PDF 224

‫ﻗﺴﻢ اﻟﻌﻠﻮم‪ :‬اﻻﻗﺘﺼﺎدﻳﺔ‬
‫ﳏﺎﺿﺮات ﰲ ﻣﻘﻴﺎس ﲢﻠﻴﻞ ﻣﻌﻄﻴﺎت ﻣﻌﻤﻖ‬
‫‪ -‬ﻣﻊ أﻣﺜﻠﺔ ﺣﺴﺎﺑﻴﺔ وﺗﻄﺒﻴﻘﻴﺔ –‬
‫ﻣﻄﺒﻮﻋﺔ ﻣﻮﺟﻪ ﻟﻄﻠﺒﺔ اﻟﺴﻨﺔ اﻷوﱃ ﻣﺎﺳﱰ )ﲣﺼﺺ‪ :‬ﲢﻠﻴﻞ اﻗﺘﺼﺎدي واﺳﺘﺸﺮاف(‬
‫ﰲ ﻣﻴﺪان "اﻟﻌﻠﻮم اﻻﻗﺘﺼﺎدﻳﺔ واﻟﺘﺠﺎرﻳﺔ وﻋﻠﻮم اﻟﺘﺴﻴﲑ"‬
‫ﻣﻦ إﻋﺪاد اﻷﺳﺘﺎذ‪ :‬ﺣﻮﺷﲔ ﻳﻮﺳﻒ‬
‫اﻟﺴﻨﺔ اﳉﺎﻣﻌﻴﺔ‪2023/2022 :‬‬

‫ﺟﺎﻣﻌﺔ اﻟﺒﻠﻴﺪة ‪2‬‬
‫حوشين يوسف أستاذ محاضر أ‬
‫ﻛﻠﻴﺔ اﻟﻌﻠﻮم اﻻﻗﺘﺼﺎدﻳﺔ واﻟﻌﻠﻮم اﻟﺘﺠﺎرﻳﺔ وﻋﻠﻮم اﻟﺘﺴﻴﲑ –اﻟﺸﻬﻴﺪ ﻃﺎﻟﺐ ﻋﺒﺪ اﻟﺮﲪﺎن ‪-‬‬
‫ﳏﺎﺿﺮات ﰲ ﻣﻘﻴﺎس ﲢﻠﻴﻞ ﻣﻌﻄﻴﺎت ﻣﻌﻤﻖ ‪ -‬ﻣﻊ أﻣﺜﻠﺔ ﺣﺴﺎﺑﻴﺔ وﺗﻄﺒﻴﻘﻴﺔ ‪-‬‬
‫‪ .1‬ﻣﻘﺪﻣﺔ‪:‬‬
‫سم ﷲ‪ ،‬والصﻼة والسﻼم على رسول ﷲ‪ ،‬أما بعد‪:‬‬
‫ﻓﻬﺬﻩ مﻄﺒوعﺔ موﺟﻪ لﻄلﺒﺔ السﻨﺔ اﻷوﱃ ماسﱰ ﲣصﺺ "ﲢلﻴﻞ اﻗﺘصادي واسﺘﺸﺮاف"‪ ،‬ﰲ مﻴدان‬
‫"العلوم اﻻﻗﺘصادﻳﺔ والﺘﺠارﻳﺔ وعلوم الﺘسﻴﲑ"‪ ،‬واﳌوسومﺔ بعﻨوان "ﳏاﺿﺮات ﰲ مﻘﻴاس ﲢلﻴﻞ معﻄﻴات معﻤﻖ مﻊ‬
‫أمﺜلﺔ ﺣسابﻴﺔ وﺗﻄﺒﻴﻘﻴﺔ"‪.‬‬
‫وﲢلﻴﻞ اﳌعﻄﻴات ﻫﻲ ﳎﻤوعﺔ مﻦ الﻄﺮق اﳉﱪﻳﺔ واﳍﻨدسﻴﺔ الﱵ ﺗسﻤﺢ لﺘحلﻴﻞ اﻹﺣصاﺋﻲ اﳌﺘعدد‬
‫اﻷبعاد للﺒﻴا ت )‪ .(l'analyse multidimensionnelles‬وﻏالﺒا ما ﻳﺘم ﺗﻨﻘسم ﻃﺮق ﲢلﻴﻞ اﳌعﻄﻴات‬
‫إﱃ ﻗسﻤﲔ رﺋﻴسﻴﲔ‪ ،‬ﳛﺘوي ﻛﻞ ﻗسم على ﳎﻤوعﺔ مﻦ الﻄﺮق‪ ،‬وﻳﺘم ﲢدﻳد الﻄﺮﻳﻘﺔ اﳌعﺘﻤدة ﰲ الﺘحلﻴﻞ على‬
‫أساس أﻫداف الدراسﺔ وﻧوعﻴﺔ الﺒﻴا ت‪ .‬وﻫﺬان الﻘسﻤان ﳘا‪ :‬الﻄﺮق العاملﻴﺔ ‪(Méthodes‬‬
‫)‪ ،Factorielles‬وﺗﻘﻨﻴات الﺘصﻨﻴﻒ)‪ . (Techniques de Classification‬وﻗد ﰎ الﱰﻛﻴﺰ ﰲ ﻫﺬﻩ‬
‫اﳌﻄﺒوعﺔ ‪-‬وﻓﻘا ﳌا ﻫو مﻘﺮر ﰲ بﺮ مج الﺘكوﻳﻦ‪ -‬على ﺛﻼث ﻃﺮق‪ ،‬ﻃﺮﻳﻘﺘﲔ عاملﻴﺘﲔ وﳘا‪" :‬ﲢلﻴﻞ اﳌﺮﻛﺒات‬
‫الﺮﺋﻴسﻴﺔ" )‪ (Analyse en composantes principales‬و"الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ" ) ‪Analyse‬‬
‫‪ ،(Factorielle des Correspondances‬وﻃﺮﻳﻘﺔ للﺘصﻨﻴﻒ وﻫﻲ "الﺘصﻨﻴﻒ الﺘسلسلﻲ الﺘصاعدي"‬
‫)‪.(Classification Ascendante Hiérarchique‬‬
‫وبﻨاءً على ذلﻚ‪ ،‬ﻓﻘد ﰎ ﺗﻘسﻴم ﻫﺬﻩ اﳌﻄﺒوعﺔ إﱃ اﶈاور الﺘالﻴﺔ‪:‬‬
‫اﶈور اﻷول‪ :‬ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ؛‬ ‫‪.I‬‬

‫اﶈور الﺜاﱐ‪ :‬الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ؛‬ ‫‪.II‬‬
‫اﶈور الﺜالﺚ‪ :‬الﺘصﻨﻴﻒ الﺘسلسلﻲ الﺘصاعدي‪.‬‬ ‫‪.III‬‬
‫وأشﲑ إﱃ أن اﳌﻄﺒوعﺔ ﲢﺘوي على أمﺜلﺔ ﺣسابﻴﺔ‪ ،‬ﺗسﻤﺢ للﻄالب بفﻬم ﳐﺘلﻒ الصﻴغ الﺮ ﺿﻴﺔ‬
‫للحساب عﻨد ﺗﻄﺒﻴﻖ ﻫﺬﻩ الﻄﺮق‪ ،‬ﻹﺿاﻓﺔ إﱃ أمﺜلﺔ ﺗﻄﺒﻴﻘﻴﺔ لﺘﻤكﲔ الﻄالب مﻦ الﺘعﺮف على الﱪﳎﻴات‬
‫اﻹﺣصاﺋﻴﺔ وﻛﻴفﻴﺔ ﺗﻄﺒﻴﻖ ﻫﺬﻩ الﻄﺮق علﻴﻬا‪ ،‬وﰎ الﱰﻛﻴﺰ على بﺮ ﳎﻲ ‪ SPSS‬و‪ XL-STAT‬لﺸﻬﺮ ﻤا‬
‫ومﻨاسﺒﺘﻬﻤا ﳌﺜﻞ ﻫﺬﻩ الﻄﺮق‪.‬‬
‫وﰲ اﻷخﲑ‪ ،‬أﲪد ﷲ ﺗعاﱃ على ﺗوﻓﻴﻘﻪ وﺗﻴسﲑﻩ ﻹﲤام ﻫﺬﻩ اﳌﻄﺒوعﺔ‪ ،‬ﻛﻤا أسألُﻪ أن ﻳَﻨفﻊ ا‪.‬‬
‫اﻷﺳﺘﺎذ ﺣﻮﺷﲔ ﻳﻮﺳﻒ )ﺟﺎﻣﻌﺔ اﻟﺒﻠﻴﺪة ‪ (2‬ﻧﻮﻓﻤﱪ ‪.2022‬‬
‫‪-1-‬‬
‫‪ .2‬اﻟﻔﻬﺮس‪:‬‬
‫اﻟﺼﻔﺤﺔ‬ ‫اﻟﻌﻨﻮان‬
‫‪1‬‬ ‫ﻣﻘﺪﻣﺔ‬
‫‪2‬‬ ‫اﻟﻔﻬﺮس‬
‫‪5‬‬ ‫‪ .I‬اﶈﻮر اﻷول‪ :‬ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ )‪(ACP‬‬

‫‪5‬‬ ‫‪ .1‬ﻣﻔﻬﻮم ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‬
‫‪5‬‬ ‫أ‪ .‬ﺗعﺮﻳﻒ ﻃﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ‬
‫‪6‬‬ ‫ب‪ .‬اﳍدف مﻦ ﻃﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ‬
‫‪6‬‬ ‫ج‪ .‬مﺒدأ ﻃﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ‬
‫‪11‬‬ ‫‪ .2‬ﺧﻄﻮات إﺟﺮاء ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‬
‫‪11‬‬ ‫أ‪ .‬ﺗﺸكﻴﻞ ﺟدول الﺒﻴا ت الكﻤﻴﺔ‬
‫‪12‬‬ ‫ب‪ .‬ﺣساب اﳌﺘوسﻄات وﺗﺸكﻴﻞ ﺟدول الﺒﻴا ت الكﻤﻴﺔ اﳌﻤﺮﻛﺰ‬
‫‪14‬‬ ‫ج‪ .‬ﺣساب الﺘﺒاﻳﻨات وﺗﺸكﻴﻞ ﺟدول الﺒﻴا ت الكﻤﻴﺔ اﳌعﻴاري‬
‫‪15‬‬ ‫د‪ .‬ﺣساب مصفوﻓﺔ الﺘﺒاﻳﻦ اﳌﺸﱰك أو مصفوﻓﺔ اﻻرﺗﺒاط‬
‫‪19‬‬ ‫ه‪ .‬ﺣساب الﻘﻴم الﺬاﺗﻴﺔ واﻷشعﺔ الﺬاﺗﻴﺔ ﳌصفوﻓﺔ اﻻرﺗﺒاط‬
‫‪25‬‬ ‫و‪ .‬ﲢدﻳد عدد اﶈاور الﱵ ﺗﺆخﺬ ﰲ الﺘحلﻴﻞ‬
‫‪26‬‬ ‫ز‪ .‬اﻹسﻘاط على اﶈاور واﳌسﺘو ت‬
‫‪34‬‬ ‫ح‪ .‬الﺘﻤﺜﻴﻞ الﺒﻴاﱐ للﻤﺘﻐﲑات ولﻸﻓﺮاد‬
‫‪39‬‬ ‫‪ .3‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ ﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ ﻋﻠﻰ ﺑﺮ ﻣج ‪SPSS‬‬
‫‪39‬‬ ‫أ‪ .‬اﳋﻄوات على بﺮ مج ‪SPSS‬‬
‫‪44‬‬ ‫ب‪ .‬ﳐﺮﺟات اﳌﺜال الﺘﻄﺒﻴﻘﻲ والﺘعلﻴﻖ علﻴﻬا‬
‫‪54‬‬ ‫‪ .4‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ ﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ ﻋﻠﻰ ﺑﺮ ﻣج ‪XL-STAT‬‬
‫‪54‬‬ ‫أ‪ .‬اﳋﻄوات على بﺮ مج ‪XL-STAT‬‬
‫‪-2-‬‬
‫‪63‬‬ ‫‪ .II‬اﶈﻮر اﻟﺜﺎﱐ‪ :‬اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ )‪(AFC‬‬

‫‪63‬‬ ‫‪ .1‬ﻣﻔﻬﻮم ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ )أو اﻟﺘﻮاﻓﻘﻲ(‬
‫‪63‬‬ ‫أ‪ .‬ﺗعﺮﻳﻒ ﻃﺮﻳﻘﺔ الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ‬
‫‪63‬‬ ‫ب‪ .‬اﳍدف مﻦ ﻃﺮﻳﻘﺔ الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ‬
‫‪64‬‬ ‫ج‪ .‬مﺒدأ ﻃﺮﻳﻘﺔ الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ‬
‫‪64‬‬ ‫‪ .2‬ﺧﻄﻮات إﺟﺮاء ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ‬
‫‪64‬‬ ‫أ‪ .‬ﲨﻊ الﺒﻴا ت وﺗﺸكﻴﻞ اﳉداول الكاملﺔ )أو ﺟدول الﺒﻴا ت اﳋام(‬
‫‪66‬‬ ‫ب‪ .‬ﺗﺸكﻴﻞ اﳉدول اﳌﺰدوج‬
‫‪68‬‬ ‫ﺗﺸكﻴﻞ ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ اﳌﺸاﻫدة‬ ‫ج‪.‬‬
‫‪69‬‬ ‫ﺗﺸكﻴﻞ ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ الﻨﻈﺮﻳﺔ‬ ‫د‪.‬‬
‫‪71‬‬ ‫اخﺘﺒار ﻛاي ﺗﺮبﻴﻊ‬ ‫ه‪.‬‬
‫‪72‬‬ ‫ﲢلﻴﻞ ﺟاﻧب اﻷسﻄﺮ )ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ لﻸسﻄﺮ(‬ ‫و‪.‬‬
‫‪73‬‬ ‫ز‪ .‬ﲢلﻴﻞ ﺟاﻧب اﻷعﻤدة )ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ لﻸعﻤدة(‬
‫‪74‬‬ ‫ح‪ .‬سحابﺔ ﻧﻘاط اﻷسﻄﺮ ﰲ الفﻀاء ‪ℝ‬‬
‫‪76‬‬ ‫ط‪ .‬سحابﺔ ﻧﻘاط اﻷعﻤدة ﰲ الفﻀاء ‪ℝ‬‬
‫‪77‬‬ ‫ي‪ .‬ﺣساب اﳌساﻓات بﲔ اﻷسﻄﺮ وبﲔ اﻷعﻤدة‬
‫‪78‬‬ ‫ك‪ .‬ﲢدﻳد عدد ﳏاور الﺘحلﻴﻞ‬
‫‪80‬‬ ‫ل‪ .‬اسﻘاط ﺟاﻧب اﻷسﻄﺮ‬
‫‪80‬‬ ‫م‪ .‬اسﻘاط ﺟاﻧب اﻷعﻤدة‬
‫ن‪ .‬ﲢلﻴﻞ الﺘﻤﺜﻴﻼت الﺒﻴاﻧﻴﺔ لﻸسﻄﺮ واﻷعﻤدة‬
‫‪82‬‬
‫‪87‬‬ ‫‪ .3‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ ﻋﻠﻰ ﺑﺮ ﻣج ‪SPSS‬‬
‫‪95‬‬ ‫‪ .4‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ ﻋﻠﻰ ﺑﺮ ﻣج ‪XL-STAT‬‬
‫‪-3-‬‬
‫‪103‬‬ ‫‪ .III‬اﶈﻮر اﻟﺜﺎﻟﺚ‪ :‬اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ )‪(CAH‬‬

‫‪103‬‬ ‫‪ .1‬ﻣﻔﻬﻮم ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ )اﳍﺮﻣﻲ – اﻟﻌﻨﻘﻮدي( اﻟﺘﺼﺎﻋﺪي )اﻟﺘﺠﻤﻴﻌﻲ(‬
‫‪103‬‬ ‫أ‪ .‬ﺗعﺮﻳﻒ ﻃﺮﻳﻘﺔ الﺘصﻨﻴﻒ الﺘسلسلﻲ الﺘصاعدي‬
‫‪104‬‬ ‫ب‪ .‬اﳍدف مﻦ ﻃﺮﻳﻘﺔ الﺘصﻨﻴﻒ الﺘسلسلﻲ الﺘصاعدي‬
‫‪104‬‬ ‫ج‪ .‬مﺒدأ ﻃﺮﻳﻘﺔ الﺘصﻨﻴﻒ الﺘسلسلﻲ الﺘصاعدي‬
‫‪105‬‬ ‫‪ .2‬ﺧﻄﻮات إﺟﺮاء ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ اﻟﺘﺼﺎﻋﺪي‬
‫‪106‬‬ ‫أ‪ .‬ﲨﻊ الﺒﻴا ت وﺗﺸكﻴﻞ ﺟدول الﺒﻴا ت‬
‫‪107‬‬ ‫ب‪ .‬ﺣساب اﳌساﻓات بﲔ العﻨاﺻﺮ وﺗﺸكﻴﻞ مصفوﻓﺔ اﳌساﻓات‬
‫‪109‬‬ ‫ﲢدﻳد مﺆشﺮ الﺘﺠﻤﻴﻊ‬ ‫ج‪.‬‬
‫‪112‬‬ ‫ﲡﻤﻴﻊ العﻨاﺻﺮ بﺸكﻞ ﺗسلسلﻲ ﺗصاعدي وﺗكوﻳﻦ ا ﻤوعات‬ ‫د‪.‬‬
‫‪120‬‬ ‫ﲢدﻳد مسﺘوى الﻘﻄﻊ )العدد اﻷﻧسب مﻦ ا ﻤوعات(‬ ‫ه‪.‬‬
‫‪121‬‬ ‫ﲢلﻴﻞ وﺗفسﲑ الﻨﺘاﺋج‬ ‫و‪.‬‬
‫‪122‬‬ ‫‪ .3‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ اﻟﺘﺼﺎﻋﺪي ﻋﻠﻰ ﺑﺮ ﻣج ‪SPSS‬‬
‫‪132‬‬ ‫‪ .4‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ اﻟﺘﺼﺎﻋﺪي ﻋﻠﻰ ﺑﺮ ﻣج ‪XL-STAT‬‬
‫‪142‬‬ ‫اﳋﺎﲤﺔ‬
‫‪143‬‬ ‫ﻗﺎﺋﻤﺔ اﳌﺮاﺟﻊ‬
‫‪-4-‬‬
‫‪ .3‬ﳏﺎور ﳏﺎﺿﺮات ﲢﻠﻴﻞ ﻣﻌﻄﻴﺎت ﻣﻌﻤﻖ‪:‬‬
‫‪ .I‬اﶈﻮر اﻷول‪ :‬ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ )‪(ACP‬‬

‫اسﺘﺨدمﺖ ﻃﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ )‪(Analyse en composantes principales‬‬
‫ﻷول مﺮة مﻦ ﻃﺮف بﲑسون )‪ ،1 (Pearson - 1901‬ﰒ بعدﻩ ﻫوﺗلﻴﻨج )‪ .(Hotelling - 1933‬إﻻ‬
‫أن ﺗﻄﺒﻴﻘﻬا واﻧﺘﺸارﻫا ﻛان مﺘأخﺮا‪ ،‬وذلﻚ مﻊ ﻇﻬور الﱪﳎﻴات اﳊدﻳﺜﺔ الﱵ ﺗسﻬﻞ وﲣﺘصﺮ الكﺜﲑ مﻦ العﻤلﻴات‬
‫اﳊسابﻴﺔ اﳌعﻘدة‪.‬‬
‫وسﻨﺘعﺮف مﻦ خﻼل ﻫﺬا اﶈور على مفﻬوم ﻃﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ‪ ،‬خﻄوات إﺟﺮاءﻫا‪ ،‬ﻹﺿاﻓﺔ‬
‫إﱃ ﺗﻄﺒﻴﻖ ﻫﺬﻩ الﻄﺮﻳﻘﺔ على بﺮ ﳎﻲ ‪ SPSS‬و ‪.XL-STAT‬‬
‫‪ .1‬ﻣﻔﻬﻮم ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‪:‬‬

‫ﺗعد ﻃﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ مﻦ أﻫم وأشﻬﺮ ﻃﺮق ﲢلﻴﻞ اﳌعﻄﻴات العاملﻴﺔ‪ ،‬بﻞ ﺗعد الﻄﺮﻳﻘﺔ "اﻷم"‬
‫ﳌعﻈم الﻄﺮق الوﺻفﻴﺔ مﺘعددة اﻷبعاد‪ .2‬سﻨﺘﻄﺮق ﰲ ﻫﺬا العﻨصﺮ أوﻻ إﱃ ﺗعﺮﻳﻒ ﻃﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ‪،‬‬
‫ﰒ ﻫدف ﻫﺬﻩ الﻄﺮﻳﻘﺔ‪ ،‬وبعد ذلﻚ سﻨﺸﺮح مﺒدأﻫا‪.‬‬
‫أ‪ .‬ﺗﻌﺮﻳﻒ ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‪:‬‬

‫ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻫو أسلوب ر ﺿﻲ ﻳﻘوم على أساس ﲢوﻳﻞ ﳎﻤوعﺔ مﻦ اﳌﺘﻐﲑات الﺘوﺿﻴحﻴﺔ‬
‫اﳌﱰابﻄﺔ ﻓﻴﻤا بﻴﻨﻬا إﱃ ﳎﻤوعﺔ ﺟدﻳدة مﻦ اﳌﺘﻐﲑات ﻏﲑ اﳌﱰابﻄﺔ )أو اﳌﺘعامدة ‪ (Orthogonal -‬ﺗدعى‬
‫اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ‪ .3‬ﺣﻴﺚ ﻛﻞ مﺮﻛﺒﺔ رﺋﻴسﻴﺔ ﻫﻲ عﺒارة عﻦ ﺗولﻴفﺔ خﻄﻴﺔ )‪(Combinaison linéaire‬‬
‫للﻤﺘﻐﲑات اﻷﺻلﻴﺔ‪.‬‬
‫ﳛﺘوي ﻫﺬا اﳉدول على ‪ n‬ﻓﺮد و‪ p‬مﺘﻐﲑ‪ ،‬ﻓكﻞ ﻓﺮد ﳝﺜﻞ ﰲ ﻓﻀاء ذو ‪ p‬بعد‪ ،‬وﻛﻞ مﺘﻐﲑ ﳝﺜﻞ ﰲ ﻓﻀاء‬
‫ذو ‪ n‬بعد‪.‬‬
‫ﻣﺜﺎل‪:‬‬
‫ﺟدول بﻴا ت ﳛﺘوي على ﻧﻘاط ‪ 20‬ﻃالب ﰲ ‪ 10‬مواد دراسﻴﺔ‪ ،‬ﻓﻴكون‪ ، = 20 :‬و ‪. = 10‬‬
‫‪1‬‬
‫‪Ludovic Lebart, Alain Morineau, Marie Piron, « Statistique exploratoire multidimensionnelle », DUNOD,‬‬
‫‪Paris, 1995, p32.‬‬
‫‪2‬‬
‫‪Gilbert Saporta, « Probabilité, analyse des données, et statistique », Edition TECHNIP, 2ème Edition, Paris,‬‬
‫‪2006, p155.‬‬
‫‪ 3‬زياد رشاد الراوي‪" ،‬طرق التحليل اﻹحصائي متعدد المتغيرات"‪ ،‬المعهد العربي للتدريب والبحوث اﻹحصائية‪ ،‬الطبعة اﻷولى‪،2017 ،‬‬
‫ص‪.55‬‬
‫‪-5-‬‬
‫ب‪ .‬اﳍﺪف ﻣﻦ ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‪:‬‬

‫لﻄﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻫدﻓان أساسﻴان‪:‬‬
‫‪ ‬وﺻفﻲ‪-‬اسﺘكﺸاﰲ )‪ :(descriptif-exploratoire‬دف ﻫﺬﻩ الﻄﺮﻳﻘﺔ إﱃ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ ﻷﻛﱪ‬
‫ﻗدر ﳑكﻦ مﻦ اﳌعلومات اﳌوﺟودة ﰲ ﺟدول الﺒﻴا ت )والﱵ ﲤﺜﻞ ﰲ اﻷﺻﻞ ﰲ ﻓﻀاء مﺘعدد اﻻبعاد(‪،‬‬
‫ﰲ ﲤﺜﻴﻞ بﻴاﱐ بسﻴﻂ مكون مﻦ ﳏورﻳﻦ أو ﺛﻼث ﳏاور‪.‬‬
‫أي إﳚاد ﻧﻈام للﻤحاور ﻳسﻤﺢ لﻨا عادة بﻨاء وﺿعﻴﺔ ﻛﻞ ﻧﻘﻄﺔ لﻨسﺒﺔ لﻸخﺮى‪ ،‬و لﺘاﱄ ﻳسﻤﺢ لﻨا مﻦ‬
‫اﳊصول على ﺻورة ذات أﻗﻞ ﺗﺸوﻩ‪) 4‬مﺸا ﺔ لﻸﺻﻞ ﻗدر اﻹمكان( مﻦ خﻼل إسﻘاط سحابﺔ الﻨﻘاط‬
‫على ﻫﺬﻩ اﶈاور‪ ،‬ﳑا ﻳسﻤﺢ بﺘﻘلﻴﺺ الفﻀاء اﳌﺘعدد اﻷبعاد إﱃ ﻓﻀاء ذو بعدﻳﻦ )مسﺘوي(‪ .‬أي اﻻﻧﺘﻘال‬
‫مﻦ ‪ p‬بُعد إﱃ ‪ 2‬أو ‪ 3‬أبعاد )‪) ( = 2,3‬ﻻ ﳝكﻦ ﲤﺜﻴﻞ أﻛﺜﺮ مﻦ ‪ 3‬أبعاد ﰲ ﻧفﺲ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ(‪،‬‬
‫ومﻦ ‪ %100‬مﻦ اﳌعلومات إﱃ ‪ %90‬مﻦ اﳌعلومات مﺜﻼ‪.‬‬
‫‪ ‬ﺗلﺨﻴصﻲ‪-‬اخﺘﺰاﱄ )‪ :(synthèse-résumé‬ﺗلﺨﻴﺺ ﺟدول الﺒﻴا ت الﺬي ﻳﻀم العدﻳد مﻦ‬
‫اﳌﺘﻐﲑات الكﻤﻴﺔ واخﺘﺰاﳍا ﰲ مﺮﻛﺒﺘﲔ أو ﺛﻼث مﺮﻛﺒات رﺋﻴسﻴﺔ‪ ،‬ﻫﻲ ﺗلﺨﻴﺺ ﳉﻤﻴﻊ اﳌﺘﻐﲑات‪ .‬وﻫﺬا ﻻ‬
‫ﻳعﲏ أبدا ﺣﺬف اﳌﺘﻐﲑات‪.‬‬
‫ﺗسﻤﺢ ﻃﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ مﻦ ﲨﻊ اﳌﺘﻐﲑات ﰲ ﳎﻤوعات ﳏدودة‪ ،‬ﺗسﻤى عوامﻞ او مﺮﻛﺒات‬
‫)‪ .5(Facteurs ou composantes‬ﻛﻤا ﺗسﻤﺢ بﺘعﻴﲔ اﻷﻓﺮاد اﳌﺘﺸا ﺔ واﻷﻓﺮاد اﳌﺨﺘلفﺔ‪ ،‬ﻹﺿاﻓﺔ إﱃ‬
‫ﲢدﻳد الﱰابﻂ بﲔ اﳌﺘﻐﲑات‪ ،‬واﻛﺘﺸاف اﳌﺘﻐﲑات اﳌسﺆولﺔ عﻦ الﺘﺸابﻪ أو اﻻخﺘﻼف بﲔ اﻷﻓﺮاد‪.‬‬
‫ج‪ .‬ﻣﺒﺪأ ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‪:‬‬

‫ﻳﺘﻤﺜﻞ مﺒدأ ‪ ACP‬ﰲ إسﻘاط سحابﺔ ﻧﻘاط اﻷﻓﺮاد واﳌﺘﻐﲑات مﻦ ﻓﻀاء ذو ‪ (n) p‬بُعد إﱃ ﳏاور‬
‫ومسﺘو ت مﻦ ‪ 2‬إﱃ ‪ 3‬أبعاد ﻓﻘﻂ‪ ،‬مﻊ اﳊفاظ على اﳌساﻓات بﲔ ﻫﺬﻩ اﻷﻓﺮاد )واﳌساﻓات بﲔ اﳌﺘﻐﲑات( ﻗدر‬
‫اﻹمكان‪ ،‬أي العﻤﻞ على عدم ﺗﺸوﻳﻪ سحابﺔ الﻨﻘاط اﻷﺻلﻴﺔ ﳉﻤﻴﻊ اﳌﺘﻐﲑات عﻨد اسﻘاﻃﻬا )اﳊصول على ﲤﺜﻴﻞ‬
‫أﻗﻞ ﺗﺸوﻫا لسحابﺔ الﻨﻘاط(‪ ،‬و لﺘاﱄ اﶈاﻓﻈﺔ ﻓﻀﻞ شكﻞ ﳑكﻦ على اﳌساﻓات اﻷﺻلﻴﺔ‪ ،‬وﲢﻘﻴﻖ أﻓﻀﻞ ﲤﺜﻴﻞ‬
‫للﺘﻨوع والﺘﺒاﻳﻦ اﻷﺻلﻲ‪ .‬وذلﻚ ﻻعﺘﻤاد على الﺘﺒاﻳﻦ الكلﻲ )‪.(Inertie‬‬
‫‪ 4‬صواليلي صدر الدين‪ " ،‬تحليل المعطيات"‪ ،‬دار هومة للطباعة والنشر والتوزيع‪ ،2011 ،‬الجزائر‪ ،‬ص‪.19‬‬
‫‪5‬‬
‫‪Jean Stafford, Paul Bodson, « L’analyse multivariée avec SPSS », Presse de l’Université du Québec, Canada,‬‬
‫‪2006, p58.‬‬
‫‪-6-‬‬
‫ﻣﺜﺎل‪ :‬ﳎسم لسﻴارة ﰲ ﺛﻼث أبعاد‪ ،‬عﻨد الﺮﻏﺒﺔ ﰲ إسﻘاط ا سم ورؤﻳﺘﻪ ﰲ ﺻورة ذات بعدﻳﻦ ﻓﻘﻂ‪ :‬ما ﻫو‬
‫أﻓﻀﻞ ﺟاﻧب ﻧلﺘﻘﻂ مﻨﻪ ﺻورة للسﻴارة ﲝﻴﺚ ﳓاﻓﻆ على اﳌساﻓات بﲔ ﻧﻘاط السﻴارة‪ ،‬وﺗكون أﻛﺜﺮ ﲤﺜﻴﻼ للسﻴارة‬
‫)أﻗﻞ ﺗﺸوﻩ(؟ ﻫﻞ مﻦ اﻷسفﻞ أو مﻦ اﻷعلى أو مﻦ اﳉاﻧب أو مﻦ اﻷمام أو مﻦ اﳋلﻒ؟‬
‫أﻛﻴد ﻫو اﳉاﻧب الﺬي ﺗكون ﻓﻴﻪ أﻃﺮاف السﻴارة أﻛﺜﺮ ﺗﺸﺘﺘا )أﻛﱪ ﺗﺒاﻳﻦ ﳑكﻦ(‪ :‬مﻦ اﳉاﻧب مﺜﻼ‪.‬‬
‫ﻳعﺘﻤد اﻹسﻘاط على مﺒدأ اﶈاﻓﻈﺔ على اﳌساﻓات بﲔ اﻷﻓﺮاد ﰲ اﳌﺘوسﻂ ﻗدر اﳌسﺘﻄاع عﻨد اﻹسﻘاط‪:6‬‬
‫‪. ( ,‬‬ ‫أي‪) ≈ (ℎ , ℎ ) :‬‬

‫) ﻫﻲ ﻧﻘﻄﺔ ﲤﺜﻴلﻴﺔ للفﺮد ‪ i‬ﰲ الفﻀاء ذو‬ ‫(=‬ ‫…‬ ‫…‬ ‫ﺣﻴﺚ‪) :‬‬
‫الﺒعد ‪ ،p‬أي ﳍا ‪ p‬إﺣداﺛﻴﺔ( و ‪ ℎ‬ﻫﻲ إسﻘاﻃﻬا العﻤودي على اﶈور ∆‪.‬‬
‫ﻣﻼﺣﻈﺔ‪ :‬إذا ﻛان ﻫﺬان الفﺮدان مﺘﻘار ن )اﳌساﻓﺔ بﻴﻨﻬﻤا ﺻﻐﲑة(‪ ،‬ﻓﻬﺬا ﻳدل على أ ﻤا مﺘﺸا ان‪ ،‬أي خﺬان‬
‫ﻗﻴﻤا مﺘﻘاربﺔ )إﺣداﺛﻴا ﻤا على اﳌعاﱂ ﻗﺮﻳﺒﺔ(‪.‬‬
‫وﺣﱴ ﻧﺘحصﻞ على ﲤﺜﻴﻞ ﺟﻴد عﻨد اﻹسﻘاط‪ ،‬ﳚب أن ﳒعﻞ مساﻓﺔ اﻹسﻘاط ‪ 0ℎ‬أﻗﺮب ما ﳝكﻦ مﻦ اﳌساﻓﺔ‬
‫‪ ،(0ℎ ≤ 0‬أي ﺟعﻞ ‪ 0ℎ‬أﻛﱪ ما ﳝكﻦ‪ ،‬و لﺘاﱄ ﻓﻘدان أﻗﻞ ﻗدر ﳑكﻦ مﻦ‬ ‫اﳊﻘﻴﻘﺔ‬ ‫‪) 0‬مﻊ‬
‫اﳌعلومات‪.‬‬
‫عﻨد اﻹسﻘاط على اﳌسﺘﻘﻴم ∆ وللحصول على ﲤﺜﻴﻞ أﻗﻞ ﺗﺸوﻩ لسحابﺔ الﻨﻘاط‪ ،‬خﺬ مﺮﻛﺰ ﺛﻘﻞ سحابﺔ الﻨﻘاط‬
‫)‪ (G‬ﻛﻤﺮﻛﺰ لﻺسﻘاط‪ ،‬والﺬي ﳝﺜﻞ مﺘوسﻂ اﳌﺘﻐﲑات )اﳌﺒدأ ‪ 0‬ﻻ ﻳعﻄﻲ ﲤﺜﻴﻞ ﺟﻴد لﺘﺸﺘﺖ سحابﺔ الﻨﻘاط(‪.‬‬
‫‪6‬‬
‫‪Jean-Marie Bouruche, Gilbert Saporta, « L’analyse des données », Presses universitaires de France, 5ème‬‬
‫‪Edition, 1992, p20.‬‬
‫‪-7-‬‬
‫عﻨد ﺟعﻞ اﳌﺘﻐﲑات ﳑﺮﻛﺰة )‪ (Centré‬وذلﻚ بﻄﺮح ﻛﻞ الﻘﻴم مﻦ مﺘوسﻄا ا‪ ،‬ﻧكون ﻗد ﺣولﻨا اﳌﺒدأ مﻦ‬
‫‪ 0‬إﱃ مﺮﻛﺰ ﺛﻘﻞ سحابﺔ الﻨﻘاط )‪.(G‬‬
‫وﳝكﻦ ﺗوﺿﻴﺢ ذلﻚ لﺸكﻞ الﺘﻘﺮﻳﱯ الﺘاﱄ‪:‬‬
‫ﻛﻤا ﻧﻘوم خﺘﺰال الﻘﻴم )‪ (réduire‬وذلﻚ لﻘسﻤﺔ على اﻻﳓﺮاف اﳌعﻴاري‪ ،‬وذلﻚ ﳉعﻞ الﻘﻴم مﺘﺠاﻧسﺔ‬
‫)إﳘال وﺣدات الﻘﻴاس(‪ ،‬ﺣﻴﺚ ﻳصﺒﺢ ﺗﺒاﻳﻦ الﻘﻴم اﳌﺨﺘﺰلﺔ ﻫو ‪ 1‬لﻨسﺒﺔ ﳉﻤﻴﻊ اﳌﺘﻐﲑات‪.‬‬
‫وﳝكﻦ ﺗوﺿﻴﺢ ذلﻚ لﺸكﻞ الﺘﻘﺮﻳﱯ الﺘاﱄ‪:‬‬
‫‪-8-‬‬
‫‪ ،‬أي أن‪:‬‬ ‫ﻓﻴﺘﻀﺢ مﻦ ﻫﺬا الﺘﻤﺜﻴﻞ أن ﻧﻘﻄﺔ اﻹسﻘاط على اﶈور اﳉدﻳد ما ﻫﻲ ﰲ اﳊﻘﻴﻘﺔ إﻻ ﲤﺜﻴﻞ للﻘﻴﻤﺔ‬
‫= ‪.ℎ‬‬
‫وبﺸكﻞ عام ﳝكﻦ ﺗوﺿﻴﺢ اﻹسﻘاط ﲜعﻞ مﺮﻛﺰ اﻹسﻘاط ﻫو الﻨﻘﻄﺔ ‪ G‬ﻛﻤا ﻳلﻲ‪:‬‬
‫ﲟا أن اﻹسﻘاط ﻳكون عﻤودي‪ ،‬ﻓحسب ﻧﻈﺮﻳﺔ ﻓﻴﺜاﻏورس‪:‬‬

‫(‪.‬‬ ‫=‬ ‫‪ℎ‬‬ ‫‪+‬‬ ‫‪ℎ‬‬ ‫) ‪) ( , ) = ( , ℎ ) + ( , ℎ‬أي‪:‬‬
‫وﲟا أن عدد اﻷﻓﺮاد الﱵ سﻨﻘوم سﻘاﻃﻬا على اﳌسﺘﻘﻴم ∆ ﻫﻲ ‪ ،‬ﻓﺈن‪:‬‬
‫∑‪.‬‬ ‫∑=) ‪( ,‬‬ ‫∑ ‪( , ∆) +‬‬ ‫) ‪( ,ℎ‬‬
‫ﻧﻘسم ﲨﻴﻊ ﺣدود اﳌعادلﺔ على ‪ ،‬ﻓﺘصﺒﺢ العﻼﻗﺔ‪:‬‬
‫∑ ‪.‬‬ ‫‪( ,‬‬ ‫∑ =)‬ ‫(‬ ‫∑ ‪, ∆) +‬‬ ‫) ‪( ,ℎ‬‬
‫=) ( ‪.‬‬ ‫أي أن‪( ) :‬‬
‫(∆‬ ‫‪)+‬‬ ‫∆‬
‫ﺣﻴﺚ‪:‬‬
‫‪ : ( ) ‬ﻫو الﺘﺒاﻳﻦ الكلﻲ لسحابﺔ ﻧﻘاط )‪،(Inertie du nuage de points des individus‬‬
‫والﱵ ﲤﺜﻞ اﳌساﻓﺔ أو الﺒعد بﲔ ﻛﻞ ﻓﺮد واﳌﺮﻛﺰ ‪) G‬ﳝﺜﻞ ﺗﺸﺘﺖ سحابﺔ الﻨﻘاط ﺣول اﳌﺮﻛﺰ ‪.(G‬‬
‫‪ : ∆ ( ) ‬ﻫو ﺗﺒاﻳﻦ سحابﺔ الﻨﻘاط لﺒعد ﻛﻞ ﻓﺮد عﻦ اﳌسﺘﻘﻴم ∆ )ﳝﺜﻞ ﺗﺸﺘﺖ سحابﺔ الﻨﻘاط ﺣول اﳌسﺘﻘﻴم ∆(‪.‬‬
‫‪ : ∆ ( ) ‬ﻫو ﺗﺒاﻳﻦ سحابﺔ الﻨﻘاط لﻄول اﳌسﺘﻘﻴم ∆ )∆ ‪) (Inertie de long de‬ﳝﺜﻞ ﺗﺸﺘﺖ الﻨﻘاط‬
‫اﳌسﻘﻄﺔ على اﳌسﺘﻘﻴم ∆ ﺣول اﳌﺮﻛﺰ ‪.(G‬‬
‫واﳌسﺘﻘﻴم ∆ أﻗﺮب ما ﳝكﻦ‬ ‫وأﻓﻀﻞ إسﻘاط للﻨﻘاط على اﳌسﺘﻘﻴم ∆ ﻫو ﺟعﻞ اﳌساﻓﺔ بﲔ الﻨﻘﻄﺔ‬
‫)الﺒحﺚ عﻦ أﻓﻀﻞ ﳏور(‪ ،‬وﻫﺬا ﻳكاﻓﺊ أن اﳌساﻓﺔ بﲔ اﻹسﻘاط ‪ ℎ‬واﳌﺮﻛﺰ ‪ G‬أبعد ما ﳝكﻦ )ﻷن اﻹسﻘاط‬
‫ﻳكون عﻤودي ﻓاﳌﺜلﺚ ﻳكون ﻗاﺋم(‪ ،‬وﻫﺬا ﻳعﲏ أن ﺗكون ﻧﻘاط اﻹسﻘاط أبعد ما ﳝكﻦ عﻦ اﳌﺮﻛﺰ ‪.G‬‬
‫‪-9-‬‬
‫)∆ (‬ ‫∑(‬ ‫))∆ ‪( ,‬‬

‫‪.‬‬ ‫‪ ،‬والﱵ ﺗكاﻓﺊ‪:‬‬ ‫أي‪:‬‬
‫) ∆(‬ ‫∑(‬ ‫)) ‪( , ℎ‬‬
‫‪.‬‬ ‫∆‬ ‫∑ =‬ ‫∑ = ) ‪( ,ℎ‬‬ ‫‪ℎ‬‬ ‫∑ =‬ ‫لدﻳﻨا‪( ℎ ) × ℎ :‬‬
‫ﺣﻴﺚ‪= :‬‬ ‫∑= ‪ℎ‬‬ ‫×‬ ‫=‬ ‫= ‪ .ℎ‬ﻓﻴكون‪:‬‬ ‫وﻛﻤا أشﺮ سابﻘا إﱃ أن‪:‬‬
‫‪.1,2, … ,‬‬
‫ﻫو شعاع ﺗوﺟﻴﻪ اﶈور ∆‪.‬‬ ‫‪ .‬و‪:‬‬ ‫=‬ ‫‪،‬و‬ ‫(=‬ ‫…‬ ‫ﺣﻴﺚ‪) :‬‬
‫‪.‬‬ ‫∆‬ ‫∑ =‬ ‫×‬ ‫=‬ ‫×‬ ‫=‬ ‫=‬ ‫إذن‪:‬‬

‫= ﻫﻲ مصفوﻓﺔ اﻻرﺗﺒاط‪.‬‬ ‫ﺣﻴﺚ‪:‬‬
‫(‬ ‫)‬
‫‪.‬‬ ‫إذن الﻨﻈام الﺬي ﻧﺒحﺚ عﻦ ﺗعﻈﻴﻤﻪ ﻫو‪:‬‬
‫‪/ :‬‬ ‫‪=1‬‬
‫ﺗعﲏ أن الﺸعاع معﻴاري )‪ ،(Normé‬أي‪.‖ ‖ = 1 :‬‬ ‫ﺣﻴﺚ أن‪= 1 :‬‬
‫=) ( ‪.‬‬ ‫( ‪−‬‬ ‫ومﻨﻪ دالﺔ ﻻﻗﺮاﻧج )‪ (LANGRANGE‬ﻫﻲ‪− 1) :‬‬
‫‪.‬‬ ‫ﻹﳚاد اﳊﻞ‪= 0 :‬‬
‫) (‬
‫‪.‬‬ ‫‪=0⟹2‬‬ ‫‪−2‬‬ ‫أي‪= 0 :‬‬

‫‪.‬‬ ‫=‬ ‫ومﻨﻪ‪:‬‬
‫ﻫﻲ الﺸعاع الﺬاﰐ اﳌواﻓﻖ للﻘﻴﻤﺔ الﺬاﺗﻴﺔ ‪.‬‬ ‫و‬ ‫إذن‪ :‬ﻫﻲ ﻗﻴﻤﺔ ذاﺗﻴﺔ لـ ـ‬
‫‪.‬‬ ‫=‬ ‫⟹‬ ‫=‬ ‫لدﻳﻨا‪= :‬‬
‫∆ ‪ .‬أي أن الﻘﻴم الﺬاﺗﻴﺔ ﺗعﱪ عﻦ الﺘﺒاﻳﻦ‪.‬‬ ‫= ) (‬ ‫ومﻨﻪ‪= :‬‬
‫ومﻨﻪ ﻧسﺘﻨﺘج أن ﺗعﻈﻴم الﺘﺒاﻳﻦ الكلﻲ لﻄول اﳌسﺘﻘﻴم )∆( ﻳعﲏ الﺒحﺚ عﻦ أﻛﱪ الﻘﻴم الﺬاﺗﻴﺔ للﻤصفوﻓﺔ ‪.R‬‬
‫‪.‬‬ ‫⟺ )) ( ∆ (‬ ‫أي‪( ) :‬‬
‫‪- 10 -‬‬
‫‪ .2‬ﺧﻄﻮات إﺟﺮاء ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‪:‬‬

‫ﻹﺟﺮاء ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻧﺘﺒﻊ اﳋﻄوات الﺘالﻴﺔ‪:‬‬
‫أ‪ .‬ﺗﺸكﻴﻞ ﺟﺪول اﻟﺒﻴﺎ ت اﻟكﻤﻴﺔ ‪:X‬‬
‫وﺗدرس الﻄﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﺟدول الﺒﻴا ت الكﻤﻴﺔ ) ‪Tableau des données‬‬
‫‪ ،(quantitative‬ﻳﻀم أﻓﺮاد ومﺘﻐﲑات ﻛﻤﻴﺔ مسﺘﻤﺮة‪ ،‬ﻗد ﺗكون مﺘﺠاﻧسﺔ أو ﻏﲑ مﺘﺠاﻧسﺔ لكﻨﻬا مﱰابﻄﺔ‬
‫ﻓﻴﻤا بﻴﻨﻬا‪.7‬‬
‫ﺗسﺘﺨدم ﻃﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ مﻊ ﺟدول الﺒﻴا ت الكﻤﻴﺔ‪ ،‬والﺬي خﺬ الﺸكﻞ الﺘاﱄ‪:‬‬
‫اﳌﺘﻐﲑات‬
‫…‬ ‫…‬
‫اﻷﻓﺮاد‬
‫‪1‬‬
‫‪2‬‬
‫…‬
‫‪i‬‬
‫…‬
‫‪n‬‬
‫ﳝﺜﻞ اﳌﺘﻐﲑ ‪.( = 1,2, … , ) j‬‬ ‫ﺣﻴﺚ‪:‬‬
‫و‪ :‬اﻷعداد مﻦ ‪ 1‬إﱃ ‪ n‬ﲤﺜﻞ اﻷﻓﺮاد‪.‬‬
‫ﲤﺜﻞ ﻗﻴﻤﺔ اﳌﺘﻐﲑ عﻨد الفﺮد ‪.i‬‬ ‫و‪:‬‬
‫⋯‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋮ … ⋮‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫…‬ ‫…‬ ‫ﻧﺮمﺰ ﳉدول الﺒﻴا ت الكﻤﻴﺔ لﺮمﺰ ‪ ،X‬ﺣﻴﺚ‪:‬‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫⋯‬ ‫…‬
‫‪.‬‬ ‫(=‬ ‫…‬ ‫ﻛﻞ ﻓﺮد ‪ُ i‬ﳝﺜّﻞ ﰲ ﻓﻀاء ذو بعد ‪) :8 ℝ p‬‬
‫‪.‬‬ ‫=‬ ‫وﻛﻞ مﺘﻐﲑ ‪ُ j‬ﳝﺜّﻞ ﰲ ﻓﻀاء ذو بعد ‪:ℝ n‬‬

‫⋮‬
‫‪7‬‬
‫‪Arnaud MARTIN, « L'analyse de données », Polycopié de cours ENSIETA, - Réf. : 1463, Septembre 2004, p23.‬‬
‫‪8‬‬
‫‪Jean-Marie Bouruche, Gilbert Saporta, Op-cit, p26.‬‬
‫‪- 11 -‬‬
‫ﻣﻼﺣﻈﺔ‪ :‬ﳚب أن ﻳكون عدد اﳌﺘﻐﲑات ﻛاﰲ )على اﻷﻗﻞ ‪ 5‬مﺘﻐﲑات أو أﻛﺜﺮ(‪ ،‬ﻛﻤا ﳚب أن ﺗكون عدد‬
‫اﳊاﻻت )عدد اﻷﻓﺮاد( عﺸﺮ مﺮات أﻛﱪ مﻦ عدد اﳌﺘﻐﲑات )مﺜﻼ ‪ 10‬مﺘﻐﲑات ﺗﻘابلﻬا على اﻷﻗﻞ ‪ 100‬ﺣالﺔ(‪.9‬‬
‫ﻣﺜﺎل‪ :‬لﻴكﻦ لدﻳﻨا مﺜال لﻨﻘاط ﲬﺲ )‪ (5‬ﻃلﺒﺔ ﰲ ﺛﻼث )‪ (3‬مﻘاﻳﻴﺲ‪ .‬ومﻨﻪ‪ ، = 5 :‬و ‪. = 3‬‬
‫ﻧﻘاط الﻄلﺒﺔ ﰲ اﳌﻘﻴاس ‪.3‬‬ ‫ﻧﻘاط الﻄلﺒﺔ ﰲ اﳌﻘﻴاس ‪ .2‬و‬ ‫ﻧﻘاط الﻄلﺒﺔ ﰲ اﳌﻘﻴاس ‪ .1‬و‬ ‫لﻴكﻦ‬
‫ﺟدول الﺒﻴا ت الكﻤﻴﺔ ‪ X‬خﺬ الﺸكﻞ الﺘاﱄ‪:‬‬
‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬
‫‪1‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪13‬‬
‫‪2‬‬ ‫‪11‬‬ ‫‪8‬‬ ‫‪11‬‬
‫‪3‬‬ ‫‪14‬‬ ‫‪13‬‬ ‫‪15‬‬
‫‪4‬‬ ‫‪10‬‬ ‫‪8‬‬ ‫‪11‬‬
‫‪5‬‬ ‫‪9‬‬ ‫‪11‬‬ ‫‪10‬‬
‫‪11‬‬ ‫‪10 13‬‬
‫‪11‬‬ ‫‪8 11‬‬
‫‪. × = 14‬‬ ‫ومﻨﻪ‪13 15 :‬‬
‫‪10‬‬ ‫‪8 11‬‬
‫‪9‬‬ ‫‪11 9‬‬
‫‪.‬‬ ‫‪= (14 13‬‬ ‫‪ :ℝ‬مﺜﻼ الفﺮد‪15) 3‬‬ ‫ﻛﻞ ﻓﺮد ‪ُ i‬ﳝﺜّﻞ ﰲ ﻓﻀاء‬
‫‪10‬‬
‫‪8‬‬
‫وﻛﻞ مﺘﻐﲑ ‪ُ j‬ﳝﺜّﻞ ﰲ ﻓﻀاء ‪ :ℝ‬مﺜﻼ اﳌﺘﻐﲑ‪. = 13 2‬‬
‫‪8‬‬
‫‪11‬‬
‫)‪:(Tableau Centré‬‬ ‫ب‪ .‬ﺣﺴﺎب اﳌﺘﻮﺳﻄﺎت وﺗﺸكﻴﻞ ﺟﺪول اﻟﺒﻴﺎ ت اﻟكﻤﻴﺔ اﳌﻤﺮﻛز‬
‫)‪:(X Tilde‬‬ ‫ﺟدول الﺒﻴا ت الكﻤﻴﺔ اﳌﻤﺮﻛﺰ‬
‫…‬ ‫…‬
‫‪1‬‬
‫‪9‬‬
‫‪Jean Stafford, Paul Bodson, Op-cit, p60.‬‬
‫‪- 12 -‬‬
‫‪2‬‬
‫…‬
‫‪i‬‬
‫…‬
‫‪n‬‬
‫‪G‬‬
‫‪.‬‬ ‫=‬ ‫ﺣﻴﺚ‪ .( = 1,2, … , ) = − :‬أي‪− :‬‬

‫و ‪ G‬ﻫﻲ ﻧﻘﻄﺔ مﺮﻛﺰ ﺛﻘﻞ سحابﺔ الﻨﻘاط )إﺣداﺛﻴا ا ﻫﻲ مﺘوسﻄات اﳌﺘﻐﲑات( ‪.10‬‬
‫ﻧﺮمﺰ ﳉدول الﺒﻴا ت الكﻤﻴﺔ اﳌﻤﺮﻛﺰ لﺮمﺰ ‪ ،‬ﺣﻴﺚ‪:‬‬
‫⋯‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋮ … ⋮‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫…‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫⋯‬ ‫…‬
‫ﻣﻼﺣﻈﺎت‪:‬‬
‫‪ ‬الﻨﻘاط الﻘﺮﻳﺒﺔ مﻦ ‪ G‬ﲤﺜﻞ اﳌعلومات اﳌفﻘودة عﻨد ﺗﻘلﻴﺺ اﻷبعاد‪ ،‬ﻷ ا سﺘكون ﳑﺜلﺔ أﻓﻀﻞ ﰲ ﳏاور‬
‫أخﺮى )اﶈور الﺮابﻊ أو اﶈور اﳋامﺲ مﺜﻼ(‪.‬‬
‫‪ ‬ﺟعﻞ الﺒﻴا ت ﳑﺮﻛﺰة ﻻ ﻳﺆﺛﺮ على شكﻞ سحابﺔ الﻨﻘاط‪.‬‬
‫ﻣﺜﺎل )ﻧﻘﺎط اﻟﻄﻠﺒﺔ(‪:‬‬

‫‪.‬‬ ‫لدﻳﻨا‪= 12 ، = 10 ، = 11 :‬‬
‫أي أن‪. = (11 10 12) :‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪0 −2 −1‬‬
‫‪. × = 3‬‬ ‫‪3‬‬ ‫ومﻨﻪ‪3 :‬‬
‫‪−1 −2 −1‬‬
‫‪−2 1 −2‬‬
‫‪10‬‬
‫‪Gilbert Saporta, Op-cit, p156.‬‬
‫‪- 13 -‬‬
‫)‪:(Tableau normé‬‬ ‫ج‪ .‬ﺣﺴﺎب اﻟﺘﺒﺎﻳﻨﺎت وﺗﺸكﻴﻞ ﺟﺪول اﻟﺒﻴﺎ ت اﻟكﻤﻴﺔ اﳌﻌﻴﺎري‬
‫)‪:(X Chapeau‬‬ ‫ﺟدول الﺒﻴا ت الكﻤﻴﺔ اﳌعﻴاري‬
‫…‬ ‫…‬
‫‪1‬‬
‫‪2‬‬
‫…‬
‫‪i‬‬
‫…‬
‫‪n‬‬
‫‪G‬‬
‫الﺘﺒاﻳﻦ‬
‫‪.‬‬ ‫=‬ ‫) ‪ .( = 1,2, … ,‬أي‪:‬‬ ‫=‬ ‫ﺣﻴﺚ‪:‬‬
‫ﻧﺮمﺰ ﳉدول الﺒﻴا ت الكﻤﻴﺔ اﳌعﻴاري لﺮمﺰ ‪ ،‬ﺣﻴﺚ‪:‬‬
‫⋯‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋮ … ⋮‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫…‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫⋯‬ ‫…‬
‫‪ ‬اﳌﺘﻐﲑات الﱵ ﳍا ﺗﺒاﻳﻨات ﻛﺒﲑة ﻫﻲ اﳌسﺆولﺔ عﻦ ﺗﺸﺘﺖ )ﺗﺒعﺜﺮ( اﻷﻓﺮاد ﰲ سحابﺔ الﻨﻘاط )اﳌسﺘوي العاملﻲ(‪.‬‬
‫‪ ‬ﻳسﻤﺢ ﲢوﻳﻞ الﺒﻴا ت إﱃ بﻴا ت ﳐﺘﺰلﺔ بﺘوﺣﻴد وﺣدات الﻘﻴاس‪.11‬‬
‫‪.‬‬ ‫‪= 3,2 ،‬‬ ‫‪= 3,6 ،‬‬ ‫لدﻳﻨا‪= 2,8 :‬‬
‫‪11‬‬
‫‪Arnaud MARTIN, Op-cit, p26.‬‬
‫‪- 14 -‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0,56‬‬

‫‪0‬‬ ‫‪−1,05 −0,56‬‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫‪1,79‬‬ ‫‪1,58‬‬ ‫‪1,68‬‬ ‫ومﻨﻪ‪:‬‬
‫‪−0,6‬‬ ‫‪−1,05 −0,56‬‬
‫‪−1,2‬‬ ‫‪0,53 −1,12‬‬
‫د‪ .‬ﺣﺴﺎب ﻣﺼﻔﻮﻓﺔ اﻟﺘﺒﺎﻳﻦ اﳌﺸﱰك ‪ V‬أو ﻣﺼﻔﻮﻓﺔ اﻻرﺗﺒﺎط ‪:R‬‬

‫ﳝكﻦ الﻘﻴام لﺘحلﻴﻞ ﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ إما ﻻعﺘﻤاد على مصفوﻓﺔ الﺘﺒاﻳﻦ اﳌﺸﱰك ) ‪(Matrice de‬‬
‫‪ ،covariance‬أو مصفوﻓﺔ اﻻرﺗﺒاط للﻤﺘﻐﲑات الﺘوﺿﻴحﻴﺔ‪ ،‬وإن ﻧوع اﳌصفوﻓﺔ اﳌفﻀﻞ اسﺘﺨدامﻬا ﻳعﺘﻤد ﰲ‬
‫الﻐالب على ﻃﺒﻴعﺔ اﳌﺘﻐﲑات ﻗﻴد الﺘحلﻴﻞ‪ .12‬ﻓﺈذا ﻛاﻧﺖ للﻤﺘﻐﲑات ﻧفﺲ وﺣدات الﻘﻴاس )ﲡاﻧﺲ الوﺣدات(‪،‬‬
‫وﻧسﻤﻲ ﰲ ﻫﺬﻩ اﳊالﺔ الﺘحلﻴﻞ ﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻏﲑ معﻴاري )‪ ،(ACP Non normé‬أو ﻻعﺘﻤاد على‬
‫مصفوﻓﺔ اﻻرﺗﺒاط ‪ (Matrice de corrélation) R‬وﻫﺬا إن ﱂ ﺗكﻦ للﻤﺘﻐﲑات ﻧفﺲ وﺣدات الﻘﻴاس‬
‫)عدم ﲡاﻧﺲ الوﺣدات(‪ ،‬وﻧسﻤﻲ ﰲ ﻫﺬﻩ اﳊالﺔ الﺘحلﻴﻞ ﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ معﻴاري )‪.(ACP Normé‬‬
‫‪ ‬وﺣدات الﻘﻴاس ﺛﺮ ﺛﲑا ﻛﺒﲑا على شكﻞ سحابﺔ الﻨﻘاط‪ .‬ﻓﻤﺜﻼ لو أبﻘﻴﻨا ﻧفﺲ الﻘﻴم وﻏﲑ ﻓﻘﻂ وﺣدات‬
‫الﻘﻴاس )اﻻﻧﺘﻘال مﻦ الﻐﺮام إﱃ الكﻴلوﻏﺮام ﰲ اﻷوزان مﺜﻼ‪ ،‬ﻓسﻨﻀﺮب ﲨﻴﻊ الﻘﻴم ﰲ ‪ ،(1000‬ﻓﺈن شكﻞ‬
‫سحابﺔ الﻨﻘاط سﻴﺘﻐﲑ ﺗﻐﲑا ﻛﺒﲑا‪.‬‬
‫‪ ‬إذا ﻛاﻧﺖ وﺣدات الﻘﻴاس ﻏﲑ مﺘﺠاﻧسﺔ‪ ،‬ﻓﻼبد مﻦ ﺟعﻞ الﺒﻴا ت معﻴارﻳﺔ )الﺘحلﻴﻞ ب ـ ‪ACP‬‬
‫‪.(Normé‬‬
‫‪ ‬إذا ﻛاﻧﺖ وﺣدات الﻘﻴاس مﺘﺠاﻧسﺔ‪ ،‬ﻓﻴﻤكﻦ ﺟعﻞ الﺒﻴا ت معﻴارﻳﺔ )الﺘحلﻴﻞ ب ـ ‪(ACP Normé‬‬
‫و لﺘاﱄ إعﻄاء ﻧفﺲ اﻷﳘﻴﺔ لكﻞ مﺘﻐﲑ‪ ،‬أو عدم اخﺘﺰال الﺒﻴا ت )الﺘحلﻴﻞ ب ـ ‪(ACP Non Normé‬‬
‫و لﺘاﱄ إعﻄاء أﳘﻴﺔ أﻛﱪ للﻤﺘﻐﲑات الﱵ ﳍا ﺗﺒاﻳﻨات ﻛﺒﲑة )‪.(Grande variance‬‬
‫‪ ‬إذا ﺟعلﻨا اﳌﺘﻐﲑات ﳑﺮﻛﺰة وﳐﺘﺰلﺔ )معﻴارﻳﺔ(‪ ،‬ﺗصﺒﺢ اﳌﺘﻐﲑات ﻗابلﺔ للﻤﻘارﻧﺔ‪ ،‬ﻷ م أﺻﺒحوا بدون وﺣدة‬
‫ﻗﻴاس )ﺣﻴادﻳﺔ وﺣدة الﻘﻴاس(‪.‬‬
‫‪ ‬اخﺘﺰال اﳌﺘﻐﲑات بﻘسﻤﺘﻬا على اﳓﺮاﻓﻬا اﳌعﻴاري ﳚعلﻬا ﲨﻴعﻬا ﳍا ﻧفﺲ الﺘﺒاﻳﻦ )‪ .(1‬و لﺘاﱄ ﲨﻴﻊ‬
‫الﺘﺒاﻳﻨات ﺗكون مﺘﺠاﻧسﺔ‪.‬‬
‫‪ 12‬زياد رشاد الراوي‪ ،‬مرجع سابق‪ ،‬ص‪.55‬‬
‫‪- 15 -‬‬
‫‪ .1‬ﻣﺼﻔﻮﻓﺔ اﻟﺘﺒﺎﻳﻦ اﳌﺸﱰك ‪:V‬‬

‫مصفوﻓﺔ الﺘﺒاﻳﻦ اﳌﺸﱰك ‪ V‬ﲢسب ﻻعﺘﻤاد على الصﻴﻐﺔ اﳌصفوﻓﻴﺔ الﺘالﻴﺔ‪:‬‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫×‬ ‫‪.‬‬ ‫×‬ ‫‪.‬‬ ‫×‬
‫‪ .‬و ﻫﻲ اﳌصفوﻓﺔ اﻷﺣادﻳﺔ‪.13‬‬ ‫×‬ ‫‪= .‬‬ ‫ﻫﻲ مصفوﻓﺔ الﺜﻘﻞ )اﻷوزان(‪:‬‬ ‫ﺣﻴﺚ‬
‫⋯‬ ‫‪0 … 0‬‬ ‫⋯‬ ‫…‬ ‫⋯‬ ‫…‬
‫⋮ … ⋮‬
‫… ⋮‬ ‫⋮‬ ‫…‬ ‫⋮‬ ‫…‬ ‫⋮‬ ‫⋮‬ ‫…‬ ‫… ⋮‬ ‫⋮‬
‫‪.‬‬ ‫=‬ ‫… ‪0‬‬
‫‪… 0‬‬
‫‪.‬‬ ‫…‬ ‫…‬ ‫‪.‬‬ ‫…‬ ‫…‬ ‫أي‪:‬‬
‫… ⋮‬ ‫⋯ ⋯ ⋯‬ ‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬ ‫⋮‬ ‫…‬ ‫⋯ ⋯‬ ‫⋯‬
‫⋯ ‪0‬‬ ‫… ‪0‬‬ ‫⋯‬ ‫…‬ ‫⋯‬ ‫…‬
‫‪⋯ 0 … 0‬‬ ‫∑‬ ‫⋯‬ ‫∑‬ ‫‪.‬‬ ‫∑ …‬ ‫‪.‬‬
‫…‬ ‫⋮ … ⋮‬ ‫…‬ ‫…‬
‫⋮‬ ‫⋮‬ ‫⋮‬ ‫⋮‬
‫‪.‬‬ ‫=‬ ‫‪0‬‬ ‫…‬ ‫‪… 0‬‬
‫∑ ‪.‬‬ ‫‪.‬‬ ‫…‬ ‫∑‬ ‫∑ …‬ ‫‪.‬‬ ‫أي‪:‬‬
‫… ⋮‬ ‫⋯ ⋯‬ ‫⋯‬ ‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫⋯ ‪0‬‬ ‫… ‪0‬‬ ‫∑‬ ‫‪.‬‬ ‫⋯‬ ‫∑‬ ‫‪.‬‬ ‫∑ …‬
‫∑‬ ‫⋯‬ ‫∑‬ ‫‪.‬‬ ‫…‬ ‫∑‬ ‫‪.‬‬
‫⋮‬ ‫…‬ ‫⋮‬ ‫…‬ ‫⋮‬
‫= ‪.‬‬ ‫∑‬ ‫‪.‬‬ ‫…‬ ‫∑‬ ‫∑‬ ‫‪.‬‬ ‫…‬ ‫أي‪:‬‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫∑‬ ‫‪.‬‬ ‫⋯‬ ‫∑‬ ‫‪.‬‬ ‫…‬ ‫∑‬
‫‪.‬‬ ‫∑ ‪ .‬أي ﺗﺒاﻳﻦ اﳌﺘﻐﲑ‬ ‫∑ =‬ ‫‪−‬‬ ‫=‬ ‫ﺗكون عﻨاﺻﺮ الﻘﻄﺮ الﺮﺋﻴسﻲ مﻦ الﺸكﻞ‪:‬‬
‫والعﻨاﺻﺮ اﻷخﺮى مﻦ الﺸكﻞ )مﺜﻼ السﻄﺮ ‪ 1‬والعﻤود ‪:(j‬‬
‫∑ ‪.‬‬ ‫‪.‬‬ ‫∑ =‬ ‫(‬ ‫‪−‬‬ ‫)‬ ‫‪−‬‬ ‫=‬ ‫(‬ ‫‪,‬‬ ‫)‬
‫و ‪.‬‬ ‫أي الﺘﺒاﻳﻦ اﳌﺸﱰك )الﺘﻐاﻳﺮ( بﲔ‬
‫ومﻨﻪ ﳝكﻦ ﻛﺘابﺔ ‪ V‬على الﺸكﻞ اﳌصفوﰲ الﺘاﱄ‪:‬‬
‫⋯‬ ‫(‬ ‫‪,‬‬ ‫… )‬ ‫‪( ,‬‬ ‫)‬
‫⋮‬ ‫…‬ ‫⋮‬ ‫…‬ ‫⋮‬
‫= ‪.‬‬ ‫‪( ,‬‬ ‫… )‬ ‫…‬ ‫) ‪( ,‬‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫‪( ,‬‬ ‫⋯ )‬ ‫… ) ‪( ,‬‬
‫‪ ،‬ﻓﺈﻧﻪ ﳝكﻦ ﻛﺘابﺔ اﳌصفوﻓﺔ ‪ V‬على الﺸكﻞ الﺘاﱄ‪:‬‬ ‫‪( ,‬‬ ‫=)‬ ‫‪( ,‬‬ ‫وﲟا أن )‬
‫‪ 13‬صواليلي صدر الدين‪ ،‬مرجع سابق‪ ،‬ص‪.21‬‬
‫‪- 16 -‬‬
‫⋯‬ ‫(‬ ‫‪,‬‬ ‫… )‬ ‫‪( ,‬‬ ‫)‬

‫⋮‬ ‫…‬ ‫⋮‬ ‫…‬ ‫⋮‬
‫= ‪.‬‬ ‫(‬ ‫‪,‬‬ ‫… )‬ ‫…‬ ‫) ‪( ,‬‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫(‬ ‫‪,‬‬ ‫⋯ )‬ ‫… ) ‪( ,‬‬
‫‪.14‬‬ ‫×‬ ‫ﻣﻼﺣﻈﺔ‪ :‬مصفوﻓﺔ الﺘﺒاﻳﻦ اﳌﺸﱰك ﻫﻲ مصفوﻓﺔ مﺘﻨاﻇﺮة ومﻦ الدرﺟﺔ‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫×‬ ‫‪.‬‬ ‫×‬ ‫‪.‬‬ ‫×‬ ‫لدﻳﻨا‪:‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪0 0 3 −1 −2‬‬ ‫‪0‬‬ ‫‪−2‬‬ ‫‪−1‬‬ ‫‪14‬‬ ‫‪9 14‬‬
‫‪.‬‬ ‫=‬ ‫‪0‬‬ ‫‪0 . 0 −2 3 −2 1 . 3‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪= .‬‬ ‫‪9‬‬ ‫‪18 11‬‬ ‫أي‪:‬‬
‫‪1 −1 3 −1 −2‬‬ ‫‪−1‬‬ ‫‪−2‬‬ ‫‪−1‬‬ ‫‪14‬‬ ‫‪11 16‬‬
‫‪0 0‬‬ ‫‪−2‬‬ ‫‪1‬‬ ‫‪−2‬‬
‫‪2,8 1,8 2,8‬‬
‫ومﻨﻪ‪. = 1,8 3,6 2,2 :‬‬
‫‪2,8 2,2 3,2‬‬
‫وﻧﻼﺣﻆ أن الﻘﻄﺮ الﺮﺋﻴسﻲ للﻤصفوﻓﺔ ‪ V‬ﻫﻲ ﺗﺒاﻳﻨات اﳌﺘﻐﲑات‪.‬‬
‫‪ .2‬ﻣﺼﻔﻮﻓﺔ اﻻرﺗﺒﺎط ‪:R‬‬

‫مصفوﻓﺔ اﻻرﺗﺒاط ‪ R‬ﲢسب ﻻعﺘﻤاد على الصﻴﻐﺔ اﳌصفوﻓﻴﺔ الﺘالﻴﺔ‪:‬‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫×‬ ‫‪.‬‬ ‫×‬ ‫‪.‬‬ ‫×‬
‫⋯‬ ‫‪0 … 0‬‬ ‫⋯‬ ‫…‬ ‫⋯‬ ‫…‬
‫⋮ … ⋮‬
‫… ⋮‬ ‫⋮‬ ‫…‬ ‫… ⋮‬ ‫⋮‬ ‫⋮‬ ‫…‬ ‫… ⋮‬ ‫⋮‬
‫‪.‬‬ ‫=‬ ‫… ‪0‬‬
‫‪… 0‬‬
‫‪.‬‬ ‫…‬ ‫…‬ ‫‪.‬‬ ‫…‬ ‫…‬ ‫أي‪:‬‬
‫… ⋮‬ ‫⋯ ⋯ ⋯‬ ‫⋮‬ ‫…‬ ‫⋯ ⋯‬ ‫⋯‬ ‫⋮‬ ‫…‬ ‫⋯ ⋯‬ ‫⋯‬
‫⋯ ‪0‬‬ ‫… ‪0‬‬ ‫⋯‬ ‫…‬ ‫⋯‬ ‫…‬
‫… ‪⋯ 0‬‬ ‫‪0‬‬ ‫∑‬ ‫⋯‬ ‫∑‬ ‫‪.‬‬ ‫∑ …‬ ‫‪.‬‬
‫… ⋮‬
‫… ⋮‬ ‫⋮‬ ‫⋮‬ ‫…‬ ‫⋮‬ ‫…‬ ‫⋮‬
‫‪.‬‬ ‫=‬ ‫… ‪0‬‬
‫…‬ ‫∑ ‪0 .‬‬ ‫‪.‬‬ ‫…‬ ‫∑‬ ‫∑ …‬ ‫‪.‬‬ ‫أي‪:‬‬
‫⋯ ⋯ … ⋮‬ ‫⋯‬ ‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫… ‪0 ⋯ 0‬‬ ‫∑‬ ‫‪.‬‬ ‫⋯‬ ‫∑‬ ‫‪.‬‬ ‫∑ …‬
‫‪14‬‬
‫‪- 17 -‬‬
‫∑‬ ‫⋯‬ ‫∑‬ ‫‪.‬‬ ‫…‬ ‫∑‬ ‫‪.‬‬

‫⋮‬ ‫…‬ ‫⋮‬ ‫…‬ ‫⋮‬
‫= ‪.‬‬ ‫∑‬ ‫‪.‬‬ ‫…‬ ‫∑‬ ‫…‬ ‫∑‬ ‫‪.‬‬ ‫أي‪:‬‬
‫⋮‬ ‫…‬ ‫⋯‬ ‫⋯ ⋯‬
‫∑‬ ‫‪.‬‬ ‫⋯‬ ‫∑‬ ‫‪.‬‬ ‫…‬ ‫∑‬
‫ﺗكون عﻨاﺻﺮ الﻘﻄﺮ الﺮﺋﻴسﻲ مﻦ الﺸكﻞ‪:‬‬
‫∑‬
‫∑ ‪.‬‬ ‫∑ =‬ ‫=‬ ‫=‬ ‫‪=1‬‬
‫أي معامﻞ اﻻرﺗﺒاط بﲔ و )بﲔ اﳌﺘﻐﲑ وﻧفسﻪ( ‪.15‬‬
‫والعﻨاﺻﺮ اﻷخﺮى مﻦ الﺸكﻞ )مﺜﻼ السﻄﺮ ‪ 1‬والعﻤود ‪:(j‬‬
‫∑ ‪.‬‬
‫∑‬ ‫(‬ ‫‪).‬‬ ‫(‬ ‫‪,‬‬ ‫)‬
‫‪.‬‬ ‫∑ =‬ ‫=‬ ‫=‬ ‫=‬
‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫و‬ ‫أي معامﻞ اﻻرﺗﺒاط بﲔ‬

‫‪1‬‬ ‫⋯‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋮ … ⋮‬
‫= ‪.‬‬ ‫… ‪… 1‬‬ ‫ومﻨﻪ ﳝكﻦ ﻛﺘابﺔ ‪ R‬على الﺸكﻞ اﳌصفوﰲ الﺘاﱄ‪:‬‬
‫⋮‬ ‫⋯ ⋯ ⋯ …‬
‫⋯‬ ‫‪… 1‬‬
‫وﲟا أن = ‪ ،‬ﻓﺈﻧﻪ ﳝكﻦ ﻛﺘابﺔ مصفوﻓﺔ اﻻرﺗﺒاط ‪ R‬على الﺸكﻞ الﺘاﱄ‪:‬‬
‫⋯ ‪1‬‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋮ … ⋮‬
‫= ‪.‬‬ ‫… ‪… 1‬‬
‫⋮‬ ‫⋯ ⋯ ⋯ …‬
‫⋯‬ ‫‪… 1‬‬
‫ﻣﻼﺣﻈﺔ‪ :‬مصفوﻓﺔ اﻻرﺗﺒاط ﻫﻲ مصفوﻓﺔ مﺘﻨاﻇﺮة ومﻦ الدرﺟﺔ × ‪.‬‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫×‬ ‫‪.‬‬ ‫×‬ ‫‪.‬‬ ‫×‬ ‫لدﻳﻨا‪:‬‬
‫‪15‬‬
‫‪- 18 -‬‬
‫‪0 0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0,56‬‬

‫‪0‬‬ ‫‪0‬‬ ‫‪1,79 −0,6 −1,2‬‬ ‫‪0‬‬ ‫‪−1,05‬‬ ‫‪−0,56‬‬
‫=‬ ‫‪0‬‬ ‫‪0 . 0‬‬ ‫‪−1,05 1,58 −1,05 0,53 . 1,79‬‬ ‫‪1,58‬‬ ‫‪1,68‬‬ ‫أي‪:‬‬
‫‪0,56 −0,56 1,68 −0,56 −1,12‬‬ ‫‪−0,6‬‬ ‫‪−1,05‬‬ ‫‪−0,56‬‬
‫‪0 0‬‬ ‫‪−1,2‬‬ ‫‪0,53‬‬ ‫‪−1,12‬‬
‫‪5‬‬ ‫‪2,83 4,68‬‬ ‫‪1‬‬ ‫‪0,57‬‬ ‫‪0,94‬‬
‫‪. = . 2,83‬‬ ‫‪5‬‬ ‫‪3,24 = 0,57‬‬ ‫‪1‬‬ ‫ومﻨﻪ‪0,65 :‬‬
‫‪4,68 3,24‬‬ ‫‪5‬‬ ‫‪0,94 0,65‬‬ ‫‪1‬‬
‫‪ .3‬اﻟﺘﻔﺴﲑ‪:‬‬
‫ﺗسﻤﺢ مصفوﻓﺔ اﻻرﺗﺒاط بدراسﺔ اﻻرﺗﺒاﻃات بﲔ ﳐﺘلﻒ اﳌﺘﻐﲑات‪ ،‬وﳝكﻦ ﺗفسﲑ اﻻرﺗﺒاﻃات على ﻧوعﲔ‪:‬‬
‫‪ ‬اﻻرﺗﺒﺎط ﺑﺸكﻞ ﻋﺎم‪:‬‬
‫‪ ‬ﻗﻴم اﻻرﺗﺒاﻃات ﳝكﻦ أن ﺗعﻄﻴﻬا بﺸكﻞ عام ﻗوة أو ﺿعﻒ اﻻرﺗﺒاط بﲔ اﳌﺘﻐﲑات اﳌدروسﺔ‪.‬‬
‫‪ ‬إذا ﻛاﻧﺖ اﻻرﺗﺒاﻃات بﺸكﻞ عام ﻗوﻳﺔ‪ ،‬ﻓﺈن اﻻﻧﺘﻘال مﻦ ‪ p‬بعد إﱃ ‪ k‬بعد لﻦ ﻳفﻘد الكﺜﲑ مﻦ‬
‫اﳌعلومات )ﻓﻘدان اﳌعلومات ﻳكون ﰲ ﺣدﻩ اﻷدﱏ(‪.‬‬
‫‪ ‬اﻻرﺗﺒﺎط ﺑﺸكﻞ ﻣﻔﺼﻞ‪:‬‬
‫‪ ‬ﻧﻘوم بدراسﺔ اﻻرﺗﺒاط بﲔ ﻛﻞ مﺘﻐﲑﻳﻦ بﺸكﻞ مفصﻞ‪.‬‬
‫ﻣﻼﺣﻈﺔ‪ :‬اخﺘﺰال اﻷبعاد بﻄﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻫو ﳑكﻦ ﰲ ﺣالﺔ وﺟود ﺗكﺮار بﲔ اﳌﺘﻐﲑات‬
‫)‪ (Redondance‬أي أن اﳌﺘﻐﲑات مﱰابﻄﺔ ﻓﻴﻤا بﻴﻨﻬا‪ ،‬لكﻦ إن ﻛاﻧﺖ ﻫﺬﻩ اﳌﺘﻐﲑات مسﺘﻘلﺔ‪ ،‬ﻓﺈن ﻃﺮﻳﻘﺔ‬
‫ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻏﲑ ﻓعالﺔ ﰲ اخﺘﺰال اﻷبعاد‪.16‬‬
‫ه‪ .‬ﺣﺴﺎب اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ واﻷﺷﻌﺔ اﻟﺬاﺗﻴﺔ ﳌﺼﻔﻮﻓﺔ اﻻرﺗﺒﺎط ‪:R‬‬

‫‪ .1‬ﺣﺴﺎب اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ‪:‬‬
‫ﳊساب الﻘﻴم الﺬاﺗﻴﺔ ﳌصفوﻓﺔ اﻻرﺗﺒاط ‪ ،R‬ﻧعﺘﻤد على العﻼﻗﺔ الﺘالﻴﺔ‪:‬‬
‫‪ ،‬ﺣﻴﺚ ﻫو الﺸعاع الﺬاﰐ للﻤصفوﻓﺔ ‪.R‬‬ ‫=‬
‫الﻨﻈام ﳝكﻦ ﻛﺘابﺘﻪ ﻛﻤا ﻳلﻲ‪:‬‬
‫=‬ ‫‪⟺( − ) =0‬‬
‫ولكﻲ ﻳﻘﺒﻞ الﻨﻈام ﺣﻞ ﻏﲑ ﺻفﺮي ﻻبد أن ﻳكون‪|R − λI| = 0 :‬‬
‫وﻫﻲ العﻼﻗﺔ الﱵ ﺗسﻤﺢ ﲝساب الﻘﻴم الﺬاﺗﻴﺔ للﻤصفوﻓﺔ ‪.R‬‬
‫‪16‬‬
‫‪- 19 -‬‬

‫سﻨﻘوم ﲝساب الﻘﻴم الﺬاﺗﻴﺔ اﻧﻄﻼﻗا مﻦ العﻼﻗﺔ‪|R − λI| = 0 :‬‬
‫‪1‬‬ ‫‪0,57 0,94‬‬ ‫‪0 0‬‬ ‫‪1−‬‬ ‫‪0,57‬‬ ‫‪0,94‬‬
‫‪| − | = 0,57‬‬ ‫‪1‬‬ ‫‪0,65 − 0‬‬ ‫‪0 = 0,57 1 −‬‬ ‫‪0,65‬‬ ‫لدﻳﻨا‪:‬‬
‫‪0,94 0,65‬‬ ‫‪1‬‬ ‫‪0 0‬‬ ‫‪0,94 0,65‬‬ ‫‪1−‬‬
‫‪.| − | = (1 − ) 0,65 1 − − (0,57) 0,94 1 − + (0,94) 0,57‬‬
‫‪1−‬‬ ‫‪0,65‬‬ ‫‪0,57 0,65‬‬
‫‪0,94‬‬
‫‪1−‬‬
‫‪0,65‬‬
‫أي‪:‬‬
‫)‪| − | = (1 − ) (1 − ) − (0,65‬‬ ‫‪− (0,57) 0,57(1 − ) − 0,94(0,65) +‬‬
‫) ‪(0,94) 0,57(0,65) − 0,94(1 −‬‬
‫لﻴكﻦ‪. = (1 − ) (1 − ) − (0,65) :‬‬
‫‪= (1 − )(1 +‬‬ ‫‪− 2 − 0,42) = (1 − )( − 2 +‬‬ ‫لدﻳﻨا‪:‬‬
‫‪0,58) = − 2 + 0,58 − + 2 − 0,58‬‬
‫أي‪. = − + 3 − 2,58 + 0,58 :‬‬
‫لﻴكﻦ‪. = (0,57) 0,57(1 − ) − 0,94(0,65) :‬‬
‫لدﻳﻨا‪= (0,57)(0,57 − 0,58 − 0,61) = 0,32 − 0,33 − 0,35 = −0,33 − 0,03 :‬‬
‫لﻴكﻦ‪. = (0,94) 0,57(0,65) − 0,94(1 − ) :‬‬
‫لدﻳﻨا‪= (0,94)(0,37 − 0,94 + 0,94 ) = 0,35 − 0,88 + 0,88 = 0,88 − 0,53 :‬‬
‫‪.| −‬‬ ‫‪|=−‬‬ ‫‪+3‬‬ ‫ﻓﻴكون‪− 2,58 + 0,58 + 0,33 + 0,03 + 0,88 − 0,53 :‬‬
‫‪.| −‬‬ ‫‪|=−‬‬ ‫ومﻨﻪ‪− 1,37 + 0,08 :‬‬
‫‪+3‬‬
‫ﻧسﻤﻲ‪.| − | = ( ) :‬‬
‫وﻫﻲ معادلﺔ مﻦ الدرﺟﺔ الﺜالﺜﺔ ﺗﻘﺒﻞ ﺛﻼث ﺣلول‪ ،‬سﻨحاول الﺒحﺚ عﻦ اﳊﻞ اﻷول‪ ،‬ﰒ اﳊلﲔ اﻵخﺮﻳﻦ‪.‬‬
‫لدﻳﻨا‪. ′( ) = −3 + 6 − 1,37 :‬‬
‫‪ ، Δ = (6) − 4(−3)(−1,37) = 36 − 16,44 = 19,56‬ومﻨﻪ‪.√Δ = 4,42 :‬‬
‫‪.‬‬ ‫‪ ،‬و ‪= 0,26‬‬ ‫ومﻨﻪ‪= 1,74 :‬‬
‫‪,‬‬ ‫‪,‬‬
‫=‬ ‫=‬
‫إذن‪:‬‬
‫‪< 0,26‬‬ ‫‪0,26 < < 1,74‬‬ ‫‪> 1,74‬‬
‫) (‪′‬‬ ‫سالﺒﺔ‬ ‫موﺟﺒﺔ‬ ‫سالﺒﺔ‬
‫) (‬ ‫مﻨﺘاﻗصﺔ‬ ‫مﺘﺰاﻳدة‬ ‫مﻨﺘاﻗصﺔ‬
‫لدﻳﻨا‪. (0,26) = −0,017 + 0,2 − 0,36 + 0,08 = −0,097 :‬‬
‫و‪. (1) = −1 + 3 − 1,37 + 0,08 = 0,71 :‬‬
‫‪- 20 -‬‬
‫مسﺘﻤﺮة ومﺘﺰاﻳدة على ا ال ‪ 0,26 , 1,74‬ﻓﺈ ا مسﺘﻤﺮة ومﺘﺰاﻳدة على ا ال‬ ‫ﲟا أن ) (‬
‫‪ ، 0,26 , 1‬وﲟا أن ‪ ، (0,26). (1) < 0‬ﻓﺈن ‪ ( ) = 0‬ﺣسب ﻧﻈﺮﻳﺔ الﻘﻴم اﳌﺘوسﻄﺔ ﺗﻘﺒﻞ‬
‫ﺣﻞ وﺣﻴد ﰲ ا ال ‪. 0,26 , 1‬‬
‫ﳓاول مﻊ الﻘﻴﻤﺔ )‪ :(0,5‬ﺗعﻄﻲ ﻗﻴﻤﺔ ﻗﺮﻳﺒﺔ مﻦ ‪.0‬‬
‫‪.‬‬ ‫‪= −(0,5) + 3(0,5) − 1,37(0,5) + 0,08 = −0,125 + 0,75 − 0,685 + 0,08 = 0,02‬‬ ‫لدﻳﻨا‪:‬‬
‫ولدﻳﻨا‪. (0,49) = −(0,49) + 3(0,49) − 1,37(0,49) + 0,08 = −0,118 + 0,72 − 0,671 + 0,08 = 0,01 ≈ 0 :‬‬
‫()‪.| − | = − + 3 − 1,37 + 0,08 = ( − 0,49‬‬ ‫‪+‬‬ ‫ومﻨﻪ‪+ ) :‬‬
‫()‪( − 0,49‬‬ ‫‪+‬‬ ‫=) ‪+‬‬ ‫‪+‬‬ ‫‪+ − 0,49‬‬ ‫لدﻳﻨا‪− 0,49 − 0,49 :‬‬
‫=‪.‬‬ ‫‪+ ( − 0,49 ) + ( − 0,49 ) − 0,49‬‬
‫ﳌﻄابﻘﺔ ﳒد‪.−0,49 = 0,08 ⟹ = −0,163 :‬‬
‫و‪. − 0,49 = 3 ⟹ = 2,51 :‬‬ ‫و‪= − ⟹ = −1 :‬‬
‫ومﻨﻪ‪.| − | = ( − 0,49)(− + 2,51 − 0,16) :‬‬
‫‪ ،Δ = (2,51) − 4(−1)(−0,16) = 6,25 − 0,65 = 5,66‬ومﻨﻪ‪.√Δ = 2,38 :‬‬
‫= ‪.‬‬ ‫= ‪ ،‬و ‪= 0,06‬‬ ‫ومﻨﻪ‪= 2,45 :‬‬
‫‪,‬‬ ‫‪,‬‬ ‫‪,‬‬ ‫‪,‬‬
‫‪.‬‬ ‫ومﻨﻪ ﺗوﺟد ﺛﻼث ﻗﻴم ذاﺗﻴﺔ ) لﱰﺗﻴب( ﻫﻲ‪= 0,06 ، = 0,49 ، = 2,45 :‬‬
‫‪ .2‬إﳚﺎد اﻷﺷﻌﺔ اﻟﺬاﺗﻴﺔ‪:‬‬

‫ﻛﻞ ﻗﻴﻤﺔ ذاﺗﻴﺔ ﻳﻘابلﻬا شعاع ذاﰐ‪ ،‬ولﺘحدﻳد اﻷشعﺔ الﺬاﺗﻴﺔ ﻧعﺘﻤد على العﻼﻗﺔ الﺘالﻴﺔ‪:‬‬
‫ﳛدد مﻦ العﻼﻗﺔ‪:‬‬ ‫ﻫﻲ الﻘﻴﻤﺔ الﺬاﺗﻴﺔ اﻷوﱃ‪ ،‬ﻓﺈن الﺸعاع الﺬاﰐ اﻷول‬ ‫‪ ‬إذا ﻛاﻧﺖ‬
‫‪( −‬‬ ‫‪) =0‬‬
‫وﳚب أن ﻳﺘحﻘﻖ ﰲ ﻫﺬا الﺸعاع‪. . = 1 :‬‬
‫‪( −‬‬ ‫ﳛدد مﻦ العﻼﻗﺔ‪) = 0 :‬‬ ‫‪ ‬إذا ﻛاﻧﺖ ﻫﻲ الﻘﻴﻤﺔ الﺬاﺗﻴﺔ الﺜاﻧﻴﺔ‪ ،‬ﻓﺈن الﺸعاع الﺬاﰐ الﺜاﱐ‬
‫وﳚب أن ﻳﺘحﻘﻖ ﰲ ﻫﺬا الﺸعاع‪ ، . = 1 :17‬و ‪. . = 0‬‬
‫‪( −‬‬ ‫ﳛدد مﻦ العﻼﻗﺔ‪) = 0 :‬‬ ‫‪ ‬إذا ﻛاﻧﺖ ﻫﻲ الﻘﻴﻤﺔ الﺬاﺗﻴﺔ الﺜالﺜﺔ‪ ،‬ﻓﺈن الﺸعاع الﺬاﰐ الﺜالﺚ‬
‫‪.‬‬ ‫‪.‬‬ ‫‪،‬و‪=0‬‬ ‫‪.‬‬ ‫‪،‬و‪=0‬‬ ‫‪.‬‬ ‫وﳚب أن ﻳﺘحﻘﻖ ﰲ ﻫﺬا الﺸعاع‪= 1 :‬‬
‫‪ ... ‬وﻫكﺬا لﺒﻘﻴﺔ الﻘﻴم الﺬاﺗﻴﺔ واﻷشعﺔ الﺬاﺗﻴﺔ‪.‬‬
‫‪- 21 -‬‬
‫ﻣﻼﺣﻈﺔ‪:‬‬
‫‪،‬‬ ‫ﺗعﻄﻴﻨا الﺸعاع الﺬاﰐ اﻷول‬ ‫بعد ﺗﺮﺗﻴب الﻘﻴم الﺬاﺗﻴﺔ مﻦ اﻷﻛﱪ إﱃ اﻷﺻﻐﺮ‪ ،‬الﻘﻴﻤﺔ الﺬاﺗﻴﺔ اﻷوﱃ‬
‫والﺬي ﻳعﻄﻴﻨا بدورﻩ اﶈور العاملﻲ اﻷول )اﳌسﺘﻘﻴم‪ ،(∆ :‬وﻫﺬا اﻷخﲑ ﻳعﻄﻴﻨا اﳌﺮﻛﺒﺔ الﺮﺋﻴسﻴﺔ اﻷوﱃ ) (‪.‬‬
‫ﺗعﻄﻴﻨا الﺸعاع الﺬاﰐ الﺜاﱐ ‪ ،‬والﺬي ﻳعﻄﻴﻨا بدورﻩ اﶈور العاملﻲ‬ ‫وبﻨفﺲ الﻄﺮﻳﻘﺔ‪ ،‬الﻘﻴﻤﺔ الﺬاﺗﻴﺔ الﺜاﻧﻴﺔ‬
‫الﺜاﱐ )اﳌسﺘﻘﻴم‪ ،(∆ :‬وﻫﺬا اﻷخﲑ ﻳعﻄﻴﻨا اﳌﺮﻛﺒﺔ الﺮﺋﻴسﻴﺔ الﺜاﻧﻴﺔ ) (‪.‬‬
‫ﰒ اﶈورﻳﻦ اﻷولﻴﲔ ‪ 1‬و‪ 2‬ﻳﺸكﻼن لﻨا اﳌسﺘوي العاملﻲ اﻷول )ﺣﻴﺚ ﻳكون الﺸعاع الﺬاﰐ اﻷول مﺘعامد مﻊ‬
‫⊥ ‪ ،‬وﻫﺬا ﻳعﲏ‪( . = 0 :‬‬ ‫الﺸعاع الﺬاﰐ الﺜاﱐ‪ ،‬أي‪:‬‬
‫وﻧﺸﲑ إﱃ أن اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻫﻲ ﺗولﻴفﺔ خﻄﻴﺔ للﻤﺘﻐﲑات اﻷﺻلﻴﺔ‪) 18‬مﻊ مﺮﻛﺒات اﻷشعﺔ الﺬاﺗﻴﺔ(‪،‬‬
‫وعدد اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻫو ﻧفسﻪ عدد اﳌﺘﻐﲑات اﻷﺻلﻴﺔ‪ ،‬إﻻ أﻧﻨا ﻻ ﻧسﺘﺨدم إﻻ اﳌﺮﻛﺒﺔ اﻷوﱃ والﺜاﻧﻴﺔ ﻓﻘﻂ‪ ،‬وﰲ‬
‫بعﺾ اﻷﺣﻴان ﻧﻀﻴﻒ الﺜالﺜﺔ‪.‬‬

‫‪.‬‬ ‫=‬ ‫لدﻳﻨا‪⟹ ( − ) = 0 :‬‬
‫‪1‬‬ ‫‪0,57 0,94‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1−‬‬ ‫‪0,57‬‬ ‫‪0,94‬‬ ‫‪0‬‬
‫‪( −‬‬ ‫= )‬ ‫‪0,57‬‬ ‫‪1‬‬ ‫‪0,65 − 0‬‬ ‫‪0‬‬ ‫=‬ ‫‪0,57‬‬ ‫‪1−‬‬ ‫‪0,65‬‬ ‫‪= 0‬‬
‫‪0,94‬‬ ‫‪0,65‬‬ ‫‪1‬‬ ‫‪0 0‬‬ ‫‪0,94‬‬ ‫‪0,65‬‬ ‫‪1−‬‬ ‫‪0‬‬
‫‪:‬‬ ‫‪ -‬ﳌا ‪= 2,45‬‬
‫‪1 − 2,45‬‬ ‫‪0,57‬‬ ‫‪0,94‬‬ ‫‪−1,45 0,57‬‬ ‫‪0,94‬‬ ‫‪0‬‬
‫‪( −‬‬ ‫)‬ ‫⟹‪=0‬‬ ‫‪0,57‬‬ ‫‪1 − 2,45‬‬ ‫‪0,65‬‬ ‫=‬ ‫‪0,57 −1,45 0,65‬‬ ‫‪= 0‬‬
‫‪0,94‬‬ ‫‪0,65‬‬ ‫‪1 − 2,45‬‬ ‫‪0,94‬‬ ‫‪0,65 −1,45‬‬ ‫‪0‬‬
‫‪18‬‬
‫‪- 22 -‬‬
‫ﳓاول الﺒحﺚ عﻦ عامﻞ مﺸﱰك بﲔ اﻷسﻄﺮ أو اﻷعﻤدة لﻼخﺘﺰال‪ ،‬ﻓﻨﻼﺣﻆ أن‪ :‬عﻨد ﺿﺮب اﳌعادلﺔ ‪ 1‬ﰲ ‪8‬‬
‫‪−11,6 4,55‬‬ ‫‪7,52‬‬ ‫‪0‬‬
‫‪. 0,57 −1,45‬‬ ‫‪0,65‬‬ ‫واﳌعادلﺔ ‪ 3‬ﰲ ‪ 7‬ﻓﺘصﺒﺢ‪= 0 :‬‬
‫‪6,58‬‬ ‫‪4,55 −10,15‬‬ ‫‪0‬‬
‫ﻧﻄﺮح اﳌعادلﺔ ‪ 3‬مﻦ اﳌعادلﺔ ‪ 1‬ﻓﺘصﺒﺢ‪:‬‬
‫‪−11,6 4,55‬‬ ‫‪7,52‬‬ ‫‪0‬‬
‫‪⟹ 0,57 −1,45‬‬ ‫‪0,65‬‬ ‫‪= 0‬‬
‫‪18,18‬‬ ‫‪0‬‬ ‫‪−17,67‬‬ ‫‪0‬‬
‫لدﻳﻨا مﻦ اﳌعادلﺔ ‪18,18 = 17,67 :3‬‬
‫ومﻨﻪ‪. = 0,97 :‬‬
‫ﻧعوض ﰲ اﳌعادلﺔ ‪ 2‬لﻨﺠد‪0,55 − 1,45 + 0,65 = 0 ⟹ −1,45 + 1,2 = 0 :‬‬
‫أي‪. = 0,83 :‬‬
‫‪0,97‬‬ ‫‪0,97‬‬
‫‪= 0,83‬‬ ‫=‬ ‫ومﻨﻪ‪ :‬الﺸعاع الﺬاﰐ اﻷول ﻫو ‪0,83‬‬
‫‪1‬‬
‫ﳓسب ﻃاولﺔ الﺸعاع ‪‖ ‖ = (0,97) + (0,83) + (1) = √2,63 = 1,62 ≠ 1 :‬‬
‫ومﻨﻪ ﳔﺘار ﻗﻴﻤﺔ لـ ـ ﲝﻴﺚ ﻳكون الﺸعاع الﺬاﰐ معﻴاري )أي ﳛﻘﻖ‪( . = 1 :‬‬
‫‪.‬‬ ‫‖=‬ ‫‖‬
‫ﻫﻲ‪:‬‬
‫وﳉعﻞ الﺸعاع معﻴاري ﻳكفﻲ أن ﻧﻘسم ﻛﻞ ﻗﻴﻤﻪ على ﻃاولﺘﻪ‪ ،‬ﻓﺘكون ﻗﻴﻤﺔ الﺸعاع‬
‫‪0,97‬‬ ‫‪0,60‬‬
‫= ‪.‬‬ ‫ومﻨﻪ ﻓالﺸعاع الﺬاﰐ اﻷول ﻫو الﺸعاع ‪0,83 = 0,51‬‬
‫‪,‬‬
‫‪1‬‬ ‫‪0,62‬‬
‫‪−0,67‬‬ ‫‪−0,44‬‬
‫‪.‬‬ ‫وبﻨفﺲ الﻄﺮﻳﻘﺔ ﻧﺘحصﻞ على بﻘﻴﺔ اﻷشعﺔ الﺬاﺗﻴﺔ‪= −0,10 ، = 0,85 :‬‬
‫‪0,74‬‬ ‫‪−0,28‬‬
‫ولدﻳﻨا ﻛﺬلﻚ‪:‬‬
‫‪.‬‬ ‫‪= (0,60)(−0,44) + (0,51)(0,85) + (0,62)(−0,28) = −0,26 + 0,43 − 0,17 = 0‬‬
‫‪ .3‬ﺗﺸكﻴﻞ ﺟﺪول اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ‪:‬‬

‫بعد ﺣساب الﻘﻴم الﺬاﺗﻴﺔ ﻧﻘوم بﱰﺗﻴﺒﻬا ﺗﻨازلﻴا )مﻦ اﻷﻛﱪ إﱃ اﻷﺻﻐﺮ(‪ ،‬ﰒ ﻧﺸكﻞ ﺟدول الﻘﻴم الﺬاﺗﻴﺔ الﺘاﱄ‪:‬‬
‫اﻟﻨﺴﺒﺔ اﳌﺌﻮﻳﺔ اﻟﺼﺎﻋﺪة )↑‪(%‬‬ ‫اﻟﻨﺴﺒﺔ اﳌﺌﻮﻳﺔ )‪(%‬‬ ‫اﻟﻨﺴﺒﺔ‬ ‫اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ ) (‬ ‫اﻟﺮﻗﻢ‬
‫∑‬
‫‪∗ 100‬‬ ‫∑‬
‫‪∗ 100‬‬ ‫∑‬
‫‪1‬‬
‫‪- 23 -‬‬
‫∑‬
‫‪∗ 100‬‬ ‫∑‬
‫‪∗ 100‬‬ ‫∑‬
‫‪2‬‬
‫∑‬
‫‪∗ 100‬‬ ‫∑‬
‫‪∗ 100‬‬ ‫∑‬
‫‪3‬‬
‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬
‫‪I‬‬
‫⋯‬
‫∑‬
‫‪∗ 100‬‬ ‫∑‬
‫‪∗ 100‬‬ ‫∑‬
‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬
‫‪P‬‬
‫∑‬
‫‪∗ 100 = 100‬‬ ‫∑‬
‫‪∗ 100‬‬ ‫∑‬
‫∑‬
‫‪100‬‬ ‫‪1‬‬ ‫∑‬ ‫=‬ ‫ا ﻤوع‬

‫اﻟﻨﺴﺒﺔ اﳌﺌﻮﻳﺔ اﻟﺼﺎﻋﺪة )↑‪(%‬‬ ‫اﻟﻨﺴﺒﺔ اﳌﺌﻮﻳﺔ )‪(%‬‬ ‫اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ ) (‬ ‫اﻟﺮﻗﻢ‬
‫∑‬
‫‪∗ 100 = 81,6‬‬ ‫∑‬
‫‪∗ 100 = 81,6‬‬ ‫‪2,45‬‬ ‫‪1‬‬
‫∑‬
‫‪∗ 100 = 98‬‬ ‫∑‬
‫‪∗ 100 = 16,4‬‬ ‫‪0,49‬‬ ‫‪2‬‬
‫∑‬
‫‪∗ 100 = 100‬‬ ‫∑‬
‫‪∗ 100 = 2‬‬ ‫‪0,06‬‬ ‫‪3‬‬
‫‪100‬‬ ‫∑‬ ‫‪=3‬‬
‫‪ .4‬اﻟﺘﻔﺴﲑ‪:‬‬
‫ﲤﺜﻞ اﳌساﳘﺔ اﳌﻄلﻘﺔ للﻤحور ‪ i‬ﰲ الﺘﺒاﻳﻦ الكلﻲ )‪(Inertie‬‬ ‫‪ ‬ﻛﻞ ﻗﻴﻤﺔ ذاﺗﻴﺔ‬
‫∑ ﲤﺜﻞ اﳌساﳘﺔ الﻨسﺒﻴﺔ للﻤحور ‪ i‬ﰲ الﺘﺒاﻳﻦ الكلﻲ )‪(Inertie‬‬ ‫‪ ‬ﻛﻞ ﻧسﺒﺔ‬
‫∑ ﻧسﺒﺔ الﺘﺒاﻳﻦ الكلﻲ )‪ (% d’inertie‬اﳌفسﺮ ﶈور العاملﻲ اﻷول ) ‪1er Axe‬‬ ‫‪ ‬ﲤﺜﻞ الﻘﻴﻤﺔ‬
‫‪ .(Factoriel‬وﻫﻲ ﲤﺜﻞ اﻷﳘﻴﺔ الﻨسﺒﻴﺔ للﻤﺮﻛﺒﺔ الﺮﺋﻴسﻴﺔ اﻷوﱃ‪.‬‬
‫∑ ﻧسﺒﺔ الﺘﺒاﻳﻦ الكلﻲ اﳌفسﺮ ﶈور العاملﻲ الﺜاﱐ )‪.( 2ème Axe Factoriel‬‬ ‫‪ ‬ﲤﺜﻞ الﻘﻴﻤﺔ‬
‫ﻧسﺒﺔ الﺘﺒاﻳﻦ الكلﻲ اﳌفسﺮ ﳌسﺘوي العاملﻲ اﻷول )‪( 1er Plan Factoriel‬‬ ‫∑‬
‫‪ ‬ﲤﺜﻞ الﻘﻴﻤﺔ‬
‫)اﶈور اﻷول واﶈور الﺜاﱐ(‪.‬‬
‫‪- 24 -‬‬
‫∑ ﻧسﺒﺔ الﺘﺒاﻳﻦ الكلﻲ اﳌفسﺮ ﳌسﺘوي العاملﻲ الﺜاﱐ )‪(2ème Plan Factoriel‬‬ ‫‪ ‬ﲤﺜﻞ الﻘﻴﻤﺔ‬
‫)اﶈور اﻷول واﶈور الﺜالﺚ(‪.‬‬
‫‪ ‬إذا ﻛان ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ معﻴاري )‪ ،(ACP Normé‬ﻓﺈن‪:19‬‬
‫∑‪.‬‬ ‫=) ( =‬
‫‪ ‬إذا ﻛان ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻏﲑ معﻴاري )‪ ،(ACP Non normé‬ﻓﺈن‪:20‬‬
‫∑‪.‬‬ ‫∑=) ( =‬
‫ﻣﻼﺣﻈﺔ‪ :‬إذا ﻛان ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻏﲑ معﻴاري ﻻعﺘﻤاد على اﳌصفوﻓﺔ الﺘﺒاﻳﻦ اﳌﺸﱰك ‪ ،‬ﻓﺈن الﻘﻴم‬
‫الﺬاﺗﻴﺔ واﻷشعﺔ الﺬاﺗﻴﺔ ﺗسﺘﺨﺮج مﻦ اﳌصفوﻓﺔ ‪.‬‬
‫و‪ .‬ﲢﺪﻳﺪ ﻋﺪد اﶈﺎور اﻟﱵ ﺗﺆﺧﺬ ﰲ اﻟﺘﺤﻠﻴﻞ )‪:(Nombre d’axes à retenir‬‬
‫ﻫﻨاك عدة معاﻳﲑ ﺗسﻤﺢ بﺘحدﻳد عدد اﶈاور الﱵ ﺗﺆخﺬ ﰲ الﺘحلﻴﻞ‪ ،‬مﻦ بﻴﻨﻬا‪:‬‬
‫‪ ‬ﻣﻌﻴﺎر ﻛﻴزر ‪ :Kaiser‬خﺬ ﻛﻞ الﻘﻴم الﺬاﺗﻴﺔ اﻷﻛﱪ مﻦ ‪.21 1‬‬
‫∑ أﻛﱪ مﻦ ‪،%80‬‬ ‫‪ ‬ﻣﻌﻴﺎر ﻧﺴﺒﺔ اﳌﺴﺘﻮي اﻟﻌﺎﻣﻠﻲ اﻷول‪ :‬إذا ﻛاﻧﺖ ﻗﻴﻤﺔ الﻨسﺒﺔ ‪∗ 100‬‬
‫ﻓفﻘدان اﳌعلومات ﺻﻐﲑ‪ ،‬ﻓﻼ داعﻲ ﻹﻧﺸاء اﳌسﺘوي العاملﻲ الﺜاﱐ‪.‬‬
‫∑ أﻛﱪ مﻦ ‪ ،%15‬ﻓﻼ‬ ‫‪ ‬ﻣﻌﻴﺎر ﻧﺴﺒﺔ اﶈﻮر اﻟﻌﺎﻣﻠﻲ اﻟﺜﺎﻟﺚ‪ :‬إذا ﻛاﻧﺖ ﻗﻴﻤﺔ الﻨسﺒﺔ ‪∗ 100‬‬
‫بد مﻦ إﻧﺸاء اﳌسﺘوي العاملﻲ الﺜاﱐ‪.‬‬
‫‪ ‬ﻣﻌﻴﺎر اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻠﻘﻴﻢ اﻟﺬاﺗﻴﺔ‪ :‬بعد إﻧﺸاء الﺘﻤﺜﻴﻞ الﺒﻴاﱐ ﻷعﻤدة للﻘﻴم الﺬاﺗﻴﺔ ﻧﻘوم بﺮسم مسﺘﻘﻴم‬
‫ﻳﺮبﻂ بﲔ أﻛﱪ عدد مﻦ الﻘﻴم الﺬاﺗﻴﺔ‪ ،‬والﻘﻴم الكﺒﲑة الﱵ ﻻ ﺗﻨﺘﻤﻲ للﻤسﺘﻘﻴم ﲤﺜﻞ اﶈاور الﱵ ﺗﺆخﺬ ﰲ‬
‫الﺘحلﻴﻞ‪.‬‬
‫أو ﻧﺮبﻂ بﲔ رؤوس اﻷعﻤدة ﲞﻄوط مسﺘﻘﻴﻤﺔ‪ ،‬وأﻳﻦ ﺗﺸكﻞ لﻨا شكﻞ مﺮﻓﻖ )‪ ،22 (Coude‬ﻓﻨﺘوﻗﻒ‬
‫عﻨد ﺗلﻚ الﻘﻴﻤﺔ الﺬاﺗﻴﺔ )اﳌﺮﻓﻖ ﻳﺆخﺬ(‪.‬‬
‫‪ ‬ﻣﻌﻴﺎر ﻛﻴزر ‪ :Kaiser‬خﺬ اﶈور العاملﻲ اﻷول ﻓﻘﻂ‪.‬‬
‫‪19‬‬
‫‪21‬‬
‫‪Alian Baccini, Philippe Besse, « Exploration Statistique », Institut National des Sciences Appliquées,‬‬
‫‪Toulouse, Juin 2020, p41.‬‬
‫‪22‬‬
‫‪Alian Baccini, Philippe Besse, Op-cit, p41.‬‬
‫‪- 25 -‬‬
‫∑‪ ،‬و لﺘاﱄ خﺬ اﶈور‬ ‫‪ ‬ﻣﻌﻴﺎر ﻧﺴﺒﺔ اﳌﺴﺘﻮي اﻷول‪ :‬لدﻳﻨا ‪∗ 100 = 81,6 > 80%‬‬
‫العاملﻲ اﻷول‪.‬‬
‫∑ أﻛﱪ مﻦ ‪ ،%15‬ﻓﻼ بد مﻦ إﻧﺸاء اﶈور العاملﻲ‬ ‫‪ ‬ﲟا أن ﻗﻴﻤﺔ الﻨسﺒﺔ ‪∗ 100 = 16,4‬‬
‫الﺜاﱐ‪.‬‬
‫‪ ‬ﻛﻞ ﻗﻴﻤﺔ ذاﺗﻴﺔ ﺗﻘابﻞ ﺗﺒاﻳﻦ ﻛلﻲ )‪ ،(Inertie‬ﻓكﻞ ﻗﻴﻤﺔ ذاﺗﻴﺔ ﻫﻲ ﲟﺜابﺔ ﺗﺒاﻳﻦ اﳌﺮﻛﺒﺔ الﺮﺋﻴسﻴﺔ اﳌﻘابلﺔ ﳍا‪.‬‬
‫‪ ‬إذا ﻛاﻧﺖ اﻻرﺗﺒاﻃات ﻗوﻳﺔ بﲔ اﳌﺘﻐﲑات‪ ،‬ﻓﺈن اﳌسﺘوي العاملﻲ اﻷول ﻳكفﻲ لﻼﺣﺘفاظ ﻛﱪ ﻗدر مﻦ‬
‫اﳌعلومات‪.‬‬
‫‪ ‬إذا ﻛاﻧﺖ اﻻرﺗﺒاﻃات مﺘوسﻄﺔ بﲔ اﳌﺘﻐﲑات‪ ،‬ﻓﻼ بد مﻦ اﶈور الﺜالﺚ )‪ (3ème Axe‬لﻼﺣﺘفاظ ﻛﱪ‬
‫ﻗدر مﻦ اﳌعلومات‪.‬‬
‫‪ ‬إذا ﻛان ﻫﻨاك ﺗﻘارب ﰲ ﻧسب الﺘﺒاﻳﻦ الكلﻲ اﳌفسﺮ ﶈاور العاملﻴﺔ )مﺜﻼ‪ :‬اﶈور‪ ،%27 1‬اﶈور‪2‬‬
‫‪ ،%25‬اﶈور‪ ،%23 3‬مﺜﻼ اﶈور‪ ،(... ،%18 4‬ﻓﺈن اﻻﻧﺘﻘال مﻦ ‪ k‬بعد إﱃ بعدﻳﻦ سﻴﺆدي إﱃ‬
‫ﻓﻘدان الكﺜﲑ مﻦ اﳌعلومات‪ ،‬وﻳكون اﳌسﺘوي العاملﻲ اﻷول ﻻ ﳝﺜﻞ الﺒﻴا ت اﻷﺻلﻴﺔ ﲤﺜﻴﻼ ﺟﻴدا‪.‬‬
‫ز‪ .‬اﻹﺳﻘﺎط ﻋﻠﻰ اﶈﺎور واﳌﺴﺘﻮ ت‪:‬‬
‫‪ .1‬إﺳﻘﺎط اﻷﻓﺮاد‪:‬‬
‫‪ ‬ﺣﺎﻟﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ ﻣﻌﻴﺎري‪:‬‬
‫إذا ﻛان ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ معﻴاري ) ﻻعﺘﻤاد على اﳌصفوﻓﺔ ‪ ،(R‬ﻓﺈن العﻼﻗﺔ الﱵ ﺗسﻤﺢ سﻘاط‬
‫اﻷﻓﺮاد على اﶈاور العاملﻴﺔ اﳉدﻳدة ﻫﻲ العﻼﻗﺔ الﺘالﻴﺔ‪:‬‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫×‬ ‫‪.‬‬ ‫×‬
‫ﻫﻲ‬ ‫×‬ ‫عدد اﳌﺘﻐﲑات‪ .‬و عدد اﶈاور الﱵ ﺗﺆخﺬ ﰲ الﺘحلﻴﻞ‪ .‬و‬ ‫ﺣﻴﺚ‪ :‬ﻫو عدد اﻷﻓﺮاد‪.‬‬
‫(= × ‪.‬‬ ‫‪ .‬إذا أخﺬ ﳏورﻳﻦ ﰲ الﺘحلﻴﻞ‪) :‬‬ ‫اﻷشعﺔ الﺬاﺗﻴﺔ للﻤصفوﻓﺔ ×‬
‫ﻧعﺘﻤد على العﻼﻗﺔ الﺘالﻴﺔ‪:‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0,56‬‬ ‫‪0,347 −0,157‬‬
‫‪0‬‬ ‫‪−1,05‬‬ ‫‪−0,56‬‬ ‫‪0,60 −0,44‬‬ ‫‪−0,88 −0,739‬‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫×‬ ‫‪.‬‬ ‫×‬ ‫=‬ ‫‪1,79‬‬ ‫‪1,58‬‬ ‫= ‪1,68 . 0,51 0,85‬‬ ‫‪2,92‬‬ ‫‪0,085‬‬
‫‪−0,6‬‬ ‫‪−1,05‬‬ ‫‪−0,56‬‬ ‫‪0,62 −0,28‬‬ ‫‪−1,24 −0,477‬‬
‫‪−1,2‬‬ ‫‪0,53‬‬ ‫‪−1,12‬‬ ‫‪−1,14 1,287‬‬
‫‪- 26 -‬‬
‫‪−0,157‬‬ ‫‪0,347‬‬
‫‪−0,739‬‬ ‫‪−0,88‬‬
‫ﲤﺜﻞ اﳌﺮﻛﺒﺔ الﺮﺋﻴسﻴﺔ الﺜاﻧﻴﺔ‪.‬‬ ‫=‬ ‫ﲤﺜﻞ اﳌﺮﻛﺒﺔ اﻷساسﻴﺔ اﻷوﱃ‪ .‬و ‪0,085‬‬ ‫=‬ ‫‪2,92‬‬ ‫ﺣﻴﺚ‪:‬‬
‫‪−0,477‬‬ ‫‪−1,24‬‬
‫‪1,287‬‬ ‫‪−1,14‬‬
‫‪ ‬ﺣﺎﻟﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ ﻏﲑ ﻣﻌﻴﺎري‪:‬‬
‫إذا ﻛان ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻏﲑ معﻴاري ) ﻻعﺘﻤاد على اﳌصفوﻓﺔ (‪ ،‬ﻓﺈن العﻼﻗﺔ الﱵ ﺗسﻤﺢ سﻘاط‬
‫اﻷﻓﺮاد على اﶈاور العاملﻴﺔ اﳉدﻳدة ﻫﻲ العﻼﻗﺔ الﺘالﻴﺔ‪:‬‬
‫× ‪. × = × .‬‬
‫ﻫو عدد اﻷﻓﺮاد‪ .‬عدد اﳌﺘﻐﲑات‪ .‬و عدد اﶈاور الﱵ ﺗﺆخﺬ ﰲ الﺘحلﻴﻞ‪.‬‬ ‫ﺣﻴﺚ‪:‬‬
‫ﻫﻲ اﻷشعﺔ الﺬاﺗﻴﺔ للﻤصفوﻓﺔ × ‪.‬‬ ‫و ×‬
‫‪2,8‬‬ ‫‪1,8‬‬ ‫‪2,8‬‬
‫‪. = 1,8‬‬ ‫‪3,6‬‬ ‫لدﻳﻨا مصفوﻓﺔ الﺘﺒاﻳﻦ اﳌﺸﱰك ‪ V‬ﻫﻲ‪2,2 :‬‬
‫‪2,8‬‬ ‫‪2,2‬‬ ‫‪3,2‬‬
‫ﺣﺴﺎب اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ‪:‬‬
‫سﻨﻘوم ﲝساب الﻘﻴم الﺬاﺗﻴﺔ اﻧﻄﻼﻗا مﻦ العﻼﻗﺔ‪|V − I| = 0 :‬‬
‫لدﻳﻨا‪:‬‬
‫‪2,8 1,8‬‬ ‫‪2,8‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪2,8 −‬‬ ‫‪1,8‬‬ ‫‪2,8‬‬
‫‪| −‬‬ ‫=|‬ ‫‪1,8 3,6‬‬ ‫‪2,2 − 0‬‬ ‫‪0‬‬ ‫‪= 1,8‬‬ ‫‪3,6 −‬‬ ‫‪2,2‬‬
‫‪2,8 2,2‬‬ ‫‪3,2‬‬ ‫‪0 0‬‬ ‫‪2,8‬‬ ‫‪2,2‬‬ ‫‪3,2 −‬‬
‫أي‪:‬‬
‫|‪.‬‬ ‫‪−‬‬
‫‪3,6 −‬‬
‫) ‪| = (2,8 −‬‬
‫‪2,2‬‬
‫‪2,2‬‬
‫‪3,2 −‬‬
‫)‪− (1,8‬‬
‫‪1,8‬‬ ‫‪2,2‬‬
‫‪2,8 3,2 −‬‬
‫)‪+ (2,8‬‬
‫‪1,8 3,6 −‬‬
‫‪2,8‬‬ ‫‪2,2‬‬
‫‪| − | = (2,8 − ) (3,6 − )(3,2 − ) − (2,2) − (1,8) 1,8(3,2 − ) − 2,8(2,2) +‬‬
‫) ‪(2,8) 1,8(2,2) − 2,8(3,6 −‬‬
‫)‪. = (2,8 − ) (3,6 − )(3,2 − ) − (2,2‬‬ ‫لﻴكﻦ‪:‬‬
‫‪= (2,8 − )(11,52 +‬‬ ‫‪− 6,8 − 4,84) = 32,25 + 2,8‬‬ ‫‪− 19,04 − 13,55 −‬‬ ‫لدﻳﻨا‪:‬‬
‫‪11,52 −‬‬ ‫‪+ 6,8‬‬ ‫‪+ 4,84‬‬
‫أي‪. = − + 9,6 − 25,72 + 18,7 :‬‬
‫لﻴكﻦ‪. = (1,8) 1,8(3,2 − ) − 2,8(2,2) :‬‬
‫‪= (1,8)(5,76 − 1,8‬‬ ‫لدﻳﻨا‪− 6,16) = 10,37 − 3,24 − 11,09 = −3,24 − 0,72 :‬‬
‫لﻴكﻦ‪. = (2,8) 1,8(2,2) − 2,8(3,6 − ) :‬‬
‫‪- 27 -‬‬
‫لدﻳﻨا‪= (2,8)(3,96 − 10,08 + 2,8 ) = 7,84 − 17,14 :‬‬

‫ومﻨﻪ‪:‬‬
‫‪| −‬‬ ‫‪|=−‬‬ ‫‪+ 9,6‬‬ ‫‪− 25,72 + 18,7 + 3,24 + 0,72 + 7,84 − 17,14 = −‬‬ ‫‪+‬‬
‫‪.9,6‬‬ ‫‪− 14,68 + 2,28‬‬
‫‪.| −‬‬ ‫‪|=−‬‬ ‫أي‪− 14,68 + 2,28 :‬‬
‫‪+ 9,6‬‬
‫ﻧسﻤﻲ‪.| − | = ( ) :‬‬
‫ﻫﻲ معادلﺔ مﻦ الدرﺟﺔ الﺜالﺜﺔ ﺗﻘﺒﻞ ﺛﻼث ﺣلول‪ ،‬سﻨحاول الﺒحﺚ عﻦ اﳊﻞ اﻷول‪ ،‬ﰒ اﳊلﲔ اﻵخﺮﻳﻦ‪.‬‬
‫لدﻳﻨا‪. ′( ) = −3 + 19,2 − 14,68 :‬‬
‫‪ ، Δ = (19,2) − 4(−3)(−14,68) = 368,64 − 176,16 = 192,48‬ومﻨﻪ‪:‬‬
‫‪.√Δ = 13,87‬‬
‫‪.‬‬ ‫‪ ،‬و ‪= 0,89‬‬ ‫ومﻨﻪ‪= 5,51 :‬‬
‫‪,‬‬ ‫‪,‬‬ ‫‪,‬‬ ‫‪,‬‬
‫=‬ ‫=‬
‫إذن‪:‬‬
‫‪< 0,89‬‬ ‫< ‪0,89‬‬ ‫‪< 5,51‬‬ ‫‪> 5,51‬‬
‫) (‪′‬‬ ‫سالﺒﺔ‬ ‫موﺟﺒﺔ‬ ‫سالﺒﺔ‬

‫) (‬ ‫مﻨﺘاﻗصﺔ‬ ‫مﺘﺰاﻳدة‬ ‫مﻨﺘاﻗصﺔ‬
‫لدﻳﻨا‪. (0,89) = −0,7 + 7,6 − 13,065 + 2,28 = −3,89 :‬‬
‫ولدﻳﻨا‪. (2) = −8 + 38,4 − 29,36 + 2,28 = 3,32 :‬‬
‫ﲟا أن ) ( مسﺘﻤﺮة ومﺘﺰاﻳدة على ا ال ‪ ، 0,89 , 2‬وﲟا أن ‪ ، (0,89). (2) < 0‬ﻓﺈن‬
‫‪ ( ) = 0‬ﺣسب ﻧﻈﺮﻳﺔ الﻘﻴم اﳌﺘوسﻄﺔ ﺗﻘﺒﻞ ﺣﻞ وﺣﻴد ﰲ ا ال ‪. 0,89 , 2‬‬
‫ﳓاول مﻊ بعﺾ الﻘﻴم اﶈصورة ﰲ ا ال ‪ ، 0,89 , 2‬ﻓﻨﺠد أن الﻘﻴﻤﺔ الﱵ ﺗﻨعدم عﻨدﻫا الدالﺔ ﻫﻲ ‪.1,68‬‬
‫لدﻳﻨا‪. (1,68) = −4,74 + 27,09 − 24,66 + 2,28 = 0 :‬‬
‫()‪.| − | = − + 9,6 − 14,68 + 2,28 = ( − 1,68‬‬ ‫‪+‬‬ ‫ومﻨﻪ‪+ ) :‬‬
‫()‪( − 1,68‬‬ ‫‪+‬‬ ‫=) ‪+‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫لدﻳﻨا‪:‬‬
‫‪− 1,68‬‬ ‫‪− 1,68‬‬ ‫‪− 1,68‬‬
‫=‪.‬‬ ‫‪+ ( − 1,68 ) + ( − 1,68 ) − 1,68‬‬
‫ﳌﻄابﻘﺔ ﳒد‪.−1,68 = 2,28 ⟹ = −1,357 :‬‬
‫و‪= − ⟹ = −1 :‬‬
‫و‪. − 1,68 = 9,6 ⟹ = 7,92 :‬‬
‫‪- 28 -‬‬
‫ومﻨﻪ‪.| − | = ( − 1,68)(− + 7,92 − 1,357) :‬‬

‫‪ ، Δ = (7,92) − 4(−1)(−1,357) = 62,726 − 5,428 = 57,298‬ومﻨﻪ‪:‬‬
‫‪.√Δ = 7,569‬‬
‫= ‪.‬‬ ‫= ‪ ،‬و ‪= 0,18‬‬ ‫ومﻨﻪ‪= 7,74 :‬‬
‫‪,‬‬ ‫‪,‬‬ ‫‪,‬‬ ‫‪,‬‬
‫‪.‬‬ ‫‪= 0,18 ،‬‬ ‫ومﻨﻪ ﺗوﺟد ﺛﻼث ﻗﻴم ذاﺗﻴﺔ ) لﱰﺗﻴب( ﻫﻲ‪= 1,68 ، = 7,74 :‬‬
‫اﻷﺷﻌـ ـ ــﺔ اﻟﺬاﺗﻴ ـ ـ ــﺔ‪:‬‬
‫‪.‬‬ ‫=‬ ‫لدﻳﻨا‪⟹ ( − ) = 0 :‬‬
‫‪2,8 1,8 2,8‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪2,8 −‬‬ ‫‪1,8‬‬ ‫‪2,8‬‬ ‫‪0‬‬
‫‪( −‬‬ ‫= )‬ ‫‪1,8 3,6 2,2 − 0‬‬ ‫‪0‬‬ ‫=‬ ‫‪1,8‬‬ ‫‪3,6 −‬‬ ‫‪2,2‬‬ ‫‪= 0‬‬
‫‪2,8 2,2 3,2‬‬ ‫‪0 0‬‬ ‫‪2,8‬‬ ‫‪2,2‬‬ ‫‪3,2 −‬‬ ‫‪0‬‬
‫‪:‬‬ ‫‪ -‬ﳌا ‪= 7,74‬‬
‫‪2,8 − 7,74‬‬ ‫‪1,8‬‬ ‫‪2,8‬‬ ‫‪−4,94‬‬ ‫‪1,8‬‬ ‫‪2,8‬‬ ‫‪0‬‬
‫‪( −‬‬ ‫)‬ ‫⟹‪=0‬‬ ‫‪1,8‬‬ ‫‪3,6 − 7,74‬‬ ‫‪2,2‬‬ ‫=‬ ‫‪1,8‬‬ ‫‪−4,14‬‬ ‫‪2,2‬‬ ‫‪= 0‬‬
‫‪2,8‬‬ ‫‪2,2‬‬ ‫‪3,2 − 7,74‬‬ ‫‪2,8‬‬ ‫‪2,2‬‬ ‫‪−4,54‬‬ ‫‪0‬‬
‫ﳓاول الﺒحﺚ عﻦ عامﻞ مﺸﱰك بﲔ اﻷسﻄﺮ لﻼخﺘﺰال‪ ،‬ﻓﻨﺠد أن بﻀﺮب اﳌعادلﺔ ‪ 2‬ﰲ ‪ 14‬واﳌعادلﺔ ‪ 3‬ﰲ ‪9‬‬
‫‪−4,94‬‬ ‫‪1,8‬‬ ‫‪2,8‬‬ ‫‪0‬‬
‫‪. 25,2 −57,96‬‬ ‫‪30,8‬‬ ‫ﺗصﺒﺢ‪= 0 :‬‬
‫‪25,2‬‬ ‫‪19,8‬‬ ‫‪−40,86‬‬ ‫‪0‬‬
‫ﻧﻄﺮح اﳌعادلﺔ ‪ 3‬مﻦ اﳌعادلﺔ ‪ 2‬ﻓﺘصﺒﺢ‪:‬‬
‫‪−4,94‬‬ ‫‪1,8‬‬ ‫‪2,8‬‬ ‫‪0‬‬
‫‪⟹ 25,2‬‬ ‫‪−57,96‬‬ ‫‪30,8‬‬ ‫‪= 0‬‬
‫‪0‬‬ ‫‪77,76‬‬ ‫‪−71,66‬‬ ‫‪0‬‬
‫لدﻳﻨا مﻦ اﳌعادلﺔ ‪77,76 = 71,66 :3‬‬
‫ومﻨﻪ‪. = 0,92 :‬‬
‫‪−4,94‬‬ ‫‪+ 1,66‬‬ ‫‪+ 2,8‬‬ ‫‪= 0 ⟹ −4,94‬‬ ‫‪+ 4,46‬‬ ‫ﻧعوض ﰲ اﳌعادلﺔ ‪ 1‬لﻨﺠد‪= 0 :‬‬
‫‪.‬‬ ‫‪= 0,9‬‬ ‫أي‪:‬‬
‫‪0,9‬‬ ‫‪0,9‬‬
‫‪= 0,92‬‬
‫=‬ ‫ومﻨﻪ‪ :‬الﺸعاع الﺬاﰐ اﻷول ﻫو ‪0,92‬‬
‫‪1‬‬
‫‖‬ ‫=‖‬ ‫ﳓسب ﻃاولﺔ الﺸعاع‪(0,9) + (0,92) + (1) = √2,66 = :‬‬
‫‪1,63 ≠ 1‬‬
‫ومﻨﻪ ﳔﺘار ﻗﻴﻤﺔ لـ ـ ﲝﻴﺚ ﻳكون الﺸعاع الﺬاﰐ معﻴاري )أي ﳛﻘﻖ‪( . = 1 :‬‬
‫‪- 29 -‬‬
‫‪.‬‬ ‫‖=‬ ‫‖‬

‫ﻫﻲ‪:‬‬
‫وﳉعﻞ الﺸعاع معﻴاري ﻳكفﻲ أن ﻧﻘسم ﻛﻞ ﻗﻴﻤﻪ على ﻃاولﺘﻪ‪ ،‬ﻓﺘكون ﻗﻴﻤﺔ الﺸعاع‬
‫‪0,9‬‬ ‫‪0,55‬‬
‫= ‪.‬‬ ‫ومﻨﻪ ﻓالﺸعاع الﺬاﰐ اﻷول ﻫو الﺸعاع ‪0,92 = 0,56‬‬
‫‪,‬‬
‫‪1‬‬ ‫‪0,61‬‬
‫‪−0,69‬‬ ‫‪−0,46‬‬
‫‪.‬‬ ‫وبﻨفﺲ الﻄﺮﻳﻘﺔ ﻧﺘحصﻞ على بﻘﻴﺔ اﻷشعﺔ الﺬاﺗﻴﺔ‪= −0,09 ، = 0,82 :‬‬
‫‪0,71‬‬ ‫‪−0,34‬‬
‫ولدﻳﻨا ﻛﺬلﻚ‪:‬‬
‫‪.‬‬ ‫‪= (0,55)(−0,46) + (0,56)(0,82) + (0,61)(−0,34) = −0,253 + 0,459 − 0,207 = 0‬‬
‫ﺗﺸكﻴﻞ ﺟﺪول اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ‪:‬‬
‫الﻨسﺒﺔ اﳌﺌوﻳﺔ الصاعدة )↑‪(%‬‬ ‫الﻨسﺒﺔ اﳌﺌوﻳﺔ )‪(%‬‬ ‫الﻘﻴم الﺬاﺗﻴﺔ ) (‬ ‫الﺮﻗم‬
‫∑‬
‫‪∗ 100 = 80,6‬‬ ‫∑‬
‫‪∗ 100 = 80,6‬‬ ‫‪7,74‬‬ ‫‪1‬‬
‫∑‬
‫‪∗ 100 = 98,1‬‬ ‫∑‬
‫‪∗ 100 = 17,5‬‬ ‫‪1,68‬‬ ‫‪2‬‬
‫∑‬
‫‪∗ 100 = 100‬‬ ‫∑‬
‫‪∗ 100 = 1,9‬‬ ‫‪0,18‬‬ ‫‪3‬‬
‫‪100‬‬ ‫∑‬ ‫‪= 9,6‬‬
‫ﲢﺪﻳﺪ ﻋﺪد اﶈﺎور اﻟﱵ ﺗﺆﺧﺬ ﰲ اﻟﺘﺤﻠﻴﻞ )‪:(Nombre d’axes à retenir‬‬
‫‪ ‬ﻣﻌﻴﺎر ﻛﻴزر ‪ : Kaiser‬خﺬ اﶈورﻳﻦ العاملﻴﲔ اﻷول والﺜاﱐ‪.‬‬
‫∑‪.‬‬ ‫‪ ‬ﻣﻌﻴﺎر ﻧﺴﺒﺔ اﳌﺴﺘﻮي اﻷول‪ :‬لدﻳﻨا ‪∗ 100 = 80,6 ≈ 80%‬‬
‫∑ أﻛﱪ مﻦ ‪ ،%15‬ﻓﻼ بد مﻦ إﻧﺸاء اﶈور العاملﻲ الﺜاﱐ‪.‬‬ ‫‪ ‬ﲟا أن ﻗﻴﻤﺔ الﻨسﺒﺔ ‪∗ 100 = 17,5‬‬
‫اﺳﻘﺎط اﻷﻓﺮاد‪:‬‬
‫ﻧعﺘﻤد على العﻼﻗﺔ الﺘالﻴﺔ‪:‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0,61 −0,34‬‬
‫‪0 −2‬‬ ‫‪−1‬‬ ‫‪0,55 −0,46‬‬ ‫‪−1,73 −1,3‬‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫×‬ ‫‪.‬‬ ‫×‬ ‫=‬ ‫‪3‬‬ ‫‪3‬‬ ‫= ‪3 . 0,56 0,82‬‬ ‫‪5,16‬‬ ‫‪0,06‬‬
‫‪−1 −2‬‬ ‫‪−1‬‬ ‫‪0,61 −0,34‬‬ ‫‪−2,28 −0,84‬‬
‫‪−2 1‬‬ ‫‪−2‬‬ ‫‪−1,76 2,42‬‬
‫‪- 30 -‬‬
‫‪−0,34‬‬ ‫‪0,61‬‬
‫‪−1,3‬‬ ‫‪−1,73‬‬
‫ﲤﺜﻞ اﳌﺮﻛﺒﺔ الﺮﺋﻴسﻴﺔ الﺜاﻧﻴﺔ‪.‬‬ ‫=‬ ‫ﲤﺜﻞ اﳌﺮﻛﺒﺔ اﻷساسﻴﺔ اﻷوﱃ‪ ،‬و ‪0,06‬‬ ‫=‬ ‫‪5,16‬‬ ‫ﺣﻴﺚ‪:‬‬
‫‪−0,84‬‬ ‫‪−2,28‬‬
‫‪2,42‬‬ ‫‪−1,76‬‬
‫‪ .2‬إﺳﻘﺎط اﳌﺘﻐﲑات‪:‬‬
‫‪ ‬ﺣﺎﻟﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ ﻣﻌﻴﺎري‪:‬‬
‫لﻨسﺒﺔ للﻤﺘﻐﲑات‪ ،‬ﻧﻘوم ﲝساب اﳌصفوﻓﺔ ‪) A‬بدﻻ مﻦ ﺣساب اﳌصفوﻓﺔ ‪ ،(R‬وﻓﻖ العﻼﻗﺔ الﺘالﻴﺔ‪:‬‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫×‬ ‫‪.‬‬ ‫×‬ ‫‪.‬‬ ‫×‬
‫(‬ ‫)‬
‫‪.‬‬ ‫ﻧعﺘﻤد على ﻧفﺲ مﺒدأ إسﻘاط اﻷﻓﺮاد‪ .‬والﻨﻈام الﺬي ﻧﺒحﺚ عﻦ ﺗعﻈﻴﻤﻪ ﻫو‪:‬‬
‫‪/ :‬‬ ‫‪=1‬‬
‫ﺣﻴﺚ ﲤﺜﻞ اﻷشعﺔ الﺬاﺗﻴﺔ للﻤصفوﻓﺔ ‪.‬‬
‫و سﺘﺨدام دالﺔ ﻻﻗﺮاﻧج )‪ (LANGRANGE‬ﻧصﻞ إﱃ ﻧفﺲ الﻨﺘﻴﺠﺔ الﱵ ﺗوﺻلﻨا إلﻴﻬا ﰲ ﺣالﺔ‬
‫اﻷﻓﺮاد‪ ،‬أي الﺒحﺚ عﻦ أﻛﱪ الﻘﻴم الﺬاﺗﻴﺔ )ﻧﺮمﺰ ﳍا ( للﻤصفوﻓﺔ ‪ .‬ﰒ ﻧسﺘﻨﺘج اﻷشعﺔ الﺬاﺗﻴﺔ وﻫﻲ‪. :‬‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫×‬ ‫‪.‬‬ ‫×‬ ‫‪ ‬ﰒ ﻧعﺘﻤد لﻺسﻘاط على العﻼﻗﺔ الﺘالﻴﺔ‪:‬‬
‫ﺣﻴﺚ‪ :‬ﻫو عدد اﻷﻓﺮاد‪ .‬عدد اﳌﺘﻐﲑات‪ .‬و عدد اﶈاور الﱵ ﺗﺆخﺬ ﰲ الﺘحلﻴﻞ‪.‬‬
‫⊥ ‪.‬‬ ‫( = × ‪ .‬ﺣﻴﺚ‪:‬‬ ‫إذا أخﺬ ﳏورﻳﻦ ﰲ الﺘحلﻴﻞ ﻓﺈن‪) :‬‬
‫‪.‬‬ ‫×‬ ‫(=‬ ‫⋯‬ ‫‪ ‬ﻛﻤا ﳝكﻦ اﻻعﺘﻤاد على العﺒارة الﺘالﻴﺔ لﻺسﻘاط‪) :‬‬
‫) ‪.( = 1,2, … ,‬‬ ‫=‬ ‫ﺣﻴﺚ ‪.‬‬
‫ﻫﻲ اﻷشعﺔ الﺬاﺗﻴﺔ اﳌواﻓﻘﺔ ﳍا‪.‬‬ ‫ﻫﻲ الﻘﻴم الﺬاﺗﻴﺔ للﻤصفوﻓﺔ ‪ ،‬و‬ ‫ﺣﻴﺚ‬
‫‪ ‬ﺣﺎﻟﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ ﻏﲑ ﻣﻌﻴﺎري‪:‬‬
‫إذا ﻛان ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ﻏﲑ معﻴاري ﻻعﺘﻤاد على اﳌصفوﻓﺔ الﺘﺒاﻳﻦ اﳌﺸﱰك ‪ ،‬ﻓﺈن اسﻘاط‬
‫اﳌﺘﻐﲑات ﻳكون وﻓﻖ ﻧفﺲ العﺒارة السابﻘﺔ‪:‬‬
‫) ‪.( = 1,2, … ,‬‬ ‫=‬ ‫‪.‬‬
‫مﻊ ﻫﻲ الﻘﻴم الﺬاﺗﻴﺔ للﻤصفوﻓﺔ ‪ ،‬و ﻫﻲ اﻷشعﺔ الﺬاﺗﻴﺔ اﳌواﻓﻘﺔ ﳍا‪.‬‬
‫لكﻦ بعد ذلﻚ‪ ،‬وللحصول على معامﻼت اﻻرﺗﺒاط بﲔ اﳌﺘﻐﲑات واﶈاور العاملﻴﺔ ﻧﻘوم بﻘسﻤﺔ اﻹسﻘاﻃات‬
‫‪. = 1,2, … ,‬‬ ‫ﺣﻴﺚ‪:‬‬ ‫=‬ ‫على اﻹﳓﺮاﻓات اﳌعﻴارﻳﺔ للﻤﺘﻐﲑات‪ ،‬أي‪:‬‬
‫√‬
‫‪- 31 -‬‬
‫‪ .3‬ﻋﺒﺎرات اﻻﻧﺘﻘﺎل‪:‬‬
‫ﺗوﺟد بعﺾ العﺒارات الﺮ ﺿﻴﺔ ﺗسﻤﺢ لﻨا ﻻﻧﺘﻘال مﻦ الصﻴغ الﺮ ﺿﻴﺔ ﳊساب إسﻘاط اﻷﻓﺮاد إﱃ الصﻴغ‬
‫الﺮ ﺿﻴﺔ ﳊساب إسﻘاط اﳌﺘﻐﲑات أو العكﺲ‪.‬‬
‫‪. = 1,2, … ,‬‬ ‫ﺣﻴﺚ‪:‬‬ ‫=‬ ‫‪. .‬‬ ‫‪ ‬عﺒارة أول اﻧﺘﻘال‪ :‬ﻫﻲ‪:23‬‬
‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫وﻫﺬا ﻳسﺘلﺰم أن‪:‬‬
‫‪. = 1,2, … ,‬‬ ‫ﺣﻴﺚ‪:‬‬ ‫=‬ ‫‪.‬‬ ‫ومﻨﻪ‪:‬‬
‫=‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪ ‬عﺒارة ﱐ اﻧﺘﻘال‪ :‬ﻫﻲ‪:‬‬
‫=‬ ‫‪.‬‬ ‫وﻫﺬا ﻳسﺘلﺰم أن‪:‬‬
‫×‬ ‫ﻓﺘكون‪= :‬‬ ‫) ‪.( = 1,2, … ,‬‬ ‫=‬ ‫‪.‬‬ ‫ومﻨﻪ‪:‬‬

‫(‪.‬‬ ‫⋯‬ ‫)‬
‫ﻣﻼﺣﻈﺔ‪ :‬ﻗﻴم إسﻘاط اﳌﻐﲑات ﺗعﱪ عﻦ معامﻼت اﻻرﺗﺒاط بﲔ اﳌﺘﻐﲑات واﶈاور العاملﻴﺔ‪ ،‬و لﺘاﱄ ﻓﺈن ﻫﺬﻩ‬
‫الﻘﻴم ﲤﺜﱠﻞ ﰲ داﺋﺮة مﺜلﺜﻴﺔ أو داﺋﺮة اﻻرﺗﺒاط )‪ ،(Cercle des corrélations‬ﻓﺘكون اﺣداﺛﻴﺔ اﳌﺘﻐﲑ‬
‫( أي )= ×‬ ‫مﺜﻼ على ﳏور الفواﺻﻞ ﻫﻲ معامﻞ ارﺗﺒاﻃﻪ ﳌﺮﻛﺒﺔ اﻷوﱃ )اﶈور العاملﻲ اﻷول‬
‫×‬ ‫(‪ ،‬واﺣداﺛﻴﺘﻪ على ﳏور الﱰاﺗﻴب ﻫﻲ معامﻞ ارﺗﺒاﻃﻪ ﳌﺮﻛﺒﺔ الﺜاﻧﻴﺔ =‬ ‫‪,‬‬
‫‪.24‬‬ ‫‪,‬‬
‫‪23‬‬
‫‪Ludovic Lebart, Alain Morineau, Marie Piron, op-cit, p41.‬‬
‫‪24‬‬
‫‪- 32 -‬‬
‫وﻫﺬﻩ الﻘﻴم ﻛﺬلﻚ ﳝكﻦ ﻗﻴاسﻬا بﺘﺠب )‪ (Cos‬الﺰاوﻳﺔ اﶈصورة بﲔ اﳌﺘﻐﲑ واﶈور العاملﻲ‪ ،‬ﻓكلﻤا ﻛاﻧﺖ الﺰاوﻳﺔ‬
‫ﺻﻐﲑة ﻛلﻤا ﻛاﻧﺖ ﲡب )‪ (cos‬ﻫﺬﻩ الﺰاوﻳﺔ ﻗﺮﻳﺒﺔ مﻦ ‪ ،1‬ﻓﻴكون ﻫﺬا اﳌﺘﻐﲑ مﺮﺗﺒﻂ ارﺗﺒاﻃا ﻛﺒﲑا ﺬا اﶈور العامﻲ‪.‬‬
‫)الﺘﻤﺜﻴﻞ ﰲ داﺋﺮة مﺜلﺜﻴﺔ(‪.‬‬ ‫= ) (‪ ،cos‬وﲟا أن الﺒﻴا ت ﳑﺮﻛﺰة وﳐﺘﺰلﺔ ﻓﺈن ‪= 1‬‬ ‫لدﻳﻨا‪:‬‬
‫= ‪) cos( ) = ℎ‬أي ﲡب الﺰاوﻳﺔ ﻫو معامﻞ اﻹرﺗﺒاط(‪.‬‬ ‫‪,‬‬ ‫ومﻨﻪ‪:‬‬
‫‪ ‬ﺣﺎﻟﺔ ﲢﻠﻴﻞ ﻣﺮﻛﺒﺎت رﺋﻴﺴﻴﺔ ﻣﻌﻴﺎري‪:‬‬
‫ﻫﻲ اﻷشعﺔ الﺬاﺗﻴﺔ اﳌواﻓﻘﺔ ﳍا‪.‬‬ ‫ﻫﻲ الﻘﻴم الﺬاﺗﻴﺔ للﻤصفوﻓﺔ ‪ ،‬و‬ ‫‪ .‬مﻊ‬ ‫=‬ ‫‪.‬‬ ‫لدﻳﻨا‪:‬‬
‫‪0,60‬‬ ‫‪0,60‬‬ ‫‪0,94‬‬
‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫ومﻨﻪ‪= 2,45. 0,51 = (1,565). 0,51 = 0,80 :‬‬
‫‪0,62‬‬ ‫‪0,62‬‬ ‫‪0,97‬‬
‫‪−0,44‬‬ ‫‪−0,44‬‬ ‫‪−0,31‬‬
‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫و‪= √0,49. 0,85 = (0,7). 0,85 = 0,60 :‬‬
‫‪−0,28‬‬ ‫‪−0,28‬‬ ‫‪−0,20‬‬
‫‪0,94 −0,31‬‬
‫‪.‬‬ ‫×‬ ‫(=‬ ‫ومﻨﻪ‪) = 0,80 0,60 :‬‬
‫‪0,97 −0,20‬‬
‫‪ ‬ﺣﺎﻟﺔ ﲢﻠﻴﻞ ﻣﺮﻛﺒﺎت رﺋﻴﺴﻴﺔ ﻏﲑ ﻣﻌﻴﺎري‪:‬‬
‫ﻫﻲ اﻷشعﺔ الﺬاﺗﻴﺔ اﳌواﻓﻘﺔ ﳍا‪.‬‬ ‫ﻫﻲ الﻘﻴم الﺬاﺗﻴﺔ للﻤصفوﻓﺔ ‪ ،‬و‬ ‫‪ .‬مﻊ‬ ‫=‬ ‫‪.‬‬ ‫لدﻳﻨا‪:‬‬
‫‪0,55‬‬ ‫‪0,55‬‬ ‫‪1,53‬‬
‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫ومﻨﻪ‪= √7,74. 0,56 = (2,78). 0,56 = 1,56 :‬‬
‫‪0,61‬‬ ‫‪0,61‬‬ ‫‪1,70‬‬
‫‪- 33 -‬‬
‫‪−0,46‬‬ ‫‪−0,46‬‬ ‫‪−0,6‬‬

‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫و‪= √1,68. 0,82 = (1,29). 0,82 = 1,06 :‬‬
‫‪−0,34‬‬ ‫‪−0,34‬‬ ‫‪−0,44‬‬
‫‪1,53 −0,6‬‬
‫(= × ‪.‬‬ ‫ومﻨﻪ‪) = 1,56 1,06 :‬‬
‫‪1,70 −0,44‬‬
‫بﻘسﻤﺔ ﻫﺬﻩ اﻹسﻘاﻃات على اﻹﳓﺮاﻓات اﳌعﻴارﻳﺔ للﻤﺘﻐﲑات ﳒد اﻻرﺗﺒاﻃات بﲔ اﳌﺘﻐﲑات واﶈاور العاملﻴﺔ‪:‬‬
‫‪−0,6‬‬ ‫‪1,53‬‬
‫‪√2,8‬‬ ‫‪−0,36‬‬ ‫‪√2,8‬‬ ‫‪0,91‬‬
‫=‬ ‫=‬
‫‪1,06‬‬
‫‪√3,6‬‬
‫‪= 0,56‬‬ ‫و‬ ‫=‬ ‫=‬
‫‪1,56‬‬
‫‪√3,6‬‬
‫‪= 0,82‬‬
‫√‬ ‫‪−0,25‬‬ ‫√‬ ‫‪0,95‬‬
‫‪−0,44‬‬ ‫‪1,70‬‬
‫‪√3,2‬‬ ‫‪√3,2‬‬
‫ح‪ .‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻠﻤﺘﻐﲑات وﻟﻸﻓﺮاد‪:‬‬

‫بعد ﲢدﻳد اﶈاور والﻘﻴام ﻹسﻘاط‪ ،‬ﻧﻘوم لﺘﻤﺜﻴﻞ الﺒﻴاﱐ للﻤﺘﻐﲑات واﻷﻓﺮاد‪.‬‬
‫‪ .1‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻠﻤﺘﻐﲑات‪:‬‬
‫ﲤﺜﻞ اﳌﺘﻐﲑات ﰲ داﺋﺮة مﺜلﺜﻴﺔ‪ ،‬ومﻦ ﻫﺬﻩ الداﺋﺮة اﳌﺜلﺜﻴﺔ ﳝكﻦ اسﺘﻨﺘاج ما ﻳلﻲ‪:‬‬
‫‪ ‬اﳌساﻓات بﲔ اﳌﺘﻐﲑات ﺗدل على اﻻرﺗﺒاط )‪.(corrélation‬‬
‫‪ ‬اﻻرﺗﺒاط بﲔ اﳌﺘﻐﲑات ﻳكون أﻛﺜﺮ دﻻلﺔ إﺣصاﺋﻴﺔ ﻛلﻤا ﻛاﻧﺖ الﻨﻘاط اﳌﻤﺜلﺔ ﳍﺬﻩ اﳌﺘﻐﲑات بعﻴدة عﻦ‬
‫اﳌﺒدأ )‪.(G‬‬
‫‪ ‬إذا ﻛان ﲤﺜﻴﻞ اﳌﺘﻐﲑات ﰲ الداﺋﺮة اﳌﺜلﺜﻴﺔ ﻗﺮﻳب مﻦ اﳌﺒدأ )أي ﱂ ﺗكﻦ ﻗﺮﻳﺒﺔ مﻦ ﳏﻴﻂ الداﺋﺮة( ‪ ،25‬ﻓﻼ‬
‫ﳝكﻦ ﺗﻔﺴﲑ ﻋﻼﻗﺔ اﻻرﺗﺒﺎط بﻴﻨﻬم‪ ،‬ﻷ م ﳝﺜلون أﻓﻀﻞ ﰲ ﳏاور عاملﻴﺔ أخﺮى‪.‬‬
‫‪25‬‬
‫‪- 34 -‬‬
‫‪ ‬إذا ﻛان اﳌﺘﻐﲑ ‪ j‬ﻗﺮﻳب مﻦ اﳌﺘﻐﲑ ’‪ j‬ﻓﻬﺬا ﻳدل على أن ﻫﺬان اﳌﺘﻐﲑان ﻣﱰاﺑﻄﺎن اﳚﺎﺑﻴﺎ )الﺰاوﻳﺔ اﶈصورة‬
‫بﻴﻨﻬﻤا لﻨسﺒﺔ للﻤﺒدأ ﺻﻐﲑة و لﺘاﱄ ﲡب )‪ (cos‬ﻫﺬﻩ الﺰاوﻳﺔ ﻳكون ﻗﺮﻳب مﻦ ‪.(1‬‬
‫‪ ‬إذا ﻛان اﳌﺘﻐﲑ ‪ j‬ﰲ اﳉﻬﺔ اﳌﻘابلﺔ مﻦ اﳌﺘﻐﲑ ’‪ j‬ﻓﻬﺬا ﻳدل على أن ﻫﺬان اﳌﺘﻐﲑان ﻣﱰاﺑﻄﺎن ﺳﻠﺒﻴﺎ )الﺰاوﻳﺔ اﶈصورة‬
‫بﻴﻨﻬﻤا لﻨسﺒﺔ للﻤﺒدأ ﻛﺒﲑة )ﻗﺮﻳﺒﺔ مﻦ ‪ (°180‬و لﺘاﱄ ﲡب )‪ (cos‬ﻫﺬﻩ الﺰاوﻳﺔ ﻳكون ﻗﺮﻳب مﻦ ‪.(-1‬‬
‫‪ ‬إذا ﻛان اﳌﺘﻐﲑ ‪ j‬بعﻴد عﻦ اﳌﺘﻐﲑ ’‪ j‬ﻓﻬﺬا ﻳدل على أن ﻫﺬان اﳌﺘﻐﲑان ﻏﲑ ﻣﱰاﺑﻄﺎن )الﺰاوﻳﺔ اﶈصورة بﻴﻨﻬﻤا‬
‫لﻨسﺒﺔ للﻤﺒدأ ﻗاﺋﻤﺔ )ﻗﺮﻳﺒﺔ مﻦ ‪ (°90‬و لﺘاﱄ ﲡب )‪ (cos‬ﻫﺬﻩ الﺰاوﻳﺔ ﻳكون ﻗﺮﻳب مﻦ ‪.(0‬‬
‫‪- 35 -‬‬

‫‪0,8‬‬
‫التمثيل البياني للمتغيرات‬
‫‪0,6‬‬
‫المحور العاملي الثاني‬
‫‪0,4‬‬
‫‪0,2‬‬
‫‪0‬‬
‫‪-0,2 0‬‬ ‫‪0,5‬‬ ‫‪1‬‬ ‫‪1,5‬‬
‫‪-0,4‬‬
‫المحور العاملي اﻷول‬
‫‪0,8‬‬ ‫التمثيل البياني للمتغيرات‬

‫‪0,6‬‬
‫‪0,4‬‬
‫‪0,2‬‬
‫‪0‬‬
‫‪-0,2 0,8‬‬ ‫‪0,85‬‬ ‫‪0,9‬‬ ‫‪0,95‬‬ ‫‪1‬‬
‫‪-0,4‬‬
‫‪-0,6‬‬
‫‪ .2‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻸﻓﺮاد‪:‬‬

‫مﻦ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ لﻸﻓﺮاد ﳝكﻦ اسﺘﻨﺘاج ما ﻳلﻲ‪:‬‬
‫‪ ‬اﳌساﻓات بﲔ اﻷﻓﺮاد ﺗدل على الﺘﺸابﻪ )‪.(Ressemblance‬‬
‫‪ ‬إذا ﻛان الفﺮد ‪ i‬ﻗﺮﻳب مﻦ الفﺮد ’‪ i‬ﻓﻬﺬا ﻳدل على أن ﻫﺬان الفﺮدان مﺘﺸا ان‪ ،‬أي خﺬان ﻗﻴﻤا‬
‫مﺘﻘاربﺔ على ﻛﻞ اﳌﺘﻐﲑات بﺸكﻞ عام‪.‬‬
‫‪- 36 -‬‬
‫‪ ‬إذا ﻛان الفﺮد ‪ i‬بعﻴد عﻦ الفﺮد ’‪ i‬ﻓﻬﺬا ﻳدل على أن ﻫﺬان الفﺮدان ﳐﺘلفان‪ ،‬أي خﺬان ﻗﻴﻤا‬
‫مﺘﺒاعدة على ﻛﻞ اﳌﺘﻐﲑات بﺸكﻞ عام‪.‬‬
‫‪ ‬اﻷﻓﺮاد الﻘﺮﻳﺒﺔ مﻦ اﳌﺒدأ )‪ (G‬ﻫﻲ اﻷﻓﺮاد الﱵ ﻗﻴﻤﻬا عﻨد ﲨﻴﻊ اﳌﺘﻐﲑات ﻗﺮﻳﺒﺔ مﻦ اﳌﺘوسﻂ بﺸكﻞ عام‪.‬‬

‫التمثيل البياني لﻸفراد‬

‫‪1,5‬‬
‫‪1‬‬
‫‪0,5‬‬
‫‪0‬‬
‫‪-2‬‬ ‫‪-1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪-0,5‬‬
‫‪-1‬‬
‫‪- 37 -‬‬
‫لﻸفراد‬
‫‪3‬‬
‫التمثيل البياني‬
‫‪2,5‬‬
‫‪2‬‬
‫‪1,5‬‬
‫‪1‬‬
‫‪0,5‬‬
‫‪0‬‬
‫‪-4‬‬ ‫‪-2‬‬ ‫‪-0,5 0‬‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪6‬‬
‫‪-1‬‬
‫‪-1,5‬‬
‫‪ .3‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ اﳌﺸﱰك ﻟﻸﻓﺮاد واﳌﺘﻐﲑات‪:‬‬

‫مﻦ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ اﳌﺸﱰك لﻸﻓﺮاد واﳌﺘﻐﲑات ﳝكﻦ اسﺘﻨﺘاج ما ﻳلﻲ‪:‬‬
‫‪ ‬الفﺮد سﻴكون ﻗﺮﻳب )ﻧفﺲ اﳉاﻧب( مﻦ اﳌﺘﻐﲑات الﱵ لﻪ ﻗﻴم ﻛﺒﲑة عﻨدﻫا‪ ،‬و لعكﺲ سﻴكون بعﻴد‬
‫)مﻦ اﳉاﻧب اﳌﻘابﻞ( مﻦ اﳌﺘﻐﲑات الﱵ لﻪ ﻗﻴم ﺻﻐﲑة عﻨدﻫا‪.26‬‬
‫‪ ‬ﺗﻘارب ﻧﻘﻄﺔ ﻓﺮد مﻦ ﻧﻘﻄﺔ مﺘﻐﲑ ﰲ ﻧفﺲ اﶈور العاملﻲ‪ ،‬ﺗدل على أن ﻫﺬا اﳌﺘﻐﲑ لﻪ دور ﻛﺒﲑ ﰲ‬
‫ﺗفسﲑ سلوك ذلﻚ الفﺮد بﺸكﻞ إﳚاﰊ‪ ،‬أما إذا ﻛا مﺘﻘابلﲔ على ﻧفﺲ اﶈور العاملﻲ‪ ،‬ﻓﻬﺬا ﻳدل‬
‫على أن ﻫﺬا اﳌﺘﻐﲑ لﻪ دور ﻛﺒﲑ ﰲ ﺗفسﲑ سلوك ذلﻚ الفﺮد ﻛﺬلﻚ لكﻦ بﺸكﻞ سلﱯ )عكسﻲ(‪.‬‬
‫‪ ‬وﳝكﻦ ﺗلﺨﻴﺺ العﻼﻗﺔ بﲔ اﳌﺘﻐﲑات واﻷﻓﺮاد وﻓﻖ الﺘﻤﺜﻴﻞ اﳌواﱄ‪:‬‬
‫لﻴكﻦ لدﻳﻨا ﲬﺲ مﺘﻐﲑات ﳑﺜلﺔ ﰲ الداﺋﺮة اﳌﺜلﺜﻴﺔ الﺘالﻴﺔ‪:‬‬
‫‪26‬‬
‫‪- 38 -‬‬
‫مﱰابﻄان إﳚابﻴا ﻛﺬلﻚ‪.‬‬ ‫و‬ ‫مﱰابﻄان إﳚابﻴا‪ ،‬ﻛﻤا أن‬ ‫و‬ ‫ﻧسﺘﻨﺘج مﻦ الﺘﻤﺜﻴﻞ السابﻖ أن‬
‫مﱰابﻄان سلﺒﻴا‪ .‬ﻛﻤا ﻳﺘﺒﲔ أﻧﻪ ﻻ ﻳوﺟد ﺗﺮابﻂ بﲔ ﻛﻞ ﻫﺬﻩ اﳌﺘﻐﲑات السابﻘﺔ )‬ ‫و‬ ‫لكﻦ مﺜﻼ‬
‫)ﻛﻞ اﳌﺘﻐﲑات ﻏﲑ مﺮﺗﺒﻄﺔ ﳌﺘﻐﲑ (‪.‬‬ ‫و ( واﳌﺘﻐﲑ‬ ‫و‬ ‫و‬
‫ﺗفسﲑ العﻼﻗات بﲔ اﻷﻓﺮاد واﳌﺘﻐﲑات ﺗﺒعا لﺘﻤﺮﻛﺰﻫم على اﶈاور العاملﻴﺔ وﻓﻖ الﺸكﻞ اﳌواﱄ‪:‬‬
‫ﳑا ﻳﻼﺣﻆ ﻛﺬلﻚ أﻧﻪ مﺜﻼ اﻷﻓﺮاد اﳌوﺟودة أسفﻞ الﺸكﻞ )عﻨد (‪ ،‬ﻻ ﻧفسﺮ ﻗﻴﻤﻬا عﻨد اﳌﺘﻐﲑات ) و و‬
‫و ( ﻷن ﻫﺬﻩ اﻷﻓﺮاد خﺬ ﻗﻴﻤا مﺘوسﻄﺔ )‪ (valeurs moyennes‬عﻨد ﻫﺬﻩ اﳌﺘﻐﲑات )ﻗﻴم ﻗﺮﻳﺒﺔ مﻦ ‪.(G‬‬
‫‪ .3‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ ﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ ﻋﻠﻰ ﺑﺮ ﻣج ‪SPSS‬‬

‫اﳌﺜال الﺘﻄﺒﻴﻘﻲ ﳜﺺ ﻧفﻘات الﺘﺠﻬﻴﺰ ) لدﻳﻨار اﳉﺰاﺋﺮي( ﳌﺨﺘلﻒ الﻘﻄاعات )‪ 7‬ﻗﻄاعات(‪ ،‬اﳋاﺻﺔ‬
‫ﳉﺰاﺋﺮ‪ ،‬خﻼل الفﱰة اﳌﻤﺘدة مﻦ سﻨﺔ ‪ 1985‬إﱃ سﻨﺔ ‪ 34) 2018‬سﻨﺔ(‪.‬‬
‫أ‪ .‬اﳋﻄﻮات ﻋﻠﻰ ﺑﺮ ﻣج ‪:SPSS‬‬
‫للﻘﻴام بـ ـ ‪ ACP‬على بﺮ مج ‪ SPSS‬ﻧﺘﺒﻊ اﳋﻄوات الﺘالﻴﺔ‪:‬‬
‫‪ (1‬بعد ﻓﺘﺢ بﺮ مج ‪ SPSS‬على الصفحﺔ الﱵ ﲢﺘوي بﻴا ت الدراسﺔ‪ ،‬ﻧﺬﻫب إﱃ شﺮﻳﻂ الﻘواﺋم‬
‫‪ (2‬ﰲ شﺮﻳﻂ الﻘواﺋم ﳔﺘار لﱰﺗﻴب الﺘاﱄ‪:‬‬
‫‪- 39 -‬‬
‫‪Analyse‬‬ ‫‪Réduction des dimensions‬‬ ‫‪Analyse‬‬

‫‪factorielle‬‬
‫‪ (3‬ﻓﻴﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬
‫‪ (4‬مﻦ خﻼل ﻫﺬﻩ الﻨاﻓﺬة ﳔﺘار‪:‬‬

‫‪ ‬اﳌﺘﻐﲑات )‪ :(Variables‬ﻧﻘوم بﻨﻘﻞ اﳌﺘﻐﲑات الﱵ سﻨﻘوم بﺘﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ ‪ ACP‬علﻴﻬا مﻦ الﻴسار‬
‫إﱃ مسﺘﻄﻴﻞ اﳌﺘﻐﲑات )‪(Variables‬‬
‫‪ :Caractéristiques ‬عﻨد الﻀﻐﻂ علﻴﻬا ﻳﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬
‫ﻧﻈلﻞ ﰲ ﻫﺬﻩ الﻨاﻓﺬة اﳋا ت الﺘالﻴﺔ‪:‬‬

‫‪ ‬اﻹﺣصاﺋﻴات )‪ :(Statistiques‬ﻧﻈلﻞ على )‪ (Caractéristiques univariées‬و‪/‬أو‬
‫)‪(Structure initiale‬‬
‫‪- 40 -‬‬
‫‪ ‬مصفوﻓﺔ اﻻرﺗﺒاط )‪ :(Matrice de corrélation‬ﻧﻈلﻞ خاﺻﺔ على اﳌعامﻼت‬

‫)‪ (Coefficients‬ومﺆشﺮ ‪Indice KMO et test de ) Kaiser-Meyer-Olkin‬‬
‫‪ ،(sphéricité de Bartlett‬وﻫو مﺆشﺮ لﻘﻴاس ﺟودة الﺘحلﻴﻞ‪.‬‬
‫لﻨسﺒﺔ ﳌﺆشﺮ ‪ ،KMO‬إذا ﻛاﻧﺖ ﻗﻴﻤﺔ اﳌﺆشﺮ أﻛﱪ مﻦ ‪ 0,7‬ﻓالﺘحلﻴﻞ ﺻاﱀ )‪ ،(valide‬وإذا ﻛان‬
‫بﲔ ‪ 0,6‬و ‪ 0,69‬ﻓالﺘحلﻴﻞ ﺿعﻴﻒ الصﻼﺣﻴﺔ‪ ،‬أما إذا ﻛان أﺻﻐﺮ مﻦ ‪ 0,5‬ﻓالﺘحلﻴﻞ ﻏﲑ ﺻاﱀ‪.27‬‬
‫أما لﻨسﺒﺔ ﻻخﺘﺒار ‪ ،Bartlett‬ﻓﻬو ﻳعﺘﻤد ﻫﺬا اﻻخﺘﺒار على الفﺮﺿﻴﺘﲔ الﺘالﻴﺘﲔ‪:‬‬
‫‪ -‬الفﺮﺿﻴﺔ الصفﺮﻳﺔ‪ :‬ﻻ ﺗوﺟد ارﺗﺒاﻃات معﻨوﻳﺔ بﲔ اﳌﺘﻐﲑات ) = (‪.‬‬
‫‪ -‬الفﺮﺿﻴﺔ الﺒدﻳلﺔ‪ :‬ﻳوﺟد على اﻷﻗﻞ ارﺗﺒاط معﻨوي بﲔ اﳌﺘﻐﲑات‪ ،‬أي مصفوﻓﺔ اﻻرﺗﺒاط ﳐﺘلفﺔ‬
‫عﻦ مصفوﻓﺔ الوﺣدة ) ≠ ( ‪.28‬‬
‫‪ :Extraction ‬عﻨد الﻀﻐﻂ علﻴﻬا ﻳﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬
‫ﳔﺘار أو ﻧﻈلﻞ ﰲ ﻫﺬﻩ الﻨاﻓﺬة اﳋا ت الﺘالﻴﺔ‪:‬‬

‫‪ ‬الﻄﺮﻳﻘﺔ )‪ :(Méthode‬وﳔﺘار مﻨﻬا ﻃﺮﻳﻘﺔ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ) ‪Composantes‬‬
‫‪(principales‬‬
‫‪ ‬ﲢلﻴﻞ )‪ :(Analyse‬وﳔﺘار ﻫﻞ ﻳكون الﺘحلﻴﻞ ﲟصفوﻓﺔ اﻻرﺗﺒاط ) ‪Matrice de‬‬
‫‪ ،(corrélation‬أو ﲟصفوﻓﺔ الﺘﺒاﻳﻦ اﳌﺸﱰك )‪(Matrice de covariance‬‬
‫‪ ‬العﺮض ‪:Affichage‬‬
‫‪ :Structure factorielle sans rotation ‬ﳔﺘارﻫا لعﺮض اﶈاور بدون ﺗدوﻳﺮ‪.‬‬
‫‪ :Tracés d’effondrement ‬ﳔﺘارﻫا للعﺮض الﺒﻴاﱐ للﻘﻴم الﺬاﺗﻴﺔ‪.‬‬
‫‪27‬‬
‫‪28‬‬
‫‪- 41 -‬‬
‫‪ ‬اسﺘﺨﺮاج )‪ :(Extraction‬ﳔﺘار‪:‬‬
‫‪ ‬إما ‪ :Basée sur la valeur propre‬ﻧعﺘﻤد على الﻘﻴم الﺬاﺗﻴﺔ ﻻخﺘﻴار اﶈاور‬
‫العاملﻴﺔ )مﺜﻼ ﳔﺘار اﶈاور اﳌواﻓﻘﺔ للﻘﻴم الﺬاﺗﻴﺔ اﻷﻛﱪ مﻦ ‪ 1‬ﻓﻘﻂ(‪.‬‬
‫‪ ‬أو ‪ :Nombre fixe de facteurs‬بﺘحدﻳد عدد العوامﻞ بﻐﺾ الﻨﻈﺮ عﻦ الﻘﻴم‬
‫الﺬاﺗﻴﺔ‪.‬‬
‫‪ :Nombre maximal d’itérations pour convergence ‬ﺗسﻤﺢ لﻨا بﺘحدﻳد‬
‫الﻘﻴﻤﺔ الﻘصوى لعدد الﺘكﺮارات الﱵ ﻳﻘوم ا الﱪ مج )خوارزمﻴﺔ اﳊساب( ﻹﳚاد اﳊﻞ‪.‬‬
‫‪ ‬ﰒ ﻧﻀﻐﻂ على مﺘابعﺔ )‪.(Poursuivre‬‬
‫‪ ‬اﻟﺘﺪوﻳﺮ )‪ :(Rotation‬عﻨد الﻀﻐﻂ علﻴﻬا ﻳﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬

‫‪ ‬الﻄﺮﻳﻘﺔ )‪ :(Méthode‬وﳔﺘار مﻨﻬا إﺣدى ﻃﺮق ﺗدوﻳﺮ العوامﻞ‪ ،‬وﻫﻲ‪:‬‬
‫‪ :None ‬وﻫﻲ الﻄﺮﻳﻘﺔ اﻻﻓﱰاﺿﻴﺔ للﺘحلﻴﻞ‬
‫‪ :Varimax ‬وﻫﻲ ﻃﺮﻳﻘﺔ ﺗدوﻳﺮ عﻤودﻳﺔ )‪ ،(Orthogonale‬والﱵ ﺗصﻐﺮ عدد اﳌﺘﻐﲑات‬
‫الﱵ ﳍا ﺗﻐﲑات ﻛﺒﲑة على ﻛﻞ ﳏور عاملﻲ‪.‬‬
‫‪ :Oblimin directe ‬وﻫﻲ ﻃﺮﻳﻘﺔ ﺗدوﻳﺮ ﻏﲑ عﻤودﻳﺔ بﻞ ماﺋلﺔ )‪ ،(oblique‬ﻓﺘكون‬
‫اﳊلول اﳌﻘﱰرﺣﺔ ﻫﻲ اﻷﻛﺜﺮ َمﻴَاﻻً‪.‬‬
‫‪ :Quartimax ‬وﻫﻲ ﻃﺮﻳﻘﺔ ﺗدوﻳﺮ ﲣﺘﺰل عدد اﶈاور العاملﻴﺔ اﳌﻄلوبﺔ لﺘفسﲑ ﻛﻞ مﺘﻐﲑ‪.‬‬
‫‪ :Equamax ‬وﻫﻲ ﻃﺮﻳﻘﺔ ﺗدوﻳﺮ ﲡﻤﻊ بﲔ ﻃﺮﻳﻘﺔ ‪ Varimax‬وﻃﺮﻳﻘﺔ ‪.Quartimax‬‬
‫‪ :Promax ‬وﻫﻲ ﻃﺮﻳﻘﺔ ﺗدوﻳﺮ ماﺋلﺔ )‪ ،(oblique‬والﱵ ﺗسﻤﺢ للﻤحاور العاملﻴﺔ أن ﺗكون‬
‫مﱰابﻄﺔ‪.‬‬
‫‪- 42 -‬‬
‫‪ ‬العﺮض )‪ :(Affichage‬ﳔﺘار مﻨﻬا‪:‬‬

‫‪ :Structure après rotation ‬لعﺮض الﺒﻨﻴﺔ اﳉدﻳدة بعد الﺘدوﻳﺮ‪.‬‬
‫‪ :Carte(s) factorielle(s) ‬لعﺮض اﳋﺮﻳﻄﺔ العاملﻴﺔ‪.‬‬
‫‪ :Scores ‬عﻨد الﻀﻐﻂ علﻴﻬا ﻳﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬

‫‪ ‬ﺣفﻆ العوامﻞ ﻛﻤﺘﻐﲑات )‪ :(Enregistrer dans des variables‬ﺗسﻤﺢ ﻧﺸاء مﺘﻐﲑ ﺟدﻳد‬
‫لكﻞ ﳏور عاملﻲ‪ .‬وﺗوﺟد ﺛﻼث ﻃﺮق ﳐﺘلفﺔ ﳊساب ﻗﻴم ﻫﺬﻩ اﳌﺘﻐﲑات اﳉدﻳدة‪،Régression :‬‬
‫‪.Anderson-Rubin ،Bartlett‬‬
‫‪ :Afficher la matrice des scores factoriels ‬ﺗسﻤﺢ بعﺮض اﳌعامﻼت اﳌﻀﺮوبﺔ ﰲ‬
‫اﳌﺘﻐﲑات ﳊساب ﻗﻴم اﳌﺘﻐﲑات اﳉدﻳدة )اﳌواﻓﻘﺔ للﻤحاور العاملﻴﺔ(‪.‬‬
‫‪ :Options ‬عﻨد الﻀﻐﻂ علﻴﻬا ﻳﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬
‫‪- 43 -‬‬
‫ﻧﻈلﻞ مﻦ ﻫﺬﻩ الﻨاﻓﺬة اﳋا ت الﺘالﻴﺔ‪:‬‬

‫‪ ‬الﻘﻴم اﳌفﻘودة )‪ :(Valeurs manquantes‬ﺗسﻤﺢ لﻨا ﲢدﻳد ﻃﺮﻳﻘﺔ الﺘعامﻞ مﻊ الﻘﻴم اﳌفﻘودة‬
‫ﰲ ﺟدول الﺒﻴا ت‪ ،‬وﳔﺘار مﻨﻬا إﺣدى اﳋﻴارات الﺘالﻴﺔ‪:‬‬
‫‪ :exclure toute observation incomplète ‬ﺣﺬف )إﻗصاء( ﻛﻞ اﳌﺸاﻫدات ﻏﲑ‬
‫الكاملﺔ‪.‬‬
‫‪ :Exclure seulement les composantes non valides ‬ﳓﺬف ﻓﻘﻂ اﳌﺮﻛﺒات‬
‫ﻏﲑ الصاﳊﺔ‪.‬‬
‫‪ :Remplacer par la moyenne ‬اسﺘﺒدال الﻘﻴﻤﺔ اﳌفﻘودة ﳌﺘوسﻂ‪.‬‬
‫‪ ‬شكﻞ عﺮض اﳌعامﻼت )‪ :(Format d’affichage des coefficients‬ﳔﺘار‪:‬‬
‫‪ :Classement des variables par taille ‬لﱰﺗﻴب اﳌﺘﻐﲑات ﲝسب اﳊﺠم ﰲ اﳌصفوﻓﺔ‬
‫‪ ‬و‪/‬أو ‪ :Supprimer les faibles coefficients‬ﺣﺬف اﳌعامﻼت ذات الﻘﻴم الصﻐﲑة‬
‫)إذا ﻛاﻧﺖ ﻗﻴﻤﺔ اﳌعامﻞ أﻗﻞ مﻦ ‪ 0,10‬مﺜﻼ ﻓﺈ ا ﲢﺬف(‪.‬‬
‫ب‪ .‬ﳐﺮﺟﺎت اﳌﺜﺎل اﻟﺘﻄﺒﻴﻘﻲ واﻟﺘﻌﻠﻴﻖ ﻋﻠﻴﻬﺎ‪:‬‬
‫‪ (1‬اﻹﺣﺼﺎﺋﻴﺎت اﻟﻮﺻﻔﻴﺔ )‪:(Statistiques descriptives‬‬
‫ﻳُﻈﻬﺮ اﳉدول السابﻖ اﳌﺘوسﻄات واﻻﳓﺮاﻓات اﳌعﻴارﻳﺔ للﻤﺘﻐﲑات السﺒعﺔ اﳌدروسﺔ ﻹﺿاﻓﺔ إﱃ عدد‬
‫اﳌﺸاﻫدات )‪ 34‬مﺸاﻫدة(‪.‬‬
‫ﻳﺘﺒﲔ مﻦ اﳌﺘوسﻄات أن ﻧفﻘات الﺘﺠﻬﻴﺰ لﻘﻄاع الصﻨاعﺔ ﻫﻲ اﻷﺿعﻒ‪ ،‬وأﻛﱪ الﻨفﻘات ﻫﻲ لﻘﻄاع‬
‫اﳌﻨﺸﺂت الﻘاعدﻳﺔ اﻻﻗﺘصادﻳﺔ واﻹدارﻳﺔ‪.‬‬
‫ﻛﻤا ﻳﺘﻀﺢ مﻦ اﻻﳓﺮاﻓات اﳌعﻴارﻳﺔ أن ﻧفﻘات الﺘﺠﻬﻴﺰ لﻘﻄاع اﳌﻨﺸﺂت الﻘاعدﻳﺔ اﻻﻗﺘصادﻳﺔ واﻹدارﻳﺔ ﻫﻲ‬
‫اﳌسﺆولﺔ عﻦ ﺗﺸﺘﺖ )ﺗﺒعﺜﺮ( اﻷﻓﺮاد ﰲ سحابﺔ الﻨﻘاط )اﳌسﺘوي العاملﻲ(‪ ،‬ﻷن ﳍا أﻛﱪ ﺗﺒاﻳﻦ‪.‬‬
‫‪- 44 -‬‬
‫‪ (2‬ﻣﺼﻔﻮﻓﺔ اﻻرﺗﺒﺎط )‪:(Matrice de corrélation‬‬
‫ﺗسﻤﺢ مصفوﻓﺔ اﻻرﺗﺒاط بدراسﺔ اﻻرﺗﺒاﻃات بﲔ ﳐﺘلﻒ اﳌﺘﻐﲑات‪ ،‬وﳝكﻦ ﺗفسﲑ اﻻرﺗﺒاﻃات على ﻧوعﲔ‪:‬‬
‫‪ ‬اﻻرﺗﺒﺎط ﺑﺸكﻞ ﻋﺎم‪:‬‬
‫‪ ‬ﻳﺘﻀﺢ أن اﻻرﺗﺒاﻃات بﺸكﻞ عام ﻗوﻳﺔ )ﻏالﺒﻬا أﻛﱪ مﻦ ‪ ،(0,6‬ﻓﻴكون اﻻﻧﺘﻘال مﻦ ‪ 7‬أبعاد إﱃ ‪ 2‬أو‬
‫‪ 3‬بُعد ﺟﻴد‪ ،‬ﺣﻴﺚ أن ﻫﺬا اﻻﻧﺘﻘال لﻦ ﻳﺆدي إﱃ ﻓﻘدان معلومات ﻛﺜﲑة‪.‬‬
‫‪ ‬ﲟا أن اﻻرﺗﺒاﻃات بﺸكﻞ عام ﻗوﻳﺔ بﲔ اﳌﺘﻐﲑات‪ ،‬ﻓﺈن اﳌسﺘوي العاملﻲ اﻷول )اﶈور ‪ 1‬واﶈور ‪(2‬‬
‫سﻴكون ﻛاﻓﻴا لﻼﺣﺘفاظ ﻛﱪ ﻗدر مﻦ اﳌعلومات‪.‬‬
‫‪ ‬اﻻرﺗﺒﺎط ﺑﺸكﻞ ﻣﻔﺼﻞ‪:‬‬
‫‪ ‬ﻧﻼﺣﻆ وﺟود ارﺗﺒاط ﻗوي موﺟب بﲔ ﻏالب اﳌﺘﻐﲑات‪ ،‬ﻓكﻞ مﺘﻐﲑﻳﻦ مﱰابﻄﲔ بﻘوة‪ ،‬وﻫﺬا ما ﳚعﻞ ﻫﺬﻩ‬
‫اﳌﺘﻐﲑات ﺗﺘﺠﻤﻊ ﰲ ﻧفﺲ اﶈور العاملﻲ‪ ،‬ماعدا مﺘﻐﲑ ﻧفﻘات الﺘﺠﻬﻴﺰ لﻘﻄاع الصﻨاعﺔ‪ ،‬ﻓﻬو مﺮﺗﺒﻂ‬
‫بدرﺟﺔ ﺿعﻴفﺔ مﻊ ﻛﻞ اﳌﺘﻐﲑات اﻷخﺮى‪ ،‬ﻓﻴكون ﳑﺜﻞ ﰲ ﳏور عاملﻲ أخﺮ‪.‬‬
‫‪ (3‬ﻣﺆﺷﺮ ‪ KMO‬واﺧﺘﺒﺎر ‪ Bartlett‬وﻧﻮﻋﻴﺔ اﻟﺘﻤﺜﻴﻞ‪:‬‬
‫‪ ‬مﺆشﺮ ‪ :KMO‬ﻳﻘﻴﺲ ﻫﺬا اﳌﺆشﺮ دﻗﺔ اﳌعاﻳﻨﺔ )‪.(précision de l'échantillonnage‬‬

‫ﻧﻼﺣﻆ أن ﻗﻴﻤﺔ مﺆشﺮ ‪ KMO‬والﱵ ﺗساوي ‪ 0,765‬أﻛﱪ مﻦ ‪ ،0,6‬وﻫﺬا ﻳعﲏ أن الﻘﻴاس ذو‬
‫ﺟودة ﺟﻴدة‪ .‬أي أن ﻫﺬا الﺘحلﻴﻞ العاملﻲ ﻗام خﺘﺰال العوامﻞ ﲜودة عالﻴﺔ‪.‬‬
‫‪ ‬اخﺘﺒار ‪ :Bartlett‬ﻳعﺘﻤد ﻫﺬا اﻻخﺘﺒار على الفﺮﺿﻴﺔ الصفﺮﻳﺔ‪ :‬ﻻ ﺗوﺟد ارﺗﺒاﻃات معﻨوﻳﺔ بﲔ‬
‫اﳌﺘﻐﲑات ) = (‪.‬‬
‫‪- 45 -‬‬
‫اﻻﺣﺘﻤال )‪ (Signification=0,00‬أﺻﻐﺮ مﻦ ‪ ،0,05‬و لﺘاﱄ ﻧﺮﻓﺾ الفﺮﺿﻴﺔ الصفﺮﻳﺔ‪ .‬وﻫﺬا‬

‫ما ﻳدل على أﻧﻪ ﻳوﺟد على اﻷﻗﻞ ارﺗﺒاط معﻨوي بﲔ اﳌﺘﻐﲑات‪.‬‬
‫‪ ‬ﻧوعﻴﺔ الﺘﻤﺜﻴﻞ )‪:(Qualité de représentation‬‬
‫ﻳﺘﺒﲔ مﻦ اﳉدول أن ﻗﻴم ﲨﻴﻊ اﳌﺘﻐﲑات بعد ﺗﻄﺒﻴﻖ ‪) ACP‬العﻤود ‪ (extraction‬أﻛﱪ مﻦ ‪0,5‬‬
‫وﻗﺮﻳﺒﺔ مﻦ ‪ ،1‬وﻫﺬا ما ﻳدل على أن اﻹسﻘاط بﻄﺮﻳﻘﺔ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ ذو ﻧوعﻴﺔ ﺟﻴدة‪.‬‬
‫ﻣﻼﺣﻈﺔ‪ :1‬إذا ﻛان أﺣد اﳌﺘﻐﲑات ﻏﲑ ﳑﺜﻞ ﲜودة ﺟﻴدة )الﻘﻴﻤﺔ أﺻﻐﺮ مﻦ ‪ ،(0,5‬ﻓﻤﻦ اﻷﻓﻀﻞ ﺣﺬف اﳌﺘﻐﲑ‪،‬‬
‫ﰒ إعادة ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ ‪.ACP‬‬
‫ﻣﻼﺣﻈﺔ‪ :2‬لﻴعﻄﻲ ‪ ACP‬ﻧﺘاﺋج ﺟﻴدة )أو بعﺒارة أخﺮى ﳝكﻦ ﺗﻄﺒﻴﻖ ‪ ACP‬على الﺒﻴا ت بﺸكﻞ ﺟﻴد( ﳚب‬
‫الﺘأﻛد مﻦ ﺛﻼث شﺮوط‪:‬‬
‫‪ ‬ﳚب أن ﺗكون ﻗﻴم ﻏالب معامﻼت اﻻرﺗﺒاط ﰲ مصفوﻓﺔ اﻻرﺗﺒاط أﻛﱪ مﻦ ‪.0,5‬‬
‫‪ ‬ﳚب أن ﺗكون ﻗﻴﻤﺔ مﺆشﺮ ‪ Indice KMO‬أﻛﱪ مﻦ ‪.0,5‬‬
‫‪ ‬ﳚب أن ﻳكون اخﺘﺒار ‪ Bartlett‬معﻨوي )‪.(Sign < 0,5‬‬
‫‪ (4‬اﻟﺘﺒﺎﻳﻦ اﻟكﻠﻲ اﳌﻔﺴﺮ )‪(Variance totale expliquée‬‬
‫‪- 46 -‬‬
‫ﻧسﺘﻨﺘج مﻦ خﻼل اﳉدول السابﻖ ما ﻳلﻲ‪:‬‬

‫‪... ،‬‬ ‫‪= 0,431 ،‬‬ ‫‪= 1,030 ،‬‬ ‫‪ ‬الﻘﻴم الﺬاﺗﻴﺔ ﻫﻲ‪= 5,222 :‬‬
‫∑ ﲤﺜﻞ اﳌساﳘﺔ الﻨسﺒﻴﺔ للﻤحور ‪ 1‬ﰲ الﺘﺒاﻳﻦ الكلﻲ‪ .‬أو ﻧسﺒﺔ‬ ‫‪ ‬الﻨسﺒﺔ ‪∗ 100 = 74,597‬‬
‫الﺘﺒاﻳﻦ الكلﻲ اﳌفسﺮ ﶈور العاملﻲ اﻷول‪ .‬أو اﻷﳘﻴﺔ الﻨسﺒﻴﺔ للﻤﺮﻛﺒﺔ الﺮﺋﻴسﻴﺔ اﻷوﱃ‪.‬‬
‫∑ ﻧسﺒﺔ الﺘﺒاﻳﻦ الكلﻲ اﳌفسﺮ ﶈور العاملﻲ الﺜاﱐ‪.‬‬ ‫‪ ‬ﲤﺜﻞ الﻘﻴﻤﺔ ‪∗ 100 = 14,717‬‬
‫∑ ﻧسﺒﺔ الﺘﺒاﻳﻦ الكلﻲ اﳌفسﺮ ﶈور العاملﻲ الﺜالﺚ‪.‬‬ ‫‪ ‬ﲤﺜﻞ الﻘﻴﻤﺔ ‪∗ 100 = 6,156‬‬
‫∑ ﻧسﺒﺔ الﺘﺒاﻳﻦ الكلﻲ اﳌفسﺮ ﳌسﺘوي العاملﻲ اﻷول‪.‬‬ ‫‪ ‬ﲤﺜﻞ الﻘﻴﻤﺔ ‪∗ 100 = 89,314‬‬
‫∑ ﻧسﺒﺔ الﺘﺒاﻳﻦ الكلﻲ اﳌفسﺮ ﳌسﺘوي العاملﻲ الﺜاﱐ‪.‬‬ ‫‪ ‬ﲤﺜﻞ الﻘﻴﻤﺔ ‪∗ 100 = 80,757‬‬
‫ﻧسﺒﺔ الﺘﺒاﻳﻦ الكلﻲ اﳌفسﺮ ﶈاور العاملﻴﺔ الﺜﻼﺛﺔ اﻷوﱃ‪.‬‬ ‫∑‬
‫‪ ‬ﲤﺜﻞ الﻘﻴﻤﺔ ‪∗ 100 = 95,470‬‬
‫∑‪.‬‬ ‫=‬ ‫‪ ‬ﲟا أن ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ معﻴاري )‪ ،(ACP Normé‬ﻓﺈن‪( ) = 7 :‬‬
‫‪ (5‬ﲢﺪﻳﺪ ﻋﺪد اﶈﺎور اﻟﱵ ﺗﺆﺧﺬ ﰲ اﻟﺘﺤﻠﻴﻞ )‪:(Nombre d’axes à retenir‬‬
‫ﻫﻨاك عدة معاﻳﲑ ﺗسﻤﺢ بﺘحدﻳد عدد اﶈاور الﱵ ﺗﺆخﺬ ﰲ الﺘحلﻴﻞ‪ ،‬مﻦ بﻴﻨﻬا‪:‬‬
‫‪ ‬ﻣﻌﻴﺎر ﻛﻴزر ‪ :Kaiser‬لو اعﺘﻤد على ﻫﺬا اﳌعﻴار ﻓسﻨأخﺬ ﳏورﻳﻦ ﻓﻘﻂ ‪ 1‬و‪) 2‬الﻘﻴم الﺬاﺗﻴﺔ اﻷﻛﱪ مﻦ ‪.(1‬‬
‫∑ أﻛﱪ مﻦ‬ ‫‪ ‬ﻣﻌﻴﺎر ﻧﺴﺒﺔ اﳌﺴﺘﻮي اﻟﻌﺎﻣﻠﻲ اﻷول‪ :‬ﲟا أن ﻗﻴﻤﺔ الﻨسﺒﺔ ‪∗ 100 = 89,314‬‬
‫‪ ،%80‬ﻓفﻘدان اﳌعلومات ﺻﻐﲑ‪ ،‬ﻓﻼ داعﻲ ﻹﻧﺸاء اﳌسﺘوي العاملﻲ الﺜاﱐ )اﶈورﻳﻦ العاملﻴﲔ اﻷول والﺜاﱐ‬
‫ﳛاﻓﻈان على أﻛﺜﺮ مﻦ ‪ %89‬مﻦ اﳌعلومات اﳌوﺟودة ﰲ الﺒﻴا ت اﻷولﻴﺔ(‪.‬‬
‫∑ أﻗﻞ مﻦ ‪،%15‬‬ ‫‪ ‬ﻣﻌﻴﺎر ﻧﺴﺒﺔ اﶈﻮر اﻟﻌﺎﻣﻠﻲ اﻟﺜﺎﻟﺚ‪ :‬ﲟا أن ﻗﻴﻤﺔ الﻨسﺒﺔ ‪∗ 100 = 6,156‬‬
‫ﻓﻼ داعﻲ ﻹﻧﺸاء اﳌسﺘوي العاملﻲ الﺜاﱐ‪.‬‬
‫‪ ‬ﻣﻌﻴﺎر اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻠﻘﻴﻢ اﻟﺬاﺗﻴﺔ‪:‬‬
‫‪- 47 -‬‬
‫لو ﻗﻤﻨا بﺮسم مسﺘﻘﻴم ﻳﺮبﻂ بﲔ أﻛﱪ عدد مﻦ الﻘﻴم الﺬاﺗﻴﺔ‪ ،‬ﺗكون الﻘﻴﻤﺘﲔ اﻷوﱃ والﺜاﻧﻴﺔ ﻫﻲ الﱵ ﻻ ﺗﻨﺘﻤﻲ‬
‫للﻤسﺘﻘﻴم‪ .‬ﻛﻤا ﻧﻼﺣﻆ ﺗﺸكﻞ شكﻞ مﺮﻓﻖ )‪ (Coude‬عﻨد الﻘﻴﻤﺔ الﺬاﺗﻴﺔ الﺜاﻧﻴﺔ‪ ،‬ﻓﻨﺘوﻗﻒ عﻨد ﻫﺬﻩ الﻘﻴﻤﺔ الﺬاﺗﻴﺔ‪.‬‬
‫‪ (6‬إﺳﻘﺎط اﳌﺘﻐﲑات‪:‬‬
‫ﳒد ﻗﻴم اﻹسﻘاط للﻤﺘﻐﲑات ﰲ اﳉدول الﺘاﱄ )مصفوﻓﺔ اﳌﺮﻛﺒات(‪:‬‬
‫ﻳﺘﺒﲔ مﻦ اﳉدول السابﻖ أن ﻛﻞ اﳌﺘﻐﲑات )ﻧفﻘات ﲡﻬﻴﺰ ﻗﻄاع الﱰﻳﻴﺔ والﺘكوﻳﻦ‪ ،‬ﻧفﻘات ﲡﻬﻴﺰ ﻗﻄاع اﳌﻨﺸﺂت‬
‫الﻘاعدﻳﺔ اﻻﺟﺘﻤاعﻴﺔ والﺜﻘاﻓﻴﺔ‪ ،‬ﻧفﻘات ﲡﻬﻴﺰ ﻗﻄاع الفﻼﺣﺔ والﺮي‪ ،‬ﻧفﻘات ﲡﻬﻴﺰ ﻗﻄاع اﳌﻨﺸﺂت الﻘاعدﻳﺔ‬
‫اﻻﻗﺘصادﻳﺔ واﻹدارﻳﺔ‪ ،‬ﻧفﻘات ﲡﻬﻴﺰ ﻗﻄاع دعم اﳋدمات اﳌﻨﺘﺠﺔ‪ ،‬ﻧفﻘات ﲡﻬﻴﺰ ﻗﻄاع دعم اﳊصول على سكﻦ(‬
‫ﲤﺜﻞ بﺸكﻞ أﻓﻀﻞ ﰲ اﶈور العاملﻲ ‪ ،1‬أي أﻛﺜﺮ ارﺗﺒاﻃا ﶈور العاملﻲ ‪) 1‬أﻛﱪ ﻗﻴﻤﺔ ﳍا خﺬﻫا ﰲ اﶈور‬
‫العاملﻲ ‪ ،(1‬ماعدا مﺘﻐﲑ "ﻧفﻘات ﲡﻬﻴﺰ ﻗﻄاع الصﻨاعﺔ" ﻓﺈﻧﻪ ﳝﺜﻞ بﺸكﻞ أﻓﻀﻞ ﰲ اﶈور العاملﻲ ‪.2‬‬
‫‪- 48 -‬‬
‫وﳑا سﺒﻖ ﻧسﺘﻨﺘج أن‪:‬‬

‫‪ ‬اﳌﺮﻛﺒﺔ الﺮﺋﻴسﻴﺔ اﻷوﱃ ﳍا عﻼﻗﺔ ﻗوﻳﺔ مﻊ ‪ 6‬مﺘﻐﲑات مﻦ أﺻﻞ ‪ 7‬مﺘﻐﲑات‪.‬‬
‫‪ ‬اﳌﺮﻛﺒﺔ الﺮﺋﻴسﻴﺔ الﺜاﻧﻴﺔ ﳍا عﻼﻗﺔ ﻗوﻳﺔ مﻊ مﺘﻐﲑ واﺣد‪ .‬وعﻼﻗﺔ مﺘوسﻄﺔ مﻊ مﺘﻐﲑﻳﻦ‪.‬‬
‫ﻣﻼﺣﻈﺔ‪ّ :‬‬
‫أي مﺮﻛﺒﺔ رﺋﻴسﻴﺔ )ﳏور عاملﻲ( لﻪ ﻗﻴﻤﺔ ارﺗﺒاط أﻛﱪ مﻦ ‪ 0,30‬مﻊ أﻛﺜﺮ مﻦ ‪ 3‬مﺘﻐﲑات‪ ،‬ﻓﻬﻲ مﺮﻛﺒﺔ‬
‫ﺟﻴدة ﳚب أخﺬﻫا ﰲ الﺘحلﻴﻞ العاملﻲ‪.‬‬
‫‪ (7‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻠﻤﺘﻐﲑات ﺑﻌﺪ اﻹﺳﻘﺎط‪:‬‬
‫ﻧﻼﺣﻆ أن ﻏالب اﳌﺘﻐﲑات مﺮﺗﺒﻄﺔ ارﺗﺒاﻃا ﻗو ﶈور العاملﻲ ‪ ،1‬ماعدا مﺘﻐﲑ "ﻧفﻘات ﲡﻬﻴﺰ ﻗﻄاع‬
‫الصﻨاعﺔ" )‪ ،(ind‬ﻓﻬو ﻏﲑ مﺮﺗﺒﻂ ﶈور العاملﻲ ‪ ،1‬لكﻨﻪ ﻳﺮﺗﺒﻂ ارﺗﺒاﻃا ﻗو ﶈور العاملﻲ ‪ .2‬وﲟا أن اﶈورﻳﻦ‬
‫العاملﻴﲔ مﺘعامدان‪ ،‬ﻓﺈن ﻫﺬا اﳌﺘﻐﲑ )‪ (ind‬مسﺘﻘﻞ )ﻏﲑ مﺮﺗﺒﻂ( عﻦ اﳌﺘﻐﲑات اﻷخﺮى‪.‬‬
‫ﻛﻤا ﻳﺘأﻛد مﻦ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ العﻼﻗﺔ اﳌوﺟﺒﺔ ﳍﺬﻩ اﳌﺘﻐﲑات مﻊ اﶈاور اﳌﺮﺗﺒﻄﺔ ا‪ ،‬ﻓكﻞ اﳌﺘﻐﲑات ﰲ‬
‫اﳉاﻧب اﳌوﺟب للﻤحورﻳﻦ‪.‬‬
‫اﳌساﻓات بﲔ اﳌﺘﻐﲑات )اﻻرﺗﺒاط(‪ :‬ﲟا أن اﳌساﻓﺔ بﲔ اﳌﺘﻐﲑﻳﻦ ﻧفﻘات الﱰبﻴﺔ والﺘكوﻳﻦ )‪(educform‬‬
‫وﻧفﻘات الﺒﲎ الﺘحﺘﻴﺔ اﻻﺟﺘﻤاعﻴﺔ والﺜﻘاﻓﻴﺔ )‪ (issoccult‬ﺻﻐﲑة‪ ،‬ﻓﻬﺬا ﻳدل على أﻧﻪ ﻫﻨاك ارﺗﺒاط ﻛﺒﲑ ﰲ ﲨﻴﻊ‬
‫السﻨوات )بﺸكﻞ عام( ﳍﺬﻳﻦ اﳌﺘﻐﲑﻳﻦ )معامﻞ اﻻرﺗﺒاط ﻳساوي ‪ .(0,98‬وعلى العكﺲ مﻦ ذلﻚ‪ ،‬ﻓﺒﻤا أن‬
‫اﳌساﻓﺔ بﲔ ﻧفﻘات الﱰبﻴﺔ والﺘكوﻳﻦ )‪ (educform‬وﻧفﻘات الﻘﻄاع الصﻨاعﻲ )‪ (ind‬ﻛﺒﲑة‪ ،‬ﻓﻬﺬا ﻳدل على‬
‫ﺿعﻒ اﻻرﺗﺒاط بﻴﻨﻬﻤا ﰲ ﲨﻴﻊ السﻨوات )بﺸكﻞ عام( ﳍﺬﻳﻦ اﳌﺘﻐﲑﻳﻦ )معامﻞ اﻻرﺗﺒاط ﻳساوي ‪.(0,16‬‬
‫‪- 49 -‬‬
‫‪ (8‬إﺳﻘﺎط اﻷﻓﺮاد )اﻟﺴﻨﻮات(‪:‬‬

‫عﻨد ﺣفﻆ العوامﻞ ﻛﻤﺘﻐﲑات ﻳﻘوم بﺮ مج ‪ SPSS‬ﻧﺸاء مﺘﻐﲑ ﺟدﻳد لكﻞ ﳏور عاملﻲ‪ .‬ﻓﻨﺠد أن‬
‫إسﻘاﻃات اﻷﻓﺮاد على اﶈورﻳﻦ اﻷول والﺜاﱐ ﳏفوﻇﺔ ﰲ ﻓﺬة الﺒﻴا ت ﻛﻤا ﻫو موﺿﺢ ﰲ اﳉدول الﺘاﱄ‪:‬‬
‫‪ (9‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻸﻓﺮاد )اﻟﺴﻨﻮات( ﺑﻌﺪ اﻹﺳﻘﺎط‪:‬‬

‫بﺮ مج ‪ SPSS‬ﻻ ﻳعﺮض لﻨا الﺘﻤﺜﻴﻞ الﺒﻴاﱐ ﻹسﻘاﻃات اﻷﻓﺮاد بﺸكﻞ ﺗلﻘاﺋﻲ مﻊ اﳌﺨﺮﺟات‪ ،‬بﻞ ﳚب‬
‫اﺗﺒاع اﳋﻄوات الﺘالﻴﺔ على بﺮ مج‪:‬‬
‫‪ ‬ﰲ ﻓﺬة ﳐﺮﺟات ال ـ ‪ ACP‬على بﺮ مج ‪ ،SPSS‬ﻧﺬﻫب إﱃ شﺮﻳﻂ الﻘواﺋم‬
‫‪- 50 -‬‬
‫‪ ‬ﰲ شﺮﻳﻂ الﻘواﺋم ﳔﺘار لﱰﺗﻴب الﺘاﱄ‪:‬‬

‫‪Graphiques‬‬ ‫‪Boites de dialogue ancienne version‬‬
‫‪Dispersion/points‬‬
‫‪ ‬ﻓﻴﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬
‫‪ ‬مﻦ خﻼل ﻫﺬﻩ الﻨاﻓﺬة ﳔﺘار "‪ ،"Dispersion simple‬ﰒ ﻧﻀﻐﻂ على ‪Définir‬‬
‫‪ ‬ﻓﻴﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬
‫‪ ‬مﻦ خﻼل ﻫﺬﻩ الﻨاﻓﺬة ﳔﺘار‪:‬‬

‫‪ ‬على ﳏور الفواﺻﻞ )‪ :(Axe des X‬ﻧدخﻞ اﶈور العاملﻲ اﻷول )‪(FAC1‬‬
‫‪ ‬على ﳏور الﱰاﺗﻴب )‪ :(Axe des Y‬ﻧدخﻞ اﶈور العاملﻲ الﺜاﱐ )‪(FAC2‬‬
‫‪ ‬اﳌﺸاﻫدات )‪ :(Etiqueter les observations par‬ﻧدخﻞ سﻨوات الدراسﺔ‬
‫‪ ‬العﻨاوﻳﻦ )‪ :(Titres‬عﻨوان الﺘﻤﺜﻴﻞ الﺒﻴاﱐ والعﻨاوﻳﻦ الفﺮعﻴﺔ‬
‫‪- 51 -‬‬
‫‪ ‬اﳋﻴارات )‪ :(Options‬ﻧﻈلﻞ على عﺮض الﺘﻤﺜﻴﻞ الﺒﻴاﱐ ﲰاء اﳌﺸاﻫدات ) ‪Afficher‬‬

‫‪.(le graphique avec les libellés d’observations‬‬
‫‪ ‬عﻨد الﻀﻐﻂ على "‪ "OK‬ﻳﻈﻬﺮ لﻨا الﺘﻤﺜﻴﻞ الﺒﻴاﱐ الﺘاﱄ‪:‬‬
‫ﻧﻀﻐﻂ مﺮﺗﲔ على الﺘﻤﺜﻴﻞ الﺒﻴاﱐ ﻹدخال إﺿاﻓات علﻴﻪ‪ :‬أﻳﻦ ﻧﻘوم ﺿاﻓﺔ اﶈور اﻷﻓﻘﻲ واﶈور العﻤودي‬
‫عﻨد الصفﺮ )‪ .(0‬ﻓﻴصﺒﺢ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ لﺸكﻞ الﺘاﱄ‪:‬‬
‫‪- 52 -‬‬
‫ﻳﺘﺒﲔ مﻦ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ للسﻨوات )اﻷﻓﺮاد( أن‪:‬‬

‫‪ ‬معﻈم السﻨوات اﻷخﲑة للدراسﺔ ) ‪ 2006‬إﱃ ‪- 2015‬ماعدا سﻨﺔ ‪ (-2012‬مﺮﺗﺒﻄﺔ ارﺗﺒاﻃا‬
‫ﻗو وموﺟﺒا ﶈور العاملﻲ اﻷول‪.‬‬
‫‪ ‬ﻏالب السﻨوات اﻷوﱃ للدراسﺔ )مﻦ ‪ 1985‬إﱃ ‪ (2000‬مﺮﺗﺒﻄﺔ ارﺗﺒاﻃا ﻗو وسالﺒا ﶈور‬
‫العاملﻲ اﻷول‪.‬‬
‫‪ ‬السﻨوات مﻦ ‪ 2016‬إﱃ ‪ - 2018‬ﻹﺿاﻓﺔ إﱃ سﻨﺔ ‪ -2012‬مﺮﺗﺒﻄﺔ ارﺗﺒاﻃا ﻗو وموﺟﺒا‬
‫ﶈور العاملﻲ الﺜاﱐ‪.‬‬
‫‪ ‬السﻨوات مﻦ ‪ 2000‬إﱃ ‪ 2005‬مﺮﺗﺒﻄﺔ ارﺗﺒاﻃا ﻗو وسالﺒا ﶈور العاملﻲ الﺜاﱐ‪.‬‬
‫‪ ‬اﳌساﻓات بﲔ اﻷﻓﺮاد )الﺘﺸابﻪ(‪ :‬ﳝكﻦ ﺗفسﲑ العﻼﻗات بﲔ اﻷﻓﺮاد على ﻫﺬا الﻨحو‪:‬‬
‫‪ ‬ﲟا أن اﳌساﻓﺔ بﲔ السﻨﺘﲔ ‪ 2016‬و ‪ 2018‬ﺻﻐﲑة‪ ،‬ﻓﻬﺬا ﻳدل على وﺟود ﺗﺸابﻪ ﻛﺒﲑ‬
‫للﻨفﻘات )بﺸكﻞ عام( ﰲ ﻫاﺗﲔ السﻨﺘﲔ‪.‬‬
‫‪ ‬وعلى العكﺲ مﻦ ذلﻚ‪ ،‬ﻓﺒﻤا أن اﳌساﻓﺔ بﲔ ‪ 2001‬و‪ 1985‬ﻛﺒﲑة‪ ،‬ﻓﻬﺬا ﻳدل على‬
‫اﻻخﺘﻼف الكﺒﲑ ﰲ الﻨفﻘات )بﺸكﻞ عام( ﳍاﺗﲔ السﻨﺘﲔ‪.‬‬
‫‪ (10‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ اﳌﺸﱰك ﻟﻸﻓﺮاد واﳌﺘﻐﲑات ﺑﻌﺪ اﻹﺳﻘﺎط‪:‬‬

‫بﺮ مج ‪ SPSS‬ﻻ ﻳعﺮض الﺘﻤﺜﻴﻞ الﺒﻴاﱐ اﳌﺸﱰك لﻸﻓﺮاد واﳌﺘﻐﲑات بعد اﻹسﻘاط )ﰲ ﲤﺜﻴﻞ بﻴاﱐ‬
‫واﺣد(‪ ،‬لكﻦ ﳝكﻦ الﺘفسﲑ ﻻعﺘﻤاد على الﺘﻤﺜﻴلﲔ الﺒﻴاﻧﻴﲔ اﳌسﺘﻘلﲔ للﻤﺘﻐﲑات واﻷﻓﺮاد على الﻨحو الﺘاﱄ‪:‬‬
‫‪ ‬ﻧفﻘات الﺘﺠﻬﻴﺰ ﳌعﻈم الﻘﻄاعات ﻛاﻧﺖ مﺮﺗفعﺔ ﰲ السﻨوات اﳌﻤﺘدة مﻦ ‪ 2006‬إﱃ ‪ ،2015‬ومﻨﺨفﻀﺔ‬
‫ﰲ السﻨوات مﻦ ‪ 1985‬إﱃ ‪ ،2000‬ﻻرﺗﺒاﻃﻬا الﻘوي إما بﺸكﻞ موﺟب أو سالب ﶈور العاملﻲ‬
‫اﻷول‪.‬‬
‫‪ ‬ﻧفﻘات الﺘﺠﻬﻴﺰ لﻘﻄاع الصﻨاعﺔ ﻛان مﺮﺗفعا ﰲ السﻨوات اﳌﻤﺘدة مﻦ ‪ 2016‬إﱃ ‪ -2018‬ﻹﺿاﻓﺔ إﱃ‬
‫سﻨﺔ ‪ ،-2012‬ومﻨﺨفﻀﺔ ﰲ السﻨوات مﻦ ‪ 2000‬إﱃ ‪ ،2005‬ﻻرﺗﺒاﻃﻬا الﻘوي إما بﺸكﻞ موﺟب‬
‫أو سالب ﶈور العاملﻲ الﺜاﱐ‪.‬‬
‫ﻣﻼﺣﻈﺔ‪ :‬ﻳﻨصﺢ لعودة ﰲ ﻛﻞ مﺮة عﻨد الﺘفسﲑ إﱃ الﺒﻴا ت اﻷﺻلﻴﺔ ﰲ اﳉدول للﺘأﻛد مﻦ اﻻسﺘﻨﺘاﺟات‬
‫اﳌﺘوﺻﻞ إلﻴﻬا وإﺛﺮاﺋﻬا‪.‬‬
‫‪- 53 -‬‬
‫‪ .4‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ ﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ ﻋﻠﻰ ﺑﺮ ﻣج ‪XL-STAT‬‬

‫سﻨحاول ﰲ ﻫﺬا العﻨصﺮ ﺗﻘدﱘ أﻫم اﳋﻄوات اﳌﺘﺒعﺔ على بﺮ مج ‪ XL-STAT‬للﻘﻴام بﺘحلﻴﻞ مﺮﻛﺒات‬
‫رﺋﻴسﻴﺔ‪ ،‬ﻹﺿاﻓﺔ إﱃ مﺜال ﺗﻄﺒﻴﻘﻲ‪.‬‬
‫أ‪ .‬اﳋﻄﻮات ﻋﻠﻰ ﺑﺮ ﻣج ‪:XL-STAT‬‬

‫للﻘﻴام بـ ـ ‪ ACP‬على بﺮ مج ‪ XL-STAT‬ﻧﺘﺒﻊ اﳋﻄوات الﺘالﻴﺔ‪:‬‬
‫‪ (1‬بعد ﻓﺘﺢ بﺮ مج ‪ XL-STAT‬ﻧﻘوم دخال بﻴا ت الدراسﺔ‪ ،‬ﰒ ﻧﺬﻫب إﱃ شﺮﻳﻂ الﻘواﺋم‬
‫‪ (2‬ﰲ شﺮﻳﻂ الﻘواﺋم ﳔﺘار لﱰﺗﻴب الﺘاﱄ‪:‬‬
‫‪XL-STAT‬‬ ‫‪Analyse des données‬‬ ‫‪Analyse en composantes‬‬
‫‪principales‬‬
‫‪ (3‬ﻓﻴﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬

‫‪ ‬ﻣﻦ ﻋﺎم ‪ :Général‬ﻧﻘوم خﺘﻴار‪:‬‬
‫‪ ‬مكان ﺣفﻆ اﳌﺨﺮﺟات )‪(classeur ،feuille ،plage‬‬
‫‪ ‬شكﻞ الﺒﻴا ت )‪ :(Format des données‬ﻫﻞ ﻫو ﺟدول الﺒﻴا ت واﳌﺘﻐﲑات ‪ ،X‬أو‬
‫مصفوﻓﺔ اﻻرﺗﺒاط ‪ ،R‬أو مصفوﻓﺔ الﺘﺒاﻳﻦ اﳌﺸﱰك ‪.V‬‬
‫‪ ‬ﻧوع ‪،covariance ،pearson n-1 ،pearson n :(Type ACP) ACP‬‬
‫‪.... ،spearman‬‬
‫‪- 54 -‬‬
‫‪ ‬ﺗعﻴﲔ أﲰاء اﳌﺘﻐﲑات )‪(Libellés des variables‬‬

‫‪ ‬ﺗعﻴﲔ أﲰاء اﳌﺸاﻫدات )‪(Libellés des observations‬‬
‫‪ ‬اﻷوزان )‪- (poids‬إن وﺟدت‪-‬‬
‫‪ ‬ﻣﻦ ﺧﻴﺎرات ‪ :Option‬ﻧﻘوم خﺘﻴار‪:‬‬
‫‪ :Filtrer les facteurs ‬ﳔﺘار إما ‪ %‬اﳊد اﻷدﱏ )‪) (minimum‬مﺜﻼ اﶈاور الﱵ ﺗﻀﻤﻦ أﻛﺜﺮ‬
‫مﻦ ‪ %80‬مﻦ الﺘﺒاﻳﻦ الكلﻲ( ‪ ،‬أو اﳊد اﻷعلى لعدد العوامﻞ )‪ (maximum‬الﱵ ﺗﺆخﺬ ﰲ الﺘحلﻴﻞ‪.‬‬
‫‪ ‬اﻟﺘﺪوﻳﺮ )‪ :(Rotation‬ﻧﻈلﻞ على ‪ ،Rotation‬ﰒ ﳓدد عدد العوامﻞ‪ ،‬ﰒ الﻄﺮﻳﻘﺔ‪ :‬وﳔﺘار مﻨﻬا‬
‫إﺣدى ﻃﺮق الﺘدوﻳﺮ )‪،Equamax ،Quartimax ،Oblimin ،Varimax‬‬
‫‪) (Promax‬ﻧﻼﺣﻆ عدم وﺟود اخﺘﻴار ‪ None‬مﻘارﻧﺔ بﱪ مج ‪.(SPSS‬‬
‫‪ ‬ﻛﻤا ﻧﻈلﻞ ‪Normalisation de Kaiser‬‬
‫‪ ‬ﺑﻴﺎ ت إﺿﺎﻓﻴﺔ )‪ :(Données supplémentaires‬ﺗسﻤﺢ ﻫﺬﻩ الﻨاﻓﺬة دخال الﺒﻴا ت‬
‫اﻹﺿاﻓﺔ ﰲ ﺣالﺔ وﺟودﻫا‪ ،‬إما أﻓﺮاد أو مﺘﻐﲑات )ﻛﻤﻴﺔ أو ﻛﻴفﻴﺔ(‪.‬‬
‫‪- 55 -‬‬
‫‪ ‬ﻣﻌﺎﳉﺔ أوﻟﻴﺔ )‪ :(prétraitement‬عﻨد الﻀﻐﻂ علﻴﻬا ﻳﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬
‫وﻫﻲ ﻓﺬة خاﺻﺔ ﲟعاﳉﺔ الﺒﻴا ت اﳌفﻘودة )‪ (Données manquantes‬ﻹﺿاﻓﺔ إﱃ ا ﻤوعات )‪(Groupes‬‬
‫‪ ‬اﳌﺨﺮﺟﺎت )‪ :(Sortie‬عﻨد الﻀﻐﻂ علﻴﻬا ﻳﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬
‫ﻧﻈلﻞ على اﳌﺨﺮﺟات الﱵ ﻧﺮﻏب ﰲ عﺮﺿﻬا )اﻹﺣصاﺋﻴات الوﺻفﻴﺔ‪ ،‬اخﺘﺒار ‪ ،KMO‬اﻻرﺗﺒاﻃات‪.(... ،‬‬
‫‪ ‬اﻟﺘﻤﺜﻴﻼت اﻟﺒﻴﺎﻧﻴﺔ )‪ :(Graphiques‬عﻨد الﻀﻐﻂ علﻴﻬا ﻳﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬
‫‪- 56 -‬‬
‫ﰲ ﻫﺬﻩ الﻨاﻓﺬة ﻧدخﻞ الﺘعلﻴﻤات اﳋاﺻﺔ لﺘﻤﺜﻴﻼت الﺒﻴاﻧﻴﺔ للﻤﺘﻐﲑات واﻷﻓﺮاد والﺘﻤﺜﻴﻞ الﺒﻴاﱐ اﳌﺸﱰك بﻴﻨﻬﻤا‬
‫)وﻫو ﻏﲑ مﺘوﻓﺮ ﰲ بﺮ مج ‪.(SPSS‬‬
‫بعد اﻻﻧﺘﻬاء مﻦ إدخال ﻛﻞ ﻫﺬﻩ اﻻخﺘﻴارات والﺘعلﻴﻤات‪ ،‬ﻧﻀﻐﻂ على ‪ ،OK‬ﻓﺘﻈﻬﺮ لﻨا اﳌﺨﺮﺟات‪.‬‬
‫ب‪ .‬ﳐﺮﺟﺎت ‪ ACP‬ﻋﻠﻰ ﺑﺮ ﻣج ‪:XL-STAT‬‬

‫ﻧﻄﺒﻖ ﻃﺮﻳﻘﺔ ‪ ACP‬على بﺮ مج ‪ XL-STAT‬بﻨفﺲ اﳌﺜال اﳌﻄﺒﻖ على بﺮ مج ‪ .SPSS‬و لﻨسﺒﺔ‬
‫للﺘعلﻴﻖ على اﳉداول واﻷشكال‪ ،‬ﻓﻬو ﻧفﺲ الﺘعلﻴﻖ اﳌﺬﻛور ﰲ العﻨصﺮ السابﻖ اﳋاص بﱪ مج ‪ ،SPSS‬ﻓﻼ‬
‫داعﻲ لﺘكﺮار ذلﻚ‪.‬‬
‫‪ (1‬اﻹﺣﺼﺎﺋﻴﺎت اﻟﻮﺻﻔﻴﺔ )‪:(Statistiques descriptives‬‬
‫‪Variable‬‬ ‫‪Observations‬‬ ‫‪Minimum‬‬ ‫‪Maximum‬‬ ‫‪Moyenne‬‬ ‫‪Ecart-type‬‬
‫‪Industrie‬‬ ‫‪34‬‬ ‫‪100000000‬‬ ‫‪15567000000‬‬ ‫‪2044970558,8235‬‬ ‫‪3015121452,7452‬‬
‫‪Ag hyd‬‬ ‫‪34‬‬ ‫‪6825000000‬‬ ‫‪393748000000‬‬ ‫‪117481867647,0590‬‬ ‫‪124800294294,4220‬‬
‫‪SS Prodct‬‬ ‫‪34‬‬ ‫‪135000000‬‬ ‫‪80309269000‬‬ ‫‪17087943117,6471‬‬ ‫‪19438738232,5242‬‬
‫‪infr éco adm‬‬ ‫‪34‬‬ ‫‪5085000000‬‬ ‫‪1095942000000 311234023823,5290‬‬ ‫‪376389930257,6410‬‬
‫‪Educ form‬‬ ‫‪34‬‬ ‫‪7100000000‬‬ ‫‪540754000000‬‬ ‫‪100621829294,1180‬‬ ‫‪116781031536,3930‬‬
‫‪Infr socio cult‬‬ ‫‪34‬‬ ‫‪2703000000‬‬ ‫‪363062000000‬‬ ‫‪67962501882,3529‬‬ ‫‪90536380849,1481‬‬
‫‪SA habit‬‬ ‫‪34‬‬ ‫‪343000000‬‬ ‫‪469781674000‬‬ ‫‪121911367470,5880‬‬ ‫‪134374519559,4100‬‬
‫‪ (2‬ﻣﺼﻔﻮﻓﺔ اﻻرﺗﺒﺎط )‪:(Matrice de corrélation‬‬

‫‪Ag‬‬ ‫‪SS‬‬ ‫‪infr éco‬‬ ‫‪Educ‬‬ ‫‪Infr socio‬‬ ‫‪SA‬‬
‫‪Variables‬‬ ‫‪Industrie‬‬
‫‪hyd‬‬ ‫‪Prodct‬‬ ‫‪adm‬‬ ‫‪form‬‬ ‫‪cult‬‬ ‫‪habit‬‬
‫‪Industrie‬‬ ‫‪1‬‬ ‫‪0,3788‬‬ ‫‪0,3482‬‬ ‫‪0,5188‬‬ ‫‪0,1653‬‬ ‫‪0,2109‬‬ ‫‪0,5443‬‬
‫‪Ag hyd‬‬ ‫‪0,3788‬‬ ‫‪1‬‬ ‫‪0,7609‬‬ ‫‪0,9354‬‬ ‫‪0,8635‬‬ ‫‪0,8426‬‬ ‫‪0,8356‬‬
‫‪SS Prodct‬‬ ‫‪0,3482‬‬ ‫‪0,7609‬‬ ‫‪1‬‬ ‫‪0,7945‬‬ ‫‪0,6865‬‬ ‫‪0,6800‬‬ ‫‪0,8306‬‬
‫‪infr éco adm‬‬ ‫‪0,5188‬‬ ‫‪0,9354‬‬ ‫‪0,7945‬‬ ‫‪1‬‬ ‫‪0,8557‬‬ ‫‪0,8752‬‬ ‫‪0,8463‬‬
‫‪Educ form‬‬ ‫‪0,1653‬‬ ‫‪0,8635‬‬ ‫‪0,6865‬‬ ‫‪0,8557‬‬ ‫‪1‬‬ ‫‪0,9816‬‬ ‫‪0,6562‬‬
‫‪Infr socio cult‬‬ ‫‪0,2109‬‬ ‫‪0,8426‬‬ ‫‪0,6800‬‬ ‫‪0,8752‬‬ ‫‪0,9816‬‬ ‫‪1‬‬ ‫‪0,6361‬‬
‫‪SA habit‬‬ ‫‪0,5443‬‬ ‫‪0,8356‬‬ ‫‪0,8306‬‬ ‫‪0,8463‬‬ ‫‪0,6562‬‬ ‫‪0,6361‬‬ ‫‪1‬‬
‫‪- 57 -‬‬
2 ‫ﺟﺎﻣﻌﺔ اﻟﺒﻠﻴﺪة‬
- ‫ﻛﻠﻴﺔ اﻟﻌﻠﻮم اﻻﻗﺘﺼﺎدﻳﺔ واﻟﻌﻠﻮم اﻟﺘﺠﺎرﻳﺔ وﻋﻠﻮم اﻟﺘﺴﻴﲑ –اﻟﺸﻬﻴﺪ ﻃﺎﻟﺐ ﻋﺒﺪ اﻟﺮﲪﺎن‬
- ‫ ﻣﻊ أﻣﺜﻠﺔ ﺣﺴﺎﺑﻴﺔ وﺗﻄﺒﻴﻘﻴﺔ‬- ‫ﳏﺎﺿﺮات ﰲ ﻣﻘﻴﺎس ﲢﻠﻴﻞ ﻣﻌﻄﻴﺎت ﻣﻌﻤﻖ‬
:‫ وﻧﻮﻋﻴﺔ اﻟﺘﻤﺜﻴﻞ‬Bartlett ‫ واﺧﺘﺒﺎر‬KMO ‫( ﻣﺆﺷﺮ‬3

Khi² (Valeur observée) 333,7299
Khi² (Valeur critique) 32,6706
DDL 21
p-value < 0,0001
alpha 0,05
KMO 0,7654
:(Valeurs propres) ‫( اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ‬4
F1 F2 F3 F4 F5 F6 F7
Valeur propre 5,2218 1,0302 0,4309 0,1811 0,0851 0,0416 0,0093
Variabilité (%) 74,5968 14,7169 6,1560 2,5868 1,2162 0,5941 0,1332
% cumulé 74,5968 89,3137 95,4697 98,0564 99,2726 99,8668 100,0000
:‫اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻠﻘﻴﻢ اﻟﺬاﺗﻴﺔ‬
Scree plot
6 100
5 80
Variabilité cumulée (%)
4
Valeur propre
60
3
40
2
1 20
0 0
F1 F2 F3 F4 F5 F6 F7
axe
(SPSS ‫ )وﻫﻲ ﻏﲑ مﺘوﻓﺮة على بﺮ مج‬:(Vecteurs propres) ‫( اﻷﺷﻌﺔ اﻟﺬاﺗﻴﺔ‬5

F1 F2 F3 F4 F5 F6 F7
Industrie 0,2061 0,8171 -0,4240 0,2454 0,0119 -0,2228 0,0120
Ag hyd 0,4167 -0,0655 -0,0368 -0,5490 -0,5581 -0,4082 0,2033
SS Prodct 0,3762 0,0462 0,6687 0,5784 -0,2397 -0,1306 0,0068
infr éco adm 0,4274 0,0490 -0,1508 -0,0561 -0,3028 0,7661 -0,3323
Educ form 0,3928 -0,3741 -0,2642 0,1213 0,2952 -0,3899 -0,6182
Infr socio cult 0,3926 -0,3405 -0,3461 0,2866 0,2208 0,1372 0,6785
SA habit 0,3889 0,2602 0,3992 -0,4515 0,6351 0,0950 0,0739
- 58 -
‫‪ (6‬إﺳﻘﺎط اﳌﺘﻐﲑات‪:‬‬
‫إﺣداﺛﻴات اﳌﺘﻐﲑات بعد الﺘدوﻳﺮ ) ‪Coordonnées des variables après rotation‬‬
‫‪:(Varimax‬‬
‫‪D1‬‬ ‫‪D2‬‬
‫‪Industrie‬‬ ‫‪0,0817‬‬ ‫‪0,9502‬‬
‫‪Ag hyd‬‬ ‫‪0,8930‬‬ ‫‪0,3371‬‬
‫‪SS Prodct‬‬ ‫‪0,7615‬‬ ‫‪0,4014‬‬
‫‪infr éco adm‬‬ ‫‪0,8668‬‬ ‫‪0,4529‬‬
‫‪Educ form‬‬ ‫‪0,9742‬‬ ‫‪0,0297‬‬
‫‪Infr socio cult‬‬ ‫‪0,9595‬‬ ‫‪0,0605‬‬
‫‪SA habit‬‬ ‫‪0,6974‬‬ ‫‪0,6110‬‬
‫‪ (7‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻠﻤﺘﻐﲑات ﺑﻌﺪ اﻹﺳﻘﺎط‪:‬‬
‫)‪Variables (axes D1 et D2 : 89,31 %‬‬
‫‪après rotation Varimax‬‬
‫‪1‬‬
‫‪Industrie‬‬
‫‪0,75‬‬
‫‪SA habit‬‬
‫‪0,5‬‬
‫‪infr éco adm‬‬
‫‪SS Prodct‬‬
‫‪Ag hyd‬‬
‫‪0,25‬‬
‫)‪D2 (25,15 %‬‬
‫‪InfrEduc‬‬
‫‪socioform‬‬
‫‪cult‬‬
‫‪0‬‬
‫‪-0,25‬‬
‫‪-0,5‬‬
‫‪-0,75‬‬
‫‪-1‬‬
‫‪-1‬‬ ‫‪-0,75‬‬ ‫‪-0,5‬‬ ‫‪-0,25‬‬ ‫‪0‬‬ ‫‪0,25‬‬ ‫‪0,5‬‬ ‫‪0,75‬‬ ‫‪1‬‬
‫)‪D1 (64,16 %‬‬
‫‪- 59 -‬‬
‫‪ (8‬إﺳﻘﺎط اﻷﻓﺮاد )اﻟﺴﻨﻮات(‪:‬‬

‫‪D1‬‬ ‫‪D2‬‬
‫‪1985‬‬ ‫‪-0,9265‬‬ ‫‪-0,0645‬‬
‫‪1986‬‬ ‫‪-0,9557‬‬ ‫‪0,0597‬‬
‫‪1987‬‬ ‫‪-0,8098‬‬ ‫‪-0,4367‬‬
‫‪1988‬‬ ‫‪-0,8052‬‬ ‫‪-0,4531‬‬
‫‪1989‬‬ ‫‪-0,8489‬‬ ‫‪-0,3268‬‬
‫‪1990‬‬ ‫‪-0,8463‬‬ ‫‪-0,3149‬‬
‫‪1991‬‬ ‫‪-0,8364‬‬ ‫‪-0,3289‬‬
‫‪1992‬‬ ‫‪-0,8598‬‬ ‫‪-0,1977‬‬
‫‪1993‬‬ ‫‪-0,8436‬‬ ‫‪-0,1542‬‬
‫‪1994‬‬ ‫‪-0,8345‬‬ ‫‪-0,1291‬‬
‫‪1995‬‬ ‫‪-0,7475‬‬ ‫‪-0,3752‬‬
‫‪1996‬‬ ‫‪-0,7063‬‬ ‫‪-0,3755‬‬
‫‪1997‬‬ ‫‪-0,6381‬‬ ‫‪-0,5677‬‬
‫‪1998‬‬ ‫‪-0,5680‬‬ ‫‪-0,5754‬‬
‫‪1999‬‬ ‫‪-0,5479‬‬ ‫‪-0,4486‬‬
‫‪2000‬‬ ‫‪-0,5416‬‬ ‫‪-0,4541‬‬
‫‪2001‬‬ ‫‪-0,4316‬‬ ‫‪-0,4030‬‬
‫‪2002‬‬ ‫‪-0,2442‬‬ ‫‪-0,4547‬‬
‫‪2003‬‬ ‫‪-0,1046‬‬ ‫‪-0,4662‬‬
‫‪2004‬‬ ‫‪-0,1266‬‬ ‫‪-0,5243‬‬
‫‪2005‬‬ ‫‪-0,1533‬‬ ‫‪-0,4921‬‬
‫‪2006‬‬ ‫‪0,3355‬‬ ‫‪-0,3024‬‬
‫‪2007‬‬ ‫‪0,7123‬‬ ‫‪0,1500‬‬
‫‪2008‬‬ ‫‪1,0275‬‬ ‫‪0,0934‬‬
‫‪2009‬‬ ‫‪1,6205‬‬ ‫‪-0,2996‬‬
‫‪2010‬‬ ‫‪1,9914‬‬ ‫‪-0,3639‬‬
‫‪2011‬‬ ‫‪3,1556‬‬ ‫‪-1,4599‬‬
‫‪2012‬‬ ‫‪-0,3267‬‬ ‫‪4,0366‬‬
‫‪2013‬‬ ‫‪1,1797‬‬ ‫‪-0,2434‬‬
‫‪2014‬‬ ‫‪1,2901‬‬ ‫‪-0,3172‬‬
‫‪2015‬‬ ‫‪1,4752‬‬ ‫‪1,0600‬‬
‫‪2016‬‬ ‫‪0,5017‬‬ ‫‪2,1804‬‬
‫‪2017‬‬ ‫‪0,0312‬‬ ‫‪0,5800‬‬
‫‪2018‬‬ ‫‪0,3822‬‬ ‫‪2,3690‬‬
‫‪- 60 -‬‬
‫‪ (9‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻸﻓﺮاد )اﻟﺴﻨﻮات( ﺑﻌﺪ اﻹﺳﻘﺎط‪:‬‬

‫على عكﺲ بﺮ مج ‪ ،SPSS‬الﺘﻤﺜﻴﻞ الﺒﻴاﱐ لﻸﻓﺮاد ﻳكون ﺿﻤﻦ اﳌﺨﺮﺟات مﺒاشﺮة‪.‬‬
‫)‪Observations (axes D1 et D2 : 89,31 %‬‬
‫‪5‬‬
‫‪4‬‬ ‫‪2012‬‬
‫‪3‬‬
‫‪2018‬‬
‫‪2016‬‬
‫‪2‬‬
‫)‪D2 (25,15 %‬‬
‫‪1‬‬ ‫‪2015‬‬
‫‪2017‬‬
‫‪1986‬‬ ‫‪2007‬‬
‫‪2008‬‬
‫‪0‬‬ ‫‪1985‬‬
‫‪1994‬‬
‫‪1993‬‬
‫‪1992‬‬
‫‪1990‬‬
‫‪1989‬‬
‫‪1991‬‬
‫‪1995‬‬
‫‪1996‬‬
‫‪2001‬‬ ‫‪2006 2013‬‬
‫‪2009‬‬
‫‪2014‬‬ ‫‪2010‬‬
‫‪1987‬‬
‫‪1999‬‬
‫‪1988‬‬
‫‪2000‬‬
‫‪2002‬‬
‫‪2003‬‬
‫‪2005‬‬
‫‪2004‬‬
‫‪1997‬‬
‫‪1998‬‬
‫‪-1‬‬
‫‪2011‬‬
‫‪-2‬‬
‫‪-6‬‬ ‫‪-5‬‬ ‫‪-4‬‬ ‫‪-3‬‬ ‫‪-2‬‬ ‫‪-1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬
‫)‪D1 (64,16 %‬‬
‫‪ (10‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻸﻓﺮاد )اﻟﺴﻨﻮات( واﳌﺘﻐﲑات ﺑﻌﺪ اﻹﺳﻘﺎط ﰲ ﻧﻔﺲ اﻟﺸكﻞ‪:‬‬

‫على عكﺲ بﺮ مج ‪ ،SPSS‬ﻓﺈن بﺮ مج ‪ XLSTAT‬ﻳعﻄﻴﻨا ﺿﻤﻦ اﳌﺨﺮﺟات الﺘﻤﺜﻴﻞ الﺒﻴاﱐ اﳌﺸﱰك‬
‫للﻤﺘﻐﲑات واﻷﻓﺮاد ﶈاور العاملﻴﺔ ﰲ ﻧفﺲ الﺸكﻞ الﺒﻴاﱐ‪.‬‬
‫‪- 61 -‬‬
‫)‪Biplot (axes D1 et D2 : 89,31 %‬‬

‫‪5‬‬
‫‪4‬‬ ‫‪2012‬‬
‫‪Industrie‬‬
‫‪3‬‬
‫‪2018 SA habit‬‬
‫‪2016‬‬
‫‪2‬‬
‫)‪D2 (25,15 %‬‬
‫‪infr éco adm‬‬

‫‪SS Prodct‬‬
‫‪Ag hyd‬‬
‫‪1‬‬ ‫‪2015‬‬
‫‪2017‬‬
‫‪2007‬‬ ‫‪Infr socio cult‬‬
‫‪0‬‬ ‫‪1986‬‬ ‫‪2008Educ form‬‬
‫‪1985‬‬
‫‪1994‬‬
‫‪1993‬‬
‫‪1992‬‬ ‫‪2006 2013‬‬‫‪2009‬‬
‫‪1990‬‬
‫‪1989‬‬
‫‪1991‬‬
‫‪1995‬‬
‫‪1996‬‬
‫‪2001‬‬ ‫‪2014‬‬ ‫‪2010‬‬
‫‪1987‬‬
‫‪1999‬‬
‫‪1988‬‬
‫‪2000‬‬
‫‪2002‬‬
‫‪2003‬‬
‫‪2005‬‬
‫‪2004‬‬
‫‪1997‬‬
‫‪1998‬‬
‫‪-1‬‬
‫‪2011‬‬
‫‪-2‬‬
‫‪-6‬‬ ‫‪-5‬‬ ‫‪-4‬‬ ‫‪-3‬‬ ‫‪-2‬‬ ‫‪-1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬
‫)‪D1 (64,16 %‬‬
‫‪- 62 -‬‬
‫‪ .II‬اﶈﻮر اﻟﺜﺎﱐ‪ :‬اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ )‪(AFC‬‬

‫ﻳعود الفﻀﻞ ﰲ ﺗﻄوﻳﺮ ﻃﺮﻳﻘﺔ الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ )أو الﺘواﻓﻘﻲ( ) ‪Analyse Factorielle‬‬
‫‪ (des Correspondances‬إﱃ بﻨﺰﻛﺮي )‪ ،(Benzécri – 1969‬ﻹﺿاﻓﺔ إﱃ اﻷعﻤال السابﻘﺔ‬
‫لكﻞ مﻦ )‪ (Guttman - 1941‬و )‪. 29(Hayashi - 1956‬‬
‫‪ .1‬ﻣﻔﻬﻮم ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ )أو اﻟﺘﻮاﻓﻘﻲ(‪:‬‬

‫ﰎ ﺗﻄوﻳﺮ ﻫﺬﻩ الﻄﺮﻳﻘﺔ لدراسﺔ الﺘواﻓﻖ – ‪) Correspondance‬اﻻرﺗﺒاط ‪ (Liaison‬بﲔ مﺘﻐﲑﻳﻦ‬
‫ﻛﻴفﻴﲔ‪ ،‬لكﻞ مﻨﻬﻤا ﻓﺌات معﻴﻨﺔ‪ ،‬ولكﻞ ﻓﺌﺔ ﺗكﺮارات‪ .‬وﻳﺘم ﲨﻊ بﻴا ت اﳌﺘﻐﲑﻳﻦ ﰲ ﺟدول مﺰدوج )ﺟدول‬
‫الﺘواﻓﻖ ‪.(Tableau de contingence‬‬
‫‪ ،‬وﻓﺌات اﳌﺘﻐﲑ ‪ Y‬ﻫﻲ‬ ‫‪, ,…,‬‬ ‫لﻴكﻦ و مﺘﻐﲑﻳﻦ ﻛﻴفﻴﲔ‪ .‬ﻓﺌات اﳌﺘﻐﲑ ‪ X‬ﻫﻲ‬
‫‪.‬‬ ‫‪,‬‬ ‫‪,…,‬‬
‫أ‪ .‬ﺗﻌﺮﻳﻒ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ‪:‬‬

‫ﻃﺮﻳﻘﺔ الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ ﻫﻲ ﻃﺮﻗﺔ ﺗسﻤﺢ بﺘحلﻴﻞ الﺒﻴا ت اﳋاﺻﺔ ﲟﺘﻐﲑﻳﻦ ﻛﻴفﻴﲔ مﻦ خﻼل‬
‫الﺒحﺚ عﻦ اﻻرﺗﺒاط )أو الﺘواﻓﻖ( بﻴﻨﻬﻤا‪ .30‬لكﻞ مﻦ ﻫﺬﻳﻦ اﳌﺘﻐﲑﻳﻦ ﳎﻤوعﺔ مﻦ الفﺌات )خاﺻﻴات(‪ ،‬وﺗكون‬
‫ﻫﺬﻩ الﺒﻴا ت مدرﺟﺔ ﰲ ﺟدول مﺰدوج )ﺟدول الﺘواﻓﻖ(‪ ،‬وﻗﻴﻤﻪ ﺗعﱪ عﻦ ﺗكﺮارات ﻓﺌات اﳌﺘﻐﲑﻳﻦ‪.‬‬
‫وﻏالﺒا ما ﻧسﺘﺨدم مصﻄلﺢ اﻻرﺗﺒاط )‪ (corrélation‬عﻨدما ﻳكون اﳌﺘﻐﲑان ﻛﻤﻴﲔ‪ ،‬ومصﻄلﺢ الﺘواﻓﻖ‬
‫)‪ (correspondance‬عﻨدما ﻳكون اﳌﺘﻐﲑان ﻛﻴفﻴﲔ‪.‬‬
‫ﻣﺜﺎل‪ :‬لﻴكﻦ اﳌﺘﻐﲑ ‪ X‬ﻫو اﳌسﺘوى الﺘعلﻴﻤﻲ‪ ،‬وﻓﺌاﺗﻪ ﻫﻲ‪ :‬إبﺘداﺋﻲ‪ ،‬مﺘوسﻂ‪ ،‬ﻧوي‪ ،‬ﺟامعﻲ‪.‬‬
‫واﳌﺘﻐﲑ ‪ Y‬ﻫو اﳉﻨﺲ‪ ،‬وﻓﺌاﺗﻪ ﻫﻲ‪ :‬ذﻛﺮ‪ ،‬أﻧﺜى‪.‬‬
‫ب‪ .‬اﳍﺪف ﻣﻦ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ‪:‬‬

‫اﳍدف مﻦ ﻃﺮﻳﻘﺔ الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ ﻫو ﺗﻘﺮﻳﺒا ﻧفﺲ ﻫدف ﲨﻴﻊ الﻄﺮق العاملﻴﺔ‪ ،‬وﻫو اخﺘﺰال‬
‫الﺒﻴا ت وﺗﺒسﻴﻂ ﺟدول بعاد ﻛﺒﲑة )ﺟدول لﻪ ‪ p‬عﻤود و‪ n‬سﻄﺮ( للحصول على ﲤﺜﻴﻞ لﺒﻴاﱐ مﺒسﻂ ﻳوﺿﺢ‬
‫ﳐﺘلﻒ العﻼﻗات بﲔ ﻓﺌات اﳌﺘﻐﲑﻳﻦ الكﻴفﻴﲔ‪.‬‬
‫‪29‬‬
‫‪30‬‬
‫‪- 63 -‬‬
‫ﻓﻬﺬﻩ الﻄﺮﻳﻘﺔ دف إﱃ الﺘحلﻴﻞ والﺘﻤﺜﻴﻞ الﺒﻴاﱐ للﺠداول اﳌﺰدوﺟﺔ‪ ،‬وذلﻚ مﻦ خﻼل ﲢلﻴﻞ الﺘواﻓﻖ بﲔ‬
‫مﺘﻐﲑﻳﻦ ﻛﻴفﻴﲔ مﻦ ﺣﻴﺚ‪ :‬الﺘﻤﺮﻛﺰ‪/‬اﶈﻴﻂ )‪ ،(centre/périphérie‬الﻘﺮب‪/‬الﺘﺒاعد‬
‫)‪ ،(éloignement/proximité‬الﺘﺸابﻪ‪/‬اﻻخﺘﻼف )‪،(ressemblance/dissemblance‬‬
‫الﺘﺠاذب‪/‬الﺘﻨاﻓﺮ )‪ .31 (attraction/répulsion‬وﻫﺬا ﻻعﺘﻤاد على ﺣساب اﳌساﻓات )‪(distances‬‬
‫بﲔ الفﺌات‪ .‬ومﻦ خﻼل الﺒحﺚ عﻦ اﻷسﻄﺮ )ﻓﺌات اﳌﺘﻐﲑ اﻷول( اﳌﺘﺸا ﺔ واﻷسﻄﺮ اﳌﺨﺘلفﺔ‪ ،‬وﻛﺬلﻚ الﺒحﺚ‬
‫عﻦ اﻷعﻤدة )ﻓﺌات اﳌﺘﻐﲑ الﺜاﱐ( اﳌﺘﺸا ﺔ واﻷعﻤدة اﳌﺨﺘلفﺔ‪ ،‬و لﺘاﱄ الﺒحﺚ عﻦ ا ﻤوعات اﳌﺘﺠاﻧسﺔ ﰲ‬
‫اﻷسﻄﺮ )وﰲ اﻷعﻤدة(‪ ،‬ﻹﺿاﻓﺔ إﱃ الﺒحﺚ ﰲ العﻼﻗات بﲔ اﻷسﻄﺮ واﻷعﻤدة‪.‬‬
‫ج‪ .‬ﻣﺒﺪأ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ‪:‬‬

‫ﺗﻘوم ﻃﺮﻳﻘﺔ الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ على مﺒدأ اسﻘاط سحابﺔ الﻨﻘاط مﻦ ﻓﻀاء مﺘعدد اﻷبعاد )ﻓﻀاء ذو‬
‫‪ n‬أو ‪ p‬بعد( على ﻓﻀاء ذو بعد ﺻﻐﲑ )بعد أو بعدﻳﻦ أو ﺛﻼث أبعاد(‪ ،‬مﻊ اﶈاﻓﻈﺔ على اﳌساﻓات اﻷﺻلﻴﺔ‬
‫ﻗدر اﻹمكان‪ ،‬و لﺘاﱄ اﶈاﻓﻈﺔ على أﻛﱪ ﻗدر ﳑكﻦ مﻦ اﳌعلومات اﶈﺘوات ﰲ ﺟدول الﺒﻴا ت اﻷﺻلﻴﺔ )اﳉدول‬
‫اﳌﺰدوج(‪ ،‬مﻊ ﲢلﻴﻞ ﺟاﻧب اﻷسﻄﺮ وﲢلﻴﻞ ﺟاﻧب اﻷعﻤدة )اﻹسﻘاﻃات والﺘﻤﺜﻴﻼت الﺒﻴاﻧﻴﺔ(‪.‬‬
‫‪ .2‬ﺧﻄﻮات إﺟﺮاء ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ‪:‬‬

‫ﻹﺟﺮاء ﲢلﻴﻞ عاملﻲ ﺗواﻓﻘﻲ‪ ،‬ﳚب إﺗﺒاع اﳋﻄوات الﺘالﻴﺔ‪:‬‬
‫أ‪ .‬ﲨﻊ اﻟﺒﻴﺎ ت وﺗﺸكﻴﻞ اﳉﺪاول اﻟكﺎﻣﻠﺔ )أو ﺟﺪول اﻟﺒﻴﺎ ت اﳋﺎم(‪:‬‬
‫بعد ﲨﻊ الﺒﻴا ت ﺣول موﺿوع الدراسﺔ )إما سلوب مﺒاشﺮ أو ﻏﲑ مﺒاشﺮ(‪ ،‬ﻧﻘوم دخاﳍا إﱃ الﱪامج‬
‫اﻹﺣصاﺋﻴﺔ اﳉاﻫﺰة )ﻛﱪ مج ‪ SPSS‬أو بﺮ مج ‪ .(XL-STAT‬وذلﻚ على شكﻞ اﳉداول اﳌﻨفصلﺔ‬
‫الكاملﺔ )‪ ،(Tableau disjonctif complet‬أو ﺟداول الﺒﻴا ت اﳋام ) ‪Tableau des‬‬
‫‪.(données brutes‬‬
‫اﳌﺜﺎل اﻟﺴﺎﺑﻖ )اﳌﺴﺘﻮى اﻟﺘﻌﻠﻴﻤﻲ واﳉﻨﺲ(‪:‬‬
‫‪ ‬اﳉﺪول اﳌﻨﻔﺼﻞ اﻟكﺎﻣﻞ‪:‬‬
‫ﺟﺪول اﳌﺘﻐﲑ ‪X‬‬
‫‪Y‬‬
‫ﻧوي مﺘوسﻂ ابﺘداﺋﻲ‬ ‫ﺟامعﻲ‬
‫‪31‬‬
‫‪- 64 -‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫‪2‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪3‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪4‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪5‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪6‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪7‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪8‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪9‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪10‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫ا ﻤوع‬ ‫‪2‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪2‬‬
‫ﺟﺪول اﳌﺘﻐﲑ ‪Y‬‬

‫‪Y‬‬
‫ذﻛﺮ‬ ‫أﻧﺜى‬
‫‪1‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪3‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪4‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪5‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪6‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪7‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪8‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪9‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪10‬‬ ‫‪1‬‬ ‫‪0‬‬
‫ا ﻤوع‬ ‫‪6‬‬ ‫‪4‬‬
‫‪- 65 -‬‬
‫‪ ‬ﺟﺪول اﻟﺒﻴﺎ ت اﳋﺎم‪:‬‬

‫اﻷﻓﺮاد‬ ‫‪X‬‬ ‫‪Y‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪3‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪4‬‬ ‫‪2‬‬ ‫‪1‬‬
‫‪5‬‬ ‫‪2‬‬ ‫‪1‬‬
‫‪6‬‬ ‫‪2‬‬ ‫‪1‬‬
‫‪7‬‬ ‫‪3‬‬ ‫‪2‬‬
‫‪8‬‬ ‫‪4‬‬ ‫‪2‬‬
‫‪9‬‬ ‫‪4‬‬ ‫‪2‬‬
‫‪10‬‬ ‫‪3‬‬ ‫‪1‬‬
‫ب‪ .‬ﺗﺸكﻴﻞ اﳉﺪول اﳌزدوج‪:‬‬
‫ﻻعﺘﻤاد على اﳉداول الكاملﺔ أو اﳉداول اﳋام‪ ،‬ﻧﻘوم بﺘﺸكﻴﻞ اﳉدول اﳌﺰدوج )أو ﺟدول الﺘواﻓﻖ أو‬
‫ﺟدول الﺘﺒعﻴﺔ( ) ‪Tableau de contingence ou tableau de dépendance ou‬‬
‫‪ 32 (tableau Croisé‬والﺬي ﻳﻀم الﺘكﺮارات اﳌﻄلﻘﺔ لكﻞ ﻓﺌﺔ مﻦ الفﺌات ﻛﻤا ﻳلﻲ‪:‬‬
‫‪Y‬‬ ‫ا ﻤوع‬
‫…‬ ‫…‬
‫‪X‬‬
‫‪.‬‬
‫…‬ ‫…‬ ‫‪...‬‬
‫‪.‬‬
‫…‬ ‫…‬ ‫‪...‬‬
‫‪.‬‬
‫ا ﻤوع‬ ‫‪.‬‬ ‫‪...‬‬ ‫‪.‬‬ ‫‪...‬‬ ‫‪.‬‬ ‫‪..‬‬
‫‪32‬‬
‫‪- 66 -‬‬
‫مﻦ ‪ Y‬ﰲ ﻧفﺲ‬ ‫مﻦ ‪ X‬والفﺌﺔ‬ ‫ﳝﺜﻞ عدد اﻷﻓﺮاد )عدد الﺘكﺮارات( الﱵ ﺗﻨﺘﻤﻲ للفﺌﺔ‬ ‫ﺣﻴﺚ‪:‬‬
‫الوﻗﺖ‪.‬‬
‫مﻦ ‪) ( = 1,2, … , ) X‬ا ﻤوع‬ ‫ﳝﺜﻞ عدد اﻷﻓﺮاد الﱵ ﺗﻨﺘﻤﻲ للفﺌﺔ‬ ‫‪.‬‬ ‫∑=‬ ‫و‪:‬‬
‫اﳍامﺸﻲ لﻸسﻄﺮ(‪.‬‬
‫مﻦ ‪) .( = 1,2, … , ) Y‬ا ﻤوع‬ ‫ﳝﺜﻞ عدد اﻷﻓﺮاد الﱵ ﺗﻨﺘﻤﻲ للفﺌﺔ‬ ‫‪.‬‬ ‫∑=‬ ‫و‪:‬‬
‫اﳍامﺸﻲ لﻸعﻤدة(‪.‬‬
‫العدد الكلﻲ لﻸﻓﺮاد )ا ﻤوع الكلﻲ(‪.‬‬ ‫‪..‬‬ ‫∑ ∑=‬ ‫و‪:‬‬
‫⋯‬ ‫…‬
‫⋮‬ ‫…‬ ‫… ⋮‬ ‫⋮‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫…‬ ‫…‬ ‫ﻧﺮمﺰ ﳍﺬا اﳉدول لﺮمﺰ ‪ ،N‬ﺣﻴﺚ‪:‬‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫⋯‬ ‫…‬
‫‪.‬‬ ‫(=‬ ‫…‬ ‫ﻛﻞ ﻓﺌﺔ ‪ i‬مﻦ اﳌﺘﻐﲑ ‪ُ X‬ﲤﺜّﻞ ﰲ ﻓﻀاء ذو بعد ‪) :ℝ p‬‬
‫‪.‬‬ ‫=‬ ‫ﻛﻞ ﻓﺌﺔ ‪ j‬مﻦ اﳌﺘﻐﲑ ‪ُ Y‬ﲤﺜّﻞ ﰲ ﻓﻀاء ذو بعد ‪:ℝ n‬‬
‫⋮‬
‫ﻣﻼﺣﻈﺔ‪ :‬على بﺮ مج ‪ SPSS‬ﳝكﻦ الﻘﻴام بﺘحلﻴﻞ عاملﻲ ﺗواﻓﻘﻲ ﻻعﺘﻤاد على ﺟدول الﺒﻴا ت اﳋام ﻓﻘﻂ‪،‬‬
‫وﻻ ﳝكﻦ ذلﻚ مﻦ خﻼل اﳉدول اﳌﺰدوج‪ .‬أما على بﺮ مج ‪ XL-STAT‬ﻓﻴﻤكﻦ الﻘﻴام بﺘحلﻴﻞ عاملﻲ ﺗواﻓﻘﻲ‬
‫إما ﻻعﺘﻤاد على ﺟدول الﺒﻴا ت اﳋام أو مﻦ خﻼل اﳉدول اﳌﺰدوج‪.‬‬
‫‪2‬‬ ‫‪0‬‬
‫‪.‬‬ ‫‪= 3‬‬ ‫ﻓﻴكون لدﻳﻨا‪1 :‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪0‬‬ ‫‪2‬‬
‫‪- 67 -‬‬
‫ج‪ .‬ﺗﺸكﻴﻞ ﺟﺪول اﻟﺘكﺮارات اﻟﻨﺴﺒﻴﺔ اﳌﺸﺎﻫﺪة‪:‬‬

‫لﺘﺸكﻴﻞ ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ اﳌﺸاﻫدة ) ‪Tableau des fréquences relatives‬‬
‫‪ (observées‬ﻧﻘوم بﻘسﻤﺔ ﻛﻞ ﺗكﺮار ﰲ اﳉدول اﳌﺰدوج ) ( على ا ﻤوع الكلﻲ للﺘكﺮارات ) ‪.( ..‬‬
‫‪.33‬‬ ‫=‬ ‫‪ ،‬ﺣﻴﺚ‪:‬‬ ‫ﻓﺘﺘحصﻞ على الﺘكﺮار الﻨسﱯ‬
‫‪..‬‬
‫وﻳسﻤى ﻛﺬلﻚ ﲜدول اﻻﺣﺘﻤاﻻت )‪.(Tableau des probabilités‬‬
‫اﳉدول اﳌواﱄ ﳝﺜﻞ ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ‪:‬‬
‫‪Y‬‬ ‫ا ﻤوع‬
‫…‬ ‫…‬
‫‪X‬‬
‫‪.‬‬
‫…‬ ‫…‬ ‫‪...‬‬
‫‪.‬‬
‫…‬ ‫…‬ ‫‪...‬‬
‫‪.‬‬
‫ا ﻤوع‬ ‫‪.‬‬ ‫‪...‬‬ ‫‪.‬‬ ‫‪...‬‬ ‫‪.‬‬ ‫‪..= 1‬‬
‫مﻦ ‪ Y‬ﰲ ﻧفﺲ الوﻗﺖ‪.‬‬ ‫مﻦ ‪ X‬والفﺌﺔ‬ ‫ﳝﺜﻞ الﺘكﺮار الﻨسﱯ للفﺌﺔ‬ ‫ﺣﻴﺚ‪:‬‬
‫∩) = ( ‪.‬‬ ‫=‬ ‫وﲤﺜﻞ اﻻﺣﺘﻤال‪:‬‬
‫مﻦ ‪.( = 1,2, … , ) X‬‬ ‫و‪ . :‬ﳝﺜﻞ الﺘكﺮار الﻨسﱯ للفﺌﺔ‬
‫وﲤﺜﻞ اﻻﺣﺘﻤال اﳍامﺸﻲ‪. ( = ) = . :‬‬
‫مﻦ ‪.( = 1,2, … , ) Y‬‬ ‫و‪ . :‬ﳝﺜﻞ الﺘكﺮار الﻨسﱯ للفﺌﺔ‬
‫‪.‬‬ ‫=‬ ‫وﲤﺜﻞ اﻻﺣﺘﻤال اﳍامﺸﻲ‪= . :‬‬
‫و‪ .. :‬ﳝﺜﻞ الﺘكﺮار الﻨسﱯ الكلﻲ )ﳎﻤوع ﲨﻴﻊ اﻻﺣﺘﻤاﻻت(‪.‬‬
‫⋯‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋮ … ⋮‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫…‬ ‫…‬ ‫ﻧﺮمﺰ ﳍﺬا اﳉدول لﺮمﺰ ‪ ،F‬ﺣﻴﺚ‪:‬‬
‫⋮‬ ‫⋯ ⋯ ⋯ …‬
‫⋯‬ ‫…‬
‫‪- 68 -‬‬
‫اﳌﺜﺎل اﻟﺴﺎﺑﻖ )اﳌﺴﺘﻮى اﻟﺘﻌﻠﻴﻤﻲ واﳉﻨﺲ(‪ :‬ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ اﳌﺸاﻫدة مﺒﻴﻨﺔ ﰲ اﳉدول الﺘاﱄ‪:‬‬
‫‪0,2 0‬‬
‫‪0,3 0,1‬‬
‫= ‪.‬‬ ‫ﻓﻴكون لدﻳﻨا‪:‬‬
‫‪0,1 0,1‬‬
‫‪0 0,2‬‬
‫‪ ،‬أي أن اﺣﺘﻤال أن ﻳكون اﳌسﺘوى الﺘعلﻴﻤﻲ مﺘوسﻂ ﻫو ‪.0,4‬‬ ‫لدﻳﻨا‪ = . = 0,4 :‬مﺘوسﻂ =‬
‫‪ ،‬أي أن اﺣﺘﻤال أن ﻳكون اﳉﻨﺲ ذﻛﺮ ﻫو ‪.0,6‬‬ ‫= ذﻛﺮ =‬ ‫‪.‬‬ ‫ولدﻳﻨا‪= 0,6 :‬‬
‫د‪ .‬ﺗﺸكﻴﻞ ﺟﺪول اﻟﺘكﺮارات اﻟﻨﺴﺒﻴﺔ اﻟﻨﻈﺮﻳﺔ‪:‬‬

‫لﺘﺸكﻴﻞ ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ الﻨﻈﺮﻳﺔ ) ‪Tableau des fréquences relatives‬‬
‫‪ (théoriques‬ﻧﻘوم بﻀﺮب ﳎﻤوع الﺘكﺮارات الﻨسﺒﻴﺔ لﻸسﻄﺮ ) ‪ ( .‬ﰲ ﳎﻤوع الﺘكﺮارات الﻨسﺒﻴﺔ‬
‫لﻸعﻤدة ) ‪ ،( .‬ﻓﻨﺘحصﻞ على الﺘكﺮار الﻨﻈﺮي )اﳌﺘوﻗﻊ( ) (‪ ،‬أي‪. = . × . :34‬‬
‫ﻫﺬﻩ الﻘﻴم ﳉدول الﺘكﺮارات الﻨسﺒﻴﺔ الﻨﻈﺮﻳﺔ ﺗفﱰض اﻻسﺘﻘﻼلﻴﺔ بﲔ اﻷسﻄﺮ واﻷعﻤدة )اﳌﺘﻐﲑﻳﻦ ‪ X‬و‪Y‬‬
‫مسﺘﻘلﲔ( ‪.35‬‬
‫ﺗﺬﻛﲑ‪ :‬إذا ﻛان ‪ A‬و‪ B‬ﺣد ن مسﺘﻘﻼن ) ⊥ ‪ ،(A‬ﻓﺈن‪. ( ∩ ) = ( ) × ( ) :‬‬
‫وعلﻴﻪ‪ ،‬ﻓﺘحﺖ ﻓﺮﺿﻴﺔ اسﺘﻘﻼلﻴﺔ اﻷسﻄﺮ عﻦ اﻷعﻤدة ﻓﺈن‪:‬‬
‫‪.‬‬ ‫= (‬ ‫∩)‬ ‫=‬ ‫= ( =‬ ‫×)‬ ‫=‬
‫‪.‬‬ ‫= ( =‬ ‫×)‬ ‫=‬ ‫ومﻨﻪ‪= . × . :‬‬
‫اﳉدول اﳌواﱄ ﳝﺜﻞ ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ الﻨﻈﺮﻳﺔ‪:‬‬
‫‪34‬‬
‫‪35‬‬
‫‪- 69 -‬‬
‫‪Y‬‬ ‫ا ﻤوع‬
‫…‬ ‫…‬
‫‪X‬‬
‫‪.‬‬
‫…‬ ‫…‬ ‫‪...‬‬
‫‪.‬‬
‫…‬ ‫…‬ ‫‪...‬‬
‫‪.‬‬
‫ا ﻤوع‬ ‫‪.‬‬ ‫‪...‬‬ ‫‪.‬‬ ‫‪...‬‬ ‫‪.‬‬ ‫‪..= 1‬‬
‫⋯‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋮ … ⋮‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫…‬ ‫…‬ ‫ﻧﺮمﺰ ﳍﺬا اﳉدول لﺮمﺰ ‪ ،T‬ﺣﻴﺚ‪:‬‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫⋯‬ ‫…‬
‫ﻣﻼﺣﻈﺔ‪ :‬ﻫﺬا الﺘحوﻳﻞ للﻘﻴم ﻻ ﻳﺆﺛﺮ على ا امﻴﻊ اﳍامﺸﻴﺔ لﻸسﻄﺮ ) ‪ ( .‬وﻻ اﻷعﻤدة ) ‪) ( .‬ﻧفﺲ ا امﻴﻊ(‪.‬‬
‫∑‪.‬‬ ‫∑=‬ ‫‪.‬‬ ‫×‬ ‫‪.‬‬ ‫=‬ ‫∑‪.‬‬ ‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫=‪×1‬‬ ‫‪.‬‬ ‫ﻷن‪ - :‬اﻷسﻄﺮ‪:‬‬
‫∑‪.‬‬ ‫∑=‬ ‫‪.‬‬ ‫×‬ ‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫∑‬ ‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫=‪×1‬‬ ‫‪.‬‬ ‫‪ -‬اﻷعﻤدة‪:‬‬
‫اﳌﺜﺎل اﻟﺴﺎﺑﻖ )اﳌﺴﺘﻮى اﻟﺘﻌﻠﻴﻤﻲ واﳉﻨﺲ(‪ :‬ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ الﻨﻈﺮﻳﺔ مﺒﻴﻨﺔ ﰲ اﳉدول الﺘاﱄ‪:‬‬
‫‪0,12‬‬ ‫‪0,08‬‬
‫‪0,24‬‬ ‫‪0,16‬‬
‫= ‪.‬‬ ‫‪0,12‬‬ ‫‪0,08‬‬
‫ﻓﻴكون لدﻳﻨا‪:‬‬
‫‪0,12‬‬ ‫‪0,08‬‬
‫∑‪.‬‬ ‫= ‪= 0,12 + 0,08‬‬ ‫‪.‬‬ ‫ولدﻳﻨا‪ - :‬ﳎﻤوع اﻷسﻄﺮ‪= 0,2 :‬‬
‫∑‪.‬‬ ‫= ‪= 0,12 + 0,24 + 0,12 + 0,12‬‬ ‫‪.‬‬ ‫‪ -‬ﳎﻤوع اﻷعﻤدة‪= 0,6 :‬‬
‫ﻣﻼﺣﻈﺔ‪ :‬اﳌﻘارﻧﺔ )الفﺮوﻗات( بﲔ الﺘكﺮارات الﻨسﺒﻴﺔ اﳌﺸاﻫدة والﺘكﺮارات الﻨسﺒﻴﺔ الﻨﻈﺮﻳﺔ ﻫﻲ مﻦ سﻴسﻤﺢ‬
‫لﻨا لﺘعﺮف على اسﺘﻘﻼلﻴﺔ اﳌﺘﻐﲑﻳﻦ مﻦ عدمﻪ‪.‬‬
‫‪- 70 -‬‬
‫ه‪ .‬اﺧﺘﺒﺎر ﻛﺎي ﺗﺮﺑﻴﻊ‪:‬‬

‫( لكﺸﻒ عﻦ وﺟود عﻼﻗﺔ بﲔ ﻓﺌات مﺘﻐﲑﻳﻦ‬ ‫ﻳسﻤﺢ اخﺘﺒار ﻛاي ﺗﺮبﻴﻊ ))‪(Chi-square‬‬
‫ﻛﻴفﻴﲔ‪ .‬أي ﳚﻴب عﻦ الﺘساؤل‪ :‬ﻫﻞ الفﺌﺔ ‪ i‬مﻦ اﳌﺘﻐﲑ ‪ X‬ﺗدل على الفﺌﺔ ‪ j‬مﻦ اﳌﺘﻐﲑ ‪Y‬؟ ﻓﻬو ﻳسﺘﺨدم‬
‫لدراسﺔ اﻻرﺗﺒاط بﲔ اﻷعﻤدة واﻷسﻄﺮ ﰲ اﳉداول اﳌﺰدوﺟﺔ‪ .‬وﻳﻘوم ﻫﺬا اﻻخﺘﺒار على مﻘارﻧﺔ الﻘﻴﻤﺔ اﳌﺸاﻫدة‬
‫‪.‬‬ ‫( ﰲ ﻛﻞ خلﻴﺔ )ﰲ اﳉدول اﳌﺰدوج( مﻦ خﻼ ﺗﻘاﻃﻊ ﻓﺌات اﳌﺘﻐﲑﻳﻦ لﻘﻴﻤﺔ اﳌﺘوﻗعﺔ )الﻨﻈﺮﻳﺔ(‬ ‫)‬
‫‪ ‬ﻓﺮﺿﻴﺎت اﻻﺧﺘﺒﺎر‪:‬‬
‫(‪.‬‬ ‫=‬ ‫(‪ :‬ﻻ ﺗوﺟد عﻼﻗﺔ ارﺗﺒاط ذات دﻻلﺔ بﲔ اﳌﺘﻐﲑﻳﻦ )اﳌﺘﻐﲑﻳﻦ مسﺘﻘلﲔ‪:‬‬ ‫الفﺮﺿﻴﺔ الصفﺮﻳﺔ )‬
‫(‪.‬‬ ‫≠‬ ‫(‪ :‬ﺗوﺟد عﻼﻗﺔ ارﺗﺒاط ذات دﻻلﺔ بﲔ اﳌﺘﻐﲑﻳﻦ )اﳌﺘﻐﲑﻳﻦ مﱰابﻄﲔ‪:‬‬ ‫الفﺮﺿﻴﺔ الﺒدﻳلـ ـ ـ ــﺔ )‬
‫‪.‬‬ ‫=‬ ‫∑ ‪..‬‬ ‫∑‬ ‫‪ ‬اﺣﺼﺎﺋﻴﺔ اﻻﺧﺘﺒﺎر‪ :‬إﺣصاﺋﻴﺔ اخﺘﺒار ﻛاي ﺗﺮبﻴﻊ ﻫﻲ‪:‬‬
‫درﺟﺔ اﳊﺮﻳﺔ ﻫﻲ‪) :‬عدد اﻷسﻄﺮ ‪)*(1 -‬عدد اﻷعﻤدة – ‪.36(1‬‬
‫أﺻﻐﺮ مﻦ ا دولﺔ ∗ )‪(( − 1‬‬ ‫‪ ‬ﻗﺮار اﻻﺧﺘﺒﺎر‪ :‬إذا ﻛاﻧﺖ إﺣصاﺋﻴﺔ ﻛاي ﺗﺮبﻴﻊ اﶈسوبﺔ‬
‫‪،‬‬ ‫))‪) ( − 1‬أو الﻘﻴﻤﺔ اﻻﺣﺘﻤالﻴﺔ أﻛﱪ مﻦ مسﺘوى اﳌعﻨوﻳﺔ ‪ ،37 (α‬ﻓﺈ ﻧﻘﺒﻞ الفﺮﺿﻴﺔ الصفﺮﻳﺔ‬
‫والﱵ ﺗﻘﻀﻲ بعدم وﺟود عﻼﻗﺔ بﲔ اﳌﺘﻐﲑﻳﻦ )اﳌﺘﻐﲑﻳﻦ مسﺘﻘلﲔ(‪.‬‬
‫‪ ‬ﻣﻼﺣﻈﺎت‪:‬‬
‫(‪.‬‬ ‫‪−‬‬ ‫‪ ‬ﻳﻘﻴﺲ اخﺘﺒار ﻛاي ﺗﺮبﻴﻊ الﺒعد عﻦ اﻻسﺘﻘﻼلﻴﺔ ‪) l’écart à l’indépendances‬‬
‫‪ ‬اخﺘﺒار ﻛاي ﺗﺮبﻴﻊ ﻳسﻤﺢ ﻓﻘﻂ خﺘﺒار اﻻرﺗﺒاط بﲔ مﺘﻐﲑﻳﻦ ﻛﻴفﻴﲔ‪ ،‬لكﻨﻪ ﻻ ﻳﺒﲔ ﻧوع وﻗوة العﻼﻗﺔ بﻴﻨﻬﻤا‪.‬‬
‫لكﻦ الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ ﻳسﻤﺢ لﺘفصﻴﻞ ﰲ ﲢلﻴﻞ العﻼﻗﺔ بﻴﻨﻬﻤا‪ .‬وﳍﺬا ﻓﺈن اخﺘﺒار ﻛاي ﺗﺮبﻴﻊ ﻻ‬
‫ﻳكفﻲ لﺘحلﻴﻞ العﻼﻗﺔ بﲔ مﺘﻐﲑﻳﻦ ﻛﻴفﻴﲔ‪ ،‬ﻓحﱴ وإن ﻛان ﻏﲑ معﻨوي‪ ،‬ﻓﻼ بد مﻦ إﻛﻤال وﺗعﺰﻳﺰ الﺘحلﻴﻞ‬
‫بﻄﺮﻳﻘﺔ الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ‪ .‬ﻓﻤﺜﻼ ﰲ ﺣالﺔ ﺗﺒاﻳﻦ ﻛلﻲ )‪ (Inertie‬ﺻﻐﲑ ﻓﺈن اخﺘﺒار ﻛاي ﺗﺮبﻴﻊ ﻻ‬
‫ﻳسﺘﻄﻴﻊ اﻛﺘﺸاف العﻼﻗﺔ بﲔ اﳌﺘﻐﲑﻳﻦ‪ ،‬لكﻦ ﳝكﻦ ذلﻚ مﻦ خﻼل الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ‪.‬‬
‫‪ ‬الﺘﺒاﻳﻦ الكلﻲ لسحابﺔ الﻨﻘاط ﻫو‪:38‬‬
‫∑= ‪.‬‬ ‫∑=) ‪(,‬‬ ‫∑=) ‪( ,‬‬ ‫∑‬ ‫‪. .‬‬

‫‪.‬‬ ‫‪.‬‬
‫‪. .‬‬
‫∑ = ﻫﻲ الﺘﺒاﻳﻦ الكلﻲ(‪.‬‬ ‫)ﺣﻴﺚ‬ ‫=‬ ‫‪..‬‬ ‫‪ ‬ﺻﻴﻐﺔ أخﺮى ﻹﺣصاﺋﻴﺔ ﻛاي ﺗﺮبﻴﻊ ﻫﻲ‪× :39‬‬
‫‪36‬‬
‫‪37‬‬
‫‪38‬‬
‫‪39‬‬
‫‪- 71 -‬‬
‫و‪ .‬اﺧﺘﺒﺎر اﻟﺘﺠﺎذب‪/‬اﻟﺘﻨﺎﻓﺮ‪:‬‬

‫ﲟعامﻞ الﺘﺠاذب‪/‬الﺘﻨاﻓﺮ )‪.(attraction/répulsion‬‬ ‫=‬ ‫=‬ ‫ﻧسﻤﻲ الﻘﻴﻤﺔ‬
‫‪.× .‬‬
‫واسﺘعﻤلﺖ ﻫﺬﻩ العﻼﻗﺔ مﻦ ﻃﺮف ﻛﻞ مﻦ )‪ Escofier et Pagés (1988‬وﺗلعب ﻫﺬﻩ اﻷخﲑة دور‬
‫أساسﻲ ﰲ ‪.40AFC‬‬
‫ﳝكﻦ اسﺘﻨﺘاج وﺟود ﲡاذب أو ﺗﻨاﻓﺮ بﲔ ﻓﺌات اﳌﺘﻐﲑﻳﻦ مﻦ خﻼل ﺣساب معامﻞ الﺘﺠاذب ﻛﻤا ﻳلﻲ‪:‬‬
‫مﻦ اﳌﺘﻐﲑ ‪X‬‬ ‫= (‪ ،‬ﻧﻘول أﻧﻪ ﻻ ﻳوﺟد ارﺗﺒاط بﲔ الفﺌﺔ‬ ‫)أي‪:‬‬ ‫‪ ‬إذا ﻛان ‪= 1‬‬
‫والفﺌﺔ مﻦ اﳌﺘﻐﲑ ‪) Y‬أي الفﺌﺘﲔ مسﺘﻘلﺘﲔ(‪.‬‬
‫و مﺘﻨاﻓﺮ ن‪.‬‬ ‫< (‪ ،‬ﻧﻘول أن الفﺌﺘﲔ‬ ‫)أي‪:‬‬ ‫‪ ‬إذا ﻛاﻧﺖ ‪< 1‬‬
‫مﺘﺠاذبﺘان‪.‬‬ ‫و‬ ‫(‪ ،‬ﻧﻘول أن الفﺌﺘﲔ‬ ‫>‬ ‫)أي‪:‬‬ ‫‪ ‬إذا ﻛاﻧﺖ ‪> 1‬‬
‫اﳌﺜﺎل اﻟﺴﺎﺑﻖ )اﳌﺴﺘﻮى اﻟﺘﻌﻠﻴﻤﻲ واﳉﻨﺲ(‪ :‬ﻧﻘوم ﲝساب إﺣصاﺋﻴﺔ ﻛاي ﺗﺮبﻴﻊ‪:‬‬
‫‪ ‬لدﻳﻨا إﺣصاﺋﻴﺔ ﻛاي ﺗﺮبﻴﻊ اﶈسوبﺔ ﻫﻲ‪:‬‬
‫‪.‬‬ ‫=‬ ‫∑ ‪..‬‬ ‫∑‬ ‫‪= 10 × 0,48 = 4,8‬‬
‫‪,‬‬ ‫أﺻﻐﺮ مﻦ ا دولﺔ = )‪(3 ∗ 1‬‬ ‫‪ ‬ﲟا أن ﻗﻴﻤﺔ إﺣصاﺋﻴﺔ ﻛاي ﺗﺮبﻴﻊ اﶈسوبﺔ ‪= 4,8‬‬
‫‪ ،‬والﱵ ﺗﻘﻀﻲ بعدم وﺟود عﻼﻗﺔ بﲔ اﳌﺘﻐﲑﻳﻦ )اﳌﺘﻐﲑﻳﻦ‬ ‫‪ ،7,81‬ﻓﺈ ﻧﻘﺒﻞ الفﺮﺿﻴﺔ الصفﺮﻳﺔ‬
‫مسﺘﻘلﲔ(‪.‬‬
‫‪.‬‬ ‫‪ ‬لدﻳﻨا‪:‬‬
‫‪,‬‬
‫=‬ ‫‪..‬‬ ‫= ⟹ ×‬ ‫=‬ ‫∑ = ‪= 0,48‬‬ ‫=‬
‫‪..‬‬
‫‪ ،‬ومﻨﻪ الفﺌﺘﲔ "ابﺘداﺋﻲ" و "ذﻛﺮ" مﺘﺠاذبﺘان‪.‬‬ ‫‪ ‬لدﻳﻨا‪= 1,67 > 1 :‬‬

‫‪,‬‬
‫=‬ ‫=‬
‫‪,‬‬
‫‪- 72 -‬‬
‫‪ ،‬ومﻨﻪ الفﺌﺘﲔ " ﻧوي" و "ذﻛﺮ" مﺘﻨاﻓﺮ ن‪.‬‬ ‫‪ ‬لدﻳﻨا‪= 0,83 < 1 :‬‬
‫‪,‬‬
‫=‬ ‫=‬
‫‪,‬‬
‫‪ ،‬ﻧﻘول أن الفﺌﺘﲔ " ﻧوي" و "أﻧﺜى" مﺘﺠاذبﺘان‪.‬‬ ‫‪ ‬لدﻳﻨا‪= 1,25 > 1 :‬‬
‫‪,‬‬
‫=‬ ‫=‬
‫‪,‬‬
‫ز‪ .‬ﲢﻠﻴﻞ ﺟﺎﻧﺐ اﻷﺳﻄﺮ )ﺟﺪول اﻟﺘكﺮارات اﻟﻨﺴﺒﻴﺔ ﻟﻸﺳﻄﺮ(‪:‬‬
‫لﺘحلﻴﻞ ﺟاﻧب اﻷسﻄﺮ )‪ (Profils lignes‬ﻧﻘوم بﻘسﻤﺔ ﲨﻴﻊ أسﻄﺮ ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ‬
‫‪.‬‬ ‫=‬ ‫=‬ ‫( على ﳎﻤوع الﺘكﺮار الﻨسﱯ للسﻄﺮ اﳌواﻓﻖ ﳍا ) ‪ ،( .‬أي ﳓسب‪:‬‬ ‫)‬
‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫= ‪= /‬‬ ‫=‬ ‫وﻫﻲ ﲤﺜﻞ اﻻﺣﺘﻤاﻻت الﺸﺮﻃﻴﺔ الﺘالﻴﺔ‪:‬‬
‫ﻳسﻤﺢ ﻫﺬا اﳉدول ﳌﻘارﻧﺔ بﲔ اﻷسﻄﺮ ﻓﻴﻤا بﻴﻨﻬا )ﻓﺌات مﺘﻐﲑ اﻷسﻄﺮ(‪.‬‬
‫ﳝﺜﻞ اﳉدول الﺘاﱄ الﺘكﺮارات الﻨسﺒﻴﺔ لﻸسﻄﺮ‪:‬‬
‫‪Y‬‬ ‫ا ﻤوع‬
‫…‬ ‫…‬
‫‪X‬‬
‫‪1‬‬
‫‪.‬‬
‫…‬ ‫…‬ ‫‪...‬‬
‫‪1‬‬
‫‪.‬‬
‫…‬ ‫…‬ ‫‪...‬‬
‫‪1‬‬
‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪...‬‬ ‫‪.‬‬

‫ﻧﺮمﺰ ﳍﺬا اﳉدول لﺮمﺰ ‪) L‬مصفوﻓﺔ الﺘكﺮارات الﻨسﺒﻴﺔ لﻸسﻄﺮ(‪ ،‬ﺣﻴﺚ‪:‬‬
‫⋯‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋮ … ⋮‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫…‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫⋯‬ ‫…‬
‫‪.‬‬ ‫×‬ ‫=‬ ‫‪.‬‬ ‫×‬ ‫ﳝكﻦ الﻘﻴام ﺬﻩ اﳊسا ت مﻦ خﻼل اﳉداء اﳌصفوﰲ الﺘاﱄ‪:‬‬
‫‪.‬‬
‫‪⋯ 0 … 0‬‬
‫⋮‬ ‫…‬ ‫⋮ … ⋮‬
‫‪.‬‬ ‫=‬ ‫‪0‬‬ ‫…‬ ‫‪.‬‬
‫‪… 0‬‬ ‫ﻫﻲ مصفوﻓﺔ ﻗﻄﺮﻳﺔ‪:‬‬ ‫ﺣﻴﺚ‬
‫⋮‬ ‫⋯ ⋯ ⋯ …‬
‫‪0‬‬ ‫… ‪⋯ 0‬‬ ‫‪.‬‬
‫‪- 73 -‬‬
‫⋯‬ ‫‪… 0‬‬ ‫‪0‬‬ ‫⋯‬ ‫…‬

‫…‬ ‫⋮ …‬ ‫⋮‬
‫⋮‬ ‫…‬ ‫… ⋮‬ ‫⋮‬
‫‪.‬‬
‫⋮‬ ‫‪… 0‬‬
‫=‬ ‫‪.‬‬ ‫=‬ ‫…‬ ‫‪.‬‬ ‫…‬ ‫…‬ ‫أي‪:‬‬
‫‪0‬‬ ‫‪.‬‬
‫⋮‬ ‫…‬ ‫⋯‬ ‫⋯‬ ‫⋯‬ ‫⋮‬ ‫…‬ ‫⋯ ⋯‬ ‫⋯‬
‫‪0‬‬ ‫… ‪⋯ 0‬‬ ‫⋯‬ ‫…‬
‫‪.‬‬
‫∑(‪.‬‬ ‫∑=‬ ‫=‬ ‫∑‬ ‫=‬ ‫‪.‬‬

‫ﻣﻼﺣﻈﺔ‪ :‬ﳎﻤوع ﻗﻴم اﻷسﻄﺮ ﺗساوي ‪= 1) .41 1‬‬
‫اﳌﺜﺎل اﻟﺴﺎﺑﻖ )اﳌﺴﺘﻮى اﻟﺘﻌﻠﻴﻤﻲ واﳉﻨﺲ(‪ :‬ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ لﻸسﻄﺮ مﺒﲔ ﰲ اﳉدول الﺘاﱄ‪:‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪0‬‬ ‫‪0 0‬‬

‫‪,‬‬ ‫‪0,2 0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪0‬‬ ‫‪0 0‬‬ ‫‪0,3 0,1‬‬ ‫‪0,75 0,25‬‬
‫= ‪.‬‬ ‫‪.‬‬ ‫=‬ ‫‪,‬‬ ‫=‬ ‫لدﻳﻨا‪:‬‬
‫‪0‬‬ ‫‪0,1 0,1‬‬ ‫‪0,5‬‬ ‫‪0,5‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪,‬‬ ‫‪0 0,2‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪,‬‬
‫اﺣﺘﻤال أن ﻳكون "ذﻛﺮا" علﻤا أن مسﺘواﻩ "مﺘوسﻂ" ﻫو‪ = :‬مﺘوسﻂ = ‪/‬ذﻛﺮ =‬

‫)‪ %75‬ﳑﻦ مسﺘواﻫم مﺘوسﻂ ﻫم ذﻛﺮان(‪.‬‬ ‫‪= 0,75‬‬
‫ح‪ .‬ﲢﻠﻴﻞ ﺟﺎﻧﺐ اﻷﻋﻤﺪة )ﺟﺪول اﻟﺘكﺮارات اﻟﻨﺴﺒﻴﺔ ﻟﻸﻋﻤﺪة( )‪:(Profils colonnes‬‬
‫( على ﳎﻤوع الﺘكﺮار‬ ‫لﺘحلﻴﻞ ﺟاﻧب اﻷعﻤدة ﻧﻘوم بﻘسﻤﺔ ﲨﻴﻊ أعﻤدة ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ )‬
‫‪.‬‬ ‫=‬ ‫=‬ ‫الﻨسﱯ للعﻤود اﳌواﻓﻖ ﳍا ) ‪ ،( .‬أي ﳓسب‪:‬‬
‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫= ‪= /‬‬ ‫=‬ ‫وﻫﻲ ﲤﺜﻞ اﻻﺣﺘﻤاﻻت الﺸﺮﻃﻴﺔ الﺘالﻴﺔ‪:‬‬
‫ﻳسﻤﺢ ﻫﺬا اﳉدول ﳌﻘارﻧﺔ بﲔ اﻷعﻤدة ﻓﻴﻤا بﻴﻨﻬا )ﻓﺌات مﺘﻐﲑ اﻷعﻤدة(‪.‬‬
‫ﳝﺜﻞ اﳉدول الﺘاﱄ الﺘكﺮارات الﻨسﺒﻴﺔ لﻸعﻤدة‪:‬‬
‫‪41‬‬
‫‪- 74 -‬‬
‫‪Y‬‬
‫…‬ ‫…‬
‫‪X‬‬
‫‪.‬‬
‫‪.‬‬
‫…‬ ‫…‬ ‫‪...‬‬
‫‪.‬‬
‫‪.‬‬
‫…‬ ‫…‬ ‫‪...‬‬
‫‪.‬‬
‫‪.‬‬
‫ا ﻤوع‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪...‬‬ ‫‪1‬‬
‫ﻧﺮمﺰ ﳍﺬا اﳉدول لﺮمﺰ ‪) C‬مصفوﻓﺔ الﺘكﺮارات الﻨسﺒﻴﺔ لﻸعﻤدة(‪ ،‬ﺣﻴﺚ‪:‬‬
‫⋯‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋮ … ⋮‬
‫= × ‪.‬‬ ‫…‬ ‫…‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫⋯‬ ‫…‬
‫‪.‬‬ ‫= ×‬ ‫‪× .‬‬ ‫ﳝكﻦ الﻘﻴام ﺬﻩ اﳊسا ت مﻦ خﻼل اﳉداء اﳌصفوﰲ الﺘاﱄ‪:‬‬
‫‪.‬‬
‫‪⋯ 0 … 0‬‬
‫… ⋮‬ ‫⋮ … ⋮‬
‫… ‪. = 0‬‬ ‫‪.‬‬ ‫ﻫﻲ مصفوﻓﺔ ﻗﻄﺮﻳﺔ‪… 0 :‬‬ ‫ﺣﻴﺚ‬
‫⋯ ⋯ ⋯ … ⋮‬
‫‪0 ⋯ 0 … .‬‬
‫…‬ ‫⋯‬ ‫‪0 … 0‬‬
‫⋯‬ ‫⋮ … ⋮‬
‫⋮‬ ‫…‬ ‫⋮ … ⋮‬
‫‪.‬‬
‫…‬
‫⋮‬ ‫‪… 0‬‬
‫‪= .‬‬ ‫=‬ ‫…‬ ‫…‬ ‫…‬ ‫أي‪:‬‬
‫‪0‬‬ ‫‪.‬‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬ ‫⋮‬ ‫⋯ ⋯ ⋯ …‬

‫⋯‬ ‫…‬ ‫‪0‬‬ ‫‪⋯ 0 … .‬‬
‫∑(‪.‬‬ ‫∑=‬ ‫=‬ ‫∑‬ ‫=‬ ‫ﻣﻼﺣﻈﺔ‪ :‬ﳎﻤوع ﻗﻴم اﻷعﻤدة ﺗساوي ‪= 1) .1‬‬
‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪- 75 -‬‬
‫اﳌﺜﺎل اﻟﺴﺎﺑﻖ )اﳌﺴﺘﻮى اﻟﺘﻌﻠﻴﻤﻲ واﳉﻨﺲ(‪ :‬ﺟدول الﺘكﺮارات الﻨسﺒﻴﺔ لﻸعﻤدة مﺒﲔ ﰲ اﳉدول الﺘاﱄ‪:‬‬
‫‪0,2‬‬ ‫‪0‬‬ ‫‪0,33‬‬ ‫‪0‬‬

‫‪0,3‬‬ ‫‪0,1‬‬ ‫‪0‬‬ ‫‪0,5 0,25‬‬
‫‪. = .‬‬ ‫=‬ ‫‪.‬‬ ‫لدﻳﻨا‪:‬‬
‫‪,‬‬
‫=‬
‫‪0,1‬‬ ‫‪0,1‬‬ ‫‪0‬‬ ‫‪0,17 0,25‬‬
‫‪0‬‬ ‫‪0,2‬‬ ‫‪,‬‬
‫‪0‬‬ ‫‪0,5‬‬
‫= ذﻛﺮ = ‪/‬مﺘوسﻂ =‬ ‫"مﺘوسﻂ" علﻤا أﻧﻪ "ذﻛﺮ" ﻫو‪:‬‬ ‫اﺣﺘﻤال أن ﻳكون اﳌسﺘوى‬
‫)‪ %50‬مﻦ الﺬﻛﺮان مسﺘواﻫم مﺘوسﻂ(‪.‬‬ ‫‪= 0,5‬‬
‫ط‪ .‬ﺳﺤﺎﺑﺔ ﻧﻘﺎط اﻷﺳﻄﺮ ﰲ اﻟﻔﻀﺎء ‪:ℝ‬‬

‫‪ ،‬و لﺘاﱄ ﲤﺜﻞ ﰲ الفﻀاء ‪.ℝ‬‬ ‫=‬ ‫‪, = 1,2, … ,‬‬ ‫لدﻳﻨا ﻛﻞ ﻓﺌﺔ ‪ i‬مﻦ ‪ X‬ﳍا ‪ p‬إﺣداﺛﻴﺔ‪:‬‬
‫‪.‬‬
‫مﺮﻛﺰ ﺛﻘﻞ سحابﺔ ﻧﻘاط ﺟاﻧب اﻷسﻄﺮ ‪ G‬ﻫﻲ اﳌﺘوسﻂ اﳌﺮﺟﺢ لﻸسﻄﺮ‪ ،‬مﺮﻛﺒﺘﻬا ‪) j‬مﻊ ‪ (j=1,2,…,p‬ﻫﻲ‬
‫)ا ﻤوع اﳍامﺸﻲ لﻸعﻤدة(‪ ،‬ﻷن‪:42‬‬ ‫‪.‬‬
‫‪.‬‬ ‫∑=‬ ‫‪.‬‬ ‫×‬ ‫∑=‬ ‫‪.‬‬ ‫×‬ ‫∑=‬ ‫=‬ ‫‪.‬‬
‫‪.‬‬
‫⋯‬ ‫…‬
‫‪.‬‬ ‫‪.‬‬ ‫‪⋯ 0 … 0‬‬ ‫‪1‬‬
‫…‬
‫‪.‬‬
‫⋮‬ ‫⋮‬ ‫…‬ ‫⋮‬ ‫⋮‬
‫‪.‬‬
‫…‬ ‫⋮‬ ‫…‬ ‫⋮‬ ‫⋮‬
‫= ‪.‬‬ ‫‪.‬‬ ‫= ‪.1‬‬ ‫…‬ ‫…‬ ‫‪.‬‬ ‫…‬ ‫…‬ ‫‪0 . 1‬‬ ‫لدﻳﻨا‪:‬‬
‫×‬ ‫‪0‬‬ ‫‪.‬‬
‫⋮‬
‫‪.‬‬
‫…‬
‫‪.‬‬
‫⋯ ⋯ ⋯‬
‫‪.‬‬
‫⋮‬ ‫⋯ ⋯ ⋯ …‬ ‫⋮‬
‫‪0‬‬ ‫… ‪⋯ 0‬‬ ‫‪.‬‬ ‫‪1‬‬
‫⋯‬ ‫…‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪42‬‬
‫‪- 76 -‬‬
‫⋯‬ ‫…‬ ‫‪1‬‬ ‫‪.‬‬

‫⋮‬ ‫…‬ ‫⋮‬ ‫⋮ …‬ ‫⋮‬ ‫⋮‬
‫= ‪.‬‬ ‫…‬ ‫…‬ ‫ومﻨﻪ‪. 1 = . :‬‬
‫⋮‬ ‫⋯ …‬ ‫⋯ ⋯‬ ‫⋮‬ ‫⋮‬
‫⋯‬ ‫…‬ ‫‪1‬‬ ‫‪.‬‬
‫(‪ ،‬مﻊ اﻷخﺬ مﺮﻛﺰ اﻻسﻘاط مﺮﻛﺰ ﺛﻘﻞ سحابﺔ الﻨﻘاط )‪.(G‬‬ ‫ﻧﻘوم ﻹسﻘاط ﻻعﺘﻤاد على ﻧﻘاط اﻷسﻄﺮ )‬
‫‪.‬‬ ‫=‬ ‫=‬ ‫‪.‬‬ ‫×‬ ‫‪.‬‬ ‫⟹‬ ‫=‬ ‫‪.‬‬ ‫⟹‬ ‫=‬ ‫لدﻳﻨا ﲢﺖ ﻓﺮﺿﻴﺔ اﻻسﺘﻘﻼلﻴﺔ ﻓﺈن‪:‬‬
‫‪.‬‬
‫= (‪ ،‬ﻛلﻤا‬ ‫وﻫﺬا ﻳعﲏ أﻧﻪ ﻛلﻤا اﻗﱰبﺖ الﺘكﺮارات الﻨسﺒﻴﺔ لﻸسﻄﺮ مﻦ مﺘوسﻂ العﻤود )اﳌﺮﻛﺰ( )أي‪:‬‬
‫اﻗﱰبﻨا مﻦ اﻻسﺘﻘﻼلﻴﺔ بﲔ الفﺌات‪ ،‬والعكﺲ ﻓكلﻤا ابﺘعد عﻦ اﳌﺮﻛﺰ ﻓﻬﺬا ﻳدل على اﻻرﺗﺒاط )وﻛأﻧﻨا ﻧﻘوم بﻘﻴاس‬
‫الﺒعد عﻦ اﻻسﺘﻘﻼلﻴﺔ ‪.(l’écart à l’indépendances‬‬
‫ﻧﻘوم ﻹسﻘاط ﻻعﺘﻤاد على الﺘكﺮارات الﻨسﺒﻴﺔ لﻸسﻄﺮ ) (‪ ،‬وﻫﻲ عﻨاﺻﺮ اﳌصفوﻓﺔ =‬
‫‪1‬‬ ‫‪0‬‬
‫‪0,6‬‬ ‫‪0,75 0,25‬‬
‫= ‪.‬‬ ‫‪ .‬مﻊ اﻷخﺬ مﺮﻛﺰ اﻻسﻘاط مﺮﻛﺰ ﺛﻘﻞ سحابﺔ الﻨﻘاط )‪:(G‬‬
‫‪0,4‬‬ ‫‪0,5‬‬ ‫‪0,5‬‬
‫‪0‬‬ ‫‪1‬‬
‫ي‪ .‬ﺳﺤﺎﺑﺔ ﻧﻘﺎط اﻷﻋﻤﺪة ﰲ اﻟﻔﻀﺎء ‪:ℝ‬‬

‫‪ ،‬و لﺘاﱄ ﲤﺜﻞ ﰲ الفﻀاء ‪.ℝ‬‬ ‫=‬ ‫‪, = 1,2, … ,‬‬ ‫لدﻳﻨا ﻛﻞ ﻓﺌﺔ ‪ j‬مﻦ ‪ Y‬ﳍا ‪ n‬إﺣداﺛﻴﺔ‪:‬‬
‫‪.‬‬
‫مﺮﻛﺰ ﺛﻘﻞ سحابﺔ ﻧﻘاط ﺟاﻧب اﻷعﻤدة ‪ G‬ﻫﻲ اﳌﺘوسﻂ اﳌﺮﺟﺢ لﻸعﻤدة‪ ،‬مﺮﻛﺒﺘﻬا ‪) i‬مﻊ ‪ (i=1,2,…,n‬ﻫﻲ‬
‫‪) .‬ا ﻤوع اﳍامﺸﻲ لﻸسﻄﺮ(‪ ،‬ﻷن‪:‬‬
‫‪.‬‬ ‫∑=‬ ‫‪.‬‬ ‫×‬ ‫∑=‬ ‫‪.‬‬ ‫×‬ ‫∑=‬ ‫=‬ ‫‪.‬‬
‫‪.‬‬
‫⋯‬ ‫…‬
‫‪.‬‬ ‫‪.‬‬ ‫‪⋯ 0 … 0‬‬ ‫‪1‬‬
‫…‬
‫‪.‬‬
‫⋮‬
‫‪.‬‬
‫⋮‬ ‫…‬ ‫⋮‬ ‫⋮‬ ‫…‬ ‫⋮‬ ‫…‬ ‫⋮‬ ‫⋮‬
‫…‬
‫= ‪.‬‬ ‫×‬ ‫‪.‬‬ ‫= ‪.1‬‬ ‫…‬ ‫‪.‬‬ ‫‪0‬‬ ‫…‬ ‫‪.‬‬ ‫…‬ ‫‪0 . 1‬‬ ‫لدﻳﻨا‪:‬‬
‫⋮‬ ‫⋯ ⋯ ⋯ …‬ ‫⋮‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫⋮‬ ‫…‬ ‫⋯ ⋯ ⋯‬
‫‪0‬‬ ‫‪⋯ 0 … .‬‬ ‫‪1‬‬
‫⋯‬ ‫…‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪- 77 -‬‬
‫⋯‬ ‫…‬ ‫‪1‬‬ ‫‪.‬‬

‫⋮‬ ‫…‬ ‫⋮‬ ‫…‬ ‫⋮‬ ‫⋮‬ ‫⋮‬
‫= ‪.‬‬ ‫…‬ ‫…‬ ‫= ‪. 1‬‬ ‫‪.‬‬ ‫ومﻨﻪ‪:‬‬
‫⋮‬ ‫⋯ ⋯ ⋯ …‬ ‫⋮‬ ‫⋮‬
‫⋯‬ ‫…‬ ‫‪1‬‬ ‫‪.‬‬
‫ﻧﻘوم ﻹسﻘاط ﻻعﺘﻤاد على ﻧﻘاط ﺟاﻧب اﻷعﻤدة ) (‪ ،‬مﻊ اﻷخﺬ مﺮﻛﺰ اﻻسﻘاط مﺮﻛﺰ ﺛﻘﻞ سحابﺔ الﻨﻘاط )‪.(G‬‬
‫‪.‬‬ ‫=‬ ‫=‬ ‫‪.‬‬ ‫×‬ ‫‪.‬‬ ‫⟹‬ ‫=‬ ‫‪.‬‬ ‫⟹‬ ‫=‬ ‫لدﻳﻨا ﲢﺖ ﻓﺮﺿﻴﺔ اﻻسﺘﻘﻼلﻴﺔ ﻓﺈن‪:‬‬
‫‪.‬‬
‫وﻫﺬا ﻳعﲏ أﻧﻪ ﻛلﻤا اﻗﱰبﺖ الﺘكﺮارات الﻨسﺒﻴﺔ لﻸعﻤدة مﻦ مﺘوسﻂ السﻄﺮ )اﳌﺮﻛﺰ( )أي‪ ،( = :‬ﻛلﻤا‬
‫اﻗﱰبﻨا مﻦ اﻻسﺘﻘﻼلﻴﺔ بﲔ الفﺌات‪ ،‬والعكﺲ ﻓكلﻤا ابﺘعد عﻦ اﳌﺮﻛﺰ ﻓﻬﺬا ﻳدل على اﻻرﺗﺒاط )وﻛأﻧﻨا ﻧﻘوم بﻘﻴاس‬
‫الﺒعد عﻦ اﻻسﺘﻘﻼلﻴﺔ ‪.(l’écart à l’indépendances‬‬

‫ﻧﻘوم ﻹسﻘاط ﻻعﺘﻤاد على الﺘكﺮارات الﻨسﺒﻴﺔ لﻸعﻤدة ) (‪ ،‬وﻫﻲ عﻨاﺻﺮ اﳌصفوﻓﺔ =‬
‫‪0,2‬‬ ‫‪0,33‬‬ ‫‪0‬‬
‫‪0,4‬‬ ‫‪0,5 0,25‬‬
‫= ‪.‬‬ ‫‪ .‬مﻊ اﻷخﺬ مﺮﻛﺰ اﻻسﻘاط مﺮﻛﺰ ﺛﻘﻞ سحابﺔ الﻨﻘاط )‪:(G‬‬
‫‪0,2‬‬ ‫‪0,17 0,25‬‬
‫‪0,2‬‬ ‫‪0‬‬ ‫‪0,5‬‬
‫ك‪ .‬ﺣﺴﺎب اﳌﺴﺎﻓﺎت ﺑﲔ اﻷﺳﻄﺮ وﺑﲔ اﻷﻋﻤﺪة‪:‬‬
‫الﺘواﻓﻖ بﲔ سﻄﺮﻳﻦ )أو عﻤودﻳﻦ( ﺗعﺮف ﳌساﻓﺔ بﻴﻨﻬﻤا‪ ،‬مﻘﻴاس اﳌساﻓﺔ اﳌسﺘعﻤﻞ ﻫو إما مﻘﻴاس ﻛاي ﺗﺮبﻴﻊ‬
‫) ( أو اﳌﻘﻴاس اﻹﻗلﻴدي )‪.(euclidienne‬‬
‫‪ ‬اﳌﺴﺎﻓﺔ ﲟﻘﺎس ﻛﺎي ﺗﺮﺑﻴﻊ‪:‬‬
‫‪.‬‬ ‫=) ‪(,‬‬ ‫∑‬ ‫‪−‬‬ ‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺘﲔ ﰲ اﻷسﻄﺮ ‪ i‬و’‪ i‬ﻫﻲ‪:‬‬
‫‪.‬‬
‫‪.‬‬ ‫=) ‪(,‬‬ ‫∑‬ ‫‪−‬‬ ‫‪.‬‬ ‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺔ ﰲ اﻷسﻄﺮ ‪ i‬واﳌﺮﻛﺰ ‪ G‬ﻫﻲ‪:‬‬
‫‪.‬‬
‫‪.‬‬ ‫=) ‪( ,‬‬ ‫∑‬ ‫‪−‬‬ ‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺘﲔ ﰲ اﻷعﻤدة ‪ j‬و ’‪ j‬ﻫﻲ‪:‬‬
‫‪.‬‬
‫‪.‬‬ ‫=) ‪( ,‬‬ ‫∑‬ ‫‪−‬‬ ‫‪.‬‬ ‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺔ ﰲ اﻷعﻤدة ‪ j‬واﳌﺮﻛﺰ ‪ G‬ﻫﻲ‪:‬‬
‫‪.‬‬
‫‪- 78 -‬‬
‫‪ ‬اﳌﺴﺎﻓﺔ ﲟﻘﻴﺎس إﻗﻠﻴﺪي‪:‬‬
‫‪.‬‬ ‫=) ‪(,‬‬ ‫∑‬ ‫‪−‬‬ ‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺘﲔ ﰲ اﻷسﻄﺮ ‪ i‬و ’‪ i‬ﻫﻲ‪:‬‬
‫‪.‬‬ ‫=) ‪(,‬‬ ‫∑‬ ‫‪−‬‬ ‫‪.‬‬ ‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺔ ﰲ اﻷسﻄﺮ ‪ i‬واﳌﺮﻛﺰ ‪ G‬ﻫﻲ‪:‬‬
‫‪.‬‬ ‫=) ‪( ,‬‬ ‫∑‬ ‫‪−‬‬ ‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺘﲔ ﰲ اﻷعﻤدة ‪ j‬و ’‪ j‬ﻫﻲ‪:‬‬
‫‪.‬‬ ‫=) ‪( ,‬‬ ‫∑‬ ‫‪−‬‬ ‫‪.‬‬ ‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺔ ﰲ اﻷعﻤدة ‪ j‬واﳌﺮﻛﺰ ‪ G‬ﻫﻲ‪:‬‬
‫‪ ‬اﳌساﻓﺔ ﲟﻘاس ﻛاي ﺗﺮبﻴﻊ‪:‬‬
‫‪ ‬اﳌساﻓﺔ بﲔ الفﺌﺘﲔ "ابﺘداﺋﻲ" و"مﺘوسﻂ"‪:‬‬
‫‪1‬‬ ‫‪0‬‬
‫‪0,75 0,25‬‬
‫= ‪ .‬ومﻨﻪ‪:‬‬ ‫لدﻳﻨا‪:‬‬
‫‪0,5‬‬ ‫‪0,5‬‬
‫‪0‬‬ ‫‪1‬‬
‫‪.‬‬ ‫(‬ ‫‪,‬‬ ‫=)‬ ‫∑‬ ‫‪−‬‬ ‫=‬
‫‪,‬‬
‫‪(1 − 0,75) +‬‬
‫‪,‬‬
‫‪(0 − 0,25) = 0,51‬‬
‫‪.‬‬
‫‪ ‬اﳌساﻓﺔ بﲔ الفﺌﺔ "ابﺘداﺋﻲ" واﳌﺮﻛﺰ‪:G‬‬

‫‪.‬‬ ‫(‬ ‫=) ‪,‬‬ ‫∑‬ ‫‪1‬‬ ‫‪−‬‬ ‫‪.‬‬ ‫=‬
‫‪,‬‬
‫‪(1 − 0,6) +‬‬
‫‪,‬‬
‫‪(0 − 0,4) = 0,816‬‬
‫‪.‬‬
‫‪ ‬اﳌساﻓﺔ بﲔ الفﺌﺘﲔ "ذﻛﺮ" و"أﻧﺜى"‪:‬‬

‫‪0,33‬‬ ‫‪0‬‬
‫‪0,5 0,25‬‬
‫= ‪ .‬ومﻨﻪ‪:‬‬ ‫لدﻳﻨا‪:‬‬
‫‪0,17 0,25‬‬
‫‪0‬‬ ‫‪0,5‬‬
‫‪.‬‬ ‫(‬ ‫‪,‬‬ ‫=)‬ ‫∑‬ ‫(‬ ‫‪−‬‬ ‫لدﻳﻨا‪) :‬‬
‫‪.‬‬
‫‪.‬‬ ‫(‬ ‫‪,‬‬ ‫=)‬

‫‪,‬‬
‫‪(0,33 − 0) +‬‬
‫‪,‬‬
‫‪(0,5 − 0,25) +‬‬
‫‪,‬‬
‫‪(0,17 − 0,25) +‬‬
‫‪,‬‬
‫)‪(0 − 0,5‬‬ ‫ومﻨﻪ‪:‬‬
‫‪.‬‬ ‫(‬ ‫‪,‬‬ ‫=)‬ ‫ومﻨﻪ‪0,5445 + 0,156 + 0,032 + 1,25 = √1,98 = 1,4 :‬‬
‫‪.‬‬ ‫(‬ ‫=) ‪,‬‬ ‫∑‬ ‫(‬ ‫‪−‬‬ ‫)‪.‬‬ ‫‪ ‬اﳌساﻓﺔ بﲔ الفﺌﺔ "ذﻛﺮ" واﳌﺮﻛﺰ‪ :G‬لدﻳﻨا‪:‬‬
‫‪.‬‬
‫‪- 79 -‬‬
‫‪.‬‬ ‫(‬ ‫=) ‪,‬‬ ‫‪,‬‬

‫‪(0,33 − 0,2) +‬‬
‫‪,‬‬
‫‪(0,5 − 0,4) +‬‬
‫‪,‬‬
‫‪(0,17 − 0,2) +‬‬
‫‪,‬‬
‫)‪(0 − 0,2‬‬ ‫ومﻨﻪ‪:‬‬
‫‪.‬‬ ‫(‬ ‫=) ‪,‬‬ ‫ومﻨﻪ‪0,0845 + 0,025 + 0,0045 + 0,2 = √0,314 = 0,56 :‬‬
‫‪ ‬اﳌساﻓﺔ ﲟﻘﻴاس إﻗلﻴدي‪:‬‬
‫‪ ‬اﳌساﻓﺔ بﲔ الفﺌﺘﲔ "ابﺘداﺋﻲ" و" ﻧوي"‪:‬‬
‫( ‪.‬‬ ‫‪,‬‬ ‫=)‬ ‫∑‬ ‫‪−‬‬ ‫=‬ ‫= )‪(1 − 0,5) + (0 − 0,5‬‬ ‫‪0,5 = 0,7‬‬
‫‪.‬‬ ‫(‬ ‫‪,‬‬ ‫=)‬ ‫∑‬ ‫(‬ ‫‪−‬‬ ‫‪ ‬اﳌساﻓﺔ بﲔ الفﺌﺘﲔ "ذﻛﺮ" و"أﻧﺜى"‪ :‬لدﻳﻨا‪) :‬‬
‫‪.‬‬ ‫(‬ ‫‪,‬‬ ‫=)‬ ‫)‪(0,33 − 0) + (0,5 − 0,25) + (0,17 − 0,25) + (0 − 0,5‬‬ ‫ومﻨﻪ‪:‬‬
‫‪. ( ,‬‬ ‫=)‬ ‫ومﻨﻪ‪0,1089 + 0,0625 + 0,0064 + 0,25 = √0,4278 = 0,65 :‬‬
‫ل‪ .‬ﲢﺪﻳﺪ ﻋﺪد ﳏﺎور اﻟﺘﺤﻠﻴﻞ‪:‬‬

‫‪ ‬عدد اﶈاور الﱵ خﺬ ﰲ الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ ﺗساوي أﺻﻐﺮ ﻗﻴﻤﺔ بﲔ عدد اﻷسﻄﺮ وعدد اﻷعﻤدة‬
‫(‪.‬‬ ‫ﻧﻄﺮح مﻨﻬا واﺣد )‪( , ) − 1‬‬
‫‪ ‬ﳝكﻦ أن ﻳﺘم ﲢدﻳد عدد اﶈاور العاملﻴﺔ ﰲ الﺘحلﻴﻞ بﻨفﺲ الﻄﺮق اﳌﺒﻴﻨﺔ ﰲ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ‬
‫)‪) 43 (ACP‬ﻧسﺒﺔ اﳌسﺘوي العاملﻲ اﻷول‪ ،‬ﻧسﺒﺔ اﶈور العاملﻲ الﺜالﺚ‪.(... ،‬‬
‫‪ ‬ﰲ الﻐالب اﳌسﺘوي العاملﻲ اﻷول )‪ (1er plan‬ﻳكفﻲ للﻘﻴام بﺘحلﻴﻞ عاملﻲ ﺗواﻓﻘﻲ‪.‬‬
‫≤ ‪.(0‬‬ ‫‪ ‬ﻛﻞ الﻘﻴم الﺬاﺗﻴﺔ ﰲ ‪ AFC‬ﺗكون أﺻﻐﺮ مﻦ أو ﺗساوي ‪≤ 1) 1‬‬
‫‪.‬‬ ‫= ‪(4,2) − 1‬‬ ‫اﳌﺜﺎل اﻟﺴﺎﺑﻖ )اﳌﺴﺘﻮى اﻟﺘﻌﻠﻴﻤﻲ واﳉﻨﺲ(‪ :‬عدد اﶈاور الﱵ خﺬ ﰲ الﺘحلﻴﻞ ﻫﻲ‪:‬‬
‫م‪ .‬اﺳﻘﺎط ﺟﺎﻧﺐ اﻷﺳﻄﺮ‪:‬‬

‫ﰲ ﻓﻀاء ‪:ℝ‬‬
‫‪( .‬‬ ‫) ‪. .‬‬
‫‪.‬‬ ‫ﻧﺒحﺚ عﻦ ﺗعﻈﻴم الدالﺔ الﺘالﻴﺔ ﲢﺖ الﻘﻴود‪:‬‬
‫‪/ : .‬‬ ‫‪. =1‬‬
‫‪. 44( × = .‬‬ ‫‪. .‬‬ ‫مﻊ‪) × = . :‬أي‪:‬‬
‫و ﻫو شعاع ذاﰐ للﻤصفوﻓﺔ اﳌواﻓﻖ للﻘﻴﻤﺔ الﺬاﺗﻴﺔ ﳍﺬﻩ اﳌصفوﻓﺔ‪.‬‬
‫‪43‬‬
‫‪44‬‬
‫‪- 80 -‬‬
‫×‬
‫‪.‬‬ ‫∑=‬ ‫ﺗكﺘب‪:45‬‬ ‫عﻨاﺻﺮ اﳌصفوﻓﺔ‬
‫‪.× .‬‬
‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫واﶈاور العاملﻴﺔ ﺗكﺘب‪:‬‬
‫(‪.‬‬ ‫=‬ ‫‪. .‬‬ ‫‪.‬‬ ‫)أي‪:‬‬ ‫‪= .‬‬ ‫‪.‬‬ ‫واﻻسﻘاﻃات على اﶈاور العاملﻴﺔ ﻫﻲ‪:‬‬
‫(‪.‬‬ ‫∑=‬ ‫‪.‬‬ ‫)مﻊ‪:‬‬
‫‪.× .‬‬

‫‪ ‬ﺣﺴﺎب اﳌﺼﻔﻮﻓﺔ ‪:S‬‬
‫‪0,33‬‬ ‫‪0‬‬
‫‪1 0,75 0,5 0‬‬ ‫‪0,5 0,25‬‬ ‫‪0,792 0,313‬‬
‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫=‬ ‫=‬ ‫لدﻳﻨا‪:‬‬
‫×‬
‫‪0 0,25 0,5 1‬‬ ‫‪0,17 0,25‬‬ ‫‪0,208 0,688‬‬
‫‪0‬‬ ‫‪0,5‬‬
‫‪ ‬إﳚﺎد اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ واﻷﺷﻌﺔ اﻟﺬاﺗﻴﺔ ﻟﻠﻤﺼﻔﻮﻓﺔ ‪:S‬‬
‫‪ ‬اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ ﻟﻠﻤﺼﻔﻮﻓﺔ ‪:S‬‬
‫سﻨﻘوم ﲝساب الﻘﻴم الﺬاﺗﻴﺔ اﻧﻄﻼﻗا مﻦ العﻼﻗﺔ‪|S − λI| = 0 :‬‬
‫‪0,792 0,313‬‬ ‫‪0‬‬ ‫‪0,792 −‬‬ ‫‪0,313‬‬
‫‪| −‬‬ ‫=|‬ ‫‪−‬‬ ‫=‬ ‫لدﻳﻨا‪:‬‬
‫‪0,208 0,688‬‬ ‫‪0‬‬ ‫‪0,208‬‬ ‫‪0,688 −‬‬
‫|‪.‬‬ ‫‪−‬‬ ‫‪| = (0,792 − )(0,688 − ) − 0,313(0,208) = 0,544 − 1,479 +‬‬ ‫أي‪:‬‬ ‫‪− 0,065‬‬
‫‪.| −‬‬ ‫=|‬ ‫ومﻨﻪ‪− 1,479 + 0,479 :‬‬
‫‪ ، Δ = (1,479) − 4(1)(0,479) = 2,188 − 1,917 = 0,271‬ومﻨﻪ‪.√Δ = 0,521 :‬‬
‫‪.‬‬ ‫‪،‬و‪=1‬‬ ‫ومﻨﻪ‪= 0,479 :‬‬
‫‪,‬‬ ‫‪,‬‬ ‫‪,‬‬ ‫‪,‬‬
‫=‬ ‫=‬
‫‪ ‬اﻷﺷﻌـ ـ ــﺔ اﻟﺬاﺗﻴ ـ ـ ــﺔ ﻟﻠﻤﺼﻔﻮﻓﺔ ‪:S‬‬

‫‪.‬‬ ‫=‬ ‫لدﻳﻨا‪⟹ ( − ) = 0 :‬‬
‫‪:‬‬ ‫لﻨسﺒﺔ لـ ـ ‪= 0,479‬‬
‫(‪.‬‬ ‫‪−‬‬ ‫= )‬
‫‪0,792 0,313‬‬
‫‪0,208 0,688‬‬
‫‪−‬‬
‫‪0,479‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0,479‬‬
‫=‬
‫‪0,313 0,313‬‬
‫‪0,208 0,208‬‬
‫=‬
‫‪0‬‬
‫‪0‬‬
‫‪.‬‬ ‫‪=−‬‬ ‫‪ ،0,313‬ومﻨﻪ‪:‬‬ ‫لدﻳﻨا مﻦ اﳌعادلﺔ ‪= −0,313 :1‬‬
‫‪−‬‬ ‫‪−1‬‬
‫= ‪.‬‬ ‫=‬ ‫ومﻨﻪ‪ :‬الﺸعاع الﺬاﰐ ﻫو‬
‫‪1‬‬
‫‪45‬‬
‫‪- 81 -‬‬
‫‪1,667 0‬‬ ‫‪−‬‬ ‫‪−‬‬

‫‪.‬‬ ‫‪.‬‬ ‫‪= (−‬‬ ‫)‬ ‫‪= (−1,667‬‬ ‫) ‪2,5‬‬ ‫لدﻳﻨا‪= 1 :‬‬
‫‪0‬‬ ‫‪2,5‬‬
‫‪.⟹ 1,667‬‬ ‫‪+ 2,5 = 1 ⟹ 4,167‬‬ ‫⟹‪=1‬‬ ‫=‬
‫‪,‬‬
‫⟹ ‪= 0,24‬‬ ‫‪= 0,49‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪= (−0,49‬‬ ‫)‪0,49‬‬
‫‪1,667 0‬‬
‫‪0‬‬ ‫‪2,5‬‬
‫‪−0,49‬‬
‫‪0,49‬‬
‫)‪= (−0,817 1,225‬‬
‫‪−0,49‬‬
‫‪0,49‬‬
‫‪= 0,4 + 0,6 = 1‬‬ ‫)الﺘحﻘﻖ‪:‬‬
‫‪−0,49‬‬
‫‪.‬‬ ‫=‬ ‫ﻫو‪:‬‬ ‫إذن الﺸعاع الﺬاﰐ اﳌواﻓﻖ للﻘﻴﻤﺔ الﺬاﺗﻴﺔ ‪= 0,479‬‬
‫‪0,49‬‬
‫‪−0,49‬‬ ‫‪−0,235‬‬
‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫‪= 0,479‬‬ ‫=‬ ‫‪ ‬اﶈﺎور اﻟﻌﺎﻣﻠﻴﺔ‪ :‬ﺗكﺘب‪:‬‬
‫‪0,49‬‬ ‫‪0,235‬‬
‫‪ ‬اﻻﺳﻘﺎﻃﺎت ﻋﻠﻰ اﶈﺎور اﻟﻌﺎﻣﻠﻴﺔ‪:‬‬
‫‪1‬‬ ‫‪0‬‬ ‫‪−0,817‬‬
‫‪0,75 0,25‬‬ ‫‪1,667 0‬‬ ‫‪−0,49‬‬ ‫‪−0,306‬‬
‫‪.‬‬ ‫‪= .‬‬ ‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫‪.‬‬ ‫=‬
‫‪0,204‬‬
‫‪0,5‬‬ ‫‪0,5‬‬ ‫‪0‬‬ ‫‪2,5‬‬ ‫‪0,49‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪1,225‬‬
‫ن‪ .‬اﺳﻘﺎط ﺟﺎﻧﺐ اﻷﻋﻤﺪة‪:‬‬

‫لﺸعاع الﺬاﰐ ‪.‬‬ ‫ﰲ ﻓﻀاء ‪ :ℝ‬ﻧفﺲ ﻃﺮﻳﻘﺔ الﺘحلﻴﻞ‪ ،‬مﻊ اسﺘﺒدال الﺸعاع الﺬاﰐ‬
‫‪( .‬‬ ‫) ‪. .‬‬
‫‪.‬‬ ‫ﻧﺒحﺚ عﻦ ﺗعﻈﻴم الدالﺔ الﺘالﻴﺔ ﲢﺖ الﻘﻴود‪:‬‬
‫‪/ : .‬‬ ‫‪. =1‬‬
‫‪. 46( × = .‬‬ ‫‪. .‬‬ ‫‪) × = .‬أي‪:‬‬ ‫لدﻳﻨا‪:‬‬
‫اﳌواﻓﻖ للﻘﻴﻤﺔ الﺬاﺗﻴﺔ ﳍﺬﻩ اﳌصفوﻓﺔ‪.‬‬ ‫ﻫو شعاع ذاﰐ للﻤصفوﻓﺔ‬ ‫و‬
‫(‪.‬‬ ‫=‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫)أي‪:‬‬ ‫=‬ ‫‪.‬‬ ‫‪.‬‬ ‫واﻻسﻘاﻃات على اﶈاور العاملﻴﺔ ﻫﻲ‪:‬‬
‫(‪.‬‬ ‫∑=‬ ‫‪.‬‬ ‫)مﻊ‪:‬‬
‫‪.× .‬‬
‫=‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪ ‬ﺻﻴﻐﺔ عﻼﻗﺔ اﻻﻧﺘﻘال بﲔ الفﻀاءﻳﻦ ) ‪ ℝ‬و ‪: 47(ℝ‬‬
‫=‬ ‫‪. .‬‬ ‫‪.‬‬
‫‪46‬‬
‫‪47‬‬
‫‪- 82 -‬‬
‫=‬ ‫∑‪.‬‬ ‫‪.‬‬

‫‪.‬‬ ‫‪ ‬ﺻﻴﻐﺔ عﻼﻗﺔ اﻻسﻘاط بﲔ الفﻀاءﻳﻦ ) ‪ ℝ‬و ‪:(ℝ‬‬
‫‪.‬‬
‫=‬ ‫∑‪.‬‬ ‫‪.‬‬

‫‪.‬‬

‫ﺣﺴﺎب اﳌﺼﻔﻮﻓﺔ ‪:A‬‬
‫‪0,33‬‬ ‫‪0‬‬ ‫‪0,33 0,25‬‬ ‫‪0,17 0‬‬
‫‪.‬‬ ‫×‬ ‫‪= .‬‬ ‫=‬
‫‪0,5 0,25‬‬
‫‪0,17 0,25‬‬
‫‪1 0,75 0,5 0‬‬
‫‪0 0,25 0,5 1‬‬
‫=‬
‫‪0,5 0,44 0,37 0,25‬‬
‫‪0,17 0,19 0,21 0,25‬‬
‫‪0‬‬ ‫‪0,5‬‬ ‫‪0‬‬ ‫‪0,12 0,25 0,5‬‬
‫‪0,33‬‬ ‫‪0‬‬ ‫‪−0,236‬‬
‫‪.‬‬ ‫=‬ ‫‪. .‬‬ ‫‪.‬‬ ‫=‬ ‫‪. .‬‬ ‫=‬
‫‪√ ,‬‬
‫‪0,5‬‬
‫‪0,17‬‬
‫‪0,25 −0,49‬‬
‫‪0,25‬‬ ‫‪0,49‬‬
‫=‬
‫‪−0,177‬‬
‫‪0,059‬‬
‫ﻟﺪﻳﻨﺎ‪:‬‬
‫‪0‬‬ ‫‪0,5‬‬ ‫‪0,354‬‬
‫‪−0,236‬‬
‫‪−0,177‬‬
‫‪.‬‬ ‫=‬ ‫ﻫو‪:‬‬ ‫إذن الﺸعاع الﺬاﰐ اﳌواﻓﻖ للﻘﻴﻤﺔ الﺬاﺗﻴﺔ ‪= 0,479‬‬
‫‪0,059‬‬
‫‪0,354‬‬
‫اﶈﺎور اﻟﻌﺎﻣﻠﻴﺔ‪:‬‬
‫‪−0,236‬‬ ‫‪−0,113‬‬
‫‪−0,177‬‬ ‫‪−0,085‬‬
‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫)‪= (0,479‬‬ ‫=‬ ‫ﺗكﺘب‪:‬‬
‫‪0,059‬‬ ‫‪0,028‬‬
‫‪0,354‬‬ ‫‪0,170‬‬
‫اﻻﺳﻘﺎﻃﺎت ﻋﻠﻰ اﶈﺎور اﻟﻌﺎﻣﻠﻴﺔ‪:‬‬
‫‪−0,236‬‬
‫‪.‬‬ ‫=‬ ‫‪.‬‬ ‫‪.‬‬ ‫=‬
‫‪1,667‬‬
‫‪0‬‬
‫‪0‬‬
‫‪2,5‬‬
‫‪.‬‬
‫‪1 0,75 0,5 0‬‬
‫‪0 0,25 0,5 1‬‬
‫‪.‬‬
‫‪−0,177‬‬
‫‪0,059‬‬
‫=‬
‫‪−0,566‬‬
‫‪0,848‬‬
‫‪0,354‬‬
‫س‪ .‬ﲢﻠﻴﻞ اﻟﺘﻤﺜﻴﻼت اﻟﺒﻴﺎﻧﻴﺔ ﻟﻸﺳﻄﺮ واﻷﻋﻤﺪة‪:‬‬

‫‪ ‬ﻳﺘم ﺗفسﲑ الﻨﺘاﺋج مﻦ الﺘﻤﺜﻴﻼت الﺒﻴاﻧﻴﺔ لﻸسﻄﺮ أو لﻸعﻤدة ﻻعﺘﻤاد على اﳌساﻓات بﲔ ﻧﻘاط اﻹسﻘاط‪،‬‬
‫ﻓاﳌساﻓات الﻘﺮﻳﺒﺔ بﲔ الفﺌات )سواء لﻨسﺒﺔ لﻸسﻄﺮ أو اﻷعﻤدة( ﺗدل على الﺘواﻓﻖ )الﺘﺸابﻪ(‪ ،‬والﺒعﻴدة‬
‫ﺗدل على عدم الﺘواﻓﻖ )اﻻخﺘﻼف(‪.‬‬
‫‪ ‬ﻳﺘم ﺗفسﲑ الﻨﺘاﺋج مﻦ الﺘﻤﺜﻴﻼت الﺒﻴاﻧﻴﺔ اﳌﺸﱰﻛﺔ لﻸسﻄﺮ ولﻸعﻤدة ﻻعﺘﻤاد ﻛﺬلﻚ على اﳌساﻓات بﲔ‬
‫ﻧﻘاط اﻹسﻘاط‪ ،‬ﻓاﳌساﻓﺔ الﻘﺮﻳﺒﺔ بﲔ ﻓﺌﺔ مﻦ اﳌﺘﻐﲑ اﻷول وﻓﺌﺔ مﻦ اﳌﺘﻐﲑ الﺜاﱐ ﺗدل على أن اﺟﺘﻤاع الفﺌﺘﲔ‬
‫لﻪ ﺗكﺮار ﻛﺒﲑ‪ ،‬والعكﺲ‪.‬‬
‫‪- 83 -‬‬
‫‪ ‬الﺘﻤﺜﻴﻞ الﺒﻴاﱐ ﻳسﻤﺢ ﻛﺬلﻚ بﺘحلﻴﻞ اﻻرﺗﺒاﻃات بﲔ اﳌﺘﻐﲑﻳﻦ مﻦ ﺣﻴﺚ الﺘﺠاذب‪/‬الﺘﻨاﻓﺮ‬

‫)‪ .48 (attraction/répulsion‬ﻛﻤا ﻫو مﺒﲔ ﰲ اﻷشكال أد ﻩ‪:‬‬
‫‪ ‬مﺮﻛﺰ اﳌسﺘوي ﳝﺜﻞ الﻨﻘاط اﳊﻴادﻳﺔ‪ ،‬أي اﻻسﺘﻘﻼلﻴﺔ الﺘامﺔ للفﺌات )وﻛأ ا الﺘكﺮارات الﻨسﺒﻴﺔ الﻨﻈﺮﻳﺔ(‪.‬‬
‫‪ ‬الفﺌات الﻘﺮﻳﺒﺔ مﻦ اﳌﺮﻛﺰ ﺗكون ﻗﺮﻳﺒﺔ مﻦ اﳌﺘوسﻂ بﺸكﻞ عام‪ .‬وﻫﻲ الﱵ ﲡعﻞ مﻦ الﺘﺒاﻳﻦ الكلﻲ لسحابﺔ‬
‫الﻨﻘاط ﺿعﻴﻒ‪ .‬على العكﺲ مﻦ الفﺌات الﺒعﻴدة عﻦ اﳌﺮﻛﺰ‪.‬‬
‫‪ ‬اﳌﺘﻐﲑات اﳌسﺘﻘلﺔ ﺗعﻄﻲ شكﻞ داﺋﺮي لسحابﺔ الﻨﻘاط‪ ،‬و لﺘاﱄ عدم وﺟود إﲡاﻩ ﳑﻴﺰ ) ‪direction‬‬
‫‪ (privilégiée‬للﻤحاور العاملﻴﺔ‪.‬‬
‫‪ ‬اﳌﺘﻐﲑات اﳌﱰابﻄﺔ ﺗعﻄﻲ شكﻼ أﻛﺜﺮ ﺗوسعا لسحابﺔ الﻨﻘاط‪ ،‬مﻊ وﺟود إﲡاﻩ ﳑﻴﺰ ) ‪direction‬‬
‫‪ (privilégiée‬للﻤحاور العاملﻴﺔ‪.‬‬
‫‪ ‬ﻳكون اﳌﺘﻐﲑان مسﺘﻘﻼن إذا ﻛان الﺘﺒاﻳﻦ الكلﻲ ﺿعﻴﻒ )ﻛلﻤا اﻗﱰبﺖ الﺘكﺮارات الﻨسﺒﻴﺔ لﻸسﻄﺮ )أو‬
‫لﻸعﻤدة( مﻦ مﺘوسﻂ السﻄﺮ )اﳌﺮﻛﺰ( )أي‪ ،( = :‬ﻛلﻤا اﻗﱰبﻨا مﻦ اﻻسﺘﻘﻼلﻴﺔ بﲔ الفﺌات(‪ ،‬وﱂ‬
‫ﻳكﻦ للﺘﻤﺜﻴﻞ الﺒﻴاﱐ إﲡاﻩ معﲔ )ﻳكون الﺘﻤﺜﻴﻞ الﺒﻴاﱐ ﰲ شكﻞ داﺋﺮي ‪ ،(forme sphérique‬وﺗكون‬
‫ﲨﻴﻊ الﻨﻘاط ﳑﺮﻛﺰة ﺣول مﺮﻛﺰ ﺛﻘﻞ سحابﺔ الﻨﻘاط )اﳊﺎﻟﺔ ‪.(1‬‬
‫‪ ‬ﻳكون اﳌﺘﻐﲑان مﱰابﻄان إذا ﻛان الﺘﺒاﻳﻦ الكلﻲ ﻛﺒﲑ ‪-‬بﻐﺾ الﻨﻈﺮ عﻦ وﺟود إﲡاﻩ ﳑﻴﺰ أو ﻻ‪) -‬اﳊﺎﻟﺘﲔ‬
‫‪ 3‬و‪ ،(4‬أو ﻛان الﺘﺒاﻳﻦ الكلﻲ ﺿعﻴﻒ مﻊ وﺟود إﲡاﻩ معﲔ )ﻳكون الﺘﻤﺜﻴﻞ الﺒﻴاﱐ ﰲ شكﻞ ﻏﲑ داﺋﺮي‬
‫‪) (forme non sphérique‬اﳊﺎﻟﺔ ‪.(2‬‬
‫‪ ‬اخﺘﺒار ﻛاي ﺗﺮبﻴﻊ ﻳسﻤﺢ لكﺸﻒ عﻦ اﳊالﺘﲔ ‪ 3‬و ‪ 4‬ﻓﻘﻂ‪ ،‬ولكﻦ ﻻ ﻳسﻤﺢ بﺘﺒﻴان اﳊالﺔ ‪ ،49 2‬وﻫﺬا‬
‫ما ﻳﱪز أﳘﻴﺔ الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ‪.‬‬
‫‪48‬‬
‫‪49‬‬
‫‪- 84 -‬‬

‫أ‪ .‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻸﺳﻄﺮ‪:‬‬
‫‪Graphique symétrique des lignes‬‬
‫)‪(axes F1 et F2 : 100,00 %‬‬
‫‪1‬‬
‫‪0,5‬‬
‫)‪F2 (0,00 %‬‬
‫ابتدائي‬ ‫متوسط‬ ‫ثانوي‬ ‫جامعي‬

‫‪0‬‬
‫‪-0,5‬‬
‫‪-1‬‬ ‫‪-0,5‬‬ ‫‪0‬‬ ‫‪0,5‬‬ ‫‪1‬‬ ‫‪1,5‬‬
‫)‪F1 (100,00 %‬‬
‫‪Lignes‬‬
‫‪- 85 -‬‬
‫‪ ‬ﻳﺘﺒﲔ مﻦ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ أعﻼﻩ أن اﳌساﻓﺔ بﲔ الفﺌﺘﲔ "ﺟامعﻲ" و" ﻧوي" ﻗﺮﻳﺒﺔ وﰲ ﻧفﺲ اﳉﻬﺔ للﻤحور‬
‫العاملﻲ‪ ،‬وﻫﺬا ﻳدل على ﺗواﻓﻖ )ﺗﺸابﻪ( ﻫاﺗﲔ الفﺌﺘﲔ‪ ،‬وﳘا ﳐﺘلفﺘﲔ عﻦ الفﺌﺘﲔ "مﺘوسﻂ" و"ابﺘداﺋﻲ"‬
‫اللﺘان ﲤﺜﻼن ﳉﻬﺔ اﳌﻘابلﺔ للﻤحور العاملﻲ‪.‬‬
‫‪ ‬ﻗﺮب الفﺌﺘﲔ " ﻧوي" و"مﺘوسﻂ" مﻦ اﳌﺮﻛﺰ‪ ،‬ﻳدل على ا ﻤا الفﺌﺘان الﻘﺮﻳﺒﺘان مﻦ اﳌﺘوسﻂ بﺸكﻞ عام‪.‬‬
‫ب‪ .‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻸﻋﻤﺪة‪:‬‬
‫‪Graphique symétrique des colonnes‬‬
‫)‪(axes F1 et F2 : 100,00 %‬‬
‫‪0,6‬‬
‫‪0,4‬‬
‫‪0,2‬‬
‫)‪F2 (0,00 %‬‬
‫ذكر‬ ‫أنثى‬
‫‪0‬‬
‫‪-0,2‬‬
‫‪-0,4‬‬
‫‪-0,8‬‬ ‫‪-0,6‬‬ ‫‪-0,4‬‬ ‫‪-0,2‬‬ ‫‪0‬‬ ‫‪0,2‬‬ ‫‪0,4‬‬ ‫‪0,6‬‬ ‫‪0,8‬‬ ‫‪1‬‬
‫)‪F1 (100,00 %‬‬
‫‪Lignes‬‬
‫‪ ‬ﻳﺘﺒﲔ مﻦ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ أعﻼﻩ أن اﳌساﻓﺔ بﲔ الفﺌﺘﲔ "ذﻛﺮ" و"أﻧﺜى" بعﻴدة وﰲ ﺟﻬﺘﲔ ﳐﺘلفﺘﲔ مﻦ اﶈور‬
‫العاملﻲ‪ ،‬وﻫﺬا ﻳدل على اﻻخﺘﻼف )عدم الﺘواﻓﻖ( بﲔ ﻫاﺗﲔ الفﺌﺘﲔ‪.‬‬
‫ج‪ .‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ اﳌﺸﱰك ﻟﻸﺳﻄﺮ واﻷﻋﻤﺪة‪:‬‬
‫‪Graphique symétrique‬‬
‫)‪(axes F1 et F2 : 100,00 %‬‬
‫‪1,5‬‬
‫‪1‬‬
‫‪0,5‬‬
‫)‪F2 (0,00 %‬‬
‫ذكر ابتدائي‬ ‫متوسط‬ ‫ثانوي‬ ‫أنثى‬ ‫جامعي‬

‫‪0‬‬
‫‪-0,5‬‬
‫‪-1‬‬
‫‪-1,5‬‬ ‫‪-1‬‬ ‫‪-0,5‬‬ ‫‪0‬‬ ‫‪0,5‬‬ ‫‪1‬‬ ‫‪1,5‬‬ ‫‪2‬‬
‫)‪F1 (100,00 %‬‬
‫‪Colonnes‬‬ ‫‪Lignes‬‬
‫‪- 86 -‬‬
‫‪ ‬ﻳﺘﺒﲔ مﻦ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ أعﻼﻩ أن اﳌساﻓﺔ بﲔ ﻓﺌﺔ اﳉﻨﺲ "أﻧﺜى" والفﺌﺘﲔ للﻤسﺘوى الﺘعلﻴﻤﻲ "ﺟامعﻲ"‬
‫و" ﻧوي" ﻗﺮﻳﺒﺔ وﰲ ﻧفﺲ اﳉﻬﺔ مﻦ اﶈور العاملﻲ‪ ،‬وﻫﺬا ﻳدل على أن ﻏالب اﻹ ث مسﺘواﻫم الﺘعلﻴﻤﻲ‬
‫إما ﻧوي أو ﺟامعﻲ )اﺟﺘﻤاع ﻫﺬﻩ الفﺌات لﻪ ﺗكﺮار ﻛﺒﲑ(‪ .‬وعلى العكﺲ مﻦ ذلﻚ ﻓﻐالب الﺬﻛور إما‬
‫مسﺘواﻫم مﺘوسﻂ أو ابﺘداﺋﻲ‪.‬‬
‫ﻣﻼﺣﻈﺔ‪ :‬ﻫﺬا اﳌﺜال اﳊساﰊ لﻄﺮﻳﻘﺔ الﺘحلﻴﻞ العامﻞ الﺘﻘابلﻲ وﲟا أن لﻪ ﳏور عاملﻲ واﺣد ﻓﻘﻂ )لوﺟود ﻗﻴﻤﺔ ذاﺗﻴﺔ‬
‫واﺣدة ﻓﻘﻂ(‪ ،‬ﻓﻼ ﳝكﻦ الﺘحلﻴﻞ بﻨاء على الﺘﺒاﻳﻦ الكلﻲ لسحابﺔ الﻨﻘاط وﻻ على وﺟود إﲡاﻩ ﳑﻴﺰ للسحابﺔ مﻦ‬
‫عدمﻪ‪ ،‬لكﻦ اﳌﺜال الﺘﻄﺒﻴﻘﻲ على بﺮ مج ‪ SPSS‬و ‪ XL-STAT‬سﻴكون أﴰﻞ وﳝكﻦ الﺘفصﻴﻞ أﻛﺜﺮ ﻓﻴﻪ‪.‬‬
‫‪ .3‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ ﻋﻠﻰ ﺑﺮ ﻣج ‪:SPSS‬‬

‫اﳌﺜال الﺘﻄﺒﻴﻘﻲ الﺬي سﻨعﺘﻤد علﻴﻪ لﺘﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ ‪ AFC‬على بﺮ مج ‪ ،SPSS‬ﳜﺺ بﻴا ت دراسﺔ‬
‫مﻴداﻧﻴﺔ ﻗﻤﺖ ا على عﻴﻨﺔ ﺣﺠﻤﻬا ‪ 48‬ﻃالب مﻦ ﻃلﺒﺔ ﺟامعﺔ الﺒلﻴدة ‪ 2‬سﻨﺔ ‪ ،2018‬وﻛاﻧﺖ دف إﱃ‬
‫دراسﺔ العﻼﻗﺔ بﲔ الﻈﺮوف اﻻﺟﺘﻤاعﻴﺔ واﻻﻗﺘصادﻳﺔ لﻸسﺮة والﻨﺠاح الدراسﻲ لﻸبﻨاء‪ ،‬وﻗد اخﱰت مﻦ ﻫﺬﻩ‬
‫الدراسﺔ مﺘﻐﲑﻳﻦ ﻛﻴفﻴﲔ ﳘا‪ :‬اﳌسﺘوى الﺘعلﻴﻤﻲ لﻸب )أمﻲ‪ ،‬ابﺘداﺋﻲ‪ ،‬مﺘوسﻂ‪ ،‬ﻧوي‪ ،‬ﺟامعﻲ( واﳊالﺔ اﳌﻬﻨﻴﺔ‬
‫لﻸب )عاﻃﻞ عﻦ العﻤﻞ‪ ،‬عامﻞ بسﻴﻂ‪ ،‬عامﻞ مﺘوسﻂ الﺘأﻫﻴﻞ‪ ،‬عامﻞ عاﱄ الﺘأﻫﻴﻞ(‪.‬‬
‫للﻘﻴام بـ ـ ‪ AFC‬على بﺮ مج ‪ SPSS‬ﻧﺘﺒﻊ اﳋﻄوات الﺘالﻴﺔ‪:‬‬
‫‪ (1‬بعد ﻓﺘﺢ بﺮ مج ‪ SPSS‬على الصفحﺔ الﱵ ﲢﺘوي بﻴا ت الدراسﺔ‪ ،‬ﻧﺬﻫب إﱃ شﺮﻳﻂ الﻘواﺋم‪.‬‬
‫‪ (2‬ﰲ شﺮﻳﻂ الﻘواﺋم ﳔﺘار لﱰﺗﻴب‪ Analyse :‬ﰒ ‪ Réduction des dimensions‬ﰒ‬
‫‪.Analyse des correspondances‬‬
‫‪ (3‬ﻓﺘﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘالﻴﺔ‪:‬‬
‫‪- 87 -‬‬

‫‪ ‬ﻣﺘﻐﲑ اﻷﺳﻄﺮ )‪ :(ligne‬ﻧﻘوم بﻨﻘﻞ مﺘﻐﲑ اﳌسﺘوى الﺘعلﻴﻤﻲ إﱃ اﻷسﻄﺮ مﻊ ﺗعﺮﻳﻒ ﻓﺌاﺗﻪ‬
‫)‪ (définir plage‬مﻦ ‪ 1‬إﱃ ‪.5‬‬
‫‪ ‬ﻣﺘﻐﲑ اﻷﻋﻤﺪة )‪ :(colonne‬ﻧﻘوم بﻨﻘﻞ مﺘﻐﲑ اﳊالﺔ اﳌﻬﻨﻴﺔ لﻸب إﱃ اﻷعﻤدة مﻊ ﺗعﺮﻳﻒ ﻓﺌاﺗﻪ‬
‫)‪ (définir plage‬مﻦ ‪ 1‬إﱃ ‪.4‬‬
‫‪ ‬ﰒ ﻧﻀﻐﻂ ﻋﻠﻰ ‪ :Modèle‬ﻓﺘﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘالﻴﺔ‪:‬‬
‫مﻦ خﻼل ﻫﺬﻩ الﻨاﻓﺬة ﳔﺘار‪:‬‬

‫‪ ‬أبعاد اﳊلول‪ :‬ﳔﺘار ‪.2‬‬
‫‪ ‬مﻘﻴاس اﳌساﻓﺔ‪ :‬إما مﻘﻴاس ﻛاي ﺗﺮبﻴﻊ أو مﻘﻴاس إﻗلﻴدي‪.‬‬
‫‪ ‬ﳔﺘار ﻃﺮﻳﻘﺔ الﺘﻨاﻇﺮ ‪.symétrique‬‬
‫‪ ‬ﰒ ﻧﻀﻐﻂ ﻋﻠﻰ ‪ :Statistiques‬ﻓﺘﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘالﻴﺔ‪:‬‬
‫‪- 88 -‬‬
‫مﻦ خﻼل ﻫﺬﻩ الﻨاﻓﺬة ﻧﻈلﻞ على‪ :‬ﺟدول الﺘواﻓﻘات‪ ،‬خواص ﻧﻘاط اﻷسﻄﺮ‪ ،‬خواص ﻧﻘاط اﻷعﻤدة‪،‬‬
‫اﺣصاﺋﻴات ﺟاﻧب اﻷسﻄﺮ‪ ،‬إﺣصاﺋﻴات ﺟاﻧب اﻷعﻤدة‪.‬‬
‫‪ ‬ﰒ ﻧﻀﻐﻂ ﻋﻠﻰ ‪ :Tracés‬ﻓﺘﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘالﻴﺔ‪:‬‬
‫مﻦ خﻼل ﻫﺬﻩ الﻨاﻓﺬة ﻧﻈلﻞ‪ :‬سحابﺔ ﻧﻘاط اﻷسﻄﺮ‪ ،‬سحابﺔ ﻧﻘاط اﻷعﻤدة‪ ،‬سحابﺔ الﻨﻘاط اﳌﺸﱰﻛﺔ‬
‫لﻸسﻄﺮ واﻷعﻤدة‪.‬‬
‫‪- 89 -‬‬

‫‪ (1‬اﳉﺪول اﳌزدوج‪:‬‬
‫مﻦ بﲔ الﻨﻘاط الﱵ ﳝكﻦ مﻼﺣﻈﺘﻬا مﻦ اﳉدول السابﻖ أن‪:‬‬

‫‪ ‬الفﺌﺔ اﻷﻛﺜﺮ ﺗكﺮارا ﻫﻲ الفﺌﺔ الﱵ ﲡﻤﻊ بﲔ الصفﺘﲔ "عامﻞ مﺘوسﻂ الﺘأﻫﻴﻞ" و"اﳌسﺘوى الﺘعلﻴﻤﻲ‬
‫مﺘوسﻂ" وعددﻫا ‪ 8‬مﻦ أﺻﻞ ‪ 48‬ﻓﺮد‪.‬‬
‫‪ ‬عدد اﻷﻓﺮاد الﺬﻳﻦ مسﺘوى ﺗعلﻴم أ ﺋﻬم "مﺘوسﻂ" ﻫو ‪ 14‬ﻓﺮد )بﻐﺾ الﻨﻈﺮ عﻦ اﳊالﺔ اﳌﻬﻨﻴﺔ(‪.‬‬
‫‪ ‬عدد اﻷﻓﺮاد الﺬﻳﻦ اﳊالﺔ اﳌﻬﻨﻴﺔ ﻷ ﺋﻬم "مﺘوسﻂ الﺘأﻫﻴﻞ" ﻫو ‪ 20‬ﻓﺮد )بﻐﺾ الﻨﻈﺮ عﻦ اﳌسﺘوى‬
‫الﺘعلﻴﻤﻲ(‪.‬‬
‫‪ (2‬ﺟﺪول اﻟﺘكﺮارات اﻟﻨﺴﺒﻴﺔ ﻟﻸﺳﻄﺮ )‪:(Profils-ligne‬‬

‫‪ % 7,1 ‬مﻦ اﻷﻓﺮاد الﺬﻳﻦ مسﺘوى ﺗعلﻴم أ ﺋﻬم "مﺘوسﻂ"‪ ،‬ﺣالﺔ أ ﺋﻬم اﳌﻬﻨﻴﺔ ﻫﻲ "عاﻃﻞ عﻦ العﻤﻞ"‪.‬‬
‫‪ % 35,7 ‬مﻦ اﻷﻓﺮاد الﺬﻳﻦ مسﺘوى ﺗعلﻴم أ ﺋﻬم "مﺘوسﻂ"‪ ،‬ﺣالﺔ أ ﺋﻬم اﳌﻬﻨﻴﺔ ﻫﻲ "عامﻞ بسﻴﻂ"‪.‬‬
‫‪ % 57,1 ‬مﻦ اﻷﻓﺮاد الﺬﻳﻦ مسﺘوى ﺗعلﻴم أ ﺋﻬم "مﺘوسﻂ"‪ ،‬ﺣالﺔ أ ﺋﻬم اﳌﻬﻨﻴﺔ ﻫﻲ "عامﻞ مﺘوسﻂ الﺘأﻫﻴﻞ"‪.‬‬
‫‪ % 0 ‬مﻦ اﻷﻓﺮاد الﺬﻳﻦ مسﺘوى ﺗعلﻴم أ ﺋﻬم "مﺘوسﻂ"‪ ،‬ﺣالﺔ أ ﺋﻬم اﳌﻬﻨﻴﺔ ﻫﻲ "عامﻞ عاﱄ الﺘأﻫﻴﻞ"‪.‬‬
‫‪- 90 -‬‬
‫‪ (3‬ﺟﺪول اﻟﺘكﺮارات اﻟﻨﺴﺒﻴﺔ ﻟﻸﻋﻤﺪة )‪:(Profils-colonne‬‬

‫‪ % 0 ‬مﻦ اﻷﻓﺮاد الﺬﻳﻦ ﺣالﺔ أ ﺋﻬم اﳌﻬﻨﻴﺔ "عامﻞ مﺘوسﻂ الﺘأﻫﻴﻞ"‪ ،‬مسﺘوى ﺗعلﻴم أ ﺋﻬم ﻫو "أمﻲ"‪.‬‬
‫‪ % 10 ‬مﻦ اﻷﻓﺮاد الﺬﻳﻦ ﺣالﺔ أ ﺋﻬم اﳌﻬﻨﻴﺔ "عامﻞ مﺘوسﻂ الﺘأﻫﻴﻞ"‪ ،‬مسﺘوى ﺗعلﻴم أ ﺋﻬم ﻫو "ابﺘداﺋﻲ"‪.‬‬
‫‪ % 40 ‬مﻦ اﻷﻓﺮاد الﺬﻳﻦ ﺣالﺔ أ ﺋﻬم اﳌﻬﻨﻴﺔ "عامﻞ مﺘوسﻂ الﺘأﻫﻴﻞ"‪ ،‬مسﺘوى ﺗعلﻴم أ ﺋﻬم ﻫو "مﺘوسﻂ"‪.‬‬
‫‪ % 20 ‬مﻦ اﻷﻓﺮاد الﺬﻳﻦ ﺣالﺔ أ ﺋﻬم اﳌﻬﻨﻴﺔ "عامﻞ مﺘوسﻂ الﺘأﻫﻴﻞ"‪ ،‬مسﺘوى ﺗعلﻴم أ ﺋﻬم ﻫو " ﻧوي"‪.‬‬
‫‪ % 30 ‬مﻦ اﻷﻓﺮاد الﺬﻳﻦ ﺣالﺔ أ ﺋﻬم اﳌﻬﻨﻴﺔ "عامﻞ مﺘوسﻂ الﺘأﻫﻴﻞ"‪ ،‬مسﺘوى ﺗعلﻴم أ ﺋﻬم ﻫو "ﺟامعﻲ"‪.‬‬
‫‪ (4‬ﺟﺪول اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ واﻟﺘﺒﺎﻳﻦ اﳌﻔﺴﺮ‪:‬‬

‫‪.‬‬ ‫‪= 0,021 ،‬‬ ‫‪= 0,199 ،‬‬
‫‪ ‬ﺗﺮﺗﻴب الﻘﻴم الﺬاﺗﻴﺔ الﺜﻼﺛﺔ ﻫﻲ‪= 0,481 :‬‬
‫∑= ‪.‬‬ ‫‪ ‬الﺘﺒاﻳﻦ الكلﻲ ﻫو‪= 0,701 :‬‬
‫‪.‬‬ ‫‪ ‬إﺣصاﺋﻴﺔ ﻛاي ﺗﺮبﻴﻊ اﶈسوبﺔ ﻫﻲ‪= .. × = 48 × 0,701 = 33,65 :‬‬
‫‪- 91 -‬‬
‫‪,‬‬ ‫أﻛﱪ مﻦ ا دولﺔ = )‪(4 ∗ 3‬‬ ‫‪ ‬ﲟا أن ﻗﻴﻤﺔ إﺣصاﺋﻴﺔ ﻛاي ﺗﺮبﻴﻊ اﶈسوبﺔ ‪= 33,65‬‬
‫(‪ ،‬ﻓﺈ ﻧﺮﻓﺾ الفﺮﺿﻴﺔ الصفﺮﻳﺔ ‪ ،‬وﻧﻘﺒﻞ الفﺮﺿﻴﺔ الﺒدﻳلﺔ‬ ‫‪) 21,03‬ﻛﻤا أن ‪= 0,01 < 0,05‬‬
‫الﱵ ﺗﻘﻀﻲ بوﺟود عﻼﻗﺔ بﲔ اﳌﺘﻐﲑﻳﻦ )اﳌﺘﻐﲑان "اﳌسﺘوى الﺘعلﻴﻤﻲ لﻸب" و"اﳊالﺔ اﳌﻬﻨﻴﺔ لﻸب" مﱰابﻄان(‪.‬‬
‫‪ ‬اﶈور العاملﻲ اﻷول ﻳفسﺮ ‪ % 68,6‬مﻦ الﺘﺒاﻳﻦ الكلﻲ‪.‬‬
‫‪ ‬اﶈور العاملﻲ الﺜاﱐ ﻳفسﺮ ‪ % 28,4‬مﻦ الﺘﺒاﻳﻦ الكلﻲ‪.‬‬
‫‪ ‬اﳌسﺘوي العاملﻲ اﻷول ﻳفسﺮ ‪ % 97‬مﻦ الﺘﺒاﻳﻦ الكلﻲ‪.‬‬
‫‪ (5‬اﺳﻘﺎط ﻧﻘﺎط اﻷﺳﻄﺮ‪:‬‬

‫‪ ‬ا ﻤوع اﳍامﺸﻲ للفﺌﺔ "أمﻲ" ﻫﻲ‪) . = 0,063 :‬اﺣﺘﻤال أن ﻳكون اﳌسﺘوى الﺘعلﻴﻤﻲ لﻸب "أمﻲ"(‪.‬‬
‫‪ ‬اﺣداﺛﻴات الفﺌﺔ "أمﻲ" على اﳌسﺘوي العاملﻲ اﻷول ﻫﻲ‪. (−1,157 , 1,510) :‬‬
‫‪ (6‬اﺳﻘﺎط ﻧﻘﺎط اﻷﻋﻤﺪة‪:‬‬

‫)اﺣﺘﻤال أن ﺗكون اﳊالﺔ اﳌﻬﻨﻴﺔ لﻸب‬ ‫‪.‬‬ ‫‪ ‬ا ﻤوع اﳍامﺸﻲ للفﺌﺔ "عاﻃﻞ عﻦ العﻤﻞ" ﻫﻲ‪= 0,167 :‬‬
‫"عاﻃﻞ عﻦ العﻤﻞ"(‪.‬‬
‫‪.‬‬ ‫‪ ‬اﺣداﺛﻴات الفﺌﺔ "عاﻃﻞ عﻦ العﻤﻞ" على اﳌسﺘوي العاملﻲ اﻷول ﻫﻲ‪(−0,688 , 1,142) :‬‬
‫‪- 92 -‬‬
‫‪ (7‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻨﻘﺎط اﻷﺳﻄﺮ‪:‬‬
‫ﻳُﻈﻬﺮ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ السابﻖ أن‪:‬‬

‫‪ ‬اﳌساﻓﺔ بﲔ الفﺌﺘﲔ "ﺟامعﻲ" و" ﻧوي" ﻗﺮﻳﺒﺔ وﰲ ﻧفﺲ اﳉﻬﺔ للﻤحور العاملﻲ‪ ،‬وﻫﺬا ﻳدل على ﺗﺸابﻪ‬
‫ﻫاﺗﲔ الفﺌﺘﲔ‪ ،‬وﳘا ﳐﺘلفﺘﲔ عﻦ الفﺌﺘﲔ "أمﻲ" و"ابﺘداﺋﻲ" اللﺘان ﲤﺜﻼن ﳉﻬﺔ اﳌﻘابلﺔ للﻤحور العاملﻲ‪.‬‬
‫‪ ‬ﻗﺮب الفﺌﺔ "مﺘوسﻂ" مﻦ اﳌﺮﻛﺰ‪ ،‬ﻳدل على أن ﻫﺬﻩ الفﺌﺔ ﻗﺮﻳﺒﺔ مﻦ اﳌﺘوسﻂ بﺸكﻞ عام‪.‬‬
‫‪ (8‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻨﻘﺎط اﻷﻋﻤﺪة‪:‬‬
‫‪- 93 -‬‬

‫‪ ‬اﳌساﻓﺔ بﲔ الفﺌﺔ "عامﻞ عاﱄ الﺘأﻫﻴﻞ" والفﺌﺘﲔ "عاﻃﻞ عﻦ العﻤﻞ" و"عامﻞ بسﻴﻂ" بعﻴدة وﰲ ﺟﻬﺘﲔ‬
‫ﳐﺘلفﺘﲔ مﻦ اﶈور العاملﻲ‪ ،‬وﻫﺬا ﻳدل على اﻻخﺘﻼف بﲔ ﻓﺌﺔ "عاﱄ الﺘأﻫﻴﻞ" وﻫاﺗﲔ الفﺌﺘﲔ‪.‬‬
‫‪ ‬ﻗﺮب الفﺌﺔ "عامﻞ مﺘوسﻂ الﺘأﻫﻴﻞ" مﻦ اﳌﺮﻛﺰ‪ ،‬ﻳدل على أن ﻫﺬﻩ الفﺌﺔ ﻗﺮﻳﺒﺔ مﻦ اﳌﺘوسﻂ بﺸكﻞ عام‪.‬‬
‫‪ (9‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ اﳌﺸﱰك ﻟﻨﻘﺎط اﻷﺳﻄﺮ وﻧﻘﺎط اﻷﻋﻤﺪة‪:‬‬

‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺔ "عاﻃﻞ عﻦ العﻤﻞ" والفﺌﺔ "أمﻲ" ﻗﺮﻳﺒﺔ وﰲ ﻧفﺲ اﳉﻬﺔ مﻦ اﶈور العاملﻲ‪ ،‬وﻫﺬا ﻳدل على‬
‫أن ﻏالب العاﻃلﲔ عﻦ العﻤﻞ أمﻴﲔ‪.‬‬
‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺔ "عامﻞ بسﻴﻂ" والفﺌﺔ "ابﺘداﺋﻲ" ﻗﺮﻳﺒﺔ وﰲ ﻧفﺲ اﳉﻬﺔ مﻦ اﶈور العاملﻲ‪ ،‬وﻫﺬا ﻳدل على‬
‫أن ﻏالب العﻤال الﺒسﻄاء مسﺘواﻫم الﺘعلﻴﻤﻲ "ابﺘداﺋﻲ"‪.‬‬
‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺔ "عامﻞ عاﱄ الﺘأﻫﻴﻞ" والفﺌﺔ " ﻧوي" ﻗﺮﻳﺒﺔ وﰲ ﻧفﺲ اﳉﻬﺔ مﻦ اﶈور العاملﻲ‪ ،‬وﻫﺬا ﻳدل‬
‫على أن ﻏالب العﻤال عالﻴﻲ الﺘأﻫﻴﻞ مسﺘواﻫم الﺘعلﻴﻤﻲ " ﻧوي"‪.‬‬
‫‪ ‬اﳌساﻓﺔ بﲔ ﻓﺌﺔ "عامﻞ مﺘوسﻂ الﺘأﻫﻴﻞ" والفﺌﺔ "ﺟامعﻲ" ﻗﺮﻳﺒﺔ وﰲ ﻧفﺲ اﳉﻬﺔ مﻦ اﶈور العاملﻲ‪ ،‬وﻫﺬا‬
‫ﻳدل على أن ﻏالب العﻤال مﺘوسﻄﻲ الﺘأﻫﻴﻞ مسﺘواﻫم الﺘعلﻴﻤﻲ "ﺟامعﻲ"‪.‬‬
‫‪ ‬ﻫاﺗﲔ اﳌﻼﺣﻈﺘﲔ اﻷخﲑﺗﲔ ﻳﱪزان ﻧوع مﻦ عدم الﺘﻨاسب ﰲ سوق العﻤﻞ‪ ،‬أﻳﻦ ﻳﺘﻘلد العﻤال الﺬﻳﻦ‬
‫مسﺘواﻫم ﻧوي مﻬام عالﻴﺔ )رﲟا ﲝكم اﻷﻗدمﻴﺔ واﳋﱪة(‪ ،‬بﻴﻨﻤا ﻳﺘﻘلد العﻤال الﺬﻳﻦ مسﺘواﻫم ﺟامعﻲ مﻬام‬
‫‪- 94 -‬‬
‫مﺘوسﻄﺔ الﺘأﻫﻴﻞ )رﲟا بسﺒب عدم ﺗوﻓﺮ ﻓﺮص عﻤﻞ ﺗﻨاسب مسﺘواﻫم‪ ،‬ﻓﻴﻀﻄﺮون إﱃ ﻗﺒول مﻨاﺻب أﻗﻞ‬
‫مﻦ مسﺘواﻫم(‪.‬‬
‫‪ ‬بﺸكﻞ عام ﻧﻼﺣﻆ ﺗواﻓﻖ )ارﺗﺒاط( بﲔ اﳌسﺘوى الﺘعلﻴﻤﻲ واﳊالﺔ اﳌﻬﻨﻴﺔ‪ ،‬ﻓكلﻤا ارﺗفﻊ اﳌسﺘوى الﺘعلﻴﻤﻲ‬
‫ﲢسﻨﺖ ﻧوعﻴﺔ العﻤﻞ‪.‬‬
‫‪ ‬شكﻞ سحابﺔ الﻨﻘاط أﻗﺮب للداﺋﺮي مﻊ ﺗﺒاﻳﻦ ﻛلﻲ ﻛﺒﲑ ﻧسﺒﻴا )اﳊالﺔ ‪ ،(3‬وﻫﺬا ما ﻳﺆﻛد على أن اﳌﺘﻐﲑﻳﻦ‬
‫مﱰابﻄان‪.‬‬
‫‪ .4‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ ﻋﻠﻰ ﺑﺮ ﻣج ‪:XL-STAT‬‬

‫سأﻗدم ﰲ ﻫﺬا العﻨصﺮ أﻫم اﳋﻄوات اﳌﺘﺒعﺔ على بﺮ مج ‪ XL-STAT‬للﻘﻴام بﺘحلﻴﻞ عاملﻲ‬
‫ﺗواﻓﻘﻲ‪ ،‬على ﻧفﺲ بﻴا ت اﳌﺜال الﺘﻄﺒﻴﻘﻲ على بﺮ مج ‪ .SPSS‬وسأﻛﺘفﻲ لﺘعلﻴﻖ ﻓﻘﻂ على بعﺾ اﻹﺿاﻓات‬
‫ﻏﲑ اﳌﺘوﻓﺮة على بﺮ مج ‪.SPSS‬‬

‫للﻘﻴام بـ ـ ‪ AFC‬على بﺮ مج ‪ XL-STAT‬ﻧﺘﺒﻊ اﳋﻄوات الﺘالﻴﺔ‪:‬‬
‫‪ (1‬بعد ﻓﺘﺢ بﺮ مج ‪ XL-STAT‬ﻧﻘوم دخال بﻴا ت الدراسﺔ‪ ،‬ﰒ ﻧﺬﻫب إﱃ شﺮﻳﻂ الﻘواﺋم‪.‬‬
‫‪ (2‬ﰲ شﺮﻳﻂ الﻘواﺋم ﳔﺘار لﱰﺗﻴب‪ XL-STAT:‬ﰒ ‪ Analyse des données‬ﰒ ‪Analyse‬‬
‫‪.factorielle des correspondances‬‬

‫‪- 95 -‬‬
‫‪ ‬ﻧوع ﺟدول الﺒﻴا ت )ﺟدول مﺰدوج أو ﺟدول بﻴا ت خام(‬

‫‪ ‬مكان إدراج اﳌﺨﺮﺟات )‪(classeur ،feuille ،plage‬‬
‫‪ ‬ﻧﻈلﻞ على وﺻﻒ الﺒﻴا ت )‪.(Libellés‬‬
‫‪ ‬ﻣﻦ ﺧﻴﺎرات ‪ :Options‬ﻧﻘوم خﺘﻴار‪:‬‬

‫‪ ‬ﲢلﻴﻞ معﻤﻖ )بدون ﲢلﻴﻞ معﻤﻖ‪ ،‬بﻴا ت إﺿاﻓﻴﺔ‪ ،‬ﲢلﻴﻞ ﳎﻤوعات ﺟﺰﺋﻴﺔ(‪.‬‬
‫‪ ‬ﻧﻈلﻞ على اخﺘﺒار اﻹسﺘﻘﻼلﻴﺔ‪ ،‬عﻨد مسﺘوى اﳌعﻨوﻳﺔ ‪.%5‬‬
‫‪ ‬إمكاﻧﻴﺔ ﲢدﻳد عدد اﶈاور العاملﻴﺔ )إما لﻨسﺒﺔ اﳌفسﺮة للﻤحور أو بعدد اﶈاور(‪.‬‬
‫‪ ‬إمكاﻧﻴﺔ الﻘﻴام بﺘحلﻴﻞ ﻏﲑ مﺘﻨاﻇﺮ‪.‬‬
‫‪ ‬ﻣﻦ ﺑﻴﺎ ت ﻣﻔﻘﻮدة ‪ :Données manquantes‬ﻧﻘوم بﺘحدﻳد إمكاﻧﻴﺔ وﺟود ﻗﻴم مفﻘودة‬
‫وﻛﻴفﻴﺔ الﺘعامﻞ معﻬا ﰲ ﺣالﺔ وﺟودﻫا )اسﺘﺒداﳍا لصفﺮ أو لﺘوﻗﻊ(‪.‬‬
‫‪- 96 -‬‬
‫‪ ‬ﻣﻦ ﳐﺮﺟﺎت ‪ :Sorties‬ﻧﻘوم بﺘحدﻳد اﳌﺨﺮﺟات الﱵ ﻧﺮﻏب مﻦ الﱪ مج إﻇﻬارﻫا‪:‬‬
‫‪ ‬ﻣﻦ اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ‪ :Graphiques‬ﻧﻘوم بﺘحدﻳد الﺘﻤﺜﻴﻼت الﺒﻴاﻧﻴﺔ الﱵ ﻧﺮﻏب مﻦ الﱪ مج إﻇﻬارﻫا‬

‫ﻧﻄﺒﻖ ﻃﺮﻳﻘﺔ ‪ AFC‬على بﺮ مج ‪ XL-STAT‬بﻨفﺲ اﳌﺜال اﳌﻄﺒﻖ على بﺮ مج ‪ .SPSS‬و لﻨسﺒﺔ‬
‫للﺘعلﻴﻖ على اﳉداول واﻷشكال‪ ،‬ﻓﻬو ﻧفﺲ الﺘعلﻴﻖ اﳌﺬﻛور ﰲ العﻨصﺮ السابﻖ اﳋاص بﱪ مج ‪ ،SPSS‬ﻓﻼ‬
‫داعﻲ لﺘكﺮار ذلﻚ‪ .‬وﻧكﺘفﻲ ﻓﻘﻂ ﻹشارة إﱃ اﳌﺨﺮﺟات ﻏﲑ اﳌﺘوﻓﺮة على بﺮ مج ‪.SPSS‬‬
‫‪ (1‬اﳉﺪول اﳌزدوج‪:‬‬
‫‪- 97 -‬‬
‫‪ (2‬اﳉﺪول واﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ذو ﺛﻼث أﺑﻌﺎد ﻟﻠﺠﺪول اﳌزدوج )ﻏﲑ مﺘوﻓﺮ على بﺮ مج ‪:(SPSS‬‬
‫ﻳﺘﺒﲔ مﻦ ﻫﺬا الﺘﻤﺜﻴﻞ الﺒﻴاﱐ بوﺿوح أن الفﺌﺔ اﻷﻛﺜﺮ ﺗكﺮارا ﻫﻲ الفﺌﺔ الﱵ ﲡﻤﻊ بﲔ الصفﺘﲔ "عامﻞ‬
‫مﺘوسﻂ الﺘأﻫﻴﻞ" و"اﳌسﺘوى الﺘعلﻴﻤﻲ مﺘوسﻂ"‪.‬‬
‫‪ (3‬ﺟﺪول اﻟﺘكﺮارات اﻟﻨﺴﺒﻴﺔ )ﻏﲑ مﺘوﻓﺮ على بﺮ مج ‪:(SPSS‬‬
‫‪- 98 -‬‬
‫‪ (4‬اﺧﺘﺒﺎر اﻻﺳﺘﻘﻼﻟﻴﺔ )ﻳعﻄﻲ الﻘﻴﻤﺔ اﳉدولﻴﺔ لكاي ﺗﺮبﻴﻊ وﻫﺬا ﻏﲑ مﺘوﻓﺮ على بﺮ مج ‪:(SPSS‬‬
‫‪,‬‬ ‫لﻘﻴﻤﺔ ا دولﺔ = )‪(4 ∗ 3‬‬ ‫ﲟﻘارﻧﺔ ﻗﻴﻤﺔ إﺣصاﺋﻴﺔ ﻛاي ﺗﺮبﻴﻊ اﶈسوبﺔ ‪= 33,65‬‬
‫(‪ ،‬ﻓﺈ ﻧﺮﻓﺾ الفﺮﺿﻴﺔ الصفﺮﻳﺔ ‪ ،‬وﻧﻘﺒﻞ الفﺮﺿﻴﺔ الﺒدﻳلﺔ‬ ‫‪) 21,03‬ﻛﻤا أن ‪= 0,00 < 0,05‬‬
‫الﱵ ﺗﻘﻀﻲ بوﺟود عﻼﻗﺔ بﲔ اﳌﺘﻐﲑﻳﻦ )اﳌﺘﻐﲑان "اﳌسﺘوى الﺘعلﻴﻤﻲ لﻸب" و"اﳊالﺔ اﳌﻬﻨﻴﺔ لﻸب" مﱰابﻄان(‪.‬‬
‫‪ (5‬ﺟﺪول اﻟﺘكﺮارات اﻟﻨﺴﺒﻴﺔ ﻟﻸﺳﻄﺮ )‪:(Profils-ligne‬‬
‫‪ (6‬ﺟﺪول اﻟﺘكﺮارات اﻟﻨﺴﺒﻴﺔ ﻟﻸﻋﻤﺪة )‪:(Profils-colonne‬‬
‫‪- 99 -‬‬
‫‪ (7‬ﺟﺪول اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ واﻟﺘﺒﺎﻳﻦ اﳌﻔﺴﺮ‪:‬‬
‫‪ (8‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻠﻘﻴﻢ اﻟﺬاﺗﻴﺔ )ﻏﲑ مﺘوﻓﺮ على بﺮ مج ‪:(SPSS‬‬
‫‪ (9‬ﻣﺴﺎﻓﺎت ﻛﺎي ﺗﺮﺑﻴﻊ ﻟﻸﺳﻄﺮ )ﻏﲑ مﺘوﻓﺮ على بﺮ مج ‪:(SPSS‬‬
‫‪- 100 -‬‬

‫‪ (10‬اﺳﻘﺎﻃﺎت اﻷﺳﻄﺮ‪:‬‬
‫‪ (11‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻨﻘﺎط اﻷﺳﻄﺮ‪:‬‬
‫‪ (12‬ﻣﺴﺎﻓﺎت ﻛﺎي ﺗﺮﺑﻴﻊ ﻟﻸﻋﻤﺪة )ﻏﲑ مﺘوﻓﺮ على بﺮ مج ‪:(SPSS‬‬
‫‪ (13‬اﺳﻘﺎﻃﺎت اﻷﻋﻤﺪة‪:‬‬
‫‪- 101 -‬‬

‫‪ (14‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻨﻘﺎط اﻷﻋﻤﺪة‪:‬‬
‫‪ (15‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ اﳌﺸﱰك ﻟﻨﻘﺎط اﻷﺳﻄﺮ وﻧﻘﺎط اﻷﻋﻤﺪة‪:‬‬
‫ﻛﻤا أشﺮ إﱃ ذلﻚ ﰲ بﺮ مج ‪ ،SPSS‬ﻧﻼﺣﻆ بﺸكﻞ عام ﺗواﻓﻖ )ارﺗﺒاط( بﲔ اﳌسﺘوى الﺘعلﻴﻤﻲ واﳊالﺔ‬
‫اﳌﻬﻨﻴﺔ‪ ،‬ﻓكلﻤا ارﺗفﻊ اﳌسﺘوى الﺘعلﻴﻤﻲ ﲢسﻨﺖ ﻧوعﻴﺔ العﻤﻞ‪ .‬وشكﻞ سحابﺔ الﻨﻘاط أﻗﺮب للداﺋﺮي مﻊ ﺗﺒاﻳﻦ ﻛلﻲ‬
‫ﻛﺒﲑ ﻧسﺒﻴا )اﳊالﺔ ‪ ،(3‬وﻫﺬا ما ﻳﺆﻛد على أن اﳌﺘﻐﲑﻳﻦ مﱰابﻄان‪.‬‬
‫‪- 102 -‬‬

‫‪ .III‬اﶈﻮر اﻟﺜﺎﻟﺚ‪ :‬اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ )‪(CAH‬‬

‫ﻏالﺒا ما ﺗﺮﻛﺰ الﻄﺮق العاملﻴﺔ على اخﺘﺰال )ﺗﻘلﻴﺺ( عدد اﳌﺘﻐﲑات‪ ،‬أما أسالﻴب الﺘصﻨﻴﻒ ﻓﱰﻛﺰ ﰲ الﻐالب‬
‫على ﺗصﻨﻴﻒ اﻷﻓﺮاد ﰲ ﳎﻤوعات )ﺗﻘلﻴﺺ عدد اﻷﻓﺮاد(‪.‬‬
‫ﰲ اﳊﻘﻴﻘﺔ ﻳوﺟد ﺗكامﻞ بﲔ الﻄﺮق العاملﻴﺔ وﻃﺮق الﺘصﻨﻴﻒ‪ ،‬ﻓﺒعد ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ عاملﻴﺔ على الﺒﻴا ت اﻷﺻلﻴﺔ‬
‫)ﻛﻄﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ(‪ ،‬ﻳﺘم اخﺘﺰال اﳌﺘﻐﲑات ﰲ عدد ﳏدود مﻦ اﳌﺮﻛﺒات )مﺮﻛﺒﺘﲔ أو ﺛﻼث مﺮﻛﺒات‬
‫رﺋﻴسﻴﺔ(‪ ،‬وعلى أساس ﻫﺬﻩ اﳌﺮﻛﺒات ﻧﻘوم بﺘصﻨﻴﻒ اﻷﻓﺮاد‪ ،‬والﺬي ﻳسﻬﻞ عﻤلﻴﺔ الﺘحلﻴﻞ والﺘفسﲑ ﰲ اﻷخﲑ‪.‬‬
‫ﳝكﻦ ﺗﻘسﻴم أسالﻴب الﺘصﻨﻴﻒ إﱃ ﻗسﻤﲔ‪:‬‬
‫‪ ‬اﻟﺘﺼﻨﻴﻒ ﻟﺘﺠزﺋﺔ‪ :‬وﻳﺘﻤﺜﻞ ﰲ ﲡﺰﺋﺔ ا ﻤوعﺔ الكلﻴﺔ لﻸﻓﺮاد ﰲ ﳎﻤوعات ﺟﺰﺋﻴﺔ مﻨفصلﺔ‪ .‬وﻫو‬
‫ﺗصﻨﻴﻒ ﻏﲑ مﺘسلسﻞ‪ .‬ومﻦ بﲔ أﻫﻞ ﻫﺬﻩ اﻷسالﻴب‪ :‬ﻃﺮﻳﻘﺔ اﳌﺮاﻛﺰ اﳌﺘحﺮﻛﺔ ) ‪Centres‬‬
‫‪ ،(mobiles‬ﻃﺮﻳﻘﺔ ‪ ،nuées dynamiques‬ﻃﺮﻳﻘﺔ ‪.k-means‬‬
‫‪ ‬اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ‪ :‬وﻳﺘﻤﺜﻞ ﰲ ﲡﻤﻴﻊ اﻷﻓﺮاد ﰲ ﳎﻤوعات مﺘﺠاﻧسﺔ سلوب ﺗسلسلﻲ‬
‫)الﺘﺠﻤﻴﻊ اﳌﺘﺘاﱄ لﻸﻓﺮاد اﳌﺘﺸا ﺔ(‪ .‬ومﻦ بﲔ أﻫﻞ ﻫﺬﻩ اﻷسالﻴب‪ :‬ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ‬
‫اﻟﺘﺼﺎﻋﺪي أو اﻟﺘﺠﻤﻴﻌﻲ ) ‪Classification Ascendante Hiérarchique-‬‬
‫‪ ،(CAH‬ﻃﺮﻳﻘﺔ الﺘصﻨﻴﻒ الﺘسلسلﻲ الﺘﻨازﱄ أو الﺘﻘسﻴﻤﻲ )‪.(CDH‬‬
‫وسﻨﺮﻛﺰ ﰲ ﻫﺬا اﶈور على الﺘصﻨﻴﻒ الﺘسلسلﻲ الﺘصاعدي )أو الﺘﺠﻤﻴعﻲ(‪ ،‬والﺬي ﻳعﺘﱪ أﻫم ﻃﺮق‬
‫الﺘصﻨﻴﻒ وأﻛﺜﺮﻫا اﻧﺘﺸارا واسﺘﺨداما‪ ،‬وﻫو ﺗصﻨﻴﻒ ﻳﻨاسب الدراسات الﱵ ﺗﻀم عدد أﻓﺮاد ﺻﻐﲑ ﻧسﺒﻴا )العﻴﻨات‬
‫الصﻐﲑة‪ 150-50 :‬ﻓﺮد(‪.‬‬
‫‪ .1‬ﻣﻔﻬﻮم ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ )اﳍﺮﻣﻲ – اﻟﻌﻨﻘﻮدي( اﻟﺘﺼﺎﻋﺪي )اﻟﺘﺠﻤﻴﻌﻲ(‪:‬‬

‫سﻨﺨصﺺ ﻫﺬا العﻨصﺮ لﺘعﺮﻳﻒ ﻃﺮﻳﻘﺔ الﺘصﻨﻴﻒ الﺘسلسلﻲ الﺘصاعدي‪ ،‬ﻫدﻓﻬا‪ ،‬ومﺒدؤﻫا‪.‬‬
‫أ‪ .‬ﺗﻌﺮﻳﻒ ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ اﻟﺘﺼﺎﻋﺪي‪:‬‬

‫الﺘصﻨﻴﻒ لﻐﺔ مﻦ الفعﻞ الﺜﻼﺛﻲ ﺻﻨّﻒ‪ ،‬و"ﺻﻨّﻒ اﻷشﻴاء" أي ﺟعلﻬا أﺻﻨاﻓا‪ .50‬والﺘصﻨﻴﻒ ﻳعﲏ الﱰﺗﻴب‬
‫والﺘﺠﻤﻴﻊ ﰲ ﳎﻤوعات‪ .‬وﻳﻘصد بﻪ ﺗﻘسﻴم العﻨاﺻﺮ )اﻷﻓﺮاد أو درا اﳌﺘﻐﲑات‪ (51‬وﺗﺮﺗﻴﺒﻬا ﰲ ﳎﻤوعات أو عﻨاﻗﻴد‬
‫)‪ ،(Classes, Clusters‬ﲝﻴﺚ ﻳكون اﳌﻨﺘﻤﲔ إﱃ ﻧفﺲ ا ﻤوعﺔ مﺘﺠاﻧسﲔ )مﺘﺸا ﲔ(‪ ،‬أما اﳌﻨﺘﻤﲔ إﱃ‬
‫ﳎﻤوعات ﳐﺘلفﺔ ﻓﻬم ﻏﲑ مﺘﺠاﻧسﲔ )ﳐﺘلفﲔ(‪.‬‬
‫‪ 50‬المعجم الوسيط‪ ،‬مجمع اللغة العربية‪ ،‬مكتبة الشروق الدولية‪ ،2004 ،‬ص ‪.526‬‬
‫‪51‬‬
‫‪- 103 -‬‬

‫واﻷسلوب العﻨﻘودي )الﺘسلسلﻲ( مﻦ شأﻧﻪ ﺗصﻨﻴﻒ وﺣدات العﻴﻨﺔ إﱃ ﳎامﻴﻊ )عﻨاﻗﻴد أو ﳎﻤوعات( ﻏﲑ‬
‫معﺮوﻓﺔ مسﺒﻘا‪.52‬‬
‫والﺘصﻨﻴﻒ ﻫﻨا ﻻ ﻳﻘصد بﻪ الﱰﺗﻴب مﻦ ﺣﻴﺚ اﻷﻓﻀﻞ أو اﻷسوء‪ ،‬بﻞ ﲡﻤﻴﻊ اﻷﻓﺮاد اﳌﺘﺸا ﺔ ﰲ ﳎﻤوعات‬
‫ﻻعﺘﻤاد على اﳌساﻓات بﻴﻨﻬا‪ .‬ﻓكلﻤا ﻛاﻧﺖ اﳌساﻓﺔ بﻞ ﻓﺮدﻳﻦ ﺻﻐﲑة ﻓﻬﺬا ﻳدل على أ ﻤا مﺘﺸا ان ﻓﻴصﻨفان‬
‫ﰲ ﻧفﺲ ا ﻤوعﺔ‪ .‬وﳝكﻦ أن ﺗﻀم ا ﻤوعﺔ ﻓﺮدا واﺣدا ﻓﻘﻂ‪ ،‬ﲝﻴﺚ ﻳكون ﻏﲑ مﺸابﻪ ﻷي ﻓﺮد مﻦ اﻷﻓﺮاد‬
‫اﻷخﺮﻳﻦ‪.‬‬
‫ﰲ الﺒداﻳﺔ ﻧكون أمام عدة عﻨاﺻﺮ أﻳﻦ ﻳﺸكﻞ ﻛﻞ عﻨصﺮ ﳎﻤوعﺔ لوﺣدﻩ‪ ،‬ﻓﻴﺘم ﺗﺮﺗﻴﺒﻬا ﲝﻴﺚ ﻧﻘوم ﳉﻤﻊ‬
‫بﲔ العﻨاﺻﺮ اﳌﺘﺸا ﺔ )الﻘﺮﻳﺒﺔ( بﺸكﻞ ﺗسلسلﻲ ﺣﱴ ﲡﺘﻤﻊ ﲨﻴﻊ العﻨاﺻﺮ ﰲ ﳎﻤوعﺔ واﺣدة ﻓﻘﻂ ﲤﺜﻞ اﳉﺬر‬
‫)‪) 53(la racine‬الصعود مﻦ عدة ﳎﻤوعات إﱃ ﳎﻤوعﺔ واﺣدة بﺸكﻞ ﺗسلسلﻲ(‪.‬‬
‫ومﻊ أن ﻃﺮق الﺘصﻨﻴﻒ ﻏالﺒا ما ﺗﺮﻛﺰ على اﻷﻓﺮاد لﺘصﻨﻴفﻬا‪ ،‬إﻻ أﻧﻪ ﳝكﻦ ﻛﺬلﻚ ﺗصﻨﻴﻒ اﳌﺘﻐﲑات ﻗصد‬
‫ﺗﻘلﻴﺺ عددﻫا‪ ،‬ﻓﻘد ﺗكون ﻧفﺲ اﳌﺘﻐﲑات )مﺘﻐﲑﻳﻦ أو أﻛﺜﺮ( ﺗفسﺮ ﻇاﻫﺮة معﻴﻨﺔ بﻨفﺲ الﻘدر‪ ،‬ﻓﺒالﺘصﻨﻴﻒ ﲡﻤﻊ‬
‫ﻫﺬﻩ اﳌﺘﻐﲑات ﰲ ﳎﻤوعﺔ واﺣدة‪ ،‬ﰒ اخﺘﻴار مﺘﻐﲑ لﺘﻤﺜﻴﻞ ا ﻤوعﺔ‪.‬‬
‫وﻃﺮﻳﻘﺔ الﺘصﻨﻴﻒ الﺘسلسلﻲ الصاعد ﺗﺘﻨاسب أﻓﻀﻞ مﻊ اﳌﺘﻐﲑات الكﻤﻴﺔ‪.‬‬
‫ب‪ .‬اﳍﺪف ﻣﻦ ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ اﻟﺘﺼﺎﻋﺪي‪:‬‬

‫دف ﻃﺮﻳﻘﺔ الﺘصﻨﻴﻒ الﺘسلسلﻲ الﺘصاعدي إﱃ الﺘعﺮف على العﻨاﺻﺮ اﳌﺘﺸا ﺔ‪ ،‬ﰒ ﲡﻤﻴعا ﰲ ﳎﻤوعات‬
‫مﺘﺠاﻧسﺔ‪ .‬أي الﺘﻘسﻴم والﺘوزﻳﻊ لﻸﻓﺮاد ﰲ ﳎﻤوعات مﺘﺠاﻧسﺔ ﻗدر اﻹمكان‪ ،‬وﺟعﻞ اﻷﻓﺮاد ﻏﲑ اﳌﺘﺸا ﺔ ﺗصﻨﻒ‬
‫ﰲ ﳎﻤوعات ﳐﺘلفﺔ ﻗدر اﻹمكان‪.‬‬
‫ﻓﻄﺮﻳﻘﺔ الﺘصﻨﻴﻒ دف إﱃ ﲡﻤﻴﻊ العﻨاﺻﺮ )اﻷﻓﺮاد أو اﳌﺘﻐﲑات( اﳌﺘﺸا ﺔ ﰲ ﻧفﺲ ا ﻤوعﺔ‪ ،‬وعﺰل )ﺗفﺮﻗﺔ(‬
‫العﻨاﺻﺮ ﻏﲑ اﳌﺘﺸا ﺔ ﰲ ﳎﻤوعات ﳐﺘلفﺔ‪ .‬ﰒ ﺗفسﲑ وﲢلﻴﻞ ﻧﺘاﺋج الﺘصﻨﻴﻒ ﲝسب الﻈاﻫﺮة اﳌدروسﺔ‪.‬‬
‫ج‪ .‬ﻣﺒﺪأ ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ اﻟﺘﺼﺎﻋﺪي‪:‬‬

‫ﻳﺘﻤﺜﻞ مﺒدأ الﺘصﻨﻴﻒ الﺘسلسلﻲ الﺘصاعدي ﰲ الﺘﺠﻤﻴﻊ الﺘسلسلﻲ للعﻨاﺻﺮ اﳌﺘﺸا ﺔ‪ ،‬ﲝﻴﺚ ﻧﺒدأ بﺘﺠﻤﻴﻊ‬
‫اﻷﻓﺮاد اﳌﺘﺸا ﺔ مﺜﲎ مﺜﲎ ﻻعﺘﻤاد على اﳌساﻓات بﻴﻨﻬا )ﻛﻞ ﻓﺮدﻳﻦ ﻗﺮﻳﺒﲔ ﳘا مﺘﺸا ان ﻓﻴﺠﻤعان(‪ ،‬ﰒ ﻧكﺮر‬
‫العﻤلﻴﺔ بﺸكﻞ ﺗسلسلﻲ‪ ،‬وﰲ ﻛﻞ مﺮة ﻧصعد إﱃ مسﺘوى أعلى لﻀم أﻓﺮاد أخﺮﻳﻦ للﻤﺠﻤوعﺔ‪ ،‬ﻓﻴﺰﻳد عدد اﻷﻓﺮاد‬
‫ﰲ ا ﻤوعﺔ الواﺣدة‪ ،‬وﻳﻘﻞ عدد ا ﻤوعات بﺸكﻞ ﺗسلسلﻲ ﺗصاعدي‪.‬‬

‫‪53‬‬
‫‪- 104 -‬‬

‫وﺗﻘوم ﻫﺬﻩ الﻄﺮﻳﻘﺔ على مﺒدأ ﺗعﻈﻴم الﺘﺠاﻧﺲ )الﺘﺸابﻪ( بﲔ اﻷﻓﺮاد اﳌﻨﺘﻤﲔ لﻨفﺲ ا ﻤوعﺔ‪ ،‬وﰲ ﻧفﺲ‬
‫الوﻗﺖ ﺗعﻈﻴم عدم الﺘﺠاﻧﺲ )اﻻخﺘﻼف( بﲔ ا ﻤوعات‪ .‬وﻧﺸﲑ إﱃ أن ﲡﻤﻴﻊ العﻨاﺻﺮ الﻘﺮﻳﺒﺔ )اﳌﺘﺸا ﺔ( ﻗد‬
‫ﻳكون ﲨﻊ ﻓﺮد مﻊ ﻓﺮد أو ﲨﻊ ﳎﻤوعﺔ مﻊ ﳎﻤوعﺔ أو ﲨﻊ ﻓﺮد مﻊ ﳎﻤوعﺔ‪.‬‬
‫والﺘصﻨﻴﻒ الﺘسلسلﻲ ﳝﺜﻞ بواسﻄﺔ الﺸﺠﺮة الﺘسلسلﻴﺔ أو شﺠﺮة الﺘصﻨﻴﻒ ) – ‪Dendrogramme‬‬
‫‪.54(Arbre de classification‬‬
‫لو ﻧﻘوم بﻘﻄﻊ )‪ (coupure‬ﲞﻂ أﻓﻘﻲ على الﺸﺠﺮة الﺘسلسلﻴﺔ‪ ،‬ﻓﺈﻧﻨا سﻨﺘحصﻞ على ﺗﻘسﻴم أو ﲡﺰﺋﺔ‬
‫)‪ (partition‬للعﻨاﺻﺮ ﰲ ﳎﻤوعات‪ ،‬ﻓﺈﻧﻨا ﻛلﻤا ﻗﻤﻨا لﻘﻄﻊ أعلى الﺸﺠﺮة ﻓسﻨﺘحصﻞ على أﻗﻞ عدد مﻦ‬
‫ا ﻤوعات‪ ،‬وﺗكون ﻫﺬﻩ ا ﻤوعات أﻗﻞ ﲡاﻧسا‪ ،55‬و لعكﺲ ﻛلﻤا ﻗﻤﻨا لﻘﻄﻊ أدﱏ الﺸﺠﺮة ﻓسﻨﺘحصﻞ على‬
‫أﻛﱪ عدد مﻦ ا ﻤوعات‪ ،‬وﺗكون ﻫﺬﻩ ا ﻤوعات أﻛﺜﺮ ﲡاﻧسا‪.‬‬
‫ﳝﺜﻞ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ أعﻼﻩ ﺗصﻨﻴﻒ اﻷﻓﺮاد )أ‪ ،‬ب‪ ،..... ،‬س( ﰲ ﺛﻼث ﳎﻤوعات‪.‬‬
‫‪ .2‬ﺧﻄﻮات إﺟﺮاء ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ اﻟﺘﺼﺎﻋﺪي‪:‬‬

‫ﻹﺟﺮاء ﺗصﻨﻴﻒ ﺗسلسلﻲ ﺗصاعدي‪ ،‬ﳚب إﺗﺒاع اﳋﻄوات الﺘالﻴﺔ‪:‬‬
‫‪54‬‬
‫‪55‬‬
‫‪- 105 -‬‬

‫أ‪ .‬ﲨﻊ اﻟﺒﻴﺎ ت وﺗﺸكﻴﻞ ﺟﺪول اﻟﺒﻴﺎ ت‪:‬‬

‫بعد ﲨﻊ الﺒﻴا ت ﺣول الﻈاﻫﺮة اﳌﺮاد ﺗصﻨﻴﻒ عﻨاﺻﺮﻫا‪ ،‬ﻧﻘوم بﺘﺸكﻴﻞ ﺟدول الﺒﻴا ت‪ ،‬والﺬي سﻨعﺘﻤد‬
‫علﻴﻪ ﰲ عﻤلﻴﺔ الﺘصﻨﻴﻒ‪.‬‬
‫وﺟدول الﺒﻴا ت ﻳﻀم ‪ n‬سﻄﺮ ﲤﺜﻞ اﻷﻓﺮاد‪ ،‬و‪ p‬عﻤود ﲤﺜﻞ اﳌﺘﻐﲑات )ﻏالﺒا ما ﺗكون ﻛﻤﻴﺔ(‪.‬‬
‫…‬ ‫…‬
‫‪1‬‬
‫‪2‬‬
‫…‬
‫‪i‬‬
‫…‬
‫‪n‬‬
‫ﳝﺜﻞ اﳌﺘﻐﲑ ‪.( = 1,2, … , ) j‬‬ ‫ﺣﻴﺚ‪:‬‬
‫و‪ :‬اﻷعداد مﻦ ‪ 1‬إﱃ ‪ n‬ﲤﺜﻞ اﻷﻓﺮاد )اﳊاﻻت(‪.‬‬
‫ﲤﺜﻞ ﻗﻴﻤﺔ اﳌﺘﻐﲑ عﻨد الفﺮد ‪.i‬‬ ‫و‪:‬‬
‫وﲡدر اﻹشارة إﱃ أﻧﻪ ﰲ ﺣالﺔ ﻗﻴم بﻴا ت مﺘﺒاﻳﻨﺔ‪ ،‬ﻓﻴفﻀﻞ ﲢوﻳلﻬا إﱃ بﻴا ت مﺮﻛﺰﻳﺔ )ﺟعﻞ مﺘوسﻄﻬا‬
‫معدوم(‪ ،‬أما إذا ﻛاﻧﺖ ﻗﻴم الﺒﻴا ت مﺘﺒاﻳﻨﺔ ووﺣدات ﻗﻴاسﻬا ﳐﺘلفﺔ ﻓﻴفﻀﻞ ﲢوﻳلﻬا إﱃ بﻴا ت معﻴارﻳﺔ )مﺘوسﻂ‬
‫معدوم وﺗﺒاﻳﻦ ﻳساوي واﺣد(‪.‬‬
‫ﻳﻨصﺢ بﺘﻄﺒﻴﻖ ﻃﺮق الﺘصﻨﻴﻒ بعد الﺘحلﻴﻞ العاملﻲ‪ ،‬ﻓﻴﻤكﻦ أن ﺗكون ا ﻤوعات مﺘﻐﲑات إﺿاﻓﻴﺔ ﰲ ﲢلﻴﻞ‬
‫اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ )‪ ،(ACP‬الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ )‪ ،(AFC‬الﺘحلﻴﻞ العاملﻲ الﺘﻘابلﻲ اﳌﺘعدد‬
‫)‪ .56(ACM‬وﰲ ﺣالﺔ وﺟود عدد ﻛﺒﲑ مﻦ اﳌﺘﻐﲑات ﰲ الﺒﻴا ت الﱵ ﻧﺮﻳد ﺗﻄﺒﻴﻖ ﻃﺮق الﺘصﻨﻴﻒ علﻴﻬا‪،‬‬
‫ﻓﻴفﻀﻞ اخﺘﻴار اﳌﺘﻐﲑات اﻷﻛﺜﺮ أﳘﻴﺔ أو ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ )‪ (ACP‬ﻻخﺘﺰال عدد اﳌﺘﻐﲑات‪.‬‬
‫ﻣﺜﺎل‪ :‬ﺗصﻨﻴﻒ الﻄلﺒﺔ ﺣسب الﻨﻘاط اﳌﺘحصﻞ علﻴﻬا ﰲ ﺛﻼث مﻘاﻳﻴﺲ‪.‬‬
‫لﻴكﻦ لدﻳﻨا مﺜال لﻨﻘاط ﲬﺲ )‪ (5‬ﻃلﺒﺔ ﰲ ﺛﻼث )‪ (3‬مواد‪ .‬ﻓﻴكون‪ ، = 5 :‬و ‪. = 3‬‬
‫ﻧﻘاط الﻄلﺒﺔ ﰲ اﳌﻘﻴاس ‪.3‬‬ ‫ﻧﻘاط الﻄلﺒﺔ ﰲ اﳌﻘﻴاس ‪ .2‬و‬ ‫ﻧﻘاط الﻄلﺒﺔ ﰲ اﳌﻘﻴاس ‪ .1‬و‬ ‫لﻴكﻦ‬
‫ﺟدول الﺒﻴا ت ﻳكﺘب لﺸكﻞ الﺘاﱄ‪:‬‬
‫‪56‬‬
‫‪- 106 -‬‬

‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬
‫‪1‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪13‬‬
‫‪2‬‬ ‫‪11‬‬ ‫‪8‬‬ ‫‪11‬‬
‫‪3‬‬ ‫‪8‬‬ ‫‪6‬‬ ‫‪7‬‬
‫‪4‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬
‫‪5‬‬ ‫‪18‬‬ ‫‪19‬‬ ‫‪17‬‬
‫ﲟا أن ﻗﻴم الﺒﻴا ت ﻏﲑ مﺘﺒاﻳﻨﺔ‪ ،‬وﳍا ﻧفﺲ وﺣدة الﻘﻴاس ﻓﻼ داعﻲ لﺘحوﻳلﻬا‪.‬‬
‫ب‪ .‬ﺣﺴﺎب اﳌﺴﺎﻓﺎت ﺑﲔ اﻟﻌﻨﺎﺻﺮ وﺗﺸكﻴﻞ ﻣﺼﻔﻮﻓﺔ اﳌﺴﺎﻓﺎت )ﻣﺼﻔﻮﻓﺔ اﻟﻘﺮب(‪:‬‬

‫اﻧﻄﻼﻗا مﻦ ﺟدول الﺒﻴا ت‪ ،‬ﻧﻘوم ﲝساب اﳌساﻓات بﲔ العﻨاﺻﺮ ﰒ ﻧﺸكﻞ مصفوﻓﺔ اﳌساﻓات‬
‫)‪) (Matrice des distances‬أو مصفوﻓﺔ الﻘﺮب ‪ ،(Matrice de proximité‬وﻳسﺘﺨدم ﰲ ذلﻚ‬
‫عدة مﻘاﻳﻴﺲ‪ ،‬ومﻦ أشﻬﺮ ﻫﺬﻩ اﳌﻘاﻳﻴﺲ واﻷﻛﺜﺮ اسﺘﺨداما اﳌﻘﻴاس اﻹﻗلﻴدي )‪ (Euclidienne‬واﳌﻘﻴاس‬
‫اﻻﻗلﻴدي مﺮبﻊ‪.‬‬
‫الصﻴغ الﺮ ﺿﻴﺔ ﳊساب اﳌساﻓات وﻓﻘا ﳍاذﻳﻦ اﳌﻘﻴاسﻴﲔ ﻫﻲ‪:57‬‬
‫‪.‬‬ ‫=) ‪(,‬‬ ‫∑‬ ‫‪−‬‬ ‫‪ ‬اﳌساﻓﺔ اﻻﻗلﻴدﻳﺔ بﲔ العﻨصﺮﻳﻦ ‪ i‬و ’‪ i‬ﻫﻲ‪:‬‬
‫∑=) ‪. (,‬‬ ‫‪−‬‬ ‫‪ ‬اﳌساﻓﺔ اﻻﻗلﻴدﻳﺔ مﺮبﻊ بﲔ العﻨصﺮﻳﻦ ‪ i‬و ’‪ i‬ﻫﻲ‪:‬‬
‫وﻧﺸﲑ إﱃ وﺟود العدﻳد مﻦ اﳌﻘاﻳﻴﺲ اﻷخﺮى والﱵ ﳝكﻦ اسﺘﺨدامﻬا ﳊساب اﳌساﻓﺔ بﲔ عﻨصﺮﻳﻦ ﲝسب‬
‫ﻧوع اﳌﺘﻐﲑات )ﻛﻤﻴﺔ‪ ،‬ﺗﺮﺗﻴﺒﻴﺔ‪ ،‬اﲰﻴﺔ(‪ ،‬مﻦ بﻴﻨﻬا‪ :‬مﻘﻴاس ‪ ،Minkowssky‬مﻘﻴاس ‪City Manhattan‬‬
‫‪ ،Block‬مﻘﻴاس ﻛاي ﺗﺮبﻴﻊ‪ ،‬مﻘﻴاس ‪ ... ،Tchebychev‬إﱃ ﻏﲑ ذلﻚ‪.‬‬
‫ﻻعﺘﻤاد على اﺣدى اﳌﻘاﻳﻴﺲ السابﻘﺔ‪ ،‬ﳓسب اﳌساﻓات بﲔ ﲨﻴﻊ العﻨاﺻﺮ‪ ،‬ﰒ بعد ذلﻚ ﻧﺸكﻞ مصفوﻓﺔ‬
‫اﳌساﻓات‪ ،‬والﱵ ﺗﻀم اﳌساﻓات بﲔ العﻨاﺻﺮ )بﲔ ﻛﻞ عﻨصﺮﻳﻦ(‪ .‬وﻫﻲ مصفوﻓﺔ مﺮبعﺔ مﻦ الدرﺟﺔ ‪.nxn‬‬
‫اﳌﺜﺎل اﻟﺴﺎﺑﻖ )ﻧﻘﺎط اﻟﻄﻠﺒﺔ(‪ :‬اﳌساﻓات بﲔ الﻄلﺒﺔ ﻻعﺘﻤاد على اﳌﻘﻴاس اﻹﻗلﻴدي مﺒﻴﻨﺔ أد ﻩ‪:‬‬
‫‪ ‬اﳌساﻓﺔ بﲔ الﻄالب‪ 1‬والﻄالب‪ 2‬ﻫﻲ‪:‬‬
‫‪.‬‬ ‫= )‪(1,2‬‬ ‫∑‬ ‫‪−‬‬ ‫=‬ ‫‪(11 − 11) + (10 − 8) + (13 − 11) = √8 = 2,83‬‬
‫‪- 107 -‬‬


‫‪.‬‬ ‫= )‪(1,3‬‬ ‫∑‬ ‫‪−‬‬ ‫=‬ ‫‪(11 − 8) + (10 − 6) + (13 − 7) = √61 = 7,81‬‬

‫‪.‬‬ ‫= )‪(1,4‬‬ ‫∑‬ ‫‪−‬‬ ‫=‬ ‫‪(11 − 6) + (10 − 5) + (13 − 4) = √131 = 11,45‬‬

‫‪.‬‬ ‫= )‪(1,5‬‬ ‫∑‬ ‫‪−‬‬ ‫=‬ ‫‪(11 − 18) + (10 − 19) + (13 − 17) = √146 = 12,08‬‬

‫‪.‬‬ ‫= )‪(2,3‬‬ ‫∑‬ ‫‪−‬‬ ‫=‬ ‫‪(11 − 8) + (8 − 6) + (11 − 7) = √29 = 5,39‬‬

‫‪.‬‬ ‫= )‪(2,4‬‬ ‫∑‬ ‫‪−‬‬ ‫=‬ ‫‪(11 − 6) + (8 − 5) + (11 − 4) = √83 = 9,11‬‬

‫‪.‬‬ ‫= )‪(2,5‬‬ ‫∑‬ ‫‪−‬‬ ‫=‬ ‫‪(11 − 18) + (8 − 19) + (11 − 17) = √206 = 14,35‬‬

‫‪.‬‬ ‫= )‪(3,4‬‬ ‫∑‬ ‫‪−‬‬ ‫=‬ ‫‪(8 − 6) + (6 − 5) + (7 − 4) = √14 = 3,74‬‬

‫‪.‬‬ ‫= )‪(3,5‬‬ ‫∑‬ ‫‪−‬‬ ‫=‬ ‫‪(8 − 18) + (6 − 19) + (7 − 17) = √369 = 19,21‬‬

‫‪.‬‬ ‫= )‪(4,5‬‬ ‫∑‬ ‫‪−‬‬ ‫=‬ ‫‪(6 − 18) + (5 − 19) + (4 − 17) = √509 = 22,56‬‬
‫ﻳلﺨﺺ اﳉدول الﺘاﱄ ﲨﻴﻊ اﳌساﻓات )مﺮبﻊ( بﲔ الﻄلﺒﺔ )مصفوﻓﺔ اﳌساﻓات(‪:‬‬

‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫اﻟﻄﺎﻟﺐ‬
‫‪146‬‬ ‫‪131‬‬ ‫‪61‬‬ ‫‪8‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪206‬‬ ‫‪83‬‬ ‫‪29‬‬ ‫‪0‬‬ ‫‪8‬‬ ‫‪2‬‬
‫‪369‬‬ ‫‪14‬‬ ‫‪0‬‬ ‫‪29‬‬ ‫‪61‬‬ ‫‪3‬‬
‫‪- 108 -‬‬

‫‪509‬‬ ‫‪0‬‬ ‫‪14‬‬ ‫‪83‬‬ ‫‪131‬‬ ‫‪4‬‬
‫‪0‬‬ ‫‪509‬‬ ‫‪369‬‬ ‫‪206‬‬ ‫‪146‬‬ ‫‪5‬‬

‫ﻳﻈﻬﺮ ﺟلﻴا مﻦ اﳉدول أن أﻗﺮب ﻃالﺒﲔ )اﻷﻛﺜﺮ ﺗﺸا ا مﻦ ﺣﻴﺚ الﻨﻘاط اﶈصﻞ علﻴﻬا ﰲ اﳌواد الﺜﻼﺛﺔ(‬
‫ﳘا الﻄالب‪ 1‬والﻄالب‪ ،2‬وأبعد ﻃالﺒﲔ )اﻷﻛﺜﺮ اخﺘﻼﻓا( ﳘا الﻄالب‪ 4‬والﻄالب‪.5‬‬
‫ج‪ .‬ﲢﺪﻳﺪ ﻣﺆﺷﺮ اﻟﺘﺠﻤﻴﻊ‪:‬‬

‫ﻻﺣﻈﻨا أعﻼﻩ أﻧﻪ ﳝكﻨﻨا ﺣساب اﳌساﻓﺔ بﲔ عﻨصﺮﻳﻦ ﻻعﺘﻤاد على اﳌﻘﻴاس اﻹﻗلﻴدي بسﻬولﺔ‪ ،‬والسﺆال‬
‫الﺬي ﳚب ﻃﺮﺣﻪ اﻷن ﻫو‪ :‬ما ﻫو اﳌﻘﻴاس )أو اﳌﺆشﺮ( الﺬي ﳝكﻨﻨا اﻻعﺘﻤاد علﻴﻪ ﳊساب اﳌساﻓﺔ بﲔ عﻨصﺮ‬
‫وﳎﻤوعﺔ أو بﲔ ﳎﻤوعﺘﲔ؟ ﰲ اﳊﻘﻴﻘﺔ ﻫﻨاك عدة مﺆشﺮات ﺗسﻤﺢ ﲝساب مﺜﻞ ﻫﺬﻩ اﳌساﻓات‪ ،‬وﻫو ما ﻳعﺮف‬
‫ﲟﺆشﺮ الﺘﺠﻤﻴﻊ )‪ (Indice d’agrégation‬وﻳﺮمﺰ لﻪ لﺮمﺰ ‪.δ‬‬
‫ومﻦ بﲔ أﻫم مﺆشﺮات الﺘﺠﻤﻴﻊ‪:‬‬
‫‪ ‬ﻣﺆﺷﺮ اﻟﺘﺠﻤﻴﻊ ﻷدﱏ ﻣﺴﺎﻓﺔ )‪:(Saut minimal‬‬
‫ﻻعﺘﻤاد على اﳌساﻓات بﲔ العﻨاﺻﺮ ﻧﻘوم بﺘﺠﻤﻴﻊ العﻨاﺻﺮ وﻓﻘا ﳍﺬا اﳌﺆشﺮ عﻨصﺮ بعﻨصﺮ‪ ،‬ﺣﻴﺚ ﻧﺒدأ‬
‫ﲜﻤﻊ أﻗﺮب عﻨصﺮﻳﻦ‪ ،‬ﰒ أﻗﺮب العﻨاﺻﺮ خﺬ أﺻﻐﺮ مﺆشﺮ )‪ ... ،(Min‬وﻫكﺬا‪.‬‬
‫‪.δ ( ,‬‬ ‫‪) = Min‬‬ ‫ﳓدد مﺆشﺮ الﺘﺠﻤﻴﻊ ﻛﻤا ﻳلﻲ‪( , ) :‬‬
‫∈‬
‫∈‬
‫ﺣﻴﺚ و ﳘا ﳎﻤوعﺘان مﻦ العﻨاﺻﺮ‪.‬‬
‫(‪ ،‬ﻧﻘوم‬ ‫)ولﻴكﻦ مﺜﻼ الفﺮد ( إﱃ ﳎﻤوعﺔ أخﺮى )ولﺘكﻦ مﺜﻼ‬ ‫لﻀم أي عﻨصﺮ مﻦ ا ﻤوعﺔ‬
‫( ‪.δ‬‬ ‫‪, ) = Min‬‬ ‫ﲝساب اﳌﺆشﺮ الﺘاﱄ‪( , ) :‬‬
‫∈‬
‫∈‬
‫‪- 109 -‬‬

‫‪ ‬ﻣﺆﺷﺮ اﻟﺘﺠﻤﻴﻊ ﻷﻗﺼﻰ ﻣﺴﺎﻓﺔ )‪:(Saut maximal‬‬

‫ﻫﺬا اﳌﺆشﺮ معاﻛﺲ ﳌﺆشﺮ الﺘﺠﻤﻴﻊ ﻷدﱏ مساﻓﺔ‪ ،58‬ﺣﻴﺚ ﻧﺒدأ ﲜﻤﻊ أﻗﺮب عﻨصﺮﻳﻦ ﻻعﺘﻤاد على‬
‫اﳌساﻓات بﲔ العﻨاﺻﺮ‪ ،‬ﰒ أﻗﺮب العﻨاﺻﺮ خﺬ أﻛﱪ مﺆشﺮ )‪ ... ،(Max‬وﻫكﺬا‪.‬‬
‫‪.δ ( ,‬‬ ‫‪) = Max‬‬ ‫ﳓدد مﺆشﺮ الﺘﺠﻤﻴﻊ ﻛﻤا ﻳلﻲ‪( , ) :‬‬
‫∈‬
‫∈‬
‫(‪ ،‬ﻧﻘوم‬ ‫لﻀم أي عﻨصﺮ مﻦ ا ﻤوعﺔ )ولﻴكﻦ مﺜﻼ الفﺮد ( إﱃ ﳎﻤوعﺔ أخﺮى )ولﺘكﻦ مﺜﻼ‬
‫( ‪.δ‬‬ ‫‪, ) = Max‬‬ ‫ﲝساب اﳌﺆشﺮ الﺘاﱄ‪( , ) :‬‬
‫∈‬
‫∈‬
‫‪ ‬ﻣﺆﺷﺮ اﻟﺘﺠﻤﻴﻊ ﻟﻠﻤﺴﺎﻓﺔ اﳌﺘﻮﺳﻄﺔ )‪:(Saut moyen‬‬

‫ﻧﻘوم بﺘﺠﻤﻴﻊ العﻨاﺻﺮ وﻓﻘا ﳍﺬا اﳌﺆشﺮ عﻨصﺮ بعﻨصﺮ‪ ،‬ﺣﻴﺚ ﻧﺒدأ ﲜﻤﻊ أﻗﺮب عﻨصﺮﻳﻦ‪ ،‬ﰒ أﻗﺮب العﻨاﺻﺮ‬
‫خﺬ مﺘوسﻂ اﳌﺆشﺮات )‪ ... ،(Moy‬وﻫكﺬا‪ .‬وذلﻚ ﻻعﺘﻤاد على اﳌساﻓات بﲔ العﻨاﺻﺮ‪.‬‬
‫‪.δ ( ,‬‬ ‫‪) = Moy‬‬ ‫ﳓدد مﺆشﺮ الﺘﺠﻤﻴﻊ ﻛﻤا ﻳلﻲ‪( , ) :‬‬
‫∈‬
‫∈‬
‫(‪ ،‬ﻧﻘوم‬ ‫)ولﻴكﻦ مﺜﻼ الفﺮد ( إﱃ ﳎﻤوعﺔ أخﺮى )ولﺘكﻦ مﺜﻼ‬ ‫لﻀم أي عﻨصﺮ مﻦ ا ﻤوعﺔ‬
‫( ‪.δ‬‬ ‫‪, ) = Moy‬‬ ‫ﲝساب اﳌﺆشﺮ الﺘاﱄ‪( , ) :‬‬
‫∈‬
‫∈‬
‫‪- 110 -‬‬

‫‪ ‬ﻣﺆﺷﺮ اﻟﺘﺠﻤﻴﻊ ﻟ ـ "وارد" ‪:Ward‬‬

‫ﻳعﺘﱪ مﺆشﺮ الﺘﺠﻤﻴﻊ لوارد مﻦ أﻫم وأشﻬﺮ مﺆشﺮات الﺘﺠﻤﻴﻊ‪ ،‬وﻫو اﻷﻛﺜﺮ اسﺘﺨداما وﻳوﺻى بﻪ‪ ،‬وﻳﻘوم‬
‫على مﺒدأ ﺗصﻐﲑ ﳎﻤوع اﳌﺮبعات )الﺘﺒاﻳﻦ( لكﻞ زوﺟﲔ مﻦ العﻨاﺻﺮ اﳌﻤكﻦ ﺗﺸكﻴلﻬا ﰲ ﻛﻞ مﺮﺣلﺔ‪ ،59‬مﻦ‬
‫خﻼل ﲢلﻴﻞ الﺘﺒاﻳﻦ‪ .‬وﳛسب مﺆشﺮ الﺘﺠﻤﻴﻊ مﻦ خﻼل مﺮﻛﺰ ﺛﻘﻞ ا ﻤوعات‪.‬‬
‫ﺗﻘوم ﻫﺬﻩ الﻄﺮﻳﻘﺔ على مﺒدأ ﲡﻤﻴﻊ اﻷﻓﺮاد مﻦ خﻼل ﺗصﻐﲑ الﺘﺒاﻳﻦ داخﻞ ا ﻤوعﺔ وﺗعﻈﻴم الﺘﺒاﻳﻦ بﲔ‬
‫ا ﻤوعات‪ .60‬وﻫﺬﻩ الﻄﺮﻳﻘﺔ ﺗﻨدرج ﰲ إﻃار ﺻﻴﻐﺔ ‪.61 Lance et Williams‬‬
‫على الﱰﺗﻴب‪.‬‬ ‫و‬ ‫مﺮﻛﺰا ﺛﻘﻞ ا ﻤوعﺘﲔ‬ ‫و‬ ‫لﻴكﻦ‬
‫‪.‬‬ ‫‪,‬‬ ‫=‬ ‫مﺮﻛﺰ ﺛﻘﻞ ﳉﻤﻊ ا ﻤوعﺘﲔ السابﻘﺘﲔ ﻳعﻄى لعﻼﻗﺔ الﺘالﻴﺔ‪:‬‬
‫‪.δ ( ,‬‬ ‫=)‬ ‫(‬ ‫;‬ ‫ﻫو‪) :‬‬ ‫و‬ ‫مﺆشﺮ الﺘﺠﻤﻴﻊ ﻤوعﺘﲔ‬
‫= ) ‪.δ ( ,‬‬ ‫ومﺆشﺮ الﺘﺠﻤﻴﻊ لعﻨصﺮﻳﻦ و ﻫو‪( ; ) :‬‬
‫لﻀم العﻨصﺮ إﱃ ﳎﻤوعﺔ ﺗﻀم ﳎﻤوعﺘﲔ ﺟﺰﺋﻴﺘﲔ ) ‪ ،( ,‬ﻧﻘوم ﲝساب‪:‬‬
‫(‪δ‬‬ ‫) ‪,‬‬ ‫(‪δ‬‬ ‫) ‪,‬‬ ‫(‪δ‬‬ ‫‪,‬‬ ‫)‬
‫‪.δ ( ,‬‬ ‫‪),‬‬ ‫=‬
‫‪ ،‬ﻧﻘوم ﲝساب‪:‬‬ ‫‪ ( ,‬إﱃ ا ﻤوعﺔ‬ ‫الﱵ ﺗﻀم عﻨصﺮﻳﻦ )‬ ‫لﻀم ا ﻤوعﺔ‬
‫(‪δ‬‬ ‫‪,‬‬ ‫)‬ ‫(‪δ‬‬ ‫‪,‬‬ ‫)‬ ‫(‪δ‬‬ ‫‪,‬‬ ‫)‬
‫‪.δ‬‬ ‫‪( ,‬‬ ‫‪),‬‬ ‫=‬
‫‪ ،‬ﻧﻘوم ﲝساب‪:‬‬ ‫و‬ ‫إﱃ ﳎﻤوعﺔ ﺗﻀم عﻨصﺮﻳﻦ‬ ‫لﻀم العﻨصﺮ‬
‫‪.δ ( ,‬‬
‫(‪δ‬‬ ‫) ‪,‬‬ ‫(‪δ‬‬ ‫(‪, ) δ‬‬ ‫‪,‬‬ ‫)‬
‫‪),‬‬ ‫=‬

‫‪60‬‬
‫‪61‬‬
‫‪- 111 -‬‬

‫د‪ .‬ﲡﻤﻴﻊ اﻟﻌﻨﺎﺻﺮ ﺑﺸكﻞ ﺗﺴﻠﺴﻠﻲ ﺗﺼﺎﻋﺪي وﺗكﻮﻳﻦ ا ﻤﻮﻋﺎت‪:‬‬

‫ﺗﺘم عﻤلﻴﺔ الﺘﺠﻤﻴﻊ بﺸكﻞ ﺗسلسلﻲ ﺗصاعدي ﻛﻤا ﻳلﻲ‪:‬‬
‫‪ (1‬ﻻعﺘﻤاد على مصفوﻓﺔ اﳌساﻓات ﻧﻘوم ﲜﻤﻊ أﻗﺮب عﻨصﺮﻳﻦ )أﺻﻐﺮ مساﻓﺔ(‪ ،‬لﻴﺸكﻼ معا ﳎﻤوعﺔ‬
‫واﺣدة )عﻨصﺮ ﺟدﻳد(‪ ،‬ﻓﻴكون ﻫﺬا أول ﲡﻤﻴﻊ ل ـ ‪ n-1‬ﳎﻤوعﺔ‪.62‬‬
‫‪ (2‬ﻧﻘوم بﺘﺸكﻴﻞ مصفوﻓﺔ مساﻓات ﺟدﻳدة بعد ﲡﻤﻴﻊ العﻨصﺮﻳﻦ السابﻘﲔ‪.‬‬
‫‪ (3‬ﻧعﻴد ﺣساب اﳌساﻓات بﲔ ا ﻤوعﺔ اﳉدﻳدة وبﻘﻴﺔ العﻨاﺻﺮ ﻻعﺘﻤاد على مﺆشﺮ الﺘﺠﻤﻴﻊ )اﳌساﻓات‬
‫اﻷولﻴﺔ بﲔ العﻨاﺻﺮ خارج ا ﻤوعﺔ اﳌﺸكلﺔ ﻻ ﺗﺘﻐﲑ(‪.‬‬
‫‪ (4‬ﻧﻘوم ﲜﻤﻊ أﻗﺮب عﻨصﺮﻳﻦ )ﻓﺮد أو ﳎﻤوعﺔ(‪ ،‬لﻴﺸكﻼ معا ﳎﻤوعﺔ ﺟدﻳدة‪.‬‬
‫‪....................................................................... (5‬‬
‫‪ (6‬ﻧكﺮر ﻫﺬﻩ العﻤلﻴات للﺘﺠﻤﻴﻊ بﺸكﻞ ﺗسلسلﻲ ﺗصاعدي ﺣﱴ ﲡﻤﻊ ﲨﻴﻊ العﻨاﺻﺮ ﰲ ﳎﻤوعﺔ واﺣدة‪.‬‬
‫‪ (7‬إذا ﻛان ﻫﻨاك ‪ n‬عﻨصﺮ ﻓسﻨحﺘاج إﱃ ‪ n-1‬عﻤلﻴﺔ ﲡﻤﻴﻊ للعﻨاﺻﺮ‪.‬‬
‫اﳌﺜﺎل اﻟﺴﺎﺑﻖ )ﻧﻘﺎط اﻟﻄﻠﺒﺔ(‪:‬‬
‫‪ (1‬اﻟﺘﺼﻨﻴﻒ وﻓﻖ ﻣﺆﺷﺮ أدﱏ ﻣﺴﺎﻓﺔ‪:‬‬
‫ﲟا أن أﺻﻐﺮ مساﻓﺔ بﲔ الﻄلﺒﺔ ﻫﻲ اﳌساﻓﺔ )‪ (8‬بﲔ الﻄالب‪ 1‬والﻄالب‪ ،2‬ﻓﻨﻨﺸأ ا ﻤوعﺔ اﻷوﱃ الﱵ ﲡﻤعﻬﻤا‪،‬‬
‫وبﻘﻴﺔ العﻨاﺻﺮ )الﻄلﺒﺔ(‪:‬‬ ‫(‪ .‬ﰒ ﻧﻘوم ﲝساب اﳌساﻓات بﲔ ﻫﺬﻩ ا ﻤوعﺔ‬ ‫) ‪1; 2‬‬ ‫ﻧسﻤﻴﻬا‬
‫‪.δ( , 3) = min‬‬ ‫;)‪(1,3‬‬ ‫والﻄالب‪(2,3) = min 61; 29 = 29 :3‬‬ ‫اﳌساﻓﺔ بﲔ‬
‫‪62‬‬
‫‪- 112 -‬‬

‫ﻳلﺨﺺ اﳉدول الﺘاﱄ ﲨﻴﻊ اﳌساﻓات )مﺮبﻊ(‪:‬‬

‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪C1‬‬
‫‪146‬‬ ‫‪83‬‬ ‫‪29‬‬ ‫‪0‬‬ ‫‪C1‬‬

‫‪369‬‬ ‫‪14‬‬ ‫‪0‬‬ ‫‪3‬‬
‫‪509‬‬ ‫‪0‬‬ ‫‪4‬‬
‫‪0‬‬ ‫‪5‬‬
‫ﻳﻈﻬﺮ مﻦ اﳉدول أن أﻗﺮب مساﻓﺔ ﻫﻲ اﳌساﻓﺔ )‪ (14‬بﲔ الﻄالب‪ 3‬والﻄالب‪ ،4‬ﻓﻨﻨﺸأ ا ﻤوعﺔ الﺜاﻧﻴﺔ الﱵ‬
‫ﲡﻤعﻬا‪ ،‬وﻧسﻤﻴﻬا ) ‪ ،( 3; 4‬ﰒ ﻧعﻴد ﺣساب اﳌساﻓات مﻦ ﺟدﻳد‪.‬‬
‫ﻧﻘوم ﲝساب اﳌساﻓات بﲔ ﻫﺬﻩ ا ﻤوعﺔ وبﻘﻴﺔ العﻨاﺻﺮ‪:‬‬
‫‪.δ( , ) = min‬‬ ‫‪(3,‬‬ ‫;)‬ ‫‪(4,‬‬ ‫‪) = min 29; 83 = 29 :‬‬ ‫و‬ ‫اﳌساﻓﺔ بﲔ‬
‫‪5‬‬ ‫‪C2‬‬ ‫‪C1‬‬
‫‪146‬‬ ‫‪29‬‬ ‫‪0‬‬ ‫‪C1‬‬
‫‪369‬‬ ‫‪0‬‬ ‫‪C2‬‬
‫‪0‬‬ ‫‪5‬‬
‫‪ ،‬ﻓﻨﻀﻤﻬﻤا معا ﰲ ﳎﻤوعﺔ‬ ‫ﻳﻈﻬﺮ مﻦ اﳉدول أن أﻗﺮب مساﻓﺔ ﻫﻲ اﳌساﻓﺔ )‪ (29‬بﲔ ا ﻤوعﺘﲔ و‬
‫(‪ ،‬ﰒ ﻧعﻴد ﺣساب اﳌساﻓات مﻦ ﺟدﻳد‪.‬‬ ‫;‬ ‫)‬ ‫ﺟدﻳدة ﻧسﻤﻴﻬا‬
‫والعﻨصﺮ اﳌﺘﺒﻘﻲ )الﻄالب ‪:(5‬‬ ‫ﻧﻘوم ﲝساب اﳌساﻓات بﲔ ﻫﺬﻩ ا ﻤوعﺔ‬
‫‪.δ( , 5) = min‬‬ ‫;)‪( , 5‬‬ ‫والﻄالب‪( , 5) = min 146; 369 = 146 :5‬‬ ‫اﳌساﻓﺔ بﲔ‬
‫‪5‬‬ ‫‪C3‬‬
‫‪146‬‬ ‫‪0‬‬ ‫‪C3‬‬
‫‪- 113 -‬‬

‫‪0‬‬ ‫‪5‬‬
‫‪ ،‬وﻧسﻤﻲ ا ﻤوعﺔ الكلﻴﺔ الﱵ ﺗﻀم ﲨﻴﻊ الﻄلﺒﺔ اﳋﻤسﺔ‬ ‫ﻧﻀم الﻄالب‪ 5‬إﱃ ا ﻤوعﺔ‬
‫(‪.‬‬ ‫) ‪;5‬‬
‫وﳝكﻦ ﺗلﺨﻴﺺ ﻫﺬﻩ العﻤلﻴﺔ بواسﻄﺔ الﺸﺠﺮة الﺘسلسلﻴﺔ )‪ (Dendrogramme‬الﺘالﻴﺔ‪:‬‬
‫‪ (2‬اﻟﺘﺼﻨﻴﻒ وﻓﻖ ﻣﺆﺷﺮ أﻗﺼﻰ ﻣﺴﺎﻓﺔ‪:‬‬

‫ﲟا أن أﺻﻐﺮ مساﻓﺔ بﲔ الﻄلﺒﺔ ﻫﻲ اﳌساﻓﺔ )‪ (8‬بﲔ الﻄالب‪ 1‬والﻄالب‪ ،2‬ﻓﻨﻨﺸأ ا ﻤوعﺔ اﻷوﱃ الﱵ ﲡﻤعﻬﻤا‪،‬‬
‫ﻧسﻤﻴﻬا ‪.‬‬
‫ﰒ ﻧﻘوم ﲝساب اﳌساﻓات بﲔ ﻫﺬﻩ ا ﻤوعﺔ وبﻘﻴﺔ العﻨاﺻﺮ )الﻄلﺒﺔ(‪:‬‬
‫= )‪.δ( , 3‬‬ ‫;)‪(1,3‬‬ ‫والﻄالب‪(2,3) = Max 61; 29 = 61 :3‬‬ ‫اﳌساﻓﺔ بﲔ‬
‫‪.δ( , 4) = Max‬‬ ‫;)‪(1,4‬‬ ‫والﻄالب‪(2,4) = Max 131; 83 = 131 :4‬‬ ‫اﳌساﻓﺔ بﲔ‬
‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪C1‬‬
‫‪206‬‬ ‫‪131‬‬ ‫‪61‬‬ ‫‪0‬‬ ‫‪C1‬‬

‫‪369‬‬ ‫‪14‬‬ ‫‪0‬‬ ‫‪3‬‬
‫‪509‬‬ ‫‪0‬‬ ‫‪4‬‬
‫‪0‬‬ ‫‪5‬‬
‫‪- 114 -‬‬

‫ﲡﻤعﻬا‪ ،‬وﻧسﻤﻴﻬا ‪ ،‬ﰒ ﻧعﻴد ﺣساب اﳌساﻓات مﻦ ﺟدﻳد‪.‬‬
‫ﻧﻘوم ﲝساب اﳌساﻓات بﲔ ﻫﺬﻩ ا ﻤوعﺔ وبﻘﻴﺔ العﻨاﺻﺮ‪:‬‬
‫‪.δ( , ) = Max‬‬ ‫‪(3,‬‬ ‫;)‬ ‫‪(4,‬‬ ‫= )‬ ‫‪61; 131 = 131 :‬‬ ‫و‬ ‫اﳌساﻓﺔ بﲔ‬
‫‪5‬‬ ‫‪C2‬‬ ‫‪C1‬‬
‫‪206‬‬ ‫‪131‬‬ ‫‪0‬‬ ‫‪C1‬‬
‫‪509‬‬ ‫‪0‬‬ ‫‪C2‬‬
‫‪0‬‬ ‫‪5‬‬
‫‪ ،‬ﻓﻨﻀﻤﻬﻤا معا ﰲ ﳎﻤوعﺔ‬ ‫و‬ ‫ﻳﻈﻬﺮ مﻦ اﳉدول أن أﻗﺮب مساﻓﺔ ﻫﻲ اﳌساﻓﺔ )‪ (131‬بﲔ ا ﻤوعﺘﲔ‬
‫ﺟدﻳدة ﻧسﻤﻴﻬا ‪ ،‬ﰒ ﻧعﻴد ﺣساب اﳌساﻓات مﻦ ﺟدﻳد‪.‬‬
‫‪.δ( , 5) = Max‬‬ ‫;)‪( , 5‬‬ ‫= )‪( , 5‬‬ ‫والﻄالب‪206; 509 = 509 :5‬‬ ‫اﳌساﻓﺔ بﲔ‬
‫‪5‬‬ ‫‪C3‬‬
‫‪509‬‬ ‫‪0‬‬ ‫‪C3‬‬

‫‪0‬‬ ‫‪5‬‬
‫ﻧﻀم الﻄالب‪ 5‬إﱃ ا ﻤوعﺔ ‪ ،‬وﻧسﻤﻲ ا ﻤوعﺔ الكلﻴﺔ الﱵ ﺗﻀم ﲨﻴﻊ الﻄلﺒﺔ اﳋﻤسﺔ ‪.‬‬
‫‪- 115 -‬‬

‫‪ (3‬اﻟﺘﺼﻨﻴﻒ وﻓﻖ ﻣﺆﺷﺮ اﳌﺴﺎﻓﺔ اﳌﺘﻮﺳﻄﺔ‪:‬‬

‫ﲟا أن أﺻﻐﺮ مساﻓﺔ بﲔ الﻄلﺒﺔ ﻫﻲ اﳌساﻓﺔ )‪ (8‬بﲔ الﻄالب‪ 1‬والﻄالب‪ ،2‬ﻓﻨﻨﺸأ ا ﻤوعﺔ اﻷوﱃ الﱵ‬
‫ﲡﻤعﻬﻤا‪ ،‬ﻧسﻤﻴﻬا ‪ .‬ﰒ ﻧﻘوم ﲝساب اﳌساﻓات بﲔ ﻫﺬﻩ ا ﻤوعﺔ وبﻘﻴﺔ العﻨاﺻﺮ )الﻄلﺒﺔ(‪:‬‬
‫‪.δ( , 3) = Moy‬‬ ‫;)‪(1,3‬‬ ‫والﻄالب‪(2,3) = Moy 61; 29 = 45 :3‬‬ ‫اﳌساﻓﺔ بﲔ‬
‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪C1‬‬
‫‪176‬‬ ‫‪107‬‬ ‫‪45‬‬ ‫‪0‬‬ ‫‪C1‬‬

‫‪369‬‬ ‫‪14‬‬ ‫‪0‬‬ ‫‪3‬‬
‫‪509‬‬ ‫‪0‬‬ ‫‪4‬‬
‫‪0‬‬ ‫‪5‬‬
‫ﲡﻤعﻬا‪ ،‬وﻧسﻤﻴﻬا ‪ ،‬ﰒ ﻧعﻴد ﺣساب اﳌساﻓات مﻦ ﺟدﻳد‪.‬‬
‫وبﻘﻴﺔ العﻨاﺻﺮ‪:‬‬ ‫ﻧﻘوم ﲝساب اﳌساﻓات بﲔ ﻫﺬﻩ ا ﻤوعﺔ‬
‫‪.δ( , ) = Moy‬‬ ‫‪(3,‬‬ ‫;)‬ ‫‪(4,‬‬ ‫= )‬ ‫‪45; 107 = 76 :‬‬ ‫و‬ ‫اﳌساﻓﺔ بﲔ‬
‫‪- 116 -‬‬


‫‪5‬‬ ‫‪C2‬‬ ‫‪C1‬‬
‫‪176‬‬ ‫‪76‬‬ ‫‪0‬‬ ‫‪C1‬‬
‫‪439‬‬ ‫‪0‬‬ ‫‪C2‬‬
‫‪0‬‬ ‫‪5‬‬
‫‪ ،‬ﻓﻨﻀﻤﻬﻤا معا ﰲ ﳎﻤوعﺔ‬ ‫و‬ ‫ﻳﻈﻬﺮ مﻦ اﳉدول أن أﻗﺮب مساﻓﺔ ﻫﻲ اﳌساﻓﺔ )‪ (76‬بﲔ ا ﻤوعﺘﲔ‬
‫ﺟدﻳدة ﻧسﻤﻴﻬا ‪ ،‬ﰒ ﻧعﻴد ﺣساب اﳌساﻓات مﻦ ﺟدﻳد‪.‬‬
‫(‪.δ‬‬ ‫‪, 5) = Moy‬‬ ‫;)‪( , 5‬‬ ‫= )‪( , 5‬‬ ‫والﻄالب‪176; 439 = 307,5 :5‬‬ ‫اﳌساﻓﺔ بﲔ‬
‫‪5‬‬ ‫‪C3‬‬
‫‪307,5‬‬ ‫‪0‬‬ ‫‪C3‬‬

‫‪0‬‬ ‫‪5‬‬
‫‪ (4‬اﻟﺘﺼﻨﻴﻒ وﻓﻖ ﻣﺆﺷﺮ وارد ‪:Ward‬‬

‫(‪:‬‬ ‫; (‬ ‫لدﻳﻨا ﲨﻴﻊ اﳌساﻓات )مﺮبﻊ( بﲔ الﻄلﺒﺔ ))‬
‫‪- 117 -‬‬

‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫اﻟﻄﺎﻟﺐ‬
‫‪146‬‬ ‫‪131‬‬ ‫‪61‬‬ ‫‪8‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪206‬‬ ‫‪83‬‬ ‫‪29‬‬ ‫‪0‬‬ ‫‪2‬‬
‫‪369‬‬ ‫‪14‬‬ ‫‪0‬‬ ‫‪3‬‬
‫‪509‬‬ ‫‪0‬‬ ‫‪4‬‬
‫‪0‬‬ ‫‪5‬‬
‫‪.δ‬‬ ‫‪,‬‬ ‫=‬ ‫; (‬ ‫ﻫو‪) :‬‬ ‫و‬ ‫ﻓﻴكون مﺆشﺮ الﺘﺠﻤﻴﻊ لكﻞ عﻨصﺮﻳﻦ‬
‫‪ (δ‬ﰲ اﳉدول الﺘاﱄ‪:‬‬ ‫‪,‬‬ ‫ﳝكﻦ ﺗلﺨﻴﺺ مﺆشﺮات الﺘﺠﻤﻴﻊ ﳉﻤﻴﻊ العﻨاﺻﺮ )‬
‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫اﻟﻄﺎﻟﺐ‬
‫‪73‬‬ ‫‪65,5‬‬ ‫‪30,5‬‬ ‫‪4‬‬ ‫‪0‬‬ ‫‪1‬‬
‫‪103‬‬ ‫‪41,5‬‬ ‫‪14,5‬‬ ‫‪0‬‬ ‫‪2‬‬
‫‪184,5‬‬ ‫‪7‬‬ ‫‪0‬‬ ‫‪3‬‬
‫‪254,5‬‬ ‫‪0‬‬ ‫‪4‬‬
‫‪0‬‬ ‫‪5‬‬
‫ﲟا أن أﺻﻐﺮ مﺆشﺮ ﲡﻤﻴﻊ بﲔ الﻄلﺒﺔ ﻫو ‪) 4‬بﲔ الﻄالب‪ 1‬والﻄالب‪ ،(2‬ﻓﻨﻨﺸأ ا ﻤوعﺔ اﻷوﱃ الﱵ ﲡﻤعﻬﻤا‪،‬‬
‫ﻧسﻤﻴﻬا ‪ .‬ﰒ ﻧﻘوم ﲝساب الﺘﻐﲑ ﰲ الﺘﺒاﻳﻦ بﲔ ﻫﺬﻩ ا ﻤوعﺔ وبﻘﻴﺔ العﻨاﺻﺮ )الﻄلﺒﺔ(‪:‬‬
‫والﻄالب‪:3‬‬ ‫ﺗﻐﲑ الﺘﺒاﻳﻦ بﲔ ا ﻤوعﺔ )‪(1,2‬‬
‫‪.δ‬‬
‫) ‪δ( ,‬‬ ‫) ‪δ( , ) δ( ,‬‬ ‫(‬ ‫) ‪,‬‬ ‫(‬ ‫) ( ) ‪,‬‬
‫= ‪(1,2), 3‬‬ ‫=‬ ‫=‬ ‫‪= 28,67‬‬
‫‪.δ‬‬
‫) ‪δ( ,‬‬ ‫) ‪δ( , ) δ( ,‬‬ ‫(‬ ‫) ‪,‬‬ ‫(‬ ‫) ( ) ‪,‬‬
‫= ‪(1,2), 4‬‬ ‫=‬ ‫=‬ ‫‪= 70‬‬
‫‪.δ‬‬
‫) ‪δ( ,‬‬ ‫) ‪δ( , ) δ( ,‬‬ ‫(‬ ‫)‬ ‫(‬ ‫) ( )‬
‫= ‪(1,2), 5‬‬ ‫=‬ ‫=‬ ‫‪= 116‬‬
‫‪- 118 -‬‬


‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪C1‬‬
‫‪116‬‬ ‫‪70‬‬ ‫‪28,67‬‬ ‫‪0‬‬ ‫‪C1‬‬

‫‪184,5‬‬ ‫‪7‬‬ ‫‪0‬‬ ‫‪3‬‬
‫‪254,5‬‬ ‫‪0‬‬ ‫‪4‬‬
‫‪0‬‬ ‫‪5‬‬
‫‪.‬‬ ‫ﲟا أن أﺻﻐﺮ مﺆشﺮ ﲡﻤﻴﻊ ﻫو ‪) 7‬بﲔ الﻄالب‪ 3‬والﻄالب‪ ،(4‬ﻓﻨﻨﺸأ ا ﻤوعﺔ الﱵ ﲡﻤعﻬﻤا‪ ،‬ﻧسﻤﻴﻬا‬
‫وبﻘﻴﺔ العﻨاﺻﺮ‪:‬‬ ‫ﻧﻘوم ﲝساب الﺘﻐﲑ ﰲ الﺘﺒاﻳﻦ بﲔ ﻫﺬﻩ ا ﻤوعﺔ‬
‫‪:‬‬ ‫ﺗﻐﲑ الﺘﺒاﻳﻦ بﲔ ا ﻤوعﺔ )‪ (3,4‬وا ﻤوعﺔ‬
‫‪.δ‬‬
‫)‬ ‫)‬ ‫) ‪δ( ,‬‬ ‫(‬ ‫)‬ ‫(‬ ‫)‬ ‫) (‬
‫‪(3,4),‬‬
‫‪δ( ,‬‬ ‫‪δ( ,‬‬ ‫‪,‬‬
‫=‬ ‫=‬ ‫=‬ ‫‪= 70,5‬‬
‫والﻄالب‪:5‬‬ ‫ﺗﻐﲑ الﺘﺒاﻳﻦ بﲔ ا ﻤوعﺔ )‪( , 3‬‬
‫‪.δ‬‬
‫) ‪δ( ,‬‬ ‫) ‪δ( , ) δ( ,‬‬ ‫(‬ ‫) ‪,‬‬ ‫(‬ ‫) ( ) ‪,‬‬
‫= ‪(3,4),5‬‬ ‫=‬ ‫=‬ ‫‪= 290,33‬‬
‫‪5‬‬ ‫‪C2‬‬ ‫‪C1‬‬
‫‪116‬‬ ‫‪70,5‬‬ ‫‪0‬‬ ‫‪C1‬‬
‫‪290,33‬‬ ‫‪0‬‬ ‫‪C2‬‬
‫‪0‬‬ ‫‪5‬‬
‫‪ ،‬ﻓﻨﻀﻤﻬﻤا معا ﰲ‬ ‫و‬ ‫ﻳﻈﻬﺮ مﻦ اﳉدول أن أﻗﺮب مساﻓﺔ ﻫﻲ اﳌساﻓﺔ )‪ (70,5‬بﲔ ا ﻤوعﺘﲔ‬
‫ﳎﻤوعﺔ ﺟدﻳدة ﻧسﻤﻴﻬا ‪ ،‬ﰒ ﻧعﻴد ﺣساب اﳌساﻓات مﻦ ﺟدﻳد‪.‬‬
‫ﺗﻐﲑ الﺘﺒاﻳﻦ بﲔ ا ﻤوعﺔ ) ‪ ( ,‬والﻄالب‪:5‬‬
‫‪.δ‬‬ ‫‪( ,‬‬ ‫= ‪),5‬‬
‫(‪δ‬‬ ‫) ‪,‬‬ ‫(‪δ‬‬ ‫(‪, ) δ‬‬ ‫‪,‬‬ ‫)‬
‫=‬
‫(‬ ‫)‬ ‫(‬ ‫‪,‬‬ ‫( )‬ ‫) ‪,‬‬
‫=‬
‫‪,‬‬
‫‪= 227,9‬‬
‫‪- 119 -‬‬

‫‪5‬‬ ‫‪C3‬‬ ‫اﻟﻄﺎﻟﺐ‬
‫‪227,9‬‬ ‫‪0‬‬ ‫‪C3‬‬

‫‪0‬‬ ‫‪5‬‬
‫ه‪ .‬ﲢﺪﻳﺪ ﻣﺴﺘﻮى اﻟﻘﻄﻊ )اﻟﻌﺪد اﻷﻧﺴﺐ ﻣﻦ ا ﻤﻮﻋﺎت(‪:‬‬

‫ﻧﻘوم ﰲ ﻫﺬﻩ اﳋﻄوة بﺘحدﻳد مسﺘوى الﻘﻄﻊ )أو الﺘﺠﺰﺋﺔ أو الﺘﻘسﻴم( ﰲ الﺸﺠﺮة‪ ،‬أي الﺒحﺚ عﻦ الﺘﻘسﻴم‬
‫اﻷﻛﺜﺮ أﳘﻴﺔ ﰲ الﺸﺠﺮة‪ ،‬وذلﻚ ﻻعﺘﻤاد على الﺘﺒاﻳﻦ‪ ،‬ﻓاﳌسﺘوى الﺬي ﻳكون عﻨدﻩ الﺘﺒاﻳﻦ داخﻞ ا ﻤوعات‬
‫ﺻﻐﲑ والﺘﺒاﻳﻦ بﲔ ا ﻤوعات ﻛﺒﲑ ﻫو أﻓﻀﻞ مسﺘوى للﺘﻘسﻴم‪.‬‬
‫وﻧسﺘعﲔ للﻘﻴام بﺘﻘسﻴم العﻨاﺻﺮ ﰲ ﳎﻤوعات على بعﺾ اﶈددات‪ ،‬مﻨﻬا‪ :‬شﺠﺮة الﺘصﻨﻴﻒ‬
‫)‪ ،(Dendrogramme‬ومﻨحﲎ اﳌﺆشﺮات )‪ ،(Courbe des indices‬وﺣﺠم العﻴﻨﺔ )عدد‬
‫اﻷﻓﺮاد(‪ ،‬وﻛﻴفﻴﺔ ﺗفسﲑ الﻨﺘاﺋج‪.‬‬
‫ﻓلﺘحدﻳد ا ﻤوعات على شﺠﺮة الﺘصﻨﻴﻒ ﻧﻘوم بﺮسم خﻂ أﻓﻘﻲ عﻨد مسﺘوى الﻘﻄﻊ اﳌﺮﻏوب ﻓﻴﻪ‪ ،‬ﻓﻴﺘحدد‬
‫عدد ا ﻤوعات ﲝسب عدد مﺮات الﺘﻘاﻃﻊ بﲔ اﳌسﺘﻘﻴم وﻓﺮوع الﺸﺠﺮة‪ ،‬وﻧسﺘعﲔ ﰲ ذلﻚ بعدة معاﻳﲑ‪،‬‬
‫مﻦ أﳘﻬا ما ﻳعﺮف لﻘفﺰة )‪ ،(Le saut‬والﱵ ﺗﺸﲑ إﱃ ﺗﻀاعﻒ الﺒعد بﲔ ا ﻤوعات‪ ،‬ﻓﻴﺘم الﻘﻄﻊ عﻨد‬
‫الﻘفﺰ اﻷعلى ﻧسﺒﻴا )‪ ،(Le saut le plus élevé‬والﺬي ﻳﺸﲑ إﱃ ارﺗفاع ﻛﺒﲑ ﳌﺆشﺮ الﺘﺠﻤﻴﻊ مﻘارﻧﺔ‬
‫ﲟا ﻗﺒلﻪ‪ ،‬والﻘﻄﻊ ﻳﺘم بعد الﺘﺠﻤﻴﻊ اﳌواﻓﻖ لﻘﻴم ﺻﻐﲑة ﳌﺆشﺮ الﺘﺠﻤﻴﻊ‪ ،‬وﻗﺒﻞ الﺘﺠﻤﻴﻊ اﳌواﻓﻖ لﻘﻴم ﻛﺒﲑة للﻤﺆشﺮ‬
‫)وﻫو اﳌسﺘوى الﺬي ﻳكون بعدﻩ خسارة ﻛﺒﲑة ﰲ اﳌعلومات(‪.‬‬
‫‪- 120 -‬‬

‫ﻧﻼﺣﻆ مﻦ الﺸكﻞ أعﻼﻩ أﻧﻪ ﰲ ﻧفﺲ شﺠﺮة الﺘصﻨﻴﻒ‪ ،‬ﳜﺘﻒ عدد ا ﻤوعات ﲝسب موﺿﻊ خﻂ‬
‫الﻘﻄﻊ‪ ،‬ﻓﻘد ﺗكون ﳎﻤوعﺘﲔ ﻓﻘﻂ إذا ﻛان الﻘﻄﻊ أعلى الﺸﺠﺮة‪ ،‬وﻗد ﻳﺮﺗفﻊ إﱃ سﺘﺔ ﳎﻤوعات إذا ﻧﺰلﻨا إﱃ‬
‫مسﺘو ت دﻧﻴا مﻦ الﺸﺠﺮة‪.‬‬
‫وﻧﺸﲑ إﱃ أن ﲢدﻳد عدد ا ﻤوعات مﻬم ﺟدا ﰲ الﺘحلﻴﻞ‪ ،‬ﻓﺈذا ﺣدد عدد ﻗلﻴﻞ مﻦ ا ﻤوعات )أﻗﻞ‬
‫ﳑا ﳚب(‪ ،‬ﻓﻬﺬا سﻴﺠعلﻨا ﻧﻀم ﰲ ﳎﻤوعﺔ واﺣدة عﻨاﺻﺮ ﳐﺘلفﺔ )ﳎﻤوعات ﻏﲑ مﺘﺠاﻧسﺔ(‪ ،‬أما إذا ﺣدد عدد‬
‫ﻛﺒﲑ مﻦ ا ﻤوعات )أﻛﺜﺮ ﳑا ﳚب(‪ ،‬ﻓﻬﺬا سﻴﺠعلﻨا ﻧفصﻞ بﲔ عﻨاﺻﺮ مﺘﺸا ﺔ )ﳎﻤوعات مﻨفصلﺔ مﺘﺠاﻧسﺔ(‪.‬‬
‫و‪ .‬ﲢﻠﻴﻞ وﺗﻔﺴﲑ اﻟﻨﺘﺎﺋج‪:‬‬

‫ﻧعﺘﻤد لﺘحلﻴﻞ وﺗفسﲑ الﻨﺘاﺋج بﺸكﻞ أساسﻲ على ﻗﺮاءة الﺸﺠﺮة الﺘسلسلﻴﺔ وﺟدول الﺘصﻨﻴﻒ‪ ،‬وﻫﺬا بعد‬
‫ﺗصﻨﻴﻒ ﲨﻴﻊ العﻨاﺻﺮ ﰲ ﳎﻤوعات‪.‬‬
‫وﳚب أن ﻳﺘم الﺘفسﲑ مﻦ أعلى إﱃ أسفﻞ‪ ،‬مﻦ أﺟﻞ ﻓحﺺ وﲢلﻴﻞ ا ﻤوعات الﱵ ﲢﺘوي على عدد ﻗلﻴﻞ مﻦ‬
‫الفﺌات أوﻻً‪ ،‬ﰒ اﳋوض ﰲ الﺘحلﻴﻞ اﻷﻛﺜﺮ ﺗفصﻴﻼً )عدد ﻛﺒﲑ مﻦ ا ﻤوعات( ‪.63‬‬
‫ولﺘفسﲑ وﲢلﻴﻞ الﻨﺘاﺋج ﻧﺘﺒﻊ اﳋﻄوات الﺘالﻴﺔ‪:‬‬
‫‪ ‬ﲢدﻳد مسﺘوى الﺘﻘسﻴم )مسﺘوى الﻘﻄﻊ ﰲ الﺸﺠﺮة(‪.‬‬
‫‪63‬‬
‫‪- 121 -‬‬

‫‪ ‬ﲢدﻳد ﲨﻴﻊ ا ﻤوعات بﻨاء على الﺘﻘسﻴم السابﻖ‪.‬‬

‫‪ ‬ﲢدﻳد ﲨﻴﻊ العﻨاﺻﺮ الﱵ ﺗﻨﺘﻤﻲ لكﻞ ﳎﻤوعﺔ‪.‬‬
‫‪ ‬ﺗﺸكﻴﻞ ﺟدول ﻳلﺨﺺ‪ :‬ا ﻤوعات‪ ،‬اﻷﻓﺮاد الﱵ ﺗﻨﺘﻤﻲ لكﻞ ﳎﻤوعﺔ‪ ،‬واﳌﺘﻐﲑات اﳌﻤﺜلﺔ لكﻞ ﳎﻤوعﺔ‪.‬‬
‫‪ .3‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ اﻟﺘﺼﺎﻋﺪي ﻋﻠﻰ ﺑﺮ ﻣج ‪:SPSS‬‬

‫اﳌﺜال الﺘﻄﺒﻴﻘﻲ الﺬي سﻨعﺘﻤد علﻴﻪ لﺘﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ ‪ CAH‬على بﺮ مج ‪ ،SPSS‬ﳜﺺ بﻴا ت ‪ 22‬دولﺔ‬
‫عﺮبﻴﺔ )والﱵ ﲤﺜﻞ اﻷﻓﺮاد أو اﳊاﻻت(‪ ،‬وﺛﻼث مﺘﻐﲑات ﻫﻲ‪ :‬ﻧصﻴب الفﺮد مﻦ إﲨاﱄ الﻨاﺗج اﶈلﻲ ) لدوﻻر‬
‫اﻷمﺮﻳكﻲ(‪ ،‬إﲨاﱄ ﺗكوﻳﻦ رأس اﳌال ) لدوﻻر اﻷمﺮﻳكﻲ(‪ ،‬ﻧسﺒﺔ الﺒﻄالﺔ )‪ .(%‬مﻊ اﻹشارة إﱃ أﻧﻪ ﰎ أخﺬ‬
‫مﺘوسﻂ الﻘﻴم مﻦ سﻨﺔ ‪ 1991‬إﱃ سﻨﺔ ‪ .2020‬وﻗد ﰎ اﳊصول على الﺒﻴا ت مﻦ ﻗاعدة بﻴا ت الﺒﻨﻚ‬
‫الدوﱄ‪.64‬‬

‫للﻘﻴام بـ ـ ‪ CAH‬على بﺮ مج ‪ SPSS‬ﻧﺘﺒﻊ اﳋﻄوات الﺘالﻴﺔ‪:‬‬
‫‪ (1‬بعد ﻓﺘﺢ بﺮ مج ‪ SPSS‬على الصفحﺔ الﱵ ﲢﺘوي بﻴا ت الدراسﺔ‪ ،‬ﻧﺬﻫب إﱃ شﺮﻳﻂ الﻘواﺋم‪.‬‬
‫‪ (2‬ﰲ شﺮﻳﻂ الﻘواﺋم ﳔﺘار لﱰﺗﻴب‪ Analyse :‬ﰒ ‪ Classifier‬ﰒ ‪.Cluster hiérarchique‬‬
‫‪ 64‬الموقع الرسمي للبنك الدولي‪https://data.albankaldawli.org/country :‬‬
‫‪- 122 -‬‬

‫‪ ‬مﻦ خﻼل ﻫﺬﻩ الﻨاﻓﺬة ﳔﺘار‪:‬‬

‫‪ ‬مﺘﻐﲑات الﺘصﻨﻴﻒ‪.UEM ،GDI ،GDP :‬‬
‫‪ ‬اﳌﺸاﻫدات )اﻷﻓﺮاد(‪ :‬الدول العﺮبﻴﺔ ‪Country‬‬
‫‪ ‬الﺘﻨصﻴﻒ‪ :‬لﻸﻓﺮاد )للﻤﺸاﻫدات(‪.‬‬
‫‪ ‬العﺮض‪ :‬اﻹﺣصاﺋﻴات والﺘﻤﺜﻴﻼت الﺒﻴاﻧﻴﺔ‪.‬‬
‫‪ ‬ﰒ ﻧﻀﻐﻂ على اﻹﺣصاﺋﻴات )‪ ،(Statistiques‬ﻓﺘﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘالﻴﺔ‪:‬‬
‫ﳔﺘار مﻦ ﻫﺬﻩ الﻨاﻓﺬة‪:‬‬

‫‪ ‬ﻧﻈلﻞ على ﳐﻄﻂ الﺘﺠﻤﻴﻊ )‪.(Planning des agglomérations‬‬
‫‪- 123 -‬‬

‫‪ ‬ﻧﻈلﻞ على مصفوﻓﺔ اﳌساﻓات )‪.(Matrice des distances‬‬

‫‪ ‬ﳎﻤوعات الﺘﺨصﻴﺺ )‪ :(Clusters d’affectation‬ﺗﻈﻬﺮ ﺿﻤﻦ اﳌﺨﺮﺟات مﻊ اﻹﺣصاﺋﻴات‪،‬‬
‫ﳔﺘار مﻨﻬا إﺣدى اﳋﻴارات الﺘالﻴﺔ‪:‬‬
‫‪ ‬بدون ﲣصﻴﺺ ﳎﻤوعات ‪) aucun‬مﺒدﺋﻴا ﳔﺘار ‪.(Aucun‬‬
‫‪ ‬ﺣﻞ وﺣﻴد )ﲢدﻳد عدد بﺖ للﻤﺠﻤوعات( ‪.Une seule solution‬‬
‫‪ ‬عدة ﺣلول )ﲢدﻳد عدد أعلى للﻤﺠﻤوعات وعدد أدﱏ ﳍا( ‪.Plusieurs solutions‬‬
‫وﻫﻲ اﻷﻛﺜﺮ اسﺘﺨداما‪.‬‬
‫‪ ‬ﰒ ﻧﻀﻐﻂ على الﺘﻤﺜﻴﻼت الﺒﻴاﻧﻴﺔ )‪ ،(Tracés‬ﻓﺘﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘالﻴﺔ‪:‬‬

‫‪ ‬ﻧﻈلﻞ على شﺠﺮة الﺘصﻨﻴﻒ )‪.(Dendrogramme‬‬
‫‪ ‬الﺘﻤﺜﻴﻞ الﻨازل )أو اﻷلواح اﳉلﻴدﻳﺔ( )‪ :(Stalactites‬ﳔﺘار مﻨﻬا إﺣدى اﳋﻴارات الﺘالﻴﺔ‪:‬‬
‫‪ ‬ﻛﻞ ا ﻤوعات )‪.(Tous les clusters‬‬
‫‪ ‬ﲢدﻳد ا ﻤوعات ﲟﺆشﺮ )‪.(Plage de clusters indiquée‬‬
‫‪ ‬بدون ﲢدﻳد ‪) aucun‬عدم عﺮض الﺘﻤﺜﻴﻞ الﻨازل(‪.‬‬
‫‪ ‬اﲡاﻩ الﺘﻤﺜﻴﻞ الﺒﻴاﱐ )‪ :(Orientation‬ﳔﺘار مﻨﻬا إﺣدى اﳋﻴارات الﺘالﻴﺔ‪:‬‬
‫‪- 124 -‬‬

‫‪ ‬عﻤودي )‪.(Verticale‬‬
‫‪ ‬أﻓﻘﻲ )‪.(Horizontale‬‬
‫‪ ‬ﰒ ﻧﻀﻐﻂ على الﻄﺮق )‪ ،(Méthodes‬ﻓﺘﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘالﻴﺔ‪:‬‬

‫‪ ‬ﻃﺮﻳﻘﺔ الﺘﺠﻤﻴﻊ )‪ :(Méthode d’agrégation‬عﻨد الﻀﻐﻂ علﻴﻬا ﺗﻈﻬﺮ لﻨا خﻴارات مﺆشﺮ‬
‫الﺘﺠﻤﻴﻊ )أدﱏ مساﻓﺔ‪ ،‬أﻗصى مساﻓﺔ‪ ،‬مساﻓﺔ مﺘوسﻄﺔ‪ ،‬مﺆشﺮ وارد‪(... ،‬‬
‫‪ ‬الﻘﻴاس )‪ :(Mesure‬ﳔﺘار مﻨﻬا اﺣدى اﳋﻴارات الﺘالﻴﺔ )ﲝسب ﻧوع مﺘﻐﲑات الدراسﺔ(‪:‬‬
‫‪ ‬ﳎال )‪ :(Intervalle‬ﳔﺘار مﻨﻬا اﺣدى ﻃﺮق الﻘﻴاس )اﳌساﻓﺔ اﻻﻗلﻴدﻳﺔ‪ ،‬اﳌساﻓﺔ اﻻﻗلﻴدﻳﺔ‬
‫مﺮبﻊ‪ ،‬الﺘﺠب‪ ،‬ارﺗﺒاط بﲑسون‪(... ،‬‬
‫‪- 125 -‬‬

‫‪ ‬الﺘكﺮار )‪ :(Effectif‬ﳔﺘار مﻨﻬا اﺣدى اﳋﻴارﻳﻦ الﺘالﲔ‪:‬‬
‫‪ ‬ﺛﻨاﺋﻲ )‪ :(Binaire‬ﳔﺘار مﻨﻬا اﺣدى اﳋﻴارات الﺘالﻴﺔ‪:‬‬
‫‪ ‬ﲢوﻳﻞ الﻘﻴم )‪ :(Transformer les valeurs‬ﳝكﻦ ﲢوﻳﻞ الﻘﻴم اﻷﺻلﻴﺔ )سواء للﻤﺘﻐﲑات أو‬
‫اﳌﺸاﻫدات( إﱃ ﻗﻴم معﻴارﻳﺔ‪.‬‬
‫ﲟا أن للﻤﺘﻐﲑات اﳌدروسﺔ وﺣدات الﻘﻴاس ﳐﺘلفﺔ والﺒﻴا ت بﻘﻴم مﺘﺒاﻳﻨﺔ )ﻧسﺒﺔ الﺒﻄالﺔ لعﺸﺮات أما‬
‫إﲨاﱄ رأس اﳌال ﻓﺒاﳌﻼﻳﲔ(‪ ،‬ﻓﻴفﻀﻞ ﺟعﻞ الﻘﻴم معﻴارﻳﺔ‪.‬‬
‫‪ ‬ﲢوﻳﻞ الﻘﻴاس )‪ :(Transformer la mesure‬ﳝكﻦ ﲢوﻳﻞ الﻘﻴاس خﺬ الﻘﻴم اﳌﻄلﻘﺔ أو ﲢوﻳﻞ‬

‫اﻹشارة أو ﲢوﻳﻞ الﻘﻴاس بﲔ ‪ 0‬و‪.1‬‬
‫‪- 126 -‬‬

‫‪ ‬ﰒ ﻧﻀﻐﻂ على اﳊفﻆ )‪ ،(Enregistrer‬ﻓﺘﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘالﻴﺔ‪:‬‬

‫‪ ‬ﳎﻤوعات الﺘﺨصﻴﺺ )‪ :(Clusters d’affectation‬وﻳﺘم ﺣفﻆ ا ﻤوعات ﰲ ﻓﺬة الﺒﻴا ت‬
‫أﻳﻦ ﻳﺘم إدراج ﺗصﻨﻴﻒ ﻛﻞ ﻓﺮد )إﺿاﻓﺔ عﻤود ﺟدﻳد ﰲ الﻨاﻓﺬة(‪ ،‬ﳔﺘار مﻦ ﻫﺬﻩ الﻨاﻓﺬة إﺣدى اﳋﻴارات‬
‫الﺘالﻴﺔ‪:‬‬
‫‪ ‬بدون ﲣصﻴﺺ ﳎﻤوعات ‪) aucun‬مﺒدﺋﻴا ﳔﺘار ‪.(Aucun‬‬
‫‪ ‬ﺣﻞ وﺣﻴد )ﲢدﻳد عدد بﺖ للﻤﺠﻤوعات( ‪.Une seule solution‬‬
‫‪ ‬عدة ﺣلول )ﲢدﻳد عدد أعلى للﻤﺠﻤوعات وعدد أدﱏ ﳍا( ‪.Plusieurs solutions‬‬
‫وﻫﻲ اﻷﻛﺜﺮ اسﺘﺨداما‪.‬‬

‫‪ (1‬ﻣﺼﻔﻮﻓﺔ اﳌﺴﺎﻓﺎت )اﻟﻘﺮب( )‪:(Matrice de proximité‬‬
‫‪- 127 -‬‬

‫‪- 128 -‬‬

‫ﻧﻼﺣﻆ أﻧﻪ ﰎ ﺣساب اﳌساﻓات لواﺣد وعﺸﺮﻳﻦ دولﺔ ﻓﻘﻂ )‪ ،(21‬وﱂ ﻳﺘم إدخال دولﺔ الﻴﻤﻦ ﰲ الﺘصﻨﻴﻒ‪ ،‬ﻷن‬
‫ا ﻗﻴﻤﺔ مفﻘودة ﳌﺘﻐﲑ إﲨاﱄ ﺗكوﻳﻦ رأس اﳌال‪.‬‬
‫ﻧﻼﺣﻆ ﻛﺬلﻚ مﻦ اﳉدول أن أﺻﻐﺮ مساﻓﺔ بﲔ دولﺘﲔ ﻫﻲ ‪ 0,074‬بﲔ اﻷردن وﺗوﻧﺲ‪ ،‬و لﺘاﱄ ﻓﻬاﺗﲔ‬
‫الدولﺘﲔ سﺘﺸكﻼن أول ﳎﻤوعﺔ )‪ .C1(8,21‬ﰒ أﻗﺮب دولﺘﲔ بعدﳘا ﳘا مصﺮ والعﺮاق‪ ،‬ﻓﻘد ﻗدرت اﳌساﻓﺔ‬
‫بﻴﻨﻬﻤا ب ـ ‪ ،0,107‬و لﺘاﱄ ﱐ ﲡﻤﻴﻊ ﻫو )‪ ،C2(6,7‬وﻫكﺬا لﻨسﺒﺔ لﺒﻘﻴﺔ الﺘﺠﻤﻴعات للدول‪.‬‬
‫‪ (2‬ﳐﻄﻂ اﻟﺘﺠﻤﻴﻊ )‪(Planning des agglomérations‬‬
‫ﻳﺒﲔ لﻨا ﻫﺬا اﳉدول ﲨﻴﻊ مﺮاﺣﻞ الﺘﺠﻤﻴﻊ )اﻻﻧﺘﻘال مﻦ ‪ 21‬ﳎﻤوعﺔ ﺗﻀم ﻛﻞ ﳎﻤوعﺔ عﻨصﺮ واﺣد )دولﺔ(‪،‬‬
‫إﱃ ﳎﻤوعﺔ واﺣدة ﺗﻀم ﲨﻴﻊ العﻨاﺻﺮ )الدول((‪ ،‬على ‪ 20‬مﺮﺣلﺔ )‪.(n-1‬‬
‫ﻧﻼﺣﻆ أن أول مﺮﺣلﺔ ﲡﻤﻴﻊ )أﻗﺮب دولﺘﲔ( ﻛاﻧﺖ ﲜﻤﻊ رﻗم ‪ 8‬ورﻗم‪ 21‬ﰲ أول ﳎﻤوعﺔ )اﻷردن وﺗوﻧﺲ(‪،‬‬
‫ﰒ ﰲ اﳌﺮﺣلﺔ الﺜاﻧﻴﺔ ﰎ ﲨﻊ العﻨصﺮﻳﻦ ‪ 6‬و‪ 7‬ﰲ ﳎﻤوعﺔ ﻧﻴﺔ )العﺮاق ومصﺮ(‪ ،‬ﰒ ﰲ اﳌﺮﺣلﺔ الﺜالﺜﺔ ﰎ ﺿم‬
‫العﻨصﺮﻳﻦ ‪ 15‬و‪ 19‬ﰲ ﳎﻤوعﺔ لﺜﺔ )ﻓلسﻄﲔ والسودان(‪ ،... ،‬وﻫكﺬا ﺣﱴ أخﺮ مﺮﺣلﺔ‪.‬‬
‫‪- 129 -‬‬

‫‪ (3‬ﺷﺠﺮة اﻟﺘﺼﻨﻴﻒ )‪:(Dendrogramme‬‬
‫ﻳﺘﺒﲔ مﻦ شﺠﺮة الﺘصﻨﻴﻒ وﺟود أربﻊ ﳎﻤوعﺔ رزة )الﺘﺒاﻳﻦ داخﻞ ا ﻤوعات ﺻﻐﲑ والﺘﺒاﻳﻦ بﲔ ا ﻤوعات‬
‫ﻛﺒﲑ(‪:‬‬
‫‪ ‬ا ﻤوعﺔ اﻷوﱃ ﺗﻀم الدول )‪ :(3‬اﻹمارات‪ ،‬السعودﻳﺔ‪ ،‬ﻗﻄﺮ‪.‬‬
‫‪ ‬ا ﻤوعﺔ الﺜاﻧﻴﺔ ﺗﻀم الدول )‪ :(3‬الﺒحﺮﻳﻦ‪ ،‬عﻤان‪ ،‬الكوﻳﺖ‪.‬‬
‫‪ ‬ا ﻤوعﺔ الﺜالﺜﺔ ﺗﻀم الدول )‪ :(8‬اﳌورﻳﺘاﻧﻴا‪ ،‬سور ‪ ،‬ﺟﺰر الﻘﻤﺮ‪ ،‬لﺒﻨان‪ ،‬مصﺮ‪ ،‬العﺮاق‪ ،‬اﳌﻐﺮب‪ ،‬اﳉﺰاﺋﺮ‪.‬‬
‫‪ ‬ا ﻤوعﺔ الﺮابعﺔ ﺗﻀم الدول )‪ :(7‬اﻷردن‪ ،‬ﺗوﻧﺲ‪ ،‬الصومال‪ ،‬ﻓلسﻄﲔ‪ ،‬السودان‪ ،‬لﻴﺒﻴا‪ ،‬ﺟﻴﺒوﰐ‪.‬‬
‫‪ (4‬الﺘﻤﺜﻴﻞ الﻨازل )‪:(Stalactites‬‬
‫‪- 130 -‬‬

‫ﻫﺬا الﺘﻤﺜﻴﻞ ﻛﺬلﻚ ﻳﺆﻛد ما اسﺘﻨﺘﺠﻨاﻩ ﰲ شﺠﺮة الﺘصﻨﻴﻒ ﲞصوص ا ﻤوعات‪ ،‬ﻓﻨﻼﺣﻆ أن أول ﳎﻤوعﺔ‬
‫ﺗﻀم اﻹمارات والسعودﻳﺔ وﻗﻄﺮ‪ ،‬و ﱐ ﳎﻤوعﺔ ﺗﻀم الﺒحﺮﻳﻦ وعﻤان والكوﻳﺖ‪ ،‬وﻫكﺬا لﻨسﺒﺔ لﺒﻘﻴﺔ الدول‪.‬‬
‫‪ (5‬اﻷن‪ ،‬ﻧﻌﻴﺪ اﻟﺘﺼﻨﻴﻒ وﳓﺪد أرﺑﻊ ﳎﻤﻮﻋﺎت )ﺑﻌﺪﻣﺎ ﻛﺎن ﺑﺪون ﲢﺪﻳﺪ ‪:(Aucun‬‬
‫‪- 131 -‬‬

‫‪ (6‬ﳎﻤﻮﻋﺎت اﻟﺘﺨﺼﻴﺺ )‪:(Clusters d’affectation‬‬

‫ﻛﻤا ﻳﻈﻬﺮ ﰲ ﻓﺬة الﺒﻴا ت العﻤود الﺘاﱄ‪:‬‬ ‫ﻳﻈﻬﺮ لﻨا ﺿﻤﻦ اﳌﺨﺮﺟات اﳉدول الﺘاﱄ‪:‬‬
‫ﻳﺒﲔ اﳉدولﲔ أعﻼﻩ ﺗصﻨﻴﻒ ﻛﻞ دولﺔ ﰲ ﳎﻤوعﺔ‪ ،‬ﻓالدول‪ :‬اﻹمارات‪ ،‬السعودﻳﺔ‪ ،‬ﻗﻄﺮ ﺻﻨفﺖ ﰲ‬
‫ا ﻤوعﺔ اﻷوﱃ )‪ ،(1‬والدول‪ :‬الﺒحﺮﻳﻦ‪ ،‬عﻤان‪ ،‬الكوﻳﺖ ﺻﻨفﺖ ﰲ ا ﻤوعﺔ الﺜاﻧﻴﺔ )‪ .(2‬وﻫكﺬا لﻨسﺒﺔ ﳉﻤﻴﻊ‬
‫الدول‪ .‬وﻗد ﰎ ﺗصﻨﻴﻒ الدول ﰲ أربﻊ ﳎﻤوعات ﺗﺒعا ﳌا ﺣدد ﻩ أعﻼﻩ‪.‬‬
‫‪ .4‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ اﻟﺘﺼﺎﻋﺪي ﻋﻠﻰ ﺑﺮ ﻣج ‪:XL-STAT‬‬

‫اﳌﺜال الﺘﻄﺒﻴﻘﻲ الﺬي سﻨعﺘﻤد علﻴﻪ لﺘﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ ‪ CAH‬على بﺮ مج ‪ ،XL-STAT‬ﻫو ﻧفﺲ اﳌﺜال‬
‫اﳌﻄﺒﻖ على بﺮ مج ‪.SPSS‬‬
‫للﻘﻴام بـ ـ ‪ CAH‬على بﺮ مج ‪ XL-STAT‬ﻧﺘﺒﻊ اﳋﻄوات الﺘالﻴﺔ‪:‬‬
‫‪ (1‬بعد ﻓﺘﺢ بﺮ مج ‪ XL-STAT‬على الصفحﺔ الﱵ ﲢﺘوي بﻴا ت الدراسﺔ‪ ،‬ﻧﺬﻫب إﱃ شﺮﻳﻂ الﻘواﺋم‪.‬‬
‫‪ (2‬ﰲ شﺮﻳﻂ الﻘواﺋم ﳔﺘار لﱰﺗﻴب‪ Analyse des données :‬ﰒ ‪Classification‬‬
‫‪.Ascendantes Hiérarchique‬‬
‫‪- 132 -‬‬


‫‪ ‬مكان ﺣفﻆ اﳌﺨﺮﺟات )‪(classeur ،feuille ،plage‬‬
‫‪ ‬شكﻞ الﺒﻴا ت )‪ :(Format des données‬ﻫﻞ ﻫو ﺟدول الﺒﻴا ت واﳌﺘﻐﲑات‪ ،‬أو مصفوﻓﺔ‬
‫اﳌساﻓات )ﻏﲑ مﺘوﻓﺮ على بﺮ مج ‪.(SPSS‬‬
‫‪- 133 -‬‬

‫‪ ‬ﻧوع اﳌساﻓات )‪ :(Type de proximité‬الﺘﺸابﻪ أو اﻻخﺘﻼف‪.‬‬

‫‪ ‬مﻘﻴاس اﳌساﻓﺔ‪ :‬ﳔﺘار مﻨﻬا اﺣدى ﻃﺮق الﻘﻴاس )اﳌساﻓﺔ اﻻﻗلﻴدﻳﺔ‪ ،‬اﳌساﻓﺔ اﻻﻗلﻴدﻳﺔ مﺮبﻊ‪ ،‬مساﻓﺔ‬
‫ﻛاي ﺗﺮبﻴﻊ‪(... ،‬‬
‫‪ ‬ﻃﺮﻳﻘﺔ الﺘﺠﻤﻴﻊ )‪ :(Méthode d’agrégation‬عﻨد الﻀﻐﻂ علﻴﻬا ﺗﻈﻬﺮ لﻨا خﻴارات مﺆشﺮ‬
‫الﺘﺠﻤﻴﻊ )أدﱏ مساﻓﺔ‪ ،‬أﻗصى مساﻓﺔ‪ ،‬مساﻓﺔ مﺘوسﻄﺔ‪ ،‬مﺆشﺮ وارد‪(... ،‬‬
‫‪ ‬ﺗعﻴﲔ أﲰاء اﻷعﻤدة )اﳌﺘﻐﲑات( )‪(Libellés des colonnes‬‬

‫‪ ‬ﺗعﻴﲔ أﲰاء اﻷسﻄﺮ )اﻷﻓﺮاد( )‪.(Libellés des lignes‬‬
‫‪ ‬أوزان اﻷسﻄﺮ أو أوزان اﻷعﻤدة )‪- (poids‬إن وﺟدت‪.-‬‬
‫‪ ‬ﻣﻦ اﳋﻴﺎرات ‪ :Option‬ﻧﻘوم خﺘﻴار‪:‬‬
‫‪- 134 -‬‬

‫‪ ‬ﲡﻤﻴﻊ اﻷسﻄﺮ )‪ (Regrouper les lignes‬أو ﲡﻤﻴﻊ اﻷعﻤدة ) ‪Regrouper les‬‬

‫‪.(colonnes‬‬
‫‪ ‬ﲢوﻳﻞ الﺒﻴا ت إﱃ مﺮﻛﺰﻳﺔ أو معﻴارﻳﺔ )‪.(Centrer / Réduire‬‬
‫‪ ‬مسﺘوى الﻘﻄﻊ )‪ :(Troncature‬بﺸكﻞ أوﺗوماﺗﻴكﻲ )ﻏﲑ مﺘوﻓﺮ على ‪ ،(SPSS‬أو ﲢدﻳد عدد‬
‫ا ﻤوعات )مﻦ ‪ ...‬و ‪...‬إﱃ(‪ ،‬أو ﲢدﻳد اﳌسﺘوى الﻘﻄﻊ ﰲ شﺠﺮة الﺘصﻨﻴﻒ )ﻏﲑ مﺘوﻓﺮ على ‪.(SPSS‬‬
‫ﻧﻼﺣﻆ أن بﺮ مج ‪ XL-STAT‬ﻳسﻤﺢ لﺘصﻨﻴﻒ اﻷوﺗوماﺗﻴكﻲ‪ ،‬ﺣﻴﺚ ﻳﻘوم لﺘﺠﺰﺋﺔ اﻷمﺜﻞ‬
‫لﻸﻓﺮاد ﰲ ﳎﻤوعات )مﻦ خﻼل اخﺘﻴار ‪.(automatique‬‬
‫‪ ‬ﻣﻦ اﻟﺒﻴﺎ ت اﳌﻔﻘﻮدة )‪ :(Données manquantes‬عﻨد الﻀﻐﻂ علﻴﻬا ﻳﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‬
‫)ﻏﲑ مﺘوﻓﺮة على بﺮ مج ‪:(SPSS‬‬
‫وﻫﻲ ﻓﺬة خاﺻﺔ ﲟعاﳉﺔ الﺒﻴا ت اﳌفﻘودة )‪ ،(Données manquantes‬وﻓﻖ ما ﻳلﻲ‪:‬‬

‫‪ ‬عدم ﻗﺒول الﺒﻴا ت اﳌفﻘودة‪.‬‬
‫‪ ‬ﺣﺬف اﳌﺸاﻫدات‪.‬‬
‫‪ ‬ﺗﻘدﻳﺮ الﺒﻴا ت اﳌفﻘودة ) ﳌﺘوسﻂ أو اﳌﻨوال‪ ،‬أو ﻗﺮب ﺟار(‪.‬‬
‫‪ ‬ﻣﻦ اﳌﺨﺮﺟﺎت )‪ :(Sortie‬عﻨد الﻀﻐﻂ علﻴﻬا ﺗﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬
‫‪- 135 -‬‬

‫ﳔﺘار اﳌﺨﺮﺟات الﱵ ﻧﺮﻏب ﰲ عﺮﺿﻬا‪ :‬اﻹﺣصاﺋﻴات الوﺻفﻴﺔ‪ ،‬مصفوﻓﺔ اﳌساﻓات‪ .(... ،‬والعدﻳد مﻦ ﻫﺬﻩ‬
‫اﳌﺨﺮﺟات ﻏﲑ مﺘوﻓﺮ على بﺮ مج ‪.SPSS‬‬
‫‪ ‬اﻟﺘﻤﺜﻴﻼت اﻟﺒﻴﺎﻧﻴﺔ )‪ :(Graphiques‬عﻨد الﻀﻐﻂ علﻴﻬا ﻳﻈﻬﺮ لﻨا الﻨاﻓﺬة الﺘاﱄ‪:‬‬
‫ﰲ ﻫﺬﻩ الﻨاﻓﺬة ﳔﺘار الﺘﻤﺜﻴﻼت الﺒﻴاﻧﻴﺔ الﱵ ﻧﺮﻏب ﰲ عﺮﺿﻬا مﻊ بعﺾ خﻴارات العﺮض‪ .‬والعدﻳد مﻦ ﻫﺬﻩ‬
‫اﳋﻴارات ﻏﲑ مﺘوﻓﺮ على بﺮ مج ‪.SPSS‬‬
‫‪- 136 -‬‬


‫ﲟا أن ﻫﺬا اﳌﺜال الﺘﻄﺒﻴﻘﻲ ﻫو ﻧفﺲ اﳌﺜال مﻄﺒﻖ على بﺮ مج ‪ ،SPSS‬ﻓسأعلﻖ خاﺻﺔ على اﳉداول‬
‫واﳌعلومات اﳉدﻳدة والﱵ ﱂ أعلﻖ علﻴﻬا عﻨد شﺮح بﺮ مج ‪.SPSS‬‬
‫‪ (1‬اﻟﻘﻴﻢ اﳌﻔﻘﻮدة )ﻏﲑ ﻣﺘﻮﻓﺮ ﻋﻠﻰ ‪:(SPSS‬‬
‫ﰎ اسﺘﺒدال الﻘﻴﻤﺔ اﳌفﻘودة لدولﺔ الﻴﻤﻦ لدى مﺘﻐﲑ "إﲨاﱄ ﺗكوﻳﻦ رأس اﳌال" بﻘﻴﻤﺔ ﻫﺬا اﳌﺘﻐﲑ عﻨد أﻗﺮب‬
‫ﺟار )وﻫﻲ دولﺔ اﳌﻐﺮب(‪ .‬وﻫﺬا ما سﻴسﻤﺢ دخال دولﺔ الﻴﻤﻦ ﰲ الﺘصﻨﻴﻒ‪ ،‬على عكﺲ بﺮ مج ‪SPSS‬‬
‫أﻳﻦ ﰎ إﻗصاد ﻫﺬﻩ الدولﺔ مﻦ الﺘصﻨﻴﻒ بسﺒب وﺟود ﻗﻴﻤﺔ مفﻘودة‪.‬‬
‫‪ (2‬اﻹﺣﺼﺎﺋﻴﺎت اﻟﻮﺻﻔﻴﺔ )ﻏﲑ ﻣﺘﻮﻓﺮ ﻋﻠﻰ ‪:(SPSS‬‬
‫ﻳﻘدم لﻨا ﻫﺬا اﳉدول بعﺾ اﻹﺣصاﺋﻴات الوﺻفﻴﺔ ﳌﺘﻐﲑات الدراسﺔ )أﻛﱪ ﻗﻴﻤﺔ‪ ،‬أﺻﻐﺮ ﻗﻴﻤﺔ‪ ،‬اﳌﺘوسﻂ‪ ،‬اﻻﳓﺮاف‬
‫اﳌعﻴاري(‪.‬‬
‫‪ (3‬ﻣﺼﻔﻮﻓﺔ اﳌﺴﺎﻓﺎت )اﻟﻘﺮب( )‪:(Matrice de proximité‬‬
‫‪- 137 -‬‬

‫ﻧﻼﺣﻆ أﻧﻪ ﰎ ﺣساب اﳌساﻓات ﻻﺛﻨﲔ وعﺸﺮﻳﻦ دولﺔ )‪ ،(22‬ﻓﻘد ﰎ إدخال دولﺔ الﻴﻤﻦ ﰲ الﺘصﻨﻴﻒ‪ ،‬بعد‬
‫ﺗعوﻳﺾ ﻗﻴﻤﺘﻬا اﳌفﻘودة‪.‬‬
‫‪ (4‬إﺣﺼﺎﺋﻴﺎت اﻟﻌﻘﺪ )‪) (Statistiques des noeuds‬ﻛﻤﺨﻄﻂ اﻟﺘﺠﻤﻴﻊ ﰲ ‪:(SPSS‬‬
‫‪- 138 -‬‬

‫ﻳﺒﲔ لﻨا ﻫﺬا اﳉدول ﲨﻴﻊ مﺮاﺣﻞ الﺘﺠﻤﻴﻊ‪ ،‬ﻓﻨﻼﺣﻆ أن أول مﺮﺣلﺔ ﲡﻤﻴﻊ )أﻗﺮب دولﺘﲔ( ﻛاﻧﺖ ﲜﻤﻊ رﻗم‪ 8‬ورﻗم‪21‬‬
‫ﰲ أول ﳎﻤوعﺔ )اﻷردن وﺗوﻧﺲ(‪ ،‬ﰒ ﰲ اﳌﺮﺣلﺔ الﺜاﻧﻴﺔ ﰎ ﲨﻊ العﻨصﺮﻳﻦ ‪ 12‬و‪ 22‬ﰲ ا ﻤوعﺔ الﺜاﻧﻴﺔ )اﳌﻐﺮب والﻴﻤﻦ(‪،‬‬
‫ﰒ ﰲ اﳌﺮﺣلﺔ الﺜالﺜﺔ ﰎ ﺿم العﻨصﺮﻳﻦ ‪ 6‬و‪ 7‬ﰲ ا ﻤوعﺔ الﺜالﺜﺔ )العﺮاق ومصﺮ(‪ ،... ،‬وﻫكﺬا ﺣﱴ أخﺮ مﺮﺣلﺔ‪.‬‬
‫‪ (5‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻠﻤﺴﺘﻮ ت )ﻏﲑ ﻣﺘﻮﻓﺮ ﻋﻠﻰ ‪:(SPSS‬‬
‫ﻳﺒﲔ ﻫﺬا اﳌﻨحﲎ مسﺘوى الﺘﺒاﻳﻦ داخﻞ ا ﻤوعات‪ ،‬ﻓﻴﺒدأ ﺻﻐﺮ مسﺘوى وﻫﻲ ا ﻤوعﺔ ‪) 23‬ﺿم أول عﻨصﺮﻳﻦ‬
‫ﻗﺮﻳﺒﲔ ‪ 8‬و‪) 21‬اﻷردن وﺗوﻧﺲ((‪ ،‬إﱃ أﻛﱪ مسﺘوى وﻫﻲ ا ﻤوعﺔ ‪) 43‬ﺿم ﲨﻴﻊ الدول ﰲ ﳎﻤوعﺔ واﺣدة(‪.‬‬
‫‪ (6‬ﺷﺠﺮة اﻟﺘﺼﻨﻴﻒ )‪:(Dendrogramme‬‬
‫‪- 139 -‬‬

‫ﻳﺘﺒﲔ مﻦ شﺠﺮة الﺘصﻨﻴﻒ وﺟود أربﻊ ﳎﻤوعﺔ )ﲢدﻳد اوﺗوماﺗﻴكﻲ ﲝسب الﺘﺒاﻳﻦ داخﻞ ا ﻤوعات والﺘﺒاﻳﻦ بﲔ ا ﻤوعات(‪:‬‬
‫‪ ‬ا ﻤوعﺔ اﻷوﱃ ﺗﻀم الدول )‪ :(3‬اﻹمارات‪ ،‬السعودﻳﺔ‪ ،‬ﻗﻄﺮ‪.‬‬
‫‪ ‬ا ﻤوعﺔ الﺜاﻧﻴﺔ ﺗﻀم الدول )‪ :(3‬الﺒحﺮﻳﻦ‪ ،‬عﻤان‪ ،‬الكوﻳﺖ‪.‬‬
‫‪ ‬ا ﻤوعﺔ الﺜالﺜﺔ ﺗﻀم الدول )‪ :(8‬اﳌورﻳﺘاﻧﻴا‪ ،‬سور ‪ ،‬ﺟﺰر الﻘﻤﺮ‪ ،‬لﺒﻨان‪ ،‬مصﺮ‪ ،‬العﺮاق‪ ،‬اﳌﻐﺮب‪ ،‬الﻴﻤﻦ‪.‬‬
‫‪ ‬ا ﻤوعﺔ الﺮابعﺔ ﺗﻀم الدول )‪ :(8‬اﻷردن‪ ،‬ﺗوﻧﺲ‪ ،‬الصومال‪ ،‬ﻓلسﻄﲔ‪ ،‬السودان‪ ،‬لﻴﺒﻴا‪ ،‬ﺟﻴﺒوﰐ‪ ،‬اﳉﺰاﺋﺮ‪.‬‬
‫‪ (7‬ﲢﻠﻴﻞ اﻟﺘﺒﺎﻳﻦ ﻟﻠﺘﺼﻨﻴﻒ اﻷﻣﺜﻞ )ﻏﲑ ﻣﺘﻮﻓﺮ ﻋﻠﻰ ﺑﺮ ﻣج ‪:(SPSS‬‬
‫ﻳﺘﺒﲔ مﻦ اﳉدول أﻧﻪ عﻨد الﺘصﻨﻴﻒ اﻷمﺜﻞ للدول )أربﻊ ﳎﻤوعات السابﻘﺔ(‪ ،‬ﻓﺈن ﻧسﺒﺔ الﺘﺒاﻳﻦ داخﻞ ا ﻤوعات‬
‫ﺗﻘدر ب ـ ‪ ،25,11%‬وﻧسﺒﺔ الﺘﺒاﻳﻦ بﲔ ا ﻤوعات ﻓﺘﻘدر ب ـ ‪.74,89%‬‬
‫‪ (8‬اﻟﻌﻨﺎﺻﺮ اﳌﺮﻛزﻳﺔ ﻟﻠﻤﺠﻤﻮﻋﺎت واﳌﺴﺎﻓﺎت ﺑﻴﻨﻬﺎ )ﻏﲑ ﻣﺘﻮﻓﺮ ﻋﻠﻰ ﺑﺮ ﻣج ‪:(SPSS‬‬
‫‪- 140 -‬‬

‫ﻳﺒﲔ اﳉدولﲔ العﻨصﺮ اﳌﺮﻛﺰي لكﻞ ﳎﻤوعﺔ مﻦ ا ﻤوعات اﻷربعﺔ الﱵ ﰎ ﲢدﻳدﻫا‪ ،‬ﻓالعﻨصﺮ اﳌﺮﻛﺰي للﻤﺠﻤوعﺔ‬
‫اﻷوﱃ ﻫﻲ دولﺔ اﻹمارات‪ ،‬والعﻨصﺮ اﳌﺮﻛﺰي للﻤﺠﻤوعﺔ الﺜاﻧﻴﺔ ﻫﻲ دولﺔ عﻤان‪ ،‬والعﻨصﺮ اﳌﺮﻛﺰي للﻤﺠﻤوعﺔ الﺜالﺜﺔ‬
‫ﻫﻲ دولﺔ لﺒﻨان‪ ،‬والعﻨصﺮ اﳌﺮﻛﺰي للﻤﺠﻤوعﺔ الﺮابعﺔ ﻫﻲ دولﺔ لﻴﺒﻴا‪ .‬وأﻗﺮب عﻨصﺮﻳﻦ مﺮﻛﺰﻳﲔ ﰲ ا ﻤوعات اﻷربعﺔ‬
‫ﳘا لﺒﻨان ولﻴﺒﻴا )ا ﻤوعﺘﲔ ‪ 3‬و‪.(4‬‬
‫‪ (9‬اﻟﻨﺘﺎﺋج ﲝﺴﺐ اﻟﻌﻨﺼﺮ )ﻛﻤﺠﻤﻮﻋﺎت اﻟﺘﺨﺼﻴﺺ ﻋﻠﻰ ‪:(SPSS‬‬
‫ﻳﺒﲔ اﳉدول أعﻼﻩ ﺗصﻨﻴﻒ ﻛﻞ دولﺔ ﰲ ﳎﻤوعﺔ‪ ،‬ﻓالدول‪ :‬اﻹمارات‪ ،‬السعودﻳﺔ‪ ،‬ﻗﻄﺮ ﺻﻨفﺖ ﰲ ا ﻤوعﺔ‬
‫اﻷوﱃ )‪ ،(1‬والدول‪ :‬الﺒحﺮﻳﻦ‪ ،‬عﻤان‪ ،‬الكوﻳﺖ ﺻﻨفﺖ ﰲ ا ﻤوعﺔ الﺜاﻧﻴﺔ )‪ .(2‬وﻫكﺬا لﻨسﺒﺔ ﳉﻤﻴﻊ‬
‫الدول‪.‬‬
‫‪.‬‬
‫‪- 141 -‬‬

‫‪ . 4‬ﺧﺎﲤﺔ‪:‬‬
‫ﻛان اﳍدف مﻦ ﻫﺬﻩ اﳌﻄﺒوعﺔ ﺗﻘﺮﻳب اﳌفاﻫﻴم اﻷساسﻴﺔ اﳋاﺻﺔ بﺘحلﻴﻞ اﳌعﻄﻴات وﻃﺮﻗﻬا لﻄلﺒﺔ السﻨﺔ‬
‫اﻷوﱃ ماسﱰ ﲣصﺺ "ﲢلﻴﻞ اﻗﺘصادي واسﺘﺸﺮاف"‪ ،‬مﻊ أمﺜلﺔ ﺣسابﻴﺔ لفﻬم وﺗﻄﺒﻴﻖ ﳐﺘلﻒ الصﻴغ الﺮ ﺿﻴﺔ‬
‫اﳋاﺻﺔ بﻄﺮق ﲢلﻴﻞ اﳌعﻄﻴات‪ ،‬سواء الﻄﺮق العاملﻴﺔ أو ﺗﻘﻨﻴات الﺘصﻨﻴﻒ‪ .‬ﻹﺿاﻓﺔ إﱃ أمﺜلﺔ ﺗﻄﺒﻴﻘﻴﺔ على بﺮ ﳎﻲ‬
‫‪ SPSS‬و‪ ،XL-STAT‬وﻫﺬا لﺘﻤكﲔ الﻄالب مﻦ الﺘعﺮف على الﱪ ﳎﲔ وﻛﻴفﻴﺔ الﺘعامﻞ معﻬﻤا‪ ،‬وﺟعلﻪ‬
‫ﻗادر على ﺗﻄﺒﻴﻖ ﳐﺘلﻒ ﻃﺮق ﲢلﻴﻞ اﳌعﻄﻴات على ﻫﺬﻩ الﱪﳎﻴات‪.‬‬
‫وﻗد ﺗﻀﻤﻨﺖ ﻫﺬﻩ اﳌﻄﺒوعﺔ ﺛﻼث ﳏاور رﺋﻴسﻴﺔ‪ ،‬ﻳﻀم ﻛﻞ ﳏور اﺣدى ﻃﺮق ﲢلﻴﻞ اﳌعﻄﻴات‪ ،‬وﻳﺘعلﻖ‬
‫اﻷمﺮ بكﻞ مﻦ‪ :‬ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ )‪ ،(Analyse en composantes principales‬الﺘحلﻴﻞ‬
‫العاملﻲ الﺘﻘابلﻲ )‪ ،(Analyse Factorielle des Correspondances‬والﺘصﻨﻴﻒ الﺘسلسلﻲ‬
‫الﺘصاعدي )‪.(Classification Ascendante Hiérarchique‬‬
‫وﰲ اﻷخﲑ‪ ،‬أسأل ﷲ أن ﻳفﻴد ﺬﻩ اﳌﻄﺒوعﺔ الﻄلﺒﺔ بﺸكﻞ عام وﻃلﺒﺔ ﲣصﺺ "ﲢلﻴﻞ اﻗﺘصادي‬
‫واسﺘﺸﺮاف" بﺸكﻞ خاص‪ ،‬وأن ﺗكون عو ﳍم ﻻسﺘﻴعات ﻃﺮق ﲢلﻴﻞ اﳌعﻄﻴات وﺗﻄﺒﻴﻘﻬا ﰲ دراسا م وﲝوﺛﻬم‬
‫اﳌسﺘﻘﺒلﻴﺔ‪.‬‬
‫‪- 142 -‬‬

2 ‫ﺟﺎﻣﻌﺔ اﻟﺒﻠﻴﺪة‬
- ‫ﻛﻠﻴﺔ اﻟﻌﻠﻮم اﻻﻗﺘﺼﺎدﻳﺔ واﻟﻌﻠﻮم اﻟﺘﺠﺎرﻳﺔ وﻋﻠﻮم اﻟﺘﺴﻴﲑ –اﻟﺸﻬﻴﺪ ﻃﺎﻟﺐ ﻋﺒﺪ اﻟﺮﲪﺎن‬
- ‫ ﻣﻊ أﻣﺜﻠﺔ ﺣﺴﺎﺑﻴﺔ وﺗﻄﺒﻴﻘﻴﺔ‬- ‫ﳏﺎﺿﺮات ﰲ ﻣﻘﻴﺎس ﲢﻠﻴﻞ ﻣﻌﻄﻴﺎت ﻣﻌﻤﻖ‬
:‫ ﻗﺎﺋﻤﺔ اﳌﺮاﺟﻊ‬.5
.‫ اﳉﺰاﺋﺮ‬،2011 ،‫ دار ﻫومﺔ للﻄﺒاعﺔ والﻨﺸﺮ والﺘوزﻳﻊ‬،"‫ " ﲢلﻴﻞ اﳌعﻄﻴات‬،‫( ﺻوالﻴلﻲ ﺻدر الدﻳﻦ‬1
،‫ اﳌعﻬد العﺮﰊ للﺘدرﻳب والﺒحوث اﻹﺣصاﺋﻴﺔ‬،"‫ "ﻃﺮق الﺘحلﻴﻞ اﻹﺣصاﺋﻲ مﺘعدد اﳌﺘﻐﲑات‬،‫( ز د رشاد الﺮاوي‬2
.2017 ،‫الﻄﺒعﺔ اﻷوﱃ‬
.2004 ،‫ مكﺘﺒﺔ الﺸﺮوق الدولﻴﺔ‬،‫ ﳎﻤﻊ اللﻐﺔ العﺮبﻴﺔ‬،‫( اﳌعﺠم الوسﻴﻂ‬3
4) Alian Baccini, Philippe Besse, « Exploration Statistique », Institut
National des Sciences Appliquées, Toulouse, Juin 2020.
5) Arnaud MARTIN, « L'analyse de données », Polycopié de cours
ENSIETA, - Réf. : 1463, Septembre 2004.
6) Gilbert Saporta, « Probabilité, analyse des données, et statistique »,
Edition TECHNIP, 2ème Edition, Paris, 2006.
7) Jean Stafford, Paul Bodson, « L’analyse multivariée avec SPSS »,
Presse de l’Université du Québec, Canada, 2006.
8) Jean-Marie Bouruche, Gilbert Saporta, « L’analyse des données »,
Presses universitaires de France, 5ème Edition, 1992.
9) Ludovic Lebart, Alain Morineau, Marie Piron, « Statistique
exploratoire multidimensionnelle », DUNOD, Paris, 1995.
https://data.albankaldawli.org/country :‫( اﳌوﻗﻊ الﺮﲰﻲ للﺒﻨﻚ الدوﱄ‬10
- 143 -

PDF 224

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

PDF 224

Uploaded by

Copyright:

Available Formats

‫ﻗﺴﻢ اﻟﻌﻠﻮم‪ :‬اﻻﻗﺘﺼﺎدﻳﺔ‬

‫ﳏﺎﺿﺮات ﰲ ﻣﻘﻴﺎس ﲢﻠﻴﻞ ﻣﻌﻄﻴﺎت ﻣﻌﻤﻖ‬

‫‪ -‬ﻣﻊ أﻣﺜﻠﺔ ﺣﺴﺎﺑﻴﺔ وﺗﻄﺒﻴﻘﻴﺔ –‬

‫ﰲ ﻣﻴﺪان "اﻟﻌﻠﻮم اﻻﻗﺘﺼﺎدﻳﺔ واﻟﺘﺠﺎرﻳﺔ وﻋﻠﻮم اﻟﺘﺴﻴﲑ"‬

‫ﻣﻦ إﻋﺪاد اﻷﺳﺘﺎذ‪ :‬ﺣﻮﺷﲔ ﻳﻮﺳﻒ‬

‫اﻟﺴﻨﺔ اﳉﺎﻣﻌﻴﺔ‪2023/2022 :‬‬

‫سم ﷲ‪ ،‬والصﻼة والسﻼم على رسول ﷲ‪ ،‬أما بعد‪:‬‬

‫وبﻨاءً على ذلﻚ‪ ،‬ﻓﻘد ﰎ ﺗﻘسﻴم ﻫﺬﻩ اﳌﻄﺒوعﺔ إﱃ اﶈاور الﺘالﻴﺔ‪:‬‬

‫اﶈور اﻷول‪ :‬ﲢلﻴﻞ اﳌﺮﻛﺒات الﺮﺋﻴسﻴﺔ؛‬ ‫‪.I‬‬

‫‪5‬‬ ‫‪ .I‬اﶈﻮر اﻷول‪ :‬ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ )‪(ACP‬‬

‫‪63‬‬ ‫‪ .II‬اﶈﻮر اﻟﺜﺎﱐ‪ :‬اﻟﺘﺤﻠﻴﻞ اﻟﻌﺎﻣﻠﻲ اﻟﺘﻘﺎﺑﻠﻲ )‪(AFC‬‬

‫‪103‬‬ ‫‪ .III‬اﶈﻮر اﻟﺜﺎﻟﺚ‪ :‬اﻟﺘﺼﻨﻴﻒ اﻟﺘﺴﻠﺴﻠﻲ )‪(CAH‬‬

‫‪ .3‬ﳏﺎور ﳏﺎﺿﺮات ﲢﻠﻴﻞ ﻣﻌﻄﻴﺎت ﻣﻌﻤﻖ‪:‬‬

‫‪ .I‬اﶈﻮر اﻷول‪ :‬ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ )‪(ACP‬‬

‫‪ .1‬ﻣﻔﻬﻮم ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‪:‬‬

‫أ‪ .‬ﺗﻌﺮﻳﻒ ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‪:‬‬

‫ب‪ .‬اﳍﺪف ﻣﻦ ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‪:‬‬

‫ج‪ .‬ﻣﺒﺪأ ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‪:‬‬

‫‪. ( ,‬‬ ‫أي‪) ≈ (ℎ , ℎ ) :‬‬

‫ﲟا أن اﻹسﻘاط ﻳكون عﻤودي‪ ،‬ﻓحسب ﻧﻈﺮﻳﺔ ﻓﻴﺜاﻏورس‪:‬‬

‫)∆ (‬ ‫∑(‬ ‫))∆ ‪( ,‬‬

‫‪.‬‬ ‫∆‬ ‫∑ =‬ ‫×‬ ‫=‬ ‫×‬ ‫=‬ ‫=‬ ‫إذن‪:‬‬

‫‪.‬‬ ‫‪=0⟹2‬‬ ‫‪−2‬‬ ‫أي‪= 0 :‬‬

‫‪ .2‬ﺧﻄﻮات إﺟﺮاء ﻃﺮﻳﻘﺔ ﲢﻠﻴﻞ اﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ‪:‬‬

‫‪.‬‬ ‫=‬ ‫وﻛﻞ مﺘﻐﲑ ‪ُ j‬ﳝﺜّﻞ ﰲ ﻓﻀاء ذو بعد ‪:ℝ n‬‬

‫‪.‬‬ ‫=‬ ‫ﺣﻴﺚ‪ .( = 1,2, … , ) = − :‬أي‪− :‬‬

‫ﻣﺜﺎل )ﻧﻘﺎط اﻟﻄﻠﺒﺔ(‪:‬‬

‫‪0‬‬ ‫‪0‬‬ ‫‪0,56‬‬

‫د‪ .‬ﺣﺴﺎب ﻣﺼﻔﻮﻓﺔ اﻟﺘﺒﺎﻳﻦ اﳌﺸﱰك ‪ V‬أو ﻣﺼﻔﻮﻓﺔ اﻻرﺗﺒﺎط ‪:R‬‬

‫‪ 12‬زياد رشاد الراوي‪ ،‬مرجع سابق‪ ،‬ص‪.55‬‬

‫‪ .1‬ﻣﺼﻔﻮﻓﺔ اﻟﺘﺒﺎﻳﻦ اﳌﺸﱰك ‪:V‬‬

‫‪ 13‬صواليلي صدر الدين‪ ،‬مرجع سابق‪ ،‬ص‪.21‬‬

‫⋯‬ ‫(‬ ‫‪,‬‬ ‫… )‬ ‫‪( ,‬‬ ‫)‬

‫‪ .2‬ﻣﺼﻔﻮﻓﺔ اﻻرﺗﺒﺎط ‪:R‬‬

‫∑‬ ‫⋯‬ ‫∑‬ ‫‪.‬‬ ‫…‬ ‫∑‬ ‫‪.‬‬

‫‪.‬‬ ‫و‬ ‫أي معامﻞ اﻻرﺗﺒاط بﲔ‬

‫‪0 0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0,56‬‬

‫ه‪ .‬ﺣﺴﺎب اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ واﻷﺷﻌﺔ اﻟﺬاﺗﻴﺔ ﳌﺼﻔﻮﻓﺔ اﻻرﺗﺒﺎط ‪:R‬‬

‫ﻣﺜﺎل )ﻧﻘﺎط اﻟﻄﻠﺒﺔ(‪:‬‬

‫‪ .2‬إﳚﺎد اﻷﺷﻌﺔ اﻟﺬاﺗﻴﺔ‪:‬‬

‫‪ 17‬زياد رشاد الراوي‪ ،‬مرجع سابق‪ ،‬ص‪.58‬‬

‫ﻣﺜﺎل )ﻧﻘﺎط اﻟﻄﻠﺒﺔ(‪:‬‬

‫‪ .3‬ﺗﺸكﻴﻞ ﺟﺪول اﻟﻘﻴﻢ اﻟﺬاﺗﻴﺔ‪:‬‬

‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬

‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪...‬‬

‫‪100‬‬ ‫‪1‬‬ ‫∑‬ ‫=‬ ‫ا ﻤوع‬

‫ﻣﺜﺎل )ﻧﻘﺎط اﻟﻄﻠﺒﺔ(‪:‬‬

‫لدﻳﻨا‪= (2,8)(3,96 − 10,08 + 2,8 ) = 7,84 − 17,14 :‬‬

‫) (‪′‬‬ ‫سالﺒﺔ‬ ‫موﺟﺒﺔ‬ ‫سالﺒﺔ‬

‫ومﻨﻪ‪.| − | = ( − 1,68)(− + 7,92 − 1,357) :‬‬

‫‪.‬‬ ‫‖=‬ ‫‖‬

‫×‬ ‫ﻓﺘكون‪= :‬‬ ‫) ‪.( = 1,2, … ,‬‬ ‫=‬ ‫‪.‬‬ ‫ومﻨﻪ‪:‬‬

‫‪−0,46‬‬ ‫‪−0,46‬‬ ‫‪−0,6‬‬

‫ح‪ .‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻠﻤﺘﻐﲑات وﻟﻸﻓﺮاد‪:‬‬

‫ﻣﺜﺎل )ﻧﻘﺎط اﻟﻄﻠﺒﺔ(‪:‬‬

‫‪ ‬ﺣﺎﻟﺔ ﲢﻠﻴﻞ ﻣﺮﻛﺒﺎت رﺋﻴﺴﻴﺔ ﻏﲑ ﻣﻌﻴﺎري‪:‬‬

‫‪0,8‬‬ ‫التمثيل البياني للمتغيرات‬

‫‪ .2‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ ﻟﻸﻓﺮاد‪:‬‬

‫ﻣﺜﺎل )ﻧﻘﺎط اﻟﻄﻠﺒﺔ(‪:‬‬

‫التمثيل البياني لﻸفراد‬

‫‪ ‬ﺣﺎﻟﺔ ﲢﻠﻴﻞ ﻣﺮﻛﺒﺎت رﺋﻴﺴﻴﺔ ﻏﲑ ﻣﻌﻴﺎري‪:‬‬

‫‪ .3‬اﻟﺘﻤﺜﻴﻞ اﻟﺒﻴﺎﱐ اﳌﺸﱰك ﻟﻸﻓﺮاد واﳌﺘﻐﲑات‪:‬‬

‫‪ .3‬ﺗﻄﺒﻴﻖ ﻃﺮﻳﻘﺔ اﻟﺘﺤﻠﻴﻞ ﳌﺮﻛﺒﺎت اﻟﺮﺋﻴﺴﻴﺔ ﻋﻠﻰ ﺑﺮ ﻣج ‪SPSS‬‬