1384

‫ﺑﻪ ﻧﺎم ﺧﺪا‬

‫در اﯾﻦ ﮐﺘﺎب ﺗﻮاﺑﻊ ﺁﻣـﺎرﯼ ﻧـﺮم اﻓـﺰار اﮐـﺴﻞ ﻣـﻮرد ﺑﺮرﺳـﯽ ﻗـﺮار ﮔﺮﻓﺘـﻪ‬
‫اﺳﺖ ‪ .‬ﺳﻌﯽ ﺷﺪﻩ اﺳﺖ ﮐﻪ از دادن ﺗﻮﺿﻴﺤﺎت اﺿﺎﻓﯽ اﺟﺘﻨـﺎب ﺷـﻮد و‬
‫ﺗﺎ ﺣﺪ اﻣﮑﺎن روش ﺗﻮﺿﻴﺢ ﺑﻪ ﻧﺤـﻮﯼ ﺑﺎﺷـﺪ ﮐـﻪ در ﻋﻤـﻞ ﻧﻴـﺰ ﺑﺘـﻮان از ﺁن‬
‫اﺳﺘﻔﺎدﻩ ﮐﺮد ‪.‬‬
‫اﻟﺒﺘــﻪ ﻣــﺸﺨﺺ اﺳــﺖ ﮐــﻪ اﯾــﻦ ﮐﺘــﺎب ﻋــﺎرﯼ از اﺷــﺘﺒﺎﻩ ﻧﻴــﺴﺖ از ﮐﻠﻴــﻪ‬
‫دوﺳﺘﺎﻧﯽ ﮐﻪ اﻧﺘﻘﺎدات و ﭘﻴـﺸﻨﻬﺎدات و اﺻـﻼﺣﺎت ﺧـﻮد را ﺑـﻪ اﯾـﻦ ﺟﺎﻧـﺐ‬
‫اراﺋﻪ ﻣﯽ ﮐﻨﻨـﺪ ﻗـﺒﻼ ﮐﻤـﺎل ﺗـﺸﮑﺮ را دارم و ﭼـﻮن اﯾـﻦ ﮐﺘـﺎب ﺑـﻪ ﺻـﻮرت‬
‫اﻟﮑﺘﺮوﻧﻴﮑﯽ ﻣﻨﺘﺸﺮ ﻣﯽ ﺷﻮد در ﺻﻮرت ﻧﻴﺎز ﺑﻪ اﺻﻼح اﯾﻦ ﮐﺘﺎب ‪ ،‬اﯾﻦ ﮐﺎر‬
‫ﺑﻪ ﺁﺳﺎﻧﯽ ﻣﻴﺴﺮ ﺧﻮاهﺪ ﺑﻮد و اﺻـﻼﺣﻴﻪ هـﺎﯼ ﺷـﻤﺎ ﺑـﻪ ﺳـﺮﻋﺖ اﻋﻤـﺎل‬
‫ﺧﻮاهﺪ ﺷﺪ‪ .‬اﮔﺮ در ﺟﺎﯾﯽ در ﺿﻤﻦ ﺗﻮﺿﻴﺢ ﺗﺎﺑﻌﯽ ‪ ،‬ﺑﻪ ﺗﺎﺑﻊ دﯾﮕﺮﯼ اﺣﺘﻴﺎج‬
‫ﺷﺪﻩ اﺳﺖ ﺑﻪ ﺁن ﺗﺎﺑﻊ ﻟﻴﻨﮏ دادﻩ ﺷﺪﻩ اﺳﺖ ﺗﺎ ﺑﻪ ﺳﻬﻮﻟﺖ ﺁن ﺗﺎﺑﻊ را ﻧﻴﺰ‬
‫ﻣﻄﺎﻟﻌﻪ ﻓﺮﻣﺎﯾﻴﺪ ‪.‬‬
‫) ﻣﺜﻼ اﮔﺮ در ﺣﻴﻦ ﻣﻄﺎﻟﻌﻪ ﮐﺘﺎب در ﺟﺎﯾﯽ روﯼ ﮐﻠﻤﻪ ﻣﻴﺎﻧﮕﻴﻦ ﮐﻠﻴﮏ ﮐﻨﻴـﺪ‬
‫ﺑﻪ ﻗﺴﻤﺖ ﺗﻮﺿﻴﺤﺎت ﻣﻴﺎﻧﮕﻴﻦ ﺑﺮدﻩ ﺧﻮاهﻴﺪ ﺷﺪ(‬

‫ﺑﺮاﯼ ارﺳﺎل ﻧﻈﺮات ‪،‬ﭘﻴﺸﻨﻬﺎدات و اﻧﺘﻘﺎدات ﺑﺎ اﯾﻤﻴﻞ ‪:‬‬

‫‪bahram1941362@yahoo.com‬‬
‫ﻣﮑﺎﺗﺒﻪ ﻧﻤﺎﯾﻴﺪ‪.‬‬
‫در ﺿﻤﻦ ﻣﯽ ﺗﻮاﻧﻴﺪ ﺑﻪ ﺁدرس وﺑﻼگ زﯾﺮ ﻧﻴﺰ ﻣﺮاﺟﻌـﻪ ﮐـﺮدﻩ در ﻗـﺴﻤﺖ ﻧﻈـﺮات‬
‫ﻧﻈﺮﺗﺎن را درج ﻓﺮﻣﺎﯾﻴﺪ‪:‬‬
‫‪http://amar80.blogfa.com‬‬

‫ﺷﮑﺮ ﺧﺪا را ﺑﻪ ﺧﺎﻃﺮ هﺮ ﭼﻴﺰﯼ ﮐﻪ ﺑﻪ ﻣﺎ دادﻩ و ﺑﻪ ﺧﺎﻃﺮ هﺮ ﭼﻴـﺰﯼ ﮐـﻪ ﻧـﺪادﻩ‪.‬‬

‫هﺮ ﭼﻪ دادﻩ ﻧﻌﻤﺖ اﺳﺖ و هﺮ ﭼﻪ ﻧﺪادﻩ ﺣﮑﻤﺖ‪.‬‬

‫ﺗﻘﺪﯾﻢ ﺑﻪ ﺑﻬﺘﺮﯾﻦ دوﺳﺖ ﺑﻬﺘﺮﯾﻦ دوران زﻧﺪﮔﯽ ام‪...‬‬

‫ﺑﻬﺮام ﺻﻤﺪﯾﺎن‬
‫دﯼ ‪١٣٨۴‬‬

‫‪٢‬‬
 ‫ﻓﻬﺮﺳﺖ‬

٨ ..................................................................... AVEDEV (١

٨ .................................................................. AVERAGE (٢

٨ ............................................................. AVERAGEA (٣

٨ ................................................................ BETADIST (۴

٩ ................................................................... BETAINV (۵

٩ ......................................................... BINOMDIST (۶

٩ ..................................................................... CHIDIST (٧

٩ ...................................................................... CHIINV (٨

٩ .................................................................... CHITEST (٩

١٠ ................................................. CONFIDENCE (١٠

١١ .................................................................. CORREL (١١

١١ .....................................................................COUNT (١٢

١١ ................................................................ COUNTA (١٣

١١ ................................................. COUNTBLANK (١۴

١١ .............................................................. COUNTIF (١۵

١٢ .................................................................... COVAR (١۶

١٢ ........................................................ CRITBINOM (١٧

١٢ ..................................................................... DEVSQ (١٨

١٢ ....................................................... EXPONDIST (١٩

٣
١٣ ....................................................................... FDIST (٢٠

١٣ ............................................................................FINV (٢١

١٣ .................................................................... FISHER (٢٢

١٣ .......................................................... FISHERINV (٢٣

١٣ ......................................................... FORECAST (٢۴

١٤ .................................................... FREQUENCY (٢۵

١٥ ...................................................................... FTEST (٢۶

١٥ ......................................................GAMMADIST (٢٧

١٦ ....................................................... GAMMAINV (٢٨

١٦ .......................................................... GAMMALN (٢٩

١٦ ........................................................... GEOMEAN (٣٠

١٦ .............................................................. GROWTH (٣١

١٧ ........................................................... HARMEAN (٣٢

١٧ ............................................. HYPGEOMDIST (٣٣

١٧ ........................................................ INTERCEPT (٣۴

١٧ ....................................................................... KURT (٣۵

١٨ ..................................................................... LARGE (٣۶

١٨ .....................................................................LINEST (٣٧

٢١ .................................................................. LOGEST (٣٨

٢١ .................................................................... LOGINV (٣٩

٤
٢٢ ............................................ LOGNORMDIST (۴٠

٢٢ ............................................................................ MAX (۴١

٢٢ ...................................................................... MAXA (۴٢

٢٢ .................................................................. MEDIAN (۴٣

٢٢ ............................................................................. MIN (۴۴

٢٢ ........................................................................... MINA (۴۵

٢٣ ...................................................................... MODE (۴۶

٢٣ ........................................ NEGBINOMDIST (۴٧

٢٣ ........................................................ NORMDIST (۴٨

٢٣ ........................................................... NORMINV (۴٩

٢٤ .................................................... NORMSDIST (۵٠

٢٤ ....................................................... NORMSINV (۵١

٢٤ ............................................................. PEARSON (۵٢

٢٤ ....................................................PERCENTILE (۵٣

٢٤ ............................................ PERCENTRANK (۵۴

٢٥ ................................................................ PERMUT (۵۵

٢٥ ............................................................. POISSON (۵۶

٢٥ ....................................................................... PROB (۵٧

٢٦ ...........................................................QUARTILE (۵٨

٢٦ ....................................................................... RANK (۵٩

٥
٢٧ ............................................................................ RSQ (۶٠

٢٧ ...................................................................... SKEW (۶١

٢٧ ..................................................................... SLOPE (۶٢

٢٧ ..................................................................... SMALL (۶٣

٢٧ .............................................. STANDARDIZE (۶۴

٢٨ ..................................................................... STDEV (۶۵

٢٨ ..................................................................STDEVA (۶۶

٢٨ .................................................................. STDEVP (۶٧

٢٨ ............................................................. STDEVPA (۶٨

٢٨ ..................................................................... STEYX (۶٩

٢٩ ....................................................................... TDIST (٧٠

٢٩ ............................................................................TINV (٧١

٢٩ ..................................................................... TREND (٧٢

٢٩ ......................................................... TRIMMEAN (٧٣

٢٩ ...................................................................... TTEST (٧۴

٣٠ ............................................................................ VAR (٧۵

٣٠ ....................................................................... VARA (٧۶

٣٠ ....................................................................... VARP (٧٧

٣٠ ..................................................................... VARPA (٧٨

٣٠ .............................................................. WEIBULL (٧٩

٦
‫‪٣١ ...................................................................... ZTEST‬‬ ‫‪(٨٠‬‬
‫ﻓﻬﺮﺳﺖ راهﻨﻤﺎ ‪٣٢ ..................................................................................................................‬‬

‫‪٧‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪AVEDEV (١‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﻘﺪار اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ‪ .‬ﻣﯽ ﺗﻮاﻧﻴﺪ ﺣﺪاﮐﺜﺮ ‪ ٣٠‬ﻋﺪد را وارد‬
‫اﯾﻦ ﺗﺎﺑﻊ ﮐﻨﻴﺪ اﻟﺒﺘﻪ اﯾﻦ ﺑﻪ اﯾﻦ ﻣﻌﻨﯽ ﻧﻴﺴﺖ ﮐﻪ ﻣﺤﺪود ﺑﻪ اﯾﻦ ﻣﻘﺪار هـﺴﺘﻴﺪ ﺑﻠﮑـﻪ ﻣـﯽ‬
‫ﺗﻮان ﺑﻪ ﺟﺎﯼ وارد ﮐﺮدن ﺗﮏ ﺗﮏ اﻋﺪاد ﯾﮑﺒﺎرﻩ ﻣﺎوس را روﯼ ﻣﺤﻞ ﻣﺮﺑﻮﻃـﻪ ﮐـﺸﻴﺪ ﺑـﺎ اﯾـﻦ‬
‫ﮐﺎر ﺗﻤﺎم اﻋﺪاد در ﯾﮏ ﻓﻴﻠﺪ ﺟﺎﯼ ﻣﯽ ﮔﻴﺮﻧﺪ ﻓﺮﻣﻮل اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ‪:‬‬
‫‪1‬‬
‫‪n‬‬
‫‪∑ x−x‬‬

‫‪AVERAGE (٢‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﻴﺎﻧﮕﻴﻦ ﺣﺴﺎﺑﯽ اﻋﺪاد را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ اﯾﻦ ﺗﺎﺑﻊ ﻣﺘﻦ ﯾﺎ هﺮ دادﻩ ﻏﻴﺮ ﻋﺪدﯼ‬
‫را در ﻧﻈﺮ ﻧﻤﯽ ﮔﻴﺮد هﻤﭽﻨﻴﻦ ﺧﺎﻧﻪ هﺎﯼ ﺧﺎﻟﯽ در ﻣﺤﺎﺳـﺒﻪ وارد ﻧﻤـﯽ ﺷـﻮﻧﺪ اﻣـﺎ ﺧﺎﻧـﻪ‬
‫هﺎﯼ ﺣﺎوﯼ ﺻﻔﺮ ﻣﺤﺎﺳﺒﻪ ﺧﻮاهﻨﺪ ﺷﺪ در ﺿﻤﻦ دﻗﺖ ﮐﻨﻴﺪ ﻣﻤﮑﻦ اﺳﺖ ﮐﻪ ﺷﻤﺎ اﮐﺴﻞ‬
‫را ﻃﻮرﯼ ﺗﻨﻈﻴﻢ ﮐﺮدﻩ ﺑﺎﺷﻴﺪ ﮐﻪ ﻣﻘﺎدﯾﺮ ﺻﻔﺮ را در ﺳﻠﻮل هﺎ ﻧـﺸﺎن ﻧﺪهـﺪ در اﯾـﻦ ﺻـﻮرت‬
‫اﮐﺴﻞ ﺻﻔﺮ را ﻧﺸﺎن ﻧﻤﯽ دهﺪ وﻟﯽ در ﻣﺤﺎﺳﺒﺎت ﺁن را اﻋﻤﺎل ﻣﯽ ﮐﻨﺪ‪.‬‬

‫‪AVERAGEA (٣‬‬
‫اﮔﺮ ﻣﯽ ﺧﻮاهﻴـﺪ ﻣـﺘﻦ هـﺎﯾﯽ را ﮐـﻪ ﺑـﻪ ﺻـﻮرت ‪TRUE‬و ‪ FALSE‬اﮐـﺴﻞ از ﺁﻧﻬـﺎ ﻣﻴـﺎﻧﮕﻴﻦ‬
‫ﺑﮕﻴﺮد از اﯾﻦ ﺗﺎﺑﻊ اﺳﺘﻔﺎدﻩ ﮐﻨﻴﺪ اﮐﺴﻞ ‪ TRUE‬را ‪ ١‬و ‪ FALSE‬را ‪ ٠‬در ﻧﻈﺮ ﻣﯽ ﮔﻴﺮد اﻟﺒﺘـﻪ‬
‫از ﺁن ﻣﯽ ﺗﻮان ﺑﻪ ﺻﻮرت ﺗﺎﺑﻊ ﺑﺎﻻ ﺑﺮاﯼ اﻋﺪاد ﻧﻴﺰ اﺳﺘﻔﺎدﻩ ﮐـﺮد اﮔـﺮ هـﻢ از ﻣـﺘﻦ و هـﻢ از‬
‫اﻋﺪاد ﻣﻴﺎﻧﮕﻴﻦ ﺑﮕﻴﺮﯾﺪ ﻃﺒﻖ ﮐﺪ ﺑﻨﺪﯼ ﺑﺎﻻ ﻋﻤﻞ ﺧﻮاهﺪ ﺷﺪ‬

‫‪BETADIST (۴‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ﻣﺤﺎﺳﺒﻪ ﻣﻘﺪار ﺗﻮزﯾﻊ اﻧﺒﺎﺷﺘﻪ) ﺗﺠﻤﻌﯽ( ﺗﺎﺑﻊ ﺑﺘﺎ ﻣﯽ ﭘﺮدازد‪.‬ﺑﺮاﯼ اﯾﻦ ﮐﺎر ﺑﺎﯾﺪ‬
‫ﭘﺎراﻣﺘﺮهﺎﯼ زﯾﺮ را ﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ در اﺧﺘﻴﺎر ﺁن ﺑﮕﺬارﯾﺪ‪.‬‬

‫)‪BETADIST(x,alpha,beta,A,B‬‬ ‫ﻓﺮم ﮐﻠﯽ ﺗﺎﺑﻊ ﺑﻪ ﺷﮑﻞ روﺑﺮو اﺳﺖ‪:‬‬

‫ﮐﻪ در ﺁن ‪:‬‬

‫‪ x‬ﻣﻘﺪارﯼ اﺳﺖ ﺑﻴﻦ ‪ A‬و‪B‬‬

‫ﺁﻟﻔﺎ ﻣﻘﺪار ﭘﺎراﻣﺘﺮ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺑﺘﺎ ﻣﯽ ﺑﺎﺷﺪ ﺑﺘﺎ ﻧﻴﺰ ﺑﻪ هﻤﻴﻦ ﺻﻮرت‪.‬‬
‫‪ A‬و ‪ B‬ﻣﻘﺎدﯾﺮ اﺧﺘﻴﺎرﯼ هﺴﺘﻨﺪ ﮐﻪ ﺑﺮاﯼ ﺗﻌﻴﻴﻦ ﺣﺪود ﻓﺎﺻﻠﻪ اﻃﻤﻴﻨﺎن ‪ x‬ﺑﻪ ﮐﺎر ﻣﯽ روﻧﺪ‪.‬‬
‫ﻣﻘﺎدﯾﺮ ﭘﻴﺶ ﻓﺮض اﯾﻦ دو ﭘﺎراﻣﺘﺮ ﻋﺒﺎرﺗﻨﺪ از ‪ A=0:‬و ‪B=1‬‬
‫هﺮ ﮔﺎﻩ هﺮ ﮐﺪام از ﭘﺎراﻣﺘﺮهﺎ ﻏﻴﺮ ﻋﺪدﯼ ﺑﺎﺷﻨﺪ اﮐﺴﻞ اﺧﻄﺎر ‪ #VALUE‬ﻣﯽ دهﺪ‪.‬‬
‫هﺮ ﮔﺎﻩ ﺁﻟﻔﺎ و ﺑﺘﺎ ﺑﺰرﮔﺘﺮ از ﺻﻔﺮ ﻧﺒﺎﺷﻨﺪ ﺧﻄﺎﯼ !‪ #NUM‬رخ ﻣﯽ دهﺪ‪.‬هﻤﭽﻨﻴﻦ اﮔﺮ ﻣﻘﺪار‬
‫‪ X‬ﮐﻤﺘﺮ از ‪ A‬ﯾﺎ ﺑﻴﺶ ﺗﺮ از ‪ B‬ﺑﺎﺷﺪ ﺑﺎز هﻢ اﯾﻦ ﺧﻄﺎ روﯼ ﻣﯽ دهﺪ‬

‫‪٨‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪BETAINV (۵‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﮐﺎر ﻋﮑﺲ ﺗﺎﺑﻊ ﺑﺎﻻ را اﻧﺠﺎم ﻣﯽ دهﺪ ﯾﻌﻨﯽ اﯾﻦ ﺑﺎر اﺣﺘﻤﺎل را ﻣﯽ دهﻴﻢ و ﻣﻘﺪار‬
‫‪ X‬را ﺑﺪﺳﺖ ﻣﯽ ﺁورﯾﻢ‬

‫‪BINOMDIST (۶‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﻘﺪار ﺗﺎﺑﻊ دو ﺟﻤﻠﻪ اﯼ را ﺑﻪ ازاﯼ ﭘﺎراﻣﺘﺮهﺎﯼ ﻣﺸﺨﺼﯽ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ اﯾـﻦ‬
‫ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺗﻮاﻧﺪ ﺗﺠﻤﻌﯽ ﯾﺎ ﺗﺎﺑﻊ اﺣﺘﻤﺎﻟﯽ ﺑﺎﺷﺪ‪.‬ﺻﻮرت ﮐﻠﯽ اﯾﻦ ﺗﺎﺑﻊ‪:‬‬
‫)‪BINOMDIST(number_s,trials,probability_s,cumulative‬‬
‫‪ number_s‬ﺗﻌﺪاد ﻣﻮﻓﻘﻴﺘﻬﺎ در ﮐﻞ ﺁزﻣﺎﯾﺸﻬﺎ در واﻗﻊ هﻤﺎن ‪X‬‬
‫‪ trials‬ﺗﻌﺪاد ﺁزﻣﺎﯾﺸﻬﺎ‬
‫‪ probability‬اﺣﺘﻤﺎل ﭘﻴﺮوزﯼ‬
‫‪ cumulative‬ﺗﺠﻤﻌﯽ ﺑﻮدن ﯾﺎ ﻧﺒﻮدن ﻣﺤﺎﺳﺒﻪ ﺑﺮاﯼ ﺗﺠﻤﻌﯽ ﺗﺎﯾﭗ ﮐﻨﻴﺪ ‪ TRUE‬و ﺑﺮاﯼ ﺗﺎﺑﻊ‬
‫اﺣﺘﻤﺎل ﺗﺎﯾﭗ ﮐﻨﻴﺪ ‪FALSE‬‬

‫‪CHIDIST (٧‬‬
‫اﯾﻦ ﺗﺎﺑﻊ اﺣﺘﻤﺎﻻت ﯾﮏ ﻃﺮﻓﻪ ﺗﻮزﯾﻊ ﻣﺠﺬور ﮐﺎﯼ ) ﺧﯽ دو( را ﺑﺮ ﻣﯽ ﮔﺮداﻧﺪ‪.‬‬
‫اﯾﻦ ﺗﻮزﯾﻊ دو ﭘﺎراﻣﺘﺮ دارد اوﻟﯽ ‪ x‬ﮐﻪ ﻋﺪدﯼ ﻏﻴﺮ ﻣﻨﻔـﯽ اﺳـﺖ و دﯾﮕـﺮﯼ درﺟـﻪ ﺁزادﯼ ﮐـﻪ‬
‫ﻋﺪدﯼ اﺳﺖ ﺑﻴﻦ ‪ ١‬و ‪ ١٠‬ﺑﻪ ﺗﻮان ‪ ١٠‬ﺑﻪ ﻏﻴﺮ از ﺧﻮد ﻋﺪد ‪ ١٠‬ﺑﻪ ﺗﻮان ‪.١٠‬‬

‫‪CHIINV (٨‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻋﮑﺲ ﺗﺎﺑﻊ ﺑﺎﻻ ﻋﻤﻞ ﻣﯽ ﮐﻨـﺪ ﯾﻌﻨـﯽ اﺣﺘﻤـﺎﻻت ﺗﻮزﯾـﻊ ﺧـﯽ دو را ﺑـﻪ اﻋـﺪاد )‪(x‬‬
‫ﺗﺒﺪﯾﻞ ﻣﯽ ﮐﻨﺪ‪.‬‬

‫‪CHITEST (٩‬‬
‫ﺑﺮاﯼ ﺁزﻣﻮن اﯾﻨﮑﻪ ﺁﯾﺎ ﻣﺤﺪودﻩ اﯼ از اﻋﺪاد ﺑﺎ ﻣﻘﺪار ﻣﻮرد ﭘﻴﺶ ﺑﻴﻨﯽ ﻣﻄﺎﺑﻘﺖ دارد ﯾﺎ ﻧـﻪ از‬
‫اﯾﻦ ﺗﺎﺑﻊ اﺳـﺘﻔﺎدﻩ ﻣـﯽ ﮐﻨـﻴﻢ‪.‬اﯾـﻦ ﺗـﺎﺑﻊ ﻣﺮﺑـﻮط ﺑـﻪ ﻣﺒﺤـﺚ روش هـﺎﯼ ﻣﺘﻐﻴـﺮﻩ ﮔﺴـﺴﺘﻪ‬
‫ﻣﯽ ﺑﺎﺷﺪ‪.‬ﺟﺪول زﯾﺮ را در ﻧﻈﺮ ﺑﮕﻴﺮﯾﺪ‪:‬‬

‫ﻣﻮاﻓﻖ‬ ‫ﺑﯽ ﻧﻈﺮ‬ ‫ﻣﺨﺎﻟﻒ‬ ‫ﺟﻤﻊ‬

‫ﻣﺮدان‬ ‫‪٥٨‬‬ ‫‪١١‬‬ ‫‪١٠‬‬ ‫‪٧٩‬‬
‫زﻧﺎن‬ ‫‪٣٥‬‬ ‫‪٢٥‬‬ ‫‪٢٣‬‬ ‫‪٨٣‬‬
‫ﺟﻤﻊ‬ ‫‪٩٣‬‬ ‫‪٣٦‬‬ ‫‪٣٣‬‬ ‫‪١٦٢‬‬

‫‪٩‬‬
‫‪http://amar80.blogfa.com‬‬

‫در اﯾﻦ ﺟﺪول ﻣﯽ ﺧﻮاهﻴﻢ ﻣﻘﺎدﯾﺮ ﻣـﻮرد اﻧﺘﻈـﺎر هـﺮ ﺳـﻠﻮل را ﺑﻴـﺎﺑﻴﻢ ﺑـﺮاﯼ اﯾـﻦ ﮐـﺎر ﺑﺎﯾـﺪ‬
‫ﻣﻘﺎدﯾﺮ ﺟﻤﻊ هﺮ ﺳﻄﺮ و ﺳﺘﻮن را در هﻢ ﺿﺮب و ﺑﺮ ﺟﻤﻊ ﮐﻞ ﺗﻘﺴﻴﻢ ﮐﻨﻴﻢ ﺗﺎ ﻣﻘﺪار ﻣـﻮرد‬
‫اﻧﺘﻈﺎر ﺁن ﺳﻠﻮل ﺑﺪﺳﺖ ﺁﯾﺪ‪.‬ﻣﺜﻼ ﺑﺮاﯼ ﺳﻠﻮل اول ﻣﺮدان دارﯾﻢ ‪:‬‬
‫‪79 × 93‬‬
‫‪= 45.33‬‬
‫‪162‬‬
‫در ﻧﻬﺎﯾﺖ ﺟﺪول زﯾﺮ را ﺧﻮاهﻴﻢ داﺷﺖ‪:‬‬

‫ﻣﻮاﻓﻖ‬ ‫ﺑﯽ ﻧﻈﺮ‬ ‫ﻣﺨﺎﻟﻒ‬

‫ﻣﺮدان‬ ‫‪٤٥٫٣٣‬‬ ‫‪١٧٫٥٥‬‬ ‫‪١٦٫٠٩‬‬
‫زﻧﺎن‬ ‫‪٤٧٫٦٥‬‬ ‫‪١٨٫٤٥‬‬ ‫‪١٦٫٩١‬‬

‫ﺣﺎل ﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ ﺑﺎﯾﺪ ﻣﻘﺪار ﺁﻣﺎرﻩ زﯾﺮ را ﭘﻴﺪا ﮐﻨﻴﻢ ‪:‬‬
‫‪l‬‬ ‫‪c‬‬ ‫) ‪( Aij − Eij‬‬ ‫‪2‬‬

‫∑∑ = ‪χ 2‬‬
‫‪i =1 j =1‬‬ ‫‪Eij‬‬

‫ﮐﻪ در ﺁن ‪ l‬و ‪ c‬ﺗﻌﺪاد ﺳﻄﺮ و ﺳﺘﻮن ﺟﺪول‪ A ،‬ﻣﻘـﺪار ﻓﺮاواﻧـﯽ واﻗﻌـﯽ )ﻣﻘـﺪار ﺳـﻠﻮل در‬
‫ﺟﺪول اول ( و ‪ E‬ﻣﻘﺪار ﻣﻮرد اﻧﺘﻈـﺎر ﺳـﻠﻮل )ﺟـﺪول دوم ( ﻣـﯽ ﺑﺎﺷـﺪ‪.‬ﻣﺤﺎﺳـﺒﻪ را اﻧﺠـﺎم‬
‫ﻣﯽ دهﻴﻢ ‪:‬‬

‫= ‪χ2‬‬
‫‪(58 − 45.35)2 + (35 − 47.65)2 + ..... + (23 − 16.91)2‬‬ ‫‪= 16.16957‬‬
‫‪45.35‬‬ ‫‪47.65‬‬ ‫‪16.91‬‬

‫اﯾﻦ ﻋﺪد ﺑﺎ درﺟﻪ ﺁزادﯼ ‪ ٢‬در ﺗﺎﺑﻊ ﺧﯽ دو اﺣﺘﻤﺎﻟﯽ ﺑﺮاﺑﺮ ﺑﺎ ‪ 0.000308‬دارد ‪.‬ﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ‬
‫اﯾﻦ ﻣﻘﺪار ﺗﻮﺳﻂ اﮐﺴﻞ ﺑﻌﺪ از ﺑﺎز ﮐﺮدن ﮐﺎدر ﺗـﺎﺑﻊ ﺗـﺴﺖ ﺧـﯽ دو ﺑﺎﯾـﺪ ﻣﻘـﺎدﯾﺮ واﻗﻌـﯽ و‬
‫ﻣﻘﺎدﯾﺮ ﻣﻮرد اﻧﺘﻈﺎر را در ﻓﻴﻠﺪهﺎﯼ ﻣﺮﺑﻮﻃﻪ وارد ﮐﻨﻴﻢ ﺑﺎ زدن اﯾﻨﺘـﺮ ﻣﻘـﺪار ﺑﺪﺳـﺖ ﺁﻣـﺪﻩ در‬
‫ﺑﺎﻻ )‪ (0.000308‬ﺑﺪﺳﺖ ﻣﯽ ﺁﯾﺪ‬
‫ﻧﮑﺘﻪ ‪:‬درﺟﻪ ﺁزادﯼ در ﺟﺪول ﻣﺘﻘﺎﻃﻊ از روش زﯾﺮ ﺑﺪﺳﺖ ﻣﯽ ﺁﯾﺪ‪.‬‬
‫)‪df=(r-1)(c-1‬‬ ‫ﺁﻧﮕﺎﻩ‬ ‫‪ r>1‬و ‪c>1‬‬ ‫‪ .١‬اﮔﺮ‬
‫)‪df=(c-1‬‬ ‫ﺁﻧﮕﺎﻩ‬ ‫‪ .٢‬اﮔﺮ ‪ r =1‬و ‪c>1‬‬
‫)‪df=(r-1‬‬ ‫ﺁﻧﮕﺎﻩ‬ ‫‪ .٣‬اﮔﺮ ‪ r>1‬و ‪c=1‬‬
‫ﺁﻧﮕﺎﻩ درﺟﻪ ﺁزادﯼ ﺗﻌﺮﯾﻒ ﻧﺸﺪﻩ اﺳﺖ‬ ‫‪r=c=1‬‬ ‫‪ .٤‬اﮔﺮ‬

‫‪CONFIDENCE (١٠‬‬
‫ﻣﻘﺪار ﻓﺎﺻﻠﻪ اﻃﻤﻴﻨﺎن را ﺑﺮاﯼ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ اﻟﺒﺘﻪ در اﯾﻦ ﺗﺎﺑﻊ ﻓﻘﻂ ﻗـﺴﻤﺘﯽ‬
‫ﮐﻪ در ﻓﺎﺻﻠﻪ اﻃﻤﻴﻨﺎن اﺿﺎﻓﻪ و ﮐﻢ ﻣﯽ ﺷﻮد ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد ﯾﻌﻨـﯽ اﮔـﺮ ﻣﻴـﺎﻧﮕﻴﻦ ﻣـﺎ‬
‫‪ ٢٠‬ﺑﺎﺷﺪ و اﯾﻦ ﺗﺎﺑﻊ ﻣﻘﺪار ‪ ١‬را ﺑﺪﺳﺖ ﺑﺪهﺪ در ﺁن ﺻـﻮرت ﻓﺎﺻـﻠﻪ اﻃﻤﻴﻨـﺎن ﻣـﺎ )‪٢١‬و‪(١٩‬‬
‫ﺧﻮاهﺪ ﺑﻮد ﭘﺎراﻣﺘﺮهﺎﯼ ﺗﺎﺑﻊ هﻢ ﻣﺸﺨﺺ هﺴﺘﻨﺪ‬
‫ﺁﻟﻔﺎ ‪:‬ﻣﻘﺪار ﻣﻌﻨﯽ دارﯼ ﯾﺎ ﺳﻄﺢ ﻣﻌﻨﯽ دارﯼ ﻓﺎﺻﻠﻪ اﻃﻤﻴﻨﺎن ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﻣﻘﺪارﯼ ﺑﻴﻦ‬
‫‪٠‬و ‪ ١‬اﺳﺖ‬
‫اﻧﺤﺮاف ﻣﻌﻴﺎر‪:‬ﻓﺮض ﺑﺮ اﯾﻦ اﺳﺖ ﮐﻪ اﻧﺤﺮاف ﻣﻌﻴﺎر ﻣﻌﻠﻮم و ﻣﺸﺨﺺ اﺳﺖ‬
‫اﻧﺪازﻩ ﻧﻤﻮﻧﻪ هﻢ ﮐﻪ ﻣﻌﻠﻮم هﺴﺖ ‪.‬‬

‫‪١٠‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪CORREL (١١‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﻴﺰان ارﺗﺒـﺎط و هﻤﺒـﺴﺘﮕﯽ ) ﮐﻮروﻟﻴـﺸﻦ( ﺑـﻴﻦ دو دﺳـﺘﻪ از اﻋـﺪاد را ﭘﻴـﺪا ﻣـﯽ‬
‫ﮐﻨﺪ‪.‬هﺮ ﭼﻪ اﯾﻦ ﻋﺪد ﺑﺪﺳﺖ ﺁﻣﺪﻩ ﺑﻪ ‪ ١‬ﻧﺰدﯾﮏ ﺑﺎﺷﺪ ﻧﺸﺎن دهﻨﺪﻩ اﯾﻦ اﺳـﺖ ﮐـﻪ اﯾـﻦ دو‬
‫ﺳﺮﯼ ﺑﺎ هﻢ ارﺗﺒﺎط ﻣﺴﺘﻘﻴﻢ و ﻗﻮﯼ دارﻧﺪ اﮔﺮ اﯾﻦ ﻣﻘﺪار ‪ ٠‬ﺑﺎﺷـﺪ اﯾـﻦ دو ﺳـﺮﯼ ﻋـﺪد ﺑـﺎ‬
‫هﻢ ارﺗﺒﺎﻃﯽ ﻧﺪارﻧﺪ و اﮔﺮ ﻣﻨﻔﯽ ﯾﮏ ﺷـﺪ )ﯾـﺎ ﻧﺰدﯾـﮏ ﺁن( در ﺁن ﺻـﻮرت دو ﺳـﺮﯼ ﺑـﺎ هـﻢ‬
‫ارﺗﺒﺎط ﻗﻮﯼ اﻣﺎ در ﺧﻼف ﺟﻬﺖ هﻢ دارﻧﺪ‪.‬ﻓﺮﻣﻮل ﻣﺤﺎﺳﺒﻪ ﮐﻮروﻟﻴﺸﻦ ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ‪:‬‬

‫= ) ‪Correl ( X , Y‬‬
‫) ‪∑ (x − x )( y − y‬‬
‫) ‪∑ (x − x ) ∑ ( y − y‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪COUNT (١٢‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﺑﺮاﯼ ﺷﻤﺎرش ﺗﻌﺪاد ﺧﺎﻧﻪ هﺎﯾﯽ ﮐﻪ داراﯼ ﻋـﺪد ﻣـﯽ ﺑﺎﺷـﻨﺪ ﺑﮑـﺎر ﻣـﯽ رود اﯾـﻦ‬
‫ﺗﺎﺑﻊ ﺗﻌﺪاد ﻣﺘﻦ هﺎ ﯾﺎ ﺳﻠﻮﻟﻬﺎﯼ ﺧﺎﻟﯽ را ﻣﺤﺎﺳﺒﻪ ﻧﻤﯽ ﮐﻨﺪ‪.‬‬

‫‪COUNTA (١٣‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﺜﻞ ﺗﺎﺑﻊ ﺑﺎﻻ ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ ﺑﺎ اﯾﻦ ﺗﻔﺎوت ﮐﻪ در اﯾﻦ ﺗﺎﺑﻊ در ﺳﻠﻮل هﺮ ﭼﻴﺰﯼ ﮐـﻪ‬
‫ﻣﻮﺟﻮد ﺑﺎﺷﺪ ﻣﺘﻦ ‪ ،‬ﻋﺪد ﯾﺎ هﺮ ﭼﻴﺰﯼ ﺷﻤﺎرش ﺧﻮاهﺪ ﺷﺪ‪.‬‬

‫‪COUNTBLANK (١۴‬‬
‫ﺑﺎ اﯾﻦ ﺗﺎﺑﻊ ﺗﻌﺪاد ﺧﺎﻧﻪ هﺎﯼ ﺧﺎﻟﯽ را در ﻣﺤﺪودﻩ اﯼ ﮐﻪ ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﻴﺪ ﺑﺸﻤﺎرﯾﺪ‪.‬‬

‫‪COUNTIF (١۵‬‬
‫ﺑﺎ اﯾﻦ ﺗﺎﺑﻊ ﻣﯽ ﺗﻮاﻧﻴﺪ ﻣﺤﺪودﻩ اﯼ را ﺑﺎ ﯾﮏ ﺷﺮط ﮐﻪ ﺗﻌﻴﻴﻦ ﻣﯽ ﮐﻨﻴﺪ ﻣﻮرد ﺷﻤﺎرش ﻗـﺮار‬
‫دهﻴﺪ‪.‬ﺑﻌﺪ از اﯾﻨﮑﻪ ﻣﺤﺪودﻩ ﻣﻮرد ﻧﻈﺮ را اﻧﺘﺨﺎب ﮐﺮدﯾﺪ ﻣﯽ ﺗﻮاﻧﻴﺪ ﺑﻪ ﺻﻮرت هﺎﯼ زﯾﺮ ﺷﺮط‬
‫ﮔﺬارﯼ ﮐﻨﻴﺪ "‪32, "32", ">32", "apples‬‬

‫‪١١‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪COVAR (١۶‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﻘﺪار ﮐﻮوارﯾﺎﻧﺲ دو ﺳﺮﯼ از اﻋﺪاد را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ‪.‬اﯾﻦ ﺗﺎﺑﻊ دو ﭘﺎراﻣﺘﺮ دارد‪.‬‬
‫دو ﺳﺮﯼ از دادﻩ هﺎ را در دو ﻓﻴﻠﺪ اﯾﻦ ﺗﺎﺑﻊ درج ﮐﻨﻴﺪ و ﺗﻤﺎم‪.‬ﻓﺮﻣـﻮل ﻣﺤﺎﺳـﺒﻪ ﮐﻮوارﯾـﺎﻧﺲ‬
‫ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ ‪:‬‬

‫= ) ‪Cov ( X , Y‬‬
‫) ‪∑ (x − x )( y − y‬‬
‫‪n‬‬

‫‪CRITBINOM (١٧‬‬
‫اﮔﺮ ﺗﺎﺑﻊ دو ﺟﻤﻠﻪ اﯼ را ﺑـﻪ ﺧـﺎﻃﺮ داﺷـﺘﻪ ﺑﺎﺷـﻴﺪ در ﺁن ﺗـﺎﺑﻊ در ﻓﻴﻠـﺪ ﺁﺧـﺮ اﻣﮑـﺎن اﯾـﻦ را‬
‫داﺷﺘﻴﻢ ﮐﻪ ﻣﻘﺪار ﺗﺎﺑﻊ را ﺑﻪ ﺻﻮرت ﺗﺠﻤﻌﯽ ﻧﻴﺰ ﺣﺴﺎب ﮐﻨﻴﻢ‪.‬ﺣﺎل اﯾﻦ ﺗﺎﺑﻊ ﮐـﺎر ﻣﮑﻤـﻞ ﺁن‬
‫را اﻧﺠﺎم ﻣﯽ دهﺪ در اﯾﻦ ﺗـﺎﺑﻊ ﮐـﻪ ﺳـﻪ ﭘـﺎراﻣﺘﺮ دارد اﺑﺘـﺪا ﺗﻌـﺪاد ﺁزﻣﺎﯾـﺸﺎت )‪ (n‬ﺳـﭙﺲ‬
‫اﺣﺘﻤﺎل ﭘﻴﺮوزﯼ )‪ (p‬و در ﺁﺧﺮ ﻣﻴﺰاﻧﯽ از ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ را ﮐﻪ ﻣﯽ ﺧﻮاهﻴﻢ ﺗﺎﺑﻊ ﺁﻧﺮا ﺑﻴﺎﺑـﺪ را‬
‫وارد ﻣﯽ ﮐﻨﻴﻢ‪.‬ﻣﺜﻼ ﻣﯽ داﻧﻴﻢ ﮐﻪ ﻣﻴﺰان ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ دو ﺟﻤﻠﻪ اﯼ ﺑـﻪ ازاﯼ ‪ x=7‬و ‪n=10‬‬
‫و ‪ p=.5‬ﺑﺮاﺑﺮ ﺑﺎ ‪ ٠/٩۴۵‬ﻣﯽ ﺑﺎﺷﺪ ﺣﺎل در اﯾﻦ ﺗﺎﺑﻊ وارد ﻣﯽ ﮐﻨـﻴﻢ ﯾﻌﻨـﯽ ﺑـﻪ ﺟـﺎﯼ ‪ n‬ﻋـﺪد‬
‫‪ ١٠‬در ﻓﻴﻠﺪ اﺣﺘﻤﺎل ﭘﻴﺮوزﯼ ‪ ٠/۵‬و در ﺁﻟﻔﺎ هﻢ ﻋـﺪد ‪ ٠/٩۴۵‬را وارد ﻣـﯽ ﮐﻨـﻴﻢ ﻣﻘـﺪار ﺗـﺎﺑﻊ‬
‫ﻋﺪد ‪ ٧‬ﺧﻮاهﺪ ﺑﻮد‬

‫‪DEVSQ (١٨‬‬
‫ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت اﻧﺤﺮاﻓﺎت از ﻣﻴﺎﻧﮕﻴﻦ ﺗﻌﺮﯾﻔﯽ اﺳﺖ ﮐﻪ ﻣﯽ ﺗـﻮان ﺑـﺮاﯼ اﯾـﻦ ﺗـﺎﺑﻊ در ﻧﻈـﺮ‬
‫ﮔﺮﻓﺖ در واﻗﻊ ﻣﯽ ﺗﻮان ﻓﺮﻣﻮل زﯾﺮ را در ﻧﻈﺮ ﮔﺮﻓﺖ ‪:‬‬
‫) ‪DEVSQ = ∑ ( x − x‬‬
‫‪2‬‬

‫‪EXPONDIST (١٩‬‬
‫ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﻧﻤﺎﯾﯽ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﺑﺮاﯼ ﻣـﺪل ﺳـﺎزﯼ در ﻣﮑﺎﻧﻬـﺎﯾﯽ ﮐـﻪ ﺑـﺎ زﻣـﺎن ﺳـﺮ و ﮐـﺎر‬
‫دارﻧﺪ ﻣﻨﺎﺳﺐ اﺳﺖ‪.‬داراﯼ ﺳﻪ ﭘﺎراﻣﺘﺮ ﻣﯽ ﺑﺎﺷﺪ ‪ x‬ﮐﻪ ﻣﻘـﺪار ﺗـﺎﺑﻊ در ﺁن ﻣﺤﺎﺳـﺒﻪ ﻣـﯽ‬
‫ﺷﻮد ‪ lambda‬ﻣﻘﺪار ﭘﺎراﻣﺘﺮ ﺗﻮزﯾﻊ ﻧﻤﺎﯾﯽ ﻣﯽ ﺑﺎﺷـﺪ و در ﻧﻬﺎﯾـﺖ ‪ Cumulative‬ﻣﺮﺑـﻮط ﺑـﻪ‬
‫ﺗﺠﻤﻌﯽ ﺑﻮدن ﯾﺎ ﻧﺒﻮدن ﺗﻮزﯾﻊ ﻧﻤﺎﯾﯽ ﻣﯽ ﺑﺎﺷـﺪ ‪ ).‬ﻣﺜـﻞ دﯾﮕـﺮ ﺗﻮاﺑـﻊ ﺑـﺮاﯼ ﺗﺠﻤﻌـﯽ ﺑـﻮدن‬
‫‪ TRUE‬در ﻏﻴﺮ اﯾﻦ ﺻﻮرت ‪ FALSE‬ﺗﺎﯾﭗ ﮐﻨﻴﺪ( در زﯾﺮ ﻓﺮﻣﻮل اﯾﻦ ﺗﺎﺑﻊ را ﻣﯽ ﺑﻴﻨﻴﺪ‪:‬‬

‫‪f ( x; λ ) = λe − λx‬‬ ‫ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ‪:‬‬

‫‪F ( x; λ ) = 1 − e − λx‬‬ ‫ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ‪:‬‬

‫‪١٢‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪FDIST (٢٠‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﻘﺎدﯾﺮ اﺣﺘﻤﺎل را ﺑﻪ ازاﯼ ﻣﻘﺪار ‪ x‬و دو ﭘﺎراﻣﺘﺮ درﺟﺎت ﺁزادﯼ ﻣﺤﺎﺳـﺒﻪ ﻣـﯽ ﮐﻨـﺪ‬
‫ﻣﺜﻼ ﻣﻘﺪار اﯾﻦ ﺗﺎﺑﻊ ﺑﻪ ازاﯼ ‪ x=4052.181‬و درﺟﺎت ﺁزادﯼ ‪١‬و‪ ١‬ﺑﺮاﺑـﺮ ﺑـﺎ ‪ ٠/٠١‬ﺧﻮاهـﺪ ﺑـﻮد‬
‫ﻣﯽ ﺗﻮاﻧﻴـﺪ ﺗﻮﺳـﻂ ﺟـﺪاول ﺁﻣـﺎرﯼ ﻣﻮﺟـﻮد اﯾـﻦ ﻣﻄﻠـﺐ را ﭼـﮏ ﮐﻨﻴـﺪ اﮔـﺮ ﺑـﻪ اﯾـﻦ ﺟـﺪاول‬
‫دﺳﺘﺮﺳﯽ ﻧﺪارﯾﺪ ﻣﯽ ﺗﻮاﻧﻴﺪ از ﺗﺎﺑﻊ ﺑﻌﺪﯼ اﺳﺘﻔﺎدﻩ ﮐﻨﻴﺪ‬

‫‪FINV (٢١‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﮐﺎر ﻋﮑﺲ ﺗﺎﺑﻊ ﺑﺎﻻﯾﯽ را اﻧﺠﺎم ﻣﯽ دهـﺪ ﯾﻌﻨـﯽ ﻣﻘـﺪار ‪ x‬را ﺑـﻪ ازاﯼ اﺣﺘﻤـﺎل و‬
‫درﺟﺎت ﺁزادﯼ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ﺑﺮاﯼ ﺗﻤﺮﯾﻦ ﻋﮑﺲ ﺗﺎﺑﻊ ﺑﺎﻻ را وارد ﻣـﯽ ﮐﻨـﻴﻢ ﯾﻌﻨـﯽ ﺑـﻪ‬
‫ﺟﺎﯼ ﭘﺎراﻣﺘﺮ ‪ Probability‬ﻣﻘﺪار ‪ ٠/٠١‬و ﺑﻪ ﺟﺎﯼ درﺟﺎت ﺁزادﯼ هﻢ ‪١‬و‪ ١‬را وارد ﻣﯽ ﮐﻨـﻴﻢ‬
‫در اﯾﻦ ﺻﻮرت هﻤﺎن ﻣﻘﺪار ﺗﺎﺑﻊ ﺑﺎﻻﯾﯽ را ﯾﻌﻨﯽ ‪ ۴٠۵٢٫١٨١‬ﺑﺪﺳﺖ ﻣﯽ ﺁﯾﺪ‪.‬‬

‫‪FISHER (٢٢‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﺗﺒﺪﯾﻞ ﻓﻴﺸﺮ را ﺑﺮاﯼ ﻣﺎ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ﻓﺮﻣﻮل اﯾﻦ ﺗﺒﺪﯾﻞ ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ‬

‫⎞ ‪1 ⎛1+ x‬‬
‫=‪z‬‬ ‫⎜‪ln‬‬ ‫⎟‬
‫⎠ ‪2 ⎝1− x‬‬
‫ﻣﺜﻼ ﺑﺮاﯼ ﻋﺪد ‪ ٠/٢۵‬ﻣﻘﺪار ﺗﺒﺪﯾﻞ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ‪٠/٢۵۵۴:‬‬

‫‪FISHERINV (٢٣‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﮐﺎر ﺑﺮﻋﮑﺲ ﺗﺎﺑﻊ ﺑﺎﻻ را اﻧﺠﺎم ﻣﯽ دهﺪ ﯾﻌﻨﯽ ﺑﺮاﯼ ﻋﺪد ‪ ٠/٢۵۵۴‬ﻣﻘﺪار اوﻟﻴﻪ‬
‫‪ ٠/٢۵‬را ﺑﺪﺳﺖ ﻣﯽ ﺁورﯾﻢ ﻓﺮﻣﻮل ﺗﺒﺪﯾﻞ ﻋﮑﺲ ﻓﻴﺸﺮ ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ ‪:‬‬
‫‪e2y −1‬‬
‫‪x = 2y‬‬
‫‪e +1‬‬

‫‪FORECAST (٢۴‬‬
‫ﺑﺮاﯼ ﭘﻴﺸﮕﻮﯾﯽ ﺁﯾﻨﺪﻩ )اﻟﺒﺘﻪ در ﻣﻮرد اﻋﺪاد( از اﯾﻦ ﺗﺎﺑﻊ اﺳﺘﻔﺎدﻩ ﮐﻨﻴﺪ روش ﮐـﺎر اﯾـﻦ ﺗـﺎﺑﻊ‬
‫ﺑﻬﺎﯾﻦ ﺻﻮرت اﺳﺖ ﮐﻪ ﺑﺮ اﺳﺎس روش رﮔﺮﺳﻴﻮن ﺧﻄﯽ ﺳﺎدﻩ ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ در اﯾﻦ ﺗﺎﺑﻊ‬
‫اﺑﺘﺪا ﺗﻌﻴﻴﻦ ﻣﯽ ﮐﻨﻴﻢ ﮐﻪ ﺑﻪ ازاﯼ ﭼﻪ ﻣﻘـﺪارﯼ از ‪ x‬غ را ﭘـﻴﺶ ﺑﻴﻨـﯽ ﮐﻨـﺪ در ﻓﻴﻠـﺪ ﺑﻌـﺪﯼ‬
‫ﻣﺤﺪودﻩ اﻋﺪاد ‪ y‬ﯾﺎ هﻤﺎن واﺑـﺴﺘﻪ هـﺎ را وارد ﻣـﯽ ﮐﻨـﻴﻢ در ﻓﻴﻠـﺪ ﺑﻌـﺪﯼ هـﻢ دادﻩ هـﺎﯼ‬
‫ﻣﺴﺘﻘﻞ ‪ x‬را‪.‬ﺑﺮاﯼ دوﺳﺘﺎﻧﯽ ﮐﻪ ﺑﺎ رﮔﺮﺳﻴﻮن ﺁﺷﻨﺎ ﻧﻴـﺴﺘﻨﺪ ﺑﺎﯾـﺪ ﻋـﺮض ﮐـﻨﻢ ﮐـﻪ در اﯾـﻦ‬
‫ﻣﺒﺤﺚ ﺳﻌﯽ ﻣﯽ ﮐﻨﻴﻢ ﮐﻪ ﺑﺎ اﺳﺘﻔﺎدﻩ از ﯾﮏ راﺑﻄﻪ ﺧﻄﯽ دادﻩ هﺎ را ‪ fit‬ﮐﻨـﻴﻢ )اﻟﺒﺘـﻪ در‬
‫اواﯾﻞ ﺧﻄﯽ ﻣﯽ ﺑﺎﺷﺪ ( ﻓﺮﻣﻮﻟﯽ ﮐﻪ از ﺁن اﺳﺘﻔﺎدﻩ ﻣﯽ ﮐﻨﻴﻢ ﺑﻪ اﯾﻦ ﺻﻮرت اﺳﺖ ﮐﻪ ‪:‬‬

‫‪١٣‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪y = a + bx‬‬
‫ﮐﻪ ﺑﺮاﯼ ﺑﺮﺁورد ‪ a‬و ‪ b‬دارﯾﻢ ‪:‬‬
‫‪a = y − bx‬‬

‫=‪b‬‬
‫) ‪∑ (x − x )( y − y‬‬
‫) ‪∑ (x − x‬‬
‫‪2‬‬

‫‪FREQUENCY (٢۵‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﮐﻪ ﻣﻌﺮف ﺣﻀﻮر ﺁﻣﺎرﯾﻬﺎ هـﺴﺖ ﺑـﺮاﯼ ﭘﻴـﺪا ﮐـﺮدن ﻓﺮاواﻧـﯽ دادﻩ هـﺎ از اﯾـﻦ ﺗـﺎﺑﻊ‬
‫اﺳﺘﻔﺎدﻩ ﻣﯽ ﺷﻮد ﺑﺮاﯼ اﯾﻦ ﮐﺎر دادﻩ هﺎ را در ﻓﻴﻠﺪ اول اﯾـﻦ ﺗـﺎﺑﻊ وارد ﮐﻨﻴـﺪ در ﻓﻴﻠـﺪ دوم‬
‫ﺑﺎﯾﺪ اﻋﺪادﯼ را ﺑﻪ ﻋﻨﻮان ﮐﻼﺳﻬﺎ ) دﺳﺘﻪ هﺎ ( وارد ﮐﻨﻴﻢ ﺑﺮاﯼ اﯾﻦ ﮐﺎر ﻣﯽ ﺗﻮاﻧﻴﻢ در ﯾـﮏ‬
‫ﺳﺘﻮن ﻣﺜﻼ ﺳﻪ ﻋﺪد ‪ ٧٠ ۶٠ ۵٠‬را زﯾﺮ هﻢ وارد ﮐﻨﻴﻢ و اﯾﻦ ﺳﻪ ﻋﺪد را ﺑﻪ ﻋﻨﻮان ﭘﺎراﻣﺘﺮ‬
‫در ﻓﻴﻠﺪ دوم وارد ﮐﻨﻴﻢ اﯾﻦ ﺳﻪ ﻋﺪد ﯾﻌﻨﯽ ﭼﻪ ؟ اﯾﻦ ﺳـﻪ ﻋـﺪد ﯾﻌﻨـﯽ اﯾﻨﮑـﻪ ﺗﻌـﺪاد دادﻩ‬
‫هﺎﯾﯽ ﮐﻪ ﮐﻤﺘﺮ ﯾﺎ ﻣﺴﺎوﯼ ‪ ۵٠‬اﺳﺖ را ﻧﻤﺎﯾﺶ ﺑﺪﻩ ﺳﭙﺲ ﺗﻌـﺪاد دادﻩ هـﺎﯾﯽ را ﮐـﻪ ﺑـﻴﻦ‬
‫‪۵١‬و‪ ۶٠‬هﺴﺘﻨﺪ و ﺳﭙﺲ ﺗﻌﺪاد دادﻩ هﺎﯾﯽ ﮐﻪ ﺑﻴﻦ ‪ ۶١‬ﺗﺎ ‪ ٧٠‬و ﺳﭙﺲ دادﻩ هﺎﯾﯽ را ﮐـﻪ‬
‫ﺑﺰرﮔﺘﺮ ﻣﺴﺎوﯼ ‪ ٧٠‬هﺴﺘﻨﺪ را ﻧﻤﺎﯾﺶ دهﺪ اﻟﺒﺘﻪ ﺑﺮاﯼ اﯾﻨﮑﻪ اﯾﻦ ‪ ۴‬ﻧﺘﻴﺠﻪ را ﺑﺘﻮان ﻧﻤـﺎﯾﺶ‬
‫داد ﺑﺎﯾﺪ اوﻻ ﺑﺎﯾﺪ ‪ ۴‬ﺧﺎﻧﻪ ﺧﺎﻟﯽ اﻧﺘﺨﺎب ﮐﻨﻴﻢ دوﻣﺎ ﺑﺎﯾﺪ ﻓﺮﻣـﻮل را ﺑـﺼﻮرت ﺁراﯾـﻪ اﯼ ﺗﻌﺮﯾـﻒ‬
‫ﮐﻨﻴﻢ ﯾﻌﻨـﯽ ﺑﻌـﺪ از اﯾﻨﮑـﻪ ﺧﺎﻧـﻪ هـﺎ را اﻧﺘﺨـﺎب ﮐﺮدﯾـﺪ و ﻓﺮﻣـﻮل را درج ﻧﻤﻮدﯾـﺪ در ﻣﺮﺣﻠـﻪ‬
‫ﻧﻬﺎﯾﯽ ﺑﻪ ﺟﺎﯼ اﯾﻨﺘﺮ از ﮐﻠﻴﺪهﺎﯼ ‪ Ctrl + Shift +Enter‬اﺳﺘﻔﺎدﻩ ﮐﻨﻴﺪ ﺑﺎ اﯾﻦ ﮐﺎر دور ﻓﺮﻣـﻮل‬
‫ﯾﮏ ﺁﮐﻮﻻد اﺿﺎﻓﻪ ﻣﯽ ﺷﻮد و ﻓﺮﻣﻮل ﺑﺼﻮرت ﺁراﯾﻪ اﯼ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮔﺮدد‪ .‬ﺑﺮاﯼ درﮎ ﺑﻬﺘﺮ‬
‫ﻣﻄﻠﺐ ﯾﮏ ﻣﺜﺎل را ﺣﻞ ﻣﯽ ﮐﻨﻴﻢ ‪:‬‬

‫دادﻩ هﺎﯼ زﯾﺮ را در ﻧﻈﺮ ﻣﯽ ﮔﻴﺮﯾﻢ‪:‬‬

‫‪44‬‬ ‫‪48‬‬ ‫‪55‬‬ ‫‪51‬‬ ‫‪40‬‬ ‫‪46‬‬ ‫‪43‬‬ ‫‪45‬‬ ‫‪49‬‬ ‫‪35‬‬

‫ﻣﻦ ﻣﯽ ﺧﻮاهﻢ ﮐـﻪ اﯾـﻦ دادﻩ هـﺎ را در دﺳـﺘﻪ هـﺎﯼ ﮐﻤﺘـﺮ از ‪ ٣۵‬و ]‪۴۵‬و‪ (٣۵‬و ]‪۵۵‬و‪(۴۵‬و‬
‫ﺑﻴﺸﺘﺮ ﻣﺴﺎوﯼ ‪ ۵۵‬ﻃﺒﻘﻪ ﺑﻨﺪﯼ ﮐﻨﻢ ﺑﻌﺪ از اﯾﻨﮑﻪ دادﻩ هﺎ را در ﯾـﮏ ﺳـﺘﻮن وارد ﮐـﺮدم در‬
‫ﺳﺘﻮن دﯾﮕـﺮ اﻋـﺪاد ‪ ۵۵ ۴۵ ٣۵‬را وارد ﻣـﯽ ﮐـﻨﻢ ‪ ۴‬ﺧﺎﻧـﻪ ﺧـﺎﻟﯽ اﻧﺘﺨـﺎب ﻣـﯽ ﮐـﻨﻢ ﺗـﺎﺑﻊ‬
‫ﻓﺮاواﻧﯽ را ﻓﺮاﺧﻮاﻧﯽ ﻣـﯽ ﮐـﻨﻢ دادﻩ هـﺎ را در ﻓﻴﻠـﺪ اول و دﺳـﺘﻪ هـﺎ را در ﻓﻴﻠـﺪ دوم وارد‬
‫ﻣﯽ ﮐﻨﻢ ﺳﭙﺲ ﮐﻨﺘﺮل ‪ +‬ﺷﻴﻔﺖ ‪ +‬اﯾﻨﺘﺮ را ﻣﯽ زﻧﻢ ﺟﻮاﺑﻬﺎ ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﺮاﺑﺮﻧﺪ ﺑﺎ ‪٠ ۵ ۴ ١‬‬

‫‪١٤‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪FTEST (٢۶‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﺑﺮاﯼ اﻧﺠﺎم ﺁزﻣﻮن ‪ F‬روﯼ دو ﺳﺮﯼ از دادﻩ هﺎ ﺑﻪ ﮐﺎر ﻣﯽ رود ﺗـﺎ ﻣـﺸﺨﺺ ﺷـﻮد‬
‫ﮐﻪ ﺁﯾﺎ وارﯾﺎﻧﺲ دو ﺳﺮﯼ ﺑﺎ هﻢ ﻣﺘﻔﺎوﺗﻨﺪ ﯾﺎ ﻧﻪ ؟‬
‫اﮔﺮ ﻣﺘﻨﯽ در ﺳﻠﻮل هﺎ ﺑﺎﺷﺪ ﻧﺎدﯾﺪﻩ ﮔﺮﻓﺘﻪ ﻣﯽ ﺷﻮد اﮔﺮ ﺗﻌﺪاد هﺮ ﺳﺮﯼ از دادﻩ هﺎ ﮐﻤﺘﺮ‬
‫از ‪ ٢‬ﺑﺎﺷﺪ ﺧﻄﺎ رخ ﻣﯽ دهﺪ ‪.‬ﻣﺴﻠﻤﺎ ﻣﻘﺪار ﺑﺪﺳﺖ ﺁﻣﺪﻩ ) ﻣﻘـﺪار ﻣﻌﻨـﯽ دارﯼ ﺁﻟﻔـﺎ( اﮔـﺮ‬
‫ﺑﻴﺶ از ‪ ٠/٠۵‬ﺑﺎﺷﺪ در ﺳﻄﺢ ‪ ۵‬درﺻﺪ ﻣﯽ ﭘﺬﯾﺮم ﮐﻪ وارﯾﺎﻧﺲ هﺎ ﻣﺘﻔﺎوﺗﻨﺪ‪.‬‬

‫‪GAMMADIST (٢٧‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﻘﺪار ﺗﺎﺑﻊ ﮔﺎﻣﺎ را ﺑﺮاﯼ ‪ x‬ﻣﻌﻴﻨـﯽ ﻣﺤﺎﺳـﺒﻪ ﻣـﯽ ﮐﻨـﺪ ﭘﺎراﻣﺘﺮهـﺎﯼ اﯾـﻦ ﺗـﺎﺑﻊ ﺑـﻪ‬
‫ﺻﻮرت زﯾﺮ اﺳﺖ‪:‬‬
‫‪ :X‬ﻣﻘﺪارﯼ ﮐﻪ ﺗﺎﺑﻊ ﺑﻪ ازاﯼ ﺁن ﻧﻘﻄﻪ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد و ﻋﺪدﯼ اﺳﺖ ﻏﻴﺮ ﻣﻨﻔﯽ‪.‬‬
‫‪ :Alpha‬ﯾﮑﯽ از ﭘﺎراﻣﺘﺮهﺎﯼ ﺗﻮزﯾﻊ ﮔﺎﻣﺎ اﺳﺖ ﮐﻪ ﺑﺎﯾﺪ ﻋﺪدﯼ ﻣﺜﺒﺖ ﺑﺎﺷﺪ‬
‫‪ :Beta‬اﯾــﻦ ﻧﻴــﺰ ﯾﮑــﯽ از ﭘﺎراﻣﺘﺮهــﺎﯼ ﺗﻮزﯾــﻊ ﮔﺎﻣــﺎ اﺳــﺖ اﮔــﺮ ‪ Beta=1‬ﺑﺎﺷــﺪ ﺗﻮزﯾــﻊ ﮔﺎﻣــﺎ‬
‫اﺳﺘﺎﻧﺪارد ﻣﯽ ﺷﻮد‬
‫‪ :Cumulative‬ﻣﺜﻞ ﺗﻮاﺑﻊ ﻗﺒﻠﯽ اﮔﺮ ﻣﻘﺪار ‪ TRUE‬در ﺁن ﺗﺎﯾﭗ ﺷﻮد ﺗﻮزﯾﻊ ﺑﻪ ﺻﻮرت ﺗﺠﻤﻌﯽ‬
‫و اﮔﺮ ‪ FALSE‬ﺗﺎﯾﭗ ﺷﻮد ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﻣﺤﺴﻮب ﺧﻮاهﺪ ﺷﺪ‬

‫ﻓﺮﻣﻮل ﻣﺤﺎﺳﺒﻪ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﭼﮕﺎﻟﯽ اﺣﺘﻤﺎل ﮔﺎﻣﺎ ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ ‪:‬‬

‫‪x‬‬
‫‪1‬‬ ‫‪−‬‬
‫‪α −1 β‬‬
‫‪f ( x; α ; β ) = α‬‬ ‫‪x e‬‬
‫) ‪β Γ(α‬‬

‫ﻣﺸﺨﺺ اﺳﺖ ﮐﻪ اﮔﺮ ﺑﺘﺎ را ‪ ١‬ﺑﺪهﻴﻢ ﺷﮑﻞ ﺗﺎﺑﻊ ﺑﺎﻻ ﺑﻪ ﺻﻮرت اﺳﺘﺎﻧﺪارد زﯾﺮ در ﻣﯽ ﺁﯾﺪ‬

‫‪xα −1e − x‬‬

‫= ) ‪f ( x; α‬‬
‫) ‪Γ (α‬‬
‫در ﺿﻤﻦ ﻣﯽ داﻧﻴﻢ ﮐﻪ اﮔﺮ ﺁﻟﻔﺎ ﺑﺮاﺑﺮ ﯾـﮏ ﺷـﻮد ﺁﻧﮕـﺎﻩ اﯾـﻦ ﺗﻮزﯾـﻊ ﺑـﻪ ﺗﻮزﯾـﻊ ﻧﻤـﺎﯾﯽ ﺗﺒـﺪﯾﻞ‬
‫ﻣﯽ ﺷﻮد ﯾﻌﻨﯽ ‪:‬‬
‫‪1‬‬
‫=‪λ‬‬
‫‪β‬‬
‫ﯾﮏ ﻧﮑﺘﻪ دﯾﮕﺮ ﺁﻣﺎرﯼ اﯾﻨﮑﻪ ﻣﻘﺪار ﺗﺎﺑﻊ ﮔﺎﻣﺎ ﺑﻪ ازاﯼ ﺁﻟﻔﺎﯼ ‪ n/2‬و ﺑﺘﺎﯼ ‪ ٢‬و ﺑﻪ ﺻﻮرت‬
‫ﺗﺠﻤﻌﯽ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﻣﻘﺪار ﯾﮏ ﻣﻨﻬﺎﯼ ﻣﻘﺪار ﺗﺎﺑﻊ ﺧﯽ دو ﺑﺎ ‪ n‬درﺟﻪ ﺁزادﯼ ﯾﻌﻨﯽ ‪:‬‬

‫)‪GAMMADIST(x;n/2;2;TRUE)=1 - CHIDIST(x;n‬‬

‫‪١٥‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪GAMMAINV (٢٨‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻋﮑﺲ ﺗﺎﺑﻊ ﺑﺎﻻ ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ ﯾﻌﻨﯽ ﺑﻪ ازاﯼ اﺣﺘﻤﺎل ﺧﺎص از ﺗﻮزﯾﻊ ﮔﺎﻣﺎ ﻣﻘﺪار‬
‫ﻣﺘﻨﺎﻇﺮ ‪x‬را ﺑﺮاﯼ ﺁن ﭘﻴﺪا ﻣﯽ ﮐﻨﺪ‬

‫‪GAMMALN (٢٩‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﻘﺪار ﻟﮕﺎرﯾﺘﻢ ﻃﺒﻴﻌﯽ را ﺑﺮاﯼ ﺗﺎﺑﻊ ﮔﺎﻣﺎﯼ زﯾﺮ ﺑﺪﺳﺖ ﻣﯽ ﺁورد‬
‫∞‬
‫‪Γ( x) = ∫ e −u u x −1 du‬‬
‫‪0‬‬

‫)) ‪GAMALN = LN (Γ( x‬‬

‫‪GEOMEAN (٣٠‬‬
‫ﻣﻴﺎﻧﮕﻴﻦ هﻨﺪﺳﯽ را ﺗﻮﺳﻂ اﯾﻦ ﺗﺎﺑﻊ ﻣﯽ ﺗﻮان ﻣﺤﺎﺳﺒﻪ ﮐﺮد ﻓﺮﻣﻮل ﻣﻴﺎﻧﮕﻴﻦ هﻨﺪﺳﯽ ﺑﻪ‬
‫ﺻﻮرت زﯾﺮ اﺳﺖ‬
‫‪GM y = n y1 y 2 ... y n‬‬

‫‪GROWTH (٣١‬‬
‫ﺗﺎﺑﻊ رﺷﺪ در اﻣﻮر ﻣﺮﺑﻮط ﺑﻪ رﺷﺪ ﺟﻤﻌﻴﺖ ﮐﺎرﺑﺮد دارد اﯾﻦ ﺗﺎﺑﻊ در واﻗﻊ ﯾﮏ ﺗـﺎﺑﻊ ﻧﻤـﺎﯾﯽ را‬
‫ﺑﻪ دادﻩ هﺎ ﺑﺮازش ﻣﯽ ﮐﻨﺪ و ﺑﻪ ازاﯼ ‪ x‬هﺎﯼ ﺟﺪﯾـﺪ ﭘـﻴﺶ ﺑﻴﻨـﯽ ﻣـﯽ ﮐﻨـﺪ ﻗـﺒﻼ در ﺗـﺎﺑﻊ‬
‫‪ FORECAST‬اﯾﻦ ﻣﻮرد را داﺷﺘﻴﻢ وﻟﯽ در ﺁن ﺟﺎ ﯾﮏ ﺗـﺎﺑﻊ ﺧﻄـﯽ ﺑـﺮازش دادﯾـﻢ وﻟـﯽ در‬
‫اﯾﻨﺠﺎ ﯾﮏ ﺗﺎﺑﻊ ﻧﻤﺎﯾﯽ را ﺑﺮازش ﻣﯽ دهﻴﻢ ‪ .‬ﺑﻪ ﺻﻮرت زﯾﺮ‬
‫‪y = b × mx‬‬
‫در ﮐﺎدر اﯾﻦ ﺗﺎﺑﻊ ﺑﺎز ﺷﺪﻩ ‪ ۴‬ﻓﻴﻠﺪ وﺟﻮد دارد ﮐﻪ در ﻓﻴﻠﺪ اول ﻣﻘـﺎدﯾﺮ ‪ y‬ﻣﻌﻠـﻮم را وارد ﻣـﯽ‬
‫ﮐﻨﻴﻢ ﯾﻌﻨﯽ ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ را ‪ .‬در ﻓﻴﻠﺪ دوم ‪ x‬هﺎﯼ ﻣﻌﻠﻮم ﯾـﺎ ﻣﺘﻐﻴـﺮ ﻣـﺴﺘﻘﻞ را وارد ﻣـﯽ‬
‫ﮐﻨﻴﻢ ‪ .‬در ﻓﻴﻠﺪ ﺳﻮم ‪ x‬هﺎﯼ ﺟﺪﯾﺪ ﮐﻪ ﻣﯽ ﺧﻮاهﻴﻢ ﺑﻪ ازاﯼ ﺁﻧﻬﺎ ﭘﻴﺶ ﺑﻴﻨﯽ ﺻﻮرت ﺑﮕﻴﺮد‬
‫را وارد ﻣﯽ ﮐﻨﻴﻢ در ﻓﻴﻠﺪ ﺁﺧﺮ اﮔﺮ ﻣﻘﺪارﯼ ﺑﺮاﯼ ‪ b‬در ﻓﺮﻣـﻮل در ﻧﻈـﺮ ﮔﺮﻓﺘـﻪ اﯾـﻢ وارد ﻣـﯽ‬
‫ﮐﻨﻴﻢ ﺗﺎ در ﮐﻞ ﺟﻮاب ﺿﺮب ﺷﻮد‬

‫‪١٦‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪HARMEAN (٣٢‬‬
‫ﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ ﻣﻴﺎﻧﮕﻴﻦ هﺎرﻣﻮﻧﻴﮏ ﺑﻪ ﮐﺎر ﻣﯽ رود ﮐﻪ ﻓﺮﻣﻮل اﯾﻦ ﻣﻴﺎﻧﮕﻴﻦ ﺑﻪ ﺻﻮرت زﯾﺮ‬
‫اﺳﺖ ‪:‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫∑ =‬
‫‪H y n Yi‬‬

‫‪HYPGEOMDIST (٣٣‬‬
‫ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﻓﻮق هﻨﺪﺳﯽ را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ‪ ۴‬ﻓﻴﻠﺪ ﺧﺎﻟﯽ در اﯾﻦ ﺗﺎﺑﻊ ﻣﯽ ﺗﻮان دﯾﺪ ﮐﻪ‬
‫اﻟﺒﺘﻪ در ﻓﺮﻣﻮل اﯾﻦ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﻧﻴﺰ ‪ ۴‬ﭘﺎراﻣﺘﺮ وﺟـﻮد دارد ﭘـﺲ اﺟـﺎزﻩ دهﻴـﺪ در درون ﻓﺮﻣـﻮل‬
‫اﯾﻦ ﻓﻴﻠﺪهﺎ را ﻧﻴﺰ ﺗﻮﺿﻴﺢ دهﻴﻢ ‪:‬‬

‫⎞ ‪⎛ M ⎞⎛ N − M‬‬
‫⎜⎜⎟⎟ ⎜⎜‬ ‫⎟⎟‬
‫‪−‬‬
‫⎝⎠ ⎝ = ) ‪P ( X = x) = h( x; n; M ; N‬‬ ‫⎠‬
‫‪x‬‬ ‫‪n‬‬ ‫‪x‬‬
‫⎞‪⎛N‬‬
‫⎟⎟ ⎜⎜‬
‫⎠ ‪⎝n‬‬

‫‪ (sample_s) :x‬در ﻓﻴﻠﺪ اول ﻣﻘﺪار اﯾﻦ ‪ x‬را وارد ﻣﯽ ﮐﻨﻴﻢ ﮐﻪ ﺗﻌﺪاد ﭘﻴﺮوزﯼ هـﺎ در ﻧﻤﻮﻧـﻪ‬
‫اﺳﺖ ‪.‬‬
‫‪ (number sample): n‬اﻧﺪازﻩ ﻧﻤﻮﻧﻪ در اﯾﻦ ﻓﻴﻠﺪ وارد ﻣﯽ ﺷﻮد‬
‫‪ (population_s): M‬ﺗﻌﺪاد ﻣﻮﻓﻘﻴﺘﻬﺎ در ﮐﻞ ﺟﺎﻣﻌﻪ‬
‫‪ (number_population) : N‬اﻧﺪازﻩ ﺟﺎﻣﻌﻪ را در اﯾﻦ ﻓﻴﻠﺪ وارد ﻣﯽ ﮐﻨﻴﻢ‬

‫‪INTERCEPT (٣۴‬‬
‫اﯾﻦ ﺗﺎﺑﻊ هﻤﺎن ﮐﺎر ﭘﻴﺶ ﺑﻴﻨﯽ را اﻧﺠﺎم ﻣﯽ دهﺪ ﮐﻪ در ﺗﺎﺑﻊ ‪ FORECAST‬داﺷﺘﻴﻢ ﺑﺎ اﯾـﻦ‬
‫ﺗﻔﺎوت ﮐﻪ ﻓﻘﻂ ﺑﺮاﯼ ﯾﮏ ﻧﻘﻄـﻪ و ﺁن هـﻢ در ﻧﻘﻄـﻪ ‪ x=0‬ﭘـﻴﺶ ﺑﻴﻨـﯽ را اﻧﺠـﺎم ﻣـﯽ دهـﺪ‬
‫ﯾﻌﻨﯽ زﻣﺎﻧﯽ ﮐﻪ ﺧﻂ رﮔﺮﺳﻴﻮن ﻣﺤﻮر ‪ y‬هﺎ را ﻗﻄﻊ ﻣﯽ ﮐﻨﺪ‬

‫‪KURT (٣۵‬‬
‫ﺑﺮﺟﺴﺘﮕﯽ ﯾﺎ هﻤﺎن ﮐﺸﻴﺪﮔﯽ ﻣﻨﺤﻨﯽ ﻓﺮاواﻧﯽ را ﻧﺴﺒﺖ ﺑـﻪ ﺗﻮزﯾـﻊ ﻧﺮﻣـﺎل اﺳـﺘﺎﻧﺪارد ﺑـﺎ‬
‫اﯾﻦ ﻣﻘﻴﺎس ﻣﯽ ﺳﻨﺠﻨﺪ اﮔﺮ ﻣﻘﺪار اﯾﻦ ﺗﺎﺑﻊ ﻣﺜﺒﺖ ﺑﺎﺷﺪ ﯾﻌﻨﯽ ﻣﻨﺤﻨﯽ ﻓﺮاواﻧﯽ ﮐـﺸﻴﺪﻩ‬
‫ﺗﺮ ) ﻧﻮﮎ ﺗﻴﺰ ﺗـﺮ ( از ﺗﻮزﯾـﻊ ﻧﺮﻣـﺎل اﺳـﺘﺎﻧﺪارد اﺳـﺖ و اﮔـﺮ ﻣﻘـﺪار اﯾـﻦ ﺗـﺎﺑﻊ ﻣﻨﻔـﯽ ﺑﺎﺷـﺪ‬
‫ﻣﻨﺤﻨﯽ ﻣﺎ ﭘﺦ ﺗﺮ ) ﺻﺎف ﺗﺮ ( از ﺗﻮزﯾﻊ ﻧﺮﻣﺎل اﺳﺘﺎﻧﺪارد ﻣﯽ ﺑﺎﺷﺪ‬
‫ﺑﻪ ﺻﻮرت دﺳﺘﯽ ﻣﯽ ﺗﻮاﻧﻴﺪ از ﻓﺮﻣﻮل زﯾﺮ اﺳﺘﻔﺎدﻩ ﮐﻨﻴﺪ ‪:‬‬

‫‪١٧‬‬
‫‪http://amar80.blogfa.com‬‬

‫⎪⎧‬ ‫)‪n(n + 1‬‬ ‫⎪⎫ ⎞ ‪⎛ xi − x‬‬

‫‪4‬‬
‫‪3(n − 1) 2‬‬
‫⎨‬ ‫⎜∑‬ ‫‪⎟ ⎬−‬‬
‫)‪⎪⎩ (n − 1)(n − 2)(n − 3) ⎝ s ⎠ ⎪⎭ (n − 2)(n − 3‬‬

‫ﮐﻪ ‪ s‬ﻣﻘﺪار اﻧﺤﺮاف اﺳﺘﺎﻧﺪارد ﻧﻤﻮﻧﻪ اﯼ ﻣﯽ ﺑﺎﺷﺪ‬

‫‪LARGE (٣۶‬‬
‫‪ -k‬اﻣﻴﻦ ﻋﺪد ﺑﺰرگ را در ﻣﺤﺪودﻩ اﻋﺪاد ﺑﺎز ﻣﯽ ﮔﺮداﻧﺪ ﻣﺜﻼ ﺳﻮﻣﻴﻦ ﻋﺪد ﺑﺰرگ اﻟﺒﺘﻪ اﮔﺮ‬
‫ﯾﮏ ﻋﺪد ﭼﻨﺪ ﺑﺎر ﺗﮑﺮار ﺷﺪﻩ ﺑﺎﺷﺪ ﺁن ﻋﺪد ﭼﻨﺪ ﺑﺎر ﺷﻤﺮدﻩ ﻣﯽ ﺷﻮد ﻣﺜﻼ‪:‬‬
‫در دادﻩ هﺎﯼ زﯾﺮ ‪:‬‬
‫‪ ۵-۴-۴-۴-٣-٢-١‬ﺳﻮﻣﻴﻦ ﻋﺪد ﺑﺰرگ ‪ ۴‬ﻣﯽ ﺑﺎﺷﺪ‬

‫‪LINEST (٣٧‬‬
‫ﯾﮏ ﺗﺎﺑﻊ ﺑﺴﻴﺎر ﺟﺎﻟﺐ ﺗﻮﺟﻪ و اﻟﺒﺘﻪ ﮐﻤﯽ ﻣﺸﮑﻞ ‪.‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﺑﺮاﯼ ﺑﺮازش ﯾﮏ ﻣﺪل رﮔﺮﺳﻴﻮن ﺧﻄﯽ ﺳﺎدﻩ و ﯾﺎ ﺧﻄﯽ ﭼﻨﺪﮔﺎﻧـﻪ ﺑﮑـﺎر ﻣـﯽ رود‬
‫اﻟﺒﺘﻪ ﻣﯽ ﺗﻮان ﺑﺎ ﺁن ﺑﻪ ﭘﻴﺶ ﺑﻴﻨﯽ ﻧﻴﺰ ﭘﺮداﺧﺖ ‪.‬ﻓﻌـﻼ ﺑـﺎ ﺑـﺮازش ﯾـﮏ ﻣـﺪل ﺧﻄـﯽ ﺳـﺎدﻩ‬
‫ﺷﺮوع ﻣﯽ ﮐﻨﻴﻢ‬
‫دادﻩ هﺎﯼ زﯾﺮ را در ﺳﺘﻮﻧﻬﺎﯼ ‪ A‬و ‪ B‬وارد ﮐﻨﻴﺪ‬
‫‪Known‬‬ ‫‪Known x‬‬
‫‪y‬‬
‫‪11‬‬ ‫‪0‬‬
‫‪18‬‬ ‫‪2‬‬
‫‪15‬‬ ‫‪1‬‬
‫‪27‬‬ ‫‪7‬‬

‫ﺣﺎل دو ﺧﺎﻧﻪ ﺧﺎﻟﯽ زﯾﺮ اﯾﻦ دو ﺳﺘﻮن را اﻧﺘﺨﺎب ﮐﻨﻴﺪ و ﺑﻌﺪ ﮐﺎدر ﺗﺎﺑﻊ ‪ LINEST‬را ﺑﺎز ﮐﻨﻴـﺪ‬
‫در ﺁن در ﻓﻴﻠﺪ اول دادﻩ هﺎﯼ ﺳﺘﻮن اول و در ﻓﻴﻠﺪ دوم دادﻩ هﺎﯼ ﻣﺮﺑﻮط ﺑﻪ ﺳـﺘﻮن دوم را‬
‫وارد ﻣﯽ ﮐﻨﻴﻢ ‪.‬ﭼﻮن ﻧﻤﯽ ﺧﻮاهﻴﻢ در ﻓﺮﻣﻮل ﺑﺮازش ﺷﺪﻩ ﻣﻘﺪار ﺛـﺎﺑﺘﯽ ﺑـﻪ ﺻـﻮرت ﭘـﻴﺶ‬
‫ﻓﺮض ﻣﻮﺟﻮد ﺑﺎﺷﺪ ) ﯾﻌﻨﯽ ﺑﺪون اﯾﻨﮑﻪ ﺑﻪ ﻣﺪل ﺗﺤﻤﻴﻞ ﮐﺮدﻩ ﺑﺎﺷﻴﻢ ﮐﻪ ﺁن ﺛﺎﺑﺖ را در ﻧﻈﺮ‬
‫ﺑﮕﻴﺮد( در ﻓﻴﻠﺪ ﺁﺧﺮ ﺗﺎﯾﭗ ﮐﻨﻴﺪ ‪ FALSE‬ﺗﺎ ﻓﻘﻂ دو ﭘﺎراﻣﺘﺮ ﻣﺮﺑﻮط ﺑﻪ ﺧﻂ رﮔﺮﺳـﻴﻮن را ﺑـﺮاﯼ‬
‫ﻣﺎ ﭘﻴﺪا ﮐﻨﺪ ﻧﻪ اﻃﻼﻋﺎت دﯾﮕﺮ را ‪ .‬ﺣﺎل اﯾﻨﺘﺮ را ﺑﺰﻧﻴﺪ ﻣﯽ ﺑﻴﻨﻴﺪ ﮐﻪ ﻓﻘﻂ ﯾـﮏ ﻋـﺪد ﺧﺮوﺟـﯽ‬
‫دارﯾﻢ ﭘﺲ ﺑﺎﯾﺪ اﯾﻦ ﻓﺮﻣﻮل را ﺑﻪ ﺻﻮرت ﺁراﯾـﻪ اﯼ وارد ﻣـﯽ ﮐـﺮدﯾﻢ ﺑـﺮاﯼ هﻤـﻴﻦ در هﻤـﺎن‬
‫ﺣــﺎل ﮐــﻪ ﺁن دو ﺧﺎﻧــﻪ اﻧﺘﺨــﺎب ﺷــﺪﻩ اﻧــﺪ ‪ F2‬را ﻣــﯽ زﻧــﻴﻢ ﺣــﺎل در وﺿــﻌﻴﺖ ‪ Edit‬ﻓﺮﻣــﻮل‬
‫هﺴﺘﻴﻢ ﺑﺮاﯼ اﯾﻨﮑﻪ ﺁراﯾﻪ اﯾﺠﺎد ﺷﻮد ﺳﻪ ﮐﻠﻴﺪ ﮐﻨﺘـﺮل ‪ +‬ﺷـﻴﻔﺖ ‪ +‬اﯾﻨﺘـﺮ را ﺑـﺎ هـﻢ ﻣـﯽ‬
‫زﻧﻴﻢ در اﯾﻦ ﺣﺎل ﺁراﯾﻪ ﻣﺤﺎﺳﺒﻪ ﺷﺪﻩ و دو ﻋﺪد ﮐﻪ اوﻟﯽ ﻣﺮﺑﻮط ﺑﻪ ﺷﻴﺐ ﺧﻂ رﮔﺮﺳﻴﻮن و‬
‫دﯾﮕﺮﯼ ﻣﻘﺪارﯼ اﺳﺖ ﮐﻪ در ﺁن ﺧﻂ رﮔﺮﺳﻴﻮن ﻣﺤﻮر ‪ Y‬هﺎ را ﻗﻄﻊ ﻣﯽ ﮐﻨﺪ ‪.‬‬
‫ﺣﺎل اﮔﺮ ﺑﺨﻮاهﻴﻢ اﻃﻼﻋﺎت ﺑﻴﺸﺘﺮﯼ ﺑﺪﺳﺖ ﺁورﯾﻢ ﺑﺎﯾﺪ اﺑﺘﺪا ﺑﻪ ﺟـﺎﯼ اﻧﺘﺨـﺎب ﺁن دو ﺧﺎﻧـﻪ‬
‫ﺑﺎﯾﺪ ﺣﺪاﻗﻞ ‪ ۵‬ردﯾﻒ دو ﺗﺎﯾﯽ ) در اﯾﻨﺠﺎ دوﺗﺎﯾﯽ( اﻧﺘﺨﺎب ﮐﻨﻴﻢ از ﺁﻧﺠﺎﯾﯽ ﮐـﻪ هﻨـﻮز ﻓﺮﻣـﻮل‬
‫در ﺧﺎﻧﻪ هﺎﯾﯽ ﺑﺎﻻﯾﯽ ﻣﺤﻞ اﻧﺘﺨﺎﺑﯽ ﻣﻮﺟﻮد هﺴﺖ ﮐﺎﻓﯽ اﺳﺖ ﮐﻪ ﺁﻧﺮا ‪ EDIT‬ﮐﻨﻴﻢ ﺑﺮاﯼ‬

‫‪١٨‬‬
‫‪http://amar80.blogfa.com‬‬

‫اﯾﻦ ﮐﺎر ‪ F2‬را ﻣﯽ زﻧﻴﻢ ﺑﻌﺪ در ﻧﻮار ﻓﺮﻣﻮل ﻗﺴﻤﺖ ‪ FALSE‬را ﺑﻪ ‪ TRUE‬ﺗﻐﻴﻴﺮ ﻣﯽ دهـﻴﻢ‬
‫ﯾﻌﻨﯽ اﯾﻨﮑﻪ اﻃﻼﻋﺎت اﺿﺎﻓﯽ را ﻧﺸﺎن ﺑﺪﻩ ‪.‬ﺳﭙﺲ ﻓﺮاﻣﻮش ﻧﮑﻨﻴﺪ ﮐﻪ دوﺑﺎرﻩ ﺁن ﺳﻪ ﮐﻠﻴﺪ‬
‫را ﺑﺎ هﻢ ﻓﺸﺎر دهﻴﺪ ﺣﺎل ﻣﺠﻤﻮﻋﻪ اﯼ از اﻃﻼﻋﺎت ﻇﺎهﺮ ﻣﯽ ﺷﻮد ﮐﻪ ﺑﺮاﯼ ﻓﻬﻢ ﺁن ﺑﺎﯾـﺪ‬
‫ﺑﻪ ﮐﻠﻴﺪ زﯾﺮ ﺗﻮﺟﻪ ﮐﺮد ﮐﻠﻴﺪ زﯾﺮ ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﺪ ﮐﻪ اﻋﺪاد ﻣﻮﺟﻮد در هﺮ ﺳﻠﻮل ﻣﺮﺑﻮط ﺑﻪ‬
‫ﭼﻪ ﻣﯽ ﺑﺎﺷﻨﺪ ‪:‬‬

‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪D‬‬ ‫‪E‬‬ ‫‪F‬‬

‫‪1‬‬ ‫‪mn‬‬ ‫‪mn-1‬‬ ‫‪...‬‬ ‫‪m2‬‬ ‫‪m1‬‬ ‫‪b‬‬
‫‪2‬‬ ‫‪sen‬‬ ‫‪sen-1‬‬ ‫‪...‬‬ ‫‪se2‬‬ ‫‪se1‬‬ ‫‪seb‬‬
‫‪3‬‬ ‫‪r2‬‬ ‫‪sev‬‬
‫‪4‬‬ ‫‪F‬‬ ‫‪df‬‬
‫‪5‬‬ ‫‪ssreg‬‬ ‫‪ssresid‬‬

‫ﺗﻮﺿﻴﺤﺎت‬ ‫ﺁﻣﺎرﻩ‬
‫ﻣﻘﺎدﯾﺮ ﺿﺮاﯾﺐ ‪ x‬هﺎ در ﻓﺮﻣﻮل ﺧﻂ رﮔﺮﺳﻴﻮن ) ﺷﻴﺐ(‬ ‫‪m1,m2,...,mn‬‬
‫ﻣﻘﺪار ﺧﻄﺎﯼ اﺳﺘﺎﻧﺪارد ﺑﺮاﯼ ﻣﻘﺎدﯾﺮ ﺿﺮاﯾﺐ ‪m1,m2,...,mn‬‬ ‫‪se1,se2,...,sen‬‬
‫ﻣﻘــﺪار ﺧﻄــﺎﯼ اﺳــﺘﺎﻧﺪارد ﺑــﺮاﯼ ﻣﻘــﺪار ﺛﺎﺑــﺖ ‪)b‬در ﺻــﻮرت ﻋــﺪم وﺟــﻮد ﻋﻼﻣــﺖ‬ ‫‪seb‬‬
‫‪ =#N/A‬ﻧﺸﺎن ﻣﯽ دهﺪ زﻣﺎﻧﯽ اﺳﺖ ﮐﻪ ﺛﺎﺑﺖ را ‪ FALSE‬وارد ﮐﺮدﻩ ﺑﺎﺷﻴﻢ (‬
‫ﻣﻘﺪار ‪ R2‬ﮐﻪ ﺑﻴﺎﻧﮕﺮ ﺧﻮﺑﯽ ﺑﺮازش ﻣﺪل هﺴﺖ هﺮ ﭼﻪ اﯾﻦ ﻋﺪد ﺑﻪ ‪ ١‬ﻧﺰدﯾـﮏ ﺗـﺮ‬ ‫‪r2‬‬
‫ﺑﺎﺷﺪ ﺑﻴﺎﻧﮕﺮ ﺑﺮازش ﺧﻮب و هﺮ ﭼﻪ ﺑﻪ ‪ ٠‬ﻧﺰدﯾـﮏ ﺑﺎﺷـﺪ ﺑﻴـﺎﻧﮕﺮ ﺑـﺮازش ﻣـﺪل ﺑـﺪ‬
‫ﻣﯽ ﺑﺎﺷﺪ‬
‫ﻣﻘﺪار ﺧﻄﺎﯼ اﺳﺘﺎﻧﺪارد ﺑﺮاﯼ ﺑﺮﺁورد ‪y‬‬ ‫‪sey‬‬
‫ﺁﻣﺎرﻩ ‪ F‬ﮐﻪ ﺑﻴﺎﻧﮕﺮ اﯾﻦ اﺳﺖ ﮐﻪ ﺁﯾﺎ راﺑﻄﻪ اﯼ ﺑﻴﻦ ‪ x‬هﺎ و ‪ y‬هﺎ وﺟﻮد دارد ﯾﺎ ﺑـﻪ‬ ‫‪F‬‬
‫ﻃﻮر ﺷﺎﻧﺴﯽ اﯾﺠﺎد ﺷﺪﻩ اﺳﺖ‬
‫ﺑﺮاﯼ ﻣﻘﺎﯾﺴﻪ ‪ F‬ﭘﻴﺪا ﺷﺪﻩ در ﺑﺎﻻ ﺑﺎ ﺟـﺪاول ﺁﻣـﺎرﯼ ﺑﺎﯾـﺪ ﻣﻘـﺪار درﺟـﻪ ﺁزادﯼ را‬ ‫‪df‬‬
‫ﺑﺪاﻧﻴﻢ ﮐﻪ در اﯾﻨﺠﺎ ﺑﺪﺳﺖ ﻣﯽ ﺁﯾﺪ‬
‫ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت رﮔﺮﺳﻴﻮن‬ ‫‪ssreg‬‬
‫ﻣﺠﻤﻮع ﻣﺮﺑﻌﺎت ﺑﺎﻗﻴﻤﺎﻧﺪﻩ هﺎ‬ ‫‪ssresid‬‬

‫ﺣﺎل ﺑﺮاﯼ دادﻩ هﺎﯼ زﯾﺮ ﯾﮏ ﺧﻂ رﮔﺮﺳﻴﻮن ﭼﻨﺪ ﮔﺎﻧﻪ ﺑﺮازش ﻣﯽ دهﻴﻢ ‪:‬‬

‫‪Floor‬‬
‫‪Offices‬‬ ‫‪Entrances‬‬ ‫‪Age‬‬ ‫‪Assessed‬‬
‫‪space‬‬
‫)‪(x2‬‬ ‫)‪(x3‬‬ ‫)‪(x4‬‬ ‫)‪value (y‬‬
‫)‪(x1‬‬
‫‪2310‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪20‬‬ ‫‪142,000‬‬
‫‪2333‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪12‬‬ ‫‪144,000‬‬
‫‪2356‬‬ ‫‪3‬‬ ‫‪1.5‬‬ ‫‪33‬‬ ‫‪151,000‬‬
‫‪2379‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪43‬‬ ‫‪150,000‬‬
‫‪2402‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪53‬‬ ‫‪139,000‬‬
‫‪2425‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪23‬‬ ‫‪169,000‬‬
‫‪2448‬‬ ‫‪2‬‬ ‫‪1.5‬‬ ‫‪99‬‬ ‫‪126,000‬‬
‫‪2471‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪34‬‬ ‫‪142,900‬‬
‫‪2494‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪23‬‬ ‫‪163,000‬‬
‫‪2517‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪55‬‬ ‫‪169,000‬‬
‫‪2540‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪22‬‬ ‫‪149,000‬‬

‫ﻣﯽ ﺧﻮاهﻴﻢ ﺗﻤﺎﻣﯽ اﻃﻼﻋﺎت را ﺑﺪﺳﺖ ﺁورﯾﻢ ﺑﺮاﯼ هﻤﻴﻦ اﺑﺘﺪا ﯾﮏ ﻣﺤﺪودﻩ ‪۵‬ﺳﻄﺮ در ‪۵‬‬
‫ﺳﺘﻮن را اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﻴﻢ ﺳﭙﺲ ﮐﺎدر ﺗﺎﺑﻊ ‪ LINEST‬را ﺑﺎز ﻣﯽ ﮐﻨـﻴﻢ در ﺁن در ﻓﻴﻠـﺪ اول‬

‫‪١٩‬‬
‫‪http://amar80.blogfa.com‬‬

‫ﺳﺘﻮن ‪ y‬ﯾﻌﻨﯽ ﺳﺘﻮن ﺁﺧﺮ را وارد ﻣﯽ ﮐﻨﻴﻢ ﺳـﭙﺲ در ﻓﻴﻠـﺪ ﺑﻌـﺪﯼ ﺗﻤـﺎﻣﯽ دادﻩ هـﺎﯼ ‪۴‬‬
‫ﺳﺘﻮن اول را اﻧﺘﺨﺎب ﻣﯽ ﮐﻨﻴﻢ در ﻓﻴﻠﺪ ﺳـﻮم ‪ TRUE‬ﺗﺎﯾـﭗ ﻣـﯽ ﮐﻨـﻴﻢ ﺗـﺎ اﮐـﺴﻞ ﻣﻘـﺪار‬
‫ﺛﺎﺑﺘﯽ در ﻧﻈﺮ ﺑﮕﻴﺮد در ﻓﻴﻠﺪ ﺁﺧﺮ هﻢ ‪ TRUE‬ﺗﺎﯾﭗ ﻣﯽ ﮐﻨﻴﻢ ﺗﺎ اﻃﻼﻋﺎت را ﺑـﻪ ﻃـﻮر ﮐﺎﻣـﻞ‬
‫ﻧﺸﺎن دهﺪ در ﻧﻬﺎﯾﺖ ﺳﻪ ﮐﻠﻴﺪ ﮐﻨﺘﺮل ‪ +‬ﺷﻴﻔﺖ ‪ +‬اﯾﻨﺘﺮ را ﺑﺎ هﻢ ﻓﺸﺎر ﻣﯽ دهﻴﻢ ‪.‬‬
‫در ﻧﻬﺎﯾﺖ ﺟﻮاﺑﻬﺎﯼ زﯾﺮ را ﺧﻮاهﻴﻢ داﺷﺖ ‪:‬‬

‫‪Floor‬‬ ‫‪Offices‬‬ ‫‪Entrances‬‬ ‫‪Assessed‬‬

‫)‪Age (x4‬‬
‫)‪space (x1‬‬ ‫)‪(x2‬‬ ‫)‪(x3‬‬ ‫)‪value (y‬‬

‫‪2310‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪20‬‬ ‫‪142,000‬‬

‫‪2333‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪12‬‬ ‫‪144,000‬‬
‫‪2356‬‬ ‫‪3‬‬ ‫‪1.5‬‬ ‫‪33‬‬ ‫‪151,000‬‬
‫‪2379‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪43‬‬ ‫‪150,000‬‬
‫‪2402‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪53‬‬ ‫‪139,000‬‬
‫‪2425‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪23‬‬ ‫‪169,000‬‬
‫‪2448‬‬ ‫‪2‬‬ ‫‪1.5‬‬ ‫‪99‬‬ ‫‪126,000‬‬
‫‪2471‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪34‬‬ ‫‪142,900‬‬
‫‪2494‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪23‬‬ ‫‪163,000‬‬
‫‪2517‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪55‬‬ ‫‪169,000‬‬
‫‪2540‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪22‬‬ ‫‪149,000‬‬
‫‪-234.23716‬‬ ‫‪2553.211‬‬ ‫‪12529.77‬‬ ‫‪27.64139‬‬ ‫‪52317.83‬‬
‫‪13.2680115‬‬ ‫‪530.6692‬‬ ‫‪400.0668‬‬ ‫‪5.429374‬‬ ‫‪12237.36‬‬
‫‪0.99674799‬‬ ‫‪970.5785‬‬ ‫‪#N/A‬‬ ‫‪#N/A‬‬ ‫‪#N/A‬‬
‫‪459.753674‬‬ ‫‪6‬‬ ‫‪#N/A‬‬ ‫‪#N/A‬‬ ‫‪#N/A‬‬
‫‪1732393319‬‬ ‫‪5652135‬‬ ‫‪#N/A‬‬ ‫‪#N/A‬‬ ‫‪#N/A‬‬

‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺿﺮاﯾﺐ ﺑﺪﺳﺖ ﺁﻣﺪﻩ ﻣﯽ ﺗﻮاﻧﻴﻢ ﺧﻂ رﮔﺮﺳﻴﻮن را ﺑﺼﻮرت زﯾﺮ ﺑﻨﻮﯾﺴﻴﻢ‪:‬‬

‫‪y = m1*x1 + m2*x2 + m3*x3 + m4*x4 + b‬‬

‫‪y = 27.64*x1 + 12,530*x2 + 2,553*x3 - 234.24*x4 + 52,318‬‬

‫ﺣﺎل ﻓﺮض ﮐﻨﻴﺪ ﮐﻪ ﻣﯽ ﺧﻮاهﻴﻢ اﯾﻦ ﻓﺮض را ﮐﻪ ﻣﻤﮑﻦ اﺳـﺖ ﮐـﻪ اﯾـﻦ ارﺗﺒـﺎط ﺷﺎﻧـﺴﯽ‬
‫ﺑﺎﺷﺪ را اﻣﺘﺤﺎن ﮐﻨﻴﻢ ﯾﺎ ﺑﻪ زﺑﺎن دﯾﮕـﺮ اﯾـﻦ راﺑﻄـﻪ رﮔﺮﺳـﻴﻮن ﺗـﺎ ﭼـﻪ اﻧـﺪازﻩ ﻣـﻮرد اﻋﺘﻤـﺎد‬
‫اﺳﺖ ؟ﺑﺮاﯼ اﯾﻦ ﮐﺎر ﺑﺎﯾﺪ ﻣﻘﺪار ‪ F‬را ﺑﻪ ﻣﻘﺪار ﺁﻟﻔﺎ ﺗﺒﺪﯾﻞ ﮐﻨـﻴﻢ ﺑـﺮاﯼ اﯾـﻦ ﮐـﺎر ﺑـﻪ ‪ ٢‬ﻋـﺪد‬
‫درﺟﺎت ﺁزادﯼ ﻧﻴﺎزﻣﻨﺪﯾﻢ ﮐﻪ از رواﺑﻂ زﯾﺮ ﺑﺪﺳﺖ ﻣﯽ ﺁﯾﻨﺪ‬
‫اﮔﺮ ﻣﻘﺪار ﺛﺎﺑﺖ ‪ b=0‬ﺁﻧﮕﺎﻩ ‪ v1=n-df‬و ‪ v2=df‬ﮐﻪ ‪ n‬ﺗﻌﺪاد ﺟﻔﺖ دادﻩ هﺎﺳﺖ‬
‫اﮔﺮ ‪ b‬ﻣﻘﺪارﯼ ﻏﻴـﺮ ﺻـﻔﺮ داﺷـﺘﻪ ﺑﺎﺷـﺪ ) ‪ TRUE‬ﺗﺎﯾـﭗ ﮐـﺮدﻩ ﺑﺎﺷـﻴﻢ( ﺁﻧﮕـﺎﻩ ‪ v1=n-df-1‬و‬
‫‪v2=df‬‬

‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﻣﺴﺌﻠﻪ ﺑﺎﻻ ﮐﻪ ‪ ١١‬ﺟﻔﺖ دادﻩ دارﯾﻢ ) ﻣﻨﻈـﻮر از ﺟﻔـﺖ ﯾـﮏ ‪ y‬و ﭼﻨـﺪ ‪x‬‬
‫ﻣﯽ ﺑﺎﺷﺪ ﻧـﻪ ﻟﺰوﻣـﺎ دو ﺗـﺎ دادﻩ ( و ﭼـﻮن ﻣﻘـﺪار ﺛﺎﺑـﺖ ‪ b‬را دارﯾـﻢ ﭘـﺲ درﺟـﺎت ﺁزادﯼ ﺑـﻪ‬
‫ﺻﻮرت زﯾﺮ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد ‪:‬‬
‫‪v1=11-6-1=4‬‬ ‫‪v2=6‬‬
‫ﭘﺲ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻘﺪار ‪ F‬و درﺟﺎت ﺁزادﯼ ﺁن دارﯾﻢ ‪:‬‬
‫‪F(459.753674;4;6)= 1.37231E-07‬‬

‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ ﻣﻘﺪار ﺁﻟﻔﺎﯼ ﺑﺪﺳﺖ ﺁﻣﺪﻩ ﺑﺴﻴﺎر ﮐﻤﺘـﺮ از ‪ ٠/٠۵‬اﺳـﺖ ﭘـﺲ ﻓـﺮض ﺻـﻔﺮ‬
‫اﯾﻨﮑﻪ راﺑﻄﻪ اﯼ ﺑﻴﻦ ‪X‬هﺎ و ‪ y‬هﺎ وﺟﻮد ﻧﺪارد را رد ﻣﯽ ﮐﻨﻴﻢ و ﻧﺘﻴﺠﻪ ﻣﯽ ﮔﻴﺮﯾﻢ ﮐـﻪ اﯾـﻦ‬
‫راﺑﻄﻪ از روﯼ ﺷﺎﻧﺲ و ﺗﺼﺎدف ﺣﺎﺻﻞ ﻧﺸﺪﻩ اﺳﺖ ‪.‬‬

‫‪٢٠‬‬
‫‪http://amar80.blogfa.com‬‬

‫ﺣــﺎل ﻣــﯽ ﺧــﻮاهﻴﻢ ﺑــﺪاﻧﻴﻢ ﮐــﻪ ﺁﯾــﺎ اﯾــﻦ ﻣﺘﻐﻴﺮهــﺎﯼ ‪ X‬ﮐــﻪ در ﻣــﺪل وارد ﮐــﺮدﻩ اﯾــﻢ واﻗﻌـًﺎ‬
‫ﺷﺎﯾﺴﺘﮕﯽ ﺣﻀﻮر در ﻣﺪل را دارﻧﺪ ﯾﺎ و ﮐﺪام ﯾﮏ از ﻣﺘﻐﻴﺮهﺎ ﻣﻬـﻢ ﺗـﺮ اﺳـﺖ ‪.‬اﯾـﻦ ﻣﻄﻠـﺐ‬
‫زﻣﺎﻧﯽ ﮐﻪ ﺑﺨﻮاهﻴﻢ ﺑﺮﺧﯽ ﻣﺘﻐﻴﺮهﺎ را ﺑﻪ ﺧﺎﻃﺮ ﺳﺎدﮔﯽ ﻣﺪل ﺣـﺬف ﮐﻨـﻴﻢ ﻣﻔﻴـﺪ ﺧﻮاهﻨـﺪ‬
‫ﺑﻮد ‪.‬ﺑﺮاﯼ اﯾﻦ ﮐﺎر ﺑﺎﯾﺪ ﺁﻣﺎرﻩ ‪ t‬را ﺑﺮاﯼ هﺮ ﻣﺘﻐﻴﺮ ﺑﺪﺳﺖ ﺁورﯾﻢ ﺑﻌـﺪ ﺁﻧـﺮا ﺑـﺎ ﻣﻘـﺪارﯼ ﮐـﻪ در‬
‫ﻧﻈﺮ ﻣـﯽ ﮔﻴـﺮﯾﻢ ﻣﻘﺎﯾـﺴﻪ ﮐﻨـﻴﻢ ‪.‬ﺑـﺮاﯼ ﺑﺪﺳـﺖ ﺁوردن اﯾـﻦ ﺁﻣـﺎرﻩ ﺑﺎﯾـﺪ ﺿـﺮﯾﺐ هـﺮ ﻣﺘﻐﻴـﺮ‬
‫)ﺷﻴﺒﯽ ﮐﻪ در هﺮ ﻣﺘﻐﻴﺮ ﺿﺮب ﺷﺪﻩ اﺳﺖ ( را ﺑـﺮ اﻧﺤـﺮاف ﺧﻄـﺎﯼ ﺑـﺮﺁورد ﺷـﺪﻩ ﺗﻘـﺴﻴﻢ‬
‫ﮐﻨﻴﻢ ﻣﻘﺪار ﻣﻄﻠﻖ ﺁن ) ﺑﺪون ﺗﻮﺟﻪ ﺑﻪ ﻋﻼﻣﺖ ( را در ﺗﻮزﯾﻊ ‪ t‬ﺑﺎ درﺟﻪ ﺁزادﯼ ﺑﺪﺳﺖ ﺁﻣـﺪﻩ‬
‫ﻣﻘﺎﯾﺴﻪ ﻣﯽ ﮐﻨﻴﻢ ‪.‬ﺑﺮاﯼ ﻣﺜﺎل ﺑﺎﻻ دارﯾﻢ‬
‫‪t = m4 ÷ se4 = -234.24 ÷ 13.268 = -17.7‬‬ ‫ﻣﺘﻐﻴﺮ ﭼﻬﺎرم‬
‫در ﺟﺪول ‪ ) t‬ﯾﺎ ﺑﺎ اﺳﺘﻔﺎدﻩ از ﺗﺎﺑﻊ ‪ (TINV‬ﻣﻘﺪار ﻣﻌﻨﯽ دارﯼ را ﭘﻴﺪا ﻣﯽ ﮐﻨﻴﻢ ‪.‬‬
‫‪TINV(0.05,6) = 2.447‬‬
‫ﭼﻮن ﻣﻘﺪار ‪ ١٧٫٧‬ﺑﺰرﮔﺘﺮ از ‪ ٢٫۴۴٧‬اﺳﺖ ﭘﺲ اﯾﻦ ﻣﺘﻐﻴﺮ ﺑﺎﯾﺪ در ﻣﺪل ﺑﻤﺎﻧﺪ و ﺷﺎﯾـﺴﺘﮕﯽ‬
‫ﺣﻀﻮر در ﻣﺪل را دارد ‪.‬ﺑﺮاﯼ ﻣﺘﻐﻴﺮهﺎﯼ دﯾﮕﺮ ﻧﻴﺰ ﻣﯽ ﺗﻮان ﺑﻪ ﺻﻮرت ﮔﻔﺘﻪ ﺷﺪﻩ ﻋﻤﻞ ﮐﺮد‬

‫‪Variable‬‬ ‫‪t-observed value‬‬

‫‪Floor space‬‬ ‫‪5.1‬‬
‫‪Number of offices 31.3‬‬
‫‪Number of entrances 4.8‬‬
‫‪Age‬‬ ‫‪17.7‬‬

‫هﻤـــﺎن ﻃـــﻮر ﮐـــﻪ ﻣـــﺸﺨﺺ اﺳـــﺖ ﻣﺘﻐﻴـــﺮ ‪ floor‬از ﺑﻘﻴـــﻪ ﻣﻬـــﻢ ﺗـــﺮ اﺳـــﺖ و ﻣﺘﻐﻴـــﺮ‬
‫‪entrances‬ﮐﻤﺘــﺮﯾﻦ اهﻤﻴــﺖ را دارد ﺑــﺎ اﯾــﻦ وﺟــﻮد هﻤــﻪ ﻣﺘﻐﻴﺮهــﺎ ﻣﻴﺘﻮاﻧﻨــﺪ در ﻣــﺪل ﺣــﻀﻮر‬
‫داﺷﺘﻪ ﺑﺎﺷﻨﺪ ‪.‬‬

‫‪LOGEST (٣٨‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻧﻴﺰ ﻣﺎﻧﻨﺪ ﺗﺎﺑﻊ ﺑﺎﻻ ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ ﺑﺎ اﯾﻦ ﺗﻔﺎوت ﮐﻪ در ﺑﺮازش ﻣﺪل‪ ،‬ﻣﺪل ﻧﻤـﺎﯾﯽ را‬
‫ﺑﺮازش ﻣﯽ ﮐﻨﺪ ﻣﺜﻼ ﺑﺮاﯼ ﯾﮏ ﻣﺘﻐﻴﺮﻩ دارﯾﻢ‬
‫‪y = b*m1^x1‬‬
‫و ﺑﺮاﯼ ﭼﻨﺪ ﻣﺘﻐﻴﺮﻩ‬
‫‪y = b*m1^x1*m2^x2+….mn^xn‬‬

‫‪LOGINV (٣٩‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﻘﺪار ﻣﻌﮑﻮس ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻟﮓ ﻧﺮﻣﺎل را ﺑﺮ ﻣـﯽ ﮔﺮداﻧـﺪ‪ .‬ﺳـﻪ ﭘـﺎراﻣﺘﺮ دارد اول‬
‫اﺣﺘﻤﺎل )‪ (Probability‬دوﻣﯽ ﻣﻴﺎﻧﮕﻴﻦ ﺗﻮزﯾﻊ ﻟﮓ ﻧﺮﻣﺎل و ﺳـﻮﻣﯽ هـﻢ اﻧﺤـﺮاف ﻣﻌﻴـﺎر ﻟـﮓ‬
‫ﻧﺮﻣﺎل ‪.‬اﮐﺴﻞ از ﻓﺮﻣﻮل زﯾﺮ ﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ اﯾﻦ ﻣﻘﺪار اﺳﺘﻔﺎدﻩ ﻣﯽ ﮐﻨﺪ ‪:‬‬

‫]) ) ‪LOGINV ( p, µ , σ ) = e [µ + σx ( NORMSINV ( P‬‬

‫‪٢١‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪LOGNORMDIST (۴٠‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻋﮑﺲ ﺗﺎﺑﻊ ﺑﺎﻻ ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ و ﻣﻘﺪار ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌـﯽ ﻟـﮓ ﻧﺮﻣـﺎل را ﺑـﺮ ﻣـﯽ‬
‫ﮔﺮداﻧﺪ ﻓﺮﻣﻮل اﯾﻦ ﺗﺎﺑﻊ ‪:‬‬
‫⎛‬ ‫‪LN‬‬ ‫(‬ ‫‪X‬‬ ‫)‬ ‫‪−‬‬ ‫‪µ‬‬ ‫⎞‬
‫⎜ ‪LOGNORMDIST ( X , µ ,σ ) = NORMDIST‬‬ ‫⎟‬
‫⎝‬ ‫‪σ‬‬ ‫⎠‬

‫‪MAX (۴١‬‬
‫ﺑﺮاﯼ ﺗﻌﻴﻴﻦ ﺑﺰرﮔﺘﺮﯾﻦ ﻋﺪد در ﺑﻴﻦ ﻣﺤﺪودﻩ اﯼ از دادﻩ هـﺎ ﺑـﻪ ﮐـﺎر ﻣـﯽ رود ﻣﻘـﺎدﯾﺮ ﻣﺘﻨـﯽ‬
‫ﻧﺎدﯾﺪﻩ ﮔﺮﻓﺘﻪ ﻣﯽ ﺷﻮد‬

‫‪MAXA (۴٢‬‬
‫ﺑﺰرﮔﺘﺮﯾﻦ ﻣﻘﺪار را در ﺑﻴﻦ ﻣﺤﺪودﻩ اﯼ از دادﻩ هﺎ اﻋﻢ از ﻋـﺪد و ﻣـﺘﻦ ﻣﺤﺎﺳـﺒﻪ ﻣـﯽ ﮐﻨـﺪ‬
‫)ﻣﻨﻈﻮر از ﻣﺘﻦ ‪TRUE‬ﯾﺎ ‪ FALSE‬هﺴﺘﻨﺪ ﮐﻪ ﻣﻘﺎدﯾﺮ ‪ ١‬و ‪ ٠‬ﻣﯽ ﮔﻴﺮﻧﺪ (‬

‫‪MEDIAN (۴٣‬‬
‫ﻣﻴﺎﻧﻪ ﺗﻮﺳﻂ اﯾﻦ ﺗﺎﺑﻊ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد ‪ .‬ﻣﻴﺎﻧـﻪ ﺁﻣـﺎرﻩ اﯼ اﺳـﺖ ﮐـﻪ درﺳـﺖ در وﺳـﻂ‬
‫دادﻩ هﺎ ﻗﺮار دارد ) ﻣﻴﺎﻧﻪ ﻣﻤﮑﻦ اﺳﺖ ﮐﻪ ﻋـﻀﻮ ﺧـﻮد دادﻩ هـﺎ ﻧﺒﺎﺷـﺪ ( در ﺑﺮﺧـﯽ ﻣـﻮارد‬
‫اﺳﺘﻔﺎدﻩ از ﻣﻴﺎﻧﻪ ﺑﺮ ﻣﻴﺎﻧﮕﻴﻦ ارﺟﺢ اﺳﺖ ‪.‬‬

‫‪MIN (۴۴‬‬
‫ﮐﻤﺘــﺮﯾﻦ ﻋــﺪد را در ﺑــﻴﻦ ﻣﺤــﺪودﻩ اﯼ از اﻋــﺪاد ﭘﻴــﺪا ﻣــﯽ ﮐﻨــﺪ ﻣــﺘﻦ هــﺎ ﻧﺎدﯾــﺪﻩ ﮔﺮﻓﺘــﻪ‬
‫ﻣﯽ ﺷﻮﻧﺪ‬

‫‪MINA (۴۵‬‬
‫ﮐﻤﺘﺮﯾﻦ ﻣﻘﺪار را ﺑﻴﻦ ﻣﺤﺪودﻩ اﯼ از دادﻩ هﺎ ﭘﻴﺪا ﻣﯽ ﮐﻨﺪ ﻣﺘﻦ ﻧﻴﺰ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد‬
‫ﻣﺜﻼ اﮔﺮ ﻣﻘﺎدﯾﺮ ‪ ٠/٠١ ٢ ۴ ۵‬و ‪ FALSE‬را داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﭼﻮن ‪ FALSE=0‬ﻣـﯽ ﺑﺎﺷـﺪ‬
‫ﻣﻘﺪار ‪ ٠‬ﻧﻤﺎﯾﺶ دادﻩ ﻣﯽ ﺷﻮد ‪.‬‬

‫‪٢٢‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪MODE (۴۶‬‬
‫ﺑﻪ دادﻩ اﯼ ﮐﻪ ﺑﻴﺸﺘﺮﯾﻦ ﺗﮑﺮار را داﺷﺘﻪ ﺑﺎﺷﺪ ﻣﺪ ﻣـﯽ ﮔﻮﯾﻨـﺪ‪ .‬اﯾـﻦ ﺗـﺎﺑﻊ ﻣـﺪ را ﻣﺤﺎﺳـﺒﻪ‬
‫ﻣﯽ ﮐﻨﺪ‪.‬اﮔﺮ ﻣﺪ دو ﻋﺪد ﺑﺎﺷﺪ اوﻟﻴﻦ ﻣﺪ را ﻧﺸﺎن ﻣـﯽ دهـﺪ ﯾﻌﻨـﯽ اﮔـﺮ ﻋـﺪدهﺎﯼ ‪٢‬و‪ ۵‬ﺑـﺎ‬
‫هﻢ ﻣﺪ ﺑﺎﺷـﻨﺪ اﮐـﺴﻞ ﻋـﺪدﯼ را ﮐـﻪ در ﺳـﺘﻮن ‪ ،‬ﺑـﺎﻻﺗﺮ ﻗـﺮار ﮔﺮﻓﺘـﻪ اﺳـﺖ را ﻣـﺪ اﻋـﻼم‬
‫ﻣﯽ ﮐﻨﺪ‪ .‬اﮔﺮ ﮐﻪ هﻴﭻ دادﻩ اﯼ ﺗﮑﺮار ﻧﺸﺪﻩ ﺑﺎﺷﺪ ﺧﻮب ﻣﺪ ﻧﺪارﯾﻢ ﺑﻨﺎﺑﺮاﯾﻦ اﮐﺴﻞ ﻋﻼﻣﺖ‬
‫‪ #N/A‬را ﻧﺸﺎن ﻣﯽ دهﺪ‪.‬‬

‫‪NEGBINOMDIST (۴٧‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﻘﺪار ﺗﻮزﯾﻊ دو ﺟﻤﻠﻪ اﯼ ﻣﻨﻔﯽ را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ‪.‬هﻤﺎﻧﻨـﺪ ﺧـﻮد ﻓﺮﻣـﻮل ﺗـﺎﺑﻊ‬
‫دو ﺟﻤﻠﻪ اﯼ ﻣﻨﻔﯽ اﯾﻦ ﺗﺎﺑﻊ هﻢ ﺳﻪ ﭘﺎراﻣﺘﺮ دارد ﺑﻪ ﻓﺮﻣﻮل زﯾﺮ ﺗﻮﺟﻪ ﮐﻨﻴﺪ‬
‫⎞‪⎛ x + r − 1‬‬
‫⎜⎜ = ) ‪nb( x, r , p‬‬ ‫‪⎟⎟ p (1 − p ) x :‬‬
‫⎠ ‪⎝ r −1‬‬
‫‪ : Number_f‬ﺗﻌﺪاد ﺷﮑﺴﺖ هﺎ‬
‫‪ : Number_s‬ﺗﻌﺪاد ﻧﻬﺎﯾﯽ ﭘﻴﺮوزﯾﻬﺎ‬
‫‪ :Probability_s‬اﺣﺘﻤﺎل ﭘﻴﺮوزﯼ‬

‫‪NORMDIST (۴٨‬‬
‫ﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ ﯾﮑﯽ از ﻣﻬﻢ ﺗﺮﯾﻦ ﺗﻮزﯾﻊ هﺎﯼ ﺁﻣﺎرﯼ ﯾﻌﻨﯽ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل ﺑﻪ ﮐﺎر ﻣﯽ رود ‪.‬ﮐﻪ‬
‫داراﯼ ﭘﺎراﻣﺘﺮهﺎﯼ زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ ‪:‬‬
‫‪ : X‬ﻣﻘﺪارﯼ اﺳﺖ ﮐﻪ ﻣﯽ ﺧﻮاهﻴﻢ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل را ﺑﻪ ازاﯼ ﺁن ﻣﺤﺎﺳﺒﻪ ﮐﻨﻴﻢ ‪.‬‬
‫‪ : Mean‬ﻣﻴﺎﻧﮕﻴﻦ ﺗﻮزﯾﻊ ﻧﺮﻣﺎل‬
‫‪ : Standard_dev‬اﻧﺤﺮاف ﻣﻌﻴﺎر ﺗﻮزﯾﻊ ﻧﺮﻣﺎل‬
‫‪ : Cumulative‬ﺑﺮاﯼ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ در اﯾﻦ ﻓﻴﻠـﺪ ‪ TRUE‬و ﺑـﺮاﯼ ﺗـﺎﺑﻊ ﭼﮕـﺎﻟﯽ اﺣﺘﻤـﺎل‬
‫‪ FALSE‬ﺗﺎﯾﭗ ﮐﻨﻴﺪ‪.‬‬
‫ﻓﺮﻣﻮل اﯾﻦ ﺗﻮزﯾﻊ هﻢ ﮐﻪ ﻣﻌﺮوف اﺳﺖ ‪:‬‬
‫‪⎛ ( x − µ )2‬‬ ‫⎞‬
‫‪−‬‬ ‫⎜‬ ‫⎟‬
‫‪1‬‬ ‫⎜‬ ‫‪2σ 2‬‬ ‫⎟‬
‫= ) ‪f ( x, µ , σ‬‬ ‫⎝ ‪e‬‬ ‫⎠‬

‫‪2π σ‬‬

‫‪NORMINV (۴٩‬‬
‫ﻣﻌﮑﻮس ﺗﺎﺑﻊ ﺗﺠﻤﻌﯽ ﻧﺮﻣﺎل را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ‪.‬ﻋﮑﺲ ﺗﺎﺑﻊ ﺑﺎﻻ‪.‬‬

‫‪٢٣‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪NORMSDIST (۵٠‬‬
‫ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﻧﺮﻣﺎل اﺳﺘﺎﻧﺪارد را ﻣﺤﺎﺳﺒﻪ ﻣـﯽ ﮐﻨـﺪ ﺗﻮزﯾـﻊ ﻧﺮﻣـﺎل اﺳـﺘﺎﻧﺪارد ﯾﻌﻨـﯽ‬
‫ﺗﻮزﯾﻊ ﻧﺮﻣﺎﻟﯽ ﮐﻪ داراﯼ ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮ و اﻧﺤﺮاف ﻣﻌﻴﺎر ﯾﮏ ﺑﺎﺷﺪ ‪.‬ﻓﻘﻂ ﯾﮏ ﭘﺎراﻣﺘﺮ دارد ﮐـﻪ‬
‫ﺑﻪ ازاﯼ ﺁن ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد ‪.‬‬

‫‪NORMSINV (۵١‬‬
‫ﻋﮑﺲ ﺗﺎﺑﻊ ﺑﺎﻻ ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ ﯾﻌﻨﯽ ﻣﻘﺪار ‪ z‬را ﺑﻪ ازاﯼ اﺣﺘﻤﺎل دادﻩ ﺷﺪﻩ از ﺗﻮزﯾﻊ ﻧﺮﻣـﺎل‬
‫اﺳﺘﺎﻧﺪارد ﭘﻴﺪا ﻣﯽ ﮐﻨﺪ‬

‫‪PEARSON (۵٢‬‬
‫ﺿﺮﯾﺐ هﻤﺒﺴﺘﮕﯽ ﭘﻴﺮﺳـﻮن را ﺑـﺎز ﻣـﯽ ﮔﺮداﻧـﺪ ﺑـﺎ وارد ﮐـﺮدن دو ﺳـﺮﯼ ﻋـﺪد ﻣـﯽ ﺗـﻮان‬
‫ﺿﺮﯾﺐ هﻤﺒﺴﺘﮕﯽ ﺁﻧﻬﺎ را ﺑﺪﺳﺖ ﺁورد ﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ دﺳﺘﯽ از ﻓﺮﻣﻮل زﯾﺮ اﺳﺘﻔﺎدﻩ ﮐﻨﻴﺪ‬

‫=‪r‬‬
‫) ‪∑ (x − x )( y − y‬‬
‫) ‪∑ (x − x ) ∑ ( y − y‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪PERCENTILE (۵٣‬‬
‫‪ k‬اﻣﻴﻦ ﺻﺪﮎ را در ﻣﺤﺪودﻩ اﻋﺪاد ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ﻣﺜﻼ ﺻـﺪﮎ ‪ ۵٧‬در دادﻩ هـﺎﯼ ‪٢ ١‬‬
‫‪ ۴ ٣‬ﻋﺒﺎرت اﺳﺖ از ‪٢٫٧١:‬‬

‫‪PERCENTRANK (۵۴‬‬
‫رﺗﺒﻪ ﯾﮏ ﻋﺪد را در ﯾﮏ ﺳﺮﯼ اﻋﺪاد ﺑﻪ ﺻﻮرت درﺻﺪ ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﺪ ﺑﻪ اﯾﻦ ﺻـﻮرت ﮐـﻪ‬
‫ﺗﻌﺪاد اﻋﺪادﯼ ﮐﻪ ﮐﻮﭼﮑﺘﺮ از ﻋﺪد ﻣﻮرد ﻧﻈﺮ هﺴﺘﻨﺪ را ﻣﯽ ﺷﻤﺎرد ﺳﭙﺲ اﻋﺪاد ﺑﺰرﮔﺘﺮ را‬
‫ﻣﯽ ﺷﻤﺎرد ﺁﻧﮕﺎﻩ از ﮐﺴﺮ زﯾﺮ ﺣﺎﺻﻞ را ﺑﺪﺳﺖ ﻣﯽ ﺁورد‬

‫)ﺗﻌﺪاد اﻋﺪاد ﺑﺰرﮔﺘﺮ ‪+‬ﺗﻌﺪاد ﮐﻮﭼﮑﺘﺮ( ‪ /‬ﺗﻌﺪاد اﻋﺪاد ﮐﻮﭼﮑﺘﺮ‬

‫ﻣﺜﻼ ﺑﺮاﯼ اﻋﺪاد ‪ ١٠ ... ٢ ١‬ﻣﯽ ﺧﻮاهﻴﻢ رﺗﺒﻪ درﺻﺪﯼ ‪ ٧‬را ﺑﺪﺳﺖ ﺁورﯾﻢ ‪.‬دارﯾﻢ ‪:‬‬

‫‪٢٤‬‬
‫‪http://amar80.blogfa.com‬‬

‫ﺗﻌﺪاد اﻋﺪاد ﮐﻮﭼﮑﺘﺮ =‪۶‬‬

‫ﺗﻌﺪاد اﻋﺪاد ﺑﺰرﮔﺘﺮ = ‪٣‬‬
‫‪۶/(٣+۶) =٠/۶۶۶‬‬ ‫ﻧﺘﻴﺠﻪ ‪:‬‬
‫اﯾﻦ ﺗﺎﺑﻊ داراﯼ ﺳﻪ ﻓﻴﻠﺪ ﺧﺎﻟﯽ اﺳﺖ ﮐﻪ در اوﻟﯽ ﻣﺤﺪودﻩ اﻋﺪاد در دوﻣﯽ ﻋﺪد ﻣﻮرد ﻧﻈﺮ‬
‫و در ﺳﻮﻣﯽ ﺗﻌﺪاد ارﻗﺎم ﻣﻌﻨﯽ دار را درج ﻣﯽ ﮐﻨﻴﻢ ﻣﺜﻼ ﺗﺎ ‪ ۵‬رﻗﻢ اﻋﺸﺎر ‪.‬‬

‫‪PERMUT (۵۵‬‬
‫ﺗﻌﺪاد ﺟﺎﯾﮕﺸﺘﻬﺎ را ﺑﺪﺳﺖ ﻣﯽ ﺁورد ﻓﺮﻣﻮل ﺟﺎﯾﮕﺸﺖ در زﯾﺮ ﺁوردﻩ ﺷﺪﻩ اﺳﺖ‬
‫!‪n‬‬
‫‪Pk ,n‬‬ ‫=‬
‫!) ‪(n − k‬‬
‫ﻣﺜﻼ ﺑﺮاﯼ ﺗﻌﺪاد ﺟﺎﯾﮕﺸﺖ ‪ P3,5‬دارﯾﻢ ‪ ۶٠‬ﺟﺎﯾﮕﺸﺖ ‪.‬‬

‫‪POISSON (۵۶‬‬
‫ﺗﻮزﯾﻊ ﭘﻮاﺳﻦ را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ اﯾﻦ ﺗﻮزﯾﻊ ﻧﻴﺰ در دو ﺣﺎﻟﺖ ﺗﺠﻤﻌﯽ و ﺗﺎﺑﻊ ﭼﮕـﺎﻟﯽ ﻣـﯽ‬
‫ﺗﻮاﻧﺪ ﺑﻪ ﻣﺤﺎﺳﺒﻪ ﺑﭙﺮدازد‬
‫ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ﭘﻮاﺳﻦ ﻋﺒﺎرت اﺳﺖ از‪:‬‬
‫‪−λ x‬‬
‫‪e λ‬‬
‫= ‪POISSON‬‬
‫!‪x‬‬
‫ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ﭘﻮاﺳﻦ ‪:‬‬
‫‪−λ x‬‬
‫‪x‬‬
‫‪e λ‬‬
‫∑ = ‪CUMPOISSON‬‬
‫‪k =0‬‬ ‫!‪k‬‬

‫‪PROB (۵٧‬‬
‫ﻣﻘﺪار اﺣﺘﻤﺎل را ﺑﻴﻦ دو ﻣﻘﺪار دادﻩ ﺷﺪﻩ ﺗﻮﺳﻂ اﺣﺘﻤﺎل هﺎﯼ دادﻩ ﺷـﺪﻩ ﻣﺤﺎﺳـﺒﻪ ﻣـﯽ‬
‫ﮐﻨﺪ اﺑﺘﺪا ﻣﻘﺎدﯾﺮ ﺳﭙﺲ اﺣﺘﻤﺎل ﺁﻧﻬﺎ را وارد ﻣﯽ ﮐﻨﻴﻢ ﺣﺎل اﮔـﺮ در ﻓﻴﻠـﺪهﺎﯼ اﯾـﻦ ﺗـﺎﺑﻊ در‬
‫ﻓﻴﻠﺪ اول ‪ x‬هﺎ و در ﻓﻴﻠﺪ دوم اﺣﺘﻤﺎﻻت و در ﻓﻴﻠﺪ ﺳﻮم ﻋﺪد ﻣﻮرد ﻧﻈﺮ را وارد ﮐﻨﻴﻢ ) ﻓﻴﻠﺪ‬
‫ﭼﻬﺎرم را ﻓﻌﻼ ﺧﺎﻟﯽ ﻣﯽ ﮔﺬارﯾﻢ ( در اﯾﻦ ﺣﺎﻟﺖ اﺣﺘﻤﺎﻟﯽ را ﮐﻪ ﻣﻘﺎﺑﻞ ﻋﺪد ﻣﻮرد ﻧﻈﺮ درج‬
‫ﺷﺪﻩ اﺳﺖ ﺟﻮاب ﺧﻮاهﺪ ﺑﻮد اﻣﺎ اﮔﺮ در ﻓﻴﻠﺪ ﭼﻬﺎرم هﻢ ﻋﺪدﯼ را ﺑﻪ ﻋﻨﻮان ﮐـﺮان ﺑـﺎﻻ در‬
‫ﻧﻈﺮ ﺑﮕﻴﺮﯾﻢ ﺁﻧﮕﺎﻩ ﻣﺠﻤﻮع اﺣﺘﻤﺎﻻت ﺑﻴﻦ اﯾﻦ دو ﻋﺪد ﺑﺎ ﻣﺠﻤﻮع اﺣﺘﻤﺎﻻت ﺧﻮد اﯾﻦ دو ﻋﺪد‬
‫ﺟﻮاب ﺧﻮاهﺪ ﺑﻮد ‪.‬‬
‫در ﺿﻤﻦ ﺑﺎﯾﺪ ﺟﻤﻊ اﺣﺘﻤﺎﻻت ﺑﺮاﺑﺮ ﺑﺎ ‪ ١‬ﺑﺎﺷﺪ و هﻴﭻ اﺣﺘﻤﺎﻟﯽ ﺻﻔﺮ ﯾﺎ ﻣﻨﻔﯽ ﻧﺒﺎﺷﺪ ‪.‬‬

‫‪٢٥‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪QUARTILE (۵٨‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﭼﺎرﮎ هﺎ را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ دو ﻓﻴﻠﺪ دارد در ﻓﻴﻠـﺪ اول دادﻩ هـﺎ و در ﻓﻴﻠـﺪ دوم‬
‫اﻋﺪاد ‪ ۴ ٣ ٢ ١ ٠‬را ﺑﻪ ﺗﺮﺗﻴـﺐ ﺑـﻪ ﻋﻨـﻮان ﮐﻤﺘـﺮﯾﻦ ﻣﻘـﺪار –ﭼـﺎرﮎ اول ) ﺻـﺪﮎ ‪ ٢۵‬ام ( –‬
‫ﭼﺎرﮎ دوم ) ﺻﺪﮎ ‪ ۵٠‬ام ﯾﺎ ﻣﻴﺎﻧﻪ ( – ﭼـﺎرﮎ ﺳـﻮم ) ﺻـﺪﮎ ‪ ٧۵‬ام ( – ﺑﻴـﺸﺘﺮﯾﻦ ﻣﻘـﺪار‬
‫وارد ﻣﯽ ﮐﻨﻴﻢ ‪.‬‬

‫‪RANK (۵٩‬‬
‫از ﻧﺎم اﯾﻦ ﺗﺎﺑﻊ ﻣﺸﺨﺺ اﺳﺖ ﮐﻪ ﺑﺮاﯼ ﺗﻌﻴﻴﻦ رﺗﺒﻪ ﯾﮏ ﻋﺪد در ﺑﻴﻦ دادﻩ هﺎ ﮐـﺎرﺑﺮد دارد ‪.‬‬
‫داراﯼ ﺳﻪ ﻓﻴﻠﺪ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ در ﻓﻴﻠﺪ اول ﻋﺪدﯼ را ﮐﻪ ﻣﯽ ﺧﻮاهﻴﻢ رﺗﺒﻪ ﺁن را ﭘﻴﺪا ﮐﻨﻴﻢ‬
‫وارد ﻣﯽ ﮐﻨﻴﻢ در ﻓﻴﻠـﺪ دوم ﻣﺤـﺪودﻩ دادﻩ هـﺎ را ﻣـﺸﺨﺺ ﻣـﯽ ﮐﻨـﻴﻢ ‪ .‬و در ﻓﻴﻠـﺪ ﺳـﻮم‬
‫ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﻴﻢ ﮐﻪ رﺗﺒﻪ ﺑﻨﺪﯼ از ﺑـﺎﻻ ﺻـﻮرت ﺑﮕﻴـﺮد ﯾـﺎ از ﭘـﺎﯾﻴﻦ ‪ .‬ﺑـﺮاﯼ اﯾـﻦ ﮐـﺎر ﺑﺎﯾـﺪ‬
‫ﻋﺪدﯼ ﻏﻴﺮ ﺻﻔﺮ را ﺑﻪ ﻋﻨﻮان رﺗﺒﻪ ﺑﻨﺪﯼ از ﭘﺎﯾﻴﻦ ﺑﻪ ﺑﺎﻻ وارد ﮐﻨﻴﻢ ‪ .‬اﮔﺮ ﺻـﻔﺮ درج ﮐﻨـﻴﻢ ﯾـﺎ‬
‫ﺁن ﻓﻴﻠﺪ را ﺧﺎﻟﯽ ﺑﮕﺬارﯾﻢ اﮐﺴﻞ از ﺑﺎﻻ ﺑﻪ ﭘﺎﯾﻴﻦ رﺗﺒﻪ ﺑﻨﺪﯼ ﻣﯽ ﮐﻨﺪ ‪.‬‬
‫ﺑﻴﺎﯾﻴﺪ ﻣﺜﺎل زﯾﺮ را ﺑﺎ هﻢ ﺣﻞ ﮐﻨﻴﻢ دادﻩ هﺎﯼ زﯾﺮ را ﻣـﻦ ﺗﻮﺳـﻂ ﻧـﺮم اﻓـﺰار ‪ zrandom‬ﺗﻮﻟﻴـﺪ‬
‫ﮐﺮدﻩ ام ﮐﻪ در زﯾﺮ ﻣﯽ ﺑﻴﻨﻴﺪ اﺑﺘﺪا ﻣﯽ ﺧﻮاهﻢ رﺗﺒﻪ ﻋﺪد ‪ ۵۶‬را ﭘﻴﺪا ﮐﻨﻢ ) دادﻩ هﺎ از ﺗﻮزﯾﻊ‬
‫ﭘﻮاﺳﻦ ﺑﺎ ﻻﻧﺪا ‪ ۵٠‬ﺗﻮﻟﻴﺪ ﺷﺪﻩ اﻧﺪ (‬
‫ﻓﺮﻣﻮل زﯾﺮ را در ﺟﻠﻮﯼ اوﻟﻴﻦ ﻋﺪد ﯾﻌﻨﯽ ‪ ۴٢‬وارد ﻣﯽ ﮐﻨﻴﻢ‬
‫‪42‬‬ ‫) دﻟﻴﻞ اﯾﻦ ﮐﺎر را ﭼﻨﺪ ﻟﺤﻈﻪ دﯾﮕﺮ ﻣﺘﻮﺟﻪ ﺧﻮاهﻴﺪ ﺷﺪ (‬
‫‪55‬‬
‫)‪=RANK(56;A1:A15‬‬
‫‪38‬‬
‫‪56‬‬ ‫ﺟﻮاب ﺑﺪﺳﺖ ﺁﻣﺪﻩ ‪ ۴‬ﺧﻮاهﺪ ﺑﻮد‬
‫‪59‬‬ ‫ﺣﺎل ﯾﮏ ﺑﺎر هﻢ اﯾﻦ ﻓﺮﻣﻮل را وارد ﮐﻨﻴﺪ‬
‫‪35‬‬ ‫)‪=RANK(56;A1:A15;2‬‬
‫‪58‬‬
‫‪44‬‬ ‫ﺟﻮاب ﺑﺪﺳﺖ ﺁﻣﺪﻩ ‪ ١٢‬ﺧﻮاهﺪ ﺑﻮد ‪.‬‬
‫‪45‬‬
‫اﯾﻦ ﺗﻔﺎوت ﻣﺮﺑﻮط ﺑﻪ ﻧﻮع رﺗﺒﻪ ﺑﻨﺪﯼ اﺳﺖ ﮐﻪ در ﺑﺎﻻ ﻋﺮض ﺷﺪ ‪.‬‬
‫‪42‬‬
‫‪36‬‬ ‫ﺣﺎل ﯾﮏ ﮐﺎر ﺟﺎﻟﺐ ‪:‬ﺑﻴﺎﯾﻴﺪ رﺗﺒﻪ هﺎ را ﺑﺮاﯼ ﺗﻤﺎم دادﻩ هﺎ ﺑﺪﺳﺖ‬
‫‪47‬‬ ‫ﺑﻴﺎورﯾﻢ ﻗﺒﻞ از اﯾﻨﮑﻪ از ﭘﺮ ﮐﺮدن اﺗﻮﻣﺎﺗﻴﮏ اﺳﺘﻔﺎدﻩ ﮐﻨﻴﺪ روﯼ هﻤﺎن‬
‫‪46‬‬ ‫ﺧﺎﻧﻪ اﯼ ﮐﻪ ﺣﺎﻻ ﻓﺮﻣﻮل را در ﺁن درج ﮐﺮدﻩ اﯾﺪ ﻗﺮار ﺑﮕﻴﺮﯾﺪ ﺑﻌﺪ ﺁن‬
‫‪54‬‬ ‫ﺧﺎﻧﻪ و ﺧﺎﻧﻪ هﺎﯼ ﺧﺎﻟﯽ زﯾﺮ ﺁن را اﻧﺘﺨﺎب ﮐﻨﻴﺪ ‪ F2‬را ﺑﺰﻧﻴﺪ و‬
‫‪60‬‬ ‫ﻓﺮﻣﻮل زﯾﺮ را ﺑﻪ ﺟﺎﯼ ﻓﺮﻣﻮل ﻗﺒﻠﯽ وارد ﮐﻨﻴﺪ‬
‫)‪=RANK(A1:A15;A1:A15‬‬
‫ﺳﭙﺲ ﮐﻨﺘﺮل ‪ +‬ﺷﻴﻔﺖ ‪ +‬اﯾﻨﺘﺮ را ﺑﺎ هﻢ ﺑﺰﻧﻴﺪ ﺑﺎ اﯾﻦ ﮐﺎر ﺷﻤﺎ‬
‫ﯾﮏ ﻓﺮﻣﻮل ﺁراﯾﻪ اﯼ اﯾﺠﺎد ﮐﺮدﻩ اﯾﺪ ﮐﻪ ﻓﻘﻂ ﺑﺎ ﯾﮏ ﻓﺮﻣﻮل ﮐﺎر‬
‫ﻣﺤﺎﺳﺒﻪ را ﺗﺎ ﺁﺧﺮ ﺑﺮاﯼ ﺷﻤﺎ اﻧﺠﺎم ﻣﯽ دهﺪ و ﺗﻤﺎم رﺗﺒﻪ هﺎ‬
‫را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ‬

‫‪٢٦‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪RSQ (۶٠‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﺠﺬور ﻣﻘﺪار ﺿﺮﯾﺐ هﻤﺒﺴﺘﮕﯽ ﭘﻴﺮﺳﻮن را ﺑﺎز ﻣﯽ ﮔﺮداﻧﺪ ‪.‬ﯾﻌﻨﯽ اﮔﺮ ﺟﻮاب ﺗﺎﺑﻊ‬
‫‪ PEARSON‬را ﺑﻪ ﺗﻮان دو ﺑﺮﺳﺎﻧﻴﺪ ﺑﺎ ﺟﻮاب اﯾﻦ ﺗﺎﺑﻊ ﯾﮑﯽ ﺧﻮاهﺪ ﺑﻮد‬

‫‪SKEW (۶١‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﺑﺮاﯼ ﺗﻌﻴﻴﻦ ﻣﻴﺰان اﻧﺤﺮاف ﺣﻮل ﻣﻴﺎﻧﮕﻴﻦ ﺑﮑﺎر ﻣﯽ رود اﺻﻄﻼﺣﯽ ﮐﻪ در ﺁﻣﺎر ﺑﮑـﺎر‬
‫ﻣﯽ ﺑﺮﯾﻢ ﭼﻮﻟﻪ )ﭼﺎوﻟﻪ( ﻣﯽ ﺑﺎﺷﺪ ‪.‬ﻓﺮﻣﻮل ﻣﺤﺎﺳﺒﻪ ﺁن ﺑﻪ ﺻﻮرت زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ ‪:‬‬

‫⎞ ‪⎛ xi − x‬‬
‫‪3‬‬
‫‪n‬‬
‫⎜∑‬
‫⎠ ‪(n − 1)(n − 2) ⎝ s‬‬
‫⎟‬

‫ﻣﻘﺎدﯾﺮ ﻣﺜﺒﺖ ﭼﻮﻟﮕﯽ ﺑﻴﺎﻧﮕﺮ اﯾﻦ ﻣﻄﻠﺐ اﺳﺖ ﮐﻪ ﺗﻮزﯾﻊ ﭼﻮﻟﻪ ﺑﻪ راﺳﺖ اﺳﺖ ) ﭼﺎﻟـﻪ اﯼ‬
‫ﮐﻪ از اﻧﺤﺮاف و ﮐﺠﯽ ﺗﻮزﯾـﻊ ﺣﺎﺻـﻞ ﺷـﺪﻩ اﺳـﺖ در ﺳـﻤﺖ راﺳـﺖ ﻗـﺮار ﮔﺮﻓﺘـﻪ اﺳـﺖ (‬
‫ﺑﻨﺎﺑﺮاﯾﻦ ﺗﻮزﯾﻊ در ﺳﻤﺖ اﻋﺪاد ﻣﺜﺒﺖ ﮔﺴﺘﺮش ﭘﻴﺪا ﮐﺮدﻩ اﺳﺖ‬
‫ﻣﻘﺎدﯾﺮ ﻣﻨﻔﯽ ﭼﻮﻟﮕﯽ ﻧﻴﺰ ﺑﻴﺎﻧﮕﺮ اﯾﻦ ﻣﻄﻠﺐ اﺳﺖ ﮐﻪ ﺗﻮزﯾﻊ ﭼﻮﻟﻪ ﺑﻪ ﭼﭗ اﺳﺖ ‪.‬‬

‫‪SLOPE (۶٢‬‬
‫ﺷﻴﺐ ﺧﻂ رﮔﺮﺳﻴﻮﻧﯽ را ﺑﺮاﯼ دادﻩ هﺎﯼ ‪ x‬و ‪ y‬دادﻩ ﺷﺪﻩ ﺑﺪﺳﺖ ﻣﯽ ﺁورد ‪.‬‬

‫‪SMALL (۶٣‬‬
‫‪ k‬اﻣﻴﻦ ﻋـﺪد ﮐﻮﭼـﮏ را در ﻣﺤـﺪودﻩ اﯼ از اﻋـﺪاد ﺗﻌﻴـﻴﻦ ﻣـﯽ ﮐﻨـﺪ ‪ .‬ﺷـﺒﻴﻪ ﻋﻤﻠﮑـﺮد ﺗـﺎﺑﻊ‬
‫‪ LARGE‬ﮐﻪ در ﺑﺎﻻ ﺗﻮﺿﻴﺢ دادﻩ ﺷﺪ ‪.‬‬

‫‪STANDARDIZE (۶۴‬‬
‫ﻣﻘﺪار اﺳﺘﺎﻧﺪارد ﺷﺪﻩ ﻋﺪد ﯾﺎ اﻋﺪادﯼ را ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻴﺎﻧﮕﻴﻦ و اﻧﺤـﺮاف ﻣﻌﻴـﺎر دادﻩ ﺷـﺪﻩ‬
‫ﺑﺪﺳﺖ ﻣﯽ ﺁورد ‪ .‬روش اﺳﺘﺎﻧﺪارد ﮐﺮدن هﻢ ﺧﻴﻠﯽ ﺳﺎدﻩ اﺳﺖ ﻋﺪد را ﻣﻨﻬﺎﯼ ﻣﻴـﺎﻧﮕﻴﻦ‬
‫ﻣﯽ ﮐﻨﻴﻢ ﺳﭙﺲ ﺑﺮ اﻧﺤﺮاف ﻣﻌﻴﺎر ﺗﻘﺴﻴﻢ ﻣﯽ ﮐﻨﻴﻢ ‪.‬ﯾﻌﻨﯽ ‪:‬‬
‫‪x−µ‬‬
‫=‪Z‬‬
‫‪σ‬‬

‫‪٢٧‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪STDEV (۶۵‬‬
‫ﻣﻘﺪار اﻧﺤﺮاف ﻣﻌﻴـﺎر را ﻣﺤﺎﺳـﺒﻪ ﻣـﯽ ﮐﻨـﺪ ‪.‬ﻣـﺘﻦ هـﺎ ﻧﺎدﯾـﺪﻩ ﮔﺮﻓﺘـﻪ ﻣـﯽ ﺷـﻮﻧﺪ ‪.‬ﻓﺮﻣـﻮل‬
‫ﻣﺤﺎﺳﺒﻪ ﺁن ﻋﺒﺎرت اﺳﺖ از ‪:‬‬
‫) ‪∑ (x − x‬‬
‫‪2‬‬

‫)‪(n − 1‬‬

‫‪STDEVA (۶۶‬‬
‫اﯾﻦ ﺗﺎﺑﻊ هﻢ ﻣﺎﻧﻨﺪ ﺗﺎﺑﻊ ﺑﺎﻻ اﻧﺤﺮاف ﻣﻌﻴـﺎر را ﻣﺤﺎﺳـﺒﻪ ﻣـﯽ ﮐﻨـﺪ ﺑـﺎ اﯾـﻦ ﺗﻔـﺎوت ﮐـﻪ ﻣـﺘﻦ‬
‫‪ TRUE‬و ‪ FALSE‬را ﺑﻪ ﻋﻨﻮان اﻋﺪاد ‪ ١‬و ‪ ٠‬ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ‪.‬‬

‫‪STDEVP (۶٧‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻧﻴﺰ ﺑﻪ ﻣﺤﺎﺳﺒﻪ اﻧﺤﺮاف ﻣﻌﻴﺎر ﻣﯽ ﭘﺮدازد اﻣﺎ در اﯾﻨﺠﺎ ﻣﺨﺮج ﮐـﺴﺮ ﻣﺤﺎﺳـﺒﻪ ﺑـﻪ‬
‫ﺟﺎﯼ ‪ n-1‬ﺑﻪ ‪n‬ﺗﻐﻴﻴﺮ ﮐﺮدﻩ اﺳﺖ دﻻﯾﻞ ﺁﻣﺎرﯼ در ﺑﺎب ﻣﺰﯾﺖ هﺮ دو ﻓﺮﻣﻮل وﺟـﻮد دارد ﺣـﺎل‬
‫ﺑﺴﺘﻪ ﺑﻪ ﻧﻴﺎزﺗﺎن ‪ ،‬ﺷﻤﺎ ﻣﯽ ﺗﻮاﻧﻴﺪ از هﺮ ﮐﺪام از اﯾﻦ ﺗﻮاﺑﻊ ﮐﻪ ﺧﻮاﺳـﺘﻴﺪ اﺳـﺘﻔﺎدﻩ ﮐﻨﻴـﺪ‪.‬‬
‫در ﺿﻤﻦ اﯾﻦ ﺗﺎﺑﻊ ﻣﻘﺎدﯾﺮ ﻣﺘﻨﯽ را ﻗﺒﻮل ﻧﻤﯽ ﮐﻨﺪ و ﻧﺎدﯾﺪﻩ ﻣﯽ ﮔﻴﺮد‬

‫) ‪∑ (x − x‬‬
‫‪2‬‬

‫‪n‬‬

‫‪STDEVPA (۶٨‬‬
‫هﻤﺎﻧﻨﺪ ﺗﺎﺑﻊ ﺑﺎﻻﺳﺖ ﺑﺎ اﯾﻦ ﺗﻔﺎوت ﮐﻪ ﻣﺘﻦ در اﯾﻦ ﺗﺎﺑﻊ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد ‪.‬‬

‫‪STEYX (۶٩‬‬
‫ﻣﻘﺪار ﺧﻄﺎﯼ اﺳﺘﺎﻧﺪارد ‪ y‬ﭘﻴﺸﮕﻮﯾﯽ ﺷﺪﻩ ﺑﺮاﯼ هﺮ ‪ x‬را ﻣﺤﺎﺳﺒﻪ ﻣـﯽ ﮐﻨـﺪ در ﻓﻴﻠـﺪ هـﺎ‬
‫هﻢ ﮐﻪ ‪ y‬هﺎ و ‪x‬هﺎ را وارد ﻣﯽ ﮐﻨﻴﻢ ﮐﻪ داراﯼ ﻓﺮﻣﻮل زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ ‪:‬‬

‫⎡ ‪1‬‬
‫‪⎢∑ ( y − y ) 2 −‬‬
‫⎥⎤ ] ) ‪[∑ ( x − x )( y − y‬‬
‫‪2‬‬

‫⎢ )‪( n − 2‬‬
‫⎣‬ ‫)‪∑ (x − x‬‬ ‫‪2‬‬
‫⎦⎥‬

‫‪٢٨‬‬
‫‪http://amar80.blogfa.com‬‬

‫‪TDIST (٧٠‬‬
‫ﻣﻘﺪار ﺗﺎﺑﻊ ‪ T student‬را ﺑﻪ ازاﯼ ‪ x‬دادﻩ ﺷـﺪﻩ و درﺟـﻪ ﺁزادﯼ ﺗﻌﻴـﻴﻦ ﺷـﺪﻩ ﺑﺪﺳـﺖ ﻣـﯽ‬
‫ﺁورد در ﻓﻴﻠﺪ ﺳﻮم اﯾﻦ ﺗﺎﺑﻊ ﻣﺸﺨﺺ ﮐﻨﻴﺪ ﮐـﻪ ﺁﯾـﺎ ﻣـﯽ ﺧﻮاهﻴـﺪ از روﯼ ﺗﻮزﯾـﻊ ﯾـﮏ ﻃﺮﻓـﻪ‬
‫ﻣﺤﺎﺳﺒﻪ ﺷﻮد ﯾﺎ از روﯼ ﺗﻮزﯾﻊ دو ﻃﺮﻓﻪ ‪.‬ﺑﺮاﯼ ﯾﮏ ﻃﺮﻓﻪ ‪ ١‬و ﺑﺮاﯼ دو ﻃﺮﻓﻪ ‪ ٢‬ﺗﺎﯾﭗ ﮐﻨﻴﺪ ‪.‬‬

‫‪TINV (٧١‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻋﮑﺲ ﺗﺎﺑﻊ ﺑﺎﻻ ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ ﯾﻌﻨﯽ ﺑﻪ ازاﯼ ﻣﻘـﺪار اﺣﺘﻤـﺎل دادﻩ ﺷـﺪﻩ و درﺟـﻪ‬
‫ﺁزادﯼ ﻣﻌﻴﻦ ﻣﻘﺪار ‪ x‬را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ‪ ).‬اﻟﺒﺘﻪ ﺑﺮ اﺳﺎس ﺗﻮزﯾﻊ دو ﻃﺮﻓﻪ ﻣﺤﺎﺳﺒﻪ ﻣﯽ‬
‫ﮐﻨﺪ (‬

‫‪TREND (٧٢‬‬
‫ﺑﺮاﯼ ﺑﺮازش ﯾﮏ ﺧﻂ راﺳﺖ ﺑﻪ دادﻩ هﺎ ﻣﯽ ﺗﻮان از اﯾﻦ ﺗـﺎﺑﻊ ﻧﻴـﺰ اﺳـﺘﻔﺎدﻩ ﮐـﺮد ‪.‬در ﻓﻴﻠـﺪ‬
‫اول و دوم ‪ y‬هﺎ و ‪ x‬هﺎ را وارد ﮐﻨﻴﺪ ﺳﭙﺲ در ﻓﻴﻠﺪ ﺳﻮم ‪x‬هﺎﯾﯽ ﮐﻪ ﻣﯽ ﺧﻮاهﻴـﺪ ﺁﻧﻬـﺎ را‬
‫ﭘﻴﺶ ﺑﻴﻨﯽ ﮐﻨﻴﺪ را وارد ﮐﻨﻴﺪ ‪.‬در ﺁﺧﺮﯾﻦ ﻓﻴﻠﺪ هﻢ ‪ TRUE‬ﺑﻪ ﻣﻨﺰﻟﻪ اﺣﺘﺴﺎب ﻋﺪد ﺛﺎﺑﺖ ‪ b‬و‬
‫‪ FALSE‬ﺑــﻪ ﻣﻨﺰﻟــﻪ ﻋــﺪم اﺣﺘــﺴﺎب ‪ b‬را وارد ﮐﻨﻴــﺪ ‪.‬اﯾــﻦ ﺗــﺎﺑﻊ از روش ﮐﻤﺘــﺮﯾﻦ ﻣﺮﺑﻌــﺎت‬
‫اﺳﺘﻔﺎدﻩ ﻣﯽ ﮐﻨﺪ ﻓﺮﻣﻮل ﮐﻠﯽ ﺧﻂ ﺑﺮازش ﺑﻪ ﺻﻮرت زﯾﺮ اﺳﺖ ‪:‬‬

‫‪y = mx + b‬‬

‫‪TRIMMEAN (٧٣‬‬
‫اﯾﻦ ﺗﺎﺑﻊ ﻣﻴﺎﻧﮕﻴﻦ ﭘﻴﺮاﺳﺘﻪ را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ اﯾﻦ ﻣﻴﺎﻧﮕﻴﻦ دادﻩ هـﺎ را در‬
‫ﻓﻴﻠﺪ اول وارد ﻣﯽ ﮐﻨـﻴﻢ و در ﻓﻴﻠـﺪ دوم درﺻـﺪﯼ از اﻋـﺪاد را ﮐـﻪ ﻣـﯽ ﺧـﻮاهﻴﻢ از اﺑﺘـﺪا و‬
‫اﻧﺘﻬﺎﯼ اﻋﺪاد ﺣﺬف ﮐﻨﻴﻢ را وارد ﻣﯽ ﮐﻨﻴﻢ ‪ ).‬ﻣﺜﻼ ‪ ٠/١‬ﺑﻴـﺎﻧﮕﺮ ﺣـﺬف ‪ ١٠‬درﺻـﺪ از اﺑﺘـﺪا و‬
‫‪ ١٠‬درﺻﺪ از اﻧﺘﻬﺎﯼ اﻋﺪاد اﺳﺖ (‬

‫‪TTEST (٧۴‬‬
‫ﺁزﻣﻮن ‪ t‬را روﯼ دو ﺳﺮﯼ از دادﻩ هﺎ اﻋﻤﺎل ﻣﯽ ﮐﻨﺪ ‪ .‬در ﻓﻴﻠﺪ اول و دوم دو ﺳﺮﯼ دادﻩ را‬
‫وارد ﻣﯽ ﮐﻨﻴﻢ در ﻓﻴﻠﺪ ﺳﻮم ﻧﻮع ﯾﮏ ﻃﺮﻓﻪ ﯾﺎ دو ﻃﺮﻓﻪ ﺑﻮدن ﺗﻮزﯾﻊ را ﻣﺸﺨﺺ ﻣـﯽ ﮐﻨـﻴﻢ‬
‫و در ﻓﻴﻠﺪ ﺁﺧﺮ ﻧﻮع ﺁزﻣﻮن را ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﻴﻢ ﯾﻌﻨﯽ ‪:‬‬

‫‪٢٩‬‬
‫‪http://amar80.blogfa.com‬‬

‫ﺁزﻣﻮﻧﯽ ﮐﻪ اﻧﺠﺎم ﻣﯽ ﺷﻮد‬ ‫ﻋﺪد درج ﺷﺪﻩ در ﻓﻴﻠﺪ ﺳﻮم‬

‫‪ - t‬ﺟﻔﺖ‬ ‫‪١‬‬
‫دو ﻧﻤﻮﻧﻪ اﯼ ﺑﺎ وارﯾﺎﻧﺲ ﺑﺮاﺑﺮ‬ ‫‪٢‬‬
‫دو ﻧﻤﻮﻧﻪ اﯼ ﺑﺎ وارﯾﺎﻧﺲ ﻧﺎ ﺑﺮاﺑﺮ‬ ‫‪٣‬‬

‫‪VAR (٧۵‬‬
‫وارﯾﺎﻧﺲ را ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ﺑﺪون در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻣﺘﻦ هﺎ ‪.‬ﮐﻪ از ﻓﺮﻣﻮل زﯾﺮ ﻣﺤﺎﺳﺒﻪ ﻣﯽ‬
‫ﺷﻮد ‪:‬‬

‫)‪∑ (x − x‬‬ ‫‪2‬‬

‫)‪(n − 1‬‬

‫‪VARA (٧۶‬‬
‫هﻤﺎﻧﻨﺪ ﺗﺎﺑﻊ ﺑﺎﻻﺳﺖ ﺑﺎ اﯾﻦ ﺗﻔﺎوت ﮐﻪ ﻣﻘﺎدﯾﺮ ﻣﺘﻨﯽ را ﻧﻴﺰ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ) ‪TRUE =1‬‬
‫و ‪( FALSE =0‬‬

‫‪VARP (٧٧‬‬
‫ﻣﺤﺎﺳﺒﻪ وارﯾﺎﻧﺲ ﺑﺮ اﺳﺎس ﮐﻞ ﺟﺎﻣﻌﻪ ‪ .‬ﻣﻨﻈﻮر اﯾﻦ اﺳﺖ ﮐﻪ در ﻓﺮﻣﻮل وارﯾﺎﻧﺲ در‬
‫ﻣﺨﺮج ﺑﻪ ﺟﺎﯼ ‪ n ، n-1‬ﺧﻮاهﻴﻢ داﺷﺖ ‪.‬‬

‫‪VARPA (٧٨‬‬
‫ﻣﺎﻧﻨﺪ ﺗﺎﺑﻊ ﻓﻮق ﻋﻤﻞ ﻣﯽ ﮐﻨﺪ ﺑﻪ ﻋﻼوﻩ اﯾﻨﮑﻪ ﻣﺘﻦ هﺎ را ﻧﻴﺰ ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﮐﻨﺪ ‪.‬‬

‫‪WEIBULL (٧٩‬‬
‫ﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ ﻣﻘﺪار ﺗﻮزﯾﻊ وﯾﺒﻮال ﺑﻪ ﮐﺎر ﻣﯽ رود ‪.‬در ﻓﻴﻠﺪ اول ‪ x‬را ﮐﻪ ﻣﯽ ﺧـﻮاهﻴﻢ ﺗـﺎﺑﻊ‬
‫ﺑﻪ ازاﯼ ﺁن ﻣﺤﺎﺳﺒﻪ ﺷﻮد را وارد ﻣﯽ ﮐﻨﻴﻢ ‪ .‬در ﻓﻴﻠﺪ دوم و ﺳﻮم ﻣﻘﺪار ﺁﻟﻔﺎ و ﺑﺘﺎ را ﺑﺮاﯼ‬

‫‪٣٠‬‬
‫‪http://amar80.blogfa.com‬‬

‫ﺗﻮزﯾــﻊ وﯾﺒــﻮال وارد ﻣــﯽ ﮐﻨــﻴﻢ در ﻓﻴﻠــﺪ ﺁﺧــﺮ ﻧﻴــﺰ ﺗﺠﻤﻌــﯽ ﯾــﺎ ﺗــﺎﺑﻊ ﭼﮕــﺎﻟﯽ ﺑــﻮدن ﺗﻮزﯾــﻊ را‬
‫ﻣﺸﺨﺺ ﻣﯽ ﮐﻨﻴﻢ ‪ TRUE ).‬ﺑﺮاﯼ ﺗﺠﻤﻌﯽ و ‪ FALSE‬ﺑﺮاﯼ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ(‬
‫ﺗﻮزﯾﻊ وﯾﺒﻮال داراﯼ ﺗﺎﺑﻊ ﺗﻮزﯾﻊ ﺗﺠﻤﻌﯽ ‪:‬‬
‫‪x‬‬
‫(‪−‬‬ ‫‪)α‬‬
‫‪F ( x;α , β ) = 1 − e‬‬ ‫‪β‬‬

‫و ﺑﺮاﯼ ﺗﺎﺑﻊ ﭼﮕﺎﻟﯽ ‪:‬‬

‫‪α‬‬
‫‪x‬‬ ‫‪α‬‬
‫) (‪−‬‬
‫‪f ( x;α , β ) = α x α −1e β‬‬
‫‪β‬‬

‫ﻧﮑﺘﻪ ‪ :‬هﺮ ﮔﺎﻩ ﺁﻟﻔﺎ ﺑﺮاﺑﺮ ﺑﺎ ‪ ١‬ﺷﻮد ﺁﻧﮕﺎﻩ ﺗﻮزﯾﻊ وﯾﺒﻮال ﺑﻪ ﺗﻮزﯾﻊ ﻧﻤﺎﯾﯽ ﺗﺒﺪﯾﻞ ﻣﯽ ﺷﻮد ﮐـﻪ‬
‫داراﯼ ﭘﺎراﻣﺘﺮ زﯾﺮ ﻣﯽ ﺑﺎﺷﺪ ‪:‬‬
‫‪1‬‬
‫=‪λ‬‬
‫‪β‬‬

‫‪ZTEST (٨٠‬‬
‫ﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ ﺁزﻣﻮن ‪ z‬ﯾﮏ ﻃﺮﻓﻪ ﺑﻪ ﮐـﺎر ﻣـﯽ رود ‪ .‬در ﻓﻴﻠـﺪ اول دادﻩ هـﺎ را وارد ﮐﻨﻴـﺪ در‬
‫ﻓﻴﻠﺪ دوم هﻢ ‪ x‬اﯾﯽ را ﮐﻪ ﻣﯽ ﺧﻮاهﻴﻢ ﺁزﻣﻮن ﮐﻨﻴﻢ را وارد ﻣﯽ ﮐﻨﻴﻢ در ﻓﻴﻠﺪ ﺁﺧﺮ اﻧﺤﺮاف‬
‫ﻣﻌﻴﺎر ﺟﺎﻣﻌﻪ را وارد ﻣﯽ ﮐﻨﻴﻢ در ﺻﻮرت ﺧﺎﻟﯽ ﮔﺬاﺷﺘﻦ اﯾﻦ ﻓﻴﻠﺪ ‪ ،‬اﻧﺤـﺮاف ﻣﻌﻴـﺎر ﻧﻤﻮﻧـﻪ‬
‫ﺟﺎﯾﮕﺰﯾﻦ ﺧﻮاهﺪ ﺷﺪ ‪.‬‬
‫ﺑﺮاﯼ دو ﻃﺮﻓﻪ ﮐﺮدن اﯾﻦ ﺁزﻣﻮن ﺑﺎﯾﺪ ﺑﻪ ﺻﻮرت زﯾﺮ ﻋﻤﻞ ﮐﻨﻴﻢ ‪.‬‬
‫اﺑﺘﺪا ﻣﻴﻨﻴﻤﻢ ‪ ztest‬و ‪ 1-ztest‬را ﭘﻴﺪا ﻣﯽ ﮐﻨﻴﻢ ﻣﺜﻼ ‪:‬‬

‫))‪= MIN(ZTEST(array,µ0,sigma), 1 - ZTEST(array,µ0,sigma‬‬

‫در ﻧﻬﺎﯾﺖ اﯾﻦ ﺟﻮاب را در ‪ ٢‬ﺿﺮب ﻣﯽ ﮐﻨﻴﻢ‬

‫))‪=2 * MIN(ZTEST(array,µ0,sigma), 1 - ZTEST(array,µ0,sigma‬‬

‫‪٣١‬‬
 ‫ﻓﻬﺮﺳﺖ راهﻨﻤﺎ‬

‫ص‬ ‫ا‬
‫ﺻﺪﮎ‪٢٣ ,٢١ ,‬‬ ‫اﺣﺘﻤﺎل‪٢٦ ,٢٢ ,٢١ ,٢٠ ,١٨ ,١٣ ,١٢ ,١٠ ,٩ ,٦ ,‬‬

‫ف‬ ‫ﺁ‬
‫ﻓﺎﺻﻠﻪ اﻃﻤﻴﻨﺎن‪٧ ,٥ ,‬‬ ‫ﺁزﻣﻮن ‪٢٦ ,t‬‬
‫ﻓﻮق هﻨﺪﺳﯽ‪١٤ ,‬‬ ‫ﺁزﻣﻮن ‪٢٨ ,z‬‬
‫ﻓﻴﺸﺮ‪١٠ ,‬‬
‫ا‬
‫ﮎ‬ ‫اﻧﺤﺮاف‬
‫ﮐﻮوارﻳﺎﻧﺲ‪٩ ,‬‬ ‫اﺳﺘﺎﻧﺪارد‪٢٨ ,٢٥ ,٢٤ ,٢١ ,٢٠ ,١٨ ,١٥ ,٧ ,٥ ,‬‬

‫گ‬ ‫پ‬
‫ﮔﺎﻣﺎ‪١٣ ,١٢ ,‬‬ ‫ﭘﻮاﺳﻦ‪٢٣ ,٢٢ ,‬‬

‫ل‬ ‫ت‬
‫ﻟﮓ ﻧﺮﻣﺎل‪١٨ ,‬‬ ‫ﺗﺎﺑﻊ‬
‫دو ﺟﻤﻠﻪ اﯼ‪,١٣ ,١٢ ,١١ ,١٠ ,٩ ,٨ ,٧ ,٦ ,٥ ,١ ,‬‬
‫م‬ ‫‪,٢٤ ,٢٣ ,٢٢ ,٢١ ,٢٠ ,١٩ ,١٨ ,١٦ ,١٥ ,١٤‬‬
‫‪٢٨ ,٢٧ ,٢٦ ,٢٥‬‬
‫ﻣﺪ‪٢٠ ,‬‬ ‫ﺗﺎﺑﻊ ﺑﺘﺎ‪٥ ,‬‬
‫ﻣﺪل‪١٨ ,١٦ ,١٥ ,٩ ,‬‬
‫ﻣﻴﺎﻧﮕﻴﻦ‬ ‫ج‬
‫ﺣﺴﺎﺑﯽ‪,٢١ ,٢٠ ,١٩ ,١٨ ,١٤ ,١٣ ,٩ ,٧ ,٥ ,١ ,‬‬
‫‪٢٦ ,٢٤‬‬ ‫ﺟﺎﻳﮕﺸﺖ‪٢٢ ,‬‬
‫ﻣﻴﺎﻧﮕﻴﻦ ﭘﻴﺮاﺳﺘﻪ‪٢٦ ,‬‬
‫ﻣﻴﺎﻧﻪ‪٢٣ ,١٩ ,‬‬ ‫چ‬
‫ن‬ ‫ﭼﺎرﮎ‪٢٣ ,‬‬
‫ﭼﻮﻟﻪ‪٢٤ ,‬‬
‫ﻧﺮﻣﺎل‪٢١ ,٢٠ ,١٩ ,١٨ ,١٤ ,‬‬
‫ﻧﻤﺎﻳﯽ‪٢٨ ,١٨ ,١٣ ,١٢ ,٩ ,‬‬ ‫خ‬
‫ﻩ‬ ‫ﺧﯽ دو‪١٢ ,٧ ,٦ ,‬‬

‫هﺎرﻣﻮﻧﻴﮏ‪١٤ ,‬‬ ‫د‬

‫هﻤﺒﺴﺘﮕﯽ‪٢٤ ,٢١ ,٨ ,‬‬
‫هﻨﺪﺳﯽ‪١٤ ,١٣ ,‬‬ ‫درﺟﻪ ﺁزادﯼ‪٢٦ ,١٨ ,١٦ ,١٢ ,٧ ,٦ ,‬‬
‫دو ﺟﻤﻠﻪ اﯼ‬
‫و‬ ‫ﻣﻨﻔﯽ‪٢٠ ,‬‬

‫وﻳﺒﻮال‪٢٨ ,٢٧ ,‬‬ ‫ر‬

‫رﺗﺒﻪ‪٢٣ ,٢١ ,‬‬
‫رﮔﺮﺳﻴﻮن‪١٧ ,١٦ ,١٥ ,١٤ ,١٠ ,‬‬

‫‪٣٢‬‬