‫فصل سوم‬

‫‪1‬‬

‫شاخص های مرکزی‬

‫‪Dr. Mohammad Kazemi‬‬

 ‫شاخص هاي مركزي‬
‫‪2‬‬

‫انواع شاخص ها‬ ‫‪(1‬‬

‫ميانگين ها ميانگين حسابي‬ ‫‪(2‬‬
‫ميانگين وزني‬
‫ميانگين هندسي‬
‫ميانگين هارمونيک‬
‫ميانگين ریشه ای‬

‫نما‬ ‫‪(3‬‬
‫ميانه‬ ‫‪(4‬‬
‫چارك ها‬
‫دهک ها‬
‫چندك ها‬ ‫‪(5‬‬
‫صدك ها‬

‫‪Dr. Mohammad Kazemi‬‬

 ‫شاخص هاي مركزي‬
‫‪3‬‬

‫با استفاده از جدول فراوانی و رسم نمودارها می توان داده ها را به نحو مطلوبی تنظیم کرده و اطالعات نهفته در داده ها‬
‫را تا حدودی مشخص کرد‪ .‬با این حال برای ارائه یک گزارش مناسب‪ ،‬بهتر است داده ها را در یک یا چند عدد مناسب‬
‫خالصه کنیم‪ .‬به این اعداد شاخص یا معیارگویند‪ .‬شاخص ها به دو دسته تقسیم می شوند‪.‬‬

‫اعدادی هستند که محل تمرکز یا تجمع داده ها را نشان می دهند‪.‬‬ ‫شاخص های مرکزی‬

‫اعدادی هستند که میزان پراکندگی داده ها از مرکز را اندازه می گیرند‪.‬‬ ‫شاخص های پراکندگي‬

‫‪ -‬دامنه تغییرات‬ ‫‪ -‬میانگین‬

‫‪ -‬واریانس‬ ‫‪ -‬میانه‬
‫شاخص های‬ ‫شاخص های‬
‫‪ -‬انحراف معیار‬ ‫پراکندگی‬ ‫‪ -‬نما‬ ‫مرکزی‬
‫‪ -‬ضریب تغییرات‬ ‫‪ -‬چندک ها‬

‫‪Dr. Mohammad Kazemi‬‬

 ‫انواع میانگین‬
‫‪4‬‬

‫از مجموع داده ها تقسیم بر تعداد داده ها به دست می آید‪.‬‬ ‫ميانگين حسابي‬
‫‪1‬‬ ‫‪n‬‬ ‫‪1‬‬
‫‪X ‬‬ ‫‪xi ‬‬ ‫) ‪( x 1  x 2  ...  x n‬‬
‫‪n‬‬ ‫‪i 1‬‬ ‫‪n‬‬

‫میانگین حسابی‪ ،‬زمانی مناسب است که چند جمعیت با هم جمع می شوند تا کل را تولید کنند‪.‬‬
‫در حقیقت‪ ،‬میانگین حسابی به این سؤال پاسخ می دهد که‪:‬‬

‫"اگر تمام کميتها دارای مقدار یکسان باشند‪ ،‬آن مقدار کدام باید باشد تا همان حاصل کل را ایجاد کند؟"‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪5‬‬

‫مثال‪ :‬میانگین حسابی اعداد زیر را بدست آورید‬

‫‪11 10 16 12 14 13 15 14 9 16‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪11  10  16  12  14  13  15  14  9  16  ‬‬
‫‪10‬‬ ‫‪130‬‬
‫‪x ‬‬ ‫‪xi ‬‬ ‫‪ 13‬‬
‫‪10 i 1‬‬ ‫‪10‬‬ ‫‪10‬‬

‫ميانگين حسابي در جدول فراواني داده های گسسته‪:‬‬

‫را با فراوانی های ‪f k ,..., f 2 , f 1‬‬ ‫اگر دادهها طبقه بندی شده باشند‪ ،‬یعنی مقادیر ‪x 1 , x 2 ,...x k‬‬
‫در اختیار داشتهباشیم‪ ،‬در این صورت فرمول میانگین به شكل زیر خواهد بود‪:‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪ f 1x 1  f 2 x 2  ....  f k x k ‬‬
‫‪k‬‬
‫‪x ‬‬ ‫‪fixi ‬‬
‫‪n‬‬ ‫‪i 1‬‬ ‫‪n‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪6‬‬

‫‪xi‬‬ ‫‪fi‬‬ ‫‪fi xi‬‬ ‫مثال‪ :‬میانگین حسابی را در جدول فراوانی زیر محاسبه کنید‪.‬‬
‫‪5‬‬ ‫‪3‬‬ ‫‪3×5 =15‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪147   8 / 17‬‬
‫‪7‬‬ ‫‪3‬‬ ‫‪3×7 = 21‬‬ ‫‪5‬‬
‫‪8‬‬ ‫‪2‬‬ ‫‪2×8 =16‬‬ ‫‪x ‬‬ ‫‪fixi ‬‬
‫‪9‬‬ ‫‪5‬‬ ‫‪5×9 = 45‬‬ ‫‪18 i 1‬‬ ‫‪18‬‬
‫‪10‬‬ ‫‪5‬‬ ‫‪5×10 = 50‬‬
‫جمع‬ ‫‪18‬‬ ‫‪147‬‬
‫ميانگين حسابي در جدول فراواني داده های پيوسته‪:‬‬

‫در داده های پیوسته که طبقه بندی شده باشند‪ ،‬در فرمول باال باید به جای 𝑖𝑥 از 𝑖‪( 𝑥′‬نماینده طبقات) استفاده کنیم‪.‬‬
‫حدود طبقات‬ ‫‪fi‬‬ ‫‪x i‬‬ ‫‪f i x i‬‬
‫مثال‪ :‬برای داده های جدول توزیع فراوانی زیر میانگین‬
‫‪1-3‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪2‬‬
‫حسابی را بدست آورید‪.‬‬
‫‪4-6‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪25‬‬
‫‪7-9‬‬ ‫‪15‬‬ ‫‪8‬‬ ‫‪120‬‬
‫‪255  8.5‬‬
‫‪1‬‬ ‫‪5‬‬ ‫‪1‬‬
‫‪10-12‬‬ ‫‪6‬‬ ‫‪11‬‬ ‫‪66‬‬ ‫‪x ‬‬ ‫‪ f i x 'i ‬‬
‫‪30‬‬ ‫‪i 1‬‬ ‫‪30‬‬
‫‪13-15‬‬ ‫‪3‬‬ ‫‪14‬‬ ‫‪42‬‬
‫‪30‬‬ ‫‪255‬‬
‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬
 ‫انواع میانگین‬
‫‪7‬‬

‫خواص‬
‫‪ -1‬همیشه مجموع اختالف دادهها از میانگین حسابی صفر است‪.‬‬ ‫میانگین‬
‫حسابي‬
‫‪-2‬هرگاه به هر یک از دادهها عد ثابتی مانند ‪ a‬را اضافه یا کم‬
‫کنیم‪ ،‬میانگین دادههای حاصل‪ ،‬برابر با میانگین دادههای قبلی‬
‫به اضافه (یا منهای) عدد ثابت ‪ a‬خواهد بود‪.‬‬

‫‪ -3‬هرگاه عدد ثابت ‪ a‬را در هریک از دادهها ضرب کنیم‪،‬‬

‫میانگین دادههای حاصل‪ ،‬برابر میانگین دادههای قبلی ضرب‬
‫در عدد ثابت ‪ a‬خواهد بود‪.‬‬

‫‪ -4‬درمورد تقسیم هم به صورت ضرب عمل می کنیم‪.‬‬

‫‪ -5‬میانگین حسابی به شدت تحت تأثیر داده های بسیار بزرگ یا بسیار کوچک (داده های پرت) است‪.‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪8‬‬
‫نکته‬
‫اگر یک مجموعه ‪ n1‬تائی از دادهها با میانگین ‪ X 1‬و یک مجموعه ‪ n2‬تائی از دادهها با میانگین ‪ X 2‬داشته باشیم‪،‬‬
‫میانگین کل این دو مجموعه داده برابر است با ‪:‬‬

‫این موضوع برای ‪ n‬مجموعه داده نیز صادق است‪.‬‬

‫مثال‪ :‬در یک مجموعه‪ 10 ،‬داده با میانگین‪ x 1  4 / 2‬و در مجموعه دیگری ‪ 8‬داده با میانگین ‪ x 2  4‬موجود‬
‫است‪ .‬میانگین کل دادهها را به دست می آورید‪.‬‬

‫‪10  4 / 2  8  4‬‬ ‫‪64‬‬

‫‪x ‬‬ ‫‪‬‬ ‫‪ 3.55‬‬
‫‪10  8‬‬ ‫‪18‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪9‬‬

‫درمیانگین وزنی به هریک از 𝑖𝑥 ها وزنی برابر 𝑖𝜔 داده می شودکه‪ 0 ≤ 𝜔𝑖 ≤ 1‬و‬ ‫ميانگين حسابي وزني‬
‫‪ ∑𝜔𝑖 =1‬و بصورت زیر بدست می آید‪:‬‬
‫‪n‬‬
‫‪X    i x i‬‬
‫‪i 1‬‬
‫𝑖𝑓‬
‫= 𝑖𝜔 است‪.‬‬ ‫لذا میانگین حسابی هم یک نوع میانگین وزنی با وزن‬ ‫نکته‬
‫𝑛‬

‫نمره 𝑖𝑥‬ ‫تعداد واحد‬ ‫وزن 𝑖𝜔‬

‫‪3‬‬ ‫مثال‪ :‬نمرات یک دانشجو در نیسمال گذشته به شرح زیر است‪.‬‬
‫‪16‬‬ ‫‪3‬‬ ‫‪18‬‬ ‫معدل دانشجو را بدست آورید‪.‬‬
‫‪3‬‬
‫‪12‬‬ ‫‪3‬‬ ‫‪18‬‬

‫‪9‬‬ ‫‪2‬‬ ‫‪2‬‬

‫‪3‬‬ ‫‪4‬‬ ‫‪41‬‬
‫‪18‬‬ ‫= 𝜔𝑋‬ ‫‪× 16+. . . . . +‬‬ ‫= ‪× 10‬‬
‫‪15‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪18‬‬ ‫‪18‬‬ ‫‪3‬‬
‫‪18‬‬
‫‪4‬‬ ‫‪4‬‬
‫‪14‬‬
‫‪18‬‬
‫‪10‬‬ ‫‪4‬‬ ‫‪4‬‬
‫‪18‬‬

‫‪18‬‬
‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬
 ‫انواع میانگین‬
‫‪10‬‬
‫ميانگين هندسي‬

‫فرض کنید‪ x n ..., x 2 , x 1‬دادههای مثبت و مخالف صفر باشند‪ ،‬میانگین هندسی آنها از فرمول مقابل بدست می آید‪.‬‬

‫‪G ‬‬ ‫‪n‬‬

‫‪x 1  x 2  ....  x n‬‬
‫‪1‬‬ ‫‪1‬‬

‫‪ ( x i )   x i‬‬
‫‪n‬‬ ‫‪n‬‬
‫‪n‬‬ ‫‪n‬‬

‫‪i 1‬‬ ‫‪i 1‬‬

‫ميانگين هندسي در جدول فراواني داده های گسسته‪:‬‬

‫‪G ‬‬ ‫‪x 1  x 2  ....  x n‬‬
‫‪n‬‬ ‫‪f1‬‬ ‫‪f2‬‬ ‫‪fn‬‬

‫‪1‬‬ ‫‪fi‬‬

‫‪ ( x i )   x i‬‬
‫‪n‬‬ ‫‪n‬‬
‫‪fi‬‬ ‫‪n‬‬ ‫‪n‬‬

‫‪i 1‬‬ ‫‪i 1‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪11‬‬

‫بکارگيری ميانگين هندسي در کدام موارد است؟‬

‫میانگین هندسی زمانی مناسب است که چند کمیت با هم ضرب می شوند تا حاصل را تولید کنند‪.‬‬
‫در حقیقت میانگین هندسی به این سؤال پاسخ می دهد که‪:‬‬
‫"اگر تمام کميت ها دارای مقدار یکسان باشند‪ ،‬آن مقدار کدام باید باشد تا همان مقدار حاصل را ایجاد کند؟"‬

‫مثال‪ :‬مكعبی به ابعاد ‪ 27 ، 8‬و ‪ 64‬داریم‪ .‬متوسط بعد مكعب چه اندازه باید باشد تا حجمی معادل مكعب‬
‫داده شده داشته باشیم؟‬

‫‪G ‬‬ ‫‪3‬‬

‫‪8  27  64  24‬‬

‫میانگین هندسی بیشتر در زمینه های اقتصادی برای محاسبه متوسط سود یا نرخ رشد و در جمعیت شناسی برای‬
‫پیدا کردن متوسط آهنگ های تغییر استفاده می شود‪.‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪12‬‬

‫مثال‪ :‬فرض کنید سرمایه گذاری در سال اول ‪ 10 %‬سود‪ ،‬در سال دوم ‪ 60 %‬سود و در سال سوم ‪ 20 %‬سود‬
‫دریافت می کند‪ .‬متوسط سود ساالنه سرمایه گذار در طول سه سال گذشته چقدر است؟‬

‫جواب‪ :‬اگر سرمایه فرد را در سال اول برابر یک قرار دهیم‪ ،‬متوسط سرمایه وی در طول سه سال به کمک میانگین‬
‫هندسی بدست می آید‬

‫‪G ‬‬ ‫‪3‬‬

‫‪1.1  1.6  1.2  1.283‬‬

‫بنابراین متوسط سود ساالنه سرمایه گذار‪ 28.3%‬است و نه ‪!! 30%‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪13‬‬

‫مثال‪ :‬فرض کنید سرمایه گذاری در سال اول ‪ % 10‬سود و در سال دوم ‪ % 20‬ضرر کند‪ .‬متوسط سود یا ضرر سرمایه گذار‬
‫چقدر است؟‬
‫‪G ‬‬ ‫‪1.1  0.8  0.9381‬‬

‫‪0.9381  1  0.0619‬‬

‫بنابراین سرمایه گذار به طور متوسط ‪ % 6/19‬ضرر می کند‪.‬‬

‫نکته‬

‫• در مقایسه با میانگین حسابی‪ ،‬میانگین هندسی کمتر نسبت به داده های بسیار بزرگ یا بسیار کوچک‬
‫حساس است‪.‬‬
‫• هر زمان کمیت هایی در اختیار دارید که حاصل یک ضرب هستند و عالقمند به دستیابی به متوسط‬
‫مقدار هستید‪ ،‬پاسخ مناسب ميانگين هندسي است‪.‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪14‬‬

‫ميانگين هندسي وزني‬

‫میانگین هندسی وزنی به صورت زیر بدست می آید‪:‬‬

‫‪n‬‬
‫‪G ‬‬ ‫‪xi‬‬
‫‪wi‬‬

‫‪i 1‬‬
‫که در آن‬

‫‪ 0 ≤ 𝜔𝑖 ≤ 1‬و ‪∑𝜔𝑖 =1‬‬

‫𝑖𝑓‬
‫= 𝑖𝜔 است‪.‬‬ ‫نکته‪ :‬توجه داشته باشید که میانگین هندسی هم یک نوع میانگین هندسی وزنی با وزن‬
‫𝑛‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪15‬‬

‫فرض کنید دادههای ‪ x n ..., x 2 , x1‬مخالف صفر باشند‪ ،‬میانگین هارمونیک آنها از‬ ‫ميانگين هارمونيک‬
‫(ميانگين توافقي)‬
‫نمایش میدهیم‪:‬‬ ‫‪H‬‬ ‫فرمول زیر بدست میآید و آن را با‬

‫‪H ‬‬
‫‪n‬‬
‫‪‬‬ ‫(‬ ‫‪1‬‬ ‫‪‬‬
‫‪n‬‬
‫‪1 ) 1‬‬
‫‪‬‬
‫‪n‬‬ ‫‪1‬‬ ‫‪n i 1 x i‬‬
‫‪i 1 x‬‬
‫‪i‬‬

‫‪1‬‬ ‫‪n‬‬
‫‪H  ( f i‬‬
‫‪1 ) 1‬‬ ‫ميانگين هندسي در جدول فراواني داده های گسسته‪:‬‬
‫‪n i 1 x i‬‬

‫‪ -1‬این میانگین بیشتر در فیزیک‪ ،‬عینک سنجی‪ ،‬مطالعه شبكه های برق و مهندسی نفت استفاده می شود‪.‬‬
‫‪ -2‬وقتی مجموعه ی داده ها دارای واحدهای اندازه گیری ترکیبی است (مثالً کیلومتر در ساعت)‪ ،‬برای محاسبه مقدار‬
‫متوسط از میانگین هارمونیک استفاده می شود‪.‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪16‬‬

‫یک مثال ساده از میانگین توافقی‪ ،‬محاسبه متوسط سرعت است‪.‬‬

‫مثال‪ :‬فرض کنید اندازه سرعت متحرکی که روی خط راست حرکت می کند‪ ،‬در نصف مسیرحرکت 𝑠‪4 𝑚/‬‬
‫و در نصف دیگر 𝑠‪ 6 𝑚/‬است‪ .‬متوسط سرعت متحرک در تمام طول مسیر چند 𝑠‪ 𝑚/‬است؟‬

‫پاسخ‪ :‬می دانیم که‬

‫به طوری که‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪17‬‬

‫بنابراین‬

‫نتیجه‪ :‬مالحظه می شود که متوسط سرعت جسم متحرک‪ ،‬میانگین توافقی سرعت ها است و نه میانگین‬
‫حسابی سرعت ها!‬

‫‪Dr. Mohammad Kazemi‬‬

 ‫انواع میانگین‬
‫‪18‬‬

‫همگی غیر صفر با وزن های‪n ,..., 2 , 1‬‬ ‫اگر دادههای‪x n ..., x 2 , x1‬‬ ‫ميانگين هارمونيک‬
‫وزني‬
‫باشند‪ ،‬میانگین هارمونیک وزنی از فرمول زیر بدست میآید‬

‫‪ ( w i 1 ) 1‬‬
‫‪n‬‬
‫‪1‬‬
‫‪H‬‬ ‫‪‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪1‬‬ ‫‪i 1‬‬ ‫‪xi‬‬
‫‪w‬‬ ‫‪i‬‬
‫‪i 1‬‬ ‫‪xi‬‬

‫مثال‪ :‬فرض کنید اندازه متوسط سرعت متحرکی روی خط راست در ‪ 10‬متر اول ‪ 4 m/s‬و در ‪ 25‬متر دوم ‪6 m/s‬‬
‫است‪ .‬متوسط سرعت متحرک در تمام طول مسیر چند ‪ m/s‬است؟‬

‫‪25‬‬ ‫‪10‬‬
‫= ‪ ، 𝜔2‬بنابراین‬ ‫= ‪ 𝜔1‬و‬ ‫در این مثال‬
‫‪1‬‬ ‫‪35‬‬ ‫‪35‬‬
‫‪H‬‬ ‫‪‬‬ ‫‪ 5.25 m / s‬‬
‫‪‬‬ ‫‪10  1  25  1‬‬
‫‪35 4 35 6‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫انواع میانگین‬
‫‪19‬‬

‫از مجموع توان دوم داده ها تقسیم بر تعداد داده ها به دست می آید‪.‬‬ ‫ميانگين ریشه ای مرتبه ‪2‬‬
‫‪1‬‬
‫‪1‬‬ ‫‪n‬‬
‫( ‪m2 ‬‬ ‫) ‪xi‬‬
‫‪2 2‬‬

‫‪n‬‬ ‫‪i 1‬‬

‫مثال‪ :‬میانگین ریشه ای مرتبه ‪ 2‬اعداد زیر را بدست آورید‬

‫‪11 10 16 12 14 13 15 14 9 16‬‬ ‫‪1‬‬
‫‪1 n 2 2 1‬‬ ‫‪2 ‬‬
‫‪1‬‬

‫‪‬‬ ‫‪‬‬
‫‪2‬‬
‫‪m2  (  x i )  ‬‬ ‫‪11  10  ...  16   13.21‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪n i 1‬‬ ‫‪‬‬ ‫‪10‬‬ ‫‪‬‬

‫از مجموع توان ‪ r‬ام داده ها تقسیم بر تعداد داده ها به دست می آید‪.‬‬ ‫ميانگين ریشه ای مرتبه ‪r‬‬
‫‪1‬‬
‫‪1‬‬ ‫‪n‬‬
‫( ‪mr ‬‬ ‫) ‪xi‬‬
‫‪r‬‬ ‫‪r‬‬
‫‪n‬‬ ‫‪i 1‬‬

‫تمرین‪ :‬نشان دهید که رابطه مقابل بین میانگین ها برقرار است؟‬ ‫رابطه بين ميانگين ها‬
‫راهنمایي‪ :‬کافی است نشان دهید که 𝑟𝑚 یک تابع نانزولی از ‪ r‬است‪ .‬آنگاه با جایگذاری‬
‫‪ 𝑟 = −1,0,1,2‬نامساوی ثابت می شود‪.‬‬ ‫)??( ‪H  G  X  m 2‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫نما (مد)‬
‫‪20‬‬

‫نما یا مد دادهای است که بیشتر از سایر دادهها تكرار شده باشد و آن را با نماد ‪ M‬نمایش میدهیم‪.‬‬ ‫نما‬

‫مثال‪ :‬نما در دادههای زیر عدد ‪ 3‬است‪ .‬زیرا بیشتر از همه‪ ،‬عدد ‪ 3‬تكرار شده است‪،‬‬
‫‪3‬‬ ‫‪1 5‬‬ ‫‪9 2 3 1‬‬ ‫‪7 3 2 3 4 3 3 2‬‬

‫مثال‪ :‬در داده های زیر نما وجود ندارد‪ ،‬زیرا تمام داده ها دارای فراوانی یكسانی هستند‪.‬‬
‫‪9 12‬‬ ‫‪1‬‬ ‫‪15‬‬ ‫‪3 4 8 5‬‬

‫مثال‪ :‬در داده های زیر دو داده ‪ 7‬و ‪ 4‬را به عنوان نما انتخاب می کنیم‪ ،‬زیرا فراوانی این دو داده یكسان و نسبت‬
‫به بقیه داده ها بیشتر هستند‪.‬‬
‫‪9‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4 4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫نما (مد)‬
‫‪21‬‬

‫مثال‪ :‬داده های زیر را در نظر بگیرید‪.‬‬

‫‪9‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬
‫در این داده ها ‪ 5‬و ‪ 4‬دارای بیشترین فراوانی هستند اما از آنجا که این دو عدد در یک صف غیر نزولی در کنار‬
‫هم قرار دارند‪ ،‬نصف این دو داده را به عنوان نما در نظر می گیریم‪ ،‬یعنی‪𝑀 = 4/5‬‬

‫خون‬ ‫مثال‪ :‬نما درجدول زیر‪ ،‬گروه خونی ‪ B‬است‪ ،‬چون فراوانی آن بیشتر است‪.‬‬
‫‪fi‬‬
‫‪A‬‬ ‫‪5‬‬
‫‪B‬‬ ‫‪19‬‬
‫‪AB‬‬ ‫‪13‬‬
‫‪O‬‬ ‫‪8‬‬
‫نکته‬

‫نما تنها شاخص مرکزی است که در مورد داده های کیفی هم می تواند به کار رود‪.‬‬

‫‪Dr. Mohammad Kazemi‬‬

 ‫نما (مد)‬
‫‪22‬‬

‫نما در دادههای پیوسته طبقه بندی شده‬

‫اگر داده ها پیوسته و طبقهبندی شده باشند‪ ،‬نما را به صورت زیر محاسبه کنید‪.‬‬
‫‪ -1‬ابتدا طبقهای را که دارای بیشترین مقدار فراوانی است معلوم کنید ( طبقه نما)‪.‬‬
‫‪ -2‬از فرمول مقابل برای محاسبه نما استفاده کنید ‪.‬‬

‫‪D1‬‬
‫‪M  li ‬‬ ‫‪C‬‬
‫‪D1  D 2‬‬
‫در این فرمول‪:‬‬

‫‪ = l i‬کران پائین طبقهای است که فراونی مطلق آن ماکزیمم است (طبقه نما)‬
‫‪D  f f‬‬
‫‪1‬‬ ‫‪i‬‬
‫‪ = D1‬تفاضل فراوانی مطلق طبقه نما با طبقه قبل از آن است‪ ،‬یعنی‬
‫‪i 1‬‬

‫‪D  f f‬‬
‫‪2‬‬ ‫‪i‬‬
‫‪ = D2‬تفاضل فراوانی مطلق طبقه نما با طبقه بعد از آن است‪ ،‬یعنی‬
‫‪i 1‬‬

‫‪ = C‬فاصله طبقات‬
‫در برخی از کتب آماری نماینده طبقه نما به عنوان نما انتخاب می شود که این روش نیز یک روش تقریبی است‪.‬‬ ‫نکته‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫نما (مد)‬
‫‪23‬‬

‫مثال‪ :‬درجدول فراوانی زیر نما را محاسبه کنید‪.‬‬

‫چون طبقه چهارم بیشترین فراوانی را دارد‪ ،‬پس آن طبقه نما است‪ ،‬بنابراین‪:‬‬

‫حدود طبقات‬ ‫‪fi‬‬

‫‪1–4‬‬ ‫‪8‬‬
‫‪4–7‬‬ ‫‪5‬‬
‫‪7 – 10‬‬ ‫‪13‬‬
‫‪D1  15  13  2‬‬
‫‪10 – 13‬‬ ‫‪15‬‬
‫‪D2  15  9  6‬‬
‫‪13 - 16‬‬ ‫‪9‬‬

‫‪2‬‬
‫‪M  10 ‬‬ ‫‪ 3  10  0 / 75  M  10 / 75‬‬
‫‪26‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫نما (مد)‬
‫‪24‬‬

‫می توان نمای داده ها را با استفاده از نمودار هیستوگرام و به‬

‫طبقه ای که بیشترین‬ ‫طور تقریبی و به صورتی که در شكل زیر می بینید معین کرد‪.‬‬
‫فراوانی را دارد‬

‫نمای تقریبی داده ها‬

‫‪1/93‬‬

‫‪6‬‬

‫‪2‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫میانه‬
‫‪25‬‬

‫ميانه‬

‫اگر دادهها را از کوچک به بزرگ مرتب کنیم‪ ،‬عدد ‪ m‬را میانه داده ها می نامیم اگر نصف دادهها در‬
‫سمت چپ و نصف دیگر داده ها در سمت راست این عدد قرار بگیرد‪.‬‬

‫روش محاسبه ميانه در داده های گسسته‬

‫اگر تعداد دادهها فرد باشد‪ ،‬داده ای که در وسط داده ها قرار می گیرد‪ ،‬میانه است‪ .‬اما اگر تعداد دادهها زوج‬
‫باشد‪ ،‬میانگین دو عدد وسط‪ ،‬میانه خواهد بود‪.‬‬
‫‪‬‬ ‫‪x n 1‬‬ ‫اگر ‪ n‬فرد باشد‬
‫‪‬‬
‫‪‬‬
‫(‬
‫‪2‬‬
‫)‬

‫‪m  ‬‬ ‫) ‪x (1)  ...  x ( n‬‬

‫‪‬‬
‫اگر ‪ n‬زوج باشد ‪  x n  x n ‬‬
‫‪1‬‬
‫‪‬‬
‫‪2  2‬‬
‫) (‬ ‫)‪( 1‬‬
‫‪2‬‬ ‫‪‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫میانه‬
‫‪26‬‬

‫مثال‪ :‬میانه مجموعه دادههای زیر را بدست آورید‪.‬‬

‫‪3 0 3 5 1 0 7 2 1 3 2 1 4 3 6‬‬
‫‪ ‬ابتدا دادهها را مرتب می کنیم‪.‬‬
‫‪0 0 1 1 1 2 2 3 3 3 3 4 5 6‬‬ ‫‪7‬‬

‫‪ ‬چون تعداد داده ها ‪15‬و عددی فرد است‪ ،‬داده هشتم میانه است زیرا‪:‬‬

‫‪15  1‬‬
‫‪ 8  m  x (8)  3‬‬
‫‪2‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫میانه‬
‫‪27‬‬

‫مثال‪ :‬برای دادههای زیر میانه را محاسبه می کنیم‪.‬‬

‫‪1‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪5‬‬ ‫‪9‬‬ ‫‪1‬‬ ‫‪8‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪9 9‬‬ ‫‪2‬‬ ‫‪2‬‬
‫ابتدا دادهها را مرتب میکنیم‪.‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪9‬‬ ‫‪9‬‬
‫چون ‪ n =16‬عددی زوج است‪ ،‬پس معدل داده هشتم و نهم را به عنوان میانه در نظر می گیریم‬

‫‪1‬‬
‫𝑥 =‪m‬‬ ‫𝑛‬ ‫𝑥‪+‬‬ ‫𝑛‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪+1‬‬

‫‪1‬‬ ‫‪4+5‬‬
‫= ) ‪𝑚 = (𝑥8 + 𝑥9‬‬ ‫‪= 4.5‬‬
‫‪2‬‬ ‫‪2‬‬
‫توجه کنید که‪:‬‬
‫در دو مثال اخیر داده ها گسسته و دسته بندی نشده اند‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫میانه‬
‫‪28‬‬

‫در مثال زیر داده ها كسسته و دسته بندي شده هستند‬

‫مثال‪ :‬برای داده های جدول زیر میانه را به دست آورید‪.‬‬

‫‪xi‬‬ ‫‪fi‬‬ ‫‪Fi‬‬ ‫فراواني تجمعي‬

‫‪5‬‬ ‫‪3‬‬ ‫‪3‬‬

‫‪7‬‬ ‫‪4‬‬ ‫‪7‬‬
‫‪8‬‬ ‫‪5‬‬ ‫‪12‬‬ ‫تعداد داده ها زوج است‪ ،‬پس‬
‫‪9‬‬ ‫‪18‬‬ ‫‪30‬‬ ‫طبقه میانه‬
‫‪1‬‬ ‫‪1‬‬
‫‪10‬‬ ‫‪10‬‬ ‫‪40‬‬ ‫‪m  (x (20)  x (21) )  (9  9)  9‬‬
‫‪40‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪m 9‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫میانه‬
‫‪29‬‬

‫اگر داده ها پيوسته و دسته بندي شده هستند مراحل زیر را دنبال كنيد‬

‫‪ -1‬ستون فراوانی تجمعی را بدست آورید‪.‬‬

‫‪1‬‬
‫را بدست آورده و از ستون فراوانی تجمعی‪ ،‬طبقه میانه را معلوم کنید‪.‬‬ ‫‪n‬‬ ‫‪ -2‬مقدار‬
‫‪2‬‬

‫‪ -3‬میانه را از فرمول زیر به دست آورید‪.‬‬

‫در این فرمول داریم‪:‬‬

‫‪n‬‬
‫‪  Li‬کران پائین طبقهای است که میانه در آن قرار دارد‪.‬‬
‫‪ Fi 1‬‬ ‫‪  n‬تعداد دادهها‬
‫‪m  Li ‬‬ ‫‪2‬‬ ‫‪C‬‬
‫‪fi‬‬ ‫‪  Fi 1‬فراوانی تجمعی یک طبقه‪ ،‬قبل از طبقهای که شامل میانه است‪.‬‬
‫‪  f i‬فراوانی مطلق طبقهای است که میانه در آن قرار دارد‪.‬‬
‫‪  c‬فاصله طبقات‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫میانه‬
‫‪30‬‬

‫مثال‪ :‬میانه را برای داده های جدول زیر به دست آورید‪.‬‬

‫حدود طبقات‬ ‫‪fi‬‬ ‫‪Fi‬‬ ‫‪ -1‬ستون فراوانی تجمعی را تشكیل میدهیم‪.‬‬

‫‪1–4‬‬ ‫‪1‬‬ ‫‪ -2‬داریم‬
‫‪8‬‬ ‫‪8‬‬ ‫‪50  25‬‬
‫‪4–7‬‬ ‫‪5‬‬ ‫‪13‬‬ ‫‪2‬‬
‫‪ -3‬بیست و پنجمین عدد در طبقه سوم قرار دارد‬
‫‪7 – 10‬‬ ‫‪13‬‬ ‫‪26‬‬ ‫طبقه میانه‬
‫بنابراین‬
‫‪10 – 13‬‬ ‫‪15‬‬ ‫‪41‬‬
‫‪13 - 16‬‬ ‫‪9‬‬ ‫‪50‬‬
‫‪25  13‬‬
‫‪m 7‬‬ ‫‪ 3  7  2 / 77  m  9 / 77‬‬
‫‪13‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫میانه‬
‫‪31‬‬

‫مثال‪ :‬درجدول فراوانی زیرمیانه را به دست آورید‪.‬‬

‫حدود طبقات‬ ‫‪fi‬‬ ‫‪Fi‬‬
‫‪1/35 -1/55‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪ -1‬ستون فراوانی تجمعی را تشكیل میدهیم‪.‬‬
‫‪1/55 -1/75‬‬ ‫‪6‬‬ ‫‪10‬‬ ‫‪1‬‬ ‫‪ -2‬داریم‬
‫‪50  25‬‬
‫‪2‬‬
‫‪1/75 - 1/95‬‬ ‫‪12‬‬ ‫‪22‬‬ ‫‪ -3‬بیست و پنجمین عدد در طبقه سوم قرار دارد‬
‫‪1/95-2/15‬‬ ‫‪9‬‬ ‫‪31‬‬ ‫طبقه میانه‬ ‫بنابراین‬

‫‪2/15 -2/35‬‬ ‫‪8‬‬ ‫‪39‬‬

‫‪25  22‬‬
‫‪2/35 -2/55‬‬ ‫‪6‬‬ ‫‪45‬‬ ‫‪m  1.95 ‬‬ ‫‪ 0.2  2.017  m  2.017‬‬
‫‪9‬‬
‫‪2/55 -2/75‬‬ ‫‪2‬‬ ‫‪47‬‬
‫‪2/75 -2/95‬‬ ‫‪3‬‬ ‫‪50‬‬
‫جمع‬ ‫‪50‬‬ ‫‪-‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫چندک ها‬
‫‪32‬‬
‫چندک ها‬
‫‪ ‬اگر ‪ p‬یک عدد حقیقی بین صفر و یک باشد‪ ،‬آنگاه 𝑝𝑄 را چندک مرتبه ‪ p‬گویند هرگاه 𝑝‪%100‬‬
‫از داده ها سمت چپ و)𝑝 ‪ %100(1 −‬سمت راست 𝑝𝑄 باشند‪.‬‬

‫‪ ‬چندک های معروف عبارتند از‪ :‬چارک ها‪ ،‬دهک ها و صدکها‬

‫‪ ‬هر چندک با یک نسبت که آن را با ‪ p‬نشان می دهیم‪ ،‬معین می شود‪.‬‬

‫چارک ها به ازای ‪ 𝑝 = 0.25, 0.50, 0.75‬بدست می آیند و آنها را به ترتیب با ‪Q1‬‬ ‫چارک ها‬
‫(چارک اول) و ‪( 𝑄2‬چارک دوم) و ‪( 𝑄3‬چارک سوم) نشان می دهند‪.‬‬

‫‪ Q1‬دادهای است که یک چهارم (‪ )%25‬دادهها از آن کوچكتر و سه چهارم (‪ )%75‬دادهها از آن بزرگتر باشد‪.‬‬

‫‪ 𝑄2‬دادهای است که نصف(‪ )%50‬دادهها از آن کوچكتر و نصف دیگر(‪ )%50‬دادهها از آن بزرگتر باشد‪.‬‬
‫‪ 𝑄3‬دادهای است که سه چهارم (‪ )%75‬دادهها از آن کوچكتر ویک چهارم (‪ )%25‬دادهها از آن بزرگتر باشد‪.‬‬
‫چارک دوم با میانه یكسان است‪.‬‬
‫‪%25‬‬ ‫‪%25‬‬ ‫‪%25‬‬ ‫‪%25‬‬
‫)‪Min(x‬‬ ‫‪Q1‬‬ ‫‪𝑄2‬‬ ‫‪𝑄3‬‬ ‫)‪Max(x‬‬

‫‪Dr. Mohammad Kazemi‬‬

 ‫چندک ها‬
‫‪33‬‬

‫دهک ها‬
‫دهک ها به ازای ‪ 𝑝 = 0.1, 0.2, … , 0.9‬بدست می آیند و آنها را به ترتیب با ‪( D1‬دهک اول)‬
‫و ‪( 𝐷2‬دهک دوم) و ‪ ...‬و ‪( 𝐷9‬دهک نهم) نشان می دهند‪.‬‬

‫به عنوان مثال‪:‬‬

‫‪ 𝐷1‬دادهای است که یک دهم (‪ )%10‬دادهها از آن کوچكتر و نه دهم (‪ )%90‬دادهها از آن بزرگتر باشد‪.‬‬
‫‪ 𝐷5‬دادهای است که پنج دهم یا نصف(‪ )%50‬دادهها از آن کوچكتر و نصف دیگر(‪ )%50‬دادهها از آن بزرگتر باشد‪.‬‬
‫‪ 𝐷9‬دادهای است که نه دهم (‪ )%90‬دادهها از آن کوچكتر یک دهم(‪ )%10‬دادهها از آن بزرگتر باشد‪.‬‬

‫دهک پنجم با میانه یكسان است‪.‬‬

‫‪%90‬‬ ‫‪%10‬‬

‫)‪Min(x‬‬ ‫‪𝐷9‬‬ ‫)‪Max(x‬‬

‫‪Dr. Mohammad Kazemi‬‬

 ‫چندک ها‬
‫‪34‬‬

‫صدک ها‬
‫صدک ها به ازای ‪ 𝑝 = 0.01, 0.02, … , 0.99‬بدست می آیند و آنها را به ترتیب با ‪( P1‬صدک‬
‫اول) و ‪( P1‬صدک دوم) و ‪ ...‬و ‪( P2‬صدک نود) نشان می دهند‪.‬‬

‫به عنوان مثال‪:‬‬

‫‪ 𝑃1‬دادهای است که ‪ %1‬دادهها از آن کوچكتر و ‪ %99‬دادهها از آن بزرگتر باشد‪.‬‬
‫‪ 𝑃37‬دادهای است که ‪ %37‬دادهها از آن کوچكتر و ‪ %63‬دادهها از آن بزرگتر باشد‬
‫‪ 𝑃50‬دادهای است که ‪ %50‬دادهها از آن کوچكتر و ‪ %50‬دادهها از آن بزرگتر باشد‪.‬‬

‫(صدک ‪ )50‬با میانه برابر است‪.‬‬

‫‪%80‬‬ ‫‪%20‬‬ ‫صدك هشتاد‬

‫)‪Min(x‬‬ ‫‪𝑃80‬‬ ‫)‪Max(x‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫چندک ها‬
‫‪35‬‬
‫روش محاسبه چندك ها برای داده های گسسته‬

‫‪ -1‬ابتدا داده ها را مرتب کنید و شكل مرتب شده آنها را با )𝑛(𝑥 ≤ ⋯ ≤ )‪ x(1) ≤ 𝑥(2‬نشان دهید‪.‬‬
‫‪ -2‬اگر 𝑝 ‪ 𝑛 + 1‬یک عدد صحیح بود‪ ،‬با انتخاب 𝑝 ‪ r = 𝑛 + 1‬مقدار 𝑝𝑄 را برابر با )𝑟(𝑥 انتخاب می کنیم‪.‬‬
‫‪ -3‬اگر 𝑝 ‪ 𝑛 + 1‬یک عدد صحیح نبود‪ ،‬با انتخاب ]𝑝 ‪ r = [ 𝑛 + 1‬و 𝑟 ‪ 𝜔 = 𝑛 + 1 𝑝 −‬مقدار 𝑝𝑄 را‬
‫به صورت زیر محاسبه می کنیم‬
‫)‪𝑄𝑝 = 1 − 𝜔 𝑥(𝑟) + 𝜔𝑥(𝑟+1‬‬

‫مثال‪ :‬صدک ‪ 80‬دادههای زیر را محاسبه کنید‪( .‬دادهها مرتب شده اند)‬
‫‪1,1,1,3,3,4,6,7,7‬‬
‫‪p  0.80  ( n  1)  p  10 0.80  8‬‬ ‫یک عدد صحيح است!‬

‫‪Q 0.80  x (8)  7‬‬

‫‪Dr. Mohammad Kazemi‬‬

 ‫چندک ها‬
‫‪36‬‬

‫مثال‪ :‬دهک چهارم دادههای زیر را معلوم می کنیم‪( .‬دادهها مرتب شده اند)‬

‫‪2/3‬‬ ‫‪3‬‬ ‫‪3/1 3/2‬‬ ‫‪3/4 3/8‬‬ ‫‪4 4/4 5/3‬‬ ‫‪5/3‬‬ ‫‪6/1 6/9‬‬ ‫‪7/5‬‬ ‫‪8/3‬‬ ‫‪9/8‬‬

‫حل‪:‬‬
‫نسبت ‪ 𝑝 = 0.4‬مربوط به دهک چهارم است‪.‬‬
‫‪p  0.4  ( n  1)  p  16  0.4  6.4‬‬
‫یک عدد صحيح نيست!‬

‫‪r  [ n  1 p ]  [6.4]  6     n  1 p  r  6.4  6  0.4‬‬

‫= )‪𝑄0.4 = 1 − 𝜔 𝑥(𝑟) + 𝜔𝑥(𝑟+1) = 1 − 0.4 𝑥(6) + 0.4𝑥(7‬‬

‫‪= 0.6 × 3.8 + 0.4 × 4= 3.88‬‬
‫‪𝑄0.4 =3.88‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫چندک ها‬
‫‪37‬‬

‫مثال‪ :‬برای دادههای جدول زیر صدک ‪ 53‬را بدست آورید‬

‫‪x i f i Fi‬‬
‫‪2‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪p  0.53  ( n  1)  p  31 0.53  16.43‬‬
‫‪4‬‬ ‫‪3‬‬ ‫‪8‬‬
‫یک عدد صحيح نيست!‬
‫‪5‬‬ ‫‪8‬‬ ‫‪16‬‬
‫‪6‬‬ ‫‪7‬‬ ‫‪23‬‬
‫‪7‬‬ ‫‪3‬‬ ‫‪26‬‬ ‫‪r  [ n  1 p ]  16     n  1 p  r  0.43‬‬
‫‪8‬‬ ‫‪4‬‬ ‫‪30‬‬
‫بنابراین با توجه به ستون فراوانی تجمعی داریم‪:‬‬
‫‪30‬‬
‫‪𝑄0.53 = 0.57𝑥(16) + 0.43𝑥(17) = 0.57 × 5 + 0.43 × 6= 5.43‬‬

‫‪𝑄0.53 =5.43‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫چندک ها‬
‫‪38‬‬

‫اگر داده ها پيوسته و دسته بندي هستند‪ ،‬براي محاسبه چندك ها مراحل زیر را دنبال كنيد‬

‫• ستون فراوانی تجمعی را تشكیل دهید‪.‬‬

‫• مقدار ‪ n  p‬را محاسبه کنید‪.‬‬
‫‪np  Fi 1‬‬ ‫• از ستون فراوانی تجمعی‪ ،‬اولین عدد بزرگتر یا مساوی 𝑝𝑛 را بیابید‬
‫‪Q  Li ‬‬ ‫‪C‬‬ ‫و آن را طبقه چندک دار می نامیم‪.‬‬
‫‪fi‬‬ ‫• از فرمول مقابل چندک مورد نظر را محاسبه کنید‬

‫مثال‪ :‬برای دادههای جدول زیر دهک سوم را بدست آورید‪.‬‬

‫حدود طبقات‬ ‫‪f i Fi‬‬
‫‪ -‬ابتدا ستون فراوانی تجمعی را به دست می آوریم‬
‫‪1–4‬‬ ‫‪8‬‬ ‫‪8‬‬
‫‪n  p  500/ 3  15‬‬ ‫‪-‬‬
‫‪4–7‬‬ ‫‪5 13‬‬ ‫‪ -‬در ستون فراوانی تجمعی‪ ،‬اولین عدد بزرگتر یا مساوی ‪ 15‬را پیدا می کنیم‪.‬‬
‫‪7 – 10‬‬ ‫‪13 26‬‬ ‫دار‬ ‫چندک‬ ‫طبقه‬
‫‪10 – 13‬‬ ‫‪15 41‬‬ ‫‪15  13‬‬
‫‪13 - 16‬‬ ‫‪9 50‬‬ ‫‪D‬‬ ‫‪3‬‬ ‫‪‬‬ ‫‪7‬‬ ‫‪‬‬ ‫‪ 3  7  0 / 46  D 3  7 / 46‬‬
‫‪13‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫چندک ها‬
‫‪39‬‬

‫حدود طبقات‬ ‫‪fi‬‬ ‫‪Fi‬‬ ‫مثال‪ :‬برای دادههای جدول زیر دهک چهارم و چارک های اول تا سوم را‬
‫‪1/35 -1/55‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫بدست آورید‪.‬‬
‫‪1/55 -1/75‬‬ ‫‪6‬‬ ‫‪10‬‬ ‫حل‪p  0.4  n  p  50 0.4  20 :‬‬
‫‪1/75 - 1/95‬‬ ‫‪12‬‬ ‫‪22‬‬ ‫‪20  10‬‬
‫طبقه چندک دار‬ ‫‪D4  1.75 ‬‬ ‫‪ 0.2  1.75  0.167  1.917‬‬
‫‪1/95-2/15‬‬ ‫‪9‬‬
‫‪12‬‬
‫‪31‬‬
‫‪2/15 -2/35‬‬ ‫‪8‬‬ ‫‪39‬‬ ‫‪p  0.25  n  p  50 0.25  12.5‬‬
‫‪12.5  10‬‬
‫‪2/35 -2/55‬‬ ‫‪6‬‬ ‫‪45‬‬ ‫‪Q1  1.75 ‬‬ ‫‪ 0.2  1.79‬‬
‫‪12‬‬
‫‪2/55 -2/75‬‬ ‫‪2‬‬ ‫‪47‬‬
‫‪p  0.50  n  p  50 0.50  25‬‬
‫‪2/75 -2/95‬‬ ‫‪3‬‬ ‫‪50‬‬ ‫‪25  22‬‬
‫‪Q2  1.95 ‬‬ ‫‪ 0.2  2.02‬‬
‫جمع‬ ‫‪50‬‬ ‫‪-‬‬ ‫‪9‬‬
‫‪p  0.750  n  p  50 0.75  37.5‬‬
‫‪37.5  31‬‬
‫‪Q 3  2.15 ‬‬ ‫‪ 0.2  2.31‬‬
‫‪8‬‬
‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬
 ‫چندک ها‬
‫‪40‬‬

‫حدود طبقات‬ ‫‪fi‬‬ ‫‪Fi‬‬ ‫مثال‪ :‬برای جدول توزیع فراوانی زیر مطلوبست محاسبه‬
‫الف) چارک ها‪.‬‬
‫‪55/3-62/3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫ب) دهک اول‪ ،‬پنجم و هفتم‪.‬‬
‫‪62/3 – 69/3‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫ج) صدک ‪ 50‬و ‪70‬‬
‫‪69/3 – 76/3‬‬ ‫‪5‬‬ ‫‪10‬‬
‫‪76/3 – 83/3‬‬ ‫‪3‬‬ ‫‪13‬‬
‫‪83/3 - 90/3‬‬ ‫‪12‬‬ ‫‪p  0.25  n  p  25  0.25  6.25‬‬
‫‪25‬‬ ‫‪6.25  5‬‬
‫‪25‬‬ ‫‪Q1  69.3 ‬‬ ‫‪ 7  71.05‬‬
‫‪5‬‬

‫‪p  0.50  n  p  25  0.50  12.5‬‬

‫‪12.5  10‬‬
‫قسمت های ب و ج‬ ‫‪Q2  76.3 ‬‬ ‫‪ 7  75.13‬‬
‫به عهده دانشجو‬ ‫‪3‬‬

‫ب) ‪𝑝 = 0.1,0.5,0.7‬‬ ‫‪p  0.750  n  p  25  0.75  18.75‬‬

‫‪18.57  13‬‬
‫ج) ‪𝑝 = 0.50, 0.70‬‬ ‫‪Q 3  83.3 ‬‬ ‫‪ 7  86.66‬‬
‫‪12‬‬

‫‪Dr. Mohammad Kazemi‬‬ ‫فهرست مطالب اين فصل‬

 ‫تمرین‬
‫‪41‬‬

‫‪ -1‬دادههای زیر مربوط به تعداد اعضای‪ 50‬خانوار است که به صورت جدول توزیع فراوانی زیر دستهبندی شدهاند‪ .‬برای‬
‫این دادهها‪ ،‬میانگین‪ ،‬میانه‪ ،‬نما (مد)‪ ،‬چارک اول‪ ،‬دهک ‪ 7‬و صدک ‪ 85‬را به دست آورید‪.‬‬

‫𝑥‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬

‫𝑖𝑓‬ ‫‪5‬‬ ‫‪8‬‬ ‫‪6‬‬ ‫‪10‬‬ ‫‪12‬‬ ‫‪5‬‬ ‫‪4‬‬

‫‪ -2‬برای دادههای جدول زیر شاخصهای خواسته شده را به دست آورید‪:‬‬

‫کران طبقات‬ ‫𝑖𝑓‬ ‫الف) میانگین‬
‫‪0 -10‬‬ ‫‪5‬‬ ‫ب) نما‬
‫‪10-20‬‬ ‫‪8‬‬ ‫ج) میانه‬
‫‪20-30‬‬ ‫‪12‬‬ ‫د) چارک سوم‬
‫‪30-40‬‬ ‫‪20‬‬ ‫هـ) دهک سوم‬
‫‪40-50‬‬ ‫‪10‬‬ ‫و) صدک ‪65‬‬
‫‪50-60‬‬ ‫‪5‬‬ ‫ز) هیستوگرام فراوانی داده ها را رسم کنید‪.‬‬

‫‪ -3‬تفاوت سه شاخص مرکزی – میانگین‪ ،‬میانه و نما‪ -‬را بیان کنید‪.‬‬

‫‪Dr. Mohammad Kazemi‬‬

 ‫‪42‬‬

‫‪ -4‬دادههای زیر زمان تأخیر ورود ‪ 30‬نفر از کارمندان یک شرکت (بر حسب دقیقه) در ماه گذشته است‪:‬‬

‫الف) میانگین مدت تأخیر کارمندان را به دست آورید‪.‬‬

‫ب) دادهها را به ‪ 5‬طبقه تقسیمبندی کنید‪.‬‬
‫ج) چند درصد از کارمندان کمتر از ‪ 12‬دقیقه تأخیر دارند و چه درصدی تأخیر ندارند؟‬

‫‪Dr. Mohammad Kazemi‬‬