼﻄﻠﺤﺎت رﻳﺎﺿﻴﺔ‪ ،‬ﺗﻮﺟﺪ ﺣﺎﺟﺔ إﱃ ﺗﻜﺎﻣﻞ ﻋﺎﱄ اﻷﺑﻌﺎد(‪ .‬وﻗﺪ‬
‫ﻓﺒﺪﻻ ﻣﻦ ﺗﻘﻴﻴﻢ اﻟﺘﻮزﻳﻌﺎت رﻳﺎﺿﻴٍّﺎ‪،‬‬‫ً‬ ‫ﺳﺎﻋﺪت أﺟﻬﺰة اﻟﻜﻤﺒﻴﻮﺗﺮ ﻋﲆ ﺗﺠﻨﺐ ﻫﺬه املﺸﻜﻠﺔ؛‬
‫ﻳﺄﺧﺬ ﺟﻬﺎز اﻟﻜﻤﺒﻴﻮﺗﺮ أﻋﺪادًا ﻛﺒرية ﻣﻦ اﻟﻌﻴﻨﺎت اﻟﻌﺸﻮاﺋﻴﺔ ﻣﻨﻬﺎ‪ .‬وﻳﻤﻜﻦ ﺗﻘﺪﻳﺮ ﺧﺼﺎﺋﺺ‬
‫اﻟﺘﻮزﻳﻌﺎت ﻣﻦ ﻫﺬه اﻟﻌﻴﻨﺎت اﻟﻌﺸﻮاﺋﻴﺔ‪ ،‬ﺑﺎﻟﻄﺮﻳﻘﺔ ﻧﻔﺴﻬﺎ ﻻﺳﺘﺨﺪاﻣﻨﺎ ملﺘﻮﺳﻂ اﻟﻌﻴﻨﺔ‬

‫‪110‬‬
 ‫اﻟﺤﻮﺳﺒﺔ اﻹﺣﺼﺎﺋﻴﺔ‬

‫ﻟﺘﻘﺪﻳﺮ ﻣﺘﻮﺳﻂ املﺠﻤﻮﻋﺔ اﻟﺨﺎﺿﻌﺔ ﻟﻠﺪراﺳﺔ ﺑﺄﻛﻤﻠﻬﺎ‪ .‬وأﺣﺪﺛﺖ ﻃﺮﻳﻘﺔ »ﻣﻮﻧﺖ ﻛﺎرﻟﻮ‬
‫املﺴﺘﻨﺪة إﱃ ﺳﻠﺴﻠﺔ ﻣﺎرﻛﻮف« ﺛﻮرة ﰲ ﻣﻤﺎرﺳﺔ اﻹﺣﺼﺎء اﻟﺒﺎﻳﺰﻳﺔ؛ إذ ﺣﻮﱠﻟﺘْﻬﺎ ﺟﻮﻫﺮﻳٍّﺎ ﻣﻦ‬
‫ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻷﻓﻜﺎر اﻟﺠﺬﱠاﺑﺔ ﻣﻦ اﻟﻨﺎﺣﻴﺔ اﻟﻨﻈﺮﻳﺔ‪ ،‬وﻟﻜﻨﻬﺎ ﻗﺎﴏة ﻋﲆ اﻟﻨﺤﻮ اﻟﻌﻤﲇ إﱃ‬
‫ﺗﻘﻨﻴﺔ ﻗﻮﻳﺔ ﻟﺘﺤﻠﻴﻞ اﻟﺒﻴﺎﻧﺎت‪.‬‬
‫َﻟ َﻔ َﺖ اﻟﻔﺼﻞ اﻟﺴﺎﺑﻖ اﻻﻧﺘﺒﺎ َه إﱃ ﻗﻮة اﻷﺳﺎﻟﻴﺐ اﻟﺮﺳﻮﻣﻴﺔ اﻟﺒﻴﺎﻧﻴﺔ‪ ،‬ﻣﻦ أﺟﻞ اﻟﺘﻮﺿﻴﺢ‬
‫وﻟﻜﻦ ﻧ َ َﻘ َﻞ اﻟﻜﻤﺒﻴﻮﺗﺮ اﻷﺳﺎﻟﻴﺐَ اﻟﺮﺳﻮﻣﻴﺔ اﻟﺒﻴﺎﻧﻴﺔ إﱃ ﻣﺴﺘﻮًى ﺟﺪﻳﺪ‬ ‫ْ‬ ‫وﺗﻮﺻﻴﻞ اﻟﻔﻜﺮة‪،‬‬
‫ﺗﻤﺎﻣً ﺎ؛ ﻓﺒﻴﻨﻤﺎ ﻟﻢ ﻳﻜﻦ ﻟﺪﻳﻨﺎ ﰲ املﺎﴈ ﺳﻮى ﺻﻮر ﺛﺎﺑﺘﺔ ﺑﺎﻷﺑﻴﺾ واﻷﺳﻮد‪ ،‬أﺻﺒﺢ ﻟﺪﻳﻨﺎ‬
‫اﻵن ﺻﻮ ًرا ﻣﻠﻮﱠﻧﺔ ﻣﺘﺤﺮﻛﺔ‪ ،‬ﺑﻞ وأﻫﻢ ﻣﻦ ذﻟﻚ أﻧﻨﺎ ﻳﻤﻜﻨﻨﺎ اﻵن اﻟﺘﻔﺎﻋﻞ ﻣﺒﺎﴍة ﻣﻊ اﻟﺼﻮرة‪.‬‬
‫وﻛﻤﺜﺎل ﺑﺴﻴﻂ ﻓﺤﺴﺐ‪ ،‬ﻣﻦ املﻤﻜﻦ ﻋﺮض أﺷﻜﺎل ﻣﺘﻌﺪدة ﰲ اﻟﻮﻗﺖ ذاﺗﻪ‪ ،‬ﻳﺒني ﻛﻞ واﺣﺪ‬
‫ﻣﻨﻬﺎ اﻟﻌﻼﻗﺎت ﺑني أزواج ﻣﺨﺘﻠﻔﺔ ﻣﻦ املﺘﻐريات املﺮﺗﺒﻄﺔ ﺑﺎﻟﻜﺎﺋﻨﺎت‪ ،‬ﻣﺜﻞ ﻣﺼﻔﻮﻓﺔ اﻟﺸﻜﻞ‬
‫اﻻﻧﺘﺸﺎري ﰲ اﻟﺸﻜﻞ ‪ ،2-6‬وﻟﻜﻦ ﰲ ﻫﺬه اﻟﺤﺎﻟﺔ ﺗﺮﺗﺒﻂ اﻷﺷﻜﺎل ﻣﻦ ﺧﻼل اﻟﻜﻤﺒﻴﻮﺗﺮ‪ .‬ﰲ‬
‫ﻫﺬه اﻟﺤﺎﻟﺔ‪ ،‬إن إﺑﺮاز أو ﺗﻐﻴري أي ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﻨﻘﺎط ﻳَﻈﻬﺮ ﰲ اﻟﻮﻗﺖ ﻧﻔﺴﻪ ﰲ ﺟﻤﻴﻊ‬
‫اﻷﺷﻜﺎل‪ .‬وﺗﺴﻤﺢ أدوات أﺧﺮى ﻟﻠﻤﺮء »ﺑﺎﻟﻄريان« ﻋﲆ ﻧﺤﻮ ﺗﻔﺎﻋﲇ ﺧﻼل ﻓﻀﺎء ﺑﻴﺎﻧﺎت‬
‫ً‬
‫ﻋﺎرﺿﺎ اﻟﺒﻴﺎﻧﺎت ﺑﻄﺮق ﻣﺘﻌﺪدة‪.‬‬ ‫ﻋﺎﱄ اﻷﺑﻌﺎد‪،‬‬
‫وﺑﻤﺎ أن اﻹﺣﺼﺎء ﻳُﺴﺘﺨﺪَم ﻋﲆ ﻣﺴﺘﻮًى ﻋﺎملﻲ‪ ،‬وﻷن اﻟﻜﻤﺒﻴﻮﺗﺮ ﻳﻠﻌﺐ ﻣﺜﻞ ﻫﺬا اﻟﺪور‬
‫املﺤﻮري‪ ،‬ﻓﺈﻧﻪ ﻟﻴﺲ ﻣﻦ املﺴﺘﻐ َﺮب أن ﺗُﻄﻮﱠر ﺣﺰم ﺑﺮاﻣﺞ إﺣﺼﺎﺋﻴﺔ ﺳﻬﻠﺔ اﻻﺳﺘﻌﻤﺎل‪.‬‬
‫أﺻﺒﺤﺖ ﻣﻌﺎﻳري ﰲ ﻣﺠﺎﻻت ﺗﻄﺒﻴﻖ ﻣﻌﻴﻨﺔ‪ .‬وﻟﻜﻦ ﻫﺬا‬ ‫ْ‬ ‫وﻳُﻌَ ﱡﺪ ﺑﻌﺾ ﻣﻨﻬﺎ ﻣﻬﻤٍّ ﺎ ﻟﺪرﺟﺔ أﻧﻬﺎ‬
‫ُﻨﺴﻴﻨﺎ أن اﻟﺘﻄﺒﻴﻖ اﻟﻔﻌﱠ ﺎل ﻟﻸدوات اﻹﺣﺼﺎﺋﻴﺔ ﻳﺘﻄﻠﺐ ﺗﻔﻜريًا ﻣﺘﺄﻧﱢﻴًﺎ؛ ﻓﻔﻲ‬ ‫ﻻ ﻳﻨﺒﻐﻲ أن ﻳ ِ‬
‫أن ُ‬
‫ﺗﻮاﻓﺮ ﻣﺜﻞ ﻫﺬه‬ ‫ﴚ اﻟﺒﻌﺾ ﻣﻦ ﱠ‬ ‫اﻟﻮاﻗﻊ‪ ،‬ﰲ اﻷﻳﺎم اﻷوﱃ ﻟﺘﻄﻮﻳﺮ اﻟﱪﻣﺠﻴﺎت اﻹﺣﺼﺎﺋﻴﺔ‪َ ،‬ﺧ ِ َ‬
‫اﻷدوات ﻣﻦ ﺷﺄﻧﻪ أن ﻳﺰﻳﻞ اﻟﺤﺎﺟﺔ ﻟﻺﺣﺼﺎﺋﻴني؛ ﺣﻴﺚ إﻧﻪ »ﻳﻤﻜﻦ ﻷي ﺷﺨﺺ أن ﻳﻘﻮم‬
‫ﺑﺎﻟﺘﺤﻠﻴﻞ اﻹﺣﺼﺎﺋﻲ؛ ﻓﻜﻞ ﻣﺎ ﻋﻠﻴﻪ اﻟﻘﻴﺎم ﺑﻪ ﻫﻮ إﻋﻄﺎء اﻟﺘﻌﻠﻴﻤﺎت املﻨﺎﺳﺒﺔ ﻟﻠﻜﻤﺒﻴﻮﺗﺮ‪«.‬‬
‫ﻣﻊ ذﻟﻚ‪ ،‬ﺛﺒﺖ أن اﻟﻌﻜﺲ ﺗﻤﺎﻣً ﺎ ﻫﻮ اﻟﺼﺤﻴﺢ؛ وﻫﻨﺎك ﻣﺰﻳﺪ ﻣﻦ اﻟﻄﻠﺐ ﻋﲆ اﻹﺣﺼﺎﺋﻴني‬
‫ﺑﻤﺮور اﻟﻮﻗﺖ‪ .‬وﺗﻮﺟﺪ ﻋﺪة أﺳﺒﺎب ﻟﺬﻟﻚ‪.‬‬
‫أﺣﺪ اﻷﺳﺒﺎب ﻫﻮ أن اﻟﺒﻴﺎﻧﺎت ﺗُﺴﺠﱠ ﻞ ﺗﻠﻘﺎﺋﻴٍّﺎ ﻋﲆ ﻧﺤﻮ ﻣﺘﺰاﻳﺪ؛ ﻓﻔﻲ اﻟﺤﻴﺎة اﻟﻴﻮﻣﻴﺔ‪،‬‬
‫ﰲ ﻛﻞ ﻣﺮة ﺗﻘﻮم ﻓﻴﻬﺎ ﺑﺈﺟﺮاء ﻋﻤﻠﻴﺔ ﴍاء ﺑﺒﻄﺎﻗﺔ اﻻﺋﺘﻤﺎن أو ﺗﺘﺴﻮق ﰲ ﻣﺘﺠﺮ‪ ،‬ﺗُﺨ ﱠﺰن‬
‫ﺗﻔﺎﺻﻴﻞ اﻟﻌﻤﻠﻴﺔ ﺗﻠﻘﺎﺋﻴٍّﺎ؛ وﰲ اﻟﻌﻠﻮم اﻟﻄﺒﻴﻌﻴﺔ‪ ،‬ﺗﺴﺠﱢ ﻞ اﻷدوات اﻟﺮﻗﻤﻴﺔ اﻟﺨﻮاص اﻟﻔﻴﺰﻳﺎﺋﻴﺔ‬
‫واﻟﻜﻴﻤﻴﺎﺋﻴﺔ دون اﻟﺤﺎﺟﺔ إﱃ ﺗﺪﺧﻞ ﺑﴩي؛ وﰲ املﺴﺘﺸﻔﻴﺎت‪ ،‬ﺗﺮاﻗﺐ اﻷﺟﻬﺰة اﻹﻟﻜﱰوﻧﻴﺔ‬
‫ﺳﻴﻼ ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ .‬وﻫﺬا ﻳﻤﺜﻞ ﻓﺮﺻﺔ ﻫﺎﺋﻠﺔ‪،‬‬ ‫ً‬ ‫املﺮﴇ ﺗﻠﻘﺎﺋﻴٍّﺎ؛ وﻣﺎ إﱃ ذﻟﻚ‪ .‬إﻧﻨﺎ ﻧﻮاﺟﻪ‬
‫وﻟﻜﻦ ﻳﻠﺰم وﺟﻮد ﻣﻬﺎرات إﺣﺼﺎﺋﻴﺔ ﻟﻼﺳﺘﻔﺎدة ﻣﻨﻬﺎ‪.‬‬ ‫ْ‬

‫‪111‬‬
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

‫اﻟﺴﺒﺐ اﻟﺜﺎﻧﻲ ﻫﻮ ﻇﻬﻮر ﻧﻄﺎﻗﺎت ﺟﺪﻳﺪة ﺗﺘﻄﻠﺐ ﻣﻬﺎرات إﺣﺼﺎﺋﻴﺔ؛ ﻓﺎملﻌﻠﻮﻣﺎﺗﻴﺔ‬

‫اﻟﺤﻴﻮﻳﺔ وﻋﻠﻢ اﻟﺠﻴﻨﻮم ﻳﻔﻜﻜﺎن اﻟﺘﻌﻘﻴﺪ ا ُملﺬﻫِ ﻞ ﻟﻠﺠﺴﻢ اﻟﺒﴩي ﻣﻦ ﺧﻼل اﻟﺒﻴﺎﻧﺎت‬
‫اﻟﺘﺠﺮﻳﺒﻴﺔ واﻟﺮﺻﺪﻳﺔ‪ ،‬وﻳﻘﻮﻣﺎن ﻋﲆ اﻻﺳﺘﺪﻻل اﻹﺣﺼﺎﺋﻲ‪ .‬وﻗﺪ وُﺻﻒ ﻗﻄﺎع ﺻﻨﺎدﻳﻖ‬
‫اﻟﺘﺤﻮط ﺑﺄﻧﻪ »ﻗﻄﺎع ﻣﺒﻨﻲ ﻋﲆ اﻹﺣﺼﺎء«‪ ،‬وﻫﻮ ﻳﺴﺘﺨﺪم اﻷدوات اﻹﺣﺼﺎﺋﻴﺔ ﻟﻮﺿﻊ ﻧﻤﺎذج‬
‫ﻟﺴﻠﻮك اﻷﺳﻬﻢ وﻣﺆﴍات اﻷﺳﻌﺎر اﻷﺧﺮى‪.‬‬
‫اﻟﺴﺒﺐ اﻟﺜﺎﻟﺚ ﻫﻮ أن إﻋﻄﺎء اﻷواﻣﺮ ﻟﺠﻬﺎز ﻛﻤﺒﻴﻮﺗﺮ ﳾء‪ ،‬وﻣﻌﺮﻓﺔ اﻷواﻣﺮ اﻟﺘﻲ‬
‫ﻓﻤﻦ املﺆ ﱠﻛﺪ أن اﻷﻣﺮ ﻟﻴﺲ ﻣﺠﺮد ﻣﺴﺄﻟﺔ‬ ‫ﻳﻨﺒﻐﻲ إﻋﻄﺎؤﻫﺎ وﻓﻬﻢ اﻟﻨﺘﺎﺋﺞ ﳾء آﺧﺮ ﺗﻤﺎﻣً ﺎ؛ ِ‬
‫اﺧﺘﻴﺎر اﻷداة املﻨﺎﺳﺒﺔ ﻟﻠﻮﻇﻴﻔﺔ وﺗﺮك اﻟﻜﻤﺒﻴﻮﺗﺮ ﻳﻘﻮم ﺑﺒﻘﻴﺔ اﻟﻌﻤﻞ‪ ،‬ﺑﻞ اﻷﻣﺮ ﻳﺘﻄﻠﺐ ﺧﱪة‬
‫إﺣﺼﺎﺋﻴﺔ وﻓﻬﻤً ﺎ‪ .‬وﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﻬُ ﻮاة‪ ،‬ﻣﻦ املﻬﻢ أن ﻳﻌﺮف املﺮء ﺣﺪوده‪ ،‬وﻣﺘﻰ ﻳﺠﺐ ﻋﻠﻴﻪ‬
‫ﻃﻠﺐ اﻟﻨﺼﻴﺤﺔ ﻣﻦ ﺧﺒري إﺣﺼﺎﺋﻲ‪ .‬وﻟﻸﺳﻒ‪ ،‬ﺗﻌﺮض وﺳﺎﺋﻞ اﻷﻋﻼم ﻛﻞ أﺳﺒﻮع ً‬
‫أﻧﺎﺳﺎ‬
‫ﻳﺘﻄ ﱠﺮﻗﻮن ﻷﻣﻮر أﻛﱪ ﻣﻦ ﻓﻬﻤﻬﻢ اﻹﺣﺼﺎﺋﻲ‪.‬‬
‫وﻟﻬﺬه اﻷﺳﺒﺎب وأﻛﺜﺮ‪ ،‬ﻳﺸﻬﺪ ﻋﻠﻢ اﻹﺣﺼﺎء ﻋﴫًا ذﻫﺒﻴٍّﺎ‪.‬‬
‫وﺻﻠﻨﺎ اﻵن إﱃ ﻧﻬﺎﻳﺔ ﻫﺬا اﻟﻜﺘﺎب املﻮﺟَ ﺰ‪ .‬ﻟﻘﺪ رأَﻳْﻨﺎ ﻗ ْﺪ ًرا ﻣﻦ اﻟﺘﻮﺳﻊ ﻏري اﻟﻌﺎدي اﻟﺬي‬
‫ﻃ ُﺮﻗﻪ؛ اﻷدوات‬‫ﻳﺘﺴﻢ ﺑﻪ اﻹﺣﺼﺎء؛ إذ إﻧﻪ ﻳُﻄﺒﱠﻖ ﰲ ﻣﻌﻈﻢ ﻣﻨﺎﺣﻲ اﻟﺤﻴﺎة‪ .‬ورأﻳﻨﺎ ﺷﻴﺌًﺎ ﻣﻦ ُ‬
‫أﻳﻀﺎ أﻧﻪ ﻣﺠﺎل دﻳﻨﺎﻣﻴﻜﻲ‪ ،‬ﻻ ﻳَ َﺰال ﻳﻨﻤﻮ‬ ‫واملﻘﺎﻳﻴﺲ املﺘﻄﻮرة اﻟﺘﻲ ﻳﺴﺘﺨﺪﻣﻬﺎ‪ .‬ﻛﻤﺎ رأﻳﻨﺎ ً‬
‫أوﺿﺤﺖ أن ﻋﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ‪،‬‬‫ُ‬ ‫وﻳﺘﻄﻮر‪ .‬وﻣﻊ ذﻟﻚ‪ ،‬ﻗﺒﻞ ﻛﻞ ﳾء‪ ،‬أرﺟﻮ أن أﻛﻮن ﻗﺪ‬
‫املﺴﺘﻨِﺪ إﱃ اﻷﺳﺲ اﻟﻔﻠﺴﻔﻴﺔ اﻟﻌﻤﻴﻘﺔ‪ ،‬ﻫﻮ ﻓﻦ اﻻﻛﺘﺸﺎف؛ ﻓﻌﻠﻢ اﻹﺣﺼﺎء اﻟﺤﺪﻳﺚ ﻳﻤﻜﻨﻨﺎ‬
‫ﻣﻦ اﺳﺘﺨﻼص أﴎار اﻟﻜﻮن ﻣﻦ ﺣﻮﻟﻨﺎ؛ أي إﻧﻪ ﻳﻤﻜﻨﻨﺎ ﻣﻦ اﻟﻔﻬﻢ‪.‬‬

‫‪112‬‬
 ‫ﺗﻌﻠﻴﻘﺎت ﺧﺘﺎﻣﻴﺔ‬

‫إﺟﺎﺑﺎت ﻟﻌﺒﺎرات ﺳﻮء اﻟﻔﻬﻢ اﻟﻮاردة ﰲ اﻟﻔﺼﻞ اﻷول‪:‬‬

‫ﻃﺎﻟﺖ املﺪة اﻟﺘﻲ‬‫ِ‬ ‫)‪ (١‬ﻣﻦ اﻟﻮاﺿﺢ أﻧﻪ ﻛﻠﻤﺎ ﻛﺎن اﻛﺘﺸﺎف املﺮض ﰲ وﻗﺖ ﻣﺒﻜﺮ‪،‬‬
‫ﺑﻐﺾ اﻟﻨﻈﺮ ﻋﻦ أي ﺗﺪﺧﻞ ﻃﺒﻲ؛ ﻓﺒﻄﺮﻳﻘﺔ أو ﺑﺄﺧﺮى ﻳﺤﺘﺎج ﻫﺬا إﱃ‬ ‫ﺳﻴﻌﻴﺸﻬﺎ املﺮﻳﺾ‪ ،‬ﱢ‬
‫أن َ‬
‫ﻳﺆﺧﺬ ﺑﻌني اﻻﻋﺘﺒﺎر‪.‬‬
‫)‪ (٢‬ﻳﻌﻨﻲ اﻟﺘﺨﻔﻴﺾ ﺑﻨﺴﺒﺔ ‪ ٪٢٥‬أن اﻟﺴﻌﺮ ُﺧ ﱢﻔ َﺾ ﺑﻤﻘﺪار اﻟﺮﺑﻊ‪ ،‬وﻟﻜﻦ ﻫﺬا ﻳﻌﻨﻲ أﻧﻪ‬
‫ﻟﻠﻌﻮدة إﱃ اﻟﺴﻌﺮ اﻷﺻﲇ ﻋﻠﻴﻚ زﻳﺎدة اﻟﺴﻌﺮ ﺑﻤﻘﺪار اﻟﺜﻠﺚ )‪ ،(٪٣٣‬وﻟﻴﺲ اﻟﺮﺑﻊ )‪(٪٢٥‬؛‬
‫ﻋﲆ ﺳﺒﻴﻞ املﺜﺎل‪ ،‬اﻟﺨﺼﻢ اﻟﺒﺎﻟﻎ ‪ ٪٢٥‬ﻋﲆ اﻟﺴﻌﺮ اﻷﺻﲇ ‪ ١٠٠‬ﺟﻨﻴﻪ اﺳﱰﻟﻴﻨﻲ ﻳﺆدي إﱃ‬
‫اﻟﺴﻌﺮ ا ُملﻌ َﻠﻦ ‪ ٧٥‬ﺟﻨﻴﻬً ﺎ اﺳﱰﻟﻴﻨﻴٍّﺎ‪ .‬وﻟﻠﻌﻮدة إﱃ اﻟﺴﻌﺮ اﻷﺻﲇ ﻋﻠﻴﻨﺎ زﻳﺎدة ﻫﺬا اﻟﺴﻌﺮ‬
‫ﺑﻤﺒﻠﻎ ‪ ٢٥‬ﺟﻨﻴﻬً ﺎ اﺳﱰﻟﻴﻨﻴٍّﺎ؛ أي ‪ ٪٣٣‬ﻣﻦ ‪ ٧٥‬ﺟﻨﻴﻬً ﺎ اﺳﱰﻟﻴﻨﻴٍّﺎ‪.‬‬
‫املﺘﻮﻗﻊ ﺳﻮف ﻳﺴﺘﻤﺮ ﰲ اﻟﺰﻳﺎدة ﺑﺎملﻌﺪل ﻧﻔﺴﻪ‬ ‫ﱠ‬ ‫)‪ (٣‬ﻫﺬا ﻳﻔﱰض أن ﻣﺘﻮﺳﻂ اﻟﻌﻤﺮ‬
‫ﻟﺰﻳﺎدﺗﻪ ﰲ املﺎﴈ‪.‬‬
‫)‪ (٤‬إذا ﻛﺎن ﻃﻔﻞ واﺣﺪ ﻗﺪ ُﻗﺘِﻞ ﰲ ﻋﺎم ‪ ،١٩٥٠‬ﻓﺈن اﻟﻌﺒﺎرة ﺗﻌﻨﻲ أن اﺛﻨني َﻟﻘِ ﻴَﺎ‬
‫ﻣﴫﻋﻬﻤﺎ ﰲ ﻋﺎم ‪ ،١٩٥١‬وأرﺑﻌﺔ ﰲ ﻋﺎم ‪ ،١٩٥٢‬وﺛﻤﺎﻧﻴﺔ ﰲ ﻋﺎم ‪ ،١٩٥٣‬وﺳﺘﺔ ﻋﴩ‬
‫ﰲ ﻋﺎم ‪ ،١٩٥٤‬وﻣﺎ إﱃ ذﻟﻚ‪ .‬واﺳﺘﻤﺮار املﻀﺎﻋﻔﺔ ﺑﻬﺬه اﻟﻄﺮﻳﻘﺔ ﻳﻌﻨﻲ أﻧﻪ ﺑﺤﻠﻮل اﻟﻮﻗﺖ‬
‫اﻟﺮاﻫﻦ ﻳُﻘﺘَﻞ ﻣﻦ اﻷﻃﻔﺎل رﻣﻴًﺎ ﺑﺎﻟﺮﺻﺎص ﺳﻨﻮﻳٍّﺎ ﻋﺪد أﻛﺜﺮ ﻣﻦ ﻋﺪد ﺳﻜﺎن اﻟﻌﺎﻟﻢ‪.‬‬
‫)وﻫﺬا املﺜﺎل ﻣﺄﺧﻮذ ﻣﻦ اﻟﻜﺘﺎب املﻤﺘﺎز اﻟﺬي أ ﱠﻟﻔﻪ ﺟﻮﻳﻞ ﺑﻴﺴﺖ‪ ،‬واﻟﻮارد ﰲ ﻗﺴﻢ اﻟﻘﺮاءات‬
‫اﻹﺿﺎﻓﻴﺔ‪(.‬‬
 ‫ﻗﺮاءات إﺿﺎﻓﻴﺔ‬

‫اﻟﻔﺼﻞ اﻷول‬
A. R. Jadad and M. W. Enkin, Randomised Controlled Trials: Questions,
Answers and Musings, 2nd edn. (Malden, Massachusetts: Blackwell
Publishing, 2007).
Joel Best, Damned Lies and Statistics: Untangling Numbers from the Media,
Politicians, and Activists (Berkeley: University of California Press,
2001).
John Chambers, Greater or lesser statistics: a choice for future research,
Statistics and Computing, 3 (1993): 18–24.
Foundation for the Study of Infant Death. (http://www.fsid.org.uk/cot-
death.html). Accessed 6 April 2007.
Helen Joyce, Beyond reasonable doubt, Plus Magazine (2002). (http://
www.plus.maths.org/issue21/features/clark/index.html). Accessed
14 July 2008.
(http://www.sallyclark.org.uk/). Accessed 14 July 2008.

‫اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ‬
D. J. Hand, Information Generation: How Data Rule Our World (Oxford:
Oneworld, 2007).
 ‫ﻋﻠﻢ اﻹﺣﺼﺎء‬

F. Daly, D. J. Hand, M. C. Jones, A. D. Lunn, and K. McConway, Elements of

Statistics (Harlow: Addison-Wesley, 1995).

‫اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ‬

S. Benvenga, Errors based on units of measure, The Lancet, 363 (2004):

1368.
T. L. Fine, Theories of Probability: An Examination of Foundations (New
York: Academic Press, 1973).

‫اﻟﻔﺼﻞ اﻟﺮاﺑﻊ‬

D. R. Cox, Principles of Statstical Inference (Cambridge: Cambridge Uni-

versity Press, 2006).
H. S. Migon and D. Gamerman, Statistical Inference: An Integrated
Approach (London: Arnold, 1999).

‫اﻟﻔﺼﻞ اﻟﺨﺎﻣﺲ‬

D. C. Montgomery, Design and Analysis of Experiments (New York: John

Wiley and Sons, 2004).
L. Kish, Survey Sampling (New York: John Wiley and Sons, 1995).

‫اﻟﻔﺼﻞ اﻟﺴﺎدس‬

G. E. P. Box, Robustness in the strategy of scientific model building, tech-

nical report, Madison Mathematics Research Center, Wisconsin Uni-
versity, 1979.
E. Tufte, The Visual Display of Quantitative Information (Cheshire, CT:
Graphics Press, 2001).

116
 ‫ﻗﺮاءات إﺿﺎﻓﻴﺔ‬

A. Unwin, M. Theus, and H. Hofmann, Graphics of Large Data Sets:

Visualising a Million (New York: Springer-Verlag, 2006).

117
 ‫ﻣﺼﺎدر اﻟﺼﻮر‬

All images credits go to © David Hand.